Seis Sigma ASQ6 A

1
Programa de certificacin
de Black Belts ASQ

6. Metodologa Seis Sigma -
Medicin

P. Reyes / Septiembre 2007
2
Fase de medicin
Propsitos:
Determinar req. de informacin para el proyecto
Definir las Mtricas de los indicadores del Proceso
Identificar los tipos, fuentes y causas de la variacin
en el proceso
Desarrollar un Plan de Recoleccin de Datos
Realizar un Anlisis del Sistema de Medicin (MSA)
Llevar a cabo la recoleccin de datos

Salidas
Diagnstico de la situacin actual del problema
3
6. Metodologa Seis Sigma
Fase de Medicin
A. Anlisis del proceso y documentacin
B. Coleccin y resumen de datos DPU, DPMO

C. Probabilidad y estadstica
D. Histogramas y distribucin normal

E. Anlisis de capacidad de proceso

F. Anlisis de Sistemas de medicin

4
6A. Anlisis y documentacin del
proceso
Un proceso es un conjunto de recursos y
actividades que transforman entradas en salidas
agregando valor. Las actividades deben ser
documentadas y controladas.

Se analizan los tpicos siguientes:

1. Herramientas
2. Entradas y salidas del proceso
5
proceso - Herramientas
Diagramas de flujo
Mapas de proceso

Procedimientos escritos
Instrucciones de trabajo

Anlisis de proceso
Documentacin del proceso
6
Diagramas de flujo

Un diagrama de flujo o mapa de proceso es til para
comprender el proceso. Puede describir la secuencia
del producto, contenedores, papeleo, acciones del
operador o procedimientos administrativos.

Es el paso inicial para la mejora de procesos, ya que
facilita la generacin de ideas.
7
Diagramas de flujo
Organizar un equipo para examinar el proceso
Construir un mapa de proceso para representar los
pasos del proceso

Discutir y analizar cada paso en detalle

Preguntarse Por qu lo hacemos de esta manera?
Comparar el proceso actual a un proceso imaginario
perfecto
8
Diagramas de flujo
Hay complejidad innecesaria?
Existe duplicacin o redundancia?

Hay puntos de control para evitar errores y
rechazos?
Se realiza el proceso de acuerdo a como est
planeado?

Puede realizarse el proceso de manera diferente?
las ideas de mejora pueden venir de procesos muy
diferentes?
9
Smbolos de Diagramas de flujo
10
Diagramas de flujo - Ejemplo
11
Mapas de proceso - beneficios
Permiten visualizar el proceso que se est
describiendo
Describen el proceso con smbolos, flechas y palabras
sin necesidad de oraciones
La mayora usa simbologa estandarizada (ANSI
Y15.3)
Si se usa software el nmero de smbolos puede
llegar a 500
12
6A1. Herramientas
Diagramas de flujo o mapas de proceso
Permiten comprender la operacin del proceso
Normalmente representan el punto de inicio para la mejora

Pasos para elaborarlo (Smbolos ANSI Y15.3)
Organizar un equipo para examinarlo
Construir un diagrama de flujo representando cada paso
Discutir y analizar detalladamente cada paso
Preguntarse Porqu lo hacemos de esta forma?
Comparar esta forma con la del proceso perfecto
Existe demasiada complejidad, duplicidad o redundancia
Se opera el proceso como est planeado y puede mejorarse?

13
Proceso Desicin Documento Datos
Proceso Preparacin Operacin Entrada
Predefinido Manuales
Conector Con. pgina Display Almacen Terminador
6A1. Smbolos de diagrama de flujo
14
Smbolos para Diagramas de Flujo
Iniciar/Detener Transmisin
Operaciones
(Valor agregado)
Decisin
Inspeccin /Medicin
Transportacin
Almacenar
Entrada/Salida
Lneas de Flujo
Retraso
15
6.1 Mapa de Proceso:
Inicio
Fin
Paso 2A Paso 2B Paso 2C
Paso 1
Paso 3
Bueno? Retrabajo
S No
Es el diagrama de flujo de un proceso
que muestra cmo se realiza un trabajo.
16
Diagrama de flujo / Anlisis del valor
Actividades sin valor agregado
Actividades con valor agregado
17
Cmo Ayuda un Mapa de Proceso?
Una vez que podemos ver las
cosas -podemos hablar de ellas.
Los pasos que no agregan valor
se hacen ms evidentes.
El retrabajo y las reparaciones
son obvias.
Se puede llegar a acuerdos.
18
Diagramas de Flujo Existentes
Creados para un propsito
diferente.
Con frecuencia no reflejan
los puntos de inicio y Fin
adecuados.
No son cmo es.
Quieren ser
No sealan el desperdicio.
19
Aprovecha al Equipo
Haz recorridos, entrevistas y
revisiones de los diagramas
de flujo y los estndares
existentes.
20
Haz el Mapa del Proceso lo ms
Pronto Posible!

seala con claridad la regin
en la que el equipo se debe
enfocar.

evita que el equipo salga de los
lmites del proyecto.
El mapa de un proceso...
21
El Inicio y el Fin Se Deben Poder
Medir
Selecciona los puntos de
Inicio y Fin donde se
llevan a cabo acciones
que se pueden medir.
22
Ejercicio Rpido - Inicio y Fin
Proceso Inicio Fin
Ensamble de
Asiento

Dibujos de
Ingeniera

Manufactura en
Riel de Asientos

Cuentas por
Pagar

23
Ejemplos - Inicio y Fin
Proceso Inicio Fin
Ensamble de
Asiento
Marco de metal
puesto en lnea
Inspeccin Final
Dibujos de
Ingeniera
Requerimientos
del Cliente
Cliente Recibe
el Archivo CAD
Manufactura en
Riel de Asiento
Operacin de
Prfiles
Estampados
Inspeccin Final
Cuentas por
Pagar
Recepcin de la
Factura del
Proveedor
Depsito
Electrnico
24
Permite que la Gente vea el Mapa del
Proceso
De ser posible, la
gente que trabaja en
el proceso debe poder
ver una copia grande a
escala del mapa del
proceso.
Las revisiones,
sugerencias y
correcciones son
bienvenidas!
25
Herramientas de un Mapa de Proceso
Rotafolios y
Marcadores.

Hojas para Rotafolio y
Notas Autoadheribles.

26
Pasos para Elaborar un Mapa de
Proceso
1. Establezcan los puntos de
Inicio y Fin del proceso.
2. Hagan una lista de los
pasos del proceso
mediante una tormenta de
ideas.
3. Realicen el primer
recorrido y entrevistas.
4. Elaboren una lista de los
proceso clave en las notas
autoadheribles.
5. Discutan, revisen y
modifiquen.
6. Hagan un segundo recorrido
y entrevistas.
7. Aadan pasos de inspeccin,
retrabajo, reparacin y
desperdicio en las notas
autoadheribles.
8. Elaboren un mapa de proceso
cmo es.
Como equipo...
27
Hazlo fcil!
En este momento, el mapa
de proceso cmo es debe
ser de alto nivel, pero debe
incluir todos los pasos
primarios necesarios para
obtener la mejora deseada
(es decir, los pasos con valor
agregado relativos a los CTQ,
CTC, CTD).
Idealmente, muestra de cinco
a diez pasos.
Agrega ms detalles
posteriormente.
28
Paso 1: Puntos de Inicio y Fin
Revisen la declaracin del
problema.

Describan los procesos
que causan el problema.

Comenten los puntos de
Inicio y Fin que se pueden
medir.

Pnganse de acuerdo y
regstrenlos.
Declaracin del Problema:
El cliente espera los dibujos
modificados demasiado
tiempo.
Proceso:
Proceso de revisin de
dibujos.
Pregunta:
Cul podra ser el punto
de Inicio?
Pregunta:
Cul podra ser punto de
Fin?
29
Puntos de Inicio y Fin
Declaracin del Problema:
El Cliente espera demasiado tiempo los dibujos
modificados.

Proceso:
Proceso de revisin de dibujos.

Inicio:
El Cliente solicita un formato de cambio de dibujos.

Fin:
Se entrega el archivo de dibujos (CAD) al Cliente.
30
Paso 2: Tormenta de Ideas sobre los
Pasos del Proceso
Escriban Inicio y Fin
donde todos lo puedan
ver.
El equipo aporta ideas
sobre los pasos del
proceso que existen
entre el inicio y el fin.

Inicio:
El Cliente solicita un
formato de cambio de
dibujos.
Pregunta:
Cules son algunos de
los probables pasos del
proceso entre los puntos
de inicio y fin?
Fin:
El archivo CAD se entrega
al Cliente.
31
Pasos del Proceso
Inicio:
El Cliente solicita un formato de cambio de dibujos.
Pasos a seguir:
Bosquejar el cambio requerido.
Calcular el impacto del cambio.
Determinar cules dibujos necesitan cambiarse.
Cambiar los dibujos apropiados.
Fin:
El archivo CAD se entrega al Cliente.
32
Paso 3: Primer Recorrido y
Entrevistas
El equipo recorre el proceso
existente.
Observen cmo se hace el
trabajo.
Platiquen con la gente
(entrevisten).
Tomen notas.
Enfquense en los pasos del
proceso.
33
Paso 4: Notas Autoadheribles
Escriban los pasos del
proceso en notas
autoadheribles.

Coloquen las notas
sobre la pared.

Por ahora slo dejen las
notas.
Reunin
con el
grupo
Encontrar
Especif.
Crear
Boceto
Localizar
Archivos
CAD Cambiar
Dibujos
Calcular
Impacto
Hacer
Caf
Crear
Paquete
de
Archivos
Enviar al
Cliente
34
Paso 5:Comentar, Revisar, Modificar
Comenten, repasen y
modifiquen el mapa del
proceso en las notas
autoadheribles.
Pnganse de acuerdo en
los pasos que se deben
conservar.
Pnganse de acuerdo en
los pasos que se deben
eliminar.
Retengan solo los pasos
importantes del proceso.
35
Pasos Importantes del Proceso
Informacin suficiente
para facilitar la mejora.
Resultados que se
puedan medir.
Podran producirse
defectos (CTQ, CTC,
CTD).
Un inicio y un fin
definidos.

