Documentos de Académico
Documentos de Profesional
Documentos de Cultura
1
Fase de medicin
Propsitos:
Determinar req. de informacin para el proyecto
Definir las Mtricas de los indicadores del Proceso
Identificar los tipos, fuentes y causas de la variacin
en el proceso
Desarrollar un Plan de Recoleccin de Datos
Realizar un Anlisis del Sistema de Medicin (MSA)
Llevar a cabo la recoleccin de datos
Salidas
Diagnstico de la situacin actual del problema
2
VI. Seis Sigma - Medicin
C. Sistemas de medicin
D. Estadstica bsica
E. Probabilidad
F. Capacidad de procesos
3
VI.A Caractersticas del proceso
4
VI.A Caractersticas del proceso
1. Variables de entrada y de salida
5
VI.A.1 Variables de entrada y salida
6
Mapa de procesos SIPOC
Mapa de proceso SIPOC (Proveedores, Entradas, Salidas, Clientes)
Procesos y sistemas Salidas
Entradas
Provee-
dores
Clientes
Retroalimentacin Retroalimentacin
7
Banco de informacin
Elementos de procesos - SIPOC
Un cambio en la Salida debe estar relacionado con algn cambio
en los pasos anteriores SIPs. Esto forma un ciclo cerrado entre
SIPs y Os.
Modelo SIPOC
Procesos,
Salidas, Clientes,
Proveedores Entradas, actividades
producto o reciben el
de recursos insumos que agregan
servicio producto
valor
8
Matriz de causa efecto
Relacin entre entradas y salidas de procesos
La matriz lista variables clave de salida del proceso
en forma horizontal y las de entrada en forma vertical
Para cada variable de salida se le asigna una
prioridad
Dentro de la matriz se asignan nmeros que indican
el efecto que tiene cada variable de entrada en las
variables de salida
Se obtiene la suma producto de estos nmeros
internos por la prioridad de salida como resultados y
se saca el porcentaje relativo
9
Matriz de causa efecto
Entradas y salidas del proceso Matriz de causa efecto
Antes de mejorar un proceso, primero debe medirse,
identificando sus variables de entrada y de salida, y
documentando su relacin en diagramas de causa efecto,
matrices de relacin, diagramas de flujo, etc.
Salidas
A B C D E
Impor- 3 1 6 10 4 Res %
tancia
Ent 1 2 3 6 84 35
Ent 2 7 4 2 3 63 27
Ent 3 5 1 25 11
Ent 4 6 4 22 9
Ent 5 2 3 42 18
Totales 236 100 10
VI.A.2 Mtricas de flujo de proceso
11
Mtricas de flujo
Trminos Lean
Panel Andon dispositivo de control visual en un rea
productiva
12
Mtricas de flujo
Trminos Lean
Vueltas de inventario nmero de veces que se
consume el inventario en un periodo de tiempo
13
Mtricas de flujo
Trminos Lean
Muda cualquier actividad que consuma recursos pero
no cree valor al cliente
14
Mtricas de flujo
Trminos Lean
Poka Yoke dispositivo o procedimiento a prueba de
error para prevenir o detectar un error
15
Mtricas de flujo
Trminos Lean
Tiempo en cola el tiempo de espera de un producto
antes de su siguiente proceso
16
Mtricas de flujo
Trminos Lean
Matriz de habilidades control visual de celda de
trabajo describiendo todas las actividades, para
visualizar el estatus del entrenamiento de miembros
del equipo
18
Mtricas de flujo
Trminos Lean
Muda toda la sobreproduccin, esperas, transportes
innecesarios, inventarios excesivos, movimientos
innecesarios, y partes defectivas de produccin
Perseguir la perfeccin
20
Valor
El valor es definido por el cliente
En EUA los gerentes no tienen contacto con clientes
21
Valor
El valor es definido por el cliente
El cliente quiere productos especficos, con
capacidades especficas a precios especficos, su
definicn es el primer paso para el pensamiento Lean
22
Cadena de Valor
Se pueden maximizar los beneficios de reducir Muda
al concentrarse en las actividades que ligan los
procesos, deben considerarse:
23
Cadena de Valor
El mapa de cadena de valor se crea para identificar
las actividades involucradas en el producto. Incluye
proveedores, actividades preoductivas y clientes. Se
consideran los criterios siguientes:
24
Cadena de Valor
Lean sugiere cambiar de proceso en lotes a flujo
continuo, algunos obstculos son:
Siempre se ha trabajado en lotes
La planta tiene una multitud de funciones
La planta no puede soportar cambios de herramental
rpidos
La planta tiene maquinaria con gran inercia e inflexible
Mover la maquinaria tiene un alto costo
25
Cadena de Valor
Para un flujo continuo o flujo de una pieza se
requiere lo siguiente:
Usar celdas de manufactura en U, el operador debe ser
confiable en su operacin
26
Valor de jalar
El producto se fabrica solo cuando el cliente lo
demanda, resultando en:
Tiempo de ciclo reducido
Inventario terminado reducido
WIP reducido
Cliente con pedidos estables
El precio se estabiliza
27
Perfeccin
Se logra con:
Equipos que trabajan con el cliente para especificar
valor, mejorar el flujo y lograr Jalar
28
Takt time
Es el tiempo neto disponible de produccin dividido
entre la tasa de demanda del cliente en un cierto
periodo
29
Mtricas de Lean
Las mtricas de TPM incluyen:
Disponibilidad, tasa de velocidad de operacin (OSR),
tasa neta de operacin (NOR), eficiencia de
desempeo (PE), y efectividad total del equipo (OEE)
31
Mtricas de Lean
Se tienen 21 cotizaciones pendientes, ofrecen tres das de
tiempo de respuesta a sus clientes. Cul es la tasa de
terminacin para cumplir con la meta?
32
VI.A.3 Herramientas de anlisis de
procesos
33
Anlisis y documentacin del
proceso
Un proceso es un conjunto de recursos y
actividades que transforman entradas en salidas
agregando valor. Las actividades deben ser
documentadas y controladas.
1. Herramientas
2. Entradas y salidas del proceso
34
Anlisis y documentacin del
proceso - Herramientas
Diagramas de flujo
Mapas de proceso
Procedimientos escritos
Instrucciones de trabajo
Anlisis de proceso
Documentacin del proceso
35
Diagrama de flujo
Un diagrama de flujo o mapa de proceso es til para
comprender el proceso. Puede describir la secuencia
del producto, contenedores, papeleo, acciones del
operador o procedimientos administrativos.
36
Diagrama de flujo
Organizar un equipo para examinar el proceso
37
Diagrama de flujo
Hay complejidad innecesaria?
Existe duplicacin o redundancia?
39
Diagrama de flujo
Diagramas de flujo - Ejemplo
40
Diagrama de flujo
Beneficios
Permiten visualizar el proceso que se est
describiendo
Describen el proceso con smbolos, flechas y palabras
sin necesidad de oraciones
La mayora usa simbologa estandarizada (ANSI
Y15.3)
Si se usa software el nmero de smbolos puede
llegar a 500
41
Diagrama de flujo
Diagramas de flujo o mapas de proceso
Permiten comprender la operacin del proceso
Normalmente representan el punto de inicio para la mejora
42
Smbolos de diagrama de flujo
Iniciar/Detener Transmisin
Operaciones Almacenar
(Valor agregado)
Decisin Entrada/Salida
Inspeccin /Medicin
Retraso
Inicio Paso 1
Paso 3
45
Diagrama de flujo / Anlisis del valor
46
Cmo Ayuda un Mapa de Proceso?
Una vez que podemos ver las
cosas -podemos hablar de ellas.
Los pasos que no agregan valor
se hacen ms evidentes.
El retrabajo y las reparaciones
son obvias.
Se puede llegar a acuerdos.
47
Diagramas de Flujo Existentes
48
Aprovecha al Equipo
49
Haz el Mapa del Proceso lo ms
Pronto Posible!
El mapa de un proceso...
seala con claridad la regin
en la que el equipo se debe
enfocar.
50
El Inicio y el Fin Se Deben Poder
Medir
51
Ejercicio Rpido - Inicio y Fin
Proceso Inicio Fin
Ensamble de
Asiento
Dibujos de
Ingeniera
Manufactura en
Riel de Asientos
Cuentas por
Pagar
52
Ejemplos - Inicio y Fin
Proceso Inicio Fin
Ensamble de Marco de metal Inspeccin Final
Asiento puesto en lnea
Dibujos de Requerimientos Cliente Recibe
Ingeniera del Cliente el Archivo CAD
Manufactura en Operacin de Inspeccin Final
Riel de Asiento Prfiles
Estampados
Cuentas por Recepcin de la Depsito
Pagar Factura del Electrnico
Proveedor
53
Permite que la Gente vea el Mapa del
Proceso
De ser posible, la
gente que trabaja en
el proceso debe poder
ver una copia grande a
escala del mapa del
proceso.
Las revisiones,
sugerencias y
correcciones son
bienvenidas!
54
Herramientas de un Mapa de Proceso
Rotafolios y
Marcadores.
55
Pasos para Elaborar un Mapa de
Como equipo...
Proceso
1. Establezcan los puntos de 5. Discutan, revisen y
Inicio y Fin del proceso. modifiquen.
2. Hagan una lista de los 6. Hagan un segundo recorrido
pasos del proceso y entrevistas.
mediante una tormenta de
ideas. 7. Aadan pasos de inspeccin,
retrabajo, reparacin y
3. Realicen el primer desperdicio en las notas
recorrido y entrevistas. autoadheribles.
4. Elaboren una lista de los 8. Elaboren un mapa de proceso
proceso clave en las notas cmo es.
autoadheribles.
56
Hazlo fcil!
Proceso:
Describan los procesos Proceso de revisin de
que causan el problema. dibujos.
Pregunta:
Comenten los puntos de
Cul podra ser el punto
Inicio y Fin que se pueden
de Inicio?
medir.
Pregunta:
Pnganse de acuerdo y Cul podra ser punto de
regstrenlos. Fin? 58
Puntos de Inicio y Fin
Declaracin del Problema:
El Cliente espera demasiado tiempo los dibujos
modificados.
Proceso:
Proceso de revisin de dibujos.
Inicio:
El Cliente solicita un formato de cambio de dibujos.
Fin:
Se entrega el archivo de dibujos (CAD) al Cliente. 59
Paso 2: Tormenta de Ideas sobre los
Pasos del Proceso
Inicio:
El Cliente solicita un
Escriban Inicio y Fin formato de cambio de
donde todos lo puedan dibujos.
ver.
Pregunta:
El equipo aporta ideas Cules son algunos de
sobre los pasos del los probables pasos del
proceso que existen proceso entre los puntos
entre el inicio y el fin. de inicio y fin?
Fin:
El archivo CAD se entrega
al Cliente.
60
Pasos del Proceso
Inicio:
El Cliente solicita un formato de cambio de dibujos.
Pasos a seguir:
Bosquejar el cambio requerido.
Fin:
El archivo CAD se entrega al Cliente.
61
Paso 3: Primer Recorrido y
Entrevistas
El equipo recorre el proceso
existente.
Observen cmo se hace el
trabajo.
Platiquen con la gente
(entrevisten).
Tomen notas.
Enfquense en los pasos del
proceso.
62
Paso 4: Notas Autoadheribles
Escriban los pasos del
Crear
proceso en notas Boceto
Reunin
con el
autoadheribles. grupo
Encontrar
Localizar
Especif. Archivos
Coloquen las notas CAD Cambiar
Dibujos
sobre la pared. Hacer Calcular
Caf Impacto
Crear Enviar al
Por ahora slo dejen las Paquete Cliente
de
notas. Archivos
63
Paso 5:Comentar, Revisar, Modificar
Comenten, repasen y
modifiquen el mapa del
proceso en las notas
autoadheribles.
Pnganse de acuerdo en
los pasos que se deben
conservar.
Pnganse de acuerdo en
los pasos que se deben
eliminar.
Retengan solo los pasos
importantes del proceso. 64
Pasos Importantes del Proceso
Informacin suficiente
para facilitar la mejora.
Resultados que se
puedan medir.
Podran producirse
defectos (CTQ, CTC,
CTD).
Un inicio y un fin
definidos.
65
Pasos Importantes
Crear
Reunin
Bsquejo con el
grupo
Qu pasos podran Encontrar
ser importantes en el
Localizar
Especif. Archivos
mapa del proceso CAD Cambiar
Dibujos
que aparece a la Hacer Calcular
derecha? Caf Impacto
Crear Enviar al
Paquete Cliente
de
Archivos
66
Paso 6: Segundo Recorrido y
Entrevistas
Vuelvan a recorrer el
proceso.
Busquen pasos que hayan
pasado por alto.
Revisen pasos de
inspeccin, retrabajo,
reparacin y desperdicio.
Tomen notas.
67
Paso 7: Aadir Cambios
Solicitud de
Cambio del Reunin
Cliente con Ventas
Agreguen notas
autoadheribles. No
Crear
Aadan inspecciones. Bsquejo
Calcular
Impacto
Impacto
OK?
Aadan retrabajo y S
reparaciones.
Aadan desperdicio. Cambiar
Dibujo
Dibujo
OK?
las notas.
Crear Enviar a Cliente recibe
paquete de Cliente archivos CAD
archivos
68
Paso 8: Mapa del Proceso Cmo Es
Solicitud de
cambio del Reunin
Cliente con Ventas
El equipo establece un No
mapa del proceso tal
cual. Crear Calcular Impacto
Bsquejo Impacto OK?
Tiene el detalle S
69
Cundo Recolectar Datos
Durante la elaboracin del mapa de proceso.
71
El Mapa de Proceso Cmo Debe Ser
Una vez que se identifiquen las soluciones durante la
fase de MEJORA
75
Flujo de informacin
Adems del flujo de materiales en el proceso de
produccin, se tiene otro flujo que es el de
informacin que indica a cada proceso lo que debe
producir o hacer en el paso siguiente. Son dos caras
de la misma moneda y se deben trazar ambos.
76
77
Simbologa utilizada
78
Simbologa utilizada
79
Simbologa utilizada
80
Simbologa utilizada
81
Identificando mapa actual
82
Tips para la cadena de valor
Recolecte siempre informacin del estado actual
mientras se realizan las operaciones normales tanto
en flujos de informacin como de materiales.
84
Tips para la cadena de valor
85
Informacin para
la cadena de valor
Tiempo del ciclo (C/T tiempo que transcurre entre
la salida de dos partes consecutivas)
Tiempo de cambio o de preparacin (C/O para
cambiar de un producto a otro)
Nmero de operadores
86
Informacin para
la cadena de valor
Nmero de productos diferentes
Contenido de la unidad de empaque o contenedor
88
Mapa del estado actual
Proceso de manufactura
89
Mapa incluyendo informacin
90
Mapa incluyendo tiempos de ciclo y
tiempo de entrega
91
Mapa futuro reduciendo tiempos de
entrega
92
Mapa futuro reduciendo tiempos de
entrega
93
Beneficios
94
Beneficios
95
Mapa de proceso de la
Empresa ABC - final
96
Documentacin
97
Procedimientos escritos
Los procedimientos deben ser desarrollados por los
que tienen la responsabilidad del proceso de inters
98
Instrucciones de trabajo
Las instrucciones de trabajo proporcionan los pasos
detallados de la secuencia de actividades
99
Diagrama de espaguetti
Se pueden usar para describir el flujo de personas,
informacin, o material en casi cualquier tipo de
proceso. La mayora de las acpliaciones considera
flujos de personas, informacin y materiales.
100
Diagramas de Venn
Se pueden utilizar para analizar las cargas de trabajo, por
ejemplo:
101
V.C Capacidad de los
sistemas de medicin
102
Contenido
V.C.1 Mtodos de medicin
V.C.4 Metrologa
103
V.C.1 Mtodos de medicin
104
Mtodos de medicin
Cuidado de instrumentos de medicin
Los instrumentos de medicin son costosos y deben
tratarse con cuidado, deben calibrarse en base a un
programa as como despus de sospecha de dao
Herramientas de transferencia
No tienen escala de lectura, por ejemplo, los
calibradores de resorte. La medicin es transferida a
otra escala de medicin para lectura directa.
105
Mtodos de medicin
Gages o escantillones por atributos
Son gages fijos para inspeccin pasa no pasa. Por
ejemplo gages maestros, plug gages, gages de
contorno, thread gages, gages de lmite de longitud,
gages de ensamble. Slo indican si el producto es
bueno o malo.
107
Mtodos de medicin
Seleccin por atributos, caractersticas principales:
Un propsito claramente definido
Alta sensibilidad al atributo evaluado. Equivale a una
tasa baja de negativos falsos.
110
Mtodos de medicin
Gages (gauges) bloques patrn:
Se pueden apilar con la ayuda de una capa delgada de
aceite que expulsa el aire. Usar poca presin en el
proceso
111
Mtodos de medicin
Juegos de Gages (gauges) de bloques patrn:
El contenido de un juego de 81 piezas son:
112
Mtodos de medicin
Calibradores:
113
Mtodos de medicin
Calibradores de resorte:
Los calibradores proporcionan una exactitud de
aproximadamente 1/16 al transferir a una regla de
acero
114
Mtodos de medicin
Calibradores verniers:
Usan una escala para indicar la medicin de longitud.
Ahora se han reemplazados con reloj o indicador
digital.
Para el caso de una longitud de 1.069 se leera como
sigue:
115
Mtodos de medicin
Calibradores de reloj:
La lectura se hace en la escala con resolucin cercana
a 0.1 y un reloj con resolucin de 0.001.
Calibradores digitales
Usan un display digital con lectura en pulgadas o en
milmetros y un cero que puede ser puesto en
cualquier punto del viaje. La resolucin es del orden de
0.0005
116
Mtodos de medicin
Comparadores pticos
Usan un haz de luz dirigido hacia la parte a ser
inspeccionada, y la sombra resultante es amplificada y
proyectada en una pantalla.
117
Mtodos de medicin
Micrmetros
Los mics se pueden adquirir con tamaos de cuerpo
para 0.5 a 48. La mayora tiene una exactitud de
0.001 y con un vernier o indicador puede llegar a
0.0001. En cuartos con temperatura y humedad
controlada se pueden hacer medidas lineales de hasta
millonsimas de pulgada
119
Mtodos de medicin
Mediciones de resistencia a la tensin
La resistencia a la tensin es la habilidad de un metal a
resistir su rotura. Se aplica una carga a una barra de
prueba y se incrementa gradualmente hasta que la
barra se rompa. Se pueden analizar los datos de
tensin usando curvas de esfuerzo deformacin, que
muestra la carga vs la elongacin.
Prueba de corte
Es la habilidad para resistir un esfuerzo de cuchilla
cortante cuando se aplican fuerzas paralelas
ligeramente fuera de eje.
120
Mtodos de medicin
Prueba de compresin
La comprensin es el resultado de fuerzas actuando
unas contra otras. Se aplica una carga y se registra la
deformacin. Se puede obtener una curva de esfuerzo
deformacin con los datos
Prueba de fatiga
La fatiga es la habilidad del material a resistir cargas
repetitivas. En varios niveles de esfuerzo, se cuenta el
nmero de ciclos hasta que ocurre la falla
121
Mtodos de medicin
Titulacin
Es un mtodo de anlisis que permite la determinacin
de cantidades precisas de reactivos en el matraz. La
solucin a ser analizada se prepara en el matraz
Erlenmeyer. Un indicador como el azul de metileno es
adicionado a la solucin. Se usa una bureta para liberar
el segundo reactivo al matraz y un indicador o medidor
de pH se utiliza para determinar el punto final de la
reaccin. El indicador cambia de color cuando se llega
al punto final.
122
Mtodos de medicin
Medicin de dureza
La medicin de dureza se realiza al crear una marca
en la superficie del material con un baln duro o una
pirmide de diamante y despus se mide la
profundidad de penetracin
123
Mtodos de medicin
Medicin de dureza
124
Mtodos de medicin
Medicin de torque
Esta medicin se requiere cuando el producto se sujeta
con tornillos y tuercas. El torque es una fuerza que
produce rotacin alrededor de un eje
Prueba de impacto
La resistencia al impacto es la habilidad del material
para resistir el impacto. Las pruebas de Charpy e Izod
usan muestras que son golpeadas por un pndulo
calibrado
125
Mtodos de medicin
La regla de acero
La regla de acero se utiliza para lecturas directas. Sus
divisiones estn en fracciones de pulgada milmetros
127
Mtodos de medicin
Ring gages o gages de cuerdas
Se usan para inspeccionar dimensiones cilndricas
externas y frecuentemente se denominan gages go no
go. Un ring gage de cuerdas se usa para checar
cuerdas macho
128
Mtodos de medicin
Plug gages o gages de dimetros
Se usan para inspeccionar dimensiones cilndricas
internas y frecuentemente se denominan gages go no
go o gages pasa no pasa. Un plug gage de cuerdas
se usa para checar cuerdas hembra. En lado se indica
en verde la seccin de Pasa y en el otro lado se indica
en roja la No Pasa.
