Seis Sigma BB Medicion

Programa de certificacin
de Black Belts ASQ
VI. Seis Sigma - Medicin

P. Reyes / Noviembre 2007
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
A. Caractersticas del proceso

B. Coleccin de datos
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
2. Mtricas de flujo de proceso
3. Herramientas de anlisis de proceso
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
Flujo de manufactura continua (CFM) proceso donde

hay un flujo de una pieza, sin WIP de acuerdo a la
demanda del cliente
Tiempo de ciclo tiempo para completar un ciclo de

una operacin
12
Mtricas de flujo
Trminos Lean
Vueltas de inventario nmero de veces que se
consume el inventario en un periodo de tiempo
JIT sistema para producir los artculos correctos en el

momento y en la cantidad requerida
Nivelacin de carga balanceo de las cargas de

trabajo en todos los pasos del proceso
13
Mtricas de flujo
Trminos Lean
Muda cualquier actividad que consuma recursos pero
no cree valor al cliente
Sin valor agregado cualquier actividad que no

agregue valor al producto o al servicio
Perfeccin eliminacin completa de muda
Punto de uso del inventario inventario surtido

directamente donde ser consumido
14
Mtricas de flujo
Trminos Lean
Poka Yoke dispositivo o procedimiento a prueba de
error para prevenir o detectar un error
Diagrama de flujo del proceso Diagrama del flujo o la

secuencia de eventos en un proceso
Jalar (Pull) sistema en que el proveedor anterior no

produce nada hasta que el siguiente cliente indica la
necesidad
15
Mtricas de flujo
Trminos Lean
Tiempo en cola el tiempo de espera de un producto
antes de su siguiente proceso
SMED (Single Minute Exchange of Die) tcnicas para

cambios rpidos en las mquinas de produccin. SU
objetivo es cero tiempo de ajuste y preparacin
Flujo de una sola pieza una situacin donde un

producto pasa por las diferentes operaciones sin
interrupciones o desperdicios
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
Principio de lotes pequeos reduccin efectiva de

tamao de lote hasta que se llega al flujo de una sola
pieza
Trabajo estandarizado descripcin de cada actividad

de trabajo, indicando tiempo de ciclo, takt time,
secuencia de trabajos, e inventario mnimo 17
Mtricas de flujo
Trminos Lean
Takt Time tiempo disponible de produccin dividido
por la tasa de demanda del cliente
Cadena de valor actividades especficas requeridas

para proporcionar un producto desde su pedido hasta
su entrega
Control visual colocacin a la vista de todas las

herramientas, partes, actividades de produccin, e
indicadores del desempeo del sistema de produccin
18
Mtricas de flujo
Trminos Lean
Muda toda la sobreproduccin, esperas, transportes
innecesarios, inventarios excesivos, movimientos
innecesarios, y partes defectivas de produccin
Celda de trabajo o manufactura acomodo de

diferentes mquinas o procesos de negocio, realizadno
diferentes operaciones en una secuencia estricta, con
forma tpica en U o L
Centro de trabajo estacin de trabajo en una celda

de manufactura
19
Pensamiento Lean
Womack sugiere convertir la planta de produccin masiva a una
organziacin esbelta, con los siguientes principios gua:
Especificar valor por producto
Identificar la cadena de valor para cada producto
Hacer el flujo de valor
Permitir que el cliente jale valor del proveedor
Perseguir la perfeccin
20
Valor
El valor es definido por el cliente
En EUA los gerentes no tienen contacto con clientes
En Alemania se hace nfasis en el producto y proceso
En Japn se enfocan a crear valor desde la

manufactura
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
El costo objetivo es una mezcla de de los precios de

venta de la competencia y de la eliminacin de muda
por mtodos Lean
22
Cadena de Valor
Se pueden maximizar los beneficios de reducir Muda
al concentrarse en las actividades que ligan los
procesos, deben considerarse:
La solucin de problemas (nuevos productos)

La gestin de informacin (pedidos a entregas)
La transformacin fsica (materias primas a productos)
En Lean se analiza un solo producto, para reduccin

de Muda, tiempo de ciclo y mejora de calidad
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:
Agrega valor de acuerdo a la percepcin del cliente

No agrega valor, pero es encesaria por el proceso
No agrega valor y puede eliminarse
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
Con el TPM se esperan cero fallas en mquinas
El nivel de calidad es muy alto con Poka Yokes
La programacin de la produccin es suave, de flujo

continuo, sin movimientos innecesarios ni WIP
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
En una planta de produccin masiva, cada operacin

trata de tener la mxima eficiencia creando
inventarios
27
Perfeccin
Se logra con:
Equipos que trabajan con el cliente para especificar
valor, mejorar el flujo y lograr Jalar
Colaboracin entre socios de la cadena de valor para

descubrir un mayor valor
Usar tecnologa para eliminar Muda
Desarrollar nuevos productos
28
Takt time
Es el tiempo neto disponible de produccin dividido
entre la tasa de demanda del cliente en un cierto
periodo
Se sugiere revisar la distribucin de la celda para:

Mejorar los tiempos de ciclo
Reducir los defectos
Reducir los tiempos de cambio
Atender problemas de confiabilidad de los equipos
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)
Tasa de thoughput = 1 / Tiempo de ciclo
La ley de Little estable que:
Inventario WIP = Throughput * Tiempo de flujo

Tiempo de flujo = WIP * Tiempo de ciclo
30
Mtricas de Lean
Tiempo total de espera (Lead) = No. Artculos en proceso /
Tasa promedio de terminacin
Eficiencia del ciclo de proceso = Tiempo de valor agregado /

Tiempo total de espera
Si hay 30,000 unidades planeadas, y se pueden producir

3,000 por da, Cul es el tiempo de espera total?
TLT = 30,000 / 3,000 = 10 das
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?
Tasa de terminacin = WIP / TLT = 21 / 3 = 7 cotiz./da
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.
Se analizan los tpicos siguientes:
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.
Es el paso inicial para la mejora de procesos, ya que

facilita la generacin de ideas.
36
Diagrama de flujo
Organizar un equipo para examinar el proceso
Construir un mapa de proceso para representar los

pasos del proceso
Discutir y analizar cada paso en detalle
Preguntarse Por qu lo hacemos de esta manera?

Comparar el proceso actual a un proceso imaginario
perfecto
37
Diagrama de flujo
Hay complejidad innecesaria?
Existe duplicacin o redundancia?
Hay puntos de control para evitar errores y

rechazos?
Se realiza el proceso de acuerdo a como est
planeado?
Puede realizarse el proceso de manera diferente?

las ideas de mejora pueden venir de procesos muy
diferentes?
38
Diagrama de flujo
Smbolos de Diagramas de flujo
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
Pasos para elaborarlo (Smbolos ANSI Y15.3)

Organizar un equipo para examinarlo
Construir un diagrama de flujo representando cada paso
Discutir y analizar detalladamente cada paso
Preguntarse Porqu lo hacemos de esta forma?
Comparar esta forma con la del proceso perfecto
Existe demasiada complejidad, duplicidad o redundancia
Se opera el proceso como est planeado y puede mejorarse?
42
Smbolos de diagrama de flujo
Proceso Desicin Documento Datos
Proceso Preparacin Operacin Entrada

Predefinido Manuales
Conector Con. pgina Display Almacen Terminador 43

Smbolos para Diagramas de Flujo
Iniciar/Detener Transmisin
Operaciones Almacenar
(Valor agregado)
Decisin Entrada/Salida
Inspeccin /Medicin
Retraso
Transportacin Lneas de Flujo

44
Diagrama de flujo del Proceso:
Es el diagrama de flujo de un proceso
que muestra cmo se realiza un trabajo.
Inicio Paso 1
Paso 2A Paso 2B Paso 2C
Paso 3
Retrabajo No Bueno? S Fin
45
Diagrama de flujo / Anlisis del valor
Actividades con valor agregado
Actividades sin valor agregado
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
Creados para un propsito

diferente.
Con frecuencia no reflejan
los puntos de inicio y Fin
adecuados.
No son cmo es.
Quieren ser
No sealan el desperdicio.
48
Aprovecha al Equipo
Haz recorridos, entrevistas y

revisiones de los diagramas
de flujo y los estndares
existentes.
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.
evita que el equipo salga de los

lmites del proyecto.
50
El Inicio y el Fin Se Deben Poder
Medir
Selecciona los puntos de

Inicio y Fin donde se
llevan a cabo acciones
que se pueden 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.
Hojas para Rotafolio y

Notas Autoadheribles.
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!
En este momento, el mapa

de proceso cmo es debe
ser de alto nivel, pero debe
incluir todos los pasos
primarios necesarios para
obtener la mejora deseada
(es decir, los pasos con valor
agregado relativos a los CTQ,
CTC, CTD).
Idealmente, muestra de cinco
a diez pasos.
Agrega ms detalles
posteriormente. 57
Paso 1: Puntos de Inicio y Fin
Declaracin del Problema:
El cliente espera los dibujos
Revisen la declaracin del modificados demasiado
problema. tiempo.
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.
Calcular el impacto del cambio.
Determinar cules dibujos necesitan cambiarse.
Cambiar los dibujos apropiados.
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?
Por ahora dejen todas No S
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
suficiente para incluir

los pasos importantes. Cambiar Dibujo
Dibujo OK?
Sin demasiado detalle No S
para que se entienda

rpidamente. Crear Cliente recibe
Enviar a
paquete de Cliente archivos CAD
archivos
69
Cundo Recolectar Datos
Durante la elaboracin del mapa de proceso.
Identifica los puntos para la recoleccin de datos,

pero
no recopiles los datos!
Despus de haber creado el Mapa Cmo Es

planea la recoleccin de datos sobre los pocas
salidas vitales.
Generalmente, cuando se recolectan datos durante la
elaboracin del mapa, se toman datos sobre puntos
equivocados.
La recoleccin de datos se debe planear y enfocar sobre los
factores de alta prioridad que son crticos para el cliente!
(consulta el mdulo Planeacin de la Recoleccin de Datos)

70
Mapa del Proceso Cmo Es
Solicitud Reunin
de cambio con Ventas
del Cliente
No
Crear Calcular Impacto Es la condicin base

Bsquejo Impacto OK? del proceso.
Si
Es el inicio de tu viaje
hacia la mejora.
Cambiar Dibujo
Dibujo OK? Es la oportunidad para
S
No
la estrategia de
impacto de Six Sigma.
Crear
Enviar al Cliente recibe
paquete de
Cliente archivos CAD
archivos
71
El Mapa de Proceso Cmo Debe Ser
Una vez que se identifiquen las soluciones durante la
fase de MEJORA
Crea el nuevo mapa de proceso.
El nuevo mapa muestra el flujo de trabajo mejorado que

ahora tiene
- menos pasos
- menos actividades sin valor agregado
Este nuevo mapa muestra el proceso cmo debe

ser que ser una vez que se implementen
todas las soluciones.
72
73
La cadena de valor
Son todas las actividades que la empresa debe
realizar para disear, ordenar, producir, y entregar los
productos o servicios a los clientes.
La cadena de valor tiene tres partes principales:

El flujo de materiales, desde la recepcin de
proveedores hasta la entrega a los clientes.
La transformacin de materia prima a producto

terminado.
El flujo de informacin que soporta y dirige tanto

al flujo de materiales como a la transformacin de
la materia prima en producto terminado. 74
La cadena de valor
Beneficios del Mapeo de la cadena de valor
Ayuda a visualizar el flujo de produccin; las fuentes
del desperdicio o Muda
Suministra un lenguaje comn sobre los procesos de
manufactura y Vincula los conceptos ytcnicas Lean
Forma la base del plan de ejecucin, permitiendo
optimizar el diseo del flujo de puerta a puerta
Muestra el enlace entre el flujo de informacin y el
flujo de material
Permite enfocarse en el flujo con una visin de un
estado ideal o al menos mejorado
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.
Inicie con una caminata rpida a travs de la cadena

de valor completa puerta a puerta, para obtener un
sentido del flujo y secuencia de procesos. Despus
regrese y colecte informacin en cada proceso.
Inicie desde el final de embarque y de ah para atrs.

As se iniciar el mapeo con los procesos que estn
ms ligados directamente al cliente, el cual debe
establecer los pasos para otros procesos.
83
Utilice el cronmetro y no dependa de tiempos
estndar o informacin que no obtenga
personalmente.
Trazar uno mismo la cadena de valor completa.

Entendiendo que el flujo completo lo encierra el
mapeo de la cadena de valor.
Siempre trace a mano y a lpiz. Ir al piso de

produccin al realizar el anlisis de estado actual, y
afinarlo ms tarde. Se debe resistir la tentacin de
usar la computadora.
84
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)
Tiempo disponible de mquina (De acuerdo a la

demanda)
Tamao de lote de produccin (EPE every part
every..)
Nmero de operadores
86
Informacin para
la cadena de valor
Nmero de productos diferentes
Contenido de la unidad de empaque o contenedor
Tiempo de trabajo (sin los descansos obligatorios)

Tasa de desperdicio
Capacidad del proceso (tiempo disponible/ tiempo de

ciclo * porcentaje de disponibilidad del equipo), sin
tiempos de cambio de tipo.
Takt time (tiempo disponible para cubrir la demanda

de productos). 87
Ejemplo de aplicacin:
Empresa Guden
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
La documentacin del proceso en un procedimiento

facilita la consistencia en el proceso.
Los procedimientos crticos deben tener su diagrama

de flujo correspondiente
98
Instrucciones de trabajo
Las instrucciones de trabajo proporcionan los pasos
detallados de la secuencia de actividades
Los diagramas de flujo pueden usarse con las

instrucciones de trabajo para mostrar las relaciones
de los pasos del proceso.
Las copias controladas de estas instrucciones se

guardan en el rea de trabajo
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:
El tiempo de ocupacin es 0.30+0.20+0.25+0.10-0.06-0.04 =

0.75, es decir de cada turno de 8 horas tiene 2 horas disp.
101
V.C Capacidad de los
sistemas de medicin
102
Contenido
V.C.1 Mtodos de medicin
V.C.2 Anlisis de sistemas de medicin
V.C.3 Sistemas de medicin en la empresa
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
Superficies de Medicin / Referencia

Es la superficie de referencia para realizar las
mediciones.
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.
Gages o escantillones por variables

Proporcionan una dimensin fsica. Por ejemplo reglas
lineales, calibradores verniers, micrmetros,
indicadores de profundidad, indicadores de
excentricidad, etc. Indican si el producto es bueno o
malo respecto a las especificaciones para capacidad.
106
Mtodos de medicin
Seleccin por atributos
Son pruebas de seleccin realizadas en una muestra

con dos resultados posibles, aceptable o no aceptable.
Como se realiza a toda la poblacin o a una proporcin

grande de la misma, debe ser de naturaleza no
destructiva.
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.
Alta especificidad al atributo que est siendo medido.

Esto equivale a una baja tasa de positivos falsos.
Los beneficios del programa sobrepasan los costos
Los atributos medidas identifican problemas

importantes (series y comunes)
Los resultados guan a acciones tiles
108
Mtodos de medicin
Gages (gauges) bloques patrn:
Carl Johansson desarroll bloques de acero como
estndares de medicin con exactitud de unas pocas
millonsimas de pulgada
Los bloques patrn o Jo se hacen de acero con

aleacin al alto carbn y cromo, carburo de tungsteno,
carburo de cromo o cuarzo fundido
Se usan para establecer una dimensin de longitud de

referencia para una medicin de transferencia, y para
calibracin de varios instrumentos de medicin
109
Mtodos de medicin
110
Mtodos de medicin
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:
Bloques de diezmilsimas (9): 0.1001, 1002,..,0.1009
Bloques de una milsima (49): 0.101, 0.1020.149
Bloques de 50 milsimas (19): 0.050, 0.1000.950
Bloques de una pulgada (4): 1.000, 2.000,, 4.000
112
Mtodos de medicin
Calibradores:
Los calibradores se utilizan para medir dimensiones de

longitud, internas, externas, de altura, o profundidad.
Son de los siguientes tipos: Calibradores de resorte,

calibradores de reloj, verniers y calibradores,
calibradores digitales
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.
La imagen puede medirse al comparar con una plantilla

maestra o medir la silueta en la pantalla o tomando las
lecturas. Para pasar la inspeccin, la silueta de la
sombra debe encontrarse entre los lmites de tolerancia
predeterminados.
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
Pueden hacer mediciones de interiores, exteriores,

porfundidad, cuerdas, etc. Las dos escalas utilizadas
son la del cuerpo y la del tambor, a continuacin se
muestra un ejemplo:
118
Mtodos de medicin
Micrmetros
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
(Torque = fuerza x Distancia)
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
Placas de medicin (mrmol)

Son planos de referencia para mediciones
dimensionales. Usualmente son utilizados con
accesorios planos, angulares, paralelos, bloques en V y
bloques cilndricos apilados
126
Mtodos de medicin
Indicadores de reloj
Son instrumentos mecnicos para medir variaciones de
distancia. Muchos indicadores de reloj amplifican la
lectura de un punto de contacto por medio de un
mecanismo interno de engranes. Tienen resoluciones
de 0.00002 a 0.001 con un rango amplio de
mediciones.
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.
Mquina de Medicin por Coordenadas (CMM)

Las partes a medir se colocan en la placa de mrmol y
un sensor se manipula para tener varios puntos de
contacto usando el sistema de mediciones controlado
por computadora tomados en tres ejes perpendiculares
entre s.
131
Mtodos de medicin
Pruebas no destructivas (NDT) y evaluaciones no destructivas
(NDE)
Son tcnicas para evaluar las propiedades de los materiales
sin afectar la utilidad futura de los artculos probados.