36
Pasos Importantes
Qu pasos podran
ser importantes en el
mapa del proceso
que aparece a la
derecha?
Reunin
con el
grupo
Encontrar
Especif.
Crear
Bsquejo
Localizar
Archivos
CAD Cambiar
Dibujos
Calcular
Impacto
Hacer
Caf
Crear
Paquete
de
Archivos
Enviar al
Cliente
37
Paso 6: Segundo Recorrido y
Entrevistas
Vuelvan a recorrer el
proceso.
Busquen pasos que hayan
pasado por alto.
Revisen pasos de
inspeccin, retrabajo,
reparacin y desperdicio.
Tomen notas.
38
Paso 7: Aadir Cambios
Agreguen notas
autoadheribles.
Aadan inspecciones.
Aadan retrabajo y
reparaciones.
Aadan desperdicio.
Por ahora dejen todas
las notas.
Crear
Bsquejo
Cambiar
Dibujo
Calcular
Impacto
Crear
paquete de
archivos
Enviar a
Cliente
Solicitud de
Cambio del
Cliente
Cliente recibe
archivos CAD
Impacto
OK?
Dibujo
OK?
Reunin
con Ventas
S
No
No
S
39
Paso 8: Mapa del Proceso Cmo Es
El equipo establece un
mapa del proceso tal
cual.
Tiene el detalle
suficiente para incluir
los pasos importantes.
Sin demasiado detalle
para que se entienda
rpidamente.
Crear
Bsquejo
Cambiar
Dibujo
Calcular
Impacto
Crear
paquete de
archivos
Enviar a
Cliente
Solicitud de
cambio del
Cliente
Cliente recibe
archivos CAD
Impacto
OK?
Dibujo
OK?
Reunin
con Ventas
S
No
No
S
40
Cundo Recolectar Datos
Durante la elaboracin del mapa de proceso.

Identifica los puntos para la recoleccin de datos,
pero
no recopiles los datos!

Despus de haber creado el Mapa Cmo Es
planea la recoleccin de datos sobre los pocas
salidas vitales.
Generalmente, cuando se recolectan datos durante la
elaboracin del mapa, se toman datos sobre puntos
equivocados.
La recoleccin de datos se debe planear y enfocar sobre los
factores de alta prioridad que son crticos para el cliente!
(consulta el mdulo Planeacin de la Recoleccin de Datos)
41
Mapa del Proceso Cmo Es
Crear
Bsquejo
Cambiar
Dibujo
Calcular
Impacto
Crear
paquete de
archivos
Enviar al
Cliente
Solicitud
de cambio
del Cliente
Cliente recibe
archivos CAD
Impacto
OK?
Dibujo
OK?
Reunin
con Ventas
S
No
No
Si
Es la condicin base
del proceso.
Es el inicio de tu viaje
hacia la mejora.
Es la oportunidad para
la estrategia de
impacto de Six Sigma.
42
Ejercicio 4.2 - Analiza tu Mapa
1. Consulta tu cuaderno de
trabajo.
2. Usa el mapa de proceso
cmo es que elaboraste
para el proceso de la
catapulta para identificar:
Productos comprobables
Otras salidas del proceso
Pasos del proceso sin valor
agregado.
43
El Mapa de Proceso Cmo Debe Ser
Una vez que se identifiquen las soluciones durante la
fase de MEJORA

Crea el nuevo mapa de proceso.

El nuevo mapa muestra el flujo de trabajo mejorado que
ahora tiene

- menos pasos
- menos actividades sin valor agregado
Este nuevo mapa muestra el proceso cmo debe
ser que ser una vez que se implementen
todas las soluciones.
44
6A1. Anlisis y documentacin
del proceso - Herramientas
Procedimientos escritos
Los procedimientos deben ser desarrollados por los
que tienen la responsabilidad del proceso de inters

La documentacin del proceso en un procedimiento
facilita la consistencia en el proceso.

Los procedimientos crticos deben tener su diagrama
de flujo correspondiente
45
del proceso - Herramientas
Instrucciones de trabajo
Las instrucciones de trabajo proporcionan los pasos
detallados de la secuencia de actividades

Los diagramas de flujo pueden usarse con las
instrucciones de trabajo para mostrar las relaciones
de los pasos del proceso.

Las copias controladas de estas instrucciones se
guardan en el rea de trabajo
46
6A1. Herramientas
Entradas y salidas de procesos por medio de una
matriz de causa y efecto
La matriz lista variables clave de salida del proceso en
forma horizontal y las de entrada en forma vertical
Para cada variable de salida se le asigna una prioridad
Dentro de la matriz se asignan nmeros que indican el
efecto que tiene cada variable de entrada en las
variables de salida
Se obtiene la suma producto de estos nmeros
internos por la prioridad de salida como resultados y se
saca el porcentaje relativo

47
proceso Entradas y salidas
Entradas y salidas del proceso Matriz de causa efecto
Antes de mejorar un proceso, primero debe medirse,
identificando sus variables de entrada y de salida, y
documentando su relacin en diagramas de causa efecto,
matrices de relacin, diagramas de flujo, etc.
18 42 3 2 Ent 5
100 236 Totales
9 22 4 6 Ent 4
11 25 1 5 Ent 3
27 63 3 2 4 7 Ent 2
35 84 6 3 2 Ent 1
% Res 4 10 6 1 3 Impor-
tancia
E D C B A
Salidas
18 42 3 2 Ent 5
100 236 Totales
9 22 4 6 Ent 4
11 25 1 5 Ent 3
27 63 3 2 4 7 Ent 2
35 84 6 3 2 Ent 1
% Res 4 10 6 1 3 Impor-
tancia
E D C B A
Salidas
48
P. REYES
49
6A1. Las 7 herramientas
estadsticas
Diagrama de Causa efecto para identificar las posibles
causas a travs de una lluvia de ideas, la cual se debe hacer
sin juicio previos y respetando las opiniones.

Diagrama de Pareto para identificar prioridades

Diagrama de Dispersin para analizar la correlacin entre
dos variables, se puede encontrar:
Correlacin positiva o negativa
Correlacin fuerte o dbil
Sin correlacin.
50
estadsticas
Hoja de verificacin para anotar frecuencia de
ocurrencias de los eventos (con signos |, X, *, etc.)

Histogramas para ver la distribucin de frecuencia de
los datos

Las cartas de control de Shewart para monitorear el
proceso, prevenir defectivos y facilitar la mejora
Cartas de control por atributos y por variables
51
estadsticas
Diagrama de flujo para identificar los procesos, las
caractersticas crticas en cada uno, la forma de
evaluacin, los equipos a usar, los registros y plan de
reaccin, se tienen:
Diagramas de flujo de proceso detallados
Diagramas fsicos de proceso
Diagramas de flujo de valor

O
Estratificacin para separar el problema general en
los estratos que lo componen, por ejemplo, por reas,
departamentos, productos, proveedores, turnos, etc..
52
Hoja de verificacin
Se utiliza para reunir datos basados en la observacin
del comportamiento de un proceso con el fin de
detectar tendencias, por medio de la captura, anlisis
y control de informacin relativa al proceso
DEFECTO 1 2 3 4 TOTAL
Tamao errneo IIIII I IIIII IIIII III IIIII II 26
Forma errnea I III III II 9
Depto. Equivocado IIIII I I I 8
Peso errneo IIIII IIIII I IIIII III IIIII III IIIII IIIII 37
Mal Acabado II III I I 7
TOTAL 25 20 21 21 87
DIA
53
Hoja de verificacin
Pasos para su elaboracin
Determinar claramente el proceso sujeto a
observacin. Los integrantes deben enfocarse al
anlisis de las caractersticas del proceso.

Definir el perodo de tiempo durante el cul sern
recolectados los datos. Esto puede variar de horas
a semanas.

Disear una forma que sea clara y fcil de usar.
Asegrese de que todas las columnas estn
claramente descritas y de que haya suficiente
espacio para registrar los datos.

Obtener los datos de una manera consistente y
honesta. Asegrese de que se dedique el tiempo
necesario para esta actividad.
54
DEFINICION
Clasificacin de los datos o factores sujetos a estudio
en una serie de grupos con caractersticas similares.
Estratificacin
55
Estadsticas
Medidas de tendencia central
Media (promedio de datos)
Moda (el valor que ms se repite)
Mediana (el valor intermedio con datos ordenados)

Medidas de dispersin
Rango (valor mayor valor menor)
Desviacin estndar (medida de dsipersin)
Coeficiente de variacin (Desv. Est. / media * 100)
para comparar variacin de dos grupos de datos
diferentes
56
Diagrama de Pareto
El Diagrama de Pareto se usa para:
Analizar un problema desde una nueva
perspectiva
Enfocar la atencin en problemas de orden
prioritario

Comparar cambios de datos durante diferentes
periodos de tiempo
Proporcionar una base para la construccin de una
lnea acumulada
57
Diagrama de Pareto- Ejemplo
58
Diagrama de Pareto
Lo primero es lo primero es el pensamiento detrs del diagrama de
Pareto. Enfocar los recursos al problema principal desde la izquierda y
continuar hacia la derecha.

La lnea acumulativa contesta la pregunta Qu clases de defectos
constituyen el 80%?
0
10
20
30
40
50
60
70
80
90
100
a b c d e
59
Diagrama de Pareto
EJEMPLO: Se tienen los defectos siguientes:

A. Emulsin 20
B. Grasa 60
C. Derrame 80
D. Tapa barrida 30
E. Mal impresa 10

Construir un diagrama de Pareto y su lnea acumulativa
60
del proceso Entradas y salidas
Diagrama de causa efecto espina de pescado
Divide los problemas en partes ms pequeas

Muestra las causas potenciales de manera grfica

Tambin se llama diagrama de ishikawa o de las 4 o
6 Ms.

Muestra como interactan las diversas causas
Sigue las reglas de la tormenta de ideas al generarlas
61
del proceso Entradas y salidas
Diagrama de causa efecto espina de pescado
Una sesin de diagrama de Ishikawa se divide en tres partes:
Tormenta de ideas
Prioritizar
Desarrollo de un plan de accin
62
Diagrama de Ishikawa
Anotar el problema en el cuadro de la derecha
Anotar en rotafolio las ideas sobre las posibles causas
asignndolas a las ramas correspondientes a:
Medio ambiente
Mediciones
Materia Prima
Maquinaria
Personal y
Mtodos
o
Las diferentes etapas del proceso de manufactura o servicio

63
Lluvia de ideas
Tcnica para generar ideas creativas cuando la mejor solucin
no es obvia.

Reunir a un equipo de trabajo (4 a 10 miembros) en un lugar
adecuado

El problema a analizar debe estar siempre visible

Generar y registrar en el diagrama de Ishikawa un gran
nmero de ideas, sin juzgarlas, ni criticarlas

Motivar a que todos participen con la misma oportunidad
64
DEFINICIN
Tcnica de anlisis para la solucin de problemas, que muestra la
relacin entre una caracterstica de calidad y los factores de
influencia, ayudndonos a encontrar las causas posibles que nos
afectan y encontrar su solucin.
Diagrama de Causa Efecto
65
Diagrama de Ishikawa
Medio
ambiente Mtodos Personal
Qu
produce
bajas ventas
de
Tortillinas
Ta Rosa?
Clima
hmedo
Calidad del
producto
Tipo de
exhibidor
Falta de
motivacin
Ausentismo
Rotacin de
personal
Maquinara Materiales
Clientes con
ventas bajas
Malos
itinerarios
Descompostura
del camin
repartidor
Distancia de
la agencia al
changarro
Medicin
Seguimiento
semanal
Conocimiento
de los
mnimos por
ruta
Frecuencia
de visitas
Elaboracin
de pedidos
Posicin de
exhibidores
Falta de
supervi
cin
66
6A.1 Herramientas: Pasos para el
Anlisis de Causa y Efecto
Paso 1
Declaracin del
Efecto
Paso 3
Preguntar,
por qu?, por qu?
por qu?
Paso 2
Aadir las ramas
principales
Personas Mquinas
CAUSAS
EFECTO
METODOS
MATERIALES
67
6A.1 Herramientas: Pasos para el
Anlisis de Causa y Efecto

Sigue 2 reglas sencillas:
Regla 1: Preguntar, Por qu?,
Por qu?, Por qu?
Insiste en cada idea hasta que
todas las causas estn en la lista.

