ANTES DE EMPEZAR

TEQ no es una asignatura difícil, si más o menos tiraste con estadística con poco que
practiques se saca facilona. Importante los videos de resolución de ejercicios de Atenea,
son bastante clave para aprender a estructurar el enunciado antes de ponerte a resolver.

Estos apuntes tienen guía de minitab para cada tema por lo que teniéndolo al lado deberías
ser capaz de entender cómo hacer cada análisis paso a paso a no ser que vayas
pasadísimo/a de guacamole.

Para aprobar sin mucho problema recomiendo unos 4 parciales y 4 finales mínimo, la
verdad se hacen rapidito, si te van costando pues haces más, ya vas viendo. En principio
todas las soluciones deberían estar en Atenea / OverSOS.

créditos a mi mismo, de nada @polros_

 TEMA 1 - Entorno de calidad total

Control estadístico de procesos:

Se trata de minimizar la producción de unidades defectuosas reduciendo el tiempo que
transcurre entre la ocurrencia y la desección de algún desajuste en el proceso de
fabricación, así como la identificación de las causas del mismo para evitar su repetición.

Calidad en la etapa de diseño:

El control de calidad es una actividad que concierne a proveedores y distribuidores.
La calidad tiene que venir determinada por las necesidades y expectativas del cliente y no
por las necesidades internas de la propia organización.

Mantenimiento, mejora e innovación en la calidad:

Por mejora continua entendemos todas las actuaciones dirigidas hacia las mejoras de los
estándares de calidad actuales. Se realizan mediante la secuencia: Plan, Do, Check, Act (*).
Innovación → Actividades tendentes a la creación de nuevos productos/ servicios.
(*) Ciclo PDCA
 TEMA 2 - Herramientas básicas para la mejora de la calidad

Plantillas para la recogida de datos:

La recolección de datos tiene que ser precisa y cuidadosa → plantillas diseñadas para cada
caso:
● Objetivos → Facilitar recogida de información. Evitar errores. Análisis rápido de los
datos.
● Reglas → No tomar datos si no se van a utilizar. Asegurarse de que la recolecta de
datos facilita su análisis. No pasar los datos a limpio, ser cuidadosos cuando se
toman los datos.

Histogramas
Útiles cuando se trata de analizar las dispersión que presentan unos datos.
 1. Campana habitual, representa variabilidad → causas aleatorias.
2. Bimodal, están mezclados datos de distinto origen centrados en valores distintos.
3. Sesgado a la derecha.
4. Censurado (a la izquierda), se han elminado valores, ocurre si después de la
producción se realiza una inspección al 100% para separar unidades fuera de
tolerancias.
5. Aparecen datos que no siguen comportamiento habitual, variabilidad se atribuye a
una causa designada que deberá ser identificada y eliminada.
6. Aparecen datos que no siguen comportamiento habitual, variabilidad se atribuye a
una causa designada que deberá ser identificada y eliminada.

Diagramas de Pareto
Se utiliza para medir el peso de cada variable en la dispersión de valores obtenidos.
Siempre que sea posible, es recomendable utilizar unidades monetarias en el eje vertical.

Diagramas causa-efecto:
Para solucionar un problema deben estudiarse sus causas para poder así remediarlas.
En el diagrama las causas se presentan jerarquizadas y agrupadas en 4-6 grups llamados
causas primarias.

Causas anotadas seran causas potenciales. Será necesaria la recolecta de datos para
confirmar la existencia de la relación causa-efecto. Cuando una causa se deja de
considerar, deberá ser tachada para dejar constancia de que se ha estudiado.
Diagramas bivariantes
Se representan puntos donde se relacionan dos variables.

Estratificación
Metodología que conviene incorporar a las herramientas mencionadas anteriormente.
Consiste en colocar los datos divididos según su origen en grupos homogéneos para
facilitar una mejor comprensión del fenómeno estudiado. Deberá decidirse si se quiere
aplicar este método antes de la recogida de datos, para poder así actuar en consecuencia.
 TEMA 3 - Programa de mejora Seis Sigma

Planificación // Control // Mejora

La mayoría de los problemas crónicos → responsabilidad de los sistemas.