Go No go
129
Mtodos de medicin
Gages neumticos
Los tipos de gages de amplificacin neumtica incluyen
unos accionados variando la presin de aire y otros al
variar la velocidad del aire con presin constante. Las
mediciones pueden ser ledas en millonsimas de
pulgada.
Interferometra
Se forma interferencia cuando dos o ms haces de luz
monocromtica de la misma longitud de onda se
defasan 180 viajando en diferentes distancias. Las
irregularidades se evidencian alternando las bandas
obscura y de luz
130
Mtodos de medicin
Gages diseados con Laser
El haz de luz Laser se transmite a un receptor del lado
puesto del gage. Las mediciones se realizan cuando el
haz es obstaculizado por un objeto y el receptor
registra esta dimensin.
Inspeccin visual
La inspeccin visual de color, textura y apariencia
133
Mtodos de medicin
Pruebas con partculas magnticas
La inspeccin con partculas magnticas es un mtodo
no destructivo de detectar la presencia de defectos o
poros ya sean superficiales o internos en metales o
aleaciones ferromagnticos.
134
Mtodos de medicin
Pruebas con partculas magnticas
La parte bajo prueba se examina en las reas de
concentracin de partculas magnticas que indicaran
presencia de discontinuidades
135
Mtodos de medicin
Pruebas con lquidos penetrantes
La inspeccin con lquidos penetrantes es un mtodo
rpido para detectar defectos en la superficie en todo
tipo de materiales. El lquido aplicado contiene una
tinta que penetra en el defecto por capilaridad
contrastado por una limpieza. Requiere observacin
cuidadosa.
Defecto 137
Mtodos de medicin
Pruebas con Radiografa
Se pueden dirigir Rayos X o Rayos Gama a travs de
un objeto bajo prueba sobre una placa fotogrfica y las
caractersticas internas de la parte pueden ser
reproducidas y analizadas.
138
Mtodos de medicin
Pruebas con Radiografa de neutrones
Los neutrones son partculas atmicas sin carga que se
mueven por los materiales sin afectar su densidad. Son
dispersados o absorbidos por partculas en el nucle
atmico en vez de los electrones. El objeto se coloca
en un haz de neutrones en frente de un detector de
imagen.
140
Contenido
1. Errores en la medicin
2. Carta de tendencias de gage Minitab
3. Estudios de R&R metodo corto del rango
4. Estudios de R&R mtodo largo (cruzado)
5. Estudios de R&R mtodo largo (anidado)
6. Estudios de linealidad y sesgo
7. Estudios de R&R por atributos mtodo analtico
8. Estudios de R&R por atributos acuerdo entre
evaluadores
141
Anlisis de Sistemas de Medicin
1. Errores en la medicin
142
Metrologa
Metrologa es la ciencia de las mediciones
143
Correlacin de mediciones
Es la comparacin o correlacin de las mediciones de un
sistema de medicin con los valores reportados por uno o
ms sistemas de medicin diferentes
144
Correlacin de mediciones
Tambin se pueden comparar valores obtenidos de
diferentes mtodos de medicin usados para medir
diferentes propiedades. Por ejemplo la medicin de dureza
y resistencia de un metal, temperatura y expansin lineal
de un artculo al ser calentado, y peso y nmero de
pequeas partes
146
Precisin a Tolerancia P/T
Es la razn (P/T) entre el error estimado de la medicin
(precisin) y la tolerancia de la caracterstica medida.
6 e
Re l P / T
Tolerancia
Exactitud
Desviacin respecto del valor verdadero del promedio
de las mediciones
Valor verdadero:
Valor correcto terico / estndares NIST
Sesgo
Distancia entre el valor promedio de todas las
mediciones y el valor verdadero.
Error sistemtico o desviacin
149
Definiciones
Estabilidad
La variacin total en las mediciones obtenidas durante
un perodo de tiempo prolongado
Linealidad
Diferencia en los valores de la escala, a travs del
rango de operacin esperado del instrumento de
medicin.
Precisin
Medicin de la variacin natural en mediciones
repetidas
150
Definiciones
Datos,
Proceso de Proceso de informacin,
Transformacin Medicin observaciones
+ =
Variabilidad Variabilidad Variabilidad
del producto del Sist. De total
Medicin (Observada)
2
producto
2
Sistema de medicin
2
total
152
Errores en la medicin
Variabilidad
Determinada
por un estudio
R&R
Observada
2
= proceso
2
+ medicin
2
153
Posibles Fuentes de la
Variacin del Proceso
Variacin del proceso, observado (Zlp/Zlt y/ DPMO)
Calibracin
155
Definicin del Sesgo o exactitud
Valor
Verdadero
Sesgo es la diferencia entre el
promedio observado de las
Sesgo
mediciones y el valor
verdadero (patrn).
156
Definicin de la Repetibilidad
o precisin
Repetibilidad: Es la variacin de
las mediciones obtenidas con un
instrumento de medicin,
cuando es utilizado varias veces por
un operador, al mismo tiempo que
mide las mismas caractersticas en
una misma parte
REPETIBILIDAD
157
Definicin de la Reproducibilidad
Reproducibilidad: Es la Operador-B
variacin, entre promedios
de las mediciones hechas
por diferentes operadores
que utilizan un mismo
instrumento de medicin Operador-C
cuando miden las mismas
caractersticas en una
misma parte en diferentes
tiempos Operador-A
Reproducibilidad 158
Errores en la medicin
159
Definicin de la Estabilidad
Tiempo 1
Estabilidad= x1-x2=Exactitud1 - Exactitud2
163
Estudios de incertidumbre
Incertidumbre = Desv.Std.Sist.medic.
Incertidumbre estandar :
Incertidumbre
u = sistema de medicion = s*(t0.005,n-1) m /(2.575)
Incertidumbre expandida :
99.02%
U = 5.15*u= k*s*(t0.005,n-1)m
5.15 med
Incertidumbre
Donde : k= factor de cobertura (Generalmente k=2)
%U = U*100/Tolerancia
164
Estudios de R&R
Los mtodos para estudios de Repetibilidad y Reproducibilidad
pueden clasificarse por la naturaleza de las mediciones en :
Mtodos para mediciones de datos continuos
Para pruebas no destructivas
165
Estudios de R&R
Todos ellos generalmente consideran un nivel de
confianza del 99.02%, esto es :
166
Estudios R&R Datos continuos
Estudios de GR&R Documentar estudio
Estudios sobre la varianza
datos continuos y definir siguiente
fecha de evaluacin.
Ho:
NO SI
El sistema de medicin es aceptable para
la necesidad.
Se cuenta GR&R Mtodo
SI de Rangos (Corto)
con software
estadstico
%R&R = R&R
.
*100 TV= R&R + PV
Var Total PV= variacin de parte = Rp x K3
Identificar qu porcentaje de la variacin total debe absorberse
como error de medicin.
<10% Aceptable
10-30%. Puede ser aceptable, dependiendo qu tan
crtico es el grado de la medicin.
>30%. Inaceptable!
168
EL VALOR DEL R&R ES UN PORCENTAJE DE LA VARIACION
TOTAL DEL PROCESO:
VARIACIN DE PARTE A
La dimensin verdadera de
PARTE
las partes se encuentra en
algn lugar de la la regin
sombreada
Lo que
fue
medido
Mtodo de ANOVA
170
Mtodo de Medias Rangos
I. Mtodo de Medias - Rango
171
Mtodo de Medias Rangos
I. Mtodo de Medias - Rango
k Rij
R i 1
n
j 1 nk
172
Mtodo de ANOVA
II. Mtodo ANOVA
Permite separar en el sistema de medicin lo
Yijm xi e ijm
174
Mtodo de ANOVA
II. Mtodo ANOVA
VAR(Yijm ) 2 2 2 2
Donde 2
, 2
, 2
son las varianzas debidas al efecto de
la parte, el efecto del evaluador, y el error de rplica
175
Mtodo de ANOVA
Ejemplo de Corrida: 5 partes, 3 tcnicos y 2 rplicas
177
Anlisis de Sistemas de Medicin
2. Carta de tendencia de
gages
178
Carta de tendencias de gages
Una carta de tendencias es una grfica de todas las
observaciones por operador y partes. La lnea
horizontal de referencia es la media, calculada de los
datos o proporcionada en base al historial.
179
Carta de tendencias de gages
Gage Run Chart of Response by Part, Operator
1 File > Open worksheet
Reported by : > GAGEAIAG.MTW.
G age name: 2 Tolerance:
Stat > Quality Tools > Gage Study > Gage Run Chart.
Date of study : M isc:
3 En Part numbers, seleccionar Part.
4 En Operators, seleccionar Operator.
5 En Measurement data, seleccionar Response. Click OK.
1 2 3 4 5 O perator
1.0 1
2
3
Mean 0.8
0.6
Response
0.4
6 7 8 9 10
1.0
0.8 Mean
0.6
0.4
Operator
Panel variable: Part 180
Carta de tendencias de gages
181
Anlisis de Sistemas de Medicin
3. Estudios R&R
Mtodo del rango
182
Mtodo del rango
Requiere pocas muestras pero no proporciona
informacin detallada de las fuentes de variacin, se
usa cuando:
183
Mtodo del rango
Es un mtodo que proporciona un valor aproximado del
error R&R sin que muestre las diferencias entre errores
por el equipo y por los operadores.
Se usan dos evaluadores y cinco partes. Cada evaluador
mide cada parte una sola vez.
185
Mtodo del rango
Contra tolerancia:
Determine la Tolerancia total de variacin permitida para la
variable :
1
2
3
4
5
Rango promedio ( R ) =
189
Determinacin slo
de la repetibilidad
Se tienen veinte unidades de producto, el operador
que toma las mediciones para el diagrama de control
usa un instrumento para medir cada unidad dos
veces. Los datos son mostrados en la tabla siguiente
190
Determinacin slo
de la repetibilidad
Parte Medicin 1 Medicin 2 Media Rango
1 21 20 20,5 1
2 24 23 23,5 1
3 20 21 20,5 1
4 27 27 27,0 0
5 19 18 18,5 1
6 23 21 22,0 2
7 22 21 21,5 1
8 19 17 18,0 2
9 24 23 23,5 1
10 25 23 24,0 2
11 21 20 20,5 1
12 18 19 18,5 1
13 23 25 24,0 2
14 24 24 24,0 0
15 29 30 29,5 1
16 26 26 26,0 0
17 20 20 20,0 0
18 19 21 20,0 2
19 25 26 25,5 1
20 19 19 19,0 0
Promedio 22,3 1 191
Determinacin slo
de la repetibilidad
La desviacin estndar del error de medicin,, es
= calculada mediante la siguiente frmula:
R 1 R= Rango promedio
0.887 d2 = Valor de tablas.
d 2 1.128
192
Determinacin slo
de la repetibilidad
En este ejemplo USL = 60, LSL = 5
=
P 5.32
0.097
T 55
193
Determinacin slo
de la repetibilidad
El error de medicin es expresado como un porcentaje de la
= variabilidad del proceso:
medicion .79
100 25.73%
total 3.07
194
R&R - Mtodo de medias rangos
Los estudios de repetibilidad y reproducibilidad
determinan cuanto de la variacin observada como
variacin de proceso es debida a variacin del sistema de
medicin.
196
Estudio de R&R Medias Rangos
197
Estudio R&R Medias rangos
La resolucin del equipo de medicin debe ser de al
menos el 10% del rango de tolerancia o del rango de
variacin del proceso.
199
Procedimiento para realizar un estudio de R&R
200
Procedimiento para realizar un estudio de R&R
Reproducibilidad
%R&R
202
Mtodo X-media y Rango:
Repetibilidad y Reproducibilidad de calibrador
Operador A Operador B
Serie # 1er. Ensayo 2o. Ensayo Rango 1er. Ensayo 2o. Ensayo Rango Porcin Xbar
1 9.376 9.358 9.354 9.361
2 9.372 9.320 9.372 9.372
3 9.378 9.375 9.278 9.277
4 9.405 9.388 9.362 9.370
5 9.345 9.342 9.338 9.339
6 9.390 9.360 9.386 9.370
7 9.350 9.340 9.349 9.349
8 9.405 9.380 9.394 9.381
9 9.371 9.375 9.384 9.385
10 9.380 9.368 9.371 9.376
Totales
X-barA X-barB
R-barA R-barB
Porcin R
203
Clculo de las X-medias
Repetibilidad y Reproducibilidad de calibrador
Operador A Operador B
Serie # 1er. Ensayo 2o. Ensayo Rango 1er. Ensayo 2o. Ensayo Rango Porcin Xbar
1 9.376 9.358 9.354 9.361 9.362
2 9.372 9.320 9.372 9.372 9.359
3 9.378 9.375 9.278 9.277 9.327
4 9.405 9.388 9.362 9.370 9.381
5 9.345 9.342 9.338 9.339 9.341
6 9.390 9.360 9.386 9.370 9.377
7 9.350 9.340 9.349 9.349 9.347
8 9.405 9.380 9.394 9.381 9.390
9 9.371 9.375 9.384 9.385 9.379
10 9.380 9.368 9.371 9.376 9.374
Totales 93.772 93.606 93.588 93.580
X-barA 9.3689 X-barB 9.3584
R-barA R-barB
Porcin R
204
Clculo de los Rangos
Repetibilidad y Reproducibilidad de calibrador
Operador A Operador B
Serie # 1er. Ensayo 2o. Ensayo Rango 1er. Ensayo 2o. Ensayo Rango Porcin Xbar
1 9.376 9.358 0.018 9.354 9.361 0.007 9.362
2 9.372 9.320 0.052 9.372 9.372 0.000 9.359
3 9.378 9.375 0.003 9.278 9.277 0.001 9.327
4 9.405 9.388 0.017 9.362 9.370 0.008 9.381
5 9.345 9.342 0.003 9.338 9.339 0.001 9.341
6 9.390 9.360 0.030 9.386 9.370 0.016 9.377
7 9.350 9.340 0.010 9.349 9.349 0.000 9.347
8 9.405 9.380 0.025 9.394 9.381 0.013 9.390
9 9.371 9.375 0.004 9.384 9.385 0.001 9.379
10 9.380 9.368 0.012 9.371 9.376 0.005 9.374
Totales 93.772 93.606 0.174 93.588 93.580 0.052
X-barA 9.3689 X-barB 9.3584
R-barA 0.0174 R-barB 0.0052
Porcin R
205
0.0630
Identificacin de Parmetros del Estudio
y Clculos
Totales 93.772 93.606 0.174 93.588 93.580 0.052
X-barA 9.3689 X-barB 9.3584
R-barA 0.0174 R-barB 0.0052
Porcin R 0.0630
206
Clculo de R&R
Repetibilidad: La variacin del dispositivo de medicin (VD) se calcula
sobre cada grupo de mediciones tomadas por un operador, en una
sola parte.
DV = R x K1 = 0.0515
207
Clculo de R&R
El componente de varianza para repetibilidad y reproducibilidad
(R&R) se calcula combinando la varianza de cada componente.
PV = Rpart x K3 = 0.1021
Mediciones Mediciones
Nmero de operador A de operador B
de parte 1 2 3 1 2 3
1 50 49 50 50 48 51
2 52 52 51 51 51 51
3 53 50 50 54 52 51
4 49 51 50 48 50 51
5 48 49 48 48 49 48
6 52 50 50 52 50 50
7 51 51 51 51 50 50
8 52 50 49 53 48 50
9 50 51 50 51 48 49
10 47 46 49 46 47 48
210
R&R por Medias Rangos
211
Datos del operador 1
No. de Parte y
Nombre: 4600066 PARTE A
Tolerancia
Especificada: 0.0060
No. y Nombre de Calibrador
GAGE: 8881-H Digital
RECOLECCIN DE DATOS
OPERADOR A.-
columna 1 columna 2 columna 3 columna 4 Promedio
RA : 0.00035 # Intentos D4
RB : 0.0004 3 2.58
RC : 0.0005
SUM: 0.00125 LSCR = R x D4
R: 0.000416667 LSCR = 0.001075
212
Datos del operador 2
C.-
columna 9 columna 10 columna 11 columna 12 Promedio Prom. Parte
1er Intento 2do Intento 3er Intento Rango X Xp=
0.0050 0.0045 0.0045 0.0005 0.0047 0.004556
0.0055 0.0045 0.0045 0.0010 0.0048 0.004889
0.0045 0.0045 0.0040 0.0005 0.0043 0.004444
0.0050 0.0050 0.0050 - 0.0050 0.004944
0.0045 0.0045 0.0040 0.0005 0.0043 0.004333
0.0050 0.0050 0.0050 - 0.0050 0.005111
0.0045 0.0050 0.0050 0.0005 0.0048 0.004833
0.0060 0.0050 0.0050 0.0010 0.0053 0.005111
0.0055 0.0045 0.0045 0.0010 0.0048 0.004778
0.0045 0.0045 0.0045 - 0.0045 0.004167
0.0500 0.0470 0.0460 0.0050 0.0477 Xp= 0.004717
Suma 0.1430 RC : 0.0005 Rp= 0.000944
XC : 0.004766667
A2
X Mx: 0.004766667 LSCX = X + A2 R = 1.023
X min: 0.004666667 LSCX = 0.005142917
213
Carta de Rangos en control
RANGOS
LSCR
LICR
LS
CX
X
LICX
215
Resultados (AIAG)
MTODO LARGO
Aseguramiento de Calidad
No. de Parte y
Nombre: 4600066 PARTE A Fecha: 01/07/2003
Tolerancia
Especificada: 0.0060 Elaborado por: 0
No. y Nombre de Calibrador
GAGE: 8881-H Digital Caracterstica: Diametro
216
VARIACIN TOTAL ( TV ) TV = 3.97E-06 PV / R&R x d2= d2 = 1.693
Categoria de
2 2 1/2
TV = ( R & R + PV ) TV = 0.001994 2.0 Datos
Resultados AIAG
Para los clculos e utilizan 5.15 sigmas para un 99%
de nivel de confianza
218
R&R Medias Rangos
Minitab :Datos originales
OPERADOR A.- B.- C.-
columna columna
columna 1 columna 2 columna 3 columna 5 columna 6 columna 7 columna 9 10 11
2do 2do 2do
Muestra 1er Intento Intento 3er Intento 1er Intento Intento 3er Intento 1er Intento Intento 3er Intento
219
R&R Medias Rangos
Minitab :Datos cargados (3 cols.)
Partes Operadores Medicin Partes Operadores Medicin Partes Operadores Medicin
1 1 0.0045 1 2 0.0045 1 3 0.005
2 1 0.0045 2 2 0.0055 2 3 0.0055
3 1 0.0045 3 2 0.0045 3 3 0.0045
4 1 0.005 4 2 0.005 4 3 0.005
5 1 0.0045 5 2 0.004 5 3 0.0045
6 1 0.005 6 2 0.006 6 3 0.005
7 1 0.005 7 2 0.0055 7 3 0.0045
8 1 0.005 8 2 0.005 8 3 0.006
9 1 0.005 9 2 0.0045 9 3 0.0055
10 1 0.004 10 2 0.004 10 3 0.0045
1 1 0.0045 1 2 0.0045 1 3 0.0045
2 1 0.0055 2 2 0.005 2 3 0.0045
3 1 0.0045 3 2 0.0045 3 3 0.0045
4 1 0.005 4 2 0.005 4 3 0.005
5 1 0.0045 5 2 0.0045 5 3 0.0045
6 1 0.0055 6 2 0.005 6 3 0.005
7 1 0.0045 7 2 0.0045 7 3 0.005
8 1 0.005 8 2 0.005 8 3 0.005
9 1 0.0045 9 2 0.0045 9 3 0.0045
10 1 0.004 10 2 0.004 10 3 0.0045
1 1 0.0045 1 2 0.0045 1 3 0.0045
2 1 0.0045 2 2 0.0045 2 3 0.0045
3 1 0.0045 3 2 0.0045 3 3 0.004
4 1 0.0045 4 2 0.005 4 3 0.005
5 1 0.0045 5 2 0.004 5 3 0.004
6 1 0.0045 6 2 0.005 6 3 0.005
7 1 0.0045 7 2 0.005 7 3 0.005
8 1 0.005 8 2 0.005 8 3 0.005
220
9 1 0.005 9 2 0.005 9 3 0.0045
10 1 0.004 10 2 0.004 10 3 0.0045
R&R Medias Rangos
Minitab : Instrucciones
221
R&R Medias Rangos
Minitab : Resultados
Gage R&R Study - XBar/R Method
%Contribution % Error R&R debe ser menor
Source VarComp (of VarComp) Al 10% ya sea para control del
Total Gage R&R 0.0000001 41.00 Proceso o para producto final.
