Escolar Documentos
Profissional Documentos
Cultura Documentos
INTRODUCCIN
Industrial, el cual tiene como funcin la optimizacin de los proceso en una empresa.
INDICE
Pgina
INTRODUCCIN..........................
I. CALIDAD_ COMPETITIVIDAD...................
1.1 Calidad...........................
12
16
16
20
21
21
26
28
33
44
47
50
IV. SPSS...............................
4.1 Ejecucin del SPSS ........................
54
56
60
62
64
65
V. HERRAMIENTAS ESTADSTICAS...................
90
92
5.2. Histograma................................
94
106
117
126
VI. BIBLIOGRAFA.............................
183
ANEXOS.............................
184
NDICE DE TABLAS
Pgina
Tabla 2.1 Tiempo de espera para ser atendidos en caja de pago (min).....
22
23
28
46
51
52
66
76
95
97
105
108
108
122
123
132
133
141
141
149
155
156
167
168
169
148
NDICE DE FIGURAS
Pgina
Figura 1.1. Factores de la competividad................
12
12
18
38
43
54
55
55
56
56
57
57
58
58
58
59
59
60
60
61
61
62
62
63
63
64
64
64
65
67
67
68
68
69
69
70
70
71
71
72
72
73
73
74
74
75
75
76
76
77
77
78
78
79
79
82
82
83
83
84
84
85
85
86
86
87
87
93
99
109
130
136
160
182
183
CAPTULO I
CALIDAD
1.1 Calidad
Definir calidad no es tan fcil, este concepto con el transcurrir del tiempo ha
evolucionado pues tenemos a varios autores denominados filsofos de calidad,
quienes han aportado en su definicin, entre ellos tenemos:
Walter Shewart (1891-1967). Define la calidad como un problema de variacin, el cual
puede ser controlado y prevenido mediante la eliminacin a tiempo de las causas que
lo provocan (grficos de control). Introduce el concepto de control estadstico de
calidad. Fue el primero en reconocer que en toda produccin industrial se da variacin
en el proceso.
William Edwards Deming (1900-1993).
Genichi Taguchi (1924).La calidad se debe definir en forma monetaria por medio de
la funcin de prdida, en donde a mayor variacin de una especificacin con respecto
al valor nominal, mayor (exponencialmente) es la prdida monetaria transferida al
consumidor.
Thomas Peters (1942).La calidad definida por los clientes y/o consumidores, en
funcin a sus necesidades y deseos, procediendo a fijar las especificaciones de los
productos y servicios en funcin de aquellos.
Los personajes descritos anteriormente de una manera u otra han contribuido al
concepto de trmino calidad.
Al realizar la pregunta a mis estudiantes Qu es Calidad? las respuestas es variada
pero todos coinciden en estas palabras satisfaccin del cliente
es decir la
percepcin del cliente acerca del grado con el cual sus necesidades o expectativas
han sido cumplidas.
Por lo tanto podemos decir que la calidad es un juicio que el cliente tiene sobre un
servicio o producto, resultado del grado con el cual un conjunto de caractersticas
inherentes al producto cumple con sus requerimientos.
Segn ISO 9000:2005 define calidad como: Grado en el que un conjunto de
caractersticas
requisito a
obligatoria.[1]
Para los clientes siempre se les deben brindar productos y servicios que satisfagan
sus necesidades. Debemos recordar que un producto o servicio es el resultado de un
proceso mediante el cual un conjunto de actividades mutuamente relacionadas o que
interactan, las cuales transforman elementos de entrada en resultados.
La norma ISO 9000:2005 utiliza la expresin producto para designar el resultado de un
proceso. Considera cuatro categoras genricas de productos:
1. Servicios (transporte,.),
2. Software (aplicaciones informticas, informacin,.),
3. Hardware (partes mecnicas, elementos tangibles,.) y
4. Materiales procesados (lubricantes,.).
10
Los clientes necesitan productos o servicios con caractersticas que satisfagan sus
necesidades y expectativas. Estas necesidades y expectativas se expresan en la
especificacin del
11
Herramientas
amientas y Control Estadstico de la Calidad
calidad a bajo precio y mediante un buen servicio. En la figura 1.1 se visualiza los
factores de la competitividad.
Esta capacidad
adecuados
para diferentes
12
Herramientas
amientas y Control Estadstico de la Calidad
suponemos que
Entonces
tonces la eficiencia ser la relacin entre el tiempo til y el tiempo total mientras
La eficacia ser el cociente entre las latas de conservas producidas y el tiempo til.
13
Herramientas
amientas y Control Estadstico de la Calidad
14
15
CAPTULO II
DEFINICIONES BSICAS
Estadstica.
Es la Ciencia que nos proporciona un conjunto de mtodos cientficos para
recolectar, organizar, resumir y analizar datos, para obtener conclusiones vlidas para
la toma de decisiones razonables basadas con tal anlisis. La estadstica se divide en:
Descriptiva y Inferencial. [3]
Estadstica
Inferencial.
La
estadstica
inferencial,
es
un
conjunto
de
16
denotado por
La varianza muestral
denotado por
S2
La proporcin muestral
denotado por
El total muestral
denotado por
denotado por
17
Discreta
Cuantitativa
Continua
Por su naturaleza
Cualitativa
Variables
Dependiente
Por su Relacin
Independiente
Interviniente
18
Herramientas
amientas y Control Estadstico de la Calidad
Escalas de Medicin
Variables categricas nominales:
nominales Son variables cualitativas
litativas que no permiten
establecer un orden. Ejemplo: raza (negra, blanca, trigueo, etc.), grupos
sanguneos (A,B,AB,O). Tambin son excluyentes entre si, o sea que cada
individuo pertenece a una u otra categora pero no a las dos al mismo tiempo.
Variables
bles categricas ordinales:
ordinales: Estas si permiten establecer un orden
determinado, por Ejemplo: grado de instruccin de un paciente (inicial, primaria,
secundaria, superior), nivel socioeconmico (bajo, medio, alto). etc. Tambin son
excluyentes entre si.
Escala Intervlica.. Es una escala ordinal, que se usa en mediciones de variables
continuas que adems de tener un orden tienen mantienen una equidistancia entre
s y para lo cual pueden iniciar con un cero relativo o arbitrario y mantener un
intervalo de separacin.
19
Herramientas
amientas y Control Estadstico de la Calidad
y , es decir que la
20
la satisfaccin del
materias
primas,
2.4 La Variabilidad
La Variabilidad forma parte de nuestra vida por ejemplo el tiempo que tardamos
en llegar a nuestra casa cuando salimos de las clases de la universidad, la
temperatura del ambiente es variable de un da a otro, esta variacin tambin ocurre
en los procesos de las empresas.
21
Tabla 2.1 Tiempo de espera para ser atendidos en caja de pago (min)
12,1
7,3
15,9
13,2
10,5
9,4
5,4
13,2
5,6
8,9
17,3
6,8
12,4
11,4
15,6
6,6
4,7
11,2
12,8
13.6
15,9
12,8
5,1
7,5
13,4
12,4
12,1
6,2
9,4
14,6
17,8
11,9
13,2
6,9
7,7
13,2
13,5
13,6
7,4
7,7
7,5
6,3
8,2
11,2
2.3
12,2
5,2
11,7
9,2
12,1
En este ejemplo se muestra que el promedio de espera fue de 10,4min. Pero existe
variacin ya que un cliente espero menos de 2,3 minutos y otro fue atendido despus
de 17,8 minutos de espera. De aqu que una de las tareas del Control Estadstico de
un proceso no solo ser conocer su tendencia central sino tambin su variabilidad.
22
aparatos de medida y del operario que mide, etc) que hacen que los resultados de la
produccin no sean totalmente idnticos en todas sus unidades. Estas causas que
originan la variabilidad natural del proceso se conocen como causas comunes.
Existen otro tipo de causas que originan aumento del sesgo y/o la variabilidad y que,
en contraposicin a las causas comunes, se presentan de forma accidental son, en
general, fcilmente eliminables. Ejemplo de estas causas son errores de los operarios,
defectos en la materia prima, desajuste de mquinas, etc. A estas causas se les
denomina causas asignables, accidentales o especiales.
Por definicin, se dice que un proceso est bajo control estadstico cuando no hay
causas asignables presentes. El Control Estadstico de Procesos se basa en analizar
la informacin aportada por el proceso para detectar la
presencia de causas
Causas Especiales
pocas
fuentes
individualmente importantes.
por
la
produccin.
distribucin
El
proceso
de
la
es
imprevisible.
23
EJERCICIOS
1. Clasifica las siguientes variables como cualitativas o cuantitativas, y a estas ltimas
como continuas o discretas:
a) Carreras que se estudian en la U.S.A.T
b) N de cartas que se escriben en un mes
c) Nmero de calzado
d) Precio de un producto.
e) Marcas de gaseosa
f) N de empleados de una empresa
g) Altura
h) Temperatura de un enfermo
24
5. En una fiesta, el 50% de los invitados son hombres. De todos los hombres de la
fiesta, el 40% son calvos y de ellos el 50% habla ingls. Si 4 calvos hablan ingls.
Cuntas mujeres hay en la fiesta?.