Las relaciones entre los diversos departamentos de una organización suelen ser razón de
casi todos los problemas y de muchas oportunidades de mejora.

Programa seis sigma

Se debe centrar los esfuerzos en mejoras relacionadas con los costes y la satisfacción de
los clientes. La variabilidad afecta a la calidad → cliente percibe variación no la media.

Organización: generalmente liderado por la dirección, incorpora a un directivo de alto nivel

(director de calidad) como máximo responsable del programa. Sus tareas incluyen fijar
objetivos estratégicos anuales y crear infraestructura para proporcionar los medios
necesarios para cumplirlos. Seleccionar proyectos y grupos acorde a los objetivos.
- Champions: padrinos de los proyectos de mejora que desarrollan los Black Belts.
- Master Black Belts: No siempre existe, suele coincidir con el directivo que hace de
director del programa. Deben ser buenos concedores de la metodología y
herramientas.
- Black Belts: Directivos y mandos intermedios que reciben una amplia formación y
por lo tanto conocen el método y las herramientas. Sus tareas son formar a los
green belts, encontrar y proponer oportunidades de mejora…

Metodología y herramientas: Definir // Medir // Analizar // Mejorar // Controlar

Definir: Fijar indicadores y métricas ligadas al proyecto. Mapa de procesos. Voz del cliente.
Impacto en el negocio.
Focus group: grupo de clientes con los que se organiza una reunión para recoger
expectativas y deseos.
CCC: características críticas para el cliente.

Medir: Plantearse preguntas y contestarlas a partir de datos y la posterior recogida de los

mismos. Definir variables que parecen importantes, relaciones entre ellas, se cuantifica su
importancia.

Analizar: Utilizar todo lo aprendido para plantear hipótesis que confirmaremos o

rechazaremos mediante pruebas. Queremos conclusiones argumentadas y cuantificadas.

Mejorar: Champion deberá autorizar y aportar los medios para que las mejoras se lleven a
cabo, conveniente que participe en la selecció nde mejoras y que se involucre en su
implantación.

Controlar: Asegurar que las mejoras se consolidan, hay que evitar que los resultados del
proyecto sean una mejora temporal. Hacer una valoración del proyecto comparando el
antes y el después.
 TEMA 4 - Diseños factoriales

Número de experimentos a realizar → limitado → se busca máxima info con mínimos

recursos. Maneras de utilizar recursos disponibles:
- Experimentar sin planificar.
- Decidir de golpe como se va a invertir el presupuesto.
- Estrategia secuencial

Diseños factoriales
Permiten experimentar con todas las combinaciones y niveles de variables. Dos variables
interaccionan cuando el efecto de una de ellas que afecta a la respuesta, depende de otra.

Diseños factoriales con variables a dos niveles

Respuesta: catacterística estudiada.
Factores: variables que se consideran que pueden afectar a la respuesta.
Niveles: valores que teoma un factor en un determinado experimento.
2k
(*) 2 → factores con dos niveles (Alto/ Bajo); k → nº de factores.

Réplicas: Cuando el sistema objeto de la experimentación es muy variable, se hacen varios

experimentos para analizar los resultados. Se utilizará la media.

Cálculo de los efectos

(*) Interacción de 3, calcular interacción de 2 con la otra variable en +1. Restar la interacción
de 2 con la otra variable a -1 y dividir finalmente por 2.

Significación de los efectos

Una vez calculados los efectos, la primera tarea será distinguir cuáles son
significativamente distontos de cero y cuáles no. Se puede partir de un análisis con o sin
rétplcas, si hay réplicas se reducirá la variabilidad de los efectos.

(*) La estimación del intervalo de confianza 95% → (-2·Sef ; +2·Sef); Los factores cuyo valor
Effect no esté dentro de este IC serán considerados significativos.
(*) NT es el número de experimentos (2k) multiplicado por el número de réplicas.

