Orca Share Media1553738348593

Análisis e interpretación
de datos
Marzo 2018
Ing. Jesús Manuel Peña Loera Facultad de Estudios Superiores de Aragón February, 2018
Introducción
Issue In •Identificación de
Diferencias contra el
•Problemas estándar (causas)
•Necesidades/Req.
Solutions
Análisis Task
Process Logic Impact
De Achievement
Map Tree (Control
datos Plan
Graphic)
•Identificación de •Validación y
Cuellos de Botella conclusiones
(Bottle Necks) (Bottle Necks)
Ing. Jesús Manuel Peña Loera Facultad de Estudios Superiores de Aragón February, 2018 Page 2
Conceptos Estadísticos y Definición
Propósitos
 Incrementar el conocimiento de herramientas disponibles para desarrollar el
análisis de datos.
 Promover el adecuado uso de las herramientas.
 Recordar que el origen y calidad de los datos, es tan importante como su
análisis estadístico.
Definiciones
 Estadísticos: Serie de conceptos para colección, presentación y análisis de
datos.
 El objetivo de la Estadística es la de servir como herramienta en la toma de
decisiones y solución de problemas al describir la variabilidad (desconocida).
 Un fenómeno se dice que es aleatorio si observaciones idénticas no producen
idénticos resultados.
¿Por qué debemos de utilizar estadística?
Ej. Estadístico de Control de Calidad
“Dispersión” existe en todo, incluyendo las salidas,

Acción Población Muestreo
calidad en el servicio y en calidad y cantidad
Decisión
Muestra
Técnicas
“Dispersión” razón de ser de las leyes estadísticas especiales
del Medición
conocimiento
Información Datos
Método estadístico tiene sustento numérico Método estadístico

（ej. CEP)
Métodos estadísticos hacen objetiva la toma de decisiones
• Correlación, regresión
• Estadística Básica
• Análisis de Regresión Múltiple Gráfico de
• Intervalos de • Análisis de Varianzas control
confianza • Diseño de experimentos
• Nos ayuda a estimar la posición y • Podemos determinar cuales • Tomamos la decisión acerca de los
tamaño de la varianza de una factores afectan la varianza cambios en la variación si ésta es
población con un pequeño debido a factores aleatorios o
tamaño de muestra tendencias por variación
Vocabulario Estadístico
Peso
Variable
General /
Individual
Población
Gente
Salón de clases
El Mundo
Muestra
Parámetros de población vs. Muestra estadística
Población Muestra
 Un grupo entero de objetos • El grupo de objetos o salidas
relacionados al grupo a estudiar, actualmente medidas en un
descritos por una característica de estudio estadístico.
interés, usualmente desconocida • Una muestra es usualmente un
subconjunto de la población de
 interés
• Una muestra estadística estima
los parámetros de población
Población
“Parámetros de Población” “Muestra estadística”
 = media (locación) x x = Media muestral
s = Desviación estándar Muestra s = Desviación estándar de
(dispersión) la muestra
Precauciones al obtener el muestreo
 Respetar la aleatoriedad de los datos recabados

(no seleccionar los datos cuando se colectan)
 Tamaño de muestra adecuado depende del nivel

de confianza que se necesita del resultado de los
análisis. Usualmente un tamaño de muestra
mínimo es de 30 que es requerido para satisfacer
ciertas aseveraciones estadísticas
 Elegir el elemento de medición basado en la

precisión requerida
Distribuciones Discretas
Cuando el parámetro a medir puede tomar únicamente valores

cualitativos como son “pasa /no pasa” o valores categorizados como
“rojo/amarillo/verde”, entonces, a la distribución de estos datos se le
conoce como dato “distribución de datos discretos”
Ejemplos :
Luces Tráfico
J Cliente conforme
L Cliente no conforme
Distribuciones continuas
Cuando la variable a ser medida es expresada en una escala continua,

