Documentos de Académico
Documentos de Profesional
Documentos de Cultura
UTN - FRM
2. La carta de verificación
1
2
seguridad e higiene en una empresa que tenía registrados y documentados
todos los accidentes de los últimos tres años, se tenían datos sobre la hora, día,
área en la que habían ocurrido los accidentes, así como el tipo de lesión de las
personas involucradas, etc.
Áreas de aplicación:
Descripción de resultados de operación de inspección
Examen de artículos defectuosos (identificación de razones, tipos de
fallas, áreas de procedencia, maquinaria, material u operador que
participó en la elaboración)
Confirmar posibles causas de problemas de calidad
Analizar o verificar operaciones y evaluar el efecto de los problemas de
mejora
2
3
Defectos 2010 2011 Total
1 2 3 4 5 6 7 8 9 10 11 12 1 2 3 4 5
Dimensiones incorrectas 1 3 2 9 1 2 3 1 1 23
Pintura dañada por corrosión 1 1
Soldadura defectuosa 1 1 2 1 1 2 8
Falla de adherencia 1 2 3 2 1 1 10
Problema de maquinado 1 3 1 2 4 1 2 14
Vacío en piezas fundidas 1 1 2
Total 2 2 7 4 3 4 3 1 2 9 2 4 4 4 3 3 1 58
3. Gráfico de Pareto
La gráfica de Pareto no identifica los defectos más importantes, sino solo los que
ocurren con más frecuencia. Por ejemplo, los vacíos en piezas fundidas ocurren
muy pocas veces (dos del total) .Sin embargo los vacíos pueden dar lugar a que
los tanques se desechen, lo que ocasionaría un costo potencialmente grande,
por lo que deberían elevarse a la categoría de defectos importantes. Cuando en
la lista de defectos están mezclados los que podrían tener consecuencias en
extremo graves y otros de importancia menor, puede usarse un esquema de
ponderación para modificar los conteos de la frecuencia.
3
4
70
Porcentaje
60
100
50
40
30 50
20 23
VAR00002
10 14
Va
10
Fa
8
ci
So ad h
o
Pien
ll a
M
0 0
ld
D
nt p
aq
ad
im
de
. die
ui
.d
en
añz f
na
.I
ef
a dun
do
nc
ec
er
a d id
en
t
VAR00001
4
5
Algunos ejemplos de tales minorías vitales serían:
La minoría de clientes que representen la mayoría de las ventas.
La minoría de productos, procesos, o características de la calidad causantes
del grueso de desperdicio o de los costos de retrabajos.
La minoría de rechazos, representan la mayoría de quejas de los clientes.
La minoría de los operarios que está vinculada a la mayoría de partes
rechazadas.
La minoría de problemas causantes del grueso del retraso de un proceso.
La minoría de productos que representan la mayoría de las ganancias
obtenidas.
La minoría de elementos que representan la mayor parte del costo de un
inventario etc.
5
6
Ahora resulta evidente cuales son los tipos de defectos más frecuentes. Podemos
observar que los 2 primeros tipos de defectos se presentan en el 79,8 % de los
accesorios con fallas. Por el Principio de Pareto, concluimos que: La mayor parte de los
defectos encontrados en el lote pertenece sólo a 2 tipos de defectos (los “pocos
vitales”), de manera que si se eliminan las causas que los provocan desaparecería la
mayor parte de los defectos.
Otro análisis complementario y sumamente útil e interesante, es calcular los costos de cada
problema, con lo cual podríamos construir un diagrama similar a partir de ordenar las causas
por sus costos.
Este análisis combinado de causas y costos permite obtener la mayor efectividad en la solución
de problemas, aplicando recursos en aquellos temas que son relevantes y alcanzando una
mejora significativa.
7
8
Este gráfico, en el lado derecho, se anota el problema, y en el lado
izquierdo se especifican todas las causas potenciales, éstas se agrupan y
estratifican de acuerdo con sus similitudes en ramas o subramas.
Decidir cuáles son las causas más importantes (por consenso o votación, como
en una lluvia de ideas)
Decidir sobre las causas que se va a actuar
Preparar un plan de acción para cada una de las causas a ser
investigadas o corregidas, de tal forma que se determinen las acciones
que se deben realizar
8
9
9
10
Diagrama de dispersión
Es una gráfica útil para identificar una relación potencial entre dos variables. Los
datos se recolectan de a pares para las dos variables (xi , yi) y se grafican en un
gráfico cartesiano.
