Академический Документы
Профессиональный Документы
Культура Документы
de Green Belts
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
III. Seis Sigma - Medicin
A. Anlisis y documentacin del proceso
B. Probabilidad y estadstica
D. Distribuciones de probabilidad
3
IIIA. Anlisis y documentacin
del proceso
4
IIIA. Anlisis y documentacin
del proceso
1. Modelado del proceso
5
IIIA.1 Modelado del
proceso
6
Anlisis y documentacin del
proceso
Un proceso es un conjunto de recursos y
actividades que transforman entradas en
salidas agregando valor. Las actividades
deben ser documentadas y controladas.
1. Herramientas
2. Entradas y salidas del proceso
7
Anlisis y documentacin del
proceso - Herramientas
Diagramas de flujo
Mapas de proceso
Procedimientos escritos
Instrucciones de trabajo
Anlisis de proceso
Documentacin del proceso
8
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.
9
Diagrama de flujo
Organizar un equipo para examinar el proceso
10
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?
11
Diagrama de flujo
Smbolos de Diagramas de flujo
12
Diagrama de flujo
Diagramas de flujo - Ejemplo
13
Diagrama de flujo
Beneficios
Permiten visualizar el proceso que se est
describiendo
Describen el proceso con smbolos, flechas y
(ANSI Y15.3)
Si se usa software el nmero de smbolos
14
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
15
Smbolos de diagrama de
flujo
Iniciar/Detener Transmisin
Operaciones Almacenar
(Valor agregado)
Decisin Entrada/Salida
Inspeccin /Medicin
Retraso
Inicio Paso 1
Paso 3
18
Diagrama de flujo / Anlisis del valor
19
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.
20
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.
21
Aprovecha al Equipo
Haz recorridos,
entrevistas y revisiones
de los diagramas de flujo
y los estndares
existentes.
22
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.
23
El Inicio y el Fin Se Deben Poder
Medir
24
Ejercicio Rpido - Inicio y Fin
Proceso Inicio Fin
Ensamble de
Asiento
Dibujos de
Ingeniera
Manufactura en
Riel de Asientos
Cuentas por
Pagar
25
Ejemplos - Inicio y Fin
Proceso Inicio Fin
Ensamble de Marco de metal Inspeccin Final
Asiento puesto enlnea
Dibujos de Requerimientos ClienteRecibe
Ingeniera del Cliente el Archivo CAD
Manufactura en Operacin de Inspeccin Final
Riel deAsiento Prfiles
Estampados
Cuentaspor Recepcin de la Depsito
Pagar Facturadel Electrnico
Proveedor
26
Permite que la Gente vea el
Mapa del Proceso
27
Herramientas de un Mapa de
Proceso
Rotafolios y Marcadores.
28
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
pasos del proceso mediante
6. Hagan un segundo
una tormenta de ideas. recorrido y entrevistas.
3. Realicen el primer recorrido 7. Aadan pasos de
y entrevistas. inspeccin, retrabajo,
4. Elaboren una lista de los
reparacin y desperdicio en
proceso clave en las notas las notas autoadheribles.
autoadheribles. 8. Elaboren un mapa de
proceso cmo es.
29
Hazlo fcil!
Proceso:
Describan los procesos Proceso de revisin de
que causan el problema.
dibujos.
Pregunta:
Pnganse de acuerdo y Cul podra ser punto
regstrenlos.
de Fin? 31
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.
32
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 dibujos.
puedan ver.
Pregunta:
El equipo aporta Cules son algunos
ideas sobre los de los probables pasos
pasos del proceso del proceso entre los
que existen entre el puntos de inicio y fin?
inicio y el fin.
Fin:
El archivo CAD se
entrega al Cliente.
33
Pasos del Proceso
Inicio:
El Cliente solicita un formato de cambio de dibujos.
Pasos a seguir:
Bosquejar el cambio requerido.
cambiarse.
Cambiar los dibujos apropiados.
Fin:
El archivo CAD se entrega al Cliente.
34
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.
35
Paso 4: Notas Autoadheribles
Escriban los pasos
Crear
del proceso en notas Boceto
Reunin
con el
autoadheribles. grupo
Encontrar
Localizar
Especif. Archivos
Cambiar
Coloquen las notas CAD
Dibujos
sobre la pared. Hacer Calcular
Caf Impacto
Crear Enviar al
Por ahora slo dejen Paquete Cliente
de
las notas. Archivos
36
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.
37
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.
38
Pasos Importantes
Crear
Reunin
Bsquejo con el
grupo
Qu pasos podran Encontrar
Localizar
ser importantes en Especif. Archivos
el mapa del proceso CAD Cambiar
Dibujos
que aparece a la Hacer Calcular
derecha? Caf Impacto
Crear Enviar al
Paquete Cliente
de
Archivos
39
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.
40
Paso 7: Aadir Cambios
Solicitud de
Cambio del
Reunin
Cliente con Ventas
Agreguen notas
autoadheribles. No
41
Paso 8: Mapa del Proceso Cmo
Es
Solicitud de
cambio del
Reunin
Cliente con Ventas
El equipo establece No
un mapa del proceso
tal cual. Crear Calcular Impacto
Bsquejo Impacto OK?
Tiene el detalle S
suficiente para incluir
los pasos
Cambiar Dibujo
importantes. Dibujo OK?
S
Sin demasiado No
42
Cundo Recolectar Datos
Durante la elaboracin del mapa de proceso.
44
El Mapa de Proceso Cmo Debe
Ser
Una vez que se identifiquen las soluciones
durante la fase de MEJORA
47
La cadena de valor
Beneficios del Mapeo de la cadena de valor
Ayuda a visualizar el flujo de produccin; las
flujo de material
Permite enfocarse en el flujo con una visin de un
48
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.
49
50
Simbologa utilizada
51
Simbologa utilizada
52
Simbologa utilizada
53
Identificando mapa actual
54
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.
