Está en la página 1de 55

Análisis e interpretación de datos

Marzo 2018

Introducción

Issue In •Identificación de •Problemas Diferencias contra el estándar (causas) •Necesidades/Req. Solutions
Issue In
•Identificación de
•Problemas
Diferencias contra el
estándar (causas)
•Necesidades/Req.
Solutions
Análisis
Task
Process
Logic
Impact
De
Achievement
Map
Tree
(Control
datos
Plan
Graphic)
•Identificación de
Cuellos de Botella
(Bottle Necks)
•Validación y
conclusiones
(Bottle Necks)
Page 2
Ing. Jesús Manuel Peña Loera
Facultad de Estudios Superiores de Aragón
February, 2018

Conceptos Estadísticos y Definición

Propósitos

Incrementar el conocimiento de herramientas disponibles para desarrollar el

análisis de datos.

Promover el adecuado uso de las herramientas.

Recordar que el origen y calidad de los datos, es tan importante como su

análisis estadístico.

Definiciones

Estadísticos: Serie de conceptos para colección, presentación y análisis de

datos.

El objetivo de la Estadística es la de servir como herramienta en la toma de decisiones y solución de problemas al describir la variabilidad (desconocida).

Un fenómeno se dice que es aleatorio si observaciones idénticas no producen

idénticos resultados.

Ing. Jesús Manuel Peña Loera

Facultad de Estudios Superiores de Aragón

February, 2018

Page 3

¿Por qué debemos de utilizar estadística?

“Dispersión” existe en todo, incluyendo las salidas, calidad en el servicio y en calidad y cantidad

las salidas, calidad en el servicio y en calidad y cantidad “Dispersión” razón de ser de

“Dispersión” razón de ser de las leyes estadísticas

“Dispersión” razón de ser de las leyes estadísticas Método estadístico tiene sustento numérico Ej.

Método estadístico tiene sustento numérico

Ej. Estadístico de Control de Calidad Acción Población Muestreo Decisión Muestra Técnicas especiales
Ej. Estadístico de Control de Calidad
Acción
Población
Muestreo
Decisión
Muestra
Técnicas
especiales
Medición
del
conocimiento
Datos
Información

Método estadístico ej. CEP)

Métodos estadísticos hacen objetiva la toma de decisiones

• • Estadística Básica • • Intervalos de confianza • •
Estadística Básica
Intervalos de
confianza

Correlación, regresión

Análisis de Regresión Múltiple

Análisis de Varianzas

Diseño de experimentos

Nos ayuda a estimar la posición y tamaño de la varianza de una población con un pequeño tamaño de muestra

Podemos determinar cuales factores afectan la varianza

• Podemos determinar cuales factores afectan la varianza Gráfico de control • Tomamos la decisión acerca

Gráfico de

control

Tomamos la decisión acerca de los cambios en la variación si ésta es debido a factores aleatorios o tendencias por variación

Ing. Jesús Manuel Peña Loera

Facultad de Estudios Superiores de Aragón

February, 2018

Page 4

Vocabulario Estadístico

Peso

Población
Población

El Mundo

Variable
Variable
Vocabulario Estadístico Peso Población El Mundo Variable Salón de clases Muestra General / Individual Gente Ing.

Salón de clases

Muestra
Muestra
General / Individual
General /
Individual

Gente

Salón de clases Muestra General / Individual Gente Ing. Jesús Manuel Peña Loera Facultad de Estudios

Ing. Jesús Manuel Peña Loera

Facultad de Estudios Superiores de Aragón

February, 2018

Page 5

Parámetros de población vs. Muestra estadística

Población

Un grupo entero de objetos relacionados al grupo a estudiar, descritos por una característica de interés, usualmente desconocida

Muestra

objetos o salidas

un

actualmente

estudio estadístico.

medidas

en

Una muestra es usualmente un subconjunto de la población de

interés

Una muestra estadística estima los parámetros de población

El

grupo

de

Población x x Muestra s
Población
x
x
Muestra
s

“Parámetros de Población”

s

“Muestra estadística”

= media (locación)

= Media muestral

= Desviación estándar (dispersión)

= Desviación estándar de la muestra

Ing. Jesús Manuel Peña Loera

Facultad de Estudios Superiores de Aragón

February, 2018

Page 6

Precauciones al obtener el muestreo

Respetar la aleatoriedad de los datos recabados (no seleccionar los datos cuando se colectan)

recabados (no seleccionar los datos cuando se colectan)  Tamaño de muestra adecuado depende del nivel

Tamaño de muestra adecuado depende del nivel

de confianza que se necesita del resultado de los análisis. Usualmente un tamaño de muestra

mínimo es de 30 que es requerido para satisfacer

ciertas aseveraciones estadísticas

Elegir el elemento de medición basado en la

precisión requerida

el elemento de medición basado en la precisión requerida Ing. Jesús Manuel Peña Loera Facultad de
el elemento de medición basado en la precisión requerida Ing. Jesús Manuel Peña Loera Facultad de

Ing. Jesús Manuel Peña Loera

Facultad de Estudios Superiores de Aragón

February, 2018

Page 7

Distribuciones Discretas

Cuando el parámetro a medir puede tomar únicamente valores

cualitativos como son “pasa /no pasa” o valores categorizados como

“rojo/amarillo/verde”, entonces, a la distribución de estos datos se le conoce como dato “distribución de datos discretos”

Ejemplos :

J

L

Cliente conforme

Cliente no conforme

Luces Tráfico

J L Cliente conforme Cliente no conforme Lu ce s Trá fi co Ing. Jesús Manuel

Ing. Jesús Manuel Peña Loera

Facultad de Estudios Superiores de Aragón

February, 2018

Page 8

Distribuciones continuas

Cuando la variable a ser medida es expresada en una escala continua,

(donde hay una infinidad de valores entre dos medidas lecturas de

medición), la distribución de los datos la llamaremos datos “continuos”.

Ejemplos :

de los datos la llamaremos datos “continuos”. Ejemplos : La velocidad de un esquiador 105 N.m

La velocidad de un esquiador

“continuos”. Ejemplos : La velocidad de un esquiador 105 N.m ± 15% Resultados de medición 106
105 N.m ± 15%
105 N.m ± 15%

Resultados de

medición

de un esquiador 105 N.m ± 15% Resultados de medición 106 107 106.7 106.8 106.75 106.753

106

107

106.7

106.8

106.75

106.753

Aplicación de Torque

Ing. Jesús Manuel Peña Loera

Facultad de Estudios Superiores de Aragón

February, 2018

Page 9

Distribución de los datos

¿Cómo se ve?