Incluyen el uso de automatizacin, prueba al 100% del
producto y la garanta de adecuacin interna. Algunos
resultados requieren considerable habilidad para su
interpretacin.
Inspeccin visual
La inspeccin visual de color, textura y apariencia
proporciona informacin valiosa. EL ojo humano es apoyado

por lentes de aumento u otros instrumentos. Esta inspeccin
tambin se denomina inspeccin de exploracin (scanning)
132
Mtodos de medicin
Pruebas ultrasnicas
Las ondas ultrasnicas se generan en un transductor y
se transmiten a travs de un material que puede tener
defectos. Parte de las ondas chocan en el defecto y se
reflejan como ecos a la unidad receptora, que las
convierte en picos en la pantalla. Para pruebas no
destructivas se utiliza un rango de frecuencias de 200 a
250,000 Khz.
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.
Se magnetiza la parte y despus se aplican partculas

de acero en la superficie de la parte bajo prueba. Las
partculas se alinean con el campo magntico y se
concentran en lugares donde las lneas entran o salen
de la parte.
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
Se usa corriente alterna para descubrir la presencia de

defectos superficiales, mientras que con corriente
directa proporciona mayor sensibilidad para la
localizacin de defectos internos. Se cuenta con
mtodos secos y hmedos
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.
Pruebas con corrientes parsitas de Eddy

Las corrientes parsitas son inducidas en un objeto
bajo prueba al pasar una corriente alterna en una
bobina colocada cerca de la superficie del objeto bajo
prueba.
136
Mtodos de medicin
Pruebas con corrientes parsitas de Eddy
Un campo electromagntico es producido en el objeto
bajo prueba que puede ser comparado con un
estndar.
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.
Para un anlisis adecuado, se deben establecer

estndares de referencia para evaluar los resultados.
Una radiografa puede mostrar poros, inclusiones, y
fracturas si se encuentran en el plano adecuado y son
suficientemente grandes.
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.
Otras tcnicas relacionadas

Aplicaciones recientes incluyen fluoroscopia, radiografa
gama, rayos X televisados, pruebas con microondas e
inspeccin hologrfica
139
V.C.2 Anlisis de Sistemas
de Medicin
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
Apoya a la organizacin en la evaluacin cuantitativa

de las variables del proceso (longitudes, dimensiones,
pesos, presiones, etc.)
Factores considerados para determinar el periodo de

calibracin de los equipos de medicin
Intensidad de uso del equipo
Posibles desgastes por el uso o degradacin
Errores identificados durante las calibraciones peridicas
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
Un sistema o dispositivo de medicin puede usarse para

comparar valores contra un estndar conocido, a su vez
puede compararse a la media y desviacin estndar de
otros dispositivos similares
Todas las mediciones reportadas de artefactos iguales o

similares, son referidos como prueba de proficiencia o
prueba de Round Robin.
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
El manual MSE de la AIAG clasifica los errores del sistema

de medicin en cinco categoras:
Sesgo o exactitud
Repetibilidad
Reproducibilidad
Estabilidad
Linealidad

145
Porcentaje de acuerdo
El porcentaje de acuerdo ya sea entre el sistema de
medicin y los valores de referencia o el valor verdadero
de la variable medida
Puede estimarse con el coeficiente de correlacin, r, con

valores r=1 100% de acuerdo y r= 0 sin acuerdo.
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
Donde 6 sigma es la variabilidad de las mediciones. Los

supuestos son:
Las mediciones son independientes
Los errores de medicin se distribuyen normalmente
Los errores de medicin son independientes de la

magnitud de las mediciones
147
Precisin a Variacin Total P/TV
Es la razn (P/TV) entre el error estimado de la medicin

(precisin) y la variacin total de la caracterstica medida.
6 e Variacion Medicion
Re l P / TV
Variacion Total Variacion Pr oducto Variacion Medicion
Se debe minimizar P/TV para reducir el efecto de la

variacin de las mediciones en la evaluacin de la
variacin del proceso
Conforme P/T y P/TV se incrementan, la habilidad de

discriminar un cambio en el proceso disminuye, en todo
caso utilizar un sistema de medicin con variacin ms
pequea
148
Definiciones
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
mproducto eSistema de medicin m total

151
Errores en la medicin
Todo proceso tiene variabilidad y los procesos de
medicin no son la excepcin;
Los valores observados son el resultado del

comportamiento verdadero ms el ruido de la
medicin, por lo que es necesario evaluar el sistema
de medicin de la variable de respuesta para
determinar si este es aceptable para la necesidad.
152
Promedios Determinada por un

estudio de calibracin
mObservada = mproceso + mmedicin
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)
Variacin del proceso, real Variacin de la medicin
Variacin Variacin originada

dentro de la Reproducibilidad
muestra por el calibrador
Repetibilidad Estabilidad Linealidad Sesgo
Calibracin
La Repetibilidad y reproducibilidad (R&R), son los errores ms relevantes en la medicin.

154
Sensibilidad
El gage debe ser suficientemente sensible para

detectar diferencias en las mediciones en al menos un
dcimo de la tolerancia especificada o de la dispersin
del proceso
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).
si Exactitud > 10% :

Ajustar el equipo de medicin
Utilizar factores de correccin
% Exactitud =| Exactitud |* 100

Tolerancia
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
Preciso pero Exacto pero Exacto y

No exacto no preciso preciso
159
Definicin de la Estabilidad
Estabilidad (o desviacin) es la variacin

Patrn
total de las mediciones obtenidas con un
sistema de medicin, hechas sobre el mismo
patrn o sobre las mismas partes, cuando se
mide una sola de sus caractersticas, durante
Tiempo 2
un perodo de tiempo prolongado.
Tiempo 1
Estabilidad= x1-x2=Exactitud1 - Exactitud2
% Estabilidad = | Estabilidad |* 100

Tolerancia
5% > Recomendacin si Estabilidad > 10%
Modificar frecuencias de calibracin (Programa)
< 5% espaciar periodos de uso entre calibracin
>10% acortar periodos entre calibraciones 160
Definicin de la Linealidad
Graficar el sesgo versus los valores de exactitud de la parte
en todo el rango de operacin del instrumento. El porcentaje de
Linealidad es igual a la pendiente, b, de la lnea de regresin
Multiplicada por la variacin del proceso.
L = b Vp
El sesgo en cualquier punto se puede estimar de la pendiente y
La interseccin con eleje Y (Yo) de la mejor lnea de ajuste
B = Yo + b X
Valor Valor
Linealidad es la diferenciaverdadero verdadero
en los valores real y Sesgo Sesgo
observado, mayor menos Menor mayor
menor a travs del rango de
operacin esperado del (rango inferior) (rango superior)
equipo.
Rango de Operacin del equipo
| Linealidad | * Recomendacin si Linealidad > 10% :
% Linealidad = Tolerancia 100
Restringir su uso
Aplicar factores de correccin
161
Estabilidad del Calibrador
Cmo Calcularla
Para calibradores que normalmente se utilizan sin ajuste, durante periodos

de tiempo relativamente largos.
Realizar un segundo estudio R&R del Calibrador justo antes de que

venza el tiempo de re calibracin.
La estabilidad del calibrador es la diferencia entre los promedios

sobresalientes de las mediciones resultantes de los dos estudios.
Causas posibles de poca estabilidad

El calibrador no se ajusta tan frecuentemente como se requiere
Si es un calibrador de aire, puede necesitar un filtro o un regulador
Si es un calibrador electrnico, puede necesitar calentamiento previo.

162
Estudios de incertidumbre
Para evaluar la desviacin estndar poblacional del sistema de
medicin de los pocos vitales, haremos un ajuste a la desviacin
estndar muestral con la t-student, por lo que se requiere :
No out-liers : De tener presentes, proceder a investigarlos y

eliminarlos o sustituirlos.
Normalidad de los datos : de no haber normalidad se puede

aplicar el teorema de lmite central utilizando da desviacin
estndar de las medias grupos de tamao m
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
Mtodo Corto Rangos (Mediciones cruzadas)

Mtodo Largo Medias y Rangos (Clculos manuales)
Mtodo ANOVA (Exacto, pero recomendable software)
Para pruebas destructivas
ANOVA modificado (Diseos anidados)
Mtodos para mediciones de atributos o datos discretos.
Indice Kappa (Pruebas binarias)
ndice Kendall (Multiples caracteristicas)
165
Estudios de R&R
Todos ellos generalmente consideran un nivel de
confianza del 99.02%, esto es :
GR&R = 5.15 sigma de la medicin
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
Mtodo Anlisis de NO Mtodo Medias NO %GR&R SI

Varianzas (ANOVA) y Rangos (Largo) aceptable
Reproducibilidad NO Estandarizar mtodos,

aceptable operaciones, equipos y/o
% GR&R NO procedimientos utilizados.
aceptable SI
Repetibilidad NO Estudios de Incertidumbre

SI
aceptable y/o caracterizacin.
167
Error R&R = RPT2 + REPR2
Precisin en relacin a la variacin

Para la fase de control del
total proyecto, slo substituya la
Tolerancia por Variacin Total
%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
LSL OBJETIVO USL

Mientras ms mayor sea el % del R&R, mayor ser el rea de
incertidumbre para conocer la dimensin verdadera de las partes.
ERROR TIPO 1: Pueden estarse aceptando partes que estn fuera
de especificaciones
ERROR TIPO 2: Pueden estarse rechazando partes que estn
dentro de especificaciones
169
Estudios de
Repetibilidad y Reproducibilidad
Carta de Tendencias
Mtodo del Rango (corto)
Mtodo de Medias Rangos
Mtodo de ANOVA
170
I. Mtodo de Medias - Rango
Permite separar en el sistema de medicin lo

referente a la reproducibilidad y a la Repetibilidad.
Los clculos son ms fciles de realizar.
171
I. Mtodo de Medias - Rango
Un modelo matemtico de este mtodo con r

rplicas, con K evaluadores en n partes, el rango
medio encontrado es:
k Rij
R i 1
n
j 1 nk
172
Mtodo de ANOVA
II. Mtodo ANOVA
Permite separar en el sistema de medicin lo
referente a la reproducibilidad y a la Repetibilidad.

Tambin proporciona informacin acerca de las
interacciones de un operador y otro en cuanto a la
parte.
Calcula las varianzas en forma ms precisa.
Los clculos numricos requieren de una

computadora.
El Mtodo ANOVA es Ms Preciso

173
Mtodo de ANOVA
II. Mtodo ANOVA
El valor observado usando el mtodo ANOVA es:
Valor observado = Promedio + sesgo + Efecto de la

parte + Efecto del evaluador + Error de rplica o
Valor observado = Valor de referencia + Desviacin
Yijm xi e ijm
174
Mtodo de ANOVA
II. Mtodo ANOVA
Con Yijm como la m-sima medicin tomada por el

evaluador J en la parte j-sima. Si las Xi son
independientes y normalmente distribuidas con media
m y varianza 2, la varianza total est dada por:
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
La repetibilidad es la varianza del error contribuye

con 50.85% del total de variacin de los datos.
176
Mtodo de ANOVA
Ejemplo de Corrida:
La reproducibilidad es la variacin entre tcnicos que

contribuye con el 2.34% de la variacin
La variacin del proceso contribuye con un 46.81%

de la variacin total de los datos
Se usa la prueba F para determinar las diferencias

significativas
177
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.
Esta carta muestra las diferencias entre los diferentes

operadores y las partes.
Un proceso estable mostrar una dispersin aleatoria

horizontal; el efecto de un operador o parte mostrar
un patrn definido no aleatorio.
179
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
Interpretando los resultados

Para cada parte, se puede comparar la variacin entre
mediciones hechas los operadores y sus diferencias
Se puede comparar la media de referencia con las mediciones
especficas.
La mayor parte de la variacin se debe a diferencias entre las

partes, algunos patrones menores aparecen tambin.
Por ejemplo el operador 2 en su segunda medicin es
consistentemente (7/10) ms pequea que la primera, y sus
mediciones son consistentemente (8/10) ms pequeas que las
del operador 1.
181
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:
Diagnostico para identificar los sistemas de medicin con

mayor variabilidad.
Monitoreo/control peridico de sistemas de medicin

aceptables para asegurar que se mantiene su confiabilidad
Cuando solo participa una persona (Operador, auditor,

inspector, analista) en el sistema de medicin, entonces se
busca otra fuente de informacin o auditoria a la medicin para
realizar una medicin cruzada.
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.
Se calcula el rango de la medicin de cada parte y al final

el rango promedio.
La desviacin estndar de R&R se aproxima con la formula

de rango medio entre d2*
El % de R&R se calcula comparando la desv. Estndar de
R&R con la del proceso
184
Mtodo del rango
Partes Evaluador A Evaluador B Rango A,B
1 0.85 0.80 0.05
2 0.75 0.70 0.05
3 1.00 0.95 0.05
4 0.45 0.55 0.10
5 0.50 0.60 0.10
Rango medio = 0.35/5 = 0.07
GRR = Rmedio / d2* = 0.07 / 1.19 = 0.0588 Error mximo 10%

Desv. Estndar del proceso = 0.0722
%GRR = 100 (GRR / Desv. Est. Proceso ) = 81.4%
Por tanto el sistema de medicin requiere mejora
185
Mtodo del rango
Contra tolerancia:
Determine la Tolerancia total de variacin permitida para la
variable :
Para Especificaciones bi-laterales :

Tolerancia = LSE - LIE
Para Especificaciones uni-laterales :

Tolerancia = 2* |y LIE| Tolerancia = 2* |LSE y|
Donde : LSE = Lmite Superior de Especificacin
LIE = Lmite Inferior de Especificacin
y= Media histrica de la variable bajo estudio valor
promedio objetivo
186
Mtodo del rango
Calcular los rangos de cada par de lecturas por parte/muestra.
Calcular el rango promedio de dichos rangos.
Calcular el GR&R mediante: GR&R = (5.15) x (rango promedio)
Clculo del %GR&R: %GR&R = GR&R*100/Tolerancia
Determinar si el sistema de medicin es confiable para la

necesidad:
%R&R <10% es aceptable
%R&R >30% es inaceptable
10%<%R&R<30% dependiendo la variacin de proceso

187
Mtodo del rango
Pieza Inspector 1 Inspector 2 Rango
Formato 5.1
1
2
3
4
5
Rango promedio ( R ) =
GR&R = 5.15*R/d2* = 5.15 * ( )/( )=

GR&R*100 ( )*100
%GR&R = = =
Tolerancia ( )
188
4. Estudios R&R (cruzado)

Mtodo largo
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
Para obtener una buena estimacin de la capacidad del error de

medicin utilizamos: y vs Tolerancia
6 medicin 6(0.887) 5.32 P 6 medicin

T USL LSL
192
Determinacin slo
de la repetibilidad
En este ejemplo USL = 60, LSL = 5
=
P 5.32
0.097
T 55
Los valores P/T de 0.1 o menores generalmente implican una

capacidad de error de medicin adecuada.
La varianza total observada es: 2 Total S 2 (3.07) 2 9.4249
Y la sigma del proceso es:

2 proceso = 2 total 2 medicin =9.4249 - .79 = 8.63
Por lo tanto la desviacin estndar del proceso = 2.93
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
Al ser el error de medicin mayor al 10%, concluimos que no

tenemos un sistema de medicin confiable, por lo cual tenemos
que realizar las acciones correctivas correspondientes.
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.
Se proporcionan dos mtodos para evaluar la repetibilidad

y la reproducibilidad: Mtodo de cartas X-R y Mtodo de
ANOVA.
El Mtodo X-R divide la variacin total dentro de tres

categoras: parte a parte, repetibilidad y reproducibilidad.
El mtodo ANOVA presenta un componente adicional, la
interaccin operador parte. 195
Mtodo de medias rangos
196
Estudio de R&R Medias Rangos
Generalmente intervienen de dos a tres operadores

Generalmente se toman 10 unidades
Cada unidad es medida por cada operador, 2 3 veces.
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.
Las partes deben seleccionarse al azar, cubriendo el