Tipo:
Poblacin
Muestra
25
CAPTULO III
ESTADSTICA DESCRIPTIVA
El presente captulo tiene por finalidad que el estudiante analice las principales
tcnicas para realizar un anlisis descriptivo de un conjunto de datos
donde se
especificaciones
proceso funciona de manera satisfactoria. Por ello, una tarea primordial del control de
calidad es conocer
incrementar el
26
de
envasado
de
conservas
de
esparrago,
una
entre la
Para contestar estas preguntas, durante una semana se obtuvieron de una lnea de
produccin
de tabla
3.1. El muestreo
27
210
207
206
206
205
207
210
206
209
207
203
210
207
207
210
204
209
203
209
206
208
206
207
207
207
203
206
206
207
210
208
205
203
210
207
207
207
207
208
214
206
208
206
212
213
212
209
208
209
207
206
207
208
209
213
209
206
209
210
210
209
207
209
212
209
208
201
209
209
207
209
210
207
215
206
206
210
210
206
208
211
210
212
206
205
210
202
201
208
205
205
209
203
207
207
209
210
211
213
205
203
210
204
208
205
210
205
212
206
209
207
210
214
212
209
209
207
206
208
207
209
211
210
210
o concentrarse. Las
estadgrafos de posicin que son interpretados como valores que permiten resumir a
un conjunto de datos dispersos, podra asumirse que estas medidas equivalen a un
centro de gravedad que adoptan un valor representativo para todo un conjunto de
datos predeterminados.
28
"#$ #
+ + +
!
!
Para calcular la media de los 125 datos que se muestran en la tabla 2.1 tendremos
29
Es importante destacar que la media del proceso es igual a cierto valor, aun no
seleccionan. Por lo anterior, el valor que se observa de la media muestral , por lo
general
en los estadsticos
igual al valor que divide a la mitad a los datos cuando son ordenados de menor o
!+1
2
30
4.
4,5.
23
5+6
5,5
2
5/
Moda
Otra forma de medir la tendencia central de un conjunto de datos es mediante la
moda,
frecuencia ms grande, entonces cada uno de ellos es una moda, y se dice que el
conjunto de datos es multimodal.
Por ejemplo se tienen, durante los ltimos 30 das que el valor de las compras en un
producto fue: { 10,2; 7,0; 7,1; 10,2; 8,3; 9,4, 9,2; 6,5, 7;1; 6,6; 7,8; 6,8; 7,1; 8,4; 9,6;
8,5; 5,7; 6,4; 10,1; 8,2; 9,0; 7,8; 8,2; 5,3; 6,2; 9,1; 8,6; 7,0; 7,7; 8,3} la moda ( Mo) es
igual a 7.1; es el valor ms frecuente, ocurre 3 veces.
En el ejemplo 3.1 de los pesos hay una sola moda y es de 207 g. Esta medicin fue la
ms fue la ms frecuente, se repiti 23 veces. De esta forma, en el ejemplo tenemos
que la media es 207,9, la mediana 208 y la moda 207. Debido a que la media es la
medida de tendencia central ms usual, en ocasiones se comete el error de creer que
Ing. Martha Tesn Arroyo
31
sta divide los datos a la mitad o que es el dato ms frecuente, es decir, se confunde
el concepto de media con el de mediana y moda, respectivamente.
Un aspecto relevante es tomar en cuenta cuando se utiliza la media, es que sta
resulta afectada por datos extremos o atpicos, por ejemplo la media y la mediana
para los siguientes datos.
1 100; 1 300; 1 000 1 500, 800, 1 600, 1 100
Son promedio =1 200 y mediana -= 1 100, pero si a la lista anterior agregamos un
dato atpico (7 600) entonces : =2 000 y -= 1 200 son muy diferentes entre s,
debido a que 7 600 ha jalado a la media, y ahora que ya no es una buena medida de
tendencia central porque solo un dato est por arriba de la media. En este tipo de
casos, la mediana no es afectada por el dato atpico, lo cual tampoco ocurre cuando
la distribucin de los datos es sesgada. Por lo tanto, bajo estas condiciones, la
mediana es mejor medida de tendencia central.
Cuando la poblacin tiene una distribucin sesgada, con frecuencia la mediana resulta
ser la mejor medida de posicin, debido a que est siempre entre la media y la moda.
La mediana no se ve altamente influida por la frecuencia de aparicin de un solo valor
como es el caso de la moda, ni se distorsiona con la presencia de valores extremos
como la media.
De lo anterior se deriva que, para describir la tendencia central de los datos, es
imprescindible apoyarse tanto en la media como en la mediana y la moda. Cuando la
media es muy diferente a la mediana es seal de que existen datos atpicos o existe
un sesgo importante, por lo que ser mejor reportar como medida de tendencia
central a la mediana e investigar a que se deben los datos atpicos , ya que en
ocasiones reflejan un aspecto importante del proceso
Debido a que estos estadsticos estn dentro de las especificaciones se podra creer
que proceso cumple con ests. Sin embargo, esto no necesariamente es cierto ya que
en la muestra podra haber datos desde 750 y 850 y la media de todos ellos ser 801.
32
Pero tambin podra ocurrir que el rango de variacin de los datos vaya de 797 a
803, con lo que s se cumplira con las especificaciones.
En otras palabras, las medidas de tendencia central son insuficiente como
criterio de calidad, ya que no toman en cuenta qu tan dispersos estn los
datos, un hecho vital para la calidad.
muy
dispersas.
Adems de conocer la tendencia central de un conjunto de datos es necesario
saber qu tan diferentes son entre s, es decir, es preciso determinar la variabilidad o
dispersin. Esto es un elemento vital en el estudio de capacidad de un proceso.
Las medidas de dispersin cuantifican la separacin, la dispersin, la variabilidad
de los valores de la distribucin respecto al valor central. Distinguimos entre medidas
de dispersin absolutas, que no son comparables entre diferentes muestras y las
relativas que nos permitirn comparar varias muestras.
la
siguiente expresin
33
expresada en las mismas unidades de medicin que los datos (gramos, milmetros,
etc). Adems, S no muestra la magnitud de los datos, solo refleja lo retirado que estn,
los datos de la media y, al igual que sta, es afectada por datos atpicos.
7
>? 9100<
;
34
tenemos
201=14 y el CV= 1,33 %. La interpretacin del rango es muy directa, ya que indica la
amplitud mxima de la dispersin; as, 14g es la discrepancia mxima que existi
entre los pesos de las conservas de la muestra. Por lo general la interpretacin de la
desviacin estndar se hace en combinacin con la media
como lo veremos en
pequeas
diferencias muestrales no
Relacin entre
entre - 2S y + 2S estn por lo menos 75% de los datos de la muestra, y que entre
En cuanto a la regla emprica se afirma que en muchos de los datos que surgen en
la prctica se ha observado por la experiencia que:
Ing. Martha Tesn Arroyo
35
Entre - S
anteriores
a una campana o a la
distribucin normal. De cualquier manera, ambos casos ilustran muy bien como la
desviacin estndar mide la viabilidad en torno a la media.
Al aplicar la regla emprica a los datos del grosor de los discos, se tiene que una alto
porcentaje (cercano a 99%) de las mediciones del grosor del disco vara entre 199,67
y 216,22 g, se derivar del siguiente clculo:
- 3S
207,94 - 3(2,757) = 199,67
y
y
+ 3S
207,94 + 3(2,757) = 216,22 g
36
Por lo tanto, se espera que esta caracterstica de calidad vare de 797,0 a 804,2, con
una media de 800,6. Al comparar esto con las especificaciones se aprecia que los
lmites reales caen dentro de las mismas, entonces se concluye que el proceso es
capaz de cumplir con tales especificaciones.
Histogramas
Para el anlisis de un conjunto de datos la clave es conocer su tendencia
central y su dispersin, siendo el Histograma y la tabla de frecuencias mediante
los cuales se permiten visualizar estos dos aspectos de un conjunto de datos,
adems muestran la forma en que los datos se distribuyen dentro de su rango
de variacin. [2]
De manera especfica, el histograma es una representacin grfica de la distribucin
de un conjunto de datos o de una variable, donde los datos se clasifican por su
magnitud en cierto nmero de clases. Permite visualizar la
tendencia central, la
37
38
Con base en lo anterior, la primera accin que se habra de ejecutar para mejorar la
capacidad del proceso de envasado de conservas es mejorar su proceso.
A travs del ejemplo anterior queda claro que el histograma ayuda a ver la tendencia
central de los datos, facilita el entendimiento de la variabilidad y favorece el
pensamiento estadstico, ya que de un solo vistazo se logra tener una idea acerca de
la capacidad de un proceso, se evitan tomar decisiones solo apoyndose en la media
y se detectan datos raros y formas especiales de la distribucin de los datos.
39
4.
con una
una condicin
histograma en el que claramente se notan dos modas o picos que muestran dos
tendencias centrales diferentes. Este tipo de distribuciones con dos o ms modas
reflejan la presencia de dos o ms realidades o condiciones diferentes. Algunas
situaciones que originan una distribucin multimodal son:
40
representadas en el
un histograma que
muestra una distribucin muy chata o plana y que est lejos de tener forma de
campana. Las situaciones que pueden causar esto son las mismas que las de la
distribucin multimodal, pero con la particularidad de que las diferencias
son
predispuesto a no rechazar un artculo y observa que est casi cumpla con los
41
- La medicin fue realizada sobre un artculo o individuo que no forma parte del
proceso o poblacin a la que pertenece al resto.
