PRESENTACION Introducción A La Estadística Aplicada A La Calidad - PDPF PDF

A
C
Introducción a la
R
Estadística Aplicada
a la Calidad
O
N
Juan Carlos Jordán Sánchez Ph.D.
IB
Introducción a la Estadística Aplicada a la
A
Calidad
C
CONTENIDO
▪ Conceptos de calidad
R
▪ Introducción a la estadística
▪ Variabilidad y Distribuciones de Probabilidad
O
▪ Teoría de probabilidades
▪ Distribuciones Discretas
N
▪ Distribuciones Continuas
▪ Introducción al diseño de las gráficas de control
IB
Conceptos de Calidad
A
Medición, análisis y mejora (Punto 8 ISO 9001:2008)
C
Medición del producto
R
Conformidad del producto
Conformidad del SGC
O
Mejora continua
N
IB
A
SEGUIMIENTO DEL PRODUCTO:
C
Ensayos/pruebas tipo
R
Inspecciones o ensayos en el proceso
O
Verificación del producto
Validación del producto
N
Calificación del producto
IB
A
MEDICIÓN DE LOS PROCESOS ejemplos
C
• Parámetros de control de los procesos
R
productivos
• Capacidad
O
• Rendimiento
• Asignación de costos de producción
N
• Desempeño del personal en la organización
• Aspectos mesurables de seguridad
IB
A
SEGUIMIENTO DE LOS PROCESOS
C
• Optimización del proceso
• Reducción de costos
• Reducción de desperdicios
R
O
N
IB
Conformidad del SGC
A
MEDICIÓN DE LA SATISFACCIÓN DEL CLIENTE
C
• Encuestas a clientes y usuarios
R
• Necesidades de mercado
• Información relativa a la competencia
O
• Quejas del cliente
• Estudios de sector e industria
N
IB
Conformidad del SGC
A
AUDITORÍA INTERNA
C
Mide el grado de cumplimiento con
los requisitos de la NB ISO
R
9001:2008 y los requisitos del SGC
establecidos por la organización.
O
N
IB
PLANTEAR PREGUNTAS CORRECTAS PARA IDENTIFICAR:
•Características fundamentales que distinguen a cada proceso
A
• ¿Cómo controlar estas características?
CARACTERÍSTICA
C
Rasgo diferenciador
R
Característica • Característica Continua
O
Cuantitativa • Característica Discreta
N
Característica • Característica Ordinal
IB
Cualitativa • Característica Nominal
Características que se pueden medir
A
• Características o requisitos de
calidad del producto que brindan
C
información sobre la calidad del
producto.
R
O
• Parámetros de control de proceso
N
que permiten establecer la aptitud
del mismo.
IB
Características que se pueden contar
• Atributos
A
Son características que se evalúan a
C
través de una observación visual y
satisfacen o no una determinada
R
especificación.
O
N
IB
Indicadores
A
• Son expresiones específicas que
proporcionan información sobre el
C
desempeño de la organización.
R
• Están relacionados con
características y proporcionan
O
información sobre la condición de
la organización respecto a estas
N
características.
IB
Características de Gestión Ambiental y
Seguridad Laboral
A
C
•Consumo
R
•Emisión
O
•Accidentes
N
IB
Herramientas para la gestión de la calidad
A
7
•Hoja de recolección de datos
C
•Diagrama de dispersión
•Gráficos simples
R
•Diagrama de causa y efecto
•Diagrama de Pareto
O
•Histograma
N •Cartas de control
IB
Introducción a la Estadística
A
C
R
O
N
IB
A
Estadística
C
▪ Es la ciencia que estudia los métodos científicos para
recoger, organizar, resumir y analizar datos, sacar
conclusiones válidas y tomar decisiones razonables.
R
O
▪ Estadística Descriptiva
N
▪ Estadística Inferencial
IB
A
Conceptos básicos
C
▪ Población
R
O
▪ Muestra
N
IB
▪ Muestra Aleatoria
A
Conceptos básicos
C
▪ Variable
R
O
N
IB
A
Conceptos básicos
C
▪ Parámetro µ, σ
R
