Por un mundo en movimiento

TALLER ESTADSTICA

Joaquin Mendez MBB Lean Sigma Juan Jos Mireles Linares

INLAC 2006

Contenido:
Introduccin. 1.- Hojas de registro. 2.- Diagrama de pareto. 3.- Diagrama de Ishikawa 4.- Medidas de tendencia central. 4.1 Media aritmtica. 4.2 Mediana. 4.3 Moda. 5.- Estratificacin. 5.1 Histograma de frecuencias. 6.- Grficas de control. 6.1 Antecedentes. 6.2 Grfica por variables. 6.3 Estudios de habilidad 6.4 Grficas de atributos. .7.- Distribucin normal.

Introduccin. Objetivo:
Percibir la tendencia de los procesos para predecir el comportamiento a corto plazo y tomar acciones correctivas a las causas de variacin y las medidas preventivas permanentes para mejorar el proceso gradual y permanente.

Definicin:
Es la forma de acumular conocimientos y experiencia de una manera objetiva y consistente en relacin al comportamiento de los procesos, para estar en condiciones de modificar los factores de entrada y del proceso para asegurar que vamos a obtener un resultado conforme a las expectativas.

Introduccin. Conceptos bsicos:

1.- La variacin se encuentra en todos los sistemas; el CEP apoya para la eliminacin de las causas de variacin. 2.- El CEP debe usarse para detectar reas de oportunidad de mejora para alcanzar la mejora continua de los procesos, ms que el simple cumplimiento de las especificaciones. 3.- La mejora continua se deriva del uso permanente de grficas de control su interpretacin y el uso adecuado de las mismas.

El CEP se enfoca a la prevencin de problemas en lugar de su deteccin para corregir.

Hojas de registro Conceptos bsicos:

La importancia del manejo de datos. La manera como normalmente conocemos la realidad consiste en observarla, obteniendo de ella el mayor numero de datos. Con datos reales es posible predecir y prevenir el comportamiento de nuestro proceso. La estadstica es la ciencia que nos permite inferir a partir de unos cuantos datos.

Hojas de registro Observaciones a tener en la recoleccin de datos.

Registrar fielmente los datos. Con el menor error posible. Cuidar que los instrumentos de medicin estn bien calibrados. Se debe usar adecuadamente los instrumentos de medicin.

Si hay errores en la obtencin de datos. Las conclusiones no sern objetivas a pesar de tener muestras representativas y realizar un buen estudio estadstico.

Diagrama de pareto Antecedentes

Creado por Wilfrido Pareto en 1800. El principio de pareto afirma la vital influencia de unos pocos elementos o factores en comparacin con la poca importancia que tiene la mayora de ellos.

Diagrama de pareto Procedimiento para elaborarlo:

Se elabora en dos etapas: Primer etapa. Paso 1.- Se elabora una lista de los factores o causas potenciales del problema. Paso 2.- Se establece el perodo de tiempo dentro del cual se obtendrn los datos. Paso 3.- Se elabora la hoja de registro. Paso 4.- Se registra y ordenan los datos, adems, el nmero de casos de cada causa. Paso 5.- Se calcula el porcentaje absoluto de artculos defectuosos con respecto al nmero de artculos inspeccionados.

Que es el diagrama de pareto? Es una grfica que representa en forma ordenada el grado de importancia que tiene las diferentes causas en un determinado problema. El diagrama de pareto, al catalogar las causas por orden de importancia, facilita una correcta toma de decisiones.

Diagrama de pareto Procedimiento para elaborarlo:

Primer etapa. Paso 6.- Se obtiene el porcentaje relativo de productos defectuosos atribuibles a cada causa con respecto al nmero total de casos defectuosos. Paso 7.- Se calcula el porcentaje relativo que se va acumulando sumando el porcentaje de cada causa. Con esta informacin se comprende qu porcentaje de productos defectuosos se eliminara si se toman acciones. Paso 8.- La informacin obtenida se presenta en una tabla.

Diagrama de pareto Procedimiento para elaborarlo:

Segunda etapa. Paso 9.- Se traza un eje horizontal y 2 verticales (uno en cada extremo). En el eje horizontal se divide en tal forma que queden representadas las causas, las cuales se anotan de que tenga mayor a menor frecuencia. El eje vertical izquierdo se grada para mostrar el nmero de productos defectuosos. El eje vertical derecho se grada para mostrar el porcentaje relativo acumulado. La escala se divide de 4 a 5 partes iguales para ubicar el porcentaje.