Disposición:
Eje de abscisas: variable independiente (X)
Eje de ordenadas: variable dependiente (Y)
CARACTERÍSTICAS.
11
12
C ( x, y)
r
x y
12
13
1 n
C ( x, y ) ( xi x)( y i y )
n i 1
Si el coeficiente de correlación de Pearson (r) es cercano a 0, las dos variables
no tienen mucho que ver entre sí (son independientes ). Si su valor es cercano a
+/-1, esto significa que la relación entre las dos variables es lineal y está bien
representada por una línea.
13
14
X 47 62 65 70 70 78 95 100 114 118 124 127 140 140 140 150 152 164 198 221
Y 38 62 53 67 84 79 93 106 117 116 127 114 134 139 142 170 149 154 200 215
14
15
Mediciones de hidrogeno
250
200
150
nuevo metodo
Mediciones
Lineal (Mediciones)
Lineal (Mediciones)
100
50
0
0 50 100 150 200 250
metodo conocido
Diseño de experimentos
15
16
la que dé mejor resultado o crear un nuevo material con la intención de lograr
mejorar o eliminar algún problema.
1) Comparar a dos o más materiales con el fin de elegir el que mejor cumple
con los requerimientos.
2) Comparar varios instrumentos de medición para verifica si trabajan con la
misma precisión y exactitud.
3) Determinar las variables de un proceso que tienen impacto sobre una o
más características del producto final.
4) Encontrar las condiciones de operación (temperatura, velocidad,
humedad, presión) donde se reduzcan los defectos o se logre un mejor
desempeño del proceso.
5) Reducir el tiempo de ciclo del proceso.
6) Hacer el proceso insensible o robusto a oscilaciones de variables
ambiéntales.
7) Apoyar el diseño o rediseño de nuevos productos o procesos.
8) Ayudar a conocer y caracterizar nuevos materiales.
Experimento:
Es un cambio en las condiciones de operación de un sistema o proceso, que se
hace con el objetivo de medir el efecto del cambio sobre una o varias
propiedades del producto, proceso o resultado. Por ejemplo, en un proceso
químico se pueden probar diferentes temperaturas y presiones y medir el cambio
observado en el rendimiento del proceso.
Unidad experimental
18
19
Por lo general el interés del investigador está centrado en comparar los
tratamientos en cuanto a sus medias poblacionales, sin olvidar que también es
importante compararlos con respecto a sus varianza. Así desde el punto de vista
estadístico, la hipótesis fundamental a probar cuando se comparan varios
tratamientos es:
H o : 1 2 ... k (1)
H1 : 1 j para algún i j
Teoría general
19
20
Yij i ij
Notación de puntos
Sirve para representar de manera abrevia cantidades numéricas que se pueden
calcular a partir de los datos experimentales, donde Yij representa la j-esima
observación en el tratamiento i.
20
21
componentes: la variabilidad debida al tratamiento y la que corresponde al
error aleatorio.
2
k n 2 k n 2 Y..
SCT Yij Y .. Yij
i 1 j 1 i 1 j 1 N
2
k n
SCT Yij Y i. Y i. Y ..
i 1 j 1
Desarrollando el cuadrado
2 k ni
k 2
SCT ni Y i. Y Yij Y i.
i 1 i 1 j 1
21
22
SCT SCTRAT SCE
k Y2 Y2
SCTRAT i. ..
