Seissigmabbmedicion 090819174846 Phpapp02

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

P. Reyes / Noviembre 2007
Fase de medicin
Propsitos:
Determinar req. de informacin para el

proyecto
Definir las Mtricas de los indicadores del
Proceso
Identificar los tipos, fuentes y causas de la
variacin en el proceso
Desarrollar un Plan de Recoleccin de Datos
Realizar un Anlisis del Sistema de Medicin
(MSA)
Llevar a cabo la recoleccin de datos
VI. Seis Sigma - Medicin

A. Caractersticas del proceso
B. Coleccin de datos
C. Sistemas de medicin
D. Estadstica bsica
E. Probabilidad
F. Capacidad de procesos
3
VI.A Caractersticas del

proceso
VI.A Caractersticas del proceso

1. Variables de entrada y de salida
2. Mtricas de flujo de proceso
3. Herramientas de anlisis de proceso
VI.A.1 Variables de entrada y

salida
Mapa de procesos SIPOC

Mapa de proceso SIPOC (Proveedores, Entradas, Salidas, Clientes)
Entradas
Procesos y sistemas
Salidas
Proveedores
Clientes
Retroalimentacin
Retroalimentacin
Banco de informacin
Elementos de procesos SIPOC
Un cambio en la Salida debe estar relacionado con

algn cambio en los pasos anteriores SIPs. Esto forma
un ciclo cerrado entre SIPs y Os.
Modelo SIPOC
Proveedores
de recursos
Entradas,
insumos
Procesos,
actividades
que agregan
valor
Salidas,
producto o
servicio
Clientes,
reciben el
producto
Matriz de causa efecto

Relacin entre entradas y salidas de procesos
La matriz lista variables clave de salida del
proceso en forma horizontal y las de entrada
en forma vertical
Para cada variable de salida se le asigna una
prioridad
Dentro de la matriz se asignan nmeros que
indican el efecto que tiene cada variable de
entrada en las variables de salida
Se obtiene la suma producto de estos nmeros
internos por la prioridad de salida como
resultados y se saca el porcentaje relativo
9
Matriz de causa efecto

Entradas y salidas del proceso Matriz de causa
efecto
Antes de mejorar un proceso, primero debe medirse,

identificando sus variables de entrada y de salida, y
documentando su relacin en diagramas de causa
efecto, matrices de relacin, diagramas de flujo, etc.
10
VI.A.2 Mtricas de flujo de

proceso
11
Mtricas de flujo
Trminos Lean
Panel Andon dispositivo de control visual en un

rea productiva
Flujo de manufactura continua (CFM) proceso

donde hay un flujo de una pieza, sin WIP de
acuerdo a la demanda del cliente
Tiempo de ciclo tiempo para completar un

ciclo de una operacin
12
Mtricas de flujo
Trminos Lean
Vueltas de inventario nmero de veces que se

consume el inventario en un periodo de tiempo
JIT sistema para producir los artculos

correctos en el momento y en la cantidad
requerida
Nivelacin de carga balanceo de las cargas de

trabajo en todos los pasos del proceso
13
Mtricas de flujo
Trminos Lean
Muda cualquier actividad que consuma

recursos pero no cree valor al cliente
Sin valor agregado cualquier actividad que no

agregue valor al producto o al servicio
Perfeccin eliminacin completa de muda
Punto de uso del inventario inventario surtido

directamente donde ser consumido
14
Mtricas de flujo
Trminos Lean
Poka Yoke dispositivo o procedimiento a prueba

de error para prevenir o detectar un error
Diagrama de flujo del proceso Diagrama del

flujo o la secuencia de eventos en un proceso
Jalar (Pull) sistema en que el proveedor

anterior no produce nada hasta que el siguiente
cliente indica la necesidad
15
Mtricas de flujo
Trminos Lean
Tiempo en cola el tiempo de espera de un

producto antes de su siguiente proceso
SMED (Single Minute Exchange of Die) tcnicas

para cambios rpidos en las mquinas de
produccin. SU objetivo es cero tiempo de ajuste
y preparacin
Flujo de una sola pieza una situacin donde un

producto pasa por las diferentes operaciones sin
interrupciones o desperdicios
16
Mtricas de flujo
Trminos Lean
Matriz de habilidades control visual de celda de

trabajo describiendo todas las actividades, para
visualizar el estatus del entrenamiento de
miembros del equipo
Principio de lotes pequeos reduccin efectiva de

tamao de lote hasta que se llega al flujo de una
sola pieza
Trabajo estandarizado descripcin de cada

actividad de trabajo, indicando tiempo de ciclo, takt
time, secuencia de trabajos, e inventario mnimo
17
Mtricas de flujo
Trminos Lean
Takt Time tiempo disponible de produccin

dividido por la tasa de demanda del cliente
Cadena de valor actividades especficas

requeridas para proporcionar un producto desde
su pedido hasta su entrega
Control visual colocacin a la vista de todas las

herramientas, partes, actividades de
produccin, e indicadores del desempeo del
sistema de produccin
18
Mtricas de flujo
Trminos Lean
Muda toda la sobreproduccin, esperas,

transportes innecesarios, inventarios excesivos,
movimientos innecesarios, y partes defectivas
de produccin
Celda de trabajo o manufactura acomodo de

diferentes mquinas o procesos de negocio,
realizadno diferentes operaciones en una
secuencia estricta, con forma tpica en U o L
Centro de trabajo estacin de trabajo en una

19
celda de manufactura
Pensamiento Lean
Womack sugiere convertir la planta de produccin masiva a

una organziacin esbelta, con los siguientes principios gua:
Especificar valor por producto
Identificar la cadena de valor para cada producto
Hacer el flujo de valor
Permitir que el cliente jale valor del proveedor
Perseguir la perfeccin
20
Valor
El valor es definido por el cliente
En EUA los gerentes no tienen contacto con

clientes
En Alemania se hace nfasis en el producto y

proceso
En Japn se enfocan a crear valor desde la

manufactura
21
Valor
El valor es definido por el cliente
El cliente quiere productos especficos, con

capacidades especficas a precios especficos,
su definicn es el primer paso para el
pensamiento Lean
El costo objetivo es una mezcla de de los

precios de venta de la competencia y de la
eliminacin de muda por mtodos Lean
22
Cadena de Valor
Se pueden maximizar los beneficios de reducir

Muda al concentrarse en las actividades que ligan
los procesos, deben considerarse:
La solucin de problemas (nuevos productos)

La gestin de informacin (pedidos a entregas)
La transformacin fsica (materias primas a
productos)
En Lean se analiza un solo producto, para reduccin

de Muda, tiempo de ciclo y mejora de calidad
23
Cadena de Valor
El mapa de cadena de valor se crea para

identificar las actividades involucradas en el
producto. Incluye proveedores, actividades
preoductivas y clientes. Se consideran los
criterios siguientes:
Agrega valor de acuerdo a la percepcin del

cliente
No agrega valor, pero es encesaria por el proceso
No agrega valor y puede eliminarse
24
Cadena de Valor
Lean sugiere cambiar de proceso en lotes a

flujo continuo, algunos obstculos son:
Siempre se ha trabajado en lotes

La planta tiene una multitud de funciones
La planta no puede soportar cambios de
herramental rpidos
La planta tiene maquinaria con gran inercia e
inflexible
Mover la maquinaria tiene un alto costo
25
Cadena de Valor
Para un flujo continuo o flujo de una pieza se

requiere lo siguiente:
Usar celdas de manufactura en U, el operador

debe ser confiable en su operacin
Con el TPM se esperan cero fallas en mquinas
El nivel de calidad es muy alto con Poka Yokes
La programacin de la produccin es suave, de

flujo continuo, sin movimientos innecesarios ni WIP
26
Valor de jalar
El producto se fabrica solo cuando el cliente lo

demanda, resultando en:
Tiempo de ciclo reducido

Inventario terminado reducido
WIP reducido
Cliente con pedidos estables
El precio se estabiliza
En una planta de produccin masiva, cada

operacin trata de tener la mxima eficiencia
creando inventarios
27
Perfeccin
Se logra con:
Equipos que trabajan con el cliente para

especificar valor, mejorar el flujo y lograr Jalar
Colaboracin entre socios de la cadena de valor

para descubrir un mayor valor
Usar tecnologa para eliminar Muda
Desarrollar nuevos productos
28
Takt time
Es el tiempo neto disponible de produccin

dividido entre la tasa de demanda del cliente en
un cierto periodo
Se sugiere revisar la distribucin de la celda

para:
Mejorar los tiempos de ciclo

Reducir los defectos
Reducir los tiempos de cambio
Atender problemas de confiabilidad de los equipos
29
Mtricas de Lean
Las mtricas de TPM incluyen:
Disponibilidad, tasa de velocidad de operacin

(OSR), tasa neta de operacin (NOR), eficiencia
de desempeo (PE), y efectividad total del
equipo (OEE)
Tasa de thoughput = 1 / Tiempo de ciclo
La ley de Little estable que:
Inventario WIP = Throughput * Tiempo de flujo

Tiempo de flujo = WIP * Tiempo de ciclo
30
Mtricas de Lean
Tiempo total de espera (Lead) = No. Artculos en proceso
/
Tasa promedio de terminacin
Eficiencia del ciclo de proceso = Tiempo de valor
agregado /
Tiempo total de espera
Si hay 30,000 unidades planeadas, y se pueden producir
3,000 por da, Cul es el tiempo de espera total?
TLT = 30,000 / 3,000 = 10 das
31
Mtricas de Lean
Se tienen 21 cotizaciones pendientes, ofrecen tres
das de tiempo de respuesta a sus clientes. Cul
es la tasa de terminacin para cumplir con la
meta?
Tasa de terminacin = WIP / TLT = 21 / 3 = 7
cotiz./da
32
VI.A.3 Herramientas de anlisis

de procesos
33
Anlisis y documentacin del

proceso
Un proceso es un conjunto de recursos y
actividades que transforman entradas en
salidas agregando valor. Las actividades
deben ser documentadas y controladas.
Se analizan los tpicos siguientes:
1. Herramientas
2. Entradas y salidas del proceso
34
Anlisis y documentacin del

proceso - Herramientas
Diagramas de flujo
Mapas de proceso
Procedimientos escritos
Instrucciones de trabajo
Anlisis de proceso
Documentacin del proceso
35
Diagrama de flujo
Un diagrama de flujo o mapa de proceso es til

para comprender el proceso. Puede describir la
secuencia del producto, contenedores,
papeleo, acciones del operador o
procedimientos administrativos.
Es el paso inicial para la mejora de procesos,

ya que facilita la generacin de ideas.
36
Diagrama de flujo
Organizar un equipo para examinar el proceso
Construir un mapa de proceso para representar

los pasos del proceso
Discutir y analizar cada paso en detalle
Preguntarse Por qu lo hacemos de esta

manera?
Comparar el proceso actual a un proceso
imaginario perfecto
37
Diagrama de flujo
Hay complejidad innecesaria?

Existe duplicacin o redundancia?
Hay puntos de control para evitar errores y
rechazos?
Se realiza el proceso de acuerdo a como est
planeado?
Puede realizarse el proceso de manera
diferente?
las ideas de mejora pueden venir de procesos
muy diferentes?
38
Diagrama de flujo
Smbolos de Diagramas de flujo
39
Diagrama de flujo
Diagramas de flujo - Ejemplo
40
Diagrama de flujo
Beneficios
Permiten visualizar el proceso que se est
describiendo
Describen el proceso con smbolos, flechas y
palabras sin necesidad de oraciones
La mayora usa simbologa estandarizada
(ANSI Y15.3)
Si se usa software el nmero de smbolos
puede llegar a 500
41
Diagrama de flujo
Diagramas de flujo o mapas de proceso
Permiten comprender la operacin del proceso

Normalmente representan el punto de inicio para la mejora
Pasos para elaborarlo (Smbolos ANSI Y15.3)
Organizar un equipo para examinarlo

Construir un diagrama de flujo representando cada paso
Discutir y analizar detalladamente cada paso
Preguntarse Porqu lo hacemos de esta forma?
Comparar esta forma con la del proceso perfecto
Existe demasiada complejidad, duplicidad o redundancia
Se opera el proceso como est planeado y puede
mejorarse?
42
Smbolos de diagrama de
flujo
Proceso
Desicin Documento
Datos
Proceso
Predefinido
Preparacin Operacin Entrada

Manuales
Conector Con. pgina Display Almacen Terminador 43
Smbolos para Diagramas de

Flujo
Iniciar/Detener
Operaciones
(Valor agregado)
Decisin
Inspeccin /Medicin
Transportacin
Transmisin
Almacenar
Entrada/Salida
Retraso
Lneas de Flujo
44
Diagrama de flujo del

Proceso:
Es el diagrama de flujo de un proceso
que muestra cmo se realiza un trabajo.
Inicio
Paso 1
Paso 2A
Paso 2B
Paso 2C
Paso 3
Retrabajo
No
Bueno?
Fin
45
Diagrama de flujo / Anlisis del valor
Actividades con valor agregado
Actividades sin valor agregado

46
Cmo Ayuda un Mapa de

Proceso?
Una vez que podemos ver

las cosas -podemos hablar
de ellas.
Los pasos que no agregan
valor se hacen ms
evidentes.
El retrabajo y las
reparaciones son obvias.
Se puede llegar a acuerdos.
47
Diagramas de Flujo Existentes
Creados para un
propsito diferente.
Con frecuencia no
reflejan los puntos de
inicio y Fin adecuados.
No son cmo es.
Quieren ser
No sealan el
desperdicio.
48
Aprovecha al Equipo
Haz recorridos,
entrevistas y revisiones
de los diagramas de flujo
y los estndares
existentes.
49
Haz el Mapa del Proceso lo ms

Pronto Posible!
El mapa de un proceso...
seala con claridad la

regin en la que el equipo
se debe enfocar.
evita que el equipo salga

de los lmites del proyecto.
50
El Inicio y el Fin Se Deben Poder

Medir
Selecciona los puntos

de Inicio y Fin donde
se llevan a cabo
acciones que se
pueden medir.
51
Ejercicio Rpido - Inicio y Fin

Proceso
Inicio
Fin
Ensamble de
Asiento
Dibujos de
Ingeniera
Manufactura en
Riel de Asientos
Cuentas por
Pagar
52
Ejemplos - Inicio y Fin

Proceso
Inicio
Fin
Ensamble de
Asiento
Marco de metal Inspeccin Final

puesto enlnea
Dibujos de
Ingeniera
Requerimientos ClienteRecibe
del Cliente
el Archivo CAD
Manufactura en Operacin de Inspeccin Final

Riel deAsiento
Prfiles
Estampados
Cuentaspor
Recepcin de la
Depsito
Pagar
Facturadel
Electrnico
Proveedor
53
Permite que la Gente vea el

Mapa del Proceso
De ser posible, la gente

que trabaja en el
proceso debe poder ver
una copia grande a
escala del mapa del
proceso.
Las revisiones,
sugerencias y
correcciones son
bienvenidas!
54
Herramientas de un Mapa de
Proceso
Rotafolios y Marcadores.
Hojas para Rotafolio y

Notas Autoadheribles.
55
Pasos para Elaborar un Mapa de

Como equipo...
Proceso
1. Establezcan los puntos de
Inicio y Fin del proceso.
5. Discutan, revisen y
modifiquen.
2. Hagan una lista de los

6. Hagan un segundo
pasos del proceso mediante
recorrido y entrevistas.
una tormenta de ideas.
3. Realicen el primer recorrido
y entrevistas.
4. Elaboren una lista de los
proceso clave en las notas
autoadheribles.
7. Aadan pasos de
inspeccin, retrabajo,
reparacin y desperdicio en
las notas autoadheribles.
8. Elaboren un mapa de
proceso cmo es.
56
Hazlo fcil!
En este momento, el mapa

de proceso cmo es debe
ser de alto nivel, pero
debe incluir todos los pasos
primarios necesarios para
obtener la mejora deseada
(es decir, los pasos con
valor agregado relativos a
los CTQ, CTC, CTD).
Idealmente, muestra de
cinco a diez pasos.
Agrega ms detalles
posteriormente.
57
Paso 1: Puntos de Inicio y Fin
Revisen la declaracin
del problema.
Declaracin del Problema:

El cliente espera
los dibujos modificados
demasiado tiempo.
Proceso:
Describan los procesos
Proceso de revisin de
que causan el problema.
dibujos.
Comenten los puntos de Pregunta:
Cul podra ser el
Inicio y Fin que se
punto de Inicio?
pueden medir.
Pregunta:
Pnganse de acuerdo y
Cul podra ser punto
regstrenlos.
de Fin?
58
Puntos de Inicio y Fin
Declaracin del Problema:

El Cliente espera demasiado tiempo los dibujos
modificados.
Proceso:
Proceso de revisin de dibujos.
Inicio:
El Cliente solicita un formato de cambio de
dibujos.
Fin:
Se entrega el archivo de dibujos (CAD) al Cliente.
59
Paso 2: Tormenta de Ideas sobre

los Pasos del Proceso
Escriban Inicio y Fin

donde todos lo
puedan ver.
El equipo aporta
ideas sobre los
pasos del proceso
que existen entre el
inicio y el fin.
Inicio:
El Cliente solicita un
formato de cambio de
dibujos.
Pregunta:
Cules son algunos
de los probables pasos
del proceso entre los
puntos de inicio y fin?
Fin:
El archivo CAD se
entrega al Cliente.
60
Pasos del Proceso
Inicio:
El Cliente solicita un formato de cambio de dibujos.
Pasos a seguir:
Bosquejar el cambio requerido.
Calcular el impacto del cambio.
Determinar cules dibujos necesitan
cambiarse.
Cambiar los dibujos apropiados.
Fin:
El archivo CAD se entrega al Cliente.
61
Paso 3:
Primer Recorrido y
Entrevistas
El equipo recorre el
proceso existente.
Observen cmo se hace

el trabajo.
Platiquen con la gente

(entrevisten).
Tomen notas.
Enfquense en los pasos

del proceso.
62
Paso 4:
Notas Autoadheribles
Escriban los pasos

del proceso en notas
autoadheribles.
Crear
Boceto
Encontrar
Especif.
Coloquen las notas

sobre la pared.
Por ahora slo dejen
las notas.
Reunin
con el
grupo
Localizar
Archivos
CAD
Hacer
Caf
Cambiar
Dibujos
Calcular
Impacto
Crear
Paquete
de
Archivos
Enviar al
Cliente
63
Paso 5:Comentar, Revisar, Modificar
Comenten, repasen y
modifiquen el mapa del
proceso en las notas
autoadheribles.
Pnganse de acuerdo en
los pasos que se deben
conservar.
Pnganse de acuerdo en
los pasos que se deben
eliminar.
Retengan solo los pasos

importantes del proceso.
64
Pasos Importantes del Proceso
Informacin suficiente
para facilitar la mejora.
Resultados que se
puedan medir.
Podran producirse
defectos (CTQ, CTC,
CTD).
Un inicio y un fin
definidos.
65
Pasos Importantes
Crear
Bsquejo
Qu pasos podran
ser importantes en
el mapa del proceso
que aparece a la
derecha?
Encontrar
Especif.
Reunin
con el
grupo
Localizar
Archivos
CAD
Hacer
Caf
Cambiar
Dibujos
Calcular
Impacto
Crear
Paquete
de
Archivos
Enviar al
Cliente
66
Paso 6:
Segundo Recorrido y
Entrevistas
Vuelvan a recorrer el
proceso.
Busquen pasos que

hayan pasado por alto.
Revisen pasos de
inspeccin, retrabajo,
reparacin y desperdicio.
Tomen notas.
67
Paso 7:
Aadir Cambios
Solicitud de
Cambio del
Cliente
Agreguen notas
autoadheribles.
Aadan inspecciones.
Aadan retrabajo y
reparaciones.
Aadan desperdicio.
Por ahora dejen todas

las notas.
Reunin
con Ventas
No
Crear
Bsquejo
Calcular
Impacto
Impacto
OK?
S
Dibujo
OK?
Cambiar
Dibujo
No
Crear
paquete de
archivos
Enviar a
Cliente
Cliente recibe
archivos CAD
68
Paso 8:
Mapa del Proceso Cmo

Es
Solicitud de
cambio del
Cliente
El equipo establece
un mapa del proceso
Crear
tal cual.
No
Calcular
Impacto
Bsquejo
Tiene el detalle
suficiente para incluir
los pasos
importantes.
Sin demasiado
detalle para que se
entienda
rpidamente.
Reunin
con Ventas
Impacto
OK?
S
Dibujo
OK?
Cambiar
Dibujo
No
Crear
paquete de
archivos
Enviar a
Cliente
Cliente recibe
archivos CAD
69
Cundo Recolectar Datos

Durante la elaboracin del mapa de proceso.
Identifica los puntos para la recoleccin de
datos, pero
no recopiles los datos!
Despus de haber creado el Mapa Cmo Es
planea la recoleccin de datos sobre los pocas
salidas vitales.
ci
u
a
c
Pre
n
Generalmente, cuando se recolectan datos durante la

elaboracin del mapa, se toman datos sobre puntos
equivocados.
La recoleccin de datos se debe planear y enfocar sobre los
factores de alta prioridad que son crticos para el cliente!
(consulta el mdulo Planeacin de la Recoleccin de Datos)
70
Mapa del Proceso Cmo Es

Solicitud
de cambio
del Cliente
Reunin
con Ventas
No
Calcular
Impacto
Crear
Bsquejo
Impacto
OK?
Si
No
Crear
paquete de
archivos
Es el inicio de tu
viaje hacia la
mejora.
Dibujo
OK?
Cambiar
Dibujo
Enviar al
Cliente
Es la condicin
base del proceso.
Cliente recibe
archivos CAD
Es la oportunidad
para la estrategia
de impacto de Six
Sigma.
71
El Mapa de Proceso Cmo Debe

Ser
Una vez que se identifiquen las soluciones
durante la
fase de MEJORA
Crea el nuevo mapa de proceso.
El nuevo mapa muestra el flujo de trabajo mejorado
que ahora tiene
- menos pasos
- menos actividades sin valor agregado
TA
O
N
Este nuevo mapa muestra el proceso cmo debe

ser que ser una vez que se implementen
todas las soluciones.
72
73
La cadena de valor
Son todas las actividades que la empresa debe realizar

para disear, ordenar, producir, y entregar los
productos o servicios a los clientes.
La cadena de valor tiene tres partes principales:

El flujo de materiales, desde la recepcin de
proveedores hasta la entrega a los clientes.
La transformacin de materia prima a producto

terminado.
El flujo de informacin que soporta y dirige tanto al

flujo de materiales como a la transformacin de la
materia prima en producto terminado.
74
La cadena de valor
Beneficios del Mapeo de la cadena de valor
Ayuda a visualizar el flujo de produccin; las
fuentes del desperdicio o Muda
Suministra un lenguaje comn sobre los procesos
de manufactura y Vincula los conceptos ytcnicas
Lean
Forma la base del plan de ejecucin, permitiendo
optimizar el diseo del flujo de puerta a puerta
Muestra el enlace entre el flujo de informacin y el
flujo de material
Permite enfocarse en el flujo con una visin de un
estado ideal o al menos mejorado
75
Flujo de informacin
Adems del flujo de materiales en el proceso de
produccin, se tiene otro flujo que es el de
informacin que indica a cada proceso lo que
debe producir o hacer en el paso siguiente.
Son dos caras de la misma moneda y se deben
trazar ambos.
76
77
Simbologa utilizada
78
Simbologa utilizada
79
Simbologa utilizada
80
Simbologa utilizada
81
Identificando mapa actual
82
Tips para la cadena de valor
Recolecte siempre informacin del estado actual

mientras se realizan las operaciones normales tanto
en flujos de informacin como de materiales.
Inicie con una caminata rpida a travs de la cadena

de valor completa puerta a puerta, para obtener un
sentido del flujo y secuencia de procesos. Despus
regrese y colecte informacin en cada proceso.
Inicie desde el final de embarque y de ah para

atrs. As se iniciar el mapeo con los procesos que
estn ms ligados directamente al cliente, el cual
debe establecer los pasos para otros procesos.
83
Utilice el cronmetro y no dependa de tiempos

estndar o informacin que no obtenga
personalmente.
Trazar uno mismo la cadena de valor

completa. Entendiendo que el flujo completo lo
encierra el mapeo de la cadena de valor.
Siempre trace a mano y a lpiz. Ir al piso de

produccin al realizar el anlisis de estado
actual, y afinarlo ms tarde. Se debe resistir la
tentacin de usar la computadora.
84
85
Informacin para
la cadena de valor
Tiempo del ciclo

(C/T tiempo que
transcurre entre la salida de dos partes
consecutivas)
Tiempo de cambio o de preparacin (C/O
para cambiar de un producto a otro)
Tiempo disponible de mquina (De acuerdo a
la demanda)
Tamao de lote de produccin (EPE every
part every..)
Nmero de operadores
86
Informacin para
la cadena de valor
Nmero de productos diferentes

Contenido de la unidad de empaque o contenedor
Tiempo de trabajo (sin los descansos obligatorios)
Tasa de desperdicio
Capacidad del proceso (tiempo disponible/ tiempo

de ciclo * porcentaje de disponibilidad del
equipo), sin tiempos de cambio de tipo.
Takt time (tiempo disponible para cubrir la

demanda de productos).
87
Ejemplo de aplicacin:
Empresa Guden
88
Mapa del estado actual

Proceso de manufactura
89
Mapa incluyendo informacin
90
Mapa incluyendo tiempos de

ciclo y tiempo de entrega
91
Mapa futuro reduciendo tiempos

de entrega
92
Mapa futuro reduciendo tiempos

de entrega
93
Beneficios
94
Beneficios
95
Mapa de proceso de la
Empresa ABC - final
96
Documentacin
97
Procedimientos escritos
Los procedimientos deben ser desarrollados

por los que tienen la responsabilidad del
proceso de inters
La documentacin del proceso en un

procedimiento facilita la consistencia en el
proceso.
Los procedimientos crticos deben tener su

diagrama de flujo correspondiente
98
Instrucciones de trabajo
Las instrucciones de trabajo proporcionan los

pasos detallados de la secuencia de
actividades
Los diagramas de flujo pueden usarse con las

instrucciones de trabajo para mostrar las
relaciones de los pasos del proceso.
Las copias controladas de estas instrucciones

se guardan en el rea de trabajo
99
Diagrama de espaguetti
Se pueden usar para describir el flujo de

personas, informacin, o material en casi
cualquier tipo de proceso. La mayora de las
acpliaciones considera flujos de personas,
informacin y materiales.
100
Diagramas de Venn
Se pueden utilizar para analizar las cargas de trabajo, por

ejemplo:
El tiempo de ocupacin es 0.30+0.20+0.25+0.10-0.060.04 = 0.75, es decir de cada turno de 8 horas tiene 2

horas disp.
101
V.C Capacidad de los

sistemas de medicin
102
Contenido
V.C.1 Mtodos de medicin
V.C.2 Anlisis de sistemas de medicin
V.C.3 Sistemas de medicin en la empresa
V.C.4 Metrologa
103
V.C.1 Mtodos de medicin
104
Mtodos de medicin
Cuidado de instrumentos de medicin
Superficies de Medicin / Referencia
Los instrumentos de medicin son costosos y deben

tratarse con cuidado, deben calibrarse en base a un
programa as como despus de sospecha de dao
Es la superficie de referencia para realizar las

mediciones.
Herramientas de transferencia
No tienen escala de lectura, por ejemplo, los

calibradores de resorte. La medicin es transferida a
otra escala de medicin para lectura directa.
105
Mtodos de medicin
Gages o escantillones por atributos
Son gages fijos para inspeccin pasa no pasa.

Por ejemplo gages maestros, plug gages, gages de
contorno, thread gages, gages de lmite de
longitud, gages de ensamble. Slo indican si el
producto es bueno o malo.
Gages o escantillones por variables
Proporcionan una dimensin fsica. Por ejemplo

reglas lineales, calibradores verniers, micrmetros,
indicadores de profundidad, indicadores de
excentricidad, etc. Indican si el producto es bueno
o malo respecto a las especificaciones para
106
capacidad.
Mtodos de medicin
Seleccin por atributos
Son pruebas de seleccin realizadas en una

muestra con dos resultados posibles, aceptable
o no aceptable.
Como se realiza a toda la poblacin o a una

proporcin grande de la misma, debe ser de
naturaleza no destructiva.
107
Mtodos de medicin
Seleccin por atributos, caractersticas

principales:
Un propsito claramente definido

Alta sensibilidad al atributo evaluado. Equivale a
una tasa baja de negativos falsos.
Alta especificidad al atributo que est siendo
medido. Esto equivale a una baja tasa de positivos
falsos.
Los beneficios del programa sobrepasan los costos
Los atributos medidas identifican problemas
importantes (series y comunes)
Los resultados guan a acciones tiles
108
Mtodos de medicin
Gages (gauges) bloques patrn:
Carl Johansson desarroll bloques de acero como

estndares de medicin con exactitud de unas
pocas millonsimas de pulgada
Los bloques patrn o Jo se hacen de acero con

aleacin al alto carbn y cromo, carburo de
tungsteno, carburo de cromo o cuarzo fundido
Se usan para establecer una dimensin de

longitud de referencia para una medicin de
transferencia, y para calibracin de varios
instrumentos de medicin
109
Mtodos de medicin
110
Mtodos de medicin
Se pueden apilar con la ayuda de una capa

delgada de aceite que expulsa el aire. Usar poca
presin en el proceso
111
Mtodos de medicin
Juegos de Gages (gauges) de bloques patrn:
El contenido de un juego de 81 piezas son:
Bloques de diezmilsimas (9): 0.1001,

1002,..,0.1009
Bloques de una milsima (49): 0.101, 0.1020.149
Bloques de 50 milsimas (19): 0.050, 0.1000.950
Bloques de una pulgada (4): 1.000, 2.000,, 4.000
112
Mtodos de medicin
Calibradores:
Los calibradores se utilizan para medir

dimensiones de longitud, internas, externas, de
altura, o profundidad.
Son de los siguientes tipos: Calibradores de

resorte, calibradores de reloj, verniers y
calibradores, calibradores digitales
113
Mtodos de medicin
Calibradores de resorte:
Los calibradores proporcionan una exactitud de

aproximadamente 1/16 al transferir a una regla
de acero
114
Mtodos de medicin
Calibradores verniers:
Usan una escala para indicar la medicin de

longitud. Ahora se han reemplazados con reloj o
indicador digital.
Para el caso de una longitud de 1.069 se leera
como sigue:
115
Mtodos de medicin
Calibradores de reloj:
La lectura se hace en la escala con resolucin

cercana a 0.1 y un reloj con resolucin de
0.001.
Calibradores digitales
Usan un display digital con lectura en pulgadas

o en milmetros y un cero que puede ser puesto
en cualquier punto del viaje. La resolucin es del
orden de 0.0005
116
Mtodos de medicin
Comparadores pticos
Usan un haz de luz dirigido hacia la parte a ser

inspeccionada, y la sombra resultante es
amplificada y proyectada en una pantalla.
La imagen puede medirse al comparar con una

plantilla maestra o medir la silueta en la
pantalla o tomando las lecturas. Para pasar la
inspeccin, la silueta de la sombra debe
encontrarse entre los lmites de tolerancia
predeterminados.
117
Mtodos de medicin
Micrmetros
Los mics se pueden adquirir con tamaos de

cuerpo para 0.5 a 48. La mayora tiene una
exactitud de 0.001 y con un vernier o indicador
puede llegar a 0.0001. En cuartos con
temperatura y humedad controlada se pueden
hacer medidas lineales de hasta millonsimas de
pulgada
Pueden hacer mediciones de interiores,

exteriores, porfundidad, cuerdas, etc. Las dos
escalas utilizadas son la del cuerpo y la del
tambor, a continuacin se muestra un ejemplo:
118
Mtodos de medicin
Micrmetros
119
Mtodos de medicin
Mediciones de resistencia a la tensin
La resistencia a la tensin es la habilidad de un

metal a resistir su rotura. Se aplica una carga a
una barra de prueba y se incrementa
gradualmente hasta que la barra se rompa. Se
pueden analizar los datos de tensin usando
curvas de esfuerzo deformacin, que muestra la
carga vs la elongacin.
Prueba de corte
Es la habilidad para resistir un esfuerzo de

cuchilla cortante cuando se aplican fuerzas
paralelas ligeramente fuera de eje.
120
Mtodos de medicin
Prueba de compresin
La comprensin es el resultado de fuerzas

actuando unas contra otras. Se aplica una carga
y se registra la deformacin. Se puede obtener
una curva de esfuerzo deformacin con los
datos
Prueba de fatiga
La fatiga es la habilidad del material a resistir

cargas repetitivas. En varios niveles de esfuerzo,
se cuenta el nmero de ciclos hasta que ocurre
la falla
121
Mtodos de medicin
Titulacin
Es un mtodo de anlisis que permite la

determinacin de cantidades precisas de
reactivos en el matraz. La solucin a ser
analizada se prepara en el matraz Erlenmeyer.
Un indicador como el azul de metileno es
adicionado a la solucin. Se usa una bureta para
liberar el segundo reactivo al matraz y un
indicador o medidor de pH se utiliza para
determinar el punto final de la reaccin. El
indicador cambia de color cuando se llega al
punto final.
122
Mtodos de medicin
Medicin de dureza
La medicin de dureza se realiza al crear una

marca en la superficie del material con un baln
duro o una pirmide de diamante y despus se
mide la profundidad de penetracin
123
Mtodos de medicin
Medicin de dureza
124
Mtodos de medicin
Medicin de torque
Esta medicin se requiere cuando el producto se

sujeta con tornillos y tuercas. El torque es una
fuerza que produce rotacin alrededor de un eje
(Torque = fuerza x Distancia)
Prueba de impacto
La resistencia al impacto es la habilidad del

material para resistir el impacto. Las pruebas de
Charpy e Izod usan muestras que son golpeadas
por un pndulo calibrado
125
Mtodos de medicin
La regla de acero
La regla de acero se utiliza para lecturas directas.

