Professional Documents
Culture Documents
INTRODUCCIÓN
El control de la calidad es el proceso por el cual medimos las variables del proceso o
producto como por ejemplo el tamaño de un producto, su forma, componentes, color y
otras características físicas y químicas, pero también puede medir el volumen de
producción y los costos, o sea el proceso en sí.
INDICE
Página
INTRODUCCIÓN.......................... 8
I. CALIDAD_ COMPETITIVIDAD................... 8
1.1 Calidad........................... 8
1.2 Competitividad ........................... 9
1.3 Productividad ............................ 12
II. DEFINICIONES BÁSICAS ...................... 16
2.1 Definiciones Básicas ....................... 16
2.2 Control de Calidad ....................... 20
2.3 Control Estadístico ...................... 21
2.4 Variabilidad .......................... 21
III. CAPITULO ............................. 26
3.1 Medidas de Tendencia Central .................... 28
3.2 Medidas de Dispersión ó Variabilidad ............... 33
3.3 Medidas de Forma ........................ 44
3.4 Medidas de Localización ..................... 47
3.5 Estudio Real de Capacidad ................... 50
IV. SPSS...............................
4.1 Ejecución del SPSS ........................ 54
4.2 Ventana para la definición de Variable............... 56
4.3 Ventana de Ingreso de Datos ..................... 60
4.4 Guardar datos y resultados ..................... 62
4.5 Abrir archivo de datos o resultados .................. 64
4.6 Análisis de resultados ......................... 65
V. HERRAMIENTAS ESTADÍSTICAS................... 90
5.1 Hojas de control........................... 92
5.2. Histograma................................ 94
5.3 Diagrama de Pareto......................... 106
5.4 Diagrama de Dispersión....................... 117
5.5 Graficas de control....................... 126
VI. BIBLIOGRAFÍA............................. 183
ANEXOS............................. 184
ÍNDICE DE TABLAS
Página
Tabla 2.1 Tiempo de espera para ser atendidos en caja de pago (min)..... 22
Tabla 5.10 Datos de inspecciones y pruebas finales de una producto textil 141
Tabla 5.11 muestra de inspecciones y pruebas finales de una producto 141
textil..........................
Tabla 5.12 Datos del inspección de acabado de mesas......... 148
Tabla 5.13 Número promedio de defectos por unidad......... 149
Tabla 5.14 Defectos en mototaxis.................. 155
Tabla 5.15 Número promedio de defectos por mototaxi ui....... 156
Tabla 5.16. Pesos de llenado de bolsas de fresas congeladas..... 167
Tabla 5.17. Peso del llenado de envases de Yogurt........... 168
Tabla 5.18. Peso promedio y rango del llenado de envases de Yogurt.... 169
ÍNDICE DE FIGURAS
Página
Figura 1.1. Factores de la competividad................ 12
Figura 1.2. La Productividad y sus Componentes............. 12
Figura 2.1. Clasificación de las variables................. 18
Fig. 3.1 Histograma del peso de conservas (g).............. 38
Figura 3.2 Interpretación de los histogramas ............... 43
Figura 4.1.Inicio de Ejecución SPSS ................. 54
Figura 4.2.Inicio del SPSS........................ 55
Figura 4.3.Vista de datos y vista de variables.............. 55
Figura 4.4.Vista de variables....................... 56
Figura 4.5. Ingreso de variables..................... 56
Figura 4.6. Tipo de variables....................... 57
Figura 4.7. Tipo de variables: anchura.................. 57
Figura 4.8. Etiqueta de valor..................... 58
Figura 4.9. Etiqueta........................... 58
Figura 4.10. Etiquetado de variables.................. 58
Figura 4.11. Etiquetado de valor.................... 59
Figura 4.12. Medida ............................ 59
Figura 4.13. Vista de datos ...................... 60
Figura 4.14. Ingreso de datos..................... 60
Figura 4.15. Etiquetas de valor.................... 61
Figura 4.16. Vista de datos final.................... 61
Figura 4.17. Guardar archivos.................... 62
Figura 4.18. Guardar archivos en carpetas ................ 62
Figura 4.19. Archivo guardado 1................... 63
Figura 4.20. Archivo guardado 2.................... 63
Figura 4.21. Guardar resultados.................... 64
Figura 4.22 Abrir archivos........................ 64
Figura 4.23.Abrir archivos de datos................... 64
Figura 4.24 Análisis de resultados.................. 65
Figura 4.25 Generación de vista de variables............... 67
Figura 4.26. Ingreso de datos.................... 67
Figura 4.27. Etiqueta de valor de la base de datos........... 68
Figura 4.28. Base de datos...................... 68
Figura 4.29. Guardar archivo ..................... 69
CAPÍTULO I
CALIDAD
1.1 Calidad
Definir calidad no es tan fácil, este concepto con el transcurrir del tiempo ha
evolucionado pues tenemos a varios autores denominados filósofos de calidad,
quienes han aportado en su definición, entre ellos tenemos:
Kaoru Ishikawa (1915-1989). La Calidad tiene que ser construida en cada diseño y
cada proceso. Calidad es lo que realmente trae satisfacción a los consumidores.
Genichi Taguchi (1924).La calidad se debe definir en forma monetaria por medio de
la función de pérdida, en donde a mayor variación de una especificación con respecto
al valor nominal, mayor (exponencialmente) es la pérdida monetaria transferida al
consumidor.
Thomas Peters (1942).La calidad definida por los clientes y/o consumidores, en
función a sus necesidades y deseos, procediendo a fijar las especificaciones de los
productos y servicios en función de aquellos.
Por lo tanto podemos decir que la calidad es un juicio que el cliente tiene sobre un
servicio o producto, resultado del grado con el cual un conjunto de características
inherentes al producto cumple con sus requerimientos.
Para los clientes siempre se les deben brindar productos y servicios que satisfagan
sus necesidades. Debemos recordar que un producto o servicio es el resultado de un
proceso mediante el cual un conjunto de actividades mutuamente relacionadas o que
interactúan, las cuales transforman elementos de entrada en resultados.
1. Servicios (transporte,.),
Definir la calidad de un servicio resulta más subjetivo e impreciso que definir la calidad
de un producto. El producto tangible existe antes de entregarlo al cliente y se puede
inspeccionar y medir sus variables, mientras que el servicio se produce y entrega en el
mismo acto, por lo que debe prestarse con la calidad requerida sin posibilidad de
sustitución. Como la belleza, la calidad de un servicio “depende del color del cristal con
el que se mira”.
Los clientes necesitan productos o servicios con características que satisfagan sus
necesidades y expectativas. Estas necesidades y expectativas se expresan en la
especificación del producto o servicio y son generalmente denominadas como
requisitos del cliente con un valor añadido.
Los requisitos son las necesidades o expectativas establecidas por las partes
interesadas, las obligatorias o las que se consideran implícitas por hábito o práctica
común para la organización, sus clientes o partes interesadas. Debemos entender a
las necesidades implícitas son los requerimientos no especificados de forma explícita
por el cliente ni por el proveedor (pero que el cliente espera ver satisfechas), se refiere
a los requerimientos no regulados en un contrato. No es significativo del valor o estima
que genera en el cliente la necesidad de adquirir un bien. ( y es precisamente ese
valor es lo que distingue la calidad de un bien por encima de los demás).
La globalización exige ahora aún más a las empresas brindar productos de calidad, la
calidad como se mencionó es la satisfacción del cliente, se dice que hay satisfacción
cuando el cliente recibe del producto o servicio al menos lo que esperaba.
calidad a bajo precio y mediante un buen servicio. En la figura 1.1 se visualiza los
factores de la competitividad.
La Eficacia. Es el grado de con el cual las actividades previstas son realizadas y los
resultados planeados son logrados. Es decir ser eficaz es cumplir con objetivos y se
atiende maximizando los resultados [2].
Entonces
tonces la eficiencia será la relación entre el tiempo útil y el tiempo total mientras
La eficacia será el cociente entre las latas de conservas producidas y el tiempo útil.
Además se determino que la eficacia promedio fue de un 80% , lo cual significa que si
se planean materiales y actividades para producir 100 latas de conservas al final sol
solo
80 latas en promedio están libres de defectos y las otras 20 se quedaron a lo largo
del proceso por algún tipo de defecto, de estas 20 algunas podrán recuperarse y otras
se convertirán en desperdicio.
