Вы находитесь на странице: 1из 34

CONTROL ESTADÍSTICO DE CALIDAD

CONTROL ESTADÍSTICO DE CALIDAD

Presentado a: Juan Carlos Santiago Garzón

Juan Carlos Malaver Peñuela

062071269

Ingeniería Industrial Universidad Libre de Colombia Bogotá D.C Octubre 15 de 2014

CONTROL ESTADÍSTICO DE CALIDAD

CONTROL ESTADÍSTICO DE CALIDAD

  • 1. Taller 1. DIAGRAMA DE DISPERSIÓN____________________________3

  • 2. Taller 2. REGRESIÓN LINEAL_____________________________________7

  • 3. Taller 3. PARETO PARTE A________________________________________8

  • 4. Taller 4. PARETO PARTE B_______________________________________14

  • 5. Taller 5. HISTOGRAMA PARTE A________________________________16

  • 6. Taller 6. CAMPANA DE GAUSS__________________________________24

CONTROL ESTADÍSTICO DE CALIDAD

CONTROL ESTADÍSTICO DE CALIDAD

  • 1. Taller 1. DIAGRAMA DE DISPERSIÓN

ANÁLISIS DE INGENIERÍA

Un modo sencillo de comprobar gráficamente si existe una correlación alta, es mediante diagramas de dispersión, donde se confronta en el eje horizontal, el valor de una variable y en el eje vertical el valor de la otra. Un ejemplo sencillo de variables altamente correlacionado es la relación entre el peso y la estatura de un sujeto. Su utilización será beneficiosa para el desarrollo de los proyectos abordados por los equipos y grupos de mejora y por todos aquellos individuos u organismos que estén implicados en la mejora de la calidad. Además, se recomienda su uso como herramienta de trabajo dentro de las actividades habituales de gestión.

OBJETIVOS OBJETIVO GENERAL

Definir las reglas básicas a seguir para la construcción e interpretación de los Diagramas de Dispersión, resaltando las situaciones en que pueden, o deben, ser utilizados. Es de aplicación a todos aquellos estudios en los que es necesario analizar relaciones entre fenómenos o efectos y relaciones de causalidad.

OBJETIVOS ESPECÍFICOS

Observar el grado de intensidad en la relación entre dos variables, esta

relación puede ser entre un efecto y una de las supuestas causas que lo producen o para ver la relación entre dos causas que provocan un mismo efecto. Analizar determinadas cuestiones mediante comparaciones.

INTRODUCCIÓN

Este documento describe el proceso completo a seguir para analizar la existencia de una relación lógica entre dos variables. Describe la construcción de los

CONTROL ESTADÍSTICO DE CALIDAD

CONTROL ESTADÍSTICO DE CALIDAD Diagramas de Dispersión a partir de la recogida de datos acerca de

Diagramas de Dispersión a partir de la recogida de datos acerca de dichas variables y el análisis posterior necesario para confirmar la correlación que puede mostrar dicho diagrama, ya que ésta no implica la existencia de una relación lógica.

MARCO REFERENCIAL

El diagrama de dispersión es una herramienta de análisis la cual representa en forma gráfica la relación existente entre dos variables pudiendo observar la dependencia o influencia que tiene una variable sobre la otra, permitiendo visualizar de forma gráfica su posible correlación. Conocidos también como gráficos XY es una herramienta de análisis utilizado generalmente en el área de la gestión de calidad con el objeto de encontrar las relaciones de las causas que producen un efecto. El diagrama de dispersión nos indica la relación existente entre dos variables, y por lo tanto si traducimos estas dos variables a grupos de datos, podemos relacionar grupos de datos con el objeto de verificar o averiguar que existe una relación entre ambos y como es esta relación de forma aproximada.

METODOLOGÍA

Gráfico de dispersión lineal para hombres Datos

ESTATU

PESO

NOMBRE

RA

1,75

73

JEISSON MORA

1,75

80

CESAR

 

GUERRERO

1,64

62

CESAR SANCHEZ

1,7

69

IVAN VERGARA

1,7

57

JOSE LUIS PARRA

1,76

80

JUAN MALAVER

1,72

80

OSCAR NIVIAYO

CONTROL ESTADÍSTICO DE CALIDAD

CONTROL ESTADÍSTICO DE CALIDAD 1,74 71 CARLOS BRAND 1,74 77 SANTIGO PICO 1,74 67 FELIPE ROJAS
 

1,74

71

CARLOS BRAND

1,74

77

SANTIGO PICO

 

1,74

67

FELIPE ROJAS

1,83

74

LUIS COGUA

 

1,86

70

LUIS LEON

1,73

72

ALEJANDRO

 
 

DAVILA

1,69

69

DANIEL

 

VELASQUEZ

 

1,69

68

FERNANDO

 
 

VANEGAS

1,72

74

JHON CRUZ

Gráfico

 

PESO

 
 

100

80

f(x) = 48.21x - 12.2 R² = 0.16
f(x) = 48.21x - 12.2
R² = 0.16

60

 

PESO

40

 

20

0

 