Sus divisiones estn en fracciones de pulgada
milmetros
Placas de medicin (mrmol)
Son planos de referencia para mediciones

dimensionales. Usualmente son utilizados con
accesorios planos, angulares, paralelos, bloques
en V y bloques cilndricos apilados
126
Mtodos de medicin
Indicadores de reloj
Son instrumentos mecnicos para medir

variaciones de distancia. Muchos indicadores de
reloj amplifican la lectura de un punto de
contacto por medio de un mecanismo interno de
engranes. Tienen resoluciones de 0.00002 a
0.001 con un rango amplio de mediciones.
127
Mtodos de medicin
Ring gages o gages de cuerdas
Se usan para inspeccionar dimensiones

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

cilndricas internas y frecuentemente se
denominan gages go no go o gages pasa no
pasa. Un plug gage de cuerdas se usa para
checar cuerdas hembra. En lado se indica en
verde la seccin de Pasa y en el otro lado se
indica en roja la No Pasa.
Go
No go
129
Mtodos de medicin
Gages neumticos
Los tipos de gages de amplificacin neumtica

incluyen unos accionados variando la presin de
aire y otros al variar la velocidad del aire con
presin constante. Las mediciones pueden ser
ledas en millonsimas de pulgada.
Interferometra
Se forma interferencia cuando dos o ms haces

de luz monocromtica de la misma longitud de
onda se defasan 180 viajando en diferentes
distancias. Las irregularidades se evidencian
alternando las bandas obscura y de luz
130
Mtodos de medicin
Gages diseados con Laser
El haz de luz Laser se transmite a un receptor

del lado puesto del gage. Las mediciones se
realizan cuando el haz es obstaculizado por un
objeto y el receptor registra esta dimensin.
Mquina de Medicin por Coordenadas (CMM)
Las partes a medir se colocan en la placa de

mrmol y un sensor se manipula para tener
varios puntos de contacto usando el sistema de
mediciones controlado por computadora
tomados en tres ejes perpendiculares entre s.
131
Mtodos de medicin
Pruebas no destructivas (NDT) y evaluaciones no

destructivas (NDE)
Son tcnicas para evaluar las propiedades de los
materiales sin afectar la utilidad futura de los
artculos probados. Incluyen el uso de automatizacin,
prueba al 100% del producto y la garanta de
adecuacin interna. Algunos resultados requieren
considerable habilidad para su interpretacin.
Inspeccin visual
La inspeccin visual de color, textura y apariencia
proporciona informacin valiosa. EL ojo humano es
apoyado por lentes de aumento u otros instrumentos.
Esta inspeccin tambin se denomina inspeccin de
exploracin (scanning)
132
Mtodos de medicin
Pruebas ultrasnicas
Las ondas ultrasnicas se generan en un

transductor y se transmiten a travs de un
material que puede tener defectos. Parte de las
ondas chocan en el defecto y se reflejan como
ecos a la unidad receptora, que las convierte en
picos en la pantalla. Para pruebas no
destructivas se utiliza un rango de frecuencias
de 200 a 250,000 Khz.
133
Mtodos de medicin
Pruebas con partculas magnticas
La inspeccin con partculas magnticas es un

mtodo no destructivo de detectar la presencia
de defectos o poros ya sean superficiales o
internos en metales o aleaciones
ferromagnticos.
Se magnetiza la parte y despus se aplican

partculas de acero en la superficie de la parte
bajo prueba. Las partculas se alinean con el
campo magntico y se concentran en lugares
donde las lneas entran o salen de la parte.
134
Mtodos de medicin
Pruebas con partculas magnticas
La parte bajo prueba se examina en las reas de

concentracin de partculas magnticas que
indicaran presencia de discontinuidades
Se usa corriente alterna para descubrir la

presencia de defectos superficiales, mientras
que con corriente directa proporciona mayor
sensibilidad para la localizacin de defectos
internos. Se cuenta con mtodos secos y
hmedos
135
Mtodos de medicin
Pruebas con lquidos penetrantes
La inspeccin con lquidos penetrantes es un

mtodo rpido para detectar defectos en la
superficie en todo tipo de materiales. El lquido
aplicado contiene una tinta que penetra en el
defecto por capilaridad contrastado por una
limpieza. Requiere observacin cuidadosa.
Pruebas con corrientes parsitas de Eddy
Las corrientes parsitas son inducidas en un

objeto bajo prueba al pasar una corriente
alterna en una bobina colocada cerca de la
superficie del objeto bajo prueba.
136
Mtodos de medicin
Pruebas con corrientes parsitas de Eddy
Un campo electromagntico es producido en el

objeto bajo prueba que puede ser comparado
con un estndar.
Defecto
137
Mtodos de medicin
Pruebas con Radiografa
Se pueden dirigir Rayos X o Rayos Gama a

travs de un objeto bajo prueba sobre una placa
fotogrfica y las caractersticas internas de la
parte pueden ser reproducidas y analizadas.
Para un anlisis adecuado, se deben establecer

estndares de referencia para evaluar los
resultados. Una radiografa puede mostrar
poros, inclusiones, y fracturas si se encuentran
en el plano adecuado y son suficientemente
grandes.
138
Mtodos de medicin
Pruebas con Radiografa de neutrones
Los neutrones son partculas atmicas sin carga

que se mueven por los materiales sin afectar su
densidad. Son dispersados o absorbidos por
partculas en el nucle atmico en vez de los
electrones. El objeto se coloca en un haz de
neutrones en frente de un detector de imagen.
Otras tcnicas relacionadas
Aplicaciones recientes incluyen fluoroscopia,

radiografa gama, rayos X televisados, pruebas
con microondas e inspeccin hologrfica
139
V.C.2 Anlisis de Sistemas

de Medicin
140
Contenido
1.
2.
3.
4.
5.
6.
7.
8.
Errores en la medicin
Carta de tendencias de gage Minitab
Estudios de R&R metodo corto del rango
Estudios de R&R mtodo largo (cruzado)
Estudios de R&R mtodo largo (anidado)
Estudios de linealidad y sesgo
Estudios de R&R por atributos mtodo analtico
Estudios de R&R por atributos acuerdo entre
evaluadores
141
Anlisis de Sistemas de
Medicin
1. Errores en la medicin
142
Metrologa
Metrologa es la ciencia de las mediciones
Apoya a la organizacin en la evaluacin

cuantitativa de las variables del proceso
(longitudes, dimensiones, pesos, presiones, etc.)
Factores considerados para determinar el periodo

de calibracin de los equipos de medicin
Intensidad de uso del equipo

Posibles desgastes por el uso o degradacin
Errores identificados durante las calibraciones peridicas
143
Correlacin de
mediciones
Es la comparacin o correlacin de las mediciones

de un sistema de medicin con los valores
reportados por uno o ms sistemas de medicin
diferentes
Un sistema o dispositivo de medicin puede usarse

para comparar valores contra un estndar
conocido, a su vez puede compararse a la media y
desviacin estndar de otros dispositivos similares
Todas las mediciones reportadas de artefactos

iguales o similares, son referidos como prueba de
proficiencia o prueba de Round Robin.
144
Correlacin de
mediciones
Tambin se pueden comparar valores obtenidos de

diferentes mtodos de medicin usados para medir
diferentes propiedades. Por ejemplo la medicin de
dureza y resistencia de un metal, temperatura y
expansin lineal de un artculo al ser calentado, y
peso y nmero de pequeas partes
El manual MSE de la AIAG clasifica los errores del

sistema de medicin en cinco categoras:
Sesgo o exactitud
Repetibilidad
Reproducibilidad
Estabilidad
Linealidad
145
Porcentaje de acuerdo
El porcentaje de acuerdo ya sea entre el sistema

de medicin y los valores de referencia o el valor
verdadero de la variable medida
Puede estimarse con el coeficiente de correlacin,

r, con valores r=1 100% de acuerdo y r= 0 sin
acuerdo.
146
Precisin a Tolerancia P/T
Es la razn (P/T) entre el error estimado de la

medicin (precisin) y la tolerancia de la caracterstica
medida.
Donde 6 sigma es la variabilidad de las mediciones.

Los supuestos son:
Las mediciones son independientes
Los errores de medicin se distribuyen normalmente
Los errores de medicin son independientes de la
magnitud de las mediciones
147
Precisin a Variacin Total

P/TV
Es la razn (P/TV) entre el error estimado de la medicin

(precisin) y la variacin total de la caracterstica
medida.
Se debe minimizar P/TV para reducir el efecto de la

variacin de las mediciones en la evaluacin de la
variacin del proceso
Conforme P/T y P/TV se incrementan, la habilidad de

discriminar un cambio en el proceso disminuye, en todo
caso utilizar un sistema de medicin con variacin ms
pequea
148
Definiciones
Exactitud
Desviacin respecto del valor verdadero del
promedio de las mediciones
Valor verdadero:
Valor correcto terico / estndares NIST
Sesgo
Distancia entre el valor promedio de todas las
mediciones y el valor verdadero.
Error sistemtico o desviacin
149
Definiciones
Estabilidad
La variacin total en las mediciones obtenidas
durante un perodo de tiempo prolongado
Linealidad
Diferencia en los valores de la escala, a travs
del rango de operacin esperado del
instrumento de medicin.
Precisin
Medicin de la variacin natural en mediciones
repetidas
150
Definiciones
Proceso de
Medicin
Proceso de
Transformacin
+
Variabilidad
Variabilidad
del
delproducto
producto
2
producto
Datos,
informacin,
observaciones
=
Variabilidad
Variabilidad
del
delSist.
Sist.De
De
Medicin
Medicin
2
Sistema de medicin
2
total
Variabilidad
Variabilidad
total
total
(Observada)
(Observada)
producto Sistema de medicin total

151
Todo proceso tiene variabilidad y los procesos

de medicin no son la excepcin;
Los valores observados son el resultado del

comportamiento verdadero ms el ruido de
la medicin, por lo que es necesario evaluar el
sistema de medicin de la variable de
respuesta para determinar si este es aceptable
para la necesidad.
152
Promedios
Observada = proceso + medicin
Variabilidad
2
Determinada por un
estudio de calibracin
Determinada
por un estudio
R&R
Observada = proceso + medicin

153
Posibles Fuentes de la
Variacin del Proceso
Variacin del proceso, observado (Zlp/Zlt y/ DPMO)
Variacin del proceso, real
Variacin
dentro de la
muestra
Repetibilidad
Variacin de la medicin
Variacin originada
por el calibrador
Estabilidad
Reproducibilidad
Linealidad
Sesgo
Calibracin
La Repetibilidad y reproducibilidad (R&R), son los errores ms relevantes en la medicin.
154
Anlisis de Sistemas de Medicin
Sensibilidad
El gage debe ser suficientemente sensible para

detectar diferencias en las mediciones en al
menos un dcimo de la tolerancia especificada o
de la dispersin del proceso
155
Definicin del Sesgo o

exactitud
Sesgo es la diferencia
entre el promedio
observado de las
mediciones y el valor
verdadero (patrn).
Valor
Verdadero
Sesgo
si Exactitud > 10% :

Ajustar el equipo de
medicin
| factores
Exactitud |*
Utilizar=
de100
% Exactitud
Tolerancia
correccin
156
Definicin de la Repetibilidad
o precisin
Repetibilidad: Es la variacin
de las mediciones obtenidas
con un instrumento de
medicin, cuando es utilizado
varias veces por un operador, al
mismo tiempo que mide las
mismas caractersticas en una
misma parte
REPETIBILIDAD
157
Definicin de la
Reproducibilidad
Reproducibilidad: Es
la variacin, entre
promedios de las
mediciones hechas por
diferentes operadores
que utilizan un mismo
instrumento de
medicin cuando miden
las mismas
caractersticas en una
misma parte en
diferentes tiempos
Operador-B
Operador-C
Operador-A
Reproducibilidad
158
Preciso pero
No exacto
Exacto pero
no preciso
Exacto y
preciso
159
Definicin de la Estabilidad
Estabilidad (o desviacin) es la
Patrn
variacin
total de las mediciones obtenidas con
un
sistema de medicin, hechas sobre el
Tiempo 2
mismo
patrn o sobre las mismas partes,
Tiempo 1
cuando se
| Estabilidad |*100
mide una sola
sus caractersticas,
% de
Estabilidad
=
Tolerancia
durante
5%
> Recomendacin
un perodo de
tiempo
prolongado. si Estabilidad > 10%
Modificar frecuencias de calibracin (Programa)
x1-x2=Exactitud1
< 5% espaciar periodos -de uso entre
Estabilidad=
calibracin
Exactitud2
160
Definicin de la Linealidad
Graficar el sesgo versus los valores de exactitud de la parte
en todo el rango de operacin del instrumento. El porcentaje de
Linealidad es igual a la pendiente, b, de la lnea de regresin
Multiplicada por la variacin del proceso.
L = b Vp
El sesgo en cualquier punto se puede estimar de la pendiente y
La interseccin con eleje Y (Yo) de la mejor lnea de ajuste
B = Yo + b X
Valor
verdadero
Valor
verdadero
Linealidad es la
diferencia
Sesgo
Sesgo
en los valores real y
Menor
mayor
observado, mayor
menos menor a travs (rango inferior)
(rango superior)
del rango de operacin
Rango de Operacin del equipo
esperado del equipo.
% Linealidad =
| Linealidad | *
100
Tolerancia
Recomendacin si Linealidad > 10% :

Restringir su uso
Aplicar factores de correccin
161
Estabilidad del Calibrador

Cmo Calcularla
Para calibradores que normalmente se utilizan sin ajuste, durante
periodos de tiempo relativamente largos.
Realizar un segundo estudio R&R del Calibrador justo antes de
que venza el tiempo de re calibracin.
La estabilidad del calibrador es la diferencia entre los
promedios sobresalientes de las mediciones resultantes de los
dos estudios.
Causas posibles de poca estabilidad

El calibrador no se ajusta tan frecuentemente como se requiere
Si es un calibrador de aire, puede necesitar un filtro o un regulador
Si es un calibrador electrnico, puede necesitar calentamiento previ
162
Estudios de incertidumbre
Para evaluar la desviacin estndar poblacional del

sistema de medicin de los pocos vitales, haremos un
ajuste a la desviacin estndar muestral con la tstudent, por lo que se requiere :
No out-liers : De tener presentes, proceder a

investigarlos y eliminarlos o sustituirlos.
Normalidad de los datos : de no haber normalidad se

puede aplicar el teorema de lmite central utilizando da
desviacin estndar de las medias grupos de tamao m
163
Estudios de incertidumbre
Incertidumbre = Desv.Std.Sist.medic.
Incertidumbre
99.02%
5.15 med
Incertidumbre
Incertidumbre estandar :
u = sistema de medicion = s*(t0.005,n-1) m /(2.575)
Incertidumbre expandida :
U = 5.15*u= k*s*(t0.005,n-1)m
Donde : k= factor de cobertura (Generalmente k=2)
%U = U*100/Tolerancia
164
Estudios de R&R
Los mtodos para estudios de Repetibilidad y Reproducibilidad
pueden clasificarse por la naturaleza de las mediciones en :
Mtodos para mediciones de datos continuos

Para pruebas no destructivas
Para pruebas destructivas
Mtodo Corto Rangos (Mediciones cruzadas)

Mtodo Largo Medias y Rangos (Clculos manuales)
Mtodo ANOVA (Exacto, pero recomendable software)
ANOVA modificado (Diseos anidados)
Mtodos para mediciones de atributos o datos discretos.
Indice Kappa (Pruebas binarias)
ndice Kendall (Multiples caracteristicas)
165
Estudios de R&R
Todos ellos generalmente consideran un nivel

de confianza del 99.02%, esto es :
GR&R = 5.15 sigma de la medicin
166
Estudios R&R Datos continuos
Estudios sobre la varianza
Documentar estudio
y definir siguiente
fecha de evaluacin.
Estudios de GR&R
datos continuos
Ho:
SI
El sistema de medicin es aceptable para
la necesidad.
GR&R Mtodo
Se cuenta
de Rangos (Corto)
con software
estadstico
NO
SI
Mtodo Anlisis de
Varianzas (ANOVA)
% GR&R
aceptable
SI
NO Mtodo Medias
NO
y Rangos (Largo)
NO
Reproducibilidad
aceptable
%GR&R
aceptable
SI
NO Estandarizar mtodos,
operaciones, equipos y/o

procedimientos utilizados.
SI
Repetibilidad
aceptable
NO
Estudios de Incertidumbre
y/o caracterizacin.
167
Error R&R =
RPT2
Precisin en relacin a la variacin

total
%R&R= R&R *100

Var Total
REPR2
Para la fase de control del

proyecto, slo substituya la
Tolerancia por Variacin Total
.
TV= R&R + PV
PV= variacin de parte = Rp
x K3
Identificar qu porcentaje de la variacin total debe

absorberse como error de medicin.
<10% Aceptable
10-30%. Puede ser aceptable, dependiendo
qu tan crtico es el grado de la medicin.
>30%. Inaceptable!
168
EL VALOR DEL R&R ES UN PORCENTAJE DE LA

VARIACION TOTAL DEL PROCESO:
VARIACIN DE PARTE
A PARTE
La dimensin verdadera
de las partes se encuentra
en algn lugar de la la
regin sombreada
Lo que
fue
medido
LSL
OBJETIVO
USL
Mientras ms mayor sea el % del R&R, mayor ser el rea

de incertidumbre para conocer la dimensin verdadera de
las partes.
ERROR TIPO 1: Pueden estarse aceptando partes que
estn fuera de especificaciones
ERROR TIPO 2: Pueden estarse rechazando partes que
estn dentro de especificaciones
169
Estudios de
Repetibilidad y Reproducibilidad
Carta de Tendencias
Mtodo del Rango (corto)
Mtodo de Medias Rangos
Mtodo de ANOVA
170

I. Mtodo de Medias - Rango
Permite separar en el sistema de medicin lo

referente a la reproducibilidad y a la
Repetibilidad.
Los clculos son ms fciles de realizar.
171

I. Mtodo de Medias - Rango
Un modelo matemtico de este mtodo con r

rplicas, con K evaluadores en n partes, el
rango medio encontrado es:
172
Mtodo de ANOVA
II. Mtodo ANOVA
Permite separar en el sistema de medicin lo
referente a la reproducibilidad y a la
Repetibilidad.
Tambin proporciona informacin acerca de las
interacciones de un operador y otro en cuanto
a la parte.
Calcula las varianzas en forma ms precisa.
Los clculos numricos requieren de una

computadora.
El Mtodo ANOVA es Ms Preciso
173
Mtodo de ANOVA
II. Mtodo ANOVA
El valor observado usando el mtodo ANOVA es:
Valor observado = Promedio + sesgo + Efecto de

la parte + Efecto del evaluador + Error de
rplica o
Valor observado = Valor de referencia +
Desviacin
174
Mtodo de ANOVA
II. Mtodo ANOVA
Con Yijm como la m-sima medicin tomada por el

evaluador J en la parte j-sima. Si las Xi son
independientes y normalmente distribuidas con
media y varianza 2, la varianza total est dada
por:
Donde
son las varianzas debidas al efecto
de la parte, el efecto del evaluador, y el error de
rplica
175
Mtodo de ANOVA
Ejemplo de Corrida: 5 partes, 3 tcnicos y 2 rplicas
La repetibilidad es la varianza del error

contribuye con 50.85% del total de variacin de
los datos.
176
Mtodo de ANOVA
Ejemplo de Corrida:
La reproducibilidad es la variacin entre

tcnicos que contribuye con el 2.34% de la
variacin
La variacin del proceso contribuye con un

46.81% de la variacin total de los datos
Se usa la prueba F para determinar las

diferencias significativas
177
Medicin
2. Carta de tendencia de
gages
178
Carta de tendencias de
gages
Una carta de tendencias es una grfica de todas

las observaciones por operador y partes. La lnea
horizontal de referencia es la media, calculada
de los datos o proporcionada en base al historial.
Esta carta muestra las diferencias entre los

diferentes operadores y las partes.
Un proceso estable mostrar una dispersin

aleatoria horizontal; el efecto de un operador o
parte mostrar un patrn definido no aleatorio.
179
gages
1File > Open worksheet > GAGEAIAG.MTW.

2Stat > Quality Tools > Gage Study > Gage Run Chart
3En Part numbers, seleccionar Part.
4En Operators, seleccionar Operator.
5En Measurement data, seleccionar Response. Click OK.
180
gages
Interpretando los resultados
Para cada parte, se puede comparar la variacin entre

mediciones hechas los operadores y sus diferencias
Se puede comparar la media de referencia con las
mediciones especficas.
La mayor parte de la variacin se debe a diferencias entre
las partes, algunos patrones menores aparecen tambin.
Por ejemplo el operador 2 en su segunda medicin es
consistentemente (7/10) ms pequea que la primera, y
sus mediciones son consistentemente (8/10) ms
pequeas que las del operador 1.
181
Medicin
3. Estudios R&R
Mtodo del rango
182
Mtodo del rango

Requiere pocas muestras pero no proporciona
informacin detallada de las fuentes de
variacin, se usa cuando:
Diagnostico para identificar los sistemas de medicin

con mayor variabilidad.
Monitoreo/control peridico de sistemas de medicin

aceptables para asegurar que se mantiene su
confiabilidad
Cuando solo participa una persona (Operador, auditor,

inspector, analista) en el sistema de medicin, entonces
se busca otra fuente de informacin o auditoria a la
medicin para realizar una medicin cruzada.
183
Mtodo del rango
Es un mtodo que proporciona un valor aproximado

del error R&R sin que muestre las diferencias entre
errores por el equipo y por los operadores.
Se usan dos evaluadores y cinco partes. Cada
evaluador mide cada parte una sola vez.
Se calcula el rango de la medicin de cada parte y

al final el rango promedio.
La desviacin estndar de R&R se aproxima con la

formula de rango medio entre d2*
El % de R&R se calcula comparando la desv.
Estndar de R&R con la del proceso
184
Mtodo del rango
Error mximo 10%
185
Mtodo del rango

Contra tolerancia:
Determine la Tolerancia total de variacin permitida

para la variable :
Para Especificaciones bi-laterales :
Tolerancia = LSE - LIE

Para Especificaciones uni-laterales :
Tolerancia = 2* |y LIE| Tolerancia = 2* |LSE y|

Donde : LSE = Lmite Superior de Especificacin
LIE = Lmite Inferior de Especificacin
y=
Media histrica de la variable bajo estudio
valor
promedio objetivo
186
Mtodo del rango
Calcular los rangos de cada par de lecturas por parte/muestra.

Calcular el rango promedio de dichos rangos.
Calcular el GR&R mediante: GR&R = (5.15) x (rango promedio)
Clculo del %GR&R: %GR&R = GR&R*100/Tolerancia
Determinar si el sistema de medicin es confiable para la

necesidad:
%R&R <10% es aceptable
%R&R >30% es inaceptable
10%<%R&R<30% dependiendo la variacin de proceso
187
Formato 5.1
Mtodo del rango

Pieza
Inspector 1
Inspector 2
Rango
1
2
3
4
5
Rango promedio ( R ) =
GR&R = 5.15*R/d2* = 5.15 * (

GR&R*100 (
%GR&R =
=
Tolerancia
(
)/(
)*100
=
)
)=
188
Medicin
4. Estudios R&R (cruzado)
Mtodo largo
189
Determinacin slo
de la repetibilidad
Se tienen veinte unidades de producto, el

operador que toma las mediciones para el
diagrama de control usa un instrumento para
medir cada unidad dos veces. Los datos son
mostrados en la tabla siguiente
190
Determinacin slo
de la repetibilidad
191
Determinacin slo
de la repetibilidad
La desviacin estndar del error de medicin,,

es calculada mediante la siguiente frmula:
R
1
0.887
d 2 1.128
R= Rango promedio
d2 = Valor de tablas.
Para obtener una buena estimacin de la capacidad del

error de medicin utilizamos:
y vs Tolerancia
6 medicin 6(0.887) 5.32
6 medicin
P
T USL LSL
192
Determinacin slo
de la repetibilidad
En este ejemplo USL = 60, LSL = 5
P 5.32
0.097
T
55
Los valores P/T de 0.1 o menores generalmente implican

una capacidad de error de medicin adecuada.
La varianza total observada es:
2 Total S 2 (3.07) 2 9.4249
Y la sigma del proceso es:

2 proceso = 2 total 2 medicin =9.4249 - .79 = 8.63
Por lo tanto la desviacin estndar del proceso = 2.93
193
Determinacin slo
de la repetibilidad
El error de medicin es expresado como un porcentaje

de la variabilidad del proceso:
medicion
.79
100 25.73%
total
3.07
Al ser el error de medicin mayor al 10%, concluimos

que no tenemos un sistema de medicin confiable, por
lo cual tenemos que realizar las acciones correctivas
correspondientes.
194
R&R - Mtodo de medias

rangos
Los estudios de repetibilidad y reproducibilidad determinan

cuanto de la variacin observada como variacin de
proceso es debida a variacin del sistema de medicin.
Se proporcionan dos mtodos para evaluar la repetibilidad

y la reproducibilidad: Mtodo de cartas X-R y Mtodo de
ANOVA.
El Mtodo X-R divide la variacin total dentro de tres

categoras: parte a parte, repetibilidad y reproducibilidad.
El mtodo ANOVA presenta un componente adicional, la
interaccin operador parte.
195
Mtodo de medias rangos
196
Estudio de R&R Medias

Rangos
Generalmente intervienen de dos a tres operadores

Generalmente se toman 10 unidades
Cada unidad es medida por cada operador, 2 3
veces.
197
Estudio R&R Medias rangos

La resolucin del equipo de medicin debe ser
de al menos el 10% del rango de tolerancia o
del rango de variacin del proceso.
Las partes deben seleccionarse al azar,
cubriendo el RANGO TOTAL DEL PROCESO . Es
importante que dichas partes sean
representativas del proceso total (80% DE LA
VARIACION)
10 partes NO son un tamao de muestra
significativo para una opinin slida sobre198
el
Procedimiento para realizar un estudio

de R&R
1. Ajuste el calibrador, o asegrese de que ste
haya sido calibrado.
2. Marque cada pieza con un nmero de
identificacin que no pueda ver la persona que
realiza la medicin.
3. Haga que el primer operador mida todas las
muestras una sola vez, siguiendo un orden al
azar.
199
Procedimiento para realizar un estudio de

R&R
4. Haga que el segundo operador mida todas las
muestras una sola vez, siguiendo un orden al
azar.
5. Contine hasta que todos los operadores hayan
medido las muestras una sola vez (Este es el
ensayo 1).
6. Repita los pasos 3-4 hasta completar el
nmero requerido de ensayos
200
Procedimiento para realizar un estudio de

R&R
7. Utilice el formato proporcionado para
determinar las estadsticas del estudio R&R
Repetibilidad
Reproducibilidad
%R&R
Desviaciones estndar de cada uno de los
conceptos mencionados
Anlisis del % de tolerancia
8. Analice los resultados y determine los pasos
a seguir, si los hay.
201
Ejemplo:
Planteamiento del problema:
Las partes producidas en el rea de produccin, fallaron
por errores dimensionales 3% del tiempo.
CTQ:
Mantener una tolerancia 0.125 pulgadas
Sistema de Medicin: Se miden las partes con calibradores de 2.