CAPÍTULO II
DEFINICIONES BÁSICAS
Estadística.
Discreta
Cuantitativa
Continua
Por su naturaleza
Cualitativa
Variables
Dependiente
Interviniente
Variables dependientes:
dependientes: Es la variable motivo del estudio, cuyos valores
dependen de otras variables que pueden influir en ella. También se le llama
variable respuesta. Ejemplo: respuesta a un tratamiento,
tratamiento, rendimiento escolar,
ventas, etc.
Variable Independiente
Independiente:: Es la que modifica de una u otra manera a la variable
dependiente, llamándose también según el caso factor de riesgo, factor
predictivo, Ejemplo: Horas de estudio, minutos de publicidad, etc.
etc
Escalas de Medición
Variables
bles categóricas ordinales:
ordinales: Estas si permiten establecer un orden
determinado, por Ejemplo: grado de instrucción de un paciente (inicial, primaria,
secundaria, superior), nivel socioeconómico (bajo, medio, alto). etc. También son
excluyentes entre si.
Lo importante del Control de Calidad es que constituye una herramienta muy eficaz
para incrementar la productividad, permitiendo elevar el nivel técnico de la empresa,
incrementando la producción y reduciendo los costos de operación.
2.4 La Variabilidad
La Variabilidad forma parte de nuestra vida por ejemplo el tiempo que tardamos
en llegar a nuestra casa cuando salimos de las clases de la universidad, la
temperatura del ambiente es variable de un día a otro, esta variación también ocurre
en los procesos de las empresas.
Tabla 2.1 Tiempo de espera para ser atendidos en caja de pago (min)
12,1 7,3 15,9 13,2 10,5 9,4 5,4 13,2 5,6 8,9
17,3 6,8 12,4 11,4 15,6 6,6 4,7 11,2 12,8 13.6
15,9 12,8 5,1 7,5 13,4 12,4 12,1 6,2 9,4 14,6
17,8 11,9 13,2 6,9 7,7 13,2 13,5 13,6 7,4 7,7
7,5 6,3 8,2 11,2 2.3 12,2 5,2 11,7 9,2 12,1
En este ejemplo se muestra que el promedio de espera fue de 10,4min. Pero existe
variación ya que un cliente espero menos de 2,3 minutos y otro fue atendido después
de 17,8 minutos de espera. De aquí que una de las tareas del Control Estadístico de
un proceso no solo será conocer su tendencia central sino también su variabilidad.
En una empresa aún cuando los operarios trabajen cuidadosamente, aunque tanto el
producto como el proceso hayan sido juiciosamente concebidos, aunque el
mantenimiento funcione perfectamente, dos piezas de un mismo producto fabricado
bajo las mismas condiciones no son idénticas, es decir, que existirá siempre un cierto
grado de variabilidad llamada variabilidad natural del proceso.
aparatos de medida y del operario que mide, etc) que hacen que los resultados de la
producción no sean totalmente idénticos en todas sus unidades. Estas causas que
originan la variabilidad natural del proceso se conocen como causas comunes.
Existen otro tipo de causas que originan aumento del sesgo y/o la variabilidad y que,
en contraposición a las causas comunes, se presentan de forma accidental son, en
general, fácilmente eliminables. Ejemplo de estas causas son errores de los operarios,
defectos en la materia prima, desajuste de máquinas, etc. A estas causas se les
denomina causas asignables, accidentales o especiales.
Por definición, se dice que un proceso está bajo control estadístico cuando no hay
causas asignables presentes. El Control Estadístico de Procesos se basa en analizar
la información aportada por el proceso para detectar la presencia de causas
asignables y habitualmente se realiza mediante una construcción gráfica denominada
Gráfico de Control.
EJERCICIOS
5. En una fiesta, el 50% de los invitados son hombres. De todos los hombres de la
fiesta, el 40% son calvos y de ellos el 50% habla inglés. Si 4 calvos hablan inglés.
¿Cuántas mujeres hay en la fiesta?.
Unidad de estudio
Variable de estudio Tipo:
Población
Muestra
CAPÍTULO III
ESTADÍSTICA DESCRIPTIVA
El presente capítulo tiene por finalidad que el estudiante analice las principales
técnicas para realizar un análisis descriptivo de un conjunto de datos donde se
determine la tendencia central la variabilidad así como la distribución de los datos así
mismo interpretar de manera adecuada el histograma y los percentiles y un diagrama
de cajas. Así mismo aplicar los conceptos para realizar una valoración amplia de la
capacidad de un proceso.
Por lo general para realizar un estudio de capacidad se toman datos del proceso
durante un periodo considerable para que se refleje bien el desempeño del proceso.
El periodo de referencia depende de la velocidad del proceso, ya que si se trata de un
proceso masivo que produce muchas piezas por día, entonces un periodo de cuatro a
diez días, y de ahí, cada determinado tiempo se toma una pequeña cantidad de
productos hasta completar una muestra de 120 a 150. Pero cuando se trate de un
proceso lento, que produce poco productos por día, es necesario incrementar el
periodo de estudio para completar una muestra de por lo menos 50 a 60 productos.
En ambos casos, en la medida que se tengan más datos y un periodo más amplio
será posible conocer mejor el estado real del proceso
Para contestar estas preguntas, durante una semana se obtuvieron de una línea de
producción los 125 datos de tabla 3.1. El muestreo fue sistemático: cada
determinado tiempo se tomaban cinco productos y se pesaba. A Continuación se
analizarán estos datos por medio de diferentes estadísticos. (Ejemplo adaptado de
Gutiérrez y De La Vara, 2009)
215 210 207 206 206 205 207 210 206 209 207 203
210 207 207 210 204 209 203 209 206 208 206 207
207 207 203 206 206 207 210 208 205 203 210 207
207 207 207 208 214 206 208 206 212 213 212 209
208 209 207 206 207 208 209 213 209 206 209 210
210 209 207 209 212 209 208 201 209 209 207 209
210 207 215 206 206 210 210 206 208 211 210 212
206 205 210 202 201 208 205 205 209 203 207 207
209 210 211 213 205 203 210 204 208 205 210 205
212 206 209 207 210 214 212 209 209 207 206 208
207 209 211 210 210
Con las mediciones de una característica de la calidad como las del ejemplo anterior
el primer objetivo es conocer la tendencia central de los datos, identificar un valor en
torno al cual los datos tienden a aglomerarse o concentrarse. esto permitirá saber si el
proceso está centrado ; es decir si la tendencia central de la variable de salida es
igual o está muy próxima a un valor nominal deseado (En el ejemplo es 205 g)
Tendencia central es el valor en torno al cual los datos o mediciones de una variable
tienden a aglomerarse o concentrarse. Las medidas de tendencia central son
estadígrafos de posición que son interpretados como valores que permiten resumir a
un conjunto de datos dispersos, podría asumirse que estas medidas equivalen a un
centro de gravedad que adoptan un valor representativo para todo un conjunto de
datos predeterminados.
Sea x1, x2, x3,. xn, son las observaciones numéricas de una muestra
+ + + ⋯ "#$ #
! !
Para calcular la media de los 125 datos que se muestran en la tabla 2.1 tendremos
Si para calcular la media se utilizan todos los elementos de la población (todos los
posibles individuos, especímenes, objetos o medidas de interés sobre los que se hace
Es importante destacar que la media del proceso µ es igual a cierto valor, aun no
siempre se conoce; mientras que el valor de se obtiene para cada muestra y es
diferente de una muestra a otra, ya que su valor depende de las piezas que se
seleccionan. Por lo anterior, el valor que se observa de la media muestral , por lo
general es diferente a la media del proceso, µ. Luego es preciso tener cuidado con
las afirmaciones basadas en sobre la media del proceso o población.
Mediana o Percentil 50
Podríamos decir también que la mediana es el valor que ocupa la posición central de
un conjunto de observaciones ordenadas. El 50% de las observaciones son mayores
que este valor y el otro 50% son menores.
!+1
2
./
4.
1/
4,5.
5+6
23 5,5
2
5/
Para el ejemplo 2.1 tendremos la ubicación de la mediana
63, por lo tanto la
Moda
Por ejemplo se tienen, durante los últimos 30 días que el valor de las compras en un
producto fue: { 10,2; 7,0; 7,1; 10,2; 8,3; 9,4, 9,2; 6,5, 7;1; 6,6; 7,8; 6,8; 7,1; 8,4; 9,6;
8,5; 5,7; 6,4; 10,1; 8,2; 9,0; 7,8; 8,2; 5,3; 6,2; 9,1; 8,6; 7,0; 7,7; 8,3} la moda ( Mo) es
igual a 7.1; es el valor más frecuente, ocurre 3 veces.
