Documentos de Académico
Documentos de Profesional
Documentos de Cultura
SPC - 1-Herramientas para La Planificacion de Calidad
SPC - 1-Herramientas para La Planificacion de Calidad
C1
7,05
6,95
6,85
6,75
6,65
10
20
30
Observation
Number of runs about median:
Expected number of runs:
Longest run about median:
Approx P-Value for Clustering:
Approx P-Value for Mixtures:
17,0000
15,9333
3,0000
0,6548
0,3452
17,0000
19,6667
3,0000
0,1168
0,8832
I-1
Demasiadas
rachas: la lnea
negra cruza
muchas veces la
mediana
Datos M ezclados
C2
7 ,2
6 ,7
a u s e n cia d e p u n to s
ce rca d e la ln e a ce n tra l
6 ,2
10
20
30
O bs ervation
N um ber of runs about m edian:
Expected num ber of runs:
Longest run about m edian:
Appr ox P-Value for C luster ing:
Appr ox P-Value for M ixtures:
23,0000
16,4839
2,0000
0,9914
0,0086
22,0000
20,3333
3,0000
0,7678
0,2322
Insuficientes
rachas: la lnea
negra cruza pocas
veces la mediana
D atos E stratificados
7 ,2 8
7 ,1 8
g ru p o s d e p u n to s e n u n re a
C3
7 ,0 8
6 ,9 8
6 ,8 8
6 ,7 8
6 ,6 8
10
20
30
O bs ervation
N um ber of r uns about m edian:
Expected num ber of r uns:
Longest r un about m edian:
Approx P-Value for C luster ing:
Approx P-Value for M ixtures:
9,0000
16,0000
6,0000
0,0046
0,9954
19,0000
19,6667
4,0000
0,3829
0,6171
I-2
Los dos tests restantes se basan en el nmero de rachas crecientes y decrecientes. En este caso, una racha
es un conjunto de puntos consecutivos situados en la misma direccin (formando un tramo creciente o
decreciente). As, una nueva racha comenzar cada vez que la lnea que une los puntos pase de ser creciente a
decreciente o viceversa. Estos contrastes son sensibles a dos tipos de comportamientos no aleatorios: las
oscilaciones y las tendencias. Si el nmero de rachas observadas es significativamente mayor que las
esperadas (bajo la hiptesis nula), entonces habr indicios de la existencia de oscilaciones en los datos. Si el
nmero de rachas observadas es significativamente menor que el esperado, habr indicios de tendencias.
Ninguno de los grficos anteriores presentaban indicios de que los datos sufriesen oscilaciones ni que
siguiesen tendencias determinadas.
A continuacin se muestran dos casos tpicos de datos con problemas de oscilaciones y tendencias:
Demasiadas
rachas: la lnea
negra oscila arriba
y abajo con
mucha frecuencia
7,15
C4
7,05
6,95
6,85
6,75
6,65
10
20
30
Observati on
N umber of runs abo ut median:
16,0000
25,0000
16,0000
4,000 0
19,6667
3,000 0
0,500 0
0,500 0
0,991 4
0,008 6
Insuficientes
rachas: la lnea
negra muestra
tendencias
crecientes o
decrecientes
C5
7,08
6,98
6,88
6,78
Tendencia as cendente
6,68
20
30
40
Observation
Num ber of runs about median:
Expected number of runs:
Longest run about median:
Approx P-Value for Clustering:
Approx P-Value for M ixtures:
12,0000
15,4828
7,0000
0,0936
0,9064
16,0000
19,0000
5,0000
0,0862
0,9138
I-3
I-4
Radiacin
45
35
25
10
Subgroup Number
Number of runs about median:
Expected number of runs:
Longest run about median:
Approx P-Value for Clustering:
Approx P-Value for Mixtures:
3,00000
6,00000
5,00000
0,02209
0,97791
5,00000
6,33333
3,00000
0,13455
0,86545
El test para la estratificacin es significativo al nivel 0,05 (el p-valor asociado es de 0,02). Por tanto,
hemos de concluir que hay indicios de que nuestro proceso se est viendo afectado por causas especiales,
las cuales deberamos investigar antes de seguir. La estratificacin de los datos suele ser sntoma de
problemas en el muestreo o en los procesos de medicin.
GRFICOS DE PARETO_____________________________________________
Un grfico de Pareto es un diagrama de barras en el que el eje horizontal representa categoras de inters,
generalmente causas de fallos o defectos (los cuales pretendemos eliminar). Las barras se ordenan de mayor a
menor, lo que nos permite diferenciar aquellas pocas causas importantes de las muchas causas
intranscendentes. El grfico contiene tambin una lnea de porcentajes acumulativos, la cual nos ayuda a
determinar la contribucin de cada categora al nmero total de fallos o defectos. Este tipo de grficos resulta
muy til en la identificacin de aquellas causas cuya eliminacin es prioritaria por suponer un elevado
porcentaje del total de fallos o defectos.
Ejemplo Pareto: Supongamos que nuestra empresa fabrica estanteras con componentes metlicos y
de madera. Realizamos un control final en el cual algunas estanteras son retiradas antes de
comercializarse debido a araazos, astillas, dobleces, o abolladuras. Nuestra intencin es realizar un
grfico de Pareto que nos permita identificar cul de los defectos anteriores es el principal causante de
estanteras retiradas. Usaremos los datos contenidos en el archivo controlfinal.mtw .
