Control Estadistico Calidad Industrial

OBJETIVO GENERAL DEL CURSO
(COMPETENCIAS A DESARROLLAR)
Disear e Implantar el Control
estadstico de Calidad en procesos
para alcanzar la mejora continua
UNIDAD 1
TEORA GENERAL DE LA CALIDAD Y
HERRAMIENTAS BSICAS
Competencia especfica a desarrollar:
Conocer los conceptos empleados en la Calidad.
Uso de Herramientas Administrativas para lograr el
involucramiento de los participantes en las actividades de un
proceso.
Aplicar las herramientas bsicas de calidad para identificar las
fallas, estabilizar y reducir la variabilidad en los procesos y
productos.
Instituto Tecnologico de Mexicali
I
n
g
.

M
e
c
a
t
r
n
i
c
a

UNIDAD 1. TEMAS
Tema Descripcin Tema Descripcin
1.1 Conceptos e importancia de
la Calidad.
1.5.7 Porque-porque
1.2 Costos de Calidad
1.5.8 Como-como
1.3 Cadena Cliente-Proveedor
1.5.9 W una H
1.4 Recoleccin de datos 1.6 Herramientas Estadsticas
1.5 Herramientas Admnivas.
1.6.1. Hojas de verificacin.
1.5.1 Diagrama afinidad 1.6.2. Diagrama de Pareto.
1.5.2 Diagrama de relaciones 1.6.3. Diagrama Causa-Efecto.
1.5.3 Diagrama de rbol 1.6.4. Histograma.
1.5.4 Diagrama matricial 1.6.5. Diagrama de Dispersin.
1.5.5 Diagrama de Flujo 1.6.6. Estratificacin.
1.5.6 Tormenta de ideas
1.7 Habilidad y Capacidad del proceso
I
n
g
.

M
e
c
a
t
r
n
i
c
a

UNIDAD 2
GRFICOS DE CONTROL POR VARIABLES

Identificar el tipo de variable que representa la caracterstica de
calidad a controlar.
Disear e Implementar los grficos.
Aplicar los conocimientos sobre variables continuas en los
grficos de control.
Aplicar los fundamentos de intervalos de control de variables
para reducir la variabilidad, monitorear, as como, para estimar los
parmetros del proceso o producto.

I
n
g
.

M
e
c
a
t
r
n
i
c
a

UNIDAD 2. TEMAS
Tema Descripcin
2.1 Conceptos generales y principios del
CEP
2.2 Elaboracin e interpretacin de
grficas para variables
2.2.1 Grficos X-R
2.2.2 Grficos X-S
2.2.3 Grficos X de individuales
2.3 Capacidad de procesos Cp, Cpk y Cpm
I
n
g
.

M
e
c
a
t
r
n
i
c
a

UNIDAD 3
GRFICOS DE CONTROL POR ATRIBUTOS
Identificar el tipo de atributo que representa la
caracterstica de calidad a controlar.
Disear e Implementar los grficos de control para
reducir la variabilidad, monitorear, as como, para
estimar los parmetros del proceso o producto.

I
n
g
.

M
e
c
a
t
r
n
i
c
a

UNIDAD 3. TEMAS
Tema Descripcin
3.1 Conceptos generales de Atributos
3.2 Elaboracin e interpretacin de grficas
para Atributos
3.2.1 Grfico p
3.2.2 Grfico np
3.2.3 Grfico c
3.2.4 Grfico u
3.3 Capacidad de proceso

I
n
g
.

M
e
c
a
t
r
n
i
c
a

UNIDAD 4
MUESTREO DE ACEPTACIN
Aplicar las diferentes tcnicas de muestreo
de aceptacin a procesos industriales, para la
toma de decisiones acerca de la aceptacin o
rechazo de lotes de produccin de materia
prima con base en la informacin obtenida de
las muestras recolectadas e inspeccionadas.

I
n
g
.

M
e
c
a
t
r
n
i
c
a

UNIDAD 4. TEMAS
Tema Descripcin
4.1 Conceptos Bsicos del Muestreo de
Aceptacin
4.2 Uso de Tablas de Muestreo (MIL-STD,
414, 105D y DODGE ROMING)
4.2.1 Plan de muestreo de Aceptacin
por atributos
4.2.2. Plan de muestreo de Aceptacin
por variables
I
n
g
.

M
e
c
a
t
r
n
i
c
a

DESARROLLO DEL
TEMARIO

I
n
g
.

I
n
d
u
s
t
r
i
a
l

UNIDAD 1

TEORA GENERAL DE LA CALIDAD Y
HERRAMIENTAS BSICAS
I
n
g
.

M
e
c
a
t
r
n
i
c
a

1.1 CONCEPTOS E IMPORTANCIA
DE LA CALIDAD
I
n
g
.

I
n
d
u
s
t
r
i
a
l

1.1 CONCEPTOS E IMPORTANCIA DE LA
CALIDAD
I
n
g
.

I
n
d
u
s
t
r
i
a
l

Calidad
Competitividad
Calidad del producto
Calidad del
servicio
Precio
Productividad
Eficiencia
Eficacia
Variabilidad
Proceso (6M)
Pensamiento
estadstico
Mejora
Acciones correctivas y
preventivas
El ciclo de la calidad
(PHVA)
DE LA CALIDAD
I
n
g
.

I
n
d
u
s
t
r
i
a
l

VARIABLES DE ENTRADA DEL
PROCESO:
Definen las caractersticas de los insumos y las
variables de operacin y control de un proceso.
VARIABLES DE SALIDA:
Son las caractersticas de calidad en las que se
reflejan los resultados obtenidos por un proceso.
DE LA CALIDAD
I
n
g
.