(donde hay una infinidad de valores entre dos medidas lecturas de
medición), la distribución de los datos la llamaremos datos “continuos”.
Ejemplos :
105 N.m ±15%
Resultados de
medición
106
107
106.7
106.8
106.75
106.753
La velocidad de un esquiador
Aplicación de Torque
Distribución de los datos
 ¿Cómo se ve?
 Forma
 Tendencia Central
 Variación
Atributos
Variables/ /
Continuos Discretos
Métodos para el análisis de datos
 Estadística Descriptiva
 Media muestral
 Mediana
 Moda
 Varianza Muestral
 Desviación estándar muestral
 Rango
 Análisis Gráfico: Histograma, Box Plots, Diagrama de dispersión, Run Charts, Gráficos
de Control, Gráfico de Pareto
Histogramas – Valor al usar los gráficos
 Muestra la frecuencia relativa de ocurrencia del valor de varios datos

 Nos muestra el centrado, la dispersión y la forma de los datos
 Nos ayuda a indicar si han existido cambios en el proceso
 Cuando graficamos y nuestros límites son las especificaciones es una
de las mejores maneras de medir la capacidad
 Media: Promedio aritmético del conjunto de datos n
 Influenciado por todos los valores del conjunto

 xi
Altamente influenciados por los outliers ̂ =  = i =1

n
 Mediana: Representa el valor medio de los puntos (50%)
 Indica claramente los valores fuera de la mayoría o outliers
 Pasos Básicos:
 Ordena todos los valores desde el mas pequeño al mas grande
 Cuenta el numero de valores de los datos en el conjunto de datos (=n)
 Para las n, la mediana es el valor correspondiente a (n)/2 o el promedio de
(n+2) y ((n+2) +1) del valor ranqueado; (cuando n= es par)
 Moda: Representa el valor mas frecuente en el conjunto de datos
Medidas de Tendencia Central
*Podemos representar este dato por un sencillo valor numérico
DATA SET EVEN

MEAN MODA
MODE MEDIAN
MEDIAN
ODD=
DATA SET ODD=n+1/2
ODD=n+1/2
(n+1)/2
1 13 n= 10 13 10.1 1
2 10.3 Σ
i =1
Xi/n 10.3 10.1 2 ABOVE
3 10.7 10.7 10.1 3
4 10.9 X=161.1 10.9 Mas 10.2 4
5 10.8 . 15 10.8 frecuente 10.3 5 50%
6 10.1 X=10.74 10.1 10.3 6
7 10.6 SI eliminamos 10.6 Mo=10.1 10.4 7
8 10.4 13.0 & 12.5 10.4 10.5 88 Xm=10.5
9 10.1 X=135.6 10.1 10.6 9
10 10.5 . 13 10.5 10.6 10
50%
11 10.6 X=10.43 10.6 10.7 11
12 10.1 10.1 10.8 12
13 10.2 Significa que el 10.2 10.9 13
outlier tiene una
14 12.5 fuerte influencia
12.5 12.5 14 BELOW
15 10.3 10.3 13 15
Media: Es el valor usado mas frecuentemente que representa el grupo.

Mediana: Es usado frecuentemente para representar los niveles salariales o empleados en una
compañía.
Moda: Es frecuentemente usado para mostrar los valores representativos del mercado (El valor
que más requieren los clientes se le denomina moda)
LOS TRES ANTERIORES SON MEDIDAS PARA
LOCALIZAR EL CENTRO
PERO,
¿COMO PUEDO SABER EL TAMAÑO DE LA
VARIACIÓN EN UN PROCESO?
RANGO, VARIANZA Y DESVIACIÓN ESTÁNDAR
Rango
 El rango es la diferencia entre el valor más alto y el más bajo del

conjunto de los datos:
Rango = Valor mayor – Valor menor
 Ventajas: Fácil de entender y calcular (con un pequeño numero

de datos). Es un buen estimador para un pequeño conjunto de
datos (< 8)
 Desventajas: Altamente sensible a los valores extremos o

outliers. Únicamente usa dos valores del total del conjunto de
datos (el dato mayor o menor).
VARIANZA
Para explicarla, consideremos estos dos grupos de datos
10, 20, 30, 40, 50 25, 26, 31, 32, 36
A B
60 40
50 50 36
30 31 32
40 40 26
25
30 30 20
20 20
10 10
X=30 10 X=30
0 0
0 1 2 3 4 5 6 0 1 2 3 4 5 6
Si únicamente vemos el valor de la media no podemos identificar el tamaño

de al dispersión
 Varianza de la muestra (S2)