En el ejemplo 3.1 de los pesos hay una sola moda y es de 207 g. Esta medición fue la
más fue la más frecuente, se repitió 23 veces. De esta forma, en el ejemplo tenemos
que la media es 207,9, la mediana 208 y la moda 207. Debido a que la media es la
medida de tendencia central más usual, en ocasiones se comete el error de creer que
ésta divide los datos a la mitad o que es el dato más frecuente, es decir, se confunde
el concepto de media con el de mediana y moda, respectivamente.
Son promedio =1 200 y mediana -= 1 100, pero si a la lista anterior agregamos un
dato atípico (7 600) entonces : =2 000 y -= 1 200 son muy diferentes entre sí,
debido a que 7 600 ha jalado a la media, y ahora que ya no es una buena medida de
tendencia central porque solo un dato está por arriba de la media. En este tipo de
casos, la mediana no es afectada por el dato atípico, lo cual tampoco ocurre cuando
la distribución de los datos es sesgada. Por lo tanto, bajo estas condiciones, la
mediana es mejor medida de tendencia central.
Cuando la población tiene una distribución sesgada, con frecuencia la mediana resulta
ser la mejor medida de posición, debido a que está siempre entre la media y la moda.
La mediana no se ve altamente influida por la frecuencia de aparición de un solo valor
como es el caso de la moda, ni se distorsiona con la presencia de valores extremos
como la media.
Suponga que la longitud de una pieza debe estar entre 800 ± 5. Para ver si se
cumple con las especificaciones se toma una muestra aleatoria grande y se obtiene
que =801 y -= 800 y moda = 800
Debido a que estos estadísticos están dentro de las especificaciones se podría creer
que proceso cumple con estás. Sin embargo, esto no necesariamente es cierto ya que
en la muestra podría haber datos desde 750 y 850 y la media de todos ellos ser 801.
Pero también podría ocurrir que el rango de variación de los datos vaya de 797 a
803, con lo que sí se cumpliría con las especificaciones.
Es la medida más usual de la variabilidad e indica qué tan esparcidos están los
datos con respecto a la media; se denota con la letra S y se calcula, mediante la
siguiente expresión
expresada en las mismas unidades de medición que los datos (gramos, milímetros,
etc). Además, S no muestra la magnitud de los datos, solo refleja lo retirado que están,
los datos de la media y, al igual que ésta, es afectada por datos atípicos.
Por otra parte el cuadrado de la desviación estándar, S2, conocido como varianza
muestral, es muy importante para propósitos de inferencia estadística. Y en forma
equivalente σ2 es la varianza poblacional.
Entonces se observa que la magnitud de los datos es diferente, y eso es reflejado por
la media, que es de 12 y 161, respectivamente. Pero en cuanto a la variabilidad, los
datos de ambos conjuntos están dispersos de la misma manera, como lo indica la
desviación estándar que es igual a 2 en ambos casos, el rango que es de 4 para los
dos conjuntos.
7
>? 9100<
;
El CV es útil para comparar la variación de dos o más variables que están medidas en
diferentes escalas o unidades de medición (por ejemplo, metro frente a centímetro o
metro frente a kilogramo). Este coeficiente suele interpretarse como una medición en
términos porcentuales de la variación. Por ejemplo en el caso de los conjuntos de
datos Ay B que se acaban de presentar en la definición de rango, se tiene que sus
correspondientes CV son: >?@ 100 16,66 y >?A B 100 1,242
En caso del peso de las conservas tenemos que S=2,757 y S2=7,6010 R=215-
201=14 y el CV= 1,33 %. La interpretación del rango es muy directa, ya que indica la
amplitud máxima de la dispersión; así, 14g es la discrepancia máxima que existió
entre los pesos de las conservas de la muestra. Por lo general la interpretación de la
desviación estándar se hace en combinación con la media como lo veremos en
seguida, y su interpretación en forma individual se realiza en forma comparativa con
respecto a la desviación estándar de otras líneas de producción o lotes. Es necesario
tomar en cuenta, en caso de hacer estas comparaciones, que lo que se observa en
una muestra es variable, y por lo general pequeñas diferencias muestrales no
implican diferencias entre procesos o lotes.
Por último, CV = 1,33% indica que la variación del peso es de 1,33, lo cual puede
considerarse relativamente bajo
En cuanto a la regla empírica se afirma que en muchos de los datos que surgen en
la práctica se ha observado por la experiencia que:
Todos los intervalos anteriores son validos solo para los datos muestrales y no
necesariamente para toda la población o proceso. Sin embargo, si los intervalos se
calculan con la media y la desviación estándar del proceso población, entonces serán
validos para toda la población. Por lo tanto, en la medida que se tengan muestras
aleatorias grandes y representativas, los intervalos anteriores podrán dar una idea
aproximada de lo que pasa en el proceso.
Al aplicar la regla empírica a los datos del grosor de los discos, se tiene que una alto
porcentaje (cercano a 99%) de las mediciones del grosor del disco varía entre 199,67
y 216,22 g, se derivará del siguiente cálculo:
- 3S y + 3S
Los límites reales o naturales de un proceso indican los puntos entre los cuales varía
la salida de un proceso y, por lo general, se obtienen de la siguiente manera
El cálculo de estos límites está inspirado en la regla empírica, que a su vez coincide
con la propiedad de la distribución normal. En un estudio de capacidad, estos límites
reales se comparan con las especificaciones para la característica de calidad.
Por ejemplo si las especificaciones para una característica de calidad son que ésta
debe tener dimensiones de 800±5; luego, la especificación inferior es EI = 795, y la
superior es ES = 805. Si además se sabe que la media y la desviación estándar de
tal característica de calidad son µ = 800,6 y σ =1,2, respectivamente entonces los
límites reales son:
Por lo tanto, se espera que esta característica de calidad varíe de 797,0 a 804,2, con
una media de 800,6. Al comparar esto con las especificaciones se aprecia que los
límites reales caen dentro de las mismas, entonces se concluye que el proceso es
capaz de cumplir con tales especificaciones.
Histogramas
Con base en lo anterior, la primera acción que se habría de ejecutar para mejorar la
capacidad del proceso de envasado de conservas es mejorar su proceso.
A través del ejemplo anterior queda claro que el histograma ayuda a ver la tendencia
central de los datos, facilita el entendimiento de la variabilidad y favorece el
pensamiento estadístico, ya que de un solo vistazo se logra tener una idea acerca de
la capacidad de un proceso, se evitan tomar decisiones solo apoyándose en la media
y se detectan datos raros y formas especiales de la distribución de los datos.
- La medición fue realizada sobre un artículo o individuo que no forma parte del
proceso o población a la que pertenece al resto.
40 40
30 30
20 20
10 10
4 6 8 10 12 14 16 4 6 8 10 12 14 16
3. La cantidad de clase o barras influye en la forma del histograma, por lo que una
buena práctica es que a partir de la cantidad de clase que de manera inicial
sugiere un software, se analice el histograma con un numero de clases, a fin de
verificar si se observa algo diferente.
Sesgo o asimetría
!. "#$9#G <
73D,E
9! − 1<9! − 2<7
D3D,E
73D,E3DHI!JIKLMIJE
N6
!
El signo del sesgo indica el lado para el que la cola de la distribución es más larga, ya
sea hacia la izquierda (signo -) o hacia la derecha ( signo +) . Para los datos que
siguen una distribución normal, el valor del sesgo estandarizado debe caer dentro de (-
2, +2), por lo que si n es grande ( n > 100) y es el sesgo estandarizado esta fuera de
tal intervalo, será una evidencia de que la distribución de los datos tiene un sesgo
significativamente diferente al de la distribución normal o, en otras palabras, que la
distribución de los datos no es normal.
En los datos del ejemplo 3.1 del peso de conservas, el sesgo= 0,052 y el sesgo
estandarizado =0,237, indican una distribución bastante simétrica. Además, dado el
tamaño de la muestra y como el sesgo estandarizado esta dentro del intervalo [-2,
+2], entonces es una evidencia a favor de que los datos provienen de una distribución
normal.