I
n
d
u
s
t
r
i
a
l

CALIDAD:
Caractersticas de un
producto o servicio que le
confieren su aptitud para
satisfacer necesidades
explcitas o implcitas.
TIEMPO DE CICLO:
Es el tiempo que
transcurre desde que
el cliente inicia un
pedido que se
transforma en
requerimientos de
materiales, rdenes de
produccin y de otras
tareas, hasta que todo
se convierte en un
producto en las manos
de ste.
SATISFACCIN DEL
CLIENTE:
Es la percepcin de ste acerca del
grado con el cual sus necesidades o
expectativas han sido cumplidas.
DE LA CALIDAD
I
n
g
.

I
n
d
u
s
t
r
i
a
l

DE LA CALIDAD
I
n
g
.

I
n
d
u
s
t
r
i
a
l

DE LA CALIDAD
I
n
g
.

I
n
d
u
s
t
r
i
a
l

DE LA CALIDAD
I
n
g
.

I
n
d
u
s
t
r
i
a
l

DE LA CALIDAD
I
n
g
.

I
n
d
u
s
t
r
i
a
l

COMPETITIVIDAD:
Es la capacidad de una empresa para generar valor para el
cliente y sus proveedores de mejor manera que sus
competidores.
PRODUCTIVIDAD:
Es la capacidad de generar resultados utilizando ciertos
recursos. Se incrementa maximizando resultados y/u
optimizando recursos.
DE LA CALIDAD
I
n
g
.

I
n
d
u
s
t
r
i
a
l

EFICIENCIA:
Relacin entre los resultados logrados y los
recursos empleados. Se mejora optimizando
recursos y reduciendo tiempos desperdiciados
por paros de equipo, falta de material, retrasos,
etctera.
EFICACIA:
Grado con el cual las actividades planeadas son
realizadas y los resultados previstos son
logrados. Se atiende maximizando resultados.
DE LA CALIDAD
I
n
g
.

I
n
d
u
s
t
r
i
a
l

ACCIONES CORRECTIVAS:
Se emplean para eliminar la causa de una
no conformidad detectada. Es decir, estn
orientadas a prevenir recurrencias.
ACCIONES PREVENTIVAS:
Son aquellas que se implementan para
eliminar la causa de una No Conformidad
potencial o de alguna otra situacin
potencial no deseable.
DE LA CALIDAD
I
n
g
.

I
n
d
u
s
t
r
i
a
l

1.1 CONCEPTOS E IMPORTANCIA DE LA CALIDAD
I
n
g
.

I
n
d
u
s
t
r
i
a
l

SISTEMA DE MEDICIN DEL DESEMPEO:
Se refiere a cuantificar los signos vitales de la organizacin y con base en
ellos encauzar el pensamiento de los empleados y fijar prioridades.
I
n
g
.

I
n
d
u
s
t
r
i
a
l

CONFORMANCIA:
Consiste en cumplir con las especificaciones de calidad y enfocarse a
reducir el retrabajo y los desperdicios.
Medicin del desempeo de una organizacin
La gua clave del Negocio
I
n
g
.

I
n
d
u
s
t
r
i
a
l

Algunos indicadores para la gua clave de los negocios
I
n
g
.

I
n
d
u
s
t
r
i
a
l

Variabilidad y pensamiento estadstico
6M:

Son los Materiales,
Mano de Obra,
Mediciones, Medio
Ambiente, Mquinas
y Mtodos que
conforman un
proceso y son los
factores que tienen
y le aportan
variacin.
Variabilidad:

Se refiere a la
diversidad de
resultados de
una variable o
de un proceso
I
n
g
.

I
n
d
u
s
t
r
i
a
l

La variabilidad de un proceso. Cada M aporta una parte, no
necesariamente igual, de la variacin total observada.
I
n
g
.

I
n
d
u
s
t
r
i
a
l

Pensamiento
estadstico:

Filosofa de aprendizaje
y accin que establece
la necesidad de un
anlisis adecuado de
los datos de un
proceso, como una
accin indispensable
para mejorar su calidad
(reducir su variabilidad)
Ciclo de la calidad
(ciclo PHVA)

Proceso de cuatro
etapas para
desarrollar proyectos
de mejora; consiste en
Planear, Hacer,
Verificar y Actuar
(PHVA)
I
n
g
.

I
n
d
u
s
t
r
i
a
l

Pensamiento estadstico en los tres niveles de la organizacin
I
n
g
.

I
n
d
u
s
t
r
i
a
l

Ocho pasos en la solucin de un problema
I
n
g
.

I
n
d
u
s
t
r
i
a
l

1.2 COSTOS DE CALIDAD
I
n
g
.

I
n
d
u
s
t
r
i
a
l

1.3 RELACIN CLIENTE-
PROVEEDOR
I
n
g
.

I
n
d
u
s
t
r
i
a
l

1.4 RECOLECCIN DE DATOS
I
n
g
.

M
e
c
a
t
r
n
i
c
a

1.5 HERRAMIENTAS
ADMINISTRATIVAS
I
n
g
.

M
e
c
a
t
r
n
i
c
a

1.5.1 HERRAMIENTAS
ADMINISTRATIVAS: DIAGRAMA DE
AFINIDAD
I
n
g
.

M
e
c
a
t
r
n
i
c
a

1.5.2 HERRAMIENTAS ADMINISTRATIVAS:
DIAGRAMA DE RELACIONES
I
n
g
.

M
e
c
a
t
r
n
i
c
a

DIAGRAMA DE RBOL
I
n
g
.