Repeatability 0.0000001 40.52
Reproducibility 0.0000000 0.48 Repetibilidad Instrumento
Part-To-Part 0.0000001 59.00 Reproducibilidad - Operador
Total Variation 0.0000001 100.00
223
R&R Medias Rangos Grficas
La grfica R se mantiene en control indicando
que las mediciones se realizaron en forma adecuada.
Gage R&R (Xbar/R) for Datos La grfica X barra slo presenta 5 de 30 puntos fuera
G age name:
de control, Reported
debera by : ser al menos el 50%, indicando
T olerance:
D ate of study : que el equipo
M isc: no discrimina las diferentes partes.
% Tolerance
40 0.005
0.004
0
Gage R&R Repeat Reprod Part-to-Part 1 2 3 4 5 6 7 8 9 10
Partes
R Chart by Operadores
1 2 3 Datos by Operadores
UCL=0.001073 0.006
0.0010
Sample Range
_ 0.005
0.0005
R=0.000417
0.004
0.0000 LCL=0
1 2 3
Operadores
Xbar Chart by Operadores
1 2 3 Operadores * Partes Interaction
O peradores
UCL=0.005143
Sample Mean
1
0.0050 0.0050
Average
_ 2
X=0.004717 3
0.0045
0.0045
LCL=0.004290
0.0040
0.0040 1 2 3 4 5 6 7 8 9 10
Partes
224
R&R por ANOVA
225
R&R por ANOVA
Instrucciones de Minitab
Seleccione en el men de la barra de herramientas
STAT>QUALITY TOOLS>GAGE STUDY > Gage R&R
(Crossed)
226
R&R por ANOVA
Resultados de Minitab
Gage R&R Study - ANOVA Method
Source DF SS MS F P
Partes 9 0.0000086 0.0000010 12.2885 0.000
Operadores 2 0.0000002 0.0000001 0.9605 0.401
Partes * Operadores 18 0.0000014 0.0000001 0.7398 0.757
Repeatability 60 0.0000063 0.0000001
Total 89 0.0000165
% Tolerance
40 0.005
0.004
0
Gage R&R Repeat Reprod Part-to-Part 1 2 3 4 5 6 7 8 9 10
Partes
R Chart by Operadores
Datos by Operadores
1 2 3
UCL=0.001073 0.006
0.0010
Sample Range
_ 0.005
0.0005
R=0.000417
0.004
0.0000 LCL=0
1 2 3
Operadores
Xbar Chart by Operadores
1 2 3 Operadores * Partes Interaction
Operadores
UCL=0.005143
Sample Mean
1
0.0050 0.0050
Average
_ 2
X=0.004717 3
0.0045
0.0045
LCL=0.004290
0.0040
0.0040 1 2 3 4 5 6 7 8 9 10
Partes
228
Anlisis de Sistemas de Medicin
229
R&R Anidado
Los estudios de repetibilidad y reproducibilidad
determinan cuanto de la variacin observada del
proceso es debida a la variacin del sistema de
medicin.
Usar la opcin Gage R&R (Nested) cuando cada parte
sea medida por un solo operador, tal como en
pruebas destructivas.
231
R&R Anidado
De ser necesario hacer pruebas destructivas, se debe procurar
que todas las partes dentro de un mismo lote sean lo
suficientemente idnticas para considerarlas similares. Si no se
puede hacer sta consideracin entonces la variacin entre
parte y parte dentro de un lote enmascarar la variacin del
sistema.
232
R&R Anidado - datos
Ejemplo: Archivo gagenest.mtw de Minitab
En este ejemplo, 3 operadores mide cada uno 5 partes
diferentes dos veces, para un total de 30 mediciones. Cada una
de las partes es nica al operador; no se presenta el caso de
que dos operadores midan la misma parte.
PartNum Operator Measure PartNum Operator Measure
1 Daryl 1.48 1 Daryl 1.48
1 Daryl 1.43 1 Daryl 1.43
2 Daryl 1.83 2 Daryl 1.83
2 Daryl 1.83 2 Daryl 1.83
3 Daryl 1.53 3 Daryl 1.53
3 Daryl 1.52 3 Daryl 1.52
4 Beth 1.38 1 Beth 1.38
4 Beth 1.78 1 Beth 1.78
5 Beth 1.33 2 Beth 1.33
... ... ... ... ... ...
233
R&R Anidado
Instrucciones de Minitab
1 File > Open worksheet > GAGENEST.MTW.
Source DF SS MS F P
Operator 2 0.0142 0.00708 0.00385 0.996
Part (Operator) 12 22.0552 1.83794 1.42549 0.255
Repeatability 15 19.3400 1.28933
Total 29 41.4094
La contribucin de diferencia entre partes del 17.54% es << que
la variacin del sistema de medicin (total Gage R&R ) de 82.46%.
Gage R&R Indica un alto error del sistema de medicin.
Con categoras de 1 el sistema de medicin no distingue las partes.
%Contribution
Source VarComp (of VarComp)
Total Gage R&R 1.28933 82.46
Repeatability 1.28933 82.46
Reproducibility 0.00000 0.00
Part-To-Part 0.27430 17.54
Total Variation 1.56364 100.00
El mtodo no es adecuado ni para control del proceso o liberacin debe logra 235
R&R Anidado
Resultados grficos de Minitab
Gage R&R (Nested) for Response
Reported by :
G age name: Tolerance:
Date of study : M isc:
% Tolerance
16
50
14
0
Gage R&R Repeat Reprod Part-to-Part Part 6 7 8 9 10 11 12 13 14 15 1 2 3 4 5
Operator Billie Nathan Steve
R Chart by Operator
Response by Operator
Billie Nathan Steve
UCL=4.290 18
4
Sample Range
16
2 _
R=1.313 14
0 LCL=0
Billie Nathan Steve
Operator
Xbar Chart by Operator
Billie Nathan Steve
18
UCL=17.617
Sample Mean
16 _
X=15.147
Sistema de medicin inadecuado
14
LCL=12.678
236
Anlisis de Sistemas de Medicin
237
Estudios de linealidad y sesgo
La Linealidad del Gage indica que tan exacto son las
mediciones a travs del rango esperado de las
mediciones. Contesta a la pregunta Mi gage tiene la
misma exactitud para todos los tamaos de objetos a
medir?.
238
Estudios de linealidad y sesgo
Datos y ejemplo
Los datos se estructuran de manera que cada fila contiene una parte,
el valor de referencia, y la medicin observada en esa parte (la
respuesta). Las partes pueden ser textos o nmeros
Ejemplo:
Un supervisor selecciona 5 partes que representan el rango
esperado de las mediciones. Cada parte fue medida por
inspeccin de Layout para determinar su valor de referencia
(patrn). Un operador mide aleatoriamente cada parte 12
veces.
239
Estudios de linealidad y sesgo
Part Master
Datos y ejemplo
Response Part Master Response
1 2 2.7 3 6 6
1 2 2.5 3 6 6.1
1 2 2.4 3 6 6.4
1 2 2.5 3 6 6.3
1 2 2.7 3 6 6
1 2 2.3 3 6 6.1
1 2 2.5 4 8 7.6
1 2 2.5 4 8 7.7
1 2 2.4 4 8 7.8
1 2 2.4 4 8 7.7
1 2 2.6 4 8 7.8
1 2 2.4 4 8 7.8
2 4 5.1 4 8 7.8
2 4 3.9 4 8 7.7
2 4 4.2 4 8 7.8
2 4 5 4 8 7.5
2 4 3.8 4 8 7.6
2 4 3.9 4 8 7.7
2 4 3.9 5 10 9.1
2 4 3.9 5 10 9.3
2 4 3.9 5 10 9.5
2 4 4 5 10 9.3
2 4 4.1 5 10 9.4
2 4 3.8 5 10 9.5
3 6 5.8 5 10 9.5
3 6 5.7 5 10 9.5
3 6 5.9 5 10 9.6
3 6 5.9 5 10 9.2
3 6 6 5 10 9.3
3 6 6.1 5 10 9.4 240
Estudios de linealidad y sesgo
Instrucciones de Minitab
G age Linearity
P redictor C oef S E C oef P
Regression
C onstant 0.73667 0.07252 0.000
95% CI
1.0 Data S lope -0.13167 0.01093 0.000
Avg Bias
S 0.23954 R-S q 71.4%
Linearity 1.86889 % Linearity 13.2
-0.5
Percent of Process Variation
Percent 10
-1.0 5
2 4 6 8 10
Reference Value 0
Linearity Bias
242
Estudios de linealidad y sesgo
Interpretando los resultados
243
Anlisis de Sistemas de Medicin
244
R&R por Atributos
- Mtodo analtico
Se deben tomar al menos 8 partes para realizar un estudio
del gage por atributos.
247
R&R por Atributos
- Mtodo analtico: Datos
Ejemplo: Cada parte se prueba 20 veces con el Gage
(Dimensin 0.020 a 0.020)
Partes Referencia Aceptaciones
1 -0.05 0
2 -0.045 1
3 -0.04 2
4 -0.035 5
5 -0.03 8
6 -0.025 12
7 -0.02 17
8 -0.015 20
9 -0.01 20
10 -0.005 20 248
R&R por Atributos
- Mtodo analtico: Instr. Minitab
1. File > Open worksheet > AUTOGAGE.MTW.
Bias: 0.0097955
99 P re-adjusted Repeatability : 0.0494705
Repeatability : 0.0458060
95
F itted Line: 3.10279 + 104.136 * Reference
R - sq for F itted Line: 0.969376
80
Percent of Acceptance
L Limit
Probability of Acceptance
20 1.0
5 0.5
1 0.0
250
-0.05 -0.04 -0.03 -0.02 -0.01 -0.050 -0.025 0.000
Reference Value of Measured Part Reference Value of Measured Part
R&R por Atributos
- Mtodo analtico: Resultados
Interpretacin
252
Mtodo GR&R por atributos
Estudios sobre la varianza Estudios de GR&R Documentar estudio
datos discretos y definir siguiente
fecha de evaluacin.
SI ndice
Kappa > 0.7
NO
253
Estudios R&R por atributos
Mtodo de acuerdo por atributos
Usar el anlisis de acuerdo por atributos para evaluar las
calificaciones nominales u ordinales proporcionadas por
varios evaluadores.
mala.
Calificaciones de color, aroma y gusto del vino en una
escala de 1 a 10.
254
Estudios R&R por atributos
Mtodo de acuerdo por atributos
En estos casos la caracterstica de calidad es difcil de
definir y evaluar.
255
Estudios R&R por atributos
Acuerdo por atributos - Datos
Los datos pueden ser texto o numricos. Las
calificaciones asignadas pueden ser Nominales u
ordinales.
Los datos nominales son variables categricas que
tienen dos o ms niveles sin orden natural. Por
ejemplo, los niveles en un estudio de gustacin de
comida que puede incluir dulce, salado o picoso.
Los datos ordinales son variables categricas que
tienen tres o ms niveles con ordenamiento natural,
tales como: en desacuerdo total, en desacuerdo,
neutral, de acuerdo, y completamente de acuerdo.
256
Estudios R&R por atributos
Acuerdo por atributos - Datos
Los datos pueden estar apilados o en diferentes columnas
Attribute column data
Sample Appraiser Response Multiple columns data
1 A Good
1 A Good Sample Appraiser A Appraiser A Appraiser B Appraiser B
1 B Bad
1 B Good Trial 1 Trial 2 Trial 1 Trial 2
2 A Good
2 A Good 1 Good Good Bad Good
2 B Good
2 B Good 2 Good Good Good Good
3 A Bad
3 A Good 3 Bad Good Bad Bad
3 B Bad
3 B Bad 4 Good Good Good Good
4 A Good
4 A Good 5 Bad Bad Good Bad
4 B Good
4 B Good
5 A Bad
5 A Bad
5 B Good
5 B Bad
257
Estudios R&R por atributos
Mtodo Kappa
Una tcnica utilizada para evaluar la confiabilidad de
mediciones de datos discretos es el ndice Kappa, el
cual est dado por la siguiente formula :
Pobservada- P chance
K= 1 - P chance
258
Estudios R&R por atributos
Mtodo Kappa
Parte Inspector A Inspector B
Tabla de Contingencia
1 Buena Buena
Inspector A Buena Buena
2
Buena Mala Buena Buena
3
Buena 0.667 0.000 0.667 4 Buena Mala
Inspector B Buena Buena
Mala 0.080 0.250 0.333
5
6 Mala Mala
0.750 0.250 7 Buena Buena
8 Buena Buena
9 Buena Buena
Pobservada = S xii = xbb + xmm = 0.667 + 0.25 = 0.917 10 Mala Mala
11 Buena Buena
Pchance = SS Pcci*Pccj = PbbA*PbbB + PmmA*PmmB 12 Mala Mala
260
Mtodo Kendall
Cuando se tienen varios inspectores y la clasificacin de
la muestra puede ser multi-nominal, se puede utilizar
el ndice de Kendall
261
Mtodo Kendall
5
Sx
Costura Costura Costura Costura Costura 2
ancha angosta incompleta dispareja perfecta ij
i=1
M 1 0 0 1 0 4 17
u 2 2 0 1 0 2 9
3 3 0 0 2 0 13
e 4 5 25
0 0 0 0
s 5 0 2 3 0 0 13
t 6 4 0 0 0 1 17
7 0 4 1 0 0 17
r 8 0 0 25
0 0 5
a 9 0 0 0 0 5 25
10 3 2 0 0 0 13
8 6 7
F 12 17 174
0.24 0.16 0.12 0. 14 0. 34 F
pq p =
0.76 0. 84 0.88 0. 86 0. 66 50
262
Mtodo Kendall
El indice Kappa para cada categora est dado por:
S
n
2
x ij (m- x ij)
i=1
KCategora j= 1-
nm(m-1) pj qj
Donde :
Kcategoria j = ndice Kappa de la Categora j
n = Nmero de unidades
m = Nmero de inspectores
k = Nmero de categoras
pi = evaluacin dentro de la categora i/(n x m)
qi = 1 - pi
263
Mtodo Kendall
El numerador del ndice Kappa para la categora
Costura ancha sera entonces :
[0 x (5-0)] + [2 x (5-2)] + [3 x (5-3)] + [0 x (5-0)] + [0 x (5-0)]
+ [4 x (5-4)] + [0 x (5-0)] + [0 x (5-0)] + [0 x (5-0)] + [3 x (5-3)] =22
S Sx
n k
2
nm2 - ij
i=1
K total =1 - j=1
Sp
k
nm(m-1) j
qj
Donde :
j=1
265
Mtodo Kendall
El ndice Kendall para el ejemplo dado es:
10 x (5)2 -174
K total = 1- =1- (76/153.44) = 0.5
10 x 5 x 4
[( (0.24 X 0.76) + (0.16 X 0.84) +
(0.12 X 0.88) + (0.14 X 0.86) +
(0.34 X 0.66)
)]
El valor mximo posible de Kendall es 1.0, cuanto ms
cercano est a este valor el sistema de medicin es
confiable. En trminos generales se puede decir que
si K es menor a 0.7, el sistema de medicin no es
aceptable.
266
Estudios R&R por atributos
Acuerdo por atributos - Datos
Ejemplo:
Una empresa est entrenando a cinco evaluadores para la
porcin escrita de un examen estndar de doceavo grado.
267
Estudios R&R por atributos
Acuerdo por atributos - Datos
Appraiser Sample Rating Attribute Holmes 8 0 0
Simpson 1 2 2 Duncan 8 0 0
Montgomery 1 2 2 Hayes 8 0 0
Holmes 1 2 2 Simpson 9 -1 -1
Duncan 1 1 2 Montgomery 9 -1 -1
Hayes 1 2 2 Holmes 9 -1 -1
Simpson 2 -1 -1 Duncan 9 -2 -1
Montgomery 2 -1 -1 Hayes 9 -1 -1
Holmes 2 -1 -1 Simpson 10 1 1
Duncan 2 -2 -1 Montgomery 10 1 1
Hayes 2 -1 -1 Holmes 10 1 1
Simpson 3 1 0 Duncan 10 0 1
Montgomery 3 0 0 Hayes 10 2 1
Holmes 3 0 0 Simpson 11 -2 -2
Duncan 3 0 0 Montgomery 11 -2 -2
Hayes 3 0 0 Holmes 11 -2 -2
Simpson 4 -2 -2 Duncan 11 -2 -2
Montgomery 4 -2 -2 Hayes 11 -1 -2
Holmes 4 -2 -2 Simpson 12 0 0
Duncan 4 -2 -2 Montgomery 12 0 0
Hayes 4 -2 -2 Holmes 12 0 0
Simpson 5 0 0 Duncan 12 -1 0
Montgomery 5 0 0 Hayes 12 0 0
Holmes 5 0 0 Simpson 13 2 2
Duncan 5 -1 0 Montgomery 13 2 2
Hayes 5 0 0 Holmes 13 2 2
Simpson 6 1 1 Duncan 13 2 2
Montgomery 6 1 1 Hayes 13 2 2
Holmes 6 1 1 Simpson 14 -1 -1
Duncan 6 1 1 Montgomery 14 -1 -1
Hayes 6 1 1 Holmes 14 -1 -1
Simpson 7 2 2 Duncan 14 -1 -1
Montgomery 7 2 2 Hayes 14 -1 -1
Holmes 7 2 2 Simpson 15 1 1
Duncan 7 1 2 Montgomery 15 1 1
268
Hayes 7 2 2 Holmes 15 1 1
Simpson 8 0 0 Duncan 15 1 1
Montgomery 8 0 0 Hayes 15 1 1
Estudios R&R por atributos
Acuerdo por atributos Instr. Minitab
1 Abrir el archive ESSAY.MTW.
2 Seleccionar Stat > Quality Tools > Attribute
Agreement Analysis.
3 En Attribute column, poner Rating.
Assessment Agreement
Assessment Agreement
Assessment Agreement
Appraiser vs Standard
100 95.0% C I
P ercent
80
60
Percent
40
20
0
Duncan Hayes Holmes Montgomery Simpson
Appraiser
272
Resultados
273
Resultados
275
Sistema de Medicin de Atributos
Ejemplo comparacin pasa no pasa
276
Sistema de Medicin de Atributos
Ejemplo comparacin pasa no pasa
277
GR&R de Atributos - Ejemplo
Legenda de Atributos REPORTE
G =1 Bueno FECHA:
NOMBRE:
NG =2No Bueno PRODUCTO:
SBU:
Esta es la
COND. DE PRUEBA: medida
Poblacin Conocida Persona #1 Persona #2 Acuerdo Acuerdo
Muestra # Atributo #1 #2
general de
#1 #2 Y=S N=No Y=S N=No
1 G G G G G Y Y consistencia
2 G G G G G Y Y
3 G G G G G Y Y entre los
4
5
G
G
G G G G Y Y operadores
G G G G Y Y
6 G NG G G G N N y el experto.
7 G G G G G Y Y
8 G G G G G Y Y 90% es lo
9 NG G G NG NG N N
10 NG NG NG G G N N mnimo!
11 G G G G G Y Y
12 G G G G G Y Y
13 NG NG NG NG NG Y Y
14 G G G G G Y Y
15 G G G G G Y Y
16 G G G G G Y Y
17 NG NG NG NG NG Y Y
18 G G G G G Y Y
19 G G G G G Y Y
20 G G G G G Y Y
(1)
% DEL EVALUADOR -> 95.00% 100.00%
(2)
% VS. EL ATRIBUTO -> 90.00% 95.00%
(3)
% DE EFECTIVIDAD DE DISCRIMINACION -> 85.00%
(4)
% DE EFECTIVIDAD DE DISCRIMINACION VS. EL ATRIBUTO -> 85.00%
278
Sistema de Medicin de Atributos
Pasa no pasa Datos en Minitab
Muestra Atributo Persona 1A Persona 1B Persona 2A Persona 2B
1 G G G G G
2 G G G G G
3 G G G G G
4 G G G G G
5 G G G G G
6 G NG G G G
7 G G G G G
8 G G G G G
9 NG G G NG NG
10 NG NG NG G G
11 G G G G G
12 G G G G G
13 NG NG NG NG NG
14 G G G G G
15 G G G G G
16 G G G G G
17 NG NG NG NG NG
18 G G G G G
19 G G G G G
20 G G G G G 279
Sistema de Medicin de Atributos
Pasa no pasa Instrucciones en Minitab
1 Usar los datos anteriores.
2 Seleccionar Stat > Quality Tools > Attribute
Agreement Analysis.