Una medida para determinar que tan elevada o plana (achatada o pícuda) es la
distribución de ciertos datos, tomando como referencia la distribución normal, se
obtiene a través del estadístico Curtosis y del coeficiente de curtosis
estandarizado.
Curtosis
Estadístico que mide qué tan elevada o plana es la curva de la distribución de unos
datos respecto a la distribución normal. (Evalúa el grado de apuntamiento de la
distribución).
OPKHEDLD
OPKHEDLD3DHI!JIKLMIJE
N24
!
Donde:
n = tamaño de la muestra
S = desviación estándar y
= la media muestral
los datos que siguen una distribución normal el valor de la curtosis estandarizada
debe estar dentro de (-2, +2), por lo que si n es grande (n>100) y el estadístico cae
fuera de este intervalo, será una evidencia de que la distribución de los datos no es
normal.
En los datos del ejemplo 3.1 del peso de las conservas, curtosis = 0,249 y curtosis
estandarizado= 0,568, lo cual indica una distribución muy similar a la distribución
normal. Así tanto para la curtosis como para el sesgo, hay evidencia a favor de que
los datos provienen de una distribución normal.
Cuantiles (percentiles)
1.0% = 201
5,0% = 203
10,0% = 205
25,0% = 206
50,0% = 208
75,0% = 210
90,0% = 212
95,0% = 213
99,0% = 215
Se observa que el primer decil o percentil 10 es igual a 205 eso quiere decir que 10%
de las mediciones de la tabla 3.1 son menores o iguales a 205. El decil cinco o
percentil 50 que corresponde a la mediana es igual a 208. Mientras que el percentil
95 es igual a 213, lo cual que 95% de las mediciones son menores o iguales que 213
Cuartiles
Los cuartiles son iguales a los percentiles 25, 50, 75 y sirven para separar por
magnitud la distribución de unos datos en cuatro grupos, donde cada uno contiene
25% de los datos.
Al percentil 25 se le conoce como primer cuartil o cuartil inferior Ci, mientras que la
mediana es el percentil 50 corresponde al cuartil medio Cm, y el percentil 75 es el
cuartil superior Cs o tercer cuartil.
En el caso de los datos del ejemplo 3.1 del peso de las conservas Ci=206, Cm=208 y
Cs =210. De aquí que el 25% de los datos sea menor o igual a 206.
Diagrama de Cajas
Rango Intercuartilítico Rc = Cs - Ci
En la figura 3.3 se muestra el diagrama de caja para los datos del peso de las
conservas.
- El largo del diagrama (que incluye el rectángulo más ambos brazo), ya que
esto indica una medida de la variación de los datos y resulta de gran utilidad
sobre todo para comparar la variación entre procesos, lotes o turnos de
trabajo o producción, en general entre más largo sea este diagrama indicará
una mayor variación de los datos correspondientes.
- La parte central del diagrama indica la tendencia central de los datos, por lo
que también ayudará a comparar dos o más procesos, maquinas, lotes o
turnos en cuanto a su tendencia central.
En la tabla se muestran los aspectos más relevantes para evaluar la capacidad del
proceso para cumplir con las especificaciones del peso de conservas.
En la tabla se muestras los aspectos más relevantes para evaluar la capacidad del
proceso, de acuerdo con el análisis realizado, se concluye que el proceso está
descentrado y que la variación es grande, por lo que la capacidad real del proceso es
mala. Se deben seguir las recomendaciones dadas al final de la tabla para reducir la
variabilidad y de esa forma mejorar la calidad del peso.
Ejercicios
2. Una gran compañía llevó a cabo un estudio para ubicar las variables que pudieran
determinar el sueldo de un egresado universitario dos años después de haberse
graduado como ingeniería industrial. Los datos recogidos se presentan en la siguiente
tabla.
1 24 F C A 2750
2 25 M C M 2900
3 26 M S B 2900
4 27 F C B 2800
5 27 M D A 2100
6 27 F C M 2050
7 27 M S A 2500
8 25 F C B 2300
9 23 M S B 1800
10 24 M S B 2080
11 26 F C M 2200
12 29 F D M 2000
13 25 M C A 2150
14 31 F D A 2550
15 26 M S B 2020
16 24 F D M 2400
17 26 F C B 2700
18 28 F S M 2900
19 25 M C B 2050
20 29 M C M 2100
b) Realice diagramas de cajas que le ayuden a visualizar como influye cada una de las
variables en el sueldo que gana el individuo.
c) Como futuro Ingeniero industrial, ¿cuál sería la(s) características que usted debería
tomar en consideración para obtener el sueldo al que usted aspiraría al egresar?
4. Dos máquinas, cada una operada por una persona, son utilizadas para cortar tiras
de hule, cuya longitud ideal es de 200mm, con una tolerancia de ±3 mm. Al final del
turno un inspector toma una muestra e inspecciona que la longitud cumpla
especificaciones. A continuación se muestran las 110 mediciones para ambas
máquinas.
CAPÍTULO IV
SPSS
Actualmente para analizar los datos obtenidos de control de calidad contamos con
innumerables software entre ellos tenemos el Minitab, Stat Graphic, SPSS, entre otros.
Respecto a sus versiones el SPSS hay ido mejorando siendo actualmente la más
usada la versión diecinueve, aunque la versión veinte ya está a disposición.
Para ingresar a esta ventana damos clip en la pestaña de vista de variables de donde
se obtiene la siguiente ventana.
En esta ventana (figura 4.4) se define las variables a analizar, encontramos el nombre
de la variable, tipo, anchura, decimales, etiqueta, valores, perdidos etc.
Para poder observar los tipos de variables damos clip en los puntos suspensivos y
tenemos la pantalla en la cual muestra los tipos de variables, aquí se debe escoger el
tipo de variable, puede numérica, si se inserta un valor numérico pero si se inserta una
letra o palabra se puede escoger de cadena además se puede escoger otro tipo de
variable.
En esta ventana (figura 4,7) se puede incluir el ancho los dígitos que tendrá variable
En nuestro ejemplo como las variables es peso la variable es numérica y tendrá tres
dígitos con cero decimales.
Para el uso de este ítem, esta es utilizada cuando se desea colocarle un valor a la
variable, para la variable peso no se tendrán valores pero por ejemplo para la variable
sexo que siendo una variable cualitativa se codificará como numérica colocando
valores de ( 1 Femenino y 2 Masculino), para realizarlo se da un clip en los tres puntos
Además existen otros ítems como alineación, medida, en alineación se puede escoger
de acuerdo a la preferencia; en medida se puede escoger si esta de escala, ordinal o
nominal.
Así sucesivamente se pueden ingresar las variables a analizar. Una vez que se tiene
completo las variables se pueden ingresar los datos de estas variables
Para abrir archivos de datos o de resultados debemos ir a archivo y dar clip luego
escoger si se desea abrir archivos de datos o de resultados.
Ejemplo 4.1
nº de lugar de
casos procedencia
id Sexo estado edad peso altura
civil
1 exped09 1 1 1 45 72 168
2 exped10 1 2 1 28 78 171
3 exped11 1 3 2 35 68 174
4 exped12 1 2 2 60 64 166
5 exped13 2 1 1 26 71 164
6 exped14 2 1 1 30 63 156
7 exped15 2 1 2 28 53 158
8 exped16 2 3 2 33 57 155
Solución
2. Una vez definida las variables ingresamos a la ventana de ingreso de datos que se
muestran en la tabla anterior 4.1.
Si deseamos ver el nombre de los valores debemor ir a ver y dar Check () en
etiqueta de valor.
Como se puede observar en esta pantalla [(Figura 4.31) podemos elegir medidas de
tendencia central, de dispersión, distribución o valores percentiles.
Dar clip en estadístico o gráficos según lo que se desea, hacer click en Descriptivos y
luego dar clip en continuar. Ver figura 4.36
Finalmente dar clip en aceptar y esperar los resultados ver figura 4.38
Si de desea extraer los datos y copiar en word lo que puede realizar es el siguiente
paso: seleccionar, dar anticlip y en la pantalla obtenida clip en copiar.
Luego se puede abrir el Word, se pueden copian y pegar los resultados, finalmente
se muestran los resultados obtenidos y copiados en word
Ejemplo 2.
Tomando el ejercicio 3.1 del capítulo anterior, se obtendrán los resultados mediante el
uso del SPSS.
