Está en la página 1de 109

CURSO DE HERRAMIENTAS

BASICAS DE ESTADISTICA
APLICADA AL MANTENIMIENTO
PREDICTIVO

INSTRUCTOR:

JOSE ESPINOZA SUAREZ

LIMA PERU
2008

1
MINITAB - CONCEPTOS BASICOS 4
INTRODUCCION 4

1.- EL AMBIENTE DE MINITAB 5

1.1.- VENTANA DE SESIN 5


1.2. WORKSHEET 5
1.2.1. MENS DISPONIBLES EN MINITAB 5
1.2.1.1. EL MEN FILE 5
1.2.12. MEN EDIT 6
1.2.1.3. MEN DATA 6
1.2.1.4. MEN CALC 7
1.2.1.5. MEN STAT 6
1.2.1.6. MEN EDITOR 6
1.2.1.7. MENU TOOLS 8
1.2.1.8. MEN DE WINDOWS 8
1.2.1.9. MENU PROJECT MANAGER 8
1.3. INICIANDO EL TRABAJO EN MINITAB
9
1.3.1. ENTRADA MANUAL DE DATOS 9
1.3.2. ABRIR UNA HOJA DE CLCULO DE EXCEL
10
1.3.3. GUARDAR UNA HOJA DE CLCULO
10
1.3.4. IMPRIMIR UNA SESION 10

2. ESTADSTICA - 11

2.1. DEFINICIN 11
2.2. ESTADISTICA DESCRIPTIVA 11
2.3. ESTADISTICA INFERENCIA 11
2.3.1 ORGANIZACIN DE DATOS CUANTITATIVOS 12
2.3.1.1. TABLAS DE FRECUENCIAS
12
2.3.1.2. PRIMER CASO DE APLICACIN: Flechas 12
2.3.2 PRESENTACIN DE DATOS CUALITATIVOS
14
2.3.3.1 GRFICAS DE BARRAS 14
2.3.3.2 GRFICAS CIRCULARES 15
2.3.3.3 SEGUNDO CASO DE APLICACIN: PARADA 17
2.3.4. CLCULO DE MEDIDAS ESTADSTICAS 18
2.3.5.1 MEDIDAS DE CENTRALIDAD 18
2.3.5.2 MEDIDAS DE VARIABILIDAD 18
2.3.5.3 CLCULO DE MEDIDAS ESTADSTICAS USANDO MINITAB
19
2.3.6. DATOS BIVARIADOS CATEGRICOS
21
2.3.7. DATOS BIVARIADOS CONTINUOS
23
2.3.7.1. CASO SE APLICACIN MAQUINARIA 25
2.3.8. EL COEFICIENTE DE CORRELACIN
27
2.3.9. UNA INTRODUCCIN A REGRESIN LINEAL 28
2.3.9.1. REGRESION CON EL CASO SE APLICACIN MAQUINARIA
29

3. MODELADO DE LA CALIDAD DEL PROCESO

2
32

3.1. DISTRIBUCION BINOMIAL 32


3.2. DISTRIBUCION HIPERGEOMETRICA
33
3.3. LA DISTRIBUCIN NORMAL 34
3.4. COTEJANDO SI HAY NORMALIDAD
37
3.4.1. CASO DE APLICACION: Maquinaria de autos.
39
3.5. NO NORMALIDAD 40
3.5.1.CASO DE APLICACION: Tiempo de Decisin
41

4. INFERENCIA ESTADSTICA. 45
4.1 INFERENCIAS ACERCA DE LA MEDIA POBLACIONAL (VAR CONOC)
45
4.2 INFERENCIAS ACERCA DE LA MEDIA POBLACIONAL (VAR DESCO)
48
4.3. COMPARACIN ENTRE DOS MEDIAS POBLACIONALES USANDO
MUESTRAS INDEPENDIENTES 51
4.3.1. COMPARANDO LA VARIANZA DE DOS POBLACIONES.
51

5. CONTROL ESTADSTICO DE PROCESOS


57
5.1. PRIMERA ETAPA: INSPECCIN DEL PRODUCTO ACABADO
58
5.2. SEGUNDA ETAPA: CONTROL DE LA PRODUCCIN INTERM
58
5.3. TERCERA ETAPA: EL DISEO DEL PRODUCTO
58
5.4. CUARTA ETAPA: CALIDAD TOTAL 58
5.5. TCNICAS ESTADSTICAS PARA LA CALIDAD
59
5.6. PREDICCIN, CONTROL ESTADSTICO Y VARIABILIDAD 59
5.7. HERRAMIENTAS BSICAS PARA EL CONTROL ESTADSTICO
59
5.7.1. TILES O HERRAMIENTAS DE BASE
60
5.7.2 TILES O HERRAMIENTAS INTERMEDIAS
60
5.7.3 TILES O HERRAMIENTAS AVANZADAS
60
5.7.3.1. PLANTILLAS DE RECOGIDA DE INFORMACIN
61
5.7.3.2. HISTOGRAMAS 61
5.7.3.3. DIAGRAMAS DE PARETO. 66
5.7.3.4. DIAGRAMAS DE CAUSA EFECTO
73
5.7.3.5. DIAGRAMAS DE CORRELACIN O BIVARIANTES.
76

6. GRAFICOS DE CONTROL.
79
6.1 PRINCIPIO BSICO DE USO DE UN GRFICO DE CONTROL
79

3
6.2. GRAFICO DE CONTROL PARA VARIABLES. 79
6.3. MODELO DE SHEWART PARA GRFICOS DE CONTROL
80
6.4. GRFICOS X-BARRA Y 83
6.5. GRFICOS INDIVIDUAL Y MR-BARRA
88

7. EVALUACION DEL SISTEMA DE MEDICION PARA DATOS CONTINUOS


95
7.1. DEFINICIONES ELEMENTALES DE METROLOGIA 95
7.1.1. INTRODUCCION
95
7.1.2. SISTEMA DE MEDICION 95
7.1.3. GAGE 95
7.1.4. METROLOGIA 95
7.1.5. PATRON
95
7.1.6. CALIBRACION 95
7.1.7. CAPACIDAD 95
7.1.8. PRECISION 95
7.1.9. POSIBLES FUENTES DE VARIACION DENTRO DE UN PROCESO
96
7.1.10. CALIBRACION Y ESTABILIDAD 96
7.1.11. REPETIBILIDAD 96
7.1.12. LINEALIDAD 96
7.1.13. ESTUDIO GAGE R&R
96
7.2. METODOLOGIA DE ANALISIS 97
7.2.1. METODO X BARRA R
97
7.2.2. METODO ANOVA
97
7.3. CONCLUSIONES DE ESTE ANALISIS 97
7.4. DISEOS CRUZADOS 97
7.5. CASO DE ESTUDIO 98
7.6. DISEOS ANIDADOS 104

8. BIBLIOGRAFIA 105
MINITAB - CONCEPTOS BASICOS

INTRODUCCION

Minitab es un programa computacional de tipo estadstico que ha sido


diseado especialmente para el trabajador que no tengan necesariamente
experiencia previa con Pcs, es muy fcil de usar, Flexible y bastante
"poderoso". Este tipo de programas ha sido preparado especialmente para
trabajar con archivos de datos de tamao moderado. Puntualmente Minitab
es un conjunto de programas especialmente diseado para ejecutar
procedimientos netamente estadsticos tales como: Tablas y Grficos,

4
calcular medidas de tendencia central y de dispersin, tomar decisiones en
base a la informacin contenida en una o dos muestras, efectuar un control
estadstico de procesos, hacer una anlisis de Diseos experimentales,
realizar mediante modelos de regresin la optimizacin de un proceso Etc.

Ambiente de trabajo del Minitab

Para Iniciar Minitab

1. Desde la barra de tareas elija

Inicio > Todos los programas> Minitab Solutions >


Minitab 15 Statistics Software English.

2. Desde el escritorio haga clic en el siguiente Icono

Esta es la forma grafica que toma el icono Minitab,


Normalmente se ubica en el escritorio de Windows o
en una carpeta especialmente creada al momento de
instalar el programa.

Para salir de Minitab

1. Elija File > Exit

1.- El AMBIENTE DE MINITAB

1.1.- Ventana de Sesin: Muestra los resultados de los anlisis (tablas,


estadsticas) en formato texto. Adems, tambin permite introducir las
rdenes directamente como forma alternativa al uso de los mens.

5
1.2. WORKSHEET: Estas ventanas contienen filas y columnas (C1, C2..) en
las que se introducen los datos del anlisis. Puede trabajar con varias hojas
de datos a la vez en el mismo proyecto.

1.2.1. MENS DISPONIBLES EN MINITAB

File Edit Data Calc Stat Graph Editor Tools Windows Help

1.2.1.1. EL MEN FILE

Entrega opciones para abrir, unir y guardar hojas


de clculo de Minitab. Puede ser usado para ver
la informacin relacionado con la hoja de clculo
de Minitab y tambin para imprimir las hojas de
clculo.

6
1.2.12.MEN EDIT

Especialmente til para editar los datos,


presenta opciones para cortar, copiar, pegar
y borrar datos esto se puede realizar desde la
ventana de datos o texto de la ventana de
trabajo.

1.2.1.3. MEN DATA

Entrega opciones para ordenar y sortear los


datos, adicionalmente, presenta opciones para
borrar filas, eliminar variables y copiar
columnas. Siendo la opcin mas til de este
men la de codificar valores. Por ejemplo es
posible crear una variable categrica desde una
variable cuantitativa.

Al mismo tiempo Subset Worksheet se usa


para copiar ciertas lneas desde la hoja de datos
activa a otra hoja de datos. Se puede hacer el
Subset en funcin de los nmeros de lnea o de
alguna condicin especfica cumplan los valores.
Split Worksheet se usa para separar la hoja de
datos activa en dos o ms nuevas hojas de datos
basndose en una o ms variables del campo
By
Variables. Unstack Columns sirve para separar
bloques de columnas en otras ms cortas.

7
1.2.1.4. MEN CALC.

Permite hacer operaciones aritmticas,


comparaciones,
Operaciones lgicas, funciones y operaciones
por columnas. Las expresiones pueden incluir
columnas, constantes almacenadas, nmeros y
texto, pero no matrices.

1.2.1.5. MEN STAT:

Presenta la mayora de las


opciones de los mtodos
estadsticos de Minitab. Siendo
un anlisis estadstica preliminar
las opciones Estadstica Bsica y
Tablas (Tables).

1.2.1.6. MEN EDITOR

Entrega opciones para ser usadas con el


Editor del Minitab para entrar comandos que
antiguamente se ingresaban escribiendo en
la lnea de comandos. Es aqu donde se
define el formato de las columnas.

8
1.2.1.7. MEN TOOLS

Presenta Opciones que funcionan como


herramientas de calculo (Microsoft
calculador), presentar las barras de estado, ir
a otros archivos de Windows (Windows
Explore)

1.2.1.8. MEN DE WINDOWS

Presenta opciones para


controlar las actividades de la
ventana. Es particularmente til
para moverse entre ventanas,
en especial entre las ventanas
de trabajo. Aqu se presenta
otra ventana que Minitab tiene
por defecto, la ventana Project
Manager.

1.2.1.9. MENU PROJECT


MANAGER

Contiene carpetas que permiten


navegar, ver y manipular
diferentes partes del proyecto.
Al hacer clic con el botn
derecho del ratn en cualquiera
de las carpetas se podr tener
acceso a una variedad de
mens que le permitirn
manejar los resultados de la
ventana de trabajo, grficos y
reas relacionadas.

9
1.3. INICIANDO EL TRABAJO EN MINITAB

Al iniciar Minitab aparecen 2 ventanas:

1.- Ventana de
Sesin. Con la
fecha y hora y un
mensaje de
bienvenida. Se usa
para almacenar lo
que se produce
durante una sesin
de anlisis de
Minitab.
Clculo.

2. Ventana de datos. Permite


la entrada de datos, donde cada
columna representa una
variable y cada fila representa
una muestra o caso.

1.3.1. ENTRADA MANUAL DE DATOS.

En Minitab el nombre da cada variable debe ser de a lo menos de 31


caracteres de largo, pero debe de tratar que sea alrededor de ocho con la
finalidad que los campos no sean muy anchos. Para trabajar en esta
ventana es razonable Maximizar la pantalla.
Ingrese el siguiente grupo de datos:

Fallas
Mecnicas Frecuencia
CHK 45
PKR 55
TRP 78

10
PISA 65
1. en la primera fila ingrese el nombre de las variables haciendo Clic en la
celda gris bajo C1 y escriba el nombre de la variable Fallas mecnicas; en
tanto que en la siguiente fi.
2. Cada fila se denomina registro, usando la tecla enter mueva el cursor una
celda ms abajo. Los datos se introducen en el la hoja de datos y se editan
de manera similar a la hoja de clculo de Excel.

1.3.2. ABRIR UNA HOJA DE CLCULO DE EXCEL.

Para abrir una hoja de clculo previamente generada por Excel, use la
siguiente secuencia de acciones:
File> Open Worscheet. Se desplegara el siguiente cuadro de dialogo.

El ejemplo trata de rescatar la Data de mecnicos y motores .xls

En tipo de archivos elija Excel (.xls), esta opcin le permitir visualizar todos
los archivos de Excel que puede abrir en la ubicacin designada. Otra forma
de traspasar datos desde una planilla a otra es a travs de las teclas cortar
(o copiar) y pegar.

1.3.3. GUARDAR UNA HOJA DE CLCULO.

Desde File se accede a las opciones como crear un nuevo fichero, abrir uno
existente, grabar, leer datos de otras aplicaciones, imprimir
Hay varias opciones para grabar. Se pueden guardar las hojas de datos o
Worksheets (extensin *.MTW), los grficos (varias extensiones, entre ellas
la propia Minitab: *.MGF), o el proyecto entero (*.MPJ). Un archivo slo se
puede recuperar de la forma como ha sido grabado. Si se ha grabado como
Worksheet se recupera como Worksheet. Sucede lo mismo para los Project.

1.3.4. IMPRIMIR UNA SESION.

Se imprime desde la ventana de sesion que esta activa, haciendo Clic en


File > Print session Windows o haga clic en el icono de la impresora en
la barra de herramientas

11
2. ESTADSTICA

2.1. DEFINICIN

ciencia que se ocupa del estudio de fenmenos de tipo genrico,


normalmente complejos y enmarcados en un universo variable, mediante el
empleo de modelos de reduccin de la informacin y de anlisis de
validacin de los resultados en trminos de representatividad.

2.2. ESTADISTICA DESCRIPTIVA

Conjunto de tcnicas y mtodos que son usados para recolectar, organizar,


y presentar en forma de tablas y grficas informacin numrica. Tambin se
incluyen aqu el clculo de medidas estadsticas de centralidad y de
variabilidad

2.3. ESTADISTICA INFERENCIAL


Extraer conclusiones de una muestra, para inferirlas a una poblacin con un
determinado nivel de confianza.

12
2.3.1 ORGANIZACIN DE DATOS CUANTITATIVOS

2.3.1.1. TABLAS DE FRECUENCIAS


Cuando los datos son de una variable continua o de una variable discreta
que asume muchos valores distintos, ellos se agrupan en clases que son
representadas por intervalos y luego se construye una tabla de frecuencias.

Un Histograma, es la grfica de la tabla de distribucin de frecuencias


para datos agrupados, consiste de barras cuyas bases son los intervalos de
clases y cuyas alturas son proporcionales a las frecuencias absolutas (o
relativas) de los correspondientes intervalos.