95 95
90 90
Percent
85 Percent 85
80 80
75 75
70 70
1 2 1 2
Appraiser Appraiser 282
Interpretacin de Resultados
1. % del Evaluador es la consistencia de una persona.
2. % Evaluador vs Atributo es la medida de el acuerdo
que hay entre la evaluacin del operador y la del
experto.
3. % de Efectividad de Seleccin es la medida de el
acuerdo que existe entre los operadores.
4. % de Efectividad de Seleccin vs. el Atributo es una
medida general de la consistencia entre los
operadores y el acuerdo con el experto.
283
Estudio de Repetibilidad y
Reproducibilidad de Atributos -
Guas de Aceptabilidad
Aunque el 100% es el resultado que deseamos obtener,
en un estudio de repetibilidad y reproducibilidad de
atributos, la siguiente gua se usa frecuentemente:
Porcentaje Gua
De 90% a 100% Aceptable
De 80% a 90% Marginal
Menos de 80% Inaceptable
284
Mtodo sencillo
285
V.C.3 Sistemas de medicin
en la empresa
286
Medicin de desempeo
en la empresa
Contadores automticos
Reportes generados por computadora
Reportes gerenciales
287
Medicin de desempeo
en la empresa - Aspectos
Proveedores
No. De desviaciones
Porcentaje de entregas a tiempo
Porcentaje de entregas anticipadas
Costo de embarque por unidad
Porcentaje de cumplimiento en especificaciones
Costo unitario actual vs costo unitario histrico
Monto de lo rechazado vs monto de las compras
Oportunidad de la asistencia tcnica
288
Medicin de desempeo
en la empresa - Aspectos
Ventas y mercadotecnia
Crecimiento en ventas por periodo de tiempo
Porcentaje de participacin de mercado
Monto de ventas / mes
Monto promedio de ventas por transaccin
Tiempo promedio de clientes en visita al sitio Web
Efectividad de eventos de ventas
Monto vendido vs monto gastado en publicidad
289
Medicin de desempeo
en la empresa - Aspectos
Satisfaccin de cliente externo
Comparacin ponderada vs competencia
Valor percibido medido por el cliente
Rango de satisfaccin del producto / servicio
Evaluacin de la competencia tcnica
Porcentaje de clientes retenidos
290
Medicin de desempeo
en la empresa - Aspectos
Satisfaccin de cliente interno
Tasa de satisfaccin del empleado
Tasa de satisfaccin en el puesto
Indicador de efectividad de la capacitacin
Evaluacin de avance en imparcialidad
Retroalimentacin sobre principales polticas y
procedimientos
Conocimiento de metas y avances de la empresa
291
Medicin de desempeo
en la empresa - Aspectos
Investigacin y desarrollo
No. De proyectos en desarrollo
Porcentaje de proyectos dentro del presupuesto
No. De proyectos fuera de programa
Gastos de desarrollo vs ingresos por ventas
Confiabilidad de solicitudes de cambios al diseo
292
Medicin de desempeo
en la empresa - Aspectos
Ingeniera
Evaluacin del desempeo del producto
No. De requerimientos de accin correctiva
Porcentaje de acciones correctivas cerradas
Evaluacin de control de mediciones
Disponibilidad de asistencia tcnica
293
Medicin de desempeo
en la empresa - Aspectos
Manufactura
Capacidad de proceso de mquinas y procesos clave
Porcentaje de tiempos muertos de mquina
Tiempos de ciclo promedio (lneas clave)
Medicin del control de orden y limpieza
Adecuacin de la capacitacin a operadores
294
V.C.4 Metrologa
295
Metrologa
Metrologa. Es la ciencia de las mediciones. Deriva del griego
metrn medida y logos lgica. Sus elementos clave son:
296
Metrologa
Unidades de medicin
297
298
Metrologa
Temperatura
Temperatura en F = 1.8 (Temp C) +32
299
Metrologa
Calibracin
Es la comparacin de un estndar de medicin o
instrumento de exactitud conocida con otro
instrumento para detectar, correlacionar, reportar o
eliminar por ajuste, cualquier variacin en la exactitud
del instrumento que se est comparando.
300
Metrologa
Variabilidad total del producto
La variabilidad total en el producto incluye la
variabilidad del proceso de medicin.
Errores de medicin
El error del instrumento de medicin es el valor del
instrumento de medicin menos el valor verdadero.
lecturas
medicion
n
302
Metrologa
Errores de medicin
Hay muchas razones para que un equipo de medicin genere
variaciones por error, incluyendo las categoras siguientes:
Variacin por el operador
Variacin de operador a operador
Variacin del equipo
Variacin de los materiales
Variacin en procedimientos
Variacin en el software
Variacin de laboratorio a laboratorio
303
Metrologa
Intervalo de calibracin
304
Metrologa
Intervalo de calibracin
El propsito es importante, en general las aplicaciones
crticas incrementan la frecuencia y las aplicaciones
menores disminuyen la frecuencia.
El grado de utilizacin o uso se refiere a que tan
frecuentemente se utiliza el instrumento y a que
condiciones ambientales se expone.
El equipo de medicin y prueba debe ser trazable a
registros que indiquen la fecha de la ltima calibracin,
por quin fue calibrado y cuando est planeada su
prxima calibracin. Algunas veces se usa la
codificacin.
305
Metrologa
Estndares de calibracin
El valor verdadero reconocido de acuerdo al SI se
denomina Estndar
308
Metrologa
Estndares de calibracin
La trazabilidad hacia debajo de la trazabilidad se
muestra a continuacin
309
Metrologa
Resumen del ISO 10012
310
Metrologa
Resumen del ISO 10012 Elementos clave
311
Metrologa
Resumen del ISO 10012 Elementos clave
313
V.D Estadstica bsica
1. Trminos bsicos
3. Estadstica descriptiva
4. Mtodos grficos
314
V.D.1 Trminos bsicos
315
Estadstica
La estadstica descriptiva nos proporciona mtodos
para organizar y resumir informacin, la estadstica
inferencial se usa para obtener conclusiones a partir de
una muestra
317
Estadsticos y parmetros
319
V.D.2 Teorema del lmite central
320
Teorema del lmite central
La distribucin de las medias de las muestras tiende
a la normalidad independientemente de la forma de
la distribucin poblacional de la que sean obtenidas.
Es la base de las cartas de control X-R.
321
Teorema del lmite central
Por lo anterior la dispersin de las medias es menor
que para los datos individuales
X
sX
n
322
Teorema del Lmite Central
La distribucin de las medias de las muestras tienden a distribuirse en
forma normal
Por ejemplo los 300 datos (cuyo valor se encuentra entre 1 a 9) pueden
estar distribuidos como sigue:
50
40
30
20 Frec.
10
0
1 2 3 4 5 6 7 8 9
323
Teorema del Lmite Central
10
8
6
4 Frec.
2
0
3.5 4 4.5 5 5.5 6 6.5
325
Cartas de Control
Causa
especial
Causas
normales o
comunes
DEFINICION
Es una ayuda grfica para el control de las variaciones de los
procesos administrativos y de manufactura.
326
Variacin observada
en una Carta de Control
327
Variacin Causas comunes
Lmite
inf. de
especs.
Lmite
sup. de
especs.
Objetivo
328
Variacin Causas especiales
Lmite
inf. de
especs.
Lmite
sup. de
especs.
Objetivo
329
Aplicacin en la carta de control
Escuche la Voz del Proceso Regin de control,
M captura la variacin
E
natural del proceso
D
I original
D LSC
A
S
C
A LIC
L Tendencia del proceso
I
D El proceso ha cambiado
A
Causa Especial
identifcada
D
TIEMPO
Patrones Fuera de Control
Corridas
7 puntos consecutivos de un lado de X-media.
Adhesin a la media
15 puntos consecutivos dentro de la banda de 1 sigma del
centro.
Otros
2 de 3 puntos fuera de los lmites a dos sigma
331
Patrn de Carta
en Control Estadstico
332
Aplicacin en Intervalos de confianza
Intervalo de confianza para la media:
A) Sigma conocida y n>30 (n es tamao de muestra)
m X Z
2 n
m X t
2 n
B) Sigma desconocida y n<30, los grados de libertad
son gl = n-1.
333
Aplicacin en Intervalos de confianza
Intervalo de confianza para proporciones y varianza:
Para proporciones, p es la proporcin y n>30
p (1 p )
p Z
2
n
Para la varianza
( n 1) s 2 ( n 1) s 2
2
2
2
, n 1 1 , n 1
2 2 334
V.D.3 Estadstica descriptiva
335
Estadstica Descriptiva
No existen en la naturaleza
dos cosas exactamente iguales,
ni siquiera los gemelos, por tanto la variacin es
inevitable y es analizada por la Estadstica
336
Estadstica descriptiva
La estadstica descriptiva incluye:
Medidas de tendencia central
Medidas de dispersin
Distribuciones de frecuencia y
337
Estadstica descriptiva
Medidas de tendencia central
Representan las diferentes formas de caracterizar
340
Estadstica descriptiva
Medidas de tendencia central
341
Estadstica descriptiva
342
Estadstica descriptiva
Medidas de dispersin:
Rango: Es el valor mayor menos el valor menor de un
conjunto de datos
343
Estadstica descriptiva
Medidas de dispersin:
2
( xi x ) 2
2
( xi x ) s
2
n n 1
344
Estadstica descriptiva
Medidas de dispersin:
Desviacin estndar: es la raz cuadrada de la varianza
ya sea poblacional o muestral S
( xi x ) 2
( xi x ) 2
s2 s
n 1 n 1
790 7510
s= = 12.56 s= = 38.75
5 5 345
Estadstica descriptiva
Medidas de dispersin:
Coeficiente de variacin: es igual a la desviacin
estndar dividida por la media y se expresa en
porcentaje
s
Coeficiente.de. var iacin CV (100)
X
Por ejemplo si la media de tiempos de espera es de 78.7 y su desviacin estndar es 12.14, el CVt:
12.14
CVt (100) 12.05%
78.7
Por otra parte si la media de salarios es de 10 y su desviacin estndar de 2, el CVs de salarios es:
2
CVs (100) 20%
10
Por tanto la dispersin de los salarios es mayor que la de los tiempos de espera, es posible comparar
estas dispersiones con el CV aunque los dos conjuntos de datos sean completamente dismbolos.
346
Estadstica descriptiva
Funcin de densidad de probabilidad
El rea bajo la curva de densidad de probabilidad a la
izquierda de un valor dado x, es igual a la probabilidad
de la variable aleatoria en el eje x para X<= x
Para distribuciones continuas
f ( x) d ( x) 1
f ( x) 1
0
347
Estadstica descriptiva
Funcin de distribucin acumulada
Funcin
de densidad
Funcin de
distribucin
acumulada x
F ( x) f (t )d (t )
348
Mtodos grficos
Se incluyen los mtodos siguientes:
Diagramas de caja
Diagramas de tallo y hojas
Diagramas de dispersin
Histogramas
Distribuciones de probabilidad normales
Distribuciones de Weibull
349
V.D.4 Mtodos grficos
350
Diagrama de caja
PERCENTILES, DECILES Y QUARTILES
Cada conjunto de datos ordenado tiene tres cuartiles que lo dividen en
cuatro partes iguales.
El primer cuartil es ese valor debajo del cual clasifica el 25% de las
observaciones y sobre el cual se encuentra el 75% restante.
P
L p (n 1)
100
Donde:
Lp es el sitio del percentil deseado en una serie ordenada
n es el nmero de observaciones
P es el percentil deseado
352
Diagrama de caja
Por ejemplo para los datos siguientes:
3 10 19 27 34 38 48 56 67 74
4 12 20 29 34 39 48 59 67 74
7 14 21 31 36 43 52 62 69 76
9 15 25 31 37 45 53 63 72 79
10 17 27 34 38 47 56 64 73 80
353
Diagrama de caja
35
La localizacin del percentil 35 se halla en: L35 (50 1) 17.85
100
O sea que el percentil 35 est al 85% del trayecto comprendido entre
la observacin 17 que es 29 y la observacin 18 que es 31 o sea
L35 = 29 + (0.85)(31-29) = 30.7. Por tanto el 35% de las
observaciones estn por debajo de 30.7 y el 65% restante por
encima de 30.7.
Valor Valor
mnimo mximo
DEFINICION:
Es una ayuda grfica para ver la variabilidad de los datos.
Mtodos grficos
Diagramas de caja
Representan un resumen de los datos. La lnea media
es la mediana, los lados son el primer y tercer cuartil.
El mximo y el mnimo se dibuja como puntos al final
de las lneas (bigotes)
356
Mtodos grficos
Diagramas de tallo y hojas
El diagrama consiste del agrupamiento de los datos por
intervalos de clase, como tallos y los incrementos de
datos ms pequeos como hojas.
Hojas
Tallos
357
Mtodos grficos
Diagramas de dispersin
Es una grfica de muchos puntos coordenados X-Y que
representan la relacin entre dos variables. Tambin se
denomina carta de correlacin. Se puede tomar la
variable dependiente para el eje Y y la dependiente en
el eje X.
358
Mtodos grficos
Diagramas de dispersin
360
Mtodos grficos
Anlisis de correlacin
Busca descubrir relaciones, aplicar el sentido comn
361
Mtodos grficos
Anlisis de patrones y tendencias
Para visualizar el comportamiento de los datos en el
tiempo
Tendencia creciente Tendencia decreciente Corrida de proceso
362
Mtodos grficos
Anlisis de patrones y tendencias
Para visualizar el comportamiento de los datos en el
tiempo
Tendencia creciente
363
Histogramas
364
Mtodos grficos
Histogramas
Son grficas de columnas de frecuencia que muestran
una imagen esttica del comportamiento del proceso y
requieren un mnimo de 50 a 100 puntos
365
Mtodos grficos
Histogramas
Un proceso inestable muestra un histograma que no
tiene una forma acampanada. Sin embargo los
procesos que siguen una distribucin exponencial,
lognormal, gamma, beta, Weibull, Poisson, binomial,
hipergeomtrica, geomtrica, etc. existen como
procesos estables
366
Mtodos grficos
DEFINICION
Un Histograma es la organizacin de un nmero de datos
muestra que nos permite visualizar al proceso de manera
objetiva.
367
Histograma de Frecuencia
M
E
D
Media I
C
I
O
N
TAMAO TAMAO TAMAO E
S
LIE LSE
DEFINICION
Un Histograma es la organizacin de un nmero de datos muestra que
nos permite visualizar al proceso de manera objetiva.
Las distribuciones pueden variar en:
F *X i i Donde,
X i 1
n
Fi = Frecuencia de cada medicin
F
xi = Valor de cada medicin
i individual
i 1
n
n
/ n
n n
Fi * X Fi * X i Fi * X Fi * X i
2 2 2
2
i /n
i 1
i
s i 1
i 1 i 1
n 1 n
Medidas de
Dispersin- Rango, CV
Rango: Valor Mayor Valor menor
CLASE FRECUENCIA
1-5 7
6-10 12
11-15 19
16-20 16
21-25 8
26-30 4
374
Definiciones - datos agrupados
Lmite inferior y superior de clase
Son los numeros ms pequeos y ms grandes de las clases (del
ejemplo, 1 y 5; 6 y 10; 11 y 15; 16 y 20; 21 y 25; 26 y 30)
Marcas de clase
Son los puntos medios de las clases (del ejemplo 3, 8, 13, 18, 23 y 28)
Fronteras de clase
Se obtienen al incrementar los lmites superiores de clase y al
decrementar los inferiores en una cantidad igual a la media de la
diferencia entre un lmite superior de clase y el siguiente lmite inferior
de clase (en el ejemplo, las fronteras de clase son 0.5, 5.5, 10.5, 15.5,
20.5, 25.5 y 30.5)
Ancho de clase
Es la diferencia entre dos lmites de clase inferiores consecutivas(en el
ejemplo, es 5).
Construccin del histograma - datos agrupados
Paso 1. Contar los datos (N)
Paso 2. Calcular el rango de los datos R = (Valor mayor- valor menor)
19 21 25 33 30 27 31 25 35
37 44 43 42 39 43 40 38 37
36 42 41 44 32 45 46 47 45
54 52 50 48 49 47 48 49 47
52 51 50 49 58 59 61 62 63
59 61 66 76 70
Ejemplo: Construccin del histograma
Paso 2. Rango R = 76 - 16 = 60
Paso 5. Lm. de clase: 15-24, 25- 34, 35- 44, 45- 54, 55 - 64, 65-74, 75-94
Paso 6. Nmero de datos: 2 7 14 17 7 2 1
Marcas de clase 19.5 29.5 39.5 49.5 59.5 69.5 79.5
NOTA: Los datos deben estar en forma no agrupada, Excel forma los
grupos en forma automtica o se le pueden proporcionar los
lmites de las celdas.
379
Construccin del histograma
18
16
14
12
10
8
Frec.
6
4
2
0
15- 25- 35- 45- 55- 65-
24 34 44 54 64 75
380
Otras medidas de
Dispersin- Rango, CV
F *X i i
Donde,
X i 1
n
Fi = Frecuencia de cada observacin
xi = Valor de cada marca de clase
Fi 1
i
n
/ n
n
n
Fi * X Fi * X i / n
2 n
Fi * X Fi * X i
2 2
i 2
s i 1 i 1 i
i 1 i 1
n 1
n
Datos:
385
Estadstica descriptiva e inferencial
Estudios descriptivos enumerativos :
Los datos enumerativos son los que pueden ser
contados.
Para Deming:
En un Estudio enumerativo la accin se toma en el
universo.
En un estudio analtico la accin ser tomada en un
proceso para mejorar su desempeo futuro
386
Obteniendo conclusiones vlidas
Obtencin de conclusiones estadsticas vlidas
El objetivo de la estadstica inferencial es obtener
conclusiones acerca de las caractersticas de la
poblacin (parmetros , m, ) con base en la
informacin obtenida de muestras (estadsticos X,
s, r)
387
Obteniendo conclusiones vlidas
Los pasos de la estadstica inferencial son:
Definir el objetivo del problema en forma precisa
388
Obteniendo conclusiones vlidas
Los pasos de la estadstica inferencial son:
Calcular el valor del estadstico de prueba con la
informacin de la muestra
389
Obteniendo conclusiones vlidas
Hiptesis nula a ser probada (Ho) y alterna (Ha)
390
Obteniendo conclusiones vlidas
Estadstico de prueba:
Para probar la hiptesis nula sobre un parmetro
393
Conceptos bsicos de
probabilidad
Principios bsicos:
La probabilidad de un evento varia entre 0 y 1 (xito)
Un evento simple no puede descomponerse
El conjunto de resultados posibles del experimento se
denomina espacio muestral
La suma de las probabilidades en el espacio muestra es 1
Si se repite un experimento un gran nmero de veces N y
el evento E es observado nE veces, la probabilidad de E es
aproximadamente:
nE
P( E )
N 394
Conceptos bsicos de
probabilidad
Eventos compuestos (conjunto de dos o ms
eventos):
La unin de A o B contiene elementos de A o de B
395
Probabilidad
Introduccin:
Diferencia entre experimento deterministico y
aleatorio (estocastico).
398
Probabilidad histrica o frecuentista.
1
probabilidad de caras
.5
0
0 500 1000
n
400
Definicin Clsica de Probabilidad.
La probabilidad de un evento A, puede ser calculada mediante la
relacin de el numero de respuestas en favor de A, y el numero
total de resultados posibles en un experimento.
# Favorable A
P ( EventoA)
# Total resultados
1. P(E) 0
2. P(S) = 1
3. Si E1,En son mutuamente disjuntos
entonces
n n
P Ei P( Ei )
i 1 i 1
Resultados
1. Si A B entonces P(A) P(B)
2. Si P(Ec)=1-P(E)
4. Si B1B2Bn = S entonces
n
P( E ) P( E B )
i 1
i
402
Ejemplo:
Datos (N=20):
650 740 760 810 850 850 880 900 930 930 950 960
960 980 980 980 1000 1000 1000 1070
El experimento:
Seleccionamos al azar un numero ?
Cul es S?
403
Sea E1 el evento en el cual elegimos 1000 y E2 es el
evento en el cual elegimos un numero menor o igual a
760.
P(E1E2) =
404
Leyes de probabilidades
1. En un experimento, si P(A) e la probabilidad de un
evento A, entonces la probabilidad de Que no suceda A es:
P ( A ) 1 P ( A)
Ley de la Adicin
Si 2 eventos A y B no son mutuamente excluyentes, entonces la
probabilidad que el evento A o el evento B ocurra es:
Ley de la Multiplicacin
probabilidad que ambos A y B ocurran es
P(AB) P(A | B)P(B) P(B | A)P(A)
Cuando los eventos A y B son independientes, entonces P(A|B)
= P(A) y
P(AB) P(A)P(B)
406
Permutaciones
Definicin.
Un arreglo ordenado de r objetos diferentes es llamado
una permutacin .
El numero resultante de ordenar n objetos diferentes
tomando r a la vez ser representado por el smbolo Prn
3*2*1=6
Diagramas de rbol
En casos simples resultan tiles los diagramas de rbol para enumerar
objetos en forma sistemtica.
Ejemplo: Se desea conocer todas las formas posibles de hacer un
experimento que consiste en 4 componentes de auto a {L1, L2, L3, L4},
entonces cada componente es sometido a tres diferentes temperaturas
de {A1, A2, A3} hasta que se obtiene una falla.
A1
L1 A2
A3
A1
L2
A2
A3 12 tratamientos
L3 A1
A2
A3
L4 A1
A2
A3
408
El numero de formas de ordenar n objetos distintos en n
lugares diferentes es :
10!
P 2
10
9 0.
8!
410
Combinaciones
Una combinacin es un arreglo de distintos elementos , en donde
una combinacin difiere de otra solamente si el contenido del arreglo
es distinto.
!! En este caso no es importante el orden de
los objetos !!
Definicin. (Combinaciones).
El numero de combinaciones de n objetos tomando r a la vez es el
numero de maneras de formar un subconjunto de tamao r de los n
objetos. Esto se denota como:
n
C
n
r
r 411
Teorema 2.
n Pr n n!
C rn
r r! r !( n r ) !
n n! 100!
C
n
r r!(n r)! 10!(100 10)!
r
412
V.E.2 Distribuciones de
probabilidad
413
Distribuciones usadas
por los Black Belts
Distribucin Binomial
Distribucin Poisson
Distribucin Normal
Distribucin Chi Cuadrada
Distribucin t de Student
Distribucin F
414
Tipos de variables aleatorias
Variable aleatoria: Es aquella funcin que a cada
resultado posible de un experimento le asocia un numero
real.
Se denotan con letras Maysculas: X,Y,Z,etc....
Continuas
415
Variables aleatorias discretas
Es aquella variable que nicamente toma valores
susceptibles de contarse.
Ejemplo 1: Considere el experimento de tomar al azar una
ficha de asistencia de un numero de empleados. Sea X la
variable numero de ausencias al ao de un empleado. Note
que X toma valores 0,1,2,...,250.
417
Funcin de probabilidades para Y.
y P(Y=y)
0 1/4
1 1/2
2 1/4 0.51
0.46
0.41
Grfica
p
0.36
P(Y=y)
0.31
0.26
Y 418
Formula para la distribucin de
probabilidades de la tabla anterior
3 3 y
P( y ) P(Y y ) (.5) (.5) y
419
Requisitos para una distribucin
de probabilidad discreta
1. 0 P( y ) 1
2. P( y ).
toda
y
f X ( x) P( X x)
420
Funciones de distribucin acumulativa
FX ( x) P( X x)
Esta funcin tiene propiedades.
0 F ( x) 1
Lim x F ( x) 1
Lim x F ( x) 0
421
Funcin de distribucin acumulativa para Y=#de caras
0.9
0.7
F(x)
0.5
0.3
422
Valor Esperado o Media de una
variable aleatoria discreta
m X E ( X ) xfX ( x) xP( X x)
x x
423
Calculo de la media mX para la variable de No. De defectos
4
m X xP( X X )
x 0
424
0
.
8
0
.
6
0
.
4
prob
0
.
2
0
.
0
0 1 2 3 4
x
Media mX
425
Ejercicio:
La demanda de un producto es -1,0,1,2 por dia (-1
significa devolucin). Con probabilidades dadas por
1/5,1/10,2/5,3/10. Calcular la demanda esperada. mX
426
Varianza de una variable aleatoria
X E[( X m X ) ] ( x m X ) P( X x)
2 2 2
Medida de dispersin
427
X 2 ( x m X ) 2 P( X x)
x
428
La desviacin estndar de una variable aleatoria es
simplemente la raz cuadrada de la varianza
X 2
X
429
Distribuciones Discretas
Uniforme discreta.
La variable aleatoria toma un numero finito
de n valores , cada uno con igual
probabilidad.
1
f ( x) P( X x)
n
430
Uniforme discreta con n=10
0
.
1
5
0
.
1
3
0
.
1
1
prob
0
.
0
9
0
.
0
7
0
.
0
5
0 2 4 6 8 1
e
+
00
1
x
431
La media y varianza de la distribucin
Uniforme discreta son:
(n 1)
mX
2
n 1
2
X
2
12
Aplicaciones
432
Distribucin hipergeomtrica
Se aplica cuando la muestra (n) es una porporcin
relativamente grande en relacin con la poblacin (n >
0.1N).
El muestreo se hace sin reemplazo
C xD C nNxD n!
P( x) C
n
x!(n x)!
N x
Cn
433
Distribucin hipergeomtrica
La media y la varianza de la distribucin
hipergeomtrica son:
nD nD D N n
m 1
2
N N N N 1
434
Distribucin hipergeomtrica
Ejemplo:
De un grupo de 20 productos, 10 se seleccionan al
436
Distribucin binomial
Se utiliza para modelar datos discretos y se aplica
para poblaciones grandes (N>50) y muestras
pequeas (n<0.1N).
El muestreo binomial es con reemplazamiento.
Es apropiada cuando la proporcin defectiva es
mayor o igual a 0.1.
La binomial es una aproximacin de la
hipergeomtrica
La distribucin normal se paroxima a la binomial
cuando np > 5
437
La variable aleatoria X tiene una distribucin binomial
n x n x
f ( x) P( X x) p (1 p) x 0,1,..., n
x
E ( X ) m X np
V ( X ) np(1 p)
2
X
438
Distribucin de Poisson
Se utiliza para modelar datos discretos
Se aproxima a la binomial cuando p es igual o menor
a 0.1, y el tamao de muestra es grande (n > 16)
por tanto np > 1.6
439
Distribucin de Poisson
Una Variable aleatoria X tiene distribucin Poisson si
toma probabilidades con.
e x
f ( x) x 0,1,...
x!
m np
m np
440
La Distribucin Normal
441
IMPORTANCIA DE LA DISTRIBUCIN NORMAL
La Normal is simtrica -
-
Cola
Cola
Tericamente, la
Tericamente, la Media, mediana, y curva se extiende a
curva se extiende a moda son iguales + infinito
- infinito
445
Distribucin Normal
Distribucin de 1 1 t m 2
f( t ) exp
la Funcin Normal 2 2
0.0140
0.0120
0.0100 m = 500
= 30
0.0080 = 50
= 70
f(t)
0.0060
0.0040
0.0020
0.0000
200 400 600 800 1000
Tiempo
446
Curvas Normales con Medias iguales pero
Desviaciones estndar diferentes
3.1
3.9
= 5.0
m 20
Normales con Medias y
Desviaciones estndar diferentes
m = 5, = 3
m = 9, = 6
m = 14, = 10
La distribucin Normal estndar
450
La Distribucin Normal
Para la poblacin - se incluyen TODOS los datos
Para la muestra
X
m3 m2 m m m m2 m3
451
La Distribucin Normal Estndar
La desviacin estndar
sigma representa la
distancia de la media al
punto de inflexin de la
curva normal
X
x-3 x-2 x- x x+ x+2 x+3
z
-3 -2 -1 0 1 2 3
452
AREA BAJO LA CURVA NORMAL
1. 68.26%
2. 95.44%
3. 99.97%
m3 m2 m1 m m1 m2 m3
Caractersticas de la Distribucin Normal
68%
34% 34%
+1s
95%
+2s
99.73%
+3s 456
El valor de Z
Determina el nmero de desviaciones estndar
entre algn valor x y la media de la poblacin, mu
Donde sigma es la desviacin estndar de la
poblacin.
z= x-m
Proceso con media =100
y desviacin estndar = 10
68%
34% 34%
90 110
68
80
%
95%
120
2.356%
68% 2.356%
99.73%
70 130
reas bajo la curva
normal
459
Clculos con Excel Dist. Normal Estndar
Distribucin normal estndar con media = 0 y desviacin estndar =
1: Para Z = (X - Xmedia )/ s
1. rea desde menos infinito a un valor de Z se obtiene como sigue:
- Colocarse en una celda vaca
- Accesar el men de funciones con Fx, ESTADSTICAS,
DISTR.NORM.ESTAND, dar valor de Z y obtener el rea requerida
Z
Area
0.8
Ejemplo
El valor z asociado a X = 28 es
z = (28 - 20)/5 = 1.6. Ahora, P(X > 28) = P(z > 1.6)
= 1 - P(z < 1.6) = 1 - 0.9452 = 0.0548.
P(z > 1.6) =
1 - 0.9452=
0.0548
Area =
0.9452
1.6 z
Ejemplo
80 85.36
-1.42 0
rea bajo la curva normal
85.36 86 87
0 1
rea bajo la curva normal
475
A las distribuciones de los estadsticas muestrales
se les llama distribuciones muestrales.
POBLACION
476
Distribuciones Derivadas del
muestreo de Poblaciones Normales
Muestra
477
Distribucin de la Media:
X n(m , / n) 2
478
Distribuciones usadas normalmente
Distribucin Chi Cuadrada
y z z z .... z
2
1
2
2
2
3
2
n
479
Distribucin de la varianza.
k x
1 1
f ( x) x2 e 2 , x 0.
2
k k
2
2
K=1 K=5
K=50
K=25
482
Ejemplo: Calcule el valor critico que satisface
P( X 0.05, 20 ) .05
2
0.05, 20 31.41
2
483
Resultado:
(n 1)
S
2 2
n 1
2
484
Distribucin t-student
Entonces ( X m ) (s / n) se distribuye
t-student con n-1 grados de libertad.
( X m ) (s / n) tn1
485
Funcin de Distribucin t-student
[( k 1) / 2]
f ( x)
k [k / 2][ x 2 / 2 1]( k 1) / 2
x (, )
K=1
K=10
K=100 486
Funcin de Distribucin t-student
487
k
; k 3
k 2
Distribucin t de Student
La media y la varianza de la distribucin t son:
m 0
k
; k 3
k 2
De una muestra aleatoria de n artculos, la
probabilidad de que
xm
t
s/ n
Caiga entre dos valores especificados es igual al rea
bajo la distribucin de probabilidad t de Student con
los valores correspondientes en el eje X, con n-1
grados de libertad
488
k
; k 3
k 2
Distribucin t de Student
Ejemplo:
La resistencia de 15 sellos seleccionados
aleatoriamente son: 480, 489, 491, 508, 501, 500,
486, 499, 479, 496, 499, 504, 501, 496, 498
489
Distribucin F
F=(W/u)/(Y/v)
u=10 u=20
v=5 v=20
491
Funcin de
Distribucin F. densidad de la Distribucin F
492
Distribucin F
Para determinar la otra cola de la distribucin F se
determina con la expresin.
493
V.E.3 Otras distribuciones
494
Distribucin Bivariada
La distribucin conjunta de dos variables es llamada
una distribucin bivariada. El coeficiente de
correlacin es :
495
Distribucin Exponencial
Se usa para modelar artculos con una tasa de falla
constante y est relacionada con la distribucin de
Poisson.
497
Distribucin Exponencial
Distribucin Exponencial
Es usada como el modelo, para la parte de vida
t
CDF : F (t ) 1 e
t
CONFIABILIDAD : R(t ) e
Funcin de Densidad de Probabilidad Exponencial
0.0035
PDF : f (t ) e
t 0.0030 = 0.003, MEDIA = 333
0.0025
1 = 0.002, MEDIA = 500
MEDIA : m 0.0020
f(t)
= 0.001, MEDIA = 1,000
0.0015
ln 2 0.693
MEDIANA : @ 0.0010
0.0005
1 0.0000
VARIANZA : 0 500 1,000 1,500 2,000
2 Tiempo
TASA DE FALLA : h (t )
Distribucin Exponencial
R(t) = e(-t) (Confiabilidad)
1.000
0.600
= 0.003, MTBF = 333
0.400
0.200
0.000
0 500 1,000 1,500 2,000
Tiempo
500
Distribucin Exponencial
h(t) = 1 MEDIA (Velocidad de Falla)
0.002
una velocidad de falla
= 0.001, MTBF = 1,000 constante
0.001
0.000
0 500 1,000 1,500 2,000
Tiempo
501
Distribucin Lognormal
La transformacin ms comn se hace tomando el
logaritmo natural, pero tambin se puede hacer con
los logaritmos base 2 y base 10.
Y = x1 x2 x3
Ln y = ln x1 + ln x2 + ln x3
y
1 2 y
f (t ) e
t y 2 502
Distribucin Lognormal
La media y la varianza de la distribucin lognormal
son las siguientes:
( m 2 / 2 )
Media e
( 2 m 2 ) 2
Var (e )(e 1)
503
Distribucin Lognormal
504
Distribucin Lognormal
Si un tiempo t est distribuido Lognormal, t~LN(mt, t) y si Y =
ln(t) entonces Y~N(my, y)
t y = ln(t)
2 2
1 y my 1 y my
PDF f (t )
1
e
2 y
f (y )
1
e
2 y
t y 2 y 2
ln( t T50 ) y my
CDF F (t ) F ( y )
y
y
y2
MEDIA m t T50 exp m y m y ln(T50 )
2
mt
T50 exp( m y )
MEDIANA t2 my
1 2
mt
)exp( ) 1
t2
VARIANZA T exp(
2 2 2
ln1 2
50 y y
mt
2
4
2
y2 ln1 t2 ln1 0.02527
25
mt
y 0.02527 0.1589
Para poder usar las Tablas de la Normal Estndar:
P(t<18) = P{Z<[ln(t/ T50)]/ y] = P{Z<[ln(18/24.7)]/0.159} =
P(Z<-1.99) = 0.023
508
Distribucin Lognormal
1 1 ln ( t ) m 2
Funcin de f( t ) exp
t 2 2
Distribucin
Lognormal donde m y son funciones de lns
Funcin de Densidad de Probabilidad Lognormal
0.5000
m=0
0.4000 = 0.5
m=0
0.3000 =1
f(t)
m=1
= 0.5
0.2000
m=1
=1
0.1000
0.0000
0 1 2 3 4 5 6 7
Tiempo 509
Distribucin Lognormal
R ( t ) f( t )d t f [ln ( t ) ] d [ln ( t ) ] ( z )d z
Funcin de Distribucin t ln ( t ) z [ln ( t ) ]
Lognormal donde z[ln(t)] = [ln(t)-m/]
(z) = normal estandarizada normal pdf
Funcin de Confiabilidad Lognormal
1.000
m=1
= 0.5
0.800
m=1
=1
0.600
R(t)
0.400 m=0
=1
0.200 m=0
= 0.5
0.000
0 1 2 3
Tiempo
4 5 6 7
510
Distribucin Lognormal
f( t )
Funcin de Distribucin Lognormal h ( t )
R( t)
Funcin Tasa de Falla Lognormal
0.7000
m=0
0.6000 = 0.5
0.5000
0.4000 m=1
h(t)
= 0.5
0.3000
0.2000
0.1000
m=1 m=0
=1 =1
0.0000
0 1 2 3 4 5 6 7
511
Tiempo
Distribucin Lognormal
Nmero de ciclos de falla en la fatiga de los metales y partes
metlicas, en niveles de tensin mucho menores que sus lmites
Representa bien el tiempo de falla de los dispositivos mecnicos,
especialmente en el caso de uso
513
Distribucin de Weibull
La funcin de densidad de probabilidad de Weibull de
3 parmetros es:
1
x x
f ( x) exp
Para x
es el parmetro de forma
es el parmetro de escala
es el parmetro de localizacin
514
Distribucin de Weibull
La funcin de densidad de probabilidad de Weibull de
3 parmetros tambin se puede expresar como:
1
y t
f (t ) exp
Para t 0
es el parmetro de forma
es el parmetro de escala
es el parmetro de localizacin diferente de cero
Tambin es la vida caracterstica si el parmetro de
localizacin es cero, de otra forma ser +
515
Distribucin de Weibull
La media y la varianza de la distribucin de Weibull
es:
1
m 1
2 2 1
1 1
2 2
516
Distribucin de Weibull
Efecto del parmetro de forma Beta con Theta = 100
y Delta = 0
517
Distribucin de Weibull
Efecto del parmetro de escala Theta
518
Distribucin de Weibull
Efecto del parmetro de escala Delta
519
El Modelo Weibull
En muchas aplicaciones de confiabilidad, el supuesto
de tasa de riesgo constante no es apropiado.
Failure Rate
5
Failure Rate
Decreciente Creciente
4
h(t)
520
0 0.5 1 1.5 2
Time (t)
Modelo Weibull
Un modelo que puede representar un amplio espectro
de comportamientos es el modelo Weibull.
S (t ) e (t )
f (t ) t 1 exp t
h(t ) t 1
0.6
0.4
0.2
0
0 0.5 1
Time (t)
1.5 2
521
Modelo Weibull
El modelo Weibull es
FRC si = 1
FRI si > 1
FRD si < 1
=3
FRD
6
FRI
5 = 0.5
4
h(t)
2
FRC =1
0
0 0.5 1 1.5 2
522
Time (t)
Modelo Weibull
Que es ?
6
=3 =2 =1
h(t)
0
0 0.5 1 1.5 2
Time (t)
] t
2 2
E[T f (t ) dt
0
1 2 2 1
Var (T ) E[T 2
] E[T ]2
2
1 1
k x k 1 exp x dx
0
524
Modelo Weibull
El tiempo de vida (sobre horas) de cierto tipo de
resorte usado continuamente bajo condiciones de
funcionamiento, es sabido que tiene una distribucin
de Weibull con parmetro de forma 0.00022 y de
escala 1.28.
Se sabe que
PT t P(min{ T1 , , Tn } t )
Entonces
526
Distribucin Weibull
t
CDF : F (t ) 1 e
La distribucin de Weibull
t
es un modelo de
distribucin de vida til CONFIABILI DAD : R (t ) e
muy flexible, para el caso
1 t
t
de 2 parmetros: PDF : f (t ) e
1
Donde h (etha) es un MEDIA : 1
parmetro de escala (la
MEDIANA : ln 2
1
vida caracterstica) y
beta se conoce como el 2
parmetro de forma 2 2 1
VARIANZA : 1 1
(pendiente) y G es la
funcin Gamma con 1
G(N)=(N-1)! para N entero t
TASA DE FALLA :
527
Distribucin Weibull
t
CDF : F (t ) 1 e
t
Una forma ms general
Weibull incluye un t
1 t
parmetro de tiempo PDF : f (t ) e
de espera localizacin
desplazamiento). 1
MEDIA : 1
Las frmulas se obtienen
reemplazando t por (t-g).
MEDIANA : ln 2
1
tiempo comienza en g no
en 0. t
1
TASA DE FALLA :
528
Distribucin Weibull t
1 t
f( t ) exp
Funcin de Distribucin Weibull
0.0030
= 0.5
= 1000
0.0020
= 1.0 = 3.4
= 1000
f(t)
= 1000
0.0010
0.0000
0 500 1000 1500 2000 2500 3000
Tiempo 529
Distribucin Weibull
t
R ( t ) exp
Funciones de Distribucin Weibull
1.000
= 3.4
0.800 = 1000
= 1.0
0.600 = 1000
R(t)
0.400
= 0.5
0.200 = 1000
0.000
0 500 1000 1500 2000 2500 3000
Tiempo 530
Distribucin Weibull 1
t
h( t )
Funciones de Distribucin Weibull
0.0060
= 3.4
= 1000
0.0040
= 0.5
= 1000
h(t)
= 1.0
0.0020 = 1000
0.0000
0 500 1000 1500 2000 2500 3000
Tiempo 531
Distribucin Weibull
Distribucin Weibull
La funcin pdf de la distribucin exponencial
1 Archivo
Weibull.xls
2
3
533
Distribucin Las tres porciones de la curva
Weibull de tina de la baera tienen
diferentes ndices de falla.