Forma

Tendencia Central

Variación

 ¿Cómo se ve?  Forma  Tendencia Central  Variación Variables/ Continuos Atributos / Discretos
 ¿Cómo se ve?  Forma  Tendencia Central  Variación Variables/ Continuos Atributos / Discretos
 ¿Cómo se ve?  Forma  Tendencia Central  Variación Variables/ Continuos Atributos / Discretos
 ¿Cómo se ve?  Forma  Tendencia Central  Variación Variables/ Continuos Atributos / Discretos

Variables/

Continuos

 ¿Cómo se ve?  Forma  Tendencia Central  Variación Variables/ Continuos Atributos / Discretos
 ¿Cómo se ve?  Forma  Tendencia Central  Variación Variables/ Continuos Atributos / Discretos
 ¿Cómo se ve?  Forma  Tendencia Central  Variación Variables/ Continuos Atributos / Discretos
 ¿Cómo se ve?  Forma  Tendencia Central  Variación Variables/ Continuos Atributos / Discretos
 ¿Cómo se ve?  Forma  Tendencia Central  Variación Variables/ Continuos Atributos / Discretos
 ¿Cómo se ve?  Forma  Tendencia Central  Variación Variables/ Continuos Atributos / Discretos
 ¿Cómo se ve?  Forma  Tendencia Central  Variación Variables/ Continuos Atributos / Discretos
 ¿Cómo se ve?  Forma  Tendencia Central  Variación Variables/ Continuos Atributos / Discretos
 ¿Cómo se ve?  Forma  Tendencia Central  Variación Variables/ Continuos Atributos / Discretos
 ¿Cómo se ve?  Forma  Tendencia Central  Variación Variables/ Continuos Atributos / Discretos
 ¿Cómo se ve?  Forma  Tendencia Central  Variación Variables/ Continuos Atributos / Discretos
 ¿Cómo se ve?  Forma  Tendencia Central  Variación Variables/ Continuos Atributos / Discretos
 ¿Cómo se ve?  Forma  Tendencia Central  Variación Variables/ Continuos Atributos / Discretos
 ¿Cómo se ve?  Forma  Tendencia Central  Variación Variables/ Continuos Atributos / Discretos
 ¿Cómo se ve?  Forma  Tendencia Central  Variación Variables/ Continuos Atributos / Discretos
 ¿Cómo se ve?  Forma  Tendencia Central  Variación Variables/ Continuos Atributos / Discretos
 ¿Cómo se ve?  Forma  Tendencia Central  Variación Variables/ Continuos Atributos / Discretos
 ¿Cómo se ve?  Forma  Tendencia Central  Variación Variables/ Continuos Atributos / Discretos
 ¿Cómo se ve?  Forma  Tendencia Central  Variación Variables/ Continuos Atributos / Discretos
 ¿Cómo se ve?  Forma  Tendencia Central  Variación Variables/ Continuos Atributos / Discretos
 ¿Cómo se ve?  Forma  Tendencia Central  Variación Variables/ Continuos Atributos / Discretos
 ¿Cómo se ve?  Forma  Tendencia Central  Variación Variables/ Continuos Atributos / Discretos
 ¿Cómo se ve?  Forma  Tendencia Central  Variación Variables/ Continuos Atributos / Discretos
 ¿Cómo se ve?  Forma  Tendencia Central  Variación Variables/ Continuos Atributos / Discretos
 ¿Cómo se ve?  Forma  Tendencia Central  Variación Variables/ Continuos Atributos / Discretos
 ¿Cómo se ve?  Forma  Tendencia Central  Variación Variables/ Continuos Atributos / Discretos
 ¿Cómo se ve?  Forma  Tendencia Central  Variación Variables/ Continuos Atributos / Discretos
 ¿Cómo se ve?  Forma  Tendencia Central  Variación Variables/ Continuos Atributos / Discretos
 ¿Cómo se ve?  Forma  Tendencia Central  Variación Variables/ Continuos Atributos / Discretos
 ¿Cómo se ve?  Forma  Tendencia Central  Variación Variables/ Continuos Atributos / Discretos
 ¿Cómo se ve?  Forma  Tendencia Central  Variación Variables/ Continuos Atributos / Discretos
 ¿Cómo se ve?  Forma  Tendencia Central  Variación Variables/ Continuos Atributos / Discretos
 ¿Cómo se ve?  Forma  Tendencia Central  Variación Variables/ Continuos Atributos / Discretos
 ¿Cómo se ve?  Forma  Tendencia Central  Variación Variables/ Continuos Atributos / Discretos
 ¿Cómo se ve?  Forma  Tendencia Central  Variación Variables/ Continuos Atributos / Discretos
 ¿Cómo se ve?  Forma  Tendencia Central  Variación Variables/ Continuos Atributos / Discretos
 ¿Cómo se ve?  Forma  Tendencia Central  Variación Variables/ Continuos Atributos / Discretos
 ¿Cómo se ve?  Forma  Tendencia Central  Variación Variables/ Continuos Atributos / Discretos
 ¿Cómo se ve?  Forma  Tendencia Central  Variación Variables/ Continuos Atributos / Discretos
 ¿Cómo se ve?  Forma  Tendencia Central  Variación Variables/ Continuos Atributos / Discretos
 ¿Cómo se ve?  Forma  Tendencia Central  Variación Variables/ Continuos Atributos / Discretos
Atributos / Discretos
Atributos
/
Discretos

Ing. Jesús Manuel Peña Loera

Facultad de Estudios Superiores de Aragón

February, 2018

Page 10

Métodos para el análisis de datos

Estadística Descriptiva

Media muestral

Mediana

Moda Varianza Muestral

Desviación estándar muestral

Rango

Análisis Gráfico: Histograma, Box Plots, Diagrama de dispersión, Run Charts, Gráficos de Control, Gráfico de Pareto

Ing. Jesús Manuel Peña Loera

Facultad de Estudios Superiores de Aragón

February, 2018

Page 11

Histogramas Valor al usar los gráficos

Muestra la frecuencia relativa de ocurrencia del valor de varios datos

Nos muestra el centrado, la dispersión y la forma de los datos

Nos ayuda a indicar si han existido cambios en el proceso

Cuando graficamos y nuestros límites son las especificaciones es una

de las mejores maneras de medir la capacidad

es una de las mejores maneras de medir la capacidad Ing. Jesús Manuel Peña Loera Facultad

Ing. Jesús Manuel Peña Loera

Facultad de Estudios Superiores de Aragón

February, 2018

Page 12

Media: Promedio aritmético del conjunto de datos

Influenciado por todos los valores del conjunto

ˆ

Altamente influenciados por los outliers

n

n

x i

Mediana: Representa el valor medio de los puntos (50%)

Indica claramente los valores fuera de la mayoría o outliers

Pasos Básicos:

