Documentos de Académico
Documentos de Profesional
Documentos de Cultura
UNIDAD 5.
5.1
5.2
5.3
5.4
5.5
UTN
FRM
DPTO. ING. QUMICA
2.010
Diagrama de Pareto
Diagrama causa-efecto
Hoja de datos
Grficos de control
Histograma y diagramas de dispersin
Grficas de tendencias
Diseo de experimentos
Lista de verificacin
Hay otras tcnicas tambin bastante utilizadas. Entre ellas estn las siguientes:
Lluvia de ideas
Diagramas de flujo
Grficas circulares (de pastel)
5.2. EMPLEO DE LAS HERRAMIENTAS.
Pgina N 1
UTN
FRM
DPTO. ING. QUMICA
2.010
ASIGNATURA
CONTROL ESTADSTICO DE PROCESOS
40
60
30
Identificacin
del problema
Relacin
Causa - Efecto
Anlisis
Accin Correctiva
Evaluacin de
resultados
Estandarizar
50
40
20
30
20
10
10
Pareto Histogramas
Causa - Efecto
HO JA
M A Q ./ DIA
A
B
C
10
DE CHEQ UEO
L
MC
oK
X
oK
X
oK
X
V
oK
oK
X
Hoja de chequeo
Maquinaria
A
1
1
Grfica de control
Maquinaria
B
Estratificacin
Dispersin
50
10
Controlar
HO JA
M A Q ./ DIA
A
B
C
D E CHEQ UEO
L
MC
oK
X
oK
X
oK
X
40
30
V
oK
oK
X
20
10
0
1
1
Pareto
Pgina N 2
ASIGNATURA
CONTROL ESTADSTICO DE PROCESOS
UTN
FRM
DPTO. ING. QUMICA
2.010
Frecuencia (cantidad)
4. Desarrollos que han aparecido como consecuencia del impacto de la calidad del
producto en la sociedad; por ejemplo, nueva legislacin, ampliacin de las
disposiciones del gobierno, aumento de los pleitos por responsabilidad del
producto.
5. Necesidades relacionadas con el proceso de direccin y las relaciones industriales;
por ejemplo, organizacin para la calidad, programas de formacin, motivacin
hacia la calidad.
6. La jerarqua de direccin, es decir, directivos, supervisores, especialistas
profesionales, equipos de proyecto.
7. Procesos de fijacin de objetivos; por ejemplo, el presupuesto anual, la direccin
por objetivos.
8. El mercado, en su relacin con Ventas, Servicio Posventa, Servicio Tcnico y otros.
9. El personal, a travs de ideas informales presentadas a los supervisores,
sugerencias formales, ideas de los crculos de la calidad, etc. Un sistema
estructurado para obtener la participacin de los operarios es el sistema de
remocin de causas de error.
10. Haciendo la ronda, es decir, de las visitas hechas por especialistas (ingenieros de
la calidad, ingenieros de la produccin) para solicitar propuestas de distintos
departamentos.
En una industria de Mendoza se observ que en la temporada alta de
produccin se producan cancelaciones de contratos de fabricacin. Se comenz a
evaluar la posibilidad de no fabricacin relativo a la cancelacin de contratos de venta.
Se descubri que el 20 por 100 de todos los contratos de venta acababan siendo
cancelados. Los motivos eran diversos:
entregas fuera de tiempo,
envases inadecuados,
140
121
productos que no cumplan el
120
rendimiento especificado en el
100
contrato,
80
variacin en las concentraciones
de los componentes,
60
etc.
40
Todas
estas razones
20
10
9
8
seguan el principio de Pareto: unas
4
pocas acumulaban la mayor parte
0
79,6%
6,6%
5,9%
5,3%
2,6%
de las cancelaciones. Esto llev a
una revisin del proceso de
Items(%)
produccin y hubo una drstica
disminucin de las anulaciones.
Cuando Joseph M. Juran
figura 5.2 Diagrama de barras
sugiri que el 80% de los problemas
de una empresa son resultado de nicamente 20% de las causas, populariz el
trabajo de Pareto.
Esta es una herramienta que permite al servicio de calidad determinar las
prioridades. Se trata igualmente de un indicador de la mejora de una tcnica. En este
caso, se presenta fundamentalmente en el marco de la calidad de produccin, por lo
Ing. Virginia Orallo de Martnez
Pgina N 3
UTN
FRM
DPTO. ING. QUMICA
2.010
ASIGNATURA
CONTROL ESTADSTICO DE PROCESOS
100%
95%
80%
20%
50%
100% tems
Zona C: Finalmente, en
este sector, el 50%
restante
de
piezas
rechazadas cuesta solo un
5% de los costos.