- Si han sido descartadas las dos situaciones anteriores, entonces la medicin se
debe a un evento raro o especial. Es decir, cuando se hizo la medicin, en el
proceso estaba ocurriendo una situacin especial o fuera de lo comn.
6. Estratificar. Consiste en clasificar y analizar datos de acuerdo a las distintas
fuentes de donde proceden, como por ejemplo por mquinas, lotes, proveedores,
turnos, etc. En ocasiones en el histograma no se observa ninguna forma particular
pero existe mucha variacin y, en consecuencia, la capacidad del progreso es baja.
Cuando los datos proceden de distintas mquinas, proveedores, lotes, turnos u
operadores, puede encontrarse informacin valiosa si se hace un histograma por
cada fuente (estratificar), con lo que se podr determinar cul es la mquina o el
proveedor ms problemtico
De acuerdo a los puntos anteriores, es recomendable que siempre que se realice un
estudio de la salida de un proceso se utilice el histograma y ste se interprete a
detalle. De esa manera ser posible detectar situaciones problemticas y posibles
soluciones para las mismas. Adems ser una forma concreta de que los datos y
mediciones
informacin til
en ocasiones
abundan, se conviertan en
42
Herramientas
amientas y Control Estadstico de la Calidad
c. Centrado
rado con mucha variabilidad
f. bimodal
40
40
30
30
20
20
10
10
4
g. achata
10
12
14
16
10
12
14
16
h. acantilado derecho
43
histograma es difcil detectar tendencias que ocurren a travs del tiempo. Por lo
tal razn , no ayuda a estudiar la estabilidad del proceso en el tiempo, lo cual se
analiza por medio de cartas de control.
2. No es la tcnica ms apropiada para comparar de manera prctica varios procesos
o grupo de datos, en esos casos, el diagrama de caja o las grficas de medias son
ms apropiados.
3. La cantidad de clase o barras influye en la forma del histograma, por lo que una
buena prctica es que a partir de la cantidad de clase que de manera inicial
sugiere un software, se analice el histograma con un numero de clases, a fin de
verificar si se observa algo diferente.
73D,E
!. "#$9#G <
9! 1<9! 2<7
73D,E3DHI!JIKLMIJE
D3D,E
N6
!
44
El signo del sesgo indica el lado para el que la cola de la distribucin es ms larga, ya
sea hacia la izquierda (signo -) o hacia la derecha ( signo +) . Para los datos que
siguen una distribucin normal, el valor del sesgo estandarizado debe caer dentro de (2, +2), por lo que si n es grande ( n > 100) y es el sesgo estandarizado esta fuera de
tal intervalo, ser una evidencia de que la distribucin de los datos
tiene un sesgo
En los datos del ejemplo 3.1 del peso de conservas, el sesgo= 0,052 y el sesgo
estandarizado =0,237, indican una distribucin bastante simtrica. Adems, dado el
tamao de la muestra y como el sesgo estandarizado esta dentro del intervalo [-2,
+2], entonces es una evidencia a favor de que los datos provienen de una distribucin
normal.
Tabla 3.2 Tabla de simetra _valor del sesgo
Una medida para determinar que tan elevada o plana (achatada o pcuda) es la
distribucin
obtiene a travs
estandarizado.
45
Curtosis
Estadstico que mide qu tan elevada o plana es la curva de la distribucin de unos
datos respecto a la distribucin normal. (Evala el grado de apuntamiento de la
distribucin).
OPKHEDLD
39! 1<
!9! + 1< "#$9# ; <Q
Q
9! 2<9! 3<
9! 1<9! 2<9! 3<7
OPKHEDLD3DHI!JIKLMIJE
OPKHEDLD
N24
!
Ku =0,262
Ku> 0,263
Ku> 0,263
Mesocurtica
Leptocrtica
Platicrtica
Donde:
n = tamao de la muestra
S = desviacin estndar y
= la media muestral
46
los datos que siguen una distribucin normal el valor de la curtosis estandarizada
debe estar dentro de (-2, +2), por lo que si n es grande (n>100) y el estadstico cae
fuera de este intervalo, ser una evidencia de que la distribucin de los datos no es
normal.
En los datos del ejemplo 3.1 del peso de las conservas, curtosis = 0,249 y curtosis
estandarizado= 0,568, lo cual indica una distribucin muy similar a la distribucin
normal. As tanto para la curtosis como para el sesgo, hay evidencia a favor de que
los datos provienen de una distribucin normal.
son medidas
47
90,0% = 212
95,0% = 213
99,0% = 215
Se observa que el primer decil o percentil 10 es igual a 205 eso quiere decir que 10%
de las mediciones de la tabla 3.1 son menores o iguales a 205. El decil cinco o
percentil 50 que corresponde a la mediana es igual a 208. Mientras que el percentil
95 es igual a 213, lo cual que 95% de las mediciones son menores o iguales que 213
Cuartiles
Los cuartiles son iguales a los percentiles 25, 50, 75 y sirven para separar por
magnitud la distribucin de unos datos en cuatro grupos, donde cada uno contiene
25% de los datos.
Al percentil 25 se le conoce como primer cuartil o cuartil inferior Ci, mientras que la
mediana es el percentil 50 corresponde al cuartil medio Cm, y el percentil 75 es el
cuartil superior Cs o tercer cuartil.
El clculo de estos estadsticos se realiza mediante cualquier software
moderno
estadstico.
En el caso de los datos del ejemplo 3.1 del peso de las conservas Ci=206, Cm=208 y
Cs =210. De aqu que el 25% de los datos sea menor o igual a 206.
Diagrama de Cajas
El diagrama de caja es otra herramienta que sirve para describir el comportamiento de
los datos y es de suma utilidad para comparar procesos, tratamientos y, en general,
para hacer anlisis por estratos (lotes, proveedores, turnos, etc). [2]
El diagrama de cajas es una grafica de la distribucin de un conjunto de datos que
se basa en los cuartiles. Es de gran utilidad para hacer anlisis comparativos. Este
diagrama divide los datos en 4 grupos que contienen cada uno 25% de las
mediciones. De esta forma es posible visualizar dnde termina de acumularse 25%
de los datos menores , y a partir de donde se localiza 25 % de los datos mayores en
entre estos dos cuartiles se ubica el 50% de los datos que estn al centro . Pero
adems de los cuartiles estn involucrados los siguientes conceptos.
48
Rango Intercuartiltico Rc = Cs - Ci
Barrera interior izquierda = Ci 1.5 Rc e interior derecha Cs + 1.5 Rc
Barrera exterior Izquierda = Ci 3 Rc y exterior Cs + 3 Rc
En la figura 3.3 se muestra el diagrama de caja para los datos del peso de las
conservas.
de
La parte central del diagrama indica la tendencia central de los datos, por lo
que tambin ayudar
49
50
Anlisis y comentario
Medidas
tendencia central
Conclusiones
=207,94
Mediana= 208
de las 125
=207,94 g
mediciones fue
Moda =207
Desviacin
estndar
se espera proceso
- En forma aproximada
S=2,757
variacin
lo
es
real
del
demasiado,
que
se
est
aproximados
mayor a la variacin
3S
tolerada (5
g).
LR inf = 199,67
LR Sup= 216,22
Grfica
de
la
capacidad
razonable
(histograma)
observa
a la normal
ningn
comportamiento proceso
especial.
- La
tendencia
central
se
ubica
51
descentrado y que la variacin es grande, por lo que la capacidad real del proceso es
mala. Se deben seguir las recomendaciones dadas al final de la tabla para reducir la
variabilidad y de esa forma mejorar la calidad del peso.
Ejercicios
1. Si una caracterstica de calidad debe estar entre 30 2, y se sabe que su media es
=29,9; entonces Se tiene buena calidad, se cumple con las especificaciones?
2. De qu manera afectan los afectan los datos raros atpicos a la media?. Explique
su respuesta.
3. En empresa se llevan los registros del nmero de fallas de equipos por mes; la
media es de 4 y la mediana de 6.
a. Si usted tiene que reportar la tendencia central
de fallas qu nmero
reportara?por qu?
b. La discrepancia entre la media y la mediana se debi a que durante varios
meses ocurrieron muchas fallas?.
2. Una gran compaa llev a cabo un estudio para ubicar las variables que pudieran
determinar el sueldo de un egresado universitario dos aos despus de haberse
graduado como ingeniera industrial. Los datos recogidos se presentan en la siguiente
tabla.
Tabla 3.5. Caractersticas de los egresados universitarios
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
Edad
Sexo
24
25
26
27
27
27
27
25
23
24
26
29
25
31
26
F
M
M
F
M
F
M
F
M
M
F
F
M
F
M
E. Civil
C
C
S
C
D
C
S
C
S
S
C
D
C
D
S
Ingls
A
M
B
B
A
M
A
B
B
B
M
M
A
A
B
Sueldo
2750
2900
2900
2800
2100
2050
2500
2300
1800
2080
2200
2000
2150
2550
2020
52
16
17
18
19
20
24
26
28
25
29
F
F
F
M
M
D
C
S
C
C
M
B
M
B
M
2400
2700
2900
2050
2100
especificaciones. A continuacin
mquinas.