55
Tips para la cadena de valor
Utilice el cronmetro y no dependa de tiempos
estndar o informacin que no obtenga
personalmente.
56
Tips para la cadena de valor
57
Informacin para
la cadena de valor
Tiempo del ciclo (C/T tiempo que
transcurre entre la salida de dos partes
consecutivas)
Tiempo de cambio o de preparacin (C/O
para cambiar de un producto a otro)
Nmero de operadores
58
Informacin para
la cadena de valor
Nmero de productos diferentes
Contenido de la unidad de empaque o contenedor
60
Mapa del estado actual
Proceso de manufactura
61
Mapa incluyendo informacin
62
Mapa incluyendo tiempos de
ciclo y tiempo de entrega
63
Mapa futuro reduciendo tiempos
de entrega
64
Mapa futuro reduciendo tiempos
de entrega
65
Beneficios
66
Beneficios
67
Mapa de proceso de la
Empresa ABC - final
68
Documentacin
69
Procedimientos escritos
Los procedimientos deben ser desarrollados
por los que tienen la responsabilidad del
proceso de inters
70
Instrucciones de trabajo
Las instrucciones de trabajo proporcionan los
pasos detallados de la secuencia de
actividades
71
IIIA.2 Entradas y salidas del
proceso
72
Mapa de procesos SIPOC
Mapa de proceso SIPOC (Proveedores, Entradas, Salidas, Clientes)
Procesos y sistemas Salidas
Entradas
Provee-
dores
Clientes
Retroalimentacin Retroalimentacin
Banco de informacin
73
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
74
Matriz de causa efecto
Relacin entre entradas y salidas de procesos
La matriz lista variables clave de salida del
prioridad
Dentro de la matriz se asignan nmeros que
76
III.B Probabilidad y
estadstica
77
IIIB. Probabilidad y
estadstica
1. Obtencin de conclusiones estadsticas vlidas
78
IIIB.1 Obtencin de
conclusiones estadsticas
vlidas
79
Estadstica Descriptiva
La estadstica nos proporciona mtodos
para organizar y resumir informacin,
usndola para obtener diversas
conclusiones
81
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
84
Estadstica descriptiva e
inferencial
Estudios descriptivos enumerativos :
Los datos enumerativos son los que pueden
85
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 , ,
) con base en la informacin obtenida de
muestras (estadsticos X, s, r)
86
Obteniendo conclusiones
vlidas
Los pasos de la estadstica inferencial son:
Definir el objetivo del problema en forma precisa
88
Obteniendo conclusiones
vlidas
Hiptesis nula a ser probada (Ho) y alterna
(Ha)
Ho: Ya = Yb Ha: Ya Yb Prueba de dos colas
Ho: A B Ha: A<B Prueba de cola
izquierda 89
Obteniendo conclusiones
vlidas
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
92
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.
93
Teorema del lmite central
Por lo anterior la dispersin de las medias es
menor que para los datos individuales
X
sX
n
94
Teorema del Lmite Central
La distribucin de las medias de las muestras tienden a
distribuirse en forma normal
95
Teorema del Lmite Central
97
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.
98
Variacin observada
en una Carta de Control
99
Variacin Causas comunes
Lmite
inf. de
especs.
Lmite
sup. de
especs.
Objetivo
100
Variacin Causas especiales
Lmite
inf. de
especs.
Lmite
sup. de
especs.
Objetivo
101
Aplicacin en la carta de control
Escuche la Voz del Proceso Regin de control,
M captura la variacin
E
natural del proceso
D
I original
D LSC
A
S
C
A LIC
L Tendencia del proceso
I
D El proceso ha cambiado
A
Causa Especial
identifcada
D
TIEMPO
Patrones Fuera de Control
Corridas
7 puntos consecutivos de un lado de X-media.
Adhesin a la media
15 puntos consecutivos dentro de la banda de 1 sigma
del centro.
Otros
2 de 3 puntos fuera de los lmites a dos sigma
103
Patrn de Carta
en Control Estadstico
Para la varianza
( n 1) s 2
( n 1) s 2
2
2
2
, n 1 1 , n 1
2 2 106
IIIB.3 Conceptos bsicos de
probabilidad
107
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 108
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
109
Probabilidad
Introduccin:
Diferencia entre experimento deterministico y
aleatorio (estocastico).
112
Probabilidad histrica o frecuentista.
1
probabilidad de caras
.5
0
0 500 1000
n
114
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
El experimento:
Seleccionamos al azar un numero ?
Cul es S?
117
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) =
118
Leyes de probabilidades
1. En un experimento, si P(A) e la probabilidad de
un evento A, entonces la probabilidad de Que no
suceda A es: P ( A ) 1 P ( A)
Ley de la Adicin
Si 2 eventos A y B no son mutuamente excluyentes,
entonces la probabilidad que el evento A o el evento B
ocurra es:
P(A or B) P(A) P(B) P(AB)
Ley de la Multiplicacin
probabilidad
P(AB)que P(A
ambos| A P(B
y B ocurran
B)P(B) es | A)P(A)
n ! n( n 1)(n 2)...(2)(1)
n!
Pr
n
(n r )!
123
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!
P2
10
90.
8!
124
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 125
Teorema 2.
n P n
n!
Cr
n r
r r! r !(n r )!
n n! 100!
C
n
r
r r !(n r )! 10!(100 10)!
126
IIIC. Coleccin y resumen de
datos
127
Coleccin y resumen de
datos
1. Tipos de datos y escalas de medicin
4. Estadstica descriptiva
5. Mtodos grficos
128
IIIC. 1 Tipos de datos y
escalas de medicin
129
Tipos de datos
Datos por atributos
Son datos discretos enteros, por ejemplo 3, 45,
2032. Cuenta, unidades, ocurrencias, bueno malo.
130
Tipos de datos
Datos de localizacin
Contestan a la pregunta Dnde?. Las cartas
que utilizan datos de localizacin de defectos se
denominan Measless charts o Cartas de
concentracin. Por ejemplo mapas con oficinas de
distribucin; defectos de pintura en un automvil.
