Documentos de Académico
Documentos de Profesional
Documentos de Cultura
PROCESOS
INDICE
1.- INTRODUCCIN A LA PROBABILIDAD
2 .- CONCEPTOS ESTADSTICOS FUNDAMENTALES
Poblacin estadstica
La Distribucin de Frecuencias
Medidas de Dispersin
Muestreo Aleatorio
Generalidades
La Distribucin Normal
La Distribucin T de Student
Distribucin binomial
Distribucin de Poisson
Contraste de medias.
6 .- CONTROL DE PROCESO
Control de proceso
Variables y atributos
Subgrupos racionales
Introduccin.
Grficos de control (
, R)
, R)
, R)
Grficos de control (
, R)
, S)
Introduccin
Introduccin
Anlisis de defectos
Grfico U
Experimento 1:
Se lanza un dado y se anota el nmero que
aparece en la cara superior.
Experimento 2:
Se arroja una moneda cuatro veces y se anota
la sucesin de caras y cruces obtenidas.
Experimento 3:
Se fabrican artculos en una lnea de produccin y se cuenta el nmero de
artculos defectuosos producidos en 24 horas.
En todos estos casos, el resultado del experimento no se puede predecir con
absoluta certeza. Hay varios resultados posibles cada vez que se realiza la
experiencia.
Para cada experimento del tipo que estamos considerando, se define el Espacio
Muestral como el conjunto de todos los resultados posibles que pueden producirse
al realizar el experimento.
Los espacios muestrales respectivos son :
S1 = {1,2,3,4,5,6}
S2 = {cccc, xccc, cxcc, ccxc, cccx, xxcc, xcxc, xccx, cxcx, ccxx, xxxc, xxcx, cxxx,
xcxx, xxxx}
S3 = {1,2,3,, N} ; N mximo de artculos producidos en 24 horas.
Un Suceso, respecto a un espacio muestral S asociado con determinado
experimento, es un subconjunto de resultados del espacio muestral. El conjunto
vaco, el formado por un solo elemento y el formado por todos los elementos del
espacio muestral son tambin sucesos.
Vemos entonces que, dado un experimento aleatorio cualquiera, hay un espacio
muestral asociado cuyos elementos son todos los resultados que se pueden
obtener de la experiencia. Un subgrupo o subconjunto de resultados es un suceso.
Ahora, cmo podemos saber si la posibilidad de que ocurra un suceso es grande
o pequea? Por ejemplo, si arrojamos un dado, cmo podemos calcular la
probabilidad de que salga un 2 ?. Para esto necesitamos un nmero asociado con
cada suceso, al cual se lo denomina probabilidad del suceso. Entonces, la
probabilidad P de un suceso es un nmero entre 0 y 1, que nos dice en que
medida es posible que ocurra el suceso. Si la probabilidad es 1 significa que el
suceso ocurrir con toda certeza. Si la probabilidad es 0,5 significa que un suceso
puede ocurrir o puede no ocurrir con la misma probabilidad. Probabilidad 0 quiere
decir que el suceso es imposible que ocurra. Cmo podemos calcular la
Probabilidad de un suceso?
algunos
ejemplos.
Supongamos que se arroja un dado sobre una mesa y apostamos a que salga un
nmero igual o menor que 4. Sabemos que son igualmente posibles los nmeros:
{1, 2, 3, 4, 5 y 6} (Espacio muestral con 6 elementos).
Pero los nmeros favorables a nuestra apuesta son: {1, 2, 3 y 4} (Suceso con 4
elementos). Entonces, la probabilidad de que ganemos es P = 4/6 = 0,666
Es decir que tenemos a nuestro favor una probabilidad de 0,666.. (o sea
aproximadamente
del
67
%).
Si apostamos a un slo nmero (sacar un As), la probabilidad de ganar sera P =
1/6
=
0,1666
Repitiendo, la probabilidad es un nmero entre 0 y 1, que nos dice en que medida
es posible que ocurra un suceso.
primas, a la misma temperatura, manejada por el mismo operario, etc.) ...y a cada
pieza que produce se le mide la altura tendramos un conjunto muy grande de
resultados numricos. Ese conjunto muy grande de resultados numricos que no
existe, pero que podra obtenerse en esas condiciones es el universo o poblacin
del cual extrajimos la muestra de 5 observaciones.
Veamos otro ejemplo. Supongamos que el sindicato de
la industria textil desea saber cual es el sueldo medio
de un operario en esa industria. Entonces, encarga una
encuesta a una empresa especializada, que entrevista a
20 operarios de la industria textil y averigua sus
salarios.