199,2
199,7
201,8
202,0
201,0
201,5
200,0
199,8
200,7
201,4
200,4
201,7
201,4
201,4
200,8
202,1
200,7
200,9
201,0
201,5
201,2
201,3
200,9
200,7
200,5
201,2
201,7
201,2
201,2
200,5
200,1
201,4
200,2
201,0
201,4
201,4
201,1
201,2
201,0
200,6
202,0
201,0
201,5
201,6
200,6
200,1
201,3
200,6
200,7
201,8
200,5
200,5
200,8
200,3
200,7
199,5
198,6
200,3
198,5
198,2
199,6
198,2
198,4
199,0
199,7
199,7
199,0
198,4
199,1
198,8
198,3
198,9
199,6
199,0
198,7
200,5
198,4
199,2
198,8
198,5
198,9
198,8
198,7
199,2
199,3
199,7
197,8
199,9
199,0
199,0
198,7
199,1
200,3
200,5
198,1
198,3
199,6
199,0
199,7
198,9
199,2
197,9
200,3
199,6
199,4
198,7
198,5
198,7
198,6
198,5
53
CAPTULO IV
SPSS
Actualmente para analizar los datos obtenidos de control de calidad contamos con
innumerables software entre ellos tenemos el Minitab, Stat Graphic, SPSS, entre otros.
Statistical Package for the Social Sciences (SPSS) es un programa estadstico
informtico muy usado en las empresas de investigacin de mercado. En la actualidad,
la sigla se usa tanto para designar el programa estadstico como la empresa que lo
produce.
Respecto a sus versiones el SPSS hay ido mejorando siendo actualmente la ms
usada la versin diecinueve, aunque la versin veinte ya est a disposicin.
Este software permite utilizar algunas herramientas para el control estadstica de
calidad. A continuacin explicaremos el uso de este software usando la versin19.
Luego en cada captulo se utilizar de acuerdo a la herramienta usada.
54
55
En esta ventana (figura 4.4) se define las variables a analizar, encontramos el nombre
de la variable, tipo, anchura, decimales, etiqueta, valores, perdidos etc.
56
Para poder observar los tipos de variables damos clip en los puntos suspensivos y
tenemos la pantalla en la cual muestra los tipos de variables, aqu se debe escoger el
tipo de variable, puede numrica, si se inserta un valor numrico pero si se inserta una
letra o palabra se puede escoger de cadena adems se puede escoger otro tipo de
variable.
En esta ventana (figura 4,7) se puede incluir el ancho los dgitos que tendr variable
En nuestro ejemplo como las variables es peso la variable es numrica y tendr tres
dgitos con cero decimales.
57
Para el uso de este tem, esta es utilizada cuando se desea colocarle un valor a la
variable, para la variable peso no se tendrn valores pero por ejemplo para la variable
sexo que siendo una variable cualitativa se codificar como numrica colocando
valores de ( 1 Femenino y 2 Masculino), para realizarlo se da un clip en los tres puntos
58
As sucesivamente se pueden ingresar las variables a analizar. Una vez que se tiene
completo las variables se pueden ingresar los datos de estas variables
59
60
61
62
63
64
65
Ejemplo 4.1
A continuacin se muestra un cuadro con
variables y datos
realizados en una
lugar de
id
Sexo
procedencia
estado
edad
peso
altura
civil
1
exped09
45
72
168
exped10
28
78
171
exped11
35
68
174
exped12
60
64
166
exped13
26
71
164
exped14
30
63
156
exped15
28
53
158
exped16
33
57
155
Solucin
1. Generar la base de datos iniciando la vista de variables teniendo en cuenta las
indicaciones tanto en nombre de las variables as como la codificacin respectiva
de sexo, lugar de procedencia, para esto se deben seguir los pasos indicados
anteriormente.
66
vista de
variables.
67
Si deseamos ver el nombre de los valores debemor ir a ver y dar Check () en
etiqueta de valor.
68
69
70
71
Dar clip en estadstico o grficos segn lo que se desea, hacer click en Descriptivos y
luego dar clip en continuar. Ver figura 4.36
72
Finalmente dar clip en aceptar y esperar los resultados ver figura 4.38
73
Si de desea extraer los datos y copiar en word lo que puede realizar es el siguiente
paso: seleccionar, dar anticlip y en la pantalla obtenida clip en copiar.
74
Luego se puede abrir el Word, se pueden copian y pegar los resultados, finalmente
se muestran los resultados obtenidos y copiados en word
75
Ejemplo 2.
Tomando el ejercicio 3.1 del captulo anterior, se obtendrn los resultados mediante el
uso del SPSS.
En un proceso de envasado de conservas de esparrago, una caracterstica de calidad
del producto es el peso neto siendo este de 205 g con una tolerancia de 5 g. As
para considerar que el proceso de envasado fue satisfactorio, debe estar entre la
especificacin inferior, EI= 200 y la superior, ES= 210 g.
Tabla 4.2. Datos del peso de conservas de esparrago (g)
215
210
207
206
206
205
207
210
206
209
207
203
210
207
207
210
204
209
203
209
206
208
206
207
207
207
203
206
206
207
210
208
205
203
210
207
207
207
207
208
214
206
208
206
212
213
212
209
208
209
207
206
207
208
209
213
209
206
209
210
210
209
207
209
212
209
208
201
209
209
207
209
210
207
215
206
206
210
210
206
208
211
210
212
206
205
210
202
201
208
205
205
209
203
207
207
209
210
211
213
205
203
210
204
208
205
210
205
212
206
209
207
210
214
212
209
209
207
206
208
207
209
211
210
210
Solucin
Primero se debe de identificar la variable a analizar en este caso sera el peso de la
conserva, luego escribirla en vista de variables.
76
Luego ir a vista de datos para ingresar los datos de peso de conserva al final
obtendremos la siguiente pantalla.
77
78
Vlidos
Perdidos
Media
125
3
207,94
,247
208,00
Moda
207
Desv. tp.
2,757
Varianza
7,602
Asimetra
,052
,217
Curtosis
,249
,430
Rango
14
Mnimo
201
Mximo
215
Suma
Percentiles
25993
10
205,00
20
206,00
25
206,00
30
207,00
40
207,00
50
208,00
60
209,00
70
209,00
75
210,00
80
210,00
90
212,00
79
Histograma
80
Luego dar clip en definir pasar la variable al recuadro de Cajas de representan y dar
clip en aceptar .Observar la siguiente pantallas y esperar el resultados
81
El grfico obtenido es
82
83
Para este ejemplo se cambio el color, escogiendo el color blanco para realizar esto se
debi escoger el color y luego dar clip en aplicar.
84
85
En esta ventana se puede realizar los cambios que se requiera ya sea estilo de texto,
escala, etc. Para ingresar a escala solo debemos darle clip a la pestaa, en ella se
puede
86
87
88
Luego dar clip en aplicar y luego en cerrar para incluir los siguientes valores de 200 y
210 proceder de la misma forma descrita anteriormente. Finalmente se obtiene el
siguiente grfico
89
Herramientas
amientas y Control Estadstico de la Calidad
CAPITULO V
El xito de estas tcnicas radica en la capacidad que han demostrado para ser
aplicadas en un amplio conjunto de problemas, desde el control de calidad hasta las
reas de produccin, marketing y administracin.
Cules
Cules son las Herramientas Estadsticas Bsicas de Control de
Calidad?
tadsticas bsicas de control de calidad son:
Las herramientas estadsticas
1.
2.
3.
4.
5.
6.
7.
90
Herramientas
amientas y Control Estadstico de la Calidad
2.
Estratificacin
3.
Diagrama de Pareto
4.
efecto
Diagrama causa-efecto
5.
Diagrama de dispersin
6.
Histograma
7.
Grficas de control
91
5.1HOJA DE CONTROL
El recojo de la informacin es esencial por lo cual se debe tener en claro para que se
desea. Los datos se deben recoger de manera clara, precisa y fcil de usar. Una hoja
de registro es un formato preimpreso en el cual aparecen las variables que se van a a
registrar, de tal manera que los datos puedan recogerse fcil y concisamente.
Una Hoja de registro control tambin llamada hoja de verificacin u hoja de recogida
de datos, es un formato de tabla o diagrama, destinado a registrar y compilar datos
mediante un mtodo sencillo y sistemtico, como la anotacin de marcas asociadas a
la ocurrencia de determinados sucesos. Esta tcnica de recogida de datos se prepara
de manera que su uso sea fcil e interfiera lo menos posible con la actividad de quien
realiza el registro.
Ventajas
Supone un mtodo que proporciona datos fciles de comprender y que son obtenidos
mediante un proceso simple y eficiente que puede ser aplicado a cualquier rea de la
organizacin. Las Hojas de control reflejan rpidamente las tendencias y patrones
subyacentes en los datos.
