Академический Документы
Профессиональный Документы
Культура Документы
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.
Ing. Jesús Manuel Peña Loera Facultad de Estudios Superiores de Aragón February, 2018 Page 3
¿Por qué debemos de utilizar estadística?
Ej. Estadístico de Control de Calidad
• 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
Ing. Jesús Manuel Peña Loera Facultad de Estudios Superiores de Aragón February, 2018 Page 4
Vocabulario Estadístico
Peso
Variable
General /
Individual
Población
Gente
Salón de clases
El Mundo
Muestra
Ing. Jesús Manuel Peña Loera Facultad de Estudios Superiores de Aragón February, 2018 Page 5
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
Ing. Jesús Manuel Peña Loera Facultad de Estudios Superiores de Aragón February, 2018 Page 6
Precauciones al obtener el muestreo
Ing. Jesús Manuel Peña Loera Facultad de Estudios Superiores de Aragón February, 2018 Page 7
Distribuciones Discretas
Ejemplos :
Luces Tráfico
J Cliente conforme
L Cliente no conforme
Ing. Jesús Manuel Peña Loera Facultad de Estudios Superiores de Aragón February, 2018 Page 8
Distribuciones continuas
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
Ing. Jesús Manuel Peña Loera Facultad de Estudios Superiores de Aragón February, 2018 Page 9
Distribución de los datos
¿Cómo se ve?
Forma
Tendencia Central
Variación
Atributos
Variables/ /
Continuos Discretos
Ing. Jesús Manuel Peña Loera Facultad de Estudios Superiores de Aragón February, 2018 Page 10
Métodos para el análisis de datos
Estadística Descriptiva
Media muestral
Mediana
Moda
Varianza Muestral
Rango
Análisis Gráfico: Histograma, Box Plots, Diagrama de dispersión, Run Charts, Gráficos
de Control, Gráfico de Pareto
Ing. Jesús Manuel Peña Loera Facultad de Estudios Superiores de Aragón February, 2018 Page 11
Histogramas – Valor al usar los gráficos
Ing. Jesús Manuel Peña Loera Facultad de Estudios Superiores de Aragón February, 2018 Page 12
Media: Promedio aritmético del conjunto de datos n
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)
Ing. Jesús Manuel Peña Loera Facultad de Estudios Superiores de Aragón February, 2018 Page 13
Medidas de Tendencia Central
PERO,
¿COMO PUEDO SABER EL TAMAÑO DE LA
VARIACIÓN EN UN PROCESO?
Ing. Jesús Manuel Peña Loera Facultad de Estudios Superiores de Aragón February, 2018 Page 15
Rango
Ing. Jesús Manuel Peña Loera Facultad de Estudios Superiores de Aragón February, 2018 Page 16
VARIANZA
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
Ing. Jesús Manuel Peña Loera Facultad de Estudios Superiores de Aragón February, 2018 Page 17
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
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
Ing. Jesús Manuel Peña Loera Facultad de Estudios Superiores de Aragón February, 2018 Page 18
Interpretación Grafica de S
n
(Xi – X)2
s2 = s = i=1
n– 1
Ing. Jesús Manuel Peña Loera Facultad de Estudios Superiores de Aragón February, 2018 Page 19
Métodos para el análisis de datos
Análisis Gráfico
Histograma
Box Plots
Diagrama de dispersión
Run Charts
Gráficos de Control
Gráfico de Pareto
Ing. Jesús Manuel Peña Loera Facultad de Estudios Superiores de Aragón February, 2018 Page 20
Cómo podemos representa los rasgos de un grupo de números?
i =1 .
DISPERSIÓN
Ing. Jesús Manuel Peña Loera Facultad de Estudios Superiores de Aragón February, 2018 Page 21
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
-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.