Seleccionar Stat > Quality Tools > Pareto Chart :
Rellenamos los campos como se indica a continuacin:
I-5
100
Count
60
4
40
3
2
Percent
80
20
0
s
azo
D efec t
a
Ar
Count
Pe rce n t
Cum %
4
5 0 ,0
5 0 ,0
as
ti l l
As
2
2 5 ,0
7 5 ,0
o ll
Ab
ur
ad
1
1 2 ,5
8 7 ,5
as
b le
Do
ce s
1
1 2 ,5
1 0 0 ,0
A partir del grfico anterior podemos concluir que un 75% de las estanteras retiradas muestran defectos
o bien de araazos o bien de astillas, mientras que slo un 25% de las estanteras son retiradas a causa de
dobleces o abolladuras. Ello nos da una pista sobre qu tipos de defectos cabe evitar de forma prioritaria:
deberemos centrar nuestros esfuerzos en eliminar las posibles causas de araazos y astillas.
I-6
D ia g ra m a C a u s a -E fe c to p a ra E n c u e s ta s P ro fe s o ra d o
Me a s u re m e n ts
Ma te ria ls
E x a c t it u d
Me n
F o rm u la rio s
E s t u d ia n t e s
L p ic e s
Tie m p o
E n c u e s t a d o re s
H o ja s re s u m e n
P ro f e s o re s
P ro ce s o n o a d e cu a d o
I m p re s o ra s
H um edad
P ro c e s a m ie n t o
P ro g ra m a s
C a lu ro s o
O rd e n a d o re s
R u id o s o
E n viro n m e n t
I n s t ru c c io n e s
Es c ner
Me th o d s
Ma c h in e s
I-7
M u lti-V a ri C h a rt fo r R e s is te n c ia B y T ie m p o P ro c e - T ip o A le a c i
T ie m p o P ro c e
100
23,5
150
200
Resistencia
22,5
21,5
20,5
19,5
18,5
17,5
15
18
21
T ip o Ale a c i
A partir del grfico anterior se observa que hay indicios de interaccin entre el tipo de aleacin y la
duracin temporal del proceso: en el caso de la aleacin de tipo 15, la mayor resistencia se obtiene para
procesos de 100 minutos; en el caso de la aleacin de tipo 18, la obtendremos para procesos de 150
minutos; finalmente, en el caso de aleaciones de tipo 21, los procesos de 200 minutos son los que
posibilitan una mayor resistencia.
I-8
GRFICOS DE SIMETRA____________________________________________
Los grficos de simetra nos servirn para determinar si las observaciones muestrales obtenidas
provienen o no de una distribucin simtrica. Varios mtodos estadsticos suponen que los datos provienen de
una distribucin normal, aunque en muchos casos este supuesto no es imprescindible siempre que la
distribucin poblacional sea simtrica. Tambin es usual el supuesto de simetra en los mtodos no
paramtricos.
Para construir un grfico de simetra se forman pares ordenados de observaciones: el primer par estar
formado por las dos observaciones, una superior a la mediana y la otra inferior, ms cercanas a la mediana; el
segundo par consistir de las dos observaciones, una superior a la mediana y la otra inferior, ms cercanas a la
mediana de entre las restantes (exceptuando las ya consideradas); etc. Para cada par de observaciones
consideramos un punto cuya primera coordenada ser la distancia entre la observacin superior a la mediana y
la mediana, y cuya segunda coordenada ser la distancia entre la observacin inferior a la mediana y la
mediana. Obtendremos as una nube de puntos. Si los datos siguen una distribucin simtrica, las coordenadas
X e Y sern aproximadamente igual para todos los puntos, por lo que stos deberan seguir una lnea recta de
45. As, cuanto ms simtrica sea la distribucin, tanto ms se aproximarn los puntos a la mencionada lnea.
Notar que, incluso para observaciones que se distribuyan de forma normal, es de esperar encontrar
puntos que se siten por encima y por debajo de la recta. Lo importante, pues, es comprobar si los puntos
divergen sustancialmente o no de dicha recta. Observando estos grficos ser posible detectar distintos tipos
de asimetras: si los puntos divergen por encima de la lnea (coordenada Y mayor que la X), la distribucin
estar sesgada a la izquierda; por otro lado, si los puntos divergen por debajo de la lnea (coordenada X mayor
que la Y), la distribucin estar sesgada a la derecha. Finalmente, la existencia de puntos divergentes en el
extremo superior derecho del grfico (donde las distancias son grandes) denotar cierto grado de asimetra en
las colas de la distribucin.
Conviene recordar que, para poder extraer conclusiones sobre la simetra o asimetra de una distribucin,
ser necesario disponer de un nmero suficientemente grande de observaciones (al menos 25 o 30).
Ejemplo Grfico de Simetra: Queremos comprobar si los datos del archivo simetra.mtw
siguen una distribucin aproximadamente simtrica:
Seleccionar Stat > Quality Tools > Symmetry Plot:
Rellenamos los campos como se indica a continuacin:
I-9
S y m m e try P lo t fo r F a llo s
20
10
-1 ,5
0 ,0
1 ,5
3 ,0
U p p e r D is ta n ce to Me d ia n
El grfico anterior nos muestra una distribucin bastante simtrica. Observar la existencia de puntos por
encima de la lnea en la esquina superior derecha, lo que nos indica que la cola izquierda es ligeramente
ms larga que la derecha. Los puntos del grfico no divergen de la lnea, por lo que el sesgo a la
izquierda no es muy acentuado (como se observa en el histograma adjunto).
I - 10