131
Escalas de medicin
En funcin de la deseabilidad estadstica se tiene:
133
IIIC. 2 Mtodos de coleccin
de datos
134
Mtodos de coleccin de datos
Incluye mtodos manuales y automticos. Guas:
Formular una clara descripcin del problema
135
Mtodos de coleccin de datos
Incluye mtodos manuales y automticos.
Construir un formato sencillo de registro
Caliper
PASA NO PASA
ORDEN DE ENVIO
FALLA PASA
TEMPERATURE
Termmetro
Circuito Elctrico
137
Plan de recoleccin de datos
Un plan de Recoleccin de Datos relacionada
con las CTQs de inters es la documentacin de:
Qu informacin se va a recolectar
Por qu se necesita
Quin es responsable
Cmo se va a recolectar
Cundo se va a recolectar
Dnde se va a recolectar
138
Definiciones operativas
El Plan de Recoleccin de Datos debera de
basarse en las Definiciones Operativas
medibles:
Definiciones Operativas ya desarrolladas para
los clientes CTQs las Ys
Se necesita desarrollar Definiciones Operativas
para el proceso Xs
Y = (X1, X2, X3, X4Xn)
CTQ Proveedor/Entrada/Proceso
139
Mtodos de coleccin de datos
Codificacin de datos
Codificar al agregar o restar una constante
140
Mtodos de coleccin de datos
Codificacin por substitucin
Para una observacin de 32-3/8, los datos
142
Asegurar exactitud e
integridad de los datos
Los datos malos corrompen el proceso de
toma de decisiones
Evitar sesgo emocional respecto a tolerancias
Se economizan recursos
Se reduce el tiempo
Confiabilidad
145
Conceptos bsicos de
Muestreo
Muestreo: Proceso mediante el cual hacemos
inferencia a toda una poblacin observando
solo una parte de esta (muestra).
Mtodos de muestreo:
Es un procedimiento cientfico mediante el cual
obtenemos los componentes de una muestra,
tratando que la muestra nos de informacin
acerca de un parmetro poblacional, y tambin
nos permite medir el grado de incertidumbre de
equivocarnos en la inferencia.
Tipos de muestreo
Muestreo aleatorio
En este caso cada parte tiene la misma oportunidad
de ser seleccionada
Muestreo secuencial
Se toman piezas de una lnea continua y se muestrea
hasta que se hayan inspeccionado ms de 3 veces el
tamao de muestra de un plan de muestreo simple
Muestreo estratificado
Se seleccionan muestras aleatorias de cada uno de
los grupos o procesos diferentes, deben reflejar la
frecuencia de los grupos
147
Muestreo Simple Aleatorio
Cada uno de los elementos de una poblacin
tiene la misma probabilidad de salir en una
muestra.
La seleccin se hace generalmente usando
nmeros aleatorios (probabilidad uniforme 0,1).
Ejemplo: Se tiene una poblacin de 100
artculos. Se desean seleccionar 5. Para obtener
la muestra se deben enumerar los 100 artculos
y se saca una lista de 5 nmeros al azar entre 1
y 100.
( Usando la computadora generamos una lista
de 5 nmeros de la uniforme 0,1 y los
multiplicamos por 100 y solo tomamos las
Muestreo Sistemtico
En este mtodo enumeramos los elementos de
la poblacin de 1 a N. La muestra es tomada en
intervalos de N/n. (con n= tamao de la
muestra).
Ejemplo: de los 100 artculos anteriores si
muestreamos sistemticamente para n=5.
Tomaremos la muestra cada 100/5=20 objetos.
(i.e. Tomamos el 1er. Articulo , luego el 20esimo.,
etc..).
Muestreo con probabilidades desiguales.
til en poblaciones con mucha
variabilidad. Hacemos que aparezcan con
mayor los datos grandes o pequeos.
IIIC. 4 Estadstica descriptiva
150
Estadstica descriptiva
La estadstica descriptiva incluye:
Medidas de tendencia central
Medidas de dispersin
Distribuciones de frecuencia y
151
Estadstica descriptiva
Medidas de tendencia central
Representan las diferentes formas de
152
Estadstica descriptiva
Medidas de tendencia central
Mediana: es el valor medio cuando los datos
153
Estadstica descriptiva
Medidas de tendencia central
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.
154
Estadstica descriptiva
155
Estadstica descriptiva
Medidas de dispersin:
Rango: Es el valor mayor menos el valor menor
de un conjunto de datos
156
Estadstica descriptiva
Medidas de dispersin:
Desviacin estndar: es la raz cuadrada de la
varianza ya sea poblacional o muestral S
790 7510
s= = 12.56 s= = 38.75
5 5 157
Estadstica descriptiva
Medidas de dispersin:
Coeficiente de variacin: es igual a la desviacin
estndar dividida por la media y se expresa en
porcentaje
158
Estadstica descriptiva
Funcin de densidad de probabilidad
El rea bajo la curva de densidad de
probabilidad a la izquierda de un valor dado x,
es igual a la probabilidad de la variable aleatoria
en el eje x para X<= x
159
Estadstica descriptiva
Funcin de distribucin acumulada
Funcin
de
densidad
Funcin de
distribucin
acumulada
160
Mtodos grficos
Se incluyen los mtodos siguientes:
Diagramas de caja
Diagramas de tallo y hojas
Diagramas de dispersin
Histogramas
Distribuciones de probabilidad normales
Distribuciones de Weibull
161
IIIC. 5 Mtodos grficos
162
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)
163
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
164
Mtodos grficos
Diagramas de dispersin
Es una grfica de muchos puntos coordenados X-Y
que representan la relacin entre dos variables.
Tambin se denomina carta de correlacin. Se
puede tomar la variable dependiente para el eje Y
y la dependiente en el eje X.