Estudio R&R del La dimensin A es medida por dos
Calibrador:
operadores, dos veces en 10 piezas.
202
Mtodo X-media y Rango:

Repetibilidad y Reproducibilidad de
calibrador
Operador A
Serie # 1er. Ensayo 2o. Ensayo
1
2
3
4
5
6
7
8
9
10
Totales
9.376
9.372
9.378
9.405
9.345
9.390
9.350
9.405
9.371
9.380
9.358
9.320
9.375
9.388
9.342
9.360
9.340
9.380
9.375
9.368
X-barA
Operador B
Rango 1er. Ensayo 2o. Ensayo
9.354
9.372
9.278
9.362
9.338
9.386
9.349
9.394
9.384
9.371
Rango
Porcin Xbar
9.361
9.372
9.277
9.370
9.339
9.370
9.349
9.381
9.385
9.376
X-barB
R-barA
R-barB
Porcin R
203
Clculo de las X-medias

Repetibilidad y Reproducibilidad de calibrador
204
Clculo de los Rangos

Repetibilidad y Reproducibilidad de
calibrador
205
Identificacin de Parmetros del Estudio

y Clculos
Totales
93.772
X-barA
93.606
9.3689
R-barA
0.174
0.0174
93.588
X-barB
93.580
9.3584
R-barB
0.052
0.0052
Porcin R 0.0630
Ancho de tolerancia====> 0.25

Nmero de intentos (m)=> 2
X-media mx.=>
9.3689
X-media mn. =>
9.3584
Nmero de partes (n)==>
Diferencia X-dif
0.0105
R-media doble
0.0113
Nmero de operadores
========>
4.56
10
2
(=4.56 para 2 ensayos, 3.05 para 3 ensayos)
=========>
3.65
K3 ======>
1.62
(=3.65 para 2 operadores; 2.7 para 3 operadores)
206
Clculo de R&R
Repetibilidad: La variacin del dispositivo de medicin (VD)
se calcula sobre cada grupo de mediciones tomadas por un
operador, en una sola parte.
DV = R x K1 =
0.0515
Reproducibilidad: La variacin en el promedio de las mediciones

(AV) se calcula sobre el rango de los promedios de todas las
mediciones, para cada operador, menos el error del calibrador
(vale si la raz es negativa)
AV =
(Xdif * K2)2 - (DV2/(r*n)) =
0.03655
207
Clculo de R&R
El componente de varianza para repetibilidad y
reproducibilidad (R&R) se calcula combinando la
varianza de cada componente.
R&R =
=
DV2 + AV2
0.05277
El componente de varianza para las partes (PV), se calcula

sobre el rango de los promedios de todas las mediciones,
para cada parte.
PV
Rpart x K3
=0.1021
La variacin total (TV) se calcula combinando la varianza de

repetibilidad y
reproducibilidad y la variacin de la parte.
TV
R&R2 + PV2
= 0.1142
208
Clculo de R&R
Basado en la tolerancia:
%DV
= 100*DV/Ancho de tolerancia=20.61
%AV
= 100*AV/Ancho de tolerancia=14.62
%R&R = 100*R&R/Ancho de tolerancia 21.108

=
Basado en la variacin Total de las Partes:
%DV
= 100*DV/Variacin total=
%AV
= 100*AV/ Variacin total =
45.09
32.00
%R&R = 100*R&R/ Variacin total =
46.20
%PV
89.40
= 100*PV /Variacin total =
209
Ejercicios
Para un estudio de R&R 2 operadores midieron con el mismo equipo
de medicin 10 partes en 3 intentos cada uno,obteniendo:
Mediciones
de operador A
1
2
Nmero
de parte
1
2
3
4
5
6
7
8
9
10
50
52
53
49
48
52
51
52
50
47
49
52
50
51
49
50
51
50
51
46
50
51
50
50
48
50
51
49
50
49
50
51
54
48
48
52
51
53
51
46
48
51
52
50
49
50
50
48
48
47
Mediciones
de operador B
2
3
51
51
51
51
48
50
50
50
49
48
210
R&R por Medias Rangos

Calculo con Excel
(usar la hoja de trabajo R&R.xls)
211
Datos del operador 1
212
Datos del operador 2
213
Carta de Rangos en control
Los rangos deben estar en control indicando que

Las mediciones se hicieron adecuadamente, de otra
Forma se debe repetir la medicin en la parte
214
Carta de Medias fuera de

control
Al menos el 50% de los puntos debe salir

De control para validar la discriminacin de
Las partes
215
Resultados (AIAG)
216
Resultados AIAG
Para los clculos e utilizan 5.15 sigmas para un

99% de nivel de confianza
El porcentaje de error R&R no debe exceder del

10%, si el equipo se usa para liberar producto
terminado la referencia es la tolerancia del
cliente;
Si el equipo se usa para control del proceso, la

referencia es la variacin total del proceso.
El nmero de categoras debe ser de al menos 4
indicando que el equipo distingue las partes que
son diferentes.
217
R&R por Medias Rangos

Calculo con Minitab
(se puede usar la hoja de trabajo
Gageaiag.mtw)
218
R&R Medias Rangos

Minitab :Datos originales
219
R&R Medias Rangos

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

Minitab : Instrucciones
Seleccione en el men de la barra de

herramientas STAT>QUALITY TOOLS>GAGE
STUDY > Gage R&R (Crossed)
Seleccione C1 (parte), C2 (operador), C3

(Medicin)
Mtodo de Anlisis X Bar and R
En Options Seleccionar: Staudy variation 5.15

Process tolerante 0.006
221
R&R Medias Rangos

Minitab : Resultados
% Error R&R debe ser meno

Al 10% ya sea para control
Proceso o para producto fin
Repetibilidad Instrumento
Reproducibilidad - Operador
Nmero mnimo 4
222
R&R Medias Rangos

Minitab : Interpretacin de
Resultados
Interpretacin de los resultados:
El error de R&R vs tolerancia es 64.03% y vs

variacin total del proceso es 21.25% lo que hace
que el equipo de medicin no sea adecuado para
la medicin.
Por otro lado el nmero de categoras es slo de 1

cuando debe ser al menos 4 indicando que el
instrumento discrimina las diversas partes
diferentes.
223
R&R Medias Rangos Grficas

Gage R&R (Xbar/ R) for Datos
Gage name:
Date of study :
La grfica R se mantiene en control indicando

que las mediciones se realizaron en forma adecua
La grfica X barra slo presenta 5 de 30 puntos fu
Reported
by :
de control,
debera
ser al menos el 50%, indicand
Tolerance:
Misc:
que el equipo
no discrimina las diferentes partes.
Components of Variation
Percent
80
Datos by Partes
% Contribution
0.006
% StudyVar
% Tolerance
40
0.005
0.004
Gage R&R
Repeat
Reprod
Part-to-Part
R Chart by Operadores
Sample Range
0.006
0.0005
_
R=0.000417
0.005
0.0000
LCL=0
10
2
Operadores
Operadores
UCL=0.005143
_
X=0.004717
0.0045
LCL=0.004290
0.0040
Operadores * Partes I nteraction
Average
Sample Mean
0.0050
0.004
Xbar Chart by Operadores

1
5
6
Partes
Datos by Operadores
UCL=0.001073
0.0010
0.0050
2
3
0.0045
0.0040
1
5
6
Partes
10
224
R&R por ANOVA

Calculo con Minitab
(con los datos del ejemplo anterior)
225
R&R por ANOVA

Instrucciones de Minitab
Seleccione en el men de la barra de

herramientas STAT>QUALITY TOOLS>GAGE
STUDY > Gage R&R (Crossed)
Seleccione C1 (parte), C2 (operador), C3

(Medicin)
Mtodo de Anlisis ANOVA
En Options Seleccionar: Study variation 5.15

Process tolerance 0.006 Alfa to remove
interaction 0.25
226
R&R por ANOVA

Resultados de Minitab
La interaccin no es significativa
y los errores de R&R indican que
equipo de medicin no es adecu
ni el nmero de categoras.
227
R&R por ANOVA

Las conclusiones son similares

que con el mtodo de X barra R
No hay interaccin parte - operad
228
Medicin
4. Estudios R&R (anidado)
Mtodo largo
229
R&R Anidado
Los estudios de repetibilidad y reproducibilidad

determinan cuanto de la variacin observada del
proceso es debida a la variacin del sistema de
medicin.
Usar la opcin Gage R&R (Nested) cuando cada
parte sea medida por un solo operador, tal como
en pruebas destructivas.
El estudio de R&R (anidado) utiliza el mtodo
ANOVA para evaluar la repetibilidad y
reproducibilidad, para analizar la reproduciblidad
dentro de sus componentes operador y operador
230
R&R Anidado
231
R&R Anidado
De ser necesario hacer pruebas destructivas, se debe

procurar que todas las partes dentro de un mismo lote
sean lo suficientemente idnticas para considerarlas
similares. Si no se puede hacer sta consideracin
entonces la variacin entre parte y parte dentro de un
lote enmascarar la variacin del sistema.
Para el caso de pruebas destructivas si cada lote es

medido por cada operador entonces realizar el estudio
R&R (Nested); si todos los operadores miden partes de
cada uno de los lotes, entonces utilizar el estudio R&R
(Crossed).
En resumen siempre que cada operador mida partes
diferentes se tiene un estudio R&R anidado.
232
R&R Anidado - datos

Ejemplo: Archivo gagenest.mtw de Minitab
En este ejemplo, 3 operadores mide cada uno 5 partes

diferentes dos veces, para un total de 30 mediciones.
Cada una de las partes es nica al operador; no se
presenta el caso de que dos operadores midan la misma
parte.
233
R&R Anidado
1File > Open worksheet > GAGENEST.MTW.
2Seleccionar Stat > Quality Tools > Gage
Study > Gage R&R Study (Nested).
3En Part or batch numbers, poner Part.
4En Operators, seleccionar Operator.
5En Measurement data, seleccionar Response.
6Dar OK.
234
R&R Anidado
La contribucin de diferencia entre partes del 17.54% es <<

la variacin del sistema de medicin (total Gage R&R ) de 82
Indica un alto error del sistema de medicin.
Con categoras de 1 el sistema de medicin no distingue las
235
R&R Anidado
Resultados grficos de Minitab
Sistema de medicin inadecuado
236
Medicin
6. Estudios de Linealidad y
sesgo
237
Estudios de linealidad y
sesgo
La Linealidad del Gage indica que tan exacto son

las mediciones a travs del rango esperado de
las mediciones. Contesta a la pregunta Mi gage
tiene la misma exactitud para todos los tamaos
de objetos a medir?.
El bias o exactitud del gage examina la

diferencia entre la media de los datos
observados y un valor de referencia o patrn.
Contesta a la pregunta, Qu tan exacto es mi
gage comparado con un patrn?.
238

Datos y ejemplo
Los datos se estructuran de manera que cada fila contiene

una parte, el valor de referencia, y la medicin observada en
esa parte (la respuesta). Las partes pueden ser textos o
nmeros
Ejemplo:
Un supervisor selecciona 5 partes que representan el

rango esperado de las mediciones. Cada parte fue
medida por inspeccin de Layout para determinar su
valor de referencia (patrn). Un operador mide
aleatoriamente cada parte 12 veces.
Se obtiene la variacin del proceso (14.1941) del

estudio Gage R&R usando el mtodo ANOVA (rengln
Total variation de la columna Study Var (6*SD)).
239

Datos y ejemplo
240

1File > Open worksheet > GAGELIN.MTW.
2Seleccionar Stat > Quality Tools > Gage
Study > Gage Linearity and Bias Study.
3En Part numbers, seleccionar Part.
4En Reference values, seleccionar Master.
5 En Measurement data, seleccionar Response.
6En Process Variation, teclear 14.1941. Click
OK.
241

242

Interpretando los resultados
El porcentaje de linealidad (valor absoluto de

la pendiente * 100) es 13.2, que significa que
la Linealidad del gage es del 13% de la
variacin total.
El porcentaje de sesgo para el promedio de

referencia es 0.4, lo que significa que el sesgo
del gage es menor que 0.4% de la variacin
total observada.
243
Medicin
7. Estudios R&R por atributosMtodo analtico
244
R&R por Atributos

- Mtodo analtico
Se deben tomar al menos 8 partes para realizar un

estudio del gage por atributos.
La parte ms pequea debe tener cero aceptaciones, y

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

seis partes entre los extremos de valores de referencia.
245
R&R por Atributos

- Mtodo analtico: Datos
246
R&R por Atributos

Ejemplo:
Un fabricante de automviles quiere medir el
sesgo y repetibilidad de un sistema
automatizado de medicin.
El sistema tiene una tolerancia inferior de

-0.020 y una tolerancia superior de 0.020.
El fabricante corre 10 partes, a travs del gage
20 veces, las partes tienen valores de
referencia en intervalos de 0.005 desde - 0.05
hasta 0.005.
247
R&R por Atributos

Ejemplo: Cada parte se prueba 20 veces con el
Gage (Dimensin 0.020 a 0.020)
248
R&R por Atributos

- Mtodo analtico: Instr. Minitab
1.File > Open worksheet > AUTOGAGE.MTW.
2.Seleccionar Stat > Quality Tools > Gage Study
> Attribute Gage Study (Analytic Method).
3.En Part numbers, seleccionar Part number.
4. En Reference values, seleccionar Reference.
5. Seleccionar Summarized counts y teclear
Acceptances. En Number of trials, teclear 20.
6. Seleccionar Lower limit y teclear -0.020. OK.
249
R&R por Atributos

- Mtodo analtico: Resultados
250
R&R por Atributos

- Mtodo analtico: Resultados
Interpretacin
El Sesgo en el sistema de gage por atributos es

de 0.0097955
La repetibilidad ajustada es de 0.0458060.
La prueba de sesgo indica que es

significativamente diferente de cero (t = 6.70123,
df = 19, p = 0.00), sugiriendo que el sesgo est
presente en el sistema de medicin por atributos.
251
Medicin
8. Estudios R&R por atributosMtodo de acuerdo por
atributos
252
Mtodo GR&R por atributos
Estudios sobre la varianza
Varios
Tcnica Kendall
(Clasificacin
Multi-nominal)
SI
Documentar estudio
y definir siguiente
fecha de evaluacin.
Estudios de GR&R
datos discretos
Cuntos atributos
Se evalan ?
Uno
Tcnica Kappa
(Clasificacin
Nominal)
ndice
Kappa > 0.7
NO
Estandarizar criterios de evaluacin, ayudas

(visuales, estandares, etc.), tips, Capacitacin,
Prctica, entrenamiento, etc.
253
Estudios R&R por atributos

Mtodo de acuerdo por atributos
Usar el anlisis de acuerdo por atributos para evaluar

las calificaciones nominales u ordinales proporcionadas
por varios evaluadores.
Las mediciones son calificaciones subjetivas de la gente

en vez de mediciones fsicas. Algunos ejemplos
incluyen:
Calificaciones de desempeo de los automviles
Clasificacin de calidad de las fibras como buena o
mala.
Calificaciones de color, aroma y gusto del vino en una
escala de 1 a 10.
254

Mtodo de acuerdo por atributos
En estos casos la caracterstica de calidad es difcil

de definir y evaluar.
Para obtener clasificaciones significativas, ms de

un evaluador debe calificar la medicin de
respuesta.
Si los evaluadores estn de acuerdo, existe la

posibilidad de que las apreciaciones sean exactas.
Si hay discrepancias, la utilidad de la evaluacin es

limitada.
255

Acuerdo por atributos - Datos
Los datos pueden ser texto o numricos. Las

calificaciones asignadas pueden ser Nominales u
ordinales.
Los datos nominales son variables categricas que
tienen dos o ms niveles sin orden natural. Por
ejemplo, los niveles en un estudio de gustacin de
comida que puede incluir dulce, salado o picoso.
Los datos ordinales son variables categricas que
tienen tres o ms niveles con ordenamiento
natural, tales como: en desacuerdo total, en
desacuerdo, neutral, de acuerdo, y
completamente de acuerdo.
256

Los datos pueden estar apilados o en diferentes

columnas
257

Mtodo Kappa
Una tcnica utilizada para evaluar la confiabilidad
de mediciones de datos discretos es el ndice
Kappa, el cual est dado por la siguiente
formula :
Pobservada- P chance
K=
1 - P chance
Suponga que se evalan 12 muestras por 2

inspectores obteniendo los siguientes resultados :
258

Mtodo Kappa
Parte
Inspector A
Inspector B
Tabla de Contingencia
Inspector A
Buena
Inspector B
Mala
Buena
0.667
0.000
0.667
Mala
0.080
0.250
0.333
0.750
0.250
Pobservada = xii = xbb + xmm = 0.667 + 0.25 = 0.917

Pchance = Pcci*Pccj = PbbA*PbbB + PmmA*PmmB
1
2
3
4
5
6
7
8
9
10
11
12
Buena
Buena
Buena
Buena
Buena
Mala
Buena
Buena
Buena
Mala
Buena
Mala
Buena
Buena
Buena
Mala
Buena
Mala
Buena
Buena
Buena
Mala
Buena
Mala
Pchance = (0.75)(0.667) + (0.25)(0.33) = 0.5835
0.917
0.5835
K=
1- 0.5835
= 0.8
259
Mtodo Kappa
Determine si el sistema de medicin es
confiable:
El valor mximo posible de Kappa es 1.0, cuanto
ms cercano est a este valor el sistema de
medicin es confiable. En trminos generales
se puede decir que si K es menor a 0.7, el
sistema de medicin no es aceptable.
260
Mtodo Kendall
Cuando se tienen varios inspectores y la
clasificacin de la muestra puede ser multinominal, se puede utilizar el ndice de Kendall
Para explicarlo consideraremos el siguiente
ejemplo, en el cual participan 5 inspectores y
analizan 10 muestras las cuales clasifican en 5
categoras distintas.
261
Mtodo Kendall
Costura
ancha
Costura
angosta
10
0
2
3
0
0
4
0
0
0
3
12
0
0
0
0
2
0
4
0
0
2
8
p
q
0.24
0.16
0.12
0. 14
0. 34
0.76
0. 84
0.88
0. 86
0. 66
M
u
e
s
t
r
a
1
2
3
4
5
6
7
8
9
Costura
incompleta
1
1
0
0
3
0
1
0
0
0
6
Costura
dispareja
Costura
perfecta
Sx
0
0
2
0
0
0
0
5
0
0
7
4
2
0
5
0
1
0
0
5
0
17
9
13
25
13
17
17
25
25
13
17
174
2
ij
i=1
F
p =
50
262
Mtodo Kendall
El indice Kappa para cada categora est dado por:

n
KCategora j= 1-
2
x ij (m- x ij)
i=1
nm(m-1)
pj qj
Donde :
Kcategoria j = ndice Kappa de la Categora j
n = Nmero de unidades
m = Nmero de inspectores
k = Nmero de categoras
pi = evaluacin dentro de la categora i/(n x m)
qi = 1 - pi
263
Mtodo Kendall
El numerador del ndice Kappa para la categora
Costura ancha sera entonces :
[0 x (5-0)] + [2 x (5-2)] + [3 x (5-3)] + [0 x (5-0)] + [0 x (5-0)]
+ [4 x (5-4)] + [0 x (5-0)] + [0 x (5-0)] + [0 x (5-0)] + [3 x (5-3)] =22
El denominador del ndice Kappa para la

categora Costura ancha sera entonces :
10 x 5 x (5-1) x 0.24 x 0.76 = 36.48
Por lo tanto, el ndice Kappa para la categora
Costura ancha sera :
22
KCostura = 1= 0.4
ancha
36.48
264
Mtodo Kendall
El ndice Kendall de todo el estudio est dado por la
siguiente frmula::
nm2 -
K total
=1 -
i=1
j=1
x
k
nm(m-1)
2
ij
qj
j=1
Donde :
Ktotal = ndice Kendall
n = Nmero de unidades
m = Nmero de inspectores
k = Nmero de categoras
pi = evaluacin dentro de la categora i/(n x m)
qi = 1 - pi
265
Mtodo Kendall
El ndice Kendall para el ejemplo dado es:
K total = 1-
[(
10 x 5 x 4
10 x (5)2 -174
(0.24 X 0.76) + (0.16 X 0.84) +
(0.12 X 0.88) + (0.14 X 0.86) +
(0.34 X 0.66)
)]
=1- (76/153.44) = 0.5
El valor mximo posible de Kendall es 1.0,

cuanto ms cercano est a este valor el
sistema de medicin es confiable. En trminos
generales se puede decir que si K es menor a
0.7, el sistema de medicin no es aceptable.
266

Ejemplo:
Una empresa est entrenando a cinco evaluadores para

la porcin escrita de un examen estndar de doceavo
grado.
Se requiere determinar la habilidad de los evaluadores

para calificar el examen de forma que sea consistente
con los estndares.
Cada uno de los evaluadores califica 15 exmenes en

una escala de cinco puntos (-2, -1, 0, 1, 2):
267

268

Acuerdo por atributos Instr.
Minitab
1Abrir el archive ESSAY.MTW.
2Seleccionar Stat > Quality Tools > Attribute
Agreement Analysis.
3En Attribute column, poner Rating.
4En Samples, poner Sample.
5En Appraisers, poner Appraiser.
6En Known standard/attribute, poner Attribute.
7Checar Categories of the attribute data are
ordered y poner OK
8 In Addition seleccionar coeficientes Kappa y Kendall
269
Resultados
270
Resultados
271
Resultados
272
Resultados
ndice Kappa de Cohen
Un estadstico popular para medir el nivel de acuerdo

entre dos personas calificadoras con un intento o dentro
de un calificador con dos intentos.
El ndice Kappa de Cohen Kappa es calculado de manera

diferente que el ndice de Kappa de Fleiss.
Los rangos de Kappa van de -1 a +1. Entre mayor sea el

valor de Kappa, es ms fuerte el acuerdo. Si Kappa = 1,
existe un acuerdo perfecto. Si Kappa = 0, el acuerdo es
similar a lo que pudiera ser esperado por el azar.
273
Resultados
Minitab muestra tres tablas de acuerdo: Cada

evaluador vs el estndar, Entre evaluadores y
Todos los evaluadores vs estndar.
Los estadsticos de Kappa y Kendall tambin se

incluyen en cada una de las tablas. En general
estos estadsticos sugieren buen acuerdo.
El coeficiente de Kendall entre evaluadores es

0.966317 (p = 0.0); para todos los evaluadores vs
estndar es 0.958192 (p = 0.0). Sin embargo la
observacin del desempeo de Duncan y Haues
indica que no se apegan al estndar.
274
Resultados
La grfica de Evaluadores vs. Estndar

proporciona una vista grfica de cada uno de
los evaluadores vs el estndar, pudiendo
comparar fcilmente la determinacin de
acuerdos para los cinco evaluadores.
Se puede concluir que Duncan, Hayes y

Simpson requieren entrenamiento adicional.
275
Sistema de Medicin de Atributos

Ejemplo comparacin pasa no
pasa
Un sistema de medicin de atributos compara

cada parte con un estndar y acepta la parte
si el estndar se cumple.
La efectividad de la discriminacin es la
habilidad del sistema de medicin de atributos
para discriminar a los buenos de los malos.
276
Atributos
Ejemplo comparacin pasa no
pasa
1. Selecciona un mnimo de 20 unidades del proceso.
Estas unidades deben representar el espectro
completo de la variacin del proceso (buenas,
erroneas y en lmites).
2. Un inspector experto realiza una evaluacin de cada
parte, clasificndola como Buena o No Buena.
3. Cada persona evaluar las unidades,
independientemente y en orden aleatorio, y las
definir como Buenas o No Buenas.
4. Ingresa los datos en el archivo Attribute Gage R&R.xls
para cuantificar la efectividad del sistema de
medicin.
277
GR&R de Atributos - Ejemplo

Legenda de Atributos
G =1Bueno
NG =2No Bueno
REPORTE
FECHA:
NOMBRE:
PRODUCTO:
SBU:
COND. DE PRUEBA:
Poblacin Conocida
Muestra #
Atributo
1
G
2
G
3
G
4
G
5
G
6
G
7
G
8
G
9
NG
10
NG
11
G
12
G
13
NG
14
G
15
G
16
G
17
NG
18
G
19
G
20
G
% DEL EVALUADOR
Persona #1
#1
G
G
G
G
G
NG
G
G
G
NG
G
G
NG
G
G
G
NG
G
G
G
(1)
% VS. EL ATRIBUTO
#2
G
G
G
G
G
G
G
G
G
NG
G
G
NG
G
G
G
NG
G
G
G
->
(2)
->
#1
G
G
G
G
G
G
G
G
NG
G
G
G
NG
G
G
G
NG
G
G
G
Persona #2
#2
G
G
G
G
G
G
G
G
NG
G
G
G
NG
G
G
G
NG
G
G
G
95.00%
100.00%
90.00%
95.00%
Acuerdo
Acuerdo
Y=S N=No
Y
Y
Y
Y
Y
N
Y
Y
N
N
Y
Y
Y
Y
Y
Y
Y
Y
Y
Y
Y=S N=No
Y
Y
Y
Y
Y
N
Y
Y
N
N
Y
Y
Y
Y
Y
Y
Y
Y
Y
Y
Esta es la
medida
general de
consistencia
entre los
operadores
y el experto.
90% es lo
mnimo!
(3)
% DE EFECTIVIDAD DE DISCRIMINACION
->
85.00%
(4)
% DE EFECTIVIDAD DE DISCRIMINACION VS. EL ATRIBUTO
->
85.00%
278
Sistema de Medicin de
Atributos
Pasa no pasa Datos en Minitab
279

Pasa no pasa Instrucciones en
Minitab
1Usar los datos anteriores.
2Seleccionar Stat > Quality Tools > Attribute
Agreement Analysis.
3En Multiple columns, con Persona 1 - Persona
2B.
4En Number of appraisers, 2.
5En Number of trials, 2.
6En Known standard/attribute, poner Atributo
7no Checar Categories of the attribute data are
ordered y poner OK
280

Pasa no pasa Resultados de
Minitab
281

Pasa no pasa Resultados de
Minitab
Date of study:
Reported by:
Name of product:
Misc:
Assessment Agreement
Within Appraisers
95.0% CI
Percent
100
95
95
90
90
85
80
85
80
75
75
70
70
1
2
Appraiser
95.0% CI
Percent
100
Percent
Percent
Appraiser vs Standard
2
Appraiser
282
Interpretacin de Resultados
1. % del Evaluador es la consistencia de una
persona.
2. % Evaluador vs Atributo es la medida de el
acuerdo que hay entre la evaluacin del operador
y la del experto.
3. % de Efectividad de Seleccin es la medida de el
acuerdo que existe entre los operadores.
4. % de Efectividad de Seleccin vs. el Atributo es
una medida general de la consistencia entre los
operadores y el acuerdo con el experto.
283
Estudio de Repetibilidad y
Reproducibilidad de Atributos Guas de Aceptabilidad
Aunque el 100% es el resultado que deseamos obtener,
en un estudio de repetibilidad y reproducibilidad de
atributos, la siguiente gua se usa frecuentemente:
Porcentaje
De 90% a 100%
Gua
Aceptable
De 80% a 90%
Marginal
Menos de 80%
Inaceptable
284
Mtodo sencillo
Tomar 50 piezas, 40 de las cuales dentro de

especificaciones y 10 fuera de especificaciones
Probarlas con dispositivos pasa y no pasa

por medio de 3 operadores
Si no coinciden todos los operadores en al

menos el 90%, los dispositivos o gages pasa,
no pasa no son confiables
285
V.C.3 Sistemas de medicin

en la empresa
286
Medicin de desempeo
en la empresa
Contadores automticos
Reportes generados por computadora
Auditoras internas y externas
Evaluacin de proveedores
Reportes gerenciales
Encuestas internas y externas

Reportes diversos
287
Medicin de desempeo
en la empresa - Aspectos
Proveedores
No. De desviaciones
Porcentaje de entregas a tiempo
Porcentaje de entregas anticipadas
Costo de embarque por unidad
Porcentaje de cumplimiento en especificaciones
Costo unitario actual vs costo unitario histrico
Monto de lo rechazado vs monto de las compras
Oportunidad de la asistencia tcnica
288
Medicin de desempeo
Ventas y mercadotecnia
Crecimiento en ventas por periodo de tiempo

Porcentaje de participacin de mercado
Monto de ventas / mes
Monto promedio de ventas por transaccin
Tiempo promedio de clientes en visita al sitio
Web
Efectividad de eventos de ventas
Monto vendido vs monto gastado en publicidad
289
Medicin de desempeo
Satisfaccin de cliente externo
Comparacin ponderada vs competencia

Valor percibido medido por el cliente
Rango de satisfaccin del producto / servicio
Evaluacin de la competencia tcnica
Porcentaje de clientes retenidos
290
Medicin de desempeo
Satisfaccin de cliente interno
Tasa de satisfaccin del empleado

Tasa de satisfaccin en el puesto
Indicador de efectividad de la capacitacin
Evaluacin de avance en imparcialidad
Retroalimentacin sobre principales polticas y
procedimientos
Conocimiento de metas y avances de la
empresa
291
Medicin de desempeo
Investigacin y desarrollo
No. De proyectos en desarrollo

Porcentaje de proyectos dentro del presupuesto
No. De proyectos fuera de programa
Gastos de desarrollo vs ingresos por ventas
Confiabilidad de solicitudes de cambios al
diseo
292
Medicin de desempeo
Ingeniera
Evaluacin del desempeo del producto

No. De requerimientos de accin correctiva
Porcentaje de acciones correctivas cerradas
Evaluacin de control de mediciones
Disponibilidad de asistencia tcnica
293
Medicin de desempeo
Manufactura
Capacidad de proceso de mquinas y procesos

clave
Porcentaje de tiempos muertos de mquina
Tiempos de ciclo promedio (lneas clave)
Medicin del control de orden y limpieza
Adecuacin de la capacitacin a operadores
294
V.C.4 Metrologa
295
Metrologa
Metrologa. Es la ciencia de las mediciones. Deriva del

griego metrn medida y logos lgica. Sus elementos
clave son:
El establecimiento de estndares de medicin que

sean internacionalmente aceptados y definidos
El uso de equipo de medicin para correlacionar la

extensin que los datos del producto y proceso
estn conforme a especificaciones
La calibracin regular de equipos de medicin,
rastreables a estndares internacionales
establecidos
296
Metrologa
Unidades de medicin
El sistema internacional de unidades SI

clasifica las mediciones en 7 categoras:
Longitud (metro)
Tiempo (segundo)
Masa (kilogramo)
Corriente elctrica (ampere)
Temperatura (Kelvin)
Iluminacin (candela)
Cantidad de sustancia (mole)
297
298
Metrologa
Temperatura
Temperatura en F = 1.8 (Temp C) +32
Temperatura en C = (Temp F 32) / 1.8
Temperatura en K = Temp C + 273.15
299
Metrologa
Calibracin
Es la comparacin de un estndar de medicin o

instrumento de exactitud conocida con otro
instrumento para detectar, correlacionar,
reportar o eliminar por ajuste, cualquier
variacin en la exactitud del instrumento que se
est comparando.
La eliminacin del error es la meta primaria del

sistema de calibracin
300
Metrologa
Variabilidad total del producto
La variabilidad total en el producto incluye la

variabilidad del proceso de medicin.
2 total 2 proceso 2 medicin
Errores de medicin
El error del instrumento de medicin es el valor

del instrumento de medicin menos el valor
verdadero.
2
2
2
error medicion patron
2 medicion 2 patron 2 error
301
Metrologa
Errores de medicin
El intervalo de confianza para la media de las

mediciones se reduce tomando mediciones
mltiples de acuerdo al teorema del lmite
central con la siguiente relacin:
lecturas
medicion
n
302
Metrologa
Errores de medicin
Hay muchas razones para que un equipo de medicin

genere variaciones por error, incluyendo las categoras
siguientes:
Variacin
Variacin
Variacin
Variacin
Variacin
Variacin
Variacin
por el operador
de operador a operador
del equipo
de los materiales
en procedimientos
en el software
de laboratorio a laboratorio
303
Metrologa
Intervalo de calibracin
Es aceptado generalmente que el intervalo de

calibracin del equipo de medicin se base en la
estabilidad, propsito y grado de uso.
La estabilidad se refiere a la habilidad de un

instrumento de medicin para manejar de
manera consistente sus caractersticas
metrolgicas durante el tiempo.
304
Metrologa
Intervalo de calibracin
El propsito es importante, en general las

aplicaciones crticas incrementan la frecuencia y
las aplicaciones menores disminuyen la frecuencia.
El grado de utilizacin o uso se refiere a que tan
frecuentemente se utiliza el instrumento y a que
condiciones ambientales se expone.
El equipo de medicin y prueba debe ser trazable
a registros que indiquen la fecha de la ltima
calibracin, por quin fue calibrado y cuando est
planeada su prxima calibracin. Algunas veces se
usa la codificacin.
305
Metrologa
Estndares de calibracin
El valor verdadero reconocido de acuerdo al SI se

denomina Estndar
Los estndares primarios de referencia son copias

del kilogramo internacional y los sistemas de
medicin que responden a definiciones de las
unidades fundamentales a las unidades derivadas
de la tabla SI.
Los estndares nacionales se toman como la

autoridad central para evaluar la exactitud, y todos
los niveles de estndares de trabajo son trazables a
este gran estndar
306
Estndares internacionales
En Mxico se tiene el CENEAM o el
Centro Nacional de Metrolgia
En EUA se tiene el NIST (National
Institute of Standards and Technolog)
Un Estndar primario es certificado por
NIST o por una organizacin alterna que
use procedimientos de calibracin
actualizados
Los Estndares secundarios son
calibrados por el depto. de Metrologa de
las empresas en base a los estndares
primarios, para efectos de calibracin.
307
Estndares internacionales
Los Estndares secundarios se
transfieren a Estndares de trabajo en
produccin.
Para determinar la exactitud de los
sistemas de medicin se debe conocer
su rastreabilidad a Estndares
nacionales e internacionales.
Resolucin: Para que el equipo de medicin
tenga una discriminacin adecuada en la
evaluacin de las partes, su resolucin debe
ser al menos 1/10 de la variabilidad del
proceso ( LTNS - LTNI = 6 )
308
Metrologa
Estndares de calibracin
La trazabilidad hacia debajo de la trazabilidad se
muestra a continuacin
National Institute Standards and Technology