215 210 207 206 206 205 207 210 206 209 207 203
210 207 207 210 204 209 203 209 206 208 206 207
207 207 203 206 206 207 210 208 205 203 210 207
207 207 207 208 214 206 208 206 212 213 212 209
208 209 207 206 207 208 209 213 209 206 209 210
210 209 207 209 212 209 208 201 209 209 207 209
210 207 215 206 206 210 210 206 208 211 210 212
206 205 210 202 201 208 205 205 209 203 207 207
209 210 211 213 205 203 210 204 208 205 210 205
212 206 209 207 210 214 212 209 209 207 206 208
Solución
Luego ir a vista de datos para ingresar los datos de peso de conserva al final
obtendremos la siguiente pantalla.
Luego traspasar la variable como es en este caso el peso de la conserva (g), luego
dar clip en estadísticos, y finalmente escoger las medidas de tendencia central,
dispersión, distribución y valores de percentiles. Finalmente dar clip en continuar
Lo mismo se puede realizar con los gráficos, escoger en tipo de gráficos histograma ,
dar check en mostrar curva normal en el histograma.
Estadísticos
peso de la conserva (g)
N Válidos 125
Perdidos 3
Media 207,94
Error típ. de la media ,247
Mediana 208,00
Moda 207
Desv. típ. 2,757
Varianza 7,602
Asimetría ,052
Error típ. de asimetría ,217
Curtosis ,249
Error típ. de curtosis ,430
Rango 14
Mínimo 201
Máximo 215
Suma 25993
Percentiles 10 205,00
20 206,00
25 206,00
30 207,00
40 207,00
50 208,00
60 209,00
70 209,00
75 210,00
80 210,00
90 212,00
Histograma
Luego dar clip en definir pasar la variable al recuadro de “Cajas de representan” y dar
clip en aceptar .Observar la siguiente pantallas y esperar el resultados
El gráfico obtenido es
Paso 1. dar doble clip sobre el gráfico al realizar esta acción obtendremos la siguiente
pantalla, en esta pantalla dar clip en trasponer sistema de coordenadas.
En esta misma pantalla da doble clip y obtener la siguiente ventana en esta tendremos
las propiedades del gráfico tales como Tamaño del grafico, relleno y borde, categorías
opción de las barras y variables , aquí cambiaremos el color de grafico.
Para este ejemplo se cambio el color, escogiendo el color blanco para realizar esto se
debió escoger el color y luego dar clip en aplicar.
En esta ventana se puede realizar los cambios que se requiera ya sea estilo de texto,
escala, etc. Para ingresar a escala solo debemos darle clip a la pestaña, en ella se
puede modificar el máximo, mínimo, incremento etc. Luego de escoger dar clip en
aplicar y finalmente en cerrar. En esta ventana se modifico el incremento de 3 a 1.
Por ejemplo en el histograma anteriormente obtenido del ejemplo 3.1 se puede colocar
los límites dado en las especificaciones.
Luego dar clip en aplicar y luego en cerrar para incluir los siguientes valores de 200 y
210 proceder de la misma forma descrita anteriormente. Finalmente se obtiene el
siguiente gráfico
CAPITULO V
El éxito de estas técnicas radica en la capacidad que han demostrado para ser
aplicadas en un amplio conjunto de problemas, desde el control de calidad hasta las
áreas de producción, marketing y administración.
¿Cuáles
Cuáles son las Herramientas Estadísticas Básicas de Control de
Calidad?
Fue ell profesor Kaoru Ishikawa quien extendió su utilización en las industrias
manufactureras de su país, en los años 60, acuñando la expresión de 7 herramientas
para el control de la calidad. Estas herramientas pueden ser descritas genéricamente
como "métodos para la mejora continua y la solución de problemas".
El éxito de estas técnicas radica en la capacidad que han demostrado para ser
aplicadas en un amplio conjunto de problemas, desde el control de calidad hasta las
áreas de producción, marketing y administración.
adminis
2. Estratificación
3. Diagrama de Pareto
4. efecto
Diagrama causa-efecto
5. Diagrama de dispersión
6. Histograma
7. Gráficas de control
5.1HOJA DE CONTROL
El recojo de la información es esencial por lo cual se debe tener en claro para que se
desea. Los datos se deben recoger de manera clara, precisa y fácil de usar. Una hoja
de registro es un formato preimpreso en el cual aparecen las variables que se van a a
registrar, de tal manera que los datos puedan recogerse fácil y concisamente.
Una Hoja de registro ó control también llamada hoja de verificación u hoja de recogida
de datos, es un formato de tabla o diagrama, destinado a registrar y compilar datos
mediante un método sencillo y sistemático, como la anotación de marcas asociadas a
la ocurrencia de determinados sucesos. Esta técnica de recogida de datos se prepara
de manera que su uso sea fácil e interfiera lo menos posible con la actividad de quien
realiza el registro.
Ventajas
Supone un método que proporciona datos fáciles de comprender y que son obtenidos
mediante un proceso simple y eficiente que puede ser aplicado a cualquier área de la
organización. Las Hojas de control reflejan rápidamente las tendencias y patrones
subyacentes en los datos.
La recolección de los datos debe efectuarse de manera cuidadosa y exacta y para ello
se deben utilizar plantillas especialmente diseñadas para cada caso.
Los objetivos que se pretenden con el uso de la hoja de recojo de datos son:
Debe estar bien claro la variable (s) a medir, debe incluir la fecha quien llena la hoja y
firma del responsable. Se debe tener en cuenta que se debe optimizar el recojo de la
información, no es factible que se diseño una hoja para cada variable. Al momento
del diseño de la hoja debe conocer con qué objetivo se desea recoger la información,
esto permitirá construir la hoja incluyendo las variables necesarias
5.2 HISTOGRAMA
Ventajas
Utilidades
ELABORACIÓN DE HISTOGRAMA
K= 1 + 3.322log(n)
K= n
3. Obtener la amplitud de los intervalos de clase, C, mediante:
R
C=
k
4. Construir los intervalos
Ejemplo 5.1. En la tabla .5.1 se recogen las medidas del diámetro de 100 tubos
fabricados consecutivamente cuyas especificaciones son 32.21 ± 0.05 mm. Construir
el histograma. [4]
32,2 32,23 32,2 32,22 32,18 32,23 32,17 32,19 32,21 32,19
32,23 32,21 32,21 32,24 32,21 32,23 32,2 32,21 32,19 32,2
32,22 32,25 32,2 32,24 32,19 32,18 32,21 32,17 32,22 32,23
32,18 32,21 32,22 32,24 32,23 32,2 32,19 32,18 32,17 32,2
32,22 32,22 32,22 32,2 32,17 32,2 32,22 32,23 32,18 32,25
32,21 32,22 32,2 32,25 32,17 32,21 32,22 32,2 32,19 32,19
32,18 32,25 32,22 32,21 32,24 32,22 32,19 32,25 32,23 32,2
32,25 32,18 32,23 32,21 32,21 32,24 32,22 32,16 32,22 32,21
32,19 32,19 32,2 32,19 32,2 32,22 32,23 32,24 32,19 32,2
32,21 32,2 32,21 32,23 32,21 32,19 32,26 32,23 32,21 32,21
Solución
K= 1 + 3,322 * log(n)
R 0.1
C= = = 0.0125 ≈ 0.013
k 8
Intervalos
32,158 + 0.013 = 32,171
32,171 + 0,013 = 32,184
32,184 + 0,013 =
32,197 + 0,013 =
32,210 + 0,013 =
32,223 + 0,013 =
32,236 + 0,013 =
32,249 + 0,013 = 32.262
Total 100
2. Una vez realizada la vista de variables, introducir los datos en la ventana vista de
datos.
3. Una vez realizada la base de datos se procede a realizar el gráfico, para esto se
debe dar clip en el item gráfico y buscar histograma.
4. Escoger la variable (diámetro del tubo) y dar clip en aceptar para general el gráfico
a. Dar doble clip en el gráfico y en la nueva ventana generada Editor de gráficos dar
clip en las barras del histograma luego se generará una ventana (propiedades), en
clase de punto modificar dar check () y colocar el número de intervalos de clase.
Al colocar los valores tanto en número como ancho de intervalo, se da clip en aplicar y
se obtiene la siguiente pantalla.