▪ Estadístico x, s
O
▪ Censo N
IB
▪ Encuesta
A
Medidas de tendencia central
C
▪ Muestran el “centro” de los datos
▪ Media aritmética µ, es la suma de todos los valores de
R
una variable dividida entre el número total de esos
valores
O
N
IB
A
Medidas de tendencia central
C
▪ Mediana
▪ Moda
R
▪ Media ponderada
O
▪ Media geométrica
▪ Media armónica
N
IB
A
Medidas de dispersión
C
▪ Desviación
▪ Rango
R
▪ Desviación media
O
▪ Varianza
▪ Desviación estándar
N
▪ Cuartiles, deciles, percentiles
IB
A
C
R
O
N
IB
A
330
C
320
310
R
300
O
290
280
270
N
IB
260
0 5 10 15 20 25 30 35 40 45
A
▪ Desviación media
C
R
▪ Varianza
O
N
IB
▪ Desviación estándar
A
C
R
O
N
IB
Variabilidad y Distribuciones de Probabilidad
El azar hace que los valores de las
A
características se dispersen.
C
Las técnicas estadísticas constituyen un
componente natural de la Gestión de la
R
Calidad que permiten controlar diversas fases
O
de los procesos y facilitan la toma de
decisiones basadas en hechos.
N
IB
VARIACIONES
A
Conjunto de diferencias que resultan del efecto de
C
una serie de factores que influyen en el proceso
R
CAUSAS DE VARIACIÓN
O
•Causas comunes o debidas al azar
•Causas especiales o atribuibles
N
IB
A
Causas comunes o debidas al azar
C
- Variabilidad natural o “ruido de fondo”
- Variaciones incontrolables
R
- Sistema estable de causas fortuitas
- Un proceso que funciona con sólo causas fortuitas de variabilidad
se considera “bajo control estadístico”
O
Causas especiales o atribuibles
N
- No cumplimiento de requisitos
- Identificar causas atribuibles o asignables
- Eliminación de la variabilidad debida a causas asignables
IB
- Un proceso que funciona en presencia de causas atribuibles se
considera “fuera de control”
A
Las causas comunes o el azar hacen que los
valores de las características se dispersen y por
C
lo tanto, que los resultados difieran.
R
Mano de obra Máquina Mediciones Método Material Medio ambiente
O
Factores de regulación Dispersión de los valores
PROCESO
N
Magnitudes de regulación característicos
IB
GESTIÓN
Para estudiar el comportamiento de una
A
determinada característica estadísticamente se
consideran la:
C
POBLACIÓN:
R
Total de las unidades consideradas (N)
O
MUESTRA:
Una o varias unidades extraídas de la población.
Cantidad de unidades de la muestra = Tamaño de
N la muestra (n)
IB
A
Teoría de probabilidades
▪ Experimento
C
▪ Espacio muestral S
R
▪ Evento, subconjunto de S
▪ Probabilidad clásica
O
N
▪ 0 ≤ probabilidad de un evento ≤ 1
IB
A
C
▪ Diagrama de eventos
▪ P(S) = 1
R
▪ Complemento Ã
O
▪ P(Ã) = 1 – P(A)
N
IB
A
C
▪ Probabilidad de sacar el 4 rombo de un mazo de cartas
▪ Probabilidad de sacar cara en el lanzamiento de una
R
moneda
▪ Probabilidad de sacar un número primo al lanzar un dado
O
▪ Probabilidad de adivinar el día y mes de cumpleaños de
una persona
N
▪ Probabilidad de adivinar el mes de cumpleaños de una
persona
IB
A
C
▪ Probabilidad de que alguien pague la siguiente cuota de
un crédito si fallo 4 de las 16 veces anteriores
R
▪ Probabilidad de que un camión de transporte de autos se
accidente si cada 92 viajes son exitosos, sin accidentes.
O
▪ Cual es la probabilidad de NO sacar un 3 en el
lanzamiento de un dado
N
▪ Cual es la probabilidad de sacar un numero par en el
lanzamiento de un dado
IB
A
C
▪ Dos eventos son mutuamente excluyentes si la
ocurrencia de uno evita la ocurrencia del otro
R