1.6

1.65

1.7

1.75

1.8

1.85

1.9

 

ESTATURA

 

Ecuación:

PESO Linear (PESO)
PESO
Linear (PESO)

y = 48,206x - 12,199

CONTROL ESTADÍSTICO DE CALIDAD

CONTROL ESTADÍSTICO DE CALIDAD El peso de un hombre de 2,10 mts de estatura seria Y=48.206(2.10)-12,199

El peso de un hombre de 2,10 mts de estatura seria Y=48.206(2.10)-12,199 =

89,0336kg

El peso de un hombre de 1,30 mts de estatura seria Y=48.206(1.30)-12,199=

50,4688kg

Gráfico de dispersión lineal para mujeres

Datos

 

ESTATU

PESO

NOMBR

RA

E

1,64

74

JESSIKA

1,64

50

CYNTHIA

1,54

51

LAURA

1,59

49

ESTEFANI

 

A

 

1,62

46

JENNIFER

1,53

56

ASHLEY

1,63

53

NATALIA

1,62

48

ANA

 

MARIA

 

1,61

59

ANYELA

1,63

57

JULIETH

1,69

60

LIDITH

1,69

76

DANIELA

1,7

68

MILENA

1,68

73

TERESA

Gráfico

CONTROL ESTADÍSTICO DE CALIDAD

CONTROL ESTADÍSTICO DE CALIDAD

ESTATURA VS PESO MUJERES

 

80

60

PESO

40

20

0

f(x) = 117.57x - 132.98 R² = 0.35 1.5 1.55 1.6 1.65 1.7 1.75
f(x) = 117.57x - 132.98
R² = 0.35
1.5
1.55
1.6
1.65
1.7
1.75
PESO Linear (PESO)
PESO
Linear (PESO)

ESTATURA

Ecuación:

y = 117,57x - 132,98

El peso de una mujer de 2,10 mts de estatura seria Y=117,57(2.10)-132,98 =

113,917kg

El peso de una mujer de 1,30 mts de estatura seria Y=117,57(1,30)-132,98=

19,861kg

INFOGRAFIA

CONTROL ESTADÍSTICO DE CALIDAD

CONTROL ESTADÍSTICO DE CALIDAD 2. Taller 2. REGRESIÓN LINEAL ANÁLISIS DE INGENIERÍA En el análisis de
  • 2. Taller 2. REGRESIÓN LINEAL

ANÁLISIS DE INGENIERÍA

En el análisis de regresión es primordial investigar la relación estadística que existe entre una variable dependiente (Y) y una o más variables independientes. Para poder realizar esta investigación, se debe postular una relación funcional entre las variables. Debido a su simplicidad analítica, la forma funcional que más se utiliza en la práctica es la relación lineal. Cuando solo existe una variable independiente, esto se reduce a una línea recta.

OBJETIVOS

OBJETIVO GENERAL

Estimar el valor de una variable aleatoria o variable dependiente, dado que el valor de una variable asociada o variable independiente, es conocido. La variable dependiente también se llama variable de respuesta, mientras que la variable independiente también se llama variable de predicción.

OBJETIVOS ESPECÍFICOS

Estimación de parámetros para encontrar la pendiente de una recta que mejor se aproxime a los puntos.

INTRODUCCIÓN

Se analizará el tema de la regresión lineal que es de amplio uso en el análisis de datos. Recordemos que los datos vienen configurados en pares ordenados con componentes asociadas a la variable “x” y “y”. Cuando estos números se disponen en un plano cartesiano se define una gráfica de puntos que corresponde a un diagrama de dispersión. Se busca que todos los puntos guarden una estrecha relación con un perfil particular para poder definir más fácilmente su comportamiento. El perfil por excelencia es una línea recta, Se pretenden entonces que los puntos se acerquen en gran medida a dicha recta. La herramienta para poder definir la cercanía a la línea es el coeficiente de variación de Pearson (r). No obstante, teniendo esta herramienta, es posible establecer una

CONTROL ESTADÍSTICO DE CALIDAD

CONTROL ESTADÍSTICO DE CALIDAD medida un poco más precisa de la recta a la cual se

medida un poco más precisa de la recta a la cual se ajustan los puntos, lo que se hace mediante la regresión lineal. Recordemos que la regresión lineal es una herramienta que permite conocer el comportamiento de una variable (normalmente la variable y) respecto de la otra (variable x). Esto se logra mediante una línea recta que se define como y=ax+b, donde a es la pendiente o grado de inclinación y b el intercepto con el eje de las ordenadas o eje “y”.

METODOLOGÍA

Estimación de la ecuación de regresión muestral.

Consiste en determinar los valores de “a” y “b” a partir de la muestra, es decir, encontrar los valores de a y b con los datos observados de la muestra. El método de estimación es el de Mínimos Cuadrados, mediante el cual se obtiene:

a=Yb X

(Xi¿ X)( yiy)

(XiX) 2

=¿

Práctica: Tomar el grupo de clase el valor de la muestra (X) en metros con flexo metro y uno con balanza de piso el valor peso (Y) en kilogramos correspondiente a cada uno y determine:

  • a. El gráfico de dispersión y el cálculo de la recta de mayor ajuste, asumiendo que el valor de (e) error es igual a cero.