Laboratorios de Estndares
Laboratorios de Metrologa
Laboratorios de Sistema de Control de Calidad
Centros de Trabajo
309
Metrologa
Resumen del ISO 10012
Quality assurance requirement for measuring

euipment Part 1: Metrological confirmation
system for measuring equipment.
Contiene requerimientos de aseguramiento de

calidad para asegurar que las mediciones sean
hechas con la exactitud intencionada.
310
Metrologa
Resumen del ISO 10012 Elementos clave
Todos los equipos de medicin deben ser

identificados, controlados, y calibrados. Deben
mantenerse los registros de la calibracin y
trazabilidad a estndares nacionales
Debe determinarse la incertidumbre de la

medicin
Se deben tener disponibles los procedimientos

para asegurar que el equipo de medicin no
conforme no sea utilizado
311
Metrologa
Resumen del ISO 10012 Elementos clave
Debe establecerse un sistema de etiquetado que

muestre la identificacin nica y su estado
Se debe establecer la frecuencia de recalibracin
Las calibraciones deben ser trazables a

estndares nacionales
Se requieren procedimientos documentados para

la calificacin y entrenamiento del personal
312
V.D Estadstica bsica
313
V.D Estadstica bsica

1. Trminos bsicos
2. Teorema del lmite central
3. Estadstica descriptiva
4. Mtodos grficos
5. Conclusiones estadsticas vlidas
314
V.D.1 Trminos bsicos
315
Estadstica
La estadstica descriptiva nos proporciona
mtodos para organizar y resumir informacin,
la estadstica inferencial se usa para obtener
conclusiones a partir de una muestra
Por ejemplo, s deseamos saber el promedio de peso de las
personas en una poblacin tenemos dos opciones:
Pesar a todas y cada una de las personas, anotar y
organizar los datos, y calcular la media.
Pesar solo una porcin o subconjunto de la poblacin
(muestra). Registrar y organizar los datos y calcular la
media de la muestra, tomndola para pronosticar o Inferir
la media de toda la poblacin.
Poblacin y muestra
Poblacin: Es la coleccin de todos los
elementos (piezas, personas, etc.). En nuestro
caso sera un nmero infinito de mediciones
de la caracterstica del proceso bajo estudio.
Muestra: Es una parte o subconjunto
representativo de la poblacin, o sea un grupo
de mediciones de las caractersticas.
317
Estadsticos y parmetros
Estadstico: Es una medicin tomada en una
muestra que sirve para hacer inferencias en
relacin con una poblacin (media de la muestra,
desviacin estndar de la muestra se indican con
letras latinas X, s, p).
Normalmente es una variable aleatoria y tiene
asociada una distribucin.
Parmetro: Es el valor verdadero en una poblacin
(media, desviacin estndar, se indican con letras
griegas , , )
318
Tipos de datos
Datos continuos Los datos que tienen un valor
real (temperatura, presin, tiempo, dimetro,
altura )
Datos discretos: Datos que toman valores enteros
(0, 1, 2, 3, etc.)
Datos por atributos: Bueno - malo, pasa - no pasa,
etc.
319
V.D.2 Teorema del lmite central
320
Teorema del lmite central
La distribucin de las medias de las muestras

tiende a la normalidad independientemente de
la forma de la distribucin poblacional de la
que sean obtenidas. Es la base de las cartas
de control X-R.
321
Teorema del lmite central
Por lo anterior la dispersin de las medias es

menor que para los datos individuales
Para las medias muestrales, el error estndar

de la media se relaciona con la desviacin
estndar de la poblacin como sigue:
X
sX
n
322
Teorema del Lmite Central
La distribucin de las medias de las muestras tienden a

distribuirse en forma normal
Por ejemplo los 300 datos (cuyo valor se encuentra entre 1 a

9) pueden estar distribuidos como sigue:
323

Poblacin con media y desviacin estndar y cualquier distribucin.
Seleccionando muestras de tamao n y calculando la X-media o

promedio en cada una
X-media 1
X-media 2
X-media 3
Conforme el tamao de muestra se incrementa las muestras se

distribuyen normalmente con media de medias y desviacin estndar
de las medias de las muestras / n. Tambin
se denomina Error estndar de la media.
La distribucin de las medias de las muestras tienden a

distribuirse en forma normal
Tomando de muestras de 10 datos, calculando su promedio y

graficando estos promedios se tiene:
325
Cartas de Control
Causas
normales o
comunes
Causa
especial
DEFINICION
Es una ayuda grfica para el control de las variaciones de
los procesos administrativos y de manufactura.
326
Variacin observada
en una Carta de Control
Una Carta de control es simplemente un

registro de datos en el tiempo con lmites de
control superior e inferior, diferentes a los
lmites de especificacin.
El patrn normal de un proceso se llama causas

de variacin comunes.
El patrn anormal debido a eventos especiales

se llama causa especial de variacin.
327
Variacin Causas comunes

Lmite
inf. de
especs.
Lmite
sup. de
especs.
Objetivo
328
Variacin Causas especiales

Lmite
inf. de
especs.
Lmite
sup. de
especs.
Objetivo
329
Aplicacin en la carta de control

Escuche la Voz del Proceso Regin de control,
M
E
D
I
D
A
S
C
A
L
I
D
A
D
captura la variacin
natural del proceso
original
LSC
LIC
Tendencia del proceso

Causa Especial
El proceso ha cambiado
identifcada
TIEMPO
Patrones Fuera de Control

Corridas
7 puntos consecutivos de un lado de X-media.
Puntos fuera de control
1 punto fuera de los lmites de control a 3 sigmas en
cualquier direccin (arriba o abajo).
Tendencia ascendente o descendente
7 puntos consecutivos aumentando o disminuyendo.
Adhesin a la media
15 puntos consecutivos dentro de la banda de 1 sigma
del centro.
Otros
2 de 3 puntos fuera de los lmites a dos sigma
331
Patrn de Carta
en Control Estadstico
Proceso en Control estadstico
Sucede cuando no se tienen situaciones
anormales y aproximadamente el 68% (dos
tercios) de los puntos de la carta se encuentran
dentro del 1 de las medias en la carta de
control.
Lo anterior equivale a tener el 68% de los

puntos dentro del tercio medio de la carta de
control.
332
Aplicacin en Intervalos de
confianza
Intervalo de confianza para la media:
A) Sigma conocida y n>30 (n es tamao de

muestra)
X Z
X t
2
B) Sigma desconocida y n<30, los grados de

libertad son gl = n-1.
333
Aplicacin en Intervalos de
confianza
Intervalo de confianza para proporciones y

varianza:
Para proporciones, p es la proporcin y n>30
p (1 p )
n
p Z
2
Para la varianza
( n 1) s
2
2
, n 1
( n 1) s
, n 1
334
V.D.3 Estadstica descriptiva
335
Estadstica Descriptiva
No existen en la naturaleza
dos cosas exactamente iguales,
ni siquiera los gemelos, por tanto la variacin es
inevitable y es analizada por la Estadstica
336
Estadstica descriptiva
La estadstica descriptiva incluye:

Medidas de tendencia central
Medidas de dispersin
Funciones de densidad de probabilidad
Distribuciones de frecuencia y
Funciones acumulativas de distribucin
337

Representan las diferentes formas de
caracterizar el valor central de un conjunto
de datos
xi

Media muestral
poblacional
n
338

Mediana: es el valor medio cuando los datos
se arreglan en orden ascendente o
descendente, en el caso de n par, la
mediana es la media entre los valores
intermedios
339

Moda: Valor que ms se repite, puede haber ms
de una
Media acotada (Truncated Mean): Se elimina

cierto porcentaje de los valores ms altos y
bajos de un conjunto dado de datos (tomando
nmeros enteros), para los valores restantes se
calcula la media.
340
341
342
Medidas de dispersin:
Rango: Es el valor mayor menos el valor menor

de un conjunto de datos
343
Varianza: es el promedio de las desviaciones al

cuadrado respecto a la media (n para poblacin
y n-1 para muestra para eliminar el sesgo)
344
Desviacin estndar: es la raz cuadrada de la

varianza ya sea poblacional o muestral S
s=
790
= 12.56
5
s=
7510
= 38.75
5
345
Coeficiente de variacin: es igual a la desviacin

estndar dividida por la media y se expresa en
porcentaje
346
Funcin de densidad de probabilidad
El rea bajo la curva de densidad de

probabilidad a la izquierda de un valor dado x,
es igual a la probabilidad de la variable aleatoria
en el eje x para X<= x
Para distribuciones continuas
Para distribuciones discretas
347
Funcin de distribucin acumulada

Funcin
de
densidad
Funcin de
distribucin
acumulada
348
Mtodos grficos
Se incluyen los mtodos siguientes:
Diagramas de caja
Diagramas de tallo y hojas
Diagramas de dispersin
Anlisis de patrones y tendencias
Histogramas
Distribuciones de probabilidad normales
Distribuciones de Weibull
349
V.D.4 Mtodos grficos
350
Diagrama de caja
PERCENTILES, DECILES Y QUARTILES
Cada conjunto de datos ordenado tiene tres cuartiles que lo

dividen en cuatro partes iguales.
El primer cuartil es ese valor debajo del cual clasifica el 25% de

las observaciones y sobre el cual se encuentra el 75% restante.
El segundo cuartil divide a los datos a la mitad similar a la

mediana.
El tercer cuartil es el valor debajo del cual se encuentra el 75%

de las observaciones.
Los deciles separan un conjunto de datos ordenado en 10

subconjuntos iguales y los percentiles en 100 partes
351
Diagrama de caja
PERCENTILES, DECILES Y QUARTILES
La ubicacin de un percentil se encuentra en:
Donde:
Lp es el sitio del percentil deseado en una serie ordenada
n es el nmero de observaciones
P es el percentil deseado
352
Diagrama de caja
Por ejemplo para los datos siguientes:
10
19
27
34
38
48
56
67
74
12
20
29
34
39
48
59
67
74
14
21
31
36
43
52
62
69
76
15
25
31
37
45
53
63
72
79
10
17
27
34
38
47
56
64
73
80
353
Diagrama de caja
La localizacin del percentil 35 se halla en:
O sea que el percentil 35 est al 85% del trayecto comprendido
entre la observacin 17 que es 29 y la observacin 18 que es
31 o sea L35 = 29 + (0.85)(31-29) = 30.7. Por tanto el 35%
de las observaciones estn por debajo de 30.7 y el 65%
restante por encima de 30.7.
De la misma forma los percentiles 25, 50 y 75 proporcionan la
localizacin de los cuartiles Q1, Q2 y Q3 respectivamente.
Q1: es el nmero que representa al percentil 25
Q2 o Mediana: es el nmero que representa al percentil 50
Q3: es el nmero que representa al percentil 75 (hay 75% de
los datos por debajo de este).
Rango o Recorrido intercuartlico: es la diferencia entre Q1 y Q3.
Grficas de caja
Permite identificar la distribucin de los datos,
muestra la mediana, bases y extremos.
Mediana = dato intermedio entre un grupo de datos
ordenados en forma ascendente
Primer cuartil
Tercer cuartil
Mediana
Valor
mnimo
Valor
mximo
DEFINICION:
Es una ayuda grfica para ver la variabilidad de los datos.
Mtodos grficos
Diagramas de caja
Representan un resumen de los datos. La lnea

media es la mediana, los lados son el primer y
tercer cuartil. El mximo y el mnimo se dibuja
como puntos al final de las lneas (bigotes)
356
Mtodos grficos
Diagramas de tallo y hojas
El diagrama consiste del agrupamiento de los

datos por intervalos de clase, como tallos y los
incrementos de datos ms pequeos como
hojas.
Hojas
Tallos
357
Mtodos grficos
Es una grfica de muchos puntos coordenados X-Y

que representan la relacin entre dos variables.
Tambin se denomina carta de correlacin. Se
puede tomar la variable dependiente para el eje Y
y la dependiente en el eje X.
La correlacin tiene las siguientes fuentes:
Una relacin de causa efecto

Una relacin entre dos causas
Una relacin entre una causa y dos o ms causas
358
Mtodos grficos
Positiva dbil
Negativa
fuerte
Positiva fuerte
Sin
correlacin
Relaciones no lineales
359
Mtodos grficos
Coeficiente de correlacin
El coeficiente de correlacin r determina el

grado de asociacin entre dos variables X y Y
360
Mtodos grficos
Anlisis de correlacin
Busca descubrir relaciones, aplicar el sentido

comn
La lnea de mejor ajuste es la lnea de regresin,

sin embargo un anlisis visual debiera ser
suficiente para identificar si hay o no hay relacin
Los diagramas de dispersin deben ser analizados

antes de tomar decisiones sobre correlacin
estadstica
361
Mtodos grficos
Para visualizar el comportamiento de los datos en

el tiempo
Tendencia
creciente
Valores anormales
Tendencia decrecienteCorrida de proceso
Ciclos
Variabilidad creciente
362
Mtodos grficos
Para visualizar el comportamiento de los datos en

el tiempo
Tendencia
creciente
363
Histogramas
364
Mtodos grficos
Histogramas
Son grficas de columnas de frecuencia que

muestran una imagen esttica del comportamiento
del proceso y requieren un mnimo de 50 a 100
puntos
La frecuencia en cada barra o intervalo es el

nmero de puntos que caen dentro de ese intervalo
Un proceso estable muestra un histograma con

forma de campana unimodal, es predecible
365
Mtodos grficos
Histogramas
Un proceso inestable muestra un histograma que

no tiene una forma acampanada. Sin embargo los
procesos que siguen una distribucin exponencial,
lognormal, gamma, beta, Weibull, Poisson,
binomial, hipergeomtrica, geomtrica, etc. existen
como procesos estables
Cuando la distribucin es acampanada, la variacin

alrededor de la media es aleatoria, otras
variaciones son debidas a causas especiales o
asignables.
366
Mtodos grficos
Permite ver la distribucin que tienen los procesos de
manufactura y administrativos vs. especificaciones
Permiten ver la frecuencia con la que ocurren las cosas.
La variabilidad del proceso se representa por el ancho
del histograma, se mide en desviaciones estndar o .
Un rango de 3 cubre el 99.73%.
DEFINICION
Un Histograma es la organizacin de un nmero de
datos muestra que nos permite visualizar al proceso de
manera objetiva.
367
Histograma de Frecuencia
Media
TAMAO
TAMAO
TAMAO
M
E
D
I
C
I
O
N
E
S
En un proceso estable las mediciones se distribuyen

normalmente, a la derecha y a la izquierda de la media
adoptando la forma de una campana.
M
E
D
I
C
I
O
N
E
S
TAMAO
TAMAO
368
Histograma de Frecuencia
Permite ver la distribucin de la frecuencia con la que ocurren las cosas en
los procesos de manufactura y administrativos.
La variabilidad del proceso se representa por el ancho del histograma, se
mide en desviaciones estndar o , 3 cubre el 99.73%.
LIE
LSE
DEFINICION
Un Histograma es la organizacin de un nmero de datos
muestra que nos permite visualizar al proceso de manera
objetiva.
Las distribuciones pueden variar en:
POSICIN
AMPLITUD
FORMA
O TENER CUALQUIER COMBINACION
Medidas de Tendencia central

Media - Promedio numrico o centro de
gravedad del histograma de mediciones
n
F *X
i 1
F
i 1
Donde,
Fi = Frecuencia de cada medicin
xi = Valor de cada medicin
individual
- Usa todos los datos

- Le afectan los extremos
Mediana - Es el valor que se encuentra en medio de

los datos o mediciones
Moda - Es el valor que ms se repite
Medidas de variabilidad o
Dispersin Desviacin Estndar
S es usada cuando los datos corresponden a una muestra de la poblacin.
Como es el caso de una muestra de mediciones.
tpicamente es usada si se est considerando a toda la poblacin
F * X F * X
n
i 1
2
i
i 1
n 1
/n
F
*
X
F
*
X
i 1
2
i
i 1
/n
Medidas de
Dispersin- Rango, CV
Rango: Valor Mayor Valor menor
Coeficiente de variacin: (Desv. Estndar / Media )*100%,
Se usa para comparar datos en diferentes niveles de media o tipo. Por
ejemplo:
Material
No. de
Media
Desviacin
Coeficiente
Observaciones
Aritmtica
Estndar
Variacin
n
s
Srel
A
160
1100
225
0,204
B
150
800
200
0,250
de
El Material A tiene una menor variabilidad relativa relativa que el

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

El Histograma es una grfica de las frecuencias
que presenta los diferentes datos o valores de
mediciones agrupados en celdas y su frecuencia.
Una tabla de frecuencias lista las categoras o clases de
valores con sus frecuencias correspondientes, por
ejemplo:
CLASE
1-5
6-10
11-15
16-20
21-25
26-30
FRECUENCIA
7
12
19
16
8
4
374
Definiciones - datos agrupados

Lmite inferior y superior de clase
Son los numeros ms pequeos y ms grandes de las clases
(del ejemplo, 1 y 5; 6 y 10; 11 y 15; 16 y 20; 21 y 25; 26 y 30)
Marcas de clase
Son los puntos medios de las clases (del ejemplo 3, 8, 13, 18,
23 y 28)
Fronteras de clase
Se obtienen al incrementar los lmites superiores de clase y al
decrementar los inferiores en una cantidad igual a la media de
la diferencia entre un lmite superior de clase y el siguiente
lmite inferior de clase (en el ejemplo, las fronteras de clase
son 0.5, 5.5, 10.5, 15.5, 20.5, 25.5 y 30.5)
Ancho de clase
Es la diferencia entre dos lmites de clase inferiores
Construccin del histograma - datos agrupado

Paso 1. Contar los datos (N)
Paso 2. Calcular el rango de los datos R = (Valor mayor- valor menor)
Paso 3. Seleccionar el nmero de columnas o celdas del histograma (K).
Como referencia si N = 1 a 50, K = 5 a 7; si N = 51 - 100; K = 6 - 10.
Tambin se utiliza el criterio K = Raz (N)
Paso 4. Dividir el rango por K para obtener el ancho de clase
Paso 5. Identificar el lmite inferior de clase ms conveniente y sumarle
el ancho de clase para formar todas las celdas necesarias
Paso 6. Tabular los datos dentro de las celdas de clase
Paso 7. Graficar el histograma y observar si tiene una forma normal
Ejemplo: Datos para histograma

Datos:
19
21
25
33
30
27
31
25
35
37
44
43
42
39
43
40
38
37
36
42
41
44
32
45
46
47
45
54
52
50
48
49
47
48
49
47
52
51
50
49
58
59
61
62
63
59
61
66
76
70
Ejemplo: Construccin del histograma

Paso 1. Nmero de datos N = 50
Paso 2. Rango R = 76 - 16 = 60
Paso 3. Nmero de celdas K = 6;
Paso 4. Ancho de clase = 60 / 6 = 10
Paso 5. Lm. de clase: 15-24, 25- 34, 35- 44, 45- 54, 55 - 64, 65-74, 75-94
Paso 6. Nmero de datos: 2
7
14
17
7
2
1
Marcas de clase 19.5 29.5 39.5 49.5 59.5 69.5 79.5
Paso 7. Graficar el histograma y observar si tiene una forma normal
Histograma en Excel
Accesar el menu de anlisis de datos con HERRAMIENTAS,

ANALISIS DE DATOS, HISTOGRAMAS
Marcar los datos de entrada en RANGO DE ENTRADA, marcar

el rango de los lmites superiores de clase en RANGO DE
CLASES, indicar GRAFICA, marcar el rea de resultados con
RANGO DE SALIDA y obtener resultados y grfica
NOTA: Los datos deben estar en forma no agrupada, Excel

forma los grupos en forma automtica o se le pueden
proporcionar los lmites de las celdas.
379
Construccin del histograma

18
16
14
12
10
8
6
4
2
0
Frec.
1524
2534
3544
4554
5564
6575
380
Otras medidas de
Dispersin- Rango, CV
Rango: Valor Mayor Valor menor
Coeficiente de variacin: (Desv. Estndar / Media *100%
Se usa para comparar datos en diferentes niveles de media o
tipo. Por ejemplo:
Material No. de
Media
Desviacin
Observaciones Aritmtica Estndar
n
s
A
B
160
150
1100
800
225
200
Coeficiente
de Variacin
Srel
0,204
0,250
El Material A tiene una menor variabilidad relativa relativa que el

material B
381
Clculo de la media - datos agrupados

Media - Promedio numrico o centro de
gravedad del histograma
n
F *X
i 1
F
i 1
Donde,
Fi = Frecuencia de cada observacin
xi = Valor de cada marca de clase
- Usa todos los datos

- Le afectan los extremos
Mediana - Es el valor que se encuentra en medio de

los datos
Moda - Es el valor que ms se repite
Desviacin Estndar - Datos agrupados

S es usada cuando los datos corresponden a una muestra de la poblacin
Nota: Cada Xi representa la marca de clase
tpicamente es usada si se est considerando a toda la poblacin
F * X F * X
n
i 1
2
i
i 1
n 1
F
*
X
F
*
X
/n
i 1
2
i
i 1
NOTA: Para lo clculos con Excel, se puede utilizar el mismo mtodo

que para datos no agrupados, tomando como Xi los valores
de las marcas de clase.
/n
Ejercicio de Histogramas
Datos:
6.40
6.39
6.39
6.40
6.41
6.37
6.39
6.40
6.40
6.38
6.42
6.40
6.38
6.41
6.40
6.41
6.38
6.43
6.41
6.39
6.41
6.38
6.35
6.40
6.39
6.42
6.41
6.37
6.43
6.40
6.37
6.40
6.43
6.42
6.43
6.39
6.39
6.42
6.42
6.38
6.42
6.39
6.40
6.44
6.38
6.36
6.45
6.44
6.41
6.36
384
V.D.5 Conclusiones
estadsticas vlidas
385
Estadstica descriptiva e
inferencial
Estudios descriptivos enumerativos :
Los datos enumerativos son los que pueden
ser contados.
Para Deming:
En un Estudio enumerativo la accin se toma en

el universo.
En un estudio analtico la accin ser tomada en
un proceso para mejorar su desempeo futuro
386
Obteniendo conclusiones
vlidas
Obtencin de conclusiones estadsticas vlidas
El objetivo de la estadstica inferencial es

obtener conclusiones acerca de las
caractersticas de la poblacin (parmetros , ,
) con base en la informacin obtenida de
muestras (estadsticos X, s, r)
Los pasos de la estadstica inferencial son:
La inferencia
La evaluacin de su validez
387
vlidas
Definir el objetivo del problema en forma precisa
Decidir si el problema se evaluar con una o dos

colas
Formular una hiptesis nula y la alterna
Seleccionar una distribucin de prueba y un

valor crtico del estadstico reflejado el grado de
incertidumbre que puede ser tolerado (alfa,
riesgo)
388
vlidas
Calcular el valor del estadstico de prueba con la

informacin de la muestra
Comparar el valor del estadstico calculado vs su

valor crtico y tomar una decisin de aceptar o
rechazar la hiptesis nula
Comunicar los hallazgos a las partes interesadas
389
vlidas
Hiptesis nula a ser probada (Ho) y alterna

(Ha)
La hiptesis nula puede ser rechazada o no

ser rechazada no puede ser aceptada
La hiptesis alterna incluye todas las

posibilidades que no estn en la nula y se
designa con H1 o Ha.
Ho: Ya = Yb Ha: Ya Yb
Ho: A B
Ha: A<B
izquierda
Prueba de dos colas

Prueba de cola
390
vlidas
Estadstico de prueba:
Para probar la hiptesis nula sobre un

parmetro poblacional, se debe calcular un
estadstico de prueba de la informacin de la
muestra
El estadstico de prueba se compara con un

valor crtico apropiado
Se toma una decisin de rechazar o no

rechazar la hiptesis nula
391
vlidas
Tipos de errores:
Error tipo I: resulta cuando se rechaza Ho
siendo verdadera, se denomina como alfa o
riesgo del productor
Error tipo II: resulta cuando no se rechaza Ho

siendo que es falsa, es denominado beta o
riesgo del consumidor
Incrementando el tamao de muestra se

reducen alfa y beta. Alfa es normalmente 5%.
Alfa y beta son inversamente relativos
392
V.E Probabilidad
393
Conceptos bsicos de
probabilidad
Principios bsicos:
La probabilidad de un evento varia entre 0 y 1 (xito)

Un evento simple no puede descomponerse
El conjunto de resultados posibles del experimento
se denomina espacio muestral
La suma de las probabilidades en el espacio muestra
es 1
Si se repite un experimento un gran nmero de
veces N y el evento E es observado nE veces, la
probabilidad de E es aproximadamente:
nE
P( E )
N
394
Conceptos bsicos de
probabilidad
Eventos compuestos (conjunto de dos o ms

eventos):
La unin de A o B contiene elementos de A o de

B
La interseccin de A y B contiene elementos

comunes que se localizan al mismo tiempo en A
y en B
395
Probabilidad
Introduccin:
Diferencia entre experimento deterministico y
aleatorio (estocastico).
Deterministico. Se obtienen el mismo resultado,
con condiciones experimentales similares
La cada de un cuerpo
Aleatorio. Se obtienen distintos resultados ,
aunque se repitan en condiciones similares.
Tiempo de vida de un componente elctrico
396
Conceptos relacionados
a experimentos aleatorios:
Variable aleatoria. Es el nombre Que se le da a la
caracterstica (s) de inters observada en un
experimento. Dicha variable es denotada por
letras maysculas. Pueden ser Continuas o
Discretas.
Espacio muestra. Es el conjunto de todos los
posibles valores Que toma una variable aleatoria
en un experimento. Puede ser finito o infinito.
Evento. Puede ser uno o una combinacin de los
valores Que toma una variable aleatoria
397
Espacio Muestral
Consiste en todos los posibles resultados de un
experimento.
Para el lanzamiento de una moneda es (A,S).
398
Probabilidad histrica o frecuentista.

Una forma de conocer algo acerca del
comportamiento de una variable aleatoria es
conociendo como se comporto en el pasado.
Note Que si un experimento se realizo un gran
numero de veces, N, y la se observo Que en n veces
suceda el evento A, entonces n/N es un estimacin
razonable de la proporcin de tiempos Que el evento
A suceder en el futuro. Para un gran numero de
experimentos N, se puede interpretar dicha
proporcin como la probabilidad
de del evento A.
n
P( EventoA) lim
399
Ejemplo
probabilidad de caras
en los 1900-s , Karl Pearson lanzo una moneda 24,000 veces

y obtuvo 12,012 caras, dando una proporcin de 0.5005.
1
.5
500
n
1000
400
Definicin Clsica de Probabilidad.

La probabilidad de un evento A, puede ser calculada
mediante la relacin de el numero de respuestas en favor
de A, y el numero total de resultados posibles en un
experimento.
P ( EventoA)
# Favorable
A
# Total
resultados
Note Que para las dos definiciones dadas de

probabilidad esta ser un numero entre 0 y 1.
Ejemplo 1. Se observa si 3 artculos tienen defecto o no , con
defecto (m) o sin defecto (v).
S={vvv,mvv,vmv,vvm,vmm,mvm,mmv,mmm} es el espacio
muestral .
Asociada a este espacio muestral se puede definir la variable
402
Ejemplo:
Datos (N=20):
650 740 760 810 850 850 880 900 930 930 950 960
960 980 980 980 1000 1000 1000 1070
El experimento:
Seleccionamos al azar un numero ?
Cul es S?
Sea E el evento en el que elegimos el 1000?
P(E) =
Sea E el evento l numero es menor o igual a 760.
P(E) =
P(Ec) =
403
Sea E1 el evento en el cual elegimos 1000 y E2 es el

evento en el cual elegimos un numero menor o igual a
760.
P(E1E2) =
Sea E1 el evento en el cual elegimos 850 y E2 sea el
evento el cual obtenemos un numero menor a 880.
P(E1E2) =
404
Leyes de probabilidades
1. En un experimento, si P(A) e la probabilidad de
un evento A, entonces la probabilidad de Que no
suceda A es:
P ( A ) 1 P ( A)
2. En un experimento, si A y B son dos eventos
mutuamente excluyentes entonces la probabilidad de
Que ocurra A o el evento B es
P( A
B ) P ( A) P ( B )
Para el caso de dos eventos A y B Que no son

mutuamente excluyentes.
P( A
B ) P ( A) P ( B ) P ( AyB )
A las dos ecuaciones se les conoce como
Reglas de la probabilidad
Ley de la Adicin
Si 2 eventos A y B no son mutuamente excluyentes,

entonces la probabilidad que el evento A o el evento B
ocurra es:
P(A or B) P(A) P(B) P(AB)
Ley de la Multiplicacin
probabilidad
ambos| A
y B ocurran
es
P(AB)que
P(A
B)P(B)
P(B
|
A)P(A)
Cuando los eventos A y B son independientes, entonces

P(AB) P(A)P(B)
P(A|B) = P(A) y
406
Permutaciones
Definicin.
Un arreglo ordenado de r objetos diferentes es
llamado una permutacin .
El numero resultante de ordenar n objetos diferentes
tomando r a la vez ser representado por el smbolo
Prn
Antes revisemos el concepto de factorial !!!!!!

Considere el siguiente caso: Hay 3 libros: Uno de
Historia (H), Uno de Fsica (F), Otro de Matemticas (M).
Note Que existen 6 formas de acomodar dichos libros.
{ HFM, HMF, FHM, FMH, MHF, MFH } Aqu importa el
orden
Diagramas de rbol
En casos simples resultan tiles los diagramas de rbol para
enumerar objetos en forma sistemtica.
Ejemplo: Se desea conocer todas las formas posibles de hacer
un experimento que consiste en 4 componentes de auto a {L1,
L2, L3, L4}, entonces cada componente es sometido a tres
diferentes temperaturas de {A1, A2, A3} hasta que se obtiene
una falla.
A1
L1
L2
L3
L4
A2
A3
A1
A2
A3
12 tratamientos
A1
A2
A3
A1
A2
A3
408
El numero de formas de ordenar n objetos distintos

en n lugares diferentes es :
n ! n( n 1)(n 2)...(2)(1)
n! se lee como n factorial
Que pasa cuando tenemos solo r lugares para
acomodar n objetos, tal Que n es mayor o igual
que r?
En este caso el numero de arreglos resulta
ser:
n
n(n 1)(n 2)...(n [r 2])(n [r 1]) Pr

n!
n
Pr
(n r )!
409
Ejemplo: Suponga que a un grupo de motores se les

aplicara un tratamiento que consiste en dos aplicaciones
de diferentes intensidades de presin. Hay 10 diferentes
intensidades y el orden de administrar las intensidades es
importante, cuantos motores se ocupan si cada
tratamiento se tiene que llevar a cabo?.
10 intensidades (i1,i2,,i10 ) y 2 aplicaciones.