Ordena todos los valores desde el mas pequeño al mas grande

Cuenta el numero de valores de los datos en el conjunto de datos (=n)

Para las n, la mediana es el valor correspondiente a (n)/2 o el promedio de (n+2) y ((n+2) +1) del valor ranqueado; (cuando n= es par)

Moda: Representa el valor mas frecuente en el conjunto de datos

= =

i

= 1

Ing. Jesús Manuel Peña Loera

Facultad de Estudios Superiores de Aragón

February, 2018

Page 13

Medidas de Tendencia Central

*Podemos representar este dato por un sencillo valor numérico

DATA DATA SET SET
DATA DATA SET SET

DATA

DATA SET

SET

DATA DATA SET SET
1 13 2 10.3 3 10.7 4 10.9 5 10.8 6 10.1 7 10.6 8
1 13 2 10.3 3 10.7 4 10.9 5 10.8 6 10.1 7 10.6 8
1 13 2 10.3 3 10.7 4 10.9 5 10.8 6 10.1 7 10.6 8
1 13 2 10.3 3 10.7 4 10.9 5 10.8 6 10.1 7 10.6 8

1

13

2

10.3

3

10.7

4

10.9

5

10.8

6

10.1

7

10.6

8

10.4

9

10.1

10

10.5

11

10.6

12

10.1

13

10.2

14

12.5

15

10.3

10.3

EVEN

MEAN

13 10.2 14 12.5 15 10.3 EVEN MEAN 13 MEDIAN MEDIAN ODD=n+1/2 10.1 1 10.1

13

MEDIAN MEDIAN ODD=n+1/2
MEDIAN MEDIAN ODD=n+1/2

MEDIAN

MEDIAN

ODD=n+1/2

10.1

1

10.1

2

10.1

3

10.2

4

10.3

5

10.3

6

10.4

7

 
   
 

10.6

9

10.6

10

10.7

11

10.8

12

10.9

13

12.5

12.5

14

14

13

13

15

15

ABOVE 50%
ABOVE
50%

Xm=10.5

50%
50%

BELOW

BELOW

n= 10

Σ Xi/n

i =1

X=161.1

. 15

X=10.74

SI eliminamos

13.0 & 12.5

X=135.6

. 13

X=10.43

Significa que el outlier tiene una

fuerte influencia

Mas

frecuente

Mo=10.1

10.3

10.7

10.9

10.8

10.1
10.1

10.6

10.4

10.1
10.1

10.5

10.6

10.1
10.1

10.2

12.5

10.3

Media: Es el valor usado mas frecuentemente que representa el grupo.

Mediana: Es usado frecuentemente para representar los niveles salariales o empleados en una

compañía.

Moda: Es frecuentemente usado para mostrar los valores representativos del mercado (El valor que más requieren los clientes se le denomina moda)

Ing. Jesús Manuel Peña Loera

Facultad de Estudios Superiores de Aragón

February, 2018

Page 14

LOS TRES ANTERIORES SON MEDIDAS PARA

LOCALIZAR EL CENTRO

PERO,

¿COMO PUEDO SABER EL TAMAÑO DE LA

VARIACIÓN EN UN PROCESO?

RANGO, VARIANZA Y DESVIACIÓN ESTÁNDAR

Ing. Jesús Manuel Peña Loera

Facultad de Estudios Superiores de Aragón

February, 2018

Page 15

Rango

El rango es la diferencia entre el valor más alto y el más bajo del

conjunto de los datos:

Rango = Valor mayor Valor menor

Ventajas: Fácil de entender y calcular (con un pequeño numero de datos). Es un buen estimador para un pequeño conjunto de datos (< 8)

Desventajas: Altamente sensible a los valores extremos o

outliers. Únicamente usa dos valores del total del conjunto de

datos (el dato mayor o menor).

Ing. Jesús Manuel Peña Loera

Facultad de Estudios Superiores de Aragón

February, 2018

Page 16

VARIANZA

Para explicarla, consideremos estos dos grupos de datos

10, 20, 30, 40, 50

25, 26, 31, 32, 36

A B
A
B

60

50

40

30

20

10

0

50 40 30 20 10
50
40
30
20
10

0

1

2

3

4

5

6

 

40

30

20

X=30

10

0

36 32 31 26 25
36
32
31
26
25

0

1

2

3

4

5

6

X=30

Si únicamente vemos el valor de la media no podemos identificar el tamaño de al dispersión

Varianza de la muestra (S 2 )

Promedio al cuadrado de la distancia de cada punto con respecto a la media.

Desventaja: Variabilidad nos otorga medidas en unidades cuadradas las

cuales pueden ser confusas.

Ing. Jesús Manuel Peña Loera

Facultad de Estudios Superiores de Aragón

February, 2018

Page 17

UNA ALTERNATIVA PARA APRECIAR LA VARIACIÓN ES: Colocar el valor de la media como referencia, marcar las diferencias de esta

contra cada dato y sumar todas las diferencias.

X - X

10-30= -20

20-30= -10

30-30= 0

40-30=10

50-30=20

Σ X-X

-20-10+0+10+20=0

COMO UNA SUMA NO TIENE SENTIDO TAMPOCO

30

20

10

0

-10

-20

-30

20 10 0 0 1 2 3 4 5 6 -10 -20
20
10
0
0
1
2
3
4
5
6
-10
-20

*Eliminando el valor negativo al elevar al cuadrado y realizando la sumatoria

Σ (X-X)

2

=

(-20) 2

+

(-10) 2

+

1000
1000

(0) 2 + (10) 2 + (20) 2 =

* Podemos mostrar el tamaño de la dispersión

Σ

Σ 2

2

Σ 2

* Si dividimos por el numero de datos, tenemos la varianza o media de cuadrados referida como s 2

la varianza o media de cuadrados referida como s 2 Ing. Jesús Manuel Peña Loera Facultad
la varianza o media de cuadrados referida como s 2 Ing. Jesús Manuel Peña Loera Facultad
la varianza o media de cuadrados referida como s 2 Ing. Jesús Manuel Peña Loera Facultad

Ing. Jesús Manuel Peña Loera

Facultad de Estudios Superiores de Aragón

February, 2018

Page 18

Interpretación Grafica de S

Interpretación Grafica de S s 2 = s = n  i =1 n – 1
s 2
s 2

= s =

n  i =1 n – 1
n
i =1
n – 1

(X i X) 2

Desviación Standard (S)

Raíz cuadrada de la varianza

Medida de medición de la variación mas utilizadas

Conserva sus mismas unidades como los datos originales los cuales facilitan su entendimiento

Ejemplo: Encuentra la varianza y desviación estándar de la muestra para

los siguientes valores:

2, 6, 1, 8, 4, 5, 3

Ing. Jesús Manuel Peña Loera

Facultad de Estudios Superiores de Aragón

February, 2018

Page 19

Métodos para el análisis de datos

Estadística Descriptiva: Media muestral, Mediana, Moda, Varianza Muestral, Desviación estándar muestral, Rango

Análisis Gráfico

Histograma

Box Plots

Diagrama de dispersión

Run Charts

Gráficos de Control

Gráfico de Pareto

Ing. Jesús Manuel Peña Loera

Facultad de Estudios Superiores de Aragón

February, 2018

Page 20

Cómo podemos representa los rasgos de un grupo de números?