Las fallas tempranas se
caracterizan por un ndice de
falla decreciente, la vida til
por un ndice de falla
decreciente constante creciente constante y el desgaste se
caracteriza por un ndice de
<1 =1 >1
falla creciente. La distribucin
Fallas Desgaste
de Weibull puede modelar
tempranas Tiempo de vida til matemticamente estas tres
situaciones.
tiempo
Si esto ocurre, puede existir: Una parte vieja es tan buena como una
-Carga, inspeccin o prueba inadecuada nueva
-Problemas de Manufactura
-Problemas de reparacin Si esto ocurre:
-Mezcla de modos de falla
Si un componente sobrevive la mortalidad -Las fallas pueden deberse a eventos
infantil , la resistencia a fallar mejora con la externos, como:luminosidad o errores
edad. humanos
-Fundido y removido antes de su
1 < 4 (Tasa de Riesgo creciente) desgaste
536
Distribucin Weibull
Debido a su flexibilidad,hay pocas tasas de falla
observadas que no pueden modelarse adecuadamente
mediante la Weibull. Algunos ejemplos son.
1.La resistencia a la ruptura de componentes o el
esfuerzo requerido para la fatiga de metales.
2.El tiempo de falla de componentes electrnicos.
3.El tiempo de falla para artculos que se desgastan, tales
como las llantas de un automvil.
4.Sistemas que fallan cuando falla el componente ms
dbil del sistema(la distribucin Weibull representa una
distribucin de valor extremo). 537
Distribucin Weibull
Qu pasa en una distribucin Weibull si el tiempo
tiene el valor de la vida caracterstica, t = ?
Al llegar al tiempo
t de vida igual a la
R(t ) exp vida caracterstica el
63.2% de los
elementos habr
si t fallado. Este hecho
se usa en las
R(t ) exp e 1 0.3678 grficas para
identificar el valor
de h (eta)
F (t ) 1 R(t ) 0.6321
539
V.F Capacidad de procesos
1. ndices de capacidad de procesos
2. ndices de desempeo de procesos
540
V.F.1 ndices de capacidad del
proceso
541
Teora del camin y el tnel
El tnel tiene 9' de ancho (especificacin). El camin tiene 10 y el chofer es perfecto
(variacin del proceso). Pasara el camin? NO, la variabilidad del proceso es mayor
que la especificacin.
Centrar es hacer que el promedio del proceso sea igual al centro de la
especificacin. Si el camin tiene 8 pies de ancho pasar el camin?, Si. Si
el chofer puede mantener el centro del camin en el centro del tnel. De otra forma
chocar con las paredes del tnel y no pasar a pesar de ser ms angosto.
El proceso debe estar en control, tener capacidad y estar centrado
Ancho 9
Nigels Trucking Co.
Objetivos de la capacidad del proceso
4. Seleccionar proveedores
544
Anlisis de la capacidad de proceso
Estudios de capacidad
LIE LSE
Especificacin Especificacin
inferior superior
s _
xi
X
548
Anlisis de la capacidad de proceso
Estudios de capacidad
Identificacin de caractersticas:
Deben ser indicativas de un factor clave en la calidad
del producto o proceso
Rango medio
Desv. Est. st =
(Within) Constante d2 de acuerdo al
tamao de subgrupo en X-R
551
Capacidad del proceso
Zs y P(Zs) Fraccin defectiva
Los valores de Z inferior y Z superior se calculan de acuerdo a
las frmulas siguientes:
Es el menor de:
LSE - promedio del proceso Promedio del proceso - LIE
Cpk = y
3 desviaciones Est. - st 3 desviaciones Estndar - st
554
Clculo de la capacidad del proceso
556
Tasa de capacidad
557
Capacidad del proceso
Zs y P(Zs) Fraccin defectiva
Los valores de Z inferior y Z superior se calculan de acuerdo a
las frmulas siguientes:
559
Ejemplo
Se tomaron los datos siguientes:
561
Ejemplo (cont)
35
30
25
20
15 Frec.
10
5
0
170- 210- 250- 290- 330-
189 229 269 309 349
562
Ejemplo (cont)
563
Ejercicio
Calcular la capacidad del proceso con la distribucin de frecuencias
siguiente considerando LIE = 530 y LSE = 580:
LSL USL
P rocess Data Within
LS L 9.00000 Overall
Target *
USL 14.00000 P otential (Within) C apability
S ample M ean 11.74400 Cp 0.97
S ample N 50 C PL 1.07
C PU 0.88
S tDev (Within) 0.85577
S tDev (O v erall) 0.80259 C pk 0.88
C C pk 0.97
O v erall C apability
Pp 1.04
PPL 1.14
PPU 0.94
P pk 0.94
C pm *
566
Capacidad a partir
de cartas de control
567
EN CASOS ESPECIALES COMO ESTOS
DONDE LAS VARIACIONES PRESENTES SON
TOTALMENTE INESPERADAS
TENEMOSUN PROCESO INESTABLE o IMPREDECIBLE.?
? ?
? ?
? ?
568
Bases del CEP
Prediccin
Tiempo
569
Control y Capacidad de Proceso
Control de Proceso:
Capacidad de Proceso:
x Area entre 0 y 1s
-Probabilidad de Ocurrencia
Distribucin
del Proceso
_
x= media
34% 34% s= sigma; es la
desviacin
estndar;
medida
de la variacin
14 % 14 % del proceso.
80
_
_
X=72.69
70
60
LC L=58.53
2 4 6 8 10 12 14 16 18
Sample
U C L=51.89
48
Sample Range
36
_
24 R=24.54
12
0 LC L=0
2 4 6 8 10 12 14 16 18
Sample
572
Estudios de capacidad
Desviacin estndar:
Si el proceso sigue una distribucin normal y est en
control estadstico, entonces la desviacin estndar
puede ser estimada de:
R
R
d2
Para procesos nuevos, se puede estimar la capacidad
del proceso de una produccin piloto
573
Desviacin Estndar del proceso
=R o =S
d2 c4
Donde,
= Desviacin estndar de la poblacin
d2 = Factor que depende del tamao del subgrupo en la carta de control X -
R
C4 = Idem al anterior para una carta X - S
Cp = (LSE - LIE) / 6
Cpk
El ndice de capacidad real del proceso compara la media
real con el lmite de especificaciones ms cercano (LE) a esta.
578
V.F.2 ndices de desempeo del
proceso
579
Estimacin de la desviacin estndar
con el proceso a largo plazo
( Xi X )
i 1
2
n 1
Desv. Est. lt = lt
4(n 1)
S
Desvest (datos)
C4 C4
(Overall) 4n 3
580
ndices de desempeo Potencial
del proceso Largo plazo
El ndice de desempeo potencial del Proceso (Pp) mide la
variacin del proceso en relacin con el rango de Especificacin.
581
ndice de desempeo real del
proceso largo plazo
Ppk es una medida del desempeo real del proceso en funcin de la
posicin de la media del proceso (X) en relacin con con los lmites
de especificacin.
Es el menor de:
LSE - promedio del proceso Promedio del proceso - LIE
Ppk = y
3 desviaciones est. - lt 3 desviaciones Estndar - lt
582
Clculo del desempeo del
proceso a lago plazo
584
Corto y largo plazos
Corto plazo:
Es un periodo corto de tiempo en el cual no hay
Largo Plazo
Es el periodo de tiempo en el cual ya han ocurrido
585
Carta de corridas cortas
Se puede utilizar una carta X-R modificada para
corridas cortas, con base en subgrupos de 3 a 10
piezas.
586
V.F.4 Anlisis de la Capacidad de
procesos no normales
587
Procesos no normales
Los datos no siempre se ajustan a la distrubucin
normal. Una estrategia es traansformar los datos no
normales para lograr un comportamiento normal
x2 1
x ( ) ; 0
x( ) ln( ) ; 0
588
Procesos no normales
Dadas las observaciones X1, X2, X3,.., Xn,
seleccionar la potencia que maximice el logaritmo
n n
( x ( ) x ( )) 2
n
f ( x) ln i ( 1) ln( xi )
2 i 1 n i 1
590
Capacidad de procesos no normales
usando la distribucin de Weibull
Con archivo de Minitab TILES.MTW
Process Capability of Warping
Calculations Based on Weibull Distribution Model
LSL USL
P rocess D ata O v erall C apability
LS L 0.00000 Pp 0.81
Target * PPL 1.03
USL 8.00000 PPU 0.73
S ample M ean 2.92307 P pk 0.73
S ample N 100
E xp. O v erall P erformance
S hape 1.69368
P P M < LS L 0.0
S cale 3.27812
P P M > U S L 10764.5
O bserv ed P erformance P P M Total 10764.5
P P M < LS L 0
P P M > U S L 20000
P P M Total 20000
Lower C L 0.052120
15 Upper C L 0.642093
10
Limit
0
-2 -1 0 1 2 3 4 5
Lambda
592
Capacidad de procesos no normales
transformando datos con Box - Cox
Con la raz cuadrada de los datos y de los lmites de
especificaciones se tiene:
Process Capability of Transf
LSL USL
P rocess D ata W ithin
LS L 0.00000 O v erall
T arget *
USL 2.82843 P otential (Within) C apability
S ample M ean 1.62374 Cp 0.92
S ample N 100 C PL 1.05
S tD ev (Within) 0.51337 C PU 0.78
S tD ev (O v erall) 0.53934 C pk 0.78
C C pk 0.92
O v erall C apability
Pp 0.87
PPL 1.00
PPU 0.74
P pk 0.74
C pm *
593
Capacidad de procesos por Pearson
Independientemente de si los datos siguen una distribucin
normal o no, se pueden calcular los ndices de capacidad y
habilidad de proceso determinando los valores de los
Percentiles o lmites de control equivalentes a un rea bajo
la curva de 0.135% de cada lado de la misma.
594
Capacidad de procesos por Pearson
Procedimiento :
Identificar los lmites de especificacin de la variable
de inters (LSE, LIE)
Calcular la Media (y).
Calcular la Desviacin estndar (s s)
Calcular el coeficiente de sesgo (a3)
595
Capacidad de procesos por Pearson
Clculo del sesgo:
O bien : n 3
yi y
a3 = n
(n-1)(n-2)
.
S
i=1
( s )
a3 > 0 a3 = 0 a3 < 0
596
Capacidad de procesos por Pearson
Calcular el coeficiente de curtosis (a4 -3)
O bien :
n 4
a4-3 = { n (n+1) .
(n-1)(n-2)(n-3) S
i=1
( yi y
s )} - 3 (n-1)2 .
(n-2)(n-3)
Curva Mesocrtica : a4 = 3
Curva Platicrtica : a4 < 3
597
Con Minitab
Stat > Basic Statistics > Display descriptive statistics
>> Graphs... >> Graphical Summary
Descriptive Statistics
Variable: Dist.1
Mean 0.543699
StDev 0.146490
Variance 2.15E-02
Skewness 1.44751
Kurtosis 2.48515
0.40 0.55 0.70 0.85 1.00
N 96
Minimum 0.34483
1st Quartile 0.45455
Median 0.51316
3rd Quartile 0.58824
95% Confidence Interval for Mu Maximum 1.11111
95% Confidence Interval for Mu
0.51402 0.57338
0.48 0.53 0.58 95% Confidence Interval for Sigma
0.12829 0.17075
598
95% Confidence Interval for Median
95% Confidence Interval for Median
0.47619 0.52875
Con Minitab
De la tabla 2 de las curvas de Pearson obtenga
la Mediana estandarizada (M) :
Para coeficiente de sesgo positivo cambie el signo a M.
Para coeficiente de sesgo negativo deje el signo de M.
PI = y s * PI
Calcular percentil 99.865 estimado (PS) :
PS = y + s * PS
Calcular la Mediana estimada (M) :
M = y + s * M 599
Con Minitab
Calcular el ndice de capacidad potencial de proceso (Pp).
Pp = LSE - LIE
PS - PI
Calcular el ndice de habilidad del proceso (Ppk)
Ppi = M - LIE
M - PI
Pps = LSE M
PS - M
Ppk = min {Ppi, Pps}
600
Curtosis Sesgo Curtosis
Tabla 1a de Pearson
0.0 0.1 0.2 0.3 0.4 0.5 0.6 0.7 0.8 0.9 1.0 1.1 1.2 1.3 1.4 1.5 1.6 1.7 1.8 1.9 2.0
-1.4 1.512 1.421 1.317 1.206 1.092 0.979 0.868 0.762 -1.4
-1.2 1.727 1.619 1.496 1.364 1.230 1.100 0.975 0.858 0.747 -1.2
-1.0 1.966 1.840 1.696 1.541 1.384 1.232 1.089 0.957 0.836 -1.0
-0.8 2.210 2.072 1.912 1.736 1.555 1.377 1.212 1.062 0.927 0.804 0.692 -0.8
-0.6 2.442 2.298 2.129 1.941 1.740 1.539 1.348 1.175 1.023 0.887 0.766 0.656 -0.6
-0.4 2.653 2.506 2.335 2.141 1.930 1.711 1.496 1.299 1.125 0.974 0.841 0.723 0.616 -0.4
-0.2 2.839 2.692 2.522 2.329 2.116 1.887 1.655 1.434 1.235 1.065 0.919 0.791 0.677 0.574 -0.2
0.0 3.000 2.856 2.689 2.500 2.289 2.059 1.817 1.578 1.356 1.163 1.000 0.861 0.739 0.630 0.531 0.0
0.2 3.140 2.986 2.834 2.653 2.447 2.220 1.976 1.726 1.485 1.269 1.086 0.933 0.801 0.686 0.583 0.2
0.4 3.261 3.088 2.952 2.785 2.589 2.368 2.127 1.873 1.619 1.382 1.178 1.008 0.865 0.742 0.634 0.536 0.4
0.6 3.366 3.164 3.045 2.896 2.714 2.502 2.267 2.015 1.754 1.502 1.277 1.087 0.931 0.799 0.685 0.583 0.469 0.6
0.8 3.458 3.222 3.118 2.986 2.821 2.622 2.396 2.148 1.887 1.625 1.381 1.172 1.000 0.857 0.736 0.629 0.533 0.8
1.0 3.539 3.266 3.174 3.058 2.910 2.727 2.512 2.271 2.013 1.748 1.491 1.262 1.072 0.917 0.787 0.675 0.575 0.484 1.0
1.2 3.611 3.300 3.218 3.115 2.983 2.817 2.616 2.385 2.132 1.876 1.602 1.357 1.149 0.979 0.840 0.721 0.617 0.510 1.2
1.4 3.674 3.327 3.254 3.161 3.043 2.893 2.708 2.488 2.243 1.981 1.713 1.456 1.230 1.045 0.894 0.768 0.659 0.562 0.475 1.4
1.6 3.731 3.349 3.282 3.199 3.092 2.957 2..787 2.581 2.345 2.089 1.821 1.556 1.316 1.113 0.950 0.815 0.701 0.600 0.510 1.6
1.8 3.782 3.367 3.306 3.229 3.133 3.011 2.855 2.664 2.438 2.189 1.925 1.664 1.404 1.185 1.008 0.863 0.743 0.638 0.546 0.461 1.8
2.0 3.828 3.382 3.325 3.255 3.167 3.055 2.914 2.736 2.524 2.283 2.023 1.755 1.494 1.261 1.068 0.913 0.785 0.676 0.580 0.494 2.0
2.2 3.870 3.395 3.342 3.277 3.196 3.093 2.964 2.800 2.600 2.369 2.116 1.850 1.584 1.339 1.132 0.964 0.828 0.714 0.615 0.526 0.445 2.2
2.4 3.908 3.405 3.356 3.295 3.220 3.126 3.006 2.855 2.669 2.448 2.202 1.940 1.673 1.420 1.198 1.018 0.873 0.752 0.649 0.557 0.475 2.4
2.6 3.943 3.415 3.367 3.311 3.241 3.153 3.043 2.904 2.730 2.521 2.283 2.026 1.760 1.501 1.267 1.073 0.918 0.791 0.683 0.589 0.504 2.6
2.8 3.975 3.423 3.378 3.324 3.259 3.177 3.075 2.946 2.784 2.586 2.358 2.107 1.844 1.581 1.338 1.131 0.965 0.830 0.717 0.620 0.533 2.8
3.0 4.004 3.430 3.387 3.326 3.274 3.198 3.103 2.983 2.831 2.646 2.427 2.183 1.924 1.661 1.410 1.191 1.013 0.870 0.752 0.651 0.562 3.0
3.2 4.031 3.436 3.395 3.346 3.288 3.216 3.127 3.015 2.874 2.699 2.491 2.254 2.000 1.738 1.483 1.253 1.063 0.911 0.787 0.681 0.590 3.2
3.4 4.056 3.441 3.402 3.356 3.300 3.233 3.149 3.043 2.911 2.747 2.549 2.321 2.072 1.813 1.555 1.317 1.115 0.953 0.822 0.712 0.618 3.4
3.6 4.079 3.446 3.408 3.364 3.311 3.247 3.168 3.069 2.945 2.790 2.602 2.383 2.140 1.884 1.626 1.381 1.169 0.996 0.858 0.744 0.646 3.6
3.8 4.101 3.450 3.414 3.371 3.321 3.259 3.184 3.091 2.974 2.829 2.651 2.440 2.205 1.953 1.695 1.446 1.224 1.041 0.895 0.775 0.674 3.8
4.0 4.121 3.454 3.419 3.378 3.329 3.271 3.200 3.111 3.001 2.864 2.695 2.494 2.265 2.018 1.762 1.510 1.281 1.088 0.932 0.807 0.702 4.0
4.2 4.140 3.458 3.423 3.384 3.337 3.281 3.213 3.129 3.025 2.895 2.735 2.543 2.321 2.080 1.827 1.574 1.338 1.135 0.971 0.839 0.730 4.2
4.4 4.157 3.461 3.428 3.389 3.344 3.290 3.225 3.145 3.047 2.923 2.771 2.588 2.374 2.138 1.889 1.636 1.396 1.184 1.011 0.872 0.758 4.4
4.6 4.174 3.464 3.431 3.394 3.350 3.299 3.236 3.160 3.066 2.949 2.805 2.629 2.424 2.194 1.948 1.697 1.453 1.234 1.052 0.905 0.786 4.6
4.8 4.189 3.466 3.435 3.399 3.356 3.306 3.246 3.173 3.084 2.972 2.835 2.668 2.470 2.246 2.005 1.756 1.510 1.285 1.094 0.939 0.815 4.8
5.0 4.204 3.469 3.438 3.403 3.362 3.313 3.256 3.186 3.100 2.994 2.863 2.703 2.513 2.296 2.059 1.813 1.566 1.336 1.137 0.975 0.844 5.0
5.2 4.218 3.471 3.441 3.406 3.367 3.320 3.264 3.197 3.114 3.013 2.888 2.735 2.562 2.342 2.111 1.867 1.621 1.387 1.181 1.010 0.874 5.2
5.4 4.231 3.473 3.444 3.410 3.371 3.326 3.272 3.207 3.128 3.031 2.911 2.765 2.589 2.386 2.160 1.920 1.675 1.438 1.225 1.047 0.904 5.4
5.6 4.243 3.475 3.446 3.413 3.375 3.331 3.279 3.216 3.140 3.047 2.933 2.793 2.624 2.427 2.206 1.970 1.727 1.489 1.270 1.085 0.935 5.6
5.8 4.255 3.477 3.448 3.416 3.379 3.336 3.286 3.225 3.152 3.062 2.952 2.818 2.656 2.465 2.250 2.019 1.778 1.539 1.316 1.123 0.966 5.8
6.0 4.266 3.478 3.451 3.419 3.383 3.341 3.292 3.233 3.162 3.076 2.970 2.841 2.685 2.501 2.292 2.065 1.827 1.588 1.361 1.162 0.999 6.0
6.2 4.276 3.480 3.453 3.422 3.386 3.345 3.297 3.240 3.172 3.089 2.987 2.863 2.713 2.535 2.332 2.109 1.874 1.635 1.407 1.202 1.031 6.2
6.4 4.286 3.481 3.454 3.424 3.389 3.349 3.303 3.247 3.181 3.100 3.003 2.883 2.739 2.567 2.369 2.151 1.919 1.682 1.452 1.242 1.065 6.4
6.6 4.296 3.483 3.456 3.426 3.392 3.353 3.308 3.254 3.189 3.111 3.017 2.902 2.763 2.597 2.405 2.191 1.962 1.727 1.496 1.282 1.099 6.6
6.8 4.305 3.484 3.458 3.429 3.395 3.357 3.312 3.260 3.197 3.122 3.030 2.919 2.785 2.624 2.438 2.229 2.004 1.771 1.540 1.323 1.134 6.8
7.0 4.313 3.485 3.459 3.431 3.398 3.360 3.316 3.265 3.204 3.131 3.043 2.936 2.806 2.651 2.469 2.265 2.044 1.814 1.583 1.363 1.169 7.0
7.2 4.322 3.486 3.461 3.432 3.400 3.363 3.321 3.270 3.211 3.140 3.054 2.951 2.825 2.675 2.499 2.300 2.083 1.855 1.625 1.403 1.204 7.2
7.4 4.330 3.487 3.462 3.434 3.403 3.366 3.324 3.275 3.218 3.148 3.065 2.965 2.843 2.698 2.527 2.333 2.120 1.895 1.666 1.443 1.240 7.4
7.6 4.337 3.488 3.464 3.436 3.405 3.369 3.328 3.280 3.224 3.156 3.075 2.978 2.860 2.720 2.554 2.364 2.155 1.933 1.706 1.482 1.276 7.6
7.8 4.344 3.489 3.465 3.437 3.407 3.372 3.331 3.284 3.229 3.164 3.085 2.990 2.876 2.740 2.579 2.394 2.189 1.970 1.744 1.521 1.311 7.8
8.0 4.351 3.490 3.466 3.439 3.409 3.374 3.335 3.289 3.235 3.171 3.094 3.002 2.891 2.759 2.603 2.422 2.221 2.005 1.782 1.559 1.347 8.0
8.2 4.358 3.491 3.467 3.440 3.411 3.377 3.338 3.292 3.240 3.177 3.103 3.013 2.906 2.777 2.625 2.449 2.252 2.040 1.818 1.596 1.382 8.2
8.4 4.365 3.492 3.468 3.442 3.412 3.379 3.340 3.296 3.244 3.183 3.111 3.023 2.919 2.794 2.646 2.475 2.282 2.073 1.854 1.632 1.418 8.4
8.6 4.371 3.492 3.469 3.443 3.414 3.381 3.343 3.300 3.249 3.189 3.118 3.033 2.932 2.810 2.666 2.499 2.310 2.104 1.888 1.667 1.452 8.6
8.8 4.377 3.493 3.470 3.444 3.416 3.383 3.346 3.303 3.253 3.195 3.125 3.042 2.943 2.825 2.685 2.522 2.337 2.135 1.921 1.702 1.486 8.8
9.0 4.382 3.494 3.471 3.445 3.417 3.385 3.348 3.306 3.257 3.200 3.132 3.051 2.955 2.839 2.703 2.544 2.363 2.164 1.953 1.736 1.520 9.0
9.2 4.388 3.495 3.472 3.447 3.418 3.387 3.351 3.309 3.261 3.205 3.138 3.059 2.965 2.853 2.720 2.565 2.388 2.192 1.984 1.768 1.553 9.2
9.4 4.393 3.495 3.473 3.448 3.420 3.388 3.353 3.312 3.265 3.209 3.144 3.067 2.975 2.866 2.736 2.585 2.411 2.219 2.014 1.800 1.586 9.4
9.6 4.398 3.496 3.473 3.449 3.421 3.390 3.355 3.315 3.268 3.214 3.150 3.075 2.985 2.878 2.752 2.604 2.434 2.245 2.042 1.831 1.617 9.6
9.8 4.403 3.496 3.474 3.450 3.422 3.392 3.357 3.317 3.272 3.218 3.156 3.082 2.994 2.890 2.766 2.622 2.456 2.271 2.070 1.861 1.648 9.8
10.0 4.408 3.497 3.475 3.451 3.424 3.393 3.359 3.320 3.275 3.222 3.161 3.088 3.003 2.901 2.780 2.639 2.476 2.295 2.097 1.890 1.679 10.0
10.2 3.425 3.395 3.361 3.322 3.278 3.226 3.166 3.095 3.011 2.911 2.793 2.655 2.496 2.318 2.123 1.918 1.708 10.2
10.4 3.396 3.363 3.325 3.281 3.230 3.171 3.101 3.019 2.921 2.806 2.671 2.515 2.340 2.148 1.945 1.737 10.4
10.6 3.364 3.327 3.283 3.233 3.175 3.107 3.026 2.930 2.818 2.686 2.533 2.361 2.172 1.972 1.765 10.6
10.8 3.329 3.286 3.237 3.179 3.112 3.033 2.940 2.829 2.700 2.551 2.382 2.196 1.998 1.793 10.8
11.0 3.289 3.240 3.184 3.118 3.040 2.948 2.840 2.714 2.567 2.401 2.218 2.023 1.819 11.0
11.2 3.243 3.188 3.123 3.046 2.956 2.851 2.727 2.583 2.420 2.240 2.047 1.845 11.2
11.4 3.191 3.128 3.053 2.964 2.861 2.739 2.598 2.438 2.261 2.070 1.870 11.4
11.6 3.195 3.132 3.058 2.972 2.870 2.751 2.613 2.456 2.281 2.093 1.895 11.6
11.8 3.137 3.064 2.979 2.879 2.762 2.627 2.473 2.301 2.115 1.919 11.8
12.0 3.141 3.070 2.986 2.888 2.773 2.641 2.489 2.320 2.136 1.942 12.0
12.2 3.075 2.993 2.896 2.784 2.653 2.505 2.338 2.157 1.965 12.2
Sesgo 0.0 0.1 0.2 0.3 0.4 0.5 0.6 0.7 0.8 0.9 1.0 1.1 1.2 1.3 1.4 1.5 1.6 1.7 1.8 1.9 2.0
Curtosis Sesgo Curtosis
0.0 0.1 0.2 0.3 0.4 0.5 0.6 0.7 0.8 0.9 1.0 1.1 1.2 1.3 1.4 1.5 1.6 1.7 1.8 1.9 2.0
Tabla 1b de Pearson
-1.4 1.512 1.584 1.632 1.655 1.653 1.626 1.579 1.516 -1.4
-1.2 1.727 1.813 1.871 1.899 1.895 1.861 1.803 1.726 1.636 -1.2
-1.0 1.966 2.065 2.134 2.170 2.169 2.131 2.061 1.966 1.856 -1.0
-0.8 2.210 2.320 2.400 2.446 2.454 2.422 2.349 2.241 2.108 1.965 1.822 -0.8
-0.6 2.442 2.560 2.648 2.704 2.726 2.708 2.646 2.540 2.395 2.225 2.062 1.885 -0.6
-0.4 2.653 2.774 2.869 2.934 2.969 2.968 2.926 2.837 2.699 2.518 2.314 2.114 1.928 -0.4
-0.2 2.839 2.961 3.060 3.133 3.179 3.194 3.173 3.109 2.993 2.824 2.608 2.373 2.152 1.952 -0.2
0.0 3.000 3.123 3.224 3.303 3.358 3.387 3.385 3.345 3.259 3.116 2.914 2.665 2.405 2.169 1.960 0.0
0.2 3.140 3.261 3.364 3.447 3.510 3.550 3.564 3.546 3.488 3.378 3.206 2.970 2.690 2.412 2.167 0.2
0.4 3.261 3.381 3.484 3.570 3.639 3.688 3.715 3.715 3.681 3.603 3.468 3.264 2.993 2.687 2.398 2.149 0.4
0.6 3.366 3.485 3.588 3.676 3.749 3.805 3.843 3.858 3.844 3.793 3.693 3.529 3.290 2.984 2.658 2.366 2.119 0.6
0.8 3.458 3.575 3.678 3.768 3.844 3.905 3.951 3.978 3.961 3.953 3.883 3.758 3.561 3.283 2.945 2.609 2.322 0.8
1.0 3.539 3.654 3.757 3.847 3.926 3.991 4.044 4.080 4.096 4.087 4.043 3.952 3.797 3.561 3.243 2.881 2.547 2.269 1.0
1.2 3.611 3.724 3.826 3.917 3.997 4.066 4.124 4.167 4.194 4.208 4.177 4.115 3.998 3.808 3.529 3.172 2.798 2.476 1.2
1.4 3.674 3.786 3.887 3.978 4.060 4.131 4.193 4.243 4.278 4.296 4.290 4.252 4.168 4.020 3.789 3.463 3.075 2.705 2.399 1.4
1.6 3.731 3.842 3.942 4.033 4.115 4.189 4.253 4.308 4.351 4.378 4.386 4.367 4.311 4.200 4.015 3.736 3.364 2.961 2.609 1.6
1.8 3.782 3.891 3.990 4.081 4.164 4.239 4.307 4.365 4.414 4.449 4.468 4.472 4.431 4.352 4.209 3.979 3.646 3.238 2.840 2.511 1.8
2.0 3.828 3.936 4.034 4.125 4.208 4.285 4.354 4.416 4.468 4.511 4.539 4.549 4.532 4.479 4.372 4.189 3.907 3.522 3.095 2.719 2.0
2.2 3.870 3.976 4.073 4.164 4.248 4.325 4.396 4.460 4.517 4.564 4.600 4.620 4.619 4.587 4.510 4.369 4.137 3.796 3.370 2.949 2.603 2.2
2.4 4.908 4.013 4.109 4.199 4.283 4.361 4.433 4.500 4.559 4.611 4.653 4.682 4.693 4.678 4.627 4.521 4.336 4.047 3.648 3.201 2.808 2.4
2.6 3.943 4.046 4.142 4.231 4.315 4.394 4.467 4.535 4.597 4.653 4.700 4.736 4.757 4.756 4.725 4.649 4.506 4.269 3.916 3.471 3.033 2.6
2.8 3.975 4.077 4.172 4.261 4.344 4.423 4.498 4.567 4.631 4.690 4.741 4.783 4.812 4.824 4.809 4.758 4.650 4.460 4.160 3.745 3.280 2.8
3.0 4.004 4.105 4.199 4.287 4.371 4.450 4.525 4.596 4.662 4.723 4.777 4.824 4.860 4.882 4.881 4.850 4.771 4.623 4.376 4.007 3.544 3.0
3.2 4.031 4.131 4.224 4.312 4.396 4.475 4.550 4.622 4.689 4.752 4.810 4.861 4.903 4.932 4.944 4.929 4.875 4.762 4.563 4.347 3.813 3.2
3.4 4.056 4.155 4.247 4.335 4.418 4.498 4.573 4.645 4.714 4.779 4.839 4.893 4.940 4.976 4.997 4.996 4.963 4.880 4.723 4.461 4.072 3.4
3.6 4.079 4.177 4.269 4.356 4.439 4.518 4.594 4.667 4.737 4.803 4.865 4.922 4.973 5.015 5.044 5.055 5.038 4.980 4.859 4.647 4.311 3.6
3.8 4.101 4.197 4.288 4.375 4.458 4.537 4.614 4.687 4.757 4.825 4.888 4.948 5.002 5.049 5.085 5.106 5.103 5.066 4.976 4.806 4.524 3.8
4.0 4.121 4.217 4.307 4.393 4.476 4.555 4.631 4.705 4.776 4.845 4.910 4.972 5.029 5.080 5.122 5.150 5.159 5.139 5.075 4.943 4.712 4.0
4.2 4.140 4.234 4.324 4.410 4.492 4.571 4.648 4.722 4.794 4.863 4.929 4.993 5.052 5.107 5.153 5.189 5.208 5.202 5.159 5.059 4.873 4.2
4.4 4.157 4.251 4.340 4.425 4.508 4.587 4.663 4.737 4.809 4.879 4.947 5.012 5.074 5.131 5.181 5.223 5.250 5.257 5.232 5.159 5.012 4.4
4.6 4.174 4.267 4.355 4.400 4.522 4.601 4.677 4.752 4.824 4.895 4.963 5.029 5.093 5.152 5.207 5.253 5.288 5.305 5.295 5.244 5.131 4.6
4.8 4.189 4.281 4.369 4.454 4.535 4.614 4.691 4.765 4.838 4.909 4.978 5.045 5.110 5.172 5.229 5.280 5.321 5.346 5.349 5.318 5.233 4.8
5.0 4.204 4.295 4.383 4.467 4.548 4.627 4.703 4.778 4.851 4.922 4.992 5.060 5.126 5.190 5.249 5.303 5.350 5.383 5.396 5.381 5.320 5.0
5.2 4.218 4.308 4.395 4.479 4.560 4.638 4.715 4.789 4.862 4.934 5.004 5.073 5.141 5.206 5.267 5.325 5.376 5.415 5.437 5.436 5.395 5.2
5.4 4.231 4.321 4.407 4.090 4.571 4.649 4.725 4.800 4.873 4.945 5.016 5.086 5.154 5.220 5.284 5.344 5.399 5.443 5.474 5.483 5.460 5.4
5.6 4.243 4.332 4.418 4.501 4.581 4.659 4.736 4.810 4.884 4.956 5.027 5.097 5.166 5.233 5.299 5.361 5.418 5.468 5.505 5.525 5.516 5.6
5.8 4.255 4.343 4.429 4.511 4.591 4.669 4.745 4.820 4.893 4.966 5.037 5.108 5.177 5.246 5.312 5.376 5.436 5.491 5.533 5.571 5.565 5.8
6.0 4.266 4.354 4.439 4.521 4.600 4.678 4.754 4.829 4.902 4.975 5.046 5.117 5.188 5.257 5.325 5.390 5.452 5.511 5.558 5.593 5.608 6.0
6.2 4.276 4.364 4.448 4.530 4.609 4.695 4.763 4.837 4.911 4.983 5.055 5.126 5.197 5.267 5.336 5.403 5.467 5.529 5.581 5.621 5.645 6.2
6.4 4.286 4.373 4.457 4.538 4.618 4.703 4.771 4.845 4.919 4.991 5.063 5.135 5.206 5.276 5.346 5.440 5.480 5.542 5.600 5.646 5.678 6.4
6.6 4.296 4.382 4.466 4.547 4.626 4.710 4.778 4.853 4.926 4.999 5.071 5.143 5.214 5.285 5.356 5.425 5.492 5.557 5.618 5.669 5.706 6.6
6.8 4.305 4.391 4.474 4.554 4.633 4.717 4.785 4.860 4.933 5.006 5.078 5.150 5.222 5.293 5.364 5.434 5.503 5.569 5.634 5.688 5.732 6.8
7.0 4.313 4.399 4.481 4.562 4.640 4.724 4.792 4.867 4.940 5.013 5.085 5.157 5.229 5.301 5.372 5.443 5.513 5.581 5.648 5.706 5.754 7.0
7.2 4.322 4.406 4.489 4.569 4.647 4.730 4.799 4.873 4.946 5.019 5.091 5.164 5.236 5.308 5.380 5.451 5.522 5.591 5.658 5.722 5.775 7.2
7.4 4.330 4.414 4.496 4.576 4.654 4.736 4.805 4.879 4.952 5.025 5.097 5.170 5.242 5.314 5.387 5.459 5.530 5.601 5.669 5.736 5.792 7.4
7.6 4.337 4.421 4.503 4.582 4.660 4.742 4.811 4.885 4.958 5.031 5.103 5.175 5.248 5.320 5.393 5.466 5.538 5.609 5.679 5.749 5.808 7.6
7.8 4.344 4.428 4.509 4.588 4.666 4.747 4.817 4.890 4.963 5.036 5.109 5.181 5.253 5.326 5.399 5.472 5.545 5.617 5.688 5.760 5.823 7.8
8.0 4.351 4.434 4.515 4.594 4.672 4.753 4.822 4.896 4.969 5.041 5.114 5.186 5.259 5.331 5.404 5.478 5.551 5.624 5.696 5.771 5.836 8.0
8.2 4.358 4.441 4.521 4.600 4.677 4.758 4.827 4.901 4.974 5.046 5.118 5.191 5.263 5.336 5.410 5.483 5.557 5.631 5.704 5.775 5.847 8.2
8.4 4.365 4.447 4.527 4.605 4.682 4.762 4.832 4.905 4.978 5.051 5.123 5.195 5.268 5.341 5.414 5.488 5.562 5.637 5.710 5.783 5.858 8.4
8.6 4.371 4.452 4.532 4.611 4.687 4.767 4.837 4.910 4.983 5.055 5.127 5.200 5.272 5.345 5.419 5.493 5.567 5.642 5.717 5.790 5.867 8.6
8.8 4.377 4.458 4.538 4.616 4.692 4.772 4.841 4.914 4.987 5.059 5.132 5.204 5.276 5.349 5.423 5.497 5.572 5.647 5.722 5.797 5.875 8.8
9.0 4.382 4.463 4.543 4.621 4.697 4.776 4.845 4.918 4.991 5.063 5.135 5.208 5.280 5.353 5.427 5.501 5.576 5.652 5.727 5.803 5.883 9.0
9.2 4.388 4.468 4.548 4.625 4.701 4.780 4.850 4.923 4.995 5.067 5.139 5.211 5.284 5.357 5.431 5.505 5.580 5.656 5.732 5.808 5.883 9.2
9.4 4.393 4.473 4.552 4.630 4.705 4.784 4.854 4.926 4.999 5.071 5.143 5.215 5.287 5.361 5.434 5.509 5.584 5.660 5.736 5.813 5.889 9.4
9.6 4.398 4.478 4.557 4.634 4.710 4.788 4.857 4.930 5.002 5.074 5.146 5.218 5.291 5.364 5.437 5.512 5.587 5.663 5.740 5.817 5.894 9.6
9.8 4.403 4.483 4.561 4.638 4.714 4.791 4.861 4.934 5.006 5.078 5.149 5.222 5.294 5.367 5.440 5.515 5.590 5.667 5.744 5.821 5.898 9.8
10.0 4.408 4.487 4.565 4.642 4.717 4.795 4.865 4.937 5.009 5.081 5.156 5.225 5.297 5.370 5.443 5.518 5.593 5.670 5.747 5.825 5.903 10.0
10.2 4.721 4.798 4.868 4.940 5.012 5.084 5.156 5.228 5.300 5.373 5.446 5.521 5.596 5.673 5.750 5.828 5.906 10.2
10.4 4.871 4.943 5.015 5.087 5.158 5.230 5.303 5.375 5.449 5.523 5.599 5.675 5.753 5.831 5.910 10.4
10.6 4.874 4.947 5.018 5.090 5.161 5.233 5.305 5.378 5.451 5.526 5.601 5.678 5.755 5.834 5.913 10.6
10.8 4.949 5.021 5.092 5.164 5.236 5.308 5.300 5.454 5.528 5.603 5.680 5.757 5.836 5.915 10.8
11.0 5.024 5.095 5.166 5.238 5.310 5.383 5.456 5.530 5.605 5.682 5.760 5.838 5.918 11.0
11.2 5.098 5.169 5.240 5.312 5.385 5.458 5.532 5.607 5.684 5.762 5.840 5.920 11.2
11.4 5.171 5.243 5.314 5.387 5.460 5.534 5.609 5.686 5.763 5.842 5.922 11.4
11.6 5.173 5.245 5.316 5.389 5.462 5.536 5.611 5.687 5.765 5.844 5.924 11.6
11.8 5.247 5.318 5.391 5.464 5.538 5.613 5.689 5.767 5.845 5.925 11.8
12.0 5.249 5.320 5.393 5.465 5.539 5.614 5.690 5.760 5.847 5.927 12.0
12.2 5.322 5.394 5.467 5.500 5.616 5.692 5.769 5.848 5.928 12.2
Sesgo 0.0 0.1 0.2 0.3 0.4 0.5 0.6 0.7 0.8 0.9 1.0 1.1 1.2 1.3 1.4 1.5 1.6 1.7 1.8 1.9 2.0
Curtosis Sesgo Curtosis
0.0 0.1 0.2 0.3 0.4 0.5 0.6 0.7 0.8 0.9 1.0 1.1 1.2 1.3 1.4 1.5 1.6 1.7 1.8 1.9 2.0
-1.4
-1.2
-1.0
-0.8
0.000
0.000
0.000
0.000
0.053
0.039
0.031
0.026
0.111
0.082
0.065
0.054
0.184
0.132
0.103
0.085
0.282
0.196
0.151
0.123
0.424
0.284
0.212
0.169
0.627
0.412
0.297
0.231
0.754
0.591
0.419
0.317
0.527
0.586
0.439 0.598 0.681
Tabla 2 de Pearson -1.4
-1.2
-1.0
-0.8
-0.6 0.000 0.023 0.047 0.073 0.104 0.142 0.190 0.254 0.343 0.468 0.616 0.653 -0.6
-0.4 0.000 0.020 0.041 0.064 0.091 0.122 0.161 0.212 0.280 0.375 0.504 0.633 0.616 -0.4
-0.2 0.000 0.018 0.037 0.058 0.081 0.108 0.141 0.183 0.237 0.311 0.413 0.542 0.638 0.574 -0.2
0.0 0.000 0.017 0.034 0.053 0.073 0.097 0.126 0.161 0.206 0.266 0.347 0.456 0.579 0.621 0.531 0.0
0.2 0.000 0.015 0.032 0.049 0.068 0.089 0.114 0.145 0.183 0.233 0.299 0.388 0.501 0.605 0.582 0.2
0.4 0.000 0.014 0.029 0.045 0.063 0.082 0.105 0.132 0.165 0.208 0.263 0.336 0.433 0.545 0.607 0.536 0.4
0.6 0.000 0.013 0.028 0.043 0.059 0.077 0.097 0.122 0.151 0.188 0.235 0.297 0.379 0.481 0.579 0.579 0.589 0.6
0.8 0.000 0.013 0.026 0.040 0.055 0.072 0.091 0.113 0.140 0.172 0.213 0.266 0.336 0.425 0.527 0.590 0.533 0.8
1.0 0.000 0.012 0.025 0.038 0.053 0.068 0.086 0.106 0.130 0.159 0.196 0.242 0.301 0.379 0.474 0.563 0.569 0.484 1.0
1.2 0.000 0.011 0.024 0.036 0.050 0.065 0.082 0.100 0.122 0.148 0.181 0.222 0.274 0.341 0.426 0.520 0.576 0.524 1.2
1.4 0.000 0.011 0.023 0.035 0.048 0.062 0.078 0.095 0.116 0.140 0.169 0.206 0.252 0.310 0.385 0.474 0.554 0.555 0.475 1.4
1.6 0.000 0.010 0.022 0.034 0.046 0.060 0.075 0.091 0.110 0.132 0.159 0.192 0.233 0.285 0.351 0.432 0.518 0.564 0.510 1.6
1.8 0.000 0.010 0.021 0.032 0.044 0.057 0.072 0.087 0.105 0.126 0.151 0.180 0.217 0.264 0.323 0.396 0.480 0.549 0.540 0.461 1.8
2.0 0.000 0.009 0.020 0.031 0.043 0.065 0.069 0.084 0.101 0.120 0.143 0.171 0.204 0.246 0.299 0.365 0.443 0.521 0.552 0.494 2.0
2.2 0.000 0.009 0.020 0.030 0.042 0.054 0.067 0.081 0.097 0.115 0.137 0.162 0.193 0.231 0.279 0.338 0.410 0.488 0.544 0.522 0.445 2.2
2.4 0.000 0.009 0.019 0.029 0.040 0.052 0.065 0.078 0.094 0.111 0.131 0.155 0.183 0.218 0.261 0.315 0.381 0.456 0.524 0.538 0.475 2.4
2.6 0.000 0.008 0.018 0.029 0.039 0.051 0.063 0.076 0.091 0.107 0.126 0.148 0.175 0.207 0.246 0.295 0.355 0.426 0.498 0.539 0.503 2.6
2.8 0.000 0.008 0.018 0.028 0.038 0.049 0.061 0.074 0.080 0.104 0.122 0.143 0.167 0.197 0.233 0.278 0.333 0.398 0.470 0.526 0.522 2.8
3.0 0.000 0.008 0.017 0.027 0.037 0.048 0.059 0.072 0.085 0.101 0.118 0.138 0.161 0.189 0.222 0.263 0.313 0.374 0.443 0.506 0.530 3.0
3.2 0.000 0.008 0.017 0.027 0.037 0.047 0.058 0.070 0.083 0.098 0.114 0.033 0.155 0.181 0.212 0.250 0.296 0.352 0.417 0.483 0.525 3.2
3.4 0.000 0.008 0.017 0.026 0.036 0.046 0.057 0.068 0.081 0.095 0.111 0.129 0.150 0.174 0.203 0.239 0.281 0.333 0.394 0.460 0.513 3.4
3.6 0.000 0.007 0.016 0.025 0.035 0.045 0.056 0.067 0.079 0.093 0.108 0.125 0.145 0.168 0.196 0.228 0.268 0.316 0.373 0.437 0.495 3.6
3.8 0.000 0.007 0.016 0.025 0.034 0.044 0.054 0.066 0.078 0.091 0.105 0.122 0.141 0.163 0.188 0.219 0.256 0.301 0.354 0.415 0.475 3.8
4.0 0.000 0.007 0.015 0.025 0.034 0.043 0.053 0.064 0.076 0.089 0.103 0.119 0.137 0.158 0.182 0.211 0.246 0.288 0.337 0.395 0.495 4.0
4.2 0.000 0.007 0.015 0.024 0.033 0.043 0.053 0.063 0.075 0.087 0.101 0.116 0.133 0.153 0.176 0.204 0.236 0.276 0.322 0.376 0.435 4.2
4.4 0.000 0.007 0.015 0.024 0.033 0.042 0.052 0.062 0.073 0.085 0.099 0.113 0.130 0.149 0.171 0.197 0.228 0.265 0.308 0.359 0.416 4.4
4.6 0.000 0.007 0.015 0.023 0.032 0.041 0.051 0.061 0.072 0.084 0.097 0.111 0.127 0.145 0.167 0.191 0.220 0.255 0.296 0.344 0.399 4.6
4.8 0.000 0.006 0.015 0.023 0.032 0.041 0.050 0.060 0.071 0.082 0.095 0.109 0.124 0.142 0.162 0.186 0.213 0.246 0.285 0.330 0.382 4.8
5.0 0.000 0.006 0.014 0.023 0.031 0.040 0.049 0.059 0.070 0.081 0.093 0.107 0.122 0.139 0.158 0.181 0.207 0.238 0.274 0.317 0.367 5.0
5.2 0.000 0.006 0.014 0.022 0.031 0.040 0.049 0.058 0.069 0.080 0.092 0.105 0.119 0.136 0.155 0.176 0.201 0.231 0.265 0.306 0.353 5.2
5.4 0.000 0.006 0.014 0.022 0.030 0.039 0.048 0.057 0.068 0.078 0.090 0.103 0.117 0.133 0.151 0.172 0.196 0.224 0.257 0.295 0.340 5.4
5.6 0.000 0.006 0.014 0.022 0.030 0.039 0.047 0.057 0.067 0.077 0.089 0.101 0.115 0.131 0.148 0.168 0.191 0.218 0.249 0.285 0.328 5.6
5.8 0.000 0.006 0.014 0.022 0.030 0.038 0.047 0.056 0.066 0.076 0.087 0.100 0.113 0.128 0.145 0.164 0.186 0.212 0.242 0.277 0.317 5.8
6.0 0.000 0.006 0.014 0.021 0.029 0.038 0.046 0.055 0.065 0.075 0.086 0.098 0.111 0.126 0.142 0.161 0.182 0.207 0.235 0.268 0.307 6.0
6.2 0.000 0.006 0.013 0.021 0.029 0.037 0.046 0.055 0.064 0.074 0.085 0.097 0.110 0.124 0.140 0.158 0.178 0.202 0.229 0.261 0.298 6.2
6.4 0.000 0.006 0.013 0.021 0.029 0.037 0.045 0.054 0.063 0.073 0.084 0.096 0.108 0.122 0.137 0.155 0.175 0.197 0.223 0.254 0.289 6.4
6.6 0.000 0.006 0.013 0.021 0.028 0.037 0.045 0.054 0.063 0.073 0.083 0.094 0.107 0.120 0.135 0.152 0.171 0.193 0.218 0.247 0.281 6.6
6.8 0.000 0.006 0.013 0.021 0.028 0.036 0.044 0.053 0.062 0.072 0.082 0.093 0.105 0.118 0.133 0.150 0.168 0.189 0.213 0.241 0.273 6.8
7.0 0.000 0.005 0.013 0.020 0.028 0.036 0.044 0.053 0.061 0.071 0.081 0.092 0.104 0.117 0.131 0.147 0.165 0.185 0.209 0.236 0.267 7.0
7.2 0.000 0.005 0.013 0.020 0.028 0.036 0.044 0.052 0.061 0.070 0.080 0.091 0.103 0.115 0.129 0.145 0.162 0.182 0.205 0.230 0.260 7.2
7.4 0.000 0.005 0.013 0.020 0.027 0.035 0.043 0.052 0.060 0.070 0.079 0.090 0.101 0.114 0.128 0.143 0.160 0.179 0.201 0.226 0.254 7.4
7.6 0.000 0.005 0.012 0.020 0.027 0.035 0.043 0.051 0.060 0.069 0.079 0.089 0.100 0.113 0.126 0.141 0.157 0.176 0.197 0.221 0.249 7.6
7.8 0.000 0.005 0.012 0.020 0.027 0.035 0.043 0.051 0.059 0.068 0.078 0.088 0.099 0.111 0.124 0.139 0.155 0.173 0.193 0.217 0.243 7.8
8.0 0.000 0.005 0.012 0.019 0.027 0.034 0.042 0.050 0.059 0.068 0.077 0.087 0.098 0.110 0.123 0.137 0.153 0.170 0.190 0.213 0.238 8.0
8.2 0.000 0.005 0.012 0.019 0.027 0.034 0.042 0.050 0.058 0.067 0.076 0.086 0.097 0.109 0.121 0.135 0.151 0.168 0.187 0.209 0.234 8.2
8.4 0.000 0.005 0.012 0.019 0.260 0.034 0.042 0.050 0.058 0.067 0.076 0.086 0.096 0.108 0.120 0.134 0.149 0.165 0.184 0.205 0.229 8.4
8.6 0.000 0.005 0.012 0.019 0.026 0.034 0.041 0.049 0.057 0.066 0.075 0.085 0.095 0.107 0.119 0.132 0.147 0.163 0.181 0.202 0.225 8.6
8.8 0.000 0.005 0.012 0.019 0.026 0.033 0.041 0.049 0.057 0.066 0.075 0.084 0.094 0.106 0.118 0.131 0.145 0.161 0.179 0.199 0.221 8.8
9.0 0.000 0.005 0.012 0.019 0.026 0.033 0.041 0.049 0.057 0.065 0.074 0.084 0.094 0.105 0.116 0.129 0.143 0.159 0.176 0.196 0.218 9.0
9.2 0.000 0.005 0.012 0.019 0.026 0.033 0.040 0.048 0.056 0.065 0.073 0.083 0.093 0.104 0.115 0.128 0.142 0.157 0.174 0.193 0.214 9.2
9.4 0.000 0.005 0.012 0.019 0.026 0.033 0.040 0.048 0.056 0.064 0.073 0.082 0.092 0.103 0.114 0.127 0.140 0.155 0.172 0.190 0.211 9.4
9.6 0.000 0.005 0.012 0.019 0.025 0.033 0.040 0.048 0.055 0.064 0.072 0.082 0.091 0.102 0.113 0.125 0.139 0.153 0.170 0.188 0.208 9.6
9.8 0.000 0.005 0.012 0.018 0.025 0.032 0.040 0.047 0.055 0.063 0.072 0.081 0.091 0.101 0.112 0.124 0.137 0.152 0.168 0.185 0.205 9.8
10.0 0.000 0.005 0.011 0.018 0.025 0.032 0.040 0.047 0.055 0.063 0.071 0.080 0.090 0.100 0.111 0.123 0.136 0.150 0.166 0.183 0.202 10.0
10.2 0.000 0.032 0.039 0.047 0.054 0.063 0.071 0.080 0.089 0.099 0.110 0.122 0.135 0.149 0.164 0.181 0.200 10.2
10.4 0.000 0.032 0.039 0.047 0.054 0.062 0.071 0.079 0.089 0.099 0.109 0.121 0.133 0.147 0.162 0.179 0.197 10.4
10.6 0.000 0.039 0.046 0.054 0.062 0.070 0.079 0.088 0.098 0.109 0.120 0.132 0.146 0.160 0.177 0.195 10.6
10.8 0.000 0.046 0.054 0.061 0.070 0.078 0.088 0.097 0.108 0.119 0.131 0.144 0.159 0.175 0.192 10.8
11.0 0.000 0.053 0.061 0.069 0.078 0.087 0.097 0.107 0.118 0.130 0.143 0.157 0.173 0.190 11.0
11.2 0.000 0.061 0.069 0.078 0.087 0.096 0.106 0.117 0.129 0.142 0.156 0.171 0.188 11.2
11.4 0.000 0.069 0.077 0.086 0.095 0.105 0.116 0.128 0.141 0.154 0.169 0.186 11.4
11.6 0.000 0.068 0.077 0.086 0.095 0.104 0.116 0.127 0.139 0.153 0.168 0.184 11.6
11.8 0.000 0.076 0.085 0.094 0.104 0.115 0.126 0.138 0.152 0.166 0.182 11.8
12.0 0.000 0.076 0.085 0.094 0.104 0.114 0.125 0.137 0.150 0.165 0.181 12.0
12.2 0.000 0.084 0.093 0.103 0.113 0.124 0.136 0.149 0.163 0.179 12.2
Sesgo 0.0 0.1 0.2 0.3 0.4 0.5 0.6 0.7 0.8 0.9 1.0 1.1 1.2 1.3 1.4 1.5 1.6 1.7 1.8 1.9 2.0
ndices de desemepeo
Procedimiento :
Obtener el ndice de capacidad potencial de proceso a corto
plazo (Cp) y el ndice de capacidad real de proceso aen el largo
plazo (Ppk).
Calcular el ndice de desempeo potencial de proceso (Zcp).
Zst = 3 Cp (P/especif. Bilaterales)
Zst = 3 Cpk (P/especif. Unilaterales)
Calcular el ndice de desempeo real de proceso (Zlp):
Zlt = 3 Ppk
3.0 3.0
Zshift Malo
Pobre control y Pobre
pobre capacidad control
Zshift
Control
Control
2.0 2.0
606
Capacidad de procesos
bajo Seis Sigma
Motorola not que muchas operaciones en productos
complejos tendan a desplazarse 1.5 sobre el
tiempo, por tanto un proceso de 6 a la larga
tendr 4.5 hacia uno de los lmites de
especificacin, generando 3.4 DPMOs (defectos por
milln de oportunidades)
607
Variacin a Corto Plazo
(periodo durante el cual no se
presenta ningn cambio en el
proceso)
Zst = Zlt + 1.5
608
Capacidad en el corto y largo plazo
LIE LSE
Capacidad a
Corto Plazo
3.5
Salida2.5
1.5
Mes E F M AM J J A S O ND E F MA MJ J A SO N D
Capacidad a
Variabilidad Variabilidad Variabilidad combinada
Total = entre subgrupos
+ dentro del subgrupo
Largo Plazo
(Natural)
609
Rendimiento de la capacidad real
Recibo de partes
del proveedor
Defectos 20 10 12 4
Unidades 70 20 6 4
614
Capacidad de proceso
para datos por atributos
En este caso la capacidad del proceso es la proporcin
media de producto no conforme
10 9 8 7
616
La eficiencia rolada
100 100 100 100 100
$1/Unit $1/Unit $1/Unit $1/Unit
10 10 10 10
Reproceso Reproceso Reproceso Reproceso
n
YRT = p Yi = 0.9 x 0.9 x 0.9 x 0.9 = 0.9 4= 66/100 = 0.66 = 66%
i=1
Aproximando de Binomial a Poisson :
10 10 10 10
Rework Rework Rework Rework
Considerando :
No existe scrap ni costos de inventarios
Precio de Ventas = $5.00/Unidad
Por lo tanto :
Como el nmero de unidades equivalentes iniciadas para producir una unida
buena = 1.33
Costo de producir una unidad buena = 1.33*$4 = $5.32
Utilidades = $5.00 - $5.32 = -$0.32/Unidad
COPQ = ($5.32-$4.00)/$5.00 = 26.4% de las ventas 618
Eficiencias y DPMOs PPMs
619
Eficiencias y DPMOs PPMs
620
Eficiencias y DPMOs PPMs
E S1 S2 S3 Sn-1 Sn
Y1=S1/E Y2=S2/S1 Y3=S3/S2 Yn=Sn/Sn-1
.....
Para datos
YRT = p Yi = Y1 x Y2 x Y3 x....x Yn
n
continuos :
i=1
Donde : Y1, Y2, Y3,...., Yn son first time Yield de los pasos 1, 2,
3,...,n
Para datos discretos (Aproximacin de Binomial a Poisson) :
Donde :
YRT = e -TDPU
e = 2.71828182845
m
YRT = e-(DPO) m = Nmero de oportunidades por
unidad 621
Eficiencias y DPMOs PPMs
Ynorm = (YRT)1/k
DPU = 1 - Y
623
Smbolos utilizados
D = Defectos O = Oportunidades para defecto
U = Unidades Yrt = Rendimiento (lo bueno)
Relaciones de defectos:
Total de oportunidades = TO = TOP = U x O
Defectos por unidad = DPU = D/U = - ln (Y)
Defectos por unidad normalizada = -ln (Y norm)
Defectos por oportunidad = DPU/O = D/ (U xO)
Defectos por milln de oportunidades = DPMO =
DPO x 1 milln
624
Relaciones con el rendimiento Y
La probabilidad de encontrar X defectos con la
distribucin de Poisson es:
625
Frmulas de desempeo
626
Rolled Troughput Yield (Yrt)
Yrt es el clculo acumulativo del ndice de defectos a
lo largo de procesos mltiples
627
Tablero de control
de variable discreta
Se utiliza cuando se va a evaluar el desempeo de un
CTQ, pero hay desempeos parciales en el tiempo.
628
Tablero de control
de variable discreta
Evale el desempeo en DPMO del largo plazo,
considerando lo siguiente
630
Tablero de control
de variable continua
Se utiliza cuando se va a evaluar el desempeo de un
CTQ, pero hay desempeos parciales en el tiempo.
Determine la variable y los Lmites de Especificacin
632
Tablero de control
de variable discreta
Donde : PPM = PPM Totales
PPM = S ni PPMi
k
633
Tablero de control
de variable discreta
Con los DPMOlt evale la Zlt
Identifique la Z de corto plazo ms pequea y sta
ser la Zst
Calcule la Zshift considerando que :
634
Tablero de control
de variable mltiple
Se utiliza cuando se va a evaluar el desempeo de un
Producto, Proceso Sistema a partir del desempeo
de varios CTSs, CTQs CTPs
Defina el Producto, Proceso Sistema a evaluar
635
Tablero de control
de variable mltiple
Calcule la eficiencia (Yftlt) de cada CTS, CTQ CTP
considerando que:
Donde :
yftlti = 1 DPMOlti yftlti = Eficiencia de la caracterstica crtica i
106 DPMOlt = Defectos por Milln de Op. de la caract. i
i
636
Tablero de control
de variable mltiple
Calcule la eficiencia (yftst) de cada CTS, CTQ CTP considerando que :
yftsti = 1 DPMOsti
106
Calcule las eficiencias roladas (YRT) de Corto (st) y largo plazo (lt) del
Producto, Proceso Sistema mediante :
k Donde :
YRTlt = P yftlti
i=1
YRTlt = Eficiencia rolada total del sistema
k
YRTst = Eficiencia rolada potencial del sistema
YRTst = P yftsti yftlti = Eficiencia de la caracterstica crtica i
i=1
yftsti = Eficiencia potencial de la caracterstica crtica
k = Nmero total de caractersticas 637
Tablero de control
de variable mltiple
Calcule la Eficiencia Normalizada (ynorm) de corto (st) y largo plazo (lt) :
Ynormst = (YRTst)1/k Ynormlt = (YRTlt)1/k
En caso de que cada Caracterstica Crtica tenga un diferente nivel de
importancia, entonces la Eficiencia Normalizada se puede obtener
ponderando las eficiencias de cada Caracterstica usando la siguiente
frmula : (1/SIi)
Ynorm = (d1I1) x (d2I2) x x (dnIn)
639