Nos interesa contar los pares (i1,12),(i1,i3),..
10!
10
P2
90.
8!
410
Combinaciones
Una combinacin es un arreglo de distintos elementos , en
donde una combinacin difiere de otra solamente si el
contenido del arreglo es distinto.
!! En este caso no es importante el

orden de los objetos !!
Definicin. (Combinaciones).
El numero de combinaciones de n objetos tomando r a la vez
es el numero de maneras de formar un subconjunto de
tamao r de los n objetos. Esto se denota como:
n
C
r
n
r
411
Teorema 2.
n
n
P
n!
r
n
Cr
r!
r !(n r )!
r
Ejemplo: En un lote de produccin 100 chips de

computadora, un comprador desea adquirir 10
chips, de cuantas formas se pueden
seleccionar 10 chips de ese lote?.
n
n!
100!
C
r r !(n r )! 10!(100 10)!

n
r
412
V.E.2 Distribuciones de
probabilidad
413
Distribuciones usadas
por los Black Belts
Distribucin Binomial
Distribucin Poisson
Distribucin Normal
Distribucin Chi Cuadrada
Distribucin t de Student
Distribucin F
414
Tipos de variables aleatorias

Variable aleatoria: Es aquella funcin que a cada
resultado posible de un experimento le asocia un
numero real.
Se denotan con letras Maysculas: X,Y,Z,etc....
Tipos de variables aleatorias
Discretas
Continuas
415
Variables aleatorias discretas

Es aquella variable que nicamente toma valores
susceptibles de contarse.
Ejemplo 1: Considere el experimento de tomar al
azar una ficha de asistencia de un numero de
empleados. Sea X la variable numero de ausencias
al ao de un empleado. Note que X toma valores
0,1,2,...,250.
Ejemplo 2: Considere un experimento que consiste
en medir el numero de artculos defectos de un lote
de producto. Si Y es la variable numero de
416
defectos , toma valores 0,1,2,...
Distribuciones y funciones de
probabilidad
Toda variable aleatoria tiene asociada una
funcin de probabilidades
Ejemplo : Se lanzan dos monedas y
observamos el numero Y de caras.
Espacio muestral:{a, as, sa, ss}
Y toma valores 0,1,2.
417
Funcin de probabilidades para

Y.
y
P(Y=y)
1/4
1/2
1/4
0.51
0.46
0.41
Grfica
P(Y=y
)
0.36
0.31
0.26
-0.2
0.3
0.8
1.3
1.8
418
Formula para la distribucin de

probabilidades de la tabla
anterior
3
3 y
y
P ( y ) P (Y y ) (.5) (.5)
y
La distribucin de probabilidades puede ser una
Tabla, una Grfica o una formula.
419
Requisitos para una distribucin

de probabilidad discreta
1.
0 P( y ) 1
2.
P ( y ).
toda
y
En algunas ocasiones la
notacin usada es:
f X ( x) P( X x)
420
Funciones de distribucin
acumulativa
La funcin de distribucin de probabilidades
acumulativa es calcula sumando las probabilidades
obtenidas hasta un determinado valor de la variable
aleatoria.
FX ( x) P( X x)
Esta funcin tiene propiedades.
0 F ( x) 1
Limx F ( x) 1
Limx F ( x) 0
421
Funcin de distribucin acumulativa para Y=#de

caras
0.9
F(x)
0.7
0.5
0.3
-0.2
0.3
0.8
1
y
1.3
1.8
2
422
Valor Esperado o Media de

una variable aleatoria
discreta
La media o valor esperado de una variable
aleatoria discreta X , denotada
o E(X),
X como
es
X E ( X ) xf X ( x) xP( X x)
x
La media es el centro de la masa del rango de

los valores de X.
423
Calculo de la media X
defectos
para la variable de No. De
X xP( X X )
x 0
0 0.805 1 0.178 2 0.014 3 0.003 4 0

0.215
En este caso note que esta media no toma un valor
entero como X
424
0.8
prob
0.6
0.4
0.2
0.0
Media
2
x
425
Ejercicio:
La demanda de un producto es -1,0,1,2 por dia
(-1 significa devolucin). Con probabilidades
dadas por 1/5,1/10,2/5,3/10. Calcular la
X
demanda esperada.
426
Varianza de una variable

aleatoria
Sea Y una variable aleatoria discreta con
distribucin de probabilidades P(X=x). Entonces ,
la varianza de Y es:
X E[( X X ) ] ( x X ) P( X x)
2
Medida de dispersin
427
X 2 ( x X ) 2 P( X x)
x
(0 0.215) 2 0.805 (1 0.215) 2 0.178

(2 0.215) 2 0.014
(3 0.215) 2 0.003 ( 4 0.215) 2 0
0.2147
428
La desviacin estndar de una variable aleatoria

es simplemente la raz cuadrada de la varianza
2
X
429
Distribuciones Discretas
Uniforme discreta.
La variable aleatoria toma un numero
finito de n valores , cada uno con igual
probabilidad.
1
f ( x) P( X x)
n
430
Uniforme discreta con n=10
0.15
0.13
p
r
o
b
0.11
0.09
0.07
0.05
0
1e+001
431
La media y varianza de la
distribucin Uniforme discreta son:
(n 1)
X
2
2
n 1
2
X
12
Aplicaciones
432
Distribucin hipergeomtrica
Se aplica cuando la muestra (n) es una

porporcin relativamente grande en relacin
con la poblacin (n > 0.1N).
El muestreo se hace sin reemplazo
P(x,N,n,D) es la probabilidad de exactamente x
xitos en una muestra de n elementos tomados
de una poblacin de tamao N que contiene D
xitos. La funcin de densidad de distribucin
hipergeomtrica:
D
N D
C x C n x
P ( x)
N
Cn
n!
C
x!(n x)!
n
x
433
La media y la varianza de la distribucin

hipergeomtrica son:
nD
nD

N
2
D
1
N
N n
N 1
434
Ejemplo:
De un grupo de 20 productos, 10 se
seleccionan al azar para prueba. Cul es la
probabilidad de que 10 productos
seleccionados contengan 5 productos buenos?
Los productos defectivos son 5 en el lote.
N = 20, n = 10, D = 5, (N-D) =5!15,15x! = 5
5!0! 5!10!
P (5)
0.0183
20
!
P(x=5) = 0.0183 = 1.83%
10!10!
435
Distribucin Binomial
Ensayo Bernoulli. Es un experimento aleatorio que
solo tiene dos resultados. xito o fracaso.
Donde la probabilidad de xito se denota por p
Suponga se realizan n experimentos Bernoulli
independientes.
Suponga que la variable X de inters es el
numero de xitos.
X toma valores 0,1,2,...,n
436
Distribucin binomial
Se utiliza para modelar datos discretos y se

aplica para poblaciones grandes (N>50) y
muestras pequeas (n<0.1N).
El muestreo binomial es con reemplazamiento.
Es apropiada cuando la proporcin defectiva
es mayor o igual a 0.1.
La binomial es una aproximacin de la
hipergeomtrica
La distribucin normal se paroxima a la
binomial cuando np > 5
437
La variable aleatoria X tiene una distribucin

binomial
n x
n x
f ( x) P ( X x) p (1 p )
x
x 0,1,..., n
Tiene media y varianza.
E ( X ) X np
V ( X ) np (1 p )
2
X
438
Distribucin de Poisson
Se utiliza para modelar datos discretos

Se aproxima a la binomial cuando p es igual o
menor a 0.1, y el tamao de muestra es
grande (n > 16) por tanto np > 1.6
439
Distribucin de Poisson
Una Variable aleatoria X tiene distribucin
Poisson si toma probabilidades con.
e
f ( x)
x!
x 0,1,...
np
np
440
La Distribucin
Normal
441
IMPORTANCIA
IMPORTANCIA DE
DE LA
LA DISTRIBUCIN
DISTRIBUCIN
NORMAL
NORMAL
braham
de Moivre
Simon de
Laplace
Carl
Gauss
Francis
Galton
Los
Los primeros
primeros industriales
industriales frecuentemente
frecuentemente se
se basaban
basaban en
en el
el
conocimiento
conocimiento de
de limites
limites normales
normales para
para clasificar
clasificar artculos
artculos oo
procesos
procesos como
como correctos
correctos oo de
de otro
otro modo.
modo.
Por
Por ejemplo,
ejemplo, el
el colesterol
colesterol arriba
arriba de
de 250
250 mg/dl
mg/dl es
es ampliamente
ampliamente
conocido
conocido que
que incrementa
incrementa el
el riesgo
riesgo de
de un
un paro
paro cardiaco.
cardiaco. Una
Una
determinacin
determinacin precisa
precisa -- pudiera
pudiera ser
ser asunto
asunto de
de vida
vida oo muerte.
muerte.
Sin
Sin embargo
embargo ,, no
no todas
todas las
las variables
variables son
son normales.
normales. Por
Por
ejemplo:
ejemplo: urea
urea yy ph
ph
CARACTERISTICAS
CARACTERISTICAS DE
DE UNA
UNA
DISTRIBUCIN
DISTRIBUCIN NORMAL
NORMAL
La
La curva
curva normal
normal es
es acampanada
acampanada yy tiene
tiene un
un solo
solo
pico
pico en
en toda
toda la
la distribucin.
distribucin.
La
La media,
media, mediana,
mediana, yy moda
moda de
de la
la distribucin
distribucin son
son
las
las mismas
mismas yy estn
estn localizadas
localizadas en
en el
el pico.
pico.
La
La mitad
mitad del
del rea
rea de
de la
la curva
curva esta
esta arriba
arriba del
del punto
punto
central
central (pico),
(pico), yy la
la otra
otra mitad
mitad esta
esta abajo.
abajo.
La
La distribucin
distribucin normal
normal es
es simtrica
simtrica alrededor
alrededor de
de
su
su media.
media.
Es
Es asintotica
asintotica -- la
la curva
curva se
se acerca
acerca aa eje
eje xx pero
pero
nunca
nunca lo
lo toca.
toca.
CARACTERISTICAS
CARACTERISTICAS DE
DE UNA
UNA DISTRIBUCION
DISTRIBUCION NORMAL
NORMAL
La Normal is simtrica -
Cola
Tericamente, la
curva se extiende
a
Cola
Media,
mediana, y
moda son
Tericamente, la
curva se extiende
a
+ infinito
445
Distribucin Normal
Distribucin de
la Funcin Normal
1 t
1
f(t)
exp
2
2
Funcin de Densidad de Probabilidad Normal

0.0140
0.0120
= 500
= 30
= 50
= 70
f(t)
0.0100
0.0080
0.0060
0.0040
0.0020
0.0000
200
400
600
Tiempo
800
1000
446
Curvas
Curvas Normales
Normales con
con Medias
Medias iguales
iguales pero
pero
Desviaciones
Desviaciones estndar
estndar diferentes
diferentes
3.9
3.9
== 5.0
5.0
Normales
Normales con
con Medias
Medias yy
Desviaciones
Desviaciones estndar
estndar diferentes
diferentes
=
= 5,
5, == 33
== 9,
9, =
= 66
== 14,
14, == 10
10
La distribucin Normal estndar

La distribucin normal estndar es una distribucin de
probabilidad que tiene media 0 y desviacin estndar de
1.
El rea bajo la curva o la probabilidad desde menos
infinito a ms infinito vale 1.
La distribucin normal es simtrica, es decir cada mitad
de curva tiene un rea de 0.5.
La escala horizontal de la curva se mide en desviaciones
estndar, su nmero se describe con Z.
Para cada valor Z se asigna una probabilidad o rea449
bajo
Las distribuciones pueden variar en:

POSICIN
AMPLITUD
FORMA
O TENER CUALQUIER COMBINACION
450
La Distribucin Normal
Para la poblacin - se incluyen TODOS los datos
Para la muestra
x-3s
x-2s
x-s
x+s
x+2s
x+3s
451
La Distribucin Normal Estndar

La desviacin estndar
sigma representa la
distancia de la media al
punto de inflexin de la
curva normal
X
x-3
x-2
x-
x+
x+2
x+3
z
-3
-2
-1
452
AREA
AREA BAJO
BAJO LA
LA CURVA
CURVA NORMAL
NORMAL
Alrededor
Alrededor de
de 68
68 %
% del
del area
area bajo
bajo la
la curva
curva
normal
normal est
est entre
entre ms
ms una
una yy menos
menos una
una
desviacin
desviacin estndar
estndar de
de la
la media.
media. Esto
Esto puede
puede
ser
ser escrito
escrito como:
como: m
m
1s.
1s.
Cerca
Cerca del
del 95
95 %
% del
del rea
rea bajo
bajo la
la normal
normal est
est
entre
entre ms
ms yy menos
menos 22 desviaciones
desviaciones estndar
estndar de
de
la
la media,
media, m
m
2s.
2s.
Prcticamente
Prcticamente toda
toda (99.74
(99.74 %)
%) el
el rea
rea bajo
bajo la
la
normal
normal esta
esta entre
entre 33 desviaciones
desviaciones de
de la
la media
media
m
m
3s.
3s.
Clculos con Excel Dist. Normal Estndar
Distribucin normal estndar con media = 0 y desviacin

estndar = 1: Para Z = (X - Xmedia )/ s
1. rea desde menos infinito a un valor de Z se obtiene como sigue:

- Colocarse en una celda vaca
Accesar el men de funciones con Fx, ESTADSTICAS,
DISTR.NORM.ESTAND, dar valor de Z y obtener el rea
requerida
Z
Area
2. Un valor de Z especfico para una cierta rea (por ejemplo

0.05) se obtiene como sigue:
- Accesar el men de funciones con Fx, ESTADSTICAS, o
DISTR.NORM.ESTAND.INV, dar valor del rea y se obtiene la Z
454
Entre:
Entre:
1.
1. 68.26%
68.26%
2.
2. 95.44%
95.44%
3.
3. 99.97%
99.97%
Caractersticas de la Distribucin Normal
68%
34% 34%
+1s
95%
+2s
99.73%
+3s
456
El valor de Z
Determina el nmero de desviaciones
estndar entre algn valor x y la media de la
poblacin, mu Donde sigma es la desviacin
estndar de la poblacin.
En
Excel
usar
Fx,
ESTADISTICAS,
NORMALIZACIN, para calcular el valor de Z
z= x-
Proceso con media =100

y desviacin estndar = 10
70
80
90
100
110
120 130
68%
34% 34%
90
110
68%
80
95%
68%
2.356%
70
99.73%
120
2.356%
130
reas bajo la curva

normal
459
Clculos con Excel Dist. Normal Estndar
Distribucin normal estndar con media = 0 y desviacin

estndar = 1: Para Z = (X - Xmedia )/ s
1. rea desde menos infinito a un valor de Z se obtiene como sigue:

Accesar el men de funciones con Fx, ESTADSTICAS,
DISTR.NORM.ESTAND, dar valor de Z y obtener el rea
requerida
Z
Area
2. Un valor de Z especfico para una cierta rea (por ejemplo

- Accesar el men de funciones con Fx, ESTADSTICAS, o
DISTR.NORM.ESTAND.INV, dar valor del rea y se obtiene la Z
Clculos con Excel Distr. Normal
Distribucin normal, dadas una media y desviacin estndar:

1. rea desde menos infinito a X se obtiene como sigue:
- Accesar el men de funciones con Fx, ESTADSTICAS,
DISTR.NORM, dar el valor de X, Media, Desviacin Estndar s,
VERDADERO y se obtendr el rea requerida
X
Area
2. Un valor de X especfico para una cierta rea (por ejemplo

- Accesar el men de funciones con Fx, ESTADSTICAS,
DISTR.NORM.INV, dar el valor del rea, Media y Desviacin
Estndar y se obtendr el valor de la X
Calculo
Calculo de
de Probabilidades
Probabilidades normales
normales
1.
1. Identificar
Identificar la
la variable
variable de
de inters.
inters.
2.
2. Identificar
Identificar los
los parmetros
parmetros de
de la
la variable
variable (su
(su
media
media yy desv.
desv. estndar).
estndar).
3.
3. Cual
Cual es
es la
la pregunta
pregunta rea
rea bajo
bajo la
la curva
curva de
de
probabilidad
probabilidad normal?
normal?
4.
4. Convertir
Convertir los
los valores
valores aa la
la distribucin
distribucin normal
normal
estndar
estndar (estandarizacin
(estandarizacin ZZ =
= (X-Media)/S)
(X-Media)/S) ..
5.
5. Encuentre
Encuentre la
la probabilidad
probabilidad en
en tabla
tabla de
de la
la normal
normal
estndar
estndar oo por
por Excel.
Excel.
Ejemplo
Ejemplo
El
El agua
agua usada
usada diariamente
diariamente por
por persona
persona en
en Mxico
Mxico
est
est distribuida
distribuida normalmente
normalmente con
con media
media 20
20 litros
litros
yy una
una desviacin
desviacin de
de 55 lts..
lts..
Entre
Entre que
que valores
valores cae
cae cerca
cerca del
del 68%
68% el
el agua
agua
usada
usada por
por una
una persona
persona en
en Mexico?
Mexico?
m
m
1s
1s =
= 20
20
1(5).
1(5). Esto
Esto es,
es, cerca
cerca del
del 68%
68% de
de la
la
cantidad
cantidad usada
usada por
por persona
persona cae
cae entre
entre 15
15 lts.
lts. yy 25
25
lts..
lts..
De
De manera
manera similar
similar para
para 95%
95% yy 99%,
99%, el
el intervalo
intervalo
ser
ser de
de 10
10 lts
lts aa 30
30 lts
lts yy 55 lts
lts aa 35
35 lts.
lts.
Ejemplo
Ejemplo
El
El agua
agua usada
usada diariamente
diariamente por
por persona
persona en
en
Mxico
Mxico es
es distribuida
distribuida normalmente
normalmente con
con media
media
20
20 litros
litros yy una
una desviacin
desviacin de
de 55 lts.
lts. Sea
Sea XX el
el
uso
uso diario
diario de
de agua.
agua.
Cual
Cual es
es la
la probabilidad
probabilidad que
que una
una persona
persona
seleccionada
seleccionada al
al azar
azar use
use menos
menos de
de 20
20 lts./dia?
lts./dia?
El
El valor
valor zz asociado
asociado es
es zz =
= (20
(20 -- 20)/5
20)/5 =
= 0.
0.
entonces,
entonces,
P(X
P(X <
< 20)
20) =
= P(z
P(z <
< 0)
0) =
= 0.5.
0.5.
Ejemplo
Ejemplo
Que
Que porciento
porciento usa
usa entre
entre 20
20 yy 24
24 lts?
lts?
El
El value
value zz asociado
asociado con
con XX =
= 20
20 es
es zz =
= 00 yy con
con
XX =
= 24,
24, zz =
= (24
(24 -- 20)/5
20)/5 =
= 0.8.
0.8.
Entonces,
Entonces, P(20
P(20 <
< XX <
< 24)
24) =
= P(0
P(0 <
< zz <
< 0.8)
0.8) =
=
P(0.8)
P(0.8) -- P(0)
P(0) =
= 0.78810.7881- 0.5
0.5 =
= 0.2881
0.2881 oo 28.81%.
28.81%.
Que
Que porciento
porciento usa
usa entre
entre 16
16 yy 20
20 lts?
lts?
El
El valor
valor z1
z1 para
para XX =
= 16
16 es
es z1
z1 =
= (16
(16 -- 20)/5
20)/5 =
= -0.8,
-0.8,
yy para
para XX =
= 20,
20, z2
z2 =
= 0.
0. Entonces,
Entonces, P(16
P(16 <
< XX <
< 20)
20)
=
= P(-0.8
P(-0.8 <
< zz <
< 0)
0) =
= P(0)
P(0) -- P(-0.8)
P(-0.8) =
= 0.5
0.5 -- 0.2119
0.2119
=
= 0.2881
0.2881 =
= 28.81%.
28.81%.
P(0
P(0 <
< zz <
<
0.8)
0.8) =
=
0.2881.
0.2881.
0.8
0.8
Ejemplo
Ejemplo
Cual
Cual es
es la
la probabilidad
probabilidad que
que una
una persona
persona
seleccionada
seleccionada al
al azar
azar use
use mas
mas de
de 28
28 lts?
lts?
El
El valor
valor zz asociado
asociado aa XX =
= 28
28 es
es
zz =
= (28
(28 -- 20)/5
20)/5 =
= 1.6.
1.6. Ahora,
Ahora, P(X
P(X >
> 28)
28) =
= P(z
P(z >
>
1.6)
1.6) =
= 11 -- P(z
P(z <
< 1.6)
1.6) =
= 11 -- 0.9452
0.9452 =
= 0.0548.
0.0548.
P(z
P(z >
> 1.6)
1.6) =
=
11 -- 0.9452=
0.9452=
0.0548
0.0548
Area
Area =
=
0.9452
0.9452
Ejemplo
Ejemplo
Que
Que porcentaje
porcentaje usa
usa entre
entre 18
18 yy 26
26 lts?
lts?
El
El valor
valor zz asociado
asociado con
con XX =
= 18
18 es
es zz =
= (18
(18 -- 20)/5
20)/5
=
= -0.4,
-0.4, yy para
para XX =
= 26,
26, zz =
= (26
(26 -- 20)/5
20)/5 =
= 1.2.
1.2.
entonces,
entonces, P(18
P(18 <
< XX <
< 26)=
26)= P(-0.4
P(-0.4 <
< zz <
< 1.2)
1.2)
=
= F(1.2)
F(1.2) -- F(-0.4)=
F(-0.4)= 0.8849
0.8849 -- 0.3446
0.3446 =
= 0.5403.
0.5403.
Ejemplos
El tiempo de vida de las bateras del conejito tiene una

distribucin aproximada a la normal con una media de
85.36 horas y una desviacin estndar de 3.77 horas.
Qu porcentaje de las bateras se espera que duren

80 horas o menos?
Cul es la probabilidad de que una batera dure entre

86.0 y 87.0 horas?
Cul es la probabilidad de que una batera dure ms

de 87 horas?
470
rea bajo la curva normal

Que porcentaje de las bateras se espera que duren
80 horas o menos?
Z = (x-mu) / s
Z = (80-85.36)/(3.77)= - 5.36/ 3.77 = -1.42
80
-1.42
85.36

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

Cul es la probabilidad de que una batera dure
ms de 87 horas?
85.36
87
1.67 = .33 33% de las veces una batera

durar ms de 87 horas
Ejercicios
Considere
Considere una
una media
media de
de peso
peso de
de estudiantes
estudiantes de
de
75
75 Kgs.
Kgs. con
con una
una desviacin
desviacin estndar
estndar de
de 10Kgs.
10Kgs.
Contestar
Contestar lo
lo siguiente:
siguiente:
Cul
Cul es
es la
la probabilidad
probabilidad de
de que
que un
un estudiante
estudiante
pese
pese ms
ms de
de 85Kgs.?
85Kgs.?
2.
2. Cul
Cul es
es la
la probabilidad
probabilidad de
de que
que un
un estudiante
estudiante
pese
pese menos
menos de
de 50Kgs.?
50Kgs.?
3.
3. Cul
Cul es
es la
la probabilidad
probabilidad de
de que
que pese
pese entre
entre 60
60 yy
80
80 Kgs.?.
Kgs.?.
4.
4. Cul
Cul es
es la
la probabilidad
probabilidad de
de que
que pese
pese entre
entre 55
55 yy
70
70 Kgs.?
Kgs.?
5.
5. Cul
Cul es
es la
la probabilidad
probabilidad de
de que
que pese
pese entre
entre 85
85 yy
474
100Kgs.?
Distribuciones muestrales
475
A las distribuciones de los estadsticas

muestrales se les llama distribuciones
muestrales.
POBLACION
476
Distribuciones Derivadas del

muestreo de Poblaciones Normales
Muestra
Aparecen distribuciones
muestrales:
Poblacin
Normal, Chi-cuadrada, tstudent, F

477
Distribucin de la Media:
Si X 1 , X 2 ,..., X n es una muestra aleatoria de una Poblacion
(X) con distribucin normal n( , 2 ) .Entonces X se
2
distribuye normal con media , y varianza / n
n( , / n)
2
478
Distribuciones usadas
normalmente
Distribucin Chi Cuadrada
Esta distribucin se forma al sumar los

cuadrados de las variables aleatorias normales
estndar.
Si Z es una variable aleatoria normal, entonces

el estadstico Y siguiente es una variable
aleatoria Chi cuadrada con n grados de libertad.
479
Distribucin de la varianza.
Repaso de la distribucin ji-cuadrada.
La funcin de densidad de probabilidad con k
grados de libertad y la funcin gama es:
k
x
1
1
f ( x)
x2 e 2 ,
k
k
2
2
2
x 0.
k=grados de libertad. (1,2,...)

480
Grficas de la distribucin ji-cuadrada

K=1
K=5
K=25
K=50
Con k grande ji-cuadrada se hace normal

481
Media y varianza de una ji-cuadrada.

E(X)=k
V(X)=2k
Calculo de puntos crticos usando las tablas de jicuadrada
P ( X ,k )
2
482
Ejemplo: Calcule el valor critico que

satisface
P ( X 0.05, 20 ) .05
2
De tablas de ji-cuadrada con alfa=.05 y k=20
0.05, 20 31.41
2
483
Resultado:
Si X 1 , X 2 ,..., X n es una muestra aleatoria de una Poblacion
(X) con distribucin normal n( , 2 ) .Entonces (n 1) S 2
se
2
distribuye ji-cuadrada con k= n-1 grados de libertad.

Donde S cuadrada es la varianza muestral.
(n 1) 2
2
S
n 1
2
484
Distribucin t-student
Si X 1 , X 2 ,..., X n es una muestra aleatoria de
una
n( , 2 )
Poblacin (X) con distribucin normal
( X ) ( s / n)
Entonces
se distribuye
t-student con n-1 grados de libertad.
( X ) ( s / n) t n 1
485
Funcin de Distribucin tstudent

[(k 1) / 2]
f ( x)
k [k / 2][ x 2 / 2 1]( k 1) / 2
x (, )
K=1
K=10
K=100
486
Funcin de Distribucin tstudent
487
k
; k 3
k 2
La media y la varianza de la distribucin t son:
k
; k 3
k 2
De una muestra aleatoria de n artculos, la

probabilidad de que
x
t
s/ n
Caiga entre dos valores especificados es igual al
rea bajo la distribucin de probabilidad t de
Student con los valores correspondientes en el
eje X, con n-1 grados de libertad
488
k
; k 3
k 2
Ejemplo:
La resistencia de 15 sellos seleccionados

aleatoriamente son: 480, 489, 491, 508, 501,
500, 486, 499, 479, 496, 499, 504, 501, 496,
498
Cul es la probabilidad de que la resistencia

promedio de los sellos sea mayor a 500?. La
media es 495.13 y la desviacin estndar es
de 8.467.
495.13 500
t
t = -2.227 y el rea es 0.0214
8.467 / 15
2.227
489
Distribucin F
Surge de dividir dos ji-cuadradas
independientes
F=(W/u)/(Y/v)
W se distribuye ji-cuadrada con u g.l.
Y se distribuye ji-cuadrada con v g.l.
El uso de esta distribucin es para
comparar varianzas (Recuerde el
anlisis de varianza)
490
Distribucin
F.
Funcin
f ( x)
de densidad de la
Distribucin
F
u
( u / 2 ) 1
2
[(u v) / 2] u / v x
u
(u / 2)[v / 2][ x 1]( k v ) / 2
v
x (0, )
u=10
u=20
v=5
v=20
491
Distribucin
F.
Funcin
de densidad de la
Distribucin F
492
Distribucin F
Para determinar la otra cola de la distribucin F

se determina con la expresin.
Falfa, k1, k2 = 1 / F(1-alfa), k2, k1
Dado K1 = 8 y K2 = 10, F0.05 = 3.07, encontrar

el valor de F0.05 con K1 = 10 y K2 = 8
F0.05,10,8 = 1/ F0.95,8,10 = 1/ 3.07 = 0.326
493
V.E.3 Otras distribuciones
494
Distribucin Bivariada
La distribucin conjunta de dos variables es

llamada una distribucin bivariada. El
coeficiente de correlacin es :
495
Distribucin Exponencial
Se usa para modelar artculos con una tasa de falla

constante y est relacionada con la distribucin de
Poisson.
Si una variable aleatoria x se distribuye

exponencialmente, entonces el recproco de x,
y = 1/x sigue una distribucin de Poisson y
viceversa.
La funcin de densidad de probabilidad

exponencial es: Para x >= 0
x
1
f ( x) e e x
496
Donde Lambda es la tasa de falla y theta es la

media
La funcin de densidad de la distribucin
exponencial
497
Es usada como el modelo, para la parte de vida
til de la curva de la baera, i.e., la tasa de
falla es constante
Los sistemas complejos con muchos
componentes y mltiples modos de falla
tendrn tiempos de falla que tiendan a la
distribucin exponencial
Desde una perspectiva de confiabilidad, es la
distribucin ms conservadora para prediccin.
La forma de la
exponencial siempre
es la misma
498
El modelo exponencial, con un solo parmetro, es el ms

simple de todo los modelos de distribucin del tiempo de
vida. Las ecuaciones clave para la exponencial se muestran:
CDF : F (t ) 1 e
CONFIABILIDAD : R(t ) e
PDF : f (t ) e t
1
MEDIA : m
ln 2 0.693
MEDIANA :
1
VARIANZA : 2
TASA DE FALLA : h (t )
= 0.003, MEDIA = 333

= 0.002, MEDIA = 500
= 0.001, MEDIA = 1,000
R(t) = e(-t) (Confiabilidad)
= 0.001, MTBF = 1,000

= 0.002, MTBF = 500
= 0.003, MTBF = 333
500
h(t) = MEDIA(Velocidad de Falla)
= 0.003, MTBF = 333
= 0.002, MTBF = 500
= 0.001, MTBF = 1,000
Note que la tasa de

falla tiende a ser una
constante para
cualquier tiempo. La
distribucin exponencial
es la nica que tiene
una velocidad de falla
constante
501
Distribucin Lognormal
La transformacin ms comn se hace

tomando el logaritmo natural, pero tambin se
puede hacer con los logaritmos base 2 y base
10.
Y = x1 x2 x3
Ln y = ln x1 + ln x2 + ln x3
La funcin de densidad de probabilidad

lognormal es con Y = ln(t):
502
La media y la varianza de la distribucin

lognormal son las siguientes:
Media e
Var (e
( 2 / 2 )
( 2 2 )
)(e
1)
503
Un tiempo de falla se distribuye segn una

Lognormal si el logaritmo del tiempo de falla
est normalmente distribuido.
La Distribucin Lognormal es una distribucin

sesgada hacia la derecha.
La PDF comienza en cero, aumenta hasta su

moda y diminuye despus.
504
Si un tiempo t est distribuido Lognormal, t~LN(t, t) y

si Y = ln(t) entonces Y~N(y, y)
t
1
PDF
f (t )
CDF
F (t )
MEDIA
MEDIANA
VARIANZA
t y
y = ln(t)
e
1 y y