RANGO TOTAL DEL PROCESO . Es importante que
dichas partes sean representativas del proceso total
(80% DE LA VARIACION)
10 partes NO son un tamao de muestra significativo

para una opinin slida sobre el EQUIPO DE
MEDICIN a menos que
198
Procedimiento para realizar un estudio de R&R
1. Ajuste el calibrador, o asegrese de que ste haya sido

calibrado.
2. Marque cada pieza con un nmero de identificacin

que no pueda ver la persona que realiza la medicin.
3. Haga que el primer operador mida todas las muestras

una sola vez, siguiendo un orden al azar.
199
4. Haga que el segundo operador mida todas las

muestras una sola vez, siguiendo un orden al azar.
5. Contine hasta que todos los operadores hayan

medido las muestras una sola vez (Este es el ensayo
1).
6. Repita los pasos 3-4 hasta completar el nmero

requerido de ensayos
200
7. Utilice el formato proporcionado para determinar las

estadsticas del estudio R&R
Repetibilidad
Reproducibilidad
%R&R
Desviaciones estndar de cada uno de los

conceptos mencionados
Anlisis del % de tolerancia
8. Analice los resultados y determine los pasos a

seguir, si los hay.
201
Ejemplo:
Planteamiento del problema:
Las partes producidas en el rea de produccin, fallaron por
errores dimensionales 3% del tiempo.
CTQ: Mantener una tolerancia 0.125 pulgadas
Sistema de Medicin: Se miden las partes con calibradores de 2.
Estudio R&R del La dimensin A es medida por dos

Calibrador: operadores, dos veces en 10 piezas.
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
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
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
X-media mx.=> 9.3689

Ancho de tolerancia====> 0.25
X-media mn. => 9.3584
Nmero de intentos (m)=> 2
Nmero de partes (n)==> Diferencia X-dif 0.0105
10
Nmero de operadores 2
K1 ========> 4.56 R-media doble 0.0113

(=4.56 para 2 ensayos, 3.05 para 3 ensayos)
K2 =========> 3.65 K3 ======> 1.62

(=3.65 para 2 operadores; 2.7 para 3 operadores)
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
Reproducibilidad: La variacin en el promedio de las mediciones (AV) se

calcula sobre el rango de los promedios de todas las mediciones, para
cada operador, menos el error del calibrador (vale si la raz es negativa)
AV = (Xdif * K2)2 - (DV2/(r*n)) = 0.03655
207
Clculo de R&R
El componente de varianza para repetibilidad y reproducibilidad
(R&R) se calcula combinando la varianza de cada componente.
R&R = DV2 + AV2 = 0.05277
El componente de varianza para las partes (PV), se calcula sobre el

rango de los promedios de todas las mediciones, para cada parte.
PV = Rpart x K3 = 0.1021
La variacin total (TV) se calcula combinando la varianza de repetibilidad y

reproducibilidad y la variacin de la parte.
TV = R&R2 + PV2 = 0.1142 208

Clculo de R&R
Basado en la tolerancia:
%DV = 100*DV/Ancho de tolerancia= 20.61
%AV = 100*AV/Ancho de tolerancia= 14.62
%R&R = 100*R&R/Ancho de tolerancia = 21.108
Basado en la variacin Total de las Partes:

45.09
%DV = 100*DV/Variacin total=
32.00
%AV = 100*AV/ Variacin total =
%R&R = 100*R&R/ Variacin total = 46.20
%PV = 100*PV /Variacin total = 89.40 209

Ejercicios
Para un estudio de R&R 2 operadores midieron con el mismo equipo de

medicin 10 partes en 3 intentos cada uno,obteniendo:
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
Calculo con Excel
(usar la hoja de trabajo R&R.xls)
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
Muestra 1er Intento 2do Intento 3er Intento Rango X

1 0.0045 0.0045 0.0045 - 0.0045
2 0.0045 0.0055 0.0045 0.0010 0.0048
3 0.0045 0.0045 0.0045 - 0.0045
4 0.0050 0.0050 0.0045 0.0005 0.0048
5 0.0045 0.0045 0.0045 - 0.0045
6 0.0050 0.0055 0.0045 0.0010 0.0050
7 0.0050 0.0045 0.0045 0.0005 0.0047
8 0.0050 0.0050 0.0050 - 0.0050
9 0.0050 0.0045 0.0050 0.0005 0.0048
10 0.0040 0.0040 0.0040 - 0.0040
Totales 0.0470 0.0475 0.0455 0.0035 0.0467
Suma 0.1400 RA : 0.00035
XA : 0.004666667
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
X Diff: 0.0001000000 LICX = X - A2 R

LICX = 0.0043
213
Carta de Rangos en control
RANGOS
LSCR = 0.001075 R= 0.00042 LICR = 0
LSCR
LICR
Los rangos deben estar en control indicando que

Las mediciones se hicieron adecuadamente, de otra
Forma se debe repetir la medicin en la parte
214
Carta de Medias fuera de control
LSCX = 0.005143 X = 0.004717 LICX = 0.004290417
LS
CX
X
LICX
Al menos el 50% de los puntos debe salir

De control para validar la discriminacin de
Las partes
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
RESULTADOS DE LA HOJA DE DATOS AC-008
R= 0.00041667 X Diff = 0.0001000000 Rp = 0.000944444
Anlisis Unitario de Medicin % Total de Variacin ( TV )

Repetibilidad - Variacin del Equipo (EV) % EV = 100 [ EV/TV ]
EV= R x K1 = INTENTOS K1 % EV = 63.74%
EV= 0.00127083 2 4.56
3 3.05 % EV vs Tol. = 21.18%
Reproducibilidad - Variacin del Operador (AV) % AV = 100 [AV/TV]
2 2 1/2
AV = [(XDiff x K2) - (EV /nr)] % AV = 6.93%
AV = 0.00027 % AV vs Tol = 2.30%
AV = 7.29E-08 n=partes = 10
AV = 5.3834E-08 r = intentos = 3
AV = 1.9066E-08 OPERADOR 2 3
AV = 0.00013808 K2 3.65 2.7
Repetibilidad y Reproducibilidad ( R & R ) PARTES K3 % de R & R = 100 [ R & R /TV ]

R & R
2 2 1/2
= [EV + AV ] 5 2.08 % de R & R = 64.1164%
2
R & R % de R & R vs Tol
= 1.6341E-06 6 1.93 = 21.31%
R & R
= 0.00127831 7 1.82
Variacin de la Parte ( PV ) 8 1.74 % PV = 100 [ PV/TV ]
PV = RP x K3 9 1.67 % PV = 76.7403%
PV = 0.00153 10 1.62
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
El porcentaje de error R&R no debe exceder del

10%, si el equipo se usa para liberar producto
terminado la referencia es la tolerancia del cliente;
Si el equipo se usa para control del proceso, la

referencia es la variacin total del proceso.
El nmero de categoras debe ser de al menos 4
indicando que el equipo distingue las partes que son
diferentes.
217
R&R por Medias Rangos
Calculo con Minitab
(se puede usar la hoja de trabajo Gageaiag.mtw)
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
1 0.0045 0.0045 0.0045 0.0045 0.0045 0.0045 0.0050 0.0045 0.0045

2 0.0045 0.0055 0.0045 0.0055 0.0050 0.0045 0.0055 0.0045 0.0045
3 0.0045 0.0045 0.0045 0.0045 0.0045 0.0045 0.0045 0.0045 0.0040
4 0.0050 0.0050 0.0045 0.0050 0.0050 0.0050 0.0050 0.0050 0.0050
5 0.0045 0.0045 0.0045 0.0040 0.0045 0.0040 0.0045 0.0045 0.0040
6 0.0050 0.0055 0.0045 0.0060 0.0050 0.0050 0.0050 0.0050 0.0050
7 0.0050 0.0045 0.0045 0.0055 0.0045 0.0050 0.0045 0.0050 0.0050
8 0.0050 0.0050 0.0050 0.0050 0.0050 0.0050 0.0060 0.0050 0.0050
9 0.0050 0.0045 0.0050 0.0045 0.0045 0.0050 0.0055 0.0045 0.0045
10 0.0040 0.0040 0.0040 0.0040 0.0040 0.0040 0.0045 0.0045 0.0045
Totales 0.0470 0.0475 0.0455 0.0485 0.0465 0.0465 0.0500 0.0470 0.0460
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
Seleccione en el men de la barra de herramientas

STAT>QUALITY TOOLS>GAGE STUDY > Gage R&R
(Crossed)
Seleccione C1 (parte), C2 (operador), C3 (Medicin)
Mtodo de Anlisis X Bar and R
En Options Seleccionar: Staudy variation 5.15

Process tolerante 0.006
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
Study Var %Study Var %Tolerance

Source StdDev (SD) (5.15 * SD) (%SV) (SV/Toler)
Total Gage R&R 0.0002476 0.0012750 64.03 21.25
Repeatability 0.0002461 0.0012675 63.65 21.12
Reproducibility 0.0000269 0.0001384 6.95 2.31
Part-To-Part 0.0002970 0.0015295 76.81 25.49
Total Variation 0.0003867 0.0019913 100.00 33.19
Number of Distinct Categories = 1 Nmero mnimo 4

222
R&R Medias Rangos
Minitab : Interpretacin de Resultados
Interpretacin de los resultados:
El error de R&R vs tolerancia es 64.03% y vs

variacin total del proceso es 21.25% lo que hace
que el equipo de medicin no sea adecuado para la
medicin.
Por otro lado el nmero de categoras es slo de 1

cuando debe ser al menos 4 indicando que el
instrumento discrimina las diversas partes diferentes.
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.
Components of Variation Datos by Partes

80 % Contribution
0.006
% Study Va r
Percent
% 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
Calculo con Minitab
(con los datos del ejemplo anterior)
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)
Seleccione C1 (parte), C2 (operador), C3 (Medicin)
Mtodo de Anlisis ANOVA
En Options Seleccionar: Study variation 5.15

Process tolerance 0.006 Alfa to remove interaction
0.25
226
R&R por ANOVA
Resultados de Minitab
Gage R&R Study - ANOVA Method
Two-Way ANOVA Table With Interaction
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
Los operadores y la interaccin no fueron significativos, slo las partes
Gage R&R La interaccin no es significativa,

%Contribution y los errores de R&R indican que
Source VarComp (of VarComp)
Total Gage R&R 0.0000001 50.93 equipo de medicin no es adecuado
Reproducibility 0.0000000 0.00 ni el nmero de categoras.
Operadores 0.0000000 0.00
Part-To-Part 0.0000001 49.07

Total Gage R&R 0.0003150 0.0016222 71.36 27.04
Repeatability 0.0003150 0.0016222 71.36 27.04
Operadores 0.0000000 0.0000000 0.00 0.00
Part-To-Part 0.0003092 0.0015923 70.05 26.54
Total Variation 0.0004414 0.0022731 100.00 37.88
Number of Distinct Categories = 1 227

R&R por ANOVA
Gage R&R (ANOVA) for Datos
Reported by :
Las conclusiones son similares
G age name: Tolerance: que con el mtodo de X barra R.
No hay interaccin parte - operador
Components of Variation Datos by Partes
80 % Contribution
0.006
% Study Var
Percent
% 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
4. Estudios R&R (anidado)

Mtodo largo
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.
El estudio de R&R (anidado) utiliza el mtodo ANOVA

para evaluar la repetibilidad y reproducibilidad, para
analizar la reproduciblidad dentro de sus
componentes operador y operador
230
R&R Anidado
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.
Para el caso de pruebas destructivas si cada lote es medido por

cada operador entonces realizar el estudio R&R (Nested); si
todos los operadores miden partes de cada uno de los lotes,
entonces utilizar el estudio R&R (Crossed).
En resumen siempre que cada operador mida partes diferentes
se tiene un estudio R&R anidado.
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
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
1 File > Open worksheet > GAGENEST.MTW.
2 Seleccionar Stat > Quality Tools > Gage Study

> Gage R&R Study (Nested).
3 En Part or batch numbers, poner Part.
4 En Operators, seleccionar Operator.
5 En Measurement data, seleccionar Response.

6 Dar OK.
234
R&R Anidado
Gage R&R (Nested) for Response
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
Reproducibility 0.00000 0.00
Part-To-Part 0.27430 17.54

Total Gage R&R 1.13549 5.84777 90.81 116.96
Repeatability 1.13549 5.84777 90.81 116.96
Part-To-Part 0.52374 2.69725 41.88 53.95
Total Variation 1.25045 6.43984 100.00 128.80
Number of Distinct Categories = 1
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:
Components of Variation Response By Part ( Operator )

% Contribution 18
100 % Study Var
Percent
% 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
6. Estudios de Linealidad y sesgo
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?.
El bias o exactitud del gage examina la diferencia

entre la media de los datos observados y un valor de
referencia o patrn. Contesta a la pregunta, Qu tan
exacto es mi gage comparado con un patrn?.
238
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.
Se obtiene la variacin del proceso (14.1941) del estudio Gage

R&R usando el mtodo ANOVA (rengln Total variation de la
columna Study Var (6*SD)).
239
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
1 File > Open worksheet > GAGELIN.MTW.
2 Seleccionar Stat > Quality Tools > Gage Study

> Gage Linearity and Bias Study.
3 En Part numbers, seleccionar Part.

4 En Reference values, seleccionar Master.
5 En Measurement data, seleccionar Response.

6 En Process Variation, teclear 14.1941. Click OK.
241
Gage Linearity and Bias Study for Response
Reported by :
D ate of study : M isc:
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 G age Bias

Reference Bias % Bias P
A v erage -0.053333 0.4 0.040
2 0.491667 3.5 0.000
Bias
0.0 0 4 0.125000 0.9 0.293

6 0.025000 0.2 0.688
8 -0.291667 2.1 0.000
10 -0.616667 4.3 0.000
-0.5
Percent of Process Variation
Percent 10
-1.0 5
2 4 6 8 10
Reference Value 0
Linearity Bias
242
Interpretando los resultados
El porcentaje de linealidad (valor absoluto de la

pendiente * 100) es 13.2, que significa que la
Linealidad del gage es del 13% de la variacin total.
El porcentaje de sesgo para el promedio de

referencia es 0.4, lo que significa que el sesgo del
gage es menor que 0.4% de la variacin total
observada.
243
7. Estudios R&R por atributos-

Mtodo analtico
244
R&R por Atributos
- Mtodo analtico
Se deben tomar al menos 8 partes para realizar un estudio
del gage por atributos.
La parte ms pequea debe tener cero aceptaciones, y la

parte ms grande debe tener el nmero mximo de
posibles aceptaciones. Para la AIAG, exactamente 6 partes
deben tener un nmero mayor que cero aceptaciones y
menos que 20 (mximo nmero de aceptaciones
permitidas).
Por el mtodo de regresin, se pueden tener ms de seis

partes entre los extremos de valores de referencia.
245
R&R por Atributos
- Mtodo analtico: Datos
Summarized Data Raw Data
Partes Referencia Aceptaciones Partes Referencia Respuesta
1 1.35 Rechazo
1 1.35 0 1 1.35 Rechazo
2 1.4 3 1 1.35 Rechazo
3 1.45 8 1 1.35 Rechazo
4 1.5 13 ... ... ...
5 1.55 15 8 1.7 Aceptacin
8 1.7 Aceptacin
6 1.6 18
8 1.7 Aceptacin
7 1.65 19
8 1.7 Aceptacin
8 1.7 20
Estructura de datos individaules de
Estructura de datos resumidos de tal
manera que cada fila contiene el nmero
forma que cada fila contiene el nmero o o nombre de la parte, valor de referencia
nombre de la parte, el valor de referencia y respuesta binaria (aceptacin o
y la cuenta resumida. rechazo).
246
R&R por Atributos
Ejemplo:
Un fabricante de automviles quiere medir el
sesgo y repetibilidad de un sistema automatizado

de medicin.
El sistema tiene una tolerancia inferior de -0.020 y

una tolerancia superior de 0.020.
El fabricante corre 10 partes, a travs del gage 20
veces, las partes tienen valores de referencia en
intervalos de 0.005 desde - 0.05 hasta 0.005.
247
R&R por Atributos
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.
2. Seleccionar Stat > Quality Tools > Gage Study >

Attribute Gage Study (Analytic Method).
3. En Part numbers, seleccionar Part number.

4. En Reference values, seleccionar Reference.
5. Seleccionar Summarized counts y teclear
Acceptances. En Number of trials, teclear 20.
6. Seleccionar Lower limit y teclear -0.020. OK.

249
R&R por Atributos
- Mtodo analtico: Resultados
Attribute Gage Study (Analytic Method) for Acceptances
Reported by :
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
A IA G Test of Bias = 0 v s not = 0

T DF P -V alue
50 6.70123 19 0.0000021
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
El Sesgo en el sistema de gage por atributos es de

0.0097955
La repetibilidad ajustada es de 0.0458060.
La prueba de sesgo indica que es significativamente

diferente de cero (t = 6.70123, df = 19, p = 0.00),
sugiriendo que el sesgo est presente en el sistema
de medicin por atributos.
251
8. Estudios R&R por atributos-

Mtodo de acuerdo por atributos
252
Mtodo GR&R por atributos
Estudios sobre la varianza Estudios de GR&R Documentar estudio
datos discretos y definir siguiente
fecha de evaluacin.
Varios Cuntos atributos Uno

Se evalan ?
Tcnica Kendall Tcnica Kappa

(Clasificacin (Clasificacin
Multi-nominal) Nominal)
SI ndice
Kappa > 0.7
NO
Estandarizar criterios de evaluacin, ayudas

(visuales, estandares, etc.), tips, Capacitacin,
Prctica, entrenamiento, etc.
253
Estudios R&R por atributos
Usar el anlisis de acuerdo por atributos para evaluar las
calificaciones nominales u ordinales proporcionadas por
varios evaluadores.
Las mediciones son calificaciones subjetivas de la gente

en vez de mediciones fsicas. Algunos ejemplos incluyen:
Calificaciones de desempeo de los automviles
Clasificacin de calidad de las fibras como buena o
mala.
Calificaciones de color, aroma y gusto del vino en una
escala de 1 a 10.
254
En estos casos la caracterstica de calidad es difcil de
definir y evaluar.
Para obtener clasificaciones significativas, ms de un

evaluador debe calificar la medicin de respuesta.
Si los evaluadores estn de acuerdo, existe la posibilidad

de que las apreciaciones sean exactas.
Si hay discrepancias, la utilidad de la evaluacin es

limitada.
255
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
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
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
Suponga que se evalan 12 muestras por 2 inspectores

obteniendo los siguientes resultados :
258
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
Pchance = (0.75)(0.667) + (0.25)(0.33) = 0.5835

0.917 - 0.5835
K= = 0.8
1- 0.5835
259
Mtodo Kappa
Determine si el sistema de medicin es confiable:
El valor mximo posible de Kappa 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.
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
Para explicarlo consideraremos el siguiente ejemplo, en

el cual participan 5 inspectores y analizan 10
muestras las cuales clasifican en 5 categoras
distintas.
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
El denominador del ndice Kappa para la categora

Costura ancha sera entonces :
10 x 5 x (5-1) x 0.24 x 0.76 = 36.48
Por lo tanto, el ndice Kappa para la categora Costura

ancha sera :
KCostura = 1- 22
= 0.4
ancha 36.48
264
Mtodo Kendall
El ndice Kendall de todo el estudio est dado por la siguiente
frmula::
S Sx
n k
2
nm2 - ij
i=1
K total =1 - j=1
Sp
k
nm(m-1) j
qj
Donde :
j=1
Ktotal = ndice Kendall

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
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
Ejemplo:
Una empresa est entrenando a cinco evaluadores para la
porcin escrita de un examen estndar de doceavo grado.
Se requiere determinar la habilidad de los evaluadores para

calificar el examen de forma que sea consistente con los
estndares.
Cada uno de los evaluadores califica 15 exmenes en una

escala de cinco puntos (-2, -1, 0, 1, 2):
267
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 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
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 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
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.
4 En Samples, poner Sample.

5 En Appraisers, poner Appraiser.
6 En Known standard/attribute, poner Attribute.
7 Checar Categories of the attribute data are
ordered y poner OK
8 In Addition seleccionar coeficientes Kappa y Kendall
269
Resultados
Each Appraiser vs Standard
Assessment Agreement
Appraiser # Inspected # Matched Percent 95 % CI

Duncan 15 8 53.33 (26.59, 78.73)
Hayes 15 13 86.67 (59.54, 98.34)
Holmes 15 15 100.00 (81.90, 100.00)
Montgomery 15 15 100.00 (81.90, 100.00)
Simpson 15 14 93.33 (68.05, 99.83)
# Matched: Appraiser's assessment across trials agrees with the known

standard.
270
Resultados
Between Appraisers
# Inspected # Matched Percent 95 % CI

15 6 40.00 (16.34, 67.71)
# Matched: All appraisers' assessments agree with each other.

All Appraisers vs Standard

15 6 40.00 (16.34, 67.71)
# Matched: All appraisers' assessments agree with the known standard.

271
Resultados
Date of study :
Reported by :
Name of product:
Misc:
Appraiser vs Standard
100 95.0% C I
P ercent
80
60
Percent
40
20
0
Duncan Hayes Holmes Montgomery Simpson
Appraiser
272
Resultados
ndice Kappa de Cohen

Un estadstico popular para medir el nivel de acuerdo entre dos
personas calificadoras con un intento o dentro de un calificador
con dos intentos.
El ndice Kappa de Cohen Kappa es calculado de manera

diferente que el ndice de Kappa de Fleiss.
Los rangos de Kappa van de -1 a +1. Entre mayor sea el valor

de Kappa, es ms fuerte el acuerdo. Si Kappa = 1, existe un
acuerdo perfecto. Si Kappa = 0, el acuerdo es similar a lo que
pudiera ser esperado por el azar.
273
Resultados
Minitab muestra tres tablas de acuerdo: Cada evaluador

vs el estndar, Entre evaluadores y Todos los evaluadores
vs estndar.
Los estadsticos de Kappa y Kendall tambin se incluyen

en cada una de las tablas. En general estos estadsticos
sugieren buen acuerdo.
El coeficiente de Kendall entre evaluadores es 0.966317 (p

= 0.0); para todos los evaluadores vs estndar es
0.958192 (p = 0.0). Sin embargo la observacin del
desempeo de Duncan y Haues indica que no se apegan
al estndar.
274
Resultados
La grfica de Evaluadores vs. Estndar proporciona

una vista grfica de cada uno de los evaluadores vs
el estndar, pudiendo comparar fcilmente la
determinacin de acuerdos para los cinco
evaluadores.
Se puede concluir que Duncan, Hayes y Simpson

requieren entrenamiento adicional.
275
Sistema de Medicin de Atributos
Ejemplo comparacin pasa no pasa
Un sistema de medicin de atributos compara

cada parte con un estndar y acepta la parte si
el estndar se cumple.
La efectividad de la discriminacin es la habilidad

del sistema de medicin de atributos para
discriminar a los buenos de los malos.
276
Ejemplo comparacin pasa no pasa
1. Selecciona un mnimo de 20 unidades del proceso. Estas

unidades deben representar el espectro completo de la
variacin del proceso (buenas, erroneas y en lmites).
2. Un inspector experto realiza una evaluacin de cada
parte, clasificndola como Buena o No Buena.
3. Cada persona evaluar las unidades, independientemente
y en orden aleatorio, y las definir como Buenas o No
Buenas.
4. Ingresa los datos en el archivo Attribute Gage R&R.xls
para cuantificar la efectividad del sistema de medicin.
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
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
Pasa no pasa Instrucciones en Minitab
1 Usar los datos anteriores.
2 Seleccionar Stat > Quality Tools > Attribute
Agreement Analysis.
3 En Multiple columns, con Persona 1 - Persona 2B.

4 En Number of appraisers, 2.
5 En Number of trials, 2.
6 En Known standard/attribute, poner Atributo

7 no Checar Categories of the attribute data are
ordered y poner OK
280
Pasa no pasa Resultados de Minitab
Attribute Agreement Analysis Persona 1A, Persona 1B, Persona 2A,
Persona 2B
Within Appraisers
1 20 19 95.00 (75.13, 99.87)
2 20 20 100.00 (86.09, 100.00)
# Matched: Appraiser agrees with him/herself across trials.
Fleiss' Kappa Statistics
Appraiser Response Kappa SE Kappa Z P(vs > 0)
1 G 0.82684 0.223607 3.69774 0.0001
NG 0.82684 0.223607 3.69774 0.0001
2 G 1.00000 0.223607 4.47214 0.0000
NG 1.00000 0.223607 4.47214 0.0000
Each Appraiser vs Standard
1 20 18 90.00 (68.30, 98.77)
2 20 19 95.00 (75.13, 99.87)
Between Appraisers
20 17 85.00 (62.11, 96.79)
Response Kappa SE Kappa Z P(vs > 0)
G 0.663222 0.0912871 7.26524 0.0000
NG 0.663222 0.0912871 7.26524 0.0000
All Appraisers vs Standard
20 17 85.00 (62.11, 96.79)
# Matched: All appraisers' assessments agree with the known standard.
Response Kappa SE Kappa Z P(vs > 0)
G 0.792005 0.111803 7.08391 0.0000
NG 0.792005 0.111803 7.08391 0.0000 281
Pasa no pasa Resultados de Minitab
Date of study:
Reported by:
Name of product:
Misc:
Within Appraisers Appraiser vs Standard

100 95.0% C I 100 95.0% C I
P ercent P ercent
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
Tomar 50 piezas, 40 de las cuales dentro de

especificaciones y 10 fuera de especificaciones
Probarlas con dispositivos pasa y no pasa por

medio de 3 operadores
Si no coinciden todos los operadores en al menos el

90%, los dispositivos o gages pasa, no pasa no
son confiables
285
V.C.3 Sistemas de medicin
en la empresa
286
Medicin de desempeo
en la empresa
Contadores automticos
Reportes generados por computadora
Auditoras internas y externas

Evaluacin de proveedores
Reportes gerenciales
Encuestas internas y externas

Reportes diversos
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
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
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
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
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
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
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:
El establecimiento de estndares de medicin que sean

internacionalmente aceptados y definidos
El uso de equipo de medicin para correlacionar la

extensin que los datos del producto y proceso estn
conforme a especificaciones
La calibracin regular de equipos de medicin,
rastreables a estndares internacionales establecidos
296
Metrologa
Unidades de medicin
El sistema internacional de unidades SI clasifica las

mediciones en 7 categoras:
Longitud (metro)
Tiempo (segundo)
Masa (kilogramo)
Corriente elctrica (ampere)
Temperatura (Kelvin)
Iluminacin (candela)
Cantidad de sustancia (mole)
297
298
Metrologa
Temperatura
Temperatura en F = 1.8 (Temp C) +32
Temperatura en C = (Temp F 32) / 1.8
Temperatura en K = Temp C + 273.15
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.
La eliminacin del error es la meta primaria del sistema

de calibracin
300
Metrologa
Variabilidad total del producto
La variabilidad total en el producto incluye la
variabilidad del proceso de medicin.
2 total 2 proceso 2 medicin
Errores de medicin
El error del instrumento de medicin es el valor del
instrumento de medicin menos el valor verdadero.
2 error 2 medicion 2 patron
2 medicion 2 patron 2 error

301
Metrologa
Errores de medicin
El intervalo de confianza para la media de las
mediciones se reduce tomando mediciones mltiples
de acuerdo al teorema del lmite central con la
siguiente relacin:
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
Es aceptado generalmente que el intervalo de

calibracin del equipo de medicin se base en la
estabilidad, propsito y grado de uso.
La estabilidad se refiere a la habilidad de un

instrumento de medicin para manejar de manera
consistente sus caractersticas metrolgicas durante el
tiempo.
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
Los estndares primarios de referencia son copias del

kilogramo internacional y los sistemas de medicin que
responden a definiciones de las unidades
fundamentales a las unidades derivadas de la tabla SI.
Los estndares nacionales se toman como la autoridad

central para evaluar la exactitud, y todos los niveles de
estndares de trabajo son trazables a este gran
estndar
306
Estndares internacionales
En Mxico se tiene el CENEAM o el Centro
Nacional de Metrolgia
En EUA se tiene el NIST (National Institute of

Standards and Technolog)
Un Estndar primario es certificado por NIST o

por una organizacin alterna que use
procedimientos de calibracin actualizados
Los Estndares secundarios son calibrados por

el depto. de Metrologa de las empresas en base
a los estndares primarios, para efectos de
calibracin.
307
Estndares internacionales
Los Estndares secundarios se transfieren

a Estndares de trabajo en produccin.
Para determinar la exactitud de los

sistemas de medicin se debe conocer su
rastreabilidad a Estndares nacionales e
internacionales.
Resolucin: Para que el equipo de medicin tenga

una discriminacin adecuada en la evaluacin de las
partes, su resolucin debe ser al menos 1/10 de la
variabilidad del proceso ( LTNS - LTNI = 6 )
308
Metrologa
Estndares de calibracin
La trazabilidad hacia debajo de la trazabilidad se
muestra a continuacin
National Institute Standards and Technology

Laboratorios de Estndares
Laboratorios de Metrologa
Laboratorios de Sistema de Control de Calidad
Centros de Trabajo
309
Metrologa
Resumen del ISO 10012
Quality assurance requirement for measuring

euipment Part 1: Metrological confirmation system
for measuring equipment.
Contiene requerimientos de aseguramiento de calidad

para asegurar que las mediciones sean hechas con la
exactitud intencionada.
310
Metrologa
Resumen del ISO 10012 Elementos clave
Todos los equipos de medicin deben ser identificados,

controlados, y calibrados. Deben mantenerse los
registros de la calibracin y trazabilidad a estndares
nacionales
Debe determinarse la incertidumbre de la medicin
Se deben tener disponibles los procedimientos para

asegurar que el equipo de medicin no conforme no
sea utilizado
311
Metrologa
Resumen del ISO 10012 Elementos clave
Debe establecerse un sistema de etiquetado que

muestre la identificacin nica y su estado
Se debe establecer la frecuencia de recalibracin
Las calibraciones deben ser trazables a estndares

nacionales
Se requieren procedimientos documentados para la

calificacin y entrenamiento del personal
312
V.D Estadstica bsica
313
V.D Estadstica bsica
1. Trminos bsicos
2. Teorema del lmite central
3. Estadstica descriptiva
4. Mtodos grficos
5. Conclusiones estadsticas vlidas
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
Por ejemplo, s deseamos saber el promedio de peso de las

personas en una poblacin tenemos dos opciones:
Pesar a todas y cada una de las personas, anotar y organizar los

datos, y calcular la media.
Pesar solo una porcin o subconjunto de la poblacin (muestra).

Registrar y organizar los datos y calcular la media de la muestra,
tomndola para pronosticar o Inferir la media de toda la
poblacin.
Poblacin y muestra
Poblacin: Es la coleccin de todos los elementos

(piezas, personas, etc.). En nuestro caso sera un
nmero infinito de mediciones de la caracterstica del
proceso bajo estudio.
Muestra: Es una parte o subconjunto

representativo de la poblacin, o sea un grupo de
mediciones de las caractersticas.
317
Estadsticos y parmetros
Estadstico: Es una medicin tomada en una muestra que

sirve para hacer inferencias en relacin con una poblacin
(media de la muestra, desviacin estndar de la muestra
se indican con letras latinas X, s, p).
Normalmente es una variable aleatoria y tiene asociada

una distribucin.
Parmetro: Es el valor verdadero en una poblacin

(media, desviacin estndar, se indican con letras griegas
, m, )
318
Tipos de datos
Datos continuos Los datos que tienen un valor real

(temperatura, presin, tiempo, dimetro, altura )
Datos discretos: Datos que toman valores enteros (0, 1,

2, 3, etc.)
Datos por atributos: Bueno - malo, pasa - no pasa, etc.
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
Para las medias muestrales, el error estndar de la

media se relaciona con la desviacin estndar de la
poblacin como sigue:
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
Poblacin con media m y desviacin estndar y cualquier distribucin.
Seleccionando muestras de tamao n y calculando la X-media o

promedio en cada una
X-media 1 X-media 2 X-media 3
Conforme el tamao de muestra se incrementa las muestras se
distribuyen normalmente con media de medias m y desviacin estndar
de las medias de las muestras / n. Tambin
se denomina Error estndar de la media.
La distribucin de las medias de las muestras tienden a distribuirse en
forma normal
Tomando de muestras de 10 datos, calculando su promedio y graficando

estos promedios se tiene:
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
Una Carta de control es simplemente un registro de

datos en el tiempo con lmites de control superior e
inferior, diferentes a los lmites de especificacin.
El patrn normal de un proceso se llama causas de

variacin comunes.
El patrn anormal debido a eventos especiales se

llama causa especial de variacin.
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.
Puntos fuera de control

1 punto fuera de los lmites de control a 3 sigmas en cualquier
direccin (arriba o abajo).
Tendencia ascendente o descendente

7 puntos consecutivos aumentando o disminuyendo.
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
Proceso en Control estadstico
Sucede cuando no se tienen situaciones anormales y

aproximadamente el 68% (dos tercios) de los puntos de
la carta se encuentran dentro del 1 de las medias en
la carta de control.
Lo anterior equivale a tener el 68% de los puntos

dentro del tercio medio de la carta de control.
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
Funciones de densidad de probabilidad
Distribuciones de frecuencia y
Funciones acumulativas de distribucin
337
Representan las diferentes formas de caracterizar
el valor central de un conjunto de datos
Media muestral x xi poblacional m xi

n n
Ejemplo 1: En un equipo de ftbol, una muestra de estaturas de sus integrantes son las
siguientes: 1.70,1.79,1.73,1.67,1.60,1.65,1.79,1.84,1.67,1.82, 1.74. Calcule la media.
xi 19
x 1.73
n 11
338
Mediana: es el valor medio cuando los datos se
arreglan en orden ascendente o descendente, en

el caso de n par, la mediana es la media entre los
valores intermedios
~ n 2 n 2 1
X
2
Ejemplo 2: Para el ejemplo anterior cual es la mediana?
Ordenando los datos de mayor a menor se obtiene:
1.60,1.65,1.67,1.67,1.70,1.73,1.74,1.79,1.79,1.82,1.84;
como tenemos 11 datos el nmero es non por lo que (n+1)/2 = 12/2 = 6, buscando el nmero
que ocupa la sexta posicin en los datos ordenados encontramos el valor de la mediana
~
x 1.73
339
Moda: Valor que ms se repite, puede haber ms de una
Media acotada (Truncated Mean): Se elimina cierto

porcentaje de los valores ms altos y bajos de un
conjunto dado de datos (tomando nmeros enteros),
para los valores restantes se calcula la media.
340
Ejemplo 3: Para la siguiente serie de datos calcule la media acotada al 20%:

68.7,34.3,97.9,73.4,8.4,42.5,87.9,31.1,33.2,97.7,72.3,54.2,80.6,71.6,82.2,
Como tenemos 11 datos, el 20% de 11 es 2.2, por lo cual eliminamos 2 datos el ms bajo y
el ms alto, ordenado los datos obtenemos:
8.4,31.1,33.2,34.3,42.5,54.2,68.7,71.6,72.3,73.4,80.6,82.2,87.9,97.7,97.9, los valores a
eliminar son: 8.4 y 97.9; calculando la media de los datos restantes obtenemos
x ,.20 63.82
341
342
Medidas de dispersin:
Rango: Es el valor mayor menos el valor menor de un
conjunto de datos
Por ejemplo para el conjunto de datos siguiente:

2.0,2.1,2.4,2.5,2.6,2.8,2.9,2.9,3.0,3.1,3.6,3.8,4.0,4.0
Su rango es R = 4.0 2.0 = 2.0
343
Varianza: es el promedio de las desviaciones al

cuadrado respecto a la media (n para poblacin y n-1
para muestra para eliminar el sesgo)
2
( xi x ) 2
2
( xi x ) s
2
n n 1
344
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
Ejemplo 4: La resistencia al rompimiento de dos muestras de botellas es la siguiente:

Muestra 1: 230 250 245 258 265 240
Muestra 2: 190 228 305 240 265 260
790 7510
s= = 12.56 s= = 38.75
5 5 345
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
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
Para distribuciones discretas n
f ( x) 1
0
347
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
Anlisis de patrones y tendencias
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.
El segundo cuartil divide a los datos a la mitad similar a la mediana.
El tercer cuartil es el valor debajo del cual se encuentra el 75% de las

observaciones.
Los deciles separan un conjunto de datos ordenado en 10 subconjuntos

iguales y los percentiles en 100 partes
351
Diagrama de caja
PERCENTILES, DECILES Y QUARTILES
La ubicacin de un percentil se encuentra en:
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.
De la misma forma los percentiles 25, 50 y 75 proporcionan la

localizacin de los cuartiles Q1, Q2 y Q3 respectivamente.
Q1: es el nmero que representa al percentil 25
Q2 o Mediana: es el nmero que representa al percentil 50
Q3: es el nmero que representa al percentil 75 (hay 75% de los

datos por debajo de este).
Rango o Recorrido intercuartlico: es la diferencia entre Q1 y Q3.
Grficas de caja
Permite identificar la distribucin de los datos, muestra la

mediana, bases y extremos.
Mediana = dato intermedio entre un grupo de datos
ordenados en forma ascendente
Primer cuartil Tercer cuartil
Mediana
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
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.
La correlacin tiene las siguientes fuentes:

Una relacin de causa efecto
Una relacin entre dos causas
Una relacin entre una causa y dos o ms causas
358
Mtodos grficos
Positiva dbil Positiva fuerte Sin correlacin
Negativa fuerte Relaciones no lineales

359
Mtodos grficos
Coeficiente de correlacin
El coeficiente de correlacin r determina el grado de
asociacin entre dos variables X y Y
360
Mtodos grficos
Anlisis de correlacin
Busca descubrir relaciones, aplicar el sentido comn
La lnea de mejor ajuste es la lnea de regresin, sin

embargo un anlisis visual debiera ser suficiente para
identificar si hay o no hay relacin
Los diagramas de dispersin deben ser analizados

antes de tomar decisiones sobre correlacin estadstica
361
Mtodos grficos
Para visualizar el comportamiento de los datos en el
tiempo
Tendencia creciente Tendencia decreciente Corrida de proceso
Valores anormales Ciclos Variabilidad creciente
362
Mtodos grficos
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
La frecuencia en cada barra o intervalo es el nmero

de puntos que caen dentro de ese intervalo
Un proceso estable muestra un histograma con forma

de campana unimodal, es predecible
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
Cuando la distribucin es acampanada, la variacin

alrededor de la media es aleatoria, otras variaciones
son debidas a causas especiales o asignables.
366
Mtodos grficos
Permite ver la distribucin que tienen los procesos de

manufactura y administrativos vs. especificaciones
Permiten ver la frecuencia con la que ocurren las cosas.
La variabilidad del proceso se representa por el ancho

del histograma, se mide en desviaciones estndar o .
Un rango de 3 cubre el 99.73%.
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
En un proceso estable las mediciones se distribuyen normalmente, a la

derecha y a la izquierda de la media adoptando la forma de una
campana.
M
E
D
I
C
I
O
N
E
TAMAO TAMAO
S
368
Histograma de Frecuencia
Permite ver la distribucin de la frecuencia con la que ocurren las cosas en
los procesos de manufactura y administrativos.
La variabilidad del proceso se representa por el ancho del histograma, se

mide en desviaciones estndar o , 3 cubre el 99.73%.
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:
POSICIN AMPLITUD FORMA
O TENER CUALQUIER COMBINACION

Medidas de Tendencia central
Media - Promedio numrico o centro de

gravedad del histograma de mediciones
n
F *X i i Donde,
X i 1
n
Fi = Frecuencia de cada medicin
F
xi = Valor de cada medicin
i individual
i 1
- Usa todos los datos

- Le afectan los extremos
Mediana - Es el valor que se encuentra en medio de

los datos o mediciones
Moda - Es el valor que ms se repite

Medidas de variabilidad o
Dispersin Desviacin Estndar
S es usada cuando los datos corresponden a una muestra de la poblacin.

Como es el caso de una muestra de mediciones.
tpicamente es usada si se est considerando a toda la poblacin

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
Coeficiente de variacin: (Desv. Estndar / Media )*100%,

Se usa para comparar datos en diferentes niveles de media o tipo. Por
ejemplo:
Material No. de Media Desviacin Coeficiente

Observaciones Aritmtica Estndar de Variacin
n s Srel
A 160 1100 225 0,204
B 150 800 200 0,250
El Material A tiene una menor variabilidad relativa relativa que el material B
Error estndar de la Media: Es la desviacin estndar de las medias de las

muestras de mediciones, se representa como la desviacin estndar de
la poblacin entre la raz de n = nmero de mediciones por muestra.
Histogramas con Datos agrupados
El Histograma es una grfica de las frecuencias que
presenta los diferentes datos o valores de mediciones
agrupados en celdas y su frecuencia.
Una tabla de frecuencias lista las categoras o clases de valores

con sus frecuencias correspondientes, por ejemplo:
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)
Paso 3. Seleccionar el nmero de columnas o celdas del histograma

(K). Como referencia si N = 1 a 50, K = 5 a 7; si N = 51 - 100; K = 6 - 10.
Tambin se utiliza el criterio K = Raz (N)
Paso 4. Dividir el rango por K para obtener el ancho de clase
Paso 5. Identificar el lmite inferior de clase ms conveniente y sumarle

el ancho de clase para formar todas las celdas necesarias
Paso 6. Tabular los datos dentro de las celdas de clase

Paso 7. Graficar el histograma y observar si tiene una forma normal
Ejemplo: Datos para histograma
Datos:
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 1. Nmero de datos N = 50
Paso 2. Rango R = 76 - 16 = 60
Paso 3. Nmero de celdas K = 6;
Paso 4. Ancho de clase = 60 / 6 = 10
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
Paso 7. Graficar el histograma y observar si tiene una forma normal

Histograma en Excel
Accesar el menu de anlisis de datos con HERRAMIENTAS,
ANALISIS DE DATOS, HISTOGRAMAS
Marcar los datos de entrada en RANGO DE ENTRADA, marcar el

rango de los lmites superiores de clase en RANGO DE CLASES,
indicar GRAFICA, marcar el rea de resultados con RANGO DE
SALIDA y obtener resultados y grfica
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
Rango: Valor Mayor Valor menor
Coeficiente de variacin: (Desv. Estndar / Media *100%

Se usa para comparar datos en diferentes niveles de media o tipo. Por
ejemplo:
Material No. de Media Desviacin Coeficiente

Observaciones Aritmtica Estndar de Variacin
n s Srel
A 160 1100 225 0,204
B 150 800 200 0,250
El Material A tiene una menor variabilidad relativa relativa que el material B

381
Clculo de la media - datos agrupados
Media - Promedio numrico o centro de

gravedad del histograma
n
F *X i i
Donde,
X i 1
n
Fi = Frecuencia de cada observacin
xi = Valor de cada marca de clase
Fi 1
i
- Usa todos los datos

- Le afectan los extremos
Mediana - Es el valor que se encuentra en medio de

los datos
Moda - Es el valor que ms se repite

Desviacin Estndar - Datos agrupados
S es usada cuando los datos corresponden a una muestra de la poblacin
Nota: Cada Xi representa la marca de clase
tpicamente es usada si se est considerando a toda la poblacin

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
NOTA: Para lo clculos con Excel, se puede utilizar el mismo mtodo

que para datos no agrupados, tomando como Xi los valores
de las marcas de clase.
Ejercicio de Histogramas
Datos:
6.40 6.39 6.41 6.39 6.40

6.39 6.40 6.37 6.40 6.38
6.42 6.38 6.40 6.38 6.41

6.40 6.41 6.41 6.43 6.39
6.41 6.35 6.39 6.41 6.43

6.38 6.40 6.42 6.37 6.40
6.37 6.43 6.43 6.39 6.42

6.40 6.42 6.39 6.42 6.38
6.42 6.40 6.38 6.45 6.41

6.39 6.44 6.36 6.44 6.36 384
V.D.5 Conclusiones estadsticas
vlidas
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)
Los pasos de la estadstica inferencial son:

La inferencia
La evaluacin de su validez
387
Definir el objetivo del problema en forma precisa
Decidir si el problema se evaluar con una o dos colas
Formular una hiptesis nula y la alterna
Seleccionar una distribucin de prueba y un valor

crtico del estadstico reflejado el grado de
incertidumbre que puede ser tolerado (alfa, riesgo)
388
Calcular el valor del estadstico de prueba con la
informacin de la muestra
Comparar el valor del estadstico calculado vs su valor

crtico y tomar una decisin de aceptar o rechazar la
hiptesis nula
Comunicar los hallazgos a las partes interesadas
389
Hiptesis nula a ser probada (Ho) y alterna (Ha)
La hiptesis nula puede ser rechazada o no ser

rechazada no puede ser aceptada
La hiptesis alterna incluye todas las posibilidades

que no estn en la nula y se designa con H1 o Ha.
Ho: Ya = Yb Ha: Ya Yb Prueba de dos colas

Ho: A B Ha: A<B Prueba de cola izquierda
390
Estadstico de prueba:
Para probar la hiptesis nula sobre un parmetro
poblacional, se debe calcular un estadstico de

prueba de la informacin de la muestra
El estadstico de prueba se compara con un valor

crtico apropiado
Se toma una decisin de rechazar o no rechazar la

hiptesis nula
391
Tipos de errores:
Error tipo I: resulta cuando se rechaza Ho siendo
verdadera, se denomina como alfa o riesgo del

productor
Error tipo II: resulta cuando no se rechaza Ho siendo

que es falsa, es denominado beta o riesgo del
consumidor
Incrementando el tamao de muestra se reducen alfa

y beta. Alfa es normalmente 5%. Alfa y beta son
inversamente relativos
392
V.E Probabilidad
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
La interseccin de A y B contiene elementos comunes

que se localizan al mismo tiempo en A y en B
395
Probabilidad
Introduccin:
Diferencia entre experimento deterministico y
aleatorio (estocastico).
Deterministico. Se obtienen el mismo resultado, con

condiciones experimentales similares
La cada de un cuerpo
Aleatorio. Se obtienen distintos resultados , aunque se
repitan en condiciones similares.
Tiempo de vida de un componente elctrico
396
Conceptos relacionados
a experimentos aleatorios:
Variable aleatoria. Es el nombre Que se le da a la
caracterstica (s) de inters observada en un
experimento. Dicha variable es denotada por letras
maysculas. Pueden ser Continuas o Discretas.
Espacio muestra. Es el conjunto de todos los posibles

valores Que toma una variable aleatoria en un
experimento. Puede ser finito o infinito.
Evento. Puede ser uno o una combinacin de los valores

Que toma una variable aleatoria
397
Espacio Muestral
Consiste en todos los posibles resultados de un experimento.
Para el lanzamiento de una moneda es (A,S).
398
Probabilidad histrica o frecuentista.
Una forma de conocer algo acerca del comportamiento de

una variable aleatoria es conociendo como se comporto en
el pasado.
Note Que si un experimento se realizo un gran numero de
veces, N, y la se observo Que en n veces suceda el evento
A, entonces n/N es un estimacin razonable de la
proporcin de tiempos Que el evento A suceder en el
futuro. Para un gran numero de experimentos N, se puede
interpretar dicha proporcin como la probabilidad de del
evento A. n
P ( EventoA) lim
N
N
399
Ejemplo
en los 1900-s , Karl Pearson lanzo una moneda 24,000 veces y obtuvo
12,012 caras, dando una proporcin de 0.5005.
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
Note Que para las dos definiciones dadas de

probabilidad esta ser un numero entre 0 y 1.
Ejemplo 1. Se observa si 3 artculos tienen defecto o no , con defecto
(m) o sin defecto (v).
S={vvv,mvv,vmv,vvm,vmm,mvm,mmv,mmm} es el espacio muestral .
Asociada a este espacio muestral se puede definir la variable aleatoria
X=# de defectos, la cual toma los valores {0,1,2,3}
Probabilidades de Eventos
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)
3. P(AB) = P(A) + P(B) P(AB)
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?
Sea E el evento en el que elegimos el 1000?

P(E) =
Sea E el evento l numero es menor o igual a 760.

P(E) =
P(Ec) =
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) =
Sea E1 el evento en el cual elegimos 850 y E2 sea el

evento el cual obtenemos un numero menor a 880.
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)
2. En un experimento, si A y B son dos eventos mutuamente

excluyentes entonces la probabilidad de Que ocurra A o el
evento B es
P( A o B ) P ( A) P ( B )
Para el caso de dos eventos A y B Que no son

mutuamente excluyentes.
P( A o B ) P ( A ) P ( B ) P ( AyB )
A las dos ecuaciones se les conoce como

Leyes de adicin de probabilidad
Reglas de la probabilidad
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:
P(A or B) P(A) P(B) P(AB)
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
Antes revisemos el concepto de factorial !!!!!!
Considere el siguiente caso: Hay 3 libros: Uno de Historia (H),

Uno de Fsica (F), Otro de Matemticas (M). Note Que existen 6
formas de acomodar dichos libros.
{ HFM, HMF, FHM, FMH, MHF, MFH } Aqu importa el orden
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 :
n! n(n 1)(n 2)...(2)(1)
n! se lee como n factorial

Que pasa cuando tenemos solo r lugares para acomodar
n objetos, tal Que n es mayor o igual que r?
En este caso el numero de arreglos resulta ser:
n(n 1)(n 2)...(n [r 2])(n [r 1]) Prn

n!
Pr n
(n r)!
409
Ejemplo: Suponga que a un grupo de motores se les aplicara un
tratamiento que consiste en dos aplicaciones de diferentes
intensidades de presin. Hay 10 diferentes intensidades y el orden
de administrar las intensidades es importante, cuantos motores
se ocupan si cada tratamiento se tiene que llevar a cabo?.
10 intensidades (i1,i2,,i10 ) y 2 aplicaciones.
Nos interesa contar los pares (i1,12),(i1,i3),..
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 ) !
Ejemplo: En un lote de produccin 100 chips de

computadora, un comprador desea adquirir 10 chips,
de cuantas formas se pueden seleccionar 10 chips
de ese lote?.
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....
Tipos de variables aleatorias

Discretas
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.
Ejemplo 2: Considere un experimento que consiste en

medir el numero de artculos defectos de un lote de
producto. Si Y es la variable numero de defectos , toma
valores 0,1,2,...
416
Distribuciones y funciones de
probabilidad
Toda variable aleatoria tiene asociada una funcin de
probabilidades
Ejemplo : Se lanzan dos monedas y observamos el

numero Y de caras.
Espacio muestral:{a, as, sa, ss}

Y toma valores 0,1,2.
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
-0.2 0.3 0.8 1.3 1.8

y
Y 418
Formula para la distribucin de
probabilidades de la tabla anterior
3 3 y
P( y ) P(Y y ) (.5) (.5) y
La distribucin de probabilidades puede ser una Tabla, una

Grfica o una formula.
419
Requisitos para una distribucin
de probabilidad discreta
1. 0 P( y ) 1
2. P( y ).
toda
y
En algunas ocasiones la notacin

usada es:
f X ( x) P( X x)
420
Funciones de distribucin acumulativa
La funcin de distribucin de probabilidades

acumulativa es calcula sumando las probabilidades obtenidas
hasta un determinado valor de la variable aleatoria.
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
-0.2 0.3 0.8 1.3 1.8

0 1
y 2
422
Valor Esperado o Media de una
variable aleatoria discreta
La media o valor esperado de una variable aleatoria

discreta X , denotada como m o E(X), es
X
m X E ( X ) xfX ( x) xP( X x)
x x
La media es el centro de la masa del rango de los

valores de X.
423
Calculo de la media mX para la variable de No. De defectos
4
m X xP( X X )
x 0
0 0.805 1 0.178 2 0.014 3 0.003 4 0

0.215
En este caso note que esta media no toma un valor entero

como X
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
Sea Y una variable aleatoria discreta con distribucin de

probabilidades P(X=x). Entonces , la varianza de Y es:
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
(0 0.215) 2 0.805 (1 0.215) 2 0.178

(2 0.215) 2 0.014
(3 0.215) 2 0.003 (4 0.215) 2 0
0.2147
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
P(x,N,n,D) es la probabilidad de exactamente x xitos

en una muestra de n elementos tomados de una
poblacin de tamao N que contiene D xitos. La
funcin de densidad de distribucin hipergeomtrica:
C xD C nNxD n!
P( x) C
n
x!(n x)!
N x
Cn
433
La media y la varianza de la distribucin
hipergeomtrica son:
nD nD D N n
m 1
2

N N N N 1
434
Ejemplo:
De un grupo de 20 productos, 10 se seleccionan al
azar para prueba. Cul es la probabilidad de que 10

productos seleccionados contengan 5 productos
buenos? Los productos defectivos son 5 en el lote.
N = 20, n = 10, D = 5, (N-D) = 15, x = 5

5! 15!

P(x=5) = 0.0183 = 1.83% P(5)
5!0! 5!10!
0.0183
20!
10!10!
435
Distribucin Binomial
Ensayo Bernoulli. Es un experimento aleatorio que solo
tiene dos resultados. xito o fracaso.
Donde la probabilidad de xito se denota por p
Suponga se realizan n experimentos Bernoulli

independientes.
Suponga que la variable X de inters es el numero de
xitos.
X toma valores 0,1,2,...,n
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
Tiene media y varianza.
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
Abraham Simon de Carl Francis

de Moivre Laplace Gauss Galton
Los primeros industriales frecuentemente se basaban en el

conocimiento de limites normales para clasificar artculos o
procesos como correctos o de otro modo.
Por ejemplo, el colesterol arriba de 250 mg/dl es ampliamente
conocido que incrementa el riesgo de un paro cardiaco. Una
determinacin precisa - pudiera ser asunto de vida o muerte.
Sin embargo , no todas las variables son normales. Por
ejemplo: urea y ph
CARACTERISTICAS DE UNA
DISTRIBUCIN NORMAL
La curva normal es acampanada y tiene un solo pico en
toda la distribucin.
La media, mediana, y moda de la distribucin son las

mismas y estn localizadas en el pico.
La mitad del rea de la curva esta arriba del punto central

(pico), y la otra mitad esta abajo.
La distribucin normal es simtrica alrededor de su

media.
Es asintotica - la curva se acerca a eje x pero nunca lo
toca.
CARACTERISTICAS DE UNA DISTRIBUCION 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
Funcin de Densidad de Probabilidad Normal
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
La distribucin normal estndar es una distribucin de

probabilidad que tiene media 0 y desviacin estndar de 1.
El rea bajo la curva o la probabilidad desde menos infinito a

ms infinito vale 1.
La distribucin normal es simtrica, es decir cada mitad de curva

tiene un rea de 0.5.
La escala horizontal de la curva se mide en desviaciones

estndar, su nmero se describe con Z.
Para cada valor Z se asigna una probabilidad o rea bajo la curva

mostrada en la Tabla de distribucin normal 449
Las distribuciones pueden variar en:
POSICIN AMPLITUD FORMA
O TENER CUALQUIER COMBINACION
450
La Distribucin Normal
Para la poblacin - se incluyen TODOS los datos
Para la muestra
X
m3 m2 m m m m2 m3
x-3s x-2s x-s x x+s x+2s x+3s
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
Alrededor de 68 % del area bajo la curva normal

est entre ms una y menos una desviacin
estndar de la media. Esto puede ser escrito como:
m 1s.
Cerca del 95 % del rea bajo la normal est entre
ms y menos 2 desviaciones estndar de la media,
m 2s.
Prcticamente toda (99.74 %) el rea bajo la normal
esta entre 3 desviaciones de la media m 3s.
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
2. Un valor de Z especfico para una cierta rea (por ejemplo 0.05)

se obtiene como sigue:
- Accesar el men de funciones con Fx, ESTADSTICAS, o
DISTR.NORM.ESTAND.INV, dar valor del rea y se obtiene la Z
454
Entre:
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.
En Excel usar Fx, ESTADISTICAS, NORMALIZACIN,

para calcular el valor de Z
z= x-m

Proceso con media =100
y desviacin estndar = 10
70 80 90 100 110 120 130
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:
DISTR.NORM.ESTAND, dar valor de Z y obtener el rea requerida
Z
Area
2. Un valor de Z especfico para una cierta rea (por ejemplo 0.05)

se obtiene como sigue:
- Accesar el men de funciones con Fx, ESTADSTICAS, o
DISTR.NORM.ESTAND.INV, dar valor del rea y se obtiene la Z
Clculos con Excel Distr. Normal
Distribucin normal, dadas una media y desviacin estndar:
1. rea desde menos infinito a X se obtiene como sigue:
- Accesar el men de funciones con Fx, ESTADSTICAS, DISTR.NORM,
dar el valor de X, Media, Desviacin Estndar s, VERDADERO y se
obtendr el rea requerida
X
Area
2. Un valor de X especfico para una cierta rea (por ejemplo 0.05) se

obtiene como sigue:
DISTR.NORM.INV, dar el valor del rea, Media y Desviacin Estndar
y se obtendr el valor de la X
Calculo de Probabilidades normales
1. Identificar la variable de inters.

2. Identificar los parmetros de la variable (su media y
desv. estndar).
3. Cual es la pregunta rea bajo la curva de
probabilidad normal?
4. Convertir los valores a la distribucin normal estndar
(estandarizacin Z = (X-Media)/S) .
5. Encuentre la probabilidad en tabla de la normal
estndar o por Excel.
Ejemplo
El agua usada diariamente por persona en Mxico est

distribuida normalmente con media 20 litros y una
desviacin de 5 lts..
Entre que valores cae cerca del 68% el agua usada

por una persona en Mexico?
m 1s = 20 1(5). Esto es, cerca del 68% de la

cantidad usada por persona cae entre 15 lts. y 25 lts..
De manera similar para 95% y 99%, el intervalo ser

de 10 lts a 30 lts y 5 lts a 35 lts.
Ejemplo
El agua usada diariamente por persona en Mxico es

distribuida normalmente con media 20 litros y una
desviacin de 5 lts. Sea X el uso diario de agua.
Cual es la probabilidad que una persona

seleccionada al azar use menos de 20 lts./dia?
El valor z asociado es z = (20 - 20)/5 = 0.

entonces,
P(X < 20) = P(z < 0) = 0.5.

Ejemplo
Que porciento usa entre 20 y 24 lts?

El value z asociado con X = 20 es z = 0 y con X =
24, z = (24 - 20)/5 = 0.8.
Entonces, P(20 < X < 24) = P(0 < z < 0.8) = P(0.8) -
P(0) = 0.7881- 0.5 = 0.2881 o 28.81%.
Que porciento usa entre 16 y 20 lts?
El valor z1 para X = 16 es z1 = (16 - 20)/5 = -0.8,

y para X = 20, z2 = 0. Entonces, P(16 < X < 20) =
P(-0.8 < z < 0) = P(0) - P(-0.8) = 0.5 - 0.2119 =
0.2881 = 28.81%.
P(0 < z < 0.8)
= 0.2881.
0.8
Ejemplo
Cual es la probabilidad que una persona

seleccionada al azar use mas de 28 lts?
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
Que porcentaje usa entre 18 y 26 lts?
El valor z asociado con X = 18 es z = (18 - 20)/5 = -

0.4, y para X = 26, z = (26 - 20)/5 = 1.2.
entonces, P(18 < X < 26)= P(-0.4 < z < 1.2) =
F(1.2) - F(-0.4)= 0.8849 - 0.3446 = 0.5403.
Ejemplos
El tiempo de vida de las bateras del conejito tiene una

distribucin aproximada a la normal con una media de
85.36 horas y una desviacin estndar de 3.77 horas.
Qu porcentaje de las bateras se espera que duren 80

horas o menos?
Cul es la probabilidad de que una batera dure entre

86.0 y 87.0 horas?
Cul es la probabilidad de que una batera dure ms de

87 horas?
470
rea bajo la curva normal
Que porcentaje de las bateras se espera que duren 80 horas
o menos?
Z = (x-mu) / s
Z = (80-85.36)/(3.77)= - 5.36/ 3.77 = -1.42
80 85.36
-1.42 0
Cul es la probabilidad de que una batera dure

entre 86.0 y 87.0 horas?
85.36 86 87
0 1
Cul es la probabilidad de que una batera dure ms

de 87 horas?
85.36 87
1.67 = .33 33% de las veces una batera durar ms

de 87 horas
Ejercicios
Considere una media de peso de estudiantes de 75 Kgs.
con una desviacin estndar de 10Kgs. Contestar lo
siguiente:
Cul es la probabilidad de que un estudiante pese ms
de 85Kgs.?
2. Cul es la probabilidad de que un estudiante pese
menos de 50Kgs.?
3. Cul es la probabilidad de que pese entre 60 y 80
Kgs.?.
4. Cul es la probabilidad de que pese entre 55 y 70
Kgs.?
5. Cul es la probabilidad de que pese entre 85 y
100Kgs.? 474
Distribuciones muestrales
475
A las distribuciones de los estadsticas muestrales
se les llama distribuciones muestrales.
POBLACION
476
Distribuciones Derivadas del
muestreo de Poblaciones Normales
Muestra
Aparecen distribuciones muestrales:

Normal, Chi-cuadrada, t-student, F
Poblacin
477
Distribucin de la Media:
Si X 1 , X 2 ,..., X n es una muestra aleatoria de una Poblacion

(X) con distribucin normal n( m , 2 ) .Entonces X se
distribuye normal con media m , y varianza 2 / n
X n(m , / n) 2
478
Distribuciones usadas normalmente
Distribucin Chi Cuadrada
Esta distribucin se forma al sumar los cuadrados de

las variables aleatorias normales estndar.
Si Z es una variable aleatoria normal, entonces el

estadstico Y siguiente es una variable aleatoria Chi
cuadrada con n grados de libertad.
y z z z .... z
2
1
2
2
2
3
2
n
479
Distribucin de la varianza.
Repaso de la distribucin ji-cuadrada.
La funcin de densidad de probabilidad con k grados de

libertad y la funcin gama es:
k x
1 1
f ( x) x2 e 2 , x 0.
2
k k
2
2
k=grados de libertad. (1,2,...)

480
Grficas de la distribucin ji-cuadrada
K=1 K=5
K=50
K=25
Con k grande ji-cuadrada se hace normal

481
Media y varianza de una ji-cuadrada.
E(X)=k
V(X)=2k
Calculo de puntos crticos usando las tablas de ji-

cuadrada
P( X ,k )
2
482
Ejemplo: Calcule el valor critico que satisface
P( X 0.05, 20 ) .05
2
De tablas de ji-cuadrada con alfa=.05 y k=20
0.05, 20 31.41
2
483
Resultado:
Si X 1 , X 2 ,..., X n es una muestra aleatoria de una Poblacion

(X) con distribucin normal n( m , 2 ) .Entonces (n 1) S 2 se
2
distribuye ji-cuadrada con k= n-1 grados de libertad.
Donde S cuadrada es la varianza muestral.
(n 1)
S
2 2
n 1
2
484
Distribucin t-student
Si X 1 , X 2 ,..., X n es una muestra aleatoria de una

Poblacin (X) con distribucin normal n ( m , 2
).
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
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
Ejemplo:
La resistencia de 15 sellos seleccionados
aleatoriamente son: 480, 489, 491, 508, 501, 500,
486, 499, 479, 496, 499, 504, 501, 496, 498
Cul es la probabilidad de que la resistencia promedio

de los sellos sea mayor a 500?. La media es 495.13 y
la desviacin estndar es de 8.467.
t = -2.227 y el rea es 0.0214 495.13 500

t 2.227
8.467 / 15
489
Distribucin F
Surge de dividir dos ji-cuadradas independientes
F=(W/u)/(Y/v)
W se distribuye ji-cuadrada con u g.l.

Y se distribuye ji-cuadrada con v g.l.
El uso de esta distribucin es para

comparar varianzas (Recuerde el anlisis de
varianza)
490
Funcin de
Distribucin F. densidad de la Distribucin F
[(u v) / 2]u / v x
u ( u / 2 ) 1
2
f ( x)
u
(u / 2)[v / 2][ x 1]( k v ) / 2
v
x (0, )
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.
Falfa, k1, k2 = 1 / F(1-alfa), k2, k1
Dado K1 = 8 y K2 = 10, F0.05 = 3.07, encontrar el

valor de F0.05 con K1 = 10 y K2 = 8
F0.05,10,8 = 1/ F0.95,8,10 = 1/ 3.07 = 0.326
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.
Si una variable aleatoria x se distribuye

exponencialmente, entonces el recproco de x,
y = 1/x sigue una distribucin de Poisson y viceversa.
La funcin de densidad de probabilidad exponencial

es: Para x >= 0 x
1
f ( x) e
e x
496
Donde Lambda es la tasa de falla y theta es la media
La funcin de densidad de la distribucin exponencial
497
Es usada como el modelo, para la parte de vida
til de la curva de la baera, i.e., la tasa de falla

es constante
Los sistemas complejos con muchos componentes
y mltiples modos de falla tendrn tiempos de

falla que tiendan a la distribucin exponencial
Desde una perspectiva de confiabilidad, es la
distribucin ms conservadora para prediccin.

La forma de la
exponencial siempre es
la misma 498
El modelo exponencial, con un solo parmetro, es el ms simple
de todo los modelos de distribucin del tiempo de vida. Las
ecuaciones clave para la exponencial se muestran:
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 )
R(t) = e(-t) (Confiabilidad)
Funcin de Confiabilidad Exponencial

1.200
1.000
0.800 = 0.001, MTBF = 1,000

= 0.002, MTBF = 500
R(t)
0.600
= 0.003, MTBF = 333
0.400
0.200
0.000
0 500 1,000 1,500 2,000
Tiempo
500
h(t) = 1 MEDIA (Velocidad de Falla)
Note que la tasa de

Funcin de la Tasa de Falla Exponencial
0.004
falla tiende a ser una
constante para
= 0.003, MTBF = 333
cualquier tiempo. La
0.003
distribucin exponencial
= 0.002, MTBF = 500
es la nica que tiene
h(t)
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
La funcin de densidad de probabilidad lognormal es

con Y = ln(t): 1 y m
2

y
1 2 y
f (t ) e
t y 2 502
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
Un tiempo de falla se distribuye segn una Lognormal

si el logaritmo del tiempo de falla est normalmente
distribuido.
La Distribucin Lognormal es una distribucin sesgada

hacia la derecha.
La PDF comienza en cero, aumenta hasta su moda y

diminuye despus.
504
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

(z) es la CDF de la Normal estndar 505

La Distribucin de vida Lognormal, como la Weibull, es

un modelo muy flexible que puede empricamente
ajustar a muchos tipos de datos de falla.
En su forma de dos parmetros tiene los parmetros

sln(t) = sy parmetro de forma, y T50 = la mediana
(un parmetro de escala)
Si el tiempo para la falla t, tiene una distribucin

Lognormal, entonces el logaritmo natural del tiempo de
falla (y =ln(t)) tiene una distribucin normal con media
my = ln T50 y desviacin estndar sy. 506
Esto hace a los datos lognormales convenientes para

trabajarlos as:
Determine los logaritmos naturales de todos los tiempos

de falla y de los tiempos censurados (y = ln(t)) y analice
los datos normales resultantes.
Posteriormente, haga la conversin a tiempo real y a los

parmetros lognormales usando y como la forma
lognormal y T50 = exp(my como (mediana) el parmetro
de escala.
507
Ejemplo: Dado t~LN(25,4), encuentre P(t<18)

Calculemos los valores que nos permiten usar
la tabla normal estndar

t2
2
4
T50 m t 1 2 25 1 24.68
mt 25
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
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

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
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
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
La resistencia de materiales frecuentemente sigue una distribucin

Lognormal
Las variables de peso son frecuentemente bien representadas con
una distribucin Lognormal
Es una buena distribucin para cualquier variable

La medida de cualquier resultado el cual es el resultado de una
proporcin o efecto multiplicativo es Lognormal
512
Distribucin de Weibull
La distribucin de Weibull es una de las ms
utilizadas en confiabilidad y estadstica.
La versin de dos parmetros forma y escala (que

representa la vida caracterstica) no incluye el
parmetro de localizacin es cero.
La versin de tres parmetros tiene una parmetro

de localizacin cuando hay un tiempo de falla
diferente de cero para la primera falla
513
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
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
La media y la varianza de la distribucin de Weibull
es:
1
m 1

2 2 1
1 1
2 2

516
Efecto del parmetro de forma Beta con Theta = 100
y Delta = 0
517
Efecto del parmetro de escala Theta
518
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.
Los artculos mecnicos tienen Failure Rate Creciente.

Otros artculos pueden ser Failure Rate Decreciente.
6
Failure Rate
5
Failure Rate
Decreciente Creciente
4
h(t)
Failure Rate Constante

1
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
La densidad del modelo Weibull puede tomar

muchas y diferentes formas.
1.2 =3
1
= 0.5
0.8
=1
=2
f(t)
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)
Entonces presenta la escala de h(t).

523
Modelo Weibull
Los momentos de la distribucin Weibull son:

1 1
E[T ] tf (t ) dt
0

1

] 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.
Cul es el tiempo medio de falla?
Cul es la probabilidad de que un resorte funcionar por 500

horas?
Cul es la probabilidad que un resorte que ha funcionado

por 200 horas funcione por otras 500 horas?
525
Modelo Weibull
Se tiene un sistema de n componentes.
Los componentes son independientes e
idnticamente distribuidos de acuerdo a una
distribucin Weibull.
Cual es la distribucin del tiempo de vida del
sistema? T min{ T ,, T }
1 n
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

de 3 parmetros de la CONFIABILI DAD : R(t ) e

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
No puede ocurrir una 2

2 1
falla antes de g horas, el VARIANZA : 1 1
2
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
Funcin de Densidad de Probabilidad 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
Funcin de Confiabilidad 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
Funcin Tasa de Falla 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
modela la caracterstica de vida de los sistemas, la

Weibull modela la caracterstica de vida de los
componentes y partes
Modela fatiga y ciclos de falla de los slidos
Es el traje correcto para datos de vida
La funcin de distribucin Weibull pdf es una
distribucin de la confiabilidad de los elementos

de una muestra
Muy flexible y puede tomar diferentes formas
532
Distribucin Weibull
Tiene usted una Distribucin Weibull con =2 y =2,
Cul es la media y la varianza?
1
m 1

2
2 2 1
varianza 1 1

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
< 1 disminuye la tasa de riesgo, implica mortalidad infantil

= 1 tasa de riesgo constante, fallas aleatorias
1< < 4 aumenta la tasa de riesgo, fallas por corrosin, erosin
> 4 aumenta rpidamente la tasa de riesgo, implica fallas por desgaste y
envejecimiento
534
La Distribucin Weibull - Interpretacin
= 1 (Tasa de riesgo constante)
< 1 (Tasa de riesgo decreciente)
Implica fallas aleatorias(Distribucin
Implica mortalidad infantil Exponencial)
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
Si esto ocurre 4 (La tasa de riesgo crece rpidamente)

-La mayora de los baleros y engranes
fallan Implica edad avanzada y rpido desgaste
-Corrosin o Erosin
-El reemplazo programado puede ser Si esto ocurre, sospeche de:
efectivo en costo -Propiedades del material
=3.44aprox. Normal, =2Rayleigh -Materiales frgiles como la cermica
-Variabilidad pequea en manufactura o
material
Distribucin Weibull
Cuando = 2.5 la Weibull se aproxima a la

distribucin Lognormal(estas distribuciones son tan
cercanas que se requieren tamaos de muestra
mayores a 50 para distinguirlas).
Cuando se modela el tiempo que se necesita para
que ocurran reacciones qumicas, se ha mostrado
que la distribucin Lognormal usualmente
proporciona un mejor ajuste que la Weibull.
Cuando = 5 la Weibull se aproxima a una Normal
puntiaguda.
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
Este mismo resultado se obtiene para el caso

exponencial, recordando que la Weibull se puede
reducir a una exponencial cuando b = 1.
538
V.F Capacidad de procesos
539
V.F Capacidad de procesos
1. ndices de capacidad de procesos
2. ndices de desempeo de procesos
3. Capacidad a corto y a largo plazo

4. Capacidad de proceso de datos no normales
5. Capacidad de proceso para datos por atributos
6. Estudios de capacidad de procesos

7. Desempeo de procesos vs. especificaciones
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
1. Predecir que tanto el proceso cumple especificaciones
2. Apoyar a diseadores de producto o proceso en sus

modificaciones
3. Especificar requerimientos de desempeo para el equipo

nuevo
4. Seleccionar proveedores
5. Reducir la variabilidad en el proceso de manufactura
6. Planear la secuencia de produccin cuando hay un efecto

interactivo de los procesos en las tolerancias 543
Anlisis de la capacidad de proceso
Estudios de capacidad
La capacidad del proceso es un patrn predecible de
comportamiento estadstico estable donde las causas
de variacin se comparan con las especificaciones.
544
LIE LSE
Especificacin Especificacin
inferior superior
s _
xi
X
p = porcentaje de partes fuera de Especificaciones 545

Cmo vamos a mejorar esto?
Podemos reducir la desviacin estndar...
Podemos cambiar la media...
O (lo ideal sera, por supuesto) que podramos cambiar ambas
Cualquiera que sea la mejora que lleve a cabo,

asegrarse que se mantenga
546
Procedimiento
1. Seleccionar una mquina donde realizar el estudio
2. Seleccionar las condiciones de operacin del proceso
3. Seleccionar un operador entrenado
4. El sistema de medicin debe tener habilidad (error R&R <

10%)
5. Cuidadosamente colectar la informacin
6. Construir un histograma de frecuencia con los datos
7. Calcular la media y desviacin estndar del proceso

547
Objetivos:
Establecer un estado de control sobre el proceso de
manufactura mantenerlo en el tiempo.
Al comparar el proceso vs los lmites de

especificacin pueden ocurrir los siguientes eventos:
No hacer nada
Cambiar las especificaciones
Centrar el proceso+
Reducir la variabilidad
Aceptar las prdidas
548
Identificacin de caractersticas:
Deben ser indicativas de un factor clave en la calidad
del producto o proceso
Debera ser posible ajustar el valor de la caracterstica

como factor de control
Las condiciones de operacin que afecten la

caracterstica medida deben ser identificadas y
controladas
El PPAP indica la evaluacin una inicial de la capacidad
549
Estimacin de la desviacin estndar
con el proceso normal o en control
La desviacin estndar del proceso cuando se encuentra en
control se determina como sigue con base en una carta de
control X-R siempre que est bajo control estadstico:
Rango medio
Desv. Est. st =
(Within) Constante d2 de acuerdo al
tamao de subgrupo en X-R
D2 = 1.128 para carta I-MR con n=2

D2= 2.326 para carta X-R con n=5
550
Lmites de tolerancia
natural del proceso
LTNS = Media + 3*sigma
LTNI = Media 3*sigma
Si los lmites de especificacin son: LIE y LSE
El Cp = (LSE LIE) / (LTNS LTNI) debe ser mayor a 1
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:
LIE - promedio del proceso LSE - Promedio del proceso

Zi = Zs =
Desviacin Estndar - st Desviacin Estndar - st
La fraccin defectiva se calcula con la distribucin normal estndar:
P(Zi) = rea en tabla (-Z)

P(Zs) = 1 rea corresp. a Zs en tabla (+Z)
Fraccin defectiva = P(Zi) + P(Zs)

552
ndices de Capacidad Potencial del
proceso en control Corto plazo
El ndice de capacidad potencial del Proceso (Cp) mide la
variacin del proceso en relacin con el rango de Especificacin.
Tolerancia LSE - LIE

Cp = =
Variacin del proceso 6 Desviaciones Estndar - st
La relacin de capacidad (CR) es la inversa del clculo de Cp. Este ndice le

indica que porcentaje de la especificacin est siendo usado por la variacin del
proceso.
Rango del proceso 6 desviaciones estndar - st
CR = =
LSE - LIE
Tolerancia
Otro ndice que toma en cuenta LSE LIE

Cpm
el centrado del proceso vs 6 2 ( X M )2
Media de Especificaciones M es: 553
ndice de capacidad real del proceso
en control estadstico corto plazo
Cpk es una medida de la capacidad real del proceso en funcin de
la posicin de la media del proceso (X) en relacin con con los
lmites de especificacin.
Con lmites bilaterales da una indicacin del centrado.
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
Habilidad o capacidad potencial Cp = (LSE - LIE ) / 6 st

Debe ser 1.33, si est entre 1 1.33 requiere mucho control, <1 inac.
para tener el potencial de
cumplir con especificaciones (LIE, LSE)
Habilidad o capacidad real Cpk = Menor | ZI y ZS | / 3

El Cpk debe ser 1.33 para que el
proceso cumpla especificaciones, entre 1 y 1.33 requiere control, <1 inac.
555
Tasa de falla vs Cp
556
Tasa de capacidad
Tasa de capacidad l Cp = 6 st/ (LSE - LIE )

Debe ser <= 0.75 si est entre 0.75 y 1 requiere mucho control, >1 inac.
ndice Cpm basado en el ndice de Taguchi, equivale al Cp tomando en

cuenta el centrado:
T = valor objetivo
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:
LIE - promedio del proceso LSE - Promedio del proceso

Zi = Zs =
Desviacin Estndar - st Desviacin Estndar - st
La fraccin defectiva se calcula con la distribucin normal estndar:
P(Zi) = rea en tabla (-Z)

P(Zs) = 1 rea corresp. a Zs en tabla (+Z)
Fraccin defectiva = P(Zi) + P(Zs)

558
Capacidad de proceso a partir de
Histogramas y Distribucin normal
559
Ejemplo
Se tomaron los datos siguientes:
265 205 263 307 220 268 260 234 299

197 286 274 243 231 267 281 265 214
346 317 242 258 276 300 208 187 264
280 242 260 321 228 250 299 258 267
265 254 281 294 223 260 308 235 283
200 235 246 328 296 276 264 269 235
221 176 248 263 231 334 280 265 272
265 262 271 245 301 280 274 253 287
261 248 260 274 337 250 278 254 274
278 250 265 270 298 257 210 280 269
215 318 271 293 277 290 283 258 275
251
560
Ejemplo (cont)
Agrupando los datos en celdas se tiene:
Intervalo Marca Frecuencia Frecuencia

de clase de clase Frecuencia Relativa Absoluta
170 - 189 179.5 2 0.02 0.02
190 - 209 199.5 4 0.04 0.06
210-229 219.5 7 0.07 0.13
230-249 239.5 13 0.13 0.26
250-269 259.5 32 0.32 0.58
270-289 279.5 24 0.24 0.82
290-309 299.5 11 0.11 0.93
310-329 319.5 4 0.04 0.97
330-349 339.5 3 0.03 1.00 .
561
Ejemplo (cont)
El histograma es el siguiente (se observa con forma normal):
35
30
25
20
15 Frec.
10
5
0
170- 210- 250- 290- 330-
189 229 269 309 349
562
Ejemplo (cont)
Calculando la media y la desviacin estndar se tiene:
X-media = 264.06 s = 32.02
La variabilidad del proceso se encuentra en 6 = 192.12

Si las especificaciones fueran LIE = 200 y LSE = 330
Cp = (330 - 200 ) / 192.2 < 1 no es hbil el proceso
Zi = (330 - 264.06) / 32.02 Zs = (200 - 264.06) / 32.02
Cpk = menor de Zi y Zs < 1 el proceso no cumple especificaciones
563
Ejercicio
Calcular la capacidad del proceso con la distribucin de frecuencias
siguiente considerando LIE = 530 y LSE = 580:
Intervalo Frecuencia Frecuencia

de clase Marca de clase Frecuencia Relativa Absoluta .
531 - 535 533 6

536 - 540 538 8
541 - 545 543 12
546 - 550 548 13
551 - 555 553 20
556 - 560 558 19
561 - 565 563 13
566 - 570 568 11
571 - 575 573 8
564
Ejemplo de capacidad de proceso
Process Capability of Viscosidad
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 *
9.6 10.4 11.2 12.0 12.8 13.6

O bserv ed P erformance E xp. Within P erformance E xp. O v erall P erformance
P P M < LS L 0.00 P P M < LS L 671.85 P P M < LS L 314.35
P P M > U S L 0.00 P P M > U S L 4191.66 P P M > U S L 2470.24
P P M Total 0.00 P P M Total 4863.51 P P M Total 2784.59
565
Interpretacin de salida Minitab
Desviacin estndar Within se determina con R /
d2, se usa para determinar los ndices de capacidad a
corto plazo Cp, Cpk y PPM Within
Desviacin estndar Overall det. Con la desviacin

estndar de los datos S/C4,
donde C4=4(n1)/(4n-3)), se usa para determinar
los ndices de Desempeo Pp, Ppk y PPM Overall
El Observed Perfomance se determina comparando

los datos de la muestra con las especificaciones
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
SI LAS VARIACIONES PRESENTES SON IGUALES,

SE DICE QUE SE TIENE UN PROCESO ESTABLE.
LA DISTRIBUCION SERA PREDECIBLE EN EL TIEMPO
Prediccin
Tiempo
569
Control y Capacidad de Proceso
Control de Proceso:
Cuando la nica fuente de variacin es normal o de causa comn,

se dice que el proceso esta operando en CONTROL.
Capacidad de Proceso:
Medicin estadstica de las variaciones de causa comn que son

demostradas por un proceso. Un proceso es capaz cuando
la causa comn de variacin cae dentro de las especificaciones
del cliente.
La capacidad no se puede determinar a menos que

el proceso se encuentre en Control y Estable.
570
Proceso en Control Estadstico
La distribucin de la mayora de las caractersticas medidas forman una curva en
forma de campana o normal, si no hay causas especiales presentes, que alteren
la normalidad . cuales son las causas comunes?|
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.
-3s -2s -1s x +1s +2s 3s

2% 99.73% 2% 571
Ejemplo de carta de control X-R
Xbar-R Chart of Pulse1
90
U C L=86.84
Sample Mean
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
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
NOTA: En una carta por individuales, d2 se toma para n = 2 y Rango

Medio= Suma rangos / (n -1)
574
Capacidad de proceso
Cuando las causas comunes son la nica variacin:
Cp
El ndice de capacidad potencial del proceso compara
la amplitud del proceso con la amplitud especificada.
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.
Cpk = LE Xmedia Cpk = menor |Z1 ; Z2| / 3

3 575
Ejemplo (carta X - R)
De una carta de control X - R (con subgrupo n = 5) se obtuvo lo

siguiente, despus de que el proceso se estabiliz quedando slo con
causas comunes:
Xmedia de medias = 264.06 Rmedio = 77.3
Por tanto estimando los parmetros del proceso se tiene:
m = X media de medias = Rmedio / d2 =77.3 / 2.326 =

33.23
[ d2 para n = 5 tiene el valor 2.326]
Si el lmite de especificacin es: LIE = 200.