Regla 2: Asegurar que la
declaracin que se hagas sea
una causa, no una solucin!
DIAGRAMAS
DE
C Y E
68
6A1. Reduccin por Votacin de
la Lista de Causas
Las causas que se encuentran en un crculo son las que recibieron
ms votos.
El equipo considera que estas son las causas ms importantes del
efecto.
Participacin
deficiente y
en declive en
los
programas
de mejora
PERSONAS MQUINAS
CAUSAS
EFECTO
METODOS
MATERIALES
Causa
Importante
69
6A1. Herramientas seleccin de
posibles causas
El equipo discute la lista de
causas de alta prioridad y
decide cules son las ms
importantes (5 a 7).
El equipo se cuestiona lo
siguiente:
Es una causa? (no una
solucin?)
Podemos hacer algo respecto a
la causa?
Estamos seguros que sta
cambiar el efecto?
Estamos de acuerdo?
Causas
1. ________
2. ________
3. ________
4. ________
5. ________
70
6A1. Herramientas verificacin
de posibles causas
Antes de invertir tiempo y dinero en la
implementacin de una mejora para contrarrestar
una causa, asegurarse que la causa sea real.

Estar completamente convencido que la causa es la
verdadera culpable del efecto indeseable.
71
6A1. Herramientas verificacin
de posibles causas
Para cada causa probable , el equipo
deber:
Llevar a cabo una tormenta de ideas para
verificar la causa.
Seleccionar la manera que:
represente la causa de forma efectiva, y
sea fcil y rpida de aplicar.

72
6A1. Herramientas seleccin de
posibles causas
Causas Forma de Verificacin Seleccionada
1. Establecer el flujo de refrigeracin de
moldeo a diferentes niveles,
Utilizar un fluxometro exacto en una mquina
Recopilar datos pareados
(ndice de flujo del refrigerante, dimensin del
localizador), crear un diagrama de dispersin
y realizar un anlisis de correlacin.
73
6A1. Herramientas verificacin de posibles
causas

Verificada
Causa Cmo Verificarla Resultados Si No
1. Flameado Inspeccionar las partes
que no llegan a
reparacin. Determinar el
porcentaje de flameado.
No se
encontraron
datos que
establecieran al
flameado como
causa.
XXX
2. Verificacin de
la Presin de
In yeccin
Equipar un transductor
temporal de presin y
coleccione los datos para
construir un diagrama de
dispersin de presin del
inyector y la variacin de
dimensiones del localizador
principal
Diagrama de
dispersin
mostr una
relacin
negativa.
XXX
3. Prdida de los
localizadores principales

Partes inspeccionadas
que no llegan a
reparacin. Determinar el
porcentaje que no tienen
Localizadores principales
Ausencia de
datos que
establecieran al
{LB} como
causa.
XXX
4. Nivel del flujo
del refrigerante
establecido a
diferentes
ran gos
Utilizar un medidor exacto
de flujo en una mquina
coleccionar los datos y
construir un diagrama de
dispersin de flujo de
refrigerante y de
dimensiones del localizador
principal.
Diagrama de
dispersin
mostr una
relacin
positiva.
XXX
4. Mtodo
complicado e
de
calibracin

Aplicar un estudio de
reproduccin y
repetitividad para
determinar si se requieren
de nuevos calibradores.
El resultado del
calibrador R&R
fue de 74.2%. El
calibrador actual
es deficiente.
XXX
5. Las partes
caen a un
contenedor
rgido
Recolecta r los datos de
los dos histogramas.
{Dimensin del Localizador
principal de las partes que
no cayeron a un contenedor
rgido y las partes que s.}
Los
Histogramas
mostraron
mayor variacin
en la dimensin
del localizador
principal despus
de caer e n
cont enedor rgido

XXX
74
6B. Defectos por unidad y
Rendimiento Estndard
75
No Conformidades
FALLA: resulta cuando una caracterstica no tiene el
desempeo estndar.

DEFECTO: resulta cuando una caracterstica no
cumple con el estndar.

ERROR: resulta cuando una accin no cumple con el
estndar.
76
Naturaleza de las oportunidades
Las necesidades vitales del cliente se traducen en
Caractersticas Crticas para la Satisfaccin (CTS),

Estas a su vez se traducen a Caractersticas Crticas
para la Calidad, Entrega y Costo (CTQs, CTDs y
CTCs) las cuales tienen impacto en las CTSs.

Las Caractersticas Crticas para el Proceso (CTPs),
tienen impacto en las CTQs, CTDs o CTCs y son
Oportunidades para control

77
Defectos por oportunidad
60 defectos se observaron en 60 unidades
producidas (1 Defecto / Unidad).

Si se tienen 10 oportunidades de defectos por unidad
de producto. Entonces la prob. de que de una
oportunidad sea un defecto es 0.10, o 0.90 de que
no lo sea.

Por tanto se tiene que 0.90
10
= 0.3486 es la
probabilidad de que una unidad de producto no
tenga defectos.
78
Diferencia entre Y
RT
y Y
FT

Rendimiento estandard (Y
RT
)

Es la probabilidad de que una
unidad pase por todos los pasos
con 0 defectos

Si informa sobre la complejidad del
proceso en donde

Y
RT
= Y
1
x Y
2
x.......x Y
n
o

Y
RT
= e
-DPU

donde:

DPU = defectos por unidad
n = nmero de pasos en el proceso
Y
n
= rendimiento del paso de
proceso n

Rendimiento al final (Y
FT
)

Es la probabilidad de que una unidad
pase el ensamble final con 0
defectos

*No informa sobre la
complejidad del proceso

*Y
FT
= s/u

en donde
s = unidades aceptadas

u = unidades probadas
79
Diferencia entre Y
RT
y Y
FT
Rendimiento estandard
(Y
RT
)

Rendimiento tomado en cada paso
del proceso (oportunidad)

Rendimiento antes de la inspeccin
o la prueba

Incluye retrabajo y desperdicio

Siempre <Y
FT

Observa la calidad de todas las
partes que conforman el producto
terminado.
Rendimiento al final (Y
FT
)

Rendimiento al final del proceso

Es el rendimiento despus de la
inspeccin la prueba

Excluye el retrabajo y el desperdicio

Siempre >Y
RT

Slo observa la calidad del
producto terminado
80
Como calcular la capacidad SS para un proceso?
Qu proceso se considera? Facturacin y CxC
Cuntas unidades tiene el proceso? 1,283
Cuntas estan libres de defectos? 1,138

Calcular el desempeo del proceso 1138/1283=0.887
Calcular la tasa de defectos 1 - 0.887 = 0.113

Determinar el nmero de cosas potenciales
que pueden ocasionar un defecto (CTQs) 24

Calcular la tasa de defecto por caract. CTQ 0.113 / 24 = .004709
Calcular los defectos x milln de oportunidades DPMO = 4,709
Calcular #sigmas con tabla de conversin de sigma 4.1

81
Todo Una Parte = Al resto
P(sin defectos) = 1 - 0.05 = 0.95

Cul es la
probabilidad de que 10 cucharas
salgan todas con pasas?

La idea bsica
Cul es la probabilidad de obtener productos libres de
defectos en cada paso?
De 60 cucharas 3 no tenan pasas.
P (defecto) = 3/60 = 0.05
(existe la posibilidad de que una
sola cuchara tenga un defecto)

82

P(sin defectos)=P(sin def.
1
)xP(sin def.
2
)...P(sin def.
10
)
P(sin defectos)= 0.95
10

P(sin defectos)= = .5987 =59.9%

(Es la probabilidad de que diez cucharas salgan
libres de defectos)
Dado que los eventos independientes son
multiplicativos
Este mtodo utiliza una distribucin binominal
para calcular la probabilidad de diez cucharas
libres de defecto consecutivas
83
Extendiendo el concepto
0.96 X 0.99 = 0.95

Existe una probabilidad del 95% de que cualquier producto
pase a travs de ambas operaciones, libre de defectos.

Un proceso tiene dos operaciones. Una operacin tiene un
rendimiento de primera vez del 96%. La otra tiene un
rendimiento de primera vez del 99%.

El rendimiento estndar de la produccin es igual a:
96% 99% 95%
Op 1 Salida Op 2 x =
Sin correcciones

Sin correcciones Sin correcciones
84
Rendimiento de la capacidad estandard
Recibo de partes
del proveedor
45,000
Unidades
desperdiciadas
51,876
Unidades
desperdiciadas
Correcto la
primera
vez
Despus de la
inspeccin de recepcin

De las operaciones
de Maquinado
En los puestos
de prueba -
1er intento
125,526 unidades desperdiciadas
por milln de oportunidades
28,650
Unidades
desperdiciadas
95.5% de rendimiento
97% de rendimiento
94.4% de
rendimiento
Y
RT
= .955*.97*.944 = 87.4%
1,000,000 unidades
Otra forma de estimar las probabilidades

Del ejemplo anterior, una muestra de cucharas en la cual, cada cuchara tiene
una probabilidad de 0.05 de tener algn defecto.

La distribucin de Poisson se puede utilizar si se cumplen las
siguientes condiciones:

- El tamao de la muestra es de 16 o mayor (60 en el ejemplo)

- La poblacin es >10 veces que el tamao de la muestra

- La probabilidad de un defecto es menor al 10% ( 5% en el ejemplo)

La frmula para esta distribucin es:

Y
RT
= e
-DPU
r
d
r
(d/u)
/
Y =
e
u
!
0 (-d/u)
= (1)e
1
Y=(d/u) e
0!
(-d/u)
Y= e
-d/u

Derivacin del rendimiento estandard de
produccin (rendimiento real)

La distribucin Poisson como un Modelo de Defecto

en donde:
Y es el rendimiento
d/u son los defectos por unidad (DPU)
r es el nmero de sucesos
e es la funcin exponencial (=2.718)

Por lo tanto, cuando r =

0, tenemos
la probabilidad de cero defectos, o
de rendimiento de produccin estandard.