* Podemos representar estos datos al ordenar los valores numéricos

DATA SET MEAN MEDIAN MEDIAN DATA SET MEAN ODD=n+1/2 1 13 n= 10 13 10.1
DATA SET
MEAN
MEDIAN
MEDIAN
DATA
SET
MEAN
ODD=n+1/2
1
13
n= 10
13
10.1
1
Σ Xi/n
2
10.3
10.3
10.1
2
ABOVE
i =1
3
10.7
10.7
10.1
3
X=161.1
MÁS
4
10.9
10.9
10.2
4
. 15
FRECUENTE
5
10.8
10.8
10.3
5
50%
X=10.74
6
10.1
10.1
10.3
6
10.5 10.5
8
Si lo eliminamos
7
10.6
10.6
XM=10.1
10.4
7
Mo=10.5
8
10.4
13.0 & 12.5
10.4
8
9
10.1
X=135.6
10.1
10.6
9
10
10.5
. 13
10.5
10.6
10
50%
11
10.6
10.6
10.7
11
X=10.43
12
10.1
10.1
10.8
12
13
10.2
Si la medida de un
10.2
10.9
13
12.5 12.5
14 14
outlier tiene una
BELOW
14
12.5
12.5
13 13
15 15
influencia fuerte
15
10.3
10.3

TENDENCIA CENTRAL

Ing. Jesús Manuel Peña Loera

Facultad de Estudios Superiores de Aragón

February, 2018

VARIANCE

VARIANCE

VARIANCE n n n n 2 2 2 V= V= V= V=   2 (Xi-X)
n n n n 2 2 2 V= V= V= V=   2 (Xi-X)
n
n
n
n
2 2
2
V=
V=
V=
V=
2
(Xi-X) (Xi-X) (Xi-X) n-1 n-1 n-1 n-1
(Xi-X)
i i
i
i
=1
=1
=1
=1
V=10.36

.

14

V=0.74

DEVIATION STD.

STANDAR

STANDAR

STANDARSTANDAR

DEVIATION

DEVIATION

DEVIATIONDEVIATION

S= 0.86

V V
V
V

==

==

STANDAR STANDARSTANDAR DEVIATION DEVIATION DEVIATIONDEVIATION S= 0.86 V V == == RANGO R=13-10.1= 2.9

RANGO

R=13-10.1= 2.9

DEVIATION DEVIATION DEVIATIONDEVIATION S= 0.86 V V == == RANGO R=13-10.1= 2.9 DISPERSIÓN Page 21

DISPERSIÓN

Page 21

Variación en el arribo de contenedores VARI a MANZANILLO 15 10 5 0 -5 -10

Variación en el arribo de contenedores VARI a MANZANILLO

15

10

5

0

-5

-10

12 X=-1.35 Días RANGO= 20 Días s= 4.07 Días 8 MAX= 12 Días MIN= -8
12
X=-1.35 Días
RANGO= 20 Días
s= 4.07
Días
8
MAX= 12
Días
MIN= -8 DíaS
VARIANZA= 16. 56 Días
3
3
2
1
1
1
0
0
0
0
0
0
-1
-1
-1
-1
-1
-1
-1
-2
-2
-3
-3
-3
-3
-4
-4
-4
-5
-5
-5
-7
-8
-8
-8
MAXIMO DE 10
DÍAS DE DEMORA
ACORDADO CON
EL PROVEDOR
PARA ARRIVO

CONCLUSIONES:

1. Arribo de recipientes dentro de rango (20 Días), como un retraso (con 8 días de retraso hasta 12 días de anticipación.

2. Desviación estándar (4.07) con una gran dispersión contra la media (X=1.35).

3. En promedio llegan 1.35 días tarde con respecto a la fecha pactada

4. El requerimiento actual es que se podía llegar como máximo con 10 días de retraso.

Ing. Jesús Manuel Peña Loera

Facultad de Estudios Superiores de Aragón

February, 2018

Page 22

De la gráfica previa, nosotros podemos construir el siguiente histograma Histograma Bimestral de Arribo de

De la gráfica previa, nosotros podemos construir el siguiente histograma

Histograma Bimestral de Arribo de contenedores VARI

( Media, Mediana, Moda ) ¿QUÉ PODEMOS VER EN ESTE HISTOGRAMA? 10 CENTRADO DISPERSIÓN FORMA
( Media, Mediana, Moda )
¿QUÉ PODEMOS VER
EN ESTE
HISTOGRAMA?
10
CENTRADO
DISPERSIÓN
FORMA
5
0
-8
-6
-4
-2
0
2
4
6
8
10
12
Frecuencia

Dispersión

Arribo de envases Bimestral

Ing. Jesús Manuel Peña Loera

Facultad de Estudios Superiores de Aragón

February, 2018

Page 23

Boxplot

Visualiza:

Rango

Rango intercuartil

Media

Mediana

Ayuda a identificar los valores extremos (outliers)*

Útil para comparar entre múltiples conjuntos de datos

Un Boxplot consiste en:

Una caja rectangular que representa el punto medio 50% de los datos

Líneas o “whiskers” extendidos de cualquier lado que representa el 25% de los datos

Marca de las observaciones que están muy por afuera de la mayoría de los datos (outliers)

Ing. Jesús Manuel Peña Loera

Facultad de Estudios Superiores de Aragón

February, 2018

Page 24

Un poco más de Box Plot

Box Plot (figura de Box whisker)

.

