Você está na página 1de 239
HERRAMIENTAS ESTADISTICAS BASICAS PARA EL MEJORAMIENTO DE LA CALIDAD ‘HITOSHI KUME Traduccién Eloisa Vasco Revisian Técnica Daniel Tarquino.- Bogori, Barcelona, Buenos Aires, Caracas, Guaremuli. Lima, México, Miami, Panamd, Quito, San José, San Juan, Santiago de Chile, Santo Domingo Kume, Hitoshi Hesramicncas escadisticas / Hiroshi Kume; craduecién Eloise Vasco. — Bogocé : Edirorial Norma, 2002_ 243 p.; 10.6 x18 cra. ‘ ISBN 958-04-6719-6 ‘Tieule original : Statistical methods for qualicy improvement. L. Control de calidad ~Mécodas estadisticns I. Vasco, Eloisa, tc. IT. Te 658.568 cd 20 ed AHLS241 (CEP-Banco de la Repuiblica-Bibliorcea Luis-Angel Arango Edicién original en inglés: STATISTICAL METHODS FOR QUALITY IMPROVEMENT de Hitoshi Kume, Ed. Copyright © 1985 por The Association for Overseas Technical Scholarship (AOTS) Copyright © 1992 parz todo el mundo de habla hispana, menos Argentina, por Editorial Norma S.A., mediante acuerdo com ‘The Association for Overseas Technical Scholarship (AOTS) Aparmada Aérea 53550, Bogors, Colombia. Edicién revisada por Espafia. Gran Via de les Corts Caralanas, 322-324, 08004 Barcelona. Reservados todos los derechos. Prohibida la reproduccién rotal o parcial de este libro, por cualquier medio, sin permiso escrito dela Edicorial. Impreso por Ediciones Versalles Leda.” Impreso en Colombia —Printed in Colombia. Direcciént editorial, Maria del Mar Ravassa G. Coordinacién editorial, Cordillera Editores Leda Editor, Oscar Torres D. Disefiadora de cubjerrz, Marcz Ayerbe ISBN: 958-04-6719-6 Contenido Prefacia Captenlo I Introduccién ..... puss! one fla EL papel de los métodos estadisticos em la adminiseracion de los procesas de produccién . Capteulo IZ Cénso obtener datos 8 ZL Cémo recoger datos 8 22 Las hojas de registro I Captenlo IT El amdlisis de Pareto ..... 19 3.1 ;Qué som los diagramas de Pareto 19 3.2 Cémo elaborar diagramas de Pareto . 20 3.3 Diagramras de Pareto de fendmenos y diagramas de Pareto de causas 23 24 Captenlo IV Diagramas de causa-efecta 4.1 ;Quésom los diagramas de causa-efecto? 27 4.2 Cémo elaborar diagramas de causa-efecto . 28 4.3 Notas sobre los diagramas de causa-efecto 33 4.4 Diagramas de Pareto y diagramas de causa 34 vl CONTENIDO Capitulo V Los histogramas ........000. 5.1 Distribuciones e histogramas .. 5.2 Cémo elaborar histogramas 5.3 Cémo leer histogramas ..... 50 5.4. Medidas para presentar las caracteristicas de las distribuciones .. = feeeeiteccetestaiuit >} 5.5 Ladistribucién normal y sus caracteristicas eee 61 Captenlo VI Los diagramas de dispersién ... 68 6.1 {Qué son los diagramas de dispersion’ 68 6.2. Cémo elaborar un diagrama de dispersién .. 69 6.3 Cémo leer los diagramas de dispersién 72 6.4 El célculo de los coeficientes de correlacién 75 6.5 Notas sobre el andlisis cotrelacional 7B 6.6 ;Qué es el andlisis de regresién? .. B3 6.7 Estimacién de las lineas de regresidn .. . BS 6.8 Notas sobre el andlisis de segresién Capttulo VIT Grdficas de control .... 7.1 7Qué son las grdficas de control? 7.2. Tipos de graficas de control .. 7.3 Cémo elaborar una gréfica de contro! 74 Cémo leer las gréficas de control 7.5 Anilisis del proceso usando las préficas de control 7.6 Estudio de caso de andlisis del proceso... 7.7. Control del proceso con gréficas de control . Captrulo VII Aditividad de las varianzas 8.1 Las medias y las-varianzas de sumas - 8.2. Precisién del ensamblaje de partes 146 8.3 Férmulas tedricas 148 8-4 El valor esperado y Ja varianza dela media muestral . 149 8.5 Error de muestreo y error de medicién ... 149 8.6 La varianza de los valores de una funcién . 151 8.7 Cuando las variables aleatorias no son independientes 152 -. 143 143 CONTENIDO Mi 8.8 Combinacién selectiva.. 154 8.9 Control estadistico de calidad 155 Capitulo IX Introduccién a Ja inferencia estadistica 158 9.1 Estadistica ... 158 9.2 Distribucién de las estadisticas - 159 9.3 Prueba de la hipdtesis .. 9.4 Estimacién de pardmetros . 9.5 Pruebas y estimaciones de las medias de poblaciones cuando cx no se conoce .. 9.6 Pruebas y estimaciones de las diferencias entre las medias de dos poblaciones... 9:7 Pruebas y estimaciones en observaciones pareadas 9.8 Pruebas de significacién de los coeficientes de correlacién Captrulo IX La ruta de Ja calidad - 10.1 El problema 10.2 Observacion .. 10.5 Verificacién .. 10.6 Estandarizacién 10.7 Conclusién... Apéndice ... “Tabla A.1 Tabla de Ja distribucién norm: Tabla A.2 Coeficientes para la gréfica ¥—R “Tabla A.3 Puntos de porcentaje para la distribucién r....... 214 ‘Respnestas a los ejercicios ...... Prefacio Los métodos estadisticos som herramientas eficaces para mejorar el proceso de produccién y reducir sus defectos. Sin embargo, se debe tener em cuenta que las herramtientas estad{sticas son preci- samente herramientas: no servirlar si se usar inadecuadamente. Con frecuencia se intentx reducir los defectos de produccién remontindose directanrente a la causa del ‘defecto. Ese es un en- foque directo y; a prirtiera vista, parece que es eficiente. Pero, en la mayorta de los casos, las causas encontradas por medio dé ése enfoque no som las verdaderas. Si se aplican soluciones a los de- fectos basdndose en el comocimiemto de esas causas falsas, el in- cemto puede mo tener resultados y el esfuerzo se perderd. El pri- mer paso para encontrar la verdadera causa es una observacién cuidadosa del fendmeno del defecto. Luego de esa observacién cuidadosa, la verdadera causa serd evidente. Las herramientas estadisticas dan objetividad y precisién a las observaciones. Las premisas de la manera de pensar estadisti- ca son: LD) Dele mayor importancia a los hechos que a los conceptos abscractos. 2) No exprese los hechos em términos de semtimtientos 0 de ideas. Utilice cifras derivadas de los resuleados especificos de la ob- servacién. PREFACIO 3) Los resultados de las observaciones, acompafiados como es- tan por el error y Ja variacién, son parte de un todo oculro. Encontrar ese todo oculro es Ja finalidad tltima de la obser- vacién. 4) Acepte como informacién confiable, la distribucién normal que aparece cuando hay un gran niimero de observaciones. En primer lugar, se debe reconocer la imperfeccién del reco- nocimiento humano. Después debe entenderse que el conoci- miento actual no es mas que la base para nuevas hipdtesis. Sa- biendo esto, los métodos de pensamiento mencionados antes pueden ser titiles para profundizar nuestro entendimiento del proceso de produccién y de Jas formas de mejorarlo., Este libro difiere de los textos de estadistica comunes. Su pro- pésito es mostrar cémo aplicar los meétodos estadfsticos alos pro- blemas del mundo real. Quienes rengan poco conocimiento del andlisis estad{stico también se beneficiaran. Debe comenzar con los pasos iniciales de Ja explicacién y despu¢s seguir con los otros capftulos. Las personas que ya conozcan la estad{stica pueden omitir los pasos introductorios y empezar con las explicaciones del andlisis estad{stico en su uso prdctico. Los autores se sentirén muy satisfechos si el libro ayuda alos gerentes de produccién y a los ingenierés a mejorar el proceso de produccién. Los capfeulos son revisiones de artfculos que aparecieron por primera vez en la revista Kenshu, publicada por la Asociacién de Becas Técnicas Internacionales (Association for Overseas Technical Scholarships, AOTS), una asociacién sin dnimo de lucro. El objetivo de AOTS es promover la cooperacién técnica. Los lectores de Kenshu son gerentes de produccién ¢ ingenictos de paises en via de desarrollo. En seguida se enuncian los capftu- los del libro junto con sus respectivos autores, pero la responsa- bilidad por los errores y las omisiones es del editor. Capfrulo 1 Introduccién Hitoshi Kume Capitulo 2 Cémo obtener datos Yoshinori Iizuka e I Introduccién EL PAPEL DE LOS METODOS ESTADISTICOS . EN LA ADMINISTRACIGN DE LOS PROCESOS DE PRODUCCION @) Qué causa los productos defectuosos? Uno tras otro, los productos Uegan en Ja banda transportadora. Al final de la banda transportadora hay una mdquina empacadora que continuamente empaca los productos que Megan y los envia ala.bodega. Una mirada més atenta permite ver a un hombre de pies entre la banda transportadora y la mdquina empacadora. Observa cuidadosamente los productos que Ilegan, y ocasional- mente recoge algunos y los arroja casualmente al cesto que estd detrds de ¢l. Fsos son los productos defectuosos. Este tipo de cosas se ve comuinmente en muchas fibricas. En un principio, esos productos descartados parecen desperdiciados, pero pronto se aceptan como una parte del proceso. Pero acos- tumbrarse alos productos defectuosos no soluciona el problema, sino que mds bien constituye un retroceso en la solucién. tat 2 INTRODUCCION yCémo se producer los productos defectuosos? ¢Qué debe hacerse para reducir su miimero? Para poder disminuir el ntimero de productos defectuosos es necesario creer que s{ se puede reducic Sobra decir que la sola creencia'no disminuiré el niimero de productos defectuosos. Lo que queremos decir es que existe causas particulares para que um producto dado resulte defectuoso, y que los productos defec- ruosos pueden desaparecer si se descubreny se eliminan esas cau- sas. Mucha gente piensa que debido a los estrictos requisitos de calidad que deber cumplir sus productos ya los muchos Factores que pueden causar un defecto, los productos defectuosos som ine— vitables. Sim embargo, independientermente de los tipos de productos o de las clases de métodos de producciém utilizados, la causa de los defectos es universal. La variacién: Esta es la causa ;Qué sucederia si fabricdramos productos usando materiales de exactantente la misma calidad, _mdquinas y métodos de trabajo idénticos y si imspecciondramos estos productos exactamente de la misma manera? No. importa cudntos productos se fabriquen, todos ellos debe ser idénticos mientras las cuatro condiciones anteriores sean idénticas. Es de- cir, todos los productos cumpliramo no cumplirdn los requisitos. Todos ellos serin defectuosos si los materiales, la maquinaria, el método de trabajo o lainspecciém som inadecuados. Enestecaso, se producirén productos defectuosos exactamente idénticos. Mientras no haya fallas em las cuatro condiciones mencionadas, los productos que resulter deben ser todos “idénticamente” pro— ductos mo defectuosos. Cor respecto a los productos que fabricamos, es casi imposi- ble que todos éllos salgan defectuosos. Algunos som defectuosos mientras que otros no lo som. En otras palabras, los productos defectuosos y los buesis salen mezclados. Por qué se producen ex un mismo lote productos defectuo— sos y no defectuosos? La causa, como se ha dicho antes, es la variacién. La variacién en rrateriales, en las condiciones de la ma- INTRODUCCION 3 quina, ex los métodos de trabajo y elas inspecciones es la causa de los productos defectuosos. Si mo existiera ninguna de estas varia ciones, rodos los productos sertan idémticos y mo habria variacio- nes ert calidad, tales comzo la ocurrencia de productos defectuo- sos y no defectuasos. Pensemos er: el trabajo de doblar planchas de acero. Todas las planchas de acero parecem tener el mismo espesor pero cuando se miden com precisién, tendrdn espesores diferentes. Ademds, aun la misma plancha tendré mds espesor en umas partes que en otras. Si vanzos mds lejos ¢ inspeccionamras la estructura de cris- tal de las planchas, habré pequefias variaciones en la forma de los cristales compuestas de bierro, cacbono y otros elementos, de uma 2 otra parte de la plancha. Estas diferencias afectan natural- mente a las caracteristicas de calidad. Aur usando el mismo mé- todo, las planchas no se doblarén de manera urtiforme. Algunas de ellas podrém incluso rajarse. Examinemos ahora la maquinaria. La cortadora pierde filo a medida que procesa cierto mimero de productos. Las condicio- nes del aceite lubricance también cambian’con los cambios en temperatura. Las dimensiones de los productos cambian segin la forma conto se ajuste el mecanismo de corte. Aunque parecie- ra que una operacién se realiza exactamrente em las mismas con- diciones que otia, muchos cambios 0 variaciones ocurren sin que se noten, y afectan a la calidad del producto. Pensemos ahora en el cracumiento con calor, La temperatura de los hormos cambia continuamente con los cambios de voltaje en el caso de un homo eléctrico, y con los carmbios en la presién del gas en el caso de ux horno a gas. Dentro del korno, las dreas cerca de la boca, el recho, el piso o la pared del hormo tienen diferentes condiciones. Cuando introducimos en el horno mace- stales para tratamiento porcalor; la cantidad de calor que reciben los materiales varta segtixt su posiciém relativa, afectando a carac- teristicas de calidad, cales como la dureza del producto. Las caracteristicas fisicas de los trabajadores y su habilidad también afectam a la variaciém de la calidad de los productos. Eiay hombres alros y bajos, habiles y menos habiles, hombres INTRODUCCION con recia musculatura y hombres débiles, personas diestras y zur das. Todos los trabajadores podrdn creer que estén trabajando de la misma manera, pero hay diferencias personales. Aun el mismo individuo trabaja de manera diferente segtin como se sienta ese dfa particular y segiin sus condiciones de fatiga. A veces puede cometer un error por descuido. En lainspeccién, pueden ocurrir variaciones de calidad apa- rentes. Si se usa un calibrador en la inspeccién, pueden causarse variaciones en los datos por un mal calibrador o por Ja forma de usarlo. En el caso de inspecciones sensoriales, como Ja inspec- cién visual, la calidad parece variar si hay variacién en el criterio del inspector. La variacién en la inspeccién no se relaciona direc- tamente con Ja calidad del producto, pero afccta al proceso de decidir si un producto es defectuoso 0 no lo es. Si analizamos el problema de esta manera, podemos ver que en el proceso de fabricacién de un producto intervienen innu- merables factores que afectan’a las caracter(sticas de calidad de ese producto. Cuando consideramos el proceso de manufaccura desde'el punto de vista de la variacién de la calidad, podemos pensar en el proceso como un agregado de las causas de la varia- cidn, Estas causas son la explicacién de los cambios en las carac- terfsticas de calidad de los productos, que tienen como resultado productos defectuosos 0 no defectuosos. Un producto se consi- dera no defectuoso si Jas caracter{sticas de calidad satisfacen cier- to requisito, y defectuoso sino lo hacen. Por lo tanto, aun los productos no defectuosos tienen variaciones dentro del mismo requisito, Esto quiere decir que no existen los productos “exacta- mente iguales” de los que hablamos antes. Los productos defectuoses son causados por las variaciones. Si estas variaciones se reducen, seguramente disminuirdn los pro- ductos defectuosos. Este es un principio sencillo y sdlido, aplica- ble cualesquiera que sean los tipos de productos o las clases de métodos de produccidn utilizados. INTRODUCCION (2) | El diagnéstico de los Procesos Aunque Jas causas de la variacién en Ja calidad son innumera bles, no toda causa afecta ala calidad en el mismo prado. Algu mas la afectan enormemente, mientras que otras, aunque tedrica mente consideradas como muy importantes, tienen poco efectc sobre la variacién cn la calidad cuando se‘controlan adecuada. ammente, . Las innumerables causas concebibles pueden categorizarse er dos grupos, el primero de Jos cuales consiste en un pequefo nik mero de causas que, sin embargo, tienen un gran efecto (los | poco: vitales), y un segundo grupo que incluye muchas causas que tie- nen sdélo efectos menores (los muchos triviales). Generalmente, no hay muchos factores que realmente caiisen defectos. Este he. cho se Nama principio de Pareto y se usa en muchos casos. . Gon Ia aplicacién del ya mencionado principio de variacién y de éste de Pareto se facilita considerablemente el problema de reducir el ntimero de productos defectuosos. Lo que necesitamos Ahacer es encontrar las pocas causas vitales de los productos defec- tuosos y eliminar estas causas después de que se hayan identifica do claramente. “En nuestro proceso hay tantas causas de produc- tos defecttiosos que cs realmente imposible controlarlas”. Co- mentarios como éste sé ¢scuchan con frecuencia en sitios donde tos procesos estan Menos de productos defectuosos. Todo proceso tiene muchas caitsas de variacién en la calidad, y ningtin proceso tiene ath niimero especialmente alro de esas causas. Hay una gran diferencia entre tener muchos “sospechosos” que pueden estar causando los defectos y realmente tener muchos “culpables” que de hecho estén causanda los defectos. El proceso de encontrar Jas causas de los productos defectuo-— Sos entre muchos factores se llama diagndstico del proceso. Para reducir el niimero de productos defectuosos, la primera accién necesaria es hacer un diagndstico correcto para ver cudles son las verdaderas causas de los defectos. Si esto mo se hace correctamen- te, no se puede reducir el niimero de productos defectuosos. Es como dara un paciente de apendicitis un remedio para la diges- abbr ada, 6 INTRODUCCION tién, que, desde luego, mo lo cura. El efecto puede ser que el paciente se sienta mejor por un tiempo, pero después la enferme— dad recucriré en una forma peor que antes. éCémo hacer um diagndéstico correcto? Hay muchos méto— dos. Algunos utilizan la intuiciém, ots dependen de la expe riencia. Aum otros recurrem al, andlisis estadistico de los datos, y hasta se puede usar la imvestigacién experiniental. El método in- tuitivo se usa com frecuencia porque es muy ripido. De hecho, hay algo més que la intuiciém ordinaria em la intmicién de ux verdadero experto, y debe respetarse, Un movimiento intuitive hecho por un experto jugador de ajedrez es superior’ al movi- maiento hecho por ciem aficionados. El consejo y la intuiciénr de los especialistas y los expertos debe respetarse profundamente. Sim embargo, la dificultad em el problema de reducir el mimero de productos defectudsos es que no siempre es claro quién es el verdadero experto. Ex el caso del ajedrez, el consejo de los exper~ tos merece casi toral confianza porque tanta el fuerte como el débil se manifiestan em juegos reales, y los campeones som aqué- llos que han ganado y ham sobrevivide a duros torneos. En el caso del diagmdstico de proceso, sim embargo, es frecuente que quien parece ser un buen “mmédico” no lo sea necesariamente y puede resulrar que sea alguien que “haya dejado morir muchos pacientes”. Ademds, ent uma ¢poca de progreso ripido, es dificil seguir siendo un experto en todos los problemas cuya naturaleza est cambiando constantemente. Debido a que el problema de los productos defectuosos se encuentra con frecuencia en dreas en las cuales no hay experiencia previa, lo que se mecesita no es muchos afios de experiencia sino la decisién de reducir el mime ro de productos defectuosos y uma actitud de observacién de la situacién real ex forma objetiva. La forma estad{stica de conside- rar las cosas y el uso de los métodas estadisticos es un medio muy eficaz: para hacer esta observacién. Los métodos estad{sticos proporcionan ux medio eficaz para desarrollar und nueva tecnologfa y controlarla calidad de los pro- cesos de manufactura. Muchas empresas manufactureras impor— tantes han estado crarando de usaractivamente los mérodos esta— INTRODUCTION 7 Z disticos, y algumas hax dedicado mds de 100 horas al afio a edu- caciém interna sobre este temra. El comocimiento de los métodos estadisticos se ha convertide em parte normal de la capacicacién de un ingeniero, pero el conocimiento de los métodos estad{sti- cos mo proporciona inmediatamente la habilidad para usarlos. La habilidad para amalizar las cosas desde el punto de vista esta- distico es mds importante que los métodos individuales. Ade- mds, mecesitamos ser framcos para reconocer los problemas y la variacién, y recoger informaciém sobre ellos. Finalmente, quere- mos subrayar que lo importante no es solamente el conocimien- to de los métodos estad{sticos como tales sino mds bien [a accicud mental hacia su utilizaciém. i Cémo obtener datos 2.1 COMO RECOGER DATOS (1) Establezca objetivos claros La informacién es una guia para nuestras acciones. A partir de la informacién conocemos Jos hechos pertinentes y adopramos ac- ciones apropiadas basadas en esos hechos. Antes de recoger la informacién, es importante determinar qué se va a hacer con ella. En una fabrica constructora de mdquinas, se le hace un muestreo de inspeccién de calidad a cierto tipo de accesorio com- prado a un proveedor. Se dio el caso de que un lote que deberia haberse rechazado se acepté como excepcién especial, para po- der cumplir el programa de produccién. Sin embargo, no se-hizo nada especial respecto al lote que habla sido aceptado. Esto quie- re decir que tanto los lotes que se ajustaban a las especificaciones como aquéllos que no se ajustaban pasaron al proceso siguiente. En realidad, estos datos se estaban obteniendo para determinar la aceptabilidad de los lotes, pero no se usaron para nada. En el control de calidad, los objetivos de Ja recoleccién de informacidn son: COMO OBTENER DATOS... 9 1) El control y el monitéieo del proceso de produccién. 2) Elanilisis de lo qué #6'se ajusta a las normas. 3) La inspeccisn. é Cualquier recoleccién de informacién ha de tener un propé- sito espectfico y ser seguida por acciones. (2) 3Cudl es su propésito? Una vez que se define el objetivo de la recoleccién de informa- cién, también se determinan los tipos de comparacién que se necesitan, y esto-a su vez identifica el tipo de datos que se deben recoger. Por ejemplo, suponga que hay una pregunta respecto a ja variacién en una caracterfstica de calidad de un producto. Si solamente se recoge un dato cada dfa, serd imposible determinar da variacidn ese dia. O, si usted quiere saber por qué resilltan productos defectuosos hechos por dos trabajadores diferentes, es necesario tomar las muestras separadamente para poder compa- rar el descmpefio de cada uno de ellos. Si la comparacién entre ellos muestra una clara diferencia, una medida remedial que eli- mine la diferencia entre los trabajadores reducird también la va- siacién en el proceso. ° | Esta divisién de un grupo en varios subgrupos, con base en ciertos factores, se llama estratificacién. La estrarificacién es muy importante, y es necesario que su aplicacién se convierta en ua hadbito de pensamiento en todo tipo de situaciones. Suponga que usted quiere saber Ja relacién entre la calidad de un ingrediente y la dureza del producto. En un caso como éste, cuando usted quiere saber si hay una relacién entre los valo- zes de dos caracterfsticas, los datos tienen que estar disponibles por pares. Si los datos se recogen por pares, se pueden analizar usando un diagrama de dispersion, que.se explica en el capitulo VI. 10 CAPITULO DOs: (3) 3Son confiables las mediciones? Incluso si las muestras se han seleccionado adecuadamente, se hard un juicio errénco si las mediciones no son confiables. Por ejemplo, las inspecciones hechas por cierto inspector mostraron que una fraccién de productos defectuosos éra muy diferente de las demds, y un examen cuidadoso mostré mds tarde que un ins- trumento de medicién se habfa descompuesto. En el caso de mediciones sensoriales, tales como la inspec cién visual, las diferencias debidas’a los inspectores individuales son comunes. Este hecho debe tenerse en cuenta cuando sé reco- gen y se analizan datos. (4) Establezca formas apropiadas de recoger los datos Una vez que se han recogido los datos, diferentes clases de méto- dos estad{fsticos pueden, ser utilizados para analizarlos, de modo que se conviertan en fuente de informacién. Cuando se recogen datos, es importante organizarlos adeciiadamente para facilitar su procesamiento posterior. En primer lugar, el origen de los da- tos debe registrarse claramente. Los datos cuyo origen no sé co- noce con claridad se convierten en informacién inutil. Con fre- cuencia, se obtiene poca informacién util a pesar de haber gasta- do una semana reuniendo datos sobré alguna caracteristica de calidad, debido a que las persorias olvidaron en qué dias de la semana se recogieron los datos, qué mdquinas hicierén el proce- so, quiénes fueron los trabajadores, qué Iotes de materiales se usaron, y asf sucesivamente. ; : ? En segundo lugar, los datos deben registrarse de tal manera que puedan utilizarse facilmente. Por el hecho de que con fre- cuencia Jos datos se utilizan posteriormente para ‘c4lculos esta- disticos, tales como pidifiedios y tangos, es mejor registrarlos de tal manera'que estos cdlculos se faciliten. Por ejemplo, los datos sobre 100 piezas, obtenidos haciendo mediciones cuatro veces al dia (a las 9:00, 11:00, 2:00 y 4:00) durarite 25 dfas, normalmen- te s¢ registran en una hoja de datos, como la qué sé muestra‘eri la tabla 2.1, en Ja cual la hora se organiza horizontalmente y los COMO OBTENER DATOS 7 tt Tabla 2.1 Un ejemplo de una hoja de daros dias verticalmente. De esta manera, los cdlculos diarios pueden hacerse marcando los ntimeros en cada renglon, y los cdlculos para las horas pueden hacerse dentro de cada columna. Cuando se necesita registrar datos de manera continua sé recomienda pre- parar formatos para su registro.’ ; 2.2 LAS HOJAS DE REGISTRO” + - Como se dijo’en la seccién anterior, si se llega a la conclusién de que es necesario reunir informacién, es esencial que el objetivo sea claro y que se obrengan datos que reflejen los hechos con claridad. Ademas de estos requisitos, en situaciones reales és im- portante que los datos se recojan en forma clara y facil de usar. Una hoja de registro es un formato preimpreso en el los {tems que s¢ van a registrar, de tal manera que los datos pue- Laparecen dan recogerse facil y concisamente. Sus objetivos principales son dos: . 1) Facilitar la recoleccign de los datos. 