Ejercicios
1. Dos máquinas, cada una operada por una persona, son utilizadas para cortar tiras
de hule, cuya longitud ideal es de 200mm, con una tolerancia de +/-3 mm. Al final
del turno un inspector toma una muestra e inspecciona que la longitud cumpla
especificaciones. A continuación se muestran las 110 mediciones es ara ambas
máquinas.
Para investigar este problema se toma una muestra, aleatoriamente durante 20 días,
del peso en gramos del embutido tomado de dos maquinas de producción, que su
vez son atendidas indistintamente por dos operarios ( A y B).
5.3 PARETO
Los problemas de calidad se presentan como pérdidas (productos defectuosos y su
costo). Es muy importante aclarar el patrón de la distribución de la perdida. La mayoría
de las pérdidas se deberán a unos pocos tipos de defectos, y estos defectos pueden
atribuirse a un número muy pequeño de causas. Si se identifican las causas de estos
pocos defectos vitales, podremos eliminar casi todas las perdidas, concentrándonos
en esas causas particulares y dejando de lado por el momento otros muchos defectos
triviales.
Juran aplicó este concepto de calidad, obteniéndose lo que hoy se conoce como la
regla 80/20. Según este concepto, si se tiene un problema con muchas causas,
podemos decir que el 20% de las causas resuelven el 80% del problema y el 80% de
las causas solo resuelven el 20% del problema.
El Diagrama de Pareto fue creado sobre la base del principio de Pareto, según el
cual, el 80% de los problemas son provenientes de apenas el 20% de las causas.
Por ejemplo, se tomará una muestra al azar de las fichas de bajas laborales durante el
año anterior al del estudio, o se toman 100 piezas consecutivas y se analizan los
diferentes tipos de defectos de cada una de ellas.
Por ejemplo la tabla 5.4. Contiene las razones del despegue retrasado en el
aeropuerto defectos encontrados en la pintura de unas piezas metálicas fabricadas a
lo largo de una semana.
- En el eje vertical
cal derecho haga una escala de 0 a 100%. El 100%
corresponderá al total de la Lista de Verificación.
- Trace una línea punteada que conecte el origen con la esquina superior
derecha de la primera barra, así:
- Sume a esta nueva altura la altura de la tercera barra. Marque con un punto el
valor obtenido en la prolongación del lado derecho de la tercera barra.
- Enlace todos los puntos marcados con una línea, dando continuidad a la línea
punteada iniciada en el origen, para formar la curva de Pareto.
Solución
1. Se debe elaborar la base de datos en este caso se tendrán los defectos como tipo
de variable (cadena) y luego la frecuencia es tipo de variable numérica.
Lista la base de datos se realizará el diagrama, para esto debe dar clip en la hoja de
vista de datos, luego deben ir al ítem analizar y luego desplegar hasta encontrar
control de calidad y ubicar gráfico de pareto.
En el ítem de detalles del grafico escoger valores individuales de los casos luego dar
clip en definir.
En esta pantalla se debe dar clip en aceptar para finalmente obtener el diagrama de
pareto.
Al obtener el diagrama de pareto se puede observar que no muestran las lineas , por
lo cual se debe dar clip sobre el gráfico para poder acceder al editor de gráficos
En la ventana que se muestra escoger tanto marcar mayores como menores, dar clip
en aplicar y luego cerrar.
ntrar los valores mínimos y máximos para x y y. Decidir las escalas que
Paso 2. Encontrar
se van a utilizar en el eje horizontal y vertical de manera que ambas longitudes sean
aproximadamente iguales.
Paso 4. Registrar los datos en el gráfico. Cuando se tenga los mismos valores en
diferentes observaciones, muestre estos puntos haciendo círculos concéntricos.
Paso
o 6. Identificar y clasificar el modelo de correlación.
Errores comunes son no saber limitar el rango de los datos y el campo de operación
del proceso, perder la visión gráfica al sintetizarlo todo en resúmenes numéricos, etc.
COEFICIENTE DE CORRELACIÓN.
Para poder determinar la relación que existe entre x y y es importante primero realizar
el diagrama de dispersión; sin embargo para determinarlo de manera cuantitativa se
debe calcular el coeficiente de correlación (r) :
Si el valor absoluto de r es mayor a 1, se debe revisar los cálculos pues debió existir
un error en estos.
Interpretación Clásica
ANÁLISIS DE REGRESIÓN
Al estudiar la relación entre dos o más variables surge la idea de encontrar una
expresión matemática que la describa. Para el caso de dos variables, si se denota
como :
Resulta familiar utilizar el concepto de función y decir “Y es función de X”, para indicar
que de acuerdo a los valores asignados a X se pueden
predecir los valores que tomará Y. Dicho de otra manera, se puede conocer el
comportamiento de Y a través de un modelo que relaciona la variación en Y con la
variación de X.
El análisis de regresión tiene por objetivo identificar un modelo funcional que describa
cómo varía la esperanza de la variable dependiente, E(Y), frente a cambios en X. Al
igual que en el análisis de varianza el modelo para Y también presenta constantes
desconocidas que se llaman parámetros, por lo que otro objetivo del análisis es la
estimación de los parámetros a partir de una muestra aleatoria de observaciones en
Y y en X.
Por ejemplo, los parámetros pueden encontrarse como exponentes de las variables
independientes. La estimación de los parámetros en modelos no lineales se realiza
usando herramientas diferentes a las presentadas en este capítulo. Aquí se abordan
solamente los modelos lineales, no sólo por ser más simples, sino porque permiten dar
respuesta a un gran número de problemas en las Ciencias, Ingenierías Además,
algunos de los modelos no lineales pueden, mediante adecuadas transformaciones,
ser expresados de la forma lineal (en estos casos los modelos se dicen
intrínsecamente lineales).
Modelo de regresión lineal simple. Es una técnica estadística que analiza si los
valores de una variable dependiente e independiente pueden predecirse mediante un
modelo lineal. Las variables implicadas en el modelo deben ser cuantitativas y
continuas. Para ajustar una línea recta de Regresión, se considera la ecuación de la
recta:
T
U VW + V
# X YP3HL3!3JEDZIKá[3HKEDb0 RV
Donde :
Una tarea principal en el análisis de regresión lineal, es estimar los parámetros “b0” y
“b1”, cuyos valores se determinan a partir de los datos bidimensionales.
Λ
SCD = ∑ (YI − Y ) 2 = Sea mínima
n∑ XY − (∑ Xi)(∑ Yi)
b1 =
n(∑ X i2 ) − (∑ Xi ) 2
b0 = Y − b1 ( X )
Ejemplo de aplicación
Una empres desea realizar un estudio de la relación entre la publicidad por radio y las
ventas de un producto, para esto durante 30 semanas se han recopilado los tiempos
de duración en minutos de la publicidad por semana (X) y el número de artículos
vendidos (Y), resultando.
Semana 1 2 3 4 5 6 7 8 9 10
Semana 11 12 13 14 15 16 17 18 19 20
n° de artículos vendidos (Y) 60 80 88 112 116 130 136 140 149 172
Semana 21 22 23 24 25 26 27 28 29 30
n° de artículos vendidos (Y) 178 55 83 84 110 132 136 139 160 181
Solución.
Si observamos a simple vista el diagrama en este caso podemos decir que si existe
relación entre las variables de minutos de publicidad versus el número de artículos
vendidos. Pero ahora es necesario conocer de manera cuantitativa esta correlación
por lo cual debemos de calcular el coeficiente de correlación.
x y Xy x2 Y2
20 50 1000 400 2500
30 73 2190 900 5329
30 69 2070 900 4761
40 87 3480 1600 7569
50 108 5400 2500 11664
60 128 7680 3600 16384
60 135 8100 3600 18225
60 132 7920 3600 17424
70 148 10360 4900 21904
80 170 13600 6400 28900
25 60 1500 625 3600
35 80 2800 1225 6400
40 88 3520 1600 7744
50 112 5600 2500 12544
55 116 6380 3025 13456
60 130 7800 3600 16900
60 136 8160 3600 18496
65 140 9100 4225 19600
70 149 10430 4900 22201
80 172 13760 6400 29584
85 178 15130 7225 31684
25 55 1375 625 3025
35 83 2905 1225 6889
35 84 2940 1225 7056
50 110 5500 2500 12100
60 132 7920 3600 17424
65 136 8840 4225 18496
65 139 9035 4225 19321
75 160 12000 5625 25600
85 181 15385 7225 32761
1620 3541 211880 97800 459541
Reemplazando tenemos
309211880< − 91620<93541<
K 0,998
S30997800< − 91620< S309459541< − 93541<
]^ 9,9 + 2L
Sin embargo, si ocurren por fuera de los límites de control o muestran una forma
peculiar, se dice que el proceso está fuera de control.
a. Vigilancia y control del proceso con el fin de conseguir que este sea estable,
evitando la producción de defectos. Este objetivo corresponde a la filosofía "hágalo
bien a la primera“
c. Los Gráficos de Control son una norma clara de actuación sobre el proceso, por lo
que se evitan ajustes innecesarios que tanto daño pueden causar a la
homogeneidad del proceso.