Incluye el 25% de los datos de mayor valor

La caja incluye el 50% de los datos la línea dibujada en el centro representa la mediana

Incluye el 25% de los datos de menor valor

la mediana Incluye el 25% de los datos de menor valor La figura completa es larga
la mediana Incluye el 25% de los datos de menor valor La figura completa es larga
la mediana Incluye el 25% de los datos de menor valor La figura completa es larga
la mediana Incluye el 25% de los datos de menor valor La figura completa es larga
la mediana Incluye el 25% de los datos de menor valor La figura completa es larga
la mediana Incluye el 25% de los datos de menor valor La figura completa es larga
la mediana Incluye el 25% de los datos de menor valor La figura completa es larga
la mediana Incluye el 25% de los datos de menor valor La figura completa es larga
la mediana Incluye el 25% de los datos de menor valor La figura completa es larga
la mediana Incluye el 25% de los datos de menor valor La figura completa es larga

La figura completa es larga La varianza es larga

La figura completa es corta = La varianza es corta

Whisker
Whisker
Caja
Caja
Whisker
Whisker
12 12 8 8 3 3 3 3 -7 -7 -8 -8 -8 -8 -8
12
12
8
8
3
3
3 3
-7 -7
-8 -8
-8 -8
-8 -8

Ing. Jesús Manuel Peña Loera

Facultad de Estudios Superiores de Aragón

February, 2018

Page 25

Diagrama de dispersión

¿Existe correlación? ¿Está es positiva, negativa o nula ?

240

220

POSITIVA

POSITIVA

240

220

5.0

6.0

NULA

N U L A

5.0

6.0

240

220

240 220 POSITIVA 240 220 5.0 6.0 N U L A 5.0 6.0 240 220 NEGATIVA
NEGATIVA 5.0 6.0
NEGATIVA
5.0
6.0

Nos muestra la relación simple entre dos variables

Ayuda a determinar si puede existir una

correlación entre dos variables

NO muestra causalidad

Ing. Jesús Manuel Peña Loera

Facultad de Estudios Superiores de Aragón

February, 2018

Page 26

NOVEMBER

NOVEMBER Diagrama de dispersión OCT 1 ~ NOV 9 n=30 0.93 0.92 0.91 0.9 0.89 0.88
Diagrama de dispersión
Diagrama de dispersión

OCT 1 ~ NOV 9

n=30

0.93 0.92 0.91 0.9 0.89 0.88 0.87 0.86 0.85 8 8.5 9 9.5 % DEFECTOS
0.93
0.92
0.91
0.9
0.89
0.88
0.87
0.86
0.85
8
8.5
9
9.5
% DEFECTOS
 

AIR PRESS

 

DATE

(KG/CM2)

DEFECTS (%)

 

1

8.6

0.889

2

8.9

0.884

3

8.8

0.874

4

8.8

0.891

5

8.4

0.874

8

8.7

0.886

9

9.2

0.911

10

8.6

0.912

OCTOBER

11

9.2

0.895

12

8.7

0.896

15

8.4

0.894

16

8.2

0.864

17

9.2

0.922

18

8.7

0.909

19

9.4

0.905

 

22

8.7

0.892

23

8.5

0.877

24

9.2

0.885

25

8.5

0.866

26

8.3

0.896

29

8.7

0.896

30

9.3

0.928

31

8.9

0.886

DATE

AIR (KG/CM2) PRESS

DEFECTS (%)

1

2

8.9

8.3

0.908

0.881

5

6

7

8

9

8.7

0.882

8.9

0.904

8.7

0.912

9.1

0.925

8.7

0.872

8.7 0.882 8.9 0.904 8.7 0.912 9.1 0.925 8.7 0.872

* En este ejemplo

podemos ver que hay

una correlación positiva.

PRESIÓN DE AIRE

ver que hay una correlación positiva. PRESIÓN DE AIRE Correlation between two variables Ing. Jesús Manuel

Correlation between two variables

Ing. Jesús Manuel Peña Loera

Facultad de Estudios Superiores de Aragón

February, 2018

Page 27

Ejemplo de Run Charts (gráfico de corrida) Tendencia de inventario de hierro colado

* Podemos apreciar únicamente la tendencia y compararlo contra el objetivo

2.5

2

1.5

1

0.5

0

tendencia y compararlo contra el objetivo 2.5 2 1.5 1 0.5 0 X=1.25 s = 0.299
tendencia y compararlo contra el objetivo 2.5 2 1.5 1 0.5 0 X=1.25 s = 0.299
tendencia y compararlo contra el objetivo 2.5 2 1.5 1 0.5 0 X=1.25 s = 0.299
X=1.25 s = 0.299 1.99 1.519 1.46 1.27 1.2 1.24 1.14 1.13 1.24 1.02 0.8
X=1.25
s =
0.299
1.99
1.519
1.46
1.27
1.2
1.24
1.14
1.13
1.24
1.02
0.8
1.061
0.75
1.27 1.2 1.24 1.14 1.13 1.24 1.02 0.8 1.061 0.75 X=1.33 s =0.275 1.86 1.84 1.49
X=1.33 s =0.275 1.86 1.84 1.49 1.24 1.4 1.24 1.24 1.14 1.17 1.19 1.07 1.03
X=1.33
s =0.275
1.86
1.84
1.49
1.24
1.4
1.24
1.24
1.14
1.17 1.19
1.07
1.03
1
0.8
X=1.74 s = 0.282 2.16 1.91 2.07 1.79 1.78 1.73 1.95 1.76 1.67 1.5 1.28
X=1.74 s = 0.282 2.16 1.91 2.07 1.79 1.78 1.73 1.95 1.76 1.67 1.5 1.28
X=1.74 s = 0.282 2.16 1.91 2.07 1.79 1.78 1.73 1.95 1.76 1.67 1.5 1.28
X=1.74 s = 0.282 2.16 1.91 2.07 1.79 1.78 1.73 1.95 1.76 1.67 1.5 1.28
X=1.74
s = 0.282
2.16
1.91
2.07
1.79
1.78
1.73
1.95
1.76
1.67
1.5
1.28
1.26
Ayuda a identificar las
tendencias en los datos
Relaciona cambios en el
proceso en función del tiempo

1

2

3

4

5

6

7

8

9

10

11

12

1

2

3

4

5

6

7

8

9

10

11

12

1

2

3

4

5

6

7

8

9

10

11

12

Ing. Jesús Manuel Peña Loera

Facultad de Estudios Superiores de Aragón

February, 2018

Page 28

Principio de Pareto…

Wilfredo Pareto Un economista

Italiano del siglo XIX decía “Muy

pocas personas acaparan la mayoría del dinero”

80% de los problemas estan relacionados al 20% de las causas

Nos ayuda a enfocar los esfuerzos a los problemas que observan el

potencial mas grande a ser mejorado

mostrando su frecuencia relativa en tamaño con una gráfica de barras

Un gráfico de Pareto es un poderosa y sencilla herramienta gráfica para separar de los “pequeños importantes” de los “muchos triviales”

 Poderosa herramienta gráfica  Muy útil cuando establecemos prioridades Pequeños importantes Muchos
 Poderosa herramienta
gráfica
 Muy útil cuando
establecemos prioridades
Pequeños
importantes
Muchos
Triviales