 Promedio al cuadrado de la distancia de cada punto con respecto a la media.
 Desventaja: Variabilidad nos otorga medidas en unidades cuadradas las
cuales pueden ser confusas.
UNA ALTERNATIVA PARA APRECIAR LA VARIACIÓN ES: Colocar
el valor de la media como referencia, marcar las diferencias de esta
contra cada dato y sumar todas las diferencias.
30
X-X Σ X-X 20 20
10-30= -20
-20-10+0+10+20=0 10 10
20-30= -10
0
30-30= 0 0
40-30=10 COMO UNA SUMA NO TIENE 0 1 2 3 4 5 6
-10 -10
SENTIDO TAMPOCO
50-30=20
-20 -20
-30
*Eliminando el valor negativo al elevar al cuadrado y realizando la sumatoria

2 2 2 2 2 2
Σ (X-X) = (-20) + (-10) + (0) + (10) + (20) = 1000
2
* Podemos mostrar el tamaño de la dispersión Σ
* Si dividimos por el numero de datos, tenemos la varianza o media
de cuadrados referida como s2
Interpretación Grafica de S
n
 (Xi – X)2
s2 = s = i=1
n– 1
 Desviación Standard (S)

 Raíz cuadrada de la varianza
 Medida de medición de la variación mas utilizadas
 Conserva sus mismas unidades como los datos originales los cuales facilitan
su entendimiento
Ejemplo: Encuentra la varianza y desviación estándar de la muestra para

los siguientes valores: 2, 6, 1, 8, 4, 5, 3
Métodos para el análisis de datos
 Estadística Descriptiva: Media muestral, Mediana, Moda, Varianza Muestral,

Desviación estándar muestral, Rango
 Análisis Gráfico
 Histograma
 Box Plots
 Diagrama de dispersión
 Run Charts
 Gráficos de Control
 Gráfico de Pareto
Cómo podemos representa los rasgos de un grupo de números?
* Podemos representar estos datos al ordenar los valores numéricos
DATA SET MEAN MODE MEDIAN

MEDIAN
ODD= VARIANCE
DATA SET ODD=n+1/2
ODD=n+1/2
(n+1)/2
1 13 n= 10 13 10.1 1 n 2
2 10.3 Σ Xi/n 10.3 10.1 2 ABOVE V=  (Xi-X)
i =1 n-1
.
i =1 .
3 10.7 10.7 10.1 3

4 10.9 X=161.1 10.9 MÁS 10.2 4 V=10.36
15 FRECUENTE . 14
5 10.8 .
10.8 10.3 5 50%
6 10.1 X=10.74 10.1 10.3 6 V=0.74
7 10.6 Si lo eliminamos 10.6 XM=10.1 10.4 7
STD.
8 10.4 13.0 & 12.5 10.4 10.5 88 Mo=10.5
DEVIATION
9 10.1 X=135.6 10.1 10.6 9
10 10.5 13 10.5 10.6 10 STANDAR DEVIATION
.
50% = V
11 10.6 10.6 10.7 11
12 10.1 X=10.43 10.1 10.8 12 S= 0.86
13 10.2 Si la medida de un 10.2 10.9 13
14 12.5 outlier tiene una 12.5 12.5 14 BELOW
15 10.3 influencia fuerte 10.3 13 15
RANGO
TENDENCIA CENTRAL R=13-10.1= 2.9
DISPERSIÓN
Variación en el arribo de contenedores VARI a MANZANILLO
15
12
X=-1.35 Días RANGO= 20 Días
10
s= 4.07 Días
8
MAX= 12 Días
MIN= -8 DíaS
5 VARIANZA= 16. 56 Días

