Sunteți pe pagina 1din 25

Estadstica Industrial I

Estadstica Industrial I
19 de febrero de 2014
Clase 2
Estadstica Industrial I
Estimacion de los parametros del proceso
En esta seccion se estudiaran algunos metodos para estimar los
parametros del proceso, basandose en la informacion contenida en
unas muestras representativas del proceso, elegida por metodos de
muestreo formales.
Estadstica Industrial I
Estimacion de los parametros del proceso
Una poblaci on estadstica se describe por su distribuci on de
probabilidad. Esta distribuci on esta descrita por sus parametros.
Por ejemplo, la media y la varianza
2
son los parametros de la
distribuci on normal, mientras que es el parametro de la
distribuci on Poisson.
Estadstica Industrial I
Estimacion de los parametros del proceso
En control estadstico de calidad, la distribuci on de probabilidad se
utiliza para describir o modelar algunas caractersticas de calidad,
tales como la dimension crtica de un producto o la fracci on de
defectuosos del proceso de manufactura. Por lo tanto, el interes es
hacer inferencia sobre los parametros de la distribuci on de
probabilidad.
Estadstica Industrial I
Estimacion de los parametros del proceso
La estimaci on de un parametro involucra el uso de los datos
muestrales en conjuncion con alguna estadstica. Existen dos
formas de llevar a cabo lo anterior: la estimaci on puntual y la
estimaci on por intervalo. Este intervalo recibe el nombre de
intervalo de conanza estimado.
Estadstica Industrial I
Estimacion puntual
Considere la variable aleatoria x con distribuci on de probabilidad
f (x) con media y varianza
2
desconocidas. Si se toma una
muestra aleatoria de n observaciones de x, entonces la media
muestral x y la varianza muestral
2
=

n
i =1
(x
i
x)
2
n1
son los
estimadores puntuales de la media poblacional y la varianza
poblacional
2
, respectivamente.
Estadstica Industrial I
Estimacion puntual
La media y la varianza no son necesariamente los parametros de
una distribuci on. Por ejemplo, el parametro de la distribuci on
Poisson es , y este parametro representa a la media y la varianza.
Los parametros de la distribuci on binomial son n y p, mientras que
la media y la varianza son = np y
2
= np(1 p),
respectivamente.
Estadstica Industrial I
Estimacion puntual
Dos de la mas importantes propiedades que deben tener los
estimadores puntuales son:
El estimador puntual debe ser insesgado.
El estimador puntual debe tener varianza mnima.
La media x y varianza muestral s
2
son estimadores insesgados de
la media y la varianza poblacional
2
, respectivamente.
Estadstica Industrial I
Estimacion por intervalos
El problema que presenta la estimaci on puntual de un parametro
reside en que no garantiza ni mide la precisi on de la estimaci on.
Por esta razon es necesario dar, junto a la estimaci on, una medida
del grado de conanza que nos merece. Esto se consigue mediante
un intervalo de conanza que nos proporcione unos lmites entre los
cuales conamos se encuentre el valor desconocido del parametro.
Estadstica Industrial I
Estimacion por intervalos
Con objeto de denir un intervalo de conanza supongamos que
es un parametro desconocido. Para obtener una estimaci on del
intervalo de se necesita la determinacion de dos estadsticos L y
U de manera que el enunciado de probabilidad
P(L U) = 1
sea verdadero. Para interpretar este intervalo debe tomarse en
cuenta que si en muestras aleatorias repetidas, se consideran un
gran n umero de estos intervalos, el 100(1 ) % de ellos
contendra el valor verdadero de .
Estadstica Industrial I
Intervalo de conanza para

2
conocida
x z
/2

2
desconocida
x t
/2,n1
s

n
Estadstica Industrial I
Intervalo de conanza para p (proporcion de
defectuosos)
Algunas veces es de interes construir un intervalo de conanza al
100(1 ) % para el parametro p de la distribuci on binomial. Este
parametro normalmente corresponde a la fracci on de defectuosos
del proceso. Si se toma una muestra aleatoria de n observaciones
(artculos), y se encuentra x observaciones (artculos) no
conformes, entonces el estimador de p es p =
x
n
.
Estadstica Industrial I
Intervalo de conanza para p (proporcion de
defectuosos)
Si el tama no de muestra, n, es grande (aproximadamente 30) y
p 0.1, entonces se puede hacer una aproximacion de la normal a
la binomial, resultando un intervalo de conanza al 100(1 ) %
igual a:
p z
/2

p(1 p)
n
Ejercicio: Si se toma una muestra aleatoria de 80 piezas de una
referencia determinada, y se encuentra que 15 son no conformes,
encuentre un intervalo de conanza para la proporcion de
defectuosos, p, al 90 %.
Estadstica Industrial I
Herramientas basicas para mejorar la calidad
Entendemos por caracterstica o factor de calidad cualquier
propiedad que contribuya a la adecuacion al uso de un producto,
proceso o servicio. Como en realidad pueden existir muchas
caractersticas de calidad distintas, y algunas mas importantes que
otras, resulta necesario identicar aquellas que afectan
directamente a la calidad jerarquizandolas y clasicandolas por
orden de importancia.
Para ayudarnos en la b usqueda de estas caractersticas existen
tecnicas simples como: hojas de vericaci on, diagrama de Pareto,
diagrama de causa-efecto, gracos de dispersi on y gracas de
control.
Estadstica Industrial I
Hoja de vericacion
Las hojas de vericaci on son mecanismos basicos de recopilacion
manual de datos. Cuando se dise na una hoja de vericaci on, es
importante claricar el tipo de datos que se van a recolectar, el
producto, la etapa en el proceso de produccion, el analista y
cualquier otra informacion que sea util para realizar un buen
diagn ostico.
Estadstica Industrial I
Hoja de vericacion
Estadstica Industrial I
Diagrama de Pareto
Alfredo Pareto (1848-1923) llev o a cabo completos estudios sobre
la distribuci on de la riqueza en Europa. Descubri o que unos
cuantos concentraban la mayor parte de la riqueza, en tanto que
era muy grande el n umero de pobres que posean muy poco.
Joseph Juran se dio cuenta que este concepto era universal, por lo
que poda aplicar en diversos campos. Estas gracas ayudan a
concentrarse en las pocas, pero importantes, causas de problemas.
Estadstica Industrial I
Diagrama de Pareto
Es una presentaci on, por medio de barras ordenadas en magnitud
descendente, de la importancia relativa de eventos por categora,
por ejemplo, tipo de falla. Se superpone a las barras una curva
acumulada que ayuda a destacar las pocas categoras de
importancia que contienen la mayor parte de los casos.Su utilidad
se debe al principio de Pareto, que establece que en cualquier grupo
de factores que contribuyen a un efecto com un, hay relativamente
pocos (20 %) que explican la mayor parte (80 %) del efecto.
Estadstica Industrial I
Diagrama de Pareto
contact num. supplier code schedule date
Pareto Chart for defect
Error causes
E
r
r
o
r

f
r
e
q
u
e
n
c
y
0
50
100
150
200
250
300
0
%
2
5
%
5
0
%
7
5
%
1
0
0
%
C
u
m
u
l
a
t
i
v
e

P
e
r
c
e
n
t
a
g
e
Estadstica Industrial I
Diagrama de causa-efecto
Los diagramas de causa-efecto (CE) son dibujos que constan de
lneas y smbolos que representan determinada relaci on entre un
efecto y sus causas. Su creador fue Kaoru Ishikawa y tambien se le
conoce como diagrama de Ishikawa.
Expresa de modo la serie de causas de un efecto (problema). El
efecto es la caracterstica de calidad que es necesario mejorar. Las
causas por lo general se dividen en las causas principales de
metodos de trabajo, materiales, mediciones, humano, maquinaria y
ambiente.
Estadstica Industrial I
Diagrama de causa-efecto
CauseandEffect diagram
Surface Flaws
Measurements
Environment
Materials
Methods
Personnel
Machines
Micrometers
Microscopes
Inspectors
Alloys
Lubricants
Suppliers
Shofts
Supervisors
Training
Operators
Condensation
Moisture
Brake
Engager
Angle
Speed
Lathes
Bits
Sockets
Estadstica Industrial I
Gracos de dispersion
Es una herramienta que sirve para investigar si existe correlacion
entre dos caractersticas de calidad X y Y de un proceso. Se sit ua
en el eje de abscisas una escala apropiada para la primera
caracterstica, y en el de ordenadas otra escala para la segunda
caracterstica. En cada realizaci on unitaria del proceso se miden los
valores correspondientes de X y Y y se dibuja un punto en el
diagrama.
Tras una serie de medidas del proceso obtenemos una nube de
puntos. En tipo de correlacion (positiva, negativa, inexistente o
posiblemente existente positiva o posiblemente existente negativa)
lo determina la estructura de la nube.
Estadstica Industrial I
Gracas de control
Los gracos de control habitualmente utilizados en el control
estadstico de calidad se crean para representar de una forma
ordenada y cronol ogica las informaciones recogidas sobre el
resultado de las operaciones a lo largo de un periodo. Estos datos,
referidos a periodos unitarios (horas, das, semanas, etc.), pueden
ser los valores del diametro de las piezas fabricadas, la tasa de
averas de una maquina o proceso, la tasa de defectos en un
proceso de produccion, o cualquier otra caracterstica de calidad
relevante de un proceso. Estos gracos son muy utiles para analizar
los factores que intervienen en la calidad.
Estadstica Industrial I
Gracas de control
Una de las gracas de control mas utilizadas es la graca de
control para promedios.Los valores promedios de la caracterstica
de calidad son dibujados a lo largo del eje vertical, y el eje
horizontal representa las muestras o subgrupos en orden de
tiempo. Se toman las muestras de determinado tama no
(generalmente 4 o 5 observaciones), se mide la caracterstica de
calidad de interes, por ejemplo: longitud, diametro, resistencia,
tiempo de servicio, etc., y se calcula el promedio de cada muestra.
Estos promedios son dibujados de acuerdo al orden en el tiempo en
el que han sido tomadas las muestras.
Estadstica Industrial I
Gracas de control

S-ar putea să vă placă și