165
Mtodos grficos
Diagramas de dispersin
167
Mtodos grficos
Anlisis de correlacin
Busca descubrir relaciones, aplicar el sentido
comn
168
Mtodos grficos
Anlisis de patrones y tendencias
Para visualizar el comportamiento de los datos en
el tiempo
Tendencia Tendencia decrecienteCorrida de proceso
creciente
169
Mtodos grficos
Anlisis de patrones y tendencias
Para visualizar el comportamiento de los datos en
el tiempo
Tendencia
creciente
170
Histogramas
171
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
172
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
173
Mtodos grficos
DEFINICION
Un Histograma es la organizacin de un nmero de
datos muestra que nos permite visualizar al proceso de
manera objetiva.
174
Histograma de Frecuencia
M
E
D
Media I
C
I
O
N
TAMAO TAMAO TAMAO E
S
CLASE FRECUENCIA
1-5 7
6-10 12
11-15 19
16-20 16
21-25 8
26-30 4 176
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
Construccin del histograma - datos agrupado
19 21 25 33 30 27 31 25 35
37 44 43 42 39 43 40 38 37
36 42 41 44 32 45 46 47 45
54 52 50 48 49 47 48 49 47
52 51 50 49 58 59 61 62 63
59 61 66 76 70
Ejemplo: Construccin del histograma
Paso 2. Rango R = 76 - 16 = 60
Paso 5. Lm. de clase: 15-24, 25- 34, 35- 44, 45- 54, 55 - 64, 65-74, 75-94
Paso 6. Nmero de datos: 2 7 14 17 7 2 1
Marcas de clase 19.5 29.5 39.5 49.5 59.5 69.5 79.5
181
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
182
Otras medidas de
Dispersin- Rango, CV
Datos:
185
Distribuciones usadas
por los Black Belts
Distribucin Binomial
Distribucin Poisson
Distribucin Normal
Distribucin Chi Cuadrada
Distribucin t de Student
Distribucin F
186
Tipos de variables aleatorias
Variable aleatoria: Es aquella funcin que a cada
resultado posible de un experimento le asocia un
numero real.
Se denotan con letras Maysculas: X,Y,Z,etc....
Continuas
187
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.
189
Funcin de probabilidades para
Y.
y P(Y=y)
0 1/4
1 1/2
2 1/4 0.51
0.46
0.41
Grfica
p
0.36
P(Y=y
)
0.31
0.26
Y 190
Formula para la distribucin de
probabilidades de la tabla
anterior
3
P ( y ) P (Y y ) (.5) (.5)
3 y y
191
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)
192
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
Limx F ( x) 1
Limx F ( x) 0
193
Funcin de distribucin acumulativa para Y=#de
caras
0.9
0.7
F(x)
0.5
0.3
194
Valor Esperado o Media de
una variable aleatoria
discreta
X E ( X ) xf X ( x) xP( X x)
x x
195
Calculo de la media X para la variable de No. De
defectos
4
X xP( X X )
x 0
196
0.8
0.6
prob
0.4
0.2
0.0
0 1 2 3 4
x
Media X
197
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 X
demanda esperada.
198
Varianza de una variable
aleatoria
X E[( X X ) ] ( x X ) P( X x)
2 2 2
Medida de dispersin
199
X 2 ( x X ) 2 P( X x)
x
200
La desviacin estndar de una variable aleatoria
es simplemente la raz cuadrada de la varianza
X 2
X
201
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
202
Uniforme discreta con n=10
0.15
0.13
0.11
p
rb
o
0.09
0.07
0.05
0 2 4 6 8 1e+001
x
203
La media y varianza de la
distribucin Uniforme discreta son:
(n 1)
X
2
n 1
2
X
2
12
Aplicaciones
204
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:
D N D
C x C n x n!
P ( x) N C
n
x
Cn x!(n x)!
205
Distribucin hipergeomtrica
La media y la varianza de la distribucin
hipergeomtrica son:
nD nD D N n
2
1
N N N N 1
206
Distribucin hipergeomtrica
Ejemplo:
De un grupo de 20 productos, 10 se
208
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
209
La variable aleatoria X tiene una distribucin
binomial
n x n x
f ( x) P ( X x) p (1 p ) x 0,1,..., n
x
E ( X ) X np
V ( X ) np (1 p )
2
X
210
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
211
Distribucin de Poisson
Una Variable aleatoria X tiene distribucin
Poisson si toma probabilidades con.
e x
f ( x) x 0,1,...
x!
np
np
212
La Distribucin
Normal
213
IMPORTANCIA
IMPORTANCIA DE
DE LA
LA DISTRIBUCIN
DISTRIBUCIN
NORMAL
NORMAL
Los
Los primeros
primeros industriales
industriales frecuentemente
frecuentemente se se basaban
basaban en en el
el
conocimiento
conocimiento de de limites
limites normales
normales para
para clasificar
clasificar artculos
artculos oo
procesos
procesos como
como correctos
correctos oo dede otro
otro modo.
modo.
Por
Por ejemplo,
ejemplo, el
el colesterol
colesterol arriba
arriba de
de 250
250 mg/dl
mg/dl es
es ampliamente
ampliamente
conocido
conocido que
que incrementa
incrementa el el riesgo
riesgo de
de un
un paro
paro cardiaco.
cardiaco. Una
Una
determinacin
determinacin precisa
precisa -- pudiera
pudiera ser
ser asunto
asunto de
de vida
vida oo muerte.
muerte.
Sin
Sin embargo
embargo ,, nono todas
todas las
las variables
variables son
son normales.
normales. PorPor
ejemplo:
ejemplo: urea
urea yy ph
ph
CARACTERISTICAS
CARACTERISTICAS DE
DE UNA
UNA
DISTRIBUCIN
DISTRIBUCIN NORMAL
NORMAL
La
La curva
curva normal
normal es es acampanada
acampanada yy tiene
tiene un
un solo
solo
pico
pico en
en toda
toda la
la distribucin.
distribucin.
La
La media,
media, mediana,
mediana, yy moda
moda de
de la
la distribucin
distribucin son
son
las
las mismas
mismas yy estn
estn localizadas
localizadas en
en elel pico.
pico.