Note que ste es diferente al rendimiento
clsico (unidades/unidades probadas)
Del ejemplo anterior
(Ya se haba calculado Y
RT
igual a 0.95)
O
Y
RT
=
e
DPU
DPU = Nmero total de defectos = 0.04 defectos + 0.01 defectos
Nmero total de unidades unidad unidad

DPU = 0.05 defectos
unidad Operacin 1 Operacin 2

Y
RT
= e
-0.05
= 2.718
-0.05
= 0.95123 = 95%
96% 99% 95%
Sin correcciones Sin correcciones Sin correcciones
88

Rendimiento promedio normalizado

Debido a que cada paso de un proceso tendr su propio
nivel sigma, cmo podemos encontrar un promedio de
nivel sigma de todo el proceso?

(Este promedio de nivel sigma podra ser prctico. Para comparar
procesos de diferentes complejidades)

Se utiliza el Rendimiento promedio normalizado o Y
NA
para
encontrar este promedio de nivel sigma.

Y
NA
= (Y
RT
)
1 / #Pasos

En donde Y
RT
es el rendimiento de produccin estandard y #Pasos
es el nmero de pasos del proceso

Y
NA
= (Y
RT
)
1 / #Pasos

Y
RT
= 95% y #Pasos = 2

Y
NA
= (0.95)
1/2
= 0.97467
Rendimiento promedio normalizado
Defectos = 1 - 0. 97467 = 0.0602
|Encuentrelo en una tabla normal o utilice NORMSINV (Y
NA
) en Excel|

Z
bench
= 1.95
0.97467
1 - 0. 97467
96% 99% 95%
Sin correcciones Sin correcciones Sin correcciones
2b
Operacin 1 Operacin 2 Operacin 3 Operacin 4
99%

?
83%
98%
91%
2a
99%
98%
2c
Volumen Defectos
2a 100 9
2b 200 2
2c 250 5
Defectos(2a) + Defectos(2b) + Defectos(2c)
Partes hechas (2a) + Partes hechas (2b) + Partes hechas (2c)
Y
2
= 1
9 + 2 + 5
100 + 200 + 250
Y
2
= 1
Y
2
= 0.971
Primero, modele el proceso paralelo como un proceso en
serie: determine el rendimiento total de la Operacin 2
Clculo con procesos paralelos
(Por ejemplo, cualquiera de las tres mquinas podra ejecutar cualquier operacin #2)
2b
Operacin 1 Operacin 2 Operation 3 Operacin 4
99%

?
83%
98%
91%
2a
99%
98%
2c
Volumen Defectos
2a 100 9
2b 200 2
2c 250 5
A continuacin, encuentre el rendimiento de produccin estandard
(Y
RT
) de las operaciones 1 a la 4 utilizando la Y
2
calculada.
Clculo con procesos paralelos
(Por ejemplo, cualquiera de las tres mquinas podra ejecutar cualquier operacin #2)
Y
RT
= Y
1
x Y
2
x Y
3
x Y
4

Y
RT
= 0.99 x 0.971 x 0.83 x 0.98 = 0.7819
Y
NA
=(0. 7819)
1/4
= 0.9404
Defectos = 1 - 0. 9404 = 0.0596
NA
) en Excel|
Z
bench
= 1.56
92
Complejidad
LA GRAN IDEA

Tres formas de incrementar el rendimiento
estandard:

-Hacer cada paso del proceso, ms capaz

-Reducir el nmero de pasos en el proceso

-Hacer ambos
2b
Operacin 1 Operacin 2 Operacin 3 Operacin 4
99%

?
98%
91%
2a 99%
98%
2c
Volumen Defectos
2a 100 9
2b 200 2
2c 250 5
Mejorando el rendimiento
de la operacin 3 al 100%
Y
RT
= Y
1
x Y
2
x Y
3
x Y
4

Y
RT
= 0.99 x 0.971 x 1.0 x 0.98 = 0.9421
Y
NA
=(0. 9421)
1/4
= 0.9803
Defectos = 1 - 0. 9803 = 0.0197
NA
) en Excel|
Z
bench
= 2.06
DPU (Defectos por unidad) = Defectos / Unidad

TOP (Total Oportunidades) = Unidades * Oportunidades

DPO (Defectos por Oportunidad) = Defectos / TOP

P(D) = DPO (Probabilidades de que la oportunidad est defectuosa)
P(ND) = 1-DPO (Probabilidades de que la oportunidad no
est defectuosa)

Rendimiento estandard (La probabilidad de que cualquier unidad
del producto pase por todo el proceso, libre de defectos)

Y
RT
= P(ND)
# de Oportunidad
(Poisson)

Y
RT
= P(ND) * P(ND) * P(ND) *......P(ND)
n
(Binomial)

Frmulas a conocer
(La distribucin binomial se recomienda para los casos en donde se
conoce el rendimiento para cada elemento del proceso u oportunidad).
95
6B. Probabilidad y estadstica
1. Obteniendo conclusiones vlidas

2. Teorema del lmite central y distribucin de muestreo
de la media

3. Conceptos de probabilidad bsica
96
6B1. Obteniendo conclusiones
vlidas
Obtencin de conclusiones estadsticas vlidas
El objetivo de la estadstica inferencial es obtener
conclusiones acerca de las caractersticas de la
poblacin (parmetros o, , t) con base en la
informacin obtenida de muestras (estadsticos X,
s, r)

Los pasos de la estadstica inferencial son:
La inferencia
La evaluacin de su validez
97
6B. Obteniendo conclusiones
vlidas
Definir el objetivo del problema en forma precisa

Decidir si el problema se evaluar con una o dos colas

Formular una hiptesis nula y la alterna

Seleccionar una distribucin de prueba y un valor
crtico del estadstico reflejado el grado de
incertidumbre que puede ser tolerado (alfa, riesgo)
98
vlidas
Calcular el valor del estadstico de prueba con la
informacin de la muestra

Comparar el valor del estadstico calculado vs su valor
crtico y tomar una decisin de aceptar o rechazar la
hiptesis nula

Comunicar los hallazgos a las partes interesadas
99
vlidas
Hiptesis nula a ser probada (Ho) y alterna (Ha)

La hiptesis nula puede ser rechazada o no ser
rechazada no puede ser aceptada

La hiptesis alterna incluye todas las posibilidades
que no estn en la nula y se designa con H1 o Ha.

Ho: Ya = Yb Ha: Ya = Yb Prueba de dos colas
Ho: A > B Ha: A<B Prueba de cola izquierda

100
vlidas
Estadstico de prueba:
Para probar la hiptesis nula sobre un parmetro
poblacional, se debe calcular un estadstico de
prueba de la informacin de la muestra

El estadstico de prueba se compara con un valor
crtico apropiado

Se toma una decisin de rechazar o no rechazar la
hiptesis nula

101
vlidas
Tipos de errores:
Error tipo I: resulta cuando se rechaza Ho siendo
verdadera, se denomina como alfa o riesgo del
productor

Error tipo II: resulta cuando no se rechaza Ho siendo
que es falsa, es denominado beta o riesgo del
consumidor

Incrementando el tamao de muestra se reducen alfa
y beta. Alfa es normalmente 5%. Alfa y beta son
inversamente relativos
102
vlidas
Estudios descriptivos enumerativos :
Los datos enumerativos son los que pueden ser
contados. Para Deming:

En un Estudio enumerativo la accin se toma en el
universo.

En un estudio analtico la accin ser tomada en un
proceso para mejorar su desempeo futuro

103
No existen en la naturaleza
dos cosas exactamente iguales,
ni siquiera los gemelos, por tanto la variacin es
inevitable y es analizada por la Estadstica
6B1. Estadstica Descriptiva
La estadstica nos proporciona mtodos para
organizar y resumir informacin, usndola para
obtener diversas conclusiones

Por ejemplo, s deseamos saber el promedio de peso de
las personas en una poblacin tenemos dos opciones:

Pesar a todas y cada una de las personas, anotar y
organizar los datos, y calcular la media.

Pesar solo una porcin o subconjunto de la poblacin
(muestra). Registrar y organizar los datos y calcular la
media de la muestra, tomndola para pronosticar o
Inferir la media de toda la poblacin.
105
Poblacin: Es la coleccin de todos los elementos
(piezas, personas, etc.). En nuestro caso sera un
nmero infinito de mediciones de la caracterstica del
proceso bajo estudio.

Muestra: Es una parte o subconjunto
representativo de la poblacin, o sea un grupo de
mediciones de las caractersticas.

106
Estadstico: Es una medicin tomada en una muestra
que sirve para hacer inferencias en relacin con una
poblacin (media de la muestra, desviacin estndar de
la muestra se indican con letras latinas X, s, p).

Normalmente es una variable aleatoria y tiene asociada
una distribucin.

Parmetro: Es el valor verdadero en una poblacin
(media, desviacin estndar, se indican con letras griegas
t, , o)

107
Datos continuos Los datos que tienen un valor real
(temperatura, presin, tiempo, dimetro, altura )

Datos discretos: Datos que toman valores enteros (0,
1, 2, 3, etc.)

Datos por atributos: Bueno - malo, pasa - no pasa,
etc.

108
6B2. Teorema del lmite central
La distribucin de las medias de las muestras tiende
a la normalidad independientemente de la forma de
la distribucin poblacional de la que sean obtenidas.
Es la base de las cartas de control X-R.

109
Por lo anterior la dispersin de las medias es menor
que para los datos individuales

Para las medias muestrales, el error estndar de la
media se relaciona con la desviacin estndar de la
poblacin como sigue:

X
X
s
n
o
=
110
Intervalo de confianza para la media:
A) Sigma conocida y n>30 (n es tamao de muestra)

B) Sigma desconocida y n<30, los grados de libertad
son gl = n-1.