MINITAB

Como crear un diseño factorial, en caso de que no te den los datos:

Estadísticas > DOE > Factorial > Crear diseño factorial
Insertar nº factores // En la pestaña factores se definen niveles alto y bajo // En diseños se
define el fraccionamiento, resolución y nº de réplicas del experimento.
Importante ordenar la matriz en orden estándar si la ordenan así en el enunciado:
Estadísticas > DOE > Mostrar diseño > Marcar Orden estándar para diseño

Como analizar un diseño factorial:

Estadísticas > DOE > Factorial > Analizar diseño factorial
Seleccionar la columna donde está el resultado // Recomendable pedir al Minitab que te de
el papel probabilístico normal: Gráficas > Gráficas de efectos > Marcar Normal

Como hacer gráficas factoriales:

Estadísticas > DOE > Factorial > Gráficas Factoriales
Analizar las variables o interacciones significativas en la respuesta.
 TEMA 5 - Diseños fraccionales

En los diseños completos podemos llegar a necesitar una cantidad de experimentos

excesiva, dependiendo del número de factores con el que queramos trabajar. Por ello se
emplean los diseñosfraccionales.
2k-p
(*) p → grado de fraccionamiento; número de generadores.

Confusión de los efectos

Cuando tenemos una interacción y el valor de esta coincide con otra. Coincidirá que a dos
efectos le corresponde la misma columna de signos.

Cálculo de las confusiones

Denotamos I como una columna de todo 1:
Si multiplicamos ambos miembros del generador por E obtenemos la relación de definición:
E = ABCD (generador) → EE = EABCD → I = ABCDE
Si queremos saber cómo está confundida ABC:
ABC·I = ABC·ABCDE → ABC·I = I·DE → ABC = DE

Concepto de resolución
Indica el grado de confusión de las interacciones:
V→3+2
IV → 2 + 2, 3 + 1
III → 2 + 1
(*) Las interacciones de 3 no se tienen en cuenta.

Medias fracciones
Se igualará la última variable a la interacción mayor, para obtener el generador:
D = ABC → I = ABCD

Fracción complementaria
El nuevo generador será el negativo del original, es la otra media necesaria para definir el
diseño completo.

Diseños saturados
Son los diseños más fraccionados posibles, se obtienen mediante la saturación de un
completo 2k asignando a cada interacción una nueva variable. Lo que permite estudiar 2k-1
variables, son diseños de resolución III. 2k-p tendrán un nº p de generadores.

Diseños intermedios
Permiten realizar menos experimentos que las medias fracciones y con confusiones más
favorables que los diseños saturados. No es evidente a qué interacciones hay que asignar
los factores restantes a las interacciones, para encontrar los generadores que dan una
máxima resolución → Minitab lo hace automáticamente.
Desconfundir
Si luego de hacer un DOE fraccionar tenemos factores confusos, se pueden desconfundir
puntualmente añadiendo algunos experimentos adicionales que diferencien las columnas de
signos.

Regresión en los DOE

Por construcción, las columas decada uno de los efectos es ortogonal a las otras.
La matriz X’·X es diagonal. El hecho de sacar una variable del modelo no hace que los otros
coeficientes cambian. Para saber qué variables son significativas, miraremos el p-valor de la
regresión completa. Si no hay réplicas, será imposible estimar la varianza de los efectos.
MINITAB

Como crear un diseño factorial, en caso de que te den los datos:

Estadísticas > DOE > Factorial > Definir diseño factorial personalizado
Indicar columnas de factores // En Bajo/Alto → Indicar que valor es el bajo y cual es el alto.

Como desconfundir un efecto:

Cuando la resolución es menor que V → es posible que una interacción significativa esté
confundida con otra.
Para desconfundir generalmente el enunciado da un experimento adicional que diferencia
las matrices de las interacciones.