La
La mitad
mitad del
del rea
rea de de la
la curva
curva esta
esta arriba
arriba del
del punto
punto
central
central (pico),
(pico), yy la
la otra
otra mitad
mitad esta
esta abajo.
abajo.
La
La distribucin
distribucin normal
normal es
es simtrica
simtrica alrededor
alrededor dede
su
su media.
media.
Es
Es asintotica
asintotica -- la
la curva
curva se
se acerca
acerca aa eje
eje xx pero
pero
nunca
nunca lo
lo toca.
toca.
CARACTERISTICAS
CARACTERISTICAS DE
DE UNA
UNA DISTRIBUCION
DISTRIBUCION NORMAL
NORMAL
La Normal is simtrica -
-
Cola
Cola
Tericamente, la
Tericamente, la Media, curva se extiende
curva se extiende mediana, y a
a moda son + infinito
217
Distribucin Normal
1 t 2
Distribucin de 1
f(t) exp
la Funcin Normal 2 2
0.0140
0.0120
0.0100 = 500
= 30
0.0080 = 50
= 70
f(t)
0.0060
0.0040
0.0020
0.0000
200 400 600 800 1000
Tiempo
218
Curvas
Curvas Normales
Normales con
con Medias
Medias iguales
iguales pero
pero
Desviaciones
Desviaciones estndar
estndar diferentes
diferentes
3.9
3.9
== 5.0
5.0
Normales
Normales con
con Medias
Medias yy
Desviaciones
Desviaciones estndar
estndar diferentes
diferentes
=
= 5,5, == 33
== 9,
9, =
= 66
== 14,
14, == 1010
La distribucin Normal estndar
221
Para cada valor Z se asigna una probabilidad o rea bajo
Las distribuciones pueden variar en:
POSICIN AMPLITUD FORMA
222
La Distribucin Normal
Para la poblacin - se incluyen TODOS los datos
Para la muestra
223
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
224
AREA
AREA BAJO
BAJO LA
LA CURVA
CURVA NORMAL
NORMAL
Alrededor
Alrededor dede 68
68 %% del
del area
area bajo
bajo lala curva
curva
normal
normal est
est entre
entre ms
ms una
una yy menos
menos una una
desviacin
desviacin estndar
estndar dede la
la media.
media. EstoEsto puede
puede
ser
ser escrito
escrito como:
como: m m 1s.
1s.
Cerca
Cerca del
del 95
95 %
% del
del rea
rea bajo
bajo la
la normal
normal estest
entre
entre ms
ms yy menos
menos 22 desviaciones
desviaciones estndar
estndar de de
la
la media,
media, m m 2s.
2s.
Prcticamente
Prcticamente toda
toda (99.74
(99.74 %)%) elel rea
rea bajo
bajo la
la
normal
normal esta
esta entre
entre 33 desviaciones
desviaciones de de la
la media
media
mm 3s.
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
1.
1. 68.26%
68.26%
2.
2. 95.44%
95.44%
3.
3. 99.97%
99.97%
Caractersticas de la Distribucin Normal
68%
34% 34%
+1s
95%
+2s
99.73%
+3s 228
El valor de Z
Determina el nmero de desviaciones
estndar entre algn valor x y la media de la
poblacin, mu Donde sigma es la desviacin
estndar de la poblacin.
z= x-
Proceso con media =100
y desviacin estndar = 10
68%
34% 34%
90 110
68%
95%
80 120
2.356%
68% 2.356%
99.73%
70 130
reas bajo la curva
normal
231
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
1.
1. Identificar
Identificar la
la variable
variable dede inters.
inters.
2.
2. Identificar
Identificar los
los parmetros
parmetros de de la
la variable
variable (su
(su
media
media yy desv.
desv. estndar).
estndar).
3.
3. Cual
Cual es
es la
la pregunta
pregunta rea
rea bajo
bajo la
la curva
curva dede
probabilidad
probabilidad normal?
normal?
4.
4. Convertir
Convertir los
los valores
valores aa la
la distribucin
distribucin normal
normal
estndar
estndar (estandarizacin
(estandarizacin ZZ = = (X-Media)/S)
(X-Media)/S) ..
5.
5. Encuentre
Encuentre la la probabilidad
probabilidad en en tabla
tabla de
de la
la normal
normal
estndar
estndar oo porpor Excel.
Excel.
Ejemplo
Ejemplo
El
El agua
agua usada
usada diariamente
diariamente por por persona
persona en
en Mxico
Mxico
est
est distribuida
distribuida normalmente
normalmente con con media
media 20
20 litros
litros
yy una
una desviacin
desviacin de
de 55 lts..
lts..
Entre
Entre que
que valores
valores cae
cae cerca
cerca del
del 68%
68% el
el agua
agua
usada
usada por
por una
una persona
persona enen Mexico?
Mexico?
m
m 1s
1s =
= 20
20 1(5).
1(5). Esto
Esto es,
es, cerca
cerca del
del 68%
68% de de lala
cantidad
cantidad usada
usada por
por persona
persona cae
cae entre
entre 15
15 lts.
lts. yy 25
25
lts..
lts..
De
De manera
manera similar
similar para
para 95% 95% yy 99%,99%, elel intervalo
intervalo
ser
ser de
de 10
10 lts
lts aa 30
30 lts
lts yy 55 lts
lts aa 35
35 lts.
lts.
Ejemplo
Ejemplo
El
El agua
agua usada
usada diariamente
diariamente por
por persona
persona en en
Mxico
Mxico es es distribuida
distribuida normalmente
normalmente con con media
media
20
20 litros
litros yy una
una desviacin
desviacin de
de 55 lts.
lts. Sea
Sea XX el
el
uso
uso diario
diario de
de agua.
agua.
Cual
Cual es
es la
la probabilidad
probabilidad que
que una
una persona
persona
seleccionada
seleccionada alal azar
azar use
use menos
menos dede 20
20 lts./dia?
lts./dia?