2 y
f (y )
F ( y )
y2
t T50 exp y
t2
1 2
t
T502 exp( y2 ) exp( y2 ) 1
(z) es la CDF de la Normal estndar
y ln(T50 )
y 2
y y
ln(t T50 )
T50 exp( y )
1 y y

2 y
t2
ln 1 2
t
505
La Distribucin de vida Lognormal, como la Weibull,

es un modelo muy flexible que puede empricamente
ajustar a muchos tipos de datos de falla.
En su forma de dos parmetros tiene los parmetros

sln(t) = sy parmetro de forma, y T50 = la mediana
(un parmetro de escala)
Si el tiempo para la falla t, tiene una distribucin

Lognormal, entonces el logaritmo natural del tiempo
de falla (y =ln(t)) tiene una distribucin normal con
media my = ln T50 y desviacin estndar sy.
506
Esto hace a los datos lognormales convenientes

para trabajarlos as:
Determine los logaritmos naturales de todos los

tiempos de falla y de los tiempos censurados (y =
ln(t)) y analice los datos normales resultantes.
Posteriormente, haga la conversin a tiempo real y a

los parmetros lognormales usando y como la forma
lognormal y T50 = exp(y como (mediana) el
parmetro de escala.
507
Ejemplo: Dado t~LN(25,4), encuentre P(t<18)
Calculemos los valores que nos permiten

usar la tabla normal estndar
t2
4
T50 t 1 2 25 1
t
25
24.68
t2
4
2
y ln 1 2 ln 1
0.02527
t
25
y 0.02527 0.1589
Para poder usar las Tablas de la Normal Estndar:

P(t<18) = P{Z<[ln(t/ T50)]/ y] =
P{Z<[ln(18/24.7)]/0.159} = P(Z<-1.99) = 0.023
508
1 ln(t)
1
f( t)
exp
t 2

2
Funcin de
Distribucin
Lognormal
donde y son funciones de lns
=0
= 0.5
=0
=1
=1
= 0.5
=1
=1
509
Funcin de Distribucin
Lognormal
ln( t )
z[ln( t )]
R( t) f( t)dt
f[ln(t)]d[ln(t)]
(z)dz
donde z[ln(t)] = [ln(t)-/]

(z) = normal estandarizada normal pdf
=1
= 0.5
=1
=1
=0
=1
=0
= 0.5
510
Funcin de Distribucin Lognormal
h ( t )
f( t )
R(t)
=0
= 0.5
=1
= 0.5
=1
=1
=0
=1
511
Nmero de ciclos de falla en la fatiga de los metales y

partes metlicas, en niveles de tensin mucho menores que
sus lmites
Representa bien el tiempo de falla de los dispositivos
mecnicos, especialmente en el caso de uso
La resistencia de materiales frecuentemente sigue una
distribucin Lognormal
Las variables de peso son frecuentemente bien
representadas con una distribucin Lognormal
Es una buena distribucin para cualquier variable
La medida de cualquier resultado el cual es el resultado de
una proporcin o efecto multiplicativo es Lognormal 512
Distribucin de Weibull
La distribucin de Weibull es una de las ms

utilizadas en confiabilidad y estadstica.
La versin de dos parmetros forma y escala

(que representa la vida caracterstica) no incluye
el parmetro de localizacin es cero.
La versin de tres parmetros tiene una

parmetro de localizacin cuando hay un tiempo
de falla diferente de cero para la primera falla
513
La funcin de densidad de probabilidad de

Weibull de 3 parmetros es:
f ( x)
x
exp
Para x
es el parmetro de forma
es el parmetro de escala
es el parmetro de localizacin
514
La funcin de densidad de probabilidad de

Weibull de 3 parmetros tambin se puede
expresar como:
1
t
y
f (t )
exp

Para t 0
es el parmetro de forma
es el parmetro de escala
es el parmetro de localizacin diferente de cero
Tambin es la vida caracterstica si el parmetro de
localizacin es cero, de otra forma ser + 515
La media y la varianza de la distribucin de

Weibull es:
1
1

2
1
2
1 1
516
Efecto del parmetro de forma Beta con Theta

= 100 y Delta = 0
517
Efecto del parmetro de escala Theta
518
Efecto del parmetro de escala Delta
519
El Modelo Weibull
En muchas aplicaciones de confiabilidad, el
supuesto de tasa de riesgo constante no es
apropiado.
Los artculos mecnicos tienen Failure Rate

Creciente.
Failure Rate
Otros artculos pueden ser Failure
Rate
Failure
Decreciente.
Creciente
Rate
6
h (t)
Decrecient
e
Failure Rate
Constante
0
0
0.5
1
Time (t)
1.5
520
Modelo Weibull
Un modelo que puede representar un amplio espectro de

comportamientos es el modelo Weibull.
S (t ) e (t )
f (t ) t 1 exp t
La densidad del modelo

Weibull puede tomar muchas y diferentes
h(t ) t 1
formas.
1.2
1
0.8
f( t )
=3
= 0.5
=1
=2
0.6
0.4
Note que si = 1 entonces se tiene el modelo exponencial como caso

0
particular
del modelo
Weibull. 1
0
0.5
1.5
2
0.2
Time (t)
521
Modelo Weibull
El modelo Weibull es
FRC si = 1
FRI
si > 1
FRD si < 1
FRD
FRI
= 0.5
=3
h (t)
=1
FRC
0.5
1.5
Entonces el parmetro muestra la

forma
de la funcin de riesgo.
Time
(t)
522
Modelo Weibull
Que es ?
6
h (t)
=3
=2
=1
0
0
0.5
1.5
Time (t)
Entonces presenta la escala de h(t).
523
Modelo Weibull
Los momentos de la distribucin Weibull son:
E[T ]
tf (t ) dt
0
E[T
f (t ) dt
Var (T ) E[T
] E[T ]2
2
1
2
x k 1 exp x dx
524
Modelo Weibull
El tiempo de vida (sobre horas) de cierto tipo de

resorte usado continuamente bajo condiciones de
funcionamiento, es sabido que tiene una
distribucin de Weibull con parmetro de forma
0.00022 y de escala 1.28.
Cul es el tiempo medio de falla?
Cul es la probabilidad de que un resorte funcionar por

500 horas?
Cul es la probabilidad que un resorte que ha funcionado

por 200 horas funcione por otras 500 horas?
525
Modelo Weibull
Se tiene un sistema de n componentes.

Los componentes son independientes e
idnticamente distribuidos de acuerdo a una
distribucin Weibull.
Cual es la distribucin del tiempo de vida del
sistema?T min{T , , T }
1
Se sabe que
P T t P (min{T1 , , Tn } t )
Entonces
526
Distribucin Weibull
CDF : F (t ) 1 e
La distribucin de

Weibull es un modelo

CONFIABILIDAD : R (t ) e
de distribucin de vida
t
1
til muy flexible, para el
t

PDF : f (t )
e
caso de 2 parmetros:

MEDIA
:
Donde h (etha) es un
parmetro de escala (la

1
vida caracterstica) y
MEDIANA : ln 2
beta se conoce como el
2
1
2
parmetro de forma
VARIANZA : 1 1

(pendiente) y G es la
funcin Gamma con

1
t
G(N)=(N-1)! para N
TASA DE FALLA :

entero
527
Distribucin Weibull
CDF : F (t ) 1 e
Una forma ms
general de 3
parmetros de la
Weibull incluye un
parmetro de tiempo
de espera
localizacin
desplazamiento).
Las frmulas se
obtienen
reemplazando t por
(t-g).
No puede ocurrir una
CONFIABILIDAD : R (t ) e
PDF : f (t )
MEDIA : 1
MEDIANA : ln 2
2
1
VARIANZA : 1 1

TASA DE FALLA :
528
Distribucin Weibull
Funcin de Distribucin Weibull
t
f(t)

exp
= 0.5
= 1000
= 1.0
= 1000
= 3.4
= 1000
529
Distribucin Weibull
Funciones de Distribucin Weibull
t
R(t)exp

= 3.4
= 1000
= 1.0
= 1000
= 0.5
= 1000
530
Distribucin Weibull
Funciones de Distribucin Weibull
t
h( t )

= 3.4
= 1000
= 0.5
= 1000
= 1.0
= 1000
531
Distribucin Weibull
Distribucin Weibull
La funcin pdf de la distribucin exponencial
modela la caracterstica de vida de los sistemas,
la Weibull modela la caracterstica de vida de los
componentes y partes
Modela fatiga y ciclos de falla de los slidos
Es el traje correcto para datos de vida
La funcin de distribucin Weibull pdf es una

distribucin de la confiabilidad de los
elementos de una muestra
Muy flexible y puede tomar diferentes formas
532
Distribucin Weibull
Tiene usted una Distribucin Weibull con =2 y

=2, Cul es la media y la varianza?
1
m 1
2
1
varianza 2 1 1

11
22
Archivo
Weibull.xls
33
533
ndice de falla
Distribucin
Weibull
decreciente
< 1
Fallas
tempranas
constante
creciente
= 1
> 1
Desgaste
Tiempo de vida til
tiempo
Las tres porciones de la curva

de tina de la baera tienen
diferentes ndices de falla.
Las fallas tempranas se
caracterizan por un ndice de
falla decreciente, la vida til
por un ndice de falla
constante y el desgaste se
caracteriza por un ndice de
falla creciente. La distribucin
de Weibull puede modelar
matemticamente estas tres
situaciones.
< 1 disminuye la tasa de riesgo, implica mortalidad infantil

= 1 tasa de riesgo constante, fallas aleatorias
1< < 4 aumenta la tasa de riesgo, fallas por corrosin, erosin
> 4 aumenta rpidamente la tasa de riesgo, implica fallas por desgaste y
envejecimiento
534
La Distribucin Weibull - Interpretacin

< 1 (Tasa de riesgo decreciente)
Implica mortalidad infantil
Si esto ocurre, puede existir:
Carga, inspeccin o prueba inadecuada
Problemas de Manufactura
Problemas de reparacin
Si un componente sobrevive la mortalidad
infantil , la resistencia a fallar mejora con la
edad.
1 <4 (Tasa de Riesgo creciente)
= 1 (Tasa de riesgo constante)

Implica fallas aleatorias(Distribucin
Exponencial)
Una parte vieja es tan buena como una
nueva
Si esto ocurre:
Mezcla de modos de falla
Las fallas pueden deberse a eventos
externos, como:luminosidad o errores
humanos
Fundido y removido antes de su
desgaste
4 (La tasa de riesgo crece rpidamente)

Si esto ocurre
La mayora de los baleros y engranes
Implica edad avanzada y rpido desgaste
fallan
Corrosin o Erosin
Si esto ocurre, sospeche de:
El reemplazo programado puede ser
Propiedades del material
efectivo en costo
Materiales frgiles como la cermica
=3.44aprox. Normal, =2Rayleigh
Variabilidad pequea en manufactura o
material
Distribucin Weibull
Cuando = 2.5 la Weibull se aproxima a la
distribucin Lognormal(estas distribuciones son tan
cercanas que se requieren tamaos de muestra
mayores a 50 para distinguirlas).
Cuando se modela el tiempo que se necesita para
que ocurran reacciones qumicas, se ha mostrado
que la distribucin Lognormal usualmente
proporciona un mejor ajuste que la Weibull.
Cuando = 5 la Weibull se aproxima a una Normal
puntiaguda.
536
Distribucin Weibull
Debido a su flexibilidad,hay pocas tasas de falla
observadas que no pueden modelarse adecuadamente
mediante la Weibull. Algunos ejemplos son.
1.La resistencia a la ruptura de componentes o el
esfuerzo requerido para la fatiga de metales.
2.El tiempo de falla de componentes electrnicos.
3.El tiempo de falla para artculos que se desgastan, tales
como las llantas de un automvil.
4.Sistemas que fallan cuando falla el componente ms
dbil del sistema(la distribucin Weibull representa una
distribucin de valor extremo).
537
Distribucin Weibull
Qu pasa en una distribucin Weibull si el tiempo
tiene el valor de la vida caracterstica, t = ?
R(t ) exp
si t

R(t ) exp e 1 0.3678

F (t ) 1 R(t ) 0.6321
Al llegar al tiempo
de vida igual a la
vida
caracterstica el
63.2% de los
elementos habr
fallado. Este
hecho se usa en
las grficas para
identificar el valor
de h (eta)
Este mismo resultado se obtiene para el caso

exponencial, recordando que la Weibull se
puede reducir a una exponencial cuando b =
538
V.F Capacidad de procesos
539
V.F Capacidad de procesos

1. ndices de capacidad de procesos
2. ndices de desempeo de procesos
3. Capacidad a corto y a largo plazo
4. Capacidad de proceso de datos no normales
5. Capacidad de proceso para datos por atributos
6. Estudios de capacidad de procesos
7. Desempeo de procesos vs. especificaciones
540
V.F.1 ndices de capacidad del

proceso
541
Teora del camin y el tnel

El tnel tiene 9' de ancho (especificacin). El camin tiene 10 y el chofer es perfecto
(variacin del proceso). Pasara el camin? NO, la variabilidad del proceso es mayor
que la especificacin.
Centrar es hacer que el promedio del proceso sea igual al centro de la
especificacin. Si el camin tiene 8 pies de ancho pasar el camin?, Si. Si
el chofer puede mantener el centro del camin en el centro del tnel. De otra forma
chocar con las paredes del tnel y no pasar a pesar de ser ms angosto.
El proceso debe estar en control, tener capacidad y estar centrado
Ancho 9
Nigels Trucking Co.
Objetivos de la capacidad del

proceso
1. Predecir que tanto el proceso cumple
especificaciones
2. Apoyar a diseadores de producto o proceso en sus
modificaciones
3. Especificar requerimientos de desempeo para el
equipo nuevo
4. Seleccionar proveedores
5. Reducir la variabilidad en el proceso de
manufactura
543
Anlisis de la capacidad de
proceso Estudios de capacidad
La capacidad del proceso es un patrn

predecible de comportamiento estadstico
estable donde las causas de variacin se
comparan con las especificaciones.
544
LSE
Especificacin
superior
LIE
Especificacin
inferior
s
xi
_
X
p = porcentaje de partes fuera de Especificaciones
545
Cmo vamos a mejorar esto?

Podemos reducir la desviacin estndar...
Podemos cambiar la media...
O (lo ideal sera, por supuesto) que podramos cambiar ambas
Cualquiera que sea la mejora que lleve a cabo,

asegrarse que se mantenga
546
Procedimiento
1. Seleccionar una mquina donde realizar el estudio
2. Seleccionar las condiciones de operacin del proceso
3. Seleccionar un operador entrenado
4. El sistema de medicin debe tener habilidad (error
R&R < 10%)
5. Cuidadosamente colectar la informacin
6. Construir un histograma de frecuencia con los datos
7. Calcular la media y desviacin estndar del proceso
547
Objetivos:
Establecer un estado de control sobre el proceso
de manufactura mantenerlo en el tiempo.
Al comparar el proceso vs los lmites de

especificacin pueden ocurrir los siguientes
eventos:
No hacer nada
Cambiar las especificaciones
Centrar el proceso+
Reducir la variabilidad
Aceptar las prdidas
548
Identificacin de caractersticas:
Deben ser indicativas de un factor clave en la

calidad del producto o proceso
Debera ser posible ajustar el valor de la

caracterstica como factor de control
Las condiciones de operacin que afecten la

caracterstica medida deben ser identificadas y
controladas
El PPAP indica la evaluacin una inicial de la
capacidad
549
estndar
con el proceso normal o en
control
La desviacin estndar del proceso cuando se encuentra en
control se determina como sigue con base en una carta de
control X-R siempre que est bajo control estadstico:
Desv. Est. st =
(Within)
Rango medio
Constante d2 de acuerdo al
tamao de subgrupo en X-R
D2 = 1.128 para carta I-MR con n=2
D2= 2.326 para carta X-R con n=5
550
Lmites de tolerancia
natural del proceso
LTNS = Media + 3*sigma
LTNI = Media 3*sigma
Si los lmites de especificacin son: LIE y LSE
El Cp = (LSE LIE) / (LTNS LTNI) debe ser mayor
a1
551
Capacidad del proceso

Zs y P(Zs) Fraccin defectiva
Los valores de Z inferior y Z superior se calculan de acuerdo a las
frmulas siguientes:
Zi
LIE - promedio del proceso

Desviacin Estndar - st
Zs
LSE - Promedio del proceso

La fraccin defectiva se calcula con la distribucin normal estndar:

P(Zi) = rea en tabla (-Z)
P(Zs) = 1 rea corresp. a Zs en tabla (+Z)
Fraccin defectiva = P(Zi) + P(Zs)
552
ndices de Capacidad Potencial

del proceso en control Corto
plazo
El ndice de capacidad potencial del Proceso (Cp) mide la
variacin del proceso en relacin con el rango de Especificacin.
Cp =
LSE - LIE
Tolerancia
=
Variacin del proceso 6 Desviaciones Estndar - st
La relacin de capacidad (CR) es la inversa del clculo de Cp. Este ndice le

indica que porcentaje de la especificacin est siendo usado por la variacin del
proceso.
Rango del proceso
6 desviaciones estndar - st
=
CR =
LSE - LIE
Tolerancia
Otro ndice que toma en cuenta
el centrado del proceso vs
Media de Especificaciones M es:
553
proceso
en control estadstico corto
plazo
Cpk es una medida de la capacidad real del proceso en funcin de
la posicin de la media del proceso (X) en relacin con con los
lmites de especificacin.
Con lmites bilaterales da una indicacin del centrado.
Es el menor de:
Cpk =
LSE - promedio del proceso Promedio del proceso - LIE

y
3 desviaciones Est. - st
3 desviaciones Estndar - st
554
Clculo de la capacidad del proceso

Habilidad o capacidad potencial
Cp = (LSE - LIE ) / 6 st
Debe ser 1.33, si est entre 1 1.33 requiere mucho control, <1 inac.
para tener el potencial de
cumplir con especificaciones (LIE, LSE)
Habilidad o capacidad real
Cpk = Menor | ZI y ZS | / 3
El Cpk debe ser 1.33 para que el
proceso cumpla especificaciones, entre 1 y 1.33 requiere control, <1 inac.
555
Tasa de falla vs Cp
556
Tasa de capacidad
Tasa de capacidad
Cp = 6 st/ (LSE - LIE )
Debe ser <= 0.75 si est entre 0.75 y 1 requiere mucho control, >1 inac.
ndice Cpm basado en el ndice de Taguchi, equivale al Cp tomando en
cuenta el centrado:
T = valor objetivo
557
Capacidad del proceso

Zs y P(Zs) Fraccin defectiva
Los valores de Z inferior y Z superior se calculan de acuerdo a las
frmulas siguientes:
Zi
LIE - promedio del proceso

Zs
LSE - Promedio del proceso

La fraccin defectiva se calcula con la distribucin normal estndar:

P(Zi) = rea en tabla (-Z)
P(Zs) = 1 rea corresp. a Zs en tabla (+Z)
Fraccin defectiva = P(Zi) + P(Zs)
558
Capacidad de proceso a partir

de Histogramas y Distribucin
normal
559
Ejemplo
Se tomaron los datos siguientes:
265
197
346
280
265
200
221
265
261
278
215
251
205
286
317
242
254
235
176
262
248
250
318
263
274
242
260
281
246
248
271
260
265
271
307
243
258
321
294
328
263
245
274
270
293
220
231
276
228
223
296
231
301
337
298
277
268
267
300
250
260
276
334
280
250
257
290
260
281
208
299
308
264
280
274
278
210
283
234
265
187
258
235
269
265
253
254
280
258
299
214
264
267
283
235
272
287
274
269
275
560
Ejemplo (cont)
Agrupando los datos en celdas se tiene:
Intervalo Marca
de clase de clase
170 - 189
179.5
190 - 209
199.5
210-229
219.5
230-249
239.5
250-269
259.5
270-289
279.5
290-309
299.5
310-329
319.5
330-349
339.5
Frecuencia
2
4
7
13
32
24
11
4
3
Frecuencia
Relativa
0.02
0.04
0.07
0.13
0.32
0.24
0.11
0.04
0.03
Frecuencia
Absoluta
0.02
0.06
0.13
0.26
0.58
0.82
0.93
0.97
1.00
561
Ejemplo (cont)
El histograma es el siguiente (se observa con forma normal):
35
30
25
20
15
Frec.
10
5
0
170189
210229
250269
290309
330349
562
Ejemplo (cont)
Calculando la media y la desviacin estndar se tiene:
X-media = 264.06
s = 32.02
La variabilidad del proceso se encuentra en 6 = 192.12

Si las especificaciones fueran LIE = 200 y LSE = 330
Cp = (330 - 200 ) / 192.2 < 1 no es hbil el proceso
Zi = (330 - 264.06) / 32.02
Zs = (200 - 264.06) / 32.02
Cpk = menor de Zi y Zs < 1 el proceso no cumple especificaciones

563
Ejercicio
Calcular la capacidad del proceso con la distribucin de frecuencias
siguiente considerando LIE = 530 y LSE = 580:
Intervalo
de clase Marca de clase Frecuencia
531 - 535
536 - 540
541 - 545
546 - 550
551 - 555
556 - 560
561 - 565
566 - 570
571 - 575
533
538
543
548
553
558
563
568
573
Frecuencia
Relativa
Frecuencia
Absoluta .
6
8
12
13
20
19
13
11
8
564
Ejemplo de capacidad de
proceso
Process Capability of Viscosidad
LSL
USL
Within
Overall
Process Data
LSL
9.00000
Target
*
USL
14.00000
Sample Mean
11.74400
SampleN
50
StDev(Within)
0.85577
StDev(Overall)
0.80259
Potential (Within) Capability

Cp
0.97
CPL
1.07
CPU
0.88
Cpk
0.88
CCpk 0.97
Overall Capability
Pp
PPL
PPU
Ppk
Cpm
9.6
O bserved Performance
PPM<LSL 0.00
PPM>USL 0.00
PPMTotal
0.00
10.4
Exp. Within Performance

PPM<LSL
671.85
PPM>USL 4191.66
PPMTotal
4863.51
11.2
12.0
12.8
Exp. Overall Performance

PPM<LSL
314.35
PPM>USL 2470.24
PPMTotal
2784.59
1.04
1.14
0.94
0.94
*
13.6
565
Interpretacin de salida
Minitab
Desviacin estndar Within se determina con R /

d2, se usa para determinar los ndices de capacidad
a corto plazo Cp, Cpk y PPM Within
Desviacin estndar Overall det. Con la

desviacin estndar de los datos S/C4,
donde C4=4(n1)/(4n-3)), se usa para determinar
los ndices de Desempeo Pp, Ppk y PPM Overall
El Observed Perfomance se determina

comparando los datos de la muestra con las
especificaciones
566
Capacidad a partir
de cartas de control
567
EN CASOS ESPECIALES COMO ESTOS

DONDE LAS VARIACIONES PRESENTES SON
TOTALMENTE INESPERADAS
TENEMOSUN PROCESO INESTABLE o IMPREDECIBLE.
?
?
?
?
?
?
568
Bases del CEP

SI LAS VARIACIONES PRESENTES SON IGUALES,
SE DICE QUE SE TIENE UN PROCESO ESTABLE.
LA DISTRIBUCION SERA PREDECIBLE EN EL TIEMPO
Prediccin
Tiempo
569
Control y Capacidad de Proceso

Control de Proceso:
Cuando la nica fuente de variacin es normal o de causa comn,
se dice que el proceso esta operando en CONTROL.
Capacidad de Proceso:
Medicin estadstica de las variaciones de causa comn que son
demostradas por un proceso. Un proceso es capaz cuando
la causa comn de variacin cae dentro de las especificaciones
del cliente.
La capacidad no se puede determinar a menos que

el proceso se encuentre en Control y Estable.
570
Proceso en Control Estadstico

La distribucin de la mayora de las caractersticas medidas forman una
curva en forma de campana o normal, si no Area
hayentre
causas
0 y 1sespeciales
presentes, que alteren la normalidad . cuales
son las causas
-Probabilidad
de Ocurrencia
comunes?|
Distribucin
del Proceso
_
x= media
34%
34%
14 %
-3s
-2s
-1s
2%
s= sigma; es la
desviacin
estndar;
medida
de la variacin
del proceso.
14 %
x
+1s +2s
99.73%
3s
2%
571
Ejemplo de carta de control X-R

Xbar-R Chart of Pulse1
90
Sample Mean
UCL=86.84
80
_
_
X=72.69
70
60
LCL=58.53
2
10
Sample
12
14
16
18
UCL=51.89
Sample Range
48
36
_
R=24.54
24
12
0
LCL=0
2
10
Sample
12
14
16
18
572
Estudios de capacidad
Desviacin estndar:
Si el proceso sigue una distribucin normal y

est en control estadstico, entonces la
desviacin estndar puede ser estimada de:
Para procesos nuevos, se puede estimar la

capacidad del proceso de una produccin piloto
573
Desviacin Estndar del proces
= R = S
d2
c4
Donde,
Donde,
=
= Desviacin
Desviacinestndar
estndarde
dela
lapoblacin
poblacin
dd2 ==Factor
Factorque
quedepende
dependedel
deltamao
tamaodel
delsubgrupo
subgrupoen
enla
lacarta
cartade
de
2
control
controlXX--RR
CC4 =
Idem al anterior para una carta X - S
4 = Idem al anterior para una carta X - S
NOTA:
NOTA: En
Enuna
unacarta
cartapor
porindividuales,
individuales,d2
d2se
setoma
tomapara
parann=
=22yy
Rango
574
RangoMedio=
Medio=Suma
Sumarangos
rangos//(n
(n-1)
-1)
Capacidad de proceso
Cuando las causas comunes son la nica variacin:
Cp
El ndice de capacidad potencial del proceso compara
la amplitud del proceso con la amplitud especificada.
Cp = (LSE - LIE) / 6
Cpk
El ndice de capacidad real del proceso compara la media

real con el lmite de especificaciones ms cercano (LE) a es
Cpk = LE Xmedia Cpk = menor |Z1 ; Z2| / 3
3
575
Ejemplo (carta X - R)
De una carta de control X - R (con subgrupo n = 5) se
obtuvo lo siguiente, despus de que el proceso se estabiliz
quedando slo con causas comunes:
Xmedia de medias = 264.06
Rmedio = 77.3
Por tanto estimando los parmetros del proceso se tiene:

= X media de medias
= 33.23
= Rmedio / d2 =77.3 / 2.326

[ d2 para n = 5 tiene el valor
2.326]
Si el lmite de especificacin es: LIE = 200.
El Cpk = (200 - 264.06) / (77.3) (3) = 0.64 por tanto el
576
Ejemplo (carta X - S)
De una carta de control X - S (con subgrupo n = 5) se obtuvo
lo siguiente, despus de que el proceso se estabiliz
quedando slo con causas comunes:
Xmedia de medias = 100
Smedio = 1.05
Por tanto estimando los parmetros del proceso se tiene:

= X media de medias
= 1.117
= Smedio / C4 = 1.05 / 0.94

[ C4 para n = 5 tiene el valor 0.94
]
Si el lmite de especificacin es: LIE = 85 y el LSE = 105.
El Cpk = (105 - 100) / (1.117 ) (3) = 1.492
577
El Cp = (105 - 85) / 6 (1.117 ) = 2.984
Ejercicios
1) De una carta de control X - R (con subgrupo n = 8)
se obtuvo lo siguiente, despus de que el proceso se
estabiliz quedando slo con causas comunes (LIE =
36, LSE = 46):
Rmedio = 5
2) De una carta de control X - S (con subgrupo n = 6)

se obtuvo lo siguiente, despus de que el proceso se
estabiliz quedando slo con causas comunes (LIE =
15, LSE = 23):
Smedio = 1.5
578
V.F.2 ndices de desempeo

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

del proceso Largo plazo
El ndice de desempeo potencial del Proceso (Pp) mide la
variacin del proceso en relacin con el rango de Especificacin.
Pp =
LSE - LIE
Tolerancia
=
Variacin del proceso 6 Desviaciones Estndar - lt
La relacin de capacidad (CR) es la inversa del clculo de Cp. Este ndice le

indica que porcentaje de la especificacin est siendo usado por la variacin del
proceso.
CR =
Rango del proceso

Tolerancia
6 desviaciones Est. - lt
LSE - LIE
581
ndice de desempeo real del

proceso largo plazo
Ppk es una medida del desempeo real del proceso en funcin de la
posicin de la media del proceso (X) en relacin con con los lmites
de especificacin.
Con lmites bilaterales da una indicacin del centrado.
Es el menor de:
Ppk =
LSE - promedio del proceso Promedio del proceso - LIE

y
3 desviaciones est. - lt
3 desviaciones Estndar - lt
582
Clculo del desempeo del

proceso a lago plazo
ndice de desempeo potencial
Pp = (LSE - LIE ) / 6 lt
Debe ser 1 de preferencia >1.33

ndice de desempeo real

El Ppk debe ser 1 para que el
proceso cumpla especificaciones
de preferencia > 1.33
Ppk = Menor | ZI y ZS | / 3
583
IIIF.5 Capacidad a corto

y a largo plazo
584
Corto y largo plazos
Corto plazo:
Es un periodo corto de tiempo en el cual no hay
cambios significativos en el proceso en relacin
a las 6Ms (personal, materiales, mtodos,
medio ambiente, mediciones, mquinas)
Largo Plazo
Es el periodo de tiempo en el cual ya han
ocurrido todos los cambios posibles en el
proceso, se trata de informacin histrica
585
Carta de corridas cortas
Se puede utilizar una carta X-R modificada

para corridas cortas, con base en subgrupos
de 3 a 10 piezas.
Inicialmente se utilizan A2 y D4 para calcular

los lmites de control que se modifican al
tomar ms puntos
El Cpk calcualdo de esta forma se considera

preliminar
586
V.F.4 Anlisis de la Capacidad

de procesos no normales
587
Procesos no normales
Los datos no siempre se ajustan a la

distrubucin normal. Una estrategia es
traansformar los datos no normales para lograr
un comportamiento normal
Una alternativa es la transformacin de

potencia de Box-Cox dada por:
588
Procesos no normales
Dadas las observaciones X1, X2, X3,.., Xn,

seleccionar la potencia que maximice el
logaritmo
Con la media aritmtica de los datos

transformados dada por:
589
Capacidad de procesos no
normales y transformaciones de
datos
Para procesos no normales, utilizar la

distribucin de Weibull
Para transformaciones de datos no normales

en normales utilizar la transformacin de Box
Cox
590
normales usando la distribucin
de Weibull
Con archivo de Minitab TILES.MTW

Process Capability of Warping
Calculations Based on Weibull Distribution Model
LSL
USL
Process Data
LSL
0.00000
Target
*
USL
8.00000
Sample Mean 2.92307
SampleN
100
Shape
1.69368
Scale
3.27812
O verall Capability
Pp
0.81
PPL
1.03
PPU
0.73
Ppk
0.73
Exp. O verall Performance
PPM<LSL
0.0
PPM>USL 10764.5
PPMTotal
10764.5
PPM<LSL
0
PPM>USL 20000
PPMTotal
20000
0.0
1.5
3.0
4.5
6.0
7.5
591
normales transformando datos
con Box - Cox
Con archivo de Minitab TILES.MTW, lamda =
0.5 Box-Cox Plot of Warping
LowerCL
UpperCL
Lambda
20
(using 95.0% confidence)
StDev
15
Estimate
0.345504
LowerCL
UpperCL
0.052120
0.642093
Best Value
0.500000
10
5
Limit
0
-2
-1
1
2
Lambda
592
normales transformando datos
con Box - Cox
Con la raz cuadrada de los datos y de los lmites de

especificaciones se tiene:
Process Capability of Transf
LSL
USL
Within
Overall
Process Data
LSL
0.00000
Target
*
USL
2.82843
Sample Mean
1.62374
SampleN
100
StDev(Within)
0.51337
StDev(O verall) 0.53934
Potential (Within) Capability