M
e
c
a
t
r
n
i
c
a

DIAGRAMA MATRICIAL
I
n
g
.

M
e
c
a
t
r
n
i
c
a

DIAGRAMA DE FLUJO
I
n
g
.

M
e
c
a
t
r
n
i
c
a

TORMENTA DE IDEAS (BRAINSTORMING)
I
n
g
.

M
e
c
a
t
r
n
i
c
a

POR QU-POR QU (WHY-WHY)
I
n
g
.

M
e
c
a
t
r
n
i
c
a

CMO-CMO
I
n
g
.

M
e
c
a
t
r
n
i
c
a

W UNA H
I
n
g
.

M
e
c
a
t
r
n
i
c
a

1.6 HERRAMIENTAS ESTADSTICAS
I
n
g
.

M
e
c
a
t
r
n
i
c
a

Tema Herramienta Estadstica
1.6.1
Hojas de verificacin.
1.6.2
Diagrama de Pareto.
1.6.3
Diagrama Causa-Efecto.
1.6.4
Histograma.
1.6.5
Diagrama de Dispersin.
1.6.6
Estratificacin.
1.6.1 HOJAS DE VERIFICACIN
I
n
g
.

M
e
c
a
t
r
n
i
c
a

1.6.2 DIAGRAMAS DE PARETO
I
n
g
.

M
e
c
a
t
r
n
i
c
a

El 80% de los resultados
estn producidos por el
20% de las causas.
I
n
g
.

M
e
c
a
t
r
n
i
c
a

I
n
g
.

M
e
c
a
t
r
n
i
c
a

I
n
g
.

M
e
c
a
t
r
n
i
c
a

1.6.3 DIAGRAMAS DE CAUSA-EFECTO
I
n
g
.

M
e
c
a
t
r
n
i
c
a

1.6.4 HISTOGRAMAS
I
n
g
.

M
e
c
a
t
r
n
i
c
a

1.6.4 HISTOGRAMAS
Para el anlisis de un conjunto de datos es clave conocer su
tendencia central y su dispersin.
El histograma y la Tabla de frecuencias permiten visualizar estos dos
aspectos en un conjunto de datos, y adems muestran la forma en la
que los datos se distribuyen dentro de su rango de variacin.
Especficamente, el histograma es una representacin grfica,
en forma de barras, de la distribucin de un conjunto de datos o
una variable, cuyos datos se clasifican por su magnitud en cierto
nmero de grupos o clases, y cada clase se representa por una
barra, cuya longitud es proporcional a la cantidad de datos que
pertenecen a dicha clase. Usualmente, el eje horizontal est
formado por una escala numrica para mostrar la magnitud de
los datos y en el eje vertical se representan las frecuencias.
I
n
g
.

M
e
c
a
t
r
n
i
c
a

EJEMPLO PARA CONSTRUCCIN DE UN HISTOGRAMA
En un restaurant se tiene una frmula especfica para elaborar
una cantidad determinada de agua fresca, la cual contempla
agregar 500 gramos de azcar.
Es claro que resulta de suma importancia aadir exactamente
esa cantidad de azcar para la calidad de agua, ya que, de lo
contrario, sta queda muy dulce o desabrida.
Aunque a los cocineros se les ha insistido sobre lo anterior, es
frecuente que no pesen el azcar y le agreguen al tanteo.
Al considerar la calidad del agua como un aspecto clave, se
decide disear un procedimiento a prueba de olvidos: comprar
bolsas que contengan 500 gramos de azcar.
Suponga dos marcas de azcar que cuentan con la
presentacin de 500 gramos; ahora es necesario decidir qu
marca comprar. Con este propsito se pesan 40 bolsas de
ambas marcas. Al pesarse arrojan los resultados de la Tabla 1
I
n
g
.

I
n
d
u
s
t
r
i
a
l

TABLA 1. DATOS PARA EJEMPLO DE HISTOGRAMA
Marca Peso de las bolsas de azcar (g) Media Mediana
A
503 507 492 499 498 506 502
502.3 502
502 506 502 505 493 500 489
500 492 500 515 510 502 508
499 510 494 503 499 508 513
502 515 514 507 510 498 507
491 507 502 484 500
B
505 492 502 499 496 499 496
498.1 498.5
495 498 501 504 501 498 498
499 495 501 500 497 495 500
491 493 507 496 492 499 492
501 500 497 500 498 496 494
497 504 496 500 499
I
n
g
.

I
n
d
u
s
t
r
i
a
l

CONSTRUCCIN DE UN HISTOGRAMA
Paso 1:
Determinar el Rango de los datos. El rango es igual a la
diferencia entre el dato mximo y el mnimo.
R= 515 484 = 31

Paso 2:
Obtener el nmero de clases (NC). En general se recomienda
que el nmero de intervalos o clases sea de 5 a 15. Para decidir
un valor entre este rango hay varios criterios. Uno de ellos dice
que el nmero de clases debe ser aproximadamente igual a la
raz cuadrada del nmero de datos. Otro criterio, conocido
como la Regla de Sturgess, seala que el nmero de clases es
igual a:
1 + 3.3 Log
10
(nmero de datos).

I
n
g
.