Diagrama de pareto Procedimiento para elaborarlo:

Segunda etapa. Paso 10.- Se ponen las barras correspondientes a las diferentes causas, la altura de la barra esta dada en el nmero de veces que se presento la causa. Todas las barras se ilustran con la misma amplitud. Paso 11.- Se colocan los puntos que representan el porcentaje relativo, los puntos se colocan en la posicin que corresponda al extremo derecho de cada barra. Paso 12.- Se traza una curva que una dichos puntos, en esta forma queda graficada la curva del porcentaje relativo.
9000 8000 7000 80 60 40 20 0
d eda Hum f de rca Ma lujo n ci ina am t n Co pe chu Re ers Oth

DEFECTOS PRINCIPALES EN CAJN GEMELO

100

5000 4000 3000 2000 1000 0

Defect
Count Percent Cum %

4097 45.3 45.3

1605 17.7 63.0

1512 16.7 79.8

1414 15.6 95.4

416 4.6 100.0

Percent

Count

6000

Diagrama de Ishikawa
Mtodo para analizar la relacin entre algunos efectos y sus posibles causas. Ishikawa desarrollo esta herramienta en la universidad de Tokio en 1943 para explicar a losingenieros de Kawasaki Steel Works los factores que se relacionan. Un diagrama de Ishikawa bien detallado tomar la forma de un esqueleto de pescado, de aqu que tome el nombre de diagrama de pescado. Construccin del diagrama causa - efecto. Paso 1.- Establezca y delimite un problema o caracterstica de calidad. Paso 2.- Rena a un grupo de personas que se relacionen con l. Paso 3.- En el pizarrn anote una definicin corta del problema, aclare cualquier duda. Paso 4.- Dibuje una linea con una flecha que apunte el enunciado. Paso 5.- Facilite el trabajo del grupo proponiendo el mtodo de las 5Ms como causas principales: Materiales Medio ambiente Mtodos Maquinara. Mano de obra

Diagrama de Ishikawa Construccin.........

Segunda etapa. Paso 6.- Inicie la lluvia de ideas. Aclare las reglas del juego: Haga una pregunta al grupo. La lluvia de ideas se puede conducir en tres formas: Estructurada. Abierta. Escrita. Paso 7.- Una vez que se ha generado una lista es necesario enumerar cada una de las aportaciones.

Diagrama de Ishikawa Construccin.........

Segunda etapa. Paso 8.- Pedir a cada uno de los participantes que seleccionen aquellas frases que ms le intersen e impacten. Paso 9.- Si an quedan una gran cantidad de aportaciones se puede repetir el paso anterior. Paso 10.- Al finalizar el ejercicio se aclaran las dudas asegurando que los participantes entiendan lo mismo. Paso 11.- Interprete el diagrama y tome acciones.

Diagrama de Ishikawa
Medicin Material Gente
capacitacin de ajus capacitacin para us No son confiables Mat. sin definir a molde operador por cada tu ajustador por turno

humedad
Sin registro de pres Exceso de polvo Falta de mq. titula Reportes inadecuados Temperatura ambiente Grficas inadecuadas Falta de hoja de ope Diametro de husillo Capacidad de maquina Temperatura de aceit Temperaturas de inye presin de inyecci presin de cierre de velocidades de inyec Temperatura de agua Molde en mal estado Moldes sin identific Can decentrado fuga de aire en valv Equipo perif. insufi

Medio ambiente

Mtodo

Mquina

Medidas de tendencia central Antecedentes

Cuando tenemos un conjunto de datos referente a un mismo asunto, en forma natural los agrupamos en torno a un dato central, que de alguna forma representa al conjunto. Hablar de un dato central significa que hay cifras menores y mayores que dicha cantidad, sin embargo, los representa a todos. Tres son las formas de determinar este dato central: Obtenemos el promedio de todos los datos en conjunto. Obtenemos la cifra que ocupa el lugar central en nuestros datos. Obtenemos la cifra que se representa con mayor frecuencia. En el primer caso se trata de la Media Aritmtica, Media o Promedio. En el segundo, de la Mediana. En el tercer caso, se trata de la Moda.