2
2
X Z
n
X t
n
o
o
o
=
=
111
Intervalo de confianza para proporciones y varianza:
Para proporciones, p es la proporcin y n>30

Para la varianza

2
(1 ) p p
p Z
n
o
t

=
2 2
2
2 2
, 1 1 , 1
2 2
( 1) ( 1)
n n
n s n s
o o
o
_ _

s s
112
6B3. Conceptos bsicos de
probabilidad
Principios bsicos:
La probabilidad de un evento varia entre 0 y 1 (xito)
Un evento simple no puede descomponerse
El conjunto de resultados posibles del experimento se
denomina espacio muestral
La suma de las probabilidades en el espacio muestra
es 1
Si se repite un experimento un gran nmero de veces
N y el evento E es observado nE veces, la probabilidad
de E es aproximadamente:
( )
E
n
P E
N
=
113
6B2. Conceptos bsicos de
probabilidad
Eventos compuestos (conjunto de dos o ms
eventos):
La unin de A o B contiene elementos de A o de B

La interseccin de A y B contiene elementos comunes
que se localizan al mismo tiempo en A y en B
114
Probabilidad
Introduccin:
Diferencia entre experimento deterministico y
aleatorio (estocastico).
Deterministico. Se obtienen el mismo resultado, con
condiciones experimentales similares
La cada de un cuerpo
Aleatorio. Se obtienen distintos resultados , aunque se
repitan en condiciones similares.
Tiempo de vida de un componente elctrico
115
Conceptos relacionados
a experimentos aleatorios:
Variable aleatoria. Es el nombre Que se le da a la
caracterstica (s) de inters observada en un
experimento. Dicha variable es denotada por letras
maysculas. Pueden ser Continuas o Discretas.

Espacio muestra. Es el conjunto de todos los posibles
valores Que toma una variable aleatoria en un
experimento. Puede ser finito o infinito.

Evento. Puede ser uno o una combinacin de los valores
Que toma una variable aleatoria
116
Espacio Muestral
Consiste en todos los posibles resultados de un experimento.
Para el lanzamiento de una moneda es (A,S).
117
Probabilidad histrica o frecuentista.

Una forma de conocer algo acerca del comportamiento de
una variable aleatoria es conociendo como se comporto en
el pasado.
Note Que si un experimento se realizo un gran numero de
veces, N, y la se observo Que en n veces suceda el evento
A, entonces n/N es un estimacin razonable de la
proporcin de tiempos Que el evento A suceder en el
futuro. Para un gran numero de experimentos N, se puede
interpretar dicha proporcin como la probabilidad de del
evento A.
P EventoA
n
N
N
( ) lim =

118
Ejemplo
p
r
o
b
a
b
i
l
i
d
a
d

d
e

c
a
r
a
s

n
0 500 1000
0
.5
1
en los 1900-s , Karl Pearson lanzo una moneda 24,000 veces y obtuvo
12,012 caras, dando una proporcin de 0.5005.
Definicin Clsica de Probabilidad.
La probabilidad de un evento A, puede ser calculada mediante la
relacin de el numero de respuestas en favor de A, y el numero
total de resultados posibles en un experimento.
P EventoA
Favorable A
Total resultados
( )
#
#
=
Note Que para las dos definiciones dadas de
probabilidad esta ser un numero entre 0 y 1.
Ejemplo 1. Se observa si 3 artculos tienen defecto o no , con defecto
(m) o sin defecto (v).
S={vvv,mvv,vmv,vvm,vmm,mvm,mmv,mmm} es el espacio muestral .
Asociada a este espacio muestral se puede definir la variable aleatoria
X=# de defectos, la cual toma los valores {0,1,2,3}
120
Probabilidades de Eventos

1. P(E) > 0
2. P(S) = 1
3. Si E
1
,En son mutuamente disjuntos
entonces
= =
=
|
.
|
\
|
n
i
i
n
i
i
E P E P
1 1
) (

Resultados
1. Si A _ B entonces P(A) s P(B)

2. Si P(E
c
)=1-P(E)

3. P(AB) = P(A) + P(B) P(AB)

4. Si B
1
B
2
B
n
= S entonces
=
=
n
i
i
B E P E P
1
) ( ) (

121
Ejemplo:
Datos (N=20):
650 740 760 810 850 850 880 900 930 930 950 960
960 980 980 980 1000 1000 1000 1070
El experimento:
Seleccionamos al azar un numero ?
Cul es S?
Sea E el evento en el que elegimos el 1000?
P(E) =
Sea E el evento l numero es menor o igual a 760.
P(E) =
P(E
c
) =
122
Sea E
1
el evento en el cual elegimos 1000 y E
2
es el
evento en el cual elegimos un numero menor o igual a
760.
P(E
1
E
2
) =
Sea E
1
el evento en el cual elegimos 850 y E
2
sea el
evento el cual obtenemos un numero menor a 880.
P(E
1
E
2
) =
Leyes de probabilidades
1. En un experimento, si P(A) e la probabilidad de un
evento A, entonces la probabilidad de Que no suceda A es:
P A P A ( ) ( ) = 1
2. En un experimento, si A y B son dos eventos mutuamente
excluyentes entonces la probabilidad de Que ocurra A o el
evento B es
P A o B P A P B ( ) ( ) ( ) = +
Para el caso de dos eventos A y B Que no son
mutuamente excluyentes.
P A o B P A P B P AyB ( ) ( ) ( ) ( ) = +

A las dos ecuaciones se les conoce como
Leyes de adicin de probabilidad
3. Ley de probabilidad condicional.
Sean A y B dos en un experimento tal Que la ocurrencia de
B influye en la ocurrencia de A. Entonces la probabilidad
Que ocurra A cuando B ya ocurri es
P A B
P A B
P B
( / )
( )
( )
=

4. Independencia.
Dos eventos A y B se dice Que son independientes si

P A B P A ( / ) ( ) =
o de otra forma si
P A B P A P B ( ) ( ) ( ) =
Resultado clave en estadstica!!!
125
Probabilidad Condicional
Si A y B son dos eventos y P(B)>0, entonces
) (
) (
) | (
B P
B A P
B A P

=
Ejemplo:
Barras de acero producidas de un proceso particular tienen
longitud entre 19.5 y 20.5 cm. Suponga las barras son
igualmente probables de tener cualquier longitud en los espacios
mustrales.
Sea A=(19.5, 20.1) y B=(19.8, 20.5).
Por lo que P(A) = y P(B) =
=
=
) (
) (
) | (
B P
B A P
B A P
126
Ejemplo
Maquina1 Maquina 2 Maquina3
Proporcin de
defectuosos
0.01 0.02 0.005
Numero
producido
200 250 350

Si Ud. recibe un embarque de 800 fusibles de una planta de produccin con la
cantidad y calidad dada en la tabla. Si usted aleatoriamente selecciona uno de esos
fusibles cual es la probabilidad que este funcione?

S={(M
1
D), (M
1
N), (M
2
D), (M
2
N),
(M
3
D), (M
3
N)}

P(N) = P(M
1
N) + P(M
2
N) + P(M
3
N)
= P(N| M
1
)P(M
1
) + P(N| M
2
)P(M
2
) +
P(N| M
3
)P(M
3
)
= (10.01)0.25 + (10.02) 0.3125 +
(10.005) 0.4375
= 0.989
127
Independencia
El evento A y B son independientes s
P(A|B) = P(A)
O
P(AB)=P(A)P(B)
Ejemplo:
Maq. 1 Maq. 2 Maq. 3
Prop. De
defec.
0.01 0.01 0.01
Numero
producido
200 250 350
Un proceso manufactura 5 partes. Suponga que salgan
defectuosas es, E
1
,,E
5
,
Son indep. y tienen la misma probabilidad. Cual es la
probabilidad que una falle?
Cual es la probabilidad que ninguna falle?
128
Reglas de la probabilidad
Ley de la Adicin
Si 2 eventos A y B no son mutuamente excluyentes, entonces la
probabilidad que el evento A o el evento B ocurra es:

Ley de la Multiplicacin
probabilidad que ambos A y B ocurran es

Cuando los eventos A y B son independientes, entonces P(A|B)
= P(A) y

P(AB) P(B) P(A) B) or P(A + =
A)P(A) | P(B B)P(B) | P(A P(AB) = =
P(A)P(B) P(AB) =
129
Probabilidad Total

Si A
1
,A
n
son mutuamente excluyentes, y eventos
exhaustivos, entonces

Regla de Bayes
=
=
n
i 1
i i
) )P(A A | P(B P(B)
=
=
=
n
i 1
i i
) P(A ) A | P(B
A)P(A) | P(B
P(B)
A)P(A) | P(B
B) | P(A
B
Ai
Permutaciones y Combinaciones
Las tcnicas de conteo o enumeracin son tiles en la
solucin de problemas de probabilidad.
Algunos resultados elementales de la teora de anlisis
combinatorio
Diagramas de rbol
Principio de la multiplicacin
Permutaciones
Combinaciones
Particin
Diagramas de rbol
En casos simples resultan tiles los diagramas de rbol para enumerar
objetos en forma sistemtica.
Ejemplo: Se desea conocer todas las formas posibles de hacer un
experimento que consiste en 4 componentes de auto a {L1, L2, L3, L4},
entonces cada componente es sometido a tres diferentes temperaturas
de {A1, A2, A3} hasta que se obtiene una falla.
L2
L3
L4
L1
A1
A1
A1
A2
A2
A2
A3
A3
A3
A2
A1
A3
12 tratamientos
Teorema 1. (Principio de multiplicacin)
Con m elementos y n elementos
es posible formar mn pares que contienen un elemento de
cada grupo.
a a a
m 1 2
, ,...,
b b b
n 1 2
, ,...,
Ejemplo 1. Se lanza una moneda 2 veces. Cul es el numero de
resultados posibles?.
primer lanzamiento {A,S}
segundo lanzamiento {A,S}
m=2, n=2, mn=4.
Ejemplo 3. De cuantas formas se pueden sacar 2 cartas de una
baraja de 52 cartas.
m=52 la primera carta
n=51 la segunda carta

mn=2652 formas
Generalizacin del principio de multiplicacin
Ahora en lugar de dos conjuntos , vamos a suponer r conjuntos.
Se desean hacer r decisiones, donde la primera decisin se puede
hacer de n1 formas, la segunda de n2, la r-esima de nr formas
distintas. Entonces el numero total de decisiones distintas en el
orden dado es.
n n n
r 1 2
. . .
Ejemplo: Un defecto gentico puede ser trasmitido de madre a hija. Una
madre con dicho defecto tiene 4 hijas. De cuantas formas posibles puede
presentarse el defecto?.
ni=2, i=1,2,3,4.
2*2*2*2= 16 formas
Ejemplo: Composicin de un elemento electrnico .
Aluminio {No, N1, N2, N3, N4} PVC {Po, P1, P2, P3}
Manganeso {Ko, K1, K2} 5*4*3=60 tratamientos.
Permutaciones
Definicin.
Un arreglo ordenado de r objetos diferentes es llamado
una permutacin .
El numero resultante de ordenar n objetos diferentes
tomando r a la vez ser representado por el smbolo
n
r
P
Antes revisemos el concepto de factorial !!!!!!
Considere el siguiente caso: Hay 3 libros: Uno de Historia (H),
Uno de Fsica (F), Otro de Matemticas (M). Note Que existen 6
formas de acomodar dichos libros.
{ HFM, HMF, FHM, FMH, MHF, MFH } Aqu importa el orden
3*2*1=6
El numero de formas de ordenar n objetos distintos en n
lugares diferentes es :
n n n n ! ( )( )...( )( ) = 1 2 2 1
n! se lee como n factorial
Que pasa cuando tenemos solo r lugares para acomodar
n objetos, tal Que n es mayor o igual que r?
En este caso el numero de arreglos resulta ser:
n n n n r n r P
P
n
n r
r
n
r
n
( )( )...( [ ])( [ ])
!
( )!
=
=
1 2 2 1
136
Ejemplo: Suponga que a un grupo de motores se les aplicara un
tratamiento que consiste en dos aplicaciones de diferentes
intensidades de presin. Hay 10 diferentes intensidades y el orden
de administrar las intensidades es importante, cuantos motores
se ocupan si cada tratamiento se tiene que llevar a cabo?.
10 intensidades (i1,i2,,i10 ) y 2 aplicaciones.
Nos interesa contar los pares (i1,12),(i1,i3),..