El Cpk = (200 - 264.06) / (77.3) (3) = 0.64 por tanto el proceso no
cumple con las especificaciones 576
Ejemplo (carta X - S)
De una carta de control X - S (con subgrupo n = 5) se obtuvo lo

siguiente, despus de que el proceso se estabiliz quedando slo con
causas comunes:
Xmedia de medias = 100 Smedio = 1.05
Por tanto estimando los parmetros del proceso se tiene:
m = X media de medias = Smedio / C4 = 1.05 / 0.94 =

1.117
[ C4 para n = 5 tiene el valor 0.94 ]
Si el lmite de especificacin es: LIE = 85 y el LSE = 105.
El Cpk = (105 - 100) / (1.117 ) (3) = 1.492
El Cp = (105 - 85) / 6 (1.117 ) = 2.984
por tanto el proceso es capaz de cumplir con especificaciones 577
Ejercicios
1) De una carta de control X - R (con subgrupo n = 8) se
obtuvo lo siguiente, despus de que el proceso se estabiliz
quedando slo con causas comunes (LIE = 36, LSE = 46):
Xmedia de medias = 40 Rmedio = 5
2) De una carta de control X - S (con subgrupo n = 6) se

obtuvo lo siguiente, despus de que el proceso se estabiliz
quedando slo con causas comunes (LIE = 15, LSE = 23):
Xmedia de medias = 20 Smedio = 1.5
578
V.F.2 ndices de desempeo del
proceso
579
Estimacin de la desviacin estndar
con el proceso a largo plazo
Se toman todos los datos del proceso histricos, no importa que

el proceso no est en control o no sea normal.
( 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.
Tolerancia LSE - LIE

Pp = =
Variacin del proceso 6 Desviaciones Estndar - lt
La relacin de capacidad (CR) es la inversa del clculo de Cp. Este ndice le

indica que porcentaje de la especificacin est siendo usado por la variacin del
proceso.
Rango del proceso 6 desviaciones Est. - lt

CR = =
LSE - LIE
Tolerancia
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.
Con lmites bilaterales da una indicacin del centrado.
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
ndice de desempeo potencial Pp = (LSE - LIE ) / 6 lt

Debe ser 1 de preferencia >1.33
ndice de desempeo real Ppk = Menor | ZI y ZS | / 3

El Ppk debe ser 1 para que el
proceso cumpla especificaciones
de preferencia > 1.33
583
IIIF.5 Capacidad a corto
y a largo plazo
584
Corto y largo plazos
Corto plazo:
Es un periodo corto de tiempo en el cual no hay
cambios significativos en el proceso en relacin a

las 6Ms (personal, materiales, mtodos, medio
ambiente, mediciones, mquinas)
Largo Plazo
Es el periodo de tiempo en el cual ya han ocurrido
todos los cambios posibles en el proceso, se trata

de informacin histrica
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.
Inicialmente se utilizan A2 y D4 para calcular los

lmites de control que se modifican al tomar ms
puntos
El Cpk calcualdo de esta forma se considera

preliminar
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
Una alternativa es la transformacin de potencia de

Box-Cox dada por:
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
Con la media aritmtica de los datos transformados

dada por:
1 n
x ( ) x i ( )
n i 1
589
Capacidad de procesos no normales
y transformaciones de datos
Para procesos no normales, utilizar la distribucin de
Weibull
Para transformaciones de datos no normales en

normales utilizar la transformacin de Box Cox
590
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
0.0 1.5 3.0 4.5 6.0 7.5 591

transformando datos con Box - Cox
Con archivo de Minitab TILES.MTW, lamda = 0.5

Box-Cox Plot of Warping
Lower C L Upper C L
Lambda
20
(using 95.0% confidence)
Estimate 0.345504
Lower C L 0.052120
15 Upper C L 0.642093
Best Value 0.500000

StDev
10
Limit
0
-2 -1 0 1 2 3 4 5
Lambda
592
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 *
0.0 0.4 0.8 1.2 1.6 2.0 2.4 2.8

O bserv ed P erformance E xp. Within P erformance E xp. O v erall P erformance
P P M < LS L 0.00 P P M < LS L 781.08 P P M < LS L 1303.73
P P M > U S L 20000.00 PPM > USL 9472.66 PPM > USL 12754.26
P P M T otal 20000.00 P P M T otal 10253.74 P P M T otal 14057.99
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.
Este mtodo ha sido propuesto por Clements (1989) con base

en las curvas de Karl Pearson (1893), para ello, es necesario
caracterizar la curva de distribucin de acuerdo a su posicin
(Media), dispersin (Desviacin Estndar) y forma (Grado de
asimetra mediante el Sesgo y grado de achatamiento o
Kurtosis).
594
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
Clculo del sesgo:
Donde : momento 3 = m3 = (S(yi y)3)/n
O bien : n 3
yi y
a3 = n
(n-1)(n-2)
.
S
i=1
( s )
a3 > 0 a3 = 0 a3 < 0
596
Calcular el coeficiente de curtosis (a4 -3)
a4 = m4 / 4 Donde : momento 4 = m4 = (S(yi y)4)/n
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 Leptocrtica : a4 > 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
Anderson-Darling Normality Test

A-Squared: 3.073
P-Value: 0.000
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.
Calcular el percentil 0.135 estimado (PI) :
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
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
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
Calcule el ndice de desempeo entre grupos (Zshift):

Zshift = Zst - Zlt
ndices de desempeo
Analice la informacin; se consideran como valores
aceptables los siguientes:
Zlt > 3 ; Zst > 4 ; Zshift < 1.5
3.0 3.0
Zshift Malo
Pobre control y Pobre
pobre capacidad control
Zshift
Control
Control
2.0 2.0
1.0 1.0 Pobre Estado

Bueno capacidad deseado
0.0 0.0
0.0 2.0 4.0 6.0 0.0 2.0 4.0 6.0
Zst Malo Zst Bueno
Capacidad/Diseo/Tecnologa Capacidad/Diseo/Tecnologa
Capacidad de procesos
bajo Seis Sigma
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
Variacin a largo plazo

(periodo en el cual ya se
han presentado todos los
cambios posibles en el
proceso) - Zlt
Variacin Global - Zbench.
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
1,000,000 unidades 95.5% de rendimiento

Despus de la
inspeccin de recepcin
45,000 97% de rendimiento

De las operaciones
Unidades de Maquinado
desperdiciadas
28,650 94.4% de
Unidades En los puestos
desperdiciadas
51,876
rendimiento
de prueba -
1er intento
Unidades
YRT = .955*.97*.944 = desperdiciadas
87.4% Correcto la
125,526 unidades desperdiciadas primera
por milln de oportunidades vez
610
Ejemplos de defectos / unidad
Determinar DPU en la produccin de 100 unidades
Defectos 20 10 12 4
Unidades 70 20 6 4
DPU = D/U = (20+10+12+4)/100=0.46

Si cada unidad tiene 6 oportunidades para defecto
(caractersticas A, B, C, D, E y F), calcular DPO y DPMO
DPO = DPU / O = 0.46/6 = 0.078 DPMO = 78,333

611
Relaciones de sigmas
La probabilidad de uno o ms defectos es:
P(d) = 1- Yrt = 1 FPY o P(d) = 1 Yrt para varios

procesos
Si se tiene FPY = 95% P(d) = 0.05
Entonces la Z a largo plazo se encuentra en tablas

como Zlt = 1.645 sigma y por tanto la Zst a corto
plazo es:
Zst = 1.645 + 1.5 (corrimiento) = 3.145
612
Como calcular la capacidad Seis Sigma para un
proceso (equivale a la Zst de corto plazo)?
Qu proceso se considera? Facturacin y CxC

Cuntas unidades tiene el proceso? 1,283
Cuntas estn libres de defectos? 1,138
Calcular el desempeo del proceso 1138/1283=0.887

Calcular la tasa de defectos 1 - 0.887 = 0.113
Determinar el nmero de oportunidades

que pueden ocasionar un defecto (CTQs) 24
Calcular la tasa de defecto por caract. CTQ 0.113 / 24 = .004709

Calcular los defectos x milln de oportunidades DPMO = 4,709
Calcular #sigmas con tabla de conversin de sigma 4.1
613
V.F.5 Capacidad de procesos por
atributos
614
Capacidad de proceso
para datos por atributos
En este caso la capacidad del proceso es la proporcin
media de producto no conforme
Para cartas p y np, la capacidad del proceso es la p media

de fraccin no conforme. Se puede usar 1 p.
Para cartas c, la capacidad del proceso es el promedio de

las no conformidades, c media, para una muestra fija de
tamao n.
Para cartas u, la capacidad del proceso es el promedio de

las no conformidades por unidad, u media
615
Planta escondida
100 Y =0.90 90 Y =0.90 81 Y =0.90 73 Y =0.90 66
1 2 3 3
10 9 8 7
100 100 100 100 100

$1/Unit $1/Unit $1/Unit $1/Unit
Rework 10 Rework 10 Rework 10 Rework 10
616
La eficiencia rolada
100 100 100 100 100
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 :
YRT = e- DPU = e- (40/100) = e- 0.4 = 0.67 = 67%

1 YRT = Probabilidad de un defecto/unidad = 1 0.67 = 0.33 = 33%
1 + (1 YRT) = Numero de unidades equivalentes iniciadas para

producir una unidad buena = 1 + (1 - 0.67) = 1.33 617
Costos de pobre calidad
100 100 100 100 100

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
El desempeo de un proceso tambin puede ser

expresado en trminos de eficiencia. Las 3 eficiencias
ms usadas son :
Eficiencia de primer paso (bien a la primera vez),
eficiencia final (Yfinal) o First Time Yield (YFT)
Eficiencia rolada o Rolled-Throughput Yield (YRT)
Eficiencia Normalizada (Ynorm)
619
Eficiencia de primer paso (bien a la primera vez),

eficiencia final (Yfinal) o First Time Yield (YFT)
Yfinal = Nmero de unidades buenas antes de retrabajo
Nmero de unidades probadas evaluadas
620
Eficiencia rolada o Rolled-Throughput Yield (YRT)
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
Eficiencia Normalizada (Ynorm)
Clculo de la Eficiencia Normalizada (Ynorm) :
Ynorm = (YRT)1/k
Clculo de DPU a partir de la Eficiencia :
DPU = 1 - Y
Eficiencia a partir de PPMs :

Y = 1 (PPM/1000,000)
622
V.F.7 Desempeo de proceso vs
especificaciones
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:
X es un entero y DPU > 0

Para el caso de que X sea cero se tiene
Rendimiento o FRC = P(X=0) = Exp(-DPU)
625
Frmulas de desempeo
626
Rolled Troughput Yield (Yrt)
Yrt es el clculo acumulativo del ndice de defectos a
lo largo de procesos mltiples
La probabilidad de un defecto es 1 P(Yrt) = 0.05
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.
Defina el defecto, la unidad y el nmero de

oportunidades por unidad
Defina que es un corto plazo
Evale el desempeo en DPMO y Z del CTQ en varios

(k) cortos plazos
628
Tablero de control
Evale el desempeo en DPMO del largo plazo,
considerando lo siguiente
Dlt = S Dsti Donde :

i=1
Dlt = Defectos de largo plazo
TotOplt = S [Ui*(Op/U)i ] Dst = Defectos de corto plazo
k
i=1 U = Nmero de unidades
DPMOlt = Dlt . * 106

Op/U = Oportunidades por unidad
TotOplt
TotOp = Total de oportunidades
DPMOlt = Defectos por Milln de Oportunidades

k = Nmero total de caractersticas crticas
629
Tablero de control
Con los DPMOlt evale la Zlt
Identifique la Z de corto plazo ms pequea y sta
ser la Zst
Calcule la Zshift considerando que :
Zshift = Zst - Zlt
630
Tablero de control
de variable continua
CTQ, pero hay desempeos parciales en el tiempo.
Determine la variable y los Lmites de Especificacin
Defina que es un periodo de tiempo
Recolecte datos de cada periodo y calcule la

desviacin estndar de Corto plazo (Sst) y las PPMs
de cada periodo de tiempo
Calcule la Zst y Zlt de cada periodo de tiempo

631
Tablero de control
Calcule la Sst total del CTQ mediante:
g Donde : n = Nmero Total de Datos

sst = nj = Nmero de datos del grupo j
j=1
(n j -1) sj
2
(n-g) sj = Desviacin Estndar del grupo j
g = Nmero de grupos
Calcule la Zst total del CTQ

Calcule los PPMs totales mediante un promedio
ponderado
632
Tablero de control
Donde : PPM = PPM Totales
PPM = S ni PPMi
k
PPMj = PPMs del periodo i

i=1 N ni = Nmero de datos del periodo i
N = Nmero total de datos
Con los PPMs totales obtenga Zlt total del CTQ

633
Tablero de control
Con los DPMOlt evale la Zlt
Identifique la Z de corto plazo ms pequea y sta
ser la Zst
Zshift = Zst - Zlt
634
Tablero de control
de variable mltiple
Producto, Proceso Sistema a partir del desempeo
de varios CTSs, CTQs CTPs
Defina el Producto, Proceso Sistema a evaluar
Identifique los CTSs, CTQs CTPs del Sistema a

evaluar
Evale de forma individual cada CTS, CTQ CTP en

trminos de DPMOlt
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
Evale desempeo potencial de cada caracterstica

crtica expresado en DPMOst, el cual se puede
obtener a partir de la Zst los menores DPMO que
el proceso ha demostrado generar a corto plazo.
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)
I es la importancia. La caracterstica crtica con mayor valor

de I es ponderado con mayor peso al calcular el valor total
compuesto Y
638
Tablero de control
de variable mltiple
Calcule los DPMO totales del sistema mediante:
DPMOst = (1 Ynormst)*106 DPMOlt = (1 Ynormlt)*106
Con los DPMOst obtenga la Zst, con los DPMOlt

obtenga la Zlt
Calcule la Zshift del sistema mediante :
Zshift = Zst - Zlt
639

Seis Sigma BB Medicion

Cargado por

Información del documento

Título original

Derechos de autor

Formatos disponibles

Compartir este documento

Compartir o incrustar documentos

Opciones para compartir

¿Le pareció útil este documento?

¿Este contenido es inapropiado?

Copyright:

Formatos disponibles

Seis Sigma BB Medicion

Cargado por

Copyright:

Formatos disponibles

Programa de certificacin

de Black Belts ASQ

VI. Seis Sigma - Medicin

A. Caractersticas del proceso

2. Mtricas de flujo de proceso

3. Herramientas de anlisis de proceso

Flujo de manufactura continua (CFM) proceso donde

Tiempo de ciclo tiempo para completar un ciclo de

JIT sistema para producir los artculos correctos en el

Nivelacin de carga balanceo de las cargas de

Sin valor agregado cualquier actividad que no

Perfeccin eliminacin completa de muda

Punto de uso del inventario inventario surtido

Diagrama de flujo del proceso Diagrama del flujo o la

Jalar (Pull) sistema en que el proveedor anterior no

SMED (Single Minute Exchange of Die) tcnicas para

Flujo de una sola pieza una situacin donde un

Principio de lotes pequeos reduccin efectiva de

Trabajo estandarizado descripcin de cada actividad

Cadena de valor actividades especficas requeridas

Control visual colocacin a la vista de todas las

Celda de trabajo o manufactura acomodo de

Centro de trabajo estacin de trabajo en una celda

Identificar la cadena de valor para cada producto

Hacer el flujo de valor

Permitir que el cliente jale valor del proveedor

En Alemania se hace nfasis en el producto y proceso

En Japn se enfocan a crear valor desde la

El costo objetivo es una mezcla de de los precios de

La solucin de problemas (nuevos productos)

En Lean se analiza un solo producto, para reduccin

Agrega valor de acuerdo a la percepcin del cliente

Con el TPM se esperan cero fallas en mquinas

El nivel de calidad es muy alto con Poka Yokes

La programacin de la produccin es suave, de flujo

En una planta de produccin masiva, cada operacin

Colaboracin entre socios de la cadena de valor para

Usar tecnologa para eliminar Muda

Desarrollar nuevos productos

Se sugiere revisar la distribucin de la celda para:

Tasa de thoughput = 1 / Tiempo de ciclo

La ley de Little estable que:

Inventario WIP = Throughput * Tiempo de flujo

Eficiencia del ciclo de proceso = Tiempo de valor agregado /

Si hay 30,000 unidades planeadas, y se pueden producir

TLT = 30,000 / 3,000 = 10 das

Tasa de terminacin = WIP / TLT = 21 / 3 = 7 cotiz./da

Se analizan los tpicos siguientes:

Es el paso inicial para la mejora de procesos, ya que

Construir un mapa de proceso para representar los

Discutir y analizar cada paso en detalle

Preguntarse Por qu lo hacemos de esta manera?

Hay puntos de control para evitar errores y

Puede realizarse el proceso de manera diferente?

Pasos para elaborarlo (Smbolos ANSI Y15.3)

Proceso Desicin Documento Datos

Proceso Preparacin Operacin Entrada

Conector Con. pgina Display Almacen Terminador 43

Transportacin Lneas de Flujo

Paso 2A Paso 2B Paso 2C

Retrabajo No Bueno? S Fin

Actividades con valor agregado

Actividades sin valor agregado