I
n
d
u
s
t
r
i
a
l

paso 2
En el ejemplo, la raz cuadrada de 40 (nmero de bolsas pesadas
de la marca A) es mayor que 6, por lo que se eligen siete clases,
NC=7.
Aplicando la Regla de Sturgess, tambin se obtiene un resultado
similar, ya que:
NC = 1 + 3.3 Log
10
(40) = 6.3

En ocasiones, al modificar el nmero de clases se pueden
apreciar aspectos que no se haban observado, por lo que, si se
dispone de un programa computacional, es recomendable
experimentar con diferentes nmeros de clases que estn
cercano al valor propuesto inicialmente.

I
n
g
.

I
n
d
u
s
t
r
i
a
l

Paso 3:
Establecer la longitud de clase (LC). La longitud de clase se
establece de tal manera que el rango pueda cubrirse en su totalidad
por el nmero de clases determinado.
As, una forma directa de obtener la LC es dividiendo el Rango entre
el nmero de clases:
LC = R / NC
Sin embargo, en ocasiones resulta ms conveniente ampliar un poco
el rango para que el histograma tenga una cobertura ligeramente
mayor que la observada en la muestra. En el ejemplo, el mnimo es
484 y el mximo es 515; de esta manera, al ampliar un poco, el
histograma podra ir de 480 a 520. As:
LC = (520 480) / 7 = 5.7

I
n
g
.

I
n
d
u
s
t
r
i
a
l

Paso 4:
Construir los intervalos de clase. Los intervalos de clase
resultan de dividir el rango (original o ampliado) entre el
nmero de intervalos determinados con la LC, como se
muestra en la tabla 2.
El punto inicial para la primera clase debe ser el dato mnimo
del rango ampliado. En el ejemplo se inicia en 480.
Para obtener la primera clase se le suma al punto inicial la
longitud de clase y as se obtiene el intervalo de la primera
clase (ver tabla 2). Para obtener el intervalo de la segunda
clase, se toma el final de la primera clase como punto inicial y
se le suma la longitud de la clase, y as se sigue hasta
completar todos los intervalos como se muestra en la tabla de
frecuencias 2.

I
n
g
.

I
n
d
u
s
t
r
i
a
l

TABLA 2. TABLA DE FRECUENCIA PARA EL PESO DE
LAS BOLSAS DE AZCAR DE LA MARCA A
CLASE INTERVALO MARCAS PARA
CONTEO
FRECUENCIA FRECUENCIA
RELATIVA (%)
1
480.0 a 485.7 /
1 2.5
2
485.7 a 491.4 //
2 5
3
491.4 a 497.1 ////
4 10
4
497.1 a 502.9 ///// /////
/////
15 37.5
5
502.9 a 508.6 ///// ///// /
11 27.5
6
508.6 a 514.3 /////
5 12.5
7
514.3 a 520.0 //
2 5
I
n
g
.

I
n
d
u
s
t
r
i
a
l

Paso 5:
Obtener la frecuencia de cada clase. Para obtener la frecuencia se
cuentan los datos que caen en cada intervalo de clase (ver Tabla 2).
Cuando un dato coincide con el final de una clase y principio de la
siguiente, entonces tal dato suele incluirse en la primera.

Paso 6:
Graficar el histograma. Se hace una grfica de barras en la que las
bases de las barras sean los intervalos de clase y la altura sean las
frecuencias de las clases. El histograma de la figura 1 muestra este
paso, en el que se puede apreciar la variabilidad del peso de la
muestra de las bolsas de azcar de la Marca A, que prcticamente va
de 480 a 520 gramos.
I
n
g
.

I
n
d
u
s
t
r
i
a
l

Paso 6:
La figura 2 muestra el histograma para los datos de la Marca B, a
partir del cual se aprecia que tienen una variabilidad mucho menor
que las bolsas de la marca A. En ambos histogramas se observa que
la tendencia central en ambas muestras es similar (cercana a 500
gramos).
Adems, no hay situaciones especiales en cuanto al comportamiento,
como datos raros, sesgos,
CONCLUSIN:
As, con un vistazo y comparacin rpida de los histogramas se
ve que la muestra de las bolsas de la marca B cumple mejor los
requerimientos para elaborar el agua fresca en el restaurante.
Por lo tanto, dado que la muestra no es demasiada pequea, y
debido a la gran diferencia en variabilidad, las bolsas de azcar
de 500 gramos de la marca B son las que aseguran una mejor
calidad en el agua fresca
I
n
g
.

I
n
d
u
s
t
r
i
a
l

HISTOGRAMA GENERADO CON SOFTWARE MINITAB
I
n
g
.

I
n
d
u
s
t
r
i
a
l

Figura 1. Histograma para pesos de las bolsas de
azcar de la Marca A
HISTOGRAMA GENERADO EN MINITAB
I
n
g
.

I
n
d
u
s
t
r
i
a
l

Figura 2. Histograma para pesos de las bolsas de
azcar de la Marca B
EJERCICIO HISTOGRAMA: LOS PANADEROS
En una panadera, dos trabajadores, A y B, estn haciendo pan
en las mquinas 1 y 2. El peso de los panes franceses
producidos se registr durante 20 das, como se muestra en la
Tabla 3. Cada da se tomaron aleatoriamente cuatro panes de
cada mquina y se pesaron. La especificacin del peso es de 200
a 225 gramos (g).
1. Haga los siguientes histogramas:
a) Un histograma global
b) Un histograma del panadero A y otro del panadero B
c) Un histograma de la mquina 1 y otro de la mquina 2
d) Cuatro histogramas que muestren combinaciones
diferentes panaderos y de diferentes mquinas.
2. Estdielos comparndolos con la especificacin y haga la
conclusin.
I
n
g
.