Medidas de tendencia central

Se llama media aritmtica,media o promedio al resultado de sumar conjunto de datos y de dividir esta suma entre el nmeros de datos sumados.

X = [ X1 + X2 + X3 + .......+ X n] / n

La moda o promedio tpico de un conjunto de valores, es el valor que ocurre ms frecuentemente en el conjunto. Si un valor del conjunto dado es seleccionado al azar, el valor modal es el mas probable seleccionado.

Medidas de tendencia central

La mediana es el dato que ocupa la posicin central dentro de un conjunto de datos ordenados por la magnitud. La definicin anterior se cumple cuando se tiene un nmero impar de datos. Si el nmero de datos es par, entonces la mediana es el promedio de los dos datos centrales. Una caracterstica de la mediana es que divide exactamente en dos partes iguales al conjunto de datos ordenados. Es por ello la mediana representala tendencia central mejor que la media aritmtica.

Estratificacin
La estratificacin clasifica a los datos en grupos con caractersticas semejantes.

Estratificacin Histograma de frecuencias

A cada grupo se le denomina estrato.

Dentro de la estadstica, el histograma es una herramienta grfica que permite la variacin en un conjunto de datos, adems de los patrones que llegan a formar.

La clasificacin se hace con el fin de identificar el grado de influencia de factores o variables en el resultado.

La forma ms comn de presentar la estratificacin es el histograma.

Esta herramienta organiza los datos en forma ordenada y fue propuesta por un investigador francs en 1833, llamado A.M. Guerry.

Estratificacin Pasos para construir un histograma

Paso 1.- Ordene los datos de mayor a menor frecuencia o viceversa (serie estadstica)

Paso 2.- Determine el rango de muestra: R = VM - Vm

Paso 3.- Calcular cociente de R / K, donde K: Tamao de la muestra menor a 50 50 a 100 100 a 250 ms de 250 Nmero de clases 5a7 6 a 10 7 a 12 10 a 20

Estratificacin Pasos para construir un histograma

Paso 4.- Determine la amplitud: A=R/K

Paso 5.- Calcule las fronteras inferior y superior de cada intervalo: Fi1 = Vm - (1/2) Fi2 = Fs1 Fs1 = Fi1 + A Fs2 = Fi2 + A

donde = unidad mnima en que estn dados los datos

1 0.1 0.01 0.001

Condicin Si todos los datos son enteros. Si al menos hay un dato hasta decimas Si al menos hay un dato hasta centecimas Si al menos hay un dato hasta milsimas

Estratificacin Pasos para construir un histograma

Paso 6.- Calcule la marca de clase: X = (Fin + Fsn)/2

Paso 7.- Calcule las frecuencias absolutas (Fa) Este dato se obtiene contando el nmero de datos que hay en cada clase.

Paso 8.- Calcule las frecuencias relativas

(fi / Ft)*100 = Fr Donde Ft es la suma total de las frecuencias absolutas. Nota: La suma de las frecuencias absolutas debe coincidir con el total de datos usados.

Estratificacin Pasos para construir un histograma

Paso 9.- Calcular las frecuencias absolutas acumuladas: En esta columna se indica el resultado de sumar las frecuencias de una clase (fi) con las frecuencias de las clases anteriores. F1 = f1 F2 = f1+f2 F3 = f1+f2+f3

Paso 10.- Calcule las frecuencias relativas acumuladas: En esta columna se indica el resultado de sumar el porcentaje de Fr de una clase con el porcentaje de las clases anteriores. FrA = Fi *100

Paso 11.- Construya la tabla de frecuencias:

Intervalos o clase i

Fronteras de clase Fi Fs

Marca de clase Xi

Frecuencia absoluta Fa

Frecuencia relativa Fr

Frecuencia absoluta acumulada FaA

Frecuencia relativa acumulada FrA

Estratificacin Pasos para construir un histograma

Paso 12.- Construir el histograma de frecuencias. La linea vertical sirve para indicar la cantidad de datos que contiene cada clase, por lo tanto se divide con una escala que corresponda a los datos. La linea horizontal se divide en el nmero establecido de clases. Las barras corresponden a cada clase. En el extremo izquierdo de la primera barra se anota el lmite inferior del primer grupo, en la barra siguiente, el limite superior del primer grupo mismo valor del limite inferior de la segunda barra, y as sucesivamente. En la parte central del ancho se anota la cantidad que corresponde a la marca de clase.
Histograma de frecuencia
15 10 5 0
14.5 16.5 18.5

Frec. Abs.