2) Organizar automdticamente los datos de manera que pue- dan usarse con facilidad mds adelante. La recoleccién y el registro de los datos parece ficil pero en realidad es dificil, Generalmente, mientras mds personas proce- sen los datos, mayor es la probabilidad de que se presencen erro- 12 CAPITULO DOS res de transcripcidn. Por Jo tanto, la hoja de registro, en Ja cual los datos puedan registrarse por medio de cruces o de s{mbolos sencillos y en la cual los datos se organizan automdticamente sin necesidad de mds copias a mano, se‘convierte en tina herramien- ta poderosa para el registro de los datos, A continuacién se pre- sentan algunos ejemplos de Kojas de registro. Ejemplo 2.1 Hoja de registro para la distribucidn del proceso de producctén Regisiros Desv. ~ Frecuencia Se. 10 15° 20) —10| | [I T | =9 {1 Fspecificacion | — 8 t . | L a7 | -6 =5 1 4 le =3 TH | =2 wlafalni~ = ; | 8.300 ° i |= tre] os] 09] Especificacién 7 2 3 i 4 iE { 5 COL 6 7 8 3 | 10 | Total 55 Figura 2.1 Hoja de registro para ver Ja distribucién de un proceso de produccién COMO OBTENER DATOS : 213 Suponga qué queremos saber las variaciones en las dimensiones de cierta clase de partes ctiya especificacién de maquinado ¢s 8.300 ~ 0.008. Para estudiar Ia “distribucién de los valores caracterfsti- cos del prodésé,"sé"isah Hormalmente los histogramas. Valores tales como la media y la varianza se calculan con base en el histogrania y'también se examina de diversas inaneras la Forma de la distribucién. ~ °. + : : sete ; ; Cuando se elabora un histograma, es doble trabajo recoger una gran cantidad de datos y después hacer tina grdfica que mues- ‘tre la distribucién de frectiencias. Una manera més sencilla es clasificar los datos éxactamente en el momento de recogerlos. La figura 2.1 es un ejemplo de un’ formato que puede prepararse con anterioridad. Se coloca‘una cruz en la casilla correspondicn- te cada vez que se realiza una medicién, de manera que el histogram’ esté listo'cuando se acaben de hacer las mediciones: Cuando se'requiera estratificar y se tse un’a sola Hoja de registro, es mejor usar diferentes colores o stmbolos, de manera que la diferencia pueda reconocérse mds tarde. Fjemplo220 Hoja de registro de ttems defectuosos La figura 2.2 muestra una hoja de registro utilizada en la inspec cién final de cierto producto de pldstico moldeado. El inspector hace una marca en el registro cada vez que encttentra un defecto. Al finalizar el dfa de‘ttabajo puede calcular de inmediato ef nit- mero total y el tipo de defectos que ocurrieron. . El simple conocimiénto del ntimnero total de los defectos no leva a acciones correctivas, pero si s¢ usa una hoja de registro como la de esta figura, podrdn obtenerse indicios muy impor- tantes para’el mejoramiento del proceso porque la informacién muestra claramente cudles sori los defectos mds frecuentes y cud- les'no. ; Si $e usa esta hoja de registro, lo migmio que écurre con el ejemplo 2.1,'sérd imposible escratificar los datos mds tarde, por ejemplo, segtin se hayan recogido en fa mafiana o en el tarde. Por Unk el 14 CAPITULO DOS Hoja de registro Producto: Fecha: Etapa de manufactura: Insp. final Seccién: Tipo de defecto: rayones, incompleto, Nombre del inspector: rajado, deformado naig teeta ape Numero total inspeccionado: 1.525 NdGmero de orden: Observaciones: Se i inspeccionaron todos los items Tipo | Registro Subtotal Rayas superficiales “ TK TK TK WA 7 Rajaduras TL YK /. WwW. : Incompleto YK TR TK VK K/ 7 Deforme W. | Otros Ef ia 5 Total rechazados. ‘ WI TTL Wh eat - TT TELM ara 7H ney Figura 2.2 Hoja de registro de {terns defectuosos : lo tanto, si se considera que la estratificacién es necesaria, se debe incorporar en el disefio desde el comienzo. Es necesario decidir con ¢laridad de anteimano.cémo regis- trar los defectos cuando se encuentren dos en un mismo produc- to, y dar instrucciones precisas y.completas a las personas que van a hacer el registro. En el caso de la figura 2.2, 42 de las 1.525 piezas estaban defectuosas. Sin cmbargo, el ntimero total de de~ COMO OBTENER DATOS : 15 1234567 Numero térmico 2. Matriz de localizacién det defecta adial Circular 1 i 2 2 A B c 5 E 7 E ZZ. G I H 7a] ¥ . - 13 tof * 7 Figura 2.3 Hoja de regiscro de la locafizacién de deféctos fectos fue. 62 porque algunas veces se encontraron dos o mis defectos en una misma pieza. : : Ejemplo 2.3 : Floja de registro de localizacién de defectos Los defectos externos, tales como los rayones y las ma: IS. se encuentran en toda clase de productos y en muchas plantas se estan hacienda csfuerzos por reducir este tipo de defecto. La hoja de registro de la localizacién de defectos tiene un papel impor- tance en la solucién de este tipo de problema. Generalmente, muchas hojas de registro de este tipo tienen diagramas o ilustra- ciones ampliadas en las cuales se hacen los registros, de manera que pueda observarse el sitio de la ocurrencia del defecto. La figura 2.3 muestra uno de estos ejemplos, utilizado por un fabricante de maquinaria en Ja inspeccién de partes metdli- cas, para aceptarlas o rechazarlas segtin sus caracterfsticas de po- rosidad. En el pasado se le inforrnaba al proveedor tinicamente 16 CAPITULO DOS sobre el rechazo o la aceptacién de cada lote y el ntimero de de- fectos por Jote, pero la calidad no mejoraba en absoluto. Después de haber utilizado hojas de registro como la de la figura, que sirviefon como informes de inspeccién que indica- ban dénde serfa mas probable que se presentara la porosidad, la calidad mejoré notablemente porque resultaba mds facil encon- trar Ins causas de los defectos. Esta hoja de registro Neva facil- mente a la accién y es indispensable para el diagndstico del pro- ceso, porque frecuentemente es posible encontrar las causas de los defectos examinando las ldminas en las cuales se presentan y abservando cuidadosamente el proceso para determinar por qué los defectos se concentran en esos lugares. | Ejemplo 2.4 : Hoja de registro de las causas del defecto La hoja de registro del ejemplo anterior se usa para definir Ja localizacién de los defectos. Ademiés, las hojas de registro se usan a veces para estratificacién adicional con el fin de encontrar las causas de los defectos. Genetalmente, la mayorfa de los estudios cuyo objetivo es encontrar las causas de Jos defectos implican combinar los datos sobre las causas con los datos correspondien- tes de los efectos, mantenigndolas en un orden claramente co- rrespondiente y analizdndolas luego mediante la éstratificaciéa | por causas o haciendo diagramas de dispersién. Sin embargo, | este tipo de manejo de datos es posible hacerlo en una hoja.de | registro si el caso es sencillo. i Por ejemplo, la figura 2-4 eb una hoja para registrar Ia oct- | rrencia de los defectos en'ciertos picaportes, asignables a maqui- naria, trabajadores, dfas y tipo de defecto. Podemos ver de inmé- diato que el trabajador B produce rhuchas unidades defectuosas. El miércoles, todos los trabajadores producen muchas unidades defectuosas, Una biisqueda'de las causas mostré que el trabaja- dor B no estaba cambiando los dados con suficiente frecuencia y que los miércoles las materias primas tenfan una composicién que tenfa mds probabilidad de causar defectos. COMO OBTENER DATOS iz z _5 |_tunes_| Martes [Miércoles| Jueves | Viernes | Sabado Equipo Operario : -_ [Am[pm[Am[PM [AM PMIAM [PM [Am] pm] AM] Pm @.}o-jJanto jon fam jamlo | ainle' lo x |x 20 poo fron) foe x a | Maquina t ace o |o fama a alo o {am 7 vemrpor roc poc fe face fx | ocx x fox : B : @ |o [o amp @ fo |@ lo fo fo x) |x x c A A oleae : jo of Maquina 2 a @ Jo |jm jap'jar faml@ |o am jo tw fo | x |x x & | 30 D a A A BA a a ayado en la superficie 1 Porosidad A: Terminado defectuoso @ : Forma ifiadecuada O: Otros : igura 2.4 Hoja de registro de las causas del defecto Con el mismo propésito, también es posible elaborar una hoja de registro usando ‘el diagrama de causa-efecto. Es decir, puede prepararse un diagrama de causa-efecto que los trabajado- res puedan_ comprender con facilidad y‘cuando se reconozca la causa de un defecto 0 la condicién en la cual s¢ produce, se hace una marca de registro en ‘el espacio qlie se encuentra cerca de 18 CAPITULO DOs cada flecha. A partir de ahi, es posible determinar cudl de las causas requiere accién prioritaria. Ademds de los ejemplos descritos, hay muchas otras clases de hoja de registro que se utilizan en las fibricas. Las hojas de regis- tro se disefian considerando primero el propésito de la recolec- cién de los datos y haciendo luego varias modificaciones creativas 2 fin de que los datos puedan ‘recogerse y registrarse facilmente y - de manera adecuada al objetivo. Ejercicio 2,1 En un proceso de pulimento de lentes hay dos trabajadores, y cada uno de ellos maneja dos mdquinas. Recientemente, la frac- cién ‘de productos defectuosos, ha aumentado. Los trabajadores | Piden un cambio de maquinaria, diciendo que las méquinaé ac- tualmente utilizadas son demasiado viejas.'Los gerentes encarga-- dos del proceso dicen que los trabajadores deben tener mds cui- | dado porque estén cometiendo errorés por descuido. ;Qué harfa usted en esta sicuacién? mast EI andlisis de Pareto 3.1 QUE SON LOS DIAGRAMAS DE PARETO? =~ Los problemas de calidad se presentan como pérdidas (produc- cos defectuosos y su fosto)..Es muy importance aclarar el patron de la distribucién de la pérdida. La mayorfa de las pérdidas se deberdn a unos pocos tipos de defectos, y estos defectos pueden atribuirse a un ntimero muy pequefio de causas. Si se identifican las causas de estos pocos defectos vitales, podremos eliminar casi todas las pérdidas, concentrdndonos en esas causas particulares y dejando de lado por el momento otros muchos defectos triviales, EI uso del diagrama de Pareto permite solucionar'este tipo de problema con eficiencia. : En 1897, el economista italiano V. Pareto presenté una Fér- mula que mostraba que la distribucién del ingreso es desigual. En 1907, el economista norteamericano M. C. Lorenz expresd una teorfa similar por medio de diagramas. Estos dos estudiosos indicaron que una proporcién muy grande del ingreso escd en manos de muy pocas personas. Mientras tanto, en el campo del control de calidad, el Dr. J. M. Juan aplicé el mécodo del diagra- ma de Lorenz como férmula para clasificar los problemas de ca- lidad en los pocos vitales y los muchos triviales, y lamé este méto- 20 CAPITULO TRES do andlisis de Pareto. Sefialé que, en muchos casos, la mayorfa de los defectos y de su costo’se deben a un numero relativamente pequefio de causas. 3.2. COMO ELABORAR DIAGRAMAS DE PARETO 2 Pasa 1 Decida qué problemas se van a investigar y cémo recoger los datos. 1) Decida qué clase de problemas son los que usted quiere in- vestigar. Ejemplo: Objetos defectuosos, pérdidas en términos moneta- rios, ocurrencia de accidenttes. 2) Decida qué datos ¥a a necesitar y cémo clasificarlos. Ejemplo: Por tipo de defecto, localizacién, proceso, mdquina, trabajador, método. Nota: Resuma los {terms que se eee con poca frecuencia cn la categorfa “otros”. : 3) Defina el método de recoleccién de los datos y.el perfodo de duracién de la recoleccién. *. Nota: Se aconseja utilizar‘un formato de investigacién. Paso 2 Disefie una tabla para conteo de datos, ‘con ‘espacio suficiente para registrar los totales (tabla 3.1). B Tipo de defecto ae Conteo : i“ Total Fractura TH Tt . 10 Rayado TH, TH The TE TH aate Mancha TA 6 Tensién TH TH TTL TL Mf 104 Rajadura if 4 Burbuja TAL TH TT 20 Otros TH TH MU 14 Total 200 ‘Tabla 3.1, Tabla para conteo de datos i ' i i i t | Paso 6% EL ANALISIS DE PARETO : 21 Paso 3 Diligencie la tabla de contéo'y calcule los totales. Paso Zo ee _ Elabore una tabla de datos para el diaprama de Pareto con la lista de ftems, los totales individuales, lo’s totales acumulados, la com- posicién porcentual y‘los porcentajes dcumulados (tabla 3.2). Paso 5 Organice los {tems por orden de cantidad y Ilene la tabla de da- tos."- Fat at, c i Nota: Bl {tern “otros” debe ubicarse en al tiltimo renglda, in-- dependientemente de su magnitiid. Esto se debe a que esté com- puesto de un grupo de frems, cada uno de los cuales es mds pe- “quiéfio que el meric de los frems citados individualinente. Dibuje dos ejes verticales y iun'eje horizontal. 1). Ejes verticales a). Eje izquierdo iA Marque este eje con una escala desde 0 hasta el total ge- . neral. Tipo Ndmero ~*~... ..- Total Composicién — Parcentaje dedefecto dedefectos acumulado Porcentual — acumulado Tensi6n ~ 104° 104 52 52 Rayado 42 146 21 73 Burbuja © 20 166 10 83 Fractura 10 176 5 88 Mancha 6 “182 3 91 Rajadura 4 186 2 93 Otros 14 _200 7 100 Total ~ 200 — 100 — Tabla 3.2 Tabla de datos pata un diagrama de Pareto 22 CAPITULG TRES b) Eje derecho Marque este eje con una escala desde 0% hasta 100%, ©) Eje horizontal Divida este eje en un ntimero de intervalos igual al nt- mero de {tems clasificados. Paso 7 Construya un diagrama de barras. Paso 8 Dibuje la curva acumulada (curva de Pareto). Abril 1 - Junio 30 200 Numero de unidades investigadas: 5.000 80 ‘Nimero de unidades defectuosas » Porcentaje acumulado D B FUCA Cc: E Otros A: Fractura ‘D: Tensién B:: Rayado ‘OE: Rajadura C: Mancha -F: Burbuja Figura 3.1 Diagrama de Pareto por items defeccuosos EL ANALISIS DE PARETO * 23 Marque los valores acumulados (cotal acumulado 0 porcen- taje acumulado) en la parte superior, al lado derecho de los inter- valos de cada {cem, y conecte los puntos con una Ifnea continua. Paso 9 Escriba en el diagrama cualquier informacidn necesaria. 1) Informacién sobre el diagrama Tieulo, cifras significativas, unidades, nombre del dibujante. 2) Informacién sobre los datos Perfodo de tiempo, teria y lugar de la i investigacién, ntimero coral de, datos. 3.3 DIAGRAMAS DE PARETO DE FENOMENOS Y DIAGRAMAS DE PARETO DE CAUSAS Como a ée dijo, un diagrama de Pareto es un método para iden- rificat los pocos vitales, ¥. existen dos tipos. (1) Diagramas de Pareto de fenémenos Este es un diagrama en el cual se relacionan los resultados inde- seables, como los que se presencan,a continuacién, y se utiliza ’ para averiguar cudl es el principal problema. 1), Calidad: Defectos, faltas, fracasos, quejas, frames devuel- tos, reparaciones. 2) Costo: Magnitud de las pérdidas, gastos. 3) Entrega: Escasez de inventarios, demoras en los pagos, de- moras en la encrega. 4) Seguridad: Accidentes, errores, interrupciones. (2) Diagramas de Pareto de causas Este es un diagrama en el cual se relacionan los resultados inde- seables, como los que se presentan a continuacién, y se utiliza para averiguar cudl es el principal problema. 24 1) 2) 3) 4) CAPITULO TRES Operario: Turno, grupo, edad, experiencia, des- treza. Maquina: Maquinas, equipos, herramientas, or- ganizaciones, modelos, instrumentos. . Materia prima: Productor, planta, lore, clase. Método operacional: Condiciones, érdenes, disposiciones, métodos. : 3.4. NOTAS SOBRE LOS DIAGRAMAS DE PARETO (1) Sugerencias pata elaborar diagramas de Pareto ) 2) Pruebe varias clasificaciones’y construya muchas clases de diagramas de Pareto. : Usted podré captar la esencia de un problema observandolo desde varios dngulos; es necesario tratar de encontrar varios métodos de clasificacién hasta que identifique los pocos vita- Ies, lo cual constituye el propésito del anilisis de Pareto. No es conveniente que “otros” repfesente un porcentaje de los més altos. Si esto sucede, se debe a que los {tems para la investigacién no se han clasificado apropiadamente y dema- siados {tems caén en esta catégorfa. Eni este caso, debe consi- derarse un’ método diferente de clasificacién. Si los datos se pueden representar en valores monetarios, lo mejor es dibujar diagramas de Pareto que mitestren esto en el ge vertical. Si no se aprecian adecuadamente las implicaciones financieras de un problema, Ja investigacién puede resultar ineficaz. En ta administracién, los céstos constituyen una importante escala de medicién: (2) Sugerericias para usar diagramas de Pareto _ 1) Si un {tem se puede solucionar facilmente, debe afrohtarse de inmediato aunque sea relativamente de poca importancia. Debido a que un diagrams de Pareto tiene como objetivo la solucién eficiente de problemas, se requiere, bdsicamente, que EL ANALISIS DE PARETO. ql 25 afrontemos los.pocos vitales. Sin embargo, si por medio de una sencilla medida se puede solucionat un frem qué parece relativamente de poca importancia, servird como ejeniplo de solucién eficiente de-up.problema, y la experiencia, la infor- macién y los incentivos que los empleados pueden obtener Por este medio serdn de gran ayuda en la futuira solucién de problemas. E _No deje de hacer un diagrama de Pareto de causas. Después de haber identificado el problemia por medio de un diagrama de Pareto de fenémenos, para solucionarlo es necesario iden- tificar las ‘catisas. Por tanto, es vital hacer un diagrama de Pareto de causas si es que se va a hacer mejoras. juli au CAPITULO TRES 26 Ejercicia 3.1 Analice la informacién de la tabla 3.3 haciendo varios diagramas de Pareto. ee ge. i : SON % BAMBI # e{nqing O° opecey + Uo\SUaL 7 * t # a # : 00. 00 0 00 “p ON : . ‘ ee ‘ * I o see ee ee . ¥ q t ¢ t # 00 o 0, 0 oO €°0N + * -” : it eeee soon on 2 mM 4 t t . o oO 00 oo oO ZON, * a : ; x x oy He He te t te : 0000 000 0000 000 . 00 LON. * . wenee * “ sean sees : sauai, | saaanf. | sajoomy | sayey. | sauny | eunbew | oueedo : IV DIAGRAMAS DE CAUSA-EFECTO. 4.1 ;QUE SON LOS DIAGRAMAS DE - 2~ CAUSA-EFECTO? El resultado de un proceso puede atribuirse a una multicud de factores, y es posible encontrar la relacién causa-efecto de esos factores. Podemos decerminar la estructura o una relacién miilti- ple de causa-efecto observandola sistemdticamente. Es dificil so- lucionar problemas complicados sin tener en cuenta esta estruce tura, la cual consca de una cadena de causas y efectos, y el méto- do para expresax esto en forma sencilla y Ficil es un diagrama de causa-efecto, : En'1953, Kaoru Ishikawa, profesor de la Universidad de To- kio, resumié la opinién de los ingenieros de una planta déndole la forma de un diagrama de causa-efecto mientras discutfan un problema de calidad. Se.dice que ésta fue la primera vez que se usd este enfoque. Antes de esto, el grupo de trabajo del profesor Ishikawa habfa usado este método para organizar los factores en sus actividades de investigaciéri. Cuando el diagrama se usé en la prdctica, mostré ser muy titil y pronto llegé a usarse ampliamen- te en muchas compafifas en todo Japén, Se incluyé en la cermi- 28 CAPITULO CUATRO nologia del JIS (Est4ndares Industriales Japoneses) del Control de Calidad, y se definié de la manera siguiente: Diagrama de causa-efecto: Diagrama que muestra la relaci6n entre tina caracterfstica de calidad y los factores. 7 Actualmente, el diagrama se usa’no solamente para observar las caracter(sticas de calidad de los ‘productos sino también en otros campos, y ha sido ampliamente aplicado en todo el mun- do. 4.2. COMO ELABORAR DIAGRAMAS DE CAUSA-EFECTO Elaborar un diagrama de causa-efecto que sea titil no es tarea facil. Puede afirmarse que quienes tienen éxito’ en la solucién de problemas de control de calidad son aquéllos que tienen éxito en hacer diagramas de causa-efecto que sean titiles. Hay muchas maneras dehacer el diagrama, pero aqui se describirdn dos méto- dos tipicos. * Antes de presentar los biocedimiehts; se explicard la estruc- tura del diagrama de causa-efecto con un ejemplo. (1) Estructura y ejemplo de los diagramas de causa-efecto Un diagrama de causa-efecto también se llama ““Diagiarna dé es- pina de pescado”, porque se parece al esqueleto de un pez, como se ve en a figura 4.1. Ocasionalmente se denomina también Hueso arande Figura 4.1 Estructura del diagrama de causa-efecto . 29. | DUGRAMAS DE CAUSA-EFECTO Ciogya-tsnt9 op ewresSeip ap ofdwioty 7p emdny ‘uppuny ‘ugloenys ¥ 9p o1me soprued wa wioususdyy UpaI09 oprusg d odimbo ua ofegery” ~ 97P®42890 sey 4 at ‘pyomadocp an ageeanry ‘squouodo yop oquatunaoyy orpmasy, Ugisemo jn] unjsodwog ATWO, * wpigenuzau07 peprice) odtaayy ugistoniq aR grog wouotzeg SepOPr) uomuIMy Byony pp mgd — oym8uo' owormelepy . 30 CAPITULO CUATRO. diagrama de “Arbol” o de “rfo”, pero aquf se usa el nombre de _ “espina de pescado”. En la figura 4.2 se muestra un ejemplo. (2) Procedimiento para elaborar los diagramas de causa-efecto para la identificacién de causas Procedimiento . Paso 1 Describa el efecto o atributo de calidad. Paso 2 Escoja una caracterlstica de calidad y escribala en el lado derecho de una hoja de papel, dibuje de izquierda a derecha la linea de la espina dorsal y encierre la caracteristica en uri cuadrado. En se- guida, escriba las causas primarias que afectan a la caracterfstica de calidad, en forma de grandes huesos, encerrados también en cuadrados, 7 ; Paso 3 Escriba las causas (causas secundarias) que afectan a los grandes huesos (causas primarias) como, huesos medianos, 'y escriba las causas (causas terciarias) que afectan alos huesos medianos como huesos pequefios. Paso 4 Asigne la imporcancia de cada factor, y marque los factores parti- cularmente importantes que parecen' tener un efecto significati- vo sobre la:caracter{stica de calidad: Spe Paso 5 : Registre, cualquier informacién que pueda’ser de utilidad. DIAGRAMAS DE CAUSA-EFECTO Explicacién del procedimiento Con frecuencia puede parecer dificil proceder cuando se utiliza este enfoque. El mejor método en ése caso es considerar la “varia- cién”. Por ejemplo, observe la variacién en la caracteristica-de calidad cuando reflexiona en los huesos grandes. Si los daros muestian que esa variacién existe, observe por qué existe. Una variacién en el efecto puede ser causada por una variacién en los factores. Este tipo’ de reflexién puede ser muy eficaz. Por ejemplo, cuando usted estd elaborando un diagrama de causa-efecto relacionado con cierto defecto, puede descubrir que hay una variacién en el niimero de defectos que ocurren en d as diferences de la semana. Si el defeeto ocurre con mis frecuencia los lunes queen cualquier otro dfa de Ja semana, usted puede reflexionar como sigue: “;Por qué ocurrid el defecta?”, “por qué ocurrié el. defecto con mayor frecuencia los lunes que en cual- quier otro dia de la semana?” Esco lo haré buscar factores que hacen queel luries sea diferente de los otros dfas, lo, cual le per- micird descubrir finalmente la causa del defecto. La adopcién de este método de reflexién en cada ecapa de la investigacién de la relacidn que existe entre la caracteristica y los huesos grandes, los huesos grandes y los huesos medianos, y los huesos medianos y los huesos pequefios, hace posible construir con bases racionales un diagrama util de causa-efecto. Una vez completo el diagrama de causa-efecto, el paso si- guiente es asignar la importancia de cada factor. Todos los Facto- res del diagrama no se relacionan riecesariamente en fornia escre- cha con la caracterfstica. Marque ésos Factores que parecen tener un efecto particularmente significative sobre la caracterfstica. Finalmente, incluya cualquier informacién que pueda ser de ucilidad en el diagrama, tal como el titulo, el nombre del pro- ducto, el proceso o grupo, la lista de participantes, la fecha, etc. 32. F CAPITULO CUATRO (3) Procedimiento de elaboracidn de diagramas de causa-efecto mediante listas sistemdticas de causas Procedimiento Paso 1 : Escoja la caracterfstica de calidad. Paso 2 Busque todas las causas posibles que puedan afectar a la caracte- rfstica de calidad. Paso 3 Agrupe las causas por la afinidad que tengan entre sy élabore un diagrama de causa-efecto conectando aquellos elementos que parecen tener un efecto significative sobre la caractéristica de calidad. Paso 4 Asigne la importancia a cada factor, y sefiale los factores particu- larmente importantes que parecen tener un efecto significativo sobre la caracterfstica de calidad. Paso 5 ‘ Escriba cualquier informacién que pueda ser de utilidad. Explicacién del procedimiento Este enfoque se caracteriza por la relacién que establece entre dos actividades diferentes: la percepcién de tantas causas como sea posible y su agrupacién sistemética: Para la percepcién de causas se fequiere una discusién abierta y activa, y un método eficaz para dirigir una reunién con este propésito es la tormenta de ideas, inventada por A. E Osborn en los Estados Unidos. : ‘ En la elaboracién del diagrama de causa-efecto, las causas se deben agrupar sistemdticamente procédiendo de los huesos pe- DIAGRAMAS DE CAUSA-EFECTO 33 quéfios alos huesos medianos, y después de los hisesos mediancs alos huesos grandes. . : E 4.3, NOTAS SOBRE LOS DIAGRAMAS DE CAUSA-EFECTO : aed (1) Sugerendias para elabérar los diagramas de causa- efecto : fi }) Tdentifique todos los factores relevantes mediante consulta y dis- cusién entre muchas personas. Los factorés que influyen mds fuertemente sobre la caracterfstica deben determinarse entre aquellos que aparecen’en el diagrama. Si se deja por fuera un factor én la etapa de discusién inicial, antes de.que se cons- truya el diagrama, no aparecer4 mds tarde. En consectiencia, la discusiéh entre todas las personas involucradas es indis- pensable para pieparar un diagrama completo que no tenga misiones. ; 2 2) Exprese la caracteristica tan concretamente como sea posible. La caracterfstica que se expresa en términos abstractos dard como resultado un diagrama de catsa~efecto basado en generalida- des. Aunque ese tipo de diagramas no tenga errores bdsicos desde el punto de vista de las'relaciones causa-efecto, no ser4 muy ucil-para resolver problemas reales. 3) Haga un diagrama para cada caracteristica. Los etrores ‘en el peso y en la longicud del mismo’ producto tendrén estructu- ras diferentes de causa-efecto, y deben analizatse en dos diagramas separados. El intento de incluir todo en un solo diagrama dard como resiltado un diagrama inmanejable por ser demasiado grande y complicado, lo cual hard que la solu- cién de los problemas sea muy dificil. 4) Escoja una caractertstica y unos factores medibles. Una vez com- pleto el diagrama de causa-efecto, es necesario captar la fuer- za de la relacién cauisa-efecto en forma objetiva utilizando datos. Con este fin, tanto la caractérfstica como los Factores causales deben ‘ser medibles. Cuando es imposible medirlos, ‘34 CAPITULO CUATRO - usted debe tratar de hacerlos medibles, o encontrar caracte-. risticas sustitutas. 5) Descubra factores sobre los que sea posible actuar. Si usted ha idencificado una causa sobre la cual es imposible actuar, el problema no’se solucionard. Si se ha de mejorar, las causas deben subdividirse hasta el nivel en el cual sea posible actuar sobre ellas, o de lo contrario su identificacién serd.un ejerci- cio sin sentido. =~ (2) Sugerencias para el uso de. los diagramas de causa- efecto i 1) Asigne la importancia de cada factor objetivamente con base én datos. El examen de los Factores con base en su propia habilj- dad y experiencia es importante, pero es peligroso juzgar su importancia tinicamente con base en las percepciones o im- presiones subjetivas. La mayorfa de los problemas que pue- den’ solucionarse usando ese enfoque ya se habrian podido solucionar y, por-lo canto, la mayorla de los problemas res- tantes no pueden solucionarse usando ese enfoque. La asig- nacién objetiva de la importancia’a los factores usando datos es més cientifico y més ldgico. 2) Trate de mejorar continuamente el diagrama de causa-cfecto mientras lo usa."La utilizacién de un diagrama de causa-efec- to le ayudard a identificar las partes. que deben ser verifica~ das, omitidas o modificadas, as{ como a descubrir las partes que deben agregarse. Trate repetidamente de‘mejorar su diagrama; finalmenie obtendré un diagrama realmente ttil. Esto le permitird solucionar problemas y, al mismo tiempo, le ayudard a mejorar su habilidad y a incrementar su conoci- mien to técriico, f 4.4 DIAGRAMAS DE PARETO ¥ DIAGRAMAS DE CAUSA-EFECTO . Para la solucién de problemas deben usarse varios. métodos con- DIAGRAMAS DE CAUSA-EFECTO et 35 juncamente, y la combinacién de un diagrama de Pareto con un diagrama de causa-efecto es especialmente dtil. El siguiente ex un ejemplo tfpico. (). Seleccién de problemas A continuacién se encuentra un ejemplo que ilustra la revision de items defectuosos en un proceso de manufactura, utilizando el diagrama de Pareto, Cuando se clasificaron los datos recogidos durante dos meses, se encontré que los defectos de dimension eran los mds numerosos, pues constitufan el 48% del coral. Por tanto, tratamos de reducir el ntimero de {tems defectuosos, po- niendo énfasis en los defectos de dimensidn. Junio 1 - Julio 31 ; 100 90 80 70 60 50 40 30 20 ceeee, -—~}—f 7] A B Cc D E. Otros 3 G 3 Numero de items defectuosos wv. 3 Porcentaje acumulado de defectos totales A: Defectos de dimension B:.. Burbujas C:" Rayones D: Rajaduras E: > Distorsién Figura 4.3 Diagrama de Pareto de ftems defeccuosos CAPITULO CUATRO 36 isis y acciones correct (2) Anal tivas Todos los miembros del taller discutieron las causas de la vari jae cién dimensional y construyeron un diagrama de causa-efecto (ver figura 4.4). Después se hizo un diagrama de Pareto de catisas upisuawip ap soisajap So] ap o122j>-esneo ap wueIdeIC] pp EMIIy yeuorserodo oor | Sopeusqem £ seg /oyuonureuscewi|y ‘sapeiayeul ap PEPPOlsA ofequsy, eee “PRPIED 7 t aoe saquauoduio7) yRuowuaup UQIoBLE A, ofeqes) [2 seyUSqUrE9} Topuay Pept ugDeRN] ugireuti0}9q owuonumeuasieg Fa osouEleq [BA pEpauuajuy mensional para examinar hasta qué punto estos factores estaban (figura 4.5) investigando todas las unidades con variacién di- DIAGRAMAS DE CAUSA-EFECTO 37 afectando al defecto. Con algunos {tems era imposible aclarar las éausas del defecto, y éstos se agriiparon en la categoria “dudo- sos”. Descubrimos, graciis al diagrama de Pareto, que la ocu- rrencia de los defectos. s¢-vefa. muy afectada por la posicién de’ ajuste. Aunque la posicién de ajuste sé habfa ‘estipulado en el est4ndar operacional tradicional, rio se mostraba el método estdndar dé ajuste. Esto’ ocasionaba tina variacién en la posicién de ajuste, y tenfa como resultado los defectos dimensionales. Los miembros del taller disefiaron ‘por tartto un método de ajuste apropiado, el cual se estandarizé y se incluyé en los estdndares operacionales. : : Hee Junio 1 - Julio 31 0 7 a Namero de items defectuoson 40 > 20 SUUTAN ORIG Posicién Velocidad Compo- “Abraiéa Forma Dudowos Otro deajoste detrabajo onentes dele de laa : herramientar partes Figura 4.5 Diagrama de Pareto de cauisas (3) Efectos de las mejoras Después de haberse iimplementado los cambios, se ‘recogieron datos y se hizo un diagrama de Pareto para comparar los resulta- dos. Los dos diagtamas de Pareto que aparecen en la figura 4.6 muestran claramente que los defectos dimensionales se reduje- ron. ta bik al, 38 CAPITULO’ CUATRO. Junio | - Julio 31 Efecto total Sept. 1 + Oct. 31 Efecto ‘Numero de items defectuosos A BC DE Otros © B ADE Otros Figura 4.6 Comparacién de diagramas de Pareto antes'y después de las mejoras Bjercicio 4.1 Haga un diagrama de causa-efecto de las siguientes caractertsti- cas: 1) Errores de mecahograffa. a 2). .Marcaciones equivocadas de un niimero telefénico. 