Ing. Jesús Manuel Peña Loera

Facultad de Estudios Superiores de Aragón

February, 2018

Page 29

MATERIAL OBSOLETO, GRÁFICO DE PARETO en 2017

100% 98% 97% 1,200,000.00 91% 85% 1,000,000.00 72% * Sí atacamos los tres 800,000.00 57%
100%
98%
97%
1,200,000.00
91%
85%
1,000,000.00
72%
* Sí atacamos los tres
800,000.00
57%
primeros, podremos
mejorar el 72% del
proceso inmediatamente
600,000.00
37%
Pocos
400,000.00
Muchos triviales
465,850.62
465,850.62
importantes
72%
28%
200,000.00
259,071.65
259,071.65
189,649.13
189,649.13
166,511.38 166,511.38
20,450.91
20,450.91
19,075.00
19,075.00
0.00
78,689.22
78,689.22
71,082.10
71,082.10
CAMBIOS DE
PROBLEMA
DIFERENCIAS DE
PARTES CON
PARTES
ESTABLECIMIENTO
CON CAMBIO
SOBRANTES POR
INVENTARIO Y
DE PARTES
VOLUMEN
SOBRE STOCK
DE INGENIERIA
ANALISSIS
SOBRANTE
DENTRO DE LO
ESTABLECIDO
PARTES DE ITEMS
CON BAJO
VOLUMEN DE
(INECS) FUERA
DE LEAD TIME
MAL USAJE
PRODUCCION
U$D

CAUSES

100%

90%

80%

70%

60%

50%

40%

30%

20%

10%

0%

U$D CAUSES 100% 90% 80% 70% 60% 50% 40% 30% 20% 10% 0% Ing. Jesús Manuel

Ing. Jesús Manuel Peña Loera

Facultad de Estudios Superiores de Aragón

February, 2018

Page 30

Estudios de Capacidad del Proceso (Cp y Cpk)

Estudios de Capacidad del Proceso (Cp y Cpk) Ing. Jesús Manuel Peña Loera Facultad de Estudios

Existe variación en todos los aspectos de nuestra vida:

Variación
Variación

También todas las acciones repetitivas de un proceso de manufactura tienen cierta fluctuación.

de un proceso de manufactura tienen cierta fluctuación. Esto lo vemos reflejado en los resultados de
de un proceso de manufactura tienen cierta fluctuación. Esto lo vemos reflejado en los resultados de

Esto lo vemos reflejado en los resultados de nuestros

indicadores internos como el Short AVES; DPU, STR

Es nuestra obligación:

Entenderla, medirla, controlarla, reducirla

Ing. Jesús Manuel Peña Loera

Facultad de Estudios Superiores de Aragón

February, 2018

Page 32

Variación en los Procesos

El producto deseado resulta de la concurrencia de varios factores y condiciones

que caracterizan al proceso.

Maquinaria

Métodos

condiciones que caracterizan al proceso. Maquinaria Métodos Materia sPrimas Mano de Obra Condiciones Ambientales
condiciones que caracterizan al proceso. Maquinaria Métodos Materia sPrimas Mano de Obra Condiciones Ambientales
condiciones que caracterizan al proceso. Maquinaria Métodos Materia sPrimas Mano de Obra Condiciones Ambientales
Materia sPrimas
Materia
sPrimas

Mano de Obra

Condiciones Ambientales

Fuentes de variación
Fuentes de variación

Causa Común: siempre está presente en el

proceso de alguna manera

Causa Especial: algo diferente que sucede

en un lugar o momento dados

Ing. Jesús Manuel Peña Loera

Facultad de Estudios Superiores de Aragón

February, 2018

Page 33

Limites de Especificación

Cuando un proceso es estable se puede utilizar un modelo de distribución normalLimites de Especificación (campana de Gauss) LIE Objetivo LSE Exceso de Exceso de Variación Variación VARIACIÓN

(campana de Gauss)

LIE Objetivo LSE Exceso de Exceso de Variación Variación VARIACIÓN PERMITIDA LaLavozvozdeldelclientecliente
LIE
Objetivo
LSE
Exceso de
Exceso de
Variación
Variación
VARIACIÓN PERMITIDA
LaLavozvozdeldelclientecliente

La variación dentro de la curva es inherenteVARIACIÓN PERMITIDA LaLavozvozdeldelclientecliente La variación fuera de la curva significa una perturbación

La variación fuera de la curva significa una perturbación en el procesoLa variación dentro de la curva es inherente Ing. Jesús Manuel Peña Loera Facultad de Estudios

Ing. Jesús Manuel Peña Loera

Facultad de Estudios Superiores de Aragón

February, 2018

Page 34

Control de Procesos vs Capacidad de Procesos

Control del Proceso = Estabilidad a través del tiempo.
Control del Proceso =
Estabilidad a través del tiempo.
LIE LSE
LIE
LSE

Capacidad del Proceso =

La habilidad de un proceso estable para

cumplir con las especificaciones.

Ing. Jesús Manuel Peña Loera

Facultad de Estudios Superiores de Aragón

February, 2018

Page 35

Capacidad del Proceso

¿Para qué sirve la Capacidad del Proceso?

Nos permite saber si un proceso:

Es consistente (repetible)la Capacidad del Proceso? Nos permite saber si un proceso: Esta dentro de especificación Es muy

Esta dentro de especificaciónNos permite saber si un proceso: Es consistente (repetible) Es muy grande en variación y cuanto

Es muy grande en variación y cuantoEs consistente (repetible) Esta dentro de especificación Es rechazado o aceptado indicando el número de piezas

Es rechazado o aceptado indicando elde especificación Es muy grande en variación y cuanto número de piezas defectuosas La capacidad o

número de piezas defectuosas

o aceptado indicando el número de piezas defectuosas La capacidad o habilidad del proceso está determinada
o aceptado indicando el número de piezas defectuosas La capacidad o habilidad del proceso está determinada

La capacidad o habilidad del proceso está determinada por la variación total que se

origina por las causas comunes o en otras palabras, es la variación mínima que puede

ser alcanzada una vez que todas las causas especiales han sido eliminadas.

Ing. Jesús Manuel Peña Loera

Facultad de Estudios Superiores de Aragón

February, 2018

Page 36

¿Qué observas en este proceso?

LIE LSE 0.001 2.0
LIE
LSE
0.001
2.0

La dispersión del proceso es estrecha comparada con la especificación

Este proceso es capaz de trabajar dentro de las especificaciones

¿Qué observas en este proceso?

