4 1 Medicion Proyecto Seissigmabbmedicion-090819174846-Phpapp02

1
Programa de certificacin
de Black Belts ASQ
VI. Seis Sigma - Medicin

P. Reyes / Noviembre 2007
2
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
3
VI. Seis Sigma - Medicin

A. Caractersticas del proceso
B. Coleccin de datos

C. Sistemas de medicin
D. Estadstica bsica

E. Probabilidad
F. Capacidad de procesos

4
VI.A Caractersticas del proceso
5
VI.A Caractersticas del proceso
1. Variables de entrada y de salida

2. Mtricas de flujo de proceso

3. Herramientas de anlisis de proceso
6
VI.A.1 Variables de entrada y salida
7
Mapa de procesos SIPOC
Provee-
dores
Clientes
Banco de informacin
Entradas
Procesos y sistemas Salidas
Mapa de proceso SIPOC (Proveedores, Entradas, Salidas, Clientes)
Retroalimentacin
Retroalimentacin
8
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.
Proveedores
de recursos
Entradas,
insumos
Procesos,
actividades
que agregan
valor
Salidas,
producto o
servicio
Clientes,
reciben el
producto
Modelo SIPOC
9
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

10
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.
18 42 3 2 Ent 5
100 236 Totales
9 22 4 6 Ent 4
11 25 1 5 Ent 3
27 63 3 2 4 7 Ent 2
35 84 6 3 2 Ent 1
% Res 4 10 6 1 3 Impor-
tancia
E D C B A
Salidas
18 42 3 2 Ent 5
100 236 Totales
9 22 4 6 Ent 4
11 25 1 5 Ent 3
27 63 3 2 4 7 Ent 2
35 84 6 3 2 Ent 1
% Res 4 10 6 1 3 Impor-
tancia
E D C B A
Salidas
11
VI.A.2 Mtricas de flujo de proceso
12
Mtricas de flujo
Trminos Lean
Panel Andon dispositivo de control visual en un rea
productiva

Flujo de manufactura continua (CFM) proceso donde
hay un flujo de una pieza, sin WIP de acuerdo a la
demanda del cliente

Tiempo de ciclo tiempo para completar un ciclo de
una operacin
13
Mtricas de flujo
Trminos Lean
Vueltas de inventario nmero de veces que se
consume el inventario en un periodo de tiempo

JIT sistema para producir los artculos correctos en el
momento y en la cantidad requerida

Nivelacin de carga balanceo de las cargas de
trabajo en todos los pasos del proceso
14
Mtricas de flujo
Trminos Lean
Muda cualquier actividad que consuma recursos pero
no cree valor al cliente

Sin valor agregado cualquier actividad que no
agregue valor al producto o al servicio

Perfeccin eliminacin completa de muda

Punto de uso del inventario inventario surtido
directamente donde ser consumido
15
Mtricas de flujo
Trminos Lean
Poka Yoke dispositivo o procedimiento a prueba de
error para prevenir o detectar un error

Diagrama de flujo del proceso Diagrama del flujo o la
secuencia de eventos en un proceso

Jalar (Pull) sistema en que el proveedor anterior no
produce nada hasta que el siguiente cliente indica la
necesidad
16
Mtricas de flujo
Trminos Lean
Tiempo en cola el tiempo de espera de un producto
antes de su siguiente proceso

SMED (Single Minute Exchange of Die) tcnicas para
cambios rpidos en las mquinas de produccin. SU
objetivo es cero tiempo de ajuste y preparacin

Flujo de una sola pieza una situacin donde un
producto pasa por las diferentes operaciones sin
interrupciones o desperdicios
17
Mtricas de flujo
Trminos Lean
Matriz de habilidades control visual de celda de
trabajo describiendo todas las actividades, para
visualizar el estatus del entrenamiento de miembros
del equipo

Principio de lotes pequeos reduccin efectiva de
tamao de lote hasta que se llega al flujo de una sola
pieza

Trabajo estandarizado descripcin de cada actividad
de trabajo, indicando tiempo de ciclo, takt time,
secuencia de trabajos, e inventario mnimo
18
Mtricas de flujo
Trminos Lean
Takt Time tiempo disponible de produccin dividido
por la tasa de demanda del cliente

Cadena de valor actividades especficas requeridas
para proporcionar un producto desde su pedido hasta
su entrega

Control visual colocacin a la vista de todas las
herramientas, partes, actividades de produccin, e
indicadores del desempeo del sistema de produccin
19
Mtricas de flujo
Trminos Lean
Muda toda la sobreproduccin, esperas, transportes
innecesarios, inventarios excesivos, movimientos
innecesarios, y partes defectivas de produccin

Celda de trabajo o manufactura acomodo de
diferentes mquinas o procesos de negocio, realizadno
diferentes operaciones en una secuencia estricta, con
forma tpica en U o L

Centro de trabajo estacin de trabajo en una celda
de manufactura
20
Pensamiento Lean
Womack sugiere convertir la planta de produccin masiva a una
organziacin esbelta, con los siguientes principios gua:
Especificar valor por producto

Identificar la cadena de valor para cada producto

Hacer el flujo de valor

Permitir que el cliente jale valor del proveedor

Perseguir la perfeccin
21
Valor
El valor es definido por el cliente
En EUA los gerentes no tienen contacto con clientes

En Alemania se hace nfasis en el producto y proceso

En Japn se enfocan a crear valor desde la
manufactura
22
Valor
El valor es definido por el cliente
El cliente quiere productos especficos, con
capacidades especficas a precios especficos, su
definicn es el primer paso para el pensamiento Lean

El costo objetivo es una mezcla de de los precios de
venta de la competencia y de la eliminacin de muda
por mtodos Lean
23
Cadena de Valor
Se pueden maximizar los beneficios de reducir Muda
al concentrarse en las actividades que ligan los
procesos, deben considerarse:

La solucin de problemas (nuevos productos)
La gestin de informacin (pedidos a entregas)
La transformacin fsica (materias primas a productos)

En Lean se analiza un solo producto, para reduccin
de Muda, tiempo de ciclo y mejora de calidad
24
Cadena de Valor
El mapa de cadena de valor se crea para identificar
las actividades involucradas en el producto. Incluye
proveedores, actividades preoductivas y clientes. Se
consideran los criterios siguientes:

Agrega valor de acuerdo a la percepcin del cliente
No agrega valor, pero es encesaria por el proceso
No agrega valor y puede eliminarse
25
Cadena de Valor
Lean sugiere cambiar de proceso en lotes a flujo
continuo, algunos obstculos son:
Siempre se ha trabajado en lotes
La planta tiene una multitud de funciones
La planta no puede soportar cambios de herramental
rpidos
La planta tiene maquinaria con gran inercia e inflexible
Mover la maquinaria tiene un alto costo

26
Cadena de Valor
Para un flujo continuo o flujo de una pieza se
requiere lo siguiente:
Usar celdas de manufactura en U, el operador debe ser
confiable en su operacin

Con el TPM se esperan cero fallas en mquinas

El nivel de calidad es muy alto con Poka Yokes

La programacin de la produccin es suave, de flujo
continuo, sin movimientos innecesarios ni WIP
27
Valor de jalar
El producto se fabrica solo cuando el cliente lo
demanda, resultando en:
Tiempo de ciclo reducido
Inventario terminado reducido
WIP reducido
Cliente con pedidos estables
El precio se estabiliza

En una planta de produccin masiva, cada operacin
trata de tener la mxima eficiencia creando
inventarios
28
Perfeccin
Se logra con:
Equipos que trabajan con el cliente para especificar
valor, mejorar el flujo y lograr Jalar

Colaboracin entre socios de la cadena de valor para
descubrir un mayor valor

Usar tecnologa para eliminar Muda

Desarrollar nuevos productos

29
Takt time
Es el tiempo neto disponible de produccin dividido
entre la tasa de demanda del cliente en un cierto
periodo

Se sugiere revisar la distribucin de la celda para:
Mejorar los tiempos de ciclo
Reducir los defectos
Reducir los tiempos de cambio
Atender problemas de confiabilidad de los equipos
30
Mtricas de Lean
Las mtricas de TPM incluyen:
Disponibilidad, tasa de velocidad de operacin (OSR),
tasa neta de operacin (NOR), eficiencia de
desempeo (PE), y efectividad total del equipo (OEE)

Tasa de thoughput = 1 / Tiempo de ciclo

La ley de Little estable que:

Inventario WIP = Throughput * Tiempo de flujo
Tiempo de flujo = WIP * Tiempo de ciclo

31
Mtricas de Lean
Tiempo total de espera (Lead) = No. Artculos en proceso /
Tasa promedio de terminacin

Eficiencia del ciclo de proceso = Tiempo de valor agregado /
Tiempo total de espera

Si hay 30,000 unidades planeadas, y se pueden producir
3,000 por da, Cul es el tiempo de espera total?

TLT = 30,000 / 3,000 = 10 das
32
Mtricas de Lean
Se tienen 21 cotizaciones pendientes, ofrecen tres das de
tiempo de respuesta a sus clientes. Cul es la tasa de
terminacin para cumplir con la meta?

Tasa de terminacin = WIP / TLT = 21 / 3 = 7 cotiz./da
33
VI.A.3 Herramientas de anlisis de
procesos
34
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
35
Anlisis y documentacin del
proceso - Herramientas
Diagramas de flujo
Mapas de proceso

Procedimientos escritos
Instrucciones de trabajo

Anlisis de proceso
Documentacin del proceso
36
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.
37
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
38
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?
39
Diagrama de flujo
Smbolos de Diagramas de flujo
40
Diagrama de flujo
Diagramas de flujo - Ejemplo
41
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
42
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?

43
Proceso Desicin Documento Datos
Proceso Preparacin Operacin Entrada
Predefinido Manuales
Conector Con. pgina Display Almacen Terminador
Smbolos de diagrama de flujo
44
Smbolos para Diagramas de Flujo
Iniciar/Detener Transmisin
Operaciones
(Valor agregado)
Decisin
Inspeccin /Medicin
Transportacin
Almacenar
Entrada/Salida
Lneas de Flujo
Retraso
45
Diagrama de flujo del Proceso:
Inicio
Fin
Paso 2A Paso 2B Paso 2C
Paso 1
Paso 3
Bueno? Retrabajo
S No
Es el diagrama de flujo de un proceso
que muestra cmo se realiza un trabajo.
46
Diagrama de flujo / Anlisis del valor
Actividades sin valor agregado
Actividades con valor agregado
47
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.
48
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.
49
Aprovecha al Equipo
Haz recorridos, entrevistas y
revisiones de los diagramas
de flujo y los estndares
existentes.
50
Haz el Mapa del Proceso lo ms
Pronto Posible!

seala con claridad la regin
en la que el equipo se debe
enfocar.

evita que el equipo salga de los
lmites del proyecto.
El mapa de un proceso...
51
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.
52
Ejercicio Rpido - Inicio y Fin
Proceso Inicio Fin
Ensamble de
Asiento

Dibujos de
Ingeniera

Manufactura en
Riel de Asientos

Cuentas por
Pagar

53
Ejemplos - Inicio y Fin
Proceso Inicio Fin
Ensamble de
Asiento
Marco de metal
puesto en lnea
Inspeccin Final
Dibujos de
Ingeniera
Requerimientos
del Cliente
Cliente Recibe
el Archivo CAD
Manufactura en
Riel de Asiento
Operacin de
Prfiles
Estampados
Inspeccin Final
Cuentas por
Pagar
Recepcin de la
Factura del
Proveedor
Depsito
Electrnico
54
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!
55
Herramientas de un Mapa de Proceso
Rotafolios y
Marcadores.

Hojas para Rotafolio y
Notas Autoadheribles.

56
Pasos para Elaborar un Mapa de
Proceso
1. Establezcan los puntos de
Inicio y Fin del proceso.
2. Hagan una lista de los
pasos del proceso
mediante una tormenta de
ideas.
3. Realicen el primer
recorrido y entrevistas.
4. Elaboren una lista de los
proceso clave en las notas
autoadheribles.
5. Discutan, revisen y
modifiquen.
6. Hagan un segundo recorrido
y entrevistas.
7. Aadan pasos de inspeccin,
retrabajo, reparacin y
desperdicio en las notas
autoadheribles.
8. Elaboren un mapa de proceso
cmo es.
Como equipo...
57
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.
58
Paso 1: Puntos de Inicio y Fin
Revisen la declaracin del
problema.

Describan los procesos
que causan el problema.

Comenten los puntos de
Inicio y Fin que se pueden
medir.

Pnganse de acuerdo y
regstrenlos.
Declaracin del Problema:
El cliente espera los dibujos
modificados demasiado
tiempo.
Proceso:
Proceso de revisin de
dibujos.
Pregunta:
Cul podra ser el punto
de Inicio?
Pregunta:
Cul podra ser punto de
Fin?
59
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.
60
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.
61
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.
62
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.
63
Paso 4: Notas Autoadheribles
Escriban los pasos del
proceso en notas
autoadheribles.

Coloquen las notas
sobre la pared.

Por ahora slo dejen las
notas.
Reunin
con el
grupo
Encontrar
Especif.
Crear
Boceto
Localizar
Archivos
CAD Cambiar
Dibujos
Calcular
Impacto
Hacer
Caf
Crear
Paquete
de
Archivos
Enviar al
Cliente
64
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.
65
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.

66
Pasos Importantes
Qu pasos podran
ser importantes en el
mapa del proceso
que aparece a la
derecha?
Reunin
con el
grupo
Encontrar
Especif.
Crear
Bsquejo
Localizar
Archivos
CAD Cambiar
Dibujos
Calcular
Impacto
Hacer
Caf
Crear
Paquete
de
Archivos
Enviar al
Cliente
67
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.
68
Paso 7: Aadir Cambios
Agreguen notas
autoadheribles.
Aadan inspecciones.
Aadan retrabajo y
reparaciones.
Aadan desperdicio.
Por ahora dejen todas
las notas.
Crear
Bsquejo
Cambiar
Dibujo
Calcular
Impacto
Crear
paquete de
archivos
Enviar a
Cliente
Solicitud de
Cambio del
Cliente
Cliente recibe
archivos CAD
Impacto
OK?
Dibujo
OK?
Reunin
con Ventas
S
No
No
S
69
Paso 8: Mapa del Proceso Cmo Es
El equipo establece un
mapa del proceso tal
cual.
Tiene el detalle
suficiente para incluir
los pasos importantes.
Sin demasiado detalle
para que se entienda
rpidamente.
Crear
Bsquejo
Cambiar
Dibujo
Calcular
Impacto
Crear
paquete de
archivos
Enviar a
Cliente
Solicitud de
cambio del
Cliente
Cliente recibe
archivos CAD
Impacto
OK?
Dibujo
OK?
Reunin
con Ventas
S
No
No
S
70
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.
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)
71
Mapa del Proceso Cmo Es
Crear
Bsquejo
Cambiar
Dibujo
Calcular
Impacto
Crear
paquete de
archivos
Enviar al
Cliente
Solicitud
de cambio
del Cliente
Cliente recibe
archivos CAD
Impacto
OK?
Dibujo
OK?
Reunin
con Ventas
S
No
No
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.
72
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
Este nuevo mapa muestra el proceso cmo debe
ser que ser una vez que se implementen
todas las soluciones.
73
74
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.
75
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
76
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.
77
78
Simbologa utilizada
79
Simbologa utilizada
80
Simbologa utilizada
81
Simbologa utilizada
82
Identificando mapa actual
83
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.
84
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.
85
86
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
87
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).

88
Ejemplo de aplicacin:
Empresa Guden
89
Mapa del estado actual
Proceso de manufactura
90
Mapa incluyendo informacin
91
Mapa incluyendo tiempos de ciclo y
tiempo de entrega
92
Mapa futuro reduciendo tiempos de
entrega
93
Mapa futuro reduciendo tiempos de
entrega
94
Beneficios
95
Beneficios
96
Mapa de proceso de la
Empresa ABC - final

97
Documentacin
98
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
99
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
100
Diagrama de espaguetti
Se pueden usar para describir el flujo de personas,
informacin, o material en casi cualquier tipo de
proceso. La mayora de las acpliaciones considera
flujos de personas, informacin y materiales.
101
Diagramas de Venn
Se pueden utilizar para analizar las cargas de trabajo, por
ejemplo:

El tiempo de ocupacin es 0.30+0.20+0.25+0.10-0.06-0.04 =
0.75, es decir de cada turno de 8 horas tiene 2 horas disp.

102
V.C Capacidad de los
sistemas de medicin
103
Contenido
V.C.1 Mtodos de medicin

V.C.2 Anlisis de sistemas de medicin

V.C.3 Sistemas de medicin en la empresa

V.C.4 Metrologa
104
V.C.1 Mtodos de medicin
105
Mtodos de medicin
Cuidado de instrumentos de medicin
Los instrumentos de medicin son costosos y deben
tratarse con cuidado, deben calibrarse en base a un
programa as como despus de sospecha de dao

Superficies de Medicin / Referencia
Es la superficie de referencia para realizar las
mediciones.

Herramientas de transferencia
No tienen escala de lectura, por ejemplo, los
calibradores de resorte. La medicin es transferida a
otra escala de medicin para lectura directa.
106
Mtodos de medicin
Gages o escantillones por atributos
Son gages fijos para inspeccin pasa no pasa. Por
ejemplo gages maestros, plug gages, gages de
contorno, thread gages, gages de lmite de longitud,
gages de ensamble. Slo indican si el producto es
bueno o malo.

Gages o escantillones por variables
Proporcionan una dimensin fsica. Por ejemplo reglas
lineales, calibradores verniers, micrmetros,
indicadores de profundidad, indicadores de
excentricidad, etc. Indican si el producto es bueno o
malo respecto a las especificaciones para capacidad.
107
Mtodos de medicin
Seleccin por atributos

Son pruebas de seleccin realizadas en una muestra
con dos resultados posibles, aceptable o no aceptable.

Como se realiza a toda la poblacin o a una proporcin
grande de la misma, debe ser de naturaleza no
destructiva.

108
Mtodos de medicin
Seleccin por atributos, caractersticas principales:
Un propsito claramente definido
Alta sensibilidad al atributo evaluado. Equivale a una
tasa baja de negativos falsos.

Alta especificidad al atributo que est siendo medido.
Esto equivale a una baja tasa de positivos falsos.
Los beneficios del programa sobrepasan los costos

Los atributos medidas identifican problemas
importantes (series y comunes)
Los resultados guan a acciones tiles
109
Mtodos de medicin
Gages (gauges) bloques patrn:
Carl Johansson desarroll bloques de acero como
estndares de medicin con exactitud de unas pocas
millonsimas de pulgada

Los bloques patrn o Jo se hacen de acero con
aleacin al alto carbn y cromo, carburo de tungsteno,
carburo de cromo o cuarzo fundido

Se usan para establecer una dimensin de longitud de
referencia para una medicin de transferencia, y para
calibracin de varios instrumentos de medicin
110
Mtodos de medicin
111
Mtodos de medicin
Se pueden apilar con la ayuda de una capa delgada de
aceite que expulsa el aire. Usar poca presin en el
proceso
112
Mtodos de medicin
Juegos de Gages (gauges) de bloques patrn:
El contenido de un juego de 81 piezas son:

Bloques de diezmilsimas (9): 0.1001, 1002,..,0.1009

Bloques de una milsima (49): 0.101, 0.1020.149

Bloques de 50 milsimas (19): 0.050, 0.1000.950

Bloques de una pulgada (4): 1.000, 2.000,, 4.000
113
Mtodos de medicin
Calibradores:

Los calibradores se utilizan para medir dimensiones de
longitud, internas, externas, de altura, o profundidad.

Son de los siguientes tipos: Calibradores de resorte,
calibradores de reloj, verniers y calibradores,
calibradores digitales

114
Mtodos de medicin
Calibradores de resorte:
Los calibradores proporcionan una exactitud de
aproximadamente 1/16 al transferir a una regla de
acero
115
Mtodos de medicin
Calibradores verniers:
Usan una escala para indicar la medicin de longitud.
Ahora se han reemplazados con reloj o indicador
digital.
Para el caso de una longitud de 1.069 se leera como
sigue:
116
Mtodos de medicin
Calibradores de reloj:
La lectura se hace en la escala con resolucin cercana
a 0.1 y un reloj con resolucin de 0.001.

Calibradores digitales
Usan un display digital con lectura en pulgadas o en
milmetros y un cero que puede ser puesto en
cualquier punto del viaje. La resolucin es del orden de
0.0005
117
Mtodos de medicin
Comparadores pticos
Usan un haz de luz dirigido hacia la parte a ser
inspeccionada, y la sombra resultante es amplificada y
proyectada en una pantalla.

La imagen puede medirse al comparar con una plantilla
maestra o medir la silueta en la pantalla o tomando las
lecturas. Para pasar la inspeccin, la silueta de la
sombra debe encontrarse entre los lmites de
tolerancia predeterminados.
118
Mtodos de medicin
Micrmetros
Los mics se pueden adquirir con tamaos de cuerpo
para 0.5 a 48. La mayora tiene una exactitud de
0.001 y con un vernier o indicador puede llegar a
0.0001. En cuartos con temperatura y humedad
controlada se pueden hacer medidas lineales de hasta
millonsimas de pulgada

Pueden hacer mediciones de interiores, exteriores,
porfundidad, cuerdas, etc. Las dos escalas utilizadas
son la del cuerpo y la del tambor, a continuacin se
muestra un ejemplo:
119
Mtodos de medicin
Micrmetros
120
Mtodos de medicin
Mediciones de resistencia a la tensin
La resistencia a la tensin es la habilidad de un metal a
resistir su rotura. Se aplica una carga a una barra de
prueba y se incrementa gradualmente hasta que la
barra se rompa. Se pueden analizar los datos de
tensin usando curvas de esfuerzo deformacin, que
muestra la carga vs la elongacin.

Prueba de corte
Es la habilidad para resistir un esfuerzo de cuchilla
cortante cuando se aplican fuerzas paralelas
ligeramente fuera de eje.
121
Mtodos de medicin
Prueba de compresin
La comprensin es el resultado de fuerzas actuando
unas contra otras. Se aplica una carga y se registra la
deformacin. Se puede obtener una curva de esfuerzo
deformacin con los datos

Prueba de fatiga
La fatiga es la habilidad del material a resistir cargas
repetitivas. En varios niveles de esfuerzo, se cuenta el
nmero de ciclos hasta que ocurre la falla
122
Mtodos de medicin
Titulacin
Es un mtodo de anlisis que permite la determinacin
de cantidades precisas de reactivos en el matraz. La
solucin a ser analizada se prepara en el matraz
Erlenmeyer. Un indicador como el azul de metileno es
adicionado a la solucin. Se usa una bureta para liberar
el segundo reactivo al matraz y un indicador o medidor
de pH se utiliza para determinar el punto final de la
reaccin. El indicador cambia de color cuando se llega
al punto final.
123
Mtodos de medicin
Medicin de dureza
La medicin de dureza se realiza al crear una marca
en la superficie del material con un baln duro o una
pirmide de diamante y despus se mide la
profundidad de penetracin

124
Mtodos de medicin
Medicin de dureza
125
Mtodos de medicin
Medicin de torque
Esta medicin se requiere cuando el producto se sujeta
con tornillos y tuercas. El torque es una fuerza que
produce rotacin alrededor de un eje

(Torque = fuerza x Distancia)

Prueba de impacto
La resistencia al impacto es la habilidad del material
para resistir el impacto. Las pruebas de Charpy e Izod
usan muestras que son golpeadas por un pndulo
calibrado
126
Mtodos de medicin
La regla de acero
La regla de acero se utiliza para lecturas directas. Sus
divisiones estn en fracciones de pulgada milmetros

Placas de medicin (mrmol)
Son planos de referencia para mediciones
dimensionales. Usualmente son utilizados con
accesorios planos, angulares, paralelos, bloques en V y
bloques cilndricos apilados

127
Mtodos de medicin
Indicadores de reloj
Son instrumentos mecnicos para medir variaciones de
distancia. Muchos indicadores de reloj amplifican la
lectura de un punto de contacto por medio de un
mecanismo interno de engranes. Tienen resoluciones
de 0.00002 a 0.001 con un rango amplio de
mediciones.

128
Mtodos de medicin
Ring gages o gages de cuerdas
Se usan para inspeccionar dimensiones cilndricas
externas y frecuentemente se denominan gages go no
go. Un ring gage de cuerdas se usa para checar
cuerdas macho

129
Mtodos de medicin
Plug gages o gages de dimetros
Se usan para inspeccionar dimensiones cilndricas
internas y frecuentemente se denominan gages go no
go o gages pasa no pasa. Un plug gage de cuerdas
se usa para checar cuerdas hembra. En lado se indica
en verde la seccin de Pasa y en el otro lado se indica
en roja la No Pasa.

Go No go
130
Mtodos de medicin
Gages neumticos
Los tipos de gages de amplificacin neumtica incluyen
unos accionados variando la presin de aire y otros al
variar la velocidad del aire con presin constante. Las
mediciones pueden ser ledas en millonsimas de
pulgada.

Interferometra
Se forma interferencia cuando dos o ms haces de luz
monocromtica de la misma longitud de onda se
defasan 180 viajando en diferentes distancias. Las
irregularidades se evidencian alternando las bandas
obscura y de luz
131
Mtodos de medicin
Gages diseados con Laser
El haz de luz Laser se transmite a un receptor del lado
puesto del gage. Las mediciones se realizan cuando el
haz es obstaculizado por un objeto y el receptor
registra esta dimensin.

Mquina de Medicin por Coordenadas (CMM)
Las partes a medir se colocan en la placa de mrmol y
un sensor se manipula para tener varios puntos de
contacto usando el sistema de mediciones controlado
por computadora tomados en tres ejes perpendiculares
entre s.
132
Mtodos de medicin
Pruebas no destructivas (NDT) y evaluaciones no destructivas
(NDE)
Son tcnicas para evaluar las propiedades de los materiales
sin afectar la utilidad futura de los artculos probados.
Incluyen el uso de automatizacin, prueba al 100% del
producto y la garanta de adecuacin interna. Algunos
resultados requieren considerable habilidad para su
interpretacin.

Inspeccin visual
La inspeccin visual de color, textura y apariencia
proporciona informacin valiosa. EL ojo humano es apoyado
por lentes de aumento u otros instrumentos. Esta inspeccin
tambin se denomina inspeccin de exploracin (scanning)
133
Mtodos de medicin
Pruebas ultrasnicas
Las ondas ultrasnicas se generan en un transductor y
se transmiten a travs de un material que puede tener
defectos. Parte de las ondas chocan en el defecto y se
reflejan como ecos a la unidad receptora, que las
convierte en picos en la pantalla. Para pruebas no
destructivas se utiliza un rango de frecuencias de 200
a 250,000 Khz.
134
Mtodos de medicin
Pruebas con partculas magnticas
La inspeccin con partculas magnticas es un mtodo
no destructivo de detectar la presencia de defectos o
poros ya sean superficiales o internos en metales o
aleaciones ferromagnticos.

Se magnetiza la parte y despus se aplican partculas
de acero en la superficie de la parte bajo prueba. Las
partculas se alinean con el campo magntico y se
concentran en lugares donde las lneas entran o salen
de la parte.
135
Mtodos de medicin
Pruebas con partculas magnticas
La parte bajo prueba se examina en las reas de
concentracin de partculas magnticas que indicaran
presencia de discontinuidades

Se usa corriente alterna para descubrir la presencia de
defectos superficiales, mientras que con corriente
directa proporciona mayor sensibilidad para la
localizacin de defectos internos. Se cuenta con
mtodos secos y hmedos
136
Mtodos de medicin
Pruebas con lquidos penetrantes
La inspeccin con lquidos penetrantes es un mtodo
rpido para detectar defectos en la superficie en todo
tipo de materiales. El lquido aplicado contiene una
tinta que penetra en el defecto por capilaridad
contrastado por una limpieza. Requiere observacin
cuidadosa.

Pruebas con corrientes parsitas de Eddy
Las corrientes parsitas son inducidas en un objeto
bajo prueba al pasar una corriente alterna en una
bobina colocada cerca de la superficie del objeto bajo
prueba.
137
Mtodos de medicin
Pruebas con corrientes parsitas de Eddy
Un campo electromagntico es producido en el objeto
bajo prueba que puede ser comparado con un
estndar.
Defecto
138
Mtodos de medicin
Pruebas con Radiografa
Se pueden dirigir Rayos X o Rayos Gama a travs de
un objeto bajo prueba sobre una placa fotogrfica y las
caractersticas internas de la parte pueden ser
reproducidas y analizadas.

Para un anlisis adecuado, se deben establecer
estndares de referencia para evaluar los resultados.
Una radiografa puede mostrar poros, inclusiones, y
fracturas si se encuentran en el plano adecuado y son
suficientemente grandes.
139
Mtodos de medicin
Pruebas con Radiografa de neutrones
Los neutrones son partculas atmicas sin carga que se
mueven por los materiales sin afectar su densidad. Son
dispersados o absorbidos por partculas en el nucle
atmico en vez de los electrones. El objeto se coloca
en un haz de neutrones en frente de un detector de
imagen.

Otras tcnicas relacionadas
Aplicaciones recientes incluyen fluoroscopia,
radiografa gama, rayos X televisados, pruebas con
microondas e inspeccin hologrfica
140
V.C.2 Anlisis de Sistemas
de Medicin
141
Contenido
1. Errores en la medicin
2. Carta de tendencias de gage Minitab
3. Estudios de R&R metodo corto del rango
4. Estudios de R&R mtodo largo (cruzado)
5. Estudios de R&R mtodo largo (anidado)
6. Estudios de linealidad y sesgo
7. Estudios de R&R por atributos mtodo analtico
8. Estudios de R&R por atributos acuerdo entre
evaluadores
142
Anlisis de Sistemas de Medicin
1. Errores en la medicin
143
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

144
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.

145
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
146
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.

147
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

Tolerancia
T P l
e
o 6
/ Re =
148
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

Medicion Variacion oducto Variacion
Medicion Variacion
Total Variacion
TV P l
e
+
= =
Pr
6
/ Re
o
149
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
150
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
151
Definiciones
Proceso de
Transformacin
Proceso de
Medicin
Datos,
informacin,
observaciones
2 2 2
Sistema de medicin producto total
o o o + =
Variabilidad
del producto
+ =
Variabilidad
del Sist. De
Medicin
Variabilidad
total
(Observada)
Sistema de medicin producto total
c + =
152
Errores en la medicin
Todo proceso tiene variabilidad y los procesos de
medicin no son la excepcin;

Los valores observados son el resultado del
comportamiento verdadero ms el ruido de la
medicin, por lo que es necesario evaluar el sistema
de medicin de la variable de respuesta para
determinar si este es aceptable para la necesidad.

153
Promedios
Observada
=
proceso
+
medicin

Variabilidad

o
Observada
= o
proceso
+ o
medicin
2 2 2
Determinada por un
estudio de calibracin
Determinada
por un estudio
R&R
154
Posibles Fuentes de la
Variacin del Proceso
La Repetibilidad y reproducibilidad (R&R), son los errores ms relevantes en la medicin.
Variacin del proceso, real
Variacin de la medicin
Variacin del proceso, observado (Zlp/Zlt y/ DPMO)
Reproducibilidad
Repetibilidad
Variacin
dentro de la
muestra
Estabilidad Linealidad Sesgo
Variacin originada
por el calibrador
Calibracin
155
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
156
Sesgo es la diferencia entre el
promedio observado de las
mediciones y el valor
verdadero (patrn).

si Exactitud > 10% :
Ajustar el equipo de medicin
Utilizar factores de correccin

Definicin del Sesgo o exactitud
Valor
Verdadero
Sesgo
% Exactitud =
| Exactitud |*
Tolerancia
100
157
Definicin de la Repetibilidad
o precisin
REPETIBILIDAD
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
158
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
Reproducibilidad
Operador-A
Operador-C
Operador-B
159
Preciso pero Exacto pero Exacto y
No exacto no preciso preciso
160
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.

Estabilidad= x1-x2=Exactitud1 - Exactitud2
Definicin de la Estabilidad
Tiempo 1
Tiempo 2
% Estabilidad =
| Estabilidad |*
Tolerancia
100
5% > Recomendacin si Estabilidad > 10%

Modificar frecuencias de calibracin (Programa)
< 5% espaciar periodos de uso entre calibracin
>10% acortar periodos entre calibraciones

Patrn
161
Linealidad es la diferencia
en los valores real y
observado, mayor menos
menor a travs del rango de
operacin esperado del
equipo.
Definicin de la Linealidad
Rango de Operacin del equipo
Valor
verdadero
Valor
verdadero
(rango inferior)
(rango superior)
Sesgo
Menor
Sesgo
mayor
Graficar el sesgo versus los valores de exactitud 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
% Linealidad =
| Linealidad | *
Tolerancia
100
Recomendacin si Linealidad > 10% :

Restringir su uso
Aplicar factores de correccin

162
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 previo.

163
Estudios de incertidumbre
Para evaluar la desviacin estndar poblacional del sistema de
medicin de los pocos vitales, haremos un ajuste a la desviacin
estndar muestral con la t-student, por lo que se requiere :

No out-liers : De tener presentes, proceder a investigarlos y
eliminarlos o sustituirlos.

Normalidad de los datos : de no haber normalidad se puede
aplicar el teorema de lmite central utilizando da desviacin
estndar de las medias grupos de tamao m
164
Estudios de incertidumbre
Incertidumbre = Desv.Std.Sist.medic.
Incertidumbre
5.15 o
med
99.02%
Incertidumbre
Incertidumbre estandar :
u = o
sistema de medicion
= s*(t
0.005,n-1
) \m /(2.575)
Incertidumbre expandida :
U = 5.15*u= k*s*(t
0.005,n-1
)\m

Donde : k= factor de cobertura (Generalmente k=2)
%U = U*100/Tolerancia
165
Estudios de R&R
Los mtodos para estudios de Repetibilidad y Reproducibilidad
pueden clasificarse por la naturaleza de las mediciones en :
Mtodos para mediciones de datos continuos
Para pruebas no destructivas
Mtodo Corto Rangos (Mediciones cruzadas)
Mtodo Largo Medias y Rangos (Clculos manuales)
Mtodo ANOVA (Exacto, pero recomendable software)
Para pruebas destructivas
ANOVA modificado (Diseos anidados)
Mtodos para mediciones de atributos o datos discretos.
Indice Kappa (Pruebas binarias)
ndice Kendall (Multiples caracteristicas)
166
Estudios de R&R
Todos ellos generalmente consideran un nivel de
confianza del 99.02%, esto es :

GR&R = 5.15 sigma de la medicin

167
Estudios R&R Datos continuos
Estudios de GR&R
datos continuos
Estudios sobre la varianza
Ho:
El sistema de medicin es aceptable para
la necesidad.
GR&R Mtodo
de Rangos (Corto)
%GR&R
aceptable
Se cuenta
con software
estadstico
Mtodo Medias
y Rangos (Largo)
Mtodo Anlisis de
Varianzas (ANOVA)
% GR&R
aceptable
Reproducibilidad
aceptable
Repetibilidad
aceptable
Estudios de Incertidumbre
y/o caracterizacin.
Estandarizar mtodos,
operaciones, equipos y/o
procedimientos utilizados.
Documentar estudio
y definir siguiente
fecha de evaluacin.
NO
SI
NO SI
NO
SI
NO
SI
NO
SI NO
168
Precisin en relacin a la variacin
total

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!
%R&R
Var Total
=
R&R
*100
Error R&R = RPT
2
+ REPR
2
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
169
EL VALOR DEL R&R ES UN PORCENTAJE DE LA VARIACION
TOTAL DEL PROCESO:
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
Lo que
fue
medido
VARIACIN DE PARTE A
PARTE
LSL USL OBJETIVO
La dimensin verdadera de
las partes se encuentra en
algn lugar de la la regin
sombreada
170
Estudios de
Repetibilidad y Reproducibilidad
Carta de Tendencias

Mtodo del Rango (corto)

Mtodo de Medias Rangos

Mtodo de ANOVA

171
I. Mtodo de Medias - Rango

Permite separar en el sistema de medicin lo
referente a la reproducibilidad y a la Repetibilidad.

Los clculos son ms fciles de realizar.

172
I. Mtodo de Medias - Rango

Un modelo matemtico de este mtodo con r
rplicas, con K evaluadores en n partes, el rango
medio encontrado es:

=
=
=
n
i
k
j
ij
nk
R
R
1
1
173
Mtodo de ANOVA
II. Mtodo ANOVA
Permite separar en el sistema de medicin lo
referente a la reproducibilidad y a la Repetibilidad.
Tambin proporciona informacin acerca de las
interacciones de un operador y otro en cuanto a la
parte.
Calcula las varianzas en forma ms precisa.
Los clculos numricos requieren de una
computadora.

El Mtodo ANOVA es Ms Preciso
174
Mtodo de ANOVA
II. Mtodo ANOVA
El valor observado usando el mtodo ANOVA es:

Valor observado = Promedio + sesgo + Efecto de la
parte + Efecto del evaluador + Error de rplica o

Valor observado = Valor de referencia + Desviacin

ijm i ijm
x Y c + =
175
Mtodo de ANOVA
II. Mtodo ANOVA

Con Yijm como la m-sima medicin tomada por el
evaluador J en la parte j-sima. Si las Xi son
independientes y normalmente distribuidas con media
y varianza o
2
, la varianza total est dada por:

Donde son las varianzas debidas al efecto de
la parte, el efecto del evaluador, y el error de rplica

2 2 2 2
) ( t o e o + + + =
ijm
Y VAR

2 2 2
, , t o e
176
Mtodo de ANOVA
Ejemplo de Corrida: 5 partes, 3 tcnicos y 2 rplicas

La repetibilidad es la varianza del error contribuye
con 50.85% del total de variacin de los datos.

177
Mtodo de ANOVA
Ejemplo de Corrida:

La reproducibilidad es la variacin entre tcnicos que
contribuye con el 2.34% de la variacin

La variacin del proceso contribuye con un 46.81%
de la variacin total de los datos

Se usa la prueba F para determinar las diferencias
significativas

178
2. Carta de tendencia de
gages
179
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.
180

Operator
R
e
s
p
o
n
s
e
Mean
1.0
0.8
0.6
0.4
1.0
0.8
0.6
0.4
Mean
1 2 3 4 5
6 7 8 9 10
Operator
3
1
2
Gage name:
Date of study :
Reported by :
Tolerance:
Misc:
Panel variable: Part
Gage Run Chart of Response by Part, Operator
1 File > Open worksheet > GAGEAIAG.MTW.
2 Stat > Quality Tools > Gage Study > Gage Run Chart.
3 En Part numbers, seleccionar Part.
4 En Operators, seleccionar Operator.
5 En Measurement data, seleccionar Response. Click OK.
181
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.
182
3. Estudios R&R
Mtodo del rango
183
Mtodo del rango
Requiere pocas muestras pero no proporciona
informacin detallada de las fuentes de variacin, se
usa cuando:

Diagnostico para identificar los sistemas de medicin con
mayor variabilidad.

Monitoreo/control peridico de sistemas de medicin
aceptables para asegurar que se mantiene su confiabilidad

Cuando solo participa una persona (Operador, auditor,
inspector, analista) en el sistema de medicin, entonces se
busca otra fuente de informacin o auditoria a la medicin
para realizar una medicin cruzada.

184
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
185
Mtodo del rango

Partes Evaluador A Evaluador B Rango A,B
1 0.85 0.80 0.05
2 0.75 0.70 0.05
3 1.00 0.95 0.05
4 0.45 0.55 0.10
5 0.50 0.60 0.10
Rango medio = 0.35/5 = 0.07
GRR = Rmedio / d2* = 0.07 / 1.19 = 0.0588
Desv. Estndar del proceso = 0.0722
%GRR = 100 (GRR / Desv. Est. Proceso ) = 81.4%
Por tanto el sistema de medicin requiere mejora
Error mximo 10%
186
Mtodo del rango
Contra tolerancia:
Determine la Tolerancia total de variacin permitida para la
variable :

Para Especificaciones bi-laterales :
Tolerancia = LSE - LIE

Para Especificaciones uni-laterales :
Tolerancia = 2* |y LIE| Tolerancia = 2* |LSE y|
Donde : LSE = Lmite Superior de Especificacin
LIE = Lmite Inferior de Especificacin
y = Media histrica de la variable bajo estudio valor
promedio objetivo

187
Mtodo del rango
Calcular los rangos de cada par de lecturas por parte/muestra.
Calcular el rango promedio de dichos rangos.
Calcular el GR&R mediante: GR&R = (5.15) x (rango promedio)
Clculo del %GR&R: %GR&R = GR&R*100/Tolerancia

Determinar si el sistema de medicin es confiable para la
necesidad:
%R&R <10% es aceptable

%R&R >30% es inaceptable

10%<%R&R<30% dependiendo la variacin de proceso
188
Mtodo del rango
Pieza Inspector 1 Inspector 2 Rango
1
2
3
4
5
Rango promedio ( R ) =
GR&R = 5.15*R/d
2
*
= 5.15 * ( )/( ) =
GR&R*100 ( )*100
Tolerancia ( )
%GR&R = = =
F
o
r
m
a
t
o

5
.
1

189
4. Estudios R&R (cruzado)
Mtodo largo
190
Determinacin slo
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
191
Determinacin slo
de la repetibilidad
Parte Medicin 1 Medicin 2 Media Rango
1 21 20 20,5 1
2 24 23 23,5 1
3 20 21 20,5 1
4 27 27 27,0 0
5 19 18 18,5 1
6 23 21 22,0 2
7 22 21 21,5 1
8 19 17 18,0 2
9 24 23 23,5 1
10 25 23 24,0 2
11 21 20 20,5 1
12 18 19 18,5 1
13 23 25 24,0 2
14 24 24 24,0 0
15 29 30 29,5 1
16 26 26 26,0 0
17 20 20 20,0 0
18 19 21 20,0 2
19 25 26 25,5 1
20 19 19 19,0 0
Promedio 22,3 1
192
Determinacin slo
de la repetibilidad
La desviacin estndar del error de medicin,, es
calculada mediante la siguiente frmula:

Para obtener una buena estimacin de la capacidad del error de
medicin utilizamos: y vs Tolerancia
887 . 0
128 . 1
1
2
= =
d
R
=
R= Rango promedio
d
2
= Valor de tablas.
LSL USL T
P
medicin
=
o 6 32 . 5 ) 887 . 0 ( 6 6 = =
medicin
o
193
Determinacin slo
de la repetibilidad
En este ejemplo USL = 60, LSL = 5

Los valores P/T de 0.1 o menores generalmente implican una
capacidad de error de medicin adecuada.

La varianza total observada es:

Y la sigma del proceso es:

Por lo tanto la desviacin estndar del proceso = 2.93

=
097 . 0
55
32 . 5
= =
T
P
4249 . 9 ) 07 . 3 (
2 2 2
= = = S Total o
proceso
2
o medicin total
2 2
o o

=
=9.4249 - .79 = 8.63
194
Determinacin slo
de la repetibilidad
El error de medicin es expresado como un porcentaje de la
variabilidad del proceso:

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.

=

% 73 . 25 100
07 . 3
79 .
= =
total
medicion
o
o
195
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.
196
Mtodo de medias rangos
197

Generalmente intervienen de dos a tres operadores
Generalmente se toman 10 unidades
Cada unidad es medida por cada operador, 2 3 veces.
Estudio de R&R Medias Rangos
198
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
199
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.

200

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

201
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.

202
Planteamiento del problema:
Las partes producidas en el rea de produccin, fallaron por
errores dimensionales 3% del tiempo.
Ejemplo:
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.
203
Repetibilidad y Reproducibilidad de calibrador
Mtodo X-media y Rango:
Operador A Operador B
Serie # 1er. Ensayo 2o. Ensayo Rango 1er. Ensayo 2o. Ensayo Rango Porcin Xbar
1 9.376 9.358 9.354 9.361
2 9.372 9.320 9.372 9.372
3 9.378 9.375 9.278 9.277
4 9.405 9.388 9.362 9.370
5 9.345 9.342 9.338 9.339
6 9.390 9.360 9.386 9.370
7 9.350 9.340 9.349 9.349
8 9.405 9.380 9.394 9.381
9 9.371 9.375 9.384 9.385
10 9.380 9.368 9.371 9.376
Totales
X-bar
A
X-bar
B
R-bar
A
R-bar
B
Porcin R
204
Clculo de las X-medias
1 9.376 9.358 9.354 9.361 9.362
2 9.372 9.320 9.372 9.372 9.359
3 9.378 9.375 9.278 9.277 9.327
4 9.405 9.388 9.362 9.370 9.381
5 9.345 9.342 9.338 9.339 9.341
6 9.390 9.360 9.386 9.370 9.377
7 9.350 9.340 9.349 9.349 9.347
8 9.405 9.380 9.394 9.381 9.390
9 9.371 9.375 9.384 9.385 9.379
10 9.380 9.368 9.371 9.376 9.374
Totales 93.772 93.606 93.588 93.580
X-bar
A
9.3689 X-bar
B
9.3584
R-bar
A
R-bar
B
Porcin R
205
Clculo de los Rangos
1 9.376 9.358 0.018 9.354 9.361 0.007 9.362
2 9.372 9.320 0.052 9.372 9.372 0.000 9.359
3 9.378 9.375 0.003 9.278 9.277 0.001 9.327
4 9.405 9.388 0.017 9.362 9.370 0.008 9.381
5 9.345 9.342 0.003 9.338 9.339 0.001 9.341
6 9.390 9.360 0.030 9.386 9.370 0.016 9.377
7 9.350 9.340 0.010 9.349 9.349 0.000 9.347
8 9.405 9.380 0.025 9.394 9.381 0.013 9.390
9 9.371 9.375 0.004 9.384 9.385 0.001 9.379
10 9.380 9.368 0.012 9.371 9.376 0.005 9.374
Totales 93.772 93.606 0.174 93.588 93.580 0.052
X-bar
A
9.3689 X-bar
B
9.3584
R-bar
A
0.0174 R-bar
B
0.0052
Porcin R 0.0630
206
Ancho de tolerancia====>
Nmero de intentos (m)=>
Nmero de partes (n)==>
Nmero de operadores
K1
========>
4.56
(=4.56 para 2 ensayos, 3.05 para 3 ensayos)
K2
=========>
3.65
X-media mx.=>
X-media mn. =>
Diferencia X-dif
R-media doble
K3 ======> 1.62
Identificacin de Parmetros del Estudio
y Clculos
Totales 93.772 93.606 0.174 93.588 93.580 0.052
X-barA 9.3689 X-barB 9.3584
R-barA 0.0174 R-barB 0.0052
Porcin R 0.0630
(=3.65 para 2 operadores; 2.7 para 3 operadores)
0.25
2
10
2
9.3689
9.3584
0.0105
0.0113
207
0.0515 DV = R x K1 =
Repetibilidad: La variacin del dispositivo de medicin (VD) se calcula
sobre cada grupo de mediciones tomadas por un operador, en una
sola parte.
0.03655
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
- (DV
2
/(r*n)) =
Clculo de R&R
208
R&R = DV
2
+ AV
2
=
El componente de varianza para repetibilidad y reproducibilidad
(R&R) se calcula combinando la varianza de cada componente.
PV = Rpart x K3 = 0.1021
El componente de varianza para las partes (PV), se calcula sobre el
rango de los promedios de todas las mediciones, para cada parte.
TV = R&R
2
+ PV
2
=
0.1142
La variacin total (TV) se calcula combinando la varianza de repetibilidad y
reproducibilidad y la variacin de la parte.
0.05277
Clculo de R&R
209
Basado en la tolerancia:

%DV = 100*DV/Ancho de tolerancia=

%AV = 100*AV/Ancho de tolerancia=

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

Basado en la variacin Total de las Partes:

%DV = 100*DV/Variacin total=

%AV = 100*AV/ Variacin total =

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

%PV = 100*PV /Variacin total =
20.61
45.09
14.62
21.108
32.00
46.20
89.40
Clculo de R&R
210
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 Mediciones
Nmero de operador A de operador B
de parte 1 2 3 1 2 3

1 50 49 50 50 48 51
2 52 52 51 51 51 51
3 53 50 50 54 52 51
4 49 51 50 48 50 51
5 48 49 48 48 49 48
6 52 50 50 52 50 50
7 51 51 51 51 50 50
8 52 50 49 53 48 50
9 50 51 50 51 48 49
10 47 46 49 46 47 48
211
R&R por Medias Rangos
Calculo con Excel

(usar la hoja de trabajo R&R.xls)
212
Datos del operador 1

No. de Parte y
Nombre: 4600066 PARTE A

Tolerancia
Especificada: 0.0060

No. y Nombre de
GAGE: 8881-H
Calibrador
Digital

RECOLECCIN DE DATOS

OPERADOR A.-
columna 1 columna 2 columna 3 columna 4 Promedio
Muestra 1er Intento 2do Intento 3er Intento Rango X
1 0.0045 0.0045 0.0045 - 0.0045
2 0.0045 0.0055 0.0045 0.0010 0.0048
3 0.0045 0.0045 0.0045 - 0.0045
4 0.0050 0.0050 0.0045 0.0005 0.0048
5 0.0045 0.0045 0.0045 - 0.0045
6 0.0050 0.0055 0.0045 0.0010 0.0050
7 0.0050 0.0045 0.0045 0.0005 0.0047
8 0.0050 0.0050 0.0050 - 0.0050
9 0.0050 0.0045 0.0050 0.0005 0.0048
10 0.0040 0.0040 0.0040 - 0.0040
Totales 0.0470 0.0475 0.0455 0.0035 0.0467
Suma 0.1400 R
A :
0.00035
X
A
: 0.004666667

R
A
: 0.00035 # Intentos D
4

R
B
: 0.0004 3 2.58
R
C
: 0.0005
SUM: 0.00125 LSC
R
= R x D
4

R: 0.000416667 LSC
R
= 0.001075

213
Datos del operador 2

C.-
columna 9 columna 10 columna 11 columna 12 Promedio Prom. Parte
1er Intento 2do Intento 3er Intento Rango X X
p
=
0.0050 0.0045 0.0045 0.0005 0.0047 0.004556
0.0055 0.0045 0.0045 0.0010 0.0048 0.004889
0.0045 0.0045 0.0040 0.0005 0.0043 0.004444
0.0050 0.0050 0.0050 - 0.0050 0.004944
0.0045 0.0045 0.0040 0.0005 0.0043 0.004333
0.0050 0.0050 0.0050 - 0.0050 0.005111
0.0045 0.0050 0.0050 0.0005 0.0048 0.004833
0.0060 0.0050 0.0050 0.0010 0.0053 0.005111
0.0055 0.0045 0.0045 0.0010 0.0048 0.004778
0.0045 0.0045 0.0045 - 0.0045 0.004167
0.0500 0.0470 0.0460 0.0050 0.0477 X
p
= 0.004717
Suma 0.1430 R
C :
0.0005 R
p
= 0.000944
X
C
: 0.004766667

X Mx: 0.004766667 LSC
X
= X + A
2
R
A
2
= 1.023
X min: 0.004666667 LSC
X
= 0.005142917

X Diff: 0.0001000000 LIC
X
= X - A
2
R
LIC
X
= 0.0043

214
Carta de Rangos en control

RANGOS

LSCR = 0.001075 R = 0.00042 LICR = 0

LSC
R

LIC
R

R
Los rangos deben estar en control indicando que
Las mediciones se hicieron adecuadamente, de otra
Forma se debe repetir la medicin en la parte
215
Carta de Medias fuera de control

LSC
X
= 0.005143 X = 0.004717 LIC
X
= 0.004290417

LIC
X

LS
C
X

X

Al menos el 50% de los puntos debe salir
De control para validar la discriminacin de
Las partes
216
Resultados (AIAG)
MTODO LARGO
Aseguramiento de Calidad

No. de Parte y
Nombre:

4600066 PARTE A Fecha:

01/07/2003

Tolerancia
Especificada: 0.0060 Elaborado por: 0

No. y Nombre de
GAGE: 8881-H
Calibrador
Digital Caracterstica: Diametro

RESULTADOS DE LA HOJA DE DATOS AC-008

R= 0.00041667 X Diff = 0.0001000000 Rp = 0.000944444

Anlisis Unitario de Medicin
% Total de Variacin ( TV )
Repetibilidad - Variacin del Equipo (EV) % EV = 100 [ EV/TV ]
EV= R x K
1
= INTENTOS K
1
% EV = 63.74%
EV= 0.00127083 2 4.56
3 3.05 % EV vs Tol. = 21.18%
Reproducibilidad - Variacin del Operador (AV) % AV = 100 [AV/TV]
AV = [(XDiff x K
2
)
2
- (EV
2
/nr)]
1/2
% AV = 6.93%
AV = 0.00027 % AV vs Tol = 2.30%
AV = 7.29E-08 n=partes = 10
AV = 5.3834E-08 r = intentos = 3
AV = 1.9066E-08 OPERADOR 2 3
AV = 0.00013808 K
2
3.65 2.7

Repetibilidad y Reproducibilidad ( R & R ) PARTES K
3
% de R & R = 100 [ R & R /TV ]
R & R
= [EV
2
+ AV
2
]
1/2
5 2.08 % de R & R = 64.1164%
R & R
2

= 1.6341E-06 6 1.93
% de R & R vs Tol
= 21.31%
R & R
= 0.00127831 7 1.82
Variacin de la Parte ( PV ) 8 1.74 % PV = 100 [ PV/TV ]
PV = R
P
x K
3
9 1.67 % PV = 76.7403%
PV = 0.00153 10 1.62
VARIACIN TOTAL ( TV ) TV = 3.97E-06 PV / R&R x d
2
= d
2
= 1.693
TV = ( R & R
2
+ PV
2
)
1/2
TV = 0.001994 2.0
Categoria de
Datos

217
Resultados AIAG
Para los clculos e utilizan 5.15 sigmas para un 99%
de nivel de confianza

El porcentaje de error R&R no debe exceder del
10%, si el equipo se usa para liberar producto
terminado la referencia es la tolerancia del cliente;

Si el equipo se usa para control del proceso, la
referencia es la variacin total del proceso.
El nmero de categoras debe ser de al menos 4
indicando que el equipo distingue las partes que son
diferentes.
218
R&R por Medias Rangos
Calculo con Minitab

(se puede usar la hoja de trabajo Gageaiag.mtw)
219
R&R Medias Rangos
Minitab :Datos originales

OPERADOR A.- B.- C.-
columna 1 columna 2 columna 3 columna 5 columna 6 columna 7 columna 9
columna
10
columna
11
Muestra 1er Intento
2do
Intento 3er Intento 1er Intento
2do
Intento 3er Intento 1er Intento
2do
Intento 3er Intento
1 0.0045 0.0045 0.0045 0.0045 0.0045 0.0045 0.0050 0.0045 0.0045
2 0.0045 0.0055 0.0045 0.0055 0.0050 0.0045 0.0055 0.0045 0.0045
3 0.0045 0.0045 0.0045 0.0045 0.0045 0.0045 0.0045 0.0045 0.0040
4 0.0050 0.0050 0.0045 0.0050 0.0050 0.0050 0.0050 0.0050 0.0050
5 0.0045 0.0045 0.0045 0.0040 0.0045 0.0040 0.0045 0.0045 0.0040
6 0.0050 0.0055 0.0045 0.0060 0.0050 0.0050 0.0050 0.0050 0.0050
7 0.0050 0.0045 0.0045 0.0055 0.0045 0.0050 0.0045 0.0050 0.0050
8 0.0050 0.0050 0.0050 0.0050 0.0050 0.0050 0.0060 0.0050 0.0050
9 0.0050 0.0045 0.0050 0.0045 0.0045 0.0050 0.0055 0.0045 0.0045
10 0.0040 0.0040 0.0040 0.0040 0.0040 0.0040 0.0045 0.0045 0.0045
Totales 0.0470 0.0475 0.0455 0.0485 0.0465 0.0465 0.0500 0.0470 0.0460