20.5

22.5

24.5

26.5

Grficas de control
Las grficas de control son un mtodo estadstico que fue desarrollado por el Dr. Shewart, utilizado para el estudio y control de los procesos y nos muestra como se comporta en un lapso de tiempo. Son las herramientas que nos permite determinar si un proceso es consistente e inconsistente. Estas grficas tienen un limite superior de control (LSC), una linea media y un limite inferior de control.

LSC LC LIC

Entre los espacios de estas lneas se transcriben los resultados de las observaciones realizadas en determinados intervalos de tiempo acerca del comportamiento del proceso y con respecto a una variable.

Grficas de control
La consistencia de un proceso depende de la variacin que ste muestre. Variacin es la diferencia que existe entre los datos de distintas mediciones de un proceso. Por lo tanto un proceso es consistente cuando ninguno de los puntos graficados estn fuera de los limites de control o si no muestran ninguna tendencia. Por ello un proceso consistente tiene las siguientes caractersticas: 1.- Es estable en el tiempo. 2.- Es predecible. 3.- Est sujeto nicamente a causas comunes de variacin. Por lo tanto un proceso inconsistente tiene las siguientes caractersticas: 1.- Es inestable en el tiempo. 2.- Es impredecible. 3.- Esta sujeto tanto a causas comunes y/o especiales de variacin.

Grficas de control
Causas especiales. Es la variacin que es propia del proceso, pueden ser por diferencias : Entre las mquinas. Entre las personas. Entre los materiales. Entre los mtodos o procedimientos. En la relacin o entre ellas. O por falta de las mismas.

Grficas de control
Causas comunes. Es la variacin que no es propia del proceso, son provocadas por el diseo y por el sistema por lo que afectan a varios departamentos y tienen varias alternativas de solucin, generalmente la alta administracin tiene que aprobar la solucin

Generalmente se solucionan en un solo departamento y tienen una solucin nica.

Grficas de control
Las grficas de control proporcionan informacin acerca: Del nivel medio en el que opera un determinado proceso. Del grado de variacin dentro del cual se da dicho proceso. De su consistencia.

Grficas de control
Las grficas de control ms frecuentemente utilizadas son las siguientes.

Para las variables: Promedios y rangos (X-R). Lecturas individuales.

Uso de las grficas de control: Para observar como se comporta el proceso productivo; si el proceso es normal y entonces poder determinar reas de oportunidad. Para verificar si los datos obtenidos poseen condiciones semejantes para tomar acciones y controlar el proceso. Para atributos: p Porcentaje de unidades defectuosas.

np Cantidad de unidades defectuosas. c u Nmero de defectos. Defectos por unidad.

Grficas de control
Variable Es toda cantidad que pueda ser medible o cuantificable y que independientemente de las que se evalan se obtiene el mismo resultado, dado que los patrones de medicin son universales.

Atributo Es toda caracterstica cualitativa y que el resultado depende de la experiencia y/o capacitacin de la persona que est efectuando la evaluacin, ya que los patrones masters utilizados son a criterio del cliente.

Grficas por variables

Grfica de promedio y rangos (X-R). Puntos a determinar antes de la elaboracin de la grfica: 1.- El propsito de la grfica. 2.- La variable a considerar. 3.- El tamao de la muestra. El propsito de una grfica puede ser: Obtener informacin para establecer o cambiar especificaciones. Obtener informacin para establecer o cambiar procedimientos de produccin. Obtener informacin para establecer o cambiar procedimientos de inspeccin. Tener un criterio para decidir si conviene investigar causas de variacin. Tener un criterio para decisiones rutinarias sobre la situacin de un rechazo. Familiarizar al personal con el concepto de control del proceso.

Grficas por variables

Variable : la variable a considerar debe ser siempre algo que pueda ser medido y que sea independiente, esto es, que no dependa de otras variables; o bien, el nmero de objetos calificados con pasa o no pasa.