En el caso de este ejercicio la última fila sirve para diferenciar la interacción AB y la CD.
Para ver cual de las dos es significativa → haremos una regresión con las dos columnas de
interacción: Estadísticas > Regresión > Regresión > Ajustar modelo de regresión.
Como respuesta damos la columna respuesta // como predictores daremos las dos
columnas de interacción → nos fijamos en el p-value menor → Significativa.
 TEMA 6 - Diseños robustos

Un producto robusto es el que mantiene sus características de calidad con un mínimo nivel
de variabilidad.

Variabilidad funcional
Casuas que provocan variabilidad en el proceso incluyen, variaciones en la mteria
prima, métodos de trabajo, mantenimiento.
Causas en el entorno: variaciones humanas en el uso del producto, condiciones
ambientales.
Causas relacionadas con las características internas del producto: envejecimiento,
deterioro de partes.
El efecto de estas causas sobre la característica de interés → Factores de ruido.
Para combatir el ruido se aplicarán contramedidas en cada una de las causas de
variabilidad a lo largo de las etapas de desarrollo del producto → Diseño de producto, del
proceso y etapa de producción.
(*) Solo en la fase de diseño de producto se pueden tomar medidas contra cada una de las
diferentes causas de variabilidad.

Metodología de diseño
Diseño primario: Diseño conceptual o funcional del producto para responder a una
necesidad del mercado.
Diseño secundario: Obtención de los valores nominales óptimos de los factores para
minimizar la variabilidad de las características de calidad del producto.
Diseño terciario: Diseño de tolerancias para garantizar la mínima variabilidad requerida
cuando la variabilidad del diseño secundario es todavóa excesiva.

Diseño de parámetros
Se determinan los niveles de los factores bajo los cuales se obtienen productos que
cumplen el doble objetivo de presentar la característica de calidad lo más cercana al valor
nominal deseado y con la mínima variabilidad posible. Dos tipos de factores:
- De control: Puedo alterar su valor a voluntad. (Temperatura horno)
- De ruido: No puedo alterar su valor a voluntad. (Humedad relativa).

Ruido externo: Existen interacciones entre factores de control y factores de ruido. El factor
de ruido en la respuesta depende del nivel en que se encuentre el factor de control.
Ruido interno: La relación entre los factores de control y la respuesta no es lineal.

(*) El objetivo para tratar los factores de ruido que interaccionan con los de control será el
de buscar los niveles del valor de control en cuestión a los que el valor de ruido tiene la
mínima variabilidad posible, es decir, que no afecte al resultado.

Matriz de diseño
Existen dos métodos de análisis respecto a la matriz de diseño:
- Diseñar por separado las matrices para los factores de control y ruido.
Posteriormente cruzar las dos para dar lugar a una matriz producto.
- Juntar los factores de control y ruido en una única matriz ampliada para
posteriormente estimar los parámetros del modelo.
Ventajas e inconvenientes de los dos enfoques de análisis
Con la matriz producto esclarecemos que factores afectan a la media y que factores
afectan a la variabilidad. Nos proporciona diseños en los que las interacciones entre
factores de control y factores de ruido no están confundidos con ningún otro efecto.

Mediante el método de la matriz ampliada obtenemos información sobre qué factores de

ruido afectan y que factores de control hacen robusto el proceso según cada uno de los
factores de ruido.

(*) Generalmente será más útil trabajar con la matriz producto ya que da información más
detallada sobre el modelo analizado en cuestión. Aun así, de ser posible se utilizarán ambas
matrices ya que las informaciones que dan pueden llegar a complementarse.

MINITAB

Como obtener la matriz ampliada:

Copiar valores de los resultados segun valores altos o bajos de la variable/s de ruido en
columnas diferentes. Después se calcula la media y desviación entre estas dos y se
almacenan los resultados en otras dos columnas.
Calc > Estadísticas de filas > Marcar Media/Desviación e indicar las columnas acordes a la
variable de ruido como entradas
Analizar el diseño factorial dos veces → una vez poniendo como respuesta Media y la otra
poniendo como respuesta Desviación.
Como obtener la matriz producto:
Crear una variable más siendo esta la de ruido → arreglar la matriz acorde a esta nueva
variable. Posteriormente crear una columna respuesta y → copiar los todos los valores de
respuesta del enunciado segun el nivel de la variable de ruido.

Analizar el diseño factorial con y como única respuesta.

 TEMA 8 - Estudios R&R

En estos estudios se analizará la variabilidad aportada por el sistema de medida y cuáles

son las fuentes de variabilidad.
La variación total de una medida se compone de la variabilidad entre piezas y de la
variabilidad producida por el sietema de medida.
La variabilidad del sistema de medida se puede dividir en la variación debida al aparato de
medida (repetibilidad) y en la variación acorde a los operarios (reproducibilidad).

Exactitud: El valor medio coincide con el valor real.

Precisión: Poca variabilidad en torno al valor medio.
Sesgo: En un aparacto → diferencia entre el valor medio y el verdadero valor de la
magnitud medida → hará falta calibrar el aparato.

Planteamiento de un estudio R&R

Varias personas miden varias piezas un número definido de veces. Metodología:
1. Calibrar el aparato de medición.
2. Definir el método de medida.
3. Identificar cada pieza (el medidor no debe saber qué pieza está midiendo).
4. Cada operario debe medir de forma consecutiva todas las piezas presentadas en
orden aleatorio.
5. El estudio R&R se tiene que realizar en condiciones normales y habituales de
medición.

MINITAB

Como obtener la gráfica de corridas del sistema de medición:

Estadísticas > Herramientas de calidad > Estudio del sistema de medición > Gráfica de
corridas del sistema de medición

Como hacer estudio R&R del sistema de medición:

Estadísticas > Herramientas de calidad > Estudio del sistema de medición > Estudio R&R
del sistema de medición (cruzado)
En el apartado de opciones se pueden introducir las tolerancias en caso de que nos las de
el enunciado.
Nos fijamos en % de contribución a la varianza de cada componente: Parte a parte
(variabilidad entre piezas) y Gage R&R total (repetibilidad y reproducibilidad).
En el caso de haber introducido tolerancias → apartado de evaluación del sistema de
medición → última columna %Tolerancia → nos dirá qué porcentaje supone el sistema de
medida en el amplio de tolerancias, se esperan valores de entre el 10 y el 20% → valores
mucho más grandes implicarán que el sistema de medida no puede ser utilizado en ningun
caso.

En este caso el %Tolerancia del sistema de medición es del 306,71% → el sistema de

medición es una puta mierda.
 TEMA 9 - Gráficos multi-vari

Herramienta gráfica que puede ayudar a identificar las fuentes de variabilidad más
importantes de un proceso. Sus objetivos son:
- Identificar cuáles son las fuentes de variabilidad de un proceso.
- Priorizar las fuentes de variabilidad.
- Detectar patrones de comportamiento no aleatorios.

Tipos de fuente de variabilidad

Las fuentes de variabilidad se clasifican en tres grandes familias:
- Posicional: viene de diferencias de medidas en distintas posiciones de una pieza.
- Cíclica: viene de las diferencias entre piezas seguidas de la línea de producción o
entre lotes seguidos.
- Temporal: viene de las diferencias por el paso del tiempo, entre semanas o por
cambios de turno.

MINITAB

Como obtener un gráfico multi-vari:

Estadísticas > Herramientas de calidad > Gráfica multi-vari
Es recomendable que el orden de las fuentes de variabilidad al estar definiendo los factores
de la gráfica sean → Posicional > Cíclica > Temporal.
 TEMA 10 - Control de recepción

Se inspecciona una muestra del material que se quiere verificar y se toman decisiones en
base a los resultados obtenidos.

Plan de muestreo
Si el nº de unidades defectuosas encontradas en una muestra de n piezas es igual o menor
que c → aceptaremos el lote. En el caso contrario no aceptaremos el lote o haremos lo que
hayamos pactado con el proveedor.

Riesgos
Dentro de los controles de recepción hay dos riesgos principales que habrá que conocer:
- Riesgo del vendedor: probabilidad de rechazar un lote que en rigor debería ser
aceptado (error tipo I)
- Riesgo del comprador: probabilidad de que un lote sea aceptado siendo incorrecto
(error tipo II).

Cálculo de riesgos
Si n < 0,1·N → distribución Binomial.
Si n > 50 y p < 0,05 → distribución Poisson.

Curva característica
Representación gráfica para visualizar los riesgos de un plan de muestreo. Relaciona la
probabilidad de aceptación con la proporción de defectos en el lote.

Diseño de planes de muestreo

Un plan de muestreo se puede fijar a partir de los siguientes 4 parámetros:
- AQL: Indican un cierto porcentaje de defectos considerado tolerable. Se define una
pequeña probabilidad de rechazo del lote.
- α: Indica la probabilidad de rechazar el lote con una proporción de defectos igual a
AQL. Riesgo del vendedor.
- RQL: Define un porcentaje de defectos considerado como intolerable. Se define una
probabilidad baja para la aceptación del lote.
- β: Indica la probabilidad de aceptar el lote con una proporción de defectos igual a
RQL. Riesgo del comprador.
MINITAB

Como calcular probabilidades de rechazar o aceptar un lote:

Calc > Distribuciones de probabilidad > Binomial/ Poisson
En input constant → imponemos el valor de c que diga el enunciado.

Como obtener la curva característica con Excel:

Primero se hace una columna con un cristo de valores de probabilidad de éxito → p = 0,01;
0,011; 0,012; 0,013…
Despues se hace una columna con las probabilidades de aceptar el lote acorde a la
probabilidad de éxito asignada. Se tiene que buscar la función Binomial/Poisson dentro de
la biblioteca de Excel.
Una vez se tienen las dos columnas → Plot para obtener la curva.
 TEMA 11 - Estudios de capacidad

Capacidad → amplitud del intervalo de variabilidad de las observaciones individuales.

La variabilidad a largo plazo es la suma de la variabilidad a corto plazo con otras
variaciones que pueden hacer referencia a la materia prima, maquinaria u operario entre
otras.
La capacidad se entiende como la variabilidad → buscaremos minimizarla.

Metodología
Un estudio de capacidad correcto deberá seguir los siguientes pasos:
- La máquina deberá estar en estado de control.
- Se toman un mínimo de 50 unidades consecutivas.
- Se verifica la normalidad de los datos.
- Se estima la capacidad.
- Se dibuja un gráfico de control para comprobar la existencia de causas de
variabilidad asignables.

Un producto será capaz si puede producir dentro de las especificaciones exigidas → su

capacidad es menor que las tolerancias.

Cp > 1 → proceso capaz

Cp < 1 → proceso incapaz

Otras constantes de capacidad

Corto plazo → Cp y Cpk

Largo plazo → Pp y Ppk
MINITAB

Como comprobar si una variable sigue una distribución normal:

Varias maneras dependiendo de la cantidad de variables:
- Histograma: Gráfica > Histograma
- Papel probabilístico normal: Gráfica > Gráfica de distribución de probabilidad >
Simple.

Ya que el modelo de análisis de capacidad está basado alrededor del modelo normal, si
nuestra variable no lo sigue tendremos que aplicar una transformación para tal de intentar
adaptarla a dicho modelo → 1/X; exp(x); ln(x); x2 → generalmente será el ln(x).

Como comprobar si una variable se mantiene estable en el tiempo:

Gráfica > Gráfica de serie de tiempo > Simple

Como hacer un estudio de capacidad:

Estadísticas > Herramientas de calidad > Análisis de capacidad > Normal
Especificar variable, tamaño del subgrupo y tolerancias. En el apartado de Opciones se
puede cambiar las proporciones de estimación del error de partes por millón (por defecto) a
porcentajes.

Si estamos haciendo un análisis a largo plazo una herramienta útil serían los análisis
sixpack:
Estadísticas > Herramientas de calidad > Capability Sixpack
 TEMA 12 - Control estadístico de procesos

Un control estadístico de procesos tiene como finalidad fundamental asegurar que el

proceso se mantiene en estado de control.

Evolución del CEP y objetivos

Todo proceso genera un producto y con ello una información → esta información nos
permite escuchar el proceso. Las técnicas de CEP tienen que ser aplicadas lo más
próximas posible al proceso que genere la información para poder disminuir el riesgo de
reacción ante el proceso.

Objetivos de un CEP:
- Minimizar la producción defectuosa
- Mantener una actitud de mejor continua en el proceso
- Comparar producción respecto a las especificaciones

Un proceso en estado de control será aquel que solo esté afectado por causas aleatorias de
variabilidad.

Gráfico de control
Un gráfico de control es un gráfico de serie de tiempo al que se le aplican unos límites de
control para diferenciar causas asignables

Estrategia de implementación
FASE I
1. Seleccionar una característica de interés (CCC)
2. Establecer un comportamiento de referencia para esta característica
a. Identificar el modelo matemático de apoyo que representa mejor la
variabilidad debida a causas comunes.
b. Estimar los parámetros del modelo matemático en cuestión.
3. Construir gráficos de control.
4. Comprobar si tienen sentido estos gráficos de referencia
5. Implantar control estadístico a partir de los gráficos en 3: frecuencia de muestreo,
plan de recogida de datos, plan de acciones en caso de crisis y responsabilidades…
6. Extraer conclusiones para mejorar el proceso
FASE II
1. Analizar el proceso para encontrar la causa asignable
2. Corregir y tomar medidas para evitar que vuelva a aparecer

Según las características de calidad a controlar:

Gráfico Xbar - R
Monitoriza las medias y el rango.
Los gráficos de rango y media se calculan en tiempo real a medida que se toman las
muestras para poder actuar rápidamente → se recalculan media y rango cada vez que se
toma una medida y estos son los puntos que confeccionan el gráfico de serie de tiempo.

Gráfico I-MR
Similares a los Xbar - R pero cuando tenemos una única observación en cada instante. Se
usa cuando controlamos:
- Variables del proceso (temperatura de un horno)
- En procesos continuos, cuando no tiene sentido hablar de individuo.

Para poder hacer un gráfico I-MR → los datos deben seguir una distribución normal, si los
datos no siguen una normal → transformación (generalmente ln(x)

Gráfico P
Modelo de referencia → Binomial.
Tenemos un proceso discreto y se clasifican individuos en dos grupos (defectuoso, no
defectuoso).
Se conoce la proporción de individuos defectuosos.
El tamaño de la muestra puede no ser constante.

Gráfico NP
Modelo de referencia → Binomial.
Mismas condiciones de proceso que en el gráfico P.
Se conoce la cantidad de individuos defectuosos no la proporción.
El tamaño de la muestra es siempre constante.
Gráfico C
Modelo de referencia → Poisson.
Indicador → nº de veces que ocurre un fenómeno por unidad de medida.
El tamaño de la unidad es constante.

Gráfico U
Modelo de referencia → Poisson.
Se usa para lo mismo que el gráfico C, pero cuando no se puede tomar una unidad del
mismo tamaño cada vez para controlar el nº de defectos → controlamos número de
defectos por unidad pero puede no ser un número constante.
MINITAB

Como hacer un control estadístico de procesos:

Estadísticas > Gráficas de control > Gráficas de variables para subgrupos > Xbarra - R
Estadísticas > Gráficas de control > Gráficas de variables para valores individuales > IM - R
Estadísticas > Gráficas de control > Gráficas de atributos > P/U
Será útil refinar la gráfica una vez se hayan identificado las causas asignables → así
obtendremos límites de control más precisos respecto a la media real del proceso. Dentro
de la ventana del CEP → Options > Estimate > Omit the following subgroups when
estimating parameters (en esta pestaña se ponen los subgrupos que han sido afectados por
causas de variabilidad asignable para que no se tengan en cuenta a la hora de calcular).
 TEMA 13 - Fiabilidad

La fiabilidad de un producto es la probabilidad de que funcione correctamente bajo las

condiciones de operación durante un tiempo especificado.
Los datos suelen estar censurados. Se usan modelos como el exponencial, el lognormal y el
Weibull → la distribución normal no es una buena distribución.