El
El valor
valor zz asociado
asociado es
es zz =
= (20
(20 -- 20)/5
20)/5 =
= 0.
0.
entonces,
entonces,
P(X
P(X <
< 20)
20) =
= P(z
P(z <
< 0)
0) =
= 0.5.
0.5.
Ejemplo
Ejemplo
Que
Que porciento
porciento usa usa entre
entre 20
20 yy 24
24 lts?
lts?
El
El value
value zz asociado
asociado concon XX =
= 20
20 es
es zz =
= 00 yy con
con
XX == 24,
24, zz =
= (24
(24 -- 20)/5
20)/5 =
= 0.8.
0.8.
Entonces,
Entonces, P(20
P(20 << XX << 24)
24) =
= P(0
P(0 << zz <
< 0.8)
0.8) ==
P(0.8)
P(0.8) -- P(0)
P(0) == 0.7881-
0.7881- 0.5
0.5 == 0.2881
0.2881 oo 28.81%.
28.81%.
Que
Que porciento
porciento usa
usa entre
entre 16
16 yy 20
20 lts?
lts?
El
El valor
valor z1
z1 para
para XX == 16
16 es
es z1 z1 =
= (16
(16 -- 20)/5
20)/5 == -0.8,
-0.8,
yy para
para XX =
= 20,
20, z2
z2 =
= 0.
0. Entonces,
Entonces, P(16 P(16 << XX << 20)
20)
== P(-0.8
P(-0.8 <
< zz <
< 0)
0) =
= P(0)
P(0) -- P(-0.8)
P(-0.8) == 0.5
0.5 -- 0.2119
0.2119
== 0.2881
0.2881 == 28.81%.
28.81%.
P(0
P(0 << zz <
<
0.8)
0.8) =
=
0.2881.
0.2881.
0.8
0.8
Ejemplo
Ejemplo
Cual
Cual es
es la
la probabilidad
probabilidad que
que una
una persona
persona
seleccionada
seleccionada alal azar
azar use
use mas
mas de
de 28
28 lts?
lts?
El
El valor
valor zz asociado
asociado aa XX =
= 28
28 es
es
zz =
= (28
(28 -- 20)/5
20)/5 = = 1.6.
1.6. Ahora,
Ahora, P(XP(X >
> 28)
28) =
= P(z
P(z >
>
1.6)
1.6) =
= 11 -- P(z
P(z << 1.6)
1.6) =
= 11 -- 0.9452
0.9452 == 0.0548.
0.0548.
P(z
P(z > > 1.6)
1.6) =
=
11 -- 0.9452=
0.9452=
0.0548
0.0548
Area
Area =
=
0.9452
0.9452
z
Ejemplo
Ejemplo
Que
Que porcentaje
porcentaje usa
usa entre
entre 18
18 yy 26
26 lts?
lts?
El
El valor
valor zz asociado
asociado con
con XX =
= 18
18 es
es zz =
= (18
(18 -- 20)/5
20)/5
=
= -0.4,
-0.4, yy para
para XX =
= 26,
26, zz =
= (26
(26 -- 20)/5
20)/5 == 1.2.
1.2.
entonces,
entonces, P(18P(18 <
< XX <
< 26)=
26)= P(-0.4
P(-0.4 << zz <
< 1.2)
1.2)
=
= F(1.2)
F(1.2) -- F(-0.4)=
F(-0.4)= 0.8849
0.8849 -- 0.3446
0.3446 = = 0.5403.
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?
242
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
rea bajo la curva normal
85.36 86 87
0 1
rea bajo la curva normal
248
Distribuciones muestrales
249
A las distribuciones de los estadsticas
muestrales se les llama distribuciones
muestrales.
POBLACION
250
Distribuciones Derivadas del
muestreo de Poblaciones Normales
Muestra
Aparecen distribuciones
muestrales:
251
Distribucin de la Media:
X n( , / n) 2
252
Distribuciones usadas
normalmente
Distribucin Chi Cuadrada
253
Distribucin de la varianza.
K=1 K=5
K=50
K=25
256
Ejemplo: Calcule el valor critico que
satisface
P ( X 0.05, 20 ) .05
2
0.05, 20 31.41
2
257
Resultado:
(n 1) 2
S 2
n 1
2
258
Distribucin t-student
( X ) ( s / n) t n 1
259
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=100 260
Funcin de Distribucin t-
student
261
k
; k 3
k 2
Distribucin t de Student
La media y la varianza de la distribucin t son:
0
k
; k 3
k 2
De una muestra aleatoria de n artculos, la
probabilidad de que
x
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
262
k
; k 3
k 2
Distribucin t de Student
Ejemplo:
La resistencia de 15 sellos seleccionados
aleatoriamente son: 480, 489, 491, 508, 501,
500, 486, 499, 479, 496, 499, 504, 501, 496,
498
F=(W/u)/(Y/v)
u=10 u=20
v=5 v=20
265
Distribucin F.
Funcinde densidad de la
Distribucin F
266
Distribucin F
Para determinar la otra cola de la distribucin F
se determina con la expresin.
267
IIIE. Anlisis de Sistemas de
medicin
268
Anlisis de Sistemas de
Medicin
1. Errores en la medicin
269
Metrologa
Metrologa es la ciencia de las mediciones
270
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
273
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.
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
276
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
277
Posibles Fuentes de la
Variacin del Proceso
Variacin del proceso, observado
Calibracin
279
Definicin del Sesgo o
precisin
Valor
Verdadero
Se reporta como
porcentaje de la variacin
del proceso o de la
tolerancia.