Muestra: El tamao de la muestra se decide en funcin del volumen de produccin, el tiempo, etc. El Dr Shewart sugiri la eleccin de 4 o 5 elementos por cada subgrupo. Durante un estudio inicial, las muestras pueden ser tomadas consecutivamente o a intervalos cortos, a fin de detectar si el proceso es consistente o inconsistente. Se recomienda que el intervalo sea de mnimo media hora y mximo 2 horas Es conveniente tener al menos 24 subgrupos. La experiencia indica que las primeras muestras pueden o no ser representativas.

Grficas por variables

Procedimiento para la construccin de una grfica X - R. La grfica X-R consta de 2 secciones, la parte superior se dedica a los promedios y la parte inferior a los rangos. En el eje vertical se establece la escala, en el eje horizontal se anotan los datos cronolgicos de las muestras inspeccionadas. Se acostumbra a trazar las lneas centrales con un alinea continua y los lmites de control con lneas discontinuas. Si el tamao de las muestras es menor a 7 elementos el lmite inferior de los rangos es 0.

Grficas por variables

Procedimiento para la construccin de una grfica X - R. Paso 1.- Se registran los datos. Paso 2.- Se efecta la sumatoria de cada subgrupo. Paso 3.- Se calcula el promedio del subgrupo. X = xn / n Paso 4.- Se calcula el rango de cada subgrupo. R = VM - Vm Paso 5.- Se calcula el promedio de los promedios. X = Xj / n

Grficas por variables

Procedimiento para la construccin de una grfica X - R. Paso 6.- Se traza el promedio de promedios en la grfica. Paso 7.- Se calcula el promedio de los rangos. R = Rn / n Paso 8.- Se traza el promedio de los rangos en la grfica. Paso 9.- Se calcula los lmites de control de los promedios. LSCx = X + A2*R LICx = X - A2*R Paso 10.- Se trazan los lmites de control de los promedios en la grfica.
Tamao de subgrupos 2 3 4 5 6 7 8 9 10 A2 1.88 1.02 0.73 0.58 0.48 0.42 0.37 0.34 0.31

Grficas por variables

Procedimiento para la construccin de una grfica X - R. Paso 11.- Se calculan los lmites de control de los rangos. LSCr = D4*R LICr = D3*R Paso 12.- Se trazan los lmites de control de los rangos enla parte inferior de la grfica. Paso 13.- Se transcriben en la grfica los resultados de promedios y los rangos. Paso 14.- El operario que est elaborando la grfica en caso de que un punto salga de control debern de tomar inmediatamente las acciones correctivas.
Tamao de subgrupos 2 3 4 5 6 7 8 9 10 D3 ........ ......... .......... ......... ......... 0.08 0.14 0.18 0.22 D4 3.21 2.57 2.28 2.11 2.00 1.92 1.86 1.82 1.79

Grficas por variables

Procedimiento para la construccin de una grfica de lecturas individuales. En ocasiones el tomar ms de un elemento para medirle una caracterstica es materialmente imposible ya que: La prueba es destructiva y el artculo caro. Las condiciones varan de lectura a lectura. El tiempo para tomar otra lectura es muy largo.

En este caso se puede tomar la opcin de construir una grfica de lecturas individuales. La grfica de lecturas individuales es muy similar a la grfica X-R, tanto en construccin como en interpretacin.

X-R Grfica de promedios Grfica de rangos Bitcora

Lecturas individuales Grfica de lecturas individuales Grfica de rangos. Bitcora

Grficas por variables

Procedimiento para la construccin de una grfica de lecturas individuales. Los limites se calculan: X=X/N N = Nmero de lecturas. LSCx = X + E2*R LICx = X - E2*R R = R / ( N - K + 1) K = Es el nmero de lecturas que se van a considerar para calcular el rango. LSCr = D4*R LICr = D3*R
Tamao de subgrupos 2 3 4 5 6 7 8 9 10 E2 2.66 1.772 1.457 1.290 1.184 1.109 1.054 1.010 0.975

Habilidad del proceso

Tenemos que comparar nuestro proceso contra lo que el cliente desea. Habilidad potencial del proceso. Habilidad real del proceso. Habilidad potencial del proceso. Nos indica que tanto podra llegar a cumplir el proceso con los requerimientos del cliente. Se representa como: CP = (LSE - LIE) / 6 Donde: LSE = Lmite superior de especificacin. LIE = Lmite inferior de especificacin.