P
2
1 0
1 0 !
8 !
9 0 = = .
137
Combinaciones
Una combinacin es un arreglo de distintos elementos , en donde
una combinacin difiere de otra solamente si el contenido del arreglo
es distinto.
!! En este caso no es importante el orden de
los objetos !!
Definicin. (Combinaciones).
El numero de combinaciones de n objetos tomando r a la vez es el
numero de maneras de formar un subconjunto de tamao r de los n
objetos. Esto se denota como:
n
r
n
C
r
| |
=
|
\ .
138
C
n
r
P
r
n
r n r
r
n r
n
=
|
\
|
.
| = =
!
!
!( ) !
Teorema 2.
Ejemplo: En un lote de produccin 100 chips de
computadora, un comprador desea adquirir 10 chips,
de cuantas formas se pueden seleccionar 10 chips
de ese lote?.

C
n
r
n
r n r
r
n
=
|
\
|
.
| =
!
!( )! )!
100!
10!(100 10
139
Teorema de Particin
Teorema 3. (Particin).
El numero de formas de particionar n objetos
distintos en k diferentes grupos que contienen
n1,n2,,nk objetos, respectivamente es:
N
n
n n n
donde n n
k
i
i
k
= =
=
!
! !... !
1 2
1
Ejemplo: Existen 20 bulbos de luz. Los cuales 6 dan luces amarillas,
8 rojas, y 6 anaranjadas. De cuantas formas se pudiera ver el una
lnea de bulbos si se colocaran en forma aleatoria?

N = =
20!
6!8!6!
116 396 280 , ,
140
6C. Colectando y resumiendo
datos
141
Colectando y resumiendo datos
Tipos de datos

Escalas de medicin

Mtodos de coleccin de datos

Tcnicas para asegurar la exactitud e integridad de
los datos

Estadsticas descriptivas

Mtodos grficos
142
6C1. Colectando y resumiendo datos
Tipos de datos
Datos por atributos
Son datos discretos enteros, por ejemplo 3, 45, 2032.
Cuenta, unidades, ocurrencias, bueno malo.

Datos por variables
Las variables son datos continuos medibles con
instrumentos con nmeros reales, por ejemplo 1.037,
4.69, etc. Longitud, tiempo, volumen, tensin.

Es preferible tener informacin por variables,
proporcionan mayor informacin.
143
Tipos de datos
Datos de localizacin
Contestan a la pregunta Dnde?. Las cartas que
utilizan datos de localizacin de defectos se denominan
Measles charts o Cartas de concentracin. Por
ejemplo mapas con oficinas de distribucin; defectos
de pintura en un automovil.

Conversin de datos por atributos a variables
10 despostilladuras se pueden reportar como una
longitud total de 8.37; 25 rayas de pintura como 3.2
cuadradas de rayones de pintura.
144
Escalas de medicin
En funcin de la deseabilidad estadstica se tiene:
Escala Descripcin Ejemplo
Nominal
Datos como nombres o
categoras. No hay orden
Bolsa con dulces de colores:
15 amarillos, 10 rojos, 7
verdes
Ordinal
(rango)
Los datos estn ordenados pero
sus diferencias no pueden
determinarse ni tienen sentido
Defectos A ms crticos que los
defectos D se tabulan como:
A 16, B 32, C 42, D 30
Intervalo
Los datos se arreglan por orden
y diferencia. No hay punto de
inicio de ref. y la razn no tiene
significado
La temperatura de 3 lingotes
es de 200C, 400C y 600C.
Notar que 3 veces 200C no
es lo mismo que 600C en T.
Razn
Similar al anterior con un punto
cero inicial. Tanto las diferencias
como las razones son
significativas
El producto A cuesta $300 y el
B $600. Notar que $600 es
tanto como dos veces $300
145
Escalas de medicin
Medidas estadsticas para las escalas de medicin
Escala Localizacin
central
Dispersin Prueba de
significancia
Nominal
Moda Solo informativa Chi cuadrada
Ordinal
(rango)
Mediana Pocentajes Prueba de signos o
rachas
Intervalo
Media aritmtica Desviacin
media o estndar
Prueba t, Prueba F,
Anlisis de correlacin
Razn
Media geomtrica
o media armnica
Variacin
pocentual
Similar al anterior
146
Incluye mtodos manuales y automticos. Guas:
Formular una clara descripcin del problema

Definir de manera precisa lo que se va a medir

Listar todas las caractersticas importantes a medir

Cuidadosamente seleccionar la tcnica de
medicin
147
Incluye mtodos manuales y automticos. Guas:
Construir un formato sencillo de registro

Decidir quin colectara los datos

Establecer un mtodo de muestreo apropiado

Decidir quien analizar e interpretar los
resultados

Decidir quien reportar los resultados
148
Tipos de informacin para proyectos
FALLA PASA
Circuito Elctrico
TEMPERATURE
Termmetro
Tiempo
Variables Atributos
PASA NO PASA
Caliper
CIUDAD UNIDAD DESCRIPCION TOTAL
1 $10.00 $10.00
3 $1.50 $4.50
10 $10.00 $10.00
2 $5.00 $10.00
ORDEN DE ENVIO
Error
149
Plan de recoleccin de datos
Un plan de Recoleccin de Datos relacionada con
las CTQs de inters es la documentacin de:

Qu informacin se va a recolectar
Por qu se necesita

Quin es responsable
Cmo se va a recolectar

Cundo se va a recolectar
Dnde se va a recolectar

150
Definiciones operativas
El Plan de Recoleccin de Datos debera de basarse
en las Definiciones Operativas medibles:
Definiciones Operativas ya desarrolladas para los
clientes CTQs las Ys
Se necesita desarrollar Definiciones Operativas para el
proceso Xs

Y = (X
1
, X
2
, X
3
, X
4
X
n
)
CTQ Proveedor/Entrada/Proceso
151
Codificacin de datos
Codificar al agregar o restar una constante o
multiplicar o dividir por un factor:
152
Codificacin por substitucin
Para una observacin de 32-3/8, los datos
pueden codificarse como enteros expresando el
nmero de incrementos de 1/8 de desviacin vs
el valor nominal.

Codificacin por truncamiento o valores decimales
repetitivos:
Las mediciones como 0.55303, 0.55310, 0.55308
pueden ser registradas como los dos ltimos dgitos,
3, 10, 8.
153
Aseg. exactitud e integridad de los datos
Los datos malos corrompen el proceso de toma de
decisiones
Evitar sesgo emocional respecto a tolerancias

Evitar redondeo innecesario

Si una caracterstica cambia con el tiempo, registrar
la medicin inicial y la posterior a la estabilizacin

Filtrar los datos para identificar y eliminar errores de
captura
154
Los datos malos corrompen el proceso de toma de
decisiones
Si los datos siguen una distribucin normal,
determinar si la dispersin de los datos puede ser
representada por al menos 8 o 10 incrementos de
resolucin. Si no puede ser mejor contar las
observaciones.

Usar pruebas estadsticas objetivas para identificar
outliers o puntos aberrantes

Cada identificacin de clasificacin importante debe
ser registrada junto con los datos
155
Ventajas del Muestreo
Se economizan recursos

Se reduce el tiempo

Confiabilidad

Se pueden proyectar resultados
Conceptos bsicos de Muestreo
Muestreo: Proceso mediante el cual hacemos
inferencia a toda una poblacin observando solo una
parte de esta (muestra).

Mtodos de muestreo:
Es un procedimiento cientfico mediante el cual
obtenemos los componentes de una muestra, tratando
que la muestra nos de informacin acerca de un
parmetro poblacional, y tambin nos permite medir
el grado de incertidumbre de equivocarnos en la
inferencia.
157
Muestreo aleatorio
En este caso cada parte tiene la misma oportunidad de
ser seleccionada

Muestreo secuencial
Se toman piezas de una lnea continua y se muestrea
hasta que se hayan inspeccionado ms de 3 veces el
tamao de muestra de un plan de muestreo simple

Muestreo estratificado
Se seleccionan muestras aleatorias de cada uno de los
grupos o procesos diferentes, deben reflejar la frecuencia
de los grupos
Muestreo Simple Aleatorio
Cada uno de los elementos de una poblacin tiene la
misma probabilidad de salir en una muestra.
La seleccin se hace generalmente usando nmeros
aleatorios.(de la uniforme 0,1).
Ejemplo: Se tiene una poblacin de 100 artculos. Se
desean seleccionar 5. Para obtener la muestra se
deben enumerar los 100 artculos y se saca una lista
de 5 nmeros al azar entre 1 y 100. ( Usando la
computadora generamos una lista de 5 nmeros de la
uniforme 0,1 y los multiplicamos por 100 y solo
tomamos las primeras dos decimales.).