 

Xi

Yi

(Xi -

(yi -

(Xi - )

(Xi -

(yi - )^2

 

Estat

Peso

)

)

(yi - )

)^2

ura

 
  • 175 1,5

    • 73 2,34375

1,5625

2,25

2,4414062

 

5

 
  • 175 1,5

    • 80 12,84375

8,5625

2,25

73,316406

 

3

 
  • 164 -9,5

    • 62 89,65625

-9,4375

90,25

89,066406

 

3

 
  • 170 -3,5

    • 69 8,53125

-2,4375

12,25

5,9414062

 

5

   
  • 170 -3,5

 

-

  • 57 50,53125

12,25

208,44140

14,437

6

5

CONTROL ESTADÍSTICO DE CALIDAD

CONTROL ESTADÍSTICO DE CALIDAD 176 2,5 80 8,5625 21,40625 6,25 73,316406 3 172 -1,5 80 8,5625
 
  • 176 2,5

80

8,5625

21,40625

6,25

73,316406

 

3

 
  • 172 -1,5

80

8,5625

-12,84375

2,25

73,316406

 

3

 
  • 174 0,5

71

-0,4375

-0,21875

0,25

0,1914062

 

5

 
  • 174 0,5

77

5,5625

2,78125

0,25

30,941406

 

3

 
  • 174 0,5

67

-4,4375

-2,21875

0,25

19,691406

 

3

 
  • 183 9,5

74

2,5625

24,34375

90,25

6,5664062

 

5

 
  • 186 12,5

70

-1,4375

-17,96875

156,25

2,0664062

 

5

 
  • 173 -0,5

72

0,5625

-0,28125

0,25

0,3164062

 

5

 
  • 169 -4,5

69

-2,4375

10,96875

20,25

5,9414062

 

5

 
  • 169 -4,5

68

-3,4375

15,46875

20,25

11,816406

 

3

 
  • 172 -1,5

74

2,5625

-3,84375

2,25

6,5664062

 

5

∑ =

1143

2776

0

0

201,5

418

609,94

CONTROL ESTADÍSTICO DE CALIDAD

CONTROL ESTADÍSTICO DE CALIDAD Regresión 90 80 70 f(x) = 0.48x - 12.2 R² = 0.16
Regresión 90 80 70 f(x) = 0.48x - 12.2 R² = 0.16 60 50 Estatura Peso
Regresión
90
80
70
f(x) = 0.48x - 12.2
R² = 0.16
60
50
Estatura Peso
Peso
40
Linear (Estatura Peso)
30
20
10
0
160
165
170
175
180
185
190
Estatura
 =
173,5
71,44

(Xi¿ X)( yiy)

(XiX) 2 ( yiy) 2

=¿

r=

201,5

(418)∗(609 94) =¿ 0,3991

r 2 =(0,3991) 2 =0,1593

(Xi¿ X)( yiy)

(XiX) 2

=¿

a=Yb X

202

b= 418 =0,4821

a=71,4375(0,4821173,5)=−12,199

y=bx+a

y=(0,4821173,5)+(12,199 )=71,44

11

CONTROL ESTADÍSTICO DE CALIDAD

CONTROL ESTADÍSTICO DE CALIDAD

  • b. ¿Cuál sería el peso de una persona con una estatura de 2.10 metros y una de 1.30 metros?

X1=

210

X2=

130

Y1=

89,03

Y2=

50,47

y 1=(0,4821210 )+(12,199)=89,03

y 2=(0,4821130 )+(12,199)=50,47

Se reemplazan los valores de las estaturas (x) y se realiza la operación

ya

teniendo los valores de (b) y de (a) en la operación anterior.

  • c. ¿Qué conclusión puede tener sobre la correlación existente entre variables utilizadas?

La correlación trata de establecer la relación o dependencia que existe entre

las dos variables que intervienen en una distribución bidimensional.

Es decir, determinar si los cambios en una de las variables influyen en los

cambios de la otra. En caso de que suceda, diremos que las variables están

correlacionadas o que hay correlación entre ellas.

Tipos de Correlación

Correlación directa: La correlación directa se da cuando al aumentar una de

las variables la otra aumenta. La recta correspondiente a la nube de puntos de

la distribución es una recta creciente.

Correlación inversa: La correlación inversa se da cuando al aumentar una de

las variables la otra disminuye. La recta correspondiente a la nube de puntos

de la distribución es una recta decreciente.

Correlación nula: La correlación nula se da cuando no hay dependencia de

ningún tipo entre las variables. En este caso se dice que las variables son

incorreladas y la nube de puntos tiene una forma redondeada.

CONTROL ESTADÍSTICO DE CALIDAD

CONTROL ESTADÍSTICO DE CALIDAD 3. Taller 3. PARETO PARTE A ANÁLISIS DE INGENIERÍA Podemos decir que
  • 3. Taller 3. PARETO PARTE A

ANÁLISIS DE INGENIERÍA

Podemos decir que esta técnica facilita la selección de los puntos débiles donde

debemos focalizar los esfuerzos de mejora que presentan una rentabilidad

potencialmente mayor. Del mismo modo que se puede utilizar el diagrama de

Pareto para determinar cuáles son las principales causas de un problema, puede

ser utilizado previamente para identificar los problemas.

OBJETIVOS

OBJETIVO GENERAL

Definir las reglas básicas a seguir para la construcción y la utilización del diagrama

de Pareto, resaltando las situaciones en que puede o debe ser utilizado. Es de

aplicación a aquellos estudios o situaciones en que es necesario priorizar la

información proporcionada por un conjunto de datos o elementos.

OBJETIVOS ESPECÍFICOS

Determinar las causas raíz del problema.

Decidir el objetivo de mejora y los elementos que se deben mejorar.

INTRODUCCIÓN

Este documento sirve de guía para la utilización de los Diagramas de Pareto en

aquellas situaciones en que se requiere resaltar la diferente importancia de los

factores o elementos que contribuyen a un efecto. De forma sencilla y sistemática

describe el proceso que se debe seguir para su construcción, explica los

conceptos que introduce, muestra ejemplos prácticos de su utilidad e indica cómo

obtener la máxima información y efectividad de esta herramienta.

MARCO REFERENCIAL

CONTROL ESTADÍSTICO DE CALIDAD

CONTROL ESTADÍSTICO DE CALIDAD El Diagrama de Pareto constituye un sencillo y gráfico método de análisis

El Diagrama de Pareto constituye un sencillo y gráfico método de análisis que

permite discriminar entre las causas más importantes de un problema. En 1909 el

economista y sociólogo Vilfredo Pareto (1848 – 1923) publicó los resultados de

sus estudios sobre la distribución de la riqueza, observando que el 80% de la

misma se encontraba concentrada en el 20% de la población.

A finales de los años 30, durante una visita a la central de General Motors

Corporation para el intercambio de buenas prácticas de ingeniería industrial, Juran

tuvo la oportunidad de conocer los trabajos de Pareto sobre la distribución de la

riqueza.

METODOLOGÍA

Desarrollar Pareto para la fabricación de una puerta de carro

DAT

TIPO DE DEFECTO

FRECUENCI

PORCENTAJE

O

A

ACOMULADO

B

RAYADA

35

32%

35

D

FLOJA

29

58%

64

A

MANCHA EN LA

21

77%

85

PUERTA

C

DEFECTO EN LA

17

93%

102

MANIJA

F

DEFECTO EN EL

5

97%

107

VIDRIO

E

ABOLLADA

3

100%

110

 

110

DAT

TIPO DE DEFECTO

PROMEDIO

SUMA PROMEDIOS

O

CONTROL ESTADÍSTICO DE CALIDAD

CONTROL ESTADÍSTICO DE CALIDAD B RAYADA 32% 32% D FLOJA 26% 58% A MANCHA EN LA
 

B

RAYADA

32%

32%

 

D

FLOJA

26%

58%

A

MANCHA EN LA

19%

77%

 

PUERTA

C

DEFECRO EN LA

15%

15%

 

MANIJA

 

F

DEFECTO EN EL

5%

20%

 

VIDRIO

E

ABOLLADA

3%

23%

Fabricación de una puerta de carro 100% 90% 100 80% 80 60% 70% 60 35 29
Fabricación de una puerta de carro
100% 90%
100
80%
80
60% 70%
60
35
29
40
21
17
40% 50%
5
3
20
30% 20% 10% 0%
0
FRECUENCIA
SUMA FRECUENCIA

Al observar la gráfica encontramos que las causas vitales de los defectos están

dados por:

Rayada

Floja

Mancha en la puerta

Con esta información la empresa puede implementar mejoras en el proceso de

fabricación de las puertas así disminuir estos errores. Aunque estas sean las

CONTROL ESTADÍSTICO DE CALIDAD

CONTROL ESTADÍSTICO DE CALIDAD causas vitales que generan mayores defectos de fabricación no se debe dejar

causas vitales que generan mayores defectos de fabricación no se debe dejar a un

lado las causas triviales y de igual forma se deben buscar mejoras para ellas.

  • 4. Taller 4. PARETO PARTE B

METODOLOGÍA

En la fábrica denominada maquinaria industrial se están presentando continuos

problemas de reclamación por parte de los clientes sobre el producto SKI DE

CARGA, el reclamo supuestamente se debe a las diferencias de peso de las

monedas de carga de SKI

La base del análisis de Pareto, son los valores obtenidos del proceso de peaje

de las monedas de carga, que se haga en el laboratorio.

Acciones a ejecutar

Ajuste la balanza de brazo asignada.

 

Tome la pesa de 295 gramos y haga la verificación 01 de la exactitud y

precisión de la balanza de brazo.

 

Tome la pesa de 100 gramos y haga la verificación 02 de la exactitud y

precisión de la balanza de brazo. Si la balanza no le indica el valor exacto y

preciso de los 100 gramos de la pesa determinar si el error.

a.

Es causada

por

la pesa

para

lo

cual

corrobore el patrón utilizando una

balanza analítica.

 

b.

Una vez determinado que el valor patrón de la pesa, determine si la balanza

de brazo se considera en estado de calibración o no, y si se puede usar

como método de control de calidad de las monedas de carga.

Haga el proceso de pesaje de las monedas de carga.

Realice el diagrama y análisis de Pareto.

 

Establezca las conclusiones ingenieriles y observaciones al respecto.

Solución

 

1

Valor 0

2

Valor 294.9

Exactitud = (295-294.9)/295= 99.6%

CONTROL ESTADÍSTICO DE CALIDAD

CONTROL ESTADÍSTICO DE CALIDAD Precisión 294.9 295 295.1 Desviación estándar= 0.08164-100= 99.9% 3 Exactitud = (102,82-102.7)/102,82=99.99%

Precisión

294.9

295

295.1

Desviación estándar= 0.08164-100= 99.9%

  • 3 Exactitud = (102,82-102.7)/102,82=99.99%

Precisión

102.7

102.75

102.8

Desviación estándar = 0.04082-100=99.9%

  • 4 Pesaje de las monedas de carga

MONED

A

PESO

MONEDA PESO

W12

236,5 W23

260,3

W13

235,5 W43

295,1

W24

259,7 W11

237,1

W21

262,7 W46

297,5

W84

277,8 W15

244,7

W88

282 W32

181,5

W34

288,5 W81

278,6

W18

283,3 W25

270,4

W19

243,5 W47

299,8

W48

283,3 W89

282,4

W33

280,5 W27

276,8

W85

281,5 W22

259

W42

295,5 W41

296,8

W110

251,4 W42

295,5

W23

260,3 W26

266,8

  • 5 Diagrama de Pareto y análisis

DESIGNACION

DETALLE DE LA

DETALLE QUE

FRECUENCIA

TOTAL

SUMA

DE DEFECTO

FALLA

GENERA LA

FRECUENCIA

FALLA

A

TENSION

PESA CON W

5

5

14%

INADECUADA DEL

258 GRAMOS

CONTROL ESTADÍSTICO DE CALIDAD

CONTROL ESTADÍSTICO DE CALIDAD CABLE +/- 1.7 B ROTURA DEL CABLE DESPUES PESA CON W ENTRE
 

CABLE

+/- 1.7

 

B

ROTURA DEL CABLE DESPUES

PESA CON W ENTRE 280 A

13

13

35%

 

DE 7000 HORAS

300

GRAMOS

DE USO

 
 

C

LA

PUNTO CERO

PESA CON W

 

6

  • 6 16%

 

CONTRACARGA

234

GRAMOS

DEL SKI NO

+/-5.0

REGRESA AL

 

D

EL CABLE SE

PESA CON W

 

3

  • 3 8%

 

TRABA EN LA

259

GRAMOS

POLEA

+/-2.0

 

E

LA EFICIENCIA EN

MUY BAJA

PESA CON W

 

2

  • 2 5%

 

TIEMPO DE

237

GRAMOS

RETORNO DEL

+/-1.5

CABLE DE SKI ES

 

F

DEFORMACION DEL CABLE DESPUES DE 5000

PESA CON W MAYOR A 290 GRAMOS

 

5

  • 5 14%

 

HORAS DE USO

 

G

REDUCCION DEL

PESA CON W

 

2

  • 2 5%

 

TIEMPO DE

235

GRAMOS

MANTENIMIENTO

+/-1.5

 

H

INOPERANCIA DEL

PESA CON W

 

1

  • 1 3%

 

SISTEMA

230

GRAMOS

DESPUES DE 2

+/-4.5

HORAS DE USO

 

37

100%

CONTROL ESTADÍSTICO DE CALIDAD

CONTROL ESTADÍSTICO DE CALIDAD

DESIGNACION

DETALLE DE LA FALLA

PROMEDIO

SUMA

DE DEFECTO

PROMEDIOS

B

ROTURA DEL CABLE DESPUES DE 7000 HORAS DE USO

35%

35%

C

LA CONTRACARGA DEL SKI NO REGRESA AL PUNTO CERO

16%

51%

A

TENSION INADECUADA DEL CABLE

14%

65%

F

DEFORMACION DEL CABLE DESPUES DE 5000 HORAS DE USO

14%

78%

D

EL CABLE SE TRABA EN LA POLEA

8%

86%

E

LA EFICIENCIA EN TIEMPO DE RETORNO DEL CABLE DE SKI ES MUY BAJA

5%

92%

G

REDUCCION DEL TIEMPO DE MANTENIMIENTO

5%

97%

H

INOPERANCIA DEL SISTEMA DESPUES DE 2 HORAS DE USO

3%

100%

Pesaje de las monedas de carga

CONTROL ESTADÍSTICO DE CALIDAD DESIGNACION DETALLE DE LA FALLA PROMEDIO SUMA DE DEFECTO PROMEDIOS B ROTURA

4000%

2000%

0%

CONTROL ESTADÍSTICO DE CALIDAD DESIGNACION DETALLE DE LA FALLA PROMEDIO SUMA DE DEFECTO PROMEDIOS B ROTURA

CONTROL ESTADÍSTICO DE CALIDAD

CONTROL ESTADÍSTICO DE CALIDAD Al observar la gráfica encontramos que las causas vitales de los defectos

Al observar la gráfica encontramos que las causas vitales de los defectos están

dados por:

La Rotura del Cable después de 7000 horas de uso

La contracarga del ski no regresa al punto cero

Tensión inadecuada del cable

Deformación del cable después de 5000 horas de uso

Con esta información la empresa puede implementar mejoras en el proceso de

fabricación del producto SKI DE CARGA y así disminuir las quejas y reclamos de

sus clientes. Aunque estas sean las causas vitales que generan la inconformidad

hacia el cliente no se debe dejar a un lado las causas triviales y de igual forma se

deben buscar mejoras para ellas.

  • 5. Taller 5. HISTOGRAMA PARTE A

ANÁLISIS DE INGENIERÍA

En un resumen gráfico de los valores producidos por las variaciones de una

determinada característica, representando la frecuencia con que se presentan

distintas categorías dentro de dicho conjunto en que se comenta una serie de

características que ayudan a comprender la naturaleza de la herramienta, la cual

permite resumir grandes cantidades de datos, también permite el análisis de los

datos evidenciando esquemas de comportamiento y pautas de variación que son

difíciles de captar en una tabla numérica y permite comunicar información de

forma clara y sencilla sobre situaciones complejas.

OBJETIVOS

OBJETIVO GENERAL

Definir las reglas básicas a seguir para la construcción e interpretación del

Histograma, resaltando las situaciones en que puede, o debe, ser utilizado. Es de

aplicación a todos aquellos estudios en que es necesario analizar la pauta de

comportamiento de un determinado fenómeno en función de su frecuencia.

OBJETIVOS ESPECÍFICOS

Por medio de la ley de Sturges establecer la tabla de distribución de

frecuencias.

Desarrollar el grafico del histograma el polígono de frecuencia

CONTROL ESTADÍSTICO DE CALIDAD

CONTROL ESTADÍSTICO DE CALIDAD  Identificar a partir de la media, mediana y moda la curtosis

Identificar a partir de la media, mediana y moda la curtosis y simetría del

histograma respetivo

INTRODUCCIÓN

En este taller se realiza la construcción de Histogramas que permite Profundizar,

más allá de su propia significación matemática, en el análisis del Funcionamiento y

la eficacia de procesos y procedimientos, a través de su información sobre la

frecuencia absoluta de una serie de datos en la cual se logrará identificar el tipo de

simetría y curtosis de dicho procedimiento.

MARCO REFERENCIAL

El gráfico de la distribución de frecuencias, se llama histograma. El histograma de

frecuencias es una representación visual de los datos en donde se evidencian

fundamentalmente tres características: forma, acumulación o tendencia posicional

y dispersión o variabilidad. El histograma de frecuencias en si es una sucesión de

rectángulos construidos sobre un sistema de coordenadas de la siguiente manera:

Las bases de los rectángulos se localizan en el eje horizontal. La longitud de la

base es igual al ancho del intervalo, las alturas de los rectángulos se registran

sobre el eje vertical y corresponden a las frecuencias de los intervalos y las áreas

de los rectángulos son proporcionales a las frecuencias de las clases. Otro recurso

gráfico para ilustrar el comportamiento de los datos es el polígono de frecuencias.

Este se construye sobre el sistema de coordenadas cartesianas, al colocar sobre

cada marca de clase un punto a una altura igual a la frecuencia asociada a esa

clase; luego se unen dichos puntos por segmentos de recta.

METODOLOGÍA

Una vez se reúnen los datos del proceso de estudio el analista puede elegir entre

muchas técnicas graficas diferentes para observar las características

poblacionales del proceso.

Una de las herramientas que más se utiliza es el histograma, el cual permite

apreciar de una manera fácil la tendencia central y la dispersión de la población,

por lo cual se realizara el siguiente ejercicio.

CONTROL ESTADÍSTICO DE CALIDAD

CONTROL ESTADÍSTICO DE CALIDAD

Recolección de datos

 
 

4

3

  • 4 3

    • 3 4

2

4

2

3

 

0

3 3

6 5

9

2

3

3

   

27

3

3 4

2 3

1

3

4

29

 

5

7 3

0 9

5

0

1

 

32

8

4 1

3 3

3

5

3

35

 
  • 2 8

    • 4 5

7

7

   

21

3

3 3

2 3

3

3

3

39

 

8

3 7

0 5

6

1

4

 

10

1

4 2

2 3

3

9

4

43

 

9

6 9

5 6

9

0

   

28

2

3 4

2 2

1

3

3

47

 

5

0 1

3 6

8

7

9

 

n=

60

Rango de la muestra

 
 

R = Valor Mayor - Valor Menor

 
     
 

Valor Mayor

4

 

7

   

Valor Menor

4

 
 

R=

4

 

3

La amplitud de clases

 
 

A = R/K

   

A=

7

CONTROL ESTADÍSTICO DE CALIDAD

CONTROL ESTADÍSTICO DE CALIDAD  Número de clases K = 1 + 3.322 Log (n) K

Número de clases

 

K = 1 + 3.322 Log (n)

 

K =

7

Desarrollo del grafico del histograma

LI

LS

FA

4

10

4

  • 11 17

2

  • 18 24

8

  • 25 31

11

  • 32 38

19

  • 39 44

13

  • 45 51

3

CONTROL ESTADÍSTICO DE CALIDAD

CONTROL ESTADÍSTICO DE CALIDAD Histograma           
Histograma               
Histograma

















=

30,8

5

Me =

34

Mo =

35

Establecer el tipo de curtosis y simetría

DAT

F

Xi-xx

DESVIACION

ASIMETRIA

CURTOSIS

O

ESTANDAR

 

(Xi-x

(Xi-x

(Xi-xx)^3

(Xi-x

(Xi-xx)^4

(Xi-x

x)^2

x)^2*F

x)^3*F

x)^4*F

4

1

-

723,61

723,61

-

-

523611,43

523611,43

26,

19465,10

19465,10

2

9

9

9

5

1

-

670,81

670,81

-

-

449986,05

449986,06

 

25,

17373,97

17373,97

6

CONTROL ESTADÍSTICO DE CALIDAD

CONTROL ESTADÍSTICO DE CALIDAD 9 9 9 - 22, 8 524,41 1 524,41 - 12008,98 -
 

9

9

9

   

-

22,

  • 8 524,41

    • 1 524,41

 

-

12008,98

-

12008,98

275005,84

8

275005,85

9

9

9

   

-

21,

  • 9 479,61

    • 1 479,61

 

-

10503,45

-

10503,45

230025,75

2

230025,75

9

9

9

   

-

20,

  • 10 436,81

    • 1 436,81

 

-

9129,329

-

9129,329

190802,97

6

190802,98

9

   

-

15,

  • 15 252,81

    • 1 252,81

 

-

4019,679

-

4019,679

63912,896

1

63912,896

9

   

-

12,

  • 18 332,82

    • 2 166,41

 

-

2146,689

-

4293,378

27692,288

1

55384,576

9

   

-

11,

  • 19 141,61

    • 1 141,61

 

-

1685,159

-

1685,159

20053,392

1

20053,392

9

   

-

10,

  • 20 237,62

    • 2 118,81

 

-

1295,029

-

2590,058

14115,816

1

28231,632

9

 
  • 21 98,01

    • 1 98,01

-9,9

-970,299

-970,299

9605,9601

9605,9601

 
  • 23 124,82

    • 2 62,41

-7,9

-493,039

-986,078

3895,0081

7790,0162

 
  • 25 69,62

    • 2 34,81

-5,9

-205,379

-410,758

1211,7361

2423,4722

 
  • 26 24,01

    • 1 24,01

-4,9

-117,649

-117,649

576,4801

576,4801

 
  • 27 15,21

    • 1 15,21

-3,9

-59,319

-59,319

231,3441

231,3441

 
  • 28 8,41

    • 1 8,41

-2,9

-24,389

-24,389

70,7281

70,7281

 
  • 29 10,83

    • 3 3,61

-1,9

-6,859

-20,577

13,0321

39,0963

 
  • 30 2,43

    • 3 0,81

-0,9

-0,729

-2,187

0,6561

1,9683

 
  • 31 0,01

    • 1 0,01

0,1

0,001

0,001

0,0001

0,0001

 
  • 32 1,21

    • 1 1,21

1,1

1,331

1,331

1,4641

1,4641

 
  • 33 13,23

    • 3 4,41

2,1

9,261

27,783

19,4481

58,3443

 
  • 34 19,22

    • 2 9,61

3,1

29,791

59,582

92,3521

184,7042

 
  • 35 84,05

    • 5 16,81

4,1

68,921

344,605

282,5761

1412,8805

 
  • 36 52,02

    • 2 26,01

5,1

132,651

265,302

676,5201

1353,0402

 
  • 37 186,05

    • 5 37,21

6,1

226,981

1134,905

1384,5841

6922,9205

 
  • 38 50,41

    • 1 50,41

7,1

357,911

357,911

2541,1681

2541,1681

 
  • 39 262,44

    • 4 65,61

8,1

531,441

2125,764

4304,6721

17218,688

 
  • 40 82,81

    • 1 82,81

9,1

753,571

753,571

6857,4961

6857,4961

 
  • 41 204,02

    • 2 102,01

10,

1030,301

2060,602

10406,040

20812,08

CONTROL ESTADÍSTICO DE CALIDAD

CONTROL ESTADÍSTICO DE CALIDAD 1 1 42 11, 2 246,42 123,21 1367,631 2735,262 15180,704 30361,408 1
 

1

1

 
  • 42 11,

    • 2 246,42

123,21

1367,631

2735,262

15180,704

30361,408

 