Un histograma permite ver la


forma de la distribucin de los
datos, en particular, se puede
ver si hay simetra con respecto
al centro de la distribucin, del
grado de dispersin con
respecto al centro y permite
detectar datos anormales
(outliers) en la muestra. Para
obtener un histograma en
MINITAB se sigue la siguiente
secuencia Graph Histogram.
Luego, aparece una ventana de
dilogo similar a la figura
siguiente:

2.3.1.2. PRIMER CASO DE APLICACIN: Flechas

Se fabrican unas piezas metlicas en forma de flecha utilizando dos


maquinas inyectoras A y B, cada una de las cuales dispone de 4 moldes con
4 cavidades. Tal como se indica en la figura:

13
Se dispone de los siguientes datos que se encuentran en el archivo piezas
de metal.xls

Column
a Contenido
Defectos que se han ido en las piezas producidas
C1-T por la Maquina A
C2 -T Igual a C1 Para la Maquina B
Resistencia a la traccin de las piezas obtenidas
C3 al realizar 15 Inyecciones con la Maquina A
(15X4= 60 DATOS)
C4 Igual a C3 para la Maquina B
Cavidad a la que pertenecen los datos de las
C5-T columnas C3 y C4

Realizar el anlisis descriptivo:


Primeramente presentamos el histograma de frecuencias de la
resistencia de la maquina A

14
Interpretacin. El histograma aparentemente es simtrico. No existe
mucha variabilidad, ni hay valores anormales .
MINITAB elige automticamente el nmero de intervalos de clases, si se
desea cambiar el nmero de intervalos de clases, se coloca el cursor en el
eje horizontal y se oprime dos veces el botn izquierdo del ratn. Le aparece
una ventana de dilogo llamada Edit Bars.

En esta ventana puede cambiar el color de las barras (Attributes) y


cambiar el nmero de intervalos deseado donde aparece Binning. Adems
se puede entrar los puntos medios de los intervalos de clase que se desean.

2.3.2 PRESENTACIN DE DATOS CUALITATIVOS

En este caso los datos tambin se pueden organizar en tablas de


frecuencias, pero las frecuencias acumuladas no tienen mucho significado,
excepto cuando la variable es ordinal. Para obtener la tabla se sigue la
secuencia STAT Tables Tally. Si se desea obtener las frecuencias
acumuladas se pueden seleccionar en la ventana Tally.
Por ejemplo, la siguiente sera una tabla de frecuencias para la variable
Defectos de la maquina A.
Tally for Discrete Variables: Def Maq A

Def Maq A Count Percent


Decoloracion 24 11.43
Deformacin 90 42.86
Fractura 22 10.48
Mancha 47 22.38
Otros 4 1.90
Raya 19 9.05
Rebaba 4 1.90
N= 210

2.3.2.1 GRFICAS DE BARRAS

Las grficas de barras pueden ser verticales u horizontales. Las grficas de


barras se obtienen eligiendo la opcin Bar Chart del men Graph.

15
Aparecer la ventana de dilogo que aparece a la izquierda de la Figura.

Para comenzar, se debe elegir el significado


que tendrn las barras y si se desea una
grfica de barras simples, o barras
agrupadas o acumulativa.

Si se desea una grfica de barras verticales


simple, entonces se elige la opcin de
Counts of unique variables como el
significado de las barras y simultneamente
la opcin Simple.
Al oprimir OK, observar la segunda
ventana presentada en Figura.

2.3.2.2 GRFICAS CIRCULARES

Este tipo de grfica se usa cuando se quiere


tener una idea de la contribucin de cada
valor de la variable al total. Aunque es usada
ms para variables cualitativas, tambin
podra usarse para variables cuantitativas
discretas siempre que la variable no asuma
muchos valores distintos.
Para obtener grficas circulares se usa la
opcin Pie Chart del men Graph. Las
ventanas de dilogo de Pie Chart que se
muestran en la Figura. La grfica permitir
ver como se distribuyen los tipos de Fallas
para la maquina A.

16
La ventanita de Chart values from table se usa slo en el caso que en una
columna estn las categoras de la variable y en la otra la frecuencia con
que se repite cada categora.

En la Figura se presenta la grfica de crculo para la variable Defectos de la


Maquina A.

Existen formas de modificar la grfica de


crculo para enfatizar ciertas ideas. Por
ejemplo, se puede resaltar uno o varios
pedazos (slices) mediante el uso de
Explore slice. Esta opcin se logra
seleccionando el pedazo(s) que se
quiere(n) explotar. Luego, se oprime el
botn izquierdo del ratn y se selecciona
Edit Pie. La ventana de dilogo que se
obtiene se muestra en la Figura.

En esta ventana, se puede tambin


modificar el color del pedazo. Si se
selecciona la grfica completa antes de ir
a Edit Pie, hay la posibilidad de
combinar pedazos que contribuyan con
un porcentaje muy bajo al total o de
colocar el nombre asociada a cada
categora en la grfica. En la Figura, se
muestra la grfica de la variable defectos
producidos por la Maquina A segn se
ha descrito anteriormente.

Presentar el anlisis para la Maquina B

17
2.3.3.3. SEGUNDO CASO DE APLICACIN: PARADA

Los siguientes datos provienen de la planta Industrial Siderperu durante los


meses de Abril y Junio 2008 DATA PARADA

Duracin
fecha Maquina Tipo Responsable Motivo Duracin Cdigo
centesimal
NO DESULFURAR
01/04/2008 CONV LD PROGRAMADAS OPERACIN ARRABIO 0.58 CLDNO012 0.97
NO
01/04/2008 CONV LD PROGRAMADAS SERVICIOS NAVE COLADA 0.03 CLDNS010 0.05
NO ENFRIANDO
01/04/2008 CONV LD PROGRAMADAS OPERACIN METAL 0.03 CLDNO014 0.05
MEDIR ALTURA
01/04/2008 CONV LD PROGRAMADAS PROGRAMADAS LANZA 0.06 CLDPP007 0.10
PREF. CONV.
01/04/2008 CONV LD PROGRAMADAS PROGRAMADAS LD2 0.54 CLDPP010 0.90
NO COLADA
01/04/2008 CONV LD PROGRAMADAS VARIOS CONTINUA # 3 0.51 CLDNV002 0.85
NO AGRANDANDO
01/04/2008 CONV LD PROGRAMADAS OPERACIN BOCA LD 0.19 CLDNO002 0.32
NO REP. HUECO DE
01/04/2008 CONV LD PROGRAMADAS OPERACIN COLADA 3.57 CLDNO023 3.95
MEDIR ALTURA
01/04/2008 CONV LD PROGRAMADAS PROGRAMADAS LANZA 0.06 CLDPP007 0.10
PREF. CONV.
01/04/2008 CONV LD PROGRAMADAS PROGRAMADAS LD1 2.17 CLDPP009 2.28
NO ENFRIANDO
01/04/2008 CONV LD PROGRAMADAS OPERACIN METAL 0.06 CLDNO014 0.10
01/04/2008 COCO2 PROGRAMADAS PROGRAMADAS PASAR COLAS 0.40 CC2PP011 0.67
NO
01/04/2008 COCO2 PROGRAMADAS MANTENIMIENTO MECANICO 0.40 CC2NM003 0.67
PREPARAR
01/04/2008 COCO2 PROGRAMADAS PROGRAMADAS MAQUINA 0.15 CC2PP014 0.25
.. .. .. .. .. .. .. ..
.. .. .. .. .. .. .. ..
NO GRUAS
30/06/2008 HHEE2 PROGRAMADAS VARIOS OCUPADAS 0.20 HE2NV004 0.33
NO
30/06/2008 HHEE2 PROGRAMADAS MANTENIMIENTO ELECTRICO 0.10 HE2NM002 0.17
RESTRICCIN
30/06/2008 HHEE2 PROGRAMADAS PROGRAMADAS ENERGIA 5.05 HE2PP013 5.08
NO
30/06/2008 HHEE2 PROGRAMADAS MANTENIMIENTO ELECTRICO 4.55 HE2NM002 4.92
NO
30/06/2008 HHEE2 PROGRAMADAS MANTENIMIENTO ELECTRICO 0.04 HE2NM002 0.07

18
19
2.3.4. CLCULO DE MEDIDAS ESTADSTICAS.

Hay dos tipos principales de medidas Estadsticas: medidas de Tendencia


Central y medidas de Variabilidad.

Las medidas de tendencia central dan una idea del centro de la


distribucin de los datos. Las principales medidas de este tipo son la media
o promedio aritmtico, la mediana, la moda. Los Cuartiles: Son valores
que dividen a la muestra en 4 partes aproximadamente iguales. El 25% de
los datos son menores o iguales que el cuartil inferior o primer cuartil,
representado por Q1. El siguiente 25 % de datos cae entre el cuartil inferior
y la mediana, la cual es equivalente al segundo cuartil.

Las medidas de variabilidad expresan el grado de concentracin o


dispersin de los datos con respecto al centro de la distribucin. Entre las
principales medidas de este tipo estn la varianza, la desviacin estndar.
Aparte tambin hay medidas de posicin, como son los cuartiles, deciles y
percentiles. Adems, una medida de asimetra (skewness) y una medida
de aplanamiento (kurtosis).

2.3.5.1 MEDIDAS DE CENTRALIDAD

La media o promedio se obtiene sumando todos los datos y dividiendo


entre el nmero de datos. Es decir, si x1, x2,,xn, representan las
observaciones de una variable X en una muestra de tamao n, entonces la
media de la variable X est dada por:

La mediana es un valor que divide a la muestra en dos partes


aproximadamente iguales. Es decir, como un 50 por ciento de los datos de
la muestra sern menores o iguales que la mediana y el restante 50 por
ciento son mayores o iguales que ella.

La moda es el valor (o valores) que se repite con mayor frecuencia en la


muestra.

2.3.5.2 MEDIDAS DE VARIABILIDAD

El rango o amplitud es la diferencia entre el mayor y menor valor de la


muestra. Mientras mayor sea el rango existe mayor variabilidad.
Lamentablemente el rango es bien sensible a la presencia de "outliers".

La varianza es una medida que da una idea del grado de concentracin de


los datos con respecto a la media.

La desviacin estndar es la raz cuadrada positiva de la varianza y tiene


la ventaja que est en las mismas unidades de medida que los datos.

20
2.3.5.3 CLCULO DE MEDIDAS ESTADSTICAS USANDO MINITAB

En MINITAB se pueden calcular


simultneamente varias medidas
estadsticas de centralidad y de
variabilidad para un conjunto de
datos, para esto se elige la opcin
Display Descriptive Statistics del
submen de Basic Statistics del
men STAT. La ventana de dilogo
de Display Descriptive Statistics
para calcular las medidas
estadsticas de la variable
Resistencia del caso de aplicacin
FLECHAS segn cavidad, se realiza
de la siguiente manera:

Descriptive Statistics: Res Maq A

Variable Cavidad N N* Mean SE Mean StDev Minimum Q1 Median


Res Maq A Cavidad 1 15 0 39.600 0.638 2.473 35.000 38.000 40.000
Cavidad 2 15 0 38.600 0.533 2.063 35.000 37.000 39.000
Cavidad 3 15 0 42.267 0.452 1.751 39.000 41.000 43.000
Cavidad 4 15 0 38.667 0.475 1.839 35.000 38.000 39.000

Variable Cavidad Q3 Maximum


Res Maq A Cavidad 1 42.000 44.000
Cavidad 2 40.000 42.000
Cavidad 3 44.000 45.000
Cavidad 4 40.000 42.000

Donde: N representa el nmero de datos;


N* representa en nmero de datos perdidos,

21
Mean, la media muestral;
Median, la Mediana;
StDev, la desviacin Estndar;

Si se oprime el
botn Graphs
antes de oprimir
OK en la ventana
de dilogo
anterior se
obtiene la
siguiente ventana
de dilogo que
permite hacer
histogramas,
individual value
plot, y boxplot.

Tambin es posible obtener un


resumen grfico del conjunto de
datos eligiendo
Stat-> Basic Statistics ->
Graphical Summary. Los
resultados que ofrece Minitab son:

22
2.3.6. DATOS BIVARIADOS CATEGRICOS.

Para organizar datos de dos variables categricas o cualitativas se usan


tablas de doble entrada. Los valores de una variable van en columnas y los
valores de la otra variable van en filas. Para hacer esto en MINITAB se elige
la opcin Tables del men Stat. y luego la opcin Cross Tabulacin del
submen de Tables.
Hay dos maneras de usar Cross Tabulation dependiendo de como se han
entrado los datos. Primero, cuando los datos de cada variable estn dados
en dos columnas distintas. O sea, como si hubiesen sido las contestaciones
de un cuestionario.

Ejemplo. Para el caso de aplicacin de Data parada, supongamos que


deseamos establecer si hay relacin entre las variables tipo de parada y
Maquina:

Asumiendo que los datos son


ingresados en dos columnas: C2-T:
Maquina y C3-T: Tipo de parada, la
ventana de dilogo de Cross
Tabulation and Chi-Square se
completar como aparece en la
siguiente figura:

23
Ejemplo: realizar un grafico de Barras bivariado por tipo de parada de
acuerdo a la duracin centesimal de la parada.

Para hacer una grfica de barras


agrupadas se debe elegir Graph >
Bar chart, en bar represent
seleccionar la opcin value from a
table. Como se quiere una grfica
de duracin centesimal por tipo de
Maquina, se elige primero la variable
duracin centesimal y luego la
variable Maquina.

Para hacer una grfica de barras agrupada, se debe seleccionar Cluster, en


la

24
Primera ventana de dilogo. Luego en la segunda ventana de dilogo, se
eligen las variables por las cuales se quiere agrupar. Por ejemplo si
deseamos ver la distribucin de las maquinas de acuerdo al tipo de parada
variable escuela y luego, sexo.

2.3.7. DATOS BIVARIADOS CONTINUOS.

Si se quiere representar la relacin entre dos variables cuantitativas


entonces se usa un diagrama de dispersin (Scatterplot). Para obtener un
diagrama de dispersin entre dos variables X e Y se usa la opcin
Scatterplots del men Graph.

Caso de estudio:

El Jefe operativo de Minera Per desea determinar si hay relacin lineal


entre los aos de experiencia de sus Supervisores y la cantidad de
maquinarias que Arreglan por da. Los siguientes datos representan los
aos de experiencia (X) y las unidades de maquinarias arregladas al ao (Y),
de 10 supervisores.

25
Experienc UMAA
ia
3 9
4 12
6 16
7 19
8 23
12 27
15 34
20 37
22 40
26 45

26
La grfica se muestra en la siguiente
figura, donde adems cada punto es
marcado con el programa al cual
pertenece el estudiante, sto se
consigue eligiendo la opcin Labels
>Data Labels y luego entrando la
variable programa en la ventanita
correspondiente a Use labels from
column. Para cambiar de smbolo,
colores y tamaos a los puntos del
plot, oprima el botn de la izquierda
del ratn dos veces seguidos sobre
cualquiera de los
Smbolos para abrir la opcin Edit
Attributes.

2.3.7.1. CASO SE APLICACIN MAQUINARIA: Tomando los datos de la revista


Maquinaria de autos (Noviembre 2004) se creo el archivo Maquinaria de autos,
que contiene la caracterstica de un total de 247 autos.

Columna Contenido
C1 Marca del coche
C2 Modelo
C3 PVP
C4 Num.Cil.
C5 Cil.(cc)
C6 Pot.(CV)
C7 Long.
C8 Anch.
C9 Altura.
C10 Capacidad del Maletero
C11 Peso
C12 Consumo
C13 Velo.max (Km/hora)
C14 Aceleracin (Segundos en pasar de 0 a 100 Km/h).

Grafico del precio frente a la potencia

27
Una manera de saber que coches son los que tienen un precio muy elevado para su
potencia es colocar el cursor sobre cada uno de ellos. Si coloca el cursor sobre un
punto y espera unos segundos. Aparecer un cuadro amarillo que muestra a que fila
corresponde ese punto y sus valores de X a Y.

Otra forma de identificar


puntos, que permite marcar
mas de uno a la vez y que tiene
mas posibilidades, es utilizar la
utilidad BRUSH

Se pueden poner etiquetas a cada punto entrando en labels desde el cuadro de


dialogo inicial y haciendo clic en la pestaa data labels.

Para hacer un Zoom de una zona del diagrama hay que actuar sobre los valores
mnimos y mximo de los ejes. Para ello hay que hacer doble clic sobre el eje que
desee cambiar (abscisas u ordenadas) y en la pestaa escala deseleccione Auto
en Scale Range para escoger los valores que desee.

28
2.3.8 EL COEFICIENTE DE CORRELACIN

El coeficiente de correlacin lineal, llamado tambin coeficiente de


correlacin de Pearson, se representa por r y es una medida que representa
el grado de asociacin entre dos variables cuantitativas X e Y.

Se calcula por

La correlacin varia entre -1 y 1. Un valor de r cercano a 0 indica una


relacin lineal muy pobre entre las variables. Un valor cercano a 1 indica
que hay una buena relacin lineal entre la variable y adems al aumentar
una de ellas la otra tambin aumenta. Un valor cercano a 1 indica una
buena relacin lineal pero al aumentar el valor de una de las variables la
otra disminuye.
En MINITAB, el coeficiente de correlacin se puede obtener eligiendo la
opcin correlacin del submen Basic Statistics del men Stat.

29
Obtenindose el siguiente resultado:
Pearson correlation of Experiencia and UMAA = 0.984

Interpretacin:

Existe una buena relacin lineal entre los aos de experiencia y las unidades
reparadas por el supervisor. Adems mientras ms experiencia tiene el
supervisor ms unidades reparara. Se puede usar los aos de experiencia
para predecir las unidades que reparara anualmente a travs de una lnea
recta.

2.3.9 UNA INTRODUCCIN A REGRESIN LINEAL.

Si se ha determinado que la correlacin lineal entre las variables Y y X es


aceptable
Entonces el prximo paso es determinar la lnea que representa la tendencia
de la relacin entre las dos variables cuantitativas, sta es llamada la linea
de regresin estimada. La variable Y es considerada como la variable
dependiente o de respuesta y la variable X es considerada la variable
independiente o predictora. La ecuacin de la lnea de regresin es
y b 0 b 1 x
b
Esta ecuacin depende de dos constantes o parmetros ( 0 y
b1 ) que
calcularemos a partir de los datos observados.
b
- 1 : es la pendiente de la recta. Nos dice cmo vara en media la
variable dependiente (y) al variar la variable explicativa (x) en una
unidad.
b
- 0 : es la ordenada en el origen.
La recta se calcula minimizando la suma de los residuos al cuadrado.
b b
Este criterio para determinar 0 y 1 se denomina de mnimos cuadrados
ordinarios (MCO).
Como resultado de aplicar este criterio tenemos:
c o v ( x , y ) S y c o v ( x , y ) S y
b 1 r
S x2 S y S x
2
S x

Interpretacin de los coeficientes de regresin:

La pendiente b1 se interpreta como el cambio promedio en la variable de


respuesta Y cuando la variable predictora X se incrementa en una unidad
adicional.

30
Caso 2:
Datos de edad (X) y salario (Y) de 12 trabajadores del rea de operaciones
de la compaa Minera ZETA:

X 28 28 32 35 38 44 49 52 58 62 66 70
Y 2,2 2,2 3,8 4,2 4,2 5,3 7,3 6,4 6,7 5,3 6 5,1
Para los que se obtiene:

co v ( x , y ) 1 6 ,3 5
r 0 ,7 3
S xS y 1 4 ,2 9 1 ,5 7
Luego:
cov(x, y) S y 1 6 ,3 5 1 ,5 7
b1 2
r 2
0 ,7 3 0 ,0 8
S x S x 1 4 ,2 9 1 4 ,2 9
b 0 y b 1 x 4 , 8 9 0 , 0 8 4 6 , 8 3 1 ,1
La recta de regresin ser:
y i 1 , 1 0 , 0 8 x i

31
8

S A L A R IO
1,1+0,08x

1-
20 40 60 80

EDAD

Con estos datos, la prediccin del salario para un operario de 25 aos ser:
y 1 , 1 0 , 0 8 2 5 3 , 1
Mientras que para operarios de 30 y 40 aos ser, respectivamente:
y 1 , 1 0 , 0 8 3 0 3 , 5 y 1 , 1 0 , 0 8 4 0 4 , 3
Ejercicio: contrastar este ejemplo en Minitab.

2.3.9.1. CASO DE APLICACIN: MAQUINARIA DE AUTOS.

a) Realizar el anlisis de correlacin con respecto a las variables de


inters.
b) Asumiendo como variable dependiente los precios, presentar el
anlisis con respecto a cada una de las variables independientes
presentado en el estudio.

Sol:

PVP Num.Cil. Cil.(cc) Pot.(CV) Long. Anch. Altu.


Num.Cil. 0.759
0.000
Cil.(cc) 0.887 0.852
0.000 0.000
Pot.(CV) 0.740 0.829 0.854
0.000 0.000 0.000

32
Long. 0.527 0.478 0.678 0.568
0.000 0.000 0.000 0.000
Anch. 0.584 0.579 0.715 0.720 0.810
0.000 0.000 0.000 0.000 0.000
Altu. 0.007 -0.035 0.064 -0.114 0.195 0.103
0.910 0.579 0.318 0.074 0.002 0.107
Malete. 0.102 0.178 0.300 0.231 0.630 0.491 0.440
0.111 0.005 0.000 0.000 0.000 0.000 0.000
Peso 0.600 0.546 0.719 0.623 0.719 0.704 0.205
0.000 0.000 0.000 0.000 0.000 0.000 0.001
Consumo 0.766 0.750 0.840 0.846 0.656 0.722 0.210
0.000 0.000 0.000 0.000 0.000 0.000 0.001
Velo.max 0.593 0.683 0.743 0.930 0.590 0.719 -0.194
0.000 0.000 0.000 0.000 0.000 0.000 0.002
Acele. -0.576 -0.519 -0.664 -0.774 -0.491 -0.587 0.233
0.000 0.000 0.000 0.000 0.000 0.000 0.000

Malete. Peso Consumo Velo.max


Peso 0.414
0.000
Consumo 0.352 0.682
0.000 0.000
Velo.max 0.301 0.596 0.753
0.000 0.000 0.000
Acele. -0.227 -0.488 -0.657 -0.886
0.000 0.000 0.000 0.000

Cell Contents: Pearson correlation


P-Value
Se aprecia que nicamente la variable Altura del coche no influye sobre el
precio de venta de los mismos. En cambio el resto de variables tiene un
efecto significativo (p=0.000).

The regression equation is:

PVP = - 8279141 + 197471 Num.Cil. + 575 Cil.(cc) + 45491 Pot.(CV) + 785 Long.
+ 54252 Anch. - 15805 Altu. - 1785 Malete. - 83 Peso - 126032 Consumo
- 17788 Velo.max + 161976 Acele.

231 cases used, 16 cases contain missing values

Predictor Coef SE Coef T P


Constant -8279141 2827249 -2.93 0.004
Num.Cil. 197471 90321 2.19 0.030
Cil.(cc) 575.5 232.4 2.48 0.014

33
Pot.(CV) 45491 3793 11.99 0.000
Long. 785 2814 0.28 0.780
Anch. 54252 15146 3.58 0.000
Altu. -15805 10167 -1.55 0.121
Malete. -1784.5 664.7 -2.68 0.008
Peso -82.7 227.5 -0.36 0.717
Consumo -126032 87171 -1.45 0.150
Velo.max -17788 7803 -2.28 0.024
Acele. 161976 35182 4.60 0.000

S = 745766 R-Sq = 93.0% R-Sq(adj) = 92.6%

Analysis of Variance

Source DF SS MS F P
Regression 11 1.61667E+15 1.46970E+14 264.26 0.000
Residual Error 219 1.21800E+14 5.56166E+11

3. MODELADO DE LA CALIDAD DEL PROCESO

3.1. DISTRIBUCIN BINOMIAL

Considrese un proceso que consta de una secuencia de n ensayos


independientes. Por ensayos independientes se entiende que el resultado de
cada ensayo no depende en forma alguna del resultado de los ensayos
anteriores. Cuando el resultado de cada ensayo es "xito" o "fracaso", los
ensayos se llaman ensayos de Bemouili. Si la probabilidad de "xito" en
cualquier ensayo, por ejemplo, p es constante, entonces el nmero de
"xitos" x en los ensayos de Bernoulli tiene la distribucin binomial con
parmetros n y p, definida como:

34
La distribucin binomial se usa x p(x)
frecuentemente en la ingeniera de 0 0.2059
calidad. Es el modelo de probabilidad 1 0.3432
apropiado para hacer muestreos de 2 0.2669
una poblacin infinitamente grande, 3 0.1285
donde p represen la fraccin de
artculos defectuosos o disconformes 4 0.0428
en la poblacin. En estas aplicaciones, 5 0.0105
x suele representar el nmero de .
artculos disconformes encontrados en 15 0.0000
una muestra aleatoria de n artculos.
Por ejemplo. si p = 0.10 y n = 10,
entonces la probabilidad de obtener x
artculos disconformes se calcula con
la ecuacin como:

En MINITAB se pueden calcular la funcin de probabilidad


(Probability), la funcin de distribucin acumulada (Cumulative
probability) de la distribucin Binomial para cualquier valor de n y p.
Para esto hay que seguir la secuencia Calc Probability
Distributions Binomial.

a) Expresar en una tabla de valores la funcin de probabilidad y la


funcin de distribucin acumulada de la variable aleatoria X: Nmero
de artculos defectuosos encontrados en una muestra de tamao 15.

Solucin:

Primero hay que poner en una


columna, llamada x, todos
los valores posibles de la
variable. La ventana de
dilogo para el clculo de la
probabilidad acumulada
(similar es para calcular la
probabilidad) y los resultados
son como sigue:

35
Probability Density Function
Binomial with n = 15 and p = 0,1

x P( X = x )
0 0,205891
1 0,343152
2 0,266896
3 0,128505
4 0,042835
5 0,010471
6 0,001939
7 0,000277
8 0,000031
9 0,000003
10 0,000000
11 0,000000
12 0,000000
13 0,000000
14 0,000000
15 0,000000

b) Usar la tabla anterior para calcular la probabilidad de que la


muestra tenga:
i) Tenga exactamente 3 artculos defectuosos.
ii) Tenga 6 menos artculos defectuosos.
iii) Tenga por lo menos 4 buenas.

Ejercicio. El Departamento de recursos humanos de la CIA MINERA


Yanacocha ha determinado que el 5% de sus trabajadores solicita
descanso medico. se elige al azar 10 trabajadores del rea de
mantenimiento.
Cul es la probabilidad de que?:
a) Exactamente 2 de ellos soliciten descanso medico?
b) Exactamente 6 de ellos no lo soliciten?
c) Por lo menos 4 de ellos soliciten?

3.2. Hipergeomtrica: Poblacin de tamao N conteniendo d xitos


o unidades buenas. Tome muestra aleatoria de tamao n.
Supongamos que un envo recibido de 20 motores contiene dos
unidades defectuosas. La inspeccin de recepcin va a examinar una
muestra aleatoria de cuatro motores. Cul es la probabilidad de qu
ninguno de los cuatro sea defectuoso?

36
Hipergeomtrica con N = 20, X = 2, y n
=4
Dando como resultado=0.6316

3.3. LA DISTRIBUCIN NORMAL

La distribucin Normal, tambin llamada Distribucin Gaussiana en honor a


K. Gauss, es una del tipo continuo y es considerada la distribucin ms
importante en Estadstica por las numerosas aplicaciones que tiene. Su
comportamiento es reflejado por la Curva Normal que es la grfica de la
ecuacin.

Observamos que el 68.26% de los valores de la poblacin se localizan entre


los limites definidos por la media y mas menos una desviacin estndar. En
tanto que el 95.46% se encuentra entre mas menos dos desviaciones de la
media.

En el rea de control de calidad de procesos se acostumbra trabajar con


mas menos tres desviaciones estndar de la media que representa el

37
99.73% del area. Al mismo tiempo el la base para la construccin de la
teora de 6 sigma.

Si una variable aleatoria X tiene una distribucin Normal y queremos


calcular la
Probabilidad de que X caiga entre dos valores a y b entonces, debemos
hallar el rea debajo de la curva entre a y b, esto se puede hacer por un
proceso de Clculo llamado Integracin. Debido a que m puede asumir
cualquier valor real y que s puede asumir cualquier valor real positivo habra
que hacer un proceso de integracin en cada caso, lo cual complicara el
proceso de calcular la probabilidad en lugar de simplificarlo.
Afortunadamente se puede mostrar que cualquier normal puede ser
transformada en una que tiene media 0 y desviacin estandar 1 y la cual es
llamada la Distribucin Normal Estndar y se representa por Z.

Ejemplo:

38
En MINITAB se pueden
calcular la funcin de
densidad (Probability
density), la
funcin de distribucin
acumalada (Cumulative
probability) y los percentiles
(Inverse cumulative
probability) de la
distribucin Normal para
cualquier valor de la media
m y desviacin estndar s.
No se requiere
transformacin a una normal
estndar. Para esto hay que
seguir la secuencia Calc
Probability Distributions
Normal.

Obtenindose los siguientes Desarrollo con cambio de la media en


resultados: 0.0005.

39
Mediante una
operacin de suma
0.929243-
0.000002=0.919241
Se obtiene el resultado de 0.9973.

3.4. COTEJANDO SI HAY NORMALIDAD.

Cuando se trata de sacar conclusiones acerca de la poblacin usando los


datos de la muestra, se asume generalmente que la los datos de la
poblacin se distribuyen de forma normal. Como no se conocen todos los
elementos de la poblacin, se deben usar los datos de la muestra para
verificar si efectivamente la poblacin es Normal. Existen varias pruebas
estadsticas para verificar Normalidad.

En MINITAB, primero se elige la opcin Basic Statistics de Stat y luego


Normalita Test del submen que aparece. En este texto nosotros slo
discutiremos la forma bsica de detectar normalidad, la cual es a travs del
plot de Normalidad.

El plot de Normalidad consiste de un diagrama de puntos donde en el eje


vertical se considera los escores normales y en el eje horizontal los valores
de la variable. Si los puntos caen cerca de una lnea, entonces se dice que
hay Normalidad. En MINITAB este plot es obtenido siguiendo la secuencia
Graph Probability Plot. En la ventana que aparece elegir la opcin Single
como se muestra en la Figura.

Ejemplo. Usar un plot de Normalidad para verificar si la siguiente muestra


proviene de una poblacin Normal.

3.1 0.9 2.8 4.3 0.6 1.4 5.8 9.9 6.3 10.4 0 11.5

La ventana de dilogo se completar como se muestra en la figura. En la


opcin Distribution. Elegir normal y entrar los valores de la media y la
desviacin estndar correspondientes. Si estos valores no son entrados
manualmente, MINITAB los estimar Utilizando los datos. MINITAB produce el
plot que aparece en la Figura. En el eje horizontal aparecen los escores
normales y en el eje vertical las probabilidades acumuladas de dichos
escores.

40
Interpretacin: Los puntos caen cerca de la lnea y todos caen
dentro de las bandas de confianza, luego se puede concluir que la
poblacin de donde proviene la muestra es Normal.

3.4.1. CASO DE APLICACION: Maquinaria de autos.

41
Verificar si la Variable PVP, Velocidad Mxima y aceleracin satisfacen
los el Principio de Normalidad

Se puede apreciar que ninguna de las variables sometidas a estad io


satisfacen el principio de normalidad. Esta situacin se presenta
debido a que en los tres casos los puntos caen fuera de la linea de
control.
Esta situacin presentada no debe sorprendernos debido a que
tendriamos que ver si es posible realizar algun tipo de transformacin
(Box y Cox).

42
3.5.- No Normalidad: El uso de la Teora Normal para responder a
preguntas correctamente depende de que los datos sean realmente
normales y estables (ninguna causa especial). Esta parte investiga mtodos
para transformar datos no Normales
1. Porque necesitamos datos normales
2. Como probamos los datos normales
Todos los Datos
Datos estratificados
3. Como transformamos datos para hacerlos normales
Tipos de transformacin
Seleccin de transformacin
Mtodo Box-Cox

Consecuencias de utilizar Datos No normales


Ejemplo: Calcular la Sigma del
Proceso con una curva Normal
Para determinar la Sigma del
Proceso encuentre el rea que
representa los defectos ms all de
los lmites de especificacin:
[Encuentre la Fraccin defectuosa
en tabla Z ]. Si el dato no es normal,
el rea que representa los defectos
estar calculada incorrectamente
utilizando este mtodo y
representar de forma incorrecta la
Sigma del Proceso

Herramientas Afectadas por Datos No Normales.


HERRAMIENTAS CONSECUENCIAS DE LA NO
NORMALIDAD
Calculo del sigma de proceso Valor del sigma del proceso incorrecto
Diagrama de control de individuos Deteccin falsa de algunas causas
especiales.
Pruebas de hiptesis Conclusiones incorrectas sobre
diferencias entre grupos
Regresin Identificacin incorrecta de importantes:
Capacidades de predicciones pobres

43
Diseo de experimentos Conclusiones incorrectas sobre factores
importantes: capacidades de prediccin
pobre.
A veces las causas especiales hacen que los datos normales
aparezcan sesgados.

Busque factores que pudieran hacer que los datos aparezcan


sesgados
Siempre marque los datos por orden de tiempo
Busque desplazamientos en la media del proceso o la variabilidad,
Pueden ser causa del sesgo
Siempre estratifique los datos por otros factores
Un grupo particular puede estar causando el sesgo

Ejemplo: Tiempo de Inspeccin (tiempo lote)

Hay un ciclo regular cada mes desde valores altos en la primera mitad hasta
valores bajos en la segunda mitad. Utilice la mitad del mes como factor
estratificador.
Esta distribucin tiene resultado porque el nmero y cantidad de lotes
inspeccionados varan durante el mes. La inspeccin de lotes durante la
primera mitad del mes llev ms tiempo.

CASO DE APLICACION: Tiempo de Decisin

Antecedentes: El equipo de Mantenimiento preventivo recoge datos sobre


el tiempo que se tarda en tomar una decisin sobre la razn de aprobacin
de parada de una maquina.
Los Datos estn Disponible para 100 aplicaciones. El tiempo se da en das

1. Haga una histograma del tiempo 2. Haga un diagrama de


de decisin. probabilidad Normal del tiempo de
decisin.

44
Test de Normalidad
Stat>Basic Stat>Normality Test

Test de Normalidad 3.Est distribuido el tiempo de decisin de


forma Normal? Ejemplo: Diagrama de Serie
Temporal Graph > Time Series Plot Variables del:
Grfico: Time

Conclusin: Ninguno de los factores (decisin o zona) o el orden tiene


influencia en los datos. Por lo tanto, puede decirse que los datos no son
normales.

Tratamiento de Datos No Normales

45
Comprobar si los Datos Ajustan a una Comprobar si los Datos Ajustan a
Distribucin Conocida: Stat>Quality una Distribucin Conocida:
Tools>Individual Distribution Diagramas
Identification

Seleccionamos la log normal puesto que el la distribucin ms


simple con P value > 0.05.

Representar la Capacidad del Proceso: Stat>Quality Tools>Process


Capability > Process Capability Analysis Nonnormal

46
Una transformacin es una re-expresin de datos.

Ejemplos simples: Transformar minutos a segundos:1 minuto = 60


segundos, Transformar Centgrados a Fahrenheit:9/5C + 32 = F
Las Transformaciones lineales tienen esta forma: Y = aX + b Ud. Puede:
Multiplicar los datos por una constante, Aadir una constante a los datos

Cada uno de los ejemplos Transformacin de raz cuadrada


mostrados anteriormente es una
transformacin lineal. Multiplicar
o aadir constantes no afecta a
la forma (distribucin) de los
datos; solamente cambiar la
escala. El Cambio de
exponente afectar a la
forma de los datos.
Transformaciones de Cambio
de Forma.Cualquier
transformacin que no sea una
transformacin lineal cambiar la
forma de los datos.

Transformacin Log (o Ln)


Una Transformacin para Cambiar Formas Utilizada con Frecuencia es la
transformacin log es habitualmente apropiada para datos de ciclo de
tiempo.
Usando Minitab para Determinar la Transformacin: Stat>Control Charts

47
Diagrama Box-Cox

Validar la Normalidad de la Prueba de Normalidad de


Transformacin: Stat>Basic Stat Transformacin

Utilizando Lambda La Capacidad del Proceso

4. INFERENCIA ESTADSTICA.
La Inferencia Estadstica comprende los mtodos que son usados para
obtener conclusiones de la poblacin en base a una muestra tomada de ella.
Incluye los mtodos de estimacin de parmetros y las pruebas de
hiptesis.

Una Hiptesis Estadstica es una afirmacin que se hace acerca de un


parmetro poblacional. Por ejemplo, el tiempo de vida promedio de un
repuesto de motor es de 20 aos. La afirmacin que est establecida y que

48
se espera sea rechazada despus de aplicar una prueba estadstica es
llamada la hiptesis nula y se representa por Ho.

El nivel de significacin, representada por a, es la probabilidad de


cometer error tipo I, y por lo general se asume que tiene un valor de .05 .
01.

4.1 INFERENCIAS ACERCA DE LA MEDIA POBLACIONAL


(VARIANZA CONOCIDA).

Supongamos que de una poblacin normal con media desconocida y


varianza
Conocida, se extrae una muestra de tamao n, entonces de la distribucin
de la media muestral que se obtiene es:

es el valor de la normal estndar tal que el rea a la derecha de dicho valor


es a/2, como se muestra en la siguiente figura:

Sustituyendo la frmula de Z se obtiene:

Haciendo un despeje algebraico, se obtiene

Usualmente a = 0.1, .05 .01, que corresponden a intervalos de confianza


del 90, 95 y 99 por ciento respectivamente.

La siguiente tabla muestra los Za/2


ms usados.

Usando MINITAB se pueden hallar intervalos de confianza y hacer prueba de


hiptesis para m. Para esto se sigue la secuencia Stat > Basic Statistic
sample Z

49
Ejemplo.

El tiempo promedio diario de llegada de los equipos de mantenimiento de


Mina es normal con una desviacin estandar s = 13 y usa la siguiente
informacin. El Jefe de operaciones desea hallar un intervalo de confianza
del 90% para el tiempo promedio de todos los equipos con la misma
denominacin. Se toma una muestra de tamao 20 y se solicita el anlisis.

217 223 225 245 238 216 217 226 202 233 235
242 219 221 234 199 236 248 218 224

Solucin:

Despus de entrar
los datos en la
columna TP, la
ventana de dilogo
ser completada
como lo muestra la
siguiente figura:

No se escribe nada en la ventanita Test mean. Luego hay que oprimir el


botn Options para entrar el nivel de confianza como lo muestra la
siguiente figura:

Obtiendose los siguientes resultados


One-Sample Z: TP

The assumed standard deviation = 13


Variable N Mean StDev SE Mean 90% CI
TP 20 225,900 13,094 2,907 (221,119; 230,681)

Interpretacin: Hay un 90% de confianza de que los tiempos promedios de


llegada de todos los equipos de la marca en mencin se encuentre entre
221.12 y 230.68.

50
En la prctica si la media poblacional es desconocida entonces, es bien
probable que la varianza tambin lo sea . Si sta es la situacin, y si el
tamao de muestra es grande (n > 30, parece ser lo ms usado), entonces
s2 es estimada por la varianza muestral s2 y se puede usar la siguiente
frmula para el intervalo de confianza de la media poblacional:

Existen dos mtodos para hacer la prueba de hiptesis: el mtodo clsico y


el
mtodo del "P-value". En el mtodo clsico, se evala la prueba estadstica
de Z y al valor obtenido se le llama Z calculado (Zcalc). Por otro lado el nivel
de significancia a, definido de antemano determina una regin de rechazo y
una de aceptacin. Si Zcalc cae en la regin de rechazo, entonces se
concluye que hay suficiente evidencia estadstica para rechazar la hiptesis
nula basada en los resultados de la muestra tomada.
Las frmulas estn resumidas en la siguiente tabla:

Aqu Z a es el valor de la normal estndar tal que el rea a la derecha de


dicho valor es a. Recordar tambin que s puede ser sustituido por s, cuando
la muestra es relativamente grande (n > 30). Los valores de a ms usados
son 0.01 y 0.05. Si se rechaza la hiptesis nula al .01 se dice que la
hiptesis alterna es altamente significativa y al .05 que es significativa.
Trabajar slo con esos dos valores de a simplificaba mucho el aspecto
computacional, pero por otro lado creaba restricciones. En la manera
moderna de probar hiptesis se usa una cantidad llamada P-value.

Frmulas para calcular P-value: Depende de la forma de la hiptesis


alterna

51
A travs de todo el texto usamos el mtodo del P-value para probar
hiptesis.

4.2 INFERENCIAS ACERCA DE LA MEDIA POBLACIONAL (VARIANZA


DESCONOCIDA)

Supongamos que la poblacin es normal con media y varianza desconocida


y que se desea hacer inferencias acerca de m, basada en una muestra
pequea (n < 30) tomada de la poblacin. En este caso la distribucin de la
media muestral x ya no es normal, sino que sigue la distribucin t de
Student.
La distribucin t de Student es bastante similar a la Normal Estndar, con la
diferencia que se aproxima ms lentamente al eje horizontal. El parmetro
de esta distribucin es llamado grados de libertad, y se puede notar que a
medida que los grados de libertad aumentan, la curva de la t y la curva
normal estndar se asemejan cada vez ms.

Tambin se pueden hacer las siguientes pruebas de hiptesis:

En MINITAB, para hallar intervalos de confianza y hacer pruebas de hiptesis


acerca de la media, cuando la varianza poblacional no es conocida, hay que
seguir la secuencia Stat > Basic Statistics> 1-sample t.
Ejemplo.

Los tiempos de falla de un dispositivo para el equipo KMS (en aos) de 12


equipos que se han sometido a prueba son los siguientes:

Hallar un intervalo de confianza del 99 por ciento para el promedio de vida


de todos los dispositivos de los equipos MKT que se han sometido a prueba.

52
Solucin:

Asumiendo que la columna


Tiempo contiene los datos, la
ventana de dilogo 1-sample
t se completar como se
muestra en la Figura

Notar que la ventana de dilogo


es similar a la de 1-sample Z.
A continuacin hay que oprimir el
botn Options para entrar al nivel
de confianza deseado en la
ventanita Confidence Level como
se muestra en la Figura 7.8.
Los siguientes resultados
aparecern en la ventana
session:

Ejemplo.
Continuando con el ejemplo, El supervisor de equipos afirma que el tiempo
de vida promedio es mayor que 4 aos. A qu conclusin se llegar
despus de hacer la prueba de hiptesis?

Solucin:
La hiptesis nula es H0: m = 4 (el tiempo de vida promedio es 4 aos) y la
hiptesis alterna es Ha: m > 4 (el tiempo de vida promedio es mayor que 4
aos).

53
La ventana de dilogo 1-sample
t se completar como se
muestra en la Figura 7.9. Luego
hay que oprimir el botn
Options y elegir greater than
en la ventanita Alternative.

Interpretacin: El valor del P-value (el rea a la derecha de 0.64) es .267


mayor que el nivel de significacin a = 0.05, por lo tanto NO se rechaza la
hiptesis nula y se concluye de que no hay evidencia de que el tiempo
promedio de vida haya aumentado de 4 aos.

Ejercicio: Realizar en Minitab lo siguiente:

Se presentan los resultados de desgaste de frenos del equipo MKT, Se


solicita a un nivel de confianza del 95% que pruebe que el desgaste de
frenos de es 40.5, con los datos obtenidos de una muestra de tamao 7,
presente el informe a su superior inmediato.

Ho: U =40.5
H1: U 40.5
Se tiene que:
UO = 40,500
1 41,020
2 47,560
3 41,230
4 43,090
5 40,890
6 36,560
7 44,750
Promedio 42,157
Desv. Estndar 3,4610
t calculado 1,267
t tabulado = 2,96868668
t calculado 1,267
Por lo tanto, se acepta la hiptesis nula

54
4.3. COMPARACIN ENTRE DOS MEDIAS POBLACIONALES USANDO
MUESTRAS INDEPENDIENTES.

Paso previo:

4.3.1. COMPARANDO LA VARIANZA DE DOS POBLACIONES.

Es el principio bsico para la realizacin previa de las pruebas de


comparaciones de promedios muy independientes del supuesto de
Normalidad. Su distribucin terica es la siguiente.

MINITAB hace pruebas de igualdad de varianza de dos o ms grupos. Para


esto se selecciona la opcin 2 Variances del submen Basic Statistics del
men STAT. Otra posibilidad es elegir Test for Equal Variances del submen
ANOVA del men STAT.

Ejemplo (Data flotas):

En el siguiente ejemplo se trata de comparar las varianzas de lo planificado


por dos flotas de Camiones. Los datos recolectados son:

%
Muestra Planificado Flotas
1 58 Flota QST
2 63,8 Flota QST
Flota
3 64,2 MWK
4 70,4 Flota QST
Flota
5 76,7 MWK
Flota
6 64,1 MWK
Flota
7 72,1 MWK
Flota
8 62,5 MWK
9 69,4 Flota QST
10 61,5 Flota QST
11 61,7 Flota QST
12 62,3 Flota QST

55
Flota
13 68,9 MWK
14 68,9 Flota QST

La ventana de dilogo de 2 Variances se completar como lo muestra la


Figura.
Test for Equal Variances for % Planificado
F-Test
Test Statistic 1,50
Flota MWK P-Value 0,601
Levene's Test

F lo t a s
Test Statistic 0,30
P-Value 0,594
Flota QST

2 4 6 8 10 12 14 16
95% Bonferroni Confidence Intervals for StDevs

Flota MWK
F lo t a s

Flota QST

60 64 68 72 76
% Planificado

Oprimiendo el botn Options se puede elegir el nivel de confianza y poner


un ttulo a la grfica que aparecer:
Test for Equal Variances: % Planificado versus Flotas
95% Bonferroni confidence intervals for standard deviations
Flotas N Lower StDev Upper
Flota MWK 6 3,24522 5,53477 15,8347
Flota QST 8 2,82368 4,51347 10,3380
F-Test (normal distribution)
Test statistic = 1,50; p-value = 0,601
Levene's Test (any continuous distribution)
Test statistic = 0,30; p-value = 0,594
4.3.2. PRUEBA DE COMPARACIN DE MEDIAS.

Supongamos que se tienen dos poblaciones distribuidas normalmente con


medias desconocidas m1 y m2, respectivamente. Se puede aplicar una
prueba t de Student para comparar las medias de dichas poblaciones
basndonos en dos muestras independientes tomadas de ellas.

Las frmulas para las pruebas de hiptesis son las siguientes:

56
Las frmulas se pueden generalizar para probar hiptesis de las diferencias
de las dos medias es una cantidad especificada Do. En MINITAB, para
hallar intervalos de confianza de diferencia de dos medias poblacionales y
hacer prueba de hiptesis para comparar dos grupos se sigue la secuencia
STAT>2-sample t.

Ejemplo. Se desea comparar si el porcentaje de lo programado de dos


flotas para camiones, tienen igual rendimiento. Realizar esta prueba al 95%.
Solucion:
Se concluy usando la
prueba de F que haba
igualdad de varianzas de
las 2 flotas de donde
provenan las muestras.
Luego la ventana de
dilogo 2 sample t se
completa como se muestra
en la Figura.

La opcin Samples in different columns se usa cuando las dos muestras


estn en columnas separadas. Notar adems que la opcin Assume equal
variances aparece marcada. Al oprimir el botn Options se puede elegir el
nivel de confianza, el valor de la hiptesis que se quiere probar y la
direccin de la hiptesis alterna tal como se muestra en la Figura.

57
Two-Sample T-Test and CI: % Planificado; Flotas
Two-sample T for % Planificado
Flotas N Mean StDev SE Mean
Flota MWK 6 68,08 5,53 2,3
Flota QST 8 64,50 4,51 1,6

Difference = mu (Flota MWK) - mu (Flota QST)


Estimate for difference: 3,58333
95% CI for difference: (-2,25849; 9,42516)
T-Test of difference = 0 (vs not =): T-Value = 1,34 P-Value = 0,206 DF = 12
Both use Pooled StDev = 4,9646

Interpretacin: El valor del P-valu es 0.206 mayor que el nivel de


significacin a = 0.05, por lo tanto NO se rechaza la hiptesis nula y se
concluye de que no hay evidencia de que las dos flotas tengan un
rendimiento distinto en lo planificado. El nmero de grados de libertad de la
t es 12. Notar que el intervalo de confianza del 95% para la diferencia es (
22.6, 94.3) que contiene a cero, sta es otra manera de justificar que se
acepta la hiptesis nula.

Interpretacin: No se puede apreciar una marcada diferencia entre las


medianas (representadas por las lneas dentro de las cajas), ni las medias
(representadas por los puntos) de los grupos. La variabilidad de los dos
grupos tambin es bastante similar ya que los dos boxplots tienen
alargamiento casi similar.
Si las varianzas de las poblaciones no son iguales, entonces se usa
una prueba aproximada de t.

Ejemplo: Usando los datos del Ejemplo anterior, probar si el rendimiento de


la flota MWK es superior a QST.
Flota MWK Flota QST
64,2 58
76,7 63,8
64,1 70,4
72,1 69,4
62,5 61,5
68,9 61,7
62,3

58
68,9

Welcome to Minitab, press F1 for help.

Two-Sample T-Test and CI: Flota MWK; Flota QST


Two-sample T for Flota MWK vs Flota QST
N Mean StDev SE Mean
Flota MWK 6 68,08 5,53 2,3
Flota QST 8 64,50 4,51 1,6

Difference = mu (Flota MWK) - mu (Flota QST)


Estimate for difference: 3,58333
95% upper bound for difference: 8,65415
T-Test of difference = 0 (vs <): T-Value = 1,30 P-Value = 0,886
DF = 9

Interpretacin: Como el P-valu es .083 > .05 aunque no por mucho, se


concluye que no hay suficiente evidencia de que el promedio de la flota
MWK sea mayor que el QST.
Ejercicio 01

Dos Mecnicos (Tcnicos) del rea de Mantenimiento de Mina midieron el


terminado superficial de una pieza metlica, obtenindose los datos que se
muestran abajo.

Tcnico 01 Tcnico 02
1.45 1.54
1.37 1.41
1.21 1.56
1.54 1.37

59
1.48 1.20
1.29 1.31
1.34 1.27

Ud como responsable del anlisis con un nivel de significancia del 5% a que


conclusiones arribara.

Ejercicio 02 (Data calibrador)


Doce Inspectores miden el dimetro de una varilla metlica de un equipo de
Mantenimiento. Utilizando cada uno de ellos un tipo de calibrador
micrmetro y un calibrador vernier. Los resultados se muestran abajo.
Existen diferencias entre las diferencias medias producidas por los dos
tipos de calibradores? Utilizar ALPHA = 0.01.

Calibrador
Inspect micrmet
or ro Vernier
1 0.15 0.151
2 0.151 0.15
3 0.151 0.151
4 0.152 0.15
5 0.151 0.151
6 0.15 0.151
7 0.151 0.153
8 0.153 0.155
9 0.152 0.154
10 0.151 0.151
11 0.151 0.15
12 0.151 0.152

5. CONTROL ESTADSTICO DE PROCESOS

En todo momento se ha de ser consciente de que los mtodos estadsticos


empleados no son ms que una herramienta para la consecucin de la
calidad. La calidad es un objetivo estratgico y no un conjunto de tcnicas

5.1. PRIMERA ETAPA: INSPECCIN DEL PRODUCTO ACABADO

La calidad tena por nico objetivo la inspeccin del producto final. El


papel de la estadstica en dicha inspeccin es claro. La inspeccin del
100% de la produccin (inspeccin total) es, en general, inviable, por lo
que es necesario recurrir al diseo de un muestreo estadstico. El

60
objetivo es disear un muestreo tal que el resultado de la inspeccin de
la muestra sea representativo de la calidad del conjunto de la
produccin.

Calidad en 1900-1930: Calidad es cumplir las


especificaciones

5.2. SEGUNDA ETAPA: CONTROL DE LA PRODUCCIN INTERMEDIA

A medida que los procesos industriales aumentaron en complejidad se


hizo ms necesaria la extensin de la inspeccin estadstica a la etapa
de fabricacin, y no slo al final del proceso. Es necesario minimizar la
produccin de unidades defectuosas y la deteccin de desajustes de
manera rpida y eficiente. El objetivo es, por tanto, minimizar costos.
Esta inspeccin a lo largo del proceso productivo es lo que se conoce
como Control Estadstico de Procesos (o SPC). Este tipo de control se
basa en el monitoreo de caractersticas fsicas del producto (longitud,
dimetro...) o de variables del proceso (temperatura, presin, nmero
de fallos o reclamaciones, tiempo de atencin al cliente.

Definicin de Calidad en 1930-1960: Calidad es control de la


variabilidad

5.3. TERCERA ETAPA: EL DISEO DEL PRODUCTO

Alrededor de los aos 60 empez a extenderse una nueva corriente en


la mejora de los procesos industriales y la prestacin de servicios.
Dicha corriente consista en el empleo de la estadstica para, a partir de
la observacin, encontrar aquellos factores que proporcionan mejoras
en los productos, procesos o servicios. A este conjunto de tcnicas se
les denomina diseo de experimentos. La expansin de su uso en el
mundo occidental fue bastante lenta, siendo pionera en este caso la
industria qumica.

Definicin de Calidad en 1960-1980: Calidad es mejora

5.4. CUARTA ETAPA: CALIDAD TOTAL

Debido tambin a la influencia japonesa, el concepto de calidad se


extiende no slo al proceso productivo sino a toda la estructura
organizativa. La idea bsica es que no slo el producto o servicio que
realiza la empresa ha de tener calidad sino que toda actividad que se
realiza en ella ha de estar regida por criterios de calidad. La idea de
cliente se extiende a todos los departamentos de la organizacin.
La calidad comenzar con la concepcin y diseo del producto (o
servicio) que realice cada equipo para su cliente interno y se extender
a todos los eslabones del proceso productivo. Por tanto, cada equipo
debe:

Calidad en 1980... : La Calidad es la satisfaccin de mi cliente


(externo o interno)

61
Los principios bsicos del concepto de Calidad Total pueden resumirse
en los siguientes puntos:

1. El cliente es lo ms importante
2. La calidad ha de mejorarse siempre
3. Toda actividad de la organizacin ha de estar enfocada a la calidad
4. La calidad se consigue a travs de las personas.

5.5. TCNICAS ESTADSTICAS PARA LA CALIDAD

Como se ha mencionado anteriormente, la utilizacin de la estadstica


constituye uno de los pilares fundamentales sobre los que se asienta la
calidad total. Afortunadamente, son muchas las tcnicas estadsticas
que pueden aplicarse para obtener mejoras en la calidad.
El anlisis de la varianza, el diseo de experimentos y el anlisis de
regresin son ampliamente utilizados para la mejora de procesos a
travs de la experimentacin. El anlisis de series temporales se utiliza
tanto para predecir la demanda como para construir sistemas de
control dinmico de procesos. Finalmente, el control estadstico de
procesos y el muestreo de aceptacin son las principales herramientas
que permiten asegurar que la calidad especificada en el diseo llega al
cliente.

Causas asignables: sern aquellas producidas por factores


importantes, los cuales es posible controlar para mantenerlos en un
nivel aceptable. Como puede verse, la definicin tiene un alto grado de
imprecisin, pues la declaracin de factor importante o de nivel de
control aceptable depender forzosamente de cada caso concreto. Por
ejemplo, si la temperatura afecta al rendimiento de un proceso
qumico, la variacin de la temperatura ser una causa de variabilidad
asignable. Por contra, en una planta de embalaje, la temperatura
ambiente no ser una causa asignable, pues al variar no tiene por qu
alterarse el proceso.

Causas no asignables: son aquellas producidas por factores


secundarios cuyo efecto se considera poco significativo. Si las causas
no asignables son las que se asumen como inevitables, ellas sern las
que determinan el carcter aleatorio de las variables que se analizan
en el control estadstico. Estas causas no asignables sern lo que
hemos denominado el azar o componente aleatorio. La variabilidad
debida a causas no asignables determina, por tanto, la calidad final que
la organizacin deseara para toda su produccin.

5.6. PREDICCIN, CONTROL ESTADSTICO Y VARIABILIDAD

Lo dicho hasta ahora puede resumirse de la siguiente manera:

1. Aunque un proceso se encuentre bajo condiciones ptimas de


funcionamiento siempre tendr una produccin de calidad
variable.

62
2. Si el proceso se encuentra realmente bajo condiciones ptimas de
funcionamiento, la variabilidad ser debida slo a causas no
asignables y ha de ser, por tanto, asumida por la organizacin. El
control de un proceso es por tanto una tarea que se resolver
utilizando la estadstica. El control de un proceso a travs del
control de su variabilidad es lo que se denomina control estadstico
de procesos (o Statistical Process Control -SPC-). Para que este
control estadstico sea eficaz ha de realizarse a lo largo de todo el
proceso, y no slo al final del mismo. Si bien la aplicacin del
SPC es una tarea estadstica su definicin es una decisin
estratgica. Se deduce, por tanto, un primer aspecto importante
de un proceso que funciona correctamente:

5.7. HERRAMIENTAS BSICAS PARA EL CONTROL ESTADSTICO

Existe unanimidad en la literatura relacionada con el control estadstico


de la calidad en que las herramientas estadsticas son herramientas
esenciales para el control de un proceso. Se defiende que todos los
empleados tengan un conocimiento bsico en algunas de estas
herramientas que les permita su uso. Suelen estar agrupadas en tres
categoras en funcin del grupo de personas que deberan utilizarlas y
dominarlas.

5.7.1 TILES O HERRAMIENTAS DE BASE

Las siete herramientas bsicas, segn Ishikawa, deberan ser


dominadas por todos los empleados operativos. Son herramientas
descriptivas y visuales y se consideran que permiten resolver un
95% de los problemas de calidad en las empresas.

1. Plantillas de recogida de informacin


2. Histogramas
3. Diagramas de Pareto
4. Diagramas causa-efecto (o de espina de pescado)
5. Grficos de flujo.
6. Diagramas Bivariantes.
7. Grficos de control Bsicos.

5.7.2 TILES O HERRAMIENTAS INTERMEDIAS

Estas herramientas deberan ser dominadas por ingenieros y jefes


de fabricacin, y son:
Distribuciones estadsticas, estimacin y Test de hiptesis.
Control de recepcin.
Una introduccin al control de experimentos.
Grficos de control avanzados.
Anlisis de regresin simple y correlacin.

5.7.3 TILES O HERRAMIENTAS AVANZADAS

63
Estas herramientas deberan ser dominadas por los ingenieros
especializados o estadsticos especializados en el control de la
calidad.

Diseos y Anlisis de experimentos, Superficies de respuesta.


Anlisis de datos Multivariantes.
Tcnicas de Fiabilidad.
Anlisis de Series Temporales.
Otros mtodos especficos.
Veamos brevemente, en qu consisten al menos estas
herramientas bsicas.

5.7.3.1. PLANTILLAS DE RECOGIDA DE INFORMACIN

Es fcil comprender que la mejora de la calidad ha de sustentarse en datos.


Sin embargo, cuando se quiere consultar datos es frecuente observar que
stos no han sido obtenidos de forma planificada ni racional, limitando su
utilidad para cualquier anlisis mnimamente profundo.

5.7.3.2. HISTOGRAMAS

El histograma es, a pesar de su sencillez, una forma muy completa de


presentar la informacin. Sirve para visualizar:
Centralizacin: es importante ver si los valores se concentran alrededor
de uno o varios valores centrales, de forma que alejarse mucho de ellos sea
poco probable; o por el contrario, los datos se distribuyen de manera
uniforme en cierto rango.
Dispersin: los datos estn muy concentrados en un rango estrecho, o
por contra su rango es muy amplio
Atpicos: unos cuantos valores se alejan del resto
Asimetra: si hay asimetra en la distribucin de los datos quiere decir
que los valores muy altos tienen distinta probabilidad de ser obtenidos que
los muy bajos.
Se logran segn la ruta Graph/Histogram. Existen diferentes tipos de histogramas:

Planificacin
Lunes Martes Mircoles Jueves Viernes Sbado
74.6 74.6 81.6 75.4 69.8 68.4
74.5 85.9 65.8 63.5 95.7 69.4
77.0 113.7 57.8 69.9 74.5 74.3

64
70.7 77.9 74.5 63.7 77.0 63.2
79.4 76.4 77.0 72.1 70.7 68.4
74.6 95.7 70.7 71.6 79.4 76.9
85.2 78.4 79.4 69.4 74.6 75.4
81.6 84.6 74.6 69.8 85.2 74.8
67.9 97.4 85.2 83.5 81.6 78.9
63.7 74.5 81.6 69.7 67.9 77.0
72.1 77.0 67.9 68.4 63.7 76.7
71.6 70.7 63.7 70.7 72.1 77.0
69.4 79.4 72.1 79.4 71.6 70.7
69.8 74.6 71.6 74.6 69.4 79.4
83.5 85.2 69.4 85.2 69.8 74.6
83.5 81.6 69.8 81.6 83.5 85.2
74.9 67.9 83.5 67.9 79.3 81.6
73.2 63.7 74.9 63.7 76.3 67.9
70.7 70.7 73.2 67.5 79.8 63.7
79.4 79.4 70.7 85.3 70.7 72.1
88.6 74.6 79.4 88.6 79.4 71.6
70.7 85.2 74.6 70.7 74.6 69.4
79.4 81.6 85.2 79.4 85.2 69.8
70.7 67.9 81.6 74.6 81.6 83.5
79.4 63.7 67.9 85.2 67.9 67.9
74.6 72.1 63.7 81.6 63.7 63.7
85.2 71.6 72.1 67.9 72.1 70.7
81.6 69.4 71.6 63.7 71.6 73.2
67.9 69.8 69.4 72.1 69.4 70.7
63.7 83.5 69.8 71.6 69.8 79.4
72.1 83.5 83.5 69.4 83.5 74.6
71.6 69.7 85.2 69.8 69.8 63.7
69.4 68.4 81.6 83.5 83.5 72.1
69.8 70.7 63.7 72.1 83.5 71.6
83.5 79.4 72.1 71.6 72.1 69.4
67.9 71.6 71.6 69.4 71.6 69.8

65
Histogram of Lunes; Martes; Miercoles; J ueves; Viernes; Sabado
Normal
60 72 84 96 108
Lunes Martes Miercoles Lunes
20
Mean 74,82
StDev 6,366
15
N 36
Martes
10
Mean 77,56
StDev 10,00
5
Frequency

N 36
Miercoles
0
J ueves Viernes Sabado Mean 73,83
20 StDev 6,983
N 36
15
J ueves
Mean 73,45
10 StDev 6,966
N 36
5
Viernes
Mean 75,33
0 StDev 7,009
60 72 84 96 108 60 72 84 96 108
N 36
Sabado

Diagrama de Tallo y Hoja (Stem and Leaf):

66
Nos permite obtener simultneamente la distribucin de frecuencias de la
variable y su representacin grfica, es especialmente util cuando el
numero total de datos es pequeo (Menor de 50).
Las hojas permiten analizar la simetra, la normalidad y otras formas de la
distribucin de igual forma que el histograma.

Pasos en Minitab: Grficos > Stem and Leaf

Stem-and-leaf of Viernes N = 36
Leaf Unit = 1,0

2 6 33
10 6 77999999
(11) 7 00111222444
15 7 679999
9 8 113333
3 8 55
1 9
1 9 5

Stem-and-leaf of Sabado N = 36
Leaf Unit = 1,0

4 6 3333
4 6
6 6 77
13 6 8899999
18 7 00011
18 7 223
15 7 44445
10 7 6677
6 7 899
3 8 1
2 8 3
1 8 5
Otro grfico orientado a dar una informacin global es el Grfico de Caja y
bigotes (Box and Whisker Plot) o diagrama de caja (Boxplot).
Muestra en forma simultanea varias caractersticas de los datos tales como
localizacin o tendencia central, dispersin, Simetra y la localizacin de los

67
datos que se localizan inusualmente lejos del grueso de los datos (puntos
atpicos)

Dimetros de perforacin de tuercas (en mm) de un aparato mecnico

120.5 120.4 120.7


120.9 120.2 121.1
120.3 120.1 120.9
121.3 120.5 120.8

Boxplot of Diametros

120,6

120,0 120,2 120,4 120,6 120,8 121,0 121,2 121,4


Diametros

Los diagramas de caja son de gran utilidad en comparaciones graficas de


conjuntos de datos ya que tienen impacto visual y son fciles de entender.
ndice de Capacidad de tres
motores
Motor A Motor B Motor C
95 80 92
115 80 85
112 90 90
115 85 95
113 95 92
110 90 90
95 100 85
100 102 85
112 105 84

Pasos en Minitab: Grficos> Box Plot>

68
Boxplot of Motor A; Motor B; Motor C
120

110
Data

100

90

80

Motor A Motor B Motor C

Se puede apreciar que el motor B presenta mayor dispersin. En tanto que


el Motor A es el que presenta Mejor ndice de capacidad. Por otro lado el
Motor C Tiene que mejorar su ndice de capacidad.

5.7.3.3. DIAGRAMAS DE PARETO

Cuando un proceso es complejo existen mltiples causas que pueden


provocar fallos y afectar a la calidad final de forma significativa. No
obstante, un anlisis pormenorizado del proceso puede llevar a la
conclusin de que no todos los tipos de fallos posibles ocurren con la misma
frecuencia ni tienen igual repercusin. Lo ms probable es que la mayora
de los fallos sean debidos a un nmero muy reducido de causas.

Este principio emprico de concentracin fue popularizado por el italiano


Vilfredo Pareto. Este resultado emprico ha dado lugar al denominado
Anlisis de Pareto, que consiste en comprobar si existe dicha concentracin
de efectos en el sistema que nos ocupe. A dicha concentracin se le suele
denominar Ley de Pareto o regla 80/20 (el 80% de los efectos estn
provocados por el 20% de las posibles causas).

69
Caso 01 (DATA TANQUE): Hoja de verificacin sobre los diferentes tipos de defectos que ocurren
en un tanque que se usa para el diseo de un producto con la intencin de mejorar el proceso.

Hoja de verificacin
Datos de defectos de 2006-2007 a la fecha
2006 2007

Enero

Febrero

Marzo

Abril

Mayo

Junio

Julio

Agosto
e
Septiembr

Octubre

Noviembre

Diciembre

Enero

Febrero

Marzo

Abril

Mayo
Defecto Total
Partes daadas 1 3 1 2 1 10 3 2 2 7 2 34
Problemas de maquinado 3 3 1 8 3 8 3 29
Partes suministradas oxidadas 1 1 2 9 13
Obturacin insuficiente 3 6 4 3 1 17
Soldadura desalineada 2 2
Procesamiento fuera de orden 2 2 4
Remisin de la parte incorrecta 1 2 3
Estructuras aerodinmicas no
terminadas 3 3
Falla de adherencia 1 1 2 1 1 6
Alodino en Polvo 1 1
Pintura fuera de los limites 1 1 2
Pintura daada por corrosin 1 1
Pelcula sobre las partes 3 1 1 5

Ltas de Pint tapaporos daadas


1 1
Vacos en Piezas Fundidas 1 1 2
Compuesto deslaminado 2 2
Dimensiones incorrectas 13 7 13 1 1 1 36
Procedimiento de Prueba
inadecuado 1 1
Falla de roci de sal 4 4
Total 4 5 14 12 5 9 9 6 10 14 20 7 29 7 7 6 2 166

Pasos en Minitab:
1.- Cargar la data 2.- Seleccionar Stat-Quality tools
---Pareto

3.- Rellenamos los campos como se detalla a continuacin:

70
4.- El grafico que obtenemos es el siguiente:

Pareto Chart of Defectos


180
160 100
140

Percent
80
Count

120
100 60
80
60 40
40 20
20
0 0
Defectos l
as das ado nte das cia tes sa den das cta ado ites her
ct e n r e t
rre aa uin fici xida ere pa de or ina orr min lim
e
O
co d aq nsu s o dh las ocio d erm inc sla los
in tes m i a a re r r a t e e e
s r e n d e e e o rt d d
ne Pa s d ci stra la d sob a d o fu s n pa sto ra
sio a ra ni Fal a l
al ient
a
ic e la pue fu
e
en lem btu mi cul F m
m ob su li a n d om ura
Di
O
Pe am in C int
Pr es es od sio
a rt r oc aer mi P
P P s Re
r a
tu
uc
tr
Es
Count 36 34 29 17 13 6 5 4 4 3 3 2 2 8
Caso 02: cuando los datos estn en una sola columna:
Percent 22 20 17 10 8 4 3 2 2 2 2 1 1 5
Cum % 22 42 60 70 78 81 84 87 89 91 93 94 95 100

Defectos Meses Defectos Meses


Soldadura desalineada Enero Partes daadas Abril
Soldadura desalineada Enero Partes daadas Abril
Procesamiento fuera de
orden Enero Partes daadas Abril
Procesamiento fuera de
orden Enero Problemas de maquinado Abril
Partes daadas Febrero Problemas de maquinado Abril
Obturacin insuficiente Febrero Problemas de maquinado Abril
Partes suministradas
Obturacin insuficiente Febrero oxidadas Abril
Obturacin insuficiente Febrero Obturacin insuficiente Abril
Remisin de la parte
incorrecta Febrero Obturacin insuficiente Abril
Problemas de maquinado Marzo Obturacin insuficiente Abril
Problemas de maquinado Marzo Obturacin insuficiente Abril
Problemas de maquinado Marzo Falla de adherencia Abril
Partes suministradas
oxidadas Marzo Partes daadas Mayo
Obturacin insuficiente Marzo Obturacin insuficiente Mayo
Obturacin insuficiente Marzo Obturacin insuficiente Mayo
Obturacin insuficiente Marzo Obturacin insuficiente Mayo

71
Obturacin insuficiente Marzo Alodino en Polvo Mayo
Partes suministradas
Obturacin insuficiente Marzo oxidadas Junio
Partes suministradas
Obturacin insuficiente Marzo oxidadas Junio
Estructuras aerodinmicas no
terminadas Marzo Obturacin insuficiente Junio
Estructuras aerodinmicas no
terminadas Marzo Pintura fuera de los limites Junio
Estructuras aerodinmicas no
terminadas Marzo Pelcula sobre las partes Junio
Pintura daada por corrosin Marzo Pelcula sobre las partes Junio
Pelcula sobre las partes Junio

Ejercicio: construir el pareto por meses del ejemplo


1. Cargar la data
2.- Seleccionar Stat ----- Quality tools ---Pareto
3.- Rellenamos los campos como se detalla a continuacin:

4.- Los grficos obtenidos son los siguientes:

72
CASO DE APLICACION

Ejemplo: Flechas
Se fabrican unas piezas metlicas en forma de flecha utilizando dos maquinas
inyectoras A y B, cada una de las cuales dispone de 4 moldes con 4 cavidades.
Tal como se indica en la figura:

Se dispone de los siguientes datos que se encuentran en el archivo piezas de


metal.xls

Columna Contenido
Defectos que se han ido en las piezas producidas por la
C1 Maquina A
C2 Igual a C1 Para la Maquina B
Resistencia a la traccin de las piezas obtenidas al
C3 realizar 15 Inyecciones con la Maquina A (15X4= 60
DATOS)
C4 Igual a C3 para la Maquina B
Cavidad a la que pertenecen los datos de las columnas
C5 C3 y C4

73
Preguntas
1.- Sugiere la distribucin de los tipos de defecto en ambas maquinas que
deben establecerse las mismas prioridades de mejora en ambas maquinas.
2.- En cuanto a la resistencia a la traccion existe diferencia entre maquinas y
entre cavidades.
Solucion
1.- Veamos cual es la distribucin de cada una de las Maquinas haciendo:
SPC > Diagrama de Pareto.

Frecuencia
Frecuencia
Frecuencia rel. relativa
por
por categora (%) acumulativa
categora
Categora (%)
Deformacin 90,000 42,857 42,857
Mancha 47,000 22,381 65,238
Decoloracin 24,000 11,429 76,667
Fractura 22,000 10,476 87,143
Raya 19,000 9,048 96,190
Otros 4,000 1,905 98,095
Rebaba 4,000 1,905 100,000

74
Haciendo los mismo para la Maquina B

Frecuencia
Frecuencia relativa
por Frecuencia rel. acumulativa
Categora categora por categora (%) (%)
Raya 108,000 56,842 56,842
Mancha 30,000 15,789 72,632
Decoloracin 20,000 10,526 83,158
Fractura 14,000 7,368 90,526
Rebaba 8,000 4,211 94,737
Deformacin 5,000 2,632 97,368
Otros 5,000 2,632 100,000

Entendiendo que los datos son representativos de ambas maquinas, lo mas


adecuado seria centrarse en el problema de la deformacin de la Maquina A y
en las rayas en la maquina B

75
Realizaremos en primer lugar un anlisis grafico para comparar maquinas y
cavidades.
Anlisis grafico para cada una de las maquinas a nivel de resistencia

Anlisis Grafico de la resistencia para cada una de las maquinas con respecto
a sus cavidades.
Hacer grficos univariados>

Parece que en la cavidad tres se obtiene mayor resistencia. Por otro lado
parece ser que no hay diferencia entre maquinas.

5.7.3.4. DIAGRAMAS DE CAUSA EFECTO.

El Diagrama Causa-Efecto es una forma de organizar y representar las


diferentes teoras propuestas sobre las causas de un problema. Se conoce
tambin como diagrama de Ishikawa (por su creador, el Dr. Kaoru Ishikawa,

76
1943), diagrama de Espina de Pescado y se utiliza en las fases de
Diagnstico y Solucin de la causa.

El Dr. Kaoru Ishikawa (padre de la calidad total)


El Profesor Dr. Kaoru Ishikawa naci en el Japn en el ao 1915 y falleci en
1989. Se gradu en le Departamento de Ingeniera de la Universidad de
Tokio. Obtuvo el Doctorado en Ingeniera en dicha Universidad y fue
promovido a Profesor en 1960. Obtuvo el premio Deming y un
reconocimiento de la Asociacin Americana de la Calidad. Falleci el ao
1989.

Dr. Kaoru Ishikawa


1915-1989

Fue el primer autor que intent destacar las diferencias entre los
estilos de administracin japons y occidentales. Precursor de los conceptos
sobre la calidad total en el Japn. Posteriormente tuvo una gran influencia
en el resto del mundo.

Ishikawa estaba interesado en cambiar la manera de pensar de la


gente respecto a su trabajo. Para l, la calidad era un constante proceso que
siempre poda ser llevado un paso ms. Hoy es conocido como uno de los
ms famosos Gurs de la calidad mundial.
El control de calidad, trmino tan usado hoy en da en todos los crculos
acadmicos, fue un planteamiento de Ishikawa, ms de 50 aos atrs, en el
Japn de la post guerra. El control de la calidad en pocas palabras fue
definido por l como "Desarrollar, Disear, Manufacturar y Mantener un
producto de calidad". Es posible que la contribucin ms importante de
Ishikawa haya sido su rol en el desarrollo de una estrategia de calidad
japonesa. El no quera que los directivos de las compaas se enfocaran
solamente en la calidad del producto, sino en la calidad de toda la
compaa.

Grficamente est constituida por un eje central horizontal que es


conocida como lnea principal o espina central. Posee varias flechas
inclinadas que se extienden hasta el eje central, al cual llegan desde su
parte inferior y superior, segn el lugar adonde se haya colocado el
problema que se estuviera analizando o descomponiendo en sus propias
causas o razones. Cada una de ellas representa un grupo de causas que
inciden en la existencia del problema. Cada una de estas flechas a su vez
son tocadas por flechas de menor tamao que representan las causas
secundarias de cada causa o grupo de causas del problema.

Pasos en Minitab:

77
1.- Cargar la data: la informacin debe estar contenida en
columnas
Exceso de Inventario
MEDICION MAQUINARIA METODO MATERIALES MEDIO AMBIENTE MANO DE OBRA
Tiempos de
Calibracin de
Reposicin de Cambios de especificaciones Materia Prima Proceso de Rotulado
Equipos Condiciones de clima
Prov. (Nac- en EM y EI Rechazada Manual de EM y EI.
(Pesadas)
Import)
Tiempos de
Conciliacin entre el MEmp y Muestras de Planta Variacin de precios en Solicitudes errneas
atencin a
M Envase Piloto mercado de compra
Produccin
Devolucin de
Inadecuado
Variacin de las frmulas Insumos no
control de uso
(Prod.vs.ID) utilizados(Prod-
de Inventarios.
Almac)
Tara de El Sistema no contempla M
Insumos Prima en proceso
Tiempos de
Campaas de MKT
Control de
apresuradas y variables
Calidad
Unidades
Mnimas de Planeamiento inexacto
compra
Economa de Cada rea trabaja con
escala diferente informacin
Comunicacin no adecuada
entre reas
Polticas de Inventarios no
definidas
Programacin de entregas de
MP del Proveedor
Variaciones de Origen de
Materia Prima
Cambios por prioridades
1
2 Seleccionar Stat > Quality Tools > Cause-and-Effect:
3 Rellenamos los campos como se indica a continuacin:

78
79
Grafico de I schikawa para el Exceso de I nventario

4.- Los grficos


Medio Ambiente obtenidos son los siguientes:
Metodo Medicin

Cambios de especificaciones
Conciliacin entre el MEmp y Tiempos de Reposicin de Prov.
(Nac-Import)
Variacin de las frmulas
Tiempos de atencin a Produccin
El Sistema no contempla M
Condiciones de clima
Campaas de MKT Inadecuado control de uso de
Inventarios.
Planeamiento inexacto
Tara de Insumos
Cada rea trabaja con
Comunicacin no adecuada Tiempos de Control de Calidad
Variacin de precios en
Polticas de Inventarios no
mercado
Programacion de entregas de Unidades Mnimas de compra

Variaciones de Origen de
Economa de escala
Cambios por prioridades
Exceso de
I nventario

Devolucin de Insumos no
utilizados(Prod-Almac)
Solicitudes errneas de compra

Muestras de Planta Piloto Calibracin de Equipos (Pesadas)

Proceso de Rotulado Manual de


EM y EI.
Materia Prima Rechazada

Mano de Obra Materiales Maquinaria

5.7.3.5. DIAGRAMAS DE CORRELACIN O BIVARIANTES.


Un diagrama de correlacin muestra grficamente la relacin entre dos
variables (x, y). Cada eje representa a una variable y cada punto del plano
es un par de puntos (x, y). En l puede verse si la relacin es lineal o no
lineal. Grficamente puede anticiparse el valor del coeficiente de correlacin
entre ambas variables. Cuanto ms estrecha sea la nube de puntos mayor
ser la correlacin. Asimismo, son tiles para representar variables frente al
tiempo, cuando los datos no estn ordenados cronolgicamente. Se logran
siguiendo la ruta:
SEMANA Equipo Turbo
15/07/2007 129,04
22/07/2007 144,40
29/07/2007 140,00
05/08/2007 141,00
12/08/2007 152,53
19/08/2007 136,00
26/08/2007 134,00
02/09/2007 145,00
09/09/2007 164,00
16/09/2007 167,00
23/09/2007 157,00
30/09/2007 156,00
07/10/2007 145,00
14/10/2007 135,36
21/10/2007 154,62
28/10/2007 156,00
04/11/2007 157,70
11/11/2007 170,00
18/11/2007 189,00
25/11/2007 156,00
02/12/2007 165,00
09/12/2007 150,00

80
Scatterplot of Equipo Turbo vs SEMANA
190

180
o

170
oTr
ub

160
quip

150
E

140

130

07 07 07 07 07 07 07 07 07 07 07
20 20 20 20 20 20 20 20 20 20 20
7/ 8/ 8/ 9/ 9/ 0/ 0/ 1/ 1/ 2/ 2/
6/0 1/0 6/0 1/0 6/0 1/1 6/1 1/1 6/1 1/1 6/1
1 0 1 0 1 0 1 0 1 0 1
SEMANA

81
Grafico de Dispersin Mltiple:

Equipo Equipo Equipo


SEMANA Turbo TKM PKDOS
15/07/2007 129 125 145
22/07/2007 144 127 156
29/07/2007 140 138 148
05/08/2007 141 141 169
12/08/2007 153 145 154
19/08/2007 136 146 189
26/08/2007 134 146 142
02/09/2007 145 149 112
09/09/2007 164 157 103
16/09/2007 167 156 89
23/09/2007 157 145 65
30/09/2007 156 156 44
07/10/2007 145 155 209
14/10/2007 135 156 158
21/10/2007 155 158 208
28/10/2007 156 170 177
04/11/2007 158 189 200
11/11/2007 170 185 150
18/11/2007 189 187 178
25/11/2007 156 170 168
02/12/2007 165 189 146
09/12/2007 150 180 149

Grafh > scatterplot > simple>Mltiple Graphs

82
Scatterplot of Equipo TKM; Equipo Turbo; Equipo PKDOS vs SEMANA
01/07/2007 01/09/2007 01/11/2007 01/01/2008
Equipo TKM Equipo Turbo

180 180

165 165

150 150

135 135

120 120
Equipo PKDOS
200

150

100

50

01/07/2007 01/09/2007 01/11/2007 01/01/2008


SEMANA

El grafico muestra una asociacin positiva para el equipo TKM,


Siendo esta asociacin positiva pero con menor fuerza para el
equipo turbo. En tanto que el equipo PKDOS no muestra ningn
patrn de asociacin.

6. GRAFICOS DE CONTROL

6.1 PRINCIPIO BSICO DE USO DE UN GRFICO DE CONTROL

Un grfico de control es la representacin de la evolucin de una


caracterstica de la calidad del producto o servicio de inters (ver figura
3.1). Los elementos bsicos son la lnea central, que representa el nivel
medio de dicha caracterstica, y los lmites de control: lmite de control
superior o LCS y lmite de control inferior o LCI.

Las observaciones suelen corresponder a mediciones realizadas sobre


muestras de artculos: valores medios, desviaciones tpicas, rango, etc.;
aunque tambin existen grficos realizados sobre observaciones
individuales. Estas mediciones se realizan a lo largo del tiempo, por lo que el
grfico es una evolucin temporal de la calidad. Los puntos representados
se unen por lneas para visualizarlo mejor.

6.2. GRAFICO DE CONTROL PARA VARIABLES.

En cualquier proceso productivo resulta conveniente conocer en todo


momento hasta qu punto nuestros productos cumplen con las
especificaciones preestablecidas. Podemos decir que la calidad de un
producto tiene dos grandes enemigos: (1) las desviaciones con respecto al

83
objetivo especificado (falta de exactitud), y (2) una excesiva variabilidad
respecto a los valores deseables (falta de precisin).

La idea consiste en extraer muestras de un proceso productivo que se


encuentra activo y, a partir de las mismas, generar grficos que nos
permitan tanto estudiar la variabilidad del mismo como comprobar si los
productos obtenidos cumplen o no con las especificaciones preestablecidas.
La grfica tiene una lnea central que simboliza el valor medio de la
caracterstica de calidad. Finalmente, otras dos lneas (los lmites superior e
inferior de control) flanquean a la anterior a una distancia determinada.
Estos lmites son escogidos de manera que si el proceso est bajo control,
casi la totalidad de los puntos muestrales se halle entre ellos. As, un punto
que se encuentra fuera de los lmites de control se interpreta como una
evidencia de que el proceso est fuera de control. Adems, incluso si todos
los puntos se hallan comprendidos entre los lmites de control, pero se
comportan de manera sistemtica o no aleatoria, tambin tendramos un
proceso fuera de control.

La determinacin de los lmites de control se basa en conceptos y


resultados estadsticos: supongamos, p.e., que estamos interesados en
controlar la media de una variable aleatoria X cuya distribucin tiene
una desviacin estndar ( y constantes durante el proceso). Sabemos
(por el TCL) que, para un tamao muestral n grande, la distribucin de las
medias muestrales ser aproximadamente normal con media igual a y
desviacin estndar igual a /n . De este hecho se deduce que
aproximadamente el 99,7% de las medias muestrales estarn contenidas
en el intervalo 3 * /n , intervalo que viene definido por los lmites de
control. Este sencillo razonamiento es la base para la construccin de todos
los grficos de control.
Podemos distinguir dos grandes clases de grficos de control: los grficos de
control por variables hacen uso de estadsticos obtenidos a partir de datos
tales como la longitud o grosor de un elemento, mientras que los grficos de
control por atributos se basan en frecuencias tales como el nmero de
unidades defectuosas.

6.3. MODELO DE SHEWART PARA GRFICOS DE CONTROL


Sea T un estadstico muestral que mide alguna caracterstica de calidad, y
supongamos que T se distribuye de forma aproximadamente normal, con
media T y desviacin estndar T . Entonces, la lnea central y los lmites

84
superior e inferior del grfico de control vendrn dados, segn el modelo de
Shewart, por:

Como dijimos en la introduccin, cuando alguno de los estadsticos


mustrales cae fuera de los lmites de control, hay razones para pensar que
el proceso est fuera de control. Adems, tambin es importante estudiar la
posible existencia de patrones no aleatorios en la representacin de dichos
estadsticos mustrales, ya que tales patrones suelen ser un sntoma de que
la los parmetros del proceso estn cambiando. A tal efecto se utilizan los
tests para causas especiales o asignables, trmino que se contrapone al de
causas comunes o aleatorias (inherentes a todo proceso).

Al igual que los lmites de control, los tests para causas especiales tienen un
fundamento estadstico. As, por ejemplo, la probabilidad de que un
estadstico muestral caiga por encima de la lnea central ser de 0,5 bajo los
siguientes supuestos: (1) que el proceso est bajo control, (2) que
estadsticos mustrales consecutivos sean independientes, y (3) que la
distribucin de los estadsticos mustrales sea aproximadamente normal.

La franja comprendida entre dos y tres sigmas respecto a la lnea central se


denomina zona A, la comprendida entre 1 y 2 sigmas se llama zona B, y la
franja situada a menos de 1 sigma se denomina zona C.

El programa Minitab permite realizar varios tests para determinar la


posible existencia de causas especiales que influyan sobre la variabilidad de
las observaciones (comportamiento no aleatorio de los datos):

Cada uno de los tests detecta un determinado comportamiento no aleatorio


en los datos. Cuando alguno de los tests resulta positivo entonces hay
indicios de que la variabilidad de las observaciones se debe a causas
especiales, las cuales debern investigarse. Es importante notar que para
realizar estos tests todas las muestras han de ser del mismo tamao.

85
86
6.4. GRFICOS X-BARRA Y R
En la introduccin comentamos que los grficos por variables se utilizan
para controlar una caracterstica mesurable del producto, como puede ser
la longitud, el peso, la altura, etc. Un grfico X-barra contiene las medias
muestrales de la caracterstica que se pretende estudiar, por lo que
mediante l podremos detectar posibles variaciones en el valor medio de
dicha caracterstica durante el proceso (desviaciones con respecto al
objetivo). Un grfico R es un grfico de control para rangos muestrales. Se
utiliza para medir la variacin del proceso y detectar la posible existencia de
causas especiales. Es habitual usar los grficos R para estudiar la variacin
en muestras de tamao no superior a 10, recurriendo a los grficos S para
muestras mayores.

Ejemplo: Construir el grafico de control para la media y el rango de las


mediciones del dimetro interior de anillos fundidos para pistones.

Numero de
Muestra Observaciones
1 74,03 74,002 74,019 73,992 74,008
2 73,995 73,992 74,001 74,011 74,004
3 73,988 74,024 74,021 74,005 74,002
4 74,002 73,996 73,993 74,015 74,009
5 73,992 74,007 74,015 73,989 74,014
6 74,009 73,994 73,997 73,985 73,993
7 73,995 74,006 73,994 74 74,005
8 73,985 74,003 73,993 74,015 73,988
9 74,008 73,995 74,009 74,005 74,004
10 73,998 74 73,99 74,007 73,995
11 73,994 73,998 73,994 73,995 73,99
12 74,004 74 74,007 74 73,996
13 73,983 74,002 73,998 73,997 74,012
14 74,006 73,967 73,994 74 73,984
15 74,012 74,014 73,998 73,999 74,007
16 74 73,984 74,005 73,998 73,996
17 73,994 74,012 73,986 74,005 74,007
18 74,006 74,01 74,018 74,003 74
19 73,984 74,002 74,003 74,005 73,997
20 74 74,01 74,013 74,02 74,003
21 73,982 74,001 74,015 74,005 73,996
22 74,004 73,999 73,99 74,006 74,009
23 74,01 73,989 73,99 74,009 74,014
24 74,015 74,008 73,993 74 74,01
25 73,982 73,984 73,995 74,017 74,013

87
a) Pasos

88
Xbar-R Chart of O1; ...; O5
UCL=74,01465

74,01
Sample Mean

_
_
X=74,00117
74,00

73,99
LCL=73,98769
1 3 5 7 9 11 13 15 17 19 21 23 25

Sample

0,048 UCL=0,04941
Sample Range

0,036

_
0,024 R=0,02337

0,012

0,000 LCL=0
1 3 5 7 9 11 13 15 17 19 21 23 25

Sample

Muestra Observaciones
26 74,012 74,015 74,03 73,986 74
27 73,995 74,01 73,99 74,015 74,001
28 73,987 73,999 73,985 74 73,99
29 74,008 74,01 74,003 73,991 74,006
30 74,003 74 74,001 73,986 73,997
31 73,994 74,003 74,015 74,02 74,004
32 74,008 74,002 74,018 73,995 74,005
33 74,001 74,004 73,99 73,996 73,998

89
34 74,015 74 74,016 74,025 74
35 74,03 74,005 74 74,016 74,012
36 74,001 73,99 73,995 74,01 74,024
37 74,015 74,02 74,024 74,005 74,019
38 74,035 74,01 74,012 74,015 74,026
39 74,017 74,013 74,036 74,025 74,026
40 74,01 74,005 74,029 74 74,02

TEST 1. One point more than 3,00 standard deviations from center
line. Test Failed at points: 3; 14

TEST 5. 2 out of 3 points more than 2 standard deviations from center


line (on one side of CL). Test Failed at points: 5; 14

TEST 6. 4 out of 5 points more than 1 standard deviation from center


line (on one side of CL). Test Failed at points: 14; 15

Xbar-R Chart of O1; ...; O5


1

+3SL=74,02135
74,02
+2SL=74,01678
Sample Mean

6
+1SL=74,01222
74,01 _
_
X=74,00765
-1SL=74,00309
74,00
-2SL=73,99852
5
-3SL=73,99396
73,99 1 1
2 3 4 5 6 7 8 9 10 11 12 13 14 15

Sample

+3SL=0,05020
0,048
+2SL=0,04138
Sample Range

0,036
+1SL=0,03256
_
0,024 R=0,02374

-1SL=0,01492
0,012
-2SL=0,00610
0,000 -3SL=0
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15

Sample

Cartas de control para promedio y s

Es comn la utilizacin de las cartas del promedio y S, en ocasiones es


deseable estimar la desviacin estndar del proceso directamente.
Son preferibles como contrapartidas, cuando el tamao de muestra es
moderadamente grande mayores de 10, tambin cuando el tamao de
muestra es variable.

90
Xbar-S Chart of O1; ...; O5
+3SL=74,01466

74,01 +2SL=74,01017
Sample Mean

+1SL=74,00567
_
_
X=74,00118
74,00
-1SL=73,99668

-2SL=73,99219
73,99
-3SL=73,98769
1 3 5 7 9 11 13 15 17 19 21 23 25
Sample

0,020 +3SL=0,01974

+2SL=0,01631
0,015
Sample StDev

+1SL=0,01288
_
0,010 S=0,00945

-1SL=0,00602
0,005
-2SL=0,00259
0,000 -3SL=0
1 3 5 7 9 11 13 15 17 19 21 23 25
Sample

En la prctica se suelen considerar los diagramas X - barra-R, que no son


otra cosa sino la presentacin conjunta de un diagrama X-barra y otro R. La
razn de usar dicho diagrama conjunto es la siguiente:

Si la distribucin de la v.a. X es normal (como hemos supuesto), entonces


las v.a. X-barra y R son independientes (Teorema de Cochran). Por tanto, si
existiese una correlacin entre los valores de X-barra y R (es decir, si los
puntos en ambas grficas presentasen grficos paralelos), ello indicara que
la distribucin subyacente sera sesgada (no normal), con lo que los anlisis
posteriores podran estar equivocados.

91
6.5. GRFICOS INDIVIDUAL Y MR-BARRA

Los grficos de control por variables pueden tambin construirse para


observaciones individuales procedentes de la lnea de produccin. Esto
puede resultar necesario cuando el considerar muestras de tamao mayor
que 1 resulte demasiado caro, inconveniente, o imposible. En este
procedimiento de control se emplea el rango mvil de dos observaciones
sucesivas para estimar la variabilidad del proceso.

1Por tanto, segn el modelo de Shewart, tendremos que:

1
2Si es desconocida, la podemos estimar

Cartas de control para lmites Individuales:

Costos, tecnologa, velocidad de produccin lenta

Numero de
tanda Viscosidad RM
1 33,75
2 33,05 0,7
3 34 0,95
4 33,81 0,19
5 33,46 0,35
6 34,02 0,56
7 33,68 0,34
8 33,27 0,41
9 33,49 0,22
10 33,2 0,29
11 33,62 0,42
12 33 0,62
13 33,54 0,54
14 33,12 0,42
15 33,84 0,72

92
I-MR Chart of Viscosidad
UCL=34,802
34,5
I ndividual Value

34,0
_
33,5 X=33,523

33,0

32,5
LCL=32,245
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15
Observation

1,6 UCL=1,571

1,2
Moving Range

0,8
__
MR=0,481
0,4

0,0 LCL=0
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15
Observation

Caso 2.

93
Tandas 16-
30 Viscosidad RM
16 33,5 0,34
17 33,25 0,25
18 33,4 0,15
19 33,27 0,13
20 34,65 1,38
21 34,8 0,15
22 34,55 0,25
23 35 0,45
24 34,75 0,25
25 34,5 0,25
26 34,7 0,2
27 34,29 0,41
28 34,61 0,32
29 34,49 0,12
30 35,03 0,54

Test Results for MR Chart of Viscosidad

TEST 1. One point more than 3,00 standard deviations from center line.
Test Failed at points: 5

* WARNING * If graph is updated with new data, the results above may no
* longer be correct.

I -MR Chart of Viscosidad


UCL=35,241
35,0
6
I ndividual Value

34,5 _
X=34,319

34,0

33,5
LCL=33,398
5
1 1
33,0
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15
Observation

1,5 1

UCL=1,132
Moving Range

1,0

0,5 __
MR=0,346

0,0 LCL=0
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15
Observation

94
Caso de violacin de supuesto de Normalidad.
Se presenta los datos de resistencia de 25 obleas de silicio en un proceso de deposicion.
Muestra Resistencia Ln MR
1 216 5,37527841
2 290 5,66988092 0,29460252
3 236 5,46383181 0,20604912
4 228 5,42934563 0,03448618
5 244 5,49716823 0,0678226
6 210 5,34710753 0,15006069
7 139 4,93447393 0,4126336
8 310 5,7365723 0,80209836
9 240 5,48063892 0,25593337
10 211 5,35185813 0,12878079
11 175 5,16478597 0,18707216
12 447 6,10255859 0,93777262
13 307 5,72684775 0,37571085
14 242 5,48893773 0,23791002
15 168 5,12396398 0,36497375
16 360 5,88610403 0,76214005
17 226 5,420535 0,46556903
18 253 5,53338949 0,11285449
19 380 5,94017125 0,40678176
20 131 4,87519732 1,06497393
21 173 5,15329159 0,27809427
22 224 5,41164605 0,25835446
23 195 5,27299956 0,13864649
24 199 5,29330482 0,02030527
25 226 5,420535 0,12723017

95
Probability Plot of Resistencia
Normal
99
Mean 241,2
StDev 74,08
95 N 25
KS 0,205
90
P-Value <0,010
80
70
Percent

60
50
40
30
20

10

1
100 200 300 400 500
Resistencia

Probability Plot of Ln
Normal
99
Mean 5,444
StDev 0,2909
95 N 25
KS 0,148
90
P-Value >0,150
80
70
Percent

60
50
40
30
20

10

1
4,6 4,8 5,0 5,2 5,4 5,6 5,8 6,0 6,2
Ln

Transformacin de Box y cox:

96
Box-Cox Plot of Resistencia
Lower CL Upper CL
200 Lambda
(using 95,0% confidence)
180 Estimate -0,37

Lower CL -1,64
160 Upper CL 1,03

Rounded Value -0,50


140
StDev

120

100

80
Limit

60
-5,0 -2,5 0,0 2,5 5,0
Lambda

La Tabla de Informacin correspondiente a la ltima iteracin contiene el mejor estimador


para , el cual resulta ser de 0,000. Otros dos buenos estimadores seran 2.5 y 2.5.
Las dos lneas rojas del grfico determinan un intervalo de confianza a nivel del 95% para el
verdadero valor de . Dicho intervalo contiene a todos los posibles valores de cuya
desviacin estndar es menor o igual a la indicada por la lnea horizontal discontinua, en
este caso sera el intervalo de extremos 1.5 y 1. Dado que el mejor estimador para es el

97
cero, la transformacin que tomaramos sera Y ln Y.
I-MR Chart of Resistencia
UCL=462,4
400
I ndividual Value

300
_
X=241,2
200

100

LCL=20,0
0
1 3 5 7 9 11 13 15 17 19 21 23 25
Observation

300 1
UCL=271,7
Moving Range

200

100 __
MR=83,2

0 LCL=0
1 3 5 7 9 11 13 15 17 19 21 23 25
Observation

I-MR Chart of Ln
6,5
UCL=6,341
I ndividual Value

6,0

_
5,5 X=5,444

5,0

4,5 LCL=4,547
1 3 5 7 9 11 13 15 17 19 21 23 25
Observation

UCL=1,101
1,00
Moving Range

0,75

0,50
__
MR=0,337
0,25

0,00 LCL=0
1 3 5 7 9 11 13 15 17 19 21 23 25
Observation

7. EVALUACION DEL SISTEMA DE MEDICION PARA DATOS CONTINUOS

98
7.1. DEFINICIONES ELEMENTALES DE METROLOGIA

7.1.1. INTRODUCCION

Ocurre a veces que al realizar una medicin a cierta variable, se esta


tentado a creer ciegamente en los nmeros que genera el instrumento de
medicin, sin pensar en cuestionar su calidad ni preguntarnos cual es el
error que trae consigo. Esta actitud puede traer consecuencias graves a la
hora de tratar de mejorar el proceso, puesto que si las mediciones tienen
un error grande, los datos obtenidos son engaosos y las decisiones que de
all deriven tienen una mayor chance de ser incorrectas.

7.1.2. SISTEMA DE MEDICION

Es una coleccin de operaciones, procedimientos, instrumentos de


medicin, software y personal definido para asignar un nmero a la
caracterstica que esta siendo medida.
"ES EL PROCESO COMPLETO PARA OBTENER MEDICIONES"

7.1.3. GAGE

Es cualquier dispositivo utilizado para obtener mediciones; se refiere


especficamente a los dispositivos u equipos usados en el proceso de
produccin, incluyendo aquellos de tipo pasa/no pasa.

7.1.4. METROLOGIA: Es la ciencia de las mediciones

7.15. PATRON:

Instrumento de medicin; o material destinado para definir, conservar o


reproducir una unidad o magnitud que nos sirva de referencia.

7.1.6. CALIBRACION

Conjunto de operaciones bajo condiciones especficas que sirven para


establecer la relacin entre las magnitudes indicadas por un instrumento de
medicin con las magnitudes ya conocidas de un material patrn o
instrumento patrn. El estar calibrado no implica necesariamente que el
instrumento mida correctamente para nuestros fines.

7.1.7. CAPACIDAD: Habilidad del proceso para cumplir con las


especificaciones. Si el proceso tiene mas variacin de la que puede caber
dentro de las especificaciones, el proceso no es capaz. La capacidad
depende del centrado del proceso, de su dispersin y el ancho de la
tolerancia.

7.1.8. PRECISION:

Es la variacin que presentan los datos al medir varias veces una magnitud
o mensurando con el mismo equipo.

99
7.1.9. POSIBLES FUENTES DE VARIACION DENTRO DE UN PROCESO

VARIACION TOTAL DEL


PROCESO

Variacin real del proceso Variacin de las mediciones

Otras Variacin debida a Variacin


Variacin operadores debida al
Fuentes dentro de cada (Reproducibilidad) equipo
muestra

Repetibilidad Calibracin Estabilidad Linealidad

7.1.10. CALIBRACION Y ESTABILIDAD

Se considera calibracin a la exactitud del instrumento de medicin. En


tanto que la estabilidad se refiere al cambio del instrumento a lo
largo del tiempo.

7.1.11. REPETIBILIDAD

Variacin observada cuando el operador mide repetidamente la misma pieza


con el mismo instrumento. La repetibilidad de un instrumento se
refiere a la precisin del equipo cuando se obtienen mediciones del
mismo objeto en igualdad de condiciones. En tanto que la
reproducibilidad se refiere a la precisin de las mediciones del
mismo objeto pero en condiciones variables.

7.1.12. LINEALIDAD

Es la exactitud del instrumento a lo largo del rango de operacin del


instrumento.

7.1.13. ESTUDIO GAGE R&R

Consiste en cuantificar la variabilidad que aportan a los datos los


instrumentos de medicin (Repetibilidad) y los operadores
(Reproducibilidad). En este contexto, la repetibilidad se refiere a la
variacin del instrumento al medir las mismas partes con el mismo

100
operador, mientras que la reproducibilidad consiste en medir las
mismas partes pero con distintos operadores. Existen varios niveles
de sofistificacin en los estudios R&R dependiendo del numero de fuentes
de variacin que se quieren estudiar; mientras menos fuentes de variacin
se consideren el estudio ser mas simple. La complicacin se decide en
base a los objetivos del estudio, los recursos disponibles y la complejidad
del proceso en cuanto al nmero de operadores, numero de instrumentos
Etc.

7.2. METODOLOGIA DE ANALISIS


7.2.1. METODO X BARRA -R

Usado tpicamente en la Industria automotriz


Separa operador y parte mas no interacciones

7.2.2. METODO ANOVA

Mas preciso
Permite separar interacciones operador * parte

7.3. CONCLUSIONES DE ESTE ANALISIS

1. Si la repetibilidad es ms grande comparada con la reproducibilidad,


las posibles razones son:

El calibrador necesita mantenimiento


El calibrador necesita ser calibrado para ser mas rgido
Existe mucha dispersin entre las piezas

2. Si la reproducibilidad es mayor comparada con la repetibilidad, las


posibles causas podran ser:

El operador necesita entrenamiento en el uso del calibrador


Las calibraciones en la escala del instrumento no estn claras.
Tal vez sea necesario algn dispositivo de fijacin del calibrador
para que el operario lo pueda usar con facilidad.

7.4. DISEOS CRUZADOS

Son aquellos en la que todos los mecnicos, operarios, laboratoristas Etc


miden varias veces todas las piezas, ensayos Etc. Especialmente til cuando
se trata de caractersticas dimensionales.

101
7.5. CASO DE ESTUDIO.

La data MECANICOS.MTW Contiene los datos para la realizacin de un


estudio de R&R en el que tres Mecnicos han medido tres piezas distintas,
tres veces cada una. Cada mecnico ha medido las 10 piezas seguidas en el
orden aleatorio y sin saber que pieza estaba midiendo (Planeacion del
diseo). A continuacin han medido las piezas los otros dos Mecnicos, y se
ha repetido todo el proceso tres veces. El contenido de las columnas es el
siguiente:

Columna Nombre Contenido

C1 Pieza Identificacin de la pieza


C2 Mecnico Identificacin del Mecnico
Valor obtenido al realizar la
C3 Medicin medicin
Orden de obtencin de los
C4 Orden datos

A) Anlisis Grafico

102
Conclusiones:
Las diferencias entre mecnicos en funcin a las mediciones realizadas son
fuertes. Por ejemplo las piezas 2 y 3 producen respuestas por encima de las
piezas 8 y 10 dado que se encuentran por debajo de su media.

b) Estudio de repetibilidad y reproducibilidad para el caso de estudio:

Stat > Quality tools >Gage Study > Gage & Study (Crossed)
Con minitab es mejor usar Anova tal como esta marcado por defecto. Solo
tiene sentido usar el mtodo X bar and R para poder comparar o mantener
el mismo mtodo que en estudios anteriores.
Option (con los valores que aparecen por defecto).

103
Study variacin: Indica el nmero de desviaciones tipo que definen la
anchura de las campanas que representan cada una de las Fuentes de
variacin (por defecto es 6).

Alpha to remove interaction term: Excluye el trmino de interaccin si P -


value en la tabla supera al 25%.

Process tolerante: se refiere a la anchura del intervalo de tolerancia para la


magnitud medida. Si se ingresa este valor Minitab indica que porcentaje de
esa anchura es ocupada por la variacin debida al sistema de medida y a
cada uno de sus componentes.

Historical Estandar deviation. Cuando se conoce la desviacin tpica histrica


de la magnitud medida, se puede ingresar aqu y MINITAB Indica el
porcentaje que sobre esa variabilidad total representa el proceso de medida
y cada uno de sus componentes.

C) GAGE R&R STUDY - ANOVA METHOD

C1.Tablas de Anlisis de varianza:


Anlisis de Varianza global del modelo.
Analiza si hay diferencia entre piezas, Mecnicos e interaccin piezas
*Mecnico. Como puede verse p=0.849 nos manifiesta que no existe
interaccin entre Mecnico por Pieza, es decir su efecto no es significativo.

TWO-WAY ANOVA TABLE WITH INTERACTION

Source DF SS MS F P
Piezas 9 286,033 31,7814 33,1422 0,000

104
Mecnicos 2 45,635 22,8173 23,7942 0,000
Piezas * Mecnico 18 17,261 0,9589 0,6449 0,849
Repeatability 60 89,217 1,4869
Total 89 438,145

C2. Anlisis de varianza sin considerar el efecto Interactivo.


Si la interaccin no es significativa Minitab repite la operacin por defecto
sin considerar este efecto.

Alpha to remove interaction term = 0,25


TWO-WAY ANOVA TABLE WITHOUT INTERACTION

Source DF SS MS F P
Piezas 9 286,033 31,7814 23,2814 0,000
Mecnico 2 45,635 22,8173 16,7147 0,000
Repeatability 78 106,478 1,3651
Total 89 438,145

C3. Tablas de componentes de Varianza.


Esta tabla se puede prescindir dado que la informacin que contiene se la
puede deducir de la tercera. Observe que 2.0802=1.3651+0.7151, y que
5.4598=3.3738+2.0802
GAGE R&R
%Contribution
Source VarComp (of VarComp)
Total Gage R&R 2,08017 38,10
Repeatability 1,36510 25,00
Reproducibility 0,71507 13,10
Mecanico 0,71507 13,10
Part-To-Part 3,37959 61,90
Total Variation 5,45976 100,00

C4. Tabla del estudio de la variacin: %Study Var

Representa el porcentaje de anchura de cada fuente de variacin respecto


a la variacin total. Ejemplo: 61.73%=(8.6537/14.0197)*100

Study Var %Study Var


Source StdDev (SD) (6 * SD) (%SV)
Total Gage R&R 1,44228 8,6537 61,73
Repeatability 1,16838 7,0103 50,00
Reproducibility 0,84562 5,0737 36,19
Mecanico 0,84562 5,0737 36,19
Part-To-Part 1,83837 11,0302 78,68
Total Variacin 2,33661 14,0197 100,00

C5. VENTANA GRAFICA

105
El grafico de componentes de varianza nos muestra la contribucin de cada
componente y el estudio de variacin.

D) Grafico de X R

Es el que se obtiene ordenando los datos por operario. En el grafico de


rangos (R Chart by Operario) se observa como el Mecnico 2 presenta mas
variacin en sus mediciones con los otros. Los puntos fuera de control en el
grafico de medias pueden interpretarse como que el sistema de medicin es
capaz de identificar las diferencias entre piezas.

El grafico de variacin por pieza (By Pieza) Nos muestra que hay variacin
entre piezas. En tanto que el grafico de variacin por operario nos muestra
que el operario dos nos da una media mas baja.

El grafico de Interaccin Mecnico por Pieza nos muestra que el mecnico 2


da rendimiento por debajo de los otros dos mecnicos. En tanto que entre
los mecnicos 1 y 3 no presentan diferencias.

E) COMPARACION CON LAS TOLERANCIAS DE LA PIEZA - INDICE P/T.

Conocido como el ndice precisin tolerancia, siendo en la practica muy


comn (pero no necesariamente la mas acertada) comparar la estimacin

106
de la capacidad de los instrumentos de medicin con la anchura de las
especificaciones o la banda de tolerancia (USL - LSL) para la pieza que se
esta midiendo. Se expresa como un porcentaje la comparacin de la
medicin del error de medicin contra las tolerancias para la caracterstica
de calidad que se esta midiendo. De aqu que es deseable que el error de
medicin sea mucho mas pequeo que la tolerancia para poder asegurar
que la calidad del proceso de medicin es aceptable. Adems, este ndice
hace evidente que un instrumento de medicin ser preciso en funcin de la
caracterstica de calidad que se desea medir. Siendo expresado de la
siguiente manera:

P/T <10% Excelente proceso de medicin


10% < P/T < 20 Bueno
20% < P/T < 30 Marginal (Casi inaceptable)
30% < P/T Inaceptable debe corregirse.

En options se puede introducir la anchura del intervalo para la magnitud


medida.
Para nuestro caso de estudio consideramos una anchura del intervalo de
especificaciones equivalentes a 50.

Siendo la resultante en la tabla de estudio de variacin se incluye una nueva


columna con el porcentaje que representa la anchura de cada fuente de
variacin respecto a la anchura de las especificaciones.

Process tolerance = 50
Study Var %Study Var %Tolerance
Source StdDev (SD) (6 * SD) (%SV) (SV/Toler)
Total Gage R&R 1,44228 8,6537 61,73 17,31
Repeatability 1,16838 7,0103 50,00 14,02
Reproducibility 0,84562 5,0737 36,19 10,15
Mecanico 0,84562 5,0737 36,19 10,15
Part-To-Part 1,83837 11,0302 78,68 22,06
Total Variation 2,33661 14,0197 100,00 28,04

Number of Distinct Categories = 1

107
7.6. DISEOS ANIDADOS

La data laboratorista del rea de procesos de la empresa MILPO, contiene


datos para realizar un estudio R&R. en el que se utilizaran 12 ensayos
(pruebas) y tres laboratoristas. Los ensayos se dividieron en tres grupos de
cuatro unidades, y cada laboratorista midi tres veces los ensayos de un
grupo en orden aleatorio y sin saber que ensayo estaba midiendo. Los
resultados obtenidos estn dispuestos de la siguiente forma.

Columna Nombre Contenido

C1 Ensayo Identificacin de la Muestra


C2 Laboratorista Identificacin del laboratorista
C3 Orden Orden de obtencin de los datos

ANALISIS R&R.
Stat > Quality tools > Gage Study > Gage R&R Study (Nested)

Puede observarse en el grafico de componentes de variacin que la


variabilidad entre ensayos (Part - to part) es muy pequea comparada con
la que presenta el sistema de medida (aparato y laboratoristas). Esto
significa que el sistema de medida no es adecuado.

Gage R&R Study - Nested ANOVA

Gage R&R (Nested) for Medicion

108
Source DF SS MS F P
Laboratorist 2 17,3850 8,69250 5,67348 0,025
Ensayo (Laboratorist) 9 13,7892 1,53213 1,18872 0,346
Repeatability 24 30,9333 1,28889
Total 35 62,1075

Gage R&R
%Contribution
Source VarComp (of VarComp)
Total Gage R&R 1,88559 95,88
Repeatability 1,28889 65,54
Reproducibility 0,59670 30,34
Part-To-Part 0,08108 4,12
Total Variation 1,96667 100,00

Study Var %Study Var


Source StdDev (SD) (6 * SD) (%SV)
Total Gage R&R 1,37317 8,23900 97,92
Repeatability 1,13529 6,81175 80,95
Reproducibility 0,77246 4,63477 55,08
Part-To-Part 0,28475 1,70848 20,30
Total Variation 1,40238 8,41427 100,00

Number of Distinct Categories = 1

8. BIBLIOGRAFIA

1. Robert O Kuel (2001). Diseo de experimentos. Grupo editorial


Thomson.
2. Montgomery, DC (2001). Diseo y anlisis de experimentos. Grupo
editorial Iberoamericana.
3. Box, G.E.P. ; Hunter, W.G; Hunter, J,S (1989). Estadstica para
investigadores.
4. Cochran, W.G. and Cox, G.M. (1995). Diseos Experimentales. Trillas,
Mxico.
5. Pea Snchez de Rivera, D. (2000). Estadstica, Modelos y Mtodos.
Volumen II: Modelos Lineales.
6. Martnez, A. (1988). Diseos Experimentales. Mtodos y Elementos de
Teora. Editorial Trillas, Mxico.

7.- Jos Espinoza Surez (2006): Gua de Diseos Experimentales aplicado


a la optimizacin de procesos Industriales Aplicaciones con Minitab.
Escuela de Ingeniera Estadstica / Universidad Nacional de Ingeniera
Per.

109