Muestreo Sistemtico
En este mtodo enumeramos los elementos de la
poblacin de 1 a N. La muestra es tomada en intervalos
de N/n. (con n= tamao de la muestra).
Ejemplo: de los 100 artculos anteriores si
muestreamos sistemticamente para n=5. Tomaremos
la muestra cada 100/5=20 objetos. (i.e. Tomamos el
1er. Articulo , luego el 20esimo., etc..).
Muestreo con probabilidades desiguales.
til en poblaciones con mucha variabilidad.
Hacemos que aparezcan con mayor los datos
grandes o pequeos.
160
Estadstica descriptiva
La estadstica descriptiva incluye:

Medidas de dispersin

Funciones de densidad de probabilidad

Distribuciones de frecuencia y

Funciones acumulativas de distribucin
161
Representan las diferentes formas de caracterizar
el valor central de un conjunto de datos

Media muestral poblacional

=
n
xi
x

=
n
xi
Ejemplo 1: En un equipo de ftbol, una muestra de estaturas de sus integrantes son las
siguientes: 1.70,1.79,1.73,1.67,1.60,1.65,1.79,1.84,1.67,1.82, 1.74. Calcule la media.
73 . 1
11
19
= = =
n
xi
x
162
Mediana: es el valor medio cuando los datos se
arreglan en orden ascendente o descendente, en
el caso de n par, la mediana es la media entre los
valores intermedios
Ejemplo 2: Para el ejemplo anterior cual es la mediana?
Ordenando los datos de mayor a menor se obtiene:
1.60,1.65,1.67,1.67,1.70,1.73,1.74,1.79,1.79,1.82,1.84;
como tenemos 11 datos el nmero es non por lo que (n+1)/2 = 12/2 = 6, buscando el nmero
que ocupa la sexta posicin en los datos ordenados encontramos el valor de la mediana
73 . 1
~
= x
( ) | | ( )
2
1 2 2
~
+ +
=
n n
X
163
Moda: Valor que ms se repite, puede haber ms de una
Media acotada (Truncated Mean): Se elimina cierto
porcentaje de los valores ms altos y bajos de un
conjunto dado de datos (tomando nmeros enteros),
para los valores restantes se calcula la media.
Ejemplo 3: Para la siguiente serie de datos calcule la media acotada al 20%:
68.7,34.3,97.9,73.4,8.4,42.5,87.9,31.1,33.2,97.7,72.3,54.2,80.6,71.6,82.2,
Como tenemos 11 datos, el 20% de 11 es 2.2, por lo cual eliminamos 2 datos el ms bajo y
el ms alto, ordenado los datos obtenemos:
8.4,31.1,33.2,34.3,42.5,54.2,68.7,71.6,72.3,73.4,80.6,82.2,87.9,97.7,97.9, los valores a
eliminar son: 8.4 y 97.9; calculando la media de los datos restantes obtenemos
( ) 82 . 63 20 ,. = x

164
165
Medidas de dispersin:
Rango: Es el valor mayor menos el valor menor de un
conjunto de datos

Varianza: es el promedio de las desviaciones al
cuadrado respecto a la media (n para poblacin y n-1
para muestra para eliminar el sesgo)

Por ejemplo para el conjunto de datos siguiente:
2.0,2.1,2.4,2.5,2.6,2.8,2.9,2.9,3.0,3.1,3.6,3.8,4.0,4.0
Su rango es R = 4.0 2.0 = 2.0

=
n
x xi
2
2
) (
o

=
1
) (
2
2
n
x xi
s
166
Desviacin estndar: es la raz cuadrada de la varianza
ya sea poblacional o o muestral S

=
1
) (
2
2
n
x xi
s

=
1
) (
2
n
x xi
s
Ejemplo 4: La resistencia al rompimiento de dos muestras de botellas es la siguiente:
Muestra 1: 230 250 245 258 265 240
Muestra 2: 190 228 305 240 265 260

s =
5
790
= 12.56 s =
5
7510
= 38.75
167
Coeficiente de variacin: es igual a la desviacin
estndar dividida por la media y se expresa en
porcentaje

) 100 ( var . .
X
s
CV iacin de e Coeficient = =
Por ejemplo si la media de tiempos de espera es de 78.7 y su desviacin estndar es 12.14, el CVt:
% 05 . 12 ) 100 (
7 . 78
14 . 12
= =
t
CV
Por otra parte si la media de salarios es de 10 y su desviacin estndar de 2, el CVs de salarios es:
% 20 ) 100 (
10
2
= =
s
CV
Por tanto la dispersin de los salarios es mayor que la de los tiempos de espera, es posible comparar
estas dispersiones con el CV aunque los dos conjuntos de datos sean completamente dismbolos.
168
Funcin de densidad de probabilidad
El rea bajo la curva de densidad de probabilidad a la
izquierda de un valor dado x, es igual a la probabilidad
de la variable aleatoria en el eje x para X<= x

Para distribuciones continuas

Para distribuciones discretas

}

=1 ) ( ) ( x d x f

=
n
x f
0
1 ) (
169
Funcin de distribucin acumulada

}

=
x
t d t f x F ) ( ) ( ) (
Funcin
de densidad
Funcin de
distribucin
acumulada
170
Mtodos grficos
Se incluyen los mtodos siguientes:
Diagramas de caja
Diagramas de tallo y hojas
Diagramas de dispersin

Anlisis de patrones y tendencias

Histogramas
Distribuciones de probabilidad normales
Distribuciones de Weibull

171
Mtodos grficos
Diagramas de caja
Representan un resumen de los datos. La lnea media
es la mediana, los lados son el primer y tercer cuartil.
El mximo y el mnimo se dibuja como puntos al final
de las lneas (bigotes)

172
Mtodos grficos
Diagramas de tallo y hojas
El diagrama consiste del agrupamiento de los datos por
intervalos de clase, como tallos y los incrementos de
datos ms pequeos como hojas.
Hojas
Tallos
173
Mtodos grficos
Es una grfica de muchos puntos coordenados X-Y que
representan la relacin entre dos variables. Tambin se
denomina carta de correlacin. Se puede tomar la
variable dependiente para el eje Y y la dependiente en
el eje X.

La correlacin tiene las siguientes fuentes:
Una relacin de causa efecto
Una relacin entre dos causas
Una relacin entre una causa y dos o ms causas
174
Mtodos grficos
Positiva dbil Positiva fuerte Sin correlacin
Negativa fuerte Relaciones no lineales
175
Mtodos grficos
Coeficiente de correlacin
El coeficiente de correlacin r determina el grado de
asociacin entre dos variables X y Y
176
Mtodos grficos
Anlisis de correlacin
Busca descubrir relaciones, aplicar el sentido comn

La lnea de mejor ajuste es la lnea de regresin, sin
embargo un anlisis visual debiera ser suficiente para
identificar si hay o no hay relacin

Los diagramas de dispersin deben ser analizados
antes de tomar decisiones sobre correlacin estadstica
177
Mtodos grficos
Para visualizar el comportamiento de los datos en el
tiempo
Tendencia creciente Tendencia decreciente Corrida de proceso
Valores anormales Ciclos Variabilidad creciente
178
Mtodos grficos
Para visualizar el comportamiento de los datos en el
tiempo
Tendencia creciente
179
6C6. Histogramas y
Distribucin Normal
180
Mtodos grficos
Histogramas
Son grficas de columnas de frecuencia que muestran
una imagen esttica del comportamiento del proceso y
requieren un mnimo de 50 a 100 puntos

La frecuencia en cada barra o intervalo es el nmero
de puntos que caen dentro de ese intervalo

Un proceso estable muestra un histograma con forma
de campana unimodal, es predecible
181
Mtodos grficos
Histogramas
Un proceso inestable muestra un histograma que no
tiene una forma acampanada. Sin embargo los
procesos que siguen una distribucin exponencial,
lognormal, gamma, beta, Weibull, Poisson, binomial,
hipergeomtrica, geomtrica, etc. existen como
procesos estables

Cuando la distribucin es acampanada, la variacin
alrededor de la media es aleatoria, otras variaciones
son debidas a causas especiales o asignables.
182
DEFINICION
Un Histograma es la organizacin de un nmero de datos
muestra que nos permite visualizar al proceso de manera
objetiva.
Permite ver la distribucin que tienen los procesos de
manufactura y administrativos vs. especificaciones

Permiten ver la frecuencia con la que ocurren las cosas.

La variabilidad del proceso se representa por el ancho
del histograma, se mide en desviaciones estndar o o.
Un rango de 3o cubre el 99.73%.
Mtodos grficos
183
Histograma de Frecuencia
En un proceso estable las mediciones se distribuyen normalmente, a la
derecha y a la izquierda de la media adoptando la forma de una
campana.
TAMAO TAMAO
TAMAO
TAMAO
TAMAO
M
E
D
I
C
I
O
N
E
S

Media
M
E
D
I
C
I
O
N
E
S

184
Histogramas con Datos agrupados
El Histograma es una grfica de las frecuencias que
presenta los diferentes datos o valores de mediciones
agrupados en celdas y su frecuencia.

Una tabla de frecuencias lista las categoras o clases de valores
con sus frecuencias correspondientes, por ejemplo:

CLASE FRECUENCIA
1-5 7
6-10 12
11-15 19
16-20 16
21-25 8
26-30 4

Definiciones - datos agrupados
Lmite inferior y superior de clase
Son los numeros ms pequeos y ms grandes de las clases (del
ejemplo, 1 y 5; 6 y 10; 11 y 15; 16 y 20; 21 y 25; 26 y 30)

Marcas de clase
Son los puntos medios de las clases (del ejemplo 3, 8, 13, 18, 23 y 28)

Fronteras de clase
Se obtienen al incrementar los lmites superiores de clase y al
decrementar los inferiores en una cantidad igual a la media de la
diferencia entre un lmite superior de clase y el siguiente lmite inferior
de clase (en el ejemplo, las fronteras de clase son 0.5, 5.5, 10.5, 15.5,
20.5, 25.5 y 30.5)

Ancho de clase
Es la diferencia entre dos lmites de clase inferiores consecutivas(en el
ejemplo, es 5).

Construccin del histograma - datos agrupados
Paso 1. Contar los datos (N)
Paso 2. Calcular el rango de los datos R = (Valor mayor- valor menor)

Paso 3. Seleccionar el nmero de columnas o celdas del histograma
(K). Como referencia si N = 1 a 50, K = 5 a 7; si N = 51 - 100; K = 6 - 10.
Tambin se utiliza el criterio K = Raz (N)

Paso 4. Dividir el rango por K para obtener el ancho de clase

Paso 5. Identificar el lmite inferior de clase ms conveniente y sumarle
el ancho de clase para formar todas las celdas necesarias

Paso 6. Tabular los datos dentro de las celdas de clase
Paso 7. Graficar el histograma y observar si tiene una forma normal
Ejemplo: Datos para histograma
Datos:

19 21 25 33 30 27 31 25 35

37 44 43 42 39 43 40 38 37

36 42 41 44 32 45 46 47 45

54 52 50 48 49 47 48 49 47

52 51 50 49 58 59 61 62 63

59 61 66 76 70

188
Ejemplo: Construccin del histograma
Paso 1. Nmero de datos N = 50

Paso 2. Rango R = 76 - 16 = 60

Paso 3. Nmero de celdas K = 6;

Paso 4. Ancho de clase = 60 / 6 = 10

Paso 5. Lm. de clase: 15-24, 25- 34, 35- 44, 45- 54, 55 - 64, 65-74, 75-94
Paso 6. Nmero de datos: 2 7 14 17 7 2 1
Marcas de clase 19.5 29.5 39.5 49.5 59.5 69.5 79.5

Paso 7. Graficar el histograma y observar si tiene una forma normal
189
Accesar el menu de anlisis de datos con HERRAMIENTAS,
ANALISIS DE DATOS, HISTOGRAMAS

Marcar los datos de entrada en RANGO DE ENTRADA, marcar el
rango de los lmites superiores de clase en RANGO DE CLASES,
indicar GRAFICA, marcar el rea de resultados con RANGO DE
SALIDA y obtener resultados y grfica

NOTA: Los datos deben estar en forma no agrupada, Excel forma los
grupos en forma automtica o se le pueden proporcionar los
lmites de las celdas.