LIE LSE 0.001 2.0
LIE
LSE
0.001
2.0

La dispersión del proceso muy amplia comparada con las especificaciones

Este proceso no es capaz de trabajar cumpliendo las especificaciones

Ing. Jesús Manuel Peña Loera

Facultad de Estudios Superiores de Aragón

February, 2018

Page 37

Capacidad Potencial del Proceso (Cp)

Para datos continuos, queremos saber si la variación total del proceso (voz del proceso) permite al proceso producir partes dentro de una variación esperada (voz del cliente representada por los limites de especificación).

La voz del proceso (lo que se entrega)

LIC LSC
LIC
LSC
6s
6s

Limites de Control

La voz del cliente (lo que se espera)

LIE

LSE

La voz del cliente (lo que se espera) LIE LSE

Limites de Especificación

Ing. Jesús Manuel Peña Loera

Facultad de Estudios Superiores de Aragón

February, 2018

Page 38

Capacidad Potencial del Proceso (Cp)

La “Capacidad Potencial” es la habilidad de trabajar en un nivel esperado y

la definimos con un índice

Cp

=

LSE

- LIE

6

s

y la definimos con un índice Cp = LSE - LIE 6 s Variación permitida o

Variación permitida o especificada

Cp =

Variación real del proceso

o especificada Cp = Variación real del proceso La “Capacidad Potencial” se determina comparando la

La “Capacidad Potencial” se determina comparando la variación total del

proceso contra la variación permitida por el cliente

Los limites de especificación los obtienes de los estándares y la dispersión del proceso se calcula fácilmente (solo es necesario conocer las operaciones básicas de aritmética y raíz cuadrada)

Ing. Jesús Manuel Peña Loera

Facultad de Estudios Superiores de Aragón

February, 2018

Page 39

Capacidad Potencial del Proceso (Cp)

Ejemplo:

Al inspeccionar una muestra de una producción nos da los siguientes datos

X 1 = 27.0

X 2 = 26.5

X 3 = 27.5

X 4 = 27.0

X 5 = 27.0

X 6 = 27.0

X 7 = 27.5

X 8 = 27.0

X 9 = 27.0

X 10 =26.5

1. Primero calculamos el promedio

x

=

27.0

2. Calculamos la desviación estándar

s

=

promedio x = 27.0 2. Calculamos la desviación estándar s = (27 - 27) 2 +

(27

-

27)

2

+

(26.5

-

27)

2

+

(26.5

-

27)

2

10

-

1

=

0.33

Ing. Jesús Manuel Peña Loera

Facultad de Estudios Superiores de Aragón

February, 2018

Page 40

Capacidad Potencial del Proceso (Cp)

Para que un proceso sea considerado Potencialmente Capaz la variación real debe de ser igual o menor que la permitida

Variación permitida o

especificada

Cp =

Variación real del proceso

=

LIE LSE Variación Permitida LIC LSC
LIE
LSE
Variación
Permitida
LIC
LSC
real del proceso = LIE LSE Variación Permitida LIC LSC Variación Real De otra manera no
Variación Real
Variación Real

De otra manera no es posible que la población “quepa” dentro de las especificaciones.

Ing. Jesús Manuel Peña Loera

Facultad de Estudios Superiores de Aragón

February, 2018

Page 41

Capacidad Potencial del Proceso (Cp)

Imagina que la variación del proceso está representada por el ancho de un auto y la variación permitida por el ancho del garage…

m -6s +6s +3s -3s Variación del Proceso Variación Permitida LIE T LSE LIE T
m
-6s
+6s
+3s
-3s
Variación del Proceso
Variación
Permitida
LIE
T
LSE
LIE
T
LSE

Cp = 2

T
T

= Target o valor nominal de especificación

El índice Cp nos dice el número de veces que cabe el auto en el garage

nos dice el número de veces que cabe el auto en el garage LIE T LSE
LIE T LSE
LIE
T
LSE

Por lo que tenemos la posibilidad estacionar 2 autos en ese garage

Ing. Jesús Manuel Peña Loera

Facultad de Estudios Superiores de Aragón

February, 2018

Page 42

¿Que tan capaz es el proceso?

6s

6s LIE LSE Proceso no capaz
LIE LSE
LIE
LSE

Proceso no capaz

6s LIE LSE
6s
LIE
LSE

Un Proceso Muy Capaz

6s

6s LIE LSE Un Proceso Capaz
LIE LSE
LIE
LSE

Un Proceso Capaz

Un Proceso Muy Capaz 6s LIE LSE Un Proceso Capaz Cp < 1 Cp = 1

Cp < 1 Cp = 1

Cp > 1

Ing. Jesús Manuel Peña Loera

Facultad de Estudios Superiores de Aragón

February, 2018

Page 43

Capacidad Potencial del Proceso (Cp)

Los valores de Cp dependiendo del nivel sigma de calidad provienen de acuerdo a la siguiente ilustración

1) 2) 6 Spec Spec 6 Cp<1.00 3 s 3 s 3 s 3 s
1)
2)
6
Spec
Spec
6
Cp<1.00
3 s
3 s
3
s
3
s
3)
4)
8
10
Spec
Spec
6
6
3
s
3
s
3 s
3s
Cp = 1.33
4
s
4
s
5 s
5 s

Cp = 1.00

Cp = 1.66

Ing. Jesús Manuel Peña Loera

Facultad de Estudios Superiores de Aragón

February, 2018

Page 44

Capacidad Potencial del Proceso (Cp)

Ejercicio:

El diámetro de un balero es una característica de calidad que se ha mantenido bajo

control estadístico. Se han estado tomando muestras de n = 5 cada una. De las ultimas muestras tenemos la información siguiente:

X = 205.1260

i

R = 0.3000

i

Los limites de especificación son 10.25 0.03 cm

1. ¿Es el proceso hábil para 3s?

Ing. Jesús Manuel Peña Loera

Facultad de Estudios Superiores de Aragón

February, 2018

Page 45

Capacidad Potencial del Proceso (Cp)

Respuesta:

A partir de los datos de las 20 muestras, podemos estimar los parámetros de la

población

m =

LC x

205.126

=

20

=

10.2560

Y por lo tanto con n = 5 tenemos:

s

El índice Cp es:

Cp

=

LSE

-

LIE

6 s

R

=

=

R

d

2

0.3000

20

=

0.015

=

0.015

= 0.0064

2.326

=

( 10.28

-

10.22)

6 (0.0064)

=

1.562

Dado que Cp = 1.562 > 1.0; el proceso es potencialmente hábil para 3s

Ing. Jesús Manuel Peña Loera

Facultad de Estudios Superiores de Aragón

February, 2018

Page 46

Habilidad Real del Proceso (Cpk)

El hecho de que un proceso sea capaz potencialmente, no implica que necesariamente esta entregando consistentemente producto dentro de

especificaciones; mas bien, significa que de acuerdo con su variabilidad tiene la

posibilidad de hacerlo.