1)
figura 5.4
2)
3)
Pgina N 4
UTN
FRM
DPTO. ING. QUMICA
2.010
ASIGNATURA
CONTROL ESTADSTICO DE PROCESOS
Tabla 5-1
Costo de piezas rechazadas
30
248
35
237
193
50
80
46
25
10
19
5
4
18
248
485
678
758
808
854
889
919
944
963
981
991
996
1000
% de los Costos
acumulados
24,8
48,5
67,8
75,8
80,8
85,4
88,9
91,9
94,4
96,2
98,1
99,1
99,6
100
Pgina N 5
UTN
FRM
DPTO. ING. QUMICA
2.010
ASIGNATURA
CONTROL ESTADSTICO DE PROCESOS
DIAGRAMA DE BARRAS
300
250
200
150
100
50
0
14
21
29
36
43
50
57
64
71
79
86
93
100
% DE
ITEM
120
% de
Monto
100
80
60
40
20
0
14
21
29
36
43
50 57 64
% TEM
71
79
86
93 100
Pgina N 6
UTN
FRM
DPTO. ING. QUMICA
2.010
ASIGNATURA
CONTROL ESTADSTICO DE PROCESOS
100%
90
70
20
50
100%
Nmero de
mquinas
Mquina N 1
Mquina N 2
Mquina N 3
Mquina N 4
Mquina N 5
Mquina N 6
Mquina N 7
Mquina N 8
Mquina N 9
Mquina N 10
Mquina N 11
Mquina N 12
Mquina N 13
Mquina N 14
Tabla 5-3
Cantidad de piezas
rechazadas
150
82
100
69
54
80
90
130
105
200
210
55
60
70
En una unidad de
Pgina N 7
UTN
FRM
DPTO. ING. QUMICA
2.010
ASIGNATURA
CONTROL ESTADSTICO DE PROCESOS
%
tem
7
14
21
29
36
43
50
57
64
71
79
86
93
100
Cost
o
2120
1980
1330
1060
728
662
520
400
400
300
250
130
100
20
Tabla 5-4
Costo
acumulado
2120
4100
5430
6490
7218
7880
8400
8800
9200
9500
9750
9880
9980
10000
% de los Costos
acumulados
21,20
41,00
54,30
64,90
72,18
78,80
84,00
88,00
92,00
95,00
97,50
98,80
99,80
100,00
DIAGRAMA DE BARRAS
% monto
120
100
80
60
40
20
93
10
0
86
71
79
64
57
50
43
29
36
21
14
0
% tem
Pgina N 8
UTN
FRM
DPTO. ING. QUMICA
2.010
ASIGNATURA
CONTROL ESTADSTICO DE PROCESOS
mquinas dispuestas provocaron una parada en esta lnea ya sea por fallas de la
mquinas como fallas en el sensor de nivel, velocidad de entrada de las botellas, etc.
Tambin se presentaban fallas de las botellas, goma de las etiquetas, calidad de los
corchos, y varios insumos ms que afectaban el buen funcionamiento de dicha lnea.
Tabla 5-5
Nmero de
Nmero de
Mquina
Paradas
1
333
2
673
3
537
4
708
5
960
6
689
7
552
8
364
9
418
10
302
11
284
12
946
13
762
14
693
Ordenando por grado de incidencia
Tabla 5- 6
Nmero de Nmero de
Mquina
Paradas
5
960
12
946
DIAGRAMA DE BARRAS
13
762
4
708
N PARADAS
14
693
1000
6
689
2
673
800
7
552
3
537
600
9
418
8
364
400
1
333
10
302
11
284
200
0
5
12
13
14
MQ.
Pgina N 9
10
11
UTN
FRM
DPTO. ING. QUMICA
2.010
ASIGNATURA
CONTROL ESTADSTICO DE PROCESOS
Tabla 5-7
N de
Mquina
5
12
13
4
14
6
2
7
3
9
8
1
10
11
Clasif. De
Paradas
960
946
762
708
693
689
673
552
537
418
364
333
302
284
Paradas
Acumul.
960
1906
2668
3376
4069
4758
5431
5983
6520
6938
7302
7635
7937
8221
% Paradas
Acum.
11.7
23.2
32.5
41.1
49.5
57.9
66.1
72.8
79.3
84.4
88.8
92.9
96.5
100
CURVA ABC
Tabla de valores de la CURVA ABC
Tabla 5- 8
120,0
0
0
7.14
11.7
100,0
14.28
23.2
*** 21.42 *** *** 32.5 ***
80,0
28.57
41.1
35.71
49.5
60,0
42.85
57.9
*** 50 *** *** 66.1 ***
40,0
57.14
72.8
64.28
79.3
20,0
A
B
C
71.42
84.4
0,0
78.57
88.8
0
20
40
60
80
100
120
85.71
92.9
figura 5.10 Diagrama ABC
92.85
96.5
*** 100 *** *** 100 ***
Si se observa la curva anterior se deduce que la misma no es tan significativa,
por lo que se deberan tomar con la misma prioridad a la mayora de las mquinas, si
es necesario reducir el nmero de paradas.
Ing. Virginia Orallo de Martnez
Pgina N 10
ASIGNATURA
CONTROL ESTADSTICO DE PROCESOS
UTN
FRM
DPTO. ING. QUMICA
2.010
Pgina N 11
ASIGNATURA
CONTROL ESTADSTICO DE PROCESOS
UTN
FRM
DPTO. ING. QUMICA
2.010
Pgina N 12
ASIGNATURA
CONTROL ESTADSTICO DE PROCESOS
UTN
FRM
DPTO. ING. QUMICA
2.010
Mano de
obra
Pgina N 13
ASIGNATURA
CONTROL ESTADSTICO DE PROCESOS
UTN
FRM
DPTO. ING. QUMICA
2.010
Rama mnima
Rama media
Rama grande
C A R A C T E R S T IC A S
Rama pequea
Tronco
CAUSAS- FACTORES
EFECTOS
Pgina N 14
UTN
FRM
DPTO. ING. QUMICA
2.010
ASIGNATURA
CONTROL ESTADSTICO DE PROCESOS
MEDICIONES
MAQUINAS
MANO DE OBRA
DIMENSIONES
INADECUADAS
FUERA DE
DIMENSIONES
ESPECIFICADS
VELOCIDAD DE
AVANCE
TEMPERATURA
ANGULO
INCORRECTO DE
LA FLAMA
FORMACION
HABILIDAD
PUNTA OXIDADA
LIMITES
ERGONOMICOS
FORMA
PUNTA
SOLDADURA DEFECTUOSA
UNION
SOLDADURA
SUPERFICIE
S CON
POLVO E
IMPUREZAS
LACA DE
PROTECCION
SECUENCIA
SOLDADURA
CAUSAS
SECUNDARIAS
TIEMPOS DE
ESPERA
TERMINALES
DESOXIDANTE
CORTOS
CAUSAS
PRIMARIAS
MEDIO AMBIENTE
MTODOS
CAUSAS
TERCIARIAS
OXIDADOS
MATERIALES
Contenido del
envase
Pgina N 15
UTN
FRM
DPTO. ING. QUMICA
2.010
ASIGNATURA
CONTROL ESTADSTICO DE PROCESOS
60
50
40
30
20
1. Forma
10
Factores
4
El
histograma
es
una
representacin visual de datos. La
forma de esta representacin
puede sugerir una forma de
distribucin.
Pgina N 16
UTN
FRM
DPTO. ING. QUMICA
2.010
ASIGNATURA
CONTROL ESTADSTICO DE PROCESOS
pH
1,25
1,28
1,27
1,21
1,22
1,29
1,3
1,24
1,27
1,29
Tabla 5-10
Muestra
Muestra 11
Muestra 12
Muestra 13
Muestra 14
Muestra 15
Muestra 16
Muestra 17
Muestra 18
Muestra 19
Muestra 20
pH
1,23
1,26
1,30
1,21
1,28
1,30
1,22
1,25
1,20
1,28
Muestra
Muestra 21
Muestra 22
Muestra 23
Muestra 24
Muestra 25
Muestra 26
Muestra 27
Muestra 28
Muestra 29
Muestra 30
pH
1,21
1,29
1,26
1,22
1,28
1,27
1,26
1,23
1,22
1,21
pH
1,32
1,3
1,28
1,26
muestra
1,24
1,22
1,2
1,18
1,16
Pgina N 17
1,14
1 2
3 4
6 7
8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30
N DE MUESTRA
UTN
FRM
DPTO. ING. QUMICA
2.010
ASIGNATURA
CONTROL ESTADSTICO DE PROCESOS
5.5.1.2.
Tabla 5- 11
Variable
pH
1,20
1,21
1,22
1,23
1,24
1,25
1,26
1,27
1,28
1,29
1,3
Frecuencia Absoluta
Simple
Acumulada
1
4
4
2
1
2
3
3
4
3
3
Frecuencia Relativa
Simple
Acumulada
3,33%
3,33%
13,33%
16,67%
13,33%
30,00%
6,67%
36,67%
3,33%
40,00%
6,67%
46,67%
10,00%
56,67%
10,00%
66,67%
13,33%
80,00%
10,00%
90,00%
10,00%
100,00%
1
5
9
11
12
14
17
20
24
27
30
Simple
2
1
0
1,20
1,21
1,22
1,23
1,24
1,25
1,26
1,27
1,28
1,29
1,3
5.5.1.3.
Pgina N 18
UTN
FRM
DPTO. ING. QUMICA
2.010
ASIGNATURA
CONTROL ESTADSTICO DE PROCESOS
Consiste en agrupar los datos por intervalos, con lo que la informacin queda
ms resumida (se pierde, por tanto, algo de informacin), pero es ms manejable e
informativa.
EJEMPLO 6) En el siguiente ejemplo se ve el control de la concentracin de
manganeso en el agua de riego en 30 fincas de Mendoza:
Tabla 5- 12
Concentracin
(ppm)
1,15
1,48
1,57
1,71
1,92
1,39
1,402
1,64
1,77
1,49
Muestra
Muestra 1
Muestra 2
Muestra 3
Muestra 4
Muestra 5
Muestra 6
Muestra 7
Muestra 8
Muestra 9
Muestra 10
Muestra
Muestra 11
Muestra 12
Muestra 13
Muestra 14
Muestra 15
Muestra 16
Muestra 17
Muestra 18
Muestra 19
Muestra 20
Concentracin
(ppm)
1,53
1,16
1,60
1,81
1,98
1,20
1,42
1,45
1,20
1,98
Muestra
Muestra 21
Muestra 22
Muestra 23
Muestra 24
Muestra 25
Muestra 26
Muestra 27
Muestra 28
Muestra 29
Muestra 30
Concentracin
(ppm)
1,21
1,59
1,86
1,52
1,48
1,37
1,16
1,73
1,62
1,01
Marca de
Frecuencias absolutas
clase
Simple
Acumulada
1,059
1
1
1,156
5
6
1,253
1
7
1,350
2
9
1,447
6
15
1,544
4
19
1,641
3
22
1,738
2
24
1,835
3
27
1,932
3
30
Frecuencias relativas
Simple
Acumulada
3,33%
3,33%
16,67%
20,00%
3,33%
23,33%
6,67%
30,00%
20,00%
50,00%
13,33%
63,33%
10,00%
73,33%
6,67%
80,00%
10,00%
90,00%
10,00%
100,00%
25
20
15
Acumulada
10
Simple
5
ppm
Pgina N 19
UTN
FRM
DPTO. ING. QUMICA
2.010
ASIGNATURA
CONTROL ESTADSTICO DE PROCESOS
5.5.2.
L = 0,97/10 =0,097
Pgina N 20
UTN
FRM
DPTO. ING. QUMICA
2.010
ASIGNATURA
CONTROL ESTADSTICO DE PROCESOS
Tabla 5- 15
Concentracin
ppm
1,010 a 1,107
1,108 a 1,204
1,205 a 1,301
1,302 a 1,398
1,399 a 1,495
1,496 a 1,592
1,593 a 1,689
1,690 a 1,786
1,787 a 1,883
1,884 a 1,980
Marca de
clase
1,059
1,156
1,253
1,350
1,447
1,544
1,641
1,738
1,835
1,932
Frecuencias absolutas
Simple
Acumulada
1
1
5
6
1
7
2
9
6
15
4
19
3
22
2
24
3
27
3
30
Frecuencias relativas
Simple
Acumulada
3,33%
3,33%
16,67%
20,00%
3,33%
23,33%
6,67%
30,00%
20,00%
50,00%
13,33%
63,33%
10,00%
73,33%
6,67%
80,00%
10,00%
90,00%
10,00%
100,00%
Pgina N 21
UTN
FRM
DPTO. ING. QUMICA
2.010
ASIGNATURA
CONTROL ESTADSTICO DE PROCESOS
Pgina N 22
ASIGNATURA
CONTROL ESTADSTICO DE PROCESOS
UTN
FRM
DPTO. ING. QUMICA
2.010
frecuencias
Pgina N 23
UTN
FRM
DPTO. ING. QUMICA
2.010
ASIGNATURA
CONTROL ESTADSTICO DE PROCESOS
frecuencia
1,05
1,15
1,25
1,35
1,45
1,55
1,65
1,75
1,85
1,95
pH
El histograma es
una presentacin grfica
eficaz, pero el polgono
Pgina N 24
ASIGNATURA
CONTROL ESTADSTICO DE PROCESOS
UTN
FRM
DPTO. ING. QUMICA
2.010
no representa muy bien los datos bsicos. La diferencia ms notable del polgono es
que las reas situadas debajo de l generalmente no son proporcionales a las
frecuencias. Un remedio es cerrar el polgono en la base prolongando ambos
extremos de la curva hasta los puntos medios de dos clases hipotticas situadas en
los extremos de la distribucin que tienen cero frecuencias. Los dos polgonos de la
figura han sido dibujados de esta manera.
5.5.4. Distribucin De Frecuencias
frecuencia
Una de las ventajas de los polgonos es que si la escala vertical, que mide la
frecuencia, es reducida de modo que el rea del histograma para esta muestra
extraordinariamente grande sea igual al rea de la pequea muestra original, el
histograma de la muestra grande formar
prcticamente una curva suave. Se puede
polgono de frecuencia
asociar as a las curvas de distribucin
7
conocidas.
6
La curva suave adquiere importancia
porque
se considera que representa la
5
verdadera distribucin de la poblacin de la
4
que se extrae la muestra. Pero la
3
derivacin de una curva suave ampliando
2
la
muestra
es
generalmente
una
imposibilidad prctica. Lo que solemos
1
hacer es aproximar la distribucin de la
0
poblacin sobre la base de los datos de la
pH
muestra.
Esto
podemos
hacerlo
suavizando las puntas del polgono de
frecuencias
dibujando
a
mano
o
figura 5.23 Polgono de frecuencia
introduciendo una curva suave a los datos
de la muestra con alguna frmula
matemtica. Con uno u otro mtodo hay mucha libertad para suavizar la curva.
Las curvas suaves son llamadas alternativamente modelos de poblacin.
Se las llama as porque describen las caractersticas importantes de las
distribuciones de poblacin. El trmino "modelo de poblacin" tambin sugiere
generalizaciones de las formas de distribuciones de poblacin -simtrica,
asimtrica, en forma de U, etc. Estas generalizaciones son de gran utilidad en
el anlisis estadstico porque proporcionan mtodos simplificados de describir
las caractersticas bsicas de las poblaciones. Hay otras razones de inters por
los modelos de poblacin. Una es que una distribucin de poblacin es
necesaria a veces para la toma de decisiones. Otra, es que las inferencias
estadsticas a menudo requieren conocer modelos de poblacin. Una tercera
razn es que un modelo de poblacin, estando representado por una curva
suave, a veces se presta ms fcilmente a un tratamiento matemtico.
Pgina N 25
UTN
FRM
DPTO. ING. QUMICA
2.010
ASIGNATURA
CONTROL ESTADSTICO DE PROCESOS
Pgina N 26
ASIGNATURA
CONTROL ESTADSTICO DE PROCESOS
UTN
FRM
DPTO. ING. QUMICA
2.010
Se usa para:
Obtener una comunicacin clara y efectiva de la variabilidad del sistema
Mostrar el resultado de un cambio en el sistema
Identificar anormalidades examinando la forma
Comparar la variabilidad con los lmites de especificacin
5.6. ANALISIS DE REGRESION Y CORRELACION 5
5 Juran-Gryna- Manual del Control de Calidad Volumen I 4 Edicin Ed. Mc Graw Hill - 1993
6 Ya-Lun Chou - "Anlisis Estadstico" - - 2 Ed - Editorial Interamericana - Mxico - 1979-
Pgina N 27
UTN
FRM
DPTO. ING. QUMICA
2.010
ASIGNATURA
CONTROL ESTADSTICO DE PROCESOS
Algunos
datos
experimentales
para
el
ejemplo bivariable de la
duracin de una herramienta
se dan en la
Tabla
5-16
y
representados en la Figura 524.
La duracin de la
herramienta es la variable de
respuesta (llamada tambin
variable dependiente) y la
velocidad de corte es la
variable independiente.
En este caso, la
variable independiente es
controlable, es decir, que la
figura 5.24 Duracin de una herramienta (y en min) en funcin de la velocidad de corte (x en pies por min
50
45
40
35
30
25
20
15
10
5
0
80
85
90
95
100
105
110
Pgina N 28
115
UTN
FRM
DPTO. ING. QUMICA
2.010
ASIGNATURA
CONTROL ESTADSTICO DE PROCESOS
pureza x
89
88,5
88
87,5
87
86,5
86
85,5
98,6
98,8
99
99,2
99,4
99,6
99,8
100
Pgina N 29
ASIGNATURA
CONTROL ESTADSTICO DE PROCESOS
UTN
FRM
DPTO. ING. QUMICA
2.010
Pgina N 30
ASIGNATURA
CONTROL ESTADSTICO DE PROCESOS
UTN
FRM
DPTO. ING. QUMICA
2.010
variables y sugiere a menudo modelos posibles para los datos. Los representados en
la Figura 5-26 sugieren que la y est relacionada linealmente con la x, en el intervalo
de variacin de este experimento. (Si no fuera ese el caso, se podra pensar en
realizar diversas transformaciones con los datos y tambin se podran considerar
relaciones curvilneas. Con frecuencia, la relacin puede linealizarse, tomando el
logaritmo de una o varias variables).
Pgina N 31
UTN
FRM
DPTO. ING. QUMICA
2.010
ASIGNATURA
CONTROL ESTADSTICO DE PROCESOS
relacin" entre variables -es decir, estudiar la relacin funcional entre las variables y,
por tanto, proporcionar un mecanismo de prediccin, o pronstico. El segundo,
anlisis de correlacin, tiene como objetivo determinar el "grado de la relacin"
entre variables.
El anlisis de asociacin tambin puede distinguirse como simple y mltiple: el
primero se ocupa solo de dos variables; el segundo, de tres o ms variables. Adems,
existe tambin la diferenciacin entre anlisis de asociacin lineal y no lineal, segn el
tipo de relacin que tienen las variables.
Hasta el momento las lneas de regresin se colocaron al ajustar las lneas
visualmente entre los puntos de datos, pero para graficar estas lneas de una forma
ms precisa se puede utilizar una ecuacin que relaciona las dos variables
matemticamente.
5.8. MODELO DE REGRESIN BIVARIABLE LINEAL 9
En el modelo de regresin bivariable lineal, una variable Y dependiente, se
relaciona con una variable X independiente, por la siguiente expresin:
y i x i u i
(5. 0)
Pgina N 32
UTN
FRM
DPTO. ING. QUMICA
2.010
ASIGNATURA
CONTROL ESTADSTICO DE PROCESOS
estas razones podra ser una interpretacin razonable de u i , o cualquier par de estas
razones, o las tres razones juntas.
Cmo se maneja el error de medicin en X, ahora que el error de medicin en
Y ya se ha mencionado? La respuesta es que (5.1) no permite error de medicin en X.
Pero hay otros modelos que s lo permiten. A pesar de esta limitacin en (5.1), sigue
siendo un modelo muy til.
La completa especificacin del modelo de regresin incluye no solo la forma
de la ecuacin de regresin, sino tambin una expresin de cmo son determinados
los valores de la variable independiente y una especificacin de la distribucin de u ;
por probabilidades. La especificacin completa de lo que se llama modelo clsico de
regresin lineal simple la hace el siguiente conjunto de supuestos:
1. La variable independiente X es fija. La expresin "valores fijos de X" significa
que X tiene valores que son fijados (es decir, escogidos o predeterminados) por
el investigador. El supuesto independiente-variable-fijo implica que para cada
valor fijo de X, xi, hay una distribucin de valores Y por probabilidades, llamada
subpoblacin de Y. Ver la figura 5.27.
XY = + xi
1 unidad de x
4.1
(5. 0)
Pgina N 33
UTN
FRM
DPTO. ING. QUMICA
2.010
ASIGNATURA
CONTROL ESTADSTICO DE PROCESOS
V(y i ) E[ x i u i - E( x i u i )]2
V(y i ) E[ x i u i - x i ]2
2
V(yi ) E[u i ] 2 ui 2
(5. 0)
por la
donde
ancho
veces
b
a) homoscedasticidad b) y c) heteroscedasticidad
Ver anexo 2
Ing. Virginia Orallo de Martnez
Pgina N 34
UTN
FRM
DPTO. ING. QUMICA
2.010
ASIGNATURA
CONTROL ESTADSTICO DE PROCESOS
x3
x2
x1
xy = + x
UTN
FRM
DPTO. ING. QUMICA
2.010
ASIGNATURA
CONTROL ESTADSTICO DE PROCESOS
(5. 0)
(5. 0)
ei 0 .
2
i
(y
- y i ) 2
[y
- (a bx i )]2 es un mnimo.
ei
Ing. Virginia Orallo de Martnez
(xi; yi)
Pgina N 36
UTN
FRM
DPTO. ING. QUMICA
2.010
ASIGNATURA
CONTROL ESTADSTICO DE PROCESOS
(2)
na bi x i ;
y x
i
bi x i .
2
(5. 0)
y x - y x
n x -( x )
i
i i
(5. 0a)
(y - y ).( x x )
(x x)
i
i
2
(5.7b)
INGRESOS POR
SUMINISTRO
xi
Pgina N 37
UTN
FRM
DPTO. ING. QUMICA
2.010
ASIGNATURA
CONTROL ESTADSTICO DE PROCESOS
Tabla 5- 18
6
5
6
6
8
7
7
8
8
9
10
10
10
11
13
12
11
13
12
14
15
15
14
16
Con los datos de la muestra disponibles, el primer paso en el anlisis de
regresin es trazar un diagrama de dispersin de los datos de la muestra para ver si la
variable dependiente depende o no en cierto grado de la variable independiente, si la
relacin media entre ellas puede ser expresada razonablemente por una lnea recta y
si se cumplen razonablemente los supuestos de regresin lineal. En un diagrama de
dispersin, cada punto corresponde a un par de valores (x i, yi). El diagrama de
dispersin aparece en la figura 5.31.
GASTO CONSUM O COM BUSTIBLE
Y
16
14
12
10
8
6
GASTO CONSUM O
COM BUSTIBLE
4
2
0
4
10
12
14
16
X 18
Pgina N 38
ASIGNATURA
CONTROL ESTADSTICO DE PROCESOS
UTN
FRM
DPTO. ING. QUMICA
2.010
Pgina N 39
UTN
FRM
DPTO. ING. QUMICA
2.010
ASIGNATURA
CONTROL ESTADSTICO DE PROCESOS
CONSUMO COMBUSTIBLE
$
16
15
y = 0,8112x + 1,4825
14
13
12
11
10
9
8
7
6
5
4
10
11
12
13
14
15
16
17
5.10.
(y
i )2
-y
n-2
(y
- a - bx i ) 2
n-2
y -a y
n-2
y i 1,5 0,81x i ,
2
figura 5.33
- bi y i x i
(5. 0)
b
Pgina N 40
ASIGNATURA
CONTROL ESTADSTICO DE PROCESOS
UTN
FRM
DPTO. ING. QUMICA
2.010
0.99
0,99 0,995
miles de dlares
(y
- y i )2
n -1
Pgina N 41
UTN
FRM
DPTO. ING. QUMICA
2.010
ASIGNATURA
CONTROL ESTADSTICO DE PROCESOS
por consumo. En otras palabras informa que la relacin entre consumo e ingreso es
muy estrecha, o que el gasto medio por consumo cambia uniformemente con los
aumentos del ingreso.
5.11.
INFERENCIAS ACERCA DE LOS COEFICIENTES DE REGRESIN DE
LA POBLACIN13
Una vez obtenida la ecuacin de regresin de la muestra y deducido que la
ecuacin de regresin puede ser til sobre la base de la desviacin estndar de la
regresin de la muestra, se puede llegar a la conclusin de que ahora la ecuacin de
regresin de la muestra puede ser usada fcilmente como un instrumento de
prediccin. Pero, en realidad, aun si la ecuacin de regresin de la muestra es idntica
a la ecuacin de regresin de la poblacin, la prediccin todava puede contener cierto
error porque la relacin entre Y y X en la poblacin bivariable puede que no sea
perfecta. La magnitud de este error se mide por 2 . Adems, al predecir con la
ecuacin de regresin de la muestra hay otro error debido a variaciones casuales en
el muestreo. Es decir, para muestreo repetido con el mismo tamao de muestra, el
estimador lineal de x i tendera a variar de una muestra a otra. Los errores de
muestreo de a y b, como es usual, son evaluados desde el punto de vista de sus
respectivas distribuciones por muestreo.
Las distribuciones de a y b por muestreo, que son EMC, son muy fciles de
deducir. Primero, puesto que a y b son insesgadas, se debe tener E(a) = y E(b) = .
Segundo, puesto que a y b son combinaciones lineales de variables normales
independientes y deben estar normalmente distribuidas. Finalmente, como puede
demostrarse, debido a las propiedades MEIL, los estimadores insesgados para las
varianzas de a y b deben ser definidos como sigue:
2 .i x i 2
2
2
n i (x i - x)
n
b 2
2
2
2
(x
x
)
n
i
i
2
i
- ( nx) 2 )
1
2
i
- ( nx) 2 )
(5. 0)
(5. 0)
Las estadsticas de prueba para las hiptesis acerca de y son las razones
z ordinarias:
za
a 0
a
(5. 0a)
zb
b 0
b
(5. 11b)
Pgina N 42
UTN
FRM
DPTO. ING. QUMICA
2.010
ASIGNATURA
CONTROL ESTADSTICO DE PROCESOS
a 0
a
b 0
b
(5. 0a)
(5. 12b)
respectivamente.
Para los datos ilustrativos, al probar = 0 contra a > 0:
1466
0,9197,
12 . 143
a 0,995
t10
150 0
1,631 t10; 0 ,95 1,812
0,9197
b 0,995
t10
0,81 0
9,736 t10; 0, 95 2,764
0,0832
,1
. b 0,81 3,169.0,0832,
o
0.55 1,07
El valor positivo del lmite inferior de confianza indica que se estableci con
una probabilidad de confianza 0.99 que la pendiente de poblacin es positiva. La
5.12.
PREDICCIN Y PRONOSTICACIN 14
Pgina N 43
UTN
FRM
DPTO. ING. QUMICA
2.010
ASIGNATURA
CONTROL ESTADSTICO DE PROCESOS
(5. 0 a)
(5. 13 b)
y
Valores posibles para y0
i = a + bxi
0
figura 5.34
INDIVIDUAL DE Y
5.12.1.
Prediccin
Pgina N 44
UTN
FRM
DPTO. ING. QUMICA
2.010
ASIGNATURA
CONTROL ESTADSTICO DE PROCESOS
e p .x0 ( a b.x0 )
e p ( a ) ( b) x0
(x 0 - x) 2
)
2
i (x i - x)
1
p
(x 0 - x) 2
2
i (x i - x)
(5. 0)
En conclusin, la razn
y 0 a b.x0
(5. 0)
(x 0 - x) 2
0.995 [(1/12) (12.5 - 105)2/143] 1/2
2
i (x i - x)
= 0.332
y 0 t ,1 / 2 p = 11.625
2.764 (0.332);
Pgina N 45
UTN
FRM
DPTO. ING. QUMICA
2.010
ASIGNATURA
CONTROL ESTADSTICO DE PROCESOS
6,5
8,5
10,5
12,5
14,5
15,5
5.12.2.
Pronosticacin
Pgina N 46
UTN
FRM
DPTO. ING. QUMICA
2.010
ASIGNATURA
CONTROL ESTADSTICO DE PROCESOS
2F
= V(ep) + V(u) = p + 2
2 F 2 (1
(x 0 - x) 2
)
2
i (x i - x)
F 1
(x 0 - x) 2
2
i (x i - x)
(5. 0)
Pgina N 47
UTN
FRM
DPTO. ING. QUMICA
2.010
ASIGNATURA
CONTROL ESTADSTICO DE PROCESOS
0 - t;1- /2 F y0 0 + t;1- /2 F
Los lmites de confianza para y0 -el valor individual pronosticado de Y- son:
y 0 t ,1 / 2 F
(5. 0)
Pgina N 48
UTN
FRM
DPTO. ING. QUMICA
2.010
ASIGNATURA
CONTROL ESTADSTICO DE PROCESOS
8.5
10.5
12.5
14.5
15.5
5.13.
8.385
10.005
11.625
13.245
14.055
4
0
4
16
25
1.049
1.036
1.049
1.088
1.116
5.486-11.284
7.141-12.869
8.726-14.524
10.238-16.252
10.970-17.140
ANLISIS DE CORRELACIN 15
5.13.1.
Hasta ahora, hemos tratado el tipo y el grado de relacin que existe entre dos
variables. Pero, en algunas situaciones, podemos interesarnos solo por el grado de
relacin entre dos variables. Por ejemplo, el centro de produccin de una industria, al
decidir sobre ayuda econmica a una empresa satlite para financiar la produccin
anual, puede considerar el ingreso mensual como una medida de la capacidad de esta
ltima empresa para financiar su produccin. As, el centro de produccin de una
industria puede decidir que el ingreso mensual es un criterio apropiado para la
decisin, porque hay un alto grado de relacin entre el ingreso mensual y los gastos
por produccin. De otro modo, debe escogerse otro criterio para llegar a una decisin.
La medida del grado de relacin entre dos variables se llama coeficiente de
correlacin, representado universalmente por . Los supuestos que constituyen un
modelo de poblacin por correlacin lineal bivariable, para el cual se calcula o estima
, se describen brevemente a continuacin:
1.
2.
3.
La relacin entre Y y X es, en cierto sentido, lineal. Este supuesto implica que
todas las medias de Y asociadas con valores X, YX, caen sobre una lnea recta,
que es la lnea de regresin de Y sobre X: YX = Igualmente, todas las medias
de X asociadas con valores Y, XY, caen sobre una lnea recta, que es la lnea
de regresin de X sobre Y: XY = +yi. Adems, las lneas de regresin de
poblacin en las dos ecuaciones son iguales si, y solo si, la relacin entre Y y X
es perfecta -es decir, = 1. En otro caso, con Y dependiente, las ordenadas
en el origen y las pendientes diferirn de la ecuacin de regresin con X
dependiente.
/ cov(Y, X)/ Y X
E[(Y Y )( X X )
E (Y Y )2 E ( X X )2
(5. 0)
Pgina N 49
ASIGNATURA
CONTROL ESTADSTICO DE PROCESOS
UTN
FRM
DPTO. ING. QUMICA
2.010
Pgina N 50
UTN
FRM
DPTO. ING. QUMICA
2.010
ASIGNATURA
CONTROL ESTADSTICO DE PROCESOS
No hay
correlacin
Correlacin positiva
imperfecta
Correlacin negativa
perfecta
x
figura 5.37 ELIPSES OBTENIDAS DE SUPERFICIES DE CORRELACIN
5.13.2.
( yi y )( xi x )
( yi y ) 2 ( x i x ) 2
i
y x n. y.x
r
x nx y n. y
i i
(5. 0)
Pgina N 51
UTN
FRM
DPTO. ING. QUMICA
2.010
ASIGNATURA
CONTROL ESTADSTICO DE PROCESOS
116
0.95,
104.143
f(r)
= 0,5
=0
-1
-0.75
1
-0.50
-0.25
0.25
0.50
0.75
Pgina N 52
UTN
FRM
DPTO. ING. QUMICA
2.010
ASIGNATURA
CONTROL ESTADSTICO DE PROCESOS
r n2
1 r
(5. 0)
r n2
0.95 12 2
t 10
9.621
1 r
1 0.952
1 1 r
ln
2 1 r
(5. 0)
1
n3
(5. 0)
zr z
Z
(5. 0)
Pgina N 53
UTN
FRM
DPTO. ING. QUMICA
2.010
ASIGNATURA
CONTROL ESTADSTICO DE PROCESOS
Para evitar los clculos con logaritmos, empleamos una tabla de valores para
z,. correspondientes a varios valores de r como los dados por el ANEXO I del
apndice A.
Ahora, supongamos que queremos probar H 0: = 0.90 contra H1: 0.90
para nuestro ejemplo ilustrativo; consultamos el ANEXO I y hallamos:
z = 1.472 para = 0.90,
zr = 1.832 para r = 0.95.
Por tanto,
z
1.832 1.472
1.08
1 / 12 3
(5. 0)
or
0.750
0.991
z o zr
0.973
2.691
0.991
z r1 z r 2
2 Z 1 2 Z 2
(5. 0)
Pgina N 54
UTN
FRM
DPTO. ING. QUMICA
2.010
ASIGNATURA
CONTROL ESTADSTICO DE PROCESOS
donde:
2 Z 1
= 1/((n1 - 3)
2 Z 2 = 1/((n2 - 3)
Pgina N 55
UTN
FRM
DPTO. ING. QUMICA
2.010
ASIGNATURA
CONTROL ESTADSTICO DE PROCESOS
TRABAJO PRCTICO N 2
REGRESIN LINEAL
1) En un reactor qumico se tiene un material poroso que contiene un 10% de un
catalizador que permite que la reaccin:
A+BC+D
tenga un rendimiento de produccin de C del 6%. Se investiga el tema, por que se
piensa que aumentando la concentracin de catalizador se variar el rendimiento.
Se obtienen as los siguientes datos:
% de catalizador
% en masa de % de catalizador
concentracin de C
% en masa de
concentracin de C
13,2
9,4
10,9
5,7
14,9
12,2
17,4
12,3
8,1
6,0
13,8
9,2
16,4
11,4
10,2
7,0
13,1
9,6
15,8
9,0
10,8
7,5
12,0
7,0
1,5
2,0
2,5
3,0
3,5
4,0
4,5
5,0
5,5
10
12
14
13
15
17
14
14
Pgina N 56
UTN
FRM
DPTO. ING. QUMICA
2.010
ASIGNATURA
CONTROL ESTADSTICO DE PROCESOS
Resistencia x
Presin hidrulica y
650
110
620
120
620
140
580
130
680
140
590
130
720
150
700
140
680
130
700
140
660
150
550
120
620
160
600
130
Pgina N 57
UTN
FRM
DPTO. ING. QUMICA
2.010
ASIGNATURA
CONTROL ESTADSTICO DE PROCESOS
ANEXO I
Valores de z = (1/2) ln [(1+r)/(1-r)]
r(tercer decimal)
r
.006 .008 r
r(tercer decimal)
.000 .002 .004 .006
.008
.00 .0000 .0020 .0040 .0060 .0080 .50 .5493 .5520 .5547 .5573 .5600
1 .0100 .0120 .0140 .0160 .0180
.05 .0500 .0520 .0541 .0561 .0581 .55 .6194 .6213 .6241 .6270 .6299
6 .0601 .0621 .0641 .0661 .0681
.10 .1003 .1024 .1044 .1064 .1084 .60 .6931 .6963 .6994 .7026 .7057
1 .1104 .1125 .1145 .1165 .1186
.15 .1511 .1532 .1552 .1573 .1593 .65 .7753 .7788 .7823 .7858 .7893
6 .1614 .1634 .1655 .1676 .1696
.20 .2027 .2048 .2069 .2090 .2111 .70 .8673 .8712 .8752 .8792 .8832
1 .2132 .2153 .2174 .2195 .2216
Pgina N 58
ASIGNATURA
CONTROL ESTADSTICO DE PROCESOS
UTN
FRM
DPTO. ING. QUMICA
2.010
.25 .2554 .2575 .2597 .2618 .2640 .75 0.973 0.978 0.982 0.987 0.991
6 .2661 .2683 .2704 .2726 .2747
.30 .3095 .3117 .3139 .3161 .3183 .80 1.099 1.104 1.110 1.116 1.121
1 .3205 .3228 .3250 .3272 .3294
.35 .3654 .3677 .3700 .3723 .3746 .85 1.256 1.263 1.271 1.278 1.286
6 .3769 .3792 .3815 .3838 .3861
.40 .4236 .4260 .4284 .4308 .4332 .90 1.472 1.483 1.494 1.505 1.516
1 .4356 .4380 .4404 .4428 .4453
.45 .4847 .4872 .4897 4922 .4948 .95 1.832 1.853 1.874 1.897 1.921
6 .4973 .4999 .5024 .5049 .4075
Este cuadro ha sido copiado del compendio "Anlisis Estadstico" - YA-LUN CHOU - 2
Ed. Editorial Interamericana - Mxico.
Pgina N 59
UTN
FRM
DPTO. ING. QUMICA
2.010
ASIGNATURA
CONTROL ESTADSTICO DE PROCESOS
ANEXO II
Conceptos basicos.
Anlisis de Correlacin .- Es el conjunto de tcnicas estadsticas empleado para medir
la intensidad de la asociacin entre dos variables.
El principal objetivo del anlisis de correlacin consiste en determinar que tan intensa
es la relacin entre dos variables. Normalmente, el primer paso es mostrar los datos
en un diagrama de dispersin.
Diagrama de Dispersin.- es aquel grafico que representa la relacin entre dos
variables.
Variable Dependiente.- es la variable que se predice o calcula. Cuya representacin es
"Y"
Variable Independiente .- es la variable que proporciona las bases para el calculo.
Cuya representacin es: X1,X2,X3.......
Coeficiente de Correlacin.- Describe la intensidad de la relacin entre dos conjuntos
de variables de nivel de intervalo. Es la medida de la intensidad de la relacin lineal
entre dos variables.
El valor del coeficiente de correlacin puede tomar valores desde menos uno hasta
uno, indicando que mientras ms cercano a uno sea el valor del coeficiente de
correlacin, en cualquier direccin, ms fuerte ser la asociacin lineal entre las dos
variables. Mientras ms cercano a cero sea el coeficiente de correlacin indicar que
ms dbil es la asociacin entre ambas variables. Si es igual a cero se concluir que
no existe relacin lineal alguna entre ambas variables.
Anlisis de regresin.- Es la tcnica empleada para desarrollar la ecuacin y dar las
estimaciones.
Ecuacin de Regresin.- es una ecuacin que define la relacin lineal entre dos
variables.
Ecuacin de regresin Lineal: Y = a + Bx
Ecuacin de regresin Lineal Mltiple: Y = a + b1X1 + b2X2 + b3X3...
Principio de Mnimos Cuadrados.- Es la tcnica empleada para obtener la ecuacin de
regresin, minimizando la suma de los cuadrados de las distancias verticales entre los
valores verdaderos de "Y" y los valores pronosticados "Y".
Anlisis de regresin y Correlacin Mltiple.- consiste en estimar una variable
dependiente, utilizando dos o ms variables independientes.
Pgina N 60
UTN
FRM
DPTO. ING. QUMICA
2.010
ASIGNATURA
CONTROL ESTADSTICO DE PROCESOS
ANEXO III
Deteccin de la heterovarianza
Una manera simple para detectar la heterocedasticidad o heterovarianza cuando no
existe informacin a priori es obteniendo un diagrama de dispersin de
contra
para ver si presentan algn patrn, pero para el caso del modelo de dos variables se
pueden graficar los residuales al cuadrado contra la variable independiente X. A
continuacin se muestran algunos de los patrones que pudieran detectarse.
En el diagrama (a) se advierte que no existe un patrn sistemtico entre las variables
lo que sugiere la inexistencia de heterocedasticidad; en cambio, en los otros
diagramas s hay patrones definidos. Por ejemplo, el diagrama (c) sugiere una relacin
lineal y el (e) una relacin cuadrtica entre las variables.
BIBLIOGRAFA
Ing. Virginia Orallo de Martnez
Pgina N 61
ASIGNATURA
CONTROL ESTADSTICO DE PROCESOS
1.
UTN
FRM
DPTO. ING. QUMICA
2.010
EDITORIAL
Pgina N 62