Estos datos son una muestra de 20 observaciones del universo o poblacin
formado por los salarios de todos los operarios de la industria textil del pas.
Aunque el encuestador no disponga de esos datos, sabemos que existen miles de
operarios que ganan un salario determinado y por lo tanto podemos hablar de un
universo o poblacin cuyos elementos son los salarios de los operarios de la
industria textil en el pas. Adems, esa poblacin de datos es seguramente
diferente de la poblacin de salarios de los operarios de la industria textil inglesa o
brasilea (Usando una misma moneda de referencia).
Qu representa una Poblacin de datos? El anlisis estadstico de una poblacin
o universo de datos tiene como objetivo final descubrir las caractersticas y
propiedades de aquello que gener los datos. Por ejemplo, se tiene una poblacin
de escolares (Poblacin fsica, poblacin humana) y se les mide la altura. El
conjunto de datos de altura constituye una poblacin o universo estadstico.
El anlisis de estos datos de altura
(Universo estadstico) sirve para
caracterizar y estudiar a la
poblacin de estudiantes (Que no
es una Poblacin estadstica).
Supongamos que un instituto
dedicado a estudios econmicos
ha realizado una encuesta de
ingresos en el pas. El universo de
datos generados por la encuesta
sirve a los fines de caracterizar a
la poblacin fsica, a la poblacin
real del pas, desde un punto de
vista econmico.
Un ingeniero controla un proceso industrial, que genera a diario muchos lotes de
Los residuos tambin nos dan una idea de la dispersin de las observaciones
individuales alrededor del promedio. Si el valor absoluto (El valor numrico sin el
signo) de los residuos es grande, es porque los valores estn muy dispersos. Si el
valor absoluto de los residuos es pequeo, significa que las observaciones
individuales estn muy cerca del promedio, y por lo tanto, hay poca dispersin.
Pero nosotros necesitamos un slo nmero que nos provea informacin acerca de
la dispersin de los valores. Si sumamos los residuos, como algunos son positivos
y otros negativos, se cancelaran entre s, con lo cual perdemos la informacin
acerca de la dispersin. Entonces, los elevamos al cuadrado:
observaciones.
Pero si dividimos la suma de cuadrados por N, tenemos un nmero que es
independiente del nmero de observaciones, que se denomina Varianza:
En
nuestro
caso:
Por
se
utiliza
la
raz
lo
cuadrada
de
la
varianza:
tanto:
de Weisbull, etc. Cada una de ellas tiene su propio campo de aplicacin, que se
sostiene en un determinado comportamiento de los fenmenos, y al aplicarla se
est haciendo en forma implcita la suposicin de que se cumplen las suposiciones
del modelo subyacente.
La Distribucin Normal
Una distribucin muy
importante es la
Distribucin Normal o de
Gauss.
La ecuacin matemtica
de la funcin de Gauss es
la siguiente:
La distribucin normal es una curva con forma de campana, con eje de simetra en
el punto correspondiente al promedio del universo . La distancia entre el eje de
simetra de la campana y el punto de inflexin de la curva es igual a , la
desviacin standard de la poblacin.
El rea total debajo de la curva es igual a 1. El rea debajo de la curva
comprendida entre y es aproximadamente igual a 0,68 del rea total;
entre y es aproximadamente igual a 0,95 del rea total:
Es importante ver que los nicos parmetros necesarios para dibujar el grfico de
la distribucin normal son y (Media y desviacin standard de la poblacin). Con
estos dos parmetros sabemos donde situar la campana de Gauss (En el punto
correspondiente a la media) y cual es su ancho (Determinado por la desviacin
standard).
Cuando nos encontramos con una poblacin de observaciones, si podemos
afirmar que la distribucin correspondiente es normal, slo hace falta estimar la
media y la desviacin standard para tener toda la informacin necesaria acerca de
dicha poblacin.
La Distribucin Normal Standard
Podemos escribir la frmula de la distribucin normal de la siguiente manera:
con
Esta es la frmula de la Distribucin Normal Standard o Tipificada. Como podemos
Distribucin
La
Distribucin de Poisson
T
Distribucin
de
Student
binomial
Escoger un estadstico
concreto.
Y, a partir de ah, decidir si, con los datos que poseemos de la muestra, tenemos
caracterizada a la poblacin.
Herramientas para contrastar hiptesis
Los dos tipos de distribuciones ms importantes, aunque no nicos, para el
contraste de hiptesis, son las distribuciones Normal y T-Student, que hemos visto
en el captulo anterior.
El contraste de hiptesis es un conjunto de reglas que nos permiten decidir cul de
entre dos hiptesis debe ser aceptada como cierta en base a los resultados
obtenidos en una observacin muestral. Se conocen como hiptesis nula (Ho) e
hiptesis alternativa (Ha).
La hiptesis nula puede mantenerse mientras los datos no indiquen su falsedad; la
hiptesis nula nunca se puede afirmar , solo podremos aceptarla o rechazarla. Por
lo tanto trataremos de decidir si la informacin muestral que poseemos est en
consonancia con Ho, o bien nos permite rechazar esa creencia con lo que
aceptaremos Ha.
Podemos distinguir entre dos tipos de hiptesis:
Con lo que podemos observar que el estadstico se sita en la regin crtica y ,por
lo tanto no sigue el criterio de aceptacin de la hiptesis nula.
De ese modo, rechazaramos la hiptesis H o de que = 14 y concluimos que a un
nivel 0.05 el tiempo medio de eliminar la inflamacin por este antiinflamatorio es
superior
a
14
minutos.
Estadstico
Proceso
Variables y atributos
bajo
de
control
Procesos
estadstico
como estimador de m y
como estimador de s entonces los
lmites de control del grfico de medias quedaran:
Za/2 lo obtendramos de las tablas de Distribucin Normal (Tabla I), una vez elegido
a (error tipo I).
Normalmente Za/2 = 3 (a = 0,0027), en este caso la cantidad
tabulada y el calculo de los lmites de control da:
,R
,R
esta
Conceptualmente debemos
considerar que cualquier variacin en
las condiciones de un proceso
(Modificacin en el equipo, cambio de
materias primas, etc.) da lugar a otro
proceso, diferente del anterior.
El primer paso para aplicar una tcnica estadstica es definir la caracterstica de
calidad que se va a medir en el producto fabricado. Desde el punto de vista
estadstico, esta caracterstica de calidad constituye una variable aleatoria, porque
an despus de realizar una serie de mediciones, el valor que se obtendra en la
siguiente medicin no puede predecirse por clculo.
El conjunto de todos los resultados de mediciones que pueden obtenerse es
nuestro universo o poblacin. Cualquier subconjunto de mediciones extrado del
universo constituye una muestra. Con respecto al concepto de universo o
poblacin, cuando se aplica a resultados de mediciones en un proceso, es
necesario puntualizar lo siguiente: La poblacin o universo de resultados es el
conjunto de datos que se obtuvieron hasta ese momento mas aquellos que se
obtendran si el proceso continuara funcionando siempre bajo las mismas
condiciones. Esto se conoce como Universo Hipottico de mediciones de la
caracterstica de calidad.
Antes de aplicar cualquier tcnica estadstica, es necesario establecer algunas
hiptesis bajo las cuales se va a desarrollar el anlisis. En primer lugar, vamos a
suponer que la caracterstica de calidad (Variable aleatoria) es continua y de
distribucin normal. En segundo lugar, consideraremos que el proceso est bajo
control estadstico, es decir que la variabilidad se debe solamente a un sistema
constante de causas aleatorias (No intervienen causas asignables).
Al realizar una sucesin de mediciones de la caracterstica de calidad sobre
muestras del producto fabricado, encontramos que los valores fluctan alrededor
de un valor central. Esto es lo que llamamos la fluctuacin natural y esperable del
proceso. Esta variacin de la caracterstica de calidad medida se debe a un
conjunto muy grande de causas que afectan el proceso, cuyo efecto individual es
pequeo y que actan en forma aleatoria (Sistema constante de causas
aleatorias). La fluctuacin natural del proceso es inherente al mismo y no puede
eliminarse, slo puede reducirse realizando modificaciones al proceso mismo, lo
cual significa, como ya hemos dicho, trabajar con otro proceso. La fluctuacin
natural de un proceso puede cuantificarse a travs de la desviacin standard del
mismo, con la cual podemos calcular Lmites de Tolerancia Natural del proceso.
Se debe insistir en que estos lmites no pueden fijarse voluntariamente, dependen
del proceso y de las variables no controlables del mismo. Generalmente se toma
un rango para la fluctuacin natural de 6 sigmas.
Los Lmites de Especificacin de un producto son fijados voluntariamente por el
cliente, por el fabricante o por alguna norma. Estos lmites constituyen un requisito
a cumplir por el producto y no deben confundirse en ningn caso con los Lmites
de Control o con los Lmites de Tolerancia Natural del proceso.
La Capacidad de un proceso es la aptitud para generar un producto que cumpla
con determinadas especificaciones. En el mejor de los casos, es conveniente que
los Lmites de Tolerancia Natural del proceso se encuentren dentro de los Lmites
de Especificacin del producto. De esta manera nos aseguramos que toda la
produccin cumplir con las especificaciones.
Para analizar la capacidad del proceso se puede utilizar un histograma de
frecuencias. Si se dispusiera de todos los datos del universo para la caracterstica
de calidad medida y se hiciera un histograma este permitira tener una idea exacta
de la fluctuacin natural del proceso. Como esto es imposible, es necesario tomar
un cierto nmero de mediciones (Mnimo 100-200) y efectuar con ellas un
histograma de frecuencias.
Este es el histograma de una muestra y por lo tanto es slo una estimacin del
verdadero histograma del universo. Si representamos en las abscisas los Lmites
de Especificacin del producto, podemos ver grficamente si el proceso tiene
aptitud (Capacidad) para fabricar dicho producto.
n = 56
Los lmites 3 son los que se usan con ms frecuencia aunque pueden adaptarse
otros ms sensibles a costa de exponerse a situaciones ms frecuentes de falsa
alarma.
A veces, suelen usarse limites ms estrechos (por ejemplo 2 ) dentro de una
situacin de urgencia para mejorar la calidad de un proceso. Estos lmites deben
utilizarse con precaucin porque las falsas alarmas destruyen la confianza de los
operadores en los grficos de control.
Hay que tener en cuenta que los lmites de control estudiados se basan en la
distribucin binomial que considera constante la proporcin defectuosa p y que
los valores sucesivos son independientes. En procesos en los que las unidades no
conformes estn agrupadas o en los que la probabilidad de producir una unidad
defectuosa depende de que la anterior unidad producida haya sido no defectuosa,
no son aplicables este tipo de grficos.
Deben examinarse con cuidado aquellos puntos situados por debajo del lmite de
control inferior. Estos puntos no suelen ser lo que aparentemente indican: Una
mejora en la calidad del proceso por disminucin de a sino que suelen originarse
por errores en la inspeccin o por causa de aparatos de medida mal calibrados.
Tambin puede deberse a que los operadores hayan registrado datos ficticios para
cubrir su responsabilidad.
lnea tan cerca del puesto de trabajo como sea posible, as, la
informacin llegar con rapidez. Adems, las personas
responsables de produccin tendrn la responsabilidad directa
de recoger datos, realizar los grficos e interpretar resultados.
Los operadores e ingenieros que trabajan en el proceso
disponen del conocimiento del mismo necesario para corregir
fallos y utilizar el grfico como una herramienta para mejorar
la calidad. Los ordenadores facilitan enormemente la rapidez
de clculos y presentacin de grficos por lo que no pueden
faltar en ningn procedimiento moderno de control estadstico
del proceso.
B) Seleccin del grfico adecuado
Grficos , R (o , S); Solo para variables cuantitativas.
Los grficos por variables se utilizan en los casos siguientes:
a) Comienza un nuevo proceso, o un nuevo producto va a
fabricarse en un proceso existente.
b) El proceso tiene continuos problemas o es incapaz de
cumplir las tolerancias especificadas.
c) La verificacin de la calidad producida requiere ensayos
destructivos o costosos procedimientos de ensayo.
d) Se desea reducir la inspeccin por desmuestre y otras
verificaciones sobre el producto al mnimo
e) Se han utilizado, sin resultado, grficos de control por
atributos.
f) Procesos con especificaciones muy estrechas.
g) Situaciones en las que el operador debe decidir si ajusta o
no el proceso.
h) Cuando ha de demostrarse ante el cliente de forma
continuada, la estabilidad y la capacidad del proceso.
Grficos CUSUM
Se puede utilizar en todos los casos sealados para el
grfico , R, pero donde realmente muestra ms ventajas es:
a) Cuando los procesos vayan descorrigindose lentamente
(por ejemplo procesos qumicos)
calcular los lmites de control con los puntos restantes. Puede darse el caso que
alguno de estos restantes puntos se encuentre ahora fuera de control respecto de
los nuevos lmites ya que estos sern, normalmente, ms estrechos que los
iniciales. Entonces, deben repetirse los pasos dados anteriormente hasta que
todos los puntos se encuentren dentro de control con lo que ya podremos adoptar
los lmites hasta entonces provisionales como lmites definitivos.
Si el grfico de control se basa en un valor estandar conocido (un objetivo) para la
fraccin no conforme p, entonces el clculo de lmites de prueba es,
generalmente, innecesario aunque deben tomarse ciertas precauciones en el
sentido de comprobar si el proceso est bajo control a un valor de p diferente dei
indicado en el objetivo. Por ejemplo, supongamos que la Direccin seala como
valor objetivo p = 0,01 pero que el proceso se encuentra realmente bajo control a
p = 0,05.
Utilizando el grfico correspondiente a p = 0,01 encontraremos muchos puntos
fuera de control sin que aparezca causa asignable. No obstante, suele ser til esta
opcin para mejorar el nivel de calidad llevando el proceso al nivel adecuado,
sobre todo en procesos donde la fraccin no conforme puede ser controlada
mediante un proceso sencillo de ajuste.
Diseo del grfico p
El grfico p tiene tres parmetros a especificar: Tamao y frecuencia del
desmuestre y distancia entre lmites de control.
Es frecuente calcular el grfico de control a partir de la inspeccin realizada a lo
largo de un periodo de tiempo determinado. Un da, un turno, etc. En este caso, la
frecuencia y el tamao de la muestra estn relacionados. Generalmente, se
selecciona inicialmente la frecuencia del desmuestre apropiada para la produccin
a inspeccionar y de ah resulta el tamao de la muestra,
Los subgrupos racionales pueden jugar tambin un papel importante en
determinar la frecuencia del desmuestre. Por ejemplo, si hay tres turnos y
sospechamos que entre turnos puede variar el nivel de calidad utilizaremos cada
turno como un subgrupo sin mezclarlos para obtener una fraccin diaria no
conforme. Si p es pequeo n deber ser suficientemente grande para encontrar, al
menos una unidad defectuosa en la muestra.
Se ha sugerido que el tamao de muestra debe ser lo bastante grande para tener
una probabilidad de aprox. 50% de detectar un cambio de una determinada
magnitud. Por ejemplo, supongamos que p = 0,01 y que queremos que la
probabilidad de detectar un cambio a p = 0,05 sea del 50%. Suponiendo que
aproximamos la distribucin binomial respecto de la normal, escogeremos de tal
forma que el lmite de Control Superior coincide con la fraccin no conforme en la
situacin de fuera de control. Si 6 es la magnitud del cambio del proceso, entonces
n debe satisfacer
n = 56
Los lmites 3 son los que se usan con ms frecuencia aunque pueden adaptarse
otros ms sensibles a costa de exponerse a situaciones ms frecuentes de falsa
alarma.
A veces, suelen usarse limites ms estrechos (por ejemplo 2 ) dentro de una
situacin de urgencia para mejorar la calidad de un proceso. Estos lmites deben
utilizarse con precaucin porque las falsas alarmas destruyen la confianza de los
operadores en los grficos de control.
Hay que tener en cuenta que los lmites de control estudiados se basan en la
distribucin binomial que considera constante la proporcin defectuosa p y que
los valores sucesivos son independientes. En procesos en los que las unidades no
conformes estn agrupadas o en los que la probabilidad de producir una unidad
defectuosa depende de que la anterior unidad producida haya sido no defectuosa,
no son aplicables este tipo de grficos.
Deben examinarse con cuidado aquellos puntos situados por debajo del lmite de
control inferior. Estos puntos no suelen ser lo que aparentemente indican: Una
mejora en la calidad del proceso por disminucin de a sino que suelen originarse
por errores en la inspeccin o por causa de aparatos de medida mal calibrados.
Tambin puede deberse a que los operadores hayan registrado datos ficticios para
cubrir su responsabilidad.
microordenador en la lnea
Grficos por atributos
Se recomienda utilizar los grficos por atributos en los
siguientes casos:
a) Los operadores controlan las causas asignables y es
preciso reducir el porcentaje de fallos.
b) El proceso es una operacin de montaje compleja y la
calidad del producto se mide en trminos de conforme/no
conforme.
c) Es necesario el control del proceso pero no pueden
obtenerse datos cuantitativos.
d) Para facilitar a la direccin una visin con un resumen
informativo sobre la eficacia del proceso.
Grficos de control para valores individuales
Se puede usar conjuntamente con los grficos de rango mvil
en los siguientes casos:
a) Procesos en los que no puede obtenerse ms que una
medida por muestra o donde las medidas repetidas solo
difieren debido a errores analticos. Esto suele suceder en los
procesos qumicos.
b) Procesos donde la tecnologa existente cuantifica cada
unidad producida. En estos casos, tambin pueden
considerarse los grficos de media mvil.
c) Cuando la cadencia de aparicin de nuevos datos es muy
lenta y sera impracticable esperar a reunir una muestra
mayor porque esto supondra una reaccin demasiado tarda
ante los problemas.