Tamao de muestra 2 3 4 5 6 7 8 d2 1.128 1.693 2.059 2.326 2.534 2.704 2.847 2.970 3.078

9 10

^ = es la estimacin de la desviacin estndar del proceso. ^ = R / d2

Habilidad real del proceso

Para estudiar la habilidad real de un proceso, primeros haremos una consideracin. Nuestro proceso sigue el comportamiento de la distribucin normal. Nuestro proceso NO sigue el comportamiento de la distribucin normal. Habilidad real del proceso, distribucin normal (Cpk). Suponemos (o tenemos la certeza), que nuestro proceso se distribuye segn la curva: Si realiza un histograma puede comprobar si los datos se distribuyen en forma parecida a la curva de la distribucin normal. La habilidad del proceso (CPK), indica cunto cumple realmente el proceso con el cliente.

Habilidad real del proceso

Se calcula: CPk = [Min(Zsup, Zinf)] / 3

Zsup = LSE - X Zinf = X - LIE X y se han calculado en el grfico de control. Tambin se puede calcular: Cpk = Cp (1-K) K = [2 IM - XI] / [LSE + LIE] M = [LIE + LSE] / 2

Habilidad del proceso

Habilidad real del proceso

Cp nos dice si el proceso tiene capacidad para cumplir con las especificaciones.

El Cpk nos dice si el proceso esta centrado en medio de las especificaciones.

Cp = 1 Cp < 1 Cp > 1

El proceso tiene capacidad potencial. El proceso no tiene capacidad potencial. El proceso tiene ms capacidad potencial de lo que piden las especificaciones.

Cpk = Cp El proceso esta centrado en

medio de las especificaciones.

Cpk < Cp El proceso no esta centrado. Cpk > 1 El proceso no esta centrado pero
solo una pequea cantidad est fuera de la especificacin.

Report 2: Process Capability for Variable

Xbar and S Chart
587 586 585 584 583 582 581
Subgroup
3.0SL=586.7

Capability Indices
ST Mean StDev
583.500 1.849 1.893 1.893 1.568 0.122 0.029207 0.029207 0.058413 94.1587 58413.3 0.63 0.50 0.64 0.51

LT
584.213 1.827 1.526 2.307 1.446 0.122 0.063562 0.010540 0.074102 92.5898 74101.6

X=584.2
-3.0SL=581.7

Z.USL Z.LSL Z.Bench

10

20

30

4 3 2 1 0

3.0SL=3.639

Z.Shift P.USL

S=1.742
-3.0SL=0.00E+00

P.LSL P.Total Yield PPM

Potential (ST) Capability

Process Tolerance
577.940
I
I

Actual (LT) Capability

Process Tolerance
578.724
I
I I

Cp Cpk Pp Ppk

589.060
I
I I

589.703
I
I

580

587

580

587

Specifications

Specifications

Data Source: Time Span: Data Trace:

S1 583 584 586 587 584

S2 584 583 584 583 583

S3 584 583 583 588 584

S4 584 584 584 583 585

S5 583 587 589 585 582

S6 582 587 583 583 583

S7 583 583 584 583 584

S8 583 583 587 583 583

S9 582 588 584 583 583

S10 583 588 583 583 583

S11 583 583 583 584 585

S12 584 588 589 585 585

S13 583 582 585 585 585

S14 585 582 585 585 585

S15 586 583 587 588 583

S16 584 588 583 584 585

S17 583 584 587 585 583

S18 583 583 586 588 583

S19 583 583 588 583 583

20 582 587 584 585 583

21 584 583 587 583 583

22 584 583 583 583 584

23 584 584 584 583 585

24 588 583 586 588 582

25 582 583 583 583 583

26 583 583 584 583 588

27 588 583 587 586 583

28 582 582 584 583 583

29 583 582 583 589 583

30 583 583 583 587 585

Xbar/R Chart for Variable

587
3.0SL=586.5

S am ple M ean

586 585 584 583 582

-3.0SL=581.9

X=584.2

Subgroup
9 8 7 6 5 4 3 2 1 0

10

20

30

3.0SL=8.387

S am ple R ange

R=3.967

-3.0SL=0.00E+

Grficas de atributos
Tipos de grfica por atributos: p Porcentaje de unidades defectuosas.