220
R&R Medias Rangos
Minitab :Datos cargados (3 cols.)

Partes Operadores Medicin Partes Operadores Medicin Partes Operadores Medicin
1 1 0.0045 1 2 0.0045 1 3 0.005
2 1 0.0045 2 2 0.0055 2 3 0.0055
3 1 0.0045 3 2 0.0045 3 3 0.0045
4 1 0.005 4 2 0.005 4 3 0.005
5 1 0.0045 5 2 0.004 5 3 0.0045
6 1 0.005 6 2 0.006 6 3 0.005
7 1 0.005 7 2 0.0055 7 3 0.0045
8 1 0.005 8 2 0.005 8 3 0.006
9 1 0.005 9 2 0.0045 9 3 0.0055
10 1 0.004 10 2 0.004 10 3 0.0045
1 1 0.0045 1 2 0.0045 1 3 0.0045
2 1 0.0055 2 2 0.005 2 3 0.0045
3 1 0.0045 3 2 0.0045 3 3 0.0045
4 1 0.005 4 2 0.005 4 3 0.005
5 1 0.0045 5 2 0.0045 5 3 0.0045
6 1 0.0055 6 2 0.005 6 3 0.005
7 1 0.0045 7 2 0.0045 7 3 0.005
8 1 0.005 8 2 0.005 8 3 0.005
9 1 0.0045 9 2 0.0045 9 3 0.0045
10 1 0.004 10 2 0.004 10 3 0.0045
1 1 0.0045 1 2 0.0045 1 3 0.0045
2 1 0.0045 2 2 0.0045 2 3 0.0045
3 1 0.0045 3 2 0.0045 3 3 0.004
4 1 0.0045 4 2 0.005 4 3 0.005
5 1 0.0045 5 2 0.004 5 3 0.004
6 1 0.0045 6 2 0.005 6 3 0.005
7 1 0.0045 7 2 0.005 7 3 0.005
8 1 0.005 8 2 0.005 8 3 0.005
9 1 0.005 9 2 0.005 9 3 0.0045
10 1 0.004 10 2 0.004 10 3 0.0045

221
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: Staudy variation 5.15
Process tolerante 0.006
222
R&R Medias Rangos
Minitab : Resultados
Gage R&R Study - XBar/R Method
%Contribution
Source VarComp (of VarComp)
Total Gage R&R 0.0000001 41.00
Repeatability 0.0000001 40.52
Reproducibility 0.0000000 0.48
Part-To-Part 0.0000001 59.00
Total Variation 0.0000001 100.00

Study Var %Study Var %Tolerance
Source StdDev (SD) (5.15 * SD) (%SV) (SV/Toler)
Total Gage R&R 0.0002476 0.0012750 64.03 21.25
Repeatability 0.0002461 0.0012675 63.65 21.12
Reproducibility 0.0000269 0.0001384 6.95 2.31
Part-To-Part 0.0002970 0.0015295 76.81 25.49
Total Variation 0.0003867 0.0019913 100.00 33.19

Number of Distinct Categories = 1

% Error R&R debe ser menor
Al 10% ya sea para control del
Proceso o para producto final.
Repetibilidad Instrumento
Reproducibilidad - Operador
Nmero mnimo 4
223
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.
224
R&R Medias Rangos Grficas

P
e
r
c
e
n
t
Part-to-Part Reprod Repeat Gage R&R
80
40
0
% Contribution
% StudyVar
% Tolerance
S
a
m
p
l
e

R
a
n
g
e
0.0010
0.0005
0.0000
_
R=0.000417
UCL=0.001073
LCL=0
1 2 3
S
a
m
p
l
e

M
e
a
n
0.0050
0.0045
0.0040
__
X=0.004717
UCL=0.005143
LCL=0.004290
1 2 3
Partes
10 9 8 7 6 5 4 3 2 1
0.006
0.005
0.004
Operadores
3 2 1
0.006
0.005
0.004
Partes
A
v
e
r
a
g
e
10 9 8 7 6 5 4 3 2 1
0.0050
0.0045
0.0040
Operadores
1
2
3
Gage name:
Date of study :
Reported by :
Tolerance:
Misc:
Components of Variation
R Chart by Operadores
Xbar Chart by Operadores
Datos by Partes
Datos by Operadores
Operadores * Partes Interaction
Gage R&R (Xbar/R) for Datos
La grfica R se mantiene en control indicando
que las mediciones se realizaron en forma adecuada.
La grfica X barra slo presenta 5 de 30 puntos fuera
de control, debera ser al menos el 50%, indicando
que el equipo no discrimina las diferentes partes.
225
R&R por ANOVA
Calculo con Minitab

(con los datos del ejemplo anterior)
226
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
227
R&R por ANOVA
Resultados de Minitab
Gage R&R Study - ANOVA Method

Two-Way ANOVA Table With Interaction

Source DF SS MS F P
Partes 9 0.0000086 0.0000010 12.2885 0.000
Operadores 2 0.0000002 0.0000001 0.9605 0.401
Partes * Operadores 18 0.0000014 0.0000001 0.7398 0.757
Repeatability 60 0.0000063 0.0000001
Total 89 0.0000165

Los operadores y la interaccin no fueron significativos, slo las partes

Gage R&R

%Contribution
Total Gage R&R 0.0000001 50.93
Operadores 0.0000000 0.00
Part-To-Part 0.0000001 49.07

Total Gage R&R 0.0003150 0.0016222 71.36 27.04
Repeatability 0.0003150 0.0016222 71.36 27.04
Operadores 0.0000000 0.0000000 0.00 0.00
Part-To-Part 0.0003092 0.0015923 70.05 26.54
Total Variation 0.0004414 0.0022731 100.00 37.88


La interaccin no es significativa,
y los errores de R&R indican que
equipo de medicin no es adecuado
ni el nmero de categoras.
228
R&R por ANOVA
P
e
r
c
e
n
t
80
40
0
% Contribution
%StudyVar
% Tolerance
S
a
m
p
l
e

R
a
n
g
e 0.0010
0.0005
0.0000
_
R=0.000417
UCL=0.001073
LCL=0
1 2 3
S
a
m
p
l
e

M
e
a
n
0.0050
0.0045
0.0040
__
X=0.004717
UCL=0.005143
LCL=0.004290
1 2 3
Partes
10 9 8 7 6 5 4 3 2 1
0.006
0.005
0.004
Operadores
3 2 1
0.006
0.005
0.004
Partes
A
v
e
r
a
g
e
10 9 8 7 6 5 4 3 2 1
0.0050
0.0045
0.0040
Operadores
1
2
3
Gage name:
Date of study :
Reported by :
Tolerance:
Misc:
R Chart by Operadores
Xbar Chart by Operadores
Datos by Partes
Datos by Operadores
Operadores * Partes Interaction
Gage R&R (ANOVA) for Datos
Las conclusiones son similares
que con el mtodo de X barra R.
No hay interaccin parte - operador
229
4. Estudios R&R (anidado)
Mtodo largo
230
R&R Anidado
Los estudios de repetibilidad y reproducibilidad
determinan cuanto de la variacin observada del
proceso es debida a la variacin del sistema de
medicin.
Usar la opcin Gage R&R (Nested) cuando cada parte
sea medida por un solo operador, tal como en
pruebas destructivas.

El estudio de R&R (anidado) utiliza el mtodo ANOVA
para evaluar la repetibilidad y reproducibilidad, para
analizar la reproduciblidad dentro de sus
componentes operador y operador
231
R&R Anidado
232
R&R Anidado
De ser necesario hacer pruebas destructivas, se debe procurar
que todas las partes dentro de un mismo lote sean lo
suficientemente idnticas para considerarlas similares. Si no se
puede hacer sta consideracin entonces la variacin entre
parte y parte dentro de un lote enmascarar la variacin del
sistema.

Para el caso de pruebas destructivas si cada lote es medido por
cada operador entonces realizar el estudio R&R (Nested); si
todos los operadores miden partes de cada uno de los lotes,
entonces utilizar el estudio R&R (Crossed).
En resumen siempre que cada operador mida partes diferentes
se tiene un estudio R&R anidado.
233
R&R Anidado - datos
Ejemplo: Archivo gagenest.mtw de Minitab
En este ejemplo, 3 operadores mide cada uno 5 partes
diferentes dos veces, para un total de 30 mediciones. Cada una
de las partes es nica al operador; no se presenta el caso de
que dos operadores midan la misma parte.

PartNum Operator Measure PartNum Operator Measure
1 Daryl 1.48 1 Daryl 1.48
4 Beth 1.38 1 Beth 1.38
4 Beth 1.78 1 Beth 1.78
5 Beth 1.33 2 Beth 1.33
... ... ... ... ... ...

234
R&R Anidado
1 File > Open worksheet > GAGENEST.MTW.

2 Seleccionar Stat > Quality Tools > Gage Study
> Gage R&R Study (Nested).

3 En Part or batch numbers, poner Part.

4 En Operators, seleccionar Operator.

5 En Measurement data, seleccionar Response.
6 Dar OK.
235
R&R Anidado

Gage R&R (Nested) for Response

Source DF SS MS F P
Operator 2 0.0142 0.00708 0.00385 0.996
Part (Operator) 12 22.0552 1.83794 1.42549 0.255
Repeatability 15 19.3400 1.28933
Total 29 41.4094

Gage R&R

%Contribution
Total Gage R&R 1.28933 82.46
Part-To-Part 0.27430 17.54

Total Gage R&R 1.13549 5.84777 90.81 116.96
Repeatability 1.13549 5.84777 90.81 116.96
Part-To-Part 0.52374 2.69725 41.88 53.95
Total Variation 1.25045 6.43984 100.00 128.80


El mtodo no es adecuado ni para control del proceso o liberacin debe logra
La contribucin de diferencia entre partes del 17.54% es << que
la variacin del sistema de medicin (total Gage R&R ) de 82.46%.
Indica un alto error del sistema de medicin.
Con categoras de 1 el sistema de medicin no distingue las partes.
236
R&R Anidado
Resultados grficos de Minitab

P
e
r
c
e
n
t
100
50
0
% Contribution
%StudyVar
% Tolerance
S
a
m
p
l
e

R
a
n
g
e 4
2
0
_
R=1.313
UCL=4.290
LCL=0
Billie Nathan Steve
S
a
m
p
l
e

M
e
a
n
18
16
14
__
X=15.147
UCL=17.617
LCL=12.678
Billie Nathan Steve
Operator
Part
Steve Nathan Billie
5 4 3 2 1 15 14 13 12 11 10 9 8 7 6
18
16
14
Operator
Steve Nathan Billie
18
16
14
Gage name:
Date of study :
Reported by :
Tolerance:
Misc:
R Chart by Operator
Xbar Chart by Operator
Response By Part ( Operator )
Response by Operator
Gage R&R (Nested) for Response
Sistema de medicin inadecuado
237
6. Estudios de Linealidad y sesgo
238
Estudios de linealidad y sesgo
La Linealidad del Gage indica que tan exacto son las
mediciones a travs del rango esperado de las
mediciones. Contesta a la pregunta Mi gage tiene la
misma exactitud para todos los tamaos de objetos a
medir?.

El bias o exactitud del gage examina la diferencia
entre la media de los datos observados y un valor de
referencia o patrn. Contesta a la pregunta, Qu tan
exacto es mi gage comparado con un patrn?.
239
Datos y ejemplo
Los datos se estructuran de manera que cada fila contiene una parte,
el valor de referencia, y la medicin observada en esa parte (la
respuesta). Las partes pueden ser textos o nmeros

Ejemplo:
Un supervisor selecciona 5 partes que representan el rango
esperado de las mediciones. Cada parte fue medida por
inspeccin de Layout para determinar su valor de referencia
(patrn). Un operador mide aleatoriamente cada parte 12
veces.

Se obtiene la variacin del proceso (14.1941) del estudio Gage
R&R usando el mtodo ANOVA (rengln Total variation de la
columna Study Var (6*SD)).
240
Datos y ejemplo
Part Master Response Part Master Response
1 2 2.7 3 6 6
1 2 2.5 3 6 6.1
1 2 2.4 3 6 6.4
1 2 2.5 3 6 6.3
1 2 2.7 3 6 6
1 2 2.3 3 6 6.1
1 2 2.5 4 8 7.6
1 2 2.5 4 8 7.7
1 2 2.4 4 8 7.8
1 2 2.4 4 8 7.7
1 2 2.6 4 8 7.8
1 2 2.4 4 8 7.8
2 4 5.1 4 8 7.8
2 4 3.9 4 8 7.7
2 4 4.2 4 8 7.8
2 4 5 4 8 7.5
2 4 3.8 4 8 7.6
2 4 3.9 4 8 7.7
2 4 3.9 5 10 9.1
2 4 3.9 5 10 9.3
2 4 3.9 5 10 9.5
2 4 4 5 10 9.3
2 4 4.1 5 10 9.4
2 4 3.8 5 10 9.5
3 6 5.8 5 10 9.5
3 6 5.7 5 10 9.5
3 6 5.9 5 10 9.6
3 6 5.9 5 10 9.2
3 6 6 5 10 9.3
3 6 6.1 5 10 9.4

241
1 File > Open worksheet > GAGELIN.MTW.

2 Seleccionar Stat > Quality Tools > Gage Study
> Gage Linearity and Bias Study.

3 En Part numbers, seleccionar Part.
4 En Reference values, seleccionar Master.

5 En Measurement data, seleccionar Response.
6 En Process Variation, teclear 14.1941. Click OK.
242
Reference Value
B
i
a
s
10 8 6 4 2
1.0
0.5
0.0
-0.5
-1.0
0
Regression
95% CI
Data
Avg Bias
P
e
r
c
e
n
t
Bias Linearity
10
5
0
Gage Linearity
Slope -0.13167 0.01093 0.000
Predictor Coef SECoef P
Constant 0.73667 0.07252 0.000
S 0.23954 R-Sq 71.4%
Linearity 1.86889 %Linearity 13.2
Gage Bias
2 0.491667 3.5 0.000
4 0.125000 0.9 0.293
6 0.025000
Reference
0.2 0.688
8 -0.291667 2.1 0.000
10 -0.616667 4.3 0.000
Bias %Bias P
Av erage -0.053333 0.4 0.040
Gage name:
Date of study :
Reported by :
Tolerance:
Misc:
Percent of Process Variation
Gage Linearity and Bias Study for Response
243
Interpretando los resultados
El porcentaje de linealidad (valor absoluto de la
pendiente * 100) es 13.2, que significa que la
Linealidad del gage es del 13% de la variacin total.

El porcentaje de sesgo para el promedio de
referencia es 0.4, lo que significa que el sesgo del
gage es menor que 0.4% de la variacin total
observada.
244
7. Estudios R&R por atributos-
Mtodo analtico
245
R&R por Atributos
- Mtodo analtico
Se deben tomar al menos 8 partes para realizar un
estudio del gage por atributos.

La parte ms pequea debe tener cero aceptaciones, y la
parte ms grande debe tener el nmero mximo de
posibles aceptaciones. Para la AIAG, exactamente 6 partes
deben tener un nmero mayor que cero aceptaciones y
menos que 20 (mximo nmero de aceptaciones
permitidas).

Por el mtodo de regresin, se pueden tener ms de seis
partes entre los extremos de valores de referencia.
246
R&R por Atributos
- Mtodo analtico: Datos
Partes Referencia Aceptaciones
1 1.35 0
2 1.4 3
3 1.45 8
4 1.5 13
5 1.55 15
6 1.6 18
7 1.65 19
8 1.7 20
Summarized Data
Estructura de datos resumidos de tal
forma que cada fila contiene el nmero o
nombre de la parte, el valor de referencia
y la cuenta resumida.
Partes Referencia Respuesta
1 1.35 Rechazo
1 1.35 Rechazo
1 1.35 Rechazo
1 1.35 Rechazo
... ... ...
8 1.7 Aceptacin
8 1.7 Aceptacin
8 1.7 Aceptacin
8 1.7 Aceptacin
Raw Data
Estructura de datos individaules de
manera que cada fila contiene el nmero
o nombre de la parte, valor de referencia
y respuesta binaria (aceptacin o
rechazo).
247
R&R por Atributos
Ejemplo:
Un fabricante de automviles quiere medir el
sesgo y repetibilidad de un sistema automatizado
de medicin.

El sistema tiene una tolerancia inferior de -0.020 y
una tolerancia superior de 0.020.
El fabricante corre 10 partes, a travs del gage 20
veces, las partes tienen valores de referencia en
intervalos de 0.005 desde - 0.05 hasta 0.005.
248
R&R por Atributos
Ejemplo: Cada parte se prueba 20 veces con el Gage
(Dimensin 0.020 a 0.020)
Partes Referencia Aceptaciones
1 -0.05 0
2 -0.045 1
3 -0.04 2
4 -0.035 5
5 -0.03 8
6 -0.025 12
7 -0.02 17
8 -0.015 20
9 -0.01 20
10 -0.005 20
249
R&R por Atributos
- Mtodo analtico: Instr. Minitab
1. File > Open worksheet > AUTOGAGE.MTW.

2. Seleccionar Stat > Quality Tools > Gage Study >
Attribute Gage Study (Analytic Method).

3. En Part numbers, seleccionar Part number.
4. En Reference values, seleccionar Reference.
5. Seleccionar Summarized counts y teclear
Acceptances. En Number of trials, teclear 20.

6. Seleccionar Lower limit y teclear -0.020. OK.
250
R&R por Atributos
- Mtodo analtico: Resultados

Reference Value of Measured Part
P
e
r
c
e
n
t

o
f

A
c
c
e
p
t
a
n
c
e
-0.01 -0.02 -0.03 -0.04 -0.05
99
95
80
50
20
5
1
Reference Value of Measured Part
P
r
o
b
a
b
i
l
i
t
y

o
f

A
c
c
e
p
t
a
n
c
e
0.000 -0.025 -0.050
1.0
0.5
0.0
L Limit
Bias: 0.0097955
Pre-adjusted Repeatability : 0.0494705
Repeatability : 0.0458060
Fitted Line: 3.10279 + 104.136 * Reference
R - sq for Fitted Line: 0.969376
AIA G Test of Bias = 0 v s not = 0
T DF P-V alue
6.70123 19 0.0000021
Gage name:
Date of study :
Reported by :
Tolerance:
Misc:
Attribute Gage Study (Analytic Method) for Acceptances
251
R&R por Atributos
- Mtodo analtico: Resultados
Interpretacin

El Sesgo en el sistema de gage por atributos es de
0.0097955

La repetibilidad ajustada es de 0.0458060.

La prueba de sesgo indica que es significativamente
diferente de cero (t = 6.70123, df = 19, p = 0.00),
sugiriendo que el sesgo est presente en el sistema
de medicin por atributos.
252
8. Estudios R&R por atributos-
Mtodo de acuerdo por atributos
253
Mtodo GR&R por atributos
Estudios sobre la varianza
Estudios de GR&R
datos discretos
Cuntos atributos
Se evalan ?
Uno
Varios
Tcnica Kappa
(Clasificacin
Nominal)
Tcnica Kendall
(Clasificacin
Multi-nominal)
Documentar estudio
y definir siguiente
fecha de evaluacin.
ndice
Kappa > 0.7
SI
Estandarizar criterios de evaluacin, ayudas
(visuales, estandares, etc.), tips, Capacitacin,
Prctica, entrenamiento, etc.
NO
254
Estudios R&R por atributos
Usar el anlisis de acuerdo por atributos para evaluar las
calificaciones nominales u ordinales proporcionadas por
varios evaluadores.

Las mediciones son calificaciones subjetivas de la gente
en vez de mediciones fsicas. Algunos ejemplos incluyen:
Calificaciones de desempeo de los automviles
Clasificacin de calidad de las fibras como buena o
mala.
Calificaciones de color, aroma y gusto del vino en una
escala de 1 a 10.
255
En estos casos la caracterstica de calidad es difcil de
definir y evaluar.

Para obtener clasificaciones significativas, ms de un
evaluador debe calificar la medicin de respuesta.

Si los evaluadores estn de acuerdo, existe la posibilidad
de que las apreciaciones sean exactas.

Si hay discrepancias, la utilidad de la evaluacin es
limitada.
256
Acuerdo por atributos - Datos
Los datos pueden ser texto o numricos. Las
calificaciones asignadas pueden ser Nominales u
ordinales.
Los datos nominales son variables categricas que
tienen dos o ms niveles sin orden natural. Por
ejemplo, los niveles en un estudio de gustacin de
comida que puede incluir dulce, salado o picoso.
Los datos ordinales son variables categricas que
tienen tres o ms niveles con ordenamiento natural,
tales como: en desacuerdo total, en desacuerdo,
neutral, de acuerdo, y completamente de acuerdo.
257
Los datos pueden estar apilados o en diferentes columnas
Sample Appraiser Response
1 A Good
1 A Good
1 B Bad
1 B Good
2 A Good
2 A Good
2 B Good
2 B Good
3 A Bad
3 A Good
3 B Bad
3 B Bad
4 A Good
4 A Good
4 B Good
4 B Good
5 A Bad
5 A Bad
5 B Good
5 B Bad
Attribute column data
Sample
Appraiser A
Trial 1
Appraiser A
Trial 2
Appraiser B
Trial 1
Appraiser B
Trial 2
1 Good Good Bad Good
2 Good Good Good Good
3 Bad Good Bad Bad
4 Good Good Good Good
5 Bad Bad Good Bad
Multiple columns data
258
Mtodo Kappa
Una tcnica utilizada para evaluar la confiabilidad de
mediciones de datos discretos es el ndice Kappa, el
cual est dado por la siguiente formula :

Suponga que se evalan 12 muestras por 2 inspectores
obteniendo los siguientes resultados :

K=
P
observada
-
P
chance
1 - P
chance
259
Mtodo Kappa
Parte Inspector A Inspector B
Buena
Buena
Buena
Buena
Buena
Mala
Buena
Buena
Buena
Mala
Buena
Mala
Buena
Buena
Buena
Mala
Buena
Mala
Buena
Buena
Buena
Mala
Buena
Mala
1
2
3
4
5
6
7
8
9
10
11
12
0.667 0.000 0.667
0.080 0.250 0.333
0.750 0.250
Tabla de Contingencia
Inspector A
Inspector B
Buena Mala
Buena
Mala
- 0.917
K =
0.5835
=
1- 0.5835
0.8
Pobservada = E x
ii
= x
bb
+ x
mm
= 0.667 + 0.25 = 0.917
Pchance = EE P
cc
i
*P
cc
j
= P
bb
A
*P
bb
B
+ P
mm
A
*P
mm
B
Pchance = (0.75)(0.667) + (0.25)(0.33) = 0.5835
260
Mtodo Kappa
Determine si el sistema de medicin es confiable:

El valor mximo posible de Kappa es 1.0, cuanto ms
cercano est a este valor el sistema de medicin es
confiable. En trminos generales se puede decir que
si K es menor a 0.7, el sistema de medicin no es
aceptable.

261
Mtodo Kendall
Cuando se tienen varios inspectores y la clasificacin de
la muestra puede ser multi-nominal, se puede utilizar
el ndice de Kendall

Para explicarlo consideraremos el siguiente ejemplo, en
el cual participan 5 inspectores y analizan 10
muestras las cuales clasifican en 5 categoras
distintas.

262
Mtodo Kendall
Costura
ancha
Costura
angosta
Costura
incompleta
Costura
dispareja
Costura
perfecta
S
5
x
2
ij
i=1
M
u
e
s
t
r
a
1
2
3
4
5
6
7
8
9
10
0
2
3
0
0
4
0
0
0
3
0
0
0
0
2
0
4
0
0
2
8
1
1
0
0
3
0
1
0
0
0
6
0
0
2
0
0
0
0
5
0
0
7
4
2
0
5
0
1
0
0
5
0
12 17
17
9
13
25
13
17
17
25
25
13
174
0.24
0.76
0.16
0. 84
0.12
0.88
0. 14
0. 86
0. 34
0. 66
pq
F
p =
50
F
263
Mtodo Kendall
El indice Kappa para cada categora est dado por:

Donde :
Kcategoria j = ndice Kappa de la Categora j
n = Nmero de unidades
m = Nmero de inspectores
k = Nmero de categoras
pi = evaluacin dentro de la categora i/(n x m)
qi = 1 - pi

K
Categora j
= 1-
E
n
i=1
x
2
ij
x
ij
(m- )
nm(m-1)
p q
j j
264
Mtodo Kendall
El numerador del ndice Kappa para la categora
Costura ancha sera entonces :

El denominador del ndice Kappa para la categora
Costura ancha sera entonces :
10 x 5 x (5-1) x 0.24 x 0.76 = 36.48

Por lo tanto, el ndice Kappa para la categora Costura
ancha sera :

[0 x (5-0)] + [2 x (5-2)] + [3 x (5-3)] + [0 x (5-0)] + [0 x (5-0)]
+ [4 x (5-4)] + [0 x (5-0)] + [0 x (5-0)] + [0 x (5-0)] + [3 x (5-3)] =22
K Costura
ancha
= 1-
22
36.48
= 0.4
265
Mtodo Kendall
El ndice Kendall de todo el estudio est dado por la siguiente
frmula::

Donde :
Ktotal = ndice Kendall
n = Nmero de unidades
m = Nmero de inspectores
k = Nmero de categoras
pi = evaluacin dentro de la categora i/(n x m)
qi = 1 - pi
K
total
=
1 -
nm
2
-
E E
n k
x
2
ij
i=1
j=1
nm(m-1)
E
k
j=1
p q
j j
266
Mtodo Kendall
El ndice Kendall para el ejemplo dado es:

El valor mximo posible de Kendall es 1.0, cuanto ms
cercano est a este valor el sistema de medicin es
confiable. En trminos generales se puede decir que
si K es menor a 0.7, el sistema de medicin no es
aceptable.
K
total
= 1-
10 x (5)
2
-174

10 x 5 x 4

[
(
(0.24 X 0.76) + (0.16 X 0.84) +
(0.12 X 0.88) + (0.14 X 0.86) +
(0.34 X 0.66)
)
]
=1- (76/153.44) = 0.5
267
Ejemplo:
Una empresa est entrenando a cinco evaluadores para la
porcin escrita de un examen estndar de doceavo grado.

Se requiere determinar la habilidad de los evaluadores para
calificar el examen de forma que sea consistente con los
estndares.

Cada uno de los evaluadores califica 15 exmenes en una
escala de cinco puntos (-2, -1, 0, 1, 2):
268
Appraiser Sample Rating Attribute Holmes 8 0 0
Simpson 1 2 2 Duncan 8 0 0
Montgomery 1 2 2 Hayes 8 0 0
Holmes 1 2 2 Simpson 9 -1 -1
Duncan 1 1 2 Montgomery 9 -1 -1
Hayes 1 2 2 Holmes 9 -1 -1
Simpson 2 -1 -1 Duncan 9 -2 -1
Montgomery 2 -1 -1 Hayes 9 -1 -1
Holmes 2 -1 -1 Simpson 10 1 1
Duncan 2 -2 -1 Montgomery 10 1 1
Hayes 2 -1 -1 Holmes 10 1 1
Simpson 4 -2 -2 Duncan 11 -2 -2
Montgomery 4 -2 -2 Hayes 11 -1 -2
Holmes 4 -2 -2 Simpson 12 0 0
Duncan 4 -2 -2 Montgomery 12 0 0
Hayes 4 -2 -2 Holmes 12 0 0
Simpson 5 0 0 Duncan 12 -1 0
Holmes 5 0 0 Simpson 13 2 2
Duncan 5 -1 0 Montgomery 13 2 2
Hayes 5 0 0 Holmes 13 2 2
Simpson 7 2 2 Duncan 14 -1 -1
Montgomery 7 2 2 Hayes 14 -1 -1
Holmes 7 2 2 Simpson 15 1 1
Duncan 7 1 2 Montgomery 15 1 1
Hayes 7 2 2 Holmes 15 1 1
269
Acuerdo por atributos Instr. Minitab
1 Abrir el archive ESSAY.MTW.
2 Seleccionar Stat > Quality Tools > Attribute
Agreement Analysis.
3 En Attribute column, poner Rating.