280
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
281
Definicin de la
Reproducibilidad
Reproducibilidad: Es Operador-B
la variacin, entre
promedios de las
mediciones hechas por
diferentes operadores
que utilizan un mismo Operador-C
instrumento de
medicin cuando miden
las mismas
caractersticas en una Operador-A
misma parte en
diferentes tiempos
Reproducibilidad 282
Errores en la medicin
283
Definicin de la Estabilidad
Estabilidad (o desviacin) es la
variacin total de las mediciones
obtenidas con un sistema de Tiempo 2
medicin, hechas sobre el mismo
patrn o sobre las mismas Tiempo 1
partes, cuando se mide una sola
de sus caractersticas, durante
un perodo de tiempo
prolongado.
284
Definicin de la Linealidad
Graficar el sesgo versus los valores de referencia 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 verdadero verdadero
diferencia Sesgo Sesgo
en los valores real y Menor mayor
observado,
a travs del rango de (rango inferior)
operacin
esperado del equipo. Rango de Operacin del equipo
(rango superior)
285
Estabilidad del Calibrador
Cmo Calcularla
<10% Aceptable
10-30%. Puede ser aceptable, dependiendo
qu tan crtico es el grado de la medicin.
>30%. Inaceptable!
287
EL VALOR DEL R&R ES UN PORCENTAJE DE LA
VARIACION TOTAL DEL PROCESO:
VARIACIN DE PARTE
La dimensin verdadera
A PARTE
de las partes se encuentra
en algn lugar de la la
regin sombreada
Lo que
fue
medido
2. Carta de tendencias
289
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.
290
Carta de tendencias de
gages
1File > Open worksheet > GAGEAIAG.MTW.
2Stat > Quality Tools > Gage Study > Gage Run Chart
3En Part numbers, seleccionar Part.
4En Operators, seleccionar Operator.
5En Measurement data, seleccionar Response. Click OK.
291
Carta de tendencias de
gages
292
Anlisis de Sistemas de
Medicin
3. Estudios R&R
Mtodo corto del rango
293
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.
295
Anlisis de Sistemas de
Medicin
4. Determinacin de la
repetibilidad
296
Determinacin 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
297
Determinacin slo
de la repetibilidad
298
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
299
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.
medicion .79
100 25.73%
total 3.07
301
Anlisis de Sistemas de
Medicin
302
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.
303
Mtodo de medias rangos
304
Estudio de R&R Medias
Rangos
305
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.
308
Procedimiento para realizar un estudio de
R&R
7. Utilice el formato proporcionado para
determinar las estadsticas del estudio R&R
Repetibilidad
Reproducibilidad
%R&R
conceptos mencionados
Anlisis del % de tolerancia
310
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
311
Clculo de las X-medias
Repetibilidad y Reproducibilidad de calibrador
312
Clculo de los Rangos
Repetibilidad y Reproducibilidad de
calibrador
313
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
314
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
315
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
=
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
318
R&R por Medias Rangos
319
R&R Medias Rangos
Minitab :Datos originales
320
R&R Medias Rangos
Minitab :Datos cargados (3 cols.)
321
R&R Medias Rangos
Minitab : Instrucciones
322
R&R Medias Rangos
Minitab : Resultados
Nmero mnimo 4
323
R&R Medias Rangos
Minitab : Interpretacin de
Resultados
324
R&R Medias Rangos Grficas
La grfica R se mantiene en control indicando
que las mediciones se realizaron en forma adecua
Gage R&R (Xbar/ R) for Datos La grfica X barra slo presenta 5 de 30 puntos fu
Gage name:
de control, debera
Reported by :
Tolerance:
ser al menos el 50%, indicand
Date of study : que el equipo
Misc: no discrimina las diferentes partes.
Components of Variation Datos by Partes
80 % Contribution
0.006
% StudyVar
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 I nteraction
Operadores
UCL=0.005143
Sample Mean
0.0050 1
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
325
R&R por ANOVA
326
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)
La interaccin no es significativa
y los errores de R&R indican que
equipo de medicin no es adecu
ni el nmero de categoras.
328
R&R por ANOVA
Resultados de Minitab
Las conclusiones son similares
que con el mtodo de X barra R
No hay interaccin parte - operad
329
Anlisis de Sistemas de
Medicin
330
Ejemplo comparacin pasa no pasa
La efectividad de la discriminacin es la
habilidad del sistema de medicin de atributos
para discriminar a los buenos de los malos.
331
Ejemplo comparacin pasa no pasa
333
Pasa no pasa Datos en Minitab
334
Instrucciones en Minitab
1Usar los datos anteriores.
2Seleccionar Stat > Quality Tools > Attribute
Agreement Analysis.
336
Resultados de Minitab
Date of study:
Assessment Agreement
Reported by:
Name of product:
Misc:
95 95
90 90
Percent
85 Percent 85
80 80
75 75
70 70
1 2 1 2
Appraiser Appraiser
337
Interpretacin de Resultados
1. % del Evaluador es la consistencia de una
persona.
338
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
339
IIIF. Capacidad y desempeo
del Proceso
340
Capacidad y desempeo del
proceso
1. Estudios de capacidad del proceso
342
Teora del camin y el tnel
El tnel tiene 9' de ancho (especificacin). El camin tiene 10 y el chofer es perfecto
(variacin del proceso). Pasara el camin? NO, la variabilidad del proceso es mayor
que la especificacin.
Centrar es hacer que el promedio del proceso sea igual al centro de la
especificacin. Si el camin tiene 8 pies de ancho pasar el camin?, Si. Si
el chofer puede mantener el centro del camin en el centro del tnel. De otra forma
chocar con las paredes del tnel y no pasar a pesar de ser ms angosto.
El proceso debe estar en control, tener capacidad y estar centrado
Ancho 9
Nigels Trucking Co.
Objetivos de la capacidad del
proceso
4. Seleccionar proveedores
345
Estudios de capacidad
LIE LSE
Especificacin Especificacin
inferior superior
s _
xi
X
351
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
353
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:
355
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
Es el menor de:
LSE - promedio del proceso Promedio del proceso - LIE
Cpk = y
3 desviaciones Est. - st 3 desviaciones Estndar - st
359
Clculo de la capacidad del proceso
Debe ser 1
para tener el potencial de
cumplir con especificaciones (LIE, LSE)
361
Estimacin de la desviacin
estndar
con el proceso a largo plazo
Desv. Est. lt =
(Overall)
362
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.