Se utilizan tanto en el estudio de los sntomas de un problema, como en la
investigacin de las causas o en la recogida y anlisis de datos para probar alguna
hiptesis. Tambin se usa como punto de partida para la elaboracin de otras
herramientas, como por ejemplo los grficos de Control.
La recoleccin de los datos debe efectuarse de manera cuidadosa y exacta y para ello
se deben utilizar plantillas especialmente diseadas para cada caso.
Los objetivos que se pretenden con el uso de la hoja de recojo de datos son:
-
92
Fecha
Hora
Materia Prima:..........
Cantidad de
ingreso
(kg)
% punta
florido
%
Tacn
Responsable
%
dimetro
>10 mm
%
dimetro
<10 mm
Jefe de Calidad
93
5.2 HISTOGRAMA
Un histograma es un grfico de barras verticales que representa la distribucin de un
conjunto de datos. Una representacin grfica de datos numricos que permite ver tres
propiedades de los mismos:
-
Tendencia central
Dispersin
Ventajas
Su construccin ayudar a comprender la tendencia central, dispersin y frecuencias
relativas de los distintos valores.
Muestra grandes cantidades de datos dando una visin clara y sencilla de su
distribucin.
Utilidades
-
ELABORACIN DE HISTOGRAMA
Para elaborar un histograma se siguen los siguientes pasos
94
K= n
3. Obtener la amplitud de los intervalos de clase, C, mediante:
C=
R
k
32,23 32,2
32,17 32,2
32,19 32,19
32,18 32,25 32,22 32,21 32,24 32,22 32,19 32,25 32,23 32,2
32,25 32,18 32,23 32,21 32,21 32,24 32,22 32,16 32,22 32,21
32,19 32,19 32,2
32,21 32,2
32,19 32,2
95
Solucin
1 Calculo del rango (R):
Valor max = 32,26
Valor min = 32,16
R = 32,26 32,16= 0,1
2. Determinar el nmero de intervalos de clase K, mediante la frmula de Sturges:
K= 1 + 3,322 * log(n)
C=
R 0.1
=
= 0.0125 0.013
k
8
Valor mximo
96
V min = 32,262
V min = 32,262
Intervalos
32,158 + 0.013 = 32,171
32,171 + 0,013 = 32,184
32,184 + 0,013 =
32,197 + 0,013 =
32,210 + 0,013 =
32,223 + 0,013 =
32,236 + 0,013 =
32,249 + 0,013 = 32.262
Luego se determina la marca de clase, esta se obtiene promediando los lmites de
cada intervalo. Una frmula para calcular la marca de clase de un intervalo es:
Tabla 5.2: Tabla de frecuencia
Intervalo de clase
Marca de clase
Y + Yi
Yi = i 1
2
32,158 - 32,171
32,1645
32,171 - 32,184
32,1775
32,184 - 32,197
32,1905
32.197 - 32.210
32,2035
32.210 - 32,223
32,2165
32.223 - 32,236
32,2295
32.236 - 32,249
32,2425
32.249 - 32,262
32,2555
Conteo
Frecuencia
ni
97
Promedio
Frecuencia
Absoluta
Frecuencia
Relativa
Frecuencia
acumulada
Frecuencia
Relativa
acumulada
(Conteo)
32.158 - 32.171
32.1645
32.171 - 32.184
32.1775
32.184 - 32.197
32.1905
13
32.197 - 32.210
32.2035
34
32.210 - 32.223
32.2165
15
32.223 - 32.236
32.2295
12
32.236 - 32.249
32.2425
32.249 - 32.262
32.2555
Total
100
32.158 - 32.171
32.171 - 32.184
32.1775
0.07
13
0.13
32.184 - 32.197
32.1905
13
0.13
26
0.26
32.197 - 32.210
32.2035
34
0.34
60
0.60
32.210 - 32.223
32.2165
15
0.15
75
0.75
32.223 - 32.236
32.2295
12
0.12
87
0.87
32.236 - 32.249
32.2425
0.06
93
0.93
32.249 - 32.262
2.2555
0.07
100
1.00
100
1.00
Intervalo
Total
Frecuencia Frecuencia
Acumulada Relativa
cumulada
6
0.06
98
Herramientas
amientas y Control Estadstico de la Calidad
2. Una vez realizada la vista de variables, introducir los datos en la ventana vista de
datos.
99
3. Una vez realizada la base de datos se procede a realizar el grfico, para esto se
debe dar clip en el item grfico y buscar histograma.
4. Escoger la variable (dimetro del tubo) y dar clip en aceptar para general el grfico
100
101
Al colocar los valores tanto en nmero como ancho de intervalo, se da clip en aplicar y
se obtiene la siguiente pantalla.
102
103
Ejercicios
1. Dos mquinas, cada una operada por una persona, son utilizadas para cortar tiras
de hule, cuya longitud ideal es de 200mm, con una tolerancia de +/-3 mm. Al final
del turno un inspector toma una muestra e inspecciona que la longitud cumpla
especificaciones. A continuacin se muestran las 110 mediciones es ara ambas
mquinas.
199,2
199,7
201,8
202,0
201,0
201,5
200,0 199,8
200,7
201,4
200,4
201,7
201,4
201,4
200,8 202,1
200,7
200,9
201,0
201,5
201,2
201,3
200,9 200,7
200,5
201,2
201,7
201,2
201,2
200,5
200,1 201,4
200,2
201,0
201,4
201,4
201,1
201,2
201,0 200,6
202,0
201,0
201,5
201,6
200,6
200,1
201,3 200,6
200,7
201,8
200,5
200,5
200,8
200,3
200,7 199,5
198,6
200,3
198,5
198,2
199,6
198,2
198,4 199,0
199,7
199,7
199,0
198,4
199,1
198,8
198,3 198,9
199,6
199,0
198,7
200,5
198,4
199,2
198,8 198,5
198,9
198,8
198,7
199,2
199,3
199,7
197,8 199,9
199,0
199,0
198,7
199,1
200,3
200,5
198,1 198,3
199,6
199,0
199,7
198,9
199,2
197,9
200,3 199,6
199,4
198,7
198,5
198,7
198,6
198,5
104
Operador
Maquina 1
215.5
219.1
220.3
215.8
222
220.4
221.5
215.7
222.7
216
219.4
219.8
10
11
12
Maquina 2
214.4
208
219.2
220.3
218.9
213.6
216.9
213.4
217.7
221.6
218.7
218.6
219.6
222.9
219.7
209.4
221.6
226.8
219.5
222.5
223.1
215.3
220.4
215.6
225.3
223
218
216
210.6
221.4
210.9
215.1
219.6
217.3
212.1
213
218
216.5
218.8
217.3
213
216.9
216
213.5
219.2
218.3
216.7
224.1
216.2
218.4
216.6
214.9
222.6
219.1
217.7
216.2
212.3
216.9
214.9
220.2
219.5
222.4
219.9
222.9
214.3
219.1
216.7
218
223.9
219.6
221.9
214.9
212.6
219.4
212.3
219.3
219.6
218.8
219.9
219
216.7
216.4
213.5
13
220
214.1
224.3
217.4
218
219.5
219.5
222.3
14
223.9
220.6
219.5
219.6
211.8
218.2
218.3
217.4
15
218.1
218.8
218.4
217.9
214.6
215.7
218
216.4
16
216.9
221.6
220.6
222.6
215.6
220.4
217.3
216.2
17
217.9
225.7
222.2
216.1
212.5
214.6
209.7
211.3
18
224.2
216.2
219.9
220.4
215.8
219.9
216.5
211.9
19
214.1
219.7
222.4
224.5
213.7
209.7
216.9
213.1
20
221.1
225
222.7
222.2
212.5
217.5
217.4
215.7
219.2
105
5.3 PARETO
Los problemas de calidad se presentan como prdidas (productos defectuosos y su
costo). Es muy importante aclarar el patrn de la distribucin de la perdida. La mayora
de las prdidas se debern a unos pocos tipos de defectos, y estos defectos pueden
atribuirse a un nmero muy pequeo de causas. Si se identifican las causas de estos
pocos defectos vitales, podremos eliminar casi todas las perdidas, concentrndonos
en esas causas particulares y dejando de lado por el momento otros muchos defectos
triviales.
El Diagrama de Pareto es un grfico de barras similar al histograma que se conjuga
con una ojiva o curva de tipo creciente y que representa en forma decreciente el grado
de importancia o peso que tienen los diferentes factores que afectan a un proceso,
operacin o resultado. El nombre de Pareto fue dado por el Dr. Joseph Juran en honor
del economista italiano Wilfredo Pareto (Paris 1848 Turn 1923). Pareto realiza un
estudio sobre la distribucin de la riqueza, en el cual descubri que la minora de la
poblacin posea la mayor parte de la riqueza y la minora de la poblacin posea la
menor parte de la riqueza.
Juran aplic este concepto de calidad, obtenindose lo que hoy se conoce como la
regla 80/20. Segn este concepto, si se tiene un problema con muchas causas,
podemos decir que el 20% de las causas resuelven el 80% del problema y el 80% de
las causas solo resuelven el 20% del problema.
La grfica de Pareto es utilizada para separar grficamente los aspectos significativos
de un problema desde los triviales, de manera que un equipo sepa dnde dirigir sus
esfuerzos para mejorar.
106
107
108
Herramientas
amientas y Control Estadstico de la Calidad
En el eje vertical
cal derecho haga una escala de 0 a 100%. El 100%
corresponder al total de la Lista de Verificacin.
109
Herramientas
amientas y Control Estadstico de la Calidad
Trace una lnea punteada que conecte el origen con la esquina superior
derecha de la primera barra, as:
Sume a esta nueva altura la altura de la tercera barra. Marque con un punto el
valor obtenido en la prolongacin del lado derecho de la tercera barra.
Enlace todos los puntos marcados con una lnea, dando continuidad a la lnea
punteada iniciada en el origen, para formar la curva de Pareto.
110
Solucin
A continuacin se desarrollar el ejercicio con el SPSS
1. Se debe elaborar la base de datos en este caso se tendrn los defectos como tipo
de variable (cadena) y luego la frecuencia es tipo de variable numrica.
111
Lista la base de datos se realizar el diagrama, para esto debe dar clip en la hoja de
vista de datos, luego deben ir al tem analizar y luego desplegar hasta encontrar
control de calidad y ubicar grfico de pareto.
112
.
En el tem de detalles del grafico escoger valores individuales de los casos luego dar
clip en definir.
113
En esta pantalla se debe dar clip en aceptar para finalmente obtener el diagrama de
pareto.
Al obtener el diagrama de pareto se puede observar que no muestran las lineas , por
lo cual se debe dar clip sobre el grfico para poder acceder al editor de grficos
114
En la ventana que se muestra escoger tanto marcar mayores como menores, dar clip
en aplicar y luego cerrar.
115
116
la
concentracin del aditivo a usar, o cual sera la relacin entre tipo de conservante y el
tiempo de vida til de un alimento, para determinar esta relacin entre estas dos
variables se utiliza el diagrama de dispersin. Este diagrama es una herramienta
grfica que permite demostrar la relacin existente entre dos clases de variables y
cuantificar la intensidad de dicha relacin. Se utiliza para conocer si efectivamente
existe una correlacin entre dos magnitudes o parmetros de un problema y, en caso
positivo, de qu tipo es la correlacin.
Las dos variables pueden enmarcarse en:
a. Una caracterstica de calidad y un factor que la afecta
b. Dos caractersticas de calidad relacionadas, o
c. Dos Factores relacionados con una sola caracterstica de calidad.
117
Herramientas
amientas y Control Estadstico de la Calidad
118
Errores comunes son no saber limitar el rango de los datos y el campo de operacin
del proceso, perder la visin grfica al sintetizarlo todo en resmenes numricos, etc.
COEFICIENTE DE CORRELACIN.
S! "
Interpretacin Clsica
a) -0,3 0,3
b) -0,5 0,5
119
ANLISIS DE REGRESIN
El trmino regresin surgi de estudios de la herencia biolgica realizados por
Galton durante el siglo pasado. En su conocida experiencia, Galton not que los
padres altos tenan hijos cuya altura era mayor a la altura promedio, pero no eran ms
altos que sus padres. Tambin, padres bajos tenan hijos con altura menor a la altura
promedio pero eran ms altos que sus padres. Esta tendencia de las caractersticas de
los grupos de moverse, en la siguiente generacin, hacia el promedio de la poblacin o
de regresin hacia la media fue descubierta por Galton. El trmino no tiene hoy el
mismo significado que le dio Galton, pero se usa extensamente para referirse al
estudio de relaciones funcionales entre variables cuando hay una componente
aleatoria involucrada.
El anlisis de regresin tiene por objetivo identificar un modelo funcional que describa
cmo vara la esperanza de la variable dependiente, E(Y), frente a cambios en X. Al
igual que en el anlisis de varianza el modelo para Y tambin presenta constantes
desconocidas que se llaman parmetros, por lo que otro objetivo del anlisis es la
estimacin de los parmetros a partir de una muestra aleatoria de observaciones en
Y y en X.
120
Por ejemplo, los parmetros pueden encontrarse como exponentes de las variables
independientes. La estimacin de los parmetros en modelos no lineales se realiza
usando herramientas diferentes a las presentadas en este captulo. Aqu se abordan
solamente los modelos lineales, no slo por ser ms simples, sino porque permiten dar
respuesta a un gran nmero de problemas en las Ciencias, Ingenieras Adems,
algunos de los modelos no lineales pueden, mediante adecuadas transformaciones,
ser expresados de la forma lineal (en estos casos los modelos se dicen
intrnsecamente lineales).
El modelo de regresin lineal ms sencillo es el que se presenta a continuacin
Modelo de regresin lineal simple. Es una tcnica estadstica que analiza si los
valores de una variable dependiente e independiente pueden predecirse mediante un
modelo lineal. Las variables implicadas en el modelo deben ser cuantitativas y
continuas. Para ajustar una lnea recta de Regresin, se considera la ecuacin de la
recta:
121
Herramientas
amientas y Control Estadstico de la Calidad
T
U VW + V
# X YP3HL3!3JEDZIK[3HKEDb0 RV
Donde :
b0= Distancia que existe entre el origen de coordenadas y el punto de interseccin de
la recta con el eje Y
(pendient proporcin de cambio)
b1 = Coeficiente de Regresin (pendiente,
X = Variable independiente. ( estimulo, de influencia, causa,)
Y = variable dependiente (respuesta, criterio, efecto)
cuadrados
122
n XY ( Xi)( Yi)
b1 =
n( X i2 ) ( Xi ) 2
b0 = Y b1 ( X )
Ejemplo de aplicacin
Una empres desea realizar un estudio de la relacin entre la publicidad por radio y las
ventas de un producto, para esto durante 30 semanas se han recopilado los tiempos
de duracin en minutos de la publicidad por semana (X) y el nmero de artculos
vendidos (Y), resultando.
Tabla 5.6. Datos de publicidad versus artculos vendidos
Semana
10
20
30
30
40
50
60
60
60
70
80
50
73
69
87
Semana
11
12
13
14
15
16
17
18
19
20
25
35
40
50
55
60
60
65
70
80
60
80
88
Semana
21
22
23
24
25
26
27
28
29
30
85
25
35
35
50
60
65
65
75
85
178 55
83
84
123
Herramientas
amientas y Control Estadstico de la Calidad
Solucin.
a. Al trazar el diagrama de dispersin, se observa que existe una relacin lineal
positiva entre el nmero de artculos vendidos y el tiempo de publicidad ssemanal
por radio.
124
Xy
x2
Y2
20
50
1000
400
2500
30
73
2190
900
5329
30
69
2070
900
4761
40
87
3480
1600
7569
50
108
5400
2500
11664
60
128
7680
3600
16384
60
135
8100
3600
18225
60
132
7920
3600
17424
70
148
10360
4900
21904
80
170
13600
6400
28900
25
60
1500
625
3600
35
80
2800
1225
6400
40
88
3520
1600
7744
50
112
5600
2500
12544
55
116
6380
3025
13456
60
130
7800
3600
16900
60
136
8160
3600
18496
65
140
9100
4225
19600
70
149
10430
4900
22201
80
172
13760
6400
29584
85
178
15130
7225
31684
25
55
1375
625
3025
35
83
2905
1225
6889
35
84
2940
1225
7056
50
110
5500
2500
12100
60
132
7920
3600
17424
65
136
8840
4225
18496
65
139
9035
4225
19321
75
160
12000
5625
25600
85
181
15385
7225
32761
1620
3541
211880
97800
459541
125
n=30
" R 211880
" 97800
S! "
" R 459541
Reemplazando tenemos
K
309211880< 91620<93541<
0,998
126
127
QU ES UN GRFICO DE CONTROL?
Los grficos de control se definen
producto, parte u otra unidad, con lmites que reflejan la capacidad de producir, de
acuerdo con la experiencia
Los objetivos fundamentales de los Grficos de Control se pueden concretar en:
a. Vigilancia y control del proceso con el fin de conseguir que este sea estable,
evitando la produccin de defectos. Este objetivo corresponde a la filosofa "hgalo
bien a la primera
b. Aumento de la homogeneidad de la produccin mediante la disminucin de la
variabilidad del proceso y, de est forma, conseguir una mejora continuada de la
calidad.
c. Los Grficos de Control son una norma clara de actuacin sobre el proceso, por lo
que se evitan ajustes innecesarios que tanto dao pueden causar a la
homogeneidad del proceso.
d.
128
LIMITES DE CONTROL
Se debe tener en cuenta que los lmites de una grfica de control
no son las
PROPOSITOS Y BENEFICIOS
Los grficos de control se usan para vigilar la estabilidad de un proceso.
Se agregan los lmites de control a la grfica como ayuda para decidir cundo se debe
ajustar el proceso. Estos lmites se basan en la variabilidad inherente al proceso.
129
Las grficas de control para atributos muestran la conducta de una caracterstica de:
-
Fracciones defectuosas (p: sub grupo de tamao variable y np: sub grupo de
tamao constante)
Grfico np.
130
Herramientas
amientas y Control Estadstico de la Calidad
Grfico c.
(Nmero de defectos).
defecto
Grfico u.
131
deseada
se toma una
muestra o subgrupo de ni artculos, que puede ser la totalidad o una parte de las
piezas bajo anlisis.
Las ni piezas de cada subgrupo son inspeccionadas y cada una es catalogada como
defectuosa o no. La caracterstica o atributo de calidad por los que una pieza es
evaluada como defectuosa, pueden ser ms de uno
Si de las ni piezas del subgrupo i se encuentra que di son defectuosas ( no pasan),
entonces en la carta p se grafica y se analiza la variacin de la proporcin pi de
unidades defectuosas por subgrupo.
Z#
J#
!#
p=
total de defectuosos
total inspeccionado
132
n=
ni + n2 + ... + nk
k
Lmites Superior
LCS = p + 3 p (1 p ) / n
Lmites Central LC = p
Lmites Inferior
LCI = p 3 p (1 p ) / n
a travs de Z;
compaa.
Por lo anterior, a los operadores de las diferentes mquinas continuamente se les
recordaba la importancia de no dejar pasar paquetes con aire. Sin embargo, como no
se llevaba un registro de la magnitud del problema, no existan bases tangibles para
133
Paquetes ni
595
593
607
596
602
599
600
590
599
601
598
600
597
594
595
597
599
596
607
Paquetes di
15
5
8
10
6
5
5
7
2
4
9
17
4
5
3
10
7
5
4
Subgrupo
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
Paquetes ni
594
606
601
598
599
590
588
597
604
605
597
603
596
597
607
596
598
600
608
Paquetes di
7
5
7
4
2
3
5
3
6
5
7
9
5
3
8
15
4
6
8
20
601
40
592
Solucin. Es claro que este problema es del tipo pasa no pasa por lo tanto para
analizar la variacin de las proporciones de tabla 9.1 se debe aplicar la grfica p.
Para calcular los lmites de control se necesita calcular la fraccin promedio p y el
tamao del subgrupo
134
135
Subgrupo
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
Total
Paquetes ni
595
593
607
596
602
599
600
590
599
601
598
600
597
594
595
597
599
596
607
601
594
606
601
598
599
590
588
597
604
605
597
603
596
597
607
596
598
600
608
592
23942
Paquetes di
15
5
8
10
6
5
5
7
2
4
9
17
4
5
3
10
7
5
4
9
7
5
7
4
2
3
5
3
6
5
7
9
5
3
8
15
4
6
8
5
257
Fraccin Pi
0.025
0.008
0.013
0.017
0.010
0.008
0.008
0.012
0.003
0.007
0.015
0.028
0.007
0.008
0.005
0.017
0.012
0.008
0.007
0.015
0.012
0.008
0.012
0.007
0.003
0.005
0.009
0.005
0.010
0.008
0.012
0.015
0.008
0.005
0.013
0.025
0.007
0.010
0.013
0.008
136
Z;
257
HEHI`J3J3a3OHPEDED
0,0107
HEHI`J3L!DZ3OOLE!IJED 23942
Como
!
HEHI`J3L!DZ3OOLE!IJE 232942
598,55 599
HEHI`J3DPV,KPZED
40
LCI = p + 3
Lmites Superior
p (1 p )
n
LCI = 0,0107 + 3
Lmites Central
0,0107(1 0,0107)
= 0,023
599
LC = p = 0,0107
Lmites Inferior
LCI = p 3
p (1 p )
n
LCI = 0,0107 3
0,0107(1 0,0107)
= 0,0019
599
137
Luego de ubica en el eje de la Y los valores de los limites de control y se trata un lnea
horizontal
Despus se ubican en la grfica de control se ubican los valores de la fraccin pi.
Despus de realizar los pasos se obtiene la siguiente grfica de control
138
139
Es este caso escogeremos el grfico p y en organizacin de los datos dar clip en los
casos son sub grupo.
140
141
Una vez definido las variables y el valor de la muestra dar clip en aceptar.
142
Pb # !Z
c Rdb# S!Z; 91 Z; <
y p
defectuosos. De aqu que los lmites de control de la grfica np estn dados por las
expresiones:
Lmites Superior
LCS = np + 3 np (1 p )
Lmites Central
LC = np
Lmites Inferior
LCI = np 3 np (1 p )
Ejemplo
Del anlisis de los datos de inspecciones y pruebas finales de una producto textil se
detecto a travs de una estratificacin y un anlisis de pareto que la causa principal
por lo que las prendas salen defectuosas est relacionada por el tipo de hilo (A)
usado en la prendas. Por lo tanto se decide analizar ms de cerca el proceso. Para
ello, de cada lote de hilo (A) se decide inspeccionar una muestra de 120 prendas
(n=120). Los datos obtenidos en los 20 lotes consecutivo se muestran en la tabla.
5.10
143
Lote
1
2
3
4
5
6
7
8
9
10
Lote
11
12
13
14
15
16
17
18
19
20
Prendas
Defectuosas
10
20
12
10
10
0
13
5
6
11
Solucin
-
Como n es contante
la cantidad
Prendas
Lote
Muestra Defectuosas
120
11
120
10
120
12
120
20
120
10
13
120
12
120
14
120
10
120
15
120
10
120
16
120
120
14
17
120
13
120
12
18
120
120
19
120
10
120
20
120
11
suma total
2400
183
144
Z;
183
0,076
2400
LCS = np + 3 np (1 p )
Lmite Central
Lmite Inferior
LC = np
LCI = np 3 np (1 p )
e>f 12090,076< 3S1200,07691 0,076< 0,43
145
146
147
Es este caso escogeremos el grfico np y en organizacin de los datos dar clip en los
casos son sub grupo.
Luego de haber escogido el tipo de grafico dar clip en definir.
148
Una vez definido las variables y el valor de la muestra dar clip en aceptar.
Finalmente se generar el grfico de control np, es este grfico se obtienen los limites
de control junto a la grfica.
149
y se toman
150
iEHI`J3J3a3OHED
Rdgh O;
iEHI`J3DPV,KPZE
LCS = c + 3 c
Lmite superior.
Lmite central
LC = c
Lmite Inferior
LCI = c 3 c
cuando salen del rea de pintado. La cantidad de defectos que son encontrados en
cada silla son registrados con el fin de conocer y mejorar el proceso.
En la tabla se muestran los defectos encontrados en las ltimas 30 sillas.
Tabla 5.12 Datos del inspeccin de acabado de mesas
Mesas
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
Defectos
ci
7
5
10
2
6
5
4
9
7
8
6
7
8
4
5
Mesas
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
Defectos
ci
12
8
10
4
7
3
10
6
6
7
4
5
6
8
5
151
Solucin
De la tabla 5.13 se obtiene que el nmero promedio de defectos por unidad
mesa
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
Defectos ci
7
5
10
2
6
5
4
9
7
8
6
7
8
4
5
Total
silla
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
mesa
12
8
10
4
7
3
10
6
6
7
4
5
6
8
5
191
jkj
n, o
lm
LCS = c + 3 c
Lmite superior.
Lmite central
LC = c = 6,4
Lmite Inferior
LCI = c 3 c
152
Como se puede observar el LCI es negativo, pero como no puede haber cantidades
negativas de defectos, entonces el lmite inferior se iguala a cero.
Luego de haber obtenido los lmites se dibuja la grfica c
153
154
Es este caso escogeremos el grfico c y en organizacin de los datos dar clip en los
casos son unidades
Luego de haber escogido el tipo de grafico dar clip en definir.
155
Una vez definido las variables y el valor de la muestra dar clip en aceptar.
156
O#
!#
iEHI`J3J3a3OHED
iEHI`J3IKHrOP`EDL!DZ3OOLE!IJED
P
dqh 8
!
157
LCS = u + 3 u / n
Lmite superior.
Lmite central
LC = u
LCI = u 3 u / n
Lmite Inferior
Ejercicios.
1. En la Casa de Motos S.A, ensamblan mototaxis y al final del proceso se realiza
una inspeccin por muestreo para detectar defectos. en la tabla 9.4 se presentan el
nmero de defectos
de
defectos
encontrados
16
24
17
27
16
18
16
20
26
11
26
32
23
48
30
Lote
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
defectos
Tamao de
la muestra encontrados
32
34
32
32
32
36
32
31
30
32
30
34
16
12
18
15
16
31
15
18
17
19
17
18
17
22
17
26
17
28
158
Solucin
Como el nmero de mototaxis inspeccionados por lote es variable, por lo que no es
apropiado aplicar la carta c. Es mejor analizar el nmero promedio de defectos por
mototaxi ui. Para calcular los lmites de control a partir de la tabla 5. 15se tiene :
Tabla 5.15 Nmero promedio de defectos por mototaxi ui.
Tamao
defectos
de la
encontrad
Lote muestra
Tamao de
defectos
os
ui=ci/ni
Lote
la muestra
encontrados
ui=ci/ni
20
16
0.80
16
32
34
1.06
22
24
1.09
17
32
32
1.00
21
17
0.81
18
32
36
1.13
21
27
1.29
19
32
31
0.97
15
16
1.07
20
30
32
1.07
18
18
1.00
21
30
34
1.13
16
16
1.00
22
16
12
0.75
18
20
1.11
23
18
15
0.83
23
26
1.13
24
16
31
1.94
10
23
11
0.48
25
15
18
1.20
11
23
26
1.13
26
17
19
1.12
12
28
32
1.14
27
17
18
1.06
13
28
23
0.82
28
17
22
1.29
14
30
48
1.60
29
17
26
1.53
15
26
30
1.15
30
17
28
1.65
670
738
Suma total
159
c
slt
j, jmj
nsm
Como el tamao del subgrupo o muestra es variable, se tiene dos alternativas: usar el
tamao de subgrupo promedio o construir una grfica de control con lmites variables.
Se realizarn ambas. El tamao del subgrupo promedio se obtiene dividiendo el total
de unidades inspeccionadas (670) entre el nmero de subgrupo (30); de esta manera;
!
Lmite superior.
B.W
W
22,
LCS = u + 3 u / n
,W
e>7 1,101 + N
1,77
Lmite central LC = u
e> 1,101
Lmite Inferior
LCI = u 3 u / n
e>f 1,101 3N
,W
0,429
160
161
162
En esta ventana en organizacin de los datos dar clip en los casos son subunidades,
luego en nmero de disconformidades colocar (defectos encontrados) y en subgrupo
163
generar el grfico de control u, es este grfico se obtienen los limites de control junto
a la grfica.
Si observamos los datos del ejercicio, podemos ver que el tamao de muestra es
variable. En el software podemos obtener esta grfica
164
165
166
aceptar.
167
un instrumento
de medicin
(peso, volumen,
Una grfica de control para variables es un trazo estadstico que por lo general se
calcula a partir de los sub grupos que muestran la conducta de una caracterstica de
proceso con el transcurso del tiempo.
Las grficas para variables ms usuales son :
9J3[3JLID<
R (rangos)
S( desviacin estndar)
X ( medias individuales)
168
GRFICO DE LA MEDIA
El grfico de control de Shewhart
Lmite central : LC = X
Lmite Inferior :
LCI = X A 2 R
Limite central : LC = R
Lmite Inferior:
LCI = D3 R
A2 se Hallan en la tabla A1
169
Limite Superior:
Limite central :
LCS = B4 S
LC = S
170
peso1
peso2
peso3
peso4
15,8
16
17,4
17,8
17
16,4
13,4
12,4
12,8
14,7
15,1
14,2
14,5
15,6
13,3
17,8
15,1
16,2
15,3
12,5
15,1
16,3
14,8
16,1
16,7
16
15
15,7
15,1
14,9
13,9
13,5
14,2
15,6
15,5
14,9
10
14,1
13,2
13,9
14,1
11
13,8
15,3
13,6
13,9
12
15,2
14,5
14,7
13,6
13
16,1
14,9
14
14
14
14,4
13,2
15,9
13,1
15
14,3
18,3
14,7
13,3
16
19,4
16,9
14,9
14,7
17
12,9
17,1
14,7
13,8
18
14,5
12,8
11,9
13,9
19
16,6
13,4
14,3
16,9
20
17,3
14,8
17,5
15
21
19,5
17,1
15
14,5
22
12,5
14,7
14,8
14,2
23
15,1
16
15,4
13,2
24
14,2
15,3
15,5
14,7
25
19,2
16,8
15,2
14,9
171
Solucin.
1) Calcular la media y el rango de cada muestra o subgrupo.
Tabla 5.18. Peso promedio y rango del llenado de envases de Yogurt
Desviacin
muestra
Promedio
Rango
estndar
15.8
16
17.4
17.8
16.75
1.00
17
16.4
13.4
12.4
14.8
4.6
2.24
12.8
14.7
15.1
14.2
14.2
2.3
1.00
14.5
15.6
13.3
17.8
15.3
4.5
1.91
15.1
16.2
15.3
12.5
14.775
3.7
1.59
15.1
16.3
14.8
16.1
15.575
1.5
0.74
16.7
16
15
15.7
15.85
1.7
0.70
15.1
14.9
13.9
13.5
14.35
1.6
0.77
14.2
15.6
15.5
14.9
15.05
1.4
0.65
10
14.1
13.2
13.9
14.1
13.825
0.9
0.43
11
13.8
15.3
13.6
13.9
14.15
1.7
0.78
12
15.2
14.5
14.7
13.6
14.5
1.6
0.67
13
16.1
14.9
14
14
14.75
2.1
0.99
14
14.4
13.2
15.9
13.1
14.15
2.8
1.31
15
14.3
18.3
14.7
13.3
15.15
2.18
16
19.4
16.9
14.9
14.7
16.475
4.7
2.19
17
12.9
17.1
14.7
13.8
14.625
4.2
1.81
18
14.5
12.8
11.9
13.9
13.275
2.6
1.16
19
16.6
13.4
14.3
16.9
15.3
3.5
1.72
20
17.3
14.8
17.5
15
16.15
2.7
1.45
21
19.5
17.1
15
14.5
16.525
2.28
22
12.5
14.7
14.8
14.2
14.05
2.3
1.07
23
15.1
16
15.4
13.2
14.925
2.8
1.21
24
14.2
15.3
15.5
14.7
14.925
1.3
0.59
25
19.2
16.8
15.2
14.9
16.525
4.3
1.97
15.04
2.83
1.30
promedios
172
X
X 1. =
j =1
ij
X
X=
i =1
25
375,95
= 15,04
25
25
R=
i =1
25
70,8
= 2,83
25
4) Calcular los lmites de control del grfico de rangos. Utilice los factores segn el
tamao de muestra.
173
X- barra
17
16
LC=15.038
15
14
13
LCI=12.97
12
0
10
15
20
25
N de muestra
Grafico de control R.
8
LCS=6.46
Rango, R
6
4
LC= 2.83
2
0
LCI=0.00
0
10
15
20
25
N de muestra
6) En el grfico de medias, se verifica que no hay ningn valor que salga de los lmites.
En caso contrario, elimine el o los valores y recalcule los lmites.
En el rango de rangos, no hay ningn punto fuera de los lmites de control en caso
contrario, elimine el o los valores y recalcule los lmites.
7) Interprete los grficos de control.
Grfico X :
Variacin aleatoria.
Grfico R:
174
Utilizando la misma informacin del ejemplo anterior, calcular un grfico mediadesviacin estndar.
X
X 1. =
ij
j =1
(X
S1 =
X1)2
1j
j =1
n 1
2.99
= 0.9983
3
X
X=
i =1
25
375,95
= 15.038
25
25
S
S=
i =1
25
32,94
= 1,3
25
4) Calcular los lmites de control del grfico de desviaciones. Utilice los factores segn
el tamao de muestra.
175
X barra
17
16
LC = 15.04
15
14
13
LCI=12.93
12
0
10
15
20
25
N de muestra
:
Grfico de control S
Desviacin estndar, S
LCS = 2.94
2,5
2
1,5
LC = 1.30
1
0,5
0
LCI = 0.00
10
15
20
25
N de muestra
Variacin aleatoria.
Grfico R:
176
Decisin: No, instalar los grficos e investigar las causas que afectan a la variabilidad
para eliminarlas, luego repetir el estudio.
177
Paso 2. Para generar el grfico de control por variable debe realizar lo siguiente, ir a
tem de analizar bajar hasta control de calidad y buscar el grafico de control
178
En esta ventana en medida del proceso colocar peso y en subgrupos definidos por
das, en grficos dar clip en x- barra con rango.
179
generar los grficos de control de media, rango, es estos grficos se obtienen los
lmites de control junto a la grfica.
180
Utilizando la misma informacin del ejemplo anterior, calcular un grfico mediadesviacin estndar.
Como la base de datos ya est generada solo debemos ir a Analizar, bajar hasta
control de calidad y buscar el grfico de control.
181
Luego al dar clip en definir se obtiene la siguiente ventana. Aqu se escoge el tipo de
grfico x-barra con desviacin tpica.
182
183
Para que una grfica de control sea correctamente interpretada debe estar
conformada por lo menos por 20 puntos.
Una vez que ya se ha instalado una grfica de control, es decir, una vez que ya se han
determinado los lmites de superior y e inferior, se puede afirmar que el proceso est
fuera de control en las siguientes situaciones:
Al menos un punto ms all de los lmites de control.
Racha: si hay 7 puntos consecutivos a un lado de la lnea central, si 10 de 11
puntos consecutivos estn a un lado de la lnea central, 12 de 14, 16 de 20.
Tendencia: si forman una curva contina ascendente o descendente.
Acercamiento de los lmites de control: si 2 de 3 puntos consecutivos est
comprendidos entre 2 y 3.
184
185
BIBLIOGRAFIA.
[1]. Norma ISO 9000:2005. Sistemas de Gestin
la Calidad _ Fundamentos y
Vocabularios.
[2]. H. Gutirrez, Control Estadstico de la Calidad y Seis Sigma. Ed. Mc Graw Hill.
Mxico 2007.
[3]. O Tinoco, S.Crispin. Estadstica Bsica. Fondo Editorial UCH. 2007.
[4]
186
Herramientas
amientas y Control Estadstico de la Calidad
ANEXO
FACTORES PARA EL CLCULO DE LOS LMITES DE CONTROL DE LOS
GRFICOS DE CONTROL POR VARIABLES. [4]
(CRITERIO 3)
187