3 3
2
1 1 1
0 0 0 0 0 0
0 -1 -1 -1 -1 -1 -1 -1
-2 -2
-3 -3 -3 -3
-4 -4 -4 MAXIMO DE 10
-5 -5 -5 DÍAS DE DEMORA
-5 ACORDADO CON
-7 EL PROVEDOR
-8 -8 -8 PARA ARRIVO
-10
CONCLUSIONES:
1. Arribo de recipientes dentro de rango (20 Días), como un retraso (con 8 días de retraso hasta 12 días de
anticipación.
2. Desviación estándar (4.07) con una gran dispersión contra la media (X=1.35).
3. En promedio llegan 1.35 días tarde con respecto a la fecha pactada
4. El requerimiento actual es que se podía llegar como máximo con 10 días de retraso.
De la gráfica previa, nosotros podemos construir el siguiente histograma
Histograma Bimestral de Arribo de contenedores VARI
( Media, Mediana, Moda )
¿QUÉ PODEMOS VER

EN ESTE
HISTOGRAMA?
10 CENTRADO
Frecuencia
DISPERSIÓN
FORMA
5
-8 -6 -4 -2 0 2 4 6 8 10 12
Dispersión
Arribo de envases Bimestral

Boxplot
 Visualiza:
 Rango
 Rango intercuartil
 Media
 Mediana
 Ayuda a identificar los valores extremos (outliers)*
 Útil para comparar entre múltiples conjuntos de datos
 Un Boxplot consiste en:

 Una caja rectangular que representa el punto medio 50% de los datos
 Líneas o “whiskers” extendidos de cualquier lado que representa el 25% de los datos
 Marca de las observaciones que están muy por afuera de la mayoría de los datos (outliers)
Un poco más de Box Plot
15
12
Box Plot (figura de Box whisker)
10
8
Incluye el 25% de los

Whisker
datos de mayor valor 5
3 3
2
11 1
La caja incluye el 50% de los 0 0 000
datos la línea dibujada en el -0 1 -1 -1 -1 -1 -1
centro representa la mediana
Caja -2 -2
. -3 -3 -3 -3
-4 -4
-5 -5 -5
-5
Incluye el 25% de los -7
Whisker
datos de menor valor -8 -8 -8
-1 0
La figura completa es larga ＝ La varianza es larga

La figura completa es corta = La varianza es corta
Diagrama de dispersión
¿Existe correlación? ¿Está es positiva, negativa o nula ?
240 240
220
220 POSITIVA NEGATIVA
5.0 6.0
5.0 6.0
240 NULA  Nos muestra la relación simple entre dos

variables
 Ayuda a determinar si puede existir una
220
correlación entre dos variables
 NO muestra causalidad
5.0 6.0
Diagrama de dispersión
OCT 1 ~ NOV 9
n=30 AIR PRESS AIR PRESS
DATE DEFECTS (%) DATE DEFECTS (%)
(KG/CM2) (KG/CM2)
1 8.9 0.908
NOVEMBER
1 8.6 0.889
2 8.9 0.884 2 8.3 0.881
0.93 3 8.8 0.874 5 8.7 0.882
4 8.8 0.891 6 8.9 0.904
0.92 5 8.4 0.874 7 8.7 0.912
8 8.7 0.886 8 9.1 0.925
9 9.2 0.911 9 8.7 0.872
0.91 10 8.6 0.912
% DEFECTOS
OCTOBER
11 9.2 0.895
0.9 12 8.7 0.896 * En este ejemplo
15 8.4 0.894 podemos ver que hay
0.89 16 8.2 0.864 una correlación positiva.
17 9.2 0.922
18 8.7 0.909
0.88 19 9.4 0.905
22 8.7 0.892
0.87 23 8.5 0.877
24 9.2 0.885
25 8.5 0.866
0.86 26 8.3 0.896
29 8.7 0.896
0.85 30 9.3 0.928
31 8.9 0.886
8 8.5 9 9.5
PRESIÓN DE AIRE Correlation between two variables
Ejemplo de Run Charts (gráfico de corrida) – Tendencia de
inventario de hierro colado
* Podemos apreciar únicamente la tendencia y compararlo contra el objetivo
2.5
X=1.25 s = 0.299 X=1.33 s =0.275 2.16 X=1.74 s = 0.282
1.91
1.99 2.07
2 1.79
1.86
1.95 1.73 1.78
1.84
1.76
1.519
1.67
1.5 1.46 1.49 1.5
1.27 1.24 1.4 1.24
1.2 1.24 1.14 1.14 1.24
1.13 1.17 1.28 1.26
1.19
1.02 1.24
1.03 1.07
1 0.8
1.061
1
 Ayuda a identificar las
0.75
0.8 tendencias en los datos
0.5
 Relaciona cambios en el
proceso en función del tiempo
0
1 2 3 4 5 6 7 8 9 10 11 12 1 2 3 4 5 6 7 8 9 10 11 12 1 2 3 4 5 6 7 8 9 10 11 12
Principio de Pareto…
 Wilfredo Pareto – Un economista  Poderosa herramienta