1

1

 
  • 43 12,

    • 3 439,23

146,41

1771,561

5314,683

21435,888

64307,664

 

1

1

 
  • 46 15,

    • 2 456,02

228,01

3442,951

6885,902

51988,560

103977,12

 

1

1

 
  • 47 16,

    • 1 259,21

259,21

4173,281

4173,281

67189,824

67189,824

 

1

1

 

Tot

 

-

  • 6 6509,8

4915,1

 

-

-

1993172,

2180952,

al

  • 0 97,

2

65607,4

57419,9

7

 

4

 

8

98

1

 
CONTROL ESTADÍSTICO DE CALIDAD 1 1 42 11, 2 246,42 123,21 1367,631 2735,262 15180,704 30361,408 1

CONTROL ESTADÍSTICO DE CALIDAD

CONTROL ESTADÍSTICO DE CALIDAD

S =

10,5

040

S^3 =

1158,

93

S^4 =

1217

3,4

g

g

 

(

x

i

3

)

x n

i

 

ns

3

(

x

i

)

4

X n

i

 

4

 

ns

  • 1

  • 2 3

g 1 ¿

57419.91

(70)1158.93 =¿ -0,7077926

g 2 ¿

2180952.4

(70)12173.4 3=¿ -0,440607

Se puede observar que en la Simetría ( g 1 ) es de tipo asimétrica negativa

ya que es menor a cero.

En la curtosis (

g 2

) se observa que es de tipo Platocurtica ya que igual

que la simetría es menor a cero.

INFOGRAFÍA

6.

Taller 6. CAMPANA DE GAUSS

ANÁLISIS DE INGENIERÍA

Con los diferentes ejemplos podemos observar que mientras más bajo sea el

número que representa de desviación estándar más se acerca a la media, es decir

más controlados están los datos. Es un claro ejemplo que entre más datos

tengamos más podríamos ver dispersión por lo que las curva en el ejemplo de los

pesos se aleja más que en el ejemplo de las estaturas de hombres y mujeres. Al

unir los datos de estaturas de hombres y mujeres la desviación estándar aumenta

y por eso la curva se ve más alejada de la media. Debemos recordar que los

únicos datos que se requieren para conocer la distribución normal son la media y

la desviación estándar y es importante determinar sus usos, como por ejemplo que

el movimiento de la curva puede representar fenómenos natural, casos de

tratamientos psicológicos, estándares de calidad.

OBJETIVOS

OBJETIVO GENERAL

Representar mediante un ejemplo de clase la aplicación de distribución normal y

su representación gaussiana.

OBJETIVOS ESPECÍFICOS

Identificar los dos únicos parámetros necesarios para determinar la

distribución normal.

Utilizar las herramientas ofimáticas y el uso de la herramienta Excel para

representar un ejemplo de distribución normal.

Elaborar un comparativo con diferentes datos de distribución normal.

INTRODUCCIÓN

INTRODUCCIÓN

La distribución normal se representa en una curva que comúnmente también

llamamos campana de Gauss o distribución gaussiana que tiene un eje en punto

promedio que llamamos media. La distancia que se encuentra entre este eje y la

curva es denominada desviación estándar y entre más cercana este la curva a la

media más controlados estarán los datos.

A continuación se presentara un ejemplo de aplicación de distribución normal y su

representación mediante una campana de gauss.

MARCO REFERENCIAL

La distribución normal fue estudiada por Gauss. Se trata de una variable aleatoria

continua (la variable puede tomar cualquier valor real). La función de densidad

tiene forma de campana. Dos parámetros determinan una distribución normal: la

media y la desviación típica. Cuanto mayor sea la desviación típica mayor es la

dispersión de la variable. La distribución normal es simétrica respecto de la media.

La media está representada por un triángulo y se puede interpretar como un punto

de equilibrio. Al arrastrarlo se modifica también la media. El mismo efecto tiene el

mover el punto correspondiente en la cúspide de la curva. Arrastrando el otro

punto sobre la curva (que es uno de los dos puntos de inflexión de la curva) se

modifica la desviación típica.

METODOLOGÍA

  • a. En nuestro primer ejemplo tomamos unos datos que representan pesos (kg).

  • b. Eliminamos los datos que estén duplicados para poder representar nuestra curva.

  • c. Se determina la media de todos los datos usando la fórmula de promedio, en nuestro caso, =PROMEDIO (A2:A31).

  • d. Luego determinamos la desviación estándar de nuestros datos ya sin duplicados, en nuestro caso, =DESVEST.M (B2:B22).

  • e. Calculamos la distribución normal de nuestros datos en nuestro caso, =DISTR.NORM.N (B2; $D$2; $E$2; FALSO).

    • f. Por ultimo graficamos usando Gráficos de dispersión, dispersión de líneas suavizadas.

EJEMPLO 1 PESOS.

EJEMPLO 2 ESTATURA HOMBRES

EJEMPLO 2 ESTATURA HOMBRES

EJEMPLO 3 ESTATURA MUJERES

EJEMPLO 3 ESTATURA MUJERES