Se usa cuando los tamaos de muestra son variables. np Nmero de unidades defectuosas. Se usa para tamao de muestra constantes c Nmero de defectos.

Se usa cuando el tamao de las muestras es constante. u Porcentaje del nmero de defectos por unidad.

Se usa cuando el tamao de muestra es variable.

Grficas de atributos
Grfica np para el nmero de piezas defectuosas Es el instrumento estadstico que se usa para graficar las piezas defectuosas encontradas al inspeccionar tamaos de muestra constante. Es necesario establecer la frecuencia, se recomienda en lapsos cortos. Las muestras deben ser lo suficientemente grandes, para encontrar piezas defectuosas en cada subgrupo. Por experiencia se recomienda que los tamaos sean de 50 unidades.

Grficas de atributos
Usos de la grfica np Para obtener las causas que contribuyen al proceso. Para obtener el diseo histrico de una o varias caractersticas de una operacin. Para investigar el curso o tendencia de un defecto o un grupo de defectos. Para detectar causas especiales, lo que no se puede con la X-R.

Grficas de atributos
Grfica p para el porcentaje de unidades defectuosas. La fraccin de unidades defectuosas (p) es el conjunto de aquellos artculos que se encontraron defectuosos (x) dentro de un total de artculos examinados (n).. Se recomienda tener clasificados los defectos. Este conjunto de artculos defectuosos se expresa como fraccin decimal para el clculo real de los lmites de control. La fraccin, sin embargo se convierte a porcentaje cuando se transcribe a la grfica. Las muestras que se utilizan para evaluar esta grfica pueden ser variables. Mientras mayor sea la muestra y el nmero de artculos defectuosos permanezca constante, mayor sera la calidad. Si la muestra permanece constante y el nmero de defectuoso disminuye, tambin la calidad mejora.

Grficas de atributos
Grfica c para el nmero de defectos por unidad inspeccionada. Al igual que en la grfica np. Aqu tambin graficamos el nmero de unidades defectuosas. El uso de estas grficas puede ser: Reducir el costo relativo al proceso. Informar a los supervisores de produccin y la administracin a nivel de calidad. Determinar que tipos de defectos no son permisibles en un producto. Informar la probabilidad de ocurrencia de los defectos en una unidad.

Grficas de atributos
Grfica u de fraccin de unidades defectuosas: La grfica de control por unidad inspeccionada en muestras de tamao variable de ms de una unidad, es el instrumento estadstico que sirve para medir la cantidad de defectos por unidad inspeccionada y una muestra de (n) unidades. Si el tamao de muestra vara continuamente el proceso de implementacin de este tipo de grficas se hace como las grficas p. Si no es tan variable, la implementacin de grficas u es ms sencilla.

Gua rpida para interpretar las grficas de control.

A continuacin se proporciona una gua auxiliar para la interpretacin de patrones de inestabilidad en un grfica de control. 1.- Puntos por encima del lmite superior de control.- Pueden ser indicativos de las siguientes condiciones. Hay errores de medicin, clculo o trazo. Existi alguna condicin desfavorable para el proceso. 2.- Puntos por debajo del lmite de control.pueden ser indicativos de: Hay errores de medicin, clculo o trazo. Si se trata de una grfica de variables existi alguna condicin desfavorable.para el proceso. Si se trata de una grfica de atributos existi alguna condicin favorable para el proceso.
LIC

1
LSC Media LIC

2
LSC Media

Gua rpida para interpretar las grficas de control.

3.- Una tendencia ascendente en puntos sucesivos (tpicamente 7 u 8 puntos). Si se trata de cartas por variables indica un aumento en la media del proceso. Si se trata de atributos se denota un empeoramiento del proceso.

3
LSC Media LIC

4.- Una tendencia descendente en puntos sucesivos (7u8 puntos). Si se trata de grficas por variables indica que la media del proceso ha disminuido. Si se trata de grficas por atributos denota una mejora en el proceso.