Italiano del siglo XIX decía “Muy gráfica
pocas personas acaparan la mayoría
del dinero”  Muy útil cuando
 80% de los problemas estan establecemos prioridades
relacionados al 20% de las causas
Pequeños
importantes
 Nos ayuda a enfocar los esfuerzos a
los problemas que observan el
potencial mas grande a ser mejorado
Muchos
mostrando su frecuencia relativa en
Triviales
tamaño con una gráfica de barras
 Un gráfico de Pareto es un poderosa y
sencilla herramienta gráfica para
separar de los “pequeños importantes”
de los “muchos triviales”
MATERIAL OBSOLETO, GRÁFICO DE PARETO en 2017
98% 100%
97% 100%
1,200,000.00 91%
85% 90%
1,000,000.00 80%
72%
* Sí atacamos los tres 70%
800,000.00 primeros, podremos
57% 60%
mejorar el 72% del
U$D
600,000.00 proceso inmediatamente 50%
37% 40%
Pocos
400,000.00 Muchos triviales
465,850.62 importantes 30%
72% 28% 20%
200,000.00
259,071.65
189,649.13 10%
166,511.38
166,511.38
0.00 78,689.22 71,082.10 20,450.91 19,075.00 0%
78,689.22 71,082.10
CAMBIOS DE PROBLEMA DIFERENCIAS DE PARTES CON SOBRANTE PARTES DE ITEMS ESTABLECIMIENTO PARTES
CON CAMBIO INVENTARIO Y DENTRO DE LO CON BAJO DE PARTES SOBRANTES POR
VOLUMEN SOBRE STOCK
DE INGENIERIA ANALISSIS ESTABLECIDO VOLUMEN DE (INECS) FUERA MAL USAJE
DE LEAD TIME
PRODUCCION
CAUSES
Estudios de Capacidad del Proceso
(Cp y Cpk)
Existe variación en todos los aspectos de nuestra vida:
Variación
También todas las acciones repetitivas de

un proceso de manufactura tienen
cierta fluctuación.
Esto lo vemos reflejado en los resultados de nuestros

indicadores internos como el Short AVES; DPU, STR
Es nuestra obligación:
Entenderla, medirla, controlarla, reducirla
Variación en los Procesos
El producto deseado resulta de la concurrencia de varios factores y condiciones

que caracterizan al proceso.
Maquinaria Métodos
Materia
sPrimas
Mano de Obra Condiciones Ambientales
Fuentes de variación
Causa Común: siempre está presente en el Causa Especial: algo diferente que sucede
proceso de alguna manera en un lugar o momento dados
Limites de Especificación
Cuando un proceso es estable se puede utilizar un modelo de distribución normal

(campana de Gauss)
LIE Objetivo LSE
Exceso de Exceso de
Variación Variación
VARIACIÓN PERMITIDA
LaLa
vozvoz
deldel cliente
cliente
La variación dentro de la curva es inherente

La variación fuera de la curva significa una perturbación en el proceso
Control de Procesos vs Capacidad de Procesos
Control del Proceso =

Estabilidad a través del tiempo.
Capacidad del Proceso =

La habilidad de un proceso estable para
cumplir con las especificaciones.
LIE LSE
Capacidad del Proceso
¿Para qué sirve la Capacidad del Proceso?
Nos permite saber si un proceso:
Es consistente (repetible)
Esta dentro de especificación
Es muy grande en variación y cuanto
Es rechazado o aceptado indicando el

número de piezas defectuosas
La capacidad o habilidad del proceso está determinada por la variación total que se
origina por las causas comunes o en otras palabras, es la variación mínima que puede
ser alcanzada una vez que todas las causas especiales han sido eliminadas.
¿Qué observas en este proceso?
LIE LSE
0.001 2.0
La dispersión del proceso es estrecha comparada con la especificación