Cuando los puntos se ubican por fuera de los límites de control o muestran una
tendencia particular, decimos que el proceso está fuera de control, y esto equivale a
decir, "Existe variación por causas asignables y el proceso está en un estado de
descontrol".
LIMITES DE CONTROL
Se debe tener en cuenta que los límites de una gráfica de control no son las
especificaciones, tolerancias o deseos para el proceso, por el contrario se calculan a
partir de la variación de los datos que se representan en la gráfica. De esta forma la
clave está en establecer los límites para cubrir cierto porcentaje de la variación
natural del proceso, pero se debe tener cuidado de que tal porcentaje sea el
adecuado, ya que si es demasiado alto ( 99,999999%) lo límites serán muy amplios y
será más difícil detectar los cambios en el proceso; mientras que si el porcentaje es
pequeño , los límites serán demasiados estrechos y con ello se incrementará el error
tipo 1 ( decir que se presento un cambio cuando en realidad no lo hubo).
PROPOSITOS Y BENEFICIOS
Se agregan los límites de control a la gráfica como ayuda para decidir cuándo se debe
ajustar el proceso. Estos límites se basan en la variabilidad inherente al proceso.
Un gráfico de control para atributos es un trazo de una estadística que por lo general
se calcula a partir de subgrupos que muestran la conducta de una característica de
proceso con el transcurso del tiempo.
Las gráficas de control para atributos muestran la conducta de una característica de:
- Fracciones defectuosas (p: sub grupo de tamaño variable y np: sub grupo de
tamaño constante)
- Número de defectuosos (c: sub grupo de tamaño variable y u: sub grupo de
tamaño constante.
8. Trazar la línea de centro y los límites de control. Usar estas líneas para vigilar el
proceso
Por ejemplo de cada lote o de cada cierta parte de la producción se toma una
muestra o subgrupo de ni artículos, que puede ser la totalidad o una parte de las
piezas bajo análisis.
Las ni piezas de cada subgrupo son inspeccionadas y cada una es catalogada como
defectuosa o no. La característica o atributo de calidad por los que una pieza es
evaluada como defectuosa, pueden ser más de uno
J#
Z#
!#
total de defectuosos
p=
total inspeccionado
ni + n2 + ... + nk
n=
k
LCS = p + 3 p (1 − p ) / n
Límites Superior
Límites Central LC = p
Solución. Es claro que este problema es del tipo pasa no pasa por lo tanto para
analizar la variación de las proporciones de tabla 9.1 se debe aplicar la gráfica p.
HEHI`J3J3a3OHPEDED 257
Z; 0,0107
HEHI`J3L!DZ3OOLE!IJED 23942
Como
HEHI`J3L!DZ3OOLE!IJE 232942
! 598,55 599
HEHI`J3DPV,KPZED 40
p (1 − p )
Límites Superior LCI = p + 3
n
0,0107(1 − 0,0107)
LCI = 0,0107 + 3 = 0,023
599
Límites Inferior p (1 − p )
LCI = p − 3
n
0,0107(1 − 0,0107)
LCI = 0,0107 − 3 = −0,0019
599
Como el límite inferior no puede ser negativo debido a que las proporciones o
fracciones siempre son mayores a cero, entonces el LCI=0
Luego de ubica en el eje de la Y los valores de los limites de control y se trata un línea
horizontal
Se recomienda buscar las causas podría ser el cambio de rollo del envase, operario,
etc.
Es este caso escogeremos el gráfico p y en organización de los datos dar clip en los
casos son sub grupo.
Una vez definido las variables y el valor de la muestra dar clip en aceptar.
Pb # !Z
c Rdb# S!Z; 91 − Z; <
Límites Central LC = np
Ejemplo
Del análisis de los datos de inspecciones y pruebas finales de una producto textil se
detecto a través de una estratificación y un análisis de pareto que la causa principal
por lo que las prendas salen defectuosas está relacionada por el tipo de hilo (A)
usado en la prendas. Por lo tanto se decide analizar más de cerca el proceso. Para
ello, de cada lote de hilo (A) se decide inspeccionar una muestra de 120 prendas
(n=120). Los datos obtenidos en los 20 lotes consecutivo se muestran en la tabla.
5.10
Prendas Prendas
Lote Defectuosas Lote Defectuosas
1 9 11 10
2 6 12 20
3 10 13 12
4 8 14 10
5 5 15 10
6 5 16 0
7 14 17 13
8 12 18 5
9 9 19 6
10 8 20 11
Solución
Prendas Prendas
Lote Muestra Defectuosas Lote Muestra Defectuosas
1 120 9 11 120 10
2 120 6 12 120 20
3 120 10 13 120 12
4 120 8 14 120 10
5 120 5 15 120 10
6 120 5 16 120 0
7 120 14 17 120 13
8 120 12 18 120 5
9 120 9 19 120 6
10 120 8 20 120 11
suma total 2400 183
183
Z; 0,076
2400
que el límite inferior. De aquí que se tenga una evidencia objetiva para afirmar que
en la fabricación del lote 12 se presento una causa o situación especial que
normalmente no está presente en el proceso y que lo empeoró de forma seria;
mientras que en el lote 16 ocurrió una causa especial que mejoró el desempeño del
proceso de fabricación. Es necesario localizar ambas causas, ya que así se estará en
posibilidades de prevenir la primera y en caso de no haber un error en el registro de
los datos fomentar la segunda.
Es este caso escogeremos el gráfico np y en organización de los datos dar clip en los
casos son sub grupo.
Una vez definido las variables y el valor de la muestra dar clip en aceptar.
Finalmente se generará el gráfico de control np, es este gráfico se obtienen los limites
de control junto a la gráfica.
Si el tamaño del subgrupo es variable se tendrá que optar por la gráfica p, pero si el
tamaño del subgrupo es constante estas gráficas son la misma, salvo un cambio de
escala. Por ejemplo para convertir la gráfica np de la gráfica 10.2 en una carta p, basta
con dividir la escala entre el tamaño de la muestra (120). De aquí que cuando se
quieren analizar las variables del tipo pasa no pasa en un proceso y se toman
muestras de tamaño constante, el criterio para elegir entre la carta p y la np es según
se prefiera entre proporción de defectuosos o numero de defectuosos : en ocasiones
se considera que el número de defectuosos ofrece una cuantificación más directa de
la perdida de dinero que se está teniendo en el proceso, lo cual lleva a preferir la
gráfica np en la que no es necesario calcular en proporción por cada subgrupo. Por
otra parte con la gráfica p es más fácil evaluar en términos porcentuales el nivel de
defectuosos en el proceso, pero es necesario recordar el tamaño del lote para tener
una idea más precisa de la pérdida en que se está incurriendo.
iEHI`J3J3a3OHED
Pgh O; Rdgh O;
iEHI`J3DPV,KPZE
LCS = c + 3 c
Límite superior.
Límite central LC = c
Defectos Defectos
Mesas ci Mesas ci
1 7 16 12
2 5 17 8
3 10 18 10
4 2 19 4
5 6 20 7
6 5 21 3
7 4 22 10
8 9 23 6
9 7 24 6
10 8 25 7
11 6 26 4
12 7 27 5
13 8 28 6
14 4 29 8
15 5 30 5
Solución
jkj
n, o
lm
LCS = c + 3 c
Límite Inferior
LCI = c − 3 c
Como se puede observar el LCI es negativo, pero como no puede haber cantidades
negativas de defectos, entonces el límite inferior se iguala a cero.
Es este caso escogeremos el gráfico c y en organización de los datos dar clip en los
casos son unidades
Una vez definido las variables y el valor de la muestra dar clip en aceptar.