363
ndice de desempeo real del
proceso largo plazo
Ppk es una medida del desempeo real del proceso en funcin de la
posicin de la media del proceso (X) en relacin con con los lmites
de especificacin.
Es el menor de:
LSE - promedio del proceso Promedio del proceso - LIE
Ppk = y
3 desviaciones est. - lt 3 desviaciones Estndar - lt
364
Clculo del desempeo del
proceso a lago plazo
366
Ejemplo
Se tomaron los datos siguientes:
368
Ejemplo (cont)
35
30
25
20
15 Frec.
10
5
0
170- 210- 250- 290- 330-
189 229 269 309 349
369
Ejemplo (cont)
370
Ejercicio
Calcular la capacidad del proceso con la distribucin de frecuencias
siguiente considerando LIE = 530 y LSE = 580:
LSL USL
Process Data Within
LSL 9.00000 Overall
Target *
USL 14.00000 Potential (Within) Capability
Sample Mean 11.74400 Cp 0.97
SampleN 50 CPL 1.07
CPU 0.88
StDev(Within) 0.85577
StDev(Overall) 0.80259 Cpk 0.88
CCpk 0.97
Overall Capability
Pp 1.04
PPL 1.14
PPU 0.94
Ppk 0.94
Cpm *
373
Capacidad a partir
de cartas de control
374
EN CASOS ESPECIALES COMO ESTOS
DONDE LAS VARIACIONES PRESENTES SON
TOTALMENTE INESPERADAS
TENEMOSUN PROCESO INESTABLE o IMPREDECIBLE.
?
? ?
? ?
? ?
375
Bases del CEP
Prediccin
Tiempo
376
Control y Capacidad de Proceso
Control de Proceso:
Capacidad de Proceso:
x
curva en forma de campana o normal, si no Area
hayentre
causas0 y 1sespeciales
presentes, que alteren la normalidad . cuales son las causas
-Probabilidad de Ocurrencia
comunes?|
Distribucin
del Proceso
_
x= media
34% 34% s= sigma; es la
desviacin
estndar;
medida
de la variacin
14 % 14 % del proceso.
80
_
_
X=72.69
70
60
LCL=58.53
2 4 6 8 10 12 14 16 18
Sample
UCL=51.89
48
Sample Range
36
_
24 R=24.54
12
0 LCL=0
2 4 6 8 10 12 14 16 18
Sample
379
Estudios de capacidad
Desviacin estndar:
Si el proceso sigue una distribucin normal y
est en control estadstico, entonces la
desviacin estndar puede ser estimada de:
380
Desviacin Estndar del proces
= R = S
d2 c4
Donde,
Donde,
=
= Desviacin
Desviacinestndar
estndarde
dela
lapoblacin
poblacin
dd2 ==Factor
Factorque
quedepende
dependedel
deltamao
tamaodel
delsubgrupo
subgrupoen
enla
lacarta
cartade
de
2
control
controlXX--RR
CC4 = Idem al anterior para una carta X - S
4 = Idem al anterior para una carta X - S
NOTA:
NOTA: En
Enuna
unacarta
cartapor
porindividuales,
individuales,d2
d2se
setoma
tomapara
parann=
=22yy
Rango
RangoMedio=
Medio=Suma
Sumarangos
rangos//(n
(n-1)
-1) 381
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 es
386
Corto y largo plazos
Corto plazo:
Es un periodo corto de tiempo en el cual no hay
Largo Plazo
Es el periodo de tiempo en el cual ya han
387
Anlisis de la Capacidad de
procesos no normales
388
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
389
Procesos no normales
Dadas las observaciones X1, X2, X3,.., Xn,
seleccionar la potencia que maximice el
logaritmo
390
Capacidad de procesos no
normales y transformaciones de
datos
Para procesos no normales, utilizar la
distribucin de Weibull
391
Capacidad de procesos no
normales usando la distribucin
de Weibull
Con archivo de Minitab TILES.MTW
Process Capability of Warping
Calculations Based on Weibull Distribution Model
LSL USL
Process Data O verall Capability
LSL 0.00000 Pp 0.81
Target * PPL 1.03
USL 8.00000 PPU 0.73
Sample Mean 2.92307 Ppk 0.73
SampleN 100
Exp. O verall Performance
Shape 1.69368
PPM<LSL 0.0
Scale 3.27812
PPM>USL 10764.5
O bserved Performance PPMTotal 10764.5
PPM<LSL 0
PPM>USL 20000
PPMTotal 20000
LowerCL 0.052120
15 UpperCL 0.642093
10
Limit
0
-2 -1 0 1 2 3 4 5
Lambda
393
Capacidad de procesos no
normales transformando datos
con Box - Cox
Con la raz cuadrada de los datos y de los lmites de
especificaciones se tiene:
Process Capability of Transf
LSL USL
Process Data Within
LSL 0.00000 Overall
Target *
USL 2.82843 Potential (Within) Capability
Sample Mean 1.62374 Cp 0.92
SampleN 100 C PL 1.05
StDev(Within) 0.51337 C PU 0.78
StDev(O verall) 0.53934 C pk 0.78
C Cpk 0.92
O verall Capability
Pp 0.87
PPL 1.00
PPU 0.74
Ppk 0.74
C pm *
394
Capacidad de procesos
bajo Seis Sigma
395
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)
396
Variacin a Corto Plazo
(periodo durante el cual no
se presenta ningn cambio
en el proceso)
Zst = Zlt + 1.5
397
Rendimiento de la capacidad real
Recibo de partes
del proveedor
Defectos 20 10 12 4
Unidade 70 20 6 4
s
399
Relaciones de sigmas
La probabilidad de uno o ms defectos es:
402
Capacidad de proceso
para datos por atributos
En este caso la capacidad del proceso es la proporcin
media de producto no conforme