Cp
0.92
C PL
1.05
C PU
0.78
C pk
0.78
C Cpk 0.92
O verall Capability
Pp
PPL
PPU
Ppk
C pm
0.0
PPM<LSL
0.00
PPM>USL 20000.00
PPMTotal
20000.00
0.4
0.8
Exp. Within Performance

PPM<LSL
781.08
PPM>USL
9472.66
PPMTotal
10253.74
1.2
1.6
2.0
2.4
Exp. O verall Performance

PPM<LSL
1303.73
PPM>USL 12754.26
PPMTotal
14057.99
0.87
1.00
0.74
0.74
*
2.8
593
Capacidad de procesos por

Pearson
Independientemente de si los datos siguen una

distribucin normal o no, se pueden calcular los ndices
de capacidad y habilidad de proceso determinando los
valores de los Percentiles o lmites de control
equivalentes a un rea bajo la curva de 0.135% de cada
lado de la misma.
Este mtodo ha sido propuesto por Clements (1989) con

base en las curvas de Karl Pearson (1893), para ello, es
necesario caracterizar la curva de distribucin de
acuerdo a su posicin (Media), dispersin (Desviacin
Estndar) y forma (Grado de asimetra mediante el
Sesgo y grado de achatamiento o Kurtosis).
594

Pearson
Procedimiento :
Identificar los lmites de especificacin de la

variable de inters (LSE, LIE)
Calcular la Media (y).
Calcular la Desviacin estndar (s s)
Calcular el coeficiente de sesgo (a3)
595

Pearson
Clculo del sesgo:
Donde : momento 3 = m3 = ((yi y)3)/n
O bien :
a3 > 0
a3 =
n
.
(n-1)(n-2)
i=1
a3 = 0
yi y
s
a3 < 0
596

Pearson
Calcular el coeficiente de curtosis (a4 -3)
a4 = m4 / 4
O bien :
a4-3 =
Donde : momento 4 = m4 = ((yi y)4)/n
n (n+1) .
(n-1)(n-2)(n-3)
i=1
yi y
s
)} 4
3 (n-1)2 .
(n-2)(n-3)
Curva Leptocrtica : a4 > 3
Curva Mesocrtica : a4 = 3
Curva Platicrtica : a4 < 3
597
Con Minitab
Stat > Basic Statistics > Display descriptive statistics
>> Graphs... >> Graphical Summary
Descriptive Statistics
Variable: Dist.1
Anderson-Darling Normality Test
A-Squared:
P-Value:
0.40
0.55
0.70
0.85
1.00
95% Confidence Interval for Mu
3.073
0.000
Mean
StDev
Variance
Skewness
Kurtosis
N
0.543699
0.146490
2.15E-02
1.44751
2.48515
96
Minimum
1st Quartile
Median
3rd Quartile
Maximum
0.34483
0.45455
0.51316
0.58824
1.11111
95% Confidence Interval for Mu

0.51402
0.48
0.53
0.58
95% Confidence Interval for Sigma

0.12829
95% Confidence Interval for Median
0.57338
0.17075
95% Confidence Interval for Median

0.47619
0.52875
598
Con Minitab
De la tabla 2 de las curvas de Pearson obtenga
la Mediana estandarizada (M) :
Para coeficiente de sesgo positivo cambie el signo a
M.
Para coeficiente de sesgo negativo deje el signo de
M.
Calcular el percentil 0.135 estimado (PI) :
PI = y s * P I
Calcular percentil 99.865 estimado
(PS) :
PS = y + s * P S
Calcular la Mediana estimada (M) :
M = y + s * M
599
Con Minitab
Calcular el ndice de capacidad potencial de proceso
(Pp).
Pp = LSE - LIE
PS - P I
Calcular el ndice de habilidad del proceso (Ppk)
Ppi = M - LIE
M - PI
Pps =LSE M
PS - M
Ppk = min {Ppi, Pps}
600
Sesgo
Curtosis
-1.4
-1.2
-1.0
-0.8
-0.6
-0.4
-0.2
0.0
0.2
0.4
0.6
0.8
1.0
1.2
1.4
1.6
1.8
2.0
2.2
2.4
2.6
2.8
3.0
3.2
3.4
3.6
3.8
4.0
4.2
4.4
4.6
4.8
5.0
5.2
5.4
5.6
5.8
6.0
6.2
6.4
6.6
6.8
7.0
7.2
7.4
7.6
7.8
8.0
8.2
8.4
8.6
8.8
9.0
9.2
9.4
9.6
9.8
10.0
10.2
10.4
10.6
10.8
11.0
11.2
11.4
11.6
11.8
12.0
12.2
Sesgo
0.0
1.512
1.727
1.966
2.210
2.442
2.653
2.839
3.000
3.140
3.261
3.366
3.458
3.539
3.611
3.674
3.731
3.782
3.828
3.870
3.908
3.943
3.975
4.004
4.031
4.056
4.079
4.101
4.121
4.140
4.157
4.174
4.189
4.204
4.218
4.231
4.243
4.255
4.266
4.276
4.286
4.296
4.305
4.313
4.322
4.330
4.337
4.344
4.351
4.358
4.365
4.371
4.377
4.382
4.388
4.393
4.398
4.403
4.408
0.1
1.421
1.619
1.840
2.072
2.298
2.506
2.692
2.856
2.986
3.088
3.164
3.222
3.266
3.300
3.327
3.349
3.367
3.382
3.395
3.405
3.415
3.423
3.430
3.436
3.441
3.446
3.450
3.454
3.458
3.461
3.464
3.466
3.469
3.471
3.473
3.475
3.477
3.478
3.480
3.481
3.483
3.484
3.485
3.486
3.487
3.488
3.489
3.490
3.491
3.492
3.492
3.493
3.494
3.495
3.495
3.496
3.496
3.497
0.2
1.317
1.496
1.696
1.912
2.129
2.335
2.522
2.689
2.834
2.952
3.045
3.118
3.174
3.218
3.254
3.282
3.306
3.325
3.342
3.356
3.367
3.378
3.387
3.395
3.402
3.408
3.414
3.419
3.423
3.428
3.431
3.435
3.438
3.441
3.444
3.446
3.448
3.451
3.453
3.454
3.456
3.458
3.459
3.461
3.462
3.464
3.465
3.466
3.467
3.468
3.469
3.470
3.471
3.472
3.473
3.473
3.474
3.475
0.3
1.206
1.364
1.541
1.736
1.941
2.141
2.329
2.500
2.653
2.785
2.896
2.986
3.058
3.115
3.161
3.199
3.229
3.255
3.277
3.295
3.311
3.324
3.326
3.346
3.356
3.364
3.371
3.378
3.384
3.389
3.394
3.399
3.403
3.406
3.410
3.413
3.416
3.419
3.422
3.424
3.426
3.429
3.431
3.432
3.434
3.436
3.437
3.439
3.440
3.442
3.443
3.444
3.445
3.447
3.448
3.449
3.450
3.451
0.4
1.092
1.230
1.384
1.555
1.740
1.930
2.116
2.289
2.447
2.589
2.714
2.821
2.910
2.983
3.043
3.092
3.133
3.167
3.196
3.220
3.241
3.259
3.274
3.288
3.300
3.311
3.321
3.329
3.337
3.344
3.350
3.356
3.362
3.367
3.371
3.375
3.379
3.383
3.386
3.389
3.392
3.395
3.398
3.400
3.403
3.405
3.407
3.409
3.411
3.412
3.414
3.416
3.417
3.418
3.420
3.421
3.422
3.424
3.425
0.5
0.979
1.100
1.232
1.377
1.539
1.711
1.887
2.059
2.220
2.368
2.502
2.622
2.727
2.817
2.893
2.957
3.011
3.055
3.093
3.126
3.153
3.177
3.198
3.216
3.233
3.247
3.259
3.271
3.281
3.290
3.299
3.306
3.313
3.320
3.326
3.331
3.336
3.341
3.345
3.349
3.353
3.357
3.360
3.363
3.366
3.369
3.372
3.374
3.377
3.379
3.381
3.383
3.385
3.387
3.388
3.390
3.392
3.393
3.395
3.396
0.6
0.868
0.975
1.089
1.212
1.348
1.496
1.655
1.817
1.976
2.127
2.267
2.396
2.512
2.616
2.708
2..787
2.855
2.914
2.964
3.006
3.043
3.075
3.103
3.127
3.149
3.168
3.184
3.200
3.213
3.225
3.236
3.246
3.256
3.264
3.272
3.279
3.286
3.292
3.297
3.303
3.308
3.312
3.316
3.321
3.324
3.328
3.331
3.335
3.338
3.340
3.343
3.346
3.348
3.351
3.353
3.355
3.357
3.359
3.361
3.363
3.364
0.7
0.762
0.858
0.957
1.062
1.175
1.299
1.434
1.578
1.726
1.873
2.015
2.148
2.271
2.385
2.488
2.581
2.664
2.736
2.800
2.855
2.904
2.946
2.983
3.015
3.043
3.069
3.091
3.111
3.129
3.145
3.160
3.173
3.186
3.197
3.207
3.216
3.225
3.233
3.240
3.247
3.254
3.260
3.265
3.270
3.275
3.280
3.284
3.289
3.292
3.296
3.300
3.303
3.306
3.309
3.312
3.315
3.317
3.320
3.322
3.325
3.327
3.329
0.0
0.1
0.2
0.3
0.4
0.5
0.6
0.7
0.8
0.747
0.836
0.927
1.023
1.125
1.235
1.356
1.485
1.619
1.754
1.887
2.013
2.132
2.243
2.345
2.438
2.524
2.600
2.669
2.730
2.784
2.831
2.874
2.911
2.945
2.974
3.001
3.025
3.047
3.066
3.084
3.100
3.114
3.128
3.140
3.152
3.162
3.172
3.181
3.189
3.197
3.204
3.211
3.218
3.224
3.229
3.235
3.240
3.244
3.249
3.253
3.257
3.261
3.265
3.268
3.272
3.275
3.278
3.281
3.283
3.286
3.289
0.8
0.9
1.0
0.804
0.887
0.974
1.065
1.163
1.269
1.382
1.502
1.625
1.748
1.876
1.981
2.089
2.189
2.283
2.369
2.448
2.521
2.586
2.646
2.699
2.747
2.790
2.829
2.864
2.895
2.923
2.949
2.972
2.994
3.013
3.031
3.047
3.062
3.076
3.089
3.100
3.111
3.122
3.131
3.140
3.148
3.156
3.164
3.171
3.177
3.183
3.189
3.195
3.200
3.205
3.209
3.214
3.218
3.222
3.226
3.230
3.233
3.237
3.240
3.243
0.692
0.766
0.841
0.919
1.000
1.086
1.178
1.277
1.381
1.491
1.602
1.713
1.821
1.925
2.023
2.116
2.202
2.283
2.358
2.427
2.491
2.549
2.602
2.651
2.695
2.735
2.771
2.805
2.835
2.863
2.888
2.911
2.933
2.952
2.970
2.987
3.003
3.017
3.030
3.043
3.054
3.065
3.075
3.085
3.094
3.103
3.111
3.118
3.125
3.132
3.138
3.144
3.150
3.156
3.161
3.166
3.171
3.175
3.179
3.184
3.188
3.191
3.195
0.9
1.0
Curtosis
1.1
0.656
0.723
0.791
0.861
0.933
1.008
1.087
1.172
1.262
1.357
1.456
1.556
1.664
1.755
1.850
1.940
2.026
2.107
2.183
2.254
2.321
2.383
2.440
2.494
2.543
2.588
2.629
2.668
2.703
2.735
2.765
2.793
2.818
2.841
2.863
2.883
2.902
2.919
2.936
2.951
2.965
2.978
2.990
3.002
3.013
3.023
3.033
3.042
3.051
3.059
3.067
3.075
3.082
3.088
3.095
3.101
3.107
3.112
3.118
3.123
3.128
3.132
3.137
3.141
1.1
1.2
0.616
0.677
0.739
0.801
0.865
0.931
1.000
1.072
1.149
1.230
1.316
1.404
1.494
1.584
1.673
1.760
1.844
1.924
2.000
2.072
2.140
2.205
2.265
2.321
2.374
2.424
2.470
2.513
2.562
2.589
2.624
2.656
2.685
2.713
2.739
2.763
2.785
2.806
2.825
2.843
2.860
2.876
2.891
2.906
2.919
2.932
2.943
2.955
2.965
2.975
2.985
2.994
3.003
3.011
3.019
3.026
3.033
3.040
3.046
3.053
3.058
3.064
3.070
3.075
1.2
1.3
Tabla 1a de Pearson
0.574
0.630
0.686
0.742
0.799
0.857
0.917
0.979
1.045
1.113
1.185
1.261
1.339
1.420
1.501
1.581
1.661
1.738
1.813
1.884
1.953
2.018
2.080
2.138
2.194
2.246
2.296
2.342
2.386
2.427
2.465
2.501
2.535
2.567
2.597
2.624
2.651
2.675
2.698
2.720
2.740
2.759
2.777
2.794
2.810
2.825
2.839
2.853
2.866
2.878
2.890
2.901
2.911
2.921
2.930
2.940
2.948
2.956
2.964
2.972
2.979
2.986
2.993
1.3
1.4
0.531
0.583
0.634
0.685
0.736
0.787
0.840
0.894
0.950
1.008
1.068
1.132
1.198
1.267
1.338
1.410
1.483
1.555
1.626
1.695
1.762
1.827
1.889
1.948
2.005
2.059
2.111
2.160
2.206
2.250
2.292
2.332
2.369
2.405
2.438
2.469
2.499
2.527
2.554
2.579
2.603
2.625
2.646
2.666
2.685
2.703
2.720
2.736
2.752
2.766
2.780
2.793
2.806
2.818
2.829
2.840
2.851
2.861
2.870
2.879
2.888
2.896
1.4
1.5
0.536
0.583
0.629
0.675
0.721
0.768
0.815
0.863
0.913
0.964
1.018
1.073
1.131
1.191
1.253
1.317
1.381
1.446
1.510
1.574
1.636
1.697
1.756
1.813
1.867
1.920
1.970
2.019
2.065
2.109
2.151
2.191
2.229
2.265
2.300
2.333
2.364
2.394
2.422
2.449
2.475
2.499
2.522
2.544
2.565
2.585
2.604
2.622
2.639
2.655
2.671
2.686
2.700
2.714
2.727
2.739
2.751
2.762
2.773
2.784
1.5
1.6
0.469
0.533
0.575
0.617
0.659
0.701
0.743
0.785
0.828
0.873
0.918
0.965
1.013
1.063
1.115
1.169
1.224
1.281
1.338
1.396
1.453
1.510
1.566
1.621
1.675
1.727
1.778
1.827
1.874
1.919
1.962
2.004
2.044
2.083
2.120
2.155
2.189
2.221
2.252
2.282
2.310
2.337
2.363
2.388
2.411
2.434
2.456
2.476
2.496
2.515
2.533
2.551
2.567
2.583
2.598
2.613
2.627
2.641
2.653
1.6
1.7
0.484
0.510
0.562
0.600
0.638
0.676
0.714
0.752
0.791
0.830
0.870
0.911
0.953
0.996
1.041
1.088
1.135
1.184
1.234
1.285
1.336
1.387
1.438
1.489
1.539
1.588
1.635
1.682
1.727
1.771
1.814
1.855
1.895
1.933
1.970
2.005
2.040
2.073
2.104
2.135
2.164
2.192
2.219
2.245
2.271
2.295
2.318
2.340
2.361
2.382
2.401
2.420
2.438
2.456
2.473
2.489
2.505
1.7
1.8
0.475
0.510
0.546
0.580
0.615
0.649
0.683
0.717
0.752
0.787
0.822
0.858
0.895
0.932
0.971
1.011
1.052
1.094
1.137
1.181
1.225
1.270
1.316
1.361
1.407
1.452
1.496
1.540
1.583
1.625
1.666
1.706
1.744
1.782
1.818
1.854
1.888
1.921
1.953
1.984
2.014
2.042
2.070
2.097
2.123
2.148
2.172
2.196
2.218
2.240
2.261
2.281
2.301
2.320
2.338
1.8
1.9
0.461
0.494
0.526
0.557
0.589
0.620
0.651
0.681
0.712
0.744
0.775
0.807
0.839
0.872
0.905
0.939
0.975
1.010
1.047
1.085
1.123
1.162
1.202
1.242
1.282
1.323
1.363
1.403
1.443
1.482
1.521
1.559
1.596
1.632
1.667
1.702
1.736
1.768
1.800
1.831
1.861
1.890
1.918
1.945
1.972
1.998
2.023
2.047
2.070
2.093
2.115
2.136
2.157
1.9
2.0
0.445
0.475
0.504
0.533
0.562
0.590
0.618
0.646
0.674
0.702
0.730
0.758
0.786
0.815
0.844
0.874
0.904
0.935
0.966
0.999
1.031
1.065
1.099
1.134
1.169
1.204
1.240
1.276
1.311
1.347
1.382
1.418
1.452
1.486
1.520
1.553
1.586
1.617
1.648
1.679
1.708
1.737
1.765
1.793
1.819
1.845
1.870
1.895
1.919
1.942
1.965
2.0
-1.4
-1.2
-1.0
-0.8
-0.6
-0.4
-0.2
0.0
0.2
0.4
0.6
0.8
1.0
1.2
1.4
1.6
1.8
2.0
2.2
2.4
2.6
2.8
3.0
3.2
3.4
3.6
3.8
4.0
4.2
4.4
4.6
4.8
5.0
5.2
5.4
5.6
5.8
6.0
6.2
6.4
6.6
6.8
7.0
7.2
7.4
7.6
7.8
8.0
8.2
8.4
8.6
8.8
9.0
9.2
9.4
9.6
9.8
10.0
10.2
10.4
10.6
10.8
11.0
11.2
11.4
11.6
11.8
12.0
12.2
Sesgo
Curtosis
-1.4
-1.2
-1.0
-0.8
-0.6
-0.4
-0.2
0.0
0.2
0.4
0.6
0.8
1.0
1.2
1.4
1.6
1.8
2.0
2.2
2.4
2.6
2.8
3.0
3.2
3.4
3.6
3.8
4.0
4.2
4.4
4.6
4.8
5.0
5.2
5.4
5.6
5.8
6.0
6.2
6.4
6.6
6.8
7.0
7.2
7.4
7.6
7.8
8.0
8.2
8.4
8.6
8.8
9.0
9.2
9.4
9.6
9.8
10.0
10.2
10.4
10.6
10.8
11.0
11.2
11.4
11.6
11.8
12.0
12.2
Sesgo
0.0
1.512
1.727
1.966
2.210
2.442
2.653
2.839
3.000
3.140
3.261
3.366
3.458
3.539
3.611
3.674
3.731
3.782
3.828
3.870
4.908
3.943
3.975
4.004
4.031
4.056
4.079
4.101
4.121
4.140
4.157
4.174
4.189
4.204
4.218
4.231
4.243
4.255
4.266
4.276
4.286
4.296
4.305
4.313
4.322
4.330
4.337
4.344
4.351
4.358
4.365
4.371
4.377
4.382
4.388
4.393
4.398
4.403
4.408
0.1
1.584
1.813
2.065
2.320
2.560
2.774
2.961
3.123
3.261
3.381
3.485
3.575
3.654
3.724
3.786
3.842
3.891
3.936
3.976
4.013
4.046
4.077
4.105
4.131
4.155
4.177
4.197
4.217
4.234
4.251
4.267
4.281
4.295
4.308
4.321
4.332
4.343
4.354
4.364
4.373
4.382
4.391
4.399
4.406
4.414
4.421
4.428
4.434
4.441
4.447
4.452
4.458
4.463
4.468
4.473
4.478
4.483
4.487
0.2
1.632
1.871
2.134
2.400
2.648
2.869
3.060
3.224
3.364
3.484
3.588
3.678
3.757
3.826
3.887
3.942
3.990
4.034
4.073
4.109
4.142
4.172
4.199
4.224
4.247
4.269
4.288
4.307
4.324
4.340
4.355
4.369
4.383
4.395
4.407
4.418
4.429
4.439
4.448
4.457
4.466
4.474
4.481
4.489
4.496
4.503
4.509
4.515
4.521
4.527
4.532
4.538
4.543
4.548
4.552
4.557
4.561
4.565
0.3
1.655
1.899
2.170
2.446
2.704
2.934
3.133
3.303
3.447
3.570
3.676
3.768
3.847
3.917
3.978
4.033
4.081
4.125
4.164
4.199
4.231
4.261
4.287
4.312
4.335
4.356
4.375
4.393
4.410
4.425
4.400
4.454
4.467
4.479
4.090
4.501
4.511
4.521
4.530
4.538
4.547
4.554
4.562
4.569
4.576
4.582
4.588
4.594
4.600
4.605
4.611
4.616
4.621
4.625
4.630
4.634
4.638
4.642
0.4
1.653
1.895
2.169
2.454
2.726
2.969
3.179
3.358
3.510
3.639
3.749
3.844
3.926
3.997
4.060
4.115
4.164
4.208
4.248
4.283
4.315
4.344
4.371
4.396
4.418
4.439
4.458
4.476
4.492
4.508
4.522
4.535
4.548
4.560
4.571
4.581
4.591
4.600
4.609
4.618
4.626
4.633
4.640
4.647
4.654
4.660
4.666
4.672
4.677
4.682
4.687
4.692
4.697
4.701
4.705
4.710
4.714
4.717
4.721
0.5
1.626
1.861
2.131
2.422
2.708
2.968
3.194
3.387
3.550
3.688
3.805
3.905
3.991
4.066
4.131
4.189
4.239
4.285
4.325
4.361
4.394
4.423
4.450
4.475
4.498
4.518
4.537
4.555
4.571
4.587
4.601
4.614
4.627
4.638
4.649
4.659
4.669
4.678
4.695
4.703
4.710
4.717
4.724
4.730
4.736
4.742
4.747
4.753
4.758
4.762
4.767
4.772
4.776
4.780
4.784
4.788
4.791
4.795
4.798
0.6
1.579
1.803
2.061
2.349
2.646
2.926
3.173
3.385
3.564
3.715
3.843
3.951
4.044
4.124
4.193
4.253
4.307
4.354
4.396
4.433
4.467
4.498
4.525
4.550
4.573
4.594
4.614
4.631
4.648
4.663
4.677
4.691
4.703
4.715
4.725
4.736
4.745
4.754
4.763
4.771
4.778
4.785
4.792
4.799
4.805
4.811
4.817
4.822
4.827
4.832
4.837
4.841
4.845
4.850
4.854
4.857
4.861
4.865
4.868
4.871
4.874
0.7
1.516
1.726
1.966
2.241
2.540
2.837
3.109
3.345
3.546
3.715
3.858
3.978
4.080
4.167
4.243
4.308
4.365
4.416
4.460
4.500
4.535
4.567
4.596
4.622
4.645
4.667
4.687
4.705
4.722
4.737
4.752
4.765
4.778
4.789
4.800
4.810
4.820
4.829
4.837
4.845
4.853
4.860
4.867
4.873
4.879
4.885
4.890
4.896
4.901
4.905
4.910
4.914
4.918
4.923
4.926
4.930
4.934
4.937
4.940
4.943
4.947
4.949
0.0
0.1
0.2
0.3
0.4
0.5
0.6
0.7
0.8
1.636
1.856
2.108
2.395
2.699
2.993
3.259
3.488
3.681
3.844
3.961
4.096
4.194
4.278
4.351
4.414
4.468
4.517
4.559
4.597
4.631
4.662
4.689
4.714
4.737
4.757
4.776
4.794
4.809
4.824
4.838
4.851
4.862
4.873
4.884
4.893
4.902
4.911
4.919
4.926
4.933
4.940
4.946
4.952
4.958
4.963
4.969
4.974
4.978
4.983
4.987
4.991
4.995
4.999
5.002
5.006
5.009
5.012
5.015
5.018
5.021
5.024
0.8
0.9
1.0
1.965
2.225
2.518
2.824
3.116
3.378
3.603
3.793
3.953
4.087
4.208
4.296
4.378
4.449
4.511
4.564
4.611
4.653
4.690
4.723
4.752
4.779
4.803
4.825
4.845
4.863
4.879
4.895
4.909
4.922
4.934
4.945
4.956
4.966
4.975
4.983
4.991
4.999
5.006
5.013
5.019
5.025
5.031
5.036
5.041
5.046
5.051
5.055
5.059
5.063
5.067
5.071
5.074
5.078
5.081
5.084
5.087
5.090
5.092
5.095
5.098
1.822
2.062
2.314
2.608
2.914
3.206
3.468
3.693
3.883
4.043
4.177
4.290
4.386
4.468
4.539
4.600
4.653
4.700
4.741
4.777
4.810
4.839
4.865
4.888
4.910
4.929
4.947
4.963
4.978
4.992
5.004
5.016
5.027
5.037
5.046
5.055
5.063
5.071
5.078
5.085
5.091
5.097
5.103
5.109
5.114
5.118
5.123
5.127
5.132
5.135
5.139
5.143
5.146
5.149
5.156
5.156
5.158
5.161
5.164
5.166
5.169
5.171
5.173
0.9
1.0
Curtosis
1.1
1.2
1.3
1.4
1.5
1.6
1.7
1.8
1.9
2.0
Tabla 1b de Pearson
1.885
2.114
2.373
2.665
2.970
3.264
3.529
3.758
3.952
4.115
4.252
4.367
4.472
4.549
4.620
4.682
4.736
4.783
4.824
4.861
4.893
4.922
4.948
4.972
4.993
5.012
5.029
5.045
5.060
5.073
5.086
5.097
5.108
5.117
5.126
5.135
5.143
5.150
5.157
5.164
5.170
5.175
5.181
5.186
5.191
5.195
5.200
5.204
5.208
5.211
5.215
5.218
5.222
5.225
5.228
5.230
5.233
5.236
5.238
5.240
5.243
5.245
5.247
5.249
1.1
1.928
2.152
2.405
2.690
2.993
3.290
3.561
3.797
3.998
4.168
4.311
4.431
4.532
4.619
4.693
4.757
4.812
4.860
4.903
4.940
4.973
5.002
5.029
5.052
5.074
5.093
5.110
5.126
5.141
5.154
5.166
5.177
5.188
5.197
5.206
5.214
5.222
5.229
5.236
5.242
5.248
5.253
5.259
5.263
5.268
5.272
5.276
5.280
5.284
5.287
5.291
5.294
5.297
5.300
5.303
5.305
5.308
5.310
5.312
5.314
5.316
5.318
5.320
5.322
1.2
1.952
2.169
2.412
2.687
2.984
3.283
3.561
3.808
4.020
4.200
4.352
4.479
4.587
4.678
4.756
4.824
4.882
4.932
4.976
5.015
5.049
5.080
5.107
5.131
5.152
5.172
5.190
5.206
5.220
5.233
5.246
5.257
5.267
5.276
5.285
5.293
5.301
5.308
5.314
5.320
5.326
5.331
5.336
5.341
5.345
5.349
5.353
5.357
5.361
5.364
5.367
5.370
5.373
5.375
5.378
5.300
5.383
5.385
5.387
5.389
5.391
5.393
5.394
1.3
1.960
2.167
2.398
2.658
2.945
3.243
3.529
3.789
4.015
4.209
4.372
4.510
4.627
4.725
4.809
4.881
4.944
4.997
5.044
5.085
5.122
5.153
5.181
5.207
5.229
5.249
5.267
5.284
5.299
5.312
5.325
5.336
5.346
5.356
5.364
5.372
5.380
5.387
5.393
5.399
5.404
5.410
5.414
5.419
5.423
5.427
5.431
5.434
5.437
5.440
5.443
5.446
5.449
5.451
5.454
5.456
5.458
5.460
5.462
5.464
5.465
5.467
1.4
2.149
2.366
2.609
2.881
3.172
3.463
3.736
3.979
4.189
4.369
4.521
4.649
4.758
4.850
4.929
4.996
5.055
5.106
5.150
5.189
5.223
5.253
5.280
5.303
5.325
5.344
5.361
5.376
5.390
5.403
5.440
5.425
5.434
5.443
5.451
5.459
5.466
5.472
5.478
5.483
5.488
5.493
5.497
5.501
5.505
5.509
5.512
5.515
5.518
5.521
5.523
5.526
5.528
5.530
5.532
5.534
5.536
5.538
5.539
5.500
1.5
2.119
2.322
2.547
2.798
3.075
3.364
3.646
3.907
4.137
4.336
4.506
4.650
4.771
4.875
4.963
5.038
5.103
5.159
5.208
5.250
5.288
5.321
5.350
5.376
5.399
5.418
5.436
5.452
5.467
5.480
5.492
5.503
5.513
5.522
5.530
5.538
5.545
5.551
5.557
5.562
5.567
5.572
5.576
5.580
5.584
5.587
5.590
5.593
5.596
5.599
5.601
5.603
5.605
5.607
5.609
5.611
5.613
5.614
5.616
1.6
2.269
2.476
2.705
2.961
3.238
3.522
3.796
4.047
4.269
4.460
4.623
4.762
4.880
4.980
5.066
5.139
5.202
5.257
5.305
5.346
5.383
5.415
5.443
5.468
5.491
5.511
5.529
5.542
5.557
5.569
5.581
5.591
5.601
5.609
5.617
5.624
5.631
5.637
5.642
5.647
5.652
5.656
5.660
5.663
5.667
5.670
5.673
5.675
5.678
5.680
5.682
5.684
5.686
5.687
5.689
5.690
5.692
1.7
2.399
2.609
2.840
3.095
3.370
3.648
3.916
4.160
4.376
4.563
4.723
4.859
4.976
5.075
5.159
5.232
5.295
5.349
5.396
5.437
5.474
5.505
5.533
5.558
5.581
5.600
5.618
5.634
5.648
5.658
5.669
5.679
5.688
5.696
5.704
5.710
5.717
5.722
5.727
5.732
5.736
5.740
5.744
5.747
5.750
5.753
5.755
5.757
5.760
5.762
5.763
5.765
5.767
5.760
5.769
1.8
2.511
2.719
2.949
3.201
3.471
3.745
4.007
4.347
4.461
4.647
4.806
4.943
5.059
5.159
5.244
5.318
5.381
5.436
5.483
5.525
5.571
5.593
5.621
5.646
5.669
5.688
5.706
5.722
5.736
5.749
5.760
5.771
5.775
5.783
5.790
5.797
5.803
5.808
5.813
5.817
5.821
5.825
5.828
5.831
5.834
5.836
5.838
5.840
5.842
5.844
5.845
5.847
5.848
1.9
2.603
2.808
3.033
3.280
3.544
3.813
4.072
4.311
4.524
4.712
4.873
5.012
5.131
5.233
5.320
5.395
5.460
5.516
5.565
5.608
5.645
5.678
5.706
5.732
5.754
5.775
5.792
5.808
5.823
5.836
5.847
5.858
5.867
5.875
5.883
5.883
5.889
5.894
5.898
5.903
5.906
5.910
5.913
5.915
5.918
5.920
5.922
5.924
5.925
5.927
5.928
2.0
-1.4
-1.2
-1.0
-0.8
-0.6
-0.4
-0.2
0.0
0.2
0.4
0.6
0.8
1.0
1.2
1.4
1.6
1.8
2.0
2.2
2.4
2.6
2.8
3.0
3.2
3.4
3.6
3.8
4.0
4.2
4.4
4.6
4.8
5.0
5.2
5.4
5.6
5.8
6.0
6.2
6.4
6.6
6.8
7.0
7.2
7.4
7.6
7.8
8.0
8.2
8.4
8.6
8.8
9.0
9.2
9.4
9.6
9.8
10.0
10.2
10.4
10.6
10.8
11.0
11.2
11.4
11.6
11.8
12.0
12.2
Sesgo
Curtosis
-1.4
-1.2
-1.0
-0.8
-0.6
-0.4
-0.2
0.0
0.2
0.4
0.6
0.8
1.0
1.2
1.4
1.6
1.8
2.0
2.2
2.4
2.6
2.8
3.0
3.2
3.4
3.6
3.8
4.0
4.2
4.4
4.6
4.8
5.0
5.2
5.4
5.6
5.8
6.0
6.2
6.4
6.6
6.8
7.0
7.2
7.4
7.6
7.8
8.0
8.2
8.4
8.6
8.8
9.0
9.2
9.4
9.6
9.8
10.0
10.2
10.4
10.6
10.8
11.0
11.2
11.4
11.6
11.8
12.0
12.2
Sesgo
0.0
0.000
0.000
0.000
0.000
0.000
0.000
0.000
0.000
0.000
0.000
0.000
0.000
0.000
0.000
0.000
0.000
0.000
0.000
0.000
0.000
0.000
0.000
0.000
0.000
0.000
0.000
0.000
0.000
0.000
0.000
0.000
0.000
0.000
0.000
0.000
0.000
0.000
0.000
0.000
0.000
0.000
0.000
0.000
0.000
0.000
0.000
0.000
0.000
0.000
0.000
0.000
0.000
0.000
0.000
0.000
0.000
0.000
0.000
0.000
0.000
0.000
0.000
0.000
0.000
0.000
0.000
0.000
0.000
0.000
0.0
0.1
0.053
0.039
0.031
0.026
0.023
0.020
0.018
0.017
0.015
0.014
0.013
0.013
0.012
0.011
0.011
0.010
0.010
0.009
0.009
0.009
0.008
0.008
0.008
0.008
0.008
0.007
0.007
0.007
0.007
0.007
0.007
0.006
0.006
0.006
0.006
0.006
0.006
0.006
0.006
0.006
0.006
0.006
0.005
0.005
0.005
0.005
0.005
0.005
0.005
0.005
0.005
0.005
0.005
0.005
0.005
0.005
0.005
0.005
0.2
0.111
0.082
0.065
0.054
0.047
0.041
0.037
0.034
0.032
0.029
0.028
0.026
0.025
0.024
0.023
0.022
0.021
0.020
0.020
0.019
0.018
0.018
0.017
0.017
0.017
0.016
0.016
0.015
0.015
0.015
0.015
0.015
0.014
0.014
0.014
0.014
0.014
0.014
0.013
0.013
0.013
0.013
0.013
0.013
0.013
0.012
0.012
0.012
0.012
0.012
0.012
0.012
0.012
0.012
0.012
0.012
0.012
0.011
0.3
0.184
0.132
0.103
0.085
0.073
0.064
0.058
0.053
0.049
0.045
0.043
0.040
0.038
0.036
0.035
0.034
0.032
0.031
0.030
0.029
0.029
0.028
0.027
0.027
0.026
0.025
0.025
0.025
0.024
0.024
0.023
0.023
0.023
0.022
0.022
0.022
0.022
0.021
0.021
0.021
0.021
0.021
0.020
0.020
0.020
0.020
0.020
0.019
0.019
0.019
0.019
0.019
0.019
0.019
0.019
0.019
0.018
0.018
0.4
0.282
0.196
0.151
0.123
0.104
0.091
0.081
0.073
0.068
0.063
0.059
0.055
0.053
0.050
0.048
0.046
0.044
0.043
0.042
0.040
0.039
0.038
0.037
0.037
0.036
0.035
0.034
0.034
0.033
0.033
0.032
0.032
0.031
0.031
0.030
0.030
0.030
0.029
0.029
0.029
0.028
0.028
0.028
0.028
0.027
0.027
0.027
0.027
0.027
0.260
0.026
0.026
0.026
0.026
0.026
0.025
0.025
0.025
0.5
0.424
0.284
0.212
0.169
0.142
0.122
0.108
0.097
0.089
0.082
0.077
0.072
0.068
0.065
0.062
0.060
0.057
0.065
0.054
0.052
0.051
0.049
0.048
0.047
0.046
0.045
0.044
0.043
0.043
0.042
0.041
0.041
0.040
0.040
0.039
0.039
0.038
0.038
0.037
0.037
0.037
0.036
0.036
0.036
0.035
0.035
0.035
0.034
0.034
0.034
0.034
0.033
0.033
0.033
0.033
0.033
0.032
0.032
0.032
0.032
0.6
0.627
0.412
0.297
0.231
0.190
0.161
0.141
0.126
0.114
0.105
0.097
0.091
0.086
0.082
0.078
0.075
0.072
0.069
0.067
0.065
0.063
0.061
0.059
0.058
0.057
0.056
0.054
0.053
0.053
0.052
0.051
0.050
0.049
0.049
0.048
0.047
0.047
0.046
0.046
0.045
0.045
0.044
0.044
0.044
0.043
0.043
0.043
0.042
0.042
0.042
0.041
0.041
0.041
0.040
0.040
0.040
0.040
0.040
0.039
0.039
0.039
0.7
0.754
0.591
0.419
0.317
0.254
0.212
0.183
0.161
0.145
0.132
0.122
0.113
0.106
0.100
0.095
0.091
0.087
0.084
0.081
0.078
0.076
0.074
0.072
0.070
0.068
0.067
0.066
0.064
0.063
0.062
0.061
0.060
0.059
0.058
0.057
0.057
0.056
0.055
0.055
0.054
0.054
0.053
0.053
0.052
0.052
0.051
0.051
0.050
0.050
0.050
0.049
0.049
0.049
0.048
0.048
0.048
0.047
0.047
0.047
0.047
0.046
0.046
0.1
0.2
0.3
0.4
0.5
0.6
0.7
0.8
0.527
0.586
0.439
0.343
0.280
0.237
0.206
0.183
0.165
0.151
0.140
0.130
0.122
0.116
0.110
0.105
0.101
0.097
0.094
0.091
0.080
0.085
0.083
0.081
0.079
0.078
0.076
0.075
0.073
0.072
0.071
0.070
0.069
0.068
0.067
0.066
0.065
0.064
0.063
0.063
0.062
0.061
0.061
0.060
0.060
0.059
0.059
0.058
0.058
0.057
0.057
0.057
0.056
0.056
0.055
0.055
0.055
0.054
0.054
0.054
0.054
0.053
0.8
0.9
1.0
0.598
0.468
0.375
0.311
0.266
0.233
0.208
0.188
0.172
0.159
0.148
0.140
0.132
0.126
0.120
0.115
0.111
0.107
0.104
0.101
0.098
0.095
0.093
0.091
0.089
0.087
0.085
0.084
0.082
0.081
0.080
0.078
0.077
0.076
0.075
0.074
0.073
0.073
0.072
0.071
0.070
0.070
0.069
0.068
0.068
0.067
0.067
0.066
0.066
0.065
0.065
0.064
0.064
0.063
0.063
0.063
0.062
0.062
0.061
0.061
0.061
0.681
0.616
0.504
0.413
0.347
0.299
0.263
0.235
0.213
0.196
0.181
0.169
0.159
0.151
0.143
0.137
0.131
0.126
0.122
0.118
0.114
0.111
0.108
0.105
0.103
0.101
0.099
0.097
0.095
0.093
0.092
0.090
0.089
0.087
0.086
0.085
0.084
0.083
0.082
0.081
0.080
0.079
0.079
0.078
0.077
0.076
0.076
0.075
0.075
0.074
0.073
0.073
0.072
0.072
0.071
0.071
0.071
0.070
0.070
0.069
0.069
0.069
0.068
0.9
1.0
Curtosis
1.1
0.653
0.633
0.542
0.456
0.388
0.336
0.297
0.266
0.242
0.222
0.206
0.192
0.180
0.171
0.162
0.155
0.148
0.143
0.138
0.033
0.129
0.125
0.122
0.119
0.116
0.113
0.111
0.109
0.107
0.105
0.103
0.101
0.100
0.098
0.097
0.096
0.094
0.093
0.092
0.091
0.090
0.089
0.088
0.087
0.086
0.086
0.085
0.084
0.084
0.083
0.082
0.082
0.081
0.080
0.080
0.079
0.079
0.078
0.078
0.078
0.077
0.077
0.076
0.076
1.1
1.2
0.616
0.638
0.579
0.501
0.433
0.379
0.336
0.301
0.274
0.252
0.233
0.217
0.204
0.193
0.183
0.175
0.167
0.161
0.155
0.150
0.145
0.141
0.137
0.133
0.130
0.127
0.124
0.122
0.119
0.117
0.115
0.113
0.111
0.110
0.108
0.107
0.105
0.104
0.103
0.101
0.100
0.099
0.098
0.097
0.096
0.095
0.094
0.094
0.093
0.092
0.091
0.091
0.090
0.089
0.089
0.088
0.088
0.087
0.087
0.086
0.086
0.085
0.085
0.084
1.2
1.3
1.4
1.5
1.6
1.7
1.8
1.9
2.0
Tabla 2 de Pearson
0.574
0.621
0.605
0.545
0.481
0.425
0.379
0.341
0.310
0.285
0.264
0.246
0.231
0.218
0.207
0.197
0.189
0.181
0.174
0.168
0.163
0.158
0.153
0.149
0.145
0.142
0.139
0.136
0.133
0.131
0.128
0.126
0.124
0.122
0.120
0.118
0.117
0.115
0.114
0.113
0.111
0.110
0.109
0.108
0.107
0.106
0.105
0.104
0.103
0.102
0.101
0.100
0.099
0.099
0.098
0.097
0.097
0.096
0.095
0.095
0.094
0.094
0.093
1.3
0.531
0.582
0.607
0.579
0.527
0.474
0.426
0.385
0.351
0.323
0.299
0.279
0.261
0.246
0.233
0.222
0.212
0.203
0.196
0.188
0.182
0.176
0.171
0.167
0.162
0.158
0.155
0.151
0.148
0.145
0.142
0.140
0.137
0.135
0.133
0.131
0.129
0.128
0.126
0.124
0.123
0.121
0.120
0.119
0.118
0.116
0.115
0.114
0.113
0.112
0.111
0.110
0.109
0.109
0.108
0.107
0.106
0.105
0.104
0.104
0.104
0.103
1.4
0.536
0.579
0.590
0.563
0.520
0.474
0.432
0.396
0.365
0.338
0.315
0.295
0.278
0.263
0.250
0.239
0.228
0.219
0.211
0.204
0.197
0.191
0.186
0.181
0.176
0.172
0.168
0.164
0.161
0.158
0.155
0.152
0.150
0.147
0.145
0.143
0.141
0.139
0.137
0.135
0.134
0.132
0.131
0.129
0.128
0.127
0.125
0.124
0.123
0.122
0.121
0.120
0.119
0.118
0.117
0.116
0.116
0.115
0.114
0.113
1.5
0.589
0.533
0.569
0.576
0.554
0.518
0.480
0.443
0.410
0.381
0.355
0.333
0.313
0.296
0.281
0.268
0.256
0.246
0.236
0.228
0.220
0.213
0.207
0.201
0.196
0.191
0.186
0.182
0.178
0.175
0.171
0.168
0.165
0.162
0.160
0.157
0.155
0.153
0.151
0.149
0.147
0.145
0.143
0.142
0.140
0.139
0.137
0.136
0.135
0.133
0.132
0.131
0.130
0.129
0.128
0.127
0.126
0.125
0.124
1.6
0.484
0.524
0.555
0.564
0.549
0.521
0.488
0.456
0.426
0.398
0.374
0.352
0.333
0.316
0.301
0.288
0.276
0.265
0.255
0.246
0.238
0.231
0.224
0.218
0.212
0.207
0.202
0.197
0.193
0.189
0.185
0.182
0.179
0.176
0.173
0.170
0.168
0.165
0.163
0.161
0.159
0.157
0.155
0.153
0.152
0.150
0.149
0.147
0.146
0.144
0.143
0.142
0.141
0.139
0.138
0.137
0.136
1.7
0.475
0.510
0.540
0.552
0.544
0.524
0.498
0.470
0.443
0.417
0.394
0.373
0.354
0.337
0.322
0.308
0.296
0.285
0.274
0.265
0.257
0.249
0.242
0.235
0.229
0.223
0.218
0.213
0.209
0.205
0.201
0.197
0.193
0.190
0.187
0.184
0.181
0.179
0.176
0.174
0.172
0.170
0.168
0.166
0.164
0.162
0.160
0.159
0.157
0.156
0.154
0.153
0.152
0.150
0.149
1.8
0.461
0.494
0.522
0.538
0.539
0.526
0.506
0.483
0.460
0.437
0.415
0.395
0.376
0.359
0.344
0.330
0.317
0.306
0.295
0.285
0.277
0.268
0.261
0.254
0.247
0.241
0.236
0.230
0.226
0.221
0.217
0.213
0.209
0.205
0.202
0.199
0.196
0.193
0.190
0.188
0.185
0.183
0.181
0.179
0.177
0.175
0.173
0.171
0.169
0.168
0.166
0.165
0.163
1.9
0.445
0.475
0.503
0.522
0.530
0.525
0.513
0.495
0.475
0.495
0.435
0.416
0.399
0.382
0.367
0.353
0.340
0.328
0.317
0.307
0.298
0.289
0.281
0.273
0.267
0.260
0.254
0.249
0.243
0.238
0.234
0.229
0.225
0.221
0.218
0.214
0.211
0.208
0.205
0.202
0.200
0.197
0.195
0.192
0.190
0.188
0.186
0.184
0.182
0.181
0.179
2.0
-1.4
-1.2
-1.0
-0.8
-0.6
-0.4
-0.2
0.0
0.2
0.4
0.6
0.8
1.0
1.2
1.4
1.6
1.8
2.0
2.2
2.4
2.6
2.8
3.0
3.2
3.4
3.6
3.8
4.0
4.2
4.4
4.6
4.8
5.0
5.2
5.4
5.6
5.8
6.0
6.2
6.4
6.6
6.8
7.0
7.2
7.4
7.6
7.8
8.0
8.2
8.4
8.6
8.8
9.0
9.2
9.4
9.6
9.8
10.0
10.2
10.4
10.6
10.8
11.0
11.2
11.4
11.6
11.8
12.0
12.2
ndices de desemepeo
Procedimiento :
Obtener el ndice de capacidad potencial de proceso a
corto plazo (Cp) y el ndice de capacidad real de proceso
aen el largo plazo (Ppk).
Calcular el ndice de desempeo potencial de proceso
(Zcp).
Zst = 3 Cp (P/especif. Bilaterales)
Zst = 3 Cpk (P/especif. Unilaterales)
Calcular el ndice de desempeo real de proceso (Zlp):
Zlt = 3 Ppk
Calcule el ndice de desempeo entre grupos (Zshift):
Zshift = Zst - Zlt
ndices de desempeo
1.0
0.0
0.0
2.0
Zst
4.0
6.0
Capacidad/Diseo/Tecnologa
Zshift Malo
Zl
p
2.0
3.0
Bueno
=
-1
=
Zl
0
p
Zl =1
p
=
2
Zl
p
=
Zl
3
p
=
4
Zl
p
=
5
Zl
p
Zshift
Control
3.0
Analice la informacin; se consideran como