4 En Samples, poner Sample.
5 En Appraisers, poner Appraiser.
6 En Known standard/attribute, poner Attribute.
7 Checar Categories of the attribute data are
ordered y poner OK
8 In Addition seleccionar coeficientes Kappa y Kendall
270
Resultados
Each Appraiser vs Standard

Assessment Agreement

Appraiser # Inspected # Matched Percent 95 % CI
Duncan 15 8 53.33 (26.59, 78.73)
Hayes 15 13 86.67 (59.54, 98.34)
Holmes 15 15 100.00 (81.90, 100.00)
Montgomery 15 15 100.00 (81.90, 100.00)
Simpson 15 14 93.33 (68.05, 99.83)

# Matched: Appraiser's assessment across trials agrees with the known
standard.
271
Resultados
All Appraisers vs Standard


# Inspected # Matched Percent 95 % CI
15 6 40.00 (16.34, 67.71)

# Matched: All appraisers' assessments agree with the known standard.
Between Appraisers


15 6 40.00 (16.34, 67.71)

# Matched: All appraisers' assessments agree with each other.
272
Resultados

Appraiser
P
e
r
c
e
n
t
Simpson Montgomery Holmes Hayes Duncan
100
80
60
40
20
0
95.0%CI
Percent
Date of study:
Reported by:
Name of product:
Misc:
Appraiser vs Standard
273
Resultados
ndice Kappa de Cohen
Un estadstico popular para medir el nivel de acuerdo entre dos
personas calificadoras con un intento o dentro de un calificador
con dos intentos.

El ndice Kappa de Cohen Kappa es calculado de manera
diferente que el ndice de Kappa de Fleiss.

Los rangos de Kappa van de -1 a +1. Entre mayor sea el valor
de Kappa, es ms fuerte el acuerdo. Si Kappa = 1, existe un
acuerdo perfecto. Si Kappa = 0, el acuerdo es similar a lo que
pudiera ser esperado por el azar.
274
Resultados
Minitab muestra tres tablas de acuerdo: Cada evaluador
vs el estndar, Entre evaluadores y Todos los evaluadores
vs estndar.

Los estadsticos de Kappa y Kendall tambin se incluyen
en cada una de las tablas. En general estos estadsticos
sugieren buen acuerdo.

El coeficiente de Kendall entre evaluadores es 0.966317 (p
= 0.0); para todos los evaluadores vs estndar es
0.958192 (p = 0.0). Sin embargo la observacin del
desempeo de Duncan y Haues indica que no se apegan
al estndar.
275
Resultados
La grfica de Evaluadores vs. Estndar proporciona
una vista grfica de cada uno de los evaluadores vs
el estndar, pudiendo comparar fcilmente la
determinacin de acuerdos para los cinco
evaluadores.

Se puede concluir que Duncan, Hayes y Simpson
requieren entrenamiento adicional.
276
Sistema de Medicin de Atributos
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.
277
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.
278
GR&R de Atributos - Ejemplo
REPORTE
Legenda de Atributos
FECHA:
1 G = Bueno

NOMBRE:
2 NG = No Bueno
PRODUCTO:
SBU:
COND. DE PRUEBA:
Poblacin Conocida Persona #1 Persona #2
Muestra # Atributo
#1 #2
#1 #2
% DE EFECTIVIDAD DE DISCRIMINACION
(3)
-> 85.00%
(4)
-> 85.00%
1 G G G G G Y Y
2 G G G G G Y Y
3 G G G G G Y Y
4 G G G G G Y Y
5 G G G G G Y Y
6 G NG G G G N N
7 G G G G G Y Y
8 G G G G G Y Y
9 NG G G NG NG N N
10 NG NG NG G G N N
11 G G G G G Y Y
12 G G G G G Y Y
13 NG NG NG NG NG Y Y
14 G G G G G Y Y
15 G G G G G Y Y
16 G G G G G Y Y
17 NG NG NG NG NG Y Y
18 G G G G G Y Y
19 G G G G G Y Y
20 G G G G G Y Y
% DEL EVALUADOR
(1)
-> 95.00% 100.00%
% VS. EL ATRIBUTO
(2)
-> 90.00% 95.00%
Esta es la
medida
general de
consistencia
entre los
operadores
y el experto.
90% es lo
mnimo!
Acuerdo
Y=S N=No
Acuerdo
Y=S N=No
% DE EFECTIVIDAD DE DISCRIMINACION VS. EL ATRIBUTO
279
Pasa no pasa Datos en Minitab
Muestra Atributo Persona 1A Persona 1B Persona 2A Persona 2B
1 G G G G G
2 G G G G G
3 G G G G G
4 G G G G G
5 G G G G G
6 G NG G G G
7 G G G G G
8 G G G G G
9 NG G G NG NG
10 NG NG NG G G
11 G G G G G
12 G G G G G
13 NG NG NG NG NG
14 G G G G G
15 G G G G G
16 G G G G G
17 NG NG NG NG NG
18 G G G G G
19 G G G G G
20 G G G G G
280
Pasa no pasa Instrucciones en Minitab
1 Usar los datos anteriores.
2 Seleccionar Stat > Quality Tools > Attribute
Agreement Analysis.

3 En Multiple columns, con Persona 1 - Persona 2B.
4 En Number of appraisers, 2.
5 En Number of trials, 2.

6 En Known standard/attribute, poner Atributo
7 no Checar Categories of the attribute data are
ordered y poner OK

281
Pasa no pasa Resultados de Minitab
Attribute Agreement Analysis Persona 1A, Persona 1B, Persona 2A,
Persona 2B
Within Appraisers
1 20 19 95.00 (75.13, 99.87)
2 20 20 100.00 (86.09, 100.00)
# Matched: Appraiser agrees with him/herself across trials.
Fleiss' Kappa Statistics
Appraiser Response Kappa SE Kappa Z P(vs > 0)
1 G 0.82684 0.223607 3.69774 0.0001
NG 0.82684 0.223607 3.69774 0.0001
2 G 1.00000 0.223607 4.47214 0.0000
NG 1.00000 0.223607 4.47214 0.0000
Each Appraiser vs Standard
1 20 18 90.00 (68.30, 98.77)
2 20 19 95.00 (75.13, 99.87)
Between Appraisers
20 17 85.00 (62.11, 96.79)
Response Kappa SE Kappa Z P(vs > 0)
G 0.663222 0.0912871 7.26524 0.0000
NG 0.663222 0.0912871 7.26524 0.0000
All Appraisers vs Standard
20 17 85.00 (62.11, 96.79)
# Matched: All appraisers' assessments agree with the known standard.
Response Kappa SE Kappa Z P(vs > 0)
G 0.792005 0.111803 7.08391 0.0000
NG 0.792005 0.111803 7.08391 0.0000
282
Pasa no pasa Resultados de Minitab
Appraiser
P
e
r
c
e
n
t
2 1
100
95
90
85
80
75
70
95.0%CI
Percent
Appraiser
P
e
r
c
e
n
t
2 1
100
95
90
85
80
75
70
95.0%CI
Percent
Date of study:
Reported by:
Name of product:
Misc:
Within Appraisers Appraiser vs Standard
283
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.
284
Estudio de Repetibilidad y
Reproducibilidad de Atributos -
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 Gua
De 90% a 100%
De 80% a 90%
Menos de 80%
Aceptable
Marginal
Inaceptable
285
Mtodo sencillo
Tomar 50 piezas, 40 de las cuales dentro de
especificaciones y 10 fuera de especificaciones

Probarlas con dispositivos pasa y no pasa por
medio de 3 operadores

Si no coinciden todos los operadores en al menos el
90%, los dispositivos o gages pasa, no pasa no
son confiables
286
V.C.3 Sistemas de medicin
en la empresa
287
Medicin de desempeo
en la empresa
Contadores automticos
Reportes generados por computadora

Auditoras internas y externas
Evaluacin de proveedores

Reportes gerenciales

Encuestas internas y externas
Reportes diversos
288
Medicin de desempeo
en la empresa - Aspectos
Proveedores
No. De desviaciones
Porcentaje de entregas a tiempo
Porcentaje de entregas anticipadas
Costo de embarque por unidad
Porcentaje de cumplimiento en especificaciones
Costo unitario actual vs costo unitario histrico
Monto de lo rechazado vs monto de las compras
Oportunidad de la asistencia tcnica
289
Medicin de desempeo
Ventas y mercadotecnia
Crecimiento en ventas por periodo de tiempo
Porcentaje de participacin de mercado
Monto de ventas / mes
Monto promedio de ventas por transaccin
Tiempo promedio de clientes en visita al sitio Web
Efectividad de eventos de ventas
Monto vendido vs monto gastado en publicidad
290
Medicin de desempeo
Satisfaccin de cliente externo
Comparacin ponderada vs competencia
Valor percibido medido por el cliente
Rango de satisfaccin del producto / servicio
Evaluacin de la competencia tcnica
Porcentaje de clientes retenidos
291
Medicin de desempeo
Satisfaccin de cliente interno
Tasa de satisfaccin del empleado
Tasa de satisfaccin en el puesto
Indicador de efectividad de la capacitacin
Evaluacin de avance en imparcialidad
Retroalimentacin sobre principales polticas y
procedimientos
Conocimiento de metas y avances de la empresa

292
Medicin de desempeo
Investigacin y desarrollo
No. De proyectos en desarrollo
Porcentaje de proyectos dentro del presupuesto
No. De proyectos fuera de programa
Gastos de desarrollo vs ingresos por ventas
Confiabilidad de solicitudes de cambios al diseo
293
Medicin de desempeo
Ingeniera
Evaluacin del desempeo del producto
No. De requerimientos de accin correctiva
Porcentaje de acciones correctivas cerradas
Evaluacin de control de mediciones
Disponibilidad de asistencia tcnica

294
Medicin de desempeo
Manufactura
Capacidad de proceso de mquinas y procesos clave
Porcentaje de tiempos muertos de mquina
Tiempos de ciclo promedio (lneas clave)
Medicin del control de orden y limpieza
Adecuacin de la capacitacin a operadores
295
V.C.4 Metrologa
296
Metrologa
Metrologa. Es la ciencia de las mediciones. Deriva del griego
metrn medida y logos lgica. Sus elementos clave son:

El establecimiento de estndares de medicin que sean
internacionalmente aceptados y definidos

El uso de equipo de medicin para correlacionar la
extensin que los datos del producto y proceso estn
conforme a especificaciones
La calibracin regular de equipos de medicin,
rastreables a estndares internacionales establecidos
297
Metrologa
Unidades de medicin

El sistema internacional de unidades SI clasifica las
mediciones en 7 categoras:
Longitud (metro)
Tiempo (segundo)
Masa (kilogramo)
Corriente elctrica (ampere)
Temperatura (Kelvin)
Iluminacin (candela)
Cantidad de sustancia (mole)
298
299
Metrologa
Temperatura
Temperatura en F = 1.8 (Temp C) +32

Temperatura en C = (Temp F 32) / 1.8

Temperatura en K = Temp C + 273.15

300
Metrologa
Calibracin
Es la comparacin de un estndar de medicin o
instrumento de exactitud conocida con otro
instrumento para detectar, correlacionar, reportar o
eliminar por ajuste, cualquier variacin en la exactitud
del instrumento que se est comparando.

La eliminacin del error es la meta primaria del sistema
de calibracin
301
Metrologa
Variabilidad total del producto
La variabilidad total en el producto incluye la
variabilidad del proceso de medicin.

Errores de medicin
El error del instrumento de medicin es el valor del
instrumento de medicin menos el valor verdadero.
medicin proceso total
2 2 2
o o o + =
patron medicion error
2 2 2
o o o =
error patron medicion
2 2 2
o o o + =
302
Metrologa
Errores de medicin
El intervalo de confianza para la media de las
mediciones se reduce tomando mediciones mltiples
de acuerdo al teorema del lmite central con la
siguiente relacin:
n
lecturas
medicion
o
o =
303
Metrologa
Errores de medicin
Hay muchas razones para que un equipo de medicin genere
variaciones por error, incluyendo las categoras siguientes:
Variacin por el operador
Variacin de operador a operador
Variacin del equipo
Variacin de los materiales
Variacin en procedimientos
Variacin en el software
Variacin de laboratorio a laboratorio
304
Metrologa
Intervalo de calibracin

Es aceptado generalmente que el intervalo de
calibracin del equipo de medicin se base en la
estabilidad, propsito y grado de uso.

La estabilidad se refiere a la habilidad de un
instrumento de medicin para manejar de manera
consistente sus caractersticas metrolgicas durante el
tiempo.
305
Metrologa
Intervalo de calibracin
El propsito es importante, en general las aplicaciones
crticas incrementan la frecuencia y las aplicaciones
menores disminuyen la frecuencia.
El grado de utilizacin o uso se refiere a que tan
frecuentemente se utiliza el instrumento y a que
condiciones ambientales se expone.
El equipo de medicin y prueba debe ser trazable a
registros que indiquen la fecha de la ltima calibracin,
por quin fue calibrado y cuando est planeada su
prxima calibracin. Algunas veces se usa la
codificacin.
306
Metrologa
Estndares de calibracin
El valor verdadero reconocido de acuerdo al SI se
denomina Estndar

Los estndares primarios de referencia son copias del
kilogramo internacional y los sistemas de medicin que
responden a definiciones de las unidades
fundamentales a las unidades derivadas de la tabla SI.

Los estndares nacionales se toman como la autoridad
central para evaluar la exactitud, y todos los niveles de
estndares de trabajo son trazables a este gran
estndar
307
Estndares internacionales
En Mxico se tiene el CENEAM o el Centro
Nacional de Metrolgia

En EUA se tiene el NIST (National Institute of
Standards and Technolog)

Un Estndar primario es certificado por NIST o
por una organizacin alterna que use
procedimientos de calibracin actualizados

Los Estndares secundarios son calibrados por
el depto. de Metrologa de las empresas en base
a los estndares primarios, para efectos de
calibracin.
308
Estndares internacionales

Los Estndares secundarios se transfieren
a Estndares de trabajo en produccin.

Para determinar la exactitud de los
sistemas de medicin se debe conocer su
rastreabilidad a Estndares nacionales e
internacionales.

Resolucin: Para que el equipo de medicin tenga
una discriminacin adecuada en la evaluacin de las
partes, su resolucin debe ser al menos 1/10 de la
variabilidad del proceso ( LTNS - LTNI = 6 o )

309
Metrologa
Estndares de calibracin
La trazabilidad hacia debajo de la trazabilidad se
muestra a continuacin

National Institute Standards and Technology
Laboratorios de Estndares
Laboratorios de Metrologa
Laboratorios de Sistema de Control de Calidad
Centros de Trabajo
310
Metrologa
Resumen del ISO 10012

Quality assurance requirement for measuring
euipment Part 1: Metrological confirmation system
for measuring equipment.

Contiene requerimientos de aseguramiento de calidad
para asegurar que las mediciones sean hechas con la
exactitud intencionada.
311
Metrologa
Resumen del ISO 10012 Elementos clave

Todos los equipos de medicin deben ser identificados,
controlados, y calibrados. Deben mantenerse los
registros de la calibracin y trazabilidad a estndares
nacionales

Debe determinarse la incertidumbre de la medicin

Se deben tener disponibles los procedimientos para
asegurar que el equipo de medicin no conforme no
sea utilizado
312
Metrologa
Resumen del ISO 10012 Elementos clave

Debe establecerse un sistema de etiquetado que
muestre la identificacin nica y su estado

Se debe establecer la frecuencia de recalibracin

Las calibraciones deben ser trazables a estndares
nacionales

Se requieren procedimientos documentados para la
calificacin y entrenamiento del personal
313
V.D Estadstica bsica
314
V.D Estadstica bsica
1. Trminos bsicos

2. Teorema del lmite central

3. Estadstica descriptiva

4. Mtodos grficos

5. Conclusiones estadsticas vlidas
315
V.D.1 Trminos bsicos
La estadstica descriptiva nos proporciona mtodos
para organizar y resumir informacin, la estadstica
inferencial se usa para obtener conclusiones a partir de
una muestra

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,
tomndola para pronosticar o Inferir la media de toda la
poblacin.
Estadstica
317
Poblacin y muestra
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.

318
Estadsticos y parmetros
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
t, , o)

319
Tipos de datos
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.

320
V.D.2 Teorema del lmite central
321
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.

322
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
X
s
n
o
=
323
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:
0
10
20
30
40
50
1 2 3 4 5 6 7 8 9
Frec.

Poblacin con media y desviacin estndar o 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 o / \n. Tambin
se denomina Error estndar de la media.
325
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:
0
2
4
6
8
10
3.5 4 4.5 5 5.5 6 6.5
Frec.
326
DEFINICION
Es una ayuda grfica para el control de las variaciones de los
procesos administrativos y de manufactura.
Causa
especial
Causas
normales o
comunes
Cartas de Control
327
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.
328
Variacin Causas comunes
Lmite
inf. de
especs.
Lmite
sup. de
especs.
Objetivo
329
Variacin Causas especiales
Lmite
inf. de
especs.
Lmite
sup. de
especs.
Objetivo
Escuche la Voz del Proceso
Regin de control,
captura la variacin
natural del proceso
original
Causa Especial
identifcada
El proceso ha cambiado
TIEMPO
Tendencia del proceso
LSC
LIC
Aplicacin en la carta de control
M
E
D
I
D
A
S

C
A
L
I
D
A
D
331
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
Patrones Fuera de Control
332
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 o 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.

Patrn de Carta
en Control Estadstico
333
Aplicacin en Intervalos de confianza
Intervalo de confianza para la media:
A) Sigma conocida y n>30 (n es tamao de muestra)

B) Sigma desconocida y n<30, los grados de libertad
son gl = n-1.

2
2
X Z
n
X t
n
o
o
o
=
=
334
Aplicacin en Intervalos de confianza
Intervalo de confianza para proporciones y varianza:
Para proporciones, p es la proporcin y n>30

Para la varianza

2
(1 ) p p
p Z
n
o
t
=
2 2
2
2 2
, 1 1 , 1
2 2
( 1) ( 1)
n n
n s n s
o o
o
_ _

s s
335
V.D.3 Estadstica descriptiva
336
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
Estadstica Descriptiva
337
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
338
Representan las diferentes formas de caracterizar
el valor central de un conjunto de datos

Media muestral poblacional

=
n
xi
x

=
n
xi
Ejemplo 1: En un equipo de ftbol, una muestra de estaturas de sus integrantes son las
siguientes: 1.70,1.79,1.73,1.67,1.60,1.65,1.79,1.84,1.67,1.82, 1.74. Calcule la media.
73 . 1
11
19
= = =
n
xi
x
339
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
Ejemplo 2: Para el ejemplo anterior cual es la mediana?
Ordenando los datos de mayor a menor se obtiene:
1.60,1.65,1.67,1.67,1.70,1.73,1.74,1.79,1.79,1.82,1.84;
como tenemos 11 datos el nmero es non por lo que (n+1)/2 = 12/2 = 6, buscando el nmero
que ocupa la sexta posicin en los datos ordenados encontramos el valor de la mediana
73 . 1
~
= x
( ) | | ( )
2
1 2 2
~
+ +
=
n n
X
340
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.
341
Ejemplo 3: Para la siguiente serie de datos calcule la media acotada al 20%:
68.7,34.3,97.9,73.4,8.4,42.5,87.9,31.1,33.2,97.7,72.3,54.2,80.6,71.6,82.2,
Como tenemos 11 datos, el 20% de 11 es 2.2, por lo cual eliminamos 2 datos el ms bajo y
el ms alto, ordenado los datos obtenemos:
8.4,31.1,33.2,34.3,42.5,54.2,68.7,71.6,72.3,73.4,80.6,82.2,87.9,97.7,97.9, los valores a
eliminar son: 8.4 y 97.9; calculando la media de los datos restantes obtenemos
( ) 82 . 63 20 ,. = x

342
343
Medidas de dispersin:
Rango: Es el valor mayor menos el valor menor de un
conjunto de datos

Por ejemplo para el conjunto de datos siguiente:
2.0,2.1,2.4,2.5,2.6,2.8,2.9,2.9,3.0,3.1,3.6,3.8,4.0,4.0
Su rango es R = 4.0 2.0 = 2.0
344

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)

=
n
x xi
2
2
) (
o

=
1
) (
2
2
n
x xi
s
345
Desviacin estndar: es la raz cuadrada de la varianza
ya sea poblacional o o muestral S

=
1
) (
2
2
n
x xi
s

=
1
) (
2
n
x xi
s
Ejemplo 4: La resistencia al rompimiento de dos muestras de botellas es la siguiente:
Muestra 1: 230 250 245 258 265 240
Muestra 2: 190 228 305 240 265 260

s =
5
790
= 12.56 s =
5
7510
= 38.75
346
Coeficiente de variacin: es igual a la desviacin
estndar dividida por la media y se expresa en
porcentaje

) 100 ( var . .
X
s
CV iacin de e Coeficient = =
Por ejemplo si la media de tiempos de espera es de 78.7 y su desviacin estndar es 12.14, el CVt:
% 05 . 12 ) 100 (
7 . 78
14 . 12
= =
t
CV
Por otra parte si la media de salarios es de 10 y su desviacin estndar de 2, el CVs de salarios es:
% 20 ) 100 (
10
2
= =
s
CV
Por tanto la dispersin de los salarios es mayor que la de los tiempos de espera, es posible comparar
estas dispersiones con el CV aunque los dos conjuntos de datos sean completamente dismbolos.
347
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

}

=1 ) ( ) ( x d x f

=
n
x f
0
1 ) (
348
Funcin de distribucin acumulada

}

=
x
t d t f x F ) ( ) ( ) (
Funcin
de densidad
Funcin de
distribucin
acumulada
349
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

350
V.D.4 Mtodos grficos
351
Diagrama de caja
PERCENTILES, DECILES Y QUARTILES
Cada conjunto de datos ordenado tiene tres cuartiles que lo dividen en
cuatro partes iguales.

El primer cuartil es ese valor debajo del cual clasifica el 25% de las
observaciones y sobre el cual se encuentra el 75% restante.

El segundo cuartil divide a los datos a la mitad similar a la mediana.

El tercer cuartil es el valor debajo del cual se encuentra el 75% de las
observaciones.

Los deciles separan un conjunto de datos ordenado en 10 subconjuntos
iguales y los percentiles en 100 partes
352
Diagrama de caja
PERCENTILES, DECILES Y QUARTILES
La ubicacin de un percentil se encuentra en:

Donde:
Lp es el sitio del percentil deseado en una serie ordenada
n es el nmero de observaciones
P es el percentil deseado

100
) 1 (
P
n L
p
+ =
353
Diagrama de caja
Por ejemplo para los datos siguientes:
3 10 19 27 34 38 48 56 67 74
4 12 20 29 34 39 48 59 67 74
7 14 21 31 36 43 52 62 69 76
9 15 25 31 37 45 53 63 72 79
10 17 27 34 38 47 56 64 73 80
Diagrama de caja
La localizacin del percentil 35 se halla en:

O sea que el percentil 35 est al 85% del trayecto comprendido entre
la observacin 17 que es 29 y la observacin 18 que es 31 o sea
L35 = 29 + (0.85)(31-29) = 30.7. Por tanto el 35% de las
observaciones estn por debajo de 30.7 y el 65% restante por
encima de 30.7.

De la misma forma los percentiles 25, 50 y 75 proporcionan la
localizacin de los cuartiles Q1, Q2 y Q3 respectivamente.

Q1: es el nmero que representa al percentil 25

Q2 o Mediana: es el nmero que representa al percentil 50

Q3: es el nmero que representa al percentil 75 (hay 75% de los
datos por debajo de este).
Rango o Recorrido intercuartlico: es la diferencia entre Q1 y Q3.

85 . 17
100
35
) 1 50 (
35
= + = L
DEFINICION:
Es una ayuda grfica para ver la variabilidad de los datos.
Permite identificar la distribucin de los datos, muestra la
mediana, bases y extremos.

Mediana = dato intermedio entre un grupo de datos
ordenados en forma ascendente
Mediana
Valor
mnimo
Valor
mximo
Primer cuartil Tercer cuartil
Grficas de caja
356
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)

357
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
358
Mtodos grficos
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
359
Mtodos grficos
Positiva dbil Positiva fuerte Sin correlacin
Negativa fuerte Relaciones no lineales
360
Mtodos grficos
Coeficiente de correlacin
El coeficiente de correlacin r determina el grado de
asociacin entre dos variables X y Y
361
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
362
Mtodos grficos
Para visualizar el comportamiento de los datos en el
tiempo
Tendencia creciente Tendencia decreciente Corrida de proceso
Valores anormales Ciclos Variabilidad creciente
363
Mtodos grficos
Para visualizar el comportamiento de los datos en el
tiempo
Tendencia creciente
364
Histogramas
365
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
366
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.
367
DEFINICION
Un Histograma es la organizacin de un nmero de datos
muestra que nos permite visualizar al proceso de manera
objetiva.
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 o.
Un rango de 3o cubre el 99.73%.
Mtodos grficos
368
Histograma de Frecuencia
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.
TAMAO TAMAO
TAMAO
TAMAO
TAMAO
M
E
D
I
C
I
O
N
E
S

Media
M
E
D
I
C
I
O
N
E
S

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

Permite ver la distribucin de la frecuencia con la que ocurren las cosas en
los procesos de manufactura y administrativos.

La variabilidad del proceso se representa por el ancho del histograma, se
mide en desviaciones estndar o o, 3o cubre el 99.73%.
LSE LIE
Histograma de Frecuencia
Las distribuciones pueden variar en:
POSICIN AMPLITUD FORMA
O TENER CUALQUIER COMBINACION
Media - Promedio numrico o centro de
gravedad del histograma de mediciones

Medidas de Tendencia central
- Usa todos los datos
- Le afectan los extremos
Donde,
Fi = Frecuencia de cada medicin
x
i
= Valor de cada medicin
individual
Mediana - Es el valor que se encuentra en medio de
los datos o mediciones

Moda - Es el valor que ms se repite

=
=
=
n
i
i
n
i
i i
F
X F
X
1
1
*
Medidas de variabilidad o
Dispersin Desviacin Estndar

S es usada cuando los datos corresponden a una muestra de la poblacin.
Como es el caso de una muestra de mediciones.

o tpicamente es usada si se est considerando a toda la poblacin

| | ( )
1
/ * *
1
2
1
2
=

= =
n
n X F X F
s
n
i
i i
n
i
i i
| | ( )
n
n X F X F
n
i
i i
n
i
i i
/ * *
1
2
1
2
(
=

= =
o
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 Coeficiente
Observaciones Aritmtica Estndar de Variacin
n s S
rel

A 160 1100 225 0,204
B 150 800 200 0,250

El Material A tiene una menor variabilidad relativa relativa que el material B

Error estndar de la Media: Es la desviacin estndar de las medias de las
muestras de mediciones, se representa como la desviacin estndar de
la poblacin entre la raz de n = nmero de mediciones por muestra.

Medidas de
Dispersin- Rango, CV
374
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 FRECUENCIA
1-5 7
6-10 12
11-15 19
16-20 16
21-25 8
26-30 4

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 consecutivas(en el
ejemplo, es 5).

Construccin del histograma - datos agrupados
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
379
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.

Histograma en Excel
380
Construccin del histograma
0
2
4
6
8
10
12
14
16
18
15-
24
25-
34
35-
44
45-
54
55-
64
65-
75
Frec.
381
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 Coeficiente
Observaciones Aritmtica Estndar de Variacin
n s S
rel

A 160 1100 225 0,204
B 150 800 200 0,250

El Material A tiene una menor variabilidad relativa relativa que el material B

Otras medidas de
Dispersin- Rango, CV
Media - Promedio numrico o centro de
gravedad del histograma

Clculo de la media - datos agrupados
- Usa todos los datos
- Le afectan los extremos
Donde,
Fi = Frecuencia de cada observacin
x
i
= Valor de cada marca de clase
Mediana - Es el valor que se encuentra en medio de
los datos

Moda - Es el valor que ms se repite

=
=
=
n
i
i
n
i
i i
F
X F
X
1
1
*
Desviacin Estndar - Datos agrupados

S es usada cuando los datos corresponden a una muestra de la poblacin

Nota: Cada Xi representa la marca de clase

o tpicamente es usada si se est considerando a toda la poblacin

NOTA: Para lo clculos con Excel, se puede utilizar el mismo mtodo
que para datos no agrupados, tomando como Xi los valores
de las marcas de clase.
| | ( )
1
/ * *
1
2
1
2
=

= =
n
n X F X F
s
n
i
i i
n
i
i i
| | ( )
n
n X F X F
n
i
i i
n
i
i i
/ * *
1
2
1
2
(
=

= =
o
384
Ejercicio de Histogramas
Datos:

6.40 6.39 6.41 6.39 6.40
6.39 6.40 6.37 6.40 6.38

6.42 6.38 6.40 6.38 6.41
6.40 6.41 6.41 6.43 6.39

6.41 6.35 6.39 6.41 6.43
6.38 6.40 6.42 6.37 6.40

6.37 6.43 6.43 6.39 6.42
6.40 6.42 6.39 6.42 6.38

6.42 6.40 6.38 6.45 6.41
6.39 6.44 6.36 6.44 6.36
385
V.D.5 Conclusiones estadsticas
vlidas
386
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
387
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 o, , t) 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
388
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)
389
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
390
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 Prueba de dos colas
Ho: A > B Ha: A<B Prueba de cola izquierda

391
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

392
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
393
V.E Probabilidad
394
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:
( )
E
n
P E
N
=
395
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
396
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
397
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
398
Espacio Muestral
Consiste en todos los posibles resultados de un experimento.
Para el lanzamiento de una moneda es (A,S).
399
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.
P EventoA
n
N
N
( ) lim =

400
Ejemplo
p
r
o
b
a
b
i
l
i
d
a
d

d
e

c
a
r
a
s

n
0 500 1000
0
.5
1
en los 1900-s , Karl Pearson lanzo una moneda 24,000 veces y obtuvo
12,012 caras, dando una proporcin de 0.5005.
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 aleatoria
X=# de defectos, la cual toma los valores {0,1,2,3}
402
Probabilidades de Eventos

1. P(E) > 0
2. P(S) = 1
3. Si E
1
,En son mutuamente disjuntos
entonces
= =
=
|
.
|
\
|
n
i
i
n
i
i
E P E P
1 1
) (

Resultados
1. Si A _ B entonces P(A) s P(B)

2. Si P(E
c
)=1-P(E)

3. P(AB) = P(A) + P(B) P(AB)

4. Si B
1
B
2
B
n
= S entonces
=
=
n
i
i
B E P E P
1
) ( ) (

403
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(E
c
) =
404
Sea E
1
el evento en el cual elegimos 1000 y E
2
es el
evento en el cual elegimos un numero menor o igual a
760.
P(E
1
E
2
) =
Sea E
1
el evento en el cual elegimos 850 y E
2
sea el
evento el cual obtenemos un numero menor a 880.
P(E
1
E
2
) =
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 P A ( ) ( ) = 1
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 o B P A P B ( ) ( ) ( ) = +
Para el caso de dos eventos A y B Que no son
mutuamente excluyentes.
P A o B P A P B P AyB ( ) ( ) ( ) ( ) = +

A las dos ecuaciones se les conoce como
Leyes de adicin de probabilidad
406
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:

Ley de la Multiplicacin
probabilidad que ambos A y B ocurran es

Cuando los eventos A y B son independientes, entonces P(A|B)
= P(A) y

P(AB) P(B) P(A) B) or P(A + =
A)P(A) | P(B B)P(B) | P(A P(AB) = =
P(A)P(B) P(AB) =
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
n
r
P
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
3*2*1=6
408
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.
L2
L3
L4
L1
A1
A1
A1
A2
A2
A2
A3
A3
A3
A2
A1
A3
12 tratamientos
409
El numero de formas de ordenar n objetos distintos en n
lugares diferentes es :
n n n n ! ( )( )...( )( ) = 1 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 n r n r P
P
n
n r
r
n
r
n
( )( )...( [ ])( [ ])
!
( )!
=
=
1 2 2 1
410
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),..

P
2
1 0
1 0 !
8 !
9 0 = = .
411
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
r
n
C
r
| |
=
|
\ .
412
C
n
r
P
r
n
r n r
r
n r
n
=
|
\
|
.
| = =
!
!
!( ) !
Teorema 2.
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?.

C
n
r
n
r n r
r
n
=
|
\
|
.
| =
!
!( )! )!
100!
10!(100 10
413
V.E.2 Distribuciones de
probabilidad
414
Distribuciones usadas
por los Black Belts
Distribucin Binomial
Distribucin Poisson

Distribucin Normal
Distribucin Chi Cuadrada

Distribucin t de Student
Distribucin F
415
Tipos de variables aleatorias
Tipos de variables aleatorias
Discretas

Continuas
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....
416
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 defectos , toma
valores 0,1,2,...

417
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.

418
Funcin de probabilidades para Y.
y P(Y=y)
0 1/4
1 1/2
2 1/4
-0.2 0.3 0.8 1.3 1.8
y
0.26
0.31
0.36
0.41
0.46
0.51
p

Grfica
Y
P(Y=y)
419
La distribucin de probabilidades puede ser una Tabla, una
Grfica o una formula.
Formula para la distribucin de
probabilidades de la tabla anterior
y y
y
y Y P y P ) 5 (. ) 5 (.
3
) ( ) (
3
|
|
.
|
\
|
= = =
420
Requisitos para una distribucin
de probabilidad discreta
) ( ) (
). ( . 2
1 ) ( 0 . 1
x X P x f
y P
y P
X
y
toda
= =
s s
En algunas ocasiones la notacin

usada es:
421
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.
) ( ) ( x X P x F
X
s =
Esta funcin tiene propiedades.
0 ) (
1 ) (
1 ) ( 0
=
=
s s

x F Lim
x F Lim
x F
x
x
422
Funcin de distribucin acumulativa para Y=#de caras
-0.2 0.3 0.8 1.3 1.8
y
0.3
0.5
0.7
0.9
F
(
x
)

0 1 2
423
Valor Esperado o Media de una
variable aleatoria discreta
La media o valor esperado de una variable aleatoria
discreta X , denotada como o E(X), es
X

= = = =
x x
X X
x X xP x xf X E ) ( ) ( ) (
La media es el centro de la masa del rango de los
valores de X.
424
Calculo de la media para la variable de No. De defectos
X
215 . 0
0 4 003 . 0 3 014 . 0 2 178 . 0 1 805 . 0 0
) (
4
0
=
+ + + + =
= = =
= x
X
X X xP
En este caso note que esta media no toma un valor entero
como X
425
0 1 2 3 4
x
0.0
0.2
0.4
0.6
0.8
p r o b
Media
X
426
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 demanda esperada.
X
427
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
X X X
x X P x X E ) ( ) ( ] ) [(
2 2
2
o
Medida de dispersin
428
2147 . 0
0 ) 215 . 0 4 ( 003 . 0 ) 215 . 0 3 (
014 . 0 ) 215 . 0 2 (
178 . 0 ) 215 . 0 1 ( 805 . 0 ) 215 . 0 0 (
) ( ) (
2 2
2
2 2
2
2
=
+ +
+ +
+ =
= =
x
X X
x X P x o
429
La desviacin estndar de una variable aleatoria es
simplemente la raz cuadrada de la varianza
2
X X
o o =
430
Distribuciones Discretas
Uniforme discreta.
La variable aleatoria toma un numero finito
de n valores , cada uno con igual
probabilidad.
n
x X P x f
1
) ( ) ( = = =
431
0 2 4 6 8 1e+001
x
0.05
0.07
0.09
0.11
0.13
0.15
p r o b
Uniforme discreta con n=10
432
12
1
2
) 1 (
2
2
=
+
=
n
n
X
X
o
La media y varianza de la distribucin

Uniforme discreta son:
Aplicaciones
433
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:

N
n
D N
x n
D
x
C
C C
x P
= ) (
)! ( !
!
x n x
n
C
n
x
=
434
La media y la varianza de la distribucin
hipergeomtrica son:
N
nD
=
|
.
|
\
|
|
.
|
\
|
|
.
|
\
|
=
1
1
2
N
n N
N
D
N
nD
o
435
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) = 15, x = 5

P(x=5) = 0.0183 = 1.83%
0183 . 0
! 10 ! 10
! 20
! 10 ! 5
! 15
! 0 ! 5
! 5
) 5 ( =
|
.
|
\
|
|
.
|
\
|
= P
436
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

437
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
438
n x p p
x
n
x X P x f
x n x
,..., 1 , 0 ) 1 ( ) ( ) ( =
|
|
.
|
\
|
= = =
La variable aleatoria X tiene una distribucin binomial

) 1 ( ) (
) (
2
p np X V
np X E
X
X
= =
= =
o
Tiene media y varianza.

439
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

440
Distribucin de Poisson
Una Variable aleatoria X tiene distribucin Poisson si
toma probabilidades con.
,... 1 , 0
!
) ( = =
x
x
e
x f
x
p n
p n
= =
=
o
441
La Distribucin Normal
Los primeros industriales frecuentemente se basaban en el
conocimiento de limites normales para clasificar artculos o
procesos como correctos o de otro modo.
Por ejemplo, el colesterol arriba de 250 mg/dl es ampliamente
conocido que incrementa el riesgo de un paro cardiaco. Una
determinacin precisa - pudiera ser asunto de vida o muerte.
Sin embargo , no todas las variables son normales. Por
ejemplo: urea y ph
IMPORTANCIA DE LA DISTRIBUCIN NORMAL
Abraham Simon de Carl Francis
de Moivre Laplace Gauss Galton
CARACTERISTICAS DE UNA
DISTRIBUCIN NORMAL
La distribucin normal es simtrica alrededor de su
media.
Es asintotica - la curva se acerca a eje x pero nunca lo
toca.
La curva normal es acampanada y tiene un solo pico en
toda la distribucin.

La media, mediana, y moda de la distribucin son las
mismas y estn localizadas en el pico.

La mitad del rea de la curva esta arriba del punto central
(pico), y la otra mitad esta abajo.
CARACTERISTICAS DE UNA DISTRIBUCION NORMAL
Tericamente, la
curva se extiende a
- infinito
Tericamente, la
curva se extiende a
+ infinito
Media, mediana, y
moda son iguales
Cola
Cola
La Normal is simtrica -
-
445
446
f t
t
( ) e x p =
|
\
|
.
|
(
1
2
1
2
2
o t
o
Distribucin de
la Funcin Normal
Funcin de Densidad de Probabilidad Normal
Distribucin Normal
= 500
o = 30
o = 50
o = 70
0.0000
0.0020
0.0040
0.0060
0.0080
0.0100
0.0120
0.0140
200 400 600 800 1000
Tiempo
f
(
t
)

Curvas Normales con Medias iguales pero
Desviaciones estndar diferentes
= 20
o = 3.1
o = 3.9
o = 5.0
Normales con Medias y
Desviaciones estndar diferentes
= 5, o = 3
= 9, o = 6
= 14, o = 10
449
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 rea bajo la curva
mostrada en la Tabla de distribucin normal
450
Las distribuciones pueden variar en:
POSICIN AMPLITUD FORMA
O TENER CUALQUIER COMBINACION
451
x x+s x+2s x+3s x-s x-2s x-3s
X
3o 2o o +o +2o +3o
Para la poblacin - se incluyen TODOS los datos
Para la muestra
La Distribucin Normal
452
z
0 1 2 3 -1 -2 -3
x x+o x+2o x+o3 x-o x-2o x-3o
X
La desviacin estndar
sigma representa la
distancia de la media al
punto de inflexin de la
curva normal
La Distribucin Normal Estndar
Alrededor de 68 % del area bajo la curva normal
est entre ms una y menos una desviacin
estndar de la media. Esto puede ser escrito como:
m 1s.
Cerca del 95 % del rea bajo la normal est entre
ms y menos 2 desviaciones estndar de la media,
m 2s.
Prcticamente toda (99.74 %) el rea bajo la normal
esta entre 3 desviaciones de la media m 3s.
AREA BAJO LA CURVA NORMAL
454
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:
- 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 Dist. Normal Estndar
+1o +2o +3o 1o 2o
+3o
Entre:

1. 68.26%

2. 95.44%

3. 99.97%
456
68%
34% 34%
95%
99.73%
+1s
+2s
+3s
Caractersticas de la Distribucin Normal
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 -
68%
34% 34%
95%
68
%
99.73%
68%
2.356% 2.356%
Proceso con media =100
y desviacin estndar = 10
70 80 90 100 110 120 130
90 110
80 120
70 130
459
reas bajo la curva
normal
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:
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:
- 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 Dist. Normal Estndar
Distribucin normal, dadas una media y desviacin estndar:
1. rea desde menos infinito a X se obtiene como sigue:
- 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:
DISTR.NORM.INV, dar el valor del rea, Media y Desviacin Estndar
y se obtendr el valor de la X

Clculos con Excel Distr. Normal
1. Identificar la variable de inters.
2. Identificar los parmetros de la variable (su media y
desv. estndar).
3. Cual es la pregunta rea bajo la curva de
probabilidad normal?
4. Convertir los valores a la distribucin normal estndar
(estandarizacin Z = (X-Media)/S) .
5. Encuentre la probabilidad en tabla de la normal
estndar o por Excel.
Calculo de Probabilidades normales
El agua usada diariamente por persona en Mxico est
distribuida normalmente con media 20 litros y una
desviacin de 5 lts..

Entre que valores cae cerca del 68% el agua usada
por una persona en Mexico?

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

De manera similar para 95% y 99%, el intervalo ser
de 10 lts a 30 lts y 5 lts a 35 lts.
Ejemplo
El agua usada diariamente por persona en Mxico es
distribuida normalmente con media 20 litros y una
desviacin de 5 lts. Sea X el uso diario de agua.

Cual es la probabilidad que una persona
seleccionada al azar use menos de 20 lts./dia?

El valor z asociado es z = (20 - 20)/5 = 0.
entonces,

P(X < 20) = P(z < 0) = 0.5.

Ejemplo
Que porciento usa entre 20 y 24 lts?
El value z asociado con X = 20 es z = 0 y con X =
24, z = (24 - 20)/5 = 0.8.
Entonces, P(20 < X < 24) = P(0 < z < 0.8) = P(0.8) -
P(0) = 0.7881- 0.5 = 0.2881 o 28.81%.

Que porciento usa entre 16 y 20 lts?

El valor z1 para X = 16 es z1 = (16 - 20)/5 = -0.8,
y para X = 20, z2 = 0. Entonces, P(16 < X < 20) =
P(-0.8 < z < 0) = P(0) - P(-0.8) = 0.5 - 0.2119 =
0.2881 = 28.81%.
Ejemplo
0.8
P(0 < z < 0.8)
= 0.2881.
Cual es la probabilidad que una persona
seleccionada al azar use mas de 28 lts?

El valor z asociado a X = 28 es
z = (28 - 20)/5 = 1.6. Ahora, P(X > 28) = P(z > 1.6)
= 1 - P(z < 1.6) = 1 - 0.9452 = 0.0548.

Ejemplo
P(z > 1.6) =
1 - 0.9452=
0.0548
Area =
0.9452
1.6
z
Que porcentaje usa entre 18 y 26 lts?

El valor z asociado con X = 18 es z = (18 - 20)/5 = -
0.4, y para X = 26, z = (26 - 20)/5 = 1.2.
entonces, P(18 < X < 26)= P(-0.4 < z < 1.2) =
F(1.2) - F(-0.4)= 0.8849 - 0.3446 = 0.5403.
Ejemplo
470
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?

Ejemplos

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
85.36
80
-1.42 0
rea bajo la curva normal
0 1

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

Cul es la probabilidad de que una batera dure ms
de 87 horas?
1.67 = .33 33% de las veces una batera durar ms
de 87 horas
474
Considere una media de peso de estudiantes de 75 Kgs.
con una desviacin estndar de 10Kgs. Contestar lo
siguiente:
Cul es la probabilidad de que un estudiante pese ms
de 85Kgs.?
2. Cul es la probabilidad de que un estudiante pese
menos de 50Kgs.?
3. Cul es la probabilidad de que pese entre 60 y 80
Kgs.?.
4. Cul es la probabilidad de que pese entre 55 y 70
Kgs.?
5. Cul es la probabilidad de que pese entre 85 y
100Kgs.?
Ejercicios
475
Distribuciones muestrales
476
A las distribuciones de los estadsticas muestrales
se les llama distribuciones muestrales.
POBLACION
477
Distribuciones Derivadas del
muestreo de Poblaciones Normales
Poblacin
Muestra
Aparecen distribuciones muestrales:
Normal, Chi-cuadrada, t-student, F
478
Distribucin de la Media:
Si es una muestra aleatoria de una Poblacion
(X) con distribucin normal .Entonces se
distribuye normal con media y varianza
n
X X X ,..., ,
2 1
) , (
2
o n
X
,
n /
2
o
) / , (
2
n n X o
479
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.

2 2
3
2
2
2
1
....
n
z z z z y + + + + =
480
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:
. 0 ,
2
2
1
) (
2
1
2
2
>
(
I
=
x e x
k
x f
x k
k
k=grados de libertad. (1,2,...)
481
K=1
K=5
K=25
K=50
Grficas de la distribucin ji-cuadrada
Con k grande ji-cuadrada se hace normal
482
Media y varianza de una ji-cuadrada.
E(X)=k
V(X)=2k
Calculo de puntos crticos usando las tablas de ji-
cuadrada

o _
o
= > ) (
2
,k
X P
483
Ejemplo: Calcule el valor critico que satisface
05 . ) (
2
20 , 05 . 0
= > _ X P
41 . 31
2
20 , 05 . 0
= _
De tablas de ji-cuadrada con alfa=.05 y k=20
484
Resultado:
Si es una muestra aleatoria de una Poblacion
(X) con distribucin normal .Entonces se
distribuye ji-cuadrada con k= n-1 grados de libertad.
Donde S cuadrada es la varianza muestral.
n
X X X ,..., ,
2 1
) , (
2
o n
2
2
) 1 (
S
n
o
2
1
2
2
) 1 (
n
S
n
_
o
485

Distribucin t-student
Si es una muestra aleatoria de una
Poblacin (X) con distribucin normal .
Entonces se distribuye
t-student con n-1 grados de libertad.

n
X X X ,..., ,
2 1
) , (
2
o n
) / ( ) ( n s X
1
) / ( ) (

n
t n s X
486
) , (
] 1 2 / ][ 2 / [
] 2 / ) 1 [(
) (
2 / ) 1 ( 2
e
+ I
+ I
=
+
x
x k k
k
x f
k
t
Funcin de Distribucin t-student
K=1
K=10
K=100
487
Funcin de Distribucin t-student
488
La media y la varianza de la distribucin t son:

De una muestra aleatoria de n artculos, la
probabilidad de que

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

0 =
3 ;
2
>
= k
k
k
o
3 ;
2
>
= k
k
k
o
n s
x
t
/

=
489
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.

t = -2.227 y el rea es 0.0214

3 ;
2
>
= k
k
k
o
227 . 2
15 / 467 . 8
500 13 . 495
=
= t
490
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)
491
Distribucin F.
( )
) , 0 (
] 1 ][ 2 / [ ) 2 / (
/ ] 2 / ) [(
) (
2 / ) (
1 ) 2 / (
2
e
+ I I
+ I
=
+
x
x
v
u
v u
x v u v u
x f
v k
u
u
u=10
v=5
u=20
v=20
Funcin de densidad de la Distribucin F
492
Distribucin F.
Funcin de densidad de la Distribucin F
493
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
494
V.E.3 Otras distribuciones
495
Distribucin Bivariada
La distribucin conjunta de dos variables es llamada
una distribucin bivariada. El coeficiente de
correlacin es :
496
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
x
e e x f
= =
1
) (
497
Donde Lambda es la tasa de falla y theta es la media
La funcin de densidad de la distribucin exponencial
498
Es usada como el modelo, para la parte de vida
til de la curva de la baera, i.e., la tasa de falla
es constante
Los sistemas complejos con muchos componentes
y mltiples modos de falla tendrn tiempos de
falla que tiendan a la distribucin exponencial
Desde una perspectiva de confiabilidad, es la
distribucin ms conservadora para prediccin.
La forma de la
exponencial siempre es
la misma
El modelo exponencial, con un solo parmetro, es el ms simple
de todo los modelos de distribucin del tiempo de vida. Las
ecuaciones clave para la exponencial se muestran:
h

=
~
=
=
=
=

) ( : FALLA DE TASA
1
: VARIANZA
693 . 0 2 ln
: MEDIANA
1
: MEDIA
) ( : PDF
) ( : DAD CONFIABILI
1 ) ( : CDF
2
t
m
e t f
e t R
e t F
t
t
t
Funcin de Densidad de Probabilidad Exponencial
0.0000
0.0005
0.0010
0.0015
0.0020
0.0025
0.0030
0.0035
0 500 1,000 1,500 2,000
Tiempo
f
(
t
)
= 0.003, MEDIA = 333
= 0.002, MEDIA = 500
= 0.001, MEDIA = 1,000
500
R(t) = e
(-t)
(Confiabilidad)
Funcin de Confiabilidad Exponencial
0.000
0.200
0.400
0.600
0.800
1.000
1.200
0 500 1,000 1,500 2,000
Tiempo
R
(
t
)
= 0.003, MTBF = 333
= 0.002, MTBF = 500
= 0.001, MTBF = 1,000
501
h(t) = = 1 / MEDIA (Velocidad de Falla)
Funcin de la Tasa de Falla Exponencial
0.000
0.001
0.002
0.003
0.004
0 500 1,000 1,500 2,000
Tiempo
h
(
t
)
= 0.001, MTBF = 1,000
= 0.002, MTBF = 500
= 0.003, MTBF = 333
Note que la tasa de
falla tiende a ser una
constante para
cualquier tiempo. La
distribucin exponencial
es la nica que tiene
una velocidad de falla
constante
502
Distribucin Lognormal
La transformacin ms comn se hace tomando el
logaritmo natural, pero tambin se puede hacer con
los logaritmos base 2 y base 10.

Y = x1 x2 x3
Ln y = ln x1 + ln x2 + ln x3

La funcin de densidad de probabilidad lognormal es
con Y = ln(t):

2
2
1
2
1
) (
|
|
.
|
\
|
=
y
y
y
y
e
t
t f
o
t o
503
La media y la varianza de la distribucin lognormal
son las siguientes:
) 2 / (
2
o +
= e Media
) 1 )( (
2 2
) 2 (
=
+ o o
e e Var
504
Un tiempo de falla se distribuye segn una Lognormal
si el logaritmo del tiempo de falla est normalmente
distribuido.

La Distribucin Lognormal es una distribucin sesgada
hacia la derecha.

La PDF comienza en cero, aumenta hasta su moda y
diminuye despus.
505
Si un tiempo t est distribuido Lognormal, t~LN(
t
, o
t
) y si Y =
ln(t) entonces Y~N(
y
, o
y
)
2
2
1
2
1
) (
|
|
.
|
\
|
=
y
y
y
y
e
t
t f
o
t o
2
2
1
2
1
) (
|
|
.
|
\
|
=
y
y
y
y
e y f
o
t o
|
|
.
|
\
|
u =
y
T t
t F
o
) ln(
) (
50
|
|
.
|
\
|
u =
y
y
y
y F
o
) (
|
|
.
|
\
|
+ =
2
exp
2
50
y
y t
T
o
) ln(
50
T
y
=
2
2
50
1
) exp(
t
t
t
y
T
+
= =
y
=
PDF
CDF
MEDIA
MEDIANA
t y = ln(t)
|
|
.
|
\
|
+
2
2
1 ln
t
t
o
( ) 1 ) exp( ) exp(
2 2 2
50
y y
T o o
VARIANZA
u(z) es la CDF de la Normal estndar
506
La Distribucin de vida Lognormal, como la Weibull, es
un modelo muy flexible que puede empricamente
ajustar a muchos tipos de datos de falla.

En su forma de dos parmetros tiene los parmetros
s
ln(t)
= s
y
parmetro de forma, y T
50
= la mediana
(un parmetro de escala)

Si el tiempo para la falla t, tiene una distribucin
Lognormal, entonces el logaritmo natural del tiempo de
falla (y =ln(t)) tiene una distribucin normal con media
m
y
= ln T
50
y desviacin estndar s
y
.
507
Esto hace a los datos lognormales convenientes para
trabajarlos as:

Determine los logaritmos naturales de todos los tiempos
de falla y de los tiempos censurados (y = ln(t)) y analice
los datos normales resultantes.

Posteriormente, haga la conversin a tiempo real y a los
parmetros lognormales usando o
y
como la forma
lognormal y T
50
= exp(
y
) como (mediana) el parmetro
de escala.
508
Ejemplo: Dado t~LN(25,4), encuentre P(t<18)
Calculemos los valores que nos permiten usar
la tabla normal estndar

Para poder usar las Tablas de la Normal Estndar:
P(t<18) = P{Z<[ln(t/ T
50
)]/ o
y
] = P{Z<[ln(18/24.7)]/0.159} =
P(Z<-1.99) = 0.023

68 . 24
25
4
1 25 1
2
2
2
50
= |
.
|
\
|
+ = + =
t
t
t
T
02527 . 0
25
4
1 ln 1 ln
2
2
2
2
=
|
|
.
|
\
|
|
.
|
\
|
+ =
|
|
.
|
\
|
+ =
t
t
y
o
o
1589 . 0 02527 . 0 = =
y
o
509
Funcin de
Distribucin
Lognormal

f t
t
t
( ) exp
ln( )
=
|
\
|
.
|
(
1
2
1
2
2
o t
o
donde y o son funciones de lns
Funcin de Densidad de Probabilidad Lognormal
0.0000
0.1000
0.2000
0.3000
0.4000
0.5000
0 1 2 3 4 5 6 7
Tiempo
f
(
t
)
= 0
o = 0.5
= 0
o = 1
= 1
o = 0.5
= 1
o = 1
510
R t f t d t f t d t z d z
t t z t
( ) ( ) [ ln ( ) ] [ ln ( ) ] ( )
ln ( ) [ ln ( ) ]
= = =

} } }
|
Funcin de Distribucin
Lognormal donde z[ln(t)] = [ln(t)-)/o]
|(z) = normal estandarizada normal pdf
Funcin de Confiabilidad Lognormal
0.000
0.200
0.400
0.600
0.800
1.000
0 1 2 3 4 5 6 7
Tiempo
R
(
t
)
= 0
o = 0.5
= 0
o = 1
= 1
o = 0.5
= 1
o = 1
511
h ( )
( )
( )
t
f t
R t
=
Funcin de Distribucin Lognormal
Funcin Tasa de Falla Lognormal
0.0000
0.1000
0.2000
0.3000
0.4000
0.5000
0.6000
0.7000
0 1 2 3 4 5 6 7
Tiempo
h
(
t
)
= 0
o = 0.5
= 0
o = 1
= 1
o = 0.5
= 1
o = 1
512
Nmero de ciclos de falla en la fatiga de los metales y partes
metlicas, en niveles de tensin mucho menores que sus lmites
Representa bien el tiempo de falla de los dispositivos mecnicos,
especialmente en el caso de uso

La resistencia de materiales frecuentemente sigue una distribucin
Lognormal
Las variables de peso son frecuentemente bien representadas con
una distribucin Lognormal

Es una buena distribucin para cualquier variable
La medida de cualquier resultado el cual es el resultado de una
proporcin o efecto multiplicativo es Lognormal
513
Distribucin de Weibull
La distribucin de Weibull es una de las ms
utilizadas en confiabilidad y estadstica.

La versin de dos parmetros forma y escala (que
representa la vida caracterstica) no incluye el
parmetro de localizacin es cero.

La versin de tres parmetros tiene una parmetro
de localizacin cuando hay un tiempo de falla
diferente de cero para la primera falla
514
La funcin de densidad de probabilidad de Weibull de
3 parmetros es:

Para x >o
| es el parmetro de forma
u es el parmetro de escala
o es el parmetro de localizacin
| |
u
o
u
o
u
|
|
.
|
\
|
|
.
|
\
|
x x
x f exp ) (
1
515
La funcin de densidad de probabilidad de Weibull de
3 parmetros tambin se puede expresar como:

Para t >0
| es el parmetro de forma
q es el parmetro de escala
es el parmetro de localizacin diferente de cero
q Tambin es la vida caracterstica si el parmetro de
localizacin es cero, de otra forma ser u+ o

| |
q
q
|
|
|
.
|
\
|
|
|
.
|
\
|
=
t y
t f exp ) (
1
516
La media y la varianza de la distribucin de Weibull
es:

|
|
.
|
\
|
+ I =
|
u
1
1
(
|
|
.
|
\
|
+ I
|
|
.
|
\
|
+ I =
| |
u o
1
1
2
1
2 2 2
517
Efecto del parmetro de forma Beta con Theta = 100
y Delta = 0

518
Efecto del parmetro de escala Theta

519
Efecto del parmetro de escala Delta

520
El Modelo Weibull
En muchas aplicaciones de confiabilidad, el supuesto
de tasa de riesgo constante no es apropiado.

Los artculos mecnicos tienen Failure Rate Creciente.
Otros artculos pueden ser Failure Rate Decreciente.

0
1
2
3
4
5
6
0 0.5 1 1.5 2
Time (t)
h
(
t
)
Failure Rate Constante
Failure Rate
Creciente
Failure Rate
Decreciente
521
Un modelo que puede representar un amplio espectro
de comportamientos es el modelo Weibull.

La densidad del modelo Weibull puede tomar
muchas y diferentes formas.

Note que si = 1 entonces se tiene el modelo exponencial
como caso particular del modelo Weibull.

( ) | |
1
1
) (
) (
exp ) (
) (
=
=
=

o
o
o o
t t h
t t t f
e t S
t
0
0.2
0.4
0.6
0.8
1
1.2
0 0.5 1 1.5 2
Time (t)
f
(
t
)
= 0.5
= 2
= 3
= 1
Modelo Weibull
522
Modelo Weibull
El modelo Weibull es
FRC si = 1
FRI si > 1
FRD si < 1

Entonces el parmetro muestra la forma de la funcin de riesgo.

0
1
2
3
4
5
6
0 0.5 1 1.5 2
Time (t)
h
(
t
)
= 0.5
= 3
= 1
FRC
FRI FRD
523
Modelo Weibull
Que es o ?

Entonces o presenta la escala de h(t).
0
1
2
3
4
5
6
0 0.5 1 1.5 2
Time (t)
h
(
t
)
o = 3 o = 2 o = 1
524
Modelo Weibull
Los momentos de la distribucin Weibull son:
(
|
|
.
|
\
|
+ I
|
|
.
|
\
|
+ I = =
=
|
|
.
|
\
|
+ I = =
}
}
o
o
1
1
2
1
1
] [ ] [ ) (
) ( ] [
1
1
1
) ( ] [
2
2
2 2
0
2 2
0
T E T E T Var
dt t f t T E
dt t tf T E
( ) ( )
}
= I
0
1
exp dx x x k
k
525
El tiempo de vida (sobre horas) de cierto tipo de
resorte usado continuamente bajo condiciones de
funcionamiento, es sabido que tiene una distribucin
de Weibull con parmetro de forma 0.00022 y de
escala 1.28.

Cul es el tiempo medio de falla?

Cul es la probabilidad de que un resorte funcionar por 500
horas?

Cul es la probabilidad que un resorte que ha funcionado
por 200 horas funcione por otras 500 horas?
Modelo Weibull
526
Se tiene un sistema de n componentes.
Los componentes son independientes e
idnticamente distribuidos de acuerdo a una
distribucin Weibull.
Cual es la distribucin del tiempo de vida del
sistema?

Se sabe que

Entonces
} , , min{
1 n
T T T =
( )
=
> = > ) } , , (min{
1
t T T P t T P
n
Modelo Weibull
527
Distribucin Weibull
La distribucin de Weibull
es un modelo de
distribucin de vida til
muy flexible, para el caso
de 2 parmetros:
( )
1
2
2
1
1
: FALLA DE TASA
1
1
2
1 : VARIANZA
2 ln : MEDIANA
1
1 : MEDIA
) ( : PDF
1 ) ( : CDF
|
|
.
|
\
|
|
|
.
|
\
|
|
|
.
|
\
|
|
|
.
|
\
|
(
|
|
.
|
\
|
+ I
|
|
.
|
\
|
+ I
|
|
.
|
\
|
+ I =
|
|
.
|
\
|
=
=
=
|
|
q
|
q
q
| q
|
|
q
|
q
q
|
q
q q
|
|
|
|
t
e
t
t f
e t R
e t F
t
t
t
Donde h (etha) es un
parmetro de escala (la
vida caracterstica) y
beta se conoce como el
parmetro de forma
(pendiente) y G es la
funcin Gamma con
G(N)=(N-1)! para N entero
528
Distribucin Weibull
( )
1
2
2
1
1
: FALLA DE TASA
1
1
2
1 : VARIANZA
2 ln : MEDIANA
1
1 : MEDIA
) ( : PDF
1 ) ( : CDF
|
|
.
|
\
|
|
|
.
|
\
|
|
|
.
|
\
|
|
|
.
|
\
|
(
|
|
.
|
\
|
+ I
|
|
.
|
\
|
+ I
+
|
|
.
|
\
|
+ I + =
|
|
.
|
\
|
=
=
=
|
|
q
|
q
q
|
|
q
|
q
q
|
q
q
q
|
|
|
|
t
e
t
t f
e t R
e t F
t
t
t
Una forma ms general
de 3 parmetros de la
Weibull incluye un
parmetro de tiempo
de espera localizacin
desplazamiento).
Las frmulas se obtienen
reemplazando t por (t-g).
No puede ocurrir una
falla antes de g horas, el
tiempo comienza en g no
en 0.
529
Funcin de Distribucin Weibull
f t
t t
( ) exp =
|
\
|
.
|
|
\
|
.
|
(
(
|
q q q
| | 1
Funcin de Densidad de Probabilidad Weibull
0.0000
0.0010
0.0020
0.0030
0 500 1000 1500 2000 2500 3000
Tiempo
f
(
t
)
| = 0.5
q = 1000
| = 1.0
q = 1000
| = 3.4
q = 1000
Distribucin Weibull
530
Funciones de Distribucin Weibull
R t
t
( ) exp =
|
\
|
.
|
(
(
q
|
Funcin de Confiabilidad Weibull
0.000
0.200
0.400
0.600
0.800
1.000
0 500 1000 1500 2000 2500 3000
Tiempo
R
(
t
)
| = 0.5
q = 1000
| = 1.0
q = 1000
| = 3.4
q = 1000
Distribucin Weibull
531
Funciones de Distribucin Weibull
h
|
q q
|
( ) t
t
=
|
\

|
.
|

1
Funcin Tasa de Falla Weibull
0.0000
0.0020
0.0040
0.0060
0 500 1000 1500 2000 2500 3000
Tiempo
h
(
t
)
| = 3.4
q = 1000
| = 1.0
q = 1000
| = 0.5
q = 1000
Distribucin Weibull
532
Distribucin Weibull
La funcin pdf de la distribucin exponencial
modela la caracterstica de vida de los sistemas, la
Weibull modela la caracterstica de vida de los
componentes y partes
Modela fatiga y ciclos de falla de los slidos
Es el traje correcto para datos de vida
La funcin de distribucin Weibull pdf es una
distribucin de la confiabilidad de los elementos
de una muestra
Muy flexible y puede tomar diferentes formas
Distribucin Weibull
533
Distribucin Weibull
Tiene usted una Distribucin Weibull con |=2 y q=2,
Cul es la media y la varianza?
2
2
1
1
2
1 varianza
1
1
(
|
|
.
|
\
|
+ I
|
|
.
|
\
|
+ I =
|
|
.
|
\
|
+ I =
|
q
|
q
|
q m
1
2
3
Archivo
Weibull.xls
534
tiempo
Tiempo de vida til
Fallas
tempranas
Desgaste

decreciente
| < 1

constante
| = 1

creciente
| > 1
| < 1 disminuye la tasa de riesgo, implica mortalidad infantil
| = 1 tasa de riesgo constante, fallas aleatorias
1< | < 4 aumenta la tasa de riesgo, fallas por corrosin, erosin
| > 4 aumenta rpidamente la tasa de riesgo, implica fallas por desgaste y
envejecimiento
Las tres porciones de la curva
de tina de la baera tienen
diferentes ndices de falla.
Las fallas tempranas se
caracterizan por un ndice de
falla decreciente, la vida til
por un ndice de falla
constante y el desgaste se
caracteriza por un ndice de
falla creciente. La distribucin
de Weibull puede modelar
matemticamente estas tres
situaciones.

Distribucin
Weibull
| < 1 (Tasa de riesgo decreciente)

Implica mortalidad infantil

Si esto ocurre, puede existir:
-Carga, inspeccin o prueba inadecuada
-Problemas de Manufactura
-Problemas de reparacin

Si un componente sobrevive la mortalidad
infantil , la resistencia a fallar mejora con la
edad.
| = 1 (Tasa de riesgo constante)

Implica fallas aleatorias(Distribucin
Exponencial)

Una parte vieja es tan buena como una
nueva

Si esto ocurre:
-Mezcla de modos de falla
-Las fallas pueden deberse a eventos
externos, como:luminosidad o errores
humanos
-Fundido y removido antes de su
desgaste
1 < | < 4 (Tasa de Riesgo creciente)

Si esto ocurre
-La mayora de los baleros y engranes
fallan
-Corrosin o Erosin
-El reemplazo programado puede ser
efectivo en costo
| =3.44aprox. Normal, | =2Rayleigh
| > 4 (La tasa de riesgo crece rpidamente)

Implica edad avanzada y rpido desgaste

Si esto ocurre, sospeche de:
-Propiedades del material
-Materiales frgiles como la cermica
-Variabilidad pequea en manufactura o
material
La Distribucin Weibull - Interpretacin
536
Cuando | = 2.5 la Weibull se aproxima a la
distribucin Lognormal(estas distribuciones son tan
cercanas que se requieren tamaos de muestra
mayores a 50 para distinguirlas).
Cuando se modela el tiempo que se necesita para
que ocurran reacciones qumicas, se ha mostrado
que la distribucin Lognormal usualmente
proporciona un mejor ajuste que la Weibull.
Cuando | = 5 la Weibull se aproxima a una Normal
puntiaguda.
Distribucin Weibull
537
Debido a su flexibilidad,hay pocas tasas de falla
observadas que no pueden modelarse adecuadamente
mediante la Weibull. Algunos ejemplos son.
1.La resistencia a la ruptura de componentes o el
esfuerzo requerido para la fatiga de metales.
2.El tiempo de falla de componentes electrnicos.
3.El tiempo de falla para artculos que se desgastan, tales
como las llantas de un automvil.
4.Sistemas que fallan cuando falla el componente ms
dbil del sistema(la distribucin Weibull representa una
distribucin de valor extremo).
Distribucin Weibull
538
Qu pasa en una distribucin Weibull si el tiempo
tiene el valor de la vida caracterstica, t = q?
Distribucin Weibull
6321 . 0 ) ( 1 ) (
3678 . 0 exp ) (
t si
exp ) (
1
= = = =
= =
(
(
|
|
.
|
\
|
= =
=
(
(
|
|
.
|
\
|
=
q q
q
q
q
q
q
|
|
t R t F
e t R
t
t R
Al llegar al tiempo
de vida igual a la
vida caracterstica el
63.2% de los
elementos habr
fallado. Este hecho
se usa en las
grficas para
identificar el valor
de h (eta)
Este mismo resultado se obtiene para el caso
exponencial, recordando que la Weibull se puede
reducir a una exponencial cuando b = 1.
539
V.F Capacidad de procesos
540
V.F Capacidad de procesos
1. ndices de capacidad de procesos
2. ndices de desempeo de procesos

3. Capacidad a corto y a largo plazo
4. Capacidad de proceso de datos no normales

5. Capacidad de proceso para datos por atributos

6. Estudios de capacidad de procesos
7. Desempeo de procesos vs. especificaciones
541
V.F.1 ndices de capacidad del
proceso
Nigels Trucking Co.
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.
Ancho 9
El proceso debe estar en control, tener capacidad y estar centrado
543
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

6. Planear la secuencia de produccin cuando hay un efecto
interactivo de los procesos en las tolerancias
544
Anlisis de la capacidad de proceso
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.
545
_
X
xi
s
Z
LIE
Especificacin
inferior
LSE
Especificacin
superior

p = porcentaje de partes fuera de Especificaciones
546
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
547
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
548
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

549
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
550
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. o
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
Estimacin de la desviacin estndar
con el proceso normal o en control
551
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 a 1
552
Los valores de Z inferior y Z superior se calculan de acuerdo a
las frmulas siguientes:
Zi =
LIE - promedio del proceso
Desviacin Estndar - st

LSE - Promedio del proceso
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)
Zs
=
Fraccin defectiva = P(Zi) + P(Zs)
Capacidad del proceso
Zs y P(Zs) Fraccin defectiva
553
El ndice de capacidad potencial del Proceso (Cp) mide la
variacin del proceso en relacin con el rango de Especificacin.
Cp
=
Tolerancia
Variacin del proceso
=
LSE - LIE
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.
CR
=
Rango del proceso
Tolerancia
=
6 desviaciones estndar - st
LSE - LIE
ndices de Capacidad Potencial del
proceso en control Corto plazo
Otro ndice que toma en cuenta
el centrado del proceso vs
Media de Especificaciones M es:

2 2
) ( 6 M X
LIE LSE
Cpm
+
=
o
554
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
3 desviaciones Est. - st
y
Promedio del proceso - LIE
3 desviaciones Estndar - st
ndice de capacidad real del proceso
en control estadstico corto plazo
555
Clculo de la capacidad del proceso
Habilidad o capacidad potencial Cp = (LSE - LIE ) / 6 o
st

Debe ser > 1.33, si est entre 1 1.33 requiere mucho control, <1 inac.
para tener el potencial de
cumplir con especificaciones (LIE, LSE)

Habilidad o capacidad real Cpk = Menor | Z
I y
Z
S
| / 3
El Cpk debe ser > 1.33 para que el
proceso cumpla especificaciones, entre 1 y 1.33 requiere control, <1 inac.
556
Tasa de falla vs Cp
557
Tasa de capacidad
Tasa de capacidad l Cp = 6 o
st/
(LSE - LIE )

Debe ser <= 0.75 si est entre 0.75 y 1 requiere mucho control, >1 inac.

ndice Cpm basado en el ndice de Taguchi, equivale al Cp tomando en
cuenta el centrado:
T = valor objetivo

.
558
Los valores de Z inferior y Z superior se calculan de acuerdo a
las frmulas siguientes:
Zi =
LIE - promedio del proceso

LSE - Promedio del proceso
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)
Zs
=
Fraccin defectiva = P(Zi) + P(Zs)
Capacidad del proceso
Zs y P(Zs) Fraccin defectiva
559
Capacidad de proceso a partir de
Histogramas y Distribucin normal
560
Ejemplo
Se tomaron los datos siguientes:

265 205 263 307 220 268 260 234 299
197 286 274 243 231 267 281 265 214
346 317 242 258 276 300 208 187 264
280 242 260 321 228 250 299 258 267
265 254 281 294 223 260 308 235 283
200 235 246 328 296 276 264 269 235
221 176 248 263 231 334 280 265 272
265 262 271 245 301 280 274 253 287
261 248 260 274 337 250 278 254 274
278 250 265 270 298 257 210 280 269
215 318 271 293 277 290 283 258 275
251

561
Ejemplo (cont)
Agrupando los datos en celdas se tiene:

Intervalo Marca Frecuencia Frecuencia
de clase de clase Frecuencia Relativa Absoluta
170 - 189 179.5 2 0.02 0.02
190 - 209 199.5 4 0.04 0.06
210-229 219.5 7 0.07 0.13
230-249 239.5 13 0.13 0.26
250-269 259.5 32 0.32 0.58
270-289 279.5 24 0.24 0.82
290-309 299.5 11 0.11 0.93
310-329 319.5 4 0.04 0.97
330-349 339.5 3 0.03 1.00 .

562
Ejemplo (cont)
El histograma es el siguiente (se observa con forma normal):
0
5
10
15
20
25
30
35
170-
189
210-
229
250-
269
290-
309
330-
349
Frec.
563
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 o = 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

564
Ejercicio
Calcular la capacidad del proceso con la distribucin de frecuencias
siguiente considerando LIE = 530 y LSE = 580:

Intervalo Frecuencia Frecuencia
de clase Marca de clase Frecuencia Relativa Absoluta .

531 - 535 533 6
536 - 540 538 8
541 - 545 543 12
546 - 550 548 13
551 - 555 553 20
556 - 560 558 19
561 - 565 563 13
566 - 570 568 11
571 - 575 573 8

565
Ejemplo de capacidad de proceso
13.6 12.8 12.0 11.2 10.4 9.6
LSL USL
Process Data
SampleN 50
StDev (Within) 0.85577
StDev (Ov erall) 0.80259
LSL 9.00000
Target *
USL 14.00000
Sample Mean 11.74400
Potential (Within) Capability
CCpk 0.97
Ov erall Capability
Pp 1.04
PPL 1.14
PPU 0.94
Ppk
Cp
0.94
Cpm *
0.97
CPL 1.07
CPU 0.88
Cpk 0.88
Observ ed Performance
PPM<LSL 0.00
PPM>USL 0.00
PPMTotal 0.00
Exp. Within Performance
PPM<LSL 671.85
PPM>USL 4191.66
PPMTotal 4863.51
Exp. Ov erall Performance
PPM<LSL 314.35
PPM>USL 2470.24
PPMTotal 2784.59
Within
Overall
Process Capability of Viscosidad
566
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
567
Capacidad a partir
de cartas de control
568
EN CASOS ESPECIALES COMO ESTOS
DONDE LAS VARIACIONES PRESENTES SON
TOTALMENTE INESPERADAS
TENEMOSUN PROCESO INESTABLE o IMPREDECIBLE.

?
? ?
? ?
? ?

569
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

570
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.
571
Proceso en Control Estadstico

La distribucin de la mayora de las caractersticas medidas forman una curva en
forma de campana o normal, si no hay causas especiales presentes, que alteren
la normalidad . cuales son las causas comunes?|
Distribucin
del Proceso
Area entre 0 y 1s
-Probabilidad de Ocurrencia
_
x= media
s= sigma; es la
desviacin
estndar;
medida
de la variacin
del proceso.
14 % 14 %
2%
2%
-3s -2s -1s x +1s +2s 3s
99.73%
34% 34%
x
572
Ejemplo de carta de control X-R
Sample
S
a
m
p
l
e

M
e
a
n
18 16 14 12 10 8 6 4 2
90
80
70
60
_
_
X=72.69
UCL=86.84
LC L=58.53
Sample
S
a
m
p
l
e

R
a
n
g
e
18 16 14 12 10 8 6 4 2
48
36
24
12
0
_
R=24.54
UCL=51.89
LC L=0
Xbar-R Chart of Pulse1
573
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

2
d
R
R
= o
574
Desviacin Estndar del proceso
Donde,
o = Desviacin estndar de la poblacin
d
2
= Factor que depende del tamao del subgrupo en la carta de control X -
R
C
4
= Idem al anterior para una carta X - S

NOTA: En una carta por individuales, d2 se toma para n = 2 y Rango
Medio= Suma rangos / (n -1)
o = R o o = S

d
2
c
4
575
Capacidad de proceso
Cuando las causas comunes son la nica variacin:
C
p
El ndice de capacidad potencial del proceso compara
la amplitud del proceso con la amplitud especificada.

Cp = (LSE - LIE) / 6 o
Cpk
El ndice de capacidad real del proceso compara la media
real con el lmite de especificaciones ms cercano (LE) a esta.

Cpk = LE Xmedia Cpk = menor |Z
1
; Z
2
| / 3
3 o
576
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 o = Rmedio / d2 =77.3 / 2.326 =
33.23
[ 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 proceso no
cumple con las especificaciones

577
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 o = Smedio / C
4
= 1.05 / 0.94 =
1.117
[ C
4
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
El Cp = (105 - 85) / 6 (1.117 ) = 2.984
por tanto el proceso es capaz de cumplir con especificaciones

578
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

579
V.F.2 ndices de desempeo del
proceso
580
Se toman todos los datos del proceso histricos, no importa que
el proceso no est en control o no sea normal.
Desv. Est. o
lt
(Overall)
=
Estimacin de la desviacin estndar
con el proceso a largo plazo

4 4
1
2
) (
3 4
) 1 ( 4
1
) (
C
datos Desvest
C
S
n
n
n
X Xi
n
i
lt
= =
=
o
581
El ndice de desempeo potencial del Proceso (Pp) mide la
variacin del proceso en relacin con el rango de Especificacin.
Pp
=
Tolerancia
Variacin del proceso
=
LSE - LIE
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
ndices de desempeo Potencial
del proceso Largo plazo
582
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
3 desviaciones est. - lt
y
Promedio del proceso - LIE
3 desviaciones Estndar - lt
ndice de desempeo real del
proceso largo plazo
583
Clculo del desempeo del
proceso a lago plazo
ndice de desempeo potencial Pp = (LSE - LIE ) / 6 o
lt

Debe ser > 1 de preferencia >1.33

ndice de desempeo real Ppk = Menor | Z
I y
Z
S
| / 3
El Ppk debe ser > 1 para que el
proceso cumpla especificaciones
de preferencia > 1.33
584
IIIF.5 Capacidad a corto
y a largo plazo
585
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
586
Carta de corridas cortas
Se puede utilizar una carta X-R modificada para
corridas cortas, con base en subgrupos de 3 a 10
piezas.

Inicialmente se utilizan A2 y D4 para calcular los
lmites de control que se modifican al tomar ms
puntos

El Cpk calcualdo de esta forma se considera
preliminar
587
V.F.4 Anlisis de la Capacidad de
procesos no normales
588
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:

0 ;
1
) (
2
=
x
x
0 ; ) ln( ) ( = = x
589
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:

= =
+
(
=
n
i
i
n
i
i
x
n
x x n
x f
1 1
2
) ln( ) 1 (
)) ( ) ( (
ln
2
) (

=
=
n
i
i
x
n
x
1
) (
1
) (
590
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

591
usando la distribucin de Weibull
Con archivo de Minitab TILES.MTW
7.5 6.0 4.5 3.0 1.5 0.0
LSL USL
Process Data
SampleN 100
Shape 1.69368
Scale 3.27812
LSL 0.00000
Target *
USL 8.00000
Sample Mean 2.92307
Ov erall Capability
Pp 0.81
PPL 1.03
PPU 0.73
Ppk 0.73
PPM<LSL 0
PPM>USL 20000
PPMTotal 20000
PPM<LSL 0.0
PPM>USL 10764.5
PPMTotal 10764.5
Process Capability of Warping
Calculations Based on Weibull Distribution Model
592
transformando datos con Box - Cox
Con archivo de Minitab TILES.MTW, lamda = 0.5
Lambda
S
t
D
e
v
5 4 3 2 1 0 -1 -2
20
15
10
5
0
LowerCL UpperCL
Limit
Lambda
0.500000
(using 95.0% confidence)
Estimate 0.345504
LowerCL 0.052120
UpperCL 0.642093
Best Value
Box-Cox Plot of Warping
593
transformando datos con Box - Cox
Con la raz cuadrada de los datos y de los lmites de
especificaciones se tiene:
2.8 2.4 2.0 1.6 1.2 0.8 0.4 0.0
LSL USL
Process Data
SampleN 100
StDev (Within) 0.51337
StDev (Ov erall) 0.53934
LSL 0.00000
Target *
USL 2.82843
Sample Mean 1.62374
Potential (Within) Capability
CCpk 0.92
Ov erall Capability
Pp 0.87
PPL 1.00
PPU 0.74
Ppk
Cp
0.74
Cpm *
0.92
CPL 1.05
CPU 0.78
Cpk 0.78
PPM<LSL 0.00
PPM>USL 20000.00
PPMTotal 20000.00
Exp. Within Performance
PPM<LSL 781.08
PPM>USL 9472.66
PPMTotal 10253.74
PPM<LSL 1303.73
PPM>USL 12754.26
PPMTotal 14057.99
Within
Overall
Process Capability of Transf
594
Capacidad de procesos por Pearson
Independientemente de si los datos siguen una distribucin
normal o no, se pueden calcular los ndices de capacidad y
habilidad de proceso determinando los valores de los
Percentiles o lmites de control equivalentes a un rea bajo
la curva de 0.135% de cada lado de la misma.

Este mtodo ha sido propuesto por Clements (1989) con base
en las curvas de Karl Pearson (1893), para ello, es necesario
caracterizar la curva de distribucin de acuerdo a su posicin
(Media), dispersin (Desviacin Estndar) y forma (Grado de
asimetra mediante el Sesgo y grado de achatamiento o
Kurtosis).

595
Procedimiento :
Identificar los lmites de especificacin de la variable
de inters (LSE, LIE)
Calcular la Media (y).
Calcular la Desviacin estndar (s s)
Calcular el coeficiente de sesgo (a3)

596
Clculo del sesgo:
Donde : momento 3 = m
3
= (E(y
i
y)
3
)/n
a
3
=

n .
(n-1)(n-2)
E
i=1
n
(
)
y
i
y
s

3
O bien :
a
3
> 0 a
3
< 0 a
3
= 0
597
Calcular el coeficiente de curtosis (a
4
-3)
a
4
= m
4
/ o
4
Donde : momento 4 = m
4
= (E(y
i
y)
4
)/n
a
4
-3 =
n (n+1) .
(n-1)(n-2)(n-3)
E
i=1
n
(
)
y
i
y
s

4
{
}
3 (n-1)
2
.
(n-2)(n-3)
-

O bien :
Curva Leptocrtica : a
4
> 3
Curva Mesocrtica : a
4
= 3
Curva Platicrtica : a
4
< 3
598
Con Minitab
Stat > Basic Statistics > Display descriptive statistics
>> Graphs... >> Graphical Summary

1.00 0.85 0.70 0.55 0.40
95% Confidence Interval for Mu
0.58 0.53 0.48
95% Confidence Interval for Median
Variable: Dist.1
0.47619
0.12829
0.51402
Maximum
3rd Quartile
Median
1st Quartile
Minimum
N
Kurtosis
Skewness
Variance
StDev
Mean
P-Value:
A-Squared:
0.52875
0.17075
0.57338
1.11111
0.58824
0.51316
0.45455
0.34483
96
2.48515
1.44751
2.15E-02
0.146490
0.543699
0.000
3.073
95% Confidence Interval for Median
95% Confidence Interval for Sigma
95% Confidence Interval for Mu
Anderson-Darling Normality Test
Descriptive Statistics
599
Con Minitab
De la tabla 2 de las curvas de Pearson obtenga
la Mediana estandarizada (M) :
Para coeficiente de sesgo positivo cambie el signo a M.
Para coeficiente de sesgo negativo deje el signo de M.
Calcular el percentil 0.135 estimado (P
I
) :
P
I
= y s * P
I

Calcular percentil 99.865 estimado (P
S
) :
P
S
= y + s * P
S

Calcular la Mediana estimada (M) :
M = y + s * M
600
Con Minitab
Calcular el ndice de capacidad potencial de proceso (Pp).
LSE - LIE
P
S
- P
I

Pp =
Calcular el ndice de habilidad del proceso (Ppk)
Ppk = min {Ppi, Pps}
M - LIE
M - P
I

Ppi =
LSE M
P
S
- M
Pps =
Tabla 1a de Pearson
Curtosis Sesgo Curtosis
0.0 0.1 0.2 0.3 0.4 0.5 0.6 0.7 0.8 0.9 1.0 1.1 1.2 1.3 1.4 1.5 1.6 1.7 1.8 1.9 2.0
-1.4 1.512 1.421 1.317 1.206 1.092 0.979 0.868 0.762 -1.4
-1.2 1.727 1.619 1.496 1.364 1.230 1.100 0.975 0.858 0.747 -1.2
-1.0 1.966 1.840 1.696 1.541 1.384 1.232 1.089 0.957 0.836 -1.0
-0.8 2.210 2.072 1.912 1.736 1.555 1.377 1.212 1.062 0.927 0.804 0.692 -0.8
-0.6 2.442 2.298 2.129 1.941 1.740 1.539 1.348 1.175 1.023 0.887 0.766 0.656 -0.6
-0.4 2.653 2.506 2.335 2.141 1.930 1.711 1.496 1.299 1.125 0.974 0.841 0.723 0.616 -0.4
-0.2 2.839 2.692 2.522 2.329 2.116 1.887 1.655 1.434 1.235 1.065 0.919 0.791 0.677 0.574 -0.2
0.0 3.000 2.856 2.689 2.500 2.289 2.059 1.817 1.578 1.356 1.163 1.000 0.861 0.739 0.630 0.531 0.0
0.2 3.140 2.986 2.834 2.653 2.447 2.220 1.976 1.726 1.485 1.269 1.086 0.933 0.801 0.686 0.583 0.2
0.4 3.261 3.088 2.952 2.785 2.589 2.368 2.127 1.873 1.619 1.382 1.178 1.008 0.865 0.742 0.634 0.536 0.4
0.6 3.366 3.164 3.045 2.896 2.714 2.502 2.267 2.015 1.754 1.502 1.277 1.087 0.931 0.799 0.685 0.583 0.469 0.6
0.8 3.458 3.222 3.118 2.986 2.821 2.622 2.396 2.148 1.887 1.625 1.381 1.172 1.000 0.857 0.736 0.629 0.533 0.8
1.0 3.539 3.266 3.174 3.058 2.910 2.727 2.512 2.271 2.013 1.748 1.491 1.262 1.072 0.917 0.787 0.675 0.575 0.484 1.0
1.2 3.611 3.300 3.218 3.115 2.983 2.817 2.616 2.385 2.132 1.876 1.602 1.357 1.149 0.979 0.840 0.721 0.617 0.510 1.2
1.4 3.674 3.327 3.254 3.161 3.043 2.893 2.708 2.488 2.243 1.981 1.713 1.456 1.230 1.045 0.894 0.768 0.659 0.562 0.475 1.4
1.6 3.731 3.349 3.282 3.199 3.092 2.957 2..787 2.581 2.345 2.089 1.821 1.556 1.316 1.113 0.950 0.815 0.701 0.600 0.510 1.6
1.8 3.782 3.367 3.306 3.229 3.133 3.011 2.855 2.664 2.438 2.189 1.925 1.664 1.404 1.185 1.008 0.863 0.743 0.638 0.546 0.461 1.8
2.0 3.828 3.382 3.325 3.255 3.167 3.055 2.914 2.736 2.524 2.283 2.023 1.755 1.494 1.261 1.068 0.913 0.785 0.676 0.580 0.494 2.0
2.2 3.870 3.395 3.342 3.277 3.196 3.093 2.964 2.800 2.600 2.369 2.116 1.850 1.584 1.339 1.132 0.964 0.828 0.714 0.615 0.526 0.445 2.2
2.4 3.908 3.405 3.356 3.295 3.220 3.126 3.006 2.855 2.669 2.448 2.202 1.940 1.673 1.420 1.198 1.018 0.873 0.752 0.649 0.557 0.475 2.4
2.6 3.943 3.415 3.367 3.311 3.241 3.153 3.043 2.904 2.730 2.521 2.283 2.026 1.760 1.501 1.267 1.073 0.918 0.791 0.683 0.589 0.504 2.6
2.8 3.975 3.423 3.378 3.324 3.259 3.177 3.075 2.946 2.784 2.586 2.358 2.107 1.844 1.581 1.338 1.131 0.965 0.830 0.717 0.620 0.533 2.8
3.0 4.004 3.430 3.387 3.326 3.274 3.198 3.103 2.983 2.831 2.646 2.427 2.183 1.924 1.661 1.410 1.191 1.013 0.870 0.752 0.651 0.562 3.0
3.2 4.031 3.436 3.395 3.346 3.288 3.216 3.127 3.015 2.874 2.699 2.491 2.254 2.000 1.738 1.483 1.253 1.063 0.911 0.787 0.681 0.590 3.2
3.4 4.056 3.441 3.402 3.356 3.300 3.233 3.149 3.043 2.911 2.747 2.549 2.321 2.072 1.813 1.555 1.317 1.115 0.953 0.822 0.712 0.618 3.4
3.6 4.079 3.446 3.408 3.364 3.311 3.247 3.168 3.069 2.945 2.790 2.602 2.383 2.140 1.884 1.626 1.381 1.169 0.996 0.858 0.744 0.646 3.6
3.8 4.101 3.450 3.414 3.371 3.321 3.259 3.184 3.091 2.974 2.829 2.651 2.440 2.205 1.953 1.695 1.446 1.224 1.041 0.895 0.775 0.674 3.8
4.0 4.121 3.454 3.419 3.378 3.329 3.271 3.200 3.111 3.001 2.864 2.695 2.494 2.265 2.018 1.762 1.510 1.281 1.088 0.932 0.807 0.702 4.0
4.2 4.140 3.458 3.423 3.384 3.337 3.281 3.213 3.129 3.025 2.895 2.735 2.543 2.321 2.080 1.827 1.574 1.338 1.135 0.971 0.839 0.730 4.2
4.4 4.157 3.461 3.428 3.389 3.344 3.290 3.225 3.145 3.047 2.923 2.771 2.588 2.374 2.138 1.889 1.636 1.396 1.184 1.011 0.872 0.758 4.4
4.6 4.174 3.464 3.431 3.394 3.350 3.299 3.236 3.160 3.066 2.949 2.805 2.629 2.424 2.194 1.948 1.697 1.453 1.234 1.052 0.905 0.786 4.6
4.8 4.189 3.466 3.435 3.399 3.356 3.306 3.246 3.173 3.084 2.972 2.835 2.668 2.470 2.246 2.005 1.756 1.510 1.285 1.094 0.939 0.815 4.8
5.0 4.204 3.469 3.438 3.403 3.362 3.313 3.256 3.186 3.100 2.994 2.863 2.703 2.513 2.296 2.059 1.813 1.566 1.336 1.137 0.975 0.844 5.0
5.2 4.218 3.471 3.441 3.406 3.367 3.320 3.264 3.197 3.114 3.013 2.888 2.735 2.562 2.342 2.111 1.867 1.621 1.387 1.181 1.010 0.874 5.2
5.4 4.231 3.473 3.444 3.410 3.371 3.326 3.272 3.207 3.128 3.031 2.911 2.765 2.589 2.386 2.160 1.920 1.675 1.438 1.225 1.047 0.904 5.4
5.6 4.243 3.475 3.446 3.413 3.375 3.331 3.279 3.216 3.140 3.047 2.933 2.793 2.624 2.427 2.206 1.970 1.727 1.489 1.270 1.085 0.935 5.6
5.8 4.255 3.477 3.448 3.416 3.379 3.336 3.286 3.225 3.152 3.062 2.952 2.818 2.656 2.465 2.250 2.019 1.778 1.539 1.316 1.123 0.966 5.8
6.0 4.266 3.478 3.451 3.419 3.383 3.341 3.292 3.233 3.162 3.076 2.970 2.841 2.685 2.501 2.292 2.065 1.827 1.588 1.361 1.162 0.999 6.0
6.2 4.276 3.480 3.453 3.422 3.386 3.345 3.297 3.240 3.172 3.089 2.987 2.863 2.713 2.535 2.332 2.109 1.874 1.635 1.407 1.202 1.031 6.2
6.4 4.286 3.481 3.454 3.424 3.389 3.349 3.303 3.247 3.181 3.100 3.003 2.883 2.739 2.567 2.369 2.151 1.919 1.682 1.452 1.242 1.065 6.4
6.6 4.296 3.483 3.456 3.426 3.392 3.353 3.308 3.254 3.189 3.111 3.017 2.902 2.763 2.597 2.405 2.191 1.962 1.727 1.496 1.282 1.099 6.6
6.8 4.305 3.484 3.458 3.429 3.395 3.357 3.312 3.260 3.197 3.122 3.030 2.919 2.785 2.624 2.438 2.229 2.004 1.771 1.540 1.323 1.134 6.8
7.0 4.313 3.485 3.459 3.431 3.398 3.360 3.316 3.265 3.204 3.131 3.043 2.936 2.806 2.651 2.469 2.265 2.044 1.814 1.583 1.363 1.169 7.0
7.2 4.322 3.486 3.461 3.432 3.400 3.363 3.321 3.270 3.211 3.140 3.054 2.951 2.825 2.675 2.499 2.300 2.083 1.855 1.625 1.403 1.204 7.2
7.4 4.330 3.487 3.462 3.434 3.403 3.366 3.324 3.275 3.218 3.148 3.065 2.965 2.843 2.698 2.527 2.333 2.120 1.895 1.666 1.443 1.240 7.4
7.6 4.337 3.488 3.464 3.436 3.405 3.369 3.328 3.280 3.224 3.156 3.075 2.978 2.860 2.720 2.554 2.364 2.155 1.933 1.706 1.482 1.276 7.6
7.8 4.344 3.489 3.465 3.437 3.407 3.372 3.331 3.284 3.229 3.164 3.085 2.990 2.876 2.740 2.579 2.394 2.189 1.970 1.744 1.521 1.311 7.8
8.0 4.351 3.490 3.466 3.439 3.409 3.374 3.335 3.289 3.235 3.171 3.094 3.002 2.891 2.759 2.603 2.422 2.221 2.005 1.782 1.559 1.347 8.0
8.2 4.358 3.491 3.467 3.440 3.411 3.377 3.338 3.292 3.240 3.177 3.103 3.013 2.906 2.777 2.625 2.449 2.252 2.040 1.818 1.596 1.382 8.2
8.4 4.365 3.492 3.468 3.442 3.412 3.379 3.340 3.296 3.244 3.183 3.111 3.023 2.919 2.794 2.646 2.475 2.282 2.073 1.854 1.632 1.418 8.4
8.6 4.371 3.492 3.469 3.443 3.414 3.381 3.343 3.300 3.249 3.189 3.118 3.033 2.932 2.810 2.666 2.499 2.310 2.104 1.888 1.667 1.452 8.6
8.8 4.377 3.493 3.470 3.444 3.416 3.383 3.346 3.303 3.253 3.195 3.125 3.042 2.943 2.825 2.685 2.522 2.337 2.135 1.921 1.702 1.486 8.8
9.0 4.382 3.494 3.471 3.445 3.417 3.385 3.348 3.306 3.257 3.200 3.132 3.051 2.955 2.839 2.703 2.544 2.363 2.164 1.953 1.736 1.520 9.0
9.2 4.388 3.495 3.472 3.447 3.418 3.387 3.351 3.309 3.261 3.205 3.138 3.059 2.965 2.853 2.720 2.565 2.388 2.192 1.984 1.768 1.553 9.2
9.4 4.393 3.495 3.473 3.448 3.420 3.388 3.353 3.312 3.265 3.209 3.144 3.067 2.975 2.866 2.736 2.585 2.411 2.219 2.014 1.800 1.586 9.4
9.6 4.398 3.496 3.473 3.449 3.421 3.390 3.355 3.315 3.268 3.214 3.150 3.075 2.985 2.878 2.752 2.604 2.434 2.245 2.042 1.831 1.617 9.6
9.8 4.403 3.496 3.474 3.450 3.422 3.392 3.357 3.317 3.272 3.218 3.156 3.082 2.994 2.890 2.766 2.622 2.456 2.271 2.070 1.861 1.648 9.8
10.0 4.408 3.497 3.475 3.451 3.424 3.393 3.359 3.320 3.275 3.222 3.161 3.088 3.003 2.901 2.780 2.639 2.476 2.295 2.097 1.890 1.679 10.0
10.2 3.425 3.395 3.361 3.322 3.278 3.226 3.166 3.095 3.011 2.911 2.793 2.655 2.496 2.318 2.123 1.918 1.708 10.2
10.4 3.396 3.363 3.325 3.281 3.230 3.171 3.101 3.019 2.921 2.806 2.671 2.515 2.340 2.148 1.945 1.737 10.4
10.6 3.364 3.327 3.283 3.233 3.175 3.107 3.026 2.930 2.818 2.686 2.533 2.361 2.172 1.972 1.765 10.6
10.8 3.329 3.286 3.237 3.179 3.112 3.033 2.940 2.829 2.700 2.551 2.382 2.196 1.998 1.793 10.8
11.0 3.289 3.240 3.184 3.118 3.040 2.948 2.840 2.714 2.567 2.401 2.218 2.023 1.819 11.0
11.2 3.243 3.188 3.123 3.046 2.956 2.851 2.727 2.583 2.420 2.240 2.047 1.845 11.2
11.4 3.191 3.128 3.053 2.964 2.861 2.739 2.598 2.438 2.261 2.070 1.870 11.4
11.6 3.195 3.132 3.058 2.972 2.870 2.751 2.613 2.456 2.281 2.093 1.895 11.6
11.8 3.137 3.064 2.979 2.879 2.762 2.627 2.473 2.301 2.115 1.919 11.8
12.0 3.141 3.070 2.986 2.888 2.773 2.641 2.489 2.320 2.136 1.942 12.0
12.2 3.075 2.993 2.896 2.784 2.653 2.505 2.338 2.157 1.965 12.2
Sesgo 0.0 0.1 0.2 0.3 0.4 0.5 0.6 0.7 0.8 0.9 1.0 1.1 1.2 1.3 1.4 1.5 1.6 1.7 1.8 1.9 2.0
Tabla 1b de Pearson
0.0 0.1 0.2 0.3 0.4 0.5 0.6 0.7 0.8 0.9 1.0 1.1 1.2 1.3 1.4 1.5 1.6 1.7 1.8 1.9 2.0
-1.4 1.512 1.584 1.632 1.655 1.653 1.626 1.579 1.516 -1.4
-1.2 1.727 1.813 1.871 1.899 1.895 1.861 1.803 1.726 1.636 -1.2
-1.0 1.966 2.065 2.134 2.170 2.169 2.131 2.061 1.966 1.856 -1.0
-0.8 2.210 2.320 2.400 2.446 2.454 2.422 2.349 2.241 2.108 1.965 1.822 -0.8
-0.6 2.442 2.560 2.648 2.704 2.726 2.708 2.646 2.540 2.395 2.225 2.062 1.885 -0.6
-0.4 2.653 2.774 2.869 2.934 2.969 2.968 2.926 2.837 2.699 2.518 2.314 2.114 1.928 -0.4
-0.2 2.839 2.961 3.060 3.133 3.179 3.194 3.173 3.109 2.993 2.824 2.608 2.373 2.152 1.952 -0.2
0.0 3.000 3.123 3.224 3.303 3.358 3.387 3.385 3.345 3.259 3.116 2.914 2.665 2.405 2.169 1.960 0.0
0.2 3.140 3.261 3.364 3.447 3.510 3.550 3.564 3.546 3.488 3.378 3.206 2.970 2.690 2.412 2.167 0.2
0.4 3.261 3.381 3.484 3.570 3.639 3.688 3.715 3.715 3.681 3.603 3.468 3.264 2.993 2.687 2.398 2.149 0.4
0.6 3.366 3.485 3.588 3.676 3.749 3.805 3.843 3.858 3.844 3.793 3.693 3.529 3.290 2.984 2.658 2.366 2.119 0.6
0.8 3.458 3.575 3.678 3.768 3.844 3.905 3.951 3.978 3.961 3.953 3.883 3.758 3.561 3.283 2.945 2.609 2.322 0.8
1.0 3.539 3.654 3.757 3.847 3.926 3.991 4.044 4.080 4.096 4.087 4.043 3.952 3.797 3.561 3.243 2.881 2.547 2.269 1.0
1.2 3.611 3.724 3.826 3.917 3.997 4.066 4.124 4.167 4.194 4.208 4.177 4.115 3.998 3.808 3.529 3.172 2.798 2.476 1.2
1.4 3.674 3.786 3.887 3.978 4.060 4.131 4.193 4.243 4.278 4.296 4.290 4.252 4.168 4.020 3.789 3.463 3.075 2.705 2.399 1.4
1.6 3.731 3.842 3.942 4.033 4.115 4.189 4.253 4.308 4.351 4.378 4.386 4.367 4.311 4.200 4.015 3.736 3.364 2.961 2.609 1.6
1.8 3.782 3.891 3.990 4.081 4.164 4.239 4.307 4.365 4.414 4.449 4.468 4.472 4.431 4.352 4.209 3.979 3.646 3.238 2.840 2.511 1.8
2.0 3.828 3.936 4.034 4.125 4.208 4.285 4.354 4.416 4.468 4.511 4.539 4.549 4.532 4.479 4.372 4.189 3.907 3.522 3.095 2.719 2.0
2.2 3.870 3.976 4.073 4.164 4.248 4.325 4.396 4.460 4.517 4.564 4.600 4.620 4.619 4.587 4.510 4.369 4.137 3.796 3.370 2.949 2.603 2.2
2.4 4.908 4.013 4.109 4.199 4.283 4.361 4.433 4.500 4.559 4.611 4.653 4.682 4.693 4.678 4.627 4.521 4.336 4.047 3.648 3.201 2.808 2.4
2.6 3.943 4.046 4.142 4.231 4.315 4.394 4.467 4.535 4.597 4.653 4.700 4.736 4.757 4.756 4.725 4.649 4.506 4.269 3.916 3.471 3.033 2.6
2.8 3.975 4.077 4.172 4.261 4.344 4.423 4.498 4.567 4.631 4.690 4.741 4.783 4.812 4.824 4.809 4.758 4.650 4.460 4.160 3.745 3.280 2.8
3.0 4.004 4.105 4.199 4.287 4.371 4.450 4.525 4.596 4.662 4.723 4.777 4.824 4.860 4.882 4.881 4.850 4.771 4.623 4.376 4.007 3.544 3.0
3.2 4.031 4.131 4.224 4.312 4.396 4.475 4.550 4.622 4.689 4.752 4.810 4.861 4.903 4.932 4.944 4.929 4.875 4.762 4.563 4.347 3.813 3.2
3.4 4.056 4.155 4.247 4.335 4.418 4.498 4.573 4.645 4.714 4.779 4.839 4.893 4.940 4.976 4.997 4.996 4.963 4.880 4.723 4.461 4.072 3.4
3.6 4.079 4.177 4.269 4.356 4.439 4.518 4.594 4.667 4.737 4.803 4.865 4.922 4.973 5.015 5.044 5.055 5.038 4.980 4.859 4.647 4.311 3.6
3.8 4.101 4.197 4.288 4.375 4.458 4.537 4.614 4.687 4.757 4.825 4.888 4.948 5.002 5.049 5.085 5.106 5.103 5.066 4.976 4.806 4.524 3.8
4.0 4.121 4.217 4.307 4.393 4.476 4.555 4.631 4.705 4.776 4.845 4.910 4.972 5.029 5.080 5.122 5.150 5.159 5.139 5.075 4.943 4.712 4.0
4.2 4.140 4.234 4.324 4.410 4.492 4.571 4.648 4.722 4.794 4.863 4.929 4.993 5.052 5.107 5.153 5.189 5.208 5.202 5.159 5.059 4.873 4.2
4.4 4.157 4.251 4.340 4.425 4.508 4.587 4.663 4.737 4.809 4.879 4.947 5.012 5.074 5.131 5.181 5.223 5.250 5.257 5.232 5.159 5.012 4.4
4.6 4.174 4.267 4.355 4.400 4.522 4.601 4.677 4.752 4.824 4.895 4.963 5.029 5.093 5.152 5.207 5.253 5.288 5.305 5.295 5.244 5.131 4.6
4.8 4.189 4.281 4.369 4.454 4.535 4.614 4.691 4.765 4.838 4.909 4.978 5.045 5.110 5.172 5.229 5.280 5.321 5.346 5.349 5.318 5.233 4.8
5.0 4.204 4.295 4.383 4.467 4.548 4.627 4.703 4.778 4.851 4.922 4.992 5.060 5.126 5.190 5.249 5.303 5.350 5.383 5.396 5.381 5.320 5.0
5.2 4.218 4.308 4.395 4.479 4.560 4.638 4.715 4.789 4.862 4.934 5.004 5.073 5.141 5.206 5.267 5.325 5.376 5.415 5.437 5.436 5.395 5.2
5.4 4.231 4.321 4.407 4.090 4.571 4.649 4.725 4.800 4.873 4.945 5.016 5.086 5.154 5.220 5.284 5.344 5.399 5.443 5.474 5.483 5.460 5.4
5.6 4.243 4.332 4.418 4.501 4.581 4.659 4.736 4.810 4.884 4.956 5.027 5.097 5.166 5.233 5.299 5.361 5.418 5.468 5.505 5.525 5.516 5.6
5.8 4.255 4.343 4.429 4.511 4.591 4.669 4.745 4.820 4.893 4.966 5.037 5.108 5.177 5.246 5.312 5.376 5.436 5.491 5.533 5.571 5.565 5.8
6.0 4.266 4.354 4.439 4.521 4.600 4.678 4.754 4.829 4.902 4.975 5.046 5.117 5.188 5.257 5.325 5.390 5.452 5.511 5.558 5.593 5.608 6.0
6.2 4.276 4.364 4.448 4.530 4.609 4.695 4.763 4.837 4.911 4.983 5.055 5.126 5.197 5.267 5.336 5.403 5.467 5.529 5.581 5.621 5.645 6.2
6.4 4.286 4.373 4.457 4.538 4.618 4.703 4.771 4.845 4.919 4.991 5.063 5.135 5.206 5.276 5.346 5.440 5.480 5.542 5.600 5.646 5.678 6.4
6.6 4.296 4.382 4.466 4.547 4.626 4.710 4.778 4.853 4.926 4.999 5.071 5.143 5.214 5.285 5.356 5.425 5.492 5.557 5.618 5.669 5.706 6.6
6.8 4.305 4.391 4.474 4.554 4.633 4.717 4.785 4.860 4.933 5.006 5.078 5.150 5.222 5.293 5.364 5.434 5.503 5.569 5.634 5.688 5.732 6.8
7.0 4.313 4.399 4.481 4.562 4.640 4.724 4.792 4.867 4.940 5.013 5.085 5.157 5.229 5.301 5.372 5.443 5.513 5.581 5.648 5.706 5.754 7.0
7.2 4.322 4.406 4.489 4.569 4.647 4.730 4.799 4.873 4.946 5.019 5.091 5.164 5.236 5.308 5.380 5.451 5.522 5.591 5.658 5.722 5.775 7.2
7.4 4.330 4.414 4.496 4.576 4.654 4.736 4.805 4.879 4.952 5.025 5.097 5.170 5.242 5.314 5.387 5.459 5.530 5.601 5.669 5.736 5.792 7.4
7.6 4.337 4.421 4.503 4.582 4.660 4.742 4.811 4.885 4.958 5.031 5.103 5.175 5.248 5.320 5.393 5.466 5.538 5.609 5.679 5.749 5.808 7.6
7.8 4.344 4.428 4.509 4.588 4.666 4.747 4.817 4.890 4.963 5.036 5.109 5.181 5.253 5.326 5.399 5.472 5.545 5.617 5.688 5.760 5.823 7.8
8.0 4.351 4.434 4.515 4.594 4.672 4.753 4.822 4.896 4.969 5.041 5.114 5.186 5.259 5.331 5.404 5.478 5.551 5.624 5.696 5.771 5.836 8.0
8.2 4.358 4.441 4.521 4.600 4.677 4.758 4.827 4.901 4.974 5.046 5.118 5.191 5.263 5.336 5.410 5.483 5.557 5.631 5.704 5.775 5.847 8.2
8.4 4.365 4.447 4.527 4.605 4.682 4.762 4.832 4.905 4.978 5.051 5.123 5.195 5.268 5.341 5.414 5.488 5.562 5.637 5.710 5.783 5.858 8.4
8.6 4.371 4.452 4.532 4.611 4.687 4.767 4.837 4.910 4.983 5.055 5.127 5.200 5.272 5.345 5.419 5.493 5.567 5.642 5.717 5.790 5.867 8.6
8.8 4.377 4.458 4.538 4.616 4.692 4.772 4.841 4.914 4.987 5.059 5.132 5.204 5.276 5.349 5.423 5.497 5.572 5.647 5.722 5.797 5.875 8.8
9.0 4.382 4.463 4.543 4.621 4.697 4.776 4.845 4.918 4.991 5.063 5.135 5.208 5.280 5.353 5.427 5.501 5.576 5.652 5.727 5.803 5.883 9.0
9.2 4.388 4.468 4.548 4.625 4.701 4.780 4.850 4.923 4.995 5.067 5.139 5.211 5.284 5.357 5.431 5.505 5.580 5.656 5.732 5.808 5.883 9.2
9.4 4.393 4.473 4.552 4.630 4.705 4.784 4.854 4.926 4.999 5.071 5.143 5.215 5.287 5.361 5.434 5.509 5.584 5.660 5.736 5.813 5.889 9.4
9.6 4.398 4.478 4.557 4.634 4.710 4.788 4.857 4.930 5.002 5.074 5.146 5.218 5.291 5.364 5.437 5.512 5.587 5.663 5.740 5.817 5.894 9.6
9.8 4.403 4.483 4.561 4.638 4.714 4.791 4.861 4.934 5.006 5.078 5.149 5.222 5.294 5.367 5.440 5.515 5.590 5.667 5.744 5.821 5.898 9.8
10.0 4.408 4.487 4.565 4.642 4.717 4.795 4.865 4.937 5.009 5.081 5.156 5.225 5.297 5.370 5.443 5.518 5.593 5.670 5.747 5.825 5.903 10.0
10.2 4.721 4.798 4.868 4.940 5.012 5.084 5.156 5.228 5.300 5.373 5.446 5.521 5.596 5.673 5.750 5.828 5.906 10.2
10.4 4.871 4.943 5.015 5.087 5.158 5.230 5.303 5.375 5.449 5.523 5.599 5.675 5.753 5.831 5.910 10.4
10.6 4.874 4.947 5.018 5.090 5.161 5.233 5.305 5.378 5.451 5.526 5.601 5.678 5.755 5.834 5.913 10.6
10.8 4.949 5.021 5.092 5.164 5.236 5.308 5.300 5.454 5.528 5.603 5.680 5.757 5.836 5.915 10.8
11.0 5.024 5.095 5.166 5.238 5.310 5.383 5.456 5.530 5.605 5.682 5.760 5.838 5.918 11.0
11.2 5.098 5.169 5.240 5.312 5.385 5.458 5.532 5.607 5.684 5.762 5.840 5.920 11.2
11.4 5.171 5.243 5.314 5.387 5.460 5.534 5.609 5.686 5.763 5.842 5.922 11.4
11.6 5.173 5.245 5.316 5.389 5.462 5.536 5.611 5.687 5.765 5.844 5.924 11.6
11.8 5.247 5.318 5.391 5.464 5.538 5.613 5.689 5.767 5.845 5.925 11.8
12.0 5.249 5.320 5.393 5.465 5.539 5.614 5.690 5.760 5.847 5.927 12.0
12.2 5.322 5.394 5.467 5.500 5.616 5.692 5.769 5.848 5.928 12.2
Sesgo 0.0 0.1 0.2 0.3 0.4 0.5 0.6 0.7 0.8 0.9 1.0 1.1 1.2 1.3 1.4 1.5 1.6 1.7 1.8 1.9 2.0
Tabla 2 de Pearson
0.0 0.1 0.2 0.3 0.4 0.5 0.6 0.7 0.8 0.9 1.0 1.1 1.2 1.3 1.4 1.5 1.6 1.7 1.8 1.9 2.0
-1.4 0.000 0.053 0.111 0.184 0.282 0.424 0.627 0.754 -1.4
-1.2 0.000 0.039 0.082 0.132 0.196 0.284 0.412 0.591 0.527 -1.2
-1.0 0.000 0.031 0.065 0.103 0.151 0.212 0.297 0.419 0.586 -1.0
-0.8 0.000 0.026 0.054 0.085 0.123 0.169 0.231 0.317 0.439 0.598 0.681 -0.8
-0.6 0.000 0.023 0.047 0.073 0.104 0.142 0.190 0.254 0.343 0.468 0.616 0.653 -0.6
-0.4 0.000 0.020 0.041 0.064 0.091 0.122 0.161 0.212 0.280 0.375 0.504 0.633 0.616 -0.4
-0.2 0.000 0.018 0.037 0.058 0.081 0.108 0.141 0.183 0.237 0.311 0.413 0.542 0.638 0.574 -0.2
0.0 0.000 0.017 0.034 0.053 0.073 0.097 0.126 0.161 0.206 0.266 0.347 0.456 0.579 0.621 0.531 0.0
0.2 0.000 0.015 0.032 0.049 0.068 0.089 0.114 0.145 0.183 0.233 0.299 0.388 0.501 0.605 0.582 0.2
0.4 0.000 0.014 0.029 0.045 0.063 0.082 0.105 0.132 0.165 0.208 0.263 0.336 0.433 0.545 0.607 0.536 0.4
0.6 0.000 0.013 0.028 0.043 0.059 0.077 0.097 0.122 0.151 0.188 0.235 0.297 0.379 0.481 0.579 0.579 0.589 0.6
0.8 0.000 0.013 0.026 0.040 0.055 0.072 0.091 0.113 0.140 0.172 0.213 0.266 0.336 0.425 0.527 0.590 0.533 0.8
1.0 0.000 0.012 0.025 0.038 0.053 0.068 0.086 0.106 0.130 0.159 0.196 0.242 0.301 0.379 0.474 0.563 0.569 0.484 1.0
1.2 0.000 0.011 0.024 0.036 0.050 0.065 0.082 0.100 0.122 0.148 0.181 0.222 0.274 0.341 0.426 0.520 0.576 0.524 1.2
1.4 0.000 0.011 0.023 0.035 0.048 0.062 0.078 0.095 0.116 0.140 0.169 0.206 0.252 0.310 0.385 0.474 0.554 0.555 0.475 1.4
1.6 0.000 0.010 0.022 0.034 0.046 0.060 0.075 0.091 0.110 0.132 0.159 0.192 0.233 0.285 0.351 0.432 0.518 0.564 0.510 1.6
1.8 0.000 0.010 0.021 0.032 0.044 0.057 0.072 0.087 0.105 0.126 0.151 0.180 0.217 0.264 0.323 0.396 0.480 0.549 0.540 0.461 1.8
2.0 0.000 0.009 0.020 0.031 0.043 0.065 0.069 0.084 0.101 0.120 0.143 0.171 0.204 0.246 0.299 0.365 0.443 0.521 0.552 0.494 2.0
2.2 0.000 0.009 0.020 0.030 0.042 0.054 0.067 0.081 0.097 0.115 0.137 0.162 0.193 0.231 0.279 0.338 0.410 0.488 0.544 0.522 0.445 2.2
2.4 0.000 0.009 0.019 0.029 0.040 0.052 0.065 0.078 0.094 0.111 0.131 0.155 0.183 0.218 0.261 0.315 0.381 0.456 0.524 0.538 0.475 2.4
2.6 0.000 0.008 0.018 0.029 0.039 0.051 0.063 0.076 0.091 0.107 0.126 0.148 0.175 0.207 0.246 0.295 0.355 0.426 0.498 0.539 0.503 2.6
2.8 0.000 0.008 0.018 0.028 0.038 0.049 0.061 0.074 0.080 0.104 0.122 0.143 0.167 0.197 0.233 0.278 0.333 0.398 0.470 0.526 0.522 2.8
3.0 0.000 0.008 0.017 0.027 0.037 0.048 0.059 0.072 0.085 0.101 0.118 0.138 0.161 0.189 0.222 0.263 0.313 0.374 0.443 0.506 0.530 3.0
3.2 0.000 0.008 0.017 0.027 0.037 0.047 0.058 0.070 0.083 0.098 0.114 0.033 0.155 0.181 0.212 0.250 0.296 0.352 0.417 0.483 0.525 3.2
3.4 0.000 0.008 0.017 0.026 0.036 0.046 0.057 0.068 0.081 0.095 0.111 0.129 0.150 0.174 0.203 0.239 0.281 0.333 0.394 0.460 0.513 3.4
3.6 0.000 0.007 0.016 0.025 0.035 0.045 0.056 0.067 0.079 0.093 0.108 0.125 0.145 0.168 0.196 0.228 0.268 0.316 0.373 0.437 0.495 3.6
3.8 0.000 0.007 0.016 0.025 0.034 0.044 0.054 0.066 0.078 0.091 0.105 0.122 0.141 0.163 0.188 0.219 0.256 0.301 0.354 0.415 0.475 3.8
4.0 0.000 0.007 0.015 0.025 0.034 0.043 0.053 0.064 0.076 0.089 0.103 0.119 0.137 0.158 0.182 0.211 0.246 0.288 0.337 0.395 0.495 4.0
4.2 0.000 0.007 0.015 0.024 0.033 0.043 0.053 0.063 0.075 0.087 0.101 0.116 0.133 0.153 0.176 0.204 0.236 0.276 0.322 0.376 0.435 4.2
4.4 0.000 0.007 0.015 0.024 0.033 0.042 0.052 0.062 0.073 0.085 0.099 0.113 0.130 0.149 0.171 0.197 0.228 0.265 0.308 0.359 0.416 4.4
4.6 0.000 0.007 0.015 0.023 0.032 0.041 0.051 0.061 0.072 0.084 0.097 0.111 0.127 0.145 0.167 0.191 0.220 0.255 0.296 0.344 0.399 4.6
4.8 0.000 0.006 0.015 0.023 0.032 0.041 0.050 0.060 0.071 0.082 0.095 0.109 0.124 0.142 0.162 0.186 0.213 0.246 0.285 0.330 0.382 4.8
5.0 0.000 0.006 0.014 0.023 0.031 0.040 0.049 0.059 0.070 0.081 0.093 0.107 0.122 0.139 0.158 0.181 0.207 0.238 0.274 0.317 0.367 5.0
5.2 0.000 0.006 0.014 0.022 0.031 0.040 0.049 0.058 0.069 0.080 0.092 0.105 0.119 0.136 0.155 0.176 0.201 0.231 0.265 0.306 0.353 5.2
5.4 0.000 0.006 0.014 0.022 0.030 0.039 0.048 0.057 0.068 0.078 0.090 0.103 0.117 0.133 0.151 0.172 0.196 0.224 0.257 0.295 0.340 5.4
5.6 0.000 0.006 0.014 0.022 0.030 0.039 0.047 0.057 0.067 0.077 0.089 0.101 0.115 0.131 0.148 0.168 0.191 0.218 0.249 0.285 0.328 5.6
5.8 0.000 0.006 0.014 0.022 0.030 0.038 0.047 0.056 0.066 0.076 0.087 0.100 0.113 0.128 0.145 0.164 0.186 0.212 0.242 0.277 0.317 5.8
6.0 0.000 0.006 0.014 0.021 0.029 0.038 0.046 0.055 0.065 0.075 0.086 0.098 0.111 0.126 0.142 0.161 0.182 0.207 0.235 0.268 0.307 6.0
6.2 0.000 0.006 0.013 0.021 0.029 0.037 0.046 0.055 0.064 0.074 0.085 0.097 0.110 0.124 0.140 0.158 0.178 0.202 0.229 0.261 0.298 6.2
6.4 0.000 0.006 0.013 0.021 0.029 0.037 0.045 0.054 0.063 0.073 0.084 0.096 0.108 0.122 0.137 0.155 0.175 0.197 0.223 0.254 0.289 6.4
6.6 0.000 0.006 0.013 0.021 0.028 0.037 0.045 0.054 0.063 0.073 0.083 0.094 0.107 0.120 0.135 0.152 0.171 0.193 0.218 0.247 0.281 6.6
6.8 0.000 0.006 0.013 0.021 0.028 0.036 0.044 0.053 0.062 0.072 0.082 0.093 0.105 0.118 0.133 0.150 0.168 0.189 0.213 0.241 0.273 6.8
7.0 0.000 0.005 0.013 0.020 0.028 0.036 0.044 0.053 0.061 0.071 0.081 0.092 0.104 0.117 0.131 0.147 0.165 0.185 0.209 0.236 0.267 7.0
7.2 0.000 0.005 0.013 0.020 0.028 0.036 0.044 0.052 0.061 0.070 0.080 0.091 0.103 0.115 0.129 0.145 0.162 0.182 0.205 0.230 0.260 7.2
7.4 0.000 0.005 0.013 0.020 0.027 0.035 0.043 0.052 0.060 0.070 0.079 0.090 0.101 0.114 0.128 0.143 0.160 0.179 0.201 0.226 0.254 7.4
7.6 0.000 0.005 0.012 0.020 0.027 0.035 0.043 0.051 0.060 0.069 0.079 0.089 0.100 0.113 0.126 0.141 0.157 0.176 0.197 0.221 0.249 7.6
7.8 0.000 0.005 0.012 0.020 0.027 0.035 0.043 0.051 0.059 0.068 0.078 0.088 0.099 0.111 0.124 0.139 0.155 0.173 0.193 0.217 0.243 7.8
8.0 0.000 0.005 0.012 0.019 0.027 0.034 0.042 0.050 0.059 0.068 0.077 0.087 0.098 0.110 0.123 0.137 0.153 0.170 0.190 0.213 0.238 8.0
8.2 0.000 0.005 0.012 0.019 0.027 0.034 0.042 0.050 0.058 0.067 0.076 0.086 0.097 0.109 0.121 0.135 0.151 0.168 0.187 0.209 0.234 8.2
8.4 0.000 0.005 0.012 0.019 0.260 0.034 0.042 0.050 0.058 0.067 0.076 0.086 0.096 0.108 0.120 0.134 0.149 0.165 0.184 0.205 0.229 8.4
8.6 0.000 0.005 0.012 0.019 0.026 0.034 0.041 0.049 0.057 0.066 0.075 0.085 0.095 0.107 0.119 0.132 0.147 0.163 0.181 0.202 0.225 8.6
8.8 0.000 0.005 0.012 0.019 0.026 0.033 0.041 0.049 0.057 0.066 0.075 0.084 0.094 0.106 0.118 0.131 0.145 0.161 0.179 0.199 0.221 8.8
9.0 0.000 0.005 0.012 0.019 0.026 0.033 0.041 0.049 0.057 0.065 0.074 0.084 0.094 0.105 0.116 0.129 0.143 0.159 0.176 0.196 0.218 9.0
9.2 0.000 0.005 0.012 0.019 0.026 0.033 0.040 0.048 0.056 0.065 0.073 0.083 0.093 0.104 0.115 0.128 0.142 0.157 0.174 0.193 0.214 9.2
9.4 0.000 0.005 0.012 0.019 0.026 0.033 0.040 0.048 0.056 0.064 0.073 0.082 0.092 0.103 0.114 0.127 0.140 0.155 0.172 0.190 0.211 9.4
9.6 0.000 0.005 0.012 0.019 0.025 0.033 0.040 0.048 0.055 0.064 0.072 0.082 0.091 0.102 0.113 0.125 0.139 0.153 0.170 0.188 0.208 9.6
9.8 0.000 0.005 0.012 0.018 0.025 0.032 0.040 0.047 0.055 0.063 0.072 0.081 0.091 0.101 0.112 0.124 0.137 0.152 0.168 0.185 0.205 9.8
10.0 0.000 0.005 0.011 0.018 0.025 0.032 0.040 0.047 0.055 0.063 0.071 0.080 0.090 0.100 0.111 0.123 0.136 0.150 0.166 0.183 0.202 10.0
10.2 0.000 0.032 0.039 0.047 0.054 0.063 0.071 0.080 0.089 0.099 0.110 0.122 0.135 0.149 0.164 0.181 0.200 10.2
10.4 0.000 0.032 0.039 0.047 0.054 0.062 0.071 0.079 0.089 0.099 0.109 0.121 0.133 0.147 0.162 0.179 0.197 10.4
10.6 0.000 0.039 0.046 0.054 0.062 0.070 0.079 0.088 0.098 0.109 0.120 0.132 0.146 0.160 0.177 0.195 10.6
10.8 0.000 0.046 0.054 0.061 0.070 0.078 0.088 0.097 0.108 0.119 0.131 0.144 0.159 0.175 0.192 10.8
11.0 0.000 0.053 0.061 0.069 0.078 0.087 0.097 0.107 0.118 0.130 0.143 0.157 0.173 0.190 11.0
11.2 0.000 0.061 0.069 0.078 0.087 0.096 0.106 0.117 0.129 0.142 0.156 0.171 0.188 11.2
11.4 0.000 0.069 0.077 0.086 0.095 0.105 0.116 0.128 0.141 0.154 0.169 0.186 11.4
11.6 0.000 0.068 0.077 0.086 0.095 0.104 0.116 0.127 0.139 0.153 0.168 0.184 11.6
11.8 0.000 0.076 0.085 0.094 0.104 0.115 0.126 0.138 0.152 0.166 0.182 11.8
12.0 0.000 0.076 0.085 0.094 0.104 0.114 0.125 0.137 0.150 0.165 0.181 12.0
12.2 0.000 0.084 0.093 0.103 0.113 0.124 0.136 0.149 0.163 0.179 12.2
Sesgo 0.0 0.1 0.2 0.3 0.4 0.5 0.6 0.7 0.8 0.9 1.0 1.1 1.2 1.3 1.4 1.5 1.6 1.7 1.8 1.9 2.0
Procedimiento :
Obtener el ndice de capacidad potencial de proceso a corto
plazo (Cp) y el ndice de capacidad real de proceso aen el largo
plazo (Ppk).
Calcular el ndice de desempeo potencial de proceso (Zcp).
Zst = 3 Cp (P/especif. Bilaterales)
Zst = 3 Cpk (P/especif. Unilaterales)
Calcular el ndice de desempeo real de proceso (Zlp):
Zlt = 3 Ppk

Calcule el ndice de desempeo entre grupos (Zshift):
Zshift = Zst - Zlt

ndices de desemepeo
ndices de desempeo
Analice la informacin; se consideran como valores
aceptables los siguientes:
Zlt > 3 ; Zst > 4 ; Zshift < 1.5

Zst
4.0 6.0
Z
s
h
i
f
t

2.0 0.0
0.0
1.0
2.0
3.0
C
o
n
t
r
o
l

Capacidad/Diseo/Tecnologa
Zst
4.0 6.0
Z
s
h
i
f
t

2.0 0.0
0.0
1.0
2.0
3.0
C
o
n
t
r
o
l

Capacidad/Diseo/Tecnologa
B
u
e
n
o

M
a
l
o

Malo Bueno
Estado
deseado
Pobre
control
Pobre
capacidad
Pobre control y
pobre capacidad
606
Capacidad de procesos
bajo Seis Sigma
607
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)

608
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.
609
D N O S A J J M A M F E D N O S A J J M A M F E
3.5
Salida
Mes
Variabilidad
Total
(Natural)
Variabilidad
entre subgrupos
Variabilidad combinada
dentro del subgrupo
+ =
2.5
1.5
LIE
Capacidad a
Largo Plazo
LSE
Capacidad a
Corto Plazo
Capacidad en el corto y largo plazo
610
Rendimiento de la capacidad real
Recibo de partes
del proveedor
45,000
Unidades
desperdiciadas
51,876
Unidades
desperdiciadas
Correcto la
primera
vez
Despus de la
inspeccin de recepcin

De las operaciones
de Maquinado
En los puestos
de prueba -
1er intento
125,526 unidades desperdiciadas
por milln de oportunidades
28,650
Unidades
desperdiciadas
95.5% de rendimiento
97% de rendimiento
94.4% de
rendimiento
YRT = .955*.97*.944 =
87.4%
1,000,000 unidades
611
Ejemplos de defectos / unidad
Determinar DPU en la produccin de 100 unidades

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

Defectos 20 10 12 4
Unidades 70 20 6 4
612
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

613
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

614
V.F.5 Capacidad de procesos por
atributos
615
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
616
Planta escondida
$1/Unit $1/Unit

$1/Unit $1/Unit
100
100

10

Rework
Rework Rework Rework
100

100

100

10

10

10

Y
1
=0.90 Y
2
=0.90

Y
3
=0.90 Y
3
=0.90
100
90

81

73

66

10

9

8

7

617
La eficiencia rolada
$1/Unit $1/Unit

$1/Unit $1/Unit
100
100

10

Reproceso
Reproceso Reproceso Reproceso
100
100

100

10

10

10

1 YRT = Probabilidad de un defecto/unidad = 1 0.67 = 0.33 = 33%
1 + (1 Y
RT
) = Numero de unidades equivalentes iniciadas para
producir una unidad buena = 1 + (1 - 0.67) = 1.33
Y
RT
= e
- DPU
= e
- (40/100)
= e
- 0.4
= 0.67 = 67%

Aproximando de Binomial a Poisson :
0.9 x 0.9 x 0.9 x 0.9 = 0.9
4
= 66/100 = 0.66 = 66%

Y
RT
= p
i=1
n
Y
i
=
618
Costos de pobre calidad
$1/Unit $1/Unit

$1/Unit $1/Unit
100
100

10

Rework
Rework Rework Rework
100
100

100

10

10

10

Considerando :
No existe scrap ni costos de inventarios
Precio de Ventas = $5.00/Unidad
Por lo tanto :
Como el nmero de unidades equivalentes iniciadas para producir una unidad
buena = 1.33
Costo de producir una unidad buena = 1.33*$4 = $5.32
Utilidades = $5.00 - $5.32 = -$0.32/Unidad
COPQ = ($5.32-$4.00)/$5.00 = 26.4% de las ventas
619
Eficiencias y DPMOs PPMs
El desempeo de un proceso tambin puede ser
expresado en trminos de eficiencia. Las 3 eficiencias
ms usadas son :
Eficiencia de primer paso (bien a la primera vez),
eficiencia final (Yfinal) o First Time Yield (YFT)

Eficiencia rolada o Rolled-Throughput Yield (YRT)

Eficiencia Normalizada (Ynorm)

620
Eficiencia de primer paso (bien a la primera vez),
eficiencia final (Yfinal) o First Time Yield (YFT)

Y
final
=
Nmero de unidades buenas antes de retrabajo
Nmero de unidades probadas evaluadas
621
Eficiencia rolada o Rolled-Throughput Yield (YRT)

Y
1
=S
1
/E Y
2
=S
2
/S
1
Y
3
=S
3
/S
2
Y
n
=S
n
/S
n-1

.....
E
S
1
S
2
S
3
S
n-1
S
n
Donde :
e = 2.71828182845
m = Nmero de oportunidades por
unidad
Para datos
continuos :
Y
RT
= p
i=1
n
Y
i
= Y
1
x Y
2
x Y
3
x....x Y
n
Para datos discretos (Aproximacin de Binomial a Poisson) :
Y
RT
= e
-TDPU
Y
RT
= e
-(DPO)
m
Donde : Y
1
, Y
2
, Y
3
,...., Y
n
son first time Yield de los pasos 1, 2,
3,...,n
622
Eficiencia Normalizada (Ynorm)

Y
norm
= (Y
RT
)
1/k
Clculo de DPU a partir de la Eficiencia :
DPU = 1 - Y
Eficiencia a partir de PPMs :
Y = 1 (PPM/1000,000)
Clculo de la Eficiencia Normalizada (Y
norm
) :
623
V.F.7 Desempeo de proceso vs
especificaciones
624
Smbolos utilizados
D = Defectos O = Oportunidades para defecto
U = Unidades Yrt = Rendimiento (lo bueno)

Relaciones de defectos:
Total de oportunidades = TO = TOP = U x O
Defectos por unidad = DPU = D/U = - ln (Y)
Defectos por unidad normalizada = -ln (Y norm)
Defectos por oportunidad = DPU/O = D/ (U xO)
Defectos por milln de oportunidades = DPMO =
DPO x 1 milln

625
Relaciones con el rendimiento Y
La probabilidad de encontrar X defectos con la
distribucin de Poisson es:

X es un entero y DPU > 0
Para el caso de que X sea cero se tiene

Rendimiento o FRC = P(X=0) = Exp(-DPU)

626
Frmulas de desempeo
627
Rolled Troughput Yield (Yrt)
Yrt es el clculo acumulativo del ndice de defectos a
lo largo de procesos mltiples

La probabilidad de un defecto es 1 P(Yrt) = 0.05
628
Tablero de control
de variable discreta
Se utiliza cuando se va a evaluar el desempeo de un
CTQ, pero hay desempeos parciales en el tiempo.

Defina el defecto, la unidad y el nmero de
oportunidades por unidad

Defina que es un corto plazo

Evale el desempeo en DPMO y Z del CTQ en varios
(k) cortos plazos

629
Tablero de control
Evale el desempeo en DPMO del largo plazo,
considerando lo siguiente

D
lt
= S D
st
i i = 1
k
TotOp
lt
= S [U
i
*(Op/U)
i
]
i = 1
k
DPMO
lt
=

D
lt
.
TotOp
lt

* 10
6
Donde :
D
lt
= Defectos de largo plazo
D
st
= Defectos de corto plazo
U = Nmero de unidades

Op/U = Oportunidades por unidad
TotOp = Total de oportunidades

DPMO
lt
= Defectos por Milln de Oportunidades
k = Nmero total de caractersticas crticas
630
Tablero de control
Con los DPMOlt evale la Zlt
Identifique la Z de corto plazo ms pequea y sta
ser la Zst
Calcule la Zshift considerando que :

Z
shift
= Z
st
- Z
lt

631
Tablero de control
de variable continua
CTQ, pero hay desempeos parciales en el tiempo.
Determine la variable y los Lmites de Especificacin

Defina que es un periodo de tiempo

Recolecte datos de cada periodo y calcule la
desviacin estndar de Corto plazo (Sst) y las PPMs
de cada periodo de tiempo

Calcule la Zst y Zlt de cada periodo de tiempo
632
Tablero de control
Calcule la Sst total del CTQ mediante:

Calcule la Zst total del CTQ
Calcule los PPMs totales mediante un promedio
ponderado
g

(n
j
-1) s
j
2
j=1
(n-g)
s
st
=
Donde : n = Nmero Total de Datos
n
j
= Nmero de datos del grupo j
s
j
= Desviacin Estndar del grupo j
g = Nmero de grupos
633
Tablero de control

Con los PPMs totales obtenga Zlt total del CTQ

Donde : PPM = PPM Totales
PPM
j
= PPMs del periodo i
n
i
= Nmero de datos del periodo i
N = Nmero total de datos
PPM = S PPM
i

n
i
N
i = 1
k
634
Tablero de control
Con los DPMOlt evale la Zlt
Identifique la Z de corto plazo ms pequea y sta
ser la Zst

Z
shift
= Z
st
- Z
lt

635
Tablero de control
de variable mltiple
Producto, Proceso Sistema a partir del desempeo
de varios CTSs, CTQs CTPs
Defina el Producto, Proceso Sistema a evaluar

Identifique los CTSs, CTQs CTPs del Sistema a
evaluar

Evale de forma individual cada CTS, CTQ CTP en
trminos de DPMOlt
636
Tablero de control
de variable mltiple
Calcule la eficiencia (Yftlt) de cada CTS, CTQ CTP
considerando que:

Evale desempeo potencial de cada caracterstica
crtica expresado en DPMOst, el cual se puede
obtener a partir de la Zst los menores DPMO que
el proceso ha demostrado generar a corto plazo.

y
ftlt
i
= 1

Donde :
y
ftlt
i
= Eficiencia de la caracterstica crtica i
DPMO
lt
i
= Defectos por Milln de Op. de la caract. i
DPMO
lt
i

10
6
637
Tablero de control
de variable mltiple
Calcule la eficiencia (y
ftst
) de cada CTS, CTQ CTP considerando que :
y
ftst
i
= 1

DPMO
st
i

10
6
Calcule las eficiencias roladas (Y
RT
) de Corto (st) y largo plazo (lt) del
Producto, Proceso Sistema mediante :
Y
RTlt
= P y
ftlt
i i = 1
k Donde :
Y
RTlt
= Eficiencia rolada total del sistema
Y
RTst
= Eficiencia rolada potencial del sistema
y
ftlt
i
= Eficiencia de la caracterstica crtica i
y
ftst
i
= Eficiencia potencial de la caracterstica crtica i
k = Nmero total de caractersticas
Y
RTst
= P y
ftst
i i = 1
k
638
Tablero de control
de variable mltiple
Calcule la Eficiencia Normalizada (y
norm
) de corto (st) y largo plazo (lt) :
Y
norm
st
= (Y
RTst
)
1/k
Y
norm
lt
= (Y
RTlt
)
1/k
En caso de que cada Caracterstica Crtica tenga un diferente nivel de
importancia, entonces la Eficiencia Normalizada se puede obtener
ponderando las eficiencias de cada Caracterstica usando la siguiente
frmula :
Y
norm
= (d1
I
1
) x (d2
I
2
) x x (dn
I
n
)
(1/EIi)
I es la importancia. La caracterstica crtica con mayor valor
de I es ponderado con mayor peso al calcular el valor total
compuesto Y
639
Tablero de control
de variable mltiple
Calcule los DPMO totales del sistema mediante:

Con los DPMOst obtenga la Zst, con los DPMOlt
obtenga la Zlt
Calcule la Zshift del sistema mediante :

DPMO
st
= (1 Y
norm
st
)*10
6
DPMO
lt
= (1 Y
norm
lt
)*10
6
Z
shift
= Z
st
- Z
lt

4 1 Medicion Proyecto Seissigmabbmedicion-090819174846-Phpapp02

Încărcat de

Informații document

Drepturi de autor

Formate disponibile

Partajați acest document

Partajați sau inserați document

Opțiuni de partajare

Vi se pare util acest document?

Este necorespunzător acest conținut?

Drepturi de autor:

Formate disponibile

4 1 Medicion Proyecto Seissigmabbmedicion-090819174846-Phpapp02

Încărcat de

Drepturi de autor:

Formate disponibile

1

En algunas ocasiones la notacin

La media y varianza de la distribucin

La variable aleatoria X tiene una distribucin binomial

Tiene media y varianza.

S-ar putea să vă placă și