3), Retraso para una cita. Vv Los histogramas » 5.1 ‘DISTRIBUCIONES E HISTOGRAMAS -2~ (1) Varidcién y distribucién Si pudiéramos fecoger datds sobre un proceso en el cual codos los factorés (hombre; mdquina, material, método, etc.) fueran perfectamente constantes, los datos sobre cada uno de estos fac- tores conservarian su valor. Sin embargo, en la realidad es impo- sible mantener todos los factores constantes todo el tiempo, Es- criceaménte hablando, aun algunos factores que suporiemos cons- tantes no pueden ser perfectamente constantes. Es inevitable que los valores en un conjunto.de informacién cengan variaciones. Los valores que toma un factor a través del tiempo no son siem- ‘ pre los mismos, pero eso no quiere decir que estén determinados de una manera desordenada. Aunque los valores cambian todo el tiempo, estén gobernados por cierta regia, y ésta es que los dacos tienen una decerminada distribucién, (2) Poblacién y muestras En control de calidad, cratamos de descubrir los hechos reunien- 40 fe CAPITULO CINCO do datos y después tomamos las acciones apropiadas con base en esos hechos. Los datos no se recogen como un fin en sf mismos, sino como un medio para descubrir los hechos que estan tras los datos. Por ejemplo, consideremos el caso de una inspeccién por muestreo. Tomamos una muestra de un lote, realizamos un pro- ceso de medicién, y después decidimos si debemos aceptar todo el lote o no. En este caso, nuestra preocupacién no es la muéstra misma sino la calidad de todo el lote. Como otto ejemplo, con- sideremos el control de un proceso de manufactura utilizando una gréfica de control ¥ — R, Nuestro propésito no es determi nar las caracterfsticas de la muestra con base en Ia cual hacemos la grdfica de control ¥— R, sino averiguar cudl es el estado ac tual del proceso. ; La totalidad de los {tems en consideracién se denomina po- blacién. En el primer ejemplo anterior, la poblacién es el lote, y en el segundo es el proceso. A algunas'personas puedé parecerles ‘dificil Considerar un pro- ceso'como una poblacién porquc mieritras que el lote es realmen- te un grupo finito de objetos individuales, un proceso no es de ninguna manera iin producto, sino qué se compone de cinco elementos (hombre, méquina, material, método y medicién). Cuando fijemos nuestra aténcién en Ja funcién de fabricar pro- ductos, reconoceremios que sin duda el proceso produce un grupo de productos. Por otra parte, a menos que el proceso se detenga, el ntimero de productos es infinito, raz6n por la cual se conside- ra que un proceso es una poblacidn infinita. Una mitiestra es uno o mds ftéms tomados de una poblacién para proporcionar informacién sobre la poblacién. Como una muestra se usa para estimar las caracter{sticas de toda la pobla- cién, debe seleccionarse de tal manera que refleje las caracterfsti- cas de ésta, Un método comitin para la seleccién de muestras es seleccionar cualquier miembro de la poblacién con igual proba- bilidad. Este mérodo se llama mitestreo aleatorio, y una muestra scleccionada por medio‘del muestréo aleatorio se denomina mues- tra aleatoria. t Muestra r Datos Accién sobre el proceso (Control dé proceso Anilisis del proceso) Muestreo— Medicién Accién sobre el lote Inspeccién Estimado de la calidad del producto Medicién 43 + (taster os Accién Sa toe t e 1 Bae Mues treo igura 5.1 Poblacién, muestra y datos . Los’ datos se obtienen midiendo las caracterfsticas de una’ muestra. Utilizando estos datos, llegamos a inferir sobre la po- blacién y, en consecuencia, tomamios una accibri correctiva. Sin embargo, cl valor obrenido de uitia muestra variar4 segtin la mues- tra seleccionada, da. : datos. Los detalles lo cual dificulea decidir qué accién es apropia-- El andlisis estad{fstico nos dird céma interpretar este tipo de - se explicarén en el capftulo IX.’La figura 5.1 muestra la relacién entre poblacién, muestra y datos, (3) Histo Stainas Los datos obtenidos de una muestra sirven como base para deci- dir sobre la poblacién, Mientras mds grande sea la muestra, mds informacién obtendremos sobre la poblacién, Pero i'n aumento en el tamafio de Ia muestra también implica un aumento en la cantidad de datos, y esto puede llegar a hacer diffcil comprender la poblacién a partir de esos datos, aun cuando se organicen en tablas. En ese caso, necesitamos un método que nos permita com- prender la poblacién de un vistazo. Un histograma responde a 42 CAPITULO CINCO esta necesidad. La organizacién de un buen niimero de datos en “un hiscograma nos permite comprender la poblacién de manera objetiva. 5.2 COMO ELABORAR HISTOGRAMAS (1) Cémo construir tablas de frecuencia Ejemplo 5.1 Para investigar la distribucién de los didmetros de ejes de acero producidos en un procesg de laminacién, tros de 90 vigas, como se muestra histograma usando estos datos. se midieron los didme- en’la tabla 5.1 Hagamos un Muestra numero Resultados de la medicién 1 10 W 20 a “30 31-40 4150 51 Lé0 61 L70 1d 81-90 2-510 2.527 2.529 2.520 2.535 2.533 2.525 2.537 2.518 2.517 2.522, 2.522 2.510 2.511 2.519 2.536 2.506 2541 2.512 2.515 2,521 °2.523° 2.523 2.523 2.519 2.528° 2.543 2514" 2.512' 21534 2.526 2.530 3.532" 2.523. 2.526 2525 "2.532 2.527 .s02 2.510 2.542 2.524 2.530 2.521 2.522 2.515 2.520 2.519 2.526 2.527 2.522 2.545° 2.524" 2'522 "2.520: 2519 3.539" 2.527 2/511 2's19. Tabla 5.1 Datos, brucos 2.531 2.527 2.529" 2.532 2,543 2.535 7 2/840 “2.542 2.540 2.529 "2.522 2.528 2/519 2.536 2.5297 2.538 2'518 7 2526. 2523 "21530 2/522 7 2528 2.528 ‘251s 2sat LOS HISTOGRAMAS = As Procedimiento Ejemplo Paso 1 Calcule el rango (R) Obtenga el maximo y el mini- mo_de los valores observados y calcule R. R = (el maximo valor ob- seryado) — (el m{nimo valor ob- seryado). El maximo y el minimo de los valores observados se pue- de obtener facilmence de la manera siguiente: Obtenga el mdximo y el minimo de los valores en cada una de las filas de la tabla de observaciones, y luego tome el mayor de los valores mdximos y.el menor de los valores mini- mos. Estos serin el maximo y el m{nimo de todos los valores ” observados (tabla 5.2). Paso 1 Calcule R R se obtiene a pair de los va- lores mAximos y minimos ob- servados. (Ver tabla 5.2) Valor maximo = 2.545 Valor minimo = 2.502 Por tanto, R = 2.545 — 2.502 0.043. Paso 2 Determine el- intervalo de clase El intervalo de clase se deter- mina de manera que el rango, el cual incluye los valores m4xi- mo y m{nimo, se divida en in- tervalos de igual amplicud. Para obtener la amplitud del inter- valo, divida R por 1,265 (6 10, 20, 50; 0.1, 0.2, 0.5, ete.), Paso 2. Determine el intervalo de clase *. 0.043 + 0.002 = 21.5 y lo aproximamos al siguience nuimero entero, con lo cual tenemos 22. + 0.043 + 0.005 = 8.6 y lo aproximamos al siguience Amero entero, con lo cual tenemos 9. CAPITULS CINCO 4A o8ues jap ojnayyo yp ered EIQEL, 7°S-FIEL, SST pu sojen a tse | use glst e7sz Gzs'z | dest SZ. IST LUST dese BLSTT 06-18 EIST gest | cist WSU. OUSZ GIST GIS? OWT ws vest sesT lesz | OB Le S197 ast | e2sz OvST UST WHT Lest BST, GIST OLSZ SIST suse | 02-19 Ose. woe | 72 OVS GEST WUST US OES wee tS OI CEST 09- 1s ast ges | SZ wz OEsz «tose WS Les ses 9ST £0572 SES | OS— Ie Use vesz | OUST he LOS HISTOGRAMAS medicién delos datos, por ejempio, 10 gramos correspon- derfan a 10 milfmetros. _ Esto hace facil la compara!‘ cién'con muchos histogramas que describan factotes ‘simila- fes asf Como con las especifica-- ciones (estdndares), Deje uni espacio apréximadamente igual al intervalo de clase en el eje horizontal a cada lado de la pri- mera y de la tiltima clase. Paso 2 Marque el eje vertical de la iz- quierda con una escala de fre- cuencia y, si és nlecesario, dibuje clcje de la derecha y mdrquelo” con una escala de frecuencias relativas. La altura de la clase con la frecitencia maxima debe ser entre 0.5 y 2.0 veces la dis= tancia entre los valores mdximio y mfnimo en el eje horizontal. Paso 3 Marque la escala horizontal con los Ifmites de los valores de clase. Paso 4 Utilizando los intervalos de cla- se como Itnea de base, dibuje un recténgulo cuya altura co- tresponda a la frecuencia en esa clase. 50 CAPITULO CINCO Paso 5 Dibuje una linea sobre el his- tograma para representar la me- dia, y dibuje también una linea Para representar el Ifmite de es- Pecificacién, si lo hay. Paso 6, En un espacio en blanco del hiscograma, anote la historia de aa los datos (el perfodo de tiempo durante el cual sé recogieron los + 7 datos, etc.), el ntimero de da- i | | tos , la media ¥ y la desvia- cidn esténdar s. (Ver figura 5.2.) Los cdlculés para ¥ y sse mos- = iA a ae i ié itr eo ing trardn en (3) dela seccién 5.4, |{ ce dle Frrevencix reluiva i | Figura 5.2 Histograma 5.3 COMO LEER HISTOGRAMAS (1) Tipos de histogramas cet Es posible obtener informacién uiil sobre el estado de‘una po blacién mirando la forma del histograma. Les siguientes son for mas tipicas, y podemos usarlas como indicios para.analizar ur Proceso. (Ver figura 5.3.) * ; @) Tipo general (forma simétrica ° de campana) Ferma: El valor de la media del histograina estd én el centro de rango de los datos. La frecuencia nuye gfadualmehte hacia los extremos. La forme oc simétrica. Nora: Esta es la forma ids frecuente, LOS HISTOGRAMAS Si &) Tipo general b) Tipo peincta = Vee. ©) Tipo sesgo positivo 4) Tipo precipicio a la izquierda ©) Tipo planicie . {) Tipo doble pico 8) Tipe pico aislado Figura 5.3. Tipos de histogram 4) Tipo peineta (multi-modal) Forma: Cada tercera clase tiene una frecuencia menor. Nota: Esta forma’se presenta cuando el ntimero de unidades de informacién incluida en la clase varfa de una a otra o cuando hay una tendencia particular en la forma como se aproximan los datos, 52 CAPITULO CINCO ¢) Tipo con sesgo positivo (con sesgo negativo) Forma: Asimétrica. El valor de la media del histograma esté localizado a la izquierda (derecha) del-centro del rango. La fre- cuencia disminuye de manera més bien brusca hacia la izquierda (derecha), pero gradualrnente hacia la derecha (izquierda). Nota: Esta forma se presenta cuando el Ifmite inferiot (supe- rior) se controla teéricamente o por un valor de especificacién o cuando no se presentan valores inferiores (superiores) a cierto valor. d) Tipo de precipicio a la izquierda (de precipicio a la derecha) Forma: Asimétrica. El valor de la media del histograma esté loca- lizado al extremo izquierdo (derecho), léjos del centro del rango. La frecuencia disminuye briscamente a la izquierda (derecha), y gradualmente hacia la derecha (izquierda). Nota: Esta es una forma que se presenta frecuentemente cuan- do se ha realizado una seleccién de 100% debido a una baja ca- pacidad del proceso, y también cuando el sesgo positive (negati- vo) se hace auin mds extremo. e) Tipo planicte Forma: Las frecuencias forman una planicie, ‘porque las clases tienen mds o menos la misma frecuencia, excepto aquéllas de los extremos. | ‘Nota: Esta forma se presenta'con, tina mezcla de varias distri- buciones que tienen valores de la media diferentes. /) Tipo de doble pico (bimodal) Forma: La frecuencia es baja cetca del centro del rango de la in- formacién, y hay un pico a cada lado. Nota: Esta forma se presenta cuando se mezclan dos distribu- ciones que tienen valores de la media muy diferentes. i 1 LOS HISTOGRAMAS a &) Tipo de pico aislado 4 \ Forma: Se preserita un-pequchio pico aislado ademas de un histograma de tipo general. ** i Nova: Esta es la forma que se presenta cuando se incluye una pequefia cantidad de datos de una distribucién diferente, como envel caso de anormalidad en ef proceso, error'de medicién, o inclusiéi, de informacién de un proceso diferente. (2) La comparacién de histogramas con los Itmites de especificacién F Si hay una éspecificacién, dibuje sobre el histograma, con Ifneas, los lfmites dela especificacién, para comparar la distribucién coh Ia espécificacién. Luego observe si el histograma estd localizado razonablemente dentro de los Itmites. Mas adelante, en la figura 5.4, se describen cinco casos tlpicos. Utilice éstos como referen- cia para evaluar la poblaciéni ; oe Cuando elhistograma satisface la especificacién, a) Lo que se necesita es mantener el estado actual, puesto que el histograma satisface ampliamente la especificacién. -* b) Se satisface la especificacién, pero no, hay margen extra. Por tanto, es mejor reducir la variacién en -pequefio grado: Cuando el histograma no satisface la especificacién; ©) Es necesario tomar medidas para acercar la media al centro de la especificacién:. d) Esto requiere de acciones para reducir la variacién. ©) Se requieren las medidas descritas en ¢) y d) conjuntamente. (3) Estratificacién de histogramas | Cuando los valores observados se dividen'en dos o mds subpo- blaciones, segtin la condicién que existfa en el momento de reco- 54 CAPITULO CINCO Casos en los cuales el histo- grama no satisface la especi- ficacién Casos en los cuales el histo- grama satisface la especifi- cacién S Su 2 Se Su a): Si Su q) Se Su: : Se Se b) zy Ht e)* Figura 5.4 Histogramas y It nites de la especificacién ger los datés, estas subpoblaciones se llaman estratos, y la divisién de los datos en estratos se lama estratificacion. . Los valores observados siempre van acompafiados de alguna varlacién. Por tanto, cuando los datos se estratifican, segun los factores que sé cree pueden causar la variacién, las causas de la variacién se hacen més facilmente detectables. Este método pue- de usarse efectivamente para mejotar la calidad del producto al reducir la variacién y mejorar el promedio del producto, . “Por lo general, la estratificacién se hace seguin Iés materiales, ‘las méquinas, las condiciones de operacién y los trabajadores, LOS HISTOGRAMAS . 55 5.4 MEDIDAS PARA PRESENTAR LAS CARACTE- RISTICAS DE LAS DISTRIBUCIONES (1) Medias y desviaciones estandar El valor de las caracterfsticas medidas a una muestra tomada de una poblacidn variar4, y no puede conocerse hasta que se obser- va. Este tipo de variable se llama variable aleatoria. as caracte- risticas de calidad de los productos de las fabricas so turaleza. “de esa na- Cuando se maneja ese tipo de datos, con frecuencia es mas conveniénte considerar los datos como un conjunto en lugar de tratar a cada {tem individualmente. Paia poder ver los datos como un conjunto, determinamos primiero cudl es el centro de los da- tos, y luego estudiamos cémo cada dato de la informacién se concentra alrededor del centro. Una medida corriente para expresar el centro es la media o expectativa. Cuando hemos obtenido m datos, x... x, la media de estos datos est4 dada por” Fat Sen - G1) 7 i= y para todo el conjunto, la media estd dada por Hal x P(x), (5.2) ° : . BbaSxf ede, (5.3) donde P(x) es la probabilidad y (x) es la densidad probable de la variable aleatoria x. Fes la media de los datos recogidos, y se llama media de la muestra. jes la media de la totalidad del conjunco que nos ocupa y sé llama media de la poblacién. La varianza y la desviacién estdndar estdn, entre las medias que se usan para expresar el grado de concentracién de los datos 56 CAPITULO CINCO alrededor del centro. Cuando hemés obtenido m datos, 5) 01 la varianza de estos datos se expresa por Ve De 6.4) al jay y la desviacién est&ndar se expresa por eee (5.5) La varianza de una poblacién esté dada por o? = Te- wy PO), 6-6) =) SBS wee 6.7) y la desviacidn éstandar, que es la rafz cuadrada de la varianza, se expresa como O. fi La varianza es la media del cuadrado de las diferencias entre el dato individual y la media. Una varianza grande significa que hay gran variacién en los datos. . Vy sson valores relacionados con los datos, y se llaman varianza de la rauestra y desviacidn estdndar de la misestra, respec- tivamente. 6? y o son valores relacioriados con una poblacién y se llaman varianza de la poblacién y desviacién estdndar de la po- blacién, respectivamente. (2) El célculo de medias y desviaciones estdndar Ejemplo 5.2 Las siguientes son las medidas de las dimensiones de cierta pieza de maquinaria. Calcule la media y la desviaci6n estandar. 13.42 13.62 13.56 13.66 13.48 13.52 13.57 LOS HISTOGRAMAS 57 En algunos casos, puede datos . (5.8) saahl¥, 69) ; i = fsx? Lo xyl (5.10) 5 22h Xp, V=Si@ 1), (5.11) Vy. (5.12) En este ejemplo, que a y 4 sean 13.40 y 100, respectivamen- te. Entorices obtenemos la siguiente tabla. x o x . x2 13.42 ei 4 13.62. - ee 484 13.56 | 16 256 13.66 26 676 13.48 © 8 peel 64° 13.52 . 2h 144 13.57 7 17 289 Total 103. 1917 : Tabla 5.4 58 CAPITULO CINCO. x = 103.147 7 De (5.9) i i j : i ¥ =13.40+—2- 14.7 =13.547 i 100 = De (5.10) sat fiow7—2 x05? =4.01x107 100? [ 7 V =4.01x107 /(7 -1) = 0.669 xio 69 x10°7 = 0,082 i (3). El cdlculo de las medias y las desviaciones estdndar a ! partir de Jas tablas de frecuencia Calculemos la media yla desviacién es stdndar del los didmetros de 90 ejes como se muestra en la'tabla 5.1. Cuando el ntimero de datos es grande y éstos estan resumidos en una tabla de frecuen- cia, el siguiente es el procedimiento para calcular la media y la desviacién estandar, : Procedimiento’ | ~ Ejemplo (Ejemplo 5.1) Paso 1.” Prepare un formato de célculo como en la tabla 5.5. : Paso 2 Escriba los Ifmites de clase, los’ : | puntos medios de las clases Yi 4 ee | oo da frecuencia f : : LOS HISTOGRAMAS 7 59 Frecuencia f : a Clase Punto | edie u uf | ut 1_| 2.5005 — 2.5055 2.503 i -4 | -4] 16 2 | 2.5055 — 2.5105 2.508 4 -3 |-12 | 36 3_| 2.5105 — 2.5155 2.513 -18 | 36 4 | 2.5155 — 2.5205 2.518 14 1 |-14 | 14 5_ | 2.5205 —2.5255 2.523 22 Q oOo} o 6 | 2.5255 — 2.5305 2.528 19 1] 19} 19 7_| 2.5305 — 2.5355 2.533 10 2 { 20] 40 8 | 2.5355 — 2.5405 2.538 5 3 | 15 {| 45 9 | 2.5405 — 2.5455 2.543 6 4 | 24] 96 Total 90. 30 |302 ‘Tabla 5.5 Tabla de calculo Paso 3 Paso 3 Asigne el punto medio 0 Gu = 0) a la clase que tiene la mayor f y escriba 0 en la columna x. Escriba ~1, 2, hacia los menores Valores observados, y 1, 2... hacia los mayores valo- Meee La relacién entre x yu se -expresa en la siguiente ecuacién: (a) =o (5.13) 1 ; donde, a: el punto medio de la cla- se donde x = 0 4: el intervalo de clase. Asigne 0 al punto medio de u de la clase No. 5. a= 2,523 4 = 0.005 60 CAPITULO Cinco Paso 4 Registre los productos de uy de fen la columna uf y los pro- ductos de u y de uf‘en la co- Iumna de u2f; haga la suma de cada una, y registrelas en los espacios correspondientes. Daf =u, fy tuzfot Let f auf, tub fy t Paso 4 No. 1 uf=(-4)x1==4 No. 2 f= (-3)%1=-12 No. 1 wf uf xu =(- 4) x - 4) = 16 No.2 : wf= uf xu =(- 12) x (— 3) = 36 Duf= (4) + (- 12) +... #24 = 30 Dif =16 + 36 +... + 96 = 302 Paso 5 Paso 5 Calcule ¥ usando la ‘siguiente « ecuacién: . $= 2.523 +0.005 x 22 : 90 Faa+h(Xufn). (5.14 = 2.523 + 0.00167 =2:52467 (mm) Paso 6 Paso 6 Calcule s usando la siguiente (5.15) sah J(u i ot ey (nT) 5 = 0.005 x (001 ecuacién: (90-1) = 0.005 x ¥ 3.2809 = 0.00906 (mm) {LOS HISTOGRAMAS 61 5.5 LA DISTRIBUCION NORMAL Y SUS CARACTERISTICAS | (1). La distribu ucidn ‘normal Un histograma se construye a partir de un ‘cierto ntimero de da- tos. Pero, gqué le pasarfa al histograma si continuamos aumen- tando el ntimero de datos? Si él intetvalo de clase’se reduce poco a poco a medida que se aurnenta el ntimero de datos, se obtiene una distribuéién de frecuencia lisa como Lmite,de una distribu- cién de frecuencia relativa. En realidad es una éxpresién de la poblacién misma, puesto que se obtiche de un sitimero infinito de datos. Exigten muchas clases de distribucién, y Ja més tfpica es la distribution normal. En muchos casos, cuando la variacién de una caracterfstica de calidad es causada por la stuma de un gran nuimero de errores infinitesimales independientes debidos'a dife- rentes factores, la distribucién de la caracter{stica de calidad se aproxima a una distribucién normal. La forma dé la distribucién normal puede describirse sencillamente como una forma de.cam- pana o de montafia, y en una descripcién mds detallada, a) La frecuenéia és’ mayor en el centro y disminuye graduial- mente hacia los extremos y,’ b) es simeétrica. Esta curva puede expresarse matemdticamente como sigue: Gap)? 1 =o FO) = (5.16) 2a La figura 5.5 muestra la forma de esta distribucién. (2) Caracteristicas de la distribucién normal Como podemos ver én Ja ecuacién (5.16), 'la ecuacién de Ia dis- tibucidén normal tiene dos pardmetros: Ly 0. 62 CAPITULO CINCO x) : x Figura 5.5 Forma de Ja distribucién normal La distribucién normal se determina nicamente por’ estos dos pardmétros y se designa simplemente por N (it, 0), Estos dos pardmetros tienen el siguiente significado: Hi el centro de la distribucién (la media) ©: la dispersién de la distribucién (la desviaciéa esténdar) Pueden describirse gréficamente como en la figura 5.6," SI) x ’ au Figura 5.6 La distribucién normal y sus pardmetros Para calcular una probabilidad en una distribucién normal, | sstandarizamos y usainos Ja tabla de la distribucién normal. Ee tandarizar es transformar una variable » a: : : yl = w) > ae ‘ (5.17); LOS HISTOGRAMAS. os 63 ‘Tenemos entonces la medida estdndar u, la cual se discribuye como la distribucién estdndar normal N (0,12). La tabla de la dis- tribucién normal da las probabilidades en la distribucién estandar normal, (Vea la tabla A! 1 en el apéndice de este libro.) . Consideremos la probabilidad de que una.variable aleacoria x de NV (U1, 6?) caiga denero de los Lmites 1 + uc. Pa figura 5.7 muestra la probabilidad para varios valores de #. Teéricamente, una variable normal puede tener cualquier valor entre — 22 y +=. Pero, por la figura tenemos 99.7% para u = 3. Esto quiere decir queen Ja practica podemos despreciar la posibilidad de que x caiga fuera de los I{mites de pi +t 30. Este hecho es una regla importante de la distribucién normal, y se tlama la regla de - 3-sigma. Es la base para determinar los Ifmites de control en una hoja de concrol. a3 poo ww Rte ut3e ene. Bt+2e Figura 5.7 0 y la probabilidad de la distribucién normal OA CAPITULO CINCO (3) Indice de capacidad del proceso Con frecuencia, después de que el histograma miuestra que sigue una distribucién normal, se inicia un estudio de la capacidad del proceso. Esto se hace para saber si el proceso puede cumplir o no las especificaciones. Si suponemos qué el proceso estd distribui- do normalmente, podemos de inmediato determinar el porcen- taje de productos defectuosos a partir de las especificaciones da- das y de los parémetros (1,6), pero es mds titil evaluar el proceso usando Cp (indice de capacidad del proceso). La definicién del Cp es la siguiente: Especificaciones bilaterales (LE, y LE, LE, - LE; Qs (5.18) P Gs. ‘ Especificaciones unilaterales (LE, 0 LE) Cp LEsr= (5.19) Bs ° E Q= f ¥607 ole 7907. V20e LAi4 TU00 a ab 3600 4 6200 0802 SSO £961 Ve0e £102 i; OL WLIT rene ww, £907 V60e oro S507 T607 VLoz v SL Eur sole 6900 - +S E0T £0T 807 S500 T00t v ol W200 root 7600 9600 root THe 3961 ror g €L SU vrIe att VL 6002. 8'S02. S200 Lvle a a Fee JL07. 8607 TUle S907 8007 0200 sO v u THe 8907 S600 9607 Tot F007 TLOT 166L a OL TUle FEL 200 6902 ES S661 JOT eL6L a 6 EU FOZ 6602 S100 veld 0702 fu6l O66: q 0602 Sue SLLZ 1e0e 8°00 C861 eH0r TS00 v FOZ 7800 Tole ETC C900 Oe GL 1R07 v THe Pez Bre ¥ B07 9602 , CEE Cee 9600 q vole cuz Tole SUle 6661 earat E07 O'v07 a LU0t rst Sele CUT 6°50 "sole TO THe v Oe EUle LUE ESle 8202: 790 £02: $807 ¥ Fre rie eit Cre “0Ut TO S607 C607 ¥ Z'ON Buinbey L ‘ON eurnbey ovapeury e Los diagramas de dispersién 6.1 ;QUE SON LOS DIAGRAMAS DE DISPERSION? En la prdctica, frecuentemiente es necesario estudiar la relacién de correspondéncia de dos variables; Por ejemplo, zhasta qué punto se afectardn las dimensiones de una parte de una maquina por el cambio en la velocidad de un pifién? O suponga que a usted Je gustarfa controlar la concentracién de un material don- de es preferible suscituir la‘medicién de la'concentracién por la gravedad especffica, porque practicamente resulta mds facil me- dirla, Para estudiar Ja relacién entre dos variables tales como la velocidad del pifién y las dimensiones de una parte, o la concen- tracién y la gravedad espectffica, puede usarse lo que se Ilama un diagrama de dispersion. Las dos variables que trataremos pueden enmarcarse as{: a) una caracter(stica de calidad y un factor que la afecta, b) dos caracterfsticas de calidad relacionadas, o <) dos factores relacionados con una sola caracteristica de cali- dad. LOS DIAGRAMAS DE DISPERSION 69 Para comprénder la relacién entre éstas, es importante, ‘en primer lugar, hacer un diagrama de dispersion y comprender la relacién global.! : 6.2. COMO ELABORAR UN DIAGRAMA DE DISPERSION Para claborar un diagrama de dispersidn, se siguen los pasos siz guientes: . Paso 1 Retina pares de datos’ (x, 9), éuyas relaciones usted quiete estu- diar, y organice esa informacién ea una tabla. Es deseable téner al menos 30 pares de datos. tl Paso 2 a Encuentre los valores mfnimo y mdximo' para x y y. Decida fas" escalas que va a usar en los ejes horizontal y vertical de manera que ambas lorigitudes sean aproximadamente iguales, lo cual hard que el diagrama sea mds facil de leer. Trate de mantener el niime- ro de divisiones en cada eje entre 3 y 10 y use nuimeros redondos para facilitar la lectura. Cuando las dos variables sean un factor y. una caracterfstica de calidad, use el eje horizontal x para el Factor y el eje vertical y para la catactertstica de calidad. Paso 3 Registre los datos én el gréfico. Cuando se obtengan los misrnos valores en diferentés observaciones, miuestre estos puntos haciendo efrculos concéntricos (OQ), o registre el segundo punto muy cer- ca del primero. Paso. 4 Registre todos los aspectos que puedan ser de utilidad. Cerciére- se de que se incluyan todos los {tems siguientes de manera que fsa 79 CAPITULO SEIS cualquier persona, ademds de la Persona que hizo el diagrama, pueda comprenderlo de un vistazo: : a) titulo del diagrama b) periodo de tiempo - ©) niimero de pares de datos d) titulo y unidades de cada eje ©). nombre (etc.) de la persona que hizo el diagrama. Fjemplo 6.1 Paso 1 Como se ve en la tabla 6.1, hay 30 pares de datos. Paso.2 En este ejemplo, sea x (cje horizontal) la presién del aire, y y (eje vertical) el porcentaje de defectos, Entonces: ~ : el valor maximo-de +: x), 9.4 (kgficm?), cl valor minimo de xx, = 8.2 (kgflcm2), el valor méximo déjiry, 0.928 (%), el valor minimo dey:y,,, = 0.864 (9%) LOS DIAGRAMAS DE DISPERSION 7 71 Marcamos: : el cje horizontal en intervalos de 0.5 (kgf/cm?), desde 8.0 hasca 9.5 (kgf/em2), x el eje vertical en intervalos de 0.01 (%), desde 0.85 hasta 0.93 (%). i & 4 Paso 3 : > Registre los datos (ver la figura 6.1): Paso 4 Indique el intervalo de tiempo de la muestra obtenida (Oct.1 - Nov. 9), el ntimero de muestras (1 = 30), el eje horizontal (pre- sién del aire de soplado [kgf/cm?]), el eje vertical (porcentaje de defectos [%]), y el titulo de diagrama (Diagrama de dispersién de presién del aire de soplado y porcentaje de defectos). Presién de Porcentaje de . Pagsion de Porcentaje de Fecha aire (Ke/em®) - defectos (%)- | FeP® “sire kgemt) detectos (%) Oct. 1 8.6 0.889 Oct. 22 8.7 0.892 2 8:9 0.884 23 85 0.877 3 8.8 0.874 24 9.2 0.885 4 8.8 -0.891 25 8:5 * 0,866 5 8.4. 0.874 26 8:3 0.896 8 8.7 0.886 29 8.7 “0.896 9 9.2 0.911 30 9.3 0,928 10 8.6 0.912 31 8.9 0.886 1 9.2 _ 0.895 Nov. 1 8.9 0.908 12 8.7 0.896. 2 8.3 0.881 15 8.4, 0.894 5 8.7 0.882 16 8.2 0,864 6 8.9 0.904 7 9.2 0.922 7 8.7 0.912 18 8.7 0.909 8 a1 0.925 19 9.4 0.905 9 8.7 0.872 Tabla 6.1 Datos de presién del aire de soplado y porcentaje de defectos de tanque pliditico, 72 CAPETULO SEIS (%) Oct. 1 - Nov. 9 0.93 n= 30 0.91 0.90 % Defectos 0.89 0.88 0.87 0.86 0.85 8.0 8.5 | 9.0 9.5 (kgf/cm?) Presién de aire (Kg/cm?) Vigura 6.1 Diagrama de dispersién de presién del aire de soplado y porcentaje de defectos. 6.3 COMO LEER LOS DIAGRAMAS DE DISPERSION Ast como es posible captar la forma de distribucién en un histograma, también es posible leer la distribucién gerieral de los pares de datos a partir de un diagrama de dispersién. Al hacerlo, lo primero es examinar si hay o no hay puntos muy apartados en el diagrama, Puede generalmente suponerse que estos puntos apar- tados del grupo principal (figura 6.2) son el resultado de errores de medicién o de registro de los datos, o fueron causados por algtin cambio en las condiciones de operacién. Es necesario ex- cluir estos puntos del andlisis correlacional. Sin embargo, en lu- gar de despreciar completamente estos puntos, usted debe dar la "LOS DIAGRAATAS DE DISPERSION : _. 73 debida atencién a la causa de esas irregularidadés porque ‘con frecuencia se obtiene informacién muy util averiguando por qué ocurren. ce wet ae Zt sa Hay muchos-tipos de} formas de dispersién, y algunas for- mas t{picas se dan en la figura 6.3.1 hasta la 6.3.6. En las figuras 6.3.1 y 6.3.2, y créce con ¥; esto es una correlaciin positiva. Tam. . bién, como Ja figura 6.3.1 muestra esta tendencia de una manera muy pronuniciada, se-dice que es una‘-correlacién positiva fuerte, Las figuras 6.3.4 y 6.3.5 muestran fo puesto a una correlacién positiva, pues a medida qite « aumenta, y disminuye; esto se lla- ma una correlacidn negativa. La figura 6.3.4 muestra tina correla- cién negativa fuerte. La figura 6.3.3. muestra el caso en el quexy y no tienen ninguna relacién particular, ¥ por'eso decimos que no hay correlacién, En la figura 6.3.6, a medida quexaumenta, y cambia en forma curva. Esto se explicard mds tarde. ie 4 Figura 6.2 Puntos lejanos 74 : CAPITULO SEIS 0 2 4 60 x ° 2 4 6x Figura 6,3.1 Corrélacién Positiva Figura 6.3.2-Puedc haber correlaciés| : . Positiva >». 7=30 750.0 ¥ rs 0.9 | eek 6 4 e.*e? 4 2 ester? anaes 7 Ohi oL a Peat oT? 4 6 x x Figura 6.3.3 No hay correlacién SORT ater. 6 Figura 6.3.4, Correlacion negativa y a2 30. 15.0.6 = oe 4 oa . Apes e . . . . . ee 2 fe 2 ol roi 4 ° L L po oO 2 4 6 x oO 2 4. 6° x Figura 6.3.5 Puede haber correlacién Figure 6.3.6 negativa LOS DIAGRAMAS DE DISPERSION 75 6.4 EL CALCULO DE LOS COEFICIENTES DE CORRELACION Para estudiar la relacidn entre x y y es importante hacer primero un diagrama de dispersién; sin embargo, para comprender la fuer- za de la relacién en términos cuantitativos, es tcil calcular el coe- ficiente de correlacién segan la siguiente definicién: Sty) sae enna ae (6.1) AVS (ex) Soy) donde SGee) = 3 (x; - 2)? = xP - 6.2) g=1 1 : 2 Sy)? sy2 _ 2 po Si) = BO ~ DP =z -aSo 3) (SG) = Se, - Oi = d=eh i (Sx) = 3x; (6.4) ist 7 “ny” es el ntimero de pares de datos, y S(xy) se llama la covarianza, El coeficiente de correlacién 7 se encuentra en el ran- go—1 (6.10) y & se obtiene de 7- Bz. (6.11) Los valores de & y 8 obtenidos en estos pasos hacen la suma de los cuadrados de los residuos m{nima. Ahora, usando los datos en la tabla 6.3, calculemos la Iinea de regresién: 86 CAPITULO. SEIS Paso 1 X= (8.04 8549.04 9.54 10.0) x 4/20 = 9.00 (6.12) J =(4.62 4 4.504204 1.95)/20 = 3.276 (6.13) Paso 2 ‘ SGe) 5 Ex? (Ex)? /n = 1630-1802 720=10.0 (6.14) SGy) =X xjy;-(Lx,e CLY)/n = 576.88 —180 x 65.52/20 =-1.8 (6.15) Paso 3 . B =~12.8/10.0 -— 1.28 (6.16) & = 3.276 — 1.28) x 9.00 = 14.80 (6.17) De esta manera, la Ifnea de regresi6n se expresa por y = 14.80 ~ 1.28x. Es decir, por cada 1 kgffem? que aumente la presién del aire, el espesor de la pared disminuye ‘en 1.28 m.m. : ‘La figura 619 muestra la Ifnea de tegresién antes de calcula da. La mayorfa de los puntos en ‘el diagrama de dispersién deben distribuirse alrededor de la linea de tegresién. Si no, pede haber tn error de cdlculo y'deben verificasse los Pasos. Fa Gam | 2=20 5.0 Ancho de a pared (cum) : a 3 8.5 9.0. - 95 “00 x (kgl/em) Presién del aire (kg/em) Figura 6.9, Relacién entre presién del aire y espesor LOS DIAGRAMAS DE DISPERSION 7 87 6.8 NOTAS SOBRE EL ANALISIS DE REGRESION Algunos de los comentarios sobre diagramas de dispersion y co- rrelaciones también pueden aplicarse al andlisis de correlacién. Lo que es particularmente importante es que nunca se haga un andlisis de regresién sin haber hecho previamente un diagrama de dispersién. : Observe los diagramas de dispersién en‘las figuras 6.10.1 a - 6.10.4 (figura 6.10). Ellos representan cuatio conjuntos de da- tos. Estos cuatro diagramas, tomados del libro de E. J. Anscombe ticulado Grdficas en el andlisis estadistico, dan casi el mismo resul- tado cuando se someten a andlisis de regresién (ver tabla 6.4). . Sin embargo, usted puede ver que Ja distribucién de los puntos en los diagramas de dispersién correspondientes son muy dife- rentes entré sf, El diagrama de la figura 6.10.1 parece como si casi pudiera’ usarsé como ‘Ifnea de regresién, pero en la figura 6.10.2 debe ajustarse una Mfnea curva pues serfa poco natural apli- car una Inea recta. También en la figura 6.10.3 hay un punto lejano, de manera que este punto se debe dejar por fuera del anilisis, o se debe repetir la medicién, De los 11 conjuntos de datos en las figuras 6.10.4 el punto x = 19 tiene gran influencia en la determinacién de la Ifnea, pero como solamente hay infor- macién para x= 8 6 19, serfa mejor obtener més informacién. Este tipo de fenémeno sdlo se puede comprender con claridad si se dibuja un diagrama de dispersién. Aunque se puede calcular ~ una Ifnéa de regresién para cualquier tipo de datos, es impruden- te calcular una Ifnea de regresién sin dibujar un diagrama de dis- persién. El diagrama de dispersién es el punto de partida para el an4- lisis de correlaciones y para el andlisis de regresi6n. No olvide que el primer paso es siempre examinar cuidadosamente los da- tos. 88 CAPITULO sets Figura 6.10.1 Figure 6.10.3 5 Figura 6.10.4 Figura 6.10 Varios diagramas de dispersién que tienen Ia misma Ifnea de regresién. LOS DIAGRAMAS DE DISPERSION’ 89 No. x a %2- 2 | x3 Ys x4 v4 ‘T. | 10 B.04° 410° 9.14 | 10 7.46 8 6.58 2 8 6.95 J" 8° Bg 8 6.77 8 5.76 3 13 7-58 | 13 8.74 | 13° 12.74 8 7.71 4 9° 8.81 9 8.77 9° 711 B 8.84 5 1 8.33 11 9.267 | 11 781 8 8.47. e 149.96 | 14. 310 [14° b 184 8 7.04 7 6 7.24 6 6.13 6 6.08 8 5.25 8 4 4.26 4. 3.10 4 5.39 119 12.50 9 12.10.84 | 12 9.73 120 8.15 8 5.56 10 7 4.82 7 7.26 7 6.42 8. 7.91 1 5S 5.68 5. 4.74 5 5.73 8 6.89- z 9.0 9.0 9.0 9.0 J 7.50 7.50" 7.50 7.50 * Stxx) ~ 110.0 110.0 110.0 110.0 . SU) |: 41.27 41.27 41.23 41.23 Sxy) 55.01 : 55.00 54.97 54.99 Anscombe, E J., Gra; 27, 17-21 (1973) Ejercicio 6.1 Los datos'a continuacié (%) y la resistencia a la Elabore un diag Obtenga una Itnea de re, traccién y a partir del o phs in Statistical Analysis, American Statistician, Tabla 6.4 Ejemplo trdccién y (kg/mm: n muestran el contenido de carbono x 2) de un cierto acero. rama de dispersién ¢ interprételo, Obtenga el coeficiente de correlacién r, Bresién que estime la resistencia a la ‘ontenido de carbono x. 90 CAPITULO SEIS No. x (%) y (kg/mm2) ae 2.0 43 2 2.4 46 3 2.2 45 4 2.3 44 5 25 45 6 2.8 48 7 2.2 43 8 2.7 47 9 2.4 44 10 2.3 45 a 2.0 42 12 2.2 44 13 2.6 47. 14 24 44 15 2.5 46 16 27 47 7 241 42 18 2.6 48 19 2.4 45 20 2.4 - 43 21 2.3 45 22 2.2 43 23 2.3 46 24 2.4 47 25 2.3 44 26 2.4 45 27 2.6 46 28. 2.5 42 29, 2.6 46 30 2.4 46 “MII Grdficas de control 7 i 7.1, {QUE SON LAS GRAFICAS DE CONTROL W. A. Shewhart, de los laboratorios de la Bell Telephone, fue el primero én prdponer, en 1924, una grdfica de control.con el fin de eliminar una variacién anormal, distinguiendo las variaciones debidas a causas asignables de aquéllas debidas a causas al azar. Una grdfica de control consiste en una Ifnea central, un par de LUmites de control, uno de ellos colocado por encima de la I{nea ‘central, y otro por debajo, y.en unos valores caracteristicos regis- trados en la grdfica que representa el estado del proceso: Si todos los valores ocurten dentro de los Ifmites de control, sin ninguna tendencia especial, se dice que.¢l proceso estd en estado controla- do, Sin embargo, si ocurren por fuera de los limites de control o muestran una forma peculiar, se dice que el proceso ést4 fuera de control. La figura 7.1 muestra algunos ejemplos. La calidad de un producto manufacturado por medio de un proceso inevitablemente sufrird variaciones. Estas variaciones tie- nen causas y éstas iltimas pueden clasificarse en dos tipos: causas debidas al azar y causas asignables. 92 CAPITULO SIETE Limite de control superior st Linea central aH --~ Limite de contro} inferior Grafiea de control para estado controlado ees Gréfica de control para estado controlado x Figura 7.1 Ejemplos de graficas de control Causas debidas al azar Las variaciones debidas al azar son inevitables en él proceso, aun si la operacién se realiza usando materia prima y métodos estandarizados. No es practico eliminar el azar técnicamente y en forma econémica por el momento. ~ Causas asignables La variacién debida a causas asignables significa que hay Factores significativos que pucden sér investigddos. Es evitable y nose puede pasar por alto: hay casos causados’por Ia no apliéacién de ciertos est4ndares o por Ia aplicacién de estdndares inapropiados. Cuando los puntos se ubican por fuera de los Ifmites de con- trolo muestran tina tendencia particular, decimos que ef proce- so estd fuera de control, y esto equivale a decir, “Existe variacién por causas asignables y ef proceso estd et'un estado de-descontrol”. Para controlar un proceso, se require poder predecirel resultado dentro de un margen de variacién debido al azar. ; Para hacer una gréfica de control es necesario estimar la va~ riacién debida al azar. Para esto se.dividen los datos en subgrupos dentro de los cuales el fote de materia prima; las m4quinas, los GRAFICAS BE CONTROL 93 ctores §6n comurtes, de modo que fa varia> cién dentro del subgraups puede considerarse aproximadanmrente Ja misma que la variaciéti ‘por causas debidas al azar. A _.. Hay varias clases de grdficas de control, dependieado de sts ‘propésito y de las caractertsticas de la variable. En ‘cualquier tiper de grdfica de control el Itmite de control se calcula usando fz siguierite férmula: * operadores y otras factors “(alot promedio) £3 & (deevizcién esténdar), | donde la desviacién estdndar es fa variacién debida al azan. Este tipo de gréfice de control se Maria una grdfica de control de 3-signita.’ ieee : : 7.2 TIPOS DE GRAFICAS DE CONTROL, “Hay dos tipos de prsficas de control, una pra valores continues y Otra para valores discretos. Lox tipos de grafita prescritos por JIS* se mreeserat en [a tabla 7-1 ¥ sas Ifneas de control se mues= tran er fe cable 7.3 eget eat "Nombre earactertsti¢o. : Valor coritinnie | Grdfica & ~ R (Walor promedis + rango) . Grafica x (Variable de medid: Gréfica pn (Numero de unidades defectuosas} Grdfica p (Fraccién de unidades defectuosas)’ Gréfica ¢ (Niimero de defectos) Grafica x (Nidirrero de defects po anidady i ‘Tabla 7-1 Tipos de gréfica de controf 94 CAPITULO SIETE Tipo de grdfica de control Valor continuo — promedio z Valor continuo — rango R Valor continuo — valor medido_ x Valor discreto ~ siimero de unidades defectuosas pa Valor. discrero — fraccién de unidades defecruosas 2 Valor discreto ~ niimero de defectos c Valor discreto — niimeio de defectos por unidad : ue Limite superior de control (LGs), Linea central (LC), Limite inferior de control (LCi) LCs Le Lci LCs Lc Lei LCs Le. LCi LCs Lc Lci LCs. Lc “Lai LCs Lc LCi Les Le LGi EAR -A,R- RIL I eR ab DR ¥+2.66Rs RL RT ~2.66Rs Pn+3\Pr(l— 5) pn i Pn—3V pri —p) +3/30—D/n 2 2. P-3\p0—p)/n 7-3Vz/n ‘Tabla 7.2 Lista de frmulas Para Ifneas de control GRAFICAS DE CONTROL 95 (1) Grdfica X—-R Esta se usa para controlar y analizar un proceso en el cual la ca- racterfstica de calidad del producto que se.est4. midiendo roma valores continuos, tales como longitud, peso o concentracién, y esto proporciona la mayor cantidad de informacién sobre el pro- ceso. ¥ representa un valor promedio dé un subgrupo y R repre- senta el rango del subgrupo. Una gréfica R se usa generalmente en combinacién con una gréfica ¥ para concrolar la variacién dencro de un subgrupo. 4 (2) Grdfica x Cuando los datos de un proceso se registran durante intervalos largos o los subgrupos de datos no son efectivos, se grafica cada dato individualmente y esa gréfica puede usatse como gréfica de ,control. Debido a que’ no hay subgrupo y el valor R no puede calcularse; se usa el rango médvil Rs de datos sucesivos para el cdlculo de los Ifmites de control de x. ; (3) Grdfica pn, Grafica p Estas gréficas se usan cuando la caracterfstica de calidad se repre- senta por el ntimero de unidades defectuosas o la fraccién defec- tuosa. Para una muestra de tamafio constante,’se usa una gréfica pn del numero de unidades defectuosas, mientras que una gréfi- ca p de la fraccién de defectos se usa para fia muestra de tamafio variable. (4) Grdfica ec, Gréfica “ Estas se usan para controlar y analizar un proceso por los defec- tos de un producto, tales como rayones en placas de mecal, nu- mero de soldaduras defectuosas de un televisor o tejido desigual en telas. Una grdfica.c referida al ntimero de defectos sc usa para un producto cuyas dimensiones son constantes, mientras que una gréfica «se usa para un producto de dimensién variable. 96 CAPITULO SIETE 7.3. COMO ELABORAR UNA GRAFICA | DE CONTROL (1) Grdfica X¥-R Procedimiento Pasol Recoja los datos Recoja aproximadamente 100 datos. Dividalos en 20 6 25. subgrupos con 4 6 5 en cada uno, haciéndolos uniformes dentro del subgrupo. Regfstre- los en una hoja de datos (tabla 7.3). Cuando no hay razones técnicas para hacer subgrupos, divida los datos'en el orden en qué se obtuvieron, El tamafio del grupo es generalmente en- tre 2 y 10 en la mayortfa de los casos. Ejemplo Paso 2 Caleule los %’s Calcule el promedio ¥ para cada subgrupo. xy txgt- ¥ n donde n es el tamafio de cada subgrupo. Por lo general, el re- sultado se calcula con una cifra decimal m4s que aquéllas de los datos originales. Paso 2 En el primer grupo, HS (47432+44435+20)/5 = 35.6 __GRAFICAS DE CONTROL 97 Paso 3 Calcule = Calcule el promedio bedto dividiendo el total de los © 5 de cada subgrupo'por el nuime- ro de subgrupos £. By HX, + +X, 7 z & ‘se calcula con dos cifras de- cimales mds que aquéllas de los datos originales. x % Paso 3 _ B =(B5.6+29.2+---+28,2)/25~29.86 Subgrupo Btor x x XX Xs = | x R T a7 32 44 35 20 178 35.6. 27 2 19 37 31 25 34 146 29.2 18 3 19 11 16 W 44 101 20.2. 33 4 29 29 42 59 38 197 39.4 30 5 28 12 45 36 25 146 292° 33 6 40 35 iW 3B 33 157 31.4 7 15 30 12 °33 26 116 23.2 8 35 44 32 11 38 160 32.0 3 27 37° 26 20 35 145 29.0 10 23 45 26 37 32 163 | 32.6 11 28° ° 44 40” "31 18 ter 32:2 12 31 25 24 32 22 134 26.8 13 22 37 19 47 14 139 27.8 14 3732 12 38 30 149 29.8 15 25 40 24 50 19 | 158 31.6 16 * APES eae Terese lee a 22:2 17 38 ° 41 40 37 156 31.2 18 35 1Z 29 48 20.| 144 28.8 19 31 20 35 24 47 157 31.4 20 12 27 38 40 31 148 2 28 fa 52° ° 42° ° 52° ° ga" * 3s Tos 39!0° “28° 22 20 31 15 3 28 97 19.4 28 23 29 47 415 32 22 171 34.2 25 24 28 27 22 32 54 163 32.6 32 25 42 34 15 29 21 141 28.2 27 Total 746.6 686 Promedio z= R 29.86 27.44 Tabla 7.3 Hoja de datos para una grdfica ¥— R. 1 ait 98 CAPITULO SIETE aso 4 Calcule R Caleule el rango de cada sub- grupo R restando el valor mf- nimo del valor méximo de los datos en el subgrupo.. ® = (valor maximo en un sub- Brupo) — (valor minimo en un subgrupo) Paso 4 Para el primer grupo, R= 47.~20 = 27 Paso 5 Caleule R Calcule el promedio B del ran- 80.8, dividiendo el total de los Rade cada subgrupo por el ni. meré de grupos £, Ra Ree ER, aoe te & BR debe calcularse con. dos ci- fras decimales mds que aquéllas de los datos originales (el mis. mo ntimero de decimales que el de ¥), fe Paso 5 R= (27418 = 27.44" tee 7025 Paso 6 Calcule las Hineas' de 7 control t sree Calcule cada utia de las Ifneas de control para la grdfica = y la Bréfica R con las siguientes fr mulas; : i Paso 6 GRAFICAS DE. CONTROL 99 Grdfica ¥ Linea central: Lc=% Limite de control superior: LCs = ¥+4,R Limite de control inferior: LCi = ¥-A,R Grdfica R Linea central: ° Lo=R Limite de control superior: LCs=D,R Limite de contrél inferior: LCi=D,R LCi no se tiene en cuenta cuando 'n es menor que 6. Ay, Dg y-D, son los. coefi- Giences determinados por el ta- mafio de un subgrupo (7), y se muestran en la tabla 7.4 y tam- bién én la tabla A.2 de los anexos. Grdfica ¥ LC LGs t 29.86 5+A,R 29.86 + 0.577 x 27.44 45.69 LCi= ¥-A,R : = 29.86 — 0.577 x 27.44 = 14.03 °.. Grafica R LC = R=27.44 LCs = D,R= 2.115 x 27.44 = 58.04 LCi = — (no se considera) 500 CAPITULO SIETE ‘Tamafio Grifica Gréfica R del subgrupo A, Ds; D, d, 2 1.880. _ 3.267 1.128 3 1,023 _ 2.575 1.693 4 0.729 _ 2.282 2.059 >| 0.577 _ 2.115 2.326 6 0.483 _ 2.004 2,534 Tabla 7.4 Lista de coeficientes para grificas ¥— R Paso 7 Dibuje las lineas de control Primero, prepare una hoja de papel cuadriculado y marque el eje vertical de Ja izquierda con los valores de ¥ ydeR yel eje horizontal con el numero de subgrupos. Para el eje vertical escdja una escala tal que los It mites de control superior e in- ferior queden a una distancia de 20-30 mm uno del otro. Di- buje una Ifnea sdlida para Ia It- nea central y una Lfnea puntea- da para los I{mites. Paso 7 Paso 8 Localice los puntos. Registre los valores de ¥ y de R de cada subgiupo sobre la misma Ifnea vertical en el or- Paso 8 GRAFICAS BE CONTROL “den del numero del subgrupo. Marque el ntimero del subgru- po sobre la linea horizontal a incervalos de 2 a’ 5.mm. Use * para marcar las X¥ y x para‘ R con el fin de que se puedan re- conocer ficilmente y enciérre- los en un cfretilo para los valo- tes que estén por fuera de los Ifmites. * Yo. Paso 9 Registre los datos que puedari ser de utilidad Escriba el tamario del subgnipo * (m) en‘ el éxtretno superior iz- quicrdo de la grdfica ¥. Inclu- ya también cualquier otro‘as- peécto relevante para el proce- so, tal como Ios nombres del Proceso y del producto, el pe- rfodo, el método de medicién, las condiciones de trabajo, el turno, etc. - (2) Grdfica pn Paso 9 Procedimiento Ejemplo Paso 1 Retina los datos ‘Tome una muestra y clasifique ” lacalidad del producto en uni- dades que Ienen 0 no los re- quisitos, segtin el est4ndar de Paso 1 ii 102 : CAPITULO SIETE xt 888 8 38 & Figura 7.2 Grifico ¥— inspeccién. En este caso, tome una muestra de tamafio tal que la mayorfa de los subgrupos tengan entre 1 y 5 unidades defectuosas, y recoja de 20 225 subgrupos (tabla 7.5). : Paso2 Calcule 5 Calcule la fraccién promedio de defectos 5 dividiendo el nd- mero total de unidades defec- tuosas de cada subgrupo por el numero total de muestras, Paso 2 GRAFICAS DE CONTROL 4 103 Sues Tamafio del subgrupo | (Numero de unidades uperupa No- n defectuosas) pn 1 100 \ 4 2 100 2 3 100 o 4 100 5- 5 100 3° 6 100 2 7 100 4 8 ieee 100 3 2. 100 2 10, 400 6 cr 100 1 12 100 4 13 100 1 4 100 ° 15 100 2 16 100 3 17 100 1 18 4100 6 19 100 1 2, 20 “100 3 21. 100 3 22 100 2 23 100 oO 24 100 7 25 100 3 Total Zn = 2500 Zpn = 68 Tabla 7.5 Hoja de daros para gréfica pn 104 CAPETULO SIETE ey 5a eet 88 970 Pee kXn_ . 25x100 Paso 3 Calcule las lineas de Paso 3 control Linea central LC = pn Limite de control superior: LCs= pn+3\prl—p) Lfmite de control inferior: LCi = pn—3./pri—p) LCi no se tiene en cuenta.cuan- do su valor es un niuimero ne- gativo. LC = pn= 0.0272 100 =2.72 LCs = pn+3[prdl—p) 2.72 + 3-42.72 x (1 — 0.0272) = 7.60 LCi = pn-3\ Pn —F) i 2.72 -3Y2.72*0 0272) No se‘considera Paso 4 Construya la grdfica de control Marque el eje horizontal con el nuithero de subgrupos y el eje vertical con el ntimero de uni- Paso € dades defectuosas. Dibuje una* Ifmea sélida pata la Inea cen- tral Bn y Iineas discontinuas para LCs y LCi. Luego, regis- tre el ntimero de unidades de- fectuosas de cada subgrupo. GRAFICAS DE CONTROL “10s Figura 7.3’ Grifica pn ' 7.4 COMO LEER LAS GRAFICAS DE CONTROL Lo mds impoitante en el control del proceso es captar el estado del proceso de manéta ‘precisa leyendo la grdfica-de control y diligentemente tormnar acciones apropiadas cuando se encuentre algo anormal en el proceso, El éstado controlado del proceso’ es el estado en el cual el proceso és estable, ¢s decir, el Promedio'y la variacién del proceso no éambian. Si un Proceso est4.o no con- trolado se juzga segtin los siguientes criterios a partir de la prdfica de coritrol. (1) Fuera de los ‘Umites de control Puntos que estén por fuera de los Itmites de control. (2) Racha La racha es el estado en el cual los puntos ocurren continuamen- te en un lado de Ja [fnea central y el ndmero de puntos se {lama longitud de la racha, : : Una longitud de siete Puntos en una racha se considera nor- mal, : : Aun si la longitud de la racha esta par debajo de 6, se consi: deran anormales los siguientes casos: a die 106 i CAPITULO SIETE 2) Al menos 10 de 11 puntos consecutivos ocurren en‘un mis- mo lado de la Ifnea central, : b) Al menos 12 de 14 puntos consecutivos ocurren en un mis- mo lado de la linea central, ©) Al menos 16 de 20 puntos consectitivos curren en un mis- mo lado de la linea central, : Una racha de siete Diez de 11, puntos consecutivos que ocurren Puntos es anormal. en un mismo lado se considera anormal, t ' Figura 7.4.1 Racha. (3) ‘Tendencia Cuando los puntos forman una curva continua ascendente o descendente, se dice que hay una tendencie Siete puntos ascendentes » Tendencia descendentesdrastica, Teniendo en cucinta los purites que se acercan a los I{mites de control de 3 -sigma; si 2 de 3 puntos curren por fuera de las |. °, Mneas de'2 -sigma, el Caso se considers anormal, GRAFICAS DE CONTROL a 107 2 } Linea 2-sigma 2 } Linea 2-sigma Linea 3-sigma Figura 7.4.3 Acercamiento a los Ifmites de control (2 dé 3’ puntos) (5) Acercamiento a fa linea central Cuando la mayorfa de los puntos estén dentro de las Iineas de 1.5-sigma (los bisectores de la Unea central y de cada uno de los Ltmites de control), esto s¢ debe a una forma inapropiada de ha- cer los subgrupos. El acercamiento a la [fea central no significa un estado de control, sino una mezcla de la informacién de dife- rentes poblaciones en los subgrupos, lo cual hace que los I{mites de control sean demasiado amplios. Cuando se presenta esta si- tuacién es necesario cambiar la manera de hacer los subgrupos. ~ a7) Lines 3-siama Linea 1.5-sigma 2 Figura 7.4.4 Acercamientco a !a Ifnea central (6) Periodicidad También es anormal que la curva muestre repetidamente una ten- dencia ascendente y descendente para casi el mismo incervalo. Figura 7.4.5 Periodicidad 108 ‘CAPITULO SIETE. 7.5 ANALISIS DEL PROCESO USANDO LAS GRAFICAS DE CONTROL El objetivo del andlisis del proceso puede definirse como Ja identi= ficacién de causas especificas asignables de la variacién de una caracter(stica de calidad en un proceso. Después de encontrar esas causas asignables por medio def andlisis del proceso, es nece- sario realizar una serie de acciones correctivas en telacién con las causas asignables. (1) Organizacién de los subgrupos La organizacién de los subgrupos es Ia parté mds importante de la preparacién de uria gréfica de corttrol y determina su efectivi- dad. La organizacién inapropiada de los subgrupos tiene coro resultado una grdfica indeil. Los datos se recogérdén una vez que se - hay decidido fa carae- terfstica de calidad de tn proceso que se’va a analizar. La varia- cidn en una caractertstica de calidad en uni proceso se debe a varias ¢ausas. Por esto, antes de organizar los subgrupos, es nece~ sario considerar fa variacién que se ha de eliminay, y tratar Inego de agrupar los datos de tal manera que fa variacién debida a fac tores permisibles constituya la vatiacién dentro del subgrupo- Para este fin: a) ‘La operacién debe realizarse casi en las mismnas condiciories (desde el punto de vista técnicoy. b) Los datos recogidos a fo largo de un’perfodo de tiempo rele tivamente corto debert agruparse. En Ja formacién de fos subgrupos deben considerarse los six guientes puntos: a) Hay maneras diferentes de agrupar. Se debe cambiar el tarmia fio del subgrupo y ensayar diversas: mianeras de combinar los datos. GRAFICAS DE CONTROL : 109 No puede usarse efectivamente una grdfica de control sin conocer los componentes de la variacién dentro del subgrupo. El siguiente ejemplo muestra cémo los componentes de la varia- cién dentro del subgripo cambian, segtin la manec, de organizar los subgrupos. ; Ejempla 7.1 : En un proceso mecénico; se usa una dimensién de una parte como control de la caracterfstica del Proceso. Los factores ms ‘importantes que afectan a la dimensién son la calidad de las ‘materias primas, la forma de la herramienta de corte y el ajuste de las herramientas para Ia abrasién. Las condiciones del proceso son las siguientes. a) Un lote de materia prima corresponde al trabajo de una se- mana. 7 y b) Se afilan las herramieintas de corte todés los dfas. ©) Las herramientas deben ajustarse al comenrizar ef tutno dela _M™afiana y el de la tarde. : En este caso se considera admisible la variacion dentro de'un ajuste y el criterio para el control serd si el ajuste se hate‘ coriecta- mente y si las herramientas estén en condiciones normales. En- tonces los datos deben agruparse de tal manera que Iz variacidn dentro de un ajuste se convierta en la variacién dentro’ def sub- grupo y la variacién entre ajustes se convierta ert Ta: variacién: entre los subgrupos. - La tabla 7.6 muestra Ia hoja de datos, las tablas 7.7 y 7.8 ‘muestran la manera de formar los subgrupos, y la tabla 7.9 muestra los componentes de las Vatiaciones dentro del subgrupo:y entre subgrupos, respectivamente. ~ 110 CAPITULO SIETE Fecha Datos n Comentarios Dic.1} am. | 39 39 Ajuste | Herramienta Pm. | 40. 42 Ajuste No. 1 fae Dic. 2] am. |” 42 41 Ajuste | Herramienta | material p.m. | 43 42 Ajuste No. 2 Daa Dic.3 | am. [+38 37 Ajuste | Herramienta p.m. [38 38 | Ajuste No. 3 Tabla 7.6 Hoja de daros Fecha Datos Fecha Datos Dic. 1] am. Dic. 1} am, pam. pam. Dic.2} am. | G2 ai Dic.2] am. | (42-— ay P-m. pm. | 43.42 Dic. 3] am. Dic. 3[ am. | p.m.| GB 38 p.m. Tabla 7.7 Subgcupos de 2 = 2 Tabla 7.8 Subgrupos de m= 4 Variaci6n dentro def subgrupo Variacién entre subgrupos Error de medicién Error de muestreo Variacién del proceso dentro del ajuste Entre ajustes Entre dias Entre herramientas Entre'materiales Error ‘de medicién Error de muestreo’ Variacién del proceso dentro del ajuste y eritre ajustes Entre dias Entre herramientas Entre materiales, Tabla 7.9 Componentes de variaciones dentro del subgrupo y ente subgrupos por la formacién de subgrupos en les bles 7778 GRAFICAS DE CONTROL Lid @) Variaciéu dentro del Li subgrupo y Variacién entre subgrupos La variacién de los datos se clasifica como variacién dentro del subgrupo y variacién entre subgrupos. La primera es la variacién que aparece al interior de tin subgrupo y se encuentra represen- tada por el valor R en una grdfica R. Pottotra’ parte, la variacién entre subgrupos es la que aparece entre ‘los subgrupos y se en- cucntra representada por Ja distribucién de los puntos ¥ en una grdfica ¥. Sea la varianza al interior de un subgrupo G,,” y la varianza 2 entre subgrupos’ Gd,” , entonces : 2 ox? =0,7 +24, 71), n donde o x? es la-varianza de ¥. 