▪ Dos eventos son independientes si la ocurrencia de uno
no afecta la probabilidad de ocurrencia del otro.
O
N
IB
A
▪ Regla de adición para eventos mutuamente excluyentes
C
▪ Si A y B son eventos mutuamente excluyentes la
probabilidad de que ocurra A o de que ocurra B es
R
P(A o B) = P(A) + P(B)
O
▪ Regla de adición para eventos NO mutuamente
N
excluyentes
▪ Si A y B NO son eventos mutuamente excluyentes la
IB
probabilidad de que ocurra A o de que ocurra B es
P(A o B) =P(A) + P(B) – P(A y B)
A
C
▪ Probabilidad condicional, probabilidad que depende de
otros eventos
R
▪ Probabilidad de que suceda el evento A dado que ha
O
sucedido el evento B
N
IB
A
C
▪ Regla de multiplicación, probabilidad de que dos o mas
eventos sucedan al mismo tiempo
R
▪ Si los eventos A y B son independientes entonces
O
P(A y B) = P(A) P(B)
▪ Si los eventos A y B NO son independientes entonces
N
P(A y B) = P(A)P(B | A)
IB
A
Variable aleatoria
▪ Una variable aleatoria es una función que asigna un valor
C
numérico a cada suceso elemental del espacio muestral
R
▪ Una variable aleatoria X es discreta si puede tomar un
número finito o infinito, pero numerable, de posibles
valores
O
▪ Una variable aleatoria X es continua si puede tomar un
número infinito (no numerable) de valores, o bien, si
N
puede tomar un número infinito de valores
correspondientes a los puntos de uno o más intervalos de
IB
la recta real
A
Variable aleatoria
C
▪ Variables aleatorias discretas tienen distribuciones de
probabilidad
R
O
N
IB
A
Variable aleatoria
C
▪ Variables aleatorias discretas
Se lanzan dos dados y se observa el resultado de la suma
R
de ambos dados. Determinar la distribución de
probabilidad.
O
N
IB
Variable aleatoria
A
Distribuciones de probabilidad Distribuciones de probabilidad
DISCRETAS CONTINUAS
C
R
O
N
IB
A
Variable aleatoria
C
▪ Variables aleatorias discretas
Se lanza tres veces una moneda y se observa el número
R
de caras. Calcular la distribución de probabilidad de la
variable aleatoria considerada. ¿Cuantas caras se espera
O
que salgan?
N
IB
A
Variable aleatoria
C
▪ Variables aleatorias continuas tienen función de densidad
R
O
N
IB
A
Variable aleatoria
C
▪ Variables aleatorias continuas
R
O
N
IB
Distribuciones de discretas
A
C
▪ Binomial
▪ Poisson
R
▪ Hipergeométrica
O
N
IB
A
C
▪ Distribución binomial (Bernoulli)
▪ Realizamos n veces cierto experimento en el que
R
consideramos sólo la posibilidad de éxito o fracaso.
▪ La obtención de éxito o fracaso en cada ocasión es
O
independiente de la obtención de éxito o fracaso en las
demás ocasiones.
N
▪ La probabilidad de obtener éxito o fracaso siempre es la
misma en cada ocasión
IB
A
C
R
O
N
IB
A
C
▪ Se lanza una moneda cuatro veces. Calcular la
R
probabilidad de que salgan más caras que sellos
O
N
IB
A
C
Un agente de seguros vende pólizas a cinco personas de
la misma edad y que disfrutan de buena salud. Según las
R
tablas actuales, la probabilidad de que una persona en
estas condiciones viva 30 años o más es 2/3. Hállese la
probabilidad de que, transcurridos 30 años, vivan:
O
▪ 1. Las cinco personas.
N
▪ 2.Al menos tres personas.
▪ 3.Exactamente dos personas.
IB
A
C
▪ Si de seis a siete de la tarde se admite que un número de
R
teléfono de cada cinco está comunicando, ¿cuál es la
probabilidad de que, cuando se marquen 10 números de
O
teléfono elegidos al azar, sólo comuniquen dos?
N
IB
A
C
▪ La probabilidad de que un hombre acierte en el blanco es
R
1/4. Si dispara 10 veces ¿cuál es la probabilidad de que
acierte exactamente en tres ocasiones? ¿Cuál es la
O
probabilidad de que acierte por lo menos en una ocasión?
N
IB
MODELO DE LA DISTRIBUCIÓN BINOMIAL
A
Para variables discretas del tipo “cantidad de
C
unidades con determinado atributo o cantidad de
unidades no conformes”
R
O
N
IB
A
Función de
probabilidad
C
g(x,n,p) de la
distribución
binomial para
R
distintos valores
de n y p
O
N
IB
A
Ejemplo 1: Unidades no conformes
Un proceso de manufactura produces miles de artículos por día. En
promedio el 1% de los artículos son no conformes a las
C
especificaciones. Cada hora, un inspector se calidad selecciona
aleatoriamente 50 artículos. Determinar la probabilidad que el inspector
R
registre 1 o menos artículos defectuosos
n = 50
O
p = 0,01
x=1
Función de distribución acumulada
N G (x) = 0,910565
P(X<= x) = G (x)
IB
A
C
R
O
N
IB
A
Ejemplo 2: Artículos defectuosos
En un proceso de fabricación que produce gran cantidad de artículos, se
C
sabe que en promedio 2% de ellos son defectuosos. Los artículos son
empacados en cajas de 10, y se quiere saber cual es la probabilidad de
que no haya ningún artículo defectuoso en cada caja.
R
Si X es el número de artículos defectuosos por caja, entonces se quiere
obtener P(X=0)
O
n = 10 p = 0,02 x=0
Función de distribución individual P(X= 0) = G(0) = g(0)
N G(0) = 0.817073
Por lo tanto, se espera que el 82% de las cajas no tenga ningún
artículo defectuoso. Mientras que el restante 18%, tendrá al menos 1
defectuoso.
IB
A
C
R
O
N
IB
A
C
▪ Distribución de Poisson, es una distribución de
probabilidad discreta que expresa la probabilidad que un
determinado número de eventos ocurran en un
R
determinado periodo de tiempo, área o distancia, dada
una frecuencia media conocida e independientemente del
O
tiempo discurrido desde el último evento
N
IB
A
▪ Distribución de Poisson
C
R
O
N
IB
A
C
▪ Distribución de Poisson
▪ Si un banco recibe en promedio 6 cheques sin fondo por
R
día, ¿cuáles son las probabilidades de que reciba,
▪ a) cuatro cheques sin fondo en un día dado
O
▪ b) 5 cheques sin fondos en cualquiera de dos días
consecutivos?
N
IB
A
Para variables aleatorias discretas del tipo “cantidad
de sucesos por unidad de observación o cantidad de
C
fallas por unidad de observación”
R
En este tipo de experimentos, los éxitos buscados son expresados por unidad
de área, tiempo, pieza, etc.
Nº de defectos de una tela por m2
O
Nº de reclamos por día
Nº de aviones que aterrizan en un aeropuerto por día, hora, minuto
Nº de bacterias por cm2 de cultivo
Nº de llamadas telefónicas en un conmutador por hora
N
Nº de llegadas de embarcaciones a un puerto por mes
IB
A
C
R
O
N
IB
Situaciones típicas respecto de la probabilidad de seis sucesos
por unidad de observación
A
C
R
O
N
IB
Función de probabilidad g(x;  ) con diferentes valores
de 
A
Ejemplo 4 Número de llamadas
C
Se conoce que el número de llamadas por hora en la unidad de atención
al cliente de una institución de telefonía es igual a 4.
¿Cuál es la probabilidad que un día particular existan exactamente 3
R
llamadas entre las 8:30 y 9:30 de la mañana
O
Función de probabilidad individual
=4
x=3
P (X = 3) = g(3) = 0.195367
N
La probabilidad que existan exactamente 3 llamadas entre las 8:30 y
9:30 es de 19.54%
IB
A
C
R
O
N
IB
A
DISTRIBUCIÓN HIPERGEOMÉTRICA
C
R
O
N
IB
A
C
R
O
N
Donde D = Defectuosos
 D! 
  