La gráfica u analiza la variación del número promedio de defectos por artículo o por
unidad de referencia. Se usa cuando el tamaño del subgrupo no es constante.
En esta gráfica un subgrupo lo forman varias unidades. De manera que para cada
subgrupo se grafica.
O#
P#
!#
iEHI`J3J3a3OHED
Pqh P
iEHI`J3IKHrOP`EDL!DZ3OOLE!IJED
P
dqh 8
!
LCS = u + 3 u / n
Límite superior.
Límite central LC = u
LCI = u − 3 u / n
Límite Inferior
Ejercicios.
Solución
Tamaño defectos
de la encontrad Tamaño de defectos
Lote muestra os ui=ci/ni Lote la muestra encontrados ui=ci/ni
1 20 16 0.80 16 32 34 1.06
2 22 24 1.09 17 32 32 1.00
3 21 17 0.81 18 32 36 1.13
4 21 27 1.29 19 32 31 0.97
5 15 16 1.07 20 30 32 1.07
6 18 18 1.00 21 30 34 1.13
7 16 16 1.00 22 16 12 0.75
8 18 20 1.11 23 18 15 0.83
9 23 26 1.13 24 16 31 1.94
10 23 11 0.48 25 15 18 1.20
11 23 26 1.13 26 17 19 1.12
12 28 32 1.14 27 17 18 1.06
13 28 23 0.82 28 17 22 1.29
14 30 48 1.60 29 17 26 1.53
15 26 30 1.15 30 17 28 1.65
slt
c
j, jmj
nsm
Como el tamaño del subgrupo o muestra es variable, se tiene dos alternativas: usar el
tamaño de subgrupo promedio o construir una gráfica de control con límites variables.
Se realizarán ambas. El tamaño del subgrupo promedio se obtiene dividiendo el total
de unidades inspeccionadas (670) entre el número de subgrupo (30); de esta manera;
B.W
! W
22,
,W
e>7 1,101 + N 1,77
Límite central LC = u
e> 1,101
,W
e>f 1,101 − 3N
0,429
En esta ventana en organización de los datos dar clip en los casos son subunidades,
luego en número de disconformidades colocar (defectos encontrados) y en subgrupo
Si observamos los datos del ejercicio, podemos ver que el tamaño de muestra es
variable. En el software podemos obtener esta gráfica
Se escogerá la grafica c,u , luego dar clip en definir, así obtendremos la siguiente
pantalla.
Una gráfica de control para variables es un trazo estadístico que por lo general se
calcula a partir de los sub grupos que muestran la conducta de una característica de
proceso con el transcurso del tiempo.
9J3[3JLID<
R (rangos)
S( desviación estándar)
X ( medias individuales)
GRÁFICO DE LA MEDIA
Límite central : LC = X
Límite Inferior :
LCI = X − A 2 ·R
Con esta gráfica se detectaran los cambios o magnitud de la variación del proceso.
Limite central : LC = R
A2 se Hallan en la tabla A1
Limite central : LC = S
B3 y B4 se Hallan en la tabla A1
Desviación
muestra peso 1 peso 2 peso 3 peso 4 Promedio Rango estándar
1 15.8 16 17.4 17.8 16.75 2 1.00
2 17 16.4 13.4 12.4 14.8 4.6 2.24
3 12.8 14.7 15.1 14.2 14.2 2.3 1.00
4 14.5 15.6 13.3 17.8 15.3 4.5 1.91
5 15.1 16.2 15.3 12.5 14.775 3.7 1.59
6 15.1 16.3 14.8 16.1 15.575 1.5 0.74
7 16.7 16 15 15.7 15.85 1.7 0.70
8 15.1 14.9 13.9 13.5 14.35 1.6 0.77
9 14.2 15.6 15.5 14.9 15.05 1.4 0.65
10 14.1 13.2 13.9 14.1 13.825 0.9 0.43
11 13.8 15.3 13.6 13.9 14.15 1.7 0.78
12 15.2 14.5 14.7 13.6 14.5 1.6 0.67
13 16.1 14.9 14 14 14.75 2.1 0.99
14 14.4 13.2 15.9 13.1 14.15 2.8 1.31
15 14.3 18.3 14.7 13.3 15.15 5 2.18
16 19.4 16.9 14.9 14.7 16.475 4.7 2.19
17 12.9 17.1 14.7 13.8 14.625 4.2 1.81
18 14.5 12.8 11.9 13.9 13.275 2.6 1.16
19 16.6 13.4 14.3 16.9 15.3 3.5 1.72
20 17.3 14.8 17.5 15 16.15 2.7 1.45
21 19.5 17.1 15 14.5 16.525 5 2.28
22 12.5 14.7 14.8 14.2 14.05 2.3 1.07
23 15.1 16 15.4 13.2 14.925 2.8 1.21
24 14.2 15.3 15.5 14.7 14.925 1.3 0.59
25 19.2 16.8 15.2 14.9 16.525 4.3 1.97
promedios 15.04 2.83 1.30
∑X
j =1
ij
15,8 + 16,0 + 17,4 + 17,8
X 1. = = = 16,75
4 4
25
v
∑X
i =1
i
375,95
X= = = 15,04
25 25
25
∑R i =1
i
70,8
R= = = 2,83
25 25
4) Calcular los límites de control del gráfico de rangos. Utilice los factores según el
tamaño de muestra.
X- barra 16
15 LC=15.038
14
13 LCI=12.97
12
0 5 10 15 20 25
Nº de muestra
Grafico de control R.
8
LCS=6.46
6
Rango, R
4
LC= 2.83
2
0 LCI=0.00
0 5 10 15 20 25
Nª de muestra
6) En el gráfico de medias, se verifica que no hay ningún valor que salga de los límites.
En caso contrario, elimine el o los valores y recalcule los límites.
En el rango de rangos, no hay ningún punto fuera de los límites de control en caso
contrario, elimine el o los valores y recalcule los límites.
7) Interprete los gráficos de control.
Gráfico X : Variación aleatoria.
Decisión: No, instalar los gráficos e investigar las causas para eliminarlas, luego repetir
el estudio.
∑X
j =1
ij
15.8 + 16.0 + 17.4 + 17.8
X 1. = = = 16.75
4 4
∑(X j =1
1j − X1)2
2.99
S1 = = = 0.9983
n −1 3
25
v
∑X
i =1
i
375,95
X= = = 15.038
25 25
25
∑S
i =1
i
32,94
S= = = 1,3
25 25
4) Calcular los límites de control del gráfico de desviaciones. Utilice los factores según
el tamaño de muestra.
16
X barra
15 LC = 15.04
14
13 LCI=12.93
12
0 5 10 15 20 25
Nº de muestra
:
Gráfico de control S
3
LCS = 2.94
Desviación estándar, S
2,5
2
1,5
LC = 1.30
1
0,5
0 LCI = 0.00
0 5 10 15 20 25
Nº de muestra
Decisión: No, instalar los gráficos e investigar las causas que afectan a la variabilidad
para eliminarlas, luego repetir el estudio.
Paso 2. Para generar el gráfico de control por variable debe realizar lo siguiente, ir a
ítem de analizar bajar hasta control de calidad y buscar el grafico de control
En esta ventana en medida del proceso colocar peso y en subgrupos definidos por
días, en gráficos dar clip en x- barra con rango.
Como la base de datos ya está generada solo debemos ir a Analizar, bajar hasta
control de calidad y buscar el gráfico de control.
Luego al dar clip en definir se obtiene la siguiente ventana. Aquí se escoge el tipo de
gráfico x-barra con desviación típica.
Para que una gráfica de control sea correctamente interpretada debe estar
conformada por lo menos por 20 puntos.
Una vez que ya se ha instalado una gráfica de control, es decir, una vez que ya se han
determinado los límites de superior y e inferior, se puede afirmar que el proceso está
fuera de control en las siguientes situaciones:
BIBLIOGRAFIA.
[1]. Norma ISO 9000:2005. Sistemas de Gestión la Calidad _ Fundamentos y
Vocabularios.
[2]. H. Gutiérrez, Control Estadístico de la Calidad y Seis Sigma. Ed. Mc Graw Hill.
México 2007.
ANEXO
FACTORES PARA EL CÁLCULO DE LOS LÍMITES DE CONTROL DE LOS
GRÁFICOS DE CONTROL POR VARIABLES. [4]
(CRITERIO 3σ)