0, se estima a partir de R por w=Rldz, (7.2) donde d, es un coeficiente que depende del tamafio del subgrupo, y que se muestra en la tabla 7.4. Aquf el {ndice “A” en el sim- bolo o,,significa la estimacién de oy, * Seguin esto, la distribucién de los puntos ¥ se ve afectada no solamente por la variacién entre subgrupes sino rambién por la variacién dentro de los subgrupos. La variacién de un estado perfectamente controlado es la siguiente. a) El proceso promedio es constance y Ia variacién entre subgrupos es oo,” =0. b) La variacién del proceso es constante, es decir, la variacién dentro de los subgrupos Gw? = constante. No es posible determinar directamente la variacién entre subgrupos, sino que se calcula de 2 2 in, (7.3) WAZ CAPITULO SIETE donde o,” se calcula a partir del histograma de ¥, 0 a partir de (7.4) donde of,” ge calcula a partir del histograma de x. (3) Estratificacién Cuando los mismos produccos se hacen en varias mAquinas o por varios operarios, es mejor clasificar los datos séguin la mdquina o cl operario de manera que la diferencia entre mdquinas u opera- rios pueda ser analizada y el control del proceso se facilite. La estratificacién es tin método para identificar la fuenté de la variacién de los datos recogidos, clasificando los datos segiin varios factores. La figura 7.5 es un ejemplo'de una a grifica de control qué puede estratificarse. Esta grdfica muestra una caracterfstica de calidad de partes manufacturadas por dos maquinas (4 y B). La Figura 7.5 Grifica de control para Ay B GRAFICAS DE CONTROL 113 Figura 7.6 Grdficas de control estratificadas paraA y B Figura 7.6 es la grafica de content estratificada pard Ay B. Como resultado, de la estratificacién se encuentra que casi no hay dife- do de‘contro! para amibas mdquinas, y puede decinee que entre.A y 3 parece haber algunas causds asignables, i Como regla general, el Propésito de la estratificacién es exa- minar la diferencia entre los valores promedio y la variacién en- tre clases diferentes y tomar acciones correctivas con respecto ala . diferencia, sila hay. Si’es imposible toma acciones instanténea- mente, se hace necesario entonces llevar a cabo el control del Proceso usando grdficas de control estratificadas, (4) Prueba de Ia diferencia entre grdficas de control estratificadas Si las dos graficas estratificadas ¥ — R satisfacen las siguientes cuatro condiciones, entonces es posible someter a prueba la dif, rencia entre los valores promedio: 114 i “CAPtruLo stere - 2) “Ambas grdficas muestran un estado de control, b). El ramafio de los subgrupos es el mismo, ©) Los valores de Rayde Ry son casi iguales, 4) Los ntimeros de los subgrupos £, ¥ £, son suficientemente Brandes (k, > 10, £, 310). : IE, ~z,|2 AR Sisk, +U/4, , (7.5) donde . R=(4,R, +4aRy)/ (ky thy). (7.6) (5) Prueba de la diferencia en la Vatiacién entre estratos Para ver si hay una diferencia en la variacién entie los estratos » después de la estratificacién; se usa Ja f6rmula (7.7) 0 (7.8). Si Ja SSrmula resiste, entonces puede decine que existe una diferencia en la variacién entre A y B. En el caso donde R,>R, Geen ce 72) RaIR 212 BIR, 21.2. En el caso donde By > Ry ' (7.8) Ry/R 21.2 RIR, 21.2 Las pruebas mencionadas ea (7.5) y (7.7) © (7.8) no son ne. -fesarias cuando la diferencia es obvig por la simple inspeccién de das grdficas de control. : : GRAFICAS DE CONTROL us Ensamble Anillado Poca uniformidad detemp. | — en el horno . 7 ‘Temperatura de Tipo de endurecimiento resorte Tipo de“ Turno SMPRAUS ecient Tnspeccion i Figura 7.7 Diagrama de causa-efecto de las fracturas en el resorte 7.6 ESTUDIO DE CASO DE ANALISIS DEL PROCESO i Por lo general, cuando se usa una grdfica de control para analizar un problema, ésta no sé usa sola sino junto con histogramas, A continuacién damios un‘ejemplo de cémo analizar un problema. Fjemplo 7.2 : En una Fabrica que producfa resortes de hoja para tractores se encontré que algunos'de los resortes tenfan fracturas. Es necesa- tio identificar la causa del problema tan pronto comg sea posible y evitar que vuelya a ocurrir. Usemos los siguientes datos para construir hiscogramas y grdficas de control para andlizar el pro- blema. = Informacién obtenida hasta el momento 1) Se hizo el anterior diagrama de causa-efecto para identificar la causa de las fracturas. 2) Los resortes para tractores pequefios (A,) y para tractores medianos (A,) se tratan en el mismo horno. Los dos tipos de producto se diferencian sélo por la forma, pues el material con el cual se fabrican es el mismo Sin embargo, el tipo de empaque usado durante el tratamiento por calor es diferente. 16 3) 4) 5) 6) CAPITULO SIETE Recientemente ha aumentado la demanda por tractores pe- quefios, y la produccién se estd incrementando gradualmen- te. E] ntimero de resortes que reciben tratamiento de calor simultdneamente se ha aumentado proporcionalmente EI horno se opera en dos turnos diarios (B, y B,). En cada turno se realizan dos tratamientos de calor, es decir, en cada turno se tratan al calor dos conjuntos de resortes. La dureza de los resortes puede considerarse como una carac- ° ter{stica sustitutiva ‘de las fracturas. Durante los tiltimos 16 dfas se ha recogido la siguiente infor- macién: 4 a) Se pensé que Ja variacign en la temperatura del horno del centro hacia las paredes podrfa ser significativa. Por tan-- to, después de cada tratamiento se tomd una muestra (PD del centro del horno y otra (P,) de cerca a Ja pared, y se mididé su dureza. : b) Se inspeccionaron todos los resortes despuds del trata- miento de calor y s¢ midié su dureza. ©) Los estdndares de dureza son los siguientes: dureza mdxi- -Tha 4664Hb,-dureza mfnima 350 Hb. Informacién obtenida de los ‘pistogramas LD)’ Histograma general (figura 7.8)" Este muestra aproximadamente tina distribucién normal y todas Jas muestras se encuentran dentro del rango éspecificado de du- reza. Sin embargo, s¢ encontraron fracturas en algunas muestras delta dureza aunque estaban dentro de los ltmites de la especi- ficacién : 2) Histograma para las nivestras con fracturas (figura 7.9) a) Todas las muestras con fracturas son del tipo.A,. Por tanto, el problema se localiza en el tratamiento de resortes tipo A, para tractores pequefios. GRAFICAS DE CONTROL : i 117 Tipo def t Dureza Tipo de! : Dureza tal sone] Cr |No- [Postcian] — urezs | ial acne |™P°]NS: [rosictén] | Bute giz oan resort ote con a Pol Pa |. tracturas A Pl P| teacturas a, [a f396l4zokinee 7 33 [406|418]453 457 1] A, 2 [396/421 of a 34 [397/421 2, [-3|408]423|460 : 35 [436/419 2 [74 Jaoalaza. 36 [400hs44asa- 449 5 1393]s00]_ : 37 |390]432 2 6 [401]399 7 fae 3a [3a7]422[450 7 [404] a36 7 [35 |398|<09 & [396|429|450 40 [378/419] 9 [385[410/451 41 [350|430 af A to [391[4321456 453 if 42 | 417[430 | 445 45873 6 2 [2 [37afat0 44 [385/395|45a 13 [sa7faztlase 443, p, [45 [394]406]460 455 14 1397] 422 4s [39ifatof - 7 13 13971397 |462 446 455]) 12)“ FO 147 Taastara 16 [384|404 a [4a [a7elats [447 aaa 457, 17 [403/391 eI a, [49 [arifao3, ries 18 [398] 401 3 so [4ro}392 | 1s [393[382 B, |S) ]385]370) “] | 20_ [387 366 2 [32 [398/393 ae a, [2t_[sealait 5 2, [53 |3s4]a95]__— A « [az Pazpsos, 14] 4, 1. Psafaa7fais 33} 395|s07 : 35 [409] 406, 8: [aa tao7|sar 5 [36 [397|404 g, [23]413|392 57 [406] 399 I \_ [26 Pa7]3o2 58 [4ttfais 7) A, A 2 [ez aataos 8) A 3, [3 [383]386 2 [28 [401/409 60 _[408]418 zB, [23 [401404 2, [61 [387/410 al 4, | [30 Taaafaoa 16] A, 62 [395[407 31 fatalate a, [83 _[410}395 32_[ 406/407 64_[00]405 Habla 7 7-10 Mediciones de la ee * Los astetiscos indican el mismo Fesorte, pues se enconttaton fracturas en la rhuestra Pa. ee BB 118 CAPITULO SIETE a 128 366.000 454.000 402.594 15.23 32 24 LE; Les 16 350.0 370.0°'" 350.0. 410.0 430.0 © 450.0 Hb Figura 7.8 Histograma general 24 370.0 390.0" 410.0 430.0 - 430.0 470 40 HID Figura 7.9 Histograma de muestras con fracturas 5). La dureza de Jos resortes con fracturas se distribuye alrededor de un valoralto y todos son mds altos que 440 Hb. 2) Histogramas para diferentes tipos de resorte A, y A, Pgura 7.10) ° ; a) La dureza promedio de los resortes para los tractores peque- ‘Bos (A,) es mds bien alta, y los valores individuales se diseri- buyen mds ampliamente. ; b). Debido a que todos los resortes con fracturas son de mues- _ tras del tipo A, parecerfa que los métados de produccién para los resortes para tractores Pequefios no son adectiados, GRAFICAS DE CONTROL lig ©) Ladistribucién de los valores de dureza para los resortes tipo A, para tractores medianos no es amplia, y no se encontraron entre ellos muestras con fracturas. A n= 64 x 405.94 20 | LEI | 5 = 17.68 1 10 i LEs rs o 20 10. 0 350 400 450 Hb Figura 7.10 Histogramas para diferentes tipos de resortes. A, y Az 4) - Histogramas para diferentes turnos B, y B, G@igura 7.11) a) La medida para B, es mayor que la de By y la variacién es menor. s b) Entre las muestras B, hay algunos resortes con fracturas. By n= 64 20 & = 403.38 . s = 12.45 ui 350 400 450 Hb Figura 7.11 Hiscogramas para diferentes turnos By y Bz 120 b) °) 6) a) b ©) CAPITULO SIETE, 350 400 450 Hb Figura 7.12 Histogramas para las difeientes posiciones Py y Pz Histogramas para diferentes posiciones en el tratamiento de calor P, y P, (figura 7.12) La dureza media de las muestras tomiadas del centro del hor- no (P,) es baja, y Ja variacién es pequefia. Ninguna de estas muestras tiene fracturas. 7 7 La dureza media de las muestras tomadas de cerca a la pared del horno (P,) es alta y la variacién es ligeramente mayor. Algunas de estas muestras tierien fracturas, Parece que aquellos resortes tratados cerca a la pared del hor- no tienen probabilidad de tener una dureza lo suficientemente grande como para producir Fracturas. : Histogramas para diferentes combinaciones de factores Ay B (figura 7.13) La variacién para las combinaciones A, B, y A, B, es mayor que para A, B, 0 para A, By. ~ No hay diferencia significativa en las medias, pero aquéllas para A, By y A,B, son ligeramente mayores. Los valores para la combisiacién A,B, se concentran alrede- dor de la media de la dureza especificada, y la variacién es pequefia. Basado en la ‘actual dureza mdxima y m{nima, el “ GRAFICAS DE CONTROL 4121 350 400 450 Hb Figura 7.13 Histogramas para diferentes coibinaciones devices Factores Ay B indice de capacidad del proceso Cp tiené un valor extrema damente bueno de 2.04, calculado por: 6X 8.97 Por tanto, la combinacién de A,B, es excelente. 2) Histogramas para diferentes combinaciones de farctores A, BYP (figura 7.14) a) La dureza media para las muiestras de tipo A, (para tractores Pequefios) es claramente mayor para las muestras tomadas de Ia posicién P, (cerca a la pated del horno) que ‘para las muestras tomadas de la posicién P, (el céntro del horno). 122 CAPITULO SIETE AsBPy n= 16 ¥ = 417.75 s_= 10.20 ABP, n= 16 ¥ = 392.81 Ss = 16.45 ABP, n= 16 X= 418,31 Ss = 15.71 ALB,P; 10 n= 16 a ¥ = 397.19 0 S = 16.08 * 350 — we 400 450. Hb Figura 7.14 Histogramas para diferences combinaciones de tres factores.4, By pi" * b) ° d) GRAFICAS DE CONTROL 123 La dureza media para las muestras tipo A, (para cractores medianos) no parece depender de Ja posicién de la cual se tomen las muestras. La desviacién estdndar tiene el mismo valor de alrededor de 10 Hb para las combinaciones (A,B, P,), (A,B, P,), (A,B, P,). (A,B,P,) y (4,B,P,), Tiene un valor mayor de alrededor “de 15 Hb para las combinaciones (4,B,P,), (A,ByP,) y (A,B. Esta diferencia parece deberse al factor B, debiéndose | tar ma- yor variacién a B,. Las combinaciones (4,B,P,); (A,B,P,) y (A,B,P,) se con- centran alrededor de la media de la dureza especificada y la variacién. es pequefia. Informacién obtenida de la grdfica % — R (figura 7.15) L) Gréfica de control general Debido a que los datos estén divididos en subgrupos por lotes, la variacién en el interior de un subgrupo és la variacién dentro de un lote, es decir, la variacién entre P, y Py el error de muestreo y el error.de medicién. La variacién entre los diferentes subgrupos incluye la variacién entre lotes y entre turnos, diferentes tipos de resortes y diferentes, dfas'(tabla 7.11). a) b) Grdfica R i) Ninguno de los valores esté por fuera de los Ifmices de control, pero las largas series de valares relativa y suave- mente conectados para los lotes 7-14, 26-33 y 51-G4 son anormales, e indican que el proceso esté fuera de control. ii) Res relativamente grande para resortes del tipo A, (crac- tor pequefio) y relativamente pequefio para resorces del tipo A, (tractores medianos). Estos dos tipos, por tanto, deben clasificarse por separado. Grafica ® No hay puntos por fuera de los limites de control, pero la larga serie de valores para los lotes 15-26, 31-39 y 43-53 son anormatles, indicando un estado fuera de control. 124 CAPITULO SIETE Dia Tipo de resorte A Turno Lote No. Posicién » Py 396 420 396. A21 40. A23 is ig A438 401 399 40. 438 a@iNialuladw|r fa 377 407 Te | oo 378 410 Tabla 7.11 Subgrupos de la grdfica de control general 125 GRAFICAS DE CONTROL a -% rows’ yp cy-/ emdiy + 0 > 1) — pe y — Vv —> 1G US 55 SIS Orly Shey Ih Oc UE STE I a LISTE Néeisea 19 19 65 US SSS IS OF Lr Sv oo Wy OC UE See IC oe Se ELI LLL SY NoLser wet=07 ed 126 CAPITULO SIETE 2) Grdficas de control estratificadas segiin factores A yes Oigura 7.16) ; Debido a que los datos estén estratificados por lote, la variacién efi el interior de un subgrupo es la misma que la variacién en el interlor del lote correspondiente. Lavariacién entre Ine subgrupos incluye la variacién entre lotes y la variacién diacis (tabla 7.12), Tipo de | Posicién Dia resorte pA Lote No, A P, P, 1 G36 420) B, 1 A | 2 3 408 423 5 4 408 438 5 393 400 8, 7 7 6 Gor 399) : B 7 404 438 a 396.429 9 G385 410) a. = 3 A, 10 Gai 4329 ; W 377 407 B, 12 378 410 Tabla 7.12 Subgrupos de grificas de control estratificadas segiin dos Factores. Ay B a ®) (4,B,): Tanto Ja gréfica R como la gréfica ¥ muestran una aproximacién a la linea central, Cada subgrupo se compone de datos sobre resortes'tomados tanto del centres del horno como de cerca a la pared. Esta tendencia es, Por tanto, el resultado de las diferentes medias de las dos distribuciones, Es necesario estratificar los datos segin la posicién (P), b) ©) GRAFICAS DE CONTROL = 127 (A,B,): Puede decirse lo mismo que sobre las gréficas para (4,B)). (A,B,): Tanto la grdfica. R como la X estén en estado contro- lado. En otras palabras, no hay variacién entre los subgrupos (es decir, entre los lores y dfa a dfa). El proceso estd en opera- cién estable. Estimemos la desviacién estdndar entel interior del lote, o ee En este caso n= 2, a, = 1.128, tenemos d) G,, = RI dy =10.75/1.128 = 9.53 Esto es aproximadamente el mismo valor de o, donde GO, = 55 8.97, estimado del histograma de la figura 7.13 (4,8,). (A, B,): La grdfica R esté eni estado de control. Sin embargo, la grdfica % incluye tres puntos fuera de los I{mites de con- trol, y no est4 en estado de control, Hay una variacién entre los subgrupos; es decir, entre lotes diferentes y dias diferen- tes, Debe examinarse el método usado en el turno B,. La variacién estimada entre lotes, Oy, ¢s 6, =R/d, = 842 La desviacidn estdndar obtenida de la figura 7.13 (A,B,) es 13.13. Puesto que o. 2 se expresa por 2 2 2 Oo, =O, +0, , la variacién entre lotes o, esté dada por &, = 6,7 —G,” = 713.13? 8.42? =10.07. En otras palabras, la variacién entre subgrupos es del mismo or- den que la variacién en el interior de subgrupos. CAPITULO SIETE 128 q Ay saloxayy Sop unas sepeaymnennse y ~ x SEOYPIS) O1°Z, mmaig ma HUNG R LIS HET roscoe sexe Se md ae tire pa ee ei “ wWit=OT o T oO ; Toe ol 8 T To Osivtumas ae. oS ve cr sryetl HY HH st 7 Oe S9'00y = 901 tate 7 oY GRAFICAS DE CONTROL - 129 BD Grificas de control "Para resortes de tipo A, | estratificadas segtin By P (figura 7.17) Debido a que I media difiere septin la posicién en el horno, sé hicieron gréficas de control segtin posicién (P), combinando los datos de dos lotes cada dfaén‘un subgrupo. Ast, la variacién en el | interior-de un subgrupo consisté en la variacién durante un solo dia, la cual incluye la variacién entre loves. La variacién entre subgrupos consiste en la variacién entre dias (tabla 7,13). | Tpode- | tung | Posicién Dia resoite B Lote No. (A a P, . Py 1 396 420 ay 7 AL 2 [T Gse 421 3 408 423 < 4 408 438°. a 5 393 400. a ; 6 aor 399 2 i B 7 404 438 4 8 396 429 . 2, 9 385 410 3 A, 10 391 432 W 377 407 B, L 12 378 410 ‘Tabla 7.13 Subgrupos de gréficas de control para resortes tipo Ay estratificadas segtin By P a) La diferencia en ¥ para (ABP) y (A,B, P,) es obvia. Un punto se encuentra por fuera de los Ifmites de control, pero tanto la grdfica¥ como la grdfica R muestran un estado de control relativaniente estable. 130 CAPITULO SIETE 5) Una comparacién de P, y P, parala combinacién A,B, . Puesco due # cs aproximadamente la misma para A,B,P)) y ‘A,B,P,), los datos para éstos pueden reunioce pert estimar 1B, Py P pued P Oy, entonces: Rid, — 8:25+6.50 = 6.54. 21.128 7 6, Respecto a oy que incluye la diferencia dependiendo de la Posicién, ésta se obtiene por 3 = 6,7 -6,? =Jia7e — 6.54? =13.18, La conrribucién de Ja variacién entre subgrupos a Ia varia- cidén total o,* se puede expresar como un Porcentaje de p,. A, =6,716,? 100 = 13.18? /14.717) «100 = 80%, 2 , : a En este caso, 0,” depende de ld posicién én el horno, indi- cando también que la dureza de los resortes est sesgada se- ©) Si comparamos la figura 7.16 (A,B,) con la figura 7.17 posible, haciendo que la variacién debida al proceso aparezca como variacién entre subgrupos. : LBL GRAFICAS DE CONTROL Aq Wo9as sepeoymenss !y odn souosas ered y —x seIgB LZ eIqeY, I HAM UN CTL Sy ETT AMUN L SyeTt =a Asin aIaMd er LIS veTI HO AEA 9 oA INI \ ge NESE x w ere=o1 ys , . To ‘ w ssl ‘ul 7 Hsiao a Los vee oe WUH=D1. oe ose Tere oT my : “4 a eae or t= TOY aw=n1 a Sassi cnenseAsbtetciteo aaseeceraemarey wr 4 132 CAPITULO SIETE 4) Grdficas de control para resortes tipo A, estratificadas segiin B (figura 7.18) Respecro al tipo A, no hay diferencia en la dureza segtin la posi- cién en el horno, y los datos se agruparon en dos lotes cada dla con 1 = 4, De esta manera, la variacién intra-subgrupos se com- pone de la variacién diaria, incluyendo tanto la variacién en el interior de los lotes como entre ellos. La variaciéri inter-subgrupos es la variacién entre dfas. : a) (A,B,): Las grdficas ¥ y Restén ambas én el estado de con- trol. G,, se estima a partir de So, ww = RI dz =19:13/2.059=9.29, b) (A3B,): La gréfica Restd en estado de control, pero Ja gréfica % no lo esté. Un punto se enctientra por fuera de los Ifmites de control y se observa‘un acercamiento de los Ifmites de control. Dia feaas an, Lote NB Poricion A B Py ~ Pa ae 13 387, ‘421 4 A : 14. 397 422 bt B, is 397 397 16 384 404 7 17 402 351 5 aed = 18 398 401 19 393 382 ial 20 381 366 2 392 ait in zw | Ge 7 i B 395 402 i Ey] ‘407 38h Tabla 7.14 Subgrupos de gréficas de control para resortes tipo Ay estratificadas segin B 390 GRAFICAS DE CONTE, oy 133. 380 50. to Me ai L bo 5 6 7. 8 13 1415 16 dias 5 6 7 8°13 14 15 16 dine o Figura 7.18 Grdficas dé control Bafa resortes tipo Aj estratificadas segiin B Resumen y medidas remediales 2) do se tratan los résortes de tamafio mediano. Hay un problema con la fijacién de los estdndares de opera- cién. Es necesario establecer la relacién entre la dureza de los sh ia, 134 " CAPITULO SIETE sesortes y su tendencia a fracturarse, y fijar nuevos estdndares. Como una estimacién temporal basada en los datos dados aqul, se debe fijar la dureza mdxima en 440 Hb, por debajo de Ja cual no se encuentran fracturas. Si se controls la duréza por debajo de 440 Hb, pueden no ocurrir fracturas. 3) Una comparacién entre los diferentes turnos mostré que Ja operacidn en el curno, B, no era estable. Se deben revisar los esténdares de operacién y los métodos. Se debe investigar la razén por la cual no hay variacién entre lotes en un die pero st la hay de dia a dia. 4) Sise toman las anteriores medidas, es de esperar que se logre Ja capacidad de proceso obtenida actualmente con Ia combi-, nacién A,B,, tanto para resortes pequefios como pata resor- tes de tamafio mediano, los defectos se.climinardn y el fndice de capacidad del proceso serd : é . LEs—LEi 440-350 Cp = SS aEE _ 440-350 | ? Ge 6x 8.97 7: 7.7, CONTROL DEL PROCESO CON GRAFICAS DE CONTROL ; s Cuando se ha captado suficientemente la relacién entre una ca- . Mariera que el valor esperado de la caracterfstica de calidad se mantenga dentro de un rango deseable. Este paso se llama co. trol del proceso. La grifica de Control sirve como un medio tril para identificar condiciones anormales de los Procesos y para mantener los procesos en condicién'estable. (1) Caracterfsticas de contro] Una variable que se usa para conducir el control dé in Pioceso se Hama Ja caracterlstica de control del proceso, Las siguientes con- GRAFICAS DE CONTROL = 135 sideraciones deben tenerse en cuenta en la determinacién de las caracterfsticas de control. 7 a) Los valores caracterfsticos deben reflejar correctamente los estados' del proceso. ‘ b) Deben- minimizarse los efectos de 4reas externas. ) Los resultados deben estar disponibles de inmediato. d) El muestreo y la medicién deben ser econdmico. Una caracterfstica sustitutiva puede usarse si tiene una relacién fuerte con la caracterfstica de control original: Para el caso en que la medicién implique la destruccién de los materiales, puede hacerse una sustitucién por mediciones no destructivas. (2) Determinacién de Lineas de control Para administrar un proceso por medio del uso de una grdfica de control, es necesario examinar si la capacidad del proceso es ade- cuada; es decir, si el proceso es.estable y si los rangos de'variacién de la caracterfstica de control en la grafica indican conformidad satisfactoria con el esténdar requerido para producir cierto pro- ducto. Cuando se, encuentra que el process es inadecuado y su caracterfstica de control no esté en un estado de control, es nece- sario iniciar actividades tentativas de control contra las anorma- lidades fijando lineas temporales de control, y al mismo tiempo mejorar el proceso, : : La grdfica de control que’se hace para el, andlisis:del proceso se compara‘con los valores estdndar. Si la gréfica de control muestra que el proceso est4 en el estado deseado, enconces las I{neas de control se extienden para el control del proceso. Su procedimiento se da en la figura 7.19. 136 CAPITULO SIETE ee Anilisis del proceso con base en datos preliminares ySe encuentra en el estado de control? Identificacién de causas asignables {Se encontraron Ins causas? Recalcutar las Ifneas de control eliminando fos datos fuera de.control USatisface los estandares? Control! del proceso por la extensién de Jas Iineas de control Figura 7-19 Flujo de decisién de Ifneas de control “ss GRaricas BE CONTROL: * = 137 (G) Revisidn de las lineas ‘de control : tado del proceso. Esta revisién ‘debe ha- cetse lo mds prorito posible. Aun cuando no se reccinocen. cam- bios conépicuos, deben ‘antenerse revisiones regulareés de las If neas de control. Si revisién debe basarse en el rango de las fluc tuaciones que pueden écurrir cuando el Proceso esté bien, con- trolado. : (4) Estdndares de operacién : Para poner todo un proceso en uni estado estable por medio del control del proceso,’ es necesario captar los factores que’ contri- buyen a las fluctuaciones del proceso y evitar cambios anormales de estos Factores. Para logéarlo se requiere la estandarizacién de los procedimientos de operacién y de los métodos. Para propo- ner un conjunto de est4ndares de operacién se deben tener en cuenta las siguientes consideracionés: a), La estandatrizacién debe ser consistente’con los objetivos “ mencionados, | : b) Los estéridares deben establecerse para controlar la fluctua- cién de los factores contribtiyentes. © Los estdridares debén ser prdcticos y servir como criterio de ‘opéracién. ° d) Son decisiones tentativas y fio 'necésariamiente metas ideales. ©) Deben especificar los procedimientos importarites. £) Se deben hacer revisiones de los estdndares Para mejorar. g) Debe compienderse claramiente el contexte de elaboracién de los esténdares, y debe aclararse el proceso para fijar los estandares. a h) Los estdndares deben fijar claraniente la responsabilidad y la atitorizacién. fi i) En la documentacién de estaridares debe tenerse en cuenta la facilidad de utilizacién de los manuales. 138 CAPITULO SIETE ). Se.deben describir las medidas temporales Para emergencias. 1) Deben tenerse én cuenta las consideracioner » prueba de erro~ tes y para la seguridad. 2) Deben estar orientados hacia las metas, no hacia el formalis- mo, : i m) Deben implementarse su instruccién y entrenamiento, En la planeacidn de estdndares, es indispensable la habilidad Para controlar los principales factores del proceso. También, el Gxito de la estandarizacién depende de la devocién de los trabaja- dores a los esténdares. En Ia realizacién, del proceso, de control, los ésténdares deben revisarse continuamente hasta la perfeccién, usando la gréfica de control. Ademds, también so deben estable- cer los procedimientos relacionados con la estandarizacién, tales como aplicacién, documentacién, revisién, edicacién y entre- namienco. : {tem individual, los limites de la especificacién deben comparar se con los datos de cada ftem, no con =, ni con los Ifmites de control. . 2 ; Si el histograma sé encuenira dentro del limite superior ¢ inferior de la especificacién con un margen, puede juzgarse satis- factorio para los esténdares. Entonces, este Proceso puede con- trolarse por las Itneas de control calculladas « partir de los dacos del proceso, os . Por otra parte, si el histograma rebasa los limites superior e inferior, significa que el proceso no es satisfactorio, Se requieren Procedimientos, correctivos, eee : : Aunque un proceso se encuentre en el estado de control, el Proceso podrfa producir Productos defectuosos; y yiceversa. Los GRAFICAS DE CONTROL, 139 el proceso est& en el estado de control o no, mientras que los itmites de especificacién se hacen para proporcionar un juicio sobre si cada producto es defectuoso o no. El estado de control es un ‘estado en el cual las causas asignables se eliminan y la varia cién del proceso se debe sdlo al azar. Puede obtenerse realizando el trabajo segtin las instcucciones de trabajo. La amiplitud de los Ifmites de control se determina basdndose en la variacién debida al azar. Por otra parte, los l{mices de especificacién sedeciden por las demandas.de los consumidores o los usuarios. As{, como se muestra en la figura 7.20, es probable que se presenten los siguientes cuatro casos: a) El proceso no estd en'un estado de control y también se pro- ducen (tems defectuosos. b) El proceso esté en estado de control y sin embargo se produ- cen [tems defectuosos. ©) Elproceso no est en estado de control pero los productos no son defectuasos. d) El proceso esté en estado de control pero los productos tam- poco son defectuosos. Grafica de| gontral} Estado fuera de control Estado controtada Histograma a) by ey LEi LEG LEs Les. § "| Sagn Sea carpe at 3 s ae BE etn eee ae LCi Let 2a Mejoramiento del proceso a c) qd) 3 LEI LEs cs LEE LEs hee 3 pow 4 Loi tci Figura 7.20 Comparacién de graficas de control con las especificaciones 140 CAPITULO SIETE No hay problema en el caso d), pero se presenta confusién cuando ocurren b) oc). La'razén es una falta de armonfa entre la capacidad del proceso y la especificacign: En el caso b), la capaci- dad del proceso es insuficiente para la especificacién. Para preve- nir la ocurrencia de productos defectuosos, debe hacerse el es- fuerzo para mejorar la capacidad del proceso. El caso. c) ocurre cuando el proceso tiene suficiente capacidad para la especifica- cién. En este caso, debe considerarse el mejoramiento de la efi- ciencia de la produccién. Ejercicio 7.1 Seleccione un tipo apropiado de gréfica de control para contro- lar las siguientes caracterfsticas de control. 1) Peso de galletas émpacadas. 2) El ntimero de productos defectuosos en 1.000 partes. 3) El numero de defectos de soldadura en un equipo de radio. 4) Rendimiento de un producto giifmico’en tna’serie. 5) El porcentaje de productos defectirosos en un lote cuyo ta- mafio puede variar. : 6) El valor de resistencia de cinco piezas de prueba muestreadas en un dfa. 7) El numero de rayones por 1 m? en una’ placa de acero. Ejercicia 7.2 Para investigar el perfil de variaciéa de ciertas partes en un pro- ceso de maquinado, se midieron las dimensiones de'las partes cuatro veces al dfa; a las 9:00, 11:00 y 16:00. Haga una gréfica de control X — R para analizar este proceso. GRATICAS DE CONTROL 141. ; Hora : No. Fecha 11:00 - 14:00 16:00 “T | Nov. 2 52.5 52.9: 52.9 53.5 2 3 53.0 52.8 53.5 52.4 3 4 52.8 52.9 52:7 52.8 4 5 52:9 52.9 52.9 52.9 5 6 eee ieleaeeea eae aiiilleatgn 6 9 $2.6: 53.4 53.1 53.3 7 10 53.5. 53.6 52.8 52.7 “38 11 - 53.1 53.3 53.5 53.0 9 12 53.4 53.1 53.1 53.1 to 3.” 5 534-00 7 53.1, 52.9 11 ié : 53.0 53.9 53.1 12 17 52.8 52.9. ° 53.2 53.2 13 18 (53.2 53.3... 52.9 53.1 14 19 53.5, 52.9 . 54.0 53.9 1s 20 54.3 eee EERE EEC 53.8 16 23 53.2 53.3 54.0 53.7 17 24 53.8 54.0 53.8 ‘53.8 18 25 | 53.1 53.6 53.7 53.8 19 26 53.7 53.8 53.0 53.5. 20 27 53.3 53.1 53-6 53.0 21 30 53.3 53.7 53.3 53.8 22 Dic. 1 53.1 53.1 53.2 53.1 23 2 53.6 53.4 53.2 53.0. 24 3 53.4 53.7 53.0 53.2 25 | 4. ‘53.3 53.2 53.5 53.4 Cuando se toman poblacional p y un dicianes:de'una poblatién con tna media Varianza poblacional G2, donde los valores de las mediciones'son x,, x3, -... x,y su media es y, entonces ae (8.17) ee nm wn n De la formula ‘ancerior, poniendo 2,.= 2, =... 2,°= 1/n, la expectativa y la varianza de y se obtienen por : Hy= My : (8.18) y ss a o 2 2 2 i o2=C-)*207=—. A S i n ft H (8.19) Esta és una férmula bien conocida para la distribuciéh de la média muestral. i 8.5 ‘ERROR DE MUESTREO Y ERROR DE MEDICION || : Cuando se estima un ingrediente de materiales tales como ’el car- bén o el mineral de hierro, el trabajo se hate generalmente en dos etapas, la primera de las cuales es tomar una muestra del lote, y la Segunda es el andlisis qufmico de la muestra obtenida. Debi- do a estos procedimientos, existen dos tipos ‘de errores en la esti- macién del ingrediente. Uno es llamado el error de muestreo y ocurre cuando la muestra se toma del lote, y el otro se llama error de medicién, el cual octirre cuando se mide la muestra..Cuando el error de muestreo se expresa como xs y el error de medicién como xy, los datos medidos y se pueden expresar como YH + XSF Kays (8.20) ants Bla de x44 €5 Hyp la media de y estd dada por Hy= M+ Us thy, (8,21) donde son el sesgo en el muestreo y la medicién respecti- s Hag g y! Pi Yamente. La varianza de y estd dada por Cuando una muestra se mide dos veces y se roma la media, la Varianza de la media es Tavarianza del error de medicién se convieme en la mitad, Si eesoman dos muestras, haga mediciones de cada wan de ellas una ve tome la media, éntonces la varianza est dads por .. Como’se explicé en la seccién previa, la varianza del valor de Ja media se convierte en 1/n, si las medicionés sé repiten m veces, mediciones, el sesgo permanece igual sin importar cudntas ob- strvaciones se repiten, y Ia obtencién de la media no leva a su reduccién, si + oe ADITIVIDAD DE LAS VARIANZAS 151 8.6 LA VARIANZA DE LOS VALORES .DE UNA FUNCION. i Cuando y se expresa por la funcién fde variables aleacorias inde- endientes x1, x3, -... x, Como 7 1? 2 a I =F xa Xp > oe" (8.25) y si fse amplfa alrededor de {1;,+-*,/,) que son los valores me- dios de, x1 ,+++,x,. entonces ad Y HK Sis eny : . = Pett. tem + Svea — ay tS 24 weap; —u) + 6.20 ei jai Ox;Ox; rani i Si los términos de Ja funcién pueden despreciarse a partir de la.segunda derivada, es posible escribir YF Urs Hay a x ou Uy; : = os (i =) @.27 yen consecuencia la media y la varianza de y son aproximada- mente Myf bys Hay (8.28) OF 2 2 (—)’a;", i“ donde o? es la varianza de x,. - 152 " cartruto ocHo Ejemplo 8.1 Peso del carbén seco Se entregaron alrededor de 1.000 toneladas de carbén. Su contenido promedio de humedad es alrededor de 8%. Sila pre- cisién en el pesaje del carbén, 6,,¢s-5 toneladasy la precisién del muestreo y de la medicién de la humedad, 6, es 0.5%, gcudl es la precisién, o,, de y, el peso estimado del carbén cuando estdé seco? Sea el peso medido del carbén x, toneladas y el contenido de humedad sea x,%, entonces el pego del carbén séco se estima por =x,0—- 2 (8.30) = ro : En consecuencia, zy 2 aad 2 oF, *a ‘100 eae ne =(— 2.92 55? 410007 Cr 2? = 46.16. - (8.31) 100 Ast ; o, =6.8 (toneladas) (8.32) 8.7 CUANDO LAS VARIABLES ALEATORIAS NO SON INDEPENDIENTES La aditividad de las varianzas funciona bien cuando Jas variables aleatorias son mutiamente independientes. Se dice que dos va- riables aledtorias son independientes cuanda el valor de una va- tiable cambia sin ninguna relacién con la otra variable. Cuando hay 1 parejas de casados y las edades de un esposo y _ su esposa son x yy, respectivamente, la diferencia de sus edades se expresa por zex-y- : : (8.33) ADITIVIDAD DE LAS VARIANZAS 153 Six'y y son independientes, la varianza z serd thoy 2, (8.34) ‘Suponga a, =o, = 5, entonces G,= 7. Pero en realidad, esto no sucede, porque las edades de tin esposo y de'si esposa no son independientes. En una pareja anciana, tanto el esposo como la esposa Son aricianos, y en una pareja joven ambos son jévenes. Esto no quiere decir que no haya hombies ancianos casados con mujeres jSvehes ni mujeres ancianas casadas con hombres jéve- Bes, Pero estos casos son micho menos firccuentes que los dos primeros casos. ~ ae . Z Cuando « y y'no son independientes, la media y la varianza de : ; Za ax+ by ; " (8.35) estén dadas por 2 = al, +b, , (8.36) 22 Oz, =a oO, ze 2 bi : +6%0," +2abpa za, . ; (8.37) La media de z es la misma como’en el éaso'en el quexyyson independientés, pero la varianza difiere por 2abpoa,a,, donde Pes el coeficiente dé correlacién, coeficiente que muestra el grado de relacién entre dos variables. Los valores de P se cn- cuentran entre —1 y +1, es decir -lspSi- (8.38) A medida que la relacién entre lag dos variables es mds fuerte; mds cercano es el valor absoluto de p a 1. 154 CAPITULO OCHO Cuando .p = £1, todos los valores (x, y) se encuentran en una linea recta. Cuando p>0, el aumento de una tiende a au- mentar el valor de Ja otra y se llama una correlaciéa positiva, y - cuando p <0, el aumento de una tiende a disminule f valor de 1a otra y se llama ina corrclacién negativa, En el cece de las eda- des de los hombres y sus esposas, claramente P>O. Por ejem- Plo. sip = 0.7. la varianza de las diferencias de edad serdn 2 +5? 2*0.7x5x5=15, (8.39) 3.87. : (8.40) 88° COMBINACION SELECTIVA ducto es reducir las variaciones de sus partes individuales. Sin embargo, si por razones tecnoldgicas de la produccién es dema- - Slado dificil hacerlo, es necesario selecciofar la “pareja” mds ade- cuada para una parte, en lugat de hacerlo aleatoriamente. Por ejemplo, la distancia encre el pistén de un motor y su cl didmetro del cilindroes xy el diametro del pistdnesy, es nece- sario. mantener el valor z= x y tan uniforme como sea posible, A partir de la fSrmula descrita en la seccién 8.7, obtenemos of =o. +o,? +2pc,,0,. (8.41) . ape 2 : De manera que si P sc hace aproximar a1, O, se aproxi- mard a (oy, ~ Oni ADITIVIDAD DE LAS VARIANZAS- 155 La lente de una cémara sé hace laminando lentes de diferen- tes {ndices de refraccién con el fin de reducir la aberracién cro- mitica. Si el espesor de una lente es x y el de Ja otra lente es y, es deseable mantener el espesor gerieral z = x + tan uniforme como sea. posible. Puesto que 2 2 2 =o, +0, +2po,0,, © 2 - . . G,” se acercar4 a (0, —C,)*, si se hace que P se aproxime a—l, como en el ejemplo anterior. Aunque la combinacién selectiva es una manera afectiva de réducir la variacién, se disminuye la eficiencia de la produccién porque se requieren mds partes y cada parte tiene que medirse por anticipado. 8.9 CONTROL ESTADISTICO DE CALIDAD La produccién industrial implica frecuentemente la produccién masiva del mismo tipo de producto. Es necesario mantener la variacién de las caracter{sticas de calidad de estos productos en el m{nimo, y lograrlo es una de las tareas mds importantes del con- trol de calidad. Las variaciones de las caracterfsticas de calidad son causadas por cambios en un gran numero de factores que afectan a estas cardcter(sticas. Estos pueden generalmentce clasi- ficarse en los siguientes cuatro elementos. ae 1) Variaciones en los materiales. 2) Variaciones en la maquinaria y los equipos. 3) Variaciones humanas y en métodos (trabajadores y métodos de operacién). 4). Variaciones en las medidas. Estos se Ilamian los 4M’s de las variaciones, y las variaciones en las caracteristicas de calidad se presentan como la suma de estos cuatro tipos de variaciones segtin el principio de la aditividad de 156 ‘ CAPITULO ‘OCHO las varianzas. Debemos averiguar qué tan fuertemente contribu- yen estos elementos a las variaciones en la calidad y cudles de estas variaciones se deben controlar, y disefiar métodos para con- trolarlas. Las actividades bdsicas del control de calidad en la f- brica son los andlisis repetidos y las mejorfas pata reducir la va- riacién de la calidad. Empezando con esto, es hecesario determi- nar la magnitud de Jas actuales fluctuaciones, y luego proceder con los anilisis de los factores que las causan. A partir del teorema de la aditividad de las varianzas, pode- mos derivar una importante ley, de Ia mianera siguiente: : “Reduzca la varianza mayor con el fin de reducir la varianza total”. : La tabla 8.3 muestra varios casos de valores de 2 * Bf Caso No. o,, sy | of so, + o,’ s, I 10 10 200 14.1 2 10 5 125 11.2 3 10 3 109 ° 10.4 4 10 1 101 10.05 5 aS 5 50 7.07 6 5 3 34 5.83 7 5 1 26 5.10° ‘Tabla 8.3. La reduccidn de la mayor varianza para reducir la Varianza total Podemos ver que Ja contribucién de G, a O, es mucho mayor que la de o,, excepto cuando G,= 6,, Esto significa que debemos primero reducir la mayor varianza 0,” , cuando queremos redu- : . 2 cir Ja varianza total o,”. ADITIVIDAD DE LAS VARIANZAS 157 Ejercicio 8.1 Se seleccionan aleatoriamente y s¢ ensamblan dos tipos de'par- tes, Ay B. Los siguientes datos muestran el valor medido de cada parte antes del ensamblaje. 1) . Obienga las varianzas de A y de B. '2) Obtenga el valor de 44. 8 Para cada conjunto y calcule la varianza. f 3) Haga.el mismo cdlculo para A—B. No. A B No. JA B 1 6.95 5.40 6 7.70 3.90 . 2 6.75 4.45 7 6.85 4.25, a) 7.25 4.65 8 7.50 3.95 ‘4 6.50 4.55 9 7.05. 4.80. 5 7.95. 4.95 10 7.90 4.90 Ejercicio-8.2 : ie Una mdquina empacadora deticne autométicamente su opera- cién de empaque cuando la suina del peso del contenedor y su contenido alcanza un valor prefijado. ;Cudl es la yariacién del ‘peso del contenido cuando la Precisidn de empaque de esta md4- quina en términos de la desviacién estandar es Oo, y la variacioén del peso del. contenedor é G, en términos de la desviacién estdndar? xX Introduccién a la inferencia estadistica See PEER aero ee pee 9.1 ESTADISTICA ~‘mauestra, tal como Ja media de la ‘nuestra, se llama una estadisti- a. En otras palabra, una estadistica es una funcién de observa- ciones de la muestra, eee Debemos diferenciar entre una estad{stica y un pardmetro de poblacién. Para hacerlo, usamos con frecuencia los términos ine- dia de la mudsera y media de la Poblacion en lugar de usar simple- censtante, pero ino se ‘cohoce eh realidad. Por cera parte, pode- mos calcular una estadistica a partir de una muestra, pero la esta distica variard de muestra a muestra. Aunque quisiéramos cono- cer el pardmetro de la poblacién, observamos solamente mues- tras obtenidas de la poblacién. Por tanto, tenethos que estimar el pardmetro dela poblacién a partir de una estad{stica, Para hacer- ‘lo, tenemos que conocér la distribucién de las estad{sticas, tales INTRODUCTION A LA INFERENCIA ESTADISTICA 159 Poblacién Muestreo Suposicién: Distribucién normal .. Inferencia * estadistica Figura 9,1 Inferericia estadfstica como la distribucién # 0 la distribucidén ¢, La figura 9.1 ilustra el método de Ja inferencia éstad{stica. 9.2), DISTRIBUCION DE LAS ESTADISTICAS En la inferencia estad{stica, debemos conocer la distribucién de _varias estad{sticas. Estas se pueden derivar de un experimento de miuestreo, Usando un computador, géneramos un conjunto de 5 variables aleatorias desde V (50, 2”), y calculamos-*, RVUs uy # donde eae eae (9.1) olvn 2/5 i _ %-50 = (9.2) ade? "Ts Repetimos los anteriores cdlculos 10 000 veces. De esta ma- nera tendremos 10 000 observaciones de las estad{sticas ¥, Ry coansenui ap o1uourtiadxs um ap soprajnsat So] 2p 27eq 1° *ITEL gos - os = 2 og ts 0S SOS. 1s 0G.» 6 _—OOS os. fs SOY ig “0S db 8S a fs 6» lS a. os wy 1g tS Oh [as 0s “9S AS 2 3 so ts is g yl th) est ost oy OS [SSS GH OS E os zs 600 O80 «HOY | OS OS SF 3 get Oye WoL «LT YL | 0S oe sso zo veo. 020 t ~ TOS fds IS. 0S OS ist ssl goz ote S$) wis | ws Is By ES igo- 6x0 SO? Oty -y wo) a 1s & Is Wo Woe yl Oty. Mor; US dy OS OS avo- Ze sot 059 «9 «|| OY |. 9 tS. sco 770 (OFL «oO) EOS | IS OS wo 190 oot org 8 90S] 0S ue SSS 7 ao s A y x 160 "161 Media = 4.6338 DS = 1.734 Ta + Figura 9.2 Distribucién de ¥ Figars 9.3 Distribucién de R Figura 9.4 Distribuciénde ¥: Figura 9.5 Distribucién uv “Media = 0.0048 | DS = 1.3983 Figura 9.6 Distribucién der kale 162 : CAPITULO NUEVE ast sucesivamente. La tabla 9.1 muestra los primeros 20 casos. Los espacios en blanco en los nimeros 11-20 se dejan como ejer- () Distribucién de Por la figura 9.2 podemos ver que: a) _ x se distribuye simécricamente alrededox de la media, dando Ia apariencia de una distribucién normal. F ae |b) Lamediade ¥ (= 30.0023) se acerca mucho a la media de la poblacién (= 50.0). © La desviacién estandar de ¥ (« 0.9011) se aceres a vn veces la desviacién estandar de la poblacién 2.0/5 = 0.8944). Por lo general, el siguienie teorema se cumple: Teorema 9.1 Supongamos que x, ,..., x, son’ observaciones de una po- blacién con una media [I y una variane. 07, y que ¥ es la media de la muestra: Entonces, el valor esperado, la varianza y Ja desviacién esténdar de¥ son : E@=p, 0 “ 3) i (9.4) ¥ i : Bt D@) 0.5) -Feéspectivamente. INTRODUCCION A LA INFERENCIA ESTADISTICA 163 ‘Teorema 9.2 Supongamos que (x, 5...» *,) de N (Hs 67), y ¥ es la media de la muestra. Entonces, ¥ se distribuye como NN (tL, o? fn). El teorema 9.1 se deriva directamente de la seccién 8.4. Es un hecho importante que la desviacién estatidar de una media de la muestra sea 1/-Vm veces la de la poblacién (figura 9.7). La precisién ‘de la media de la muestra ¥ como estimador de la media de la poblacién es proporcional a Ja rafz cuadrada del ta- mafio de Ja muestra, Distribucién de X Distribucién Figura 9,7 Distribucién de ¥ y dex Otro teorema importante sobre la media de la muestra es el reorema del limise central, enunciado de la manera siguiente: Teorema 9.3 (Teorema del Ifmite central) La distribucién de una media muestral de una poblacién que tiene una varianza finita tiende a distribuirse normal- mente a medida que el tamafio de la muescra tiende hacia el infinico. 164 CAPITULO NUEVE n=1 I 4 _ 0 5 1 2 n=2 1 0 5 1 2 n=3 1 0 5 1 ° 5 1 Figura 9.8 Ejemplos del teorema del Ifmite central Seguin el teoremia 9.2, la media muestral de una poblacién distribuida normalmente se distribuye exactamente en forma de una discribucién normal. Y el teéorema 9.3 dice que; aun si la distribucién de una poblacién no es normal, la media muestral se aproxima a la distribucién normal. Esta aproximacién se cum- ple mejor para m de valor'grande, pero es adecuada para un valor de 1 tan'bajo como 5. Por ejemplo, la figura 9.8 muestra la dis tribucién de una media muestral de # observaciones tomadas de INTRODUCCION A LA INFERENCIA ESTADISTICA 165 una distribucién uniforme: Se debe al teorema de Itmite central ‘que podamos hacer varias inferencias estadfsticas usando la me- _ dia de la muestra, supéniendo que la poblacién ést4 distribuida normalmente. ~ : : ea Q) Distribucidn de R En la figura 9:3 podemos ver que: © a) La distribucién tiéné in sesgo positive. b) La media (= 4.6338) es alrededor de 2.3 veces la desviacién estandar de la poblacién. . = “>.” : ; : c) La desviacién esténdar (= 1.7794) es’ alrededor de 0.9 veces la desviacién estdndar de la poblacién. Por Io general, el siguienté teorema se cumple: Teorema 9.4 Sea R el rango de ina muestra (%, 4... x) de N (it, @). El” valor esperado y la desviacién estandar de R'son : ER) = hyo (9.6) y : DR =d5, : 7) réspectivamente, donde d, y d, son ciertas constantes que dependen de x. - : dee / Los valores de d, y d, se muestran en la tabla A.2 del apéndice de este libro. A partir de la tabla, en este caso, 2 = 5, dy = 2.326 y a, = 0.864. A partir del teorema podemos estimiar Spor R o=4. (9.8) 166 CAPITULO NUEVE (3) Distribucién de V Por la figura 9.4 vemos que: 2) La distribucién tiene un sesgo Positivo, b) La media (= 4.0652) es casi igual a Ja varianza de la pobla- cidén (2,02 = 4.0), ee ©) La desviacién éstandar (= 2:9231) es aproximadamente.0.7 veces la varianza de la poblacién, Por lo general, el siguiente teorema se cumple: Teorema 9.5 Sea V la varianza de una muestra © 9.5%) de (i, 62), BL valor esperado y la desviacién estindar de’ Visco, « EW) = 02, 7 i (9.9) Se usa la estadistica V para estimar ia varianza de la pobla- cidn 67, A partir de @.9), su valor esperado es igual a o2: Un dor no sesgado de G2, Por Supuesto que ¥ rambién es un estima- dor no sesgado de p, ce : A propésito, Vs¢ obtiene dividiendo Id sunia de los cuadra- dos de las desviacione’s S por (n — 1), como se define en (5.4): Puede parecer extrafio dividir § Por (z= 1) en lugar de dividir INTRODUCCION A LA INFERENCIA ESTADISTICA 167 nm = 1, cualquiera que sea el valor de x,, tenemos que S = 0. Por tanto, para una muestra #1 = 1, no tenemos informacién sobre la variacién. Podemos obtener informacién sobre la variacién sola- mente cuando 1 = 2, y n observaciones contienen informacién sobre (7 — 1) variables. Este ntimero se llama el grado de libertad. Representéndolo por $, en este caso tenemos Byte get geet (911) (4) Distribucién de u Este ceorema se deriva Ficilmente del ceorema 9.2 y la estan- ‘Teorema 9.6 Sea ¥ la media de una muestra (%, 5... x,) de N (UM, 0) . Entonces la estad{stica : X¥—-h ws oivn se distribuye como la distribucién normal. darizacién de ia variance normal. 7 “Designamos el punto del porcentaje © bilateral de la distri- bucién normal por u (0). Es decir, Pr { [x u(O} =a, (9.13) donde x se distribuye como N (0, 12). La distribucién w se usa para la prueba y estimacidn de la media de una poblacién cuando se conoce &. 168 CAPITULO NUEVE (5) Distribucién de t En las figuras 9.5 y 9.6 vernos que Ja distribucién de la estadfsti- ca tes similar a la distribucién de u, pero tiene una variacién ligeramente mayor. Se ha establecido matem4ticamente lo siguiente. Teorema 9.7 Reemplazando G por la desviacién est4ndar de la muestra s en (9,12), tenemos t ; * (9.14) tse distribuye como Ia distribucién ¢ con un grado de liber- tdd=n—1. Debido a que se reemplaza GO por su estimador, es natural que Ja distribucién ¢ tenga una variaci6n mayor que la distribu- cién normal estdndar. Cuando el grado de libertad b = 7—1les pequefio, la distribucidn tiene extremos largos. Si # es muy gran- de, s se aproximard a G. De manera que podemés creer que para n grande la distribucién fdiferiré péco de la distribucién’normal est4ndar. En realidad, una distribucién t con un grado de liber- tad & = 00 se conforma a la distribucién normal. La distribucién ¢ est4 claramente determinada por el grado de libertad cb, como se muestra en la figura 9.9. Designamos el punto del porcentaje bilateral & de la distribucién tcon grado de libertad - por ¢ (ch, &), es decir, Pr{[e] Br, Q}=0 os) donde ¢ se distribuye como la distribucién # con grado de liber- INTRODUCTION A iA INFERENCIA ESTADISTICA “169 {6 = & (normaly e=3 =i ob. Figura 9.9 Distribucién ¢ tad . La'tablaA.3 del apéndice de este libro da los puntos del Porcentaje, © 0 = i © La distribucién ¢ se‘usa para la prueba y estimiacién de la media de uria poblacién cuando se desconoce 6, o para someter a prucbay estimiar la diferencia entre las medias de dos poblacio- nes. : 9.3. PRUEBA DE LA HIPOTESIS: Ejemplo 9.1 La resistencia a la tensidn del acero inoxidable producido en cierta fabrica habla sido estable, con ‘una resistencia media de 72 kg/ mm2 y una desviacin est4ndar de 2.0 kg/mm2. Recientemenite, se ajusté una mdquina. Para determinar el efecto del ajuste, se sometieron a prueba diez muestras, como se registra en la pagina 170. 7 cas 170 “_ carrruto Nuzve Muestra No. Resistencia x, (kg/mm?) 76.2 ~ 78.3 78.4 74.7 cara 78.4 pose 70.2 73.3 74.2 CLCaNauaAWNA Suponga que la desviacién estdndar es la misma que se tenia antes del ajuste. ;Podemos concluir que el ajuste ha cambiado la resistencia de tensién del acero? ; Primero aclaremos el sentido de la pregunta: 1) Antes del ajusre, la resistencia de tensién del acero se distri- buye como N (Uy, Go”). Aqui, Ho ¥ Sy Se conocen como Hp= 72.0 ¥ Oy = 2.0, Fespectivamente. i ; 2) Después del ajuste, la resistencia se distribuye como NU, 0), donde se supone que o es igual a Gy =.2.0, peo Hes desconocida. ; : : 3), La pregunta es si [1 es igual a Hy o no. Es decix, éste es un nes Hy y LL. : 7 ® Diez muestras son muestras aleatorias de NV (u, ©). Ellas tienen alguna informacién sobre 1. * - ‘Tomando la media de ¥ de las'10 muestras, tenemos eect (9.16) ; 16 : “Este valor es diferente del de la media antes del ajuste, Ho 72.0 kg/mm?, Sin'embargo, no Podemos concluir-que el ‘ajuste haya cambiado la resistencia del acero, porque la media de INTRODUCTION & LA INFERENCIA ESTADISTICA Wh la muestra ¥ tiene variacién y no es siempre igual ala media de la poblacién. Consideremos la hipétesis de que el ajuste no ha cambiado la resistencia del acero. Si esta hipétesis es verdadera, enttonces ¥ se distribuirfa normalmente con ina media jlg=72,0 ) y una desvia- cién esténdar o/Va =2.0/V10 =0.632. (9.17) Por tanto, la variable estandarizada [ly dada por RB—Ug _ ¥-72.0 - atm 0.632 se discribuye como NO, 17). Puesco que tenemos X¥ = 75.0 de (9.16), el valor de [1g es 75-0 —72.0 = 4K. Uo 0.632 7: (9.18) La probabilidad de que [jig] alcance 4.74 es muy pequefia (= 0.000002). Esto quiere decir que ha sucedido algo muy im- probable o que la hipétesis es incorrecta. Sospecharfamos por tanto que la hipdcesis, [1 = [lp (= 72.0), no es verdadera. Decidir a partir de una muestra de observaciones si,una hipéctesis sobre un pardmetro de una poblacién, tal como | = Hy (= 72.0), eso no es correcta, se llama una prucha de hipdtesis. Cuando consideramos que la hipdtesis no es correcta, deci- mos que la rechazamos. En el ejemplo, cuando Ja hipétesis Fig: UL = 72.0 es verdadera, [Wy ‘tiende a ser cercaria a cero. Por eso cuando |{19| es mayor que un cierto Ifmite, rechazamos Hy. Por ejemplo, podemos seguir el procedimiento: “Cuando |pig| = 1.96, rechace Hy, y cuands [tg/< 1.96 acepre 172. CAPITULO NUEVE Seguin esto, la probabilidad de rechazar H, cuando es verda- dera es Pr (| wp | 21.96) = 0.05. (9.19) Esta probabilidad se lama un nivel de significacién y por lo general se designa por &. Este tipo de error, en el cual una hipd- tesis se rechaza incorrectamente, s¢ llama un error de primer tipo. El valor de ase selecciona generalmente en 0.05 (5%) 0 0.01 (1%). La regién de [lg en Ja éual la hipétesis Hy se rechaza se Hama la regidn de rechazo, y la tegién en la cual Hy se acepta se Hama la region de aceptacién. rechazo rechazo Figura 9.10 Regiones de rechazo y aceptacién (prueba bilateral) Cuando se rechaza una hipétesis, puede decirse con convic- cién que “el valor del par&metro especificado en la hipétesis no ¢s correcto”. Por otfa parte, aun si aceptamos una hipétesis, no podemps éoncluir inequfvocamente que la hipstesis sea correcta, porque podrfan aceptarse muchas otras hipétesis respecto a una muestra de observaciones dada y, sin embargo, sdlo una hipstesis puede ser verdadera. Cuando, aceptamos una hipétesis que real- mente no es verdadera, este error se llama error de segundo tipo, y su probabilidad se designa por B. Cuando [#}Hg, escribiendo INTRODUCCION A LA INFERENCIA ESTADISTICA 173- ~%—Ho ; i : atv! : : (9.20) La probabilidad de ettor de segundo tipo se ilustra en la figu- ra 9.11. Cuando una hipétesis no es verdadefa, muy Probable- mente Ia rechazatemos. La probabilidad de rechazar una hipéce- "sis falsa se lama la potencia de la prueba, y se designa como 2 donde P= 1—~B. El valor de-P varla segtin la diferencia entre HY Ups como se muéstra en la figura 9.12. f El procedimiento para somete:'a prueba una hipétesis se mueStra en Ia tabla 9.2: : ey Distribucién + eee de ty AB. ™Distribucién : de uy Regién de Regiénde _. aceptacién rechazo _ Figura 9.11 Ero del segiindo tipo, B Potencia —Probabidad | ‘x = 0.05 71 72. 73 74 (kg/mm?) Ge) Figura 9.12 Curva de potencia para el djemplo 9.1 70 174 CAPITULO NUEVE Procedimiento ~ eet Ejemplo (Eemplo 9.1) 1. Hipstesis, nivel de signif. 1. Hipétesis, nivel de signif cacién cacién Hig: = fy i A = Hy 72.0) Ai: H¥H,(%=0.05 0 0,01) Af, i Mt, (= 72.0fa = 0.05) 2. Estadfstica : 2.” Estad{stica tel oe i £.2) = F=-Ex; jo (762+ +74.2) =75.0 , 75.0~72.0 *—Ho : Ho = =4.74 ‘hg = : 2/0 o/ Vn . 3. Prueba 3. Prueba Obtenga x (&) de la tabla % (0.05) = 1.96 de Ia distribucién normal, Io] = 4.74 > 1.96 = (0.05) Si Jug] & se (2) — rechace Hy. > rechace Hy. Si bee! < % (C1) — acepre Al. 4. Estimacién ~ 4.. Estimacién | f=z - B= F275.0 © (kg/mm) o a a HK Lu (a) H=75.0£1.96 ¢ 2:2. Va ho “5 75.041.24 (kg/mm?) 5. Conclusién 5. Conclusién Debe concluirse, al. nivel de ‘significacién del 5%, que el «>, “ajuste de la mdquina ha cam- biado la resistencia de tensién’ del acero. Los limites de con- flanza al 95% para la media s0n 75.0 + 1.24 kg/mm?. Tabla 9.2 Prueba y estimacién de la media de una poblacién cuando O es |" eonecida (prueba de un solo lado) | INTRODUCCION A LA INFERENCIA ESTADISTICA 175 Ejemplo 9.2. En el cjemplo 9.1, gpodemos considerar que el ajuste de la mé- quina ha’aumenrado la resistencia. del acero? Supongamos que las otras condiciones permanecen constantes. - En el ejemplo 9.1, nos interesaba saber.si elajuste de la mé- quina habfa cambiado la resistencia o no. Culando.rechazamos la hipétesis Hy: = 72.0, consideramos que 1. # 72.0. En este ejem- plo, nuestra pregunta és si el ajuste ha aunténctado’a.no la resis- tencia. Si la hipéresis sé rechazara, podrfamos considerar que LL >72.0. Cuando una hipétesis Hy se rechaza, la hipécesis que acepta- mos se llama hipdtesis alternativa, la cual se designa por H,. En enel ejemplo 9.1, era Hy: [bg (='72.0) (9.21) mientras en el ejemplo 9.2, Hy: U>[p. (= 72.0). : ' (9.22) La hipétesis Hy se ama también Aipdtesis nula, pos oposi- cién a la hipétesis aleernativa. Cuando se somete a prueba la hipétesis alternativa (9.21), la regién de ‘rechazo se encuentra en ambos lados de la diseribu- cién, como se muestra en ‘Ja figura 9.10. Para (9.22), por otra parce, la regién de rechazo se encuentra en el lado derecho, como se muestra en la figura 9.13. La primera de estas pruebas se llama prueba bilateral y \a dltima de ellas se Hama prueba unilateral. 1.0 oO 1.645 ‘Regién de aceptacién ‘Regién de : rechazo » Figura 9.13 Regiones de acepracién y de rechazo (prueba unilateral) CAPITULO NUEVE | El procedimiento para el ejemplo 9.2 se muestra en la tabla Procedimiento Hipstesis, nivel de signifi- cacién Ag: = Up AY: >Yp(a = 0.05 0 0.01) (o Ay: Hy Si |u| B w (a) + rechace Hy Si |ugl < « (0) — acepte Hy. Cuando Hj:

— 4 (2a) + acepte Hy. Estimacién Como en el ejemplo 9.1 Conclusién Ejemplo (Ejemplo.9.2) 1. Hipétesis, nivel de signifi- cacién Hyg: i = Hy (=72.0) Ay: H> Hy (= 72.0fa =0.05) 2. Estadistica ee Como en el ejemplo 9.1 3. Prueba #(0.10) = 1.645 ty = 4.74 > 1.645 = j1(0.10) — rechace Hy. 4, Estimacién.: - Cormo:en el ejemplo 9.1 5. Conclusiéa : Debe concluisse, a un nivel de significacién del 5%, que el ajuste de la maquina ha aumentado la resistencia del “- acero. Los Ifmites de con- fianza al 95% para la media son 75.0 + 1.24 kg/mm? unilateral) Tabla 9.3. Prueba y estimacién de la media de una poblacién (prueba INTRODUCTION ALA INFERENCIA ESTADISTICA 177 9.4 ESTIMACION DE PARAMETROS Ejemplo 9.3 En cl ejemplo 9.1, considerames que la media de la resistencia habfa cambiado. Entonces, :cudl es el valor de Ja nueva media de la poblacién? ae ; . La estimacidn es el proceso de andlisis de una muestra con el fin de predecir el valor correspondiente del pardmetro de la po- blacién. Un estimador puntual es un estimador de un pardmetro de la poblacién dado por un solo valor. El estirnador puntual de un pardmetro © se designa por 0. Por ejemplo, la media de la poblacién 1 en el cjemplo 9.1'se estima por ¥, B=% =75.0 (kg/nim?2) (9.23) Un estimador de interdalo és un estimador de'un pardmietro _ de una poblacién dado por dos valores entie los ctales cc consi- dera que se encuentra el pardmetro. : 7 Suponiendd que x, x4, ..., x, pertenecen a N (i, 9), la media de la muestra ¥ se distribuye como W(u,2-) . ie x Escribierido Wo a olVn om. (9.24) la distribucién de'w es N (0, 12). Por tanto, la probabilidad de que # se encuentre entre + u (CX) es igual a 1 — & donde u (x) designa el purito de porcéntaje bilateral 0 de la distribucién nor mal. °, Pr4— < of [lp 0 AY: [<[1p, #5 se compara con t (n~ 1, 20) 0 — +4, (7-1, 2), respectivamente. Como el valor de ¢ definido en (9.29) se distribuye como una distribuciédn ¢con @ 7 —1, tenemos Pr-—t(a-la) rechace Hi. ; “Si [el < @§ G2 — 1, 3: acepte Ay. 4, Estimacién oe 2.56 MS 75.0 42.262 x 222 10, _ = 75.0 + 1.83 (kg/mm? ) faz es M=xttG—1e@& 5.’ Conelusién - “$= $6308.76 — ‘2. Estadtstica Xx, = 750.0 “" Ex ?= 56308.76 X= 75.0 58. e768 | a6: 53 =2.56 75.02 10 =58.76 to= 75.0 —72.0 =3.71 _. 2.56/V10 Prueba #(9, 0.05) = 2.262 lel = 3.71 > 2.262 =#(9, 0.05) rechace FZ;. Estimacién A=75.0 Conclusién ., - Debe condluirse, al nivel desig Rificacién del 5%, que el ajus- te dela mdquina ha cambiado “a resistencia del acero, Los It ‘mites de confianza para la me- dia al nivel del 95% son'75.0+ 1.83 kg/mm, Tabla 9.4. Prucba y caimacion de la media de una poblacién cuanda @ es desconocida ron sis 182 CAPITULO NUEVE 9.6 PRUEBAS Y ESTIMACIONES DE LAS DIFERENCIAS ENTRE LAS MEDIAS DE DOS POBLACIONES ° Supongamos que se tienen dos conjuntos de muestras y quere- mos saber si las medias de dos poblaciones son iguales o no. Sean m1) X95 045 545 Para 7, muestras de la primera pobla- cién con una media pl, y desviacign estindar 6, y x;,, bast ead “dra? Param, muestras de la segunda poblacién.con une media JL, ¥ desviacién estdndar 6. Para someter a prueba la diferencia eh- tre las medias de dos poblaciones; examinamos la diferencia *1 — %,. Debido a que las distribuciones de las. medias de las eee : : o mulestras, %1 y ¥2 pueden considerarse como Ny —) y 2 : my } NG, —), respectivamente; %,— %2 tlene una distribucion ! ny normal, : 1 1 2 NU = Ha. (— +o ). 7 my Me Por tanto, estandarizando esto, _ 88 distribuye como NV, 12). Supongamos ahora que G es desco- nocida. Reemplazando o por sen (9.36), tence, pe RF) = Ha) (9.37) INTRODUCCION A LA INFERENCIA ESTADISTICA ~ 183 See eeceeeeeee ere (9.38) m +7, —-2 y.S; 0S, esla suma de los cuadrados en cada riruestra. En (9.37), fr tiene una distribucién ¢con $ = 1, +7, —2. Sino hay diferencia entre las dos medias, colocando LL, = H, en (9.37), tenemos donde tp= f 1 1 (9.39) $.|— + ™m 72 . Un ejemplo del procedimiento para el andlisis se muestra en Ja tabla 9.5. Ejemplo 9.5. Se estudid el efecto de la corriente de seldadura sobre la fuerza de ruptura. x, (600A) 37 29 35 28 24 36 40 37 33 28 29 x, (800A) 22 32 27 30 24 34 32 20 24-25 28 26 26 Tabla 9.5 Prueba y estimacién de la diferencia entre las medias de dos poblaciones gHay alguna diferencia en la fuerza de ruptura de las solda- duras usando estas dos corrientes? 184 ‘CAPITULO NUEVE Procedimiento Ejemplo Hipétesis, nivel de signifi- cacién Fig By = Hy AY: #1, (a= 0.05 0 0.01) Escad{stica Prueba Obtenga el valor der (n, +, —2, 00) dela cabla t Si [rol Be (my + ry —2, a5 rechace Hy. 1. Hipétesis, nivel de signifi-. cacién Hy: hy = By AY + Wye, (= 0.05) 2, Estad{stica Ex; = 366. Xx, 7 = 12454 Xx; = 350 2x7 = 9630 X= 366 = 33.27 oi 350 26.92 3667 Sy iE Eee a = 276.18 3507 Sp = 9630 —-—— = 206.92 2 13. = 21.96 = 4.69 = 33.27 — 26.92 at 3.30 3. Prueba “£(22, 0.05) = 2.074 |s)] = 3-30 > 2.074 =+ (22, 0.05)—9 rechace Hy. INTRODUCCION A LA INFERENCIA ESTADISTICA 185 Sil@l <4, + 2,-2.9 acepte Ay. z 4. Estimacién, : Thy ~ Hy = 33.27 — 26.92 =6.35 Hy — Hy = 6.35 2.074 x 4.69 x ae eee ee eee Tl. 13. = 6.35 £3.98 (kg/cm) 4. Estimacién 5. Conclusién: (5. Condlusién ” : : Debe concluirse que, al ni- vel de significacién del 5%, hay una diferencia entre las fuerzas de ruptura produ- cidas por las dos corrientes de soldadura. Los Ifmites de confianza del 95% para la diferencia entre las dos medias son 6.35 +£3.98 ke/ cm. 9.7. PRUEBAS Y ESTIMACIONES EN OBSERVACIONES PAREADAS Cuando sé toman muestras de dos poblaciones, a veces resultan diferencias significativas causadas por factores extrafios, sin que exista diferencia en el efecto que estamos tratando de medir. Por ejemplo, en un experimento para ver cudl de dos abonos (A 0 B) es mejor, se sembraron dos parcelas de trigo en cada una de diez estaciories experimentales. En cada estacién, una de las parcelas se aboné con el aborio A y la otra con el abono B. Si el promedio de las 10 observaciones relativas al abono A se compara con el promedio de las 10 observaciones relativas al abono B, la dife- weiss 186 CAPITULO NUEVE rencia observada (si la hay) puede deberse a las diferencias en el tipo de suelo o a diversas condiciones climdticas, en lugar de ser causada por diferencias entre los abonos. También exis ta posi- bilidad de que éstos causen una diferencia, pero que ella se vea oscurecida por otros factores. Un tipo de experimento que puede hap ctar estas dificultades consiste en’ que las observaciones se “hagan por pares." Tratamos de asegurathos de.que los dos miem- ‘bros de cada uno de los pares Sean semejantes én! todo, excepto en aquello que deseamos medir. As(, cada par de parcelas tendria aproximadamente él mismo tipo de suelo, condiciones‘climdticas, Sea x; el primer micmbro del iésimo par y Xp, el segundo, Supongamos que tenemos # pares de observacioney, Cy) 5 |» (9.40) Gay %21)1 2, aq) ir yj) su Si tomamos las diferencias d,~ x,,, ~ x,,, obtenemos una seric de n'observaciones d,. Deseamas someter a prueba la hipé- resis Hy = J. Esta hipétesis afirma que no hay diferencia entre los tratamientos, es decir, que no hay diferencia dentro de los sero. La prueba se realiza exactamente de la misma maneia indi- cada en Ia seccién 9.5 (prueba ¢con b= — 1), : Un ejemplo y el procedimiento. para el andlisis se muestran en Ja tabla 9.6, Pane : Bjemplo 9.6 ce INTRODUCTION A LA INFERENCIA ESTADISTICA ., 187 Muestra Antes Después (mm) 1 11.94 12.00 2 11.99 11.99. 3 11.98 11.95 4 12.03 12.07 5 12.03 12.03 6 11.96 11.98 7 11.95 12.03 8 11.96 12.02 9 11.92 12.01 10 12.00 11.99 _ Procedimiento Ejemplo Hipétesis, nivel de signifi- 1. Hipéresis, nivel de signifi- cacién ~ cacién Aig: Uy — Ha= 0 - Ay Hy — Hy = 0 AL, = Wy —by# 0 FY, Wy Hy #0 (%* 0.05) (a= 0.05 0 0.01) . : Estadistica 2. Estadistica 4, = Xi Xa 5 7 : x; x d, dz — kd; 11.94 12.00 = 11.99 11.99 11.98 11.95 12.03, 12.07 12.03 12.03 11.96 11.98 _ 11.95 12.03 ned 11,96 12.02 o= 11.92 -12.01 slNn 12.00 | 11.99 Total 188 (0.31)? oo 10 9 = ¥0.0016766 = 0.0409 0. p= 20031 2.40 i 0.0409/-V10 : Prueba 3. Prueba Obtengar (n-1,Q@) en. £(9, 0.05) = 2.262 Ja tabla 4. : [el = 2-40 > 2.262 Silo Bre - Laa .| =+(9, 0.05) Srechace Hy. rechace Hy. ae Si leh < 2 (2 — 1,0 > acepté Hy. 4. Estimacién 4. Estimacién. Ss _— MyM, =4 Hj — Ha = 0.031 0.0409 My — Hy = 0.031 #2262 ho = 0.031 + 0.029(mm) 5. Conclisién 5. Conclusién i Debe concluirse, al nivel de significacién del 5%, que el horneado ultrasénico cau- sa un cambio en la longi- “ud. Los Ifmites de confian- za para la diferencia en las medias son ~0.031 0.029 mm. Tabla 9.6 Prueba y estimacién en observaciones pareadas INTROBUCCION A LA INFERENCIA ESTADISTICA 189 "9.8 PRUEBAS DE SIGNIFICACION _. peereeeee DE LOS COEFICIENTES DE CORRELACION f Coro ya se dijo en el cap(eulo 6, se calcula el ‘cocficiente ‘de correlacién’y cuando deseamos conécer la fuerza de la relacién entre ‘dos variables x yy: Aquf{ supongamos que xy y siguen una distribucién normal bivariada con tm’coeficiente de comelacion de la poblacién igual a p. Aun’ éuaiido P= 0, el coeficiente de correlacién de la muestra + no sicinpre es igual a cero. Se puede realizar la prueba para comprobar'si el coeficiente P de la pobla- " cién es igual'a cero o no; aplicando el siguiente teoréma. iaaaes Teorema 9.8 Sea (;, 9), = 1, 2,....1 sea a muestras de una distribucién normal bivariada con un coeficiente de correlacién cero. De- signando el coeficienté de corrélacién de la muestra con n (9.41) i wh Ln t= Vi- +? sé distribuye como la distribucién ¢ con (2 — 2) grados de’ libertad.” : ; "Un ejemplo y el procedimierico para someteér a prueba la hi- pétesis de que el cocficiente de corrclacién de una poblacién ce igual a cero se muestran en la tabla 9.7. Ejemplo 9.7 En la tabla 6.1 (capftulo VI, p. 71) hay 30 pares de datos sobre la presién del aire de soplado y el porcentaje'de tanques pldsticos defectuosos. ;Podemos concluir que existe una relacién entre es- tas dos caracterfsticas? i 192 CAPPTULO NUEVE Ejercicio 9.2 Llene los espacios en blanco en la tabla 9.1. Ejercicio 9.3 Se requerfa un experimento para determinar si un cierto trata- miento de superficie aumentaba la resistencia ala abrasién de un tipo particular de material. Se tomaron diez piezas de prueba de material; se trataron cinco de ellas, y las otras cinco se dejaron sin tratamiento. Luego se midié la resistencia de abrasién de las diez piezas. En la tabla a continuacién se muestran los resultados: Tratado Sin tratamiento 18.2 Heese 12.90 5° 16.0 11.3 12.2 : 13.2 16.7 eee 16.5" 14.4 14.2 Responda las siguientes preguntas: 1) gPodemos concluir que el tratamiento aumenté la resistencia de abrasién del material? Realice una prueba de hipdcesis. 2) Encuentre los Ifmites de confianza al 95% para la diferencia en la media de la resistencia de abrasién entre los materiales tratados y los no tratados. _ . 3) Sies posible, mejore el disefio del experimento anterior. Lettie Sebingtges ORE i - La ruta de la calidad La ruta de la calidad es un procedimiento ‘para solucionar pro- ~ blemias. En los'términos tisados en ella, un problema se define de la siguiente manera: “Un problema es el resultado no deseado de una tarea”, La solucién para un problema es mejorar el resultado defi- ciente hasta lograr un riivel razonable. Las casas de los proble- “mas se invéstigan desde el punto de vista'de-los hechos, Kse ana-. liza con précisién la relacién entre la causa y el efecto. Se evitan estrictamente las decisiones sin fundamento basadas en la imagi- nacién o en la teorfa desde un éscritorio, debido'a que los inten- tos de solucionar los problemas ¢on base eit esaé decisiones orien- tan en direcciones equivocadas, lo cual lleva al fracaso o a demo- rar la mejorfa. Se disefian y se iniplementan medidas que contra rresten el problema para evitar que los factores causales vuelvan'a presentarse. Este procedimiento es una especie de recuento o're- presentacién de las actividades de coritrol de calidad, y por eso la gente lo Ildma la ruta de la calidad. ; _. Un problema se soluciona de acuerdo con los siguientes siete pasos: . 194 CAPITULO Diez LD) Problema: Identificacién del problema. 2) Observacién: Reconocimiento de las caracterfsticas del problema. BD Andlisis; Busqueda de las principales causas. 4) Accién: Accién para eliminar las causas. 5) Verificacién: Confirmacién de la efectividad de la accién. ©) Estandarizacién: Eliminacién permanente de las causas. 2. Conclusién: i Revisién de las actividades y planeacién del trabajo futuro. Si estos siete pasos se clatifican y se implementan en el mis- mo orden, las actividades de mejorfa serdn Iégicamente consis- tentes y se acumularan establemente. A veces este procedimiento | Parece sér una forma larga de solucionar un problema, pero a la larga, es el camirio mds corto yl mds seguro. : Se describird en detalle cada paso dé la ruta de la calidad. Cada paso contiene varias “actividades” y.el contenido de éstas se .&xplicaré en “notas”.* coe : : 10.1 “EL PROBLEMA i Defina cl problema con claridad Actividades : 1) Muestre que el problema qué se est tratando es mucho mds importance que cualquier otro. : LA RUTA DE LA CALIDAD [ 195 2) Muestre’cudl es el contexto del problema y qué curso ha se- guido hasta.el momento. . : 3) Exprese en términos concretos solamente los resultados no deseados de] desempefio deficiente, Demuestre cudl es la pér- dida en el actual desempefio y cudnto necesita mejorarse. 4)» Plantee un tema y una meta y, si es necesario, subtemas. 5) Proponga a una persona para que se haga carga de la tarea oficialmente. Cuando la tarea va a ser realizad Per un equi- po, nombre a sus miembros y al Lider. : 6). Presente un presupuesto estimado para la mejoria. 7) ‘Haga un cronogrania para la mejorfa. Notas 1). Nos rodean innumerables problemas, grandes y pequefos. Con personal, tiempo y dinero limitados, tenemos que asig- nar prioridades para seléccionar problemas. Utilice coda la informacién posible para identificar el problema mds impor- cante. Cuando usted selecciona un problema entre varios otros, debe estar seguro de las razones para esa seleccién. 2) Algunos problemas se seleccionan por su contexto o por el curso que han seguido hasta el momento. En estos casos, de- ben identificarse claramente las circunstancias.‘Tariibién aquf, se debe utilizar canta informacién como sea posible, Dar las -razones para solucionar un problema en particular no tiene .influencia directa sobre la solucién del mismo, pero es im- portante en un sentido indirecto. El paso que aclara el grado de importancia es necesario. Si el nivel de imporcancia es muy alto.y muchas personas lo comprenden, el problema ser4 cratado con seriedad. Esto hace que el problema tenga una alta posibilidad de ser solucionado. Por otra parte, cuan- do la gente no comprende completamente la importancia de un problema, aun de uno de facil solucién, sus esfuerzos se- r4n apenas medianos cuando se les pide que lo solucionen, o abandonardn la tarea sin concluirla. Nada mejorar4. Con el 196 3) 4) 5) CAPITULO DIEZ fin de evitar esto, utilice diagramas y fotograffas para explicar el desempefio inadecuado. ; Serfa un salto infundado tratar de describir factores causales y realizar acciones correctivas para esos factores mientas se esté rodavfa en la etapa de determinar cudl és el problema (tema). En esta etapa no se determinan factores causales, sino mds tarde en la etapa de andlisis. Se expresah solamente los resultados del problema, y se deben expresar correctamente con el fin de aclarar el tema. Después, se describen la pérdida de desempefio en Ja actual situacién y las ventajas de lograr mejorfas. Estos pasos se deben realizar en orden con el fin de ganar reconocimienito del problema de tanta gente como sea posible. Es importante indicar las bases sobre las cuales se fijan los valores deseados. No se propondran metas absurdas. El valor deseado podrfa ser una fraccién de 0% de {terns defectiiosos, pero, en la mayorfa de los casos, este tipo de valores son obje- tivos ideales. Es muy dificil lograr este’ tipo de objetivos y aun si esos objetivoé se pudieran Jograr, al hacerlo se presen- tarfan otros problemas. Debe fijatse como meta un valor ra- zonable teniendo en cuenta la eficiencia’y las posibilidades técnicas. Cuando el teria inclaye muchas clases de proble- mas, dividalo en subtetiias pata poder enfrentar el problema adecuadamehte. En algunos'casos, cuando la totalidad con- siste en muchas partes similares, \setfa mejor seléccionar una parte tipica del todo para arializarla y usarla como base para ampliar hacia afuera hasta abarcar el todo. Una parte se se-~ lecciona y se usa como tema principal y la otra se usa’ como subrema, Fije una fecha limite para lograr una solucién del problema. Por lo genetal, si se comprende bien la necesidad, la cuestién desi se debe solucionar el problema también seré clara. Inde- pendientemente de la magnitud del valor estimado del efec- to, un problema que carece de tin cronograma claramente definido sera un problema con‘iina baja prioridad. : Ji A aura DE tA CatipaD * 197 10.2 OBSERVACION Investigue las Caracteristicas especfficas del problema desde una amplia gama de puntos de vista Actividades 1) Investigtie cuatro puntos (tiempo, lugar, tipo y stntéma) para descubrir las caracterfsticas del problema. : 2) Después investigue desde muchos puntos-de vista para des- cubrir la variacién en’el resisltado. He 3) Vaya al lugar y recoja'la informacién necesaria que no ptiede ponerse.en forma de datos.. : Notas Investigue el problema desde’ puntos de vista diferentes y com- préndalo plenamente en todos sus aspectos.’ En €ste paso, no se “refiera a las causas del problema, sino Ifmitese a mirarlo como és. A primera vista, esto es similar al paso anterior, problema. Estos dos pasos con Frecuencia tienden a confundirse, Pero sit propési- to es totalniente diferente. El objetivo del paso problema es teco- nocer su importancia; el objetivo del paso observacién es descu- brir los factores que gon causas del problema. A veces se usa la misma informiacién en los dos pasos, peto se usa con objetivos diferentes. Los investigadores criminales diestros y los detectives privados siempre usan una técnica’ comin: ellos investigan mi- nuciosamente el lugar del ¢rimen antes de hacer otra cosa. Del lugar obtienen pistas sobre las cuales basar la busqueda del'auror, y gradualmence cierran el certo alrededor ‘del sospechoso. Si el investigador no estudia plenamente la situdcién en la cual se co- metié el crimen antes de iniciar la btisqueda, no solarmente no encontrarda la persona correcta, sind que puede terminar arres- ce ttcibiln 19B 0 fe cs!) Gapfruto-piez tando a otra completamente inocente. Lo mismo puede decirse “de la solucién de problemas. .” 1) Las pistas para la solucidn de in problema se encuentran en cl problema mismo, ‘Pueden descubrirse varios fenémenos en los resultados cuando un problema ‘se observa desde-di- “versos puntos de vista. Estas son las caracterfsticas especiales del problema y son Jas pistas ‘para sti solucién. La parén es que si hay una variacién-en los resulrados tamb: in debe haberla en los factcres causales; y es por tanta posible’ corre- lacionar los'dos tipos de yariacién. La.utilizacion de la varia- cidnen los resultados para descubrir la yariacion en factores causales ¢s por ranté ajna’ manera cfectiya ‘de: identificar los factores principales.) °°" i : : wos. El mejor dngulo para observar un ‘probleina Variard én’ cada caso. Pero, indep ndientemente de cudl es‘el problema, hay Por lo menos cuatra puntos de vista importantes desde len cuales se debe mirar. Estos son tiempo, lugar, tipo y sintoma: E -Acontinuacién vemos tn éjemplo usado Para.mejorar la frac- “sién de {tems defectuosos dé'cierto producto. a8 va) “Investigue de la siguiente manera’ , : ao ¢Hay diferencia en la fraccién de defectuosos entre la mafiana, el mediodfa y la tarde? ae Hay alguna diferencia en la fracciaa de:defectuosos. . entre el lunes’y él sdbado? . ae . También. podrfamios usar diversas escalas'de tiempo, tales.como las diferencias éntre’ uria y Otra semana. “enté'un"mes y ocro;, o-durante dife! Derfodos? afios.. ao (b). En seguida, investigiic desde el punto de visca'de la loca. ferentes estaciones, ov lizacién del defecto.én el produicrs'.” ile ; —~: Hay alguna‘diferencia en la fraccién de:defectuosos. entre los pancles superiores, lacczales 0 inferiores? Hay alguna diferencia ‘én la fraccién de’ defectuosos entre la localizacién de los prodiictos en el horno (cer-” rs LA RUTA DE LA capa os sis 199 ca de la puerta, cerca de las Ventanas, ‘cerca de las paredes, en el centro del horno)? ; También podrfamos preguritar desde el, punto de vis- ta.de la orientacién (este, oeste, -norte,-sur) o de la altura (arriba y-abajo). Cuando los productos son muy largos, gel defecta se ‘presenta en | parce -delantera, en la mitad 0 en la parte de ards? El defecto se pre. senta én las secciones rectas 9 cutvas détin producto que tiene una forma complicada, 0 depende del. drea, es decir, area A, drea B, etc.? 7 ‘c) Haga una verificacién con respecco al tipo. - diferencias en la fraccién de productos defec- tuosos de diferentes tipos hechgs por la misma em- presa? —yHay alguna diferencia én la fraccién de productos defectuosos de un tipo similar enéontrades en el p sado? Podemos pensar en otros angulos respecto al cipo, cules com especificaciones, clas silo usan nifios.o adul- tos, hombres'o _Miujeres, o. si el producto es para el ‘mercado interno o para la expértacién... d) ‘Finalmente, investigite desde'el punto de vista del sinto- ma. Coma’ejemplo de s{ntomas en én feat defeccuioso, . :usemos la porosidad. — gHay diferencias én'la forma de tas: pdfosidades ob- “servadas (son. circulares, elfpticas? anguilares o de al- -- guna otra. forma)? . . : — (Hay alguna diferencia en Ja manera en la cual apare- cen porosidades multiples (rectas, curvas, continuas, “discontinuas, érc:)? - i - i Ademds, jde qué tamafio son las ‘porosidades, en qué condiciones? .¢Aparecen en cijertas superficies (estin en todas parres, o solamente en algunas dreas)? ;Cud- les son las caracterfsticas del drea ciréundante (¢am- » bios'en color o én calidad, o/aparicién de objetos éx- ‘trafios)? 7. 200 He eariruto Diez 2) Cualquiéra que sea el problema, Ia investigacién debe haér- se, por lo menos, desde estas cuatro pérspectivas. Sin embar- g0, por sf solas, ellas no son suficientes. El problema debe investigarse desde vatios puintos de vista basados en las éaraé- terfsticas del problema. Mientras mds amplia sea la variacién * de los resultados déscubiertos, mejor. 3) Generalmente, la solucién de problemas debe basaise én da- in'que na se basa en datos; es decir, la que mente como punto de referencia. Sin embargo, la informa- cién que no se puede’ obtener de datos a veces tiene un papel importante en Ia solucién' de fos problemas. Dentro’de lo posible, quienes participan én la investigacién’ deben ‘estar presentes én el lugar delos hechos, no.en uria Oficina, sino en, el lugar. Aqui ellos puederi observa obtener informacién ‘que mo se pitede poner en forma de, ‘datos. Este tipo de infor- ” macién, que funciona conio uh Catalizador ef uid réaccién’ qu{mica, da nuevas pistas durante el proceso de pensamiento « para solucionar el problema, 10.3. ANALISIS Descubra cudles‘son las principales causas’ Actividader” = TESS 1) Plantee hipétesis de causas (seleéciosnd I los ‘candidatos imds importantes como causis). a) -Haga un aes de cauisa-efetto que contiene todos los elementos que parécen‘estar relacionados con el pro- blema) con el fin de recdger | todo el conocimiento post: ble sobre las posibles'causas:* “b) Utilice la informacién obtenida en el paso de. vbservacién y excluya todos los cletnentos que no son claramenite re- , acién; puede usarse sola- ~ Sarees ia nurra eta Extro4D es -* 201 ‘levantes. Re ise el diagratria de. calusa-efecto usdndo tos elementos restantes. . ' c) En el ultimo diagrima, marque equelice elertientos .que ie parécen tener una alta posibilidad de'ser las principales 2). Someta a ronucba| las hipdtesis (deduzca. las oe causas . _ehtre las sefialadas). 'b) Integre toda la infarmacién investigada | y eoneluya cud- eat les son las pune causas pasties: : ‘Noias Este paso se divide % en dos partes ‘el primeio es s el planteariiento ' de las hipdtesis, 7 el segundo, el proceso dé'sométer a prueba esas hipétesis, La razén para sos pasos es qué, en la ruta de Ja cali- ‘dad, las causas deben determinarse cientfficamente.” En muchos “cass, la cauda del problema se determina pot medio de la discu- .sién entre los interésados en ‘soluci nar cl problema, o por.me— dio de la decisi6n arbitraria de uina persona. Las decisiones ‘de este tipo son ¢on Frecix ncia equive cadas, y ta mayorfa, de las‘equi-* vocaciories ocurren cuando se om te el paso.de sométer a priteba las -hipdtesis. Cuands ‘pensdinds’en las cauisas (hipdtesis), se dis, cuten las razones y se analizan ‘los ‘datos. Es facil incurrir en-la ‘ilusién de pensar qiie durante ‘las*discusiones } y el andlisis de‘la informacién’ la discusién, y los’ datos verifican la ‘éoireccién de una hipétesis. Pero el planteamiento: deuna hipétesis y el proce-- so de someterla a prueba. son ‘cosas difereiites, y no_se pueden usar los mismos datos para ambos. Someter 4 prueba las hipéte- sis requiere fueyos datos qué'no'se usan para plantearlas. La re- 202 “7s edefrund piez coleccién de datos’ para sornéter a prucba las hipétesis. debs éfse a prue- . planears¢ en forma Idgica y las hipétésis deben some ba por medio de procedimientos estad{st! aoe aS. ae rente seidentificardn Con en el diagrama debe sertan con-. ¥ creta, como’sea posible, pues si se ‘exprésa en términos ‘ . _, abstraccos; el timers de clementos’en el diagrama sera ~ “+s. /a) La expresién del efecto | |." enokme. Siri embargo: coma una deéfinicién'abstracta’ es _ 7 + ubalineegracién de varios casos individuales, cada uno de es0s.casos tiene parted qtie son inhecesarias, Por ejeinplo,, an si xpresarnos'el efecto como un dpo de defecto, las cau. fo °,.° 0. (sas envel.diagrama serén una éoleccién de factores que fx fausan el defects. Sin’ embargo, si los defectuosés son él ‘ } ts. +. (efecto, incliyendo muchos tipos de, defecto's, es nécesa-. ! “rio, cetoger muchos tipos de'defectos y. el contenido, del, i: " diagedima'se diversificard./As(, mientras mds concreta sea I (5. In expresién, de’ lad caracterfsticas, més efective serd al: ./ diagrama, 6. lee a Beg Bae _Rrimero, haga un diagrama de causa-efecto que renga su~ “ficiencés elemencos, para incluir todas las opiniones de quiches estan involucradgs en la solucién del problema. 'b). No serfa efectivo invéscigar todas las causas posibles, de "? manera que’en este Bunto.t memos que reducir el ntime- 5 : to! basdadon3-en Ia infocthacién. La informacién exa” | ; «tinada en’ el paso de observacidn sexd muy del aqui. Los | ‘elementos que nd corresponden a la Variacién de los re- . sultados se'excluyen, del diagrama.. 2." eet : Digamas, por ejemplo, que la fraccién de defectuoso’s es alta por la nmiafiana y baja por la tarde. Silos crabajadore: son los mismos en Ja mafiana y en Ia tarde, eliminamos LA RUTA DE LA CALIDAD . a 203 : los trabajadores del diagrama, puesto queno encajan con _ los resultados. Pero si en la mafiana.y en la tarde'se usa diferente rnaquinaria, dejamos la miaq ainarid envel diagea- ma puesto que ella encaja con el restz Icado ies , Sise han examinado varios resultados . dispérsos en el paso =, observacidn, podertios tn lea dol diaBeataa ‘muchas ='dé'las posibles catisas..Luego“que 16 seehanwerninade en “esca forma ‘los elementos que no pueSten ser-causa, hace- “© mos otro diagrama de causa-efecto u tilizando los rescan- tes elementos. El diagcama mejorard Sn Ia medida en que | sta mds pequefio (és.deciz, cuando. sea menor el ntimero de elementos). ©.” _ *s,.. ©) SNo todas los elementos en el diagranra revisado tienen la umisma posibilidad de causar‘el probl crn. Los elementos . deben ‘orderiarse por rdngo segiin sus probabilidades con base'ea la informacién obtenida ene paso de la obicrva- . + elény examinados en ese orden. 2. | a "De esta manera hemos limicado los g5rincipales candida- tos a‘causas, pero‘debemos tener presente que los*candi- datos odavia son solamente candidacos. En este momen- -to, todavia no podemos’ determinar que-los ‘elementos evaluados como alcamente ‘posibles _ Sean las~; “principales , debido a que basta d-dtimance ae _causas del problem: ~ han usado los dacos obtenidos para pEanccdlas hipdtesis, “yes necesario’ usar datos obtenida: d& acutrdo con un wnlueve plan para decidic si las hipée esis son correctas 6 no. Pa z, ee 2) El proceso de, someter a prueba, ‘las hips resis cambién debe “basarse, én datos obrénidos, de experimeracos y encuescas. La acida se.debe recoper de. acuerde con un plan cuid: dosaménte disefiado. pao 2) "Someier a prueba la hipdtesis es inrestigar si’realmente existe una relacién etre las posible: causas y los resulea- ~-dos'y, en caso de que exista, qué ca Fuierce es la celacién, 204 CAMTULO DIEZ : : es decir, qué efecto tiene la posible causa. Hay varios. méto dos para expresar la fuerza de esa relacién, como -por ejemplo los coeficientes de correlacién, el andlisis de variarna y el diagrama de Pareto de causas. O, sencilla~ mente, pueden marcarse én el diagrama de catisa-efecto. © Debé mos evitar tomar decisiones sobre las principales < sausas pot medio de Yvoros”. La determinacidn de laprin-. “cipal causa por medio’ del voto'és tin método democrdti €0, peto Ao hay ninguna gerancla de que sea cientffica- ; | mente correct. Hay muchos ejeinplos de ccasiones en “Tas cuales se ha selecciotiado como causa un elernento por acuerdo undnimé, 'y después de'la investigacién se : encontré que el elemento no eia una causa. : A veces, se implemenitan’ accioneés ‘tetediales sin Aingdn andligis de datos, Se ponen en practica todas las actiones’ ~que parécen promefer eféctividad. Si'se obtierten buends ‘resultados, se considera terminado el proceso de solucién del problema. El orden seguido es exactamente el contra-- tio del que aquf se‘ha'deféndjdo, porgixe lo qué'se éstd haciendo es investigar la causa por la accién. Para la solu-: cién de un problema, este protedimiento requiere de und gran cantidad de‘ ensayos y errores, Si el problema se so-. © luciona’ y aun’ si vemos’ que lis ‘decionés femiediales'son efectivas en la soluciéin del problema, én'la mayorfa de. los éasés no podremos averiguar las yerdaderas causas principales,’ porque Ia relacién “entre ‘causa 'y acciones’. remediales no corresponde uno a uno. b) La causa principal és unis 0 Varios elementos que, la mayor influencia en los fésultadés. Muchos eleriencés pueden influir sobre el resultado en una otra forma, de manera notable.o'no; pero sera inefectivo ‘ado ptar ‘medi. das para todos los. eletnentos, Las acciones. ‘correctivas deben tornarsé respecio'‘a factores de gian causalidad y” no fespecto a aquellos’ que tienen poco efecto. Esta es la razon por la cual debernos investigare integrar toda claée de informacién y decidir cudles son las principales causas. lemen £4 RUTA DE LA CALIDAD erase aly BZO5 = pat ‘réproduccién incénciorial del defecto. Sin embargo, esta teproduccién | debe Tmptenderse con cuidado. Si usamos ~ una unidad-no ‘esttivdar de‘algdn producto, puede pro- roducto defecttidso, peéré eso no quiere decir. la/unidad no éstdndar sea‘la causa ausa del defec- ‘ducirse un | “fecesariamente q del defécto. Octos factored pueden ser da “las mismas caracterfsticas ‘del ‘defects’ Mioduide: tal como. se Hari aclaradg en’ el paso de observacién. Aunque [a re produccién intenciorial’es uni mécodo efectivo para si- meter.a priiebd una neat, hay dcagionés en las cuales 10 0 producea 9 otros ety 2) aie de ‘gue le las reco 7+ (efectos ‘secundarigs). Si lo hacen, ‘adopte otras actiones, o °3) Disene “varias “propuestas diferentes de ‘faccién, examine las J yentajas’ ¥ 1as ‘desventajas de cada uria’ y'seleccione aquéllas *. “que sean dceptadas por las pérsonds involuccadas.. | - : 206 : Wy) earirtito prez Notas. ee renin 1) Hay dos.tipos de accién, Una es la accién para manejar fend- menos (resultados); mientras que la otra es para prevenir que ‘el Factor que-cauisa el resultado ocurra de nuevo. Si produci- mos un producto defectudso, reparamos el producto. Auri si tenemos éxito en la reparacién, ésta no evitard que el defecto - ” wuelva a presentarse. La mabiera ideal de solucionar un pro- blemia‘es‘evitar que sé repita, adoptando medidas que elimi- nen Ia Gausa del problema: No ‘deben ‘confundirse los. dos Adopte siempre Procedimientos que elimi- men las Gausas "> 700 ow aye yy Te es 2) ‘Las acciones con frecuencia causan otros problems. Son se-, Jtipos de adcién, | . mejances al uso de un. tratariienro médico que cura una en- , .» fermedad, ‘pero ‘que’ tiene’ efectos. secundarios y- Zausa ‘otra “|, °, enfermedad al pacienee, Para evitar Jos efectos secundarios, +. «la acciébn tiene’ que evaluarse detenidamente yjuzgarse desde un horizonte tan amplio como sea ‘posible. También deben realizarse pruebas preparatorias (experimentos) sobre el mé- todo. Si se préseritan efectos gecuridarios, considere la posi- » bilidad de otta‘accids rt coopetacidi: activa’ de todos los “involucrados. Una acci6a ‘que'ataque ‘uni factor causal gene rard cambios én las précticas de trabajo. Todos deben estar de.acuerdo con’ la hueva prdctica. Si existen varias acciones - |, Posibles, las yentajas y desventajas de cada una debeh mi- _farse desde él’punto de vista de las personas involucradas, Para la decisién final, si hay varias soluci i satisfagan igualmience bien las condiciones éconémicas y técnicas, es mejor seleccionak ung demacraticamente! : LA RUTA DE LA CALIDAD | ef 207 10.5 VERIFICACION (Asegdecsd dejqueiel problesa haya sido prevenido desde su rafz Actividades en = 1) 2). 3) Compare los datos obtenidos'sobre el Brobléma, (resuleados indeseados en_el tema), en él’ misma formato (tablas, grfi- cas, ésquémas) antes y después’ de realizadas las acciones, Gonvierta’ el efecto en cérminosmonetarios, - y compare el resultads con el valor objetivo. : Hlaga u una a lista de cualquier otro © efecto, buens o malo. Notas 2) “y después ‘de qu “carla efectiyidad de esas acciones. 2). En el paso de verificacién nos preguntdmoi, “:qué can bien se ha preyehido la recurrencia?” Los datos que debemos usar para verificas la efegtividdd de‘las gacciones son tomadgs ances 2 alee S BepctaPacciones, En ef paso dela verificaci se‘hace-' Bisa’ compatacién de las ‘sicuia- cionies antes y desptiés dé que s¢ fan fealizado las acciones para determinar hasta: “qué punto se han fediicide los efectos indeseables. El formato. usado én esta. cGmparacién (tablas, grdficas, didgramas) debe ser ‘el mismo ates'y después de las acciones, ‘Por ejemplo, si se.tisa un diagrama de Pareto para * indicar la situacién antes de la implementacién de las accio- nes, éntonées. debe usarse.sin diagrama de Pareto para verifi- inistraciér, ¢5, importante tracar de convercir ae “. Fesulsados de Jas acciones a términas monetarios. Pueden des. : . cubrirse datos de interés para'la adminiscracién cuando se comparan las pérdidas antes y después de las acciones. Cuando ‘el resultado dé las acciones no, cs tan’satisfactorio (como se.esperaba, Gerci6rese de aus las acciones planeada’ se 208 cantruio Diez han implementado precisimente de acuerdo éon la decision: Si los resultados no deséados'céntiniidn ocurriendo después de que se han realizado las acciones, ha fracasado la soluci6n del problema, y es fecesario régresar al paso de la observacion y empezar de nuevo. 10:6 ESTANDARIZACION. Elimine permanentemente fa causa del problerria ' Actividades. °°: ec marines al 1) Parael trabajo incjotade debe identificarse claramentei ules cudndo, dénde, qué, por qué y ‘cénio, y usarse como"un, estdndar. ; 2) Las preparaciones y comunicaciones necesai ee alos estandares deben realizarse correctamente.”... 3). Deben implementarse la ‘eduicacién y el entrenamiento: 4) Debe disefiarse’un sistema de resporisabilidad para verificar “si los estdndares se estdn observando. Nond, “2 92° 3 Las acciqnés correctivas deben estaridatizarse para evitar | que et _ problema recurra permanentemente. Hay dos razones principa--* ‘Ies:para la estandarizacién. La ‘primera es que sin, éstdnidares, las acciones toinadas.para solucionar in ‘problema gradualmente revértirén a las Formas a antiguas y eso ‘Wevard a una recurrencia del problema, ‘La ‘segunda es que’sin esténdares claros, es probable que el problema vuelva a preseritarse, cuando nuevas personas : “(nuevos empleados, transferenclas, trabajadorés' de tiempo par- cial) se involucren en‘el prdceso, La éstandarizacién no se logra solamente con documentos. Los esténdares debeii convertirse eft + parte de los pensamientos y de los hdbitos de los trabajadores. Se requieren ‘educacién y eniréndmiénto para propoicionarles el conocimiento iy las técnicas para implementar los estdridares. EA RUTA DE LA cittoain Soe eee pee YD ine estendarizac in eS otra manera de expresar el quién, cules /do, dénde, qué,’ por qué y’cémo ‘de los'procedimientos de- ‘iabajo*. Sélo mostrat el dino’ puede Mamarse un estandar en algunas. Ocasiones; Gh éstandar puede considerarse satis- factério si est4n presentes el ‘quién, ‘cudndo, dénde, qué y ‘cérmo (faltando el por qué); porque se puede comprender. bien la forma dé iealizat, un trabajo sin ‘comprender el “por qué”. Pero el “por qué” es indispensable’para fa persona que: hace el, trabajo. Flay “muchos otrés‘métodés, ademas del estdndar,” para realizar un ‘trabajo y obtener résultados. Por tanto, és muy posible que el trabajador-use un método no. | .gstdndar si no conoce él por qué de la utilizacién del método estandar. Estas’ la razéni por la cual el/“por qué” debe ins cluirse en ‘el’ estdndat. Una vez que‘las personas han, com- * prendido el “por qué”, observarén cuidadésamente'el estdridar. La ruta de la calidad es una buena hetramienta para com- : prender’ ‘el “por qué”. De esta mariera; los estandares no pue- den sépararse de la tuta de la:calidad que los produjo. Cuan-, “-do'sedaeé enitrenamiento ’ ¥ edudacién sobre los estandares, debe® ‘ésttidiarse también la rita de [a calidad relacionada con ellos.- 2. La falta de uria adecuada’ preparaciéii y comunicacién es una - dé las principales’: razones para la‘confusién ‘cuando se intio- ducen., nuevos éstdridares; Llevar ala practica nuevos estdndares ‘carnbia fas prdcticas de trabajo" y esto’ puede’ generar confu- “sidn, producida® por érrores triviales; y avéces se ‘présentan problemas, particularmente en lugares de’ itcabajo en donde * se usa sistema de divisién del trabajo, sien'un ‘lugar. se vestdn haciendo las ‘cosas segtin el nuevo método’y en otro, lugar se estan ‘h: ciendo segdn el método’ antiguo. 3) Con freci encia se necesitan la educacién y el entrendamiento para logtar’ que los’ estdridares se, Conviertan en hidbicos. Si la empiesa es negligente én‘éste eritrenamiento, independién-* temente de las bondades de los’ esténdares ‘en s{ misrnos, és- +” Llamados las SW 1H por sus siglas éningles que son n Whe, When, Where, What Why y How. 210 oo -° “carrruto’piez tos no se.utilizarén como s¢ deberia y ¢s inevirable. que vuel- | vah a preésentarse pioblemas.. - ae 4) Aveces'se soluciona in ‘problema, y el mismo vuelve a pre- Sentarse mds tarde, La causa’ mds importante'de esto .es que los estandares'se observaron inicialmente peo eventualmen- te se-relajaron. Debe organizarse ua sistema de responsabili-' dades para verificar la observa ién constante de los esténdares ‘ rencia de los problemas, 11s.” com el fin de'evicar lar "10.7. CONCLUSION’, 9 i's Reyise ‘el procedimiento seguido en la solucién +. del problema y planee el trabajo’ futuro : 5 Actividades ), Haga una lista de los problemas. que permariecen,: i 2). -Plance qué hay.que hacer para solucionar esos’ problemas. nado bien y lo que no ha fun- 3)’ Piense sobré lo que ha fuaci cionado en las actividades de mejoramiento,...” "Notas: é <2). Casi nunca ge'sohiiciona’un problemas perfectamente ya si- “"thacién ideal casi nunca-existe-No ¢s bueno ‘tratar de lograr " ‘da 'perfeceiéa ni continuar con lai misiias actividades sobre’- .¢l mismo tenia por demasiado tiempo, Es import deli- vumitar las actividades cuando se alcanza la fecha Lmite’ origi- pal. Aun'si no se ha logrado la meta, debe hacerse una lista de ta dénde han progresado las ac vidades y ‘de lo que no ge vw. Ralogrado tadayta.. 10 03+ Ban Cn led i » 2)., Haga’ planes, sobre Io que debe hacetse en‘al futuro con ios * problemas que subsisten. Los problemas importantes en esos planes deben ser tenidos en cuentacomo t .tefuta de la calidad. pate 3) Finalmente, debe dedicarse algé LA RUTA DE LA CALIDAD . 2.1 “realizadas para llevar a cabo la solucién del problema. Esto ayudar4 a elevar la calidad de fucuras acciones de mejora- miento, Siempre hay una diferencia entre la actividad que realmente se realizé y la que se Comprendié intelectualmente qutc habfa de realizarse, y estas diferencias deben solucionarse _ una por tina. Esta revisién, debe hacerse aii si.el problema se arreglé con éxito, pero esta “practica cerebral” debe realizarse con especial cuidado si ha pasado la fech#limite y el proble- ma no’se ha’ solucionado. Estos problemas pueden retcomarse en la etapa siguiente de la ruca de la calidad. HECHOS Las causas genérales de los problerinas en Jas fabricas se deben a . conocimientos erréneos y-a opetaciones incorrectas. Para discernir lo erréneo y lo incorrecto debemos i iniciar pro- cesos para encontrar los héchos. % “Los hechos” : ; 5 ae : ae : =H ey * Una expresin usada en ‘ exteso. 1. “Todo el muindo supone que sabe) pero,en fealidad nadie'sabe, Podrfamis recordar la historia de los hombres ciegos que.to- “caron un clefante, y cada'uno dio una 'desctipcién diferente de Jo que es un elefante. =. 2°. “Uno toca la’ trompa y sélo habla de eso; otro toca la cola y describe al elefante ¢omo tal.” : Cada uno cree que’ su expériencia es la correcta. La gente.con fretuencia, narra historias de otros como si fue- ran de su propia experiencia. : ¥ ‘I Las discusiones por s{ solas no climinan los problemas.’ Los hechos rio sieinpre pueden describirse con palabras. + Lo blanco puede resultar negro. vs og ‘ Las discusiones no definirén si es blanco ¢ 0 €s riegro. "1" El problema es que fa De todos modos, nos ‘estarrios chtendiende < con algo ‘diftcil, \ Tiené ‘un atimero infinito de caracterfsticas.: . Debemos entender. ie ‘nuestro Conocimiento y nitestra ox perientia son limitadas’y y siempre, imperfectas: Este feconocimiento hard que “aparezcan los hechos. Llamames expenmren bade: a una persona que ha realizado unia “tarea por latgo tieripo.-- ‘ : Una persona eXperimentada tiene 1 bre'esa ‘tated: Siete ae “ Hay éonséimiento % Correcto ys hay ‘Gnocimierito in orrecto. ersona’ no sabe diferericiarlos. .” LEI verdadero experto ‘ed la persona experimentada que siem- pre estd alimentando su‘conocimients: con hhechos, qué 're- flexiGna-sobre ese eohocimientd y hace las. gorrecciohes. . -..- _Infortunadamente, in gran conpeimistep So= no todas ‘las’ personas que't dened experien- : Gia som necesariamente Yerdaderas expertos. ."’ ae _Pueden csonvertizse en obsedculos pottadores. de supersticién. * Para tn¢ontrar el yerdadero ‘conccimiento, debemios ‘trabajar ‘con diligencia. - Después de haber suibido durante un tietips, Be daca cuenta repehtinamente de que “esta” muy por ¢ncima del _ punto ‘de par ida. 3° . : "0.02, ae Se! usa ‘esta ‘tabla para’ Sob is J 2). En nuestra n : Apéndice 4 Tabla A: 1 Tabla, ie Je distsibuctén normal Bjemplo 7 “El valor de € para, ke = 1.96 se abpeleie’ ‘de la siguiente forma: paria dela primera columing'dé la derec la columna macada 6 cn la pri el wiles t clang se dan el grado de libertad: (p). Yy las probabilidad bilateral AQ)E Por ¢jemplo, cuando, sedan $=10 yo = 0.05, entonces t= 228. n, el valor en Ja tabla se designa por lek (Ds &),, Demo lo que # (10, 0.05 ‘2.228. 3) Cuando = °°, los valores siguen los percentiles de la diseri- a bucidn normal esedndar, és s deci Bie, a) = ae 5 APENDICE 215 *=0 1 2 Ss 5 s 7 8 a ‘5000: 4960 4920 4880 4840 4801 4761 4721. 4681 A0dI 4602 - 4562 4522 4483 4443 4404 ° 4364 4325 4286.42.47 4207 A168" 4129-4090. 4052 4013 3974 3936" 3897 “3u59 382] .3783° 3745 3707 3669" 3632. 3594 3557 3520 3441 23446 3409. 3372 3336. 3300 3264 3228 3192 3156 3121 3085 .305Q 3015 2981: 2946 2912 287742 .2843.°...2810 2776 27432709 .2676 2643 2611 2578 25467 2514-2483 2451 24202389 2358 .2327..2296 °.2266 .2236-.2206:- 2177 2148, 2119 -.2090 .2061 2033 2005 19777 .1949 1922 1894-1867 -1841 1814-1788. 1762 1736 1711 1685 1660 1635. 161 +1587, 1562 1539 155 1492 11469 1446" 1423 1401" «1379 1357-91335 +1314 1292 1271-1251 1230 210" 190 st170 1151, 11311112 1093-1075: 1038" .1020-. 11003 .0945 .0968 .0951 0934 0918 .0901 0869 .0853 .0438 §=.0823 .0808, .0793 ..0778 0764 .0749° 0721" .0708." 0694 .oGui 0668 . .0655 0643. 0630 .0618 10594 .0582 0571 .0559 0548 0537 0526 0516 0485 0475, 0465 0455 0446 .0436 “.0427 0418 .0392 -.0384 .0375 - .0367 0359. .0351 0344 .0336 0314 © .0307° .0301 .0294- .0287 0281. 10274 .0268 .0250° 0244. .0239 0235 0228 0222 0212 0197 “0192 0188 0183 0179 0174: _ O66 10154 0150. 0146 0143 0139 .0136 0129,» 0175: 0122 -.0119 -.0116 “0113 O10 0107 .0104 .0099 .0096 .0094° 0091 .9089 0087 .0084 0082 .0080 0075. .0073 ..0071 .0065 .0068 .0066 -.udL4 0062 °° 0060 0057" 0055 .00$4. 0052... .0051 .0049 .0U48 0047, .0045" 10043, .0041 "0040 -.0039 %.0038 7.0037 .0u36 .0035 : 0034 0032 .0030 .0029 »*.0028.".0027 .0026 0026. .0025 023°" 0022 © .0021' 730021 = .0u20. .oviy 0019 0018", 0017 0016 0015 “0015 0014 .oU14 3.0° | 0013. 0013 .0012° 0011 .00]1° .0011 - .0010. .valo = Mahl Teble dandy thaatinctdes nowsial *_APENDICE. “216 YH x toypsd y ered suapay09: cvUTL *yoayul joquod ap aw [> opesapisuon ey 9s ou anb yg eULUNjoD e| Ua ,—, OJOGUY)S [3 FON ur €t70 u6L0 ! + 6¥tE. .BLO'E” Boro ol 918° velo”: |... 808°0 7geco * ~0L6% "2660 pines #98" get0-. |, 0780 USED wet | £260". a “yt6'L 9200 eee'0. BOVE. SS. VOLT 610. Lo 00% fone 8v8°0 - 96E0 EYES TS - . £840, afose ger S. SL'z = . $98°0 6670 geez. | -Zes0 5 Zaz" 088'0 “isav0- |? «S07 “620 + SLSC aie . 888"0 .%, 8065°0°, €69°L £70L & LITE = | ese0" 7999°0° gz opel: | % -% {q a pe rr. . Ww u eysanw y eayzID : x eaypg. | Pep ourwel ° ypivone ee De ‘0.05... 0.02 + 12.706 © 31.821 ' 6.965 4.541 3.747 3.365" i | ae ot eo oy. Cava |luswn 3.143 ° 2.998" ~ 2.896 2.821" 2.764 - 2.718 "2.681 - 2.650. | ‘2.624 . "2.602 “2.583 ) 2.567, . 2.552: “2.839 “2.528 2.485 fe ABZ. 2750 a 2.423. (2.704- 2.390 ) que thuestre qué a del desperfecto, Feniendo’ ests en cuenta, ‘el problema debe afrontarsé utilizando los siguientes pasos::' : - oe tipos es el mayor problema. incest Pas * Haga'una lista de las pi ¢ 86s despeifectos, pot Spi madquinas, herramien-, tal.snancra que sea posible ajslar el QUE én este ejemplo hay das ‘ as’ dos posibles.causas causas no’ pueden ‘cstratificdi'se con claridad, sé : ar registros, Esto'debe hacer’, ‘por ejemplo, citan- *. do'cambian los materiales’9 | Hingiodds de Gperacién, | La informacién debe analizarse con la ayuda de diagramas de 2; Paretg, hojas de verificacion, diagramas de dispersién, etc, "Una vez'se haya clarado cual. és la causa de. los productos: 3.1 RESPUESTAS A LOS EJERCICIOS - 219 defectuosos,.deben tomarse acciones: correctivas y sus cesuil- tados deben obsetvarsé cuidadosamente. 1) El diagramia general de Pareto: que se muestra en la figura 2) _fensién: “indica que el. defecto mds numeroso es latensidn. Esto tam- bién cs verdad en la mayorfa de los ‘diageamas por {cem, de modo qué él defecto’ que se debe atacar en primer lugar es la oo Diagramé general ~~ Cuando. comparamos los. ‘dos operarios Ary B, es evidence que A produce'un mayor ntimero de'prodiiccos defectuosos que 8. Debe existir alguna raz6n para estd, de manera que ‘debemos tratar de analizar’esta'sicuacién mds a fondo. -50 ooe ok & Operario B + 220 RESPUESTAS A'LOS EJERCICIOS 3), Cuando comparainos las cuatro maquinas, 1, 2,3 y 4, vernios* \ que en general la maquina 1 produce mds defectos que cual- quiera otra. Pero ésta maquina és minejada solamente por el. operario A, y no por el opetario B. De modo que parece que | el mayor numero de {tems defectiiosos producidos por la md- quina 1 tiene alguna influencia sobieel hecho de que la frac- ciéni general de {tems defectuosos ‘producida pot el operario, ‘A sea mayor que la ptoducida por el-operario B. El hecho'de que el operario A’también trdbaje ton la maquina 2 da mds. fuerza a esta observatidn, pero no existe una disparidad ob- via entre las clasificacionés de defectos producidos por esta maquina y las m4quinas 3 y 4. Parece que la m4quina 1 es la causa del problema, y por tarito debernos inyestigar, esto mds a fondo. ieee ae arareaits catia mT 30 . 30 ‘ee ne 5,0 * Maquina'l ft Maquina 2 Males 2 a 78 0 OW ee 7 fee ee Maquina 3 * Maquina 4 " 4) Si comparamos el ntiméto de defectos producidos ein dife-° rentes dias dela seridha, vemos, qué ocurren mds defectos el migécoles que cualquier stro dfa. Si luego miramos la clasifi- cacién de defectos’para ese dfa, és'evidente que se Concentra en los rajones,-mientras que los otros tipos de, defectos ocu- fren mds‘o menos en los mismos niimeros. Al verificar la’ “RESPUESTAS A LOS EJERCICIOS. ~ Si se toma como ) rneta de L “‘nikinéro general de'ftemis deFectuosos._ ihvestigacién ia'tensign, que esel . e de los deféctos, debe ser posible disminuir el. tnds prevalei “Afrontando el problema, de esta manera Siscemdtica, sera. po- sible lograr tind distninucidn dréstica del niiitiers general de {tems » defectuoses. i 222" i “_"RESPUESTAS A Los EJERCICIOS. * 41 at i 1) Un diagramia de causa-efecto de errores.de mecanografla. : El diagrama @ continuacién es una solucién « este problema. (ieee Recuerde, sin émbaigo, que ésta no és dée'‘ninguna manera la “., < +» tinica soluciéa posible. Los diagramas de causa“efecto son de . tal naturalezd que para cualquier problema hay una gran va- Hedad de soluciones alternas, Y¥ no puede decirse que ina de ellas sea la tinica cofrecta. ° ce fs eee se 2) y 3) deben considerarse individualmente. | Diagrama de causa-cfecto de Jos.crrores de mecanografia 2). Para las-diferéntes ‘clases d. 1 ¥ea la figura y la rabl4. | ee ea Comentarios: |. ey ec att Sora a). Todos los panes que estén bajos'de peso son producidos por la maquina 1, y a partir de los histogratnas para esta” : maquina, vemos que'ellos soa de doble pico: Ast, la des-. Viacign estdndar, s, es grande yes probable. que-li no con: formidad Ia esté‘causando el Pico ‘de la izquierda. Est: . situacién debe analizarse ctuidadosaitiente, y silos dos pi- , $08 pueden clasificarse separadamence, debe-se posible reducir la varidcién en los datos y disminuir la tasa de no © conformidad. : P) ©) formidad debe disminuir. Esto no ne rard la variacién, que es todavia demasiado grande, pero vsi las acciones sugeridas én a) y.b) tienen éxito, la varia-. srUEsTAs 4 Los oo et 223 En el eee del panadero A usando la mdquina 2, hay un valor que se aparta del resto de los datos. Es niuy posible que este valor sea espurio, y deba verificarse. Las medias de todos estos histogramas son menores que el valor central de los I{mires.de especificacién, 212.5. Si se aclara la causa para esto y se encuénera Ja manera de acercar las medias a este valor centralisla tasa de no con- sariamente mejo- cién debe reducirse a un valor suficientemente bajo. Si se adoptan todas las tres medidas anteriores, el proceso se ajustard a la especificacién: Histogramas Méquinal © : /MéQuina 1 Panadero A : Panadero B Maquina | Total "Nora: Todo lo que Agure al lado izquierda de la raya esta fuera de la especi- ficacién RESPUESTAS. A LOS EJERCICIOS _: Maquina 2 Panadero A - ¢ Maquina 2’ Panadero B* : Maquina : * Total * Panadero A | Total” : Panadero B - “ Total 226 ~__RESPUESTAS A.LOS EJERCICIOS " Panadero A‘: | Panadero B° “Total =o 3 | =.40.7 a = 40 “n= - 80 3 X= 205,37. 204.40 204.88. = Bizs ol, 5,38. =." 4.63 | Pay [eh me 40. “n= 80 |. ‘5 | ® =! 210.66. 210.34 -}-. % = 210.50" # fs 4.15 2.89. 5 3.56. + 2 | eee S89 Te * X..= 208.01: ¥. 5 207.37 | > & 207.69 5 4.75 s 5.23 S = 4.99 » Valores de a, ¥.y’s para cada histogiama. + - = Tae oe RO ee "nese Diagrama de dispe ién y linea de regresién’ _RESPUESTAS A'LOS EJERCICIOS a - 227 " a) Existe una correlacién positiva entre xy y. b)” Hay un punto (No. 28, x= 2.5%, y = 42 keg/mm?) que es ‘distinco, de los otros. puntos. Debe investigarse por qué estos. datos incluyen un valor extremo, .2) r= 0.789. = 0.877, cuando se elimina el daco No. 28. 3) y= 29.58 + 6.48 x. fle Y = 28.78 + 6.87 x, cuando se elimina el dato No. 28. 7.2, 7.1 1) x=R. 2) pn 3). ¢ 4) x—Rs 5) 2p 6); xR 7) X=. 593.25 , a , 2 R= 0.576 Lineas de control, " Grdfica’ ¥ - LCs : Be +42 B =53,25'+ 0.729 0.576 = 53.67 LC '=-% = 53.25 LCi = 52.83 -Grifica R LCs = Dy R= 2.28 0.576 = 1.313 i LC = R= 0.576 LCi (no se tiene en cuenta) 228 RESPUESTAS A LOS EJERCICIOS °_ LCs = 53.67 La erdfica R muestra ‘un Ree de control. "Sin embargo, la gréfica ¥ no muestra un estado de control: 1) Hay tres puntos por fuera de ios Mmites de control, los id- imeros 3, 15 y 17. 2) Hay una racha de una longitu d de 10 (Wo. a] 10), Por tanto, este proceso no ed encan Fenda eubicga me dia'del proceso est4 en'tin'nivel mds bajo antes del 13 de novier- bre, y de nuevo sube y baja. Debemos encontrar la causa del cambio en la media del pidceso. 73 1) Correcto. 2) Correcto. 3). Deberios también ‘yerificar‘l los puntos forman algtin tipo: de patrén particulars oO fo. a) Correcie: eesti ae) 5) Cuando, un punto ‘cae por eae del Lci, debemos ebnsidecar : * “RESPUESTAS A Los Eyercrcros | * 22s So) * que el pioceso ‘esté fucra de control, Podemos conseguir in’. : formacién titil si ‘investizamos la razon por la‘cual la caracte- ristica'de control est4 por debajo del'LCs. 6) Un proceso ‘en el estado de ‘contol pee producir prodicr : tos defectuosos. . 7) “Cuando una gréfica ie oiitrol n muestra un estado'no contto- lado, en todo caso debemos” tratar de encontrar Ta causa. 9) Es posible qué un subgrups sé’componga de acon heterogéneos. Debemos verificar el contenido de la variacién dentro del subgrupo,’ y. engayar otras imaneta de format los Bs subgrupos. Sse A ae Suma y diferencia de Ay B : 1 2. e 2. 14. 05. : 5 12.90 3.00 : - 6 : 11.60 > 3.80 2 rz es i. Ate 2.60 | - 6. 4 4 3.55 =O), 2.25 : - 10. » 3.00 a feqadiicas dela, B A+, eats a B. | A+B A-B : Total ” : 45.80. {118.20 | 266° * . Suma de cuadrados 1.951 4.096 | © 4.364 ° .. Varianza . .217 "| 0.455 | .0.485 230 “SU RESPUESTAS A Los EJERCICIOS | B,2., - ae ; - v0 I “Sea el actual valor 4 y los pesos del contenido y el contenedor, sean xy respectivamente, entonces, : X+yscre, donde’¢ és el error de la méquina al pesar, El peso del contenido escd dado por xecteny . Loo" ees una Constante, # y'y, son ; independicrigcs, de modo quie la varianza de x se convierte en nla suma de la varianza de y.y', es “decir = : " os, y Una muestra ie eS una peqiiefia parte dela’ poblacién. Basados en la muestra, ce ee ‘podemos escimar las caracteristicas de toda la poblacién. - °¥2). Un pardmetro de la poblacién es‘una -eonstante que caracte- . a tiza a la’poblacién y uria estadiscica es una funciéa: de una -Mauesera de observaciones obtenidas de la, poblacidén: Basados en_el valor de la estadfstica, podenios hacer tina inferencia sobre él valor correspondiente del pardinietro de la poblacign.”. 3). Cuando wu una hipéresis 5 se Somete a prieba, pueden. cométerse " “dos tipos de ¢ cfror. Un error del primier tipo (erfor tipo D esel de‘ rechazar' la verdadera hipétesis;’y-un error del se undo tipo (error tipo, II)'es el de aceptar una hipécesis falsa. Un nivel de significacién es la probabilidad.de rechazar inco- “ frectamente una hipéresis, un nivel de conflanza és la pro- _ 2 Babilidad de que Ios Umites de confianza incluyan el verda- “SS dero} ales del pardmetio esti ada. : : RESPUESTAS A LOS EJERCICIOS 231 92.22 7 No. x R v. af u t aa 50.4 ° 5 3.80 1,95, - 0.45 0.46 12 51.8 4 2.20 ~ 1.48 .. 2.01 2.72) 13 50.0 4 2.50 “1.58 0.00 0.00 14 50.0 4. ..2.50..°1.58 ~- 0.00 0.00 15 50.4 Su 3.80, 1.95 3%0.45° | 0.46 Aer 50.8 8° 8.20. 2.86 0.89" 0.62 17 50.6 5 ~ -5.30 ~2.30° .0.677 0.58 18 50.6 4 '2.50;" .” 1.52 0.67 0.88 1s 49.6. 6 4.80 - 2.19 |: '-0,45. -0.41 720, 50:6, 5h, 3.80 1.95 .0.67- 0.69 : 9. 3 “) i. Hipéeesis, nivel de significaciéa Het Hy i 2g Hs Hy? Ha (=, 0.05)" ete aa : 2. Estadfsticas : . “ =x, 77S Ae 1222/33, % a = 13.62 1222. 33> 77.5% 3° 942.23 : ss 232 RESPUESTAS ‘ALOS EJERCICIOS fai. 21.08 +1471 _: 35:79 = “S45-2 - 4.474 22.115 15,50-13.62. "1.88 eo = =1.40 i 1.3376 3. Prueba. (8, 0.10) = 1.860 pete taal. 405 < 1.8602 7G, oo) g7. P acepte He, 2 4. Coriclustén ee oso 2 ; No podenios concluir, al nivel de'significacién del 5 7S que el tratamiento dumeénte Ia resistencia de abrasién. |" 2) See | My My = % — 22 = 1.88. =f, =% ya tem tn —2,0.05)- “es g8:£2.306: 2, 115: =1. aae3, 08 3) La comparaciéin debe facerse | enite espectmencs | tan seme- jantes como sea posible. Para hacerlo, es mejor cortar las pie- zas-de prueba por fa mitad, tratar na mitad y la otra no. El andlisis se realiza para determinar si thay ono una diferencia’ en el interior a los especimenes partados. He :