D
IB
 Combinación de D elementos tomados de x en x
D
C x C x
 x!( D  x)! 
A
Ejemplo 3 Unidades disconformes – Hipergeométrica
C
En un lote tamaño 30 que contiene 3 unidades no conformes.
¿Cuál es la probabilidad que en una muestra de 5 unidades seleccionadas
aleatoriamente contengan exactamente 1 no conforme?
R
Función de probabilidad individual
O
N = 30
D=3
n=5
x=1 N
P (X = 1) = 0.369458
IB
A
C
R
O
N
IB
Distribuciones de probabilidad continuas
A
C
▪ Distribución normal
▪ Es frecuentemente utilizada en las aplicaciones
R
estadísticas por la frecuencia o normalidad con la que
ciertos fenómenos tienden a parecerse en su
O
comportamiento a esta distribución.
N
IB
A
C
▪ Caracteres morfológicos de individuos (personas, animales, plantas,...) de una especie,
p.ejm. tallas, pesos, envergaduras, diámetros, perímetros,...
▪ Caracteres fisiológicos, por ejemplo: efecto de una misma dosis de un fármaco, o de una
R
misma cantidad de abono.
▪ Caracteres sociológicos, por ejemplo: consumo de cierto producto por un mismo grupo de
O
individuos, puntuaciones de examen.
▪ Caracteres psicológicos, por ejemplo: cociente intelectual, grado de adaptación a un