I
n
d
u
s
t
r
i
a
l

Da
Panadero
Mquina No.1 Mquina No.2
1 A 209.2 209.5 210.2 212.0 214.3 221.8 214.6 214.4
2 A 208.5 208.7 206.2 207.8 215.3 216.7 212.3 212.0
3 A 204.2 210.2 210.5 205.9 215.7 213.8 215.2 202.7
4 B 204.0 203.3 198.2 199.9 212.5 210.2 211.3 210.4
5 B 209.6 203.7 213.2 209.6 208.4 214.9 212.8 214.8
6 A 208.1 207.9 211.0 206.2 212.3 216.2 208.4 210.8
7 A 205.2 204.8 198.7 205.8 208.1 211.9 212.9 209.0
8 B 199.0 197.7 202.0 213.1 207.5 209.9 210.6 212.3
9 B 197.2 210.6 199.5 215.3 206.9 207.1 213.6 212.2
10 B 199.1 207.2 200.8 201.2 209.6 209.5 206.8 214.2
I
n
g
.

I
n
d
u
s
t
r
i
a
l

Da
Panadero
Mquina No.1 Mquina No.2
11 A 204.6 207.0 200.8 204.6 212.2 209.8 207.6 212.6
12 B 214.7 207.5 205.8 200.9 211.4 211.2 214.4 212.6
13 B 204.1 196.6 204.6 199.4 209.6 209.2 206.1 207.1
14 A 200.2 205.5 208.0 202.7 203.5 206.9 210.6 212.3
15 A 201.1 209.2 205.5 200.0 209.1 206.3 209.8 211.4
16 A 201.3 203.1 196.3 205.5 208.0 207.9 205.3 203.6
17 B 202.2 204.4 202.1 206.6 210.0 209.4 209.1 207.0
18 B 194.1 211.0 208.4 202.6 215.6 211.8 205.4 209.0
19 B 204.8 201.3 208.4 212.3 215.5 207.5 212.9 204.3
20 A 200.6 202.3 204.3 201.4 209.1 205.8 212.0 204.2
I
n
g
.

I
n
d
u
s
t
r
i
a
l

INTERPRETACIN DEL HISTOGRAMA
Cuando un histograma se construye de manera correcta, es resultado
de un nmero suficiente de datos (de preferencia ms de 100 datos),
y stos son representativos del estado del proceso durante el periodo
de inters. Entonces, se recomienda considerar los siguientes puntos
en la interpretacin del histograma:
1. Observar la tendencia central de los datos. Localizar en el
eje horizontal o escala de medicin las barras con mayor
frecuencia.
2. Estudiar el centrado del proceso. Para ello, es necesario
apoyarse en el punto anterior y observar la posicin central del
cuerpo del histograma con respecto a la calidad ptima y las
especificaciones.
3. Examinar la variabilidad del proceso. Consiste en
comparar la amplitud de las especificaciones con el ancho del
histograma. Para considerar que la dispersin no es demasiada,
el ancho del histograma debe de caer de forma holgada en las
especificaciones.
I
n
g
.

I
n
d
u
s
t
r
i
a
l

4. Analizar la forma del histograma. Ala observar un
histograma considerar que la forma de distribucin de campana
es la que ms se da en salidas de proceso y tiene caractersticas
similares a la distribucin normal. Es frecuente que cuando la
distribucin no es de este tipo sea la seal de un hecho
importante que est ocurriendo en el proceso y que tiene un
efecto negativo en la calidad. Por ello, es importante revisar si la
forma del histograma es muy diferente a la de campana. Algunas
de las formas tpicas que no coinciden con una distribucin de
campana son:
4. Distribucin sesgada. En trminos generales, un sesgo en
una variable de salida refleja el desplazamiento paulatino de
un proceso debido a desgastes o desajustes; asimismo,
puede puede indicar procedimientos viciados en la forma de
obtener las mediciones o un desempeo especial del
proceso, en el sentido de que aparecen algunos valores
inusualmente altos de un solo lado de la distribucin.
I
n
g
.

I
n
d
u
s
t
r
i
a
l

Una forma de decidir si una distribucin sesgada indica una
situacin especial a corregir, consiste en comparar sta con
la distribucin de la misma caracterstica o de variables
similares para datos obtenidos en otro periodo de tiempo. La
recomendacin general es que ante la sospecha de que hay
algo especial atrs de una distribucin con sesgo se debe
investigar si efectivamente es as.
4. Distribucin multimodal. Se aprecia un histograma en el
que claramente se notan dos modas o picos que muestran
dos tendencias centrales diferentes. Esta situacin refleja la
presencia de dos o ms realidades o condiciones diferentes,
por ejemplo:
Diferencias importantes de lote a lote en la materia
prima que utiliza el proceso, debido a que proceden de
diferentes proveedores o al exceso de variacin de un
mismo proveedor.

I
n
g
.

I
n
d
u
s
t
r
i
a
l

Cuando en el proceso intervienen varios operadores,
con criterios o mtodos de trabajo diferentes.
Las mediciones de las variables de salida que estn
representadas en el histograma fueron realizadas por
personas o instrumentos diferentes; por lo tanto, se
utilizaron diferentes criterios o instrumentos mal
calibrados.
El proceso, cuando gener los resultados de la
distribucin multimodal, fue operada en condiciones
diferentes (una condicin para cada moda).
En general, una distribucin multimodal se debe a la
presencia de fuentes de variacin bien definidas que
deben ser identificadas y corregidas, a fin de mejorar la
capacidad del proceso correspondiente. Una forma de
identificarlas es analizar por separado los datos en
funcin de diferentes lotes de materia prima,
operadores, instrumentos de medicin, turnos, etc.
I
n
g
.