4
LSC Media LIC

Gua rpida para interpretar las grficas de control.

5.- Puntos por debajo o encima de la media. Si se trata de grficas de variables puede significar que la media del proceso a disminuido o aumentado. Si se trata de grficas por atributos son indicativos de una mejora o empeoramiento del proceso. 6.- Si la distribucin de los puntos cae dentro del tercio medio puede significar que: Hay errores de medicin, clculo o trazo. Los datos fueron forzados. El mtodo de muestreo fue inadecuado. 1/3

5
LSC Media LIC

LSC

LIC

6
LSC Media LIC

Distribucin normal
La distribucin normal, es una distribucin de probabilidad continua, donde la variable puede tomar cualquier valor dentro de un rango dado. Algunas de las razones por la que la distribucin normal es importante en la estadstica: 1.- Es aplicable cuando se requiere obtener informacin a travs de muestras. 2.- La distribucin normal se ajusta fcilmente de frecuencias observadas a varios fenmenos. 3.- Con las medidas cuyas distribuciones no son normales, se puede incluir una normalidad aproximada. 4.- Muchos resultados son validos cuando se obtienen de poblaciones normales y de poca precisin cuando provienen de datos no normales.

Distribucin normal
Caractersticas de la distribucin normal.

1.- La curva tiene un pico nico, es unimodal y tiene forma de campana. 2.- La media de la distribucin normal queda en el centro de la curva. 3.- Debido a la simetra de la distribucin normal, la mediana y la moda tambin estn en el centro. 4.- Los extremos de la campana se extienden indefinidamente y nunca tocan el eje horizontal

Report 1: Executive Summary

Process Performance
Actual (LT) Potential (ST)

Report 1: Executive Summary

Process Performance
Actual (LT) Potential (ST)

Process Demographics
Date: Reported by: Project: Department: Process: Characteristic: Units: Upper Spec: 18 Low er Spec: 12 Nominal: Opportunity:
100, 000

Process Demographics
Date: Reported by: Project: Department: Process: Characteristic: Units: Upper Spec: 18 Low er Spec: 12 Nominal: Opportunity: 15

LSL

USL

LSL

USL

12
1,000,000

13

14

15

16

17

18
Actual (LT)
Potential (ST)

8
1,000, 000

13

18
Actual (LT)

23

15

Potential (ST)

100,000

10,000

Process Benchmarks
Actual (LT) Potential (ST) Sigma
(Z.Bench)

10,000

Process Benchmarks
Actual (LT) Potential (ST) Sigma
(Z.Bench)

1000

1000

100

100

7.00
0

6.27
10

1.03

2.36

10

PPM
1

1.75E-04
1

PPM
1 2 3 4 5

150831 9154.40

Distribucin normal

Conociendo la media y la desviacin estndar de una variable normal cualquiera, es posible calcular la probabilidad de cualquier evento a partir de la siguiente frmula y de la tabla de valores de la distribucin normal. Z={X-]/

= [ X - X ]^2 / N
Donde: X = Valor de la variable.

= Media de distribucin de est variable. = Desviacin estndar de esta distribucin.

Z = Nmero de desviacin estndar desde X hasta la media de distribucin N = Nmero de datos.

Distribucin normal

La variable Z se llama variable normal estandarizada con = 1 y = 0. Con esta frmula, se puede usar una tabla de reas bajo la curva para encontrar una distribucin normal estndar. Tambin se puede determinar la probabilidad de que la variable normalmente distribuida quede dentro de ciertas distancias a partir de la media. Estas distancias se definen en trminos de desviaciones estndar.

Distribucin normal
reas bajo la curva normal. Independientemente de cuales sean los valores de m y de s para una distribucin normal, el rea total bajo la curva es uno, as que se debe de pensar en las reas bajo la curva como probabilidades. Matemticamente es cierto que: 1.- Aproximadamente el 68% de los valores caen dentro de 1 a partir de la . 2.- Aproximadamente el 95.5% de los valores caen dentro de 2 a partir de la . 3.- Aproximadamente el 99.7% los valores caen dentro de 3 a partir de la . Existen tablas de distribucin normal que indican la porcin del rea bajo la curva normal. La tabla esta organizada en unidades estndar o valores de Z.

Gracias !!