Este proceso es capaz de trabajar dentro de las especificaciones
¿Qué observas en este proceso?
LIE LSE
0.001 2.0
La dispersión del proceso muy amplia comparada con las especificaciones

Este proceso no es capaz de trabajar cumpliendo las especificaciones
Capacidad Potencial del Proceso (Cp)
Para datos continuos, queremos saber si la variación total del proceso (voz del proceso)
permite al proceso producir partes dentro de una variación esperada (voz del cliente
representada por los limites de especificación).
La voz del proceso La voz del cliente

(lo que se entrega) (lo que se espera)
LIC LSC LIE LSE
6s
Limites de Control Limites de Especificación

La “Capacidad Potencial” es la habilidad de trabajar en un nivel esperado y

la definimos con un índice
LSE - LIE
Cp =
6s
Variación permitida o especificada

Cp =
Variación real del proceso
La “Capacidad Potencial” se determina comparando la variación total del

proceso contra la variación permitida por el cliente
Los limites de especificación los obtienes de los estándares y la dispersión del proceso se calcula fácilmente (solo es
necesario conocer las operaciones básicas de aritmética y raíz cuadrada)
Ejemplo:
Al inspeccionar una muestra de una producción nos da los siguientes datos
X1 = 27.0 X2 = 26.5 X3 = 27.5 X4 = 27.0 X5 = 27.0

X6 = 27.0 X7 = 27.5 X8 = 27.0 X9 = 27.0 X10 =26.5
1. Primero calculamos el promedio
x = 27.0
2. Calculamos la desviación estándar
( 27 - 27) 2 + ( 26.5 - 27) 2 + ...( 26.5 - 27) 2

s = = 0.33
10 - 1
Para que un proceso sea considerado Potencialmente Capaz la variación real debe de
ser igual o menor que la permitida
LIE LSE
Variación permitida o Variación

especificada Permitida
Cp = =
Variación real del LIC LSC
proceso
Variación Real
De otra manera no es posible que la población “quepa” dentro de las

especificaciones.
Imagina que la variación del proceso está representada por el ancho de un auto y la
variación permitida por el ancho del garage…
m
T = Target o valor nominal de especificación
-6s +6s
-3s +3s El índice Cp nos dice el número de veces que

Variación del Proceso
cabe el auto en el garage
Variación Permitida
LIE T LSE
LIE T LSE
LIE T LSE
Por lo que tenemos la posibilidad estacionar

Cp = 2 2 autos en ese garage
¿Que tan capaz es el proceso?
6s 6s
LIE LSE LIE LSE

Proceso no capaz Un Proceso Capaz
6s
Cp < 1
Cp = 1
Cp > 1
LIE LSE
Un Proceso Muy Capaz
Los valores de Cp dependiendo del nivel sigma de calidad provienen de acuerdo a la

siguiente ilustración
1) 2)
6
Spec Spec
6
Cp<1.00
3s 3s 3s 3s
Cp = 1.00
3) 4)
8 10
Spec Spec
6 6
3s 3s 3s 3s
Cp = 1.33 Cp = 1.66
4s 4s 5s 5s
Ejercicio:
El diámetro de un balero es una característica de calidad que se ha mantenido bajo

control estadístico. Se han estado tomando muestras de n = 5 cada una. De las
ultimas muestras tenemos la información siguiente:
X i = 205.1260 Ri = 0.3000
Los limites de especificación son 10.25  0.03 cm
1. ¿Es el proceso hábil para 3s…?
Respuesta:
A partir de los datos de las 20 muestras, podemos estimar los parámetros de la

población
0.3000 =
m = LC x = 205.126 = 10.2560 R = 0.015
20 20
R 0.015
Y por lo tanto con n = 5 tenemos: s = = = 0.0064
d2 2.326
LSE - LIE ( 10.28 - 10.22)