i 1 ni N
Las sumas de los cuadrados divididas entre sus respectivos grados de libertad
se llaman cuadrados medios. Los dos que más interesan son el cuadrado medio
de tratamientos y el cuadrado medio del error, que se denotan por
SCTRAT SC E
CM TRAT CM E
k 1 N k
CM TRAT
F o
CM E
22
23
Tabla ANOVA
FV SC GL CM Fo Valor
p
Tratamientos k 1
k Yi2. Y..2 CM TRAT
SCTRAT CM TRAT
SCTRAT k 1 CM E
n
i 1 i N
Error SCE SCT SCTRAT N k SC E
CM E
N k
Total N 1
k ni 2 Y..2
SCT Yij
i 1 j 1 N
Cálculos
k ni 2 Y..2 2 2 2 (5515) 2
SCT Yij (264) (260) ... (222) 9076
i 1 j 1 N 24
23
24
SCE 2057
CM E 102,85
N k 20
CM TRAT 2339
F o 22,74
CM E 102,85
f 0,05;3;20 3,1
H o : i j
H1 : i j
24
25
cada una de las 6 hipótesis posibles es la correspondiente diferencia en valor
absoluto entren sus medias muestrales
1 1
Y i. Y j. t / 2, N k CM e LSD
ni n j
LSD t / 2, N k 2CM e / n
Ho : A B vs H1 : A B
H o : A c vs H1 : A c
Ho : A D vs H1 : A D
H o : B C vs H1 : B C
Ho : B D vs H1 : B D
H o : C D vs H1 : C D
2.102,85
LSD t / 2, N k 2CM e / n 2,085 12,20
6
25
26
Aplicación:
Flujo de Observaciones
C 2 F6
1 2 3 4 5 6
A=125 2,7 2,6 4,6 3,2 3 3,8
B=160 4,6 4,9 5 4,2 3,6 4,2
C=200 4,6 2,9 3,4 3,5 4,1 5,1
Y A. 3,32
Y B 4,42
Y C 3,93
26
27
k Y2 Y2
SCTRAT i. ..
i 1 ni N
Y12. 396
Y1. 2,7 2,6 4,63,233,819,9 Y12. 396 66
6 6
2 Y32. 557
Y3. 4,6 2,9 3,4 3,5 4,1 5,1 23,6 Y 557 92,8
3. 6 6
k Yi2. Y..2
SCTRAT 66 117,04 92,8 204,17 71,67
i 1 ni N
SCTRAT 71,67
CM TRAT 23,89
k 1 3
27
28
k ni 2 Y 2
SCT Yij .. 2,7 2 2,6 2 4,6 2 .....5,12 204 ,17
i 1 j 1 N
SC E 7,66
CM E 0,51
N k 18 3
CM TRAT 23,89
F o 46,84
CM E 0,51
Como F0 es mucho mayor que el valor crítico, se rechaza H0 y se acepta que hay
diferencias estadísticamente significativas entre las tres temperaturas.
Yij i ij
Donde Yij es el j-eimo dato en el tratamiento i; es la media global, i es el
efecto del tratamiento i y ij representa el error asociado con la observación Yij
eij Yij Y i.
Para probar los supuestos del modelo, se prueban las condiciones de los
residuos.
Consideramos una muestra aleatoria de datos x1, x2, ….xn que proceden de cierta
distribución desconocida denotada por f(x). Se quiere verificar si dichos datos
fueron generados por un proceso que tiene una distribución de probabilidad
normal, mediante las hipótesis estadísticas:
2
1 k
W ai ( X (n i 1) X (i )
2
(n 1) S i 1
30
31
2) coeficientes de tabla
3)
2
1k
W ai ( X (n i 1) X (i )
2
(n 1) S i 1
W
1
2
89,382 0,86
(24 1)20
De la Tabla de cuantiles, para n=24; se lee el valor critico para un alfa de 0,05
Valor critico= 0,984
Como W es menor que el valor crítico, se acepta la hipótesis que los datos
proceden de una distribución normal.
H o : 12 22 ... 2 2
k
31
32
H A : i2 2j para algún i j
q
o2 2,3026
c
Donde
k
q ( N k ) log10 S 2p (ni 1) log10 Si2
i 1
1 k
c 1 (ni 1) 1 ( N k ) 1
3(k 1) i 1
k
(ni 1) Si2
S 2p i 1
N k
Cálculos:
32
33
k
(ni 1) Si2
5.8,29 5.7,26 5.16,34 5.4,79 183,4
S 2p i 1 9,17
N k 24 4 20
k
q ( N k ) log10 S 2p (ni 1) log10 Si2 (24 4).log10 9,17 (5.0,92 5.0,86 5.1,21 5.0,68)
i 1
19,24 – 18,35=0,89
1 k
c 1 (ni 1) 1 ( N k ) 1 1,083
3(k 1) i 1
q 0,89
o2 2,3026 2,3026 1,89
c 1,083
33