Ing. Jesús Manuel Peña Loera Facultad de Estudios Superiores de Aragón February, 2018 Page 22
De la gráfica previa, nosotros podemos construir el siguiente histograma
10 CENTRADO
Frecuencia
DISPERSIÓN
FORMA
5
-8 -6 -4 -2 0 2 4 6 8 10 12
Dispersión
Visualiza:
Rango
Rango intercuartil
Media
Mediana
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)
Ing. Jesús Manuel Peña Loera Facultad de Estudios Superiores de Aragón February, 2018 Page 24
Un poco más de Box Plot
15
12
Box Plot (figura de Box whisker)
10
8
. -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
Ing. Jesús Manuel Peña Loera Facultad de Estudios Superiores de Aragón February, 2018 Page 25
Diagrama de dispersión
240 240
220
220 POSITIVA NEGATIVA
5.0 6.0
5.0 6.0
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
Ing. Jesús Manuel Peña Loera Facultad de Estudios Superiores de Aragón February, 2018 Page 27
Ejemplo de Run Charts (gráfico de corrida) – Tendencia de
inventario de hierro colado
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
Ing. Jesús Manuel Peña Loera Facultad de Estudios Superiores de Aragón February, 2018 Page 28
Principio de Pareto…
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”
Ing. Jesús Manuel Peña Loera Facultad de Estudios Superiores de Aragón February, 2018 Page 29
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
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
Ing. Jesús Manuel Peña Loera Facultad de Estudios Superiores de Aragón February, 2018 Page 30
Estudios de Capacidad del Proceso
(Cp y Cpk)
Ing. Jesús Manuel Peña Loera Facultad de Estudios Superiores de Aragón February, 2018
Existe variación en todos los aspectos de nuestra vida:
Variación
Es nuestra obligación:
Ing. Jesús Manuel Peña Loera Facultad de Estudios Superiores de Aragón February, 2018 Page 32
Variación en los Procesos
Maquinaria Métodos
Materia
sPrimas
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
Ing. Jesús Manuel Peña Loera Facultad de Estudios Superiores de Aragón February, 2018 Page 33
Limites de Especificación
Exceso de Exceso de
Variación Variación
VARIACIÓN PERMITIDA
LaLa
vozvoz
deldel cliente
cliente
LIE LSE
Ing. Jesús Manuel Peña Loera Facultad de Estudios Superiores de Aragón February, 2018 Page 35
Capacidad del Proceso
Es consistente (repetible)
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.
Ing. Jesús Manuel Peña Loera Facultad de Estudios Superiores de Aragón February, 2018 Page 36
¿Qué observas en este proceso?
LIE LSE
0.001 2.0
LIE LSE
0.001 2.0
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).
6s
LSE - LIE
Cp =
6s
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)
Ing. Jesús Manuel Peña Loera Facultad de Estudios Superiores de Aragón February, 2018 Page 39
Capacidad Potencial del Proceso (Cp)
Ejemplo:
Al inspeccionar una muestra de una producción nos da los siguientes datos
x = 27.0
Para que un proceso sea considerado Potencialmente Capaz la variación real debe de
ser igual o menor que la permitida
LIE LSE
Variación Real
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
Variación Permitida
LIE T LSE
LIE T LSE
LIE T LSE
Ing. Jesús Manuel Peña Loera Facultad de Estudios Superiores de Aragón February, 2018 Page 42
¿Que tan capaz es el proceso?
6s 6s
6s
Cp < 1
Cp = 1
Cp > 1
LIE LSE
Un Proceso Muy Capaz
Ing. Jesús Manuel Peña Loera Facultad de Estudios Superiores de Aragón February, 2018 Page 43
Capacidad Potencial del Proceso (Cp)
3) 4)
8 10
Spec Spec
6 6
3s 3s 3s 3s
Cp = 1.33 Cp = 1.66
4s 4s 5s 5s
Ing. Jesús Manuel Peña Loera Facultad de Estudios Superiores de Aragón February, 2018 Page 44
Capacidad Potencial del Proceso (Cp)
Ejercicio:
Ing. Jesús Manuel Peña Loera Facultad de Estudios Superiores de Aragón February, 2018 Page 45
Capacidad Potencial del Proceso (Cp)
Respuesta:
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
Dado que Cp = 1.562 > 1.0; el proceso es potencialmente hábil para 3s
Ing. Jesús Manuel Peña Loera Facultad de Estudios Superiores de Aragón February, 2018 Page 46
Habilidad Real del Proceso (Cpk)
LIE T LSE
Piezas fuera de
especificación
Cp = 1
Ing. Jesús Manuel Peña Loera Facultad de Estudios Superiores de Aragón February, 2018 Page 47
Habilidad Real del Proceso (Cpk)
-6s +6s
-3s +3s
LIE T LSE
Ing. Jesús Manuel Peña Loera Facultad de Estudios Superiores de Aragón February, 2018 Page 48
Habilidad Real del Proceso (Cpk)
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.
4s 1.33
5s 1.66
6s 2.00
Ing. Jesús Manuel Peña Loera Facultad de Estudios Superiores de Aragón February, 2018 Page 49
Capacidad del Proceso
Variación Real
Variación Permitida
• Dentro de objetivo
• Poca variación
• Poca probabilidad de defectos
Ing. Jesús Manuel Peña Loera Facultad de Estudios Superiores de Aragón February, 2018 Page 50
Capacidad del Proceso
• Fuera de objetivo
• Poca variación
• Alto Defectivo
Ing. Jesús Manuel Peña Loera Facultad de Estudios Superiores de Aragón February, 2018 Page 51
Capacidad del Proceso
Variación Permitida
Ing. Jesús Manuel Peña Loera Facultad de Estudios Superiores de Aragón February, 2018 Page 52
Habilidad Real del Proceso (Cpk)
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
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)
Ing. Jesús Manuel Peña Loera Facultad de Estudios Superiores de Aragón February, 2018 Page 54
¡Es todo!
Ing. Jesús Manuel Peña Loera Facultad de Estudios Superiores de Aragón February, 2018