El índice Cp es: Cp = = = 1.562
6s 6 ( 0.0064)
Dado que Cp = 1.562 > 1.0; el proceso es potencialmente hábil para 3s
Habilidad Real del Proceso (Cpk)
El hecho de que un proceso sea capaz potencialmente, no implica que

necesariamente esta entregando consistentemente producto dentro de
especificaciones; mas bien, significa que de acuerdo con su variabilidad tiene la
posibilidad de hacerlo.
LIE T LSE
Piezas fuera de
especificación
Cp = 1
Si se cuantifica el Cp tendremos que su valor es 1; sin embargo, se puede observar

que prácticamente la mitad de la producción está fuera de especificaciones.
Independientemente de que un auto tenga la posibilidad de entrar en un garage, hay otros

factores que influyen para lograrlo, por ejemplo: la pericia del conductor para que pueda ser
bien direccionado
-6s +6s
-3s +3s
Variación del Proceso Esto nos lleva a la necesidad de requerir

una manera para evaluar la Habilidad Real
de un proceso, para lo cual existe un índice
Cp = 2 llamado Cpk
LIE T LSE
LIE T LSE
Cpk es el índice que mide tanto la capacidad como la habilidad del proceso, es
decir la variación y localización del proceso contra las especificaciones, indicando
que tan centrados están nuestros datos con respecto a los limites de
especificación.
Nivel de calidad Cpk

Los criterios que se aplican a éste índice
son similares que para Cp, esto es:  3s 1.00
 4s 1.33
 5s 1.66
 6s 2.00
Existen diferentes formas de lo que podemos encontrar la condición de un

proceso en la práctica:
LIE LIC LSC LSE

CASO 1: La variación real es menor
que la permitida y el proceso está
centrado
Esta es la condición óptima de un

proceso: centrado y poca
variación
Variación Real
• Dentro de objetivo
• Poca variación
• Poca probabilidad de defectos
No cumple con la especificación en un solo lado, hacia el Limite Superior Especificado
CASO 2: La variación real es menor

LIE LSE LSC
LIC que la permitida y pero el proceso
no está centrado
Piezas fuera de
especificación
Cuando se presenta este caso el
proceso no cumple con un lado de
la especificación. Puede ser
corregido ajustando el promedio
del proceso con respecto al
promedio de la especificación
Variación Real
• Fuera de objetivo
• Poca variación
• Alto Defectivo
Proceso que no cumple con la especificación de ambos lados
LIC LIE LSE LSC

CASO 3: La variación real es mayor
que la permitida y el proceso está
centrado
Piezas fuera de Piezas fuera de
especificación especificación
Cuando el proceso no cumple
por ninguno de los dos lados,
entonces debe disminuirse
forzosamente la variación
Variación Real
• Hay dentro producto de objetivo

• Mucha variación
• Alto defectivo
R
Ejercicio: Calcular el Cp y Cpk; para estimar s usar: s=
d2
Subgrupo X-bar R Especificación: 23 ± 5.2 ; n = 4
1 25 1
2 25 2 SOLUCIÓN
3 24 0
R 2
4 21 3 LSE = 28.2 s= = = 0.98
5 23 2 LIE = 17.8 d2 2.059
6 25 2
7 27 5
28.2 - 17.8
8 28 3 x = 25.26 Cp = = 1.76
6(0.98)
9 29 2
10 30 1
28.2 - 25.26 25.26 - 17.8
11 25 0 Zs = =3 Zs = = 7.6
0.98 0.98
12 28 1
13 23 2
3
14 25 3 Z min Cpk = =1
3
15 21 3
(23-3) > X < 23+7) ~ 3 > 23 < 7.6

Ejercicio: Calcular el Cp y Cpk; para estimar s usar: s=

R
Especificación: 23 ± 5.2 ; n = 4 d2
Subgrupo X-bar R SOLUCIÓN
1 25 1
LSE = 28.2 R 2
2 25 2
s = = = 0.98
LIE = 17.8 d2 2.059
3 24 0
4 21 3
28.2 - 17.8
5 23 2
x = 25.26 Cp = = 1.76
6( 0.98)
6 25 2
7 27 5
28.2 + 17 .8
8 28 3 - 25.26 -2.26
2
9 29 2
k = = = -0.43
10 30 1 28.2 - 17 .8 5.2
11 25 0
2
12 28 1
13 23 2
14 25 3 28.2 - 17.8
Cpk = 1-(-0.43) = (1.43)(1.76) = 2.52
15 21 3 6( 0.98)
¡Es todo!