LIE

T

LSE

su variabilidad tiene la posibilidad de hacerlo. LIE T LSE Piezas fuera de especificación Cp =

Piezas fuera de especificación

Cp = 1

Si se cuantifica el Cp tendremos que su valor es 1; sin embargo, se puede observar

que prácticamente la mitad de la producción está fuera de especificaciones.

Ing. Jesús Manuel Peña Loera

Facultad de Estudios Superiores de Aragón

February, 2018

Page 47

Habilidad Real del Proceso (Cpk)

Independientemente de que un auto tenga la posibilidad de entrar en un garage, hay otros factores que influyen para lograrlo, por ejemplo: la pericia del conductor para que pueda ser

bien direccionado

 -6s +6s +3s -3s Variación del Proceso Variación Permitida Cp = 2 LIE T
-6s
+6s
+3s
-3s
Variación del Proceso
Variación
Permitida
Cp = 2
LIE
T
LSE
LIE
T
LSE

Esto nos lleva a la necesidad de requerir una manera para evaluar la Habilidad Real de un proceso, para lo cual existe un índice llamado Cpk

Ing. Jesús Manuel Peña Loera

Facultad de Estudios Superiores de Aragón

February, 2018

Page 48

Habilidad Real del Proceso (Cpk)

Cpk es el índice que mide tanto la capacidad como la habilidad del proceso, es

decir la variación y localización del proceso contra las especificaciones, indicando

que tan centrados están nuestros datos con respecto a los limites de especificación.

Los criterios que se aplican a éste índice

Nivel de calidad

Cpk

son similares que para Cp, esto es:

3s

1.00

4s

1.33

5s

1.66

6s

2.00

Ing. Jesús Manuel Peña Loera

Facultad de Estudios Superiores de Aragón

February, 2018

Page 49

Capacidad del Proceso

Existen diferentes formas de lo que podemos encontrar la condición de un proceso en la práctica:

LIE LIC LSC LSE Variación Real Variación Permitida
LIE
LIC
LSC
LSE
Variación Real
Variación Permitida

CASO 1: La variación real es menor

que la permitida y el proceso está centrado

Esta es la condición óptima de un

proceso: centrado y poca

variación

condición óptima de un proceso: centrado y poca variación • Dentro de objetivo • Poca variación

Dentro de objetivo

Poca variación

Poca probabilidad de defectos

Ing. Jesús Manuel Peña Loera

Facultad de Estudios Superiores de Aragón

February, 2018

Page 50

Capacidad del Proceso

No cumple con la especificación en un solo lado, hacia el Limite Superior Especificado

LIE LSE LSC LIC Piezas fuera de especificación Variación Permitida Variación Real
LIE
LSE
LSC
LIC
Piezas fuera de
especificación
Variación Permitida
Variación Real
de especificación Variación Permitida Variación Real • Fuera de objetivo • Poca variación • Alto

Fuera de objetivo

Poca variación

Alto Defectivo

CASO 2: La variación real es menor

que la permitida y pero el proceso

no está centrado

Cuando se presenta este caso el

proceso no cumple con un lado de la especificación. Puede ser corregido ajustando el promedio del proceso con respecto al

promedio de la especificación

Ing. Jesús Manuel Peña Loera

Facultad de Estudios Superiores de Aragón

February, 2018

Page 51

Capacidad del Proceso

Proceso que no cumple con la especificación de ambos lados

LIC LIE LSE LSC Piezas fuera de especificación Piezas fuera de especificación Variación Real Variación
LIC
LIE
LSE
LSC
Piezas fuera de
especificación
Piezas fuera de
especificación
Variación Real
Variación Permitida

CASO 3: La variación real es mayor

que la permitida y el proceso está

centrado

Cuando el proceso no cumple

por ninguno de los dos lados,

entonces debe disminuirse forzosamente la variación

lados, entonces debe disminuirse forzosamente la variación • Hay dentro producto de objetivo • Mucha variación

Hay dentro producto de objetivo

Mucha variación

Alto defectivo

Ing. Jesús Manuel Peña Loera

Facultad de Estudios Superiores de Aragón

February, 2018

Page 52

Habilidad Real del Proceso (Cpk)

Ejercicio: Calcular el Cp y Cpk; para estimar s usar:

s

=

R

d

2

Subgrupo

X-bar

R

1

25

1

2

25

2

3

24

0

4

21

3

5

23

2

6

25

2

7

27

5

8

28

3

9

29

2

10

30

1

11

25

0

12

28

1

13

23

2

14

25

3

15

21

3

Especificación: 23 ± 5.2 ; n = 4

LSE = 28.2 LIE = 17.8

3 Especificación: 23 ± 5.2 ; n = 4 LSE = 28.2 LIE = 17.8 SOLUCIÓN

SOLUCIÓN

s

=

R 2

=

d

2 2.059

= 0.98

x = 25.26

Zs =

28.2 - 25.26

= 3

Cp =

28.2 17.8

-

6( 0.98)

= 1.76

Zs =

25.26 - 17.8 =

7.6

0.98 0.98 Z min 3 Cpk = = 1 3
0.98
0.98
Z min
3
Cpk =
= 1
3

(23-3)

> X <

23+7)

~

3

> 23 <

7.6

Ing. Jesús Manuel Peña Loera

Facultad de Estudios Superiores de Aragón

February, 2018

Page 53

Habilidad Real del Proceso (Cpk)

Ejercicio: Calcular el Cp y Cpk; para estimar s usar:

Especificación: 23 ± 5.2 ; n = 4

Subgrupo

X-bar

R

1

25

1

2

25

2

3

24

0

4

21

3

5

23

2

6

25

2

7

27

5

8

28

3

9

29

2

10

30

1

11

25

0

12

28

1

13

23

2

14

25

3

15

21

3

SOLUCIÓN
SOLUCIÓN
13 23 2 14 25 3 15 21 3 SOLUCIÓN R 2 LSE = 28.2 s
R 2 LSE = 28.2 s = = = LIE = 17.8 d 2.059 2
R
2
LSE = 28.2
s
=
=
=
LIE = 17.8
d
2.059
2
28.2
-
17.8 =
x = 25.26
Cp
=
6(0.98)
28.2
+
17 .8
-
25.26
2
k
=
=
28.2
-
17 .8

2

0.98

1.76

-2.26

5.2

=

Cpk =

28.2 - 17.8 1-(-0.43) 6(0.98)
28.2
-
17.8
1-(-0.43)
6(0.98)

=

(1.43)(1.76) =

Ing. Jesús Manuel Peña Loera

Facultad de Estudios Superiores de Aragón

February, 2018

s

=

R

d

2

-0.43

2.52
2.52

Page 54

¡Es todo!
¡Es todo!