I
n
d
u
s
t
r
i
a
l

4. Distribucin muy plana. Las situaciones que pueden causar
esta distribucin son las mismas que la de la distribucin
multimodal, pero con la particularidad de que las diferencias
son menos fuertes. Se hacen las mismas recomendaciones
que en el inciso anterior.
5. Distribucin con acantilados
4. Datos raros o atpicos. Una pequea cantidad de mediciones
muy extremas o atpicas son identificadas con facilidad en el
histograma, debido a que aparecen una o ms barras pequeas
bastante separadas o aisladas del resto. Un dato raro refleja una
situacin que se debe investigar.
5. Estratificar. En ocasiones, en el histograma no se observa
ninguna forma particular pero existe mucha variacin y, en
consecuencia la capacidad del proceso es baja. Cuando los
resultados provienen de distintas mquinas , proveedores, lotes,
turnos, etc. Puede encontrarse informacin valiosa si se hace un
histograma por cada fuente (estratificar) con lo que se podra
determinar cul es la mquina o el proveedor ms problemtico.

I
n
g
.

I
n
d
u
s
t
r
i
a
l

LIMITACIONES DEL HISTOGRAMA
1. No considera el tiempo en el que se obtuvieron los datos; por lo
tanto, con el histograma es difcil detectar tendencias que ocurren
a travs del tiempo. Por tal razn, no ayuda a estudiar la
estabilidad del proceso en el tiempo, lo cual se analiza por medio
de graficas de control.
2. No es la tcnica ms apropiada para comparar de manera
prctica varios procesos o grupos de datos; en estos casos, el
diagrama de caja o la grfica de media son los ms apropiados.
3. La cantidad de clases o barras influye en la forma del histograma,
por lo que una buena prctica es que a partir de la cantidad de
clases que de manera inicial sugiere un software, se analice el
histograma con un nmero de clases ligeramente menor y un
poco ms de clases, a fin de verificar si se observa algo diferente.
I
n
g
.

I
n
d
u
s
t
r
i
a
l

1.6.5 DIAGRAMAS DE DISPERSIN
I
n
g
.

M
e
c
a
t
r
n
i
c
a

1.6.6 ESTRATIFICACIN
I
n
g
.

M
e
c
a
t
r
n
i
c
a

1.7 HABILIDAD Y CAPACIDAD DEL
PROCESO
I
n
g
.

M
e
c
a
t
r
n
i
c
a

MEDIANA
En comparacin con la media, la mediana no es sensible
a datos con valores extremos, de modo que la mediana
es frecuentemente una medida ms informativa en
relacin con el centro de un conjunto de datos sesgados.
Por ejemplo, para el anlisis de salarios en una
compaa, la media pudiera no ser una herramienta
estadstica satisfactoria. Los salarios relativamente altos
de un nmero reducido de empleados con sueldos
elevados tienden a inflar el promedio general, con lo cual
se obtiene una falsa impresin sobre los salarios de la
compaa. En este caso, la mediana aporta ms
informacin.
La mediana es equivalente al segundo cuartil o al
percentil 50.

I
n
g
.

M
e
c
a
t
r
n
i
c
a

MODA
El valor que ocurre con ms frecuencia en un conjunto de
observaciones. La moda se puede utilizar con la media y
la mediana para ofrecer una caracterizacin general de la
distribucin de sus datos. Mientras que la media y la
mediana se obtienen mediante un clculo, la moda se
obtiene simplemente al contar el nmero de veces que
cada valor ocurre en un conjunto de datos.

La identificacin de la moda puede ayudar a comprender
la distribucin.
I
n
g
.

M
e
c
a
t
r
n
i
c
a

MODA
.
I
n
g
.

M
e
c
a
t
r
n
i
c
a

MEDIDAS DE TENDENCIA CENTRAL:
MEDIA ARITMTICA, MEDIANA Y MODA
I
n
g
.

I
n
d
u
s
t
r
i
a
l

MEDIDAS DE DISPERSIN: VARIANZA,
DESVIACIN ESTNDAR Y RANGO
I
n
g
.

I
n
d
u
s
t
r
i
a
l

DESVIACIN ESTNDAR
La medida de dispersin ms comn, que indica
cun separados de la media estn los datos.
Mientras el rango estima la dispersin de los
datos restando el valor mnimo al valor mximo,
la desviacin estndar estima aproximadamente
la distancia "promedio" de las observaciones
individuales con respecto a la media.
Mientras mayor sea la desviacin estndar,
mayor ser la dispersin de los datos.

I
n
g
.

I
n
d
u
s
t
r
i
a
l

DESVIACIN ESTNDAR
La desviacin estndar se puede utilizar como un valor de
referencia preliminar para estimar la variacin general de un
proceso. Por ejemplo, los administradores hacen seguimiento al
tiempo de egreso de los pacientes tratados en las reas de
urgencia de dos hospitales. Aunque los tiempos de egreso
promedio son aproximadamente iguales (35 minutos), las
desviaciones estndares son significativamente diferentes.

Hospital 1 La desviacin estndar es aproximadamente 6. En
promedio, el tiempo para dar de alta a un paciente se desva de
la media (lnea azul) aproximadamente 6 minutos.

Hospital 2 La desviacin estndar es aproximadamente 20. En
promedio, el tiempo para dar de alta a un paciente se desva de
la media (lnea azul) aproximadamente 20 minutos.
I
n
g
.

I
n
d
u
s
t
r
i
a
l

DESVIACIN ESTNDAR
I
n
g
.

I
n
d
u
s
t
r
i
a
l

DESVIACIN ESTNDAR
La desviacin estndar se calcula tomando la raz cuadrada
positiva de la varianza, otra medicin de la dispersin de los
datos. Sin embargo, comnmente es ms conveniente e intuitivo
trabajar con la desviacin estndar, porque sta utiliza las
mismas unidades que los datos. Por ejemplo, si una pieza de una
mquina se pesa en gramos, la desviacin estndar de su peso
tambin se calcula en gramos, mientras que su varianza se
calcula en gramos
2
.
En una distribucin normal (forma de campana), las desviaciones
estndares sucesivas con respecto a la media proveen valores de
referencia tiles para estimar el porcentaje de observaciones de
datos.
Alrededor del 95% de las observaciones estn dentro de 2
desviaciones estndares de la media, indicadas por el rea
sombreada en azul.
Aproximadamente el 68% de las observaciones estn dentro de
una 1 desviacin estndar de la media (-1 a +1), y alrededor del
99.7% de las observaciones estaran dentro de 3 desviaciones
estndares de la media (-3 a +3).
El smbolo s(sigma) se utiliza frecuentemente para representar la
desviacin estndar de una poblacin, mientras que s se utiliza
para representar la desviacin estndar de una muestra.
La variacin que no es aleatoria o natural de un proceso se
conoce comnmente como ruido.

I
n
g
.

I
n
d
u
s
t
r
i
a
l

DESVIACIN ESTNDAR
La desviacin estndar se calcula tomando la raz cuadrada
positiva de la varianza, otra medicin de la dispersin de los
datos.
Sin embargo, comnmente es ms conveniente e intuitivo
trabajar con la desviacin estndar, porque sta utiliza las
mismas unidades que los datos. Por ejemplo, si una pieza de una
mquina se pesa en gramos, la desviacin estndar de su peso
tambin se calcula en gramos, mientras que su varianza se
calcula en gramos
2
.

En una distribucin normal (forma de campana), las desviaciones
estndares sucesivas con respecto a la media proveen valores de
referencia tiles para estimar el porcentaje de observaciones de
datos.

I
n
g
.

I
n
d
u
s
t
r
i
a
l

DESVIACIN ESTNDAR
I
n
g
.

M
e
c
a
t
r
n
i
c
s

DESVIACIN ESTNDAR
I
n
g
.

I
n
d
u
s
t
r
i
a
l

El smbolo s(sigma) se utiliza frecuentemente para
representar la desviacin estndar de una poblacin,
mientras que s se utiliza para representar la
desviacin estndar de una muestra.
La variacin que no es aleatoria o natural de un
proceso se conoce comnmente como ruido.
VARIANZA
Una medida de dispersin que representa el grado en que un
conjunto o distribucin de datos aparece disperso alrededor de su
media.
La supervisin de la varianza es esencial para las industrias
manufactureras y de calidad debido a que la reduccin de la
varianza de procesos incrementa la precisin y reduce el nmero de
defectos.

Por ejemplo, una fbrica produce clavos para carpintera que tienen
50mm de longitud y un clavo cumple con las especificaciones si la
longitud est dentro de 2mm del valor objetivo de 50mm. La fbrica
utiliza dos tipos de mquinas para fabricar clavos. Ambas mquinas
producen clavos con longitudes normalmente distribuidas y una
longitud media de 50mm.
I
n
g
.

I
n
d
u
s
t
r
i
a
l

VARIANZA
Sin embargo, los clavos de cada mquina tienen varianzas
diferentes: La mquina A, con la distribucin de lnea de puntos
que se muestra abajo, produce clavos con una varianza de 9mm
2

y la mquina B con la distribucin de lnea continua que se
muestra abajo, produce clavos con una varianza de 1mm
2
. Las
distribuciones de la longitud de los clavos para cada mquina
estn sobrepuestas, junto con los lmites de especificacin
verticales inferiores y superiores.

La longitud de los clavos de la mquina A tiene una varianza ms
grande que la longitud de los clavos de la mquina B. Por lo
tanto, cualquier clavo dado de la mquina A tiene una mayor
probabilidad de estar fuera de los lmites de especificacin que un
clavo de la mquina B.
I
n
g
.
M
e
c
a
t
r
n
i
c
a

VARIANZA
I
n
g
.
M
e
c
a
t
r
n
i
c
a

VARIANZA
Debido a que la varianza (s
2
) es una cantidad elevada
al cuadrado, sus unidades tambin estn elevadas al
cuadrado y pueden ser confusas para discutir en la
prctica.
Por ejemplo, una muestra del tiempo de espera en
una parada de autobuses puede tener una media de
15 minutos y una varianza de 9 minutos
2
.
Para resolver esta confusin, con frecuencia se
muestra la varianza con su raz cuadrada, la
desviacin estndar (s), que es una medicin ms
intuitiva.
Una varianza de 9 minutos
2
es equivalente a una
desviacin estndar de 3 minutos.

I
n
g
.