Entendemos por fallo el fin de la aptitud de un dispositivo para cumplir su función.

La fiabilidad es una función de tiempo → variable de interés T (tiempo de vida o duración).

Censura → no podemos observar el tiempo de vida T pero conocemos cotas → alteoría

básica requiere que la censura sea independiente del fallo. Tipos de censura:
- Observación censurada por la derecha: tiempo de vida mayor que ti
- Observación censurada por la izquierda: tiempo de vida menor que ti
- Observación censurada por intervalo: tiempo de vida entre dos valores de ti

Objetivo de un análisis de fiabilidad

Hacer experimentos para determinar las características de fiabilidad del dispositivo en
estudio. Las características de fiabilidad son los parámetros estadísticos que determinan la
función de fiabilidad R(t). Es importante el diseño de la prueba de vida.

Características básicas de fiabilidad

Vida media de un dispositivo.
Tiempo medio hasta el fallo (MTTF) → será la que usaremos en los ejercicios.
Tiempo medio entre fallos (MTBF)

Tasa de fallos → fracción de unidades de un producto que fallan por unidad de tiempo.

Curva de bañera
Estimación no paramétrica de R(t) Kaplan-Meier
Estimar función de supervivencia sin suposiciones funcionales sobre el modelo.

Modelo exponencial
La tasa de fallos es constante → la probabilidad de que un producto en siempre la misma.
Ejemplos: Vida de fluidos aislantes, tiempo de fallo de un ventilador de un motor diesel.

Para comprobar si el modelo exponencial es correcto → expresar datos en papel

probabilístico exponencial.

Modelo Weibull
Engloba todas las situaciones posibles → tasa de fallos creciente, decreciente y constante.
Parámetros del modelo:
- α: parámetro de escala
- β: parámetro de forma

Cuando β = 1 → estamos en un caso de modelo exponencial.

Para comprobar si el modelo Weibull es correcto → expresar datos en papel probabilístico

Weibull.

MINITAB

Como hacer un análisis de distribución no paramétrica:

Estadísticas > Confiabilidad/supervivencia > Análisis de distribución (censura por la
derecha) > Análisis de distribución no paramétrica
En la pestaña Censurar → definir censura que puedan presentar los datos.
En la pestaña Gráficas → marcar Gráfica de supervivencia, Gráfica de Riesgo y si el
ejercicio lo requiere Mostrar intervalos de confianza en gráfica.

Como identificar la distribución correcta para nuestros datos:

Estadísticas > Confiabilidad/supervivencia > Análisis de distribución (censura por la
derecha) > Gráfica de ID de distribución
En la pestaña Censurar → definir censura que puedan presentar los datos.
Como hacer un análisis de distribución paramétrica:
Estadísticas > Confiabilidad/supervivencia > Análisis de distribución (censura por la
derecha) > Análisis de distribución paramétrica
En la pestaña Censurar → definir censura que puedan presentar los datos.
En la pestaña Gráficas → marcar Gráfica de supervivencia, Gráfica de Riesgo y si el
ejercicio lo requiere Mostrar intervalos de confianza en gráfica.
Indicar distribución asumida.
Para calcular un percentil dado → pestaña Estimar

Como hacer un análisis con una censura diferente que por la derecha;
Estadísticas > Confiabilidad/supervivencia > Análisis de distribución (censura arbitraria)
Dentro de esta pestaña se pueden escoger las mismos análisis que en el caso de la
censura por la derecha.