medio,...
N
▪ Errores cometidos al medir ciertas magnitudes.
▪ Valores estadísticos muestrales, por ejemplo : la media.

IB
▪ Otras distribuciones como la binomial o la de Poisson son aproximaciones normales, ...
A
C
▪ Función de densidad
R
O
N
IB
A
C
R
O
N
IB
A
▪ Distribución normal estandarizada, tipificada
C
o normalizada
▪ Valor z
R
O
N
IB
A
C
R
O
N
IB
A
C
R
O
N
IB
A
C
R
O
N
IB
A
C
R
O
N
IB
A
C
R
O
N
IB
A
C
R
O
N
IB
A
C
▪ La media y los que de los pesos de 500 estudiantes
de un colegio es 70 kg y la desviación típica 3 kg.
Suponiendo que los pesos se distribuyen
R
normalmente, hallar cuántos estudiantes pesan:
▪ Entre 60 kg y 75 kg.
O
▪ Más de 90 kg.
N
▪ Menos de 64 kg.
▪ 64 kg.
IB
▪ 64 kg o menos.
A
C
▪ Los resultados del examen de Estadística
examen siguen una distribución normal con
R
media 78 y varianza 36. Se pide:
O
▪ ¿Cuál es la probabilidad de que una
persona que se presenta el examen
obtenga una calificación superior a 72?
N
IB
A
C
▪ Un estudio ha mostrado que, en un cierto
barrio, el 60% de los hogares tienen al
R
menos dos televisores Se elige al azar una
muestra de 50 hogares en el citado barrio.
O
Se pide:
▪ ¿Cuál es la probabilidad de que al menos
N
20 de los citados hogares tengan cuando
menos dos televisores?
IB
A
C
▪ El 80% de los integrantes de un grupo de
personas tienen menos de 30 años.
R
Sabiendo que la edad media del grupo es
de 24 años, calcule su desviación típica.
O
N
IB
A
C
▪ Existe un programa de entrenamiento diseñado
para mejorar las habilidades de supervisión de los
supervisores de línea de producción. Los
R
supervisores requieren un número diferente de
horas para terminarlo. Un estudio anterior indica
O
que el tiempo medio que se lleva completar el
programa es de 500 horas, y que esta variable
aleatoria normalmente distribuida tiene una
N
desviación estándar de 100 horas. ¿Cuál es la
probabilidad de que un participante elegido al azar
requiera más de 500 horas para completar el
IB
programa?
A
C
▪ ¿Cuál es la probabilidad de que un candidato elegido al azar
se tome entre 500 y 650 horas para completar el programa de
entrenamiento?
R
O
▪ En una ciudad se estima que la temperatura máxima en el
mes de junio si una distribución normal, con media 23° y
desviación típica 5°. Calcular el número de días del mes en
N
los que se espera alcanzar máximas entre 21° y 27°.
IB
A
C
▪ En USA, en la primavera de 2000 el salario inicial medio de
los recién egresados del posgrado era $ 31280. Supóngase
que los salarios iniciales siguen una distribución normal con
R
desviación estándar $3300. Que porcentaje de los egresados
tiene un salario inicial medio.
O
▪ a) entre $ 30000 y $35000?
▪ b) Superior a $40000?
N
▪ c) entre $35000 y $40000?
IB
A
MODELO DE LA DISTRIBUCIÓN EXPONENCIAL
Para variables aleatorias continuas, utilizada frecuentemente para
C
modelar tiempos. En particular el tiempo (o distancia) entre ocurrencias
sucesivas.
R
O
N
IB
A
Ejemplo 7 Tiempo de falla en un componente electrónico
C
Suponemos que un componente electrónico en un sistema de radar tiene un
tiempo de vida según distribución exponencial con un valor esperado de vida
10000 horas. El tiempo medio de falla del componente es 1/lamda = 10000 h.
R
Se desea determinar cual es la probabilidad que este componente falle antes
del valor esperado de vida
O
Función de distribución acumulada
Exponencial con media = 10000
x N P( X <= x )
10000 0.632121
La probabilidad que el artículo dure menos de 10000 h. es de 63.21%
IB
A
C
R
O
N
IB
Introducción al diseño de las Gráficas de Control
Xbar/R Chart for diametro
A
74.015 UCL=74.01
Sample Mean
74.005
Mean=74.00
C
73.995
- Línea Central CL
73.985
LCL=73.99
- Limite Superior de Control - UCL
- Límite Inferior de Control - LCL
Subgroup 0 5 10 15 20 25
R
0.05 UCL=0.04813
Sample Range
0.04
0.03
R=0.02276
0.02
0.01
0.00 LCL=0
O
N
IB
A
C
Muestra los límites
dentro de los cuales
R
una medición debe
encontrarse para estar
O
bajo control.
Una medición fuera de
N los límites, puede ser
una señal de problemas
en la calidad.
IB
A
Es una herramienta para distinguir variaciones debidas a
C
causas asignables o especiales de las variaciones al azar
inherentes al proceso
R
Las variaciones al azar, se repiten
aleatoriamente dentro de límites predecibles
O
Las variaciones debidas a causas especiales,
N
indican que es necesario identificar, investigar
y poner bajo control algunos factores que
IB
afectan al proceso
A
Presentación general de una carta de control
C
Cartas de control
12.5 Límite
R
Superior de
11.5 Control
10.5
O
9.5 Línea
Central
8.5
Límite
Inferior de
7.5
Control
0 10 20 30
N
Modelo general para un diagrama de control
UCL   w  k  w
IB
CL   w
LCL   w  k  w
A
Diferenciar construcción de la carta de control y uso de la carta de
C
control
En el diseño se debe resolver los siguientes problemas:
R
- Selección del tamaño de muestra
- Frecuencia de muestreo
O
- Límites de control
Los diagramas de control han tenido un largo historial de uso:

N
- Son una técnica probada para mejorar calidad
- Son eficaces para evitar defectos o errores
- Evitan ajustes innecesarios a proceso o servicio
IB
- Proporcionan información para el análisis de rendimiento
- Proporcionan información a propósito de la capacidad del proceso
A
Selección del tamaño de muestra y
C
frecuencia de muestreo
Al diseñar una carta de control, se debe
R
especificar tanto el tamaño de la muestra
como la frecuencia de muestreo. En
O
producción masiva se recomienda tomar
muestras pequeñas de forma frecuente,
especialmente cuando existe la posibilidad
N
de que existan muchas causas especiales.
IB
A
CARTAS DE CONTROL PARA VARIABLES
Cartas de control X – R. Principio, construcción y uso
C
El promedio del proceso y la variabilidad, en la practica, son desconocidos
R
Estimación del promedio y la variabilidad
O
x  x  ...  xn R  xmax  xmin R1  R2  ...  Rm
x 1 2 R
n m
N
Limites de control para la X - CHART
UCL  x  A2 R
Limites de control para la R - CHART
UCL  D4 R
IB
Center Line  x Center Line  R
LCL  x  A2 R LCL  D3 R
CARTAS DE CONTROL X – R CHART. PRINCIPIO, CONSTRUCCIÓN Y USO
A
Ejemplo: DATOS PISTÓN
C
R
O
N
IB
A
C
Resultados de la carta X – R CHART construida
R
x  74.001 UCL  RD3  0.023(0)  0
R  0.023 LCL  RD4  0.023(2.115)  0.049
O
N
UCL  x  A2 R  74.001  (0.577)(0.023)  74.014
LCL  x  A2 R  74.001  (0.577)(0.023)  73.988
IB
A
Uso de la carta X_R CHART
C
EJEMPLO: DATOS PISTON-USO
R
O
N
IB
CARTAS DE CONTROL PARA ATRIBUTOS
A
C
R
O
N
IB
CARTAS DE CONTROL PARA ATRIBUTOS
A
Cartas de control P- CHART. Principio, construcción y uso
C
R
O
N
IB
A
C
R
O
N
IB
A
C
R
O
N
IB
A
C
Ejemplo: DATOS NARANJA 1
R
O
N
IB
A
Cartas de control NP (número de defectuosos) Principio, construcción y uso
C
di  n p  di  n p(1  p)
R
O
Límites de control para la NP CHART
N
UCL  n p  3 n p(1  p)
Center Line  n p
IB
LCL  n p  3 n p(1  p)
A
Cartas de control NP - CHART. Principio, construcción y uso
C
R
O
N
IB
A
Análisis de capacidad de los procesos
C
Comparación de la variabilidad del proceso con las
especificaciones
R
O
N UNTL    3
LNTL    3
IB
A
C
R
O
N
IB
A
C
R
O
N
IB
A
C
R
O
Muchas gracias
N
IB

PRESENTACION Introducción A La Estadística Aplicada A La Calidad - PDPF PDF

Încărcat de

Informații document

Titlu original

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

PRESENTACION Introducción A La Estadística Aplicada A La Calidad - PDPF PDF

Încărcat de

Drepturi de autor:

Formate disponibile

A

Conformidad del SGC

•Características fundamentales que distinguen a cada proceso

▪ Caracteres psicológicos, por ejemplo: cociente intelectual, grado de adaptación a un

▪ Valores estadísticos muestrales, por ejemplo : la media.

Ejemplo 7 Tiempo de falla en un componente electrónico

Los diagramas de control han tenido un largo historial de uso:

S-ar putea să vă placă și