valores aceptables los siguientes:
Zlt > 3 ; Zst > 4 ; Zshift < 1.5
Control
1.0
2.0
0.0
Pobre control y
pobre capacidad
Pobre
capacidad
0.0
Malo
2.0
Zst
Pobre
control
Estado
deseado
4.0
6.0
Bueno
Capacidad/Diseo/Tecnologa
Capacidad de procesos
bajo Seis Sigma
606
Capacidad de procesos
bajo Seis Sigma
Motorola not que muchas operaciones en

productos complejos tendan a desplazarse
1.5 sobre el tiempo, por tanto un proceso
de 6 a la larga tendr 4.5 hacia uno de
los lmites de especificacin, generando 3.4
DPMOs (defectos por milln de oportunidades)
607
Variacin a Corto Plazo

(periodo durante el cual no
se presenta ningn cambio
en el proceso)
Zst = Zlt + 1.5
Variacin a largo plazo
(periodo en el cual ya se
han presentado todos
los cambios posibles en
el proceso) - Zlt
Variacin Global - Zbench.

608
Capacidad en el corto y largo

plazo
LIE
LSE
Capacidad a
Corto Plazo
3.5
2.5
Salida
1.5
Mes
Variabilidad
Total
(Natural)
E F M AM J J A S O ND E F MA MJ J A SO N D
Variabilidad
Variabilidad combinada
=entre
+
subgrupos dentro del subgrupo
Capacidad a
Largo Plazo
609
Rendimiento de la capacidad real

Recibo de partes
del proveedor
95.5% de rendimiento
1,000,000 unidades
Despus de la
inspeccin de recepcin
97%
de rendimiento
De las operaciones
45,000
Unidades
desperdiciadas
de Maquinado
28,650
Unidades
desperdiciadas
94.4% de
51,876
Unidades
desperdiciadas
En los puestos
rendimiento
de prueba 1er intento
YRT = .955*.97*.944 =
Correcto la
87.4%
125,526 unidades desperdiciadasprimera
vez
por milln de oportunidades
610
Ejemplos de defectos /
unidad
Determinar DPU en la produccin de 100 unidades
Defectos
20
10
12
Unidade
s
70
20
DPU = D/U = (20+10+12+4)/100=0.46

Si cada unidad tiene 6 oportunidades para defecto
(caractersticas A, B, C, D, E y F), calcular DPO y DPMO
DPO = DPU / O = 0.46/6 = 0.078 DPMO = 78,333
611
Relaciones de sigmas
La probabilidad de uno o ms defectos es:

P(d) = 1- Yrt = 1 FPY o P(d) = 1 Yrt para
varios procesos
Si se tiene FPY = 95% P(d) = 0.05
Entonces la Z a largo plazo se encuentra en
tablas como Zlt = 1.645 sigma y por tanto
la Zst a corto plazo es:
Zst = 1.645 + 1.5 (corrimiento) = 3.145
612
Como calcular la capacidad Seis Sigma para

un proceso (equivale a la Zst de corto plazo)?
Qu proceso se considera?
Facturacin y CxC
Cuntas unidades tiene el proceso?
1,283
Cuntas estn libres de defectos?
1,138
Calcular el desempeo del proceso
1138/1283=0.887
Calcular la tasa de defectos
1 - 0.887 = 0.113
Determinar el nmero de oportunidades
que pueden ocasionar un defecto (CTQs)
24
Calcular la tasa de defecto por caract. CTQ

0.113 / 24 = .
004709
Calcular los defectos x milln de oportunidades
DPMO =
4,709
Calcular #sigmas con tabla de conversin de sigma 4.1
613
V.F.5 Capacidad de procesos

por atributos
614
Capacidad de proceso
para datos por atributos
En este caso la capacidad del proceso es la proporcin

media de producto no conforme
Para cartas p y np, la capacidad del proceso es la p

media de fraccin no conforme. Se puede usar 1 p.
Para cartas c, la capacidad del proceso es el promedio

de las no conformidades, c media, para una muestra
fija de tamao n.
Para cartas u, la capacidad del proceso es el promedio

de las no conformidades por unidad, u media
615
Planta escondida
100 Y =0.90 90 Y =0.90 81 Y =0.90 73 Y =0.90 66
1
2
3
3
10
100
$1/Unit
Rework 10
100
$1/Unit
100
Rework 10
$1/Unit
100
100
$1/Unit
Rework 10 Rework 10
616
La eficiencia rolada
100
$1/Unit
Reproceso
YRT =
10
100
$1/Unit
Reproceso
100
10
$1/Unit
Reproceso
100
10
$1/Unit
Reproceso
100
10
=
p Y = 0.9 x 0.9 x 0.9 x 0.9 = 0.9 = 66/100 = 0.66
66%
i=1
Aproximando de Binomial a Poisson :

YRT = e- DPU = e- (40/100) = e- 0.4 = 0.67 = 67%
1 YRT = Probabilidad de un defecto/unidad = 1 0.67 = 0.33 =
33%
1 + (1 YRT) = Numero de unidades equivalentes iniciadas
para producir una unidad buena = 1 + (1 - 0.67) = 1.33 617
Costos de pobre calidad

100
$1/Unit
Rework
10
100
$1/Unit
Rework
100
10
$1/Unit
Rework
100
10
$1/Unit
Rework
100
10
Considerando :
No existe scrap ni costos de inventarios
Precio de Ventas = $5.00/Unidad
Por lo tanto :
Como el nmero de unidades equivalentes iniciadas para producir

una unidad buena = 1.33
Costo de producir una unidad buena = 1.33*$4 = $5.32
Utilidades = $5.00 - $5.32 = -$0.32/Unidad
COPQ = ($5.32-$4.00)/$5.00 = 26.4% de las ventas
618
Eficiencias y DPMOs PPMs

El desempeo de un proceso tambin puede ser
expresado en trminos de eficiencia. Las 3
eficiencias ms usadas son :
Eficiencia de primer paso (bien a la primera vez),
eficiencia final (Yfinal) o First Time Yield (YFT)
Eficiencia rolada o Rolled-Throughput Yield (YRT)
Eficiencia Normalizada (Ynorm)
619
Eficiencia de primer paso (bien a la primera

vez),
eficiencia final (Yfinal) o First Time
Yield
(YFT)
=
Yfinal
Nmero de unidades buenas antes de

retrabajo
Nmero de unidades probadas evaluadas
620

Eficiencia rolada o Rolled-Throughput Yield
(YRT)
S1
S2
S3
.... Sn-1 Yn=Sn/Sn-1 Sn
Y1=S1/E
Y2=S2/S1
Y3=S3/S2
.
Para datos
continuos :
YRT = p Yi = Y1 x Y2 x Y3 x....x Yn
i=1
Donde : Y1, Y2, Y3,...., Yn son first time Yield de los

pasos 1, 2, 3,...,n
Para datos discretos (Aproximacin de Binomial a Poisson) :
YRT = e-TDPU
m
-(DPO)
YRT = e
Donde :
e = 2.71828182845
m = Nmero de oportunidades
621
por

Clculo de la Eficiencia Normalizada (Ynorm) :
Eficiencia Normalizada (Ynorm)

Ynorm = (YRT)1/k
Clculo de DPU a partir de la Eficiencia :

DPU = 1 - Y
Eficiencia a partir de PPMs :
Y = 1 (PPM/1000,000)
622
V.F.7 Desempeo de proceso

vs especificaciones
623
Smbolos utilizados
D = Defectos
U = Unidades
O = Oportunidades para defecto

Yrt = Rendimiento (lo bueno)
Relaciones de defectos:
Total de oportunidades = TO = TOP = U x O
Defectos por unidad = DPU = D/U = - ln (Y)
Defectos por unidad normalizada = -ln (Y norm)
Defectos por oportunidad = DPU/O = D/ (U xO)
Defectos por milln de oportunidades = DPMO =
DPO x 1 milln
624
Relaciones con el
rendimiento Y
La probabilidad de encontrar X defectos con la

distribucin de Poisson es:
X es un entero y DPU > 0

Para el caso de que X sea cero se tiene
Rendimiento o FRC = P(X=0) = Exp(-DPU)

625
Frmulas de desempeo
626
Rolled Troughput Yield (Yrt)
Yrt es el clculo acumulativo del ndice de

defectos a lo largo de procesos mltiples
La probabilidad de un defecto es 1 P(Yrt) =

0.05
627
Tablero de control
de variable discreta
Se utiliza cuando se va a evaluar el desempeo de
un CTQ, pero hay desempeos parciales en el
tiempo.
Defina el defecto, la unidad y el nmero de

oportunidades por unidad
Defina que es un corto plazo
Evale el desempeo en DPMO y Z del CTQ en

varios (k) cortos plazos
628
Tablero de control
Evale el desempeo en DPMO del largo plazo,

considerando lo siguiente
Dlt = S Dsti
i=1
TotOplt = S
i=1
Donde :
Dlt = Defectos de largo plazo
[Ui*(Op/U)i ]Dst = Defectos de corto plazo
U = Nmero de unidades
DPMOlt = Dlt .* 106 Op/U = Oportunidades por unidad

TotOplt
TotOp = Total de oportunidades
DPMOlt = Defectos por Milln de Oportunid

k = Nmero total de caractersticas crtica
629
Tablero de control
Con los DPMOlt evale la Zlt

Identifique la Z de corto plazo ms pequea y
sta ser la Zst
Calcule la Zshift considerando que :
Zshift = Zst - Zlt
630
Tablero de control
de variable continua
un CTQ, pero hay desempeos parciales en el
tiempo.
Determine la variable y los Lmites de
Especificacin
Defina que es un periodo de tiempo
Recolecte datos de cada periodo y calcule la

desviacin estndar de Corto plazo (Sst) y las
PPMs de cada periodo de tiempo
Calcule la Zst y Zlt de cada periodo de tiempo
631
Tablero de control
Calcule la Sst total del CTQ mediante:
sst =
Donde : n = Nmero Total de Datos
j=1(nj-1)
sj2(n-g) j
nj = Nmero de datos del grupo

sj = Desviacin Estndar del
grupo j
Calcule la Zst total del

g = CTQ
Nmero de grupos
Calcule los PPMs totales mediante un
promedio ponderado
632
Tablero de control
PPM = Sni PPMi
k
i=1
Donde : PPM = PPM Totales

PPMj = PPMs del periodo i
ni = Nmero de datos del
periodo i
N =obtenga
Nmero total
de datos
PPMs totales
Zlt total
del
Con los
CTQ
633
Tablero de control
Con los DPMOlt evale la Zlt

Identifique la Z de corto plazo ms pequea y
sta ser la Zst
Zshift = Zst - Zlt
634
Tablero de control
de variable mltiple
un Producto, Proceso Sistema a partir del
desempeo de varios CTSs, CTQs CTPs
Defina el Producto, Proceso Sistema a evaluar
Identifique los CTSs, CTQs CTPs del Sistema

a evaluar
Evale de forma individual cada CTS, CTQ

CTP en trminos de DPMOlt
635
Tablero de control
de variable mltiple
Calcule la eficiencia (Yftlt) de cada CTS, CTQ

CTP considerando que:
yftlti = 1 DPMOlti
106
Donde :
yftlt = Eficiencia de la caracterstica crtica i
i
DPMOlt = Defectos por Milln de Op. de la cara

i
Evale desempeo potencial de cada

caracterstica crtica expresado en DPMOst, el
cual se puede obtener a partir de la Zst los
menores DPMO que el proceso ha demostrado
generar a corto plazo.
636
Tablero de control
de variable mltiple
Calcule la eficiencia (yftst) de cada CTS, CTQ CTP considerando que
:
yftsti = 1 DPMOsti
106
Calcule las eficiencias roladas (YRT) de Corto (st) y largo plazo (lt)
del Producto, Proceso Sistema mediante :
k
Donde :
YRTlt = iP= 1 yftlti
YRTlt = Eficiencia rolada total del sistema
YRTst = Eficiencia rolada potencial del sistema
k
YRTst = iP= 1 yftsti
yftlti = Eficiencia de la caracterstica crtica i
yftsti = Eficiencia potencial de la caracterstica
637
Tablero de control
de variable mltiple
Calcule la Eficiencia Normalizada (ynorm) de corto (st) y largo
plazo
(lt)
Y
=:
Y
= (Y )1/k
normst
normlt
RTlt
(Y
)1/k de que cada Caracterstica Crtica tenga un diferente
EnRTst
caso
nivel de importancia, entonces la Eficiencia Normalizada se
puede obtener ponderando las eficiencias de cada
Caracterstica usando la siguiente frmula :
(1/Ii)
Ynorm = (d1I1) x (d2I2) x x (dnIn)

I es la importancia. La caracterstica crtica con
mayor valor de I es ponderado con mayor peso al
calcular el valor total compuesto Y
638
Tablero de control
de variable mltiple
Calcule los DPMO totales del sistema

mediante:
DPMOst = (1 Ynormst)*106
DPMOlt = (1 Ynormlt)*106
Con los DPMOst obtenga la Zst, con los DPMOlt

obtenga la Zlt
Calcule la Zshift del sistema mediante :
Zshift = Zst - Zlt
639

Seissigmabbmedicion 090819174846 Phpapp02

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

Seissigmabbmedicion 090819174846 Phpapp02

Încărcat de

Drepturi de autor:

Formate disponibile

Programa de certificacin

de Black Belts ASQ

VI. Seis Sigma - Medicin

Determinar req. de informacin para el

VI. Seis Sigma - Medicin

VI.A Caractersticas del

VI.A Caractersticas del proceso

VI.A.1 Variables de entrada y

Mapa de procesos SIPOC

Elementos de procesos SIPOC

Un cambio en la Salida debe estar relacionado con

Matriz de causa efecto

Matriz de causa efecto

Antes de mejorar un proceso, primero debe medirse,

VI.A.2 Mtricas de flujo de

Panel Andon dispositivo de control visual en un

Flujo de manufactura continua (CFM) proceso

Tiempo de ciclo tiempo para completar un

Vueltas de inventario nmero de veces que se

JIT sistema para producir los artculos

Nivelacin de carga balanceo de las cargas de

Muda cualquier actividad que consuma

Sin valor agregado cualquier actividad que no

Perfeccin eliminacin completa de muda

Punto de uso del inventario inventario surtido

Poka Yoke dispositivo o procedimiento a prueba

Diagrama de flujo del proceso Diagrama del

Jalar (Pull) sistema en que el proveedor

Tiempo en cola el tiempo de espera de un

SMED (Single Minute Exchange of Die) tcnicas

Flujo de una sola pieza una situacin donde un

Matriz de habilidades control visual de celda de

Principio de lotes pequeos reduccin efectiva de

Trabajo estandarizado descripcin de cada

Takt Time tiempo disponible de produccin

Cadena de valor actividades especficas

Control visual colocacin a la vista de todas las

Muda toda la sobreproduccin, esperas,

Celda de trabajo o manufactura acomodo de

Centro de trabajo estacin de trabajo en una

Womack sugiere convertir la planta de produccin masiva a

Identificar la cadena de valor para cada producto

Hacer el flujo de valor

Permitir que el cliente jale valor del proveedor

El valor es definido por el cliente

En EUA los gerentes no tienen contacto con

En Alemania se hace nfasis en el producto y

En Japn se enfocan a crear valor desde la

El valor es definido por el cliente

El cliente quiere productos especficos, con

El costo objetivo es una mezcla de de los

Se pueden maximizar los beneficios de reducir

La solucin de problemas (nuevos productos)

En Lean se analiza un solo producto, para reduccin

El mapa de cadena de valor se crea para

Agrega valor de acuerdo a la percepcin del

Lean sugiere cambiar de proceso en lotes a

Siempre se ha trabajado en lotes

Para un flujo continuo o flujo de una pieza se

Usar celdas de manufactura en U, el operador

Con el TPM se esperan cero fallas en mquinas

El nivel de calidad es muy alto con Poka Yokes

La programacin de la produccin es suave, de