Orca Share Media1553738348593

Загружено:

Сведения о документе

Оригинальное название

Авторское право

Доступные форматы

Поделиться этим документом

Поделиться или встроить документ

Параметры публикации

Этот документ был вам полезен?

Это неприемлемый материал?

Авторское право:

Доступные форматы

Orca Share Media1553738348593

Загружено:

Авторское право:

Доступные форматы

Análisis e interpretación

“Dispersión” existe en todo, incluyendo las salidas,

Método estadístico tiene sustento numérico Método estadístico

Métodos estadísticos hacen objetiva la toma de decisiones

 Respetar la aleatoriedad de los datos recabados

 Tamaño de muestra adecuado depende del nivel

 Elegir el elemento de medición basado en la

Cuando el parámetro a medir puede tomar únicamente valores

Cuando la variable a ser medida es expresada en una escala continua,

 Desviación estándar muestral

 Muestra la frecuencia relativa de ocurrencia del valor de varios datos

 Influenciado por todos los valores del conjunto

 Indica claramente los valores fuera de la mayoría o outliers

 Moda: Representa el valor mas frecuente en el conjunto de datos

*Podemos representar este dato por un sencillo valor numérico

DATA SET EVEN

Media: Es el valor usado mas frecuentemente que representa el grupo.

RANGO, VARIANZA Y DESVIACIÓN ESTÁNDAR

 El rango es la diferencia entre el valor más alto y el más bajo del

Rango = Valor mayor – Valor menor

 Ventajas: Fácil de entender y calcular (con un pequeño numero

 Desventajas: Altamente sensible a los valores extremos o

Para explicarla, consideremos estos dos grupos de datos

10, 20, 30, 40, 50 25, 26, 31, 32, 36

Si únicamente vemos el valor de la media no podemos identificar el tamaño

 Varianza de la muestra (S2)

*Eliminando el valor negativo al elevar al cuadrado y realizando la sumatoria

 Desviación Standard (S)

Ejemplo: Encuentra la varianza y desviación estándar de la muestra para

 Estadística Descriptiva: Media muestral, Mediana, Moda, Varianza Muestral,

* Podemos representar estos datos al ordenar los valores numéricos

DATA SET MEAN MODE MEDIAN

3 10.7 10.7 10.1 3

5 VARIANZA= 16. 56 Días

Histograma Bimestral de Arribo de contenedores VARI

( Media, Mediana, Moda )

¿QUÉ PODEMOS VER

Arribo de envases Bimestral

 Ayuda a identificar los valores extremos (outliers)*

 Útil para comparar entre múltiples conjuntos de datos

 Un Boxplot consiste en:

Incluye el 25% de los

La figura completa es larga ＝ La varianza es larga

¿Existe correlación? ¿Está es positiva, negativa o nula ?

240 NULA  Nos muestra la relación simple entre dos

PRESIÓN DE AIRE Correlation between two variables

* Podemos apreciar únicamente la tendencia y compararlo contra el objetivo

 Wilfredo Pareto – Un economista  Poderosa herramienta

600,000.00 proceso inmediatamente 50%

También todas las acciones repetitivas de

Esto lo vemos reflejado en los resultados de nuestros

Entenderla, medirla, controlarla, reducirla

El producto deseado resulta de la concurrencia de varios factores y condiciones

Mano de Obra Condiciones Ambientales

Cuando un proceso es estable se puede utilizar un modelo de distribución normal

LIE Objetivo LSE

La variación dentro de la curva es inherente

Control del Proceso =

Capacidad del Proceso =

¿Para qué sirve la Capacidad del Proceso?

Nos permite saber si un proceso:

Esta dentro de especificación

Es muy grande en variación y cuanto