I
n
d
u
s
t
r
i
a
l

VARIANZA
Una medida de dispersin que representa el grado en que un
conjunto o distribucin de datos aparece disperso alrededor de su
media.
La supervisin de la varianza es esencial para las industrias
manufacturera y de calidad debido a que la reduccin de la
varianza de procesos incrementa la precisin y reduce el nmero
de defectos. Por ejemplo, una fbrica produce clavos para
carpintera que tienen 50mm de longitud y un clavo cumple con
las especificaciones si la longitud est dentro de 2mm del valor
objetivo de 50mm. La fbrica utiliza dos tipos de mquinas para
fabricar clavos. Ambas mquinas producen clavos con longitudes
normalmente distribuidas y una longitud media de 50mm. Sin
embargo, los clavos de cada mquina tienen varianzas
diferentes: La mquina A, con la distribucin de lnea de puntos
que se muestra abajo, produce clavos con una varianza de 9mm
2

y la mquina B con la distribucin de lnea continua que se
muestra abajo, produce clavos con una varianza de 1mm
2
. Las
distribuciones de la longitud de los clavos para cada mquina
estn sobrepuestas, junto con los lmites de especificacin
verticales inferiores y superiores:
Distribuciones de la longitud de los clavos
milmetros
La longitud de los clavos de la mquina A tiene una varianza ms
grande que la longitud de los clavos de la mquina B. Por lo
tanto, cualquier clavo dado de la mquina A tiene una mayor
probabilidad de estar fuera de los lmites de especificacin que un
clavo de la mquina B.
Debido a que la varianza (s
2
) es una cantidad elevada al
cuadrado, sus unidades tambin estn elevadas al cuadrado y
pueden ser confusas para discutir en la prctica. Por ejemplo,
una muestra del tiempo de espera en una parada de autobuses
puede tener una media de 15 minutos y una varianza de 9
minutos
2
. Para resolver esta confusin, con frecuencia se
muestra la varianza con su raz cuadrada, la desviacin estndar
(s), que es una medicin ms intuitiva. Una varianza de 9
minutos
2
es equivalente a una desviacin estndar de 3 minutos.

I
n
g
.

I
n
d
u
s
t
r
i
a
l

RANGO
La diferencia entre los valores de datos ms grandes y
ms pequeos.

En Minitab, usted puede utilizar estadsticas descriptivas para
calcular el rango de nmeros en una columna (elija Estadsticas >
Estadsticas bsicas > Mostrar estadsticas descriptivas) y
mostrar el resultado en la ventana Sesin.

Tambin puede utilizar RANGE en la Calculadora para calcular la
diferencia entre los nmeros mayores y los menores en una
columna y mostrar el resultado en la hoja de trabajo. Utilice
RRANGE para calcular el rango de cada fila en un conjunto de
columnas

I
n
g
.
M
e
c
a
t
r
n
i
c
a

ERROR ESTNDAR DE LA MEDIA
Mide con cunta precisin la media de la muestra estima
la media de la poblacin y se utiliza para crear intervalos
de confianza para la media de la poblacin. Los valores
de Error estndar de la media ms bajos indican con
mayor precisin las estimaciones de la media de la
poblacin.
El Error estndar de la media es igual a la o las
desviaciones estndares de la muestra divididas entre la
raz cuadrada del tamao de la muestra (n). Por lo tanto:
Una desviacin estndar ms grande tendr como resultado un
Error estndar de la media ms grande.
Un tamao de la muestra ms grande tendr como resultado un
Error estndar de la media ms pequeo.

I
n
g
.

I
n
d
u
s
t
r
i
a
l

Por ejemplo, usted tiene un tiempo de entrega
medio de 3.80 das con una desviacin estndar
de 1.43 das basados en una muestra aleatoria de
312 tiempos de entrega. Estos nmeros producen
un Error estndar de la media de 0.08 das (1.43
dividido entre la raz cuadrada de 312).
De haber tomado mltiples muestras aleatorias
del mismo tamao y de la misma poblacin, la
desviacin estndar de esas diferentes medias de
muestras habra sido aproximadamente 0.08 das.

I
n
g
.

I
n
d
u
s
t
r
i
a
l

El Error estndar de la media puede utilizarse para crear
un intervalo de confianza para la media de la poblacin.
Por ejemplo, dependiendo del tamao de la muestra, un
intervalo de confianza de 95% se extender
aproximadamente +/- dos Errores estndares de la media
con respecto a la media de la muestra. Para este ejemplo,
el intervalo de confianza de 95% sera de (3.64, 3.96) das.
Puede estar 95% seguro de que la media de la poblacin
verdadera se incluye en este rango.
El Error estndar de la media estima la variabilidad entre
las muestras mientras que la desviacin estndar mide la
variabilidad dentro de una muestra.

I
n
g
.

M
e
c
a
t
r
n
i
c
a

KURTOSIS
I
n
g
.

M
e
c
a
t
r
n
i
c
a

Los datos normalmente
distribuidos establecen la lnea
base para la kurtosis: con picos
no demasiado bajos ni
demasiado altos.

Los datos que siguieron una
distribucin normal
perfectamente tendran un valor
de kurtosis de 0. debido a que
una kurtosis significativa indica
que los datos no son normales,
usted pudiera considerar la
estadstica como una primera
verificacin de la normalidad.
Lnea base: la distribucin Normal
KURTOSIS
I
n
g
.

M
e
c
a
t
r
n
i
c
a

Datos de picos altos

Una distribucin con un pico ms alto de lo
normal tendr un valor de kurtosis positivo.
HISTOGRAMAS
I
n
g
.

I
n
d
u
s
t
r
i
a
l

I
n
g
.

I
n
d
u
s
t
r
i
a
l

Control Estadistico Calidad Industrial

Încărcat de

Informații document

Descriere originală:

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

Control Estadistico Calidad Industrial

Încărcat de

Drepturi de autor:

Formate disponibile

OBJETIVO GENERAL DEL CURSO

S-ar putea să vă placă și