Histograma en Excel
190
Construccin del histograma
0
2
4
6
8
10
12
14
16
18
15-
24
25-
34
35-
44
45-
54
55-
64
65-
75
Frec.
191
Media - Promedio numrico o centro de
gravedad del histograma

Clculo de la media - datos agrupados
- Usa todos los datos
- Le afectan los extremos
x
Fi
=
Fi*Xi
n

i
i = 1
Donde,
Fi = Frecuencia de cada observacin
x
i
= Valor de cada marca de clase
Mediana - Es el valor que se encuentra en medio de
los datos

Moda - Es el valor que ms se repite

192
Desviacin Estndar - Datos agrupados

S es usada cuando los datos corresponden a una muestra

Nota: Cada Xi representa la marca de clase

o tpicamente es usada si se est considerando a toda la poblacin

E (Fi*X
i
2
)- [E(Fi*Xi)]
2
/n

i=1
n
n - 1
s =
E (x
i
- x)
2
i=1
n
n
o =
193
Rango: Valor Mayor Valor menor

Coeficiente de variacin: (Desv. Estndar / Media *100%
Se usa para comparar datos en diferentes niveles de media o tipo. Por
ejemplo:

Material No. de Media Desviacin Coeficiente
Observaciones Aritmtica Estndar de Variacin
n s S
rel

A 160 1100 225 0,204
B 150 800 200 0,250

El Material A tiene una menor variabilidad relativa relativa que el material B

Otras medidas de
Dispersin- Rango, CV
194
Ejercicio de Histogramas
Datos:

6.40 6.39 6.41 6.39 6.40
6.39 6.40 6.37 6.40 6.38

6.42 6.38 6.40 6.38 6.41
6.40 6.41 6.41 6.43 6.39

6.41 6.35 6.39 6.41 6.43
6.38 6.40 6.42 6.37 6.40

6.37 6.43 6.43 6.39 6.42
6.40 6.42 6.39 6.42 6.38

6.42 6.40 6.38 6.45 6.41
6.39 6.44 6.36 6.44 6.36
195
6D1. Variables Aleatorias y sus
distribuciones
196
6.D.1 Distribuciones usadas
por los Black Belts
Distribucin Binomial
Distribucin Poisson

Distribucin Normal
Distribucin Chi Cuadrada

Distribucin t de Student
Distribucin F
197
Tipos de variables aleatorias
Tipos de variables aleatorias
Discretas

Continuas
Variable aleatoria: Es aquella funcin que a cada
resultado posible de un experimento le asocia un numero
real.
Se denotan con letras Maysculas: X,Y,Z,etc....
198
Variables aleatorias discretas
Es aquella variable que nicamente toma valores
susceptibles de contarse.
Ejemplo 1: Considere el experimento de tomar al azar una
ficha de asistencia de un numero de empleados. Sea X la
variable numero de ausencias al ao de un empleado. Note
que X toma valores 0,1,2,...,250.

Ejemplo 2: Considere un experimento que consiste en
medir el numero de artculos defectos de un lote de
producto. Si Y es la variable numero de defectos , toma
valores 0,1,2,...

199
Distribuciones y funciones de
probabilidad
Toda variable aleatoria tiene asociada una funcin de
probabilidades
Ejemplo : Se lanzan dos monedas y observamos el
numero Y de caras.

Espacio muestral:{a, as, sa, ss}
Y toma valores 0,1,2.

200
Funcin de probabilidades para Y.
y P(Y=y)
0 1/4
1 1/2
2 1/4
-0.2 0.3 0.8 1.3 1.8
y
0.26
0.31
0.36
0.41
0.46
0.51
p

Grfica
Y
P(Y=y)
201
La distribucin de probabilidades puede ser una Tabla, una
Grfica o una formula.
Formula para la distribucin de
probabilidades de la tabla anterior
y y
y
y Y P y P ) 5 (. ) 5 (.
3
) ( ) (
3
|
|
.
|
\
|
= = =
202
Requisitos para una distribucin
de probabilidad discreta
) ( ) (
). ( . 2
1 ) ( 0 . 1
x X P x f
y P
y P
X
y
toda
= =
s s
En algunas ocasiones la notacin

usada es:
203
Funciones de distribucin acumulativa
La funcin de distribucin de probabilidades
acumulativa es calcula sumando las probabilidades obtenidas
hasta un determinado valor de la variable aleatoria.
) ( ) ( x X P x F
X
s =
Esta funcin tiene propiedades.
0 ) (
1 ) (
1 ) ( 0
=
=
s s

x F Lim
x F Lim
x F
x
x
204
Funcin de distribucin acumulativa para Y=#de caras
-0.2 0.3 0.8 1.3 1.8
y
0.3
0.5
0.7
0.9
F
(
x
)

0 1 2
205
Ejemplo:Suponga se tiene un lote de N=100 objetos donde se
sabe hay D=5 defectuosos. Se selecciona una muestra sin
remplazo de tamao n=4. Suponga que X es el numero de
defectos en la muestra
Variable Probabilidad Probabilidad
Acumulada
X P(X=x) P(X<x)
0 .805 .805
1 .178 .983
2 .014 .997
3 .003 .999
4 .000 1
206
Los clculos de probabilidades se
obtienen para este ejemplo como:
4 , 3 , 2 , 1 , 0
5
100
4
5 100 5
) (
=
|
|
.
|
\
|
|
|
.
|
\
|

|
|
.
|
\
|
=
|
|
.
|
\
|
|
|
.
|
\
|
|
|
.
|
\
|
= =
x
x x
n
N
x n
D N
x
D
x X P
207
Valor Esperado o Media de una
variable aleatoria discreta
La media o valor esperado de una variable aleatoria
discreta X , denotada como o E(X), es
X

= = = =
x x
X X
x X xP x xf X E ) ( ) ( ) (
La media es el centro de la masa del rango de los
valores de X.
208
Calculo de la media para la variable de No. De defectos
X
215 . 0
0 4 003 . 0 3 014 . 0 2 178 . 0 1 805 . 0 0
) (
4
0
=
+ + + + =
= = =
= x
X
X X xP
En este caso note que esta media no toma un valor entero
como X
209
0 1 2 3 4
x
0.0
0.2
0.4
0.6
0.8
p r o b
Media
X
210
Ejercicio:
La demanda de un producto es -1,0,1,2 por dia (-1
significa devolucin). Con probabilidades dadas por
1/5,1/10,2/5,3/10. Calcular la demanda esperada.
X
211
Varianza de una variable aleatoria
Sea Y una variable aleatoria discreta con distribucin de
probabilidades P(X=x). Entonces , la varianza de Y es:
= = =
x
X X X
x X P x X E ) ( ) ( ] ) [(
2 2
2
o
Medida de dispersin
212
2147 . 0
0 ) 215 . 0 4 ( 003 . 0 ) 215 . 0 3 (
014 . 0 ) 215 . 0 2 (
178 . 0 ) 215 . 0 1 ( 805 . 0 ) 215 . 0 0 (
) ( ) (
2 2
2
2 2
2
2
=
+ +
+ +
+ =
= =
x
X X
x X P x o
213
La desviacin estndar de una variable aleatoria es
simplemente la raz cuadrada de la varianza
2
X X
o o =
214
Distribuciones Discretas
Uniforme discreta.
La variable aleatoria toma un numero finito
de n valores , cada uno con igual
probabilidad.
n
x X P x f
1
) ( ) ( = = =
215
0 2 4 6 8 1e+001
x
0.05
0.07
0.09
0.11
0.13
0.15
p r o b
Uniforme discreta con n=10
216
12
1
2
) 1 (
2
2

=
+
=
n
n
X
X
o
La media y varianza de la distribucin

Uniforme discreta son:
Aplicaciones
217
Distribucin hipergeomtrica
Se aplica cuando la muestra (n) es una porporcin
relativamente grande en relacin con la poblacin (n >
0.1N).
El muestreo se hace sin reemplazo

P(x,N,n,D) es la probabilidad de exactamente x xitos
en una muestra de n elementos tomados de una
poblacin de tamao N que contiene D xitos. La
funcin de densidad de distribucin hipergeomtrica:

N
n
D N
x n
D
x
C
C C
x P

= ) (
)! ( !
!
x n x
n
C
n
x
=
218
La media y la varianza de la distribucin
hipergeomtrica son:
N
nD
=
|
.
|
\
|
|
.
|
\
|

|
.
|
\
|
=
1
1
2
N
n N
N
D
N
nD
o
219
Ejemplo:
De un grupo de 20 productos, 10 se seleccionan al
azar para prueba. Cul es la probabilidad de que 10
productos seleccionados contengan 5 productos
buenos? Los productos defectivos son 5 en el lote.

N = 20, n = 10, D = 5, (N-D) = 15, x = 5

P(x=5) = 0.0183 = 1.83%
0183 . 0
! 10 ! 10
! 20
! 10 ! 5
! 15
! 0 ! 5
! 5
) 5 ( =
|
.
|
\
|
|
.
|
\
|
= P
220
Distribucin Binomial
Ensayo Bernoulli. Es un experimento aleatorio que solo
tiene dos resultados. xito o fracaso.
Donde la probabilidad de xito se denota por p
Suponga se realizan n experimentos Bernoulli
independientes.
Suponga que la variable X de inters es el numero de
xitos.
X toma valores 0,1,2,...,n

221
Distribucin binomial
Se utiliza para modelar datos discretos y se aplica
para poblaciones grandes (N>50) y muestras
pequeas (n<0.1N).
El muestreo binomial es con reemplazamiento.
Es apropiada cuando la proporcin defectiva es
mayor o igual a 0.1.
La binomial es una aproximacin de la
hipergeomtrica
La distribucin normal se paroxima a la binomial
cuando np > 5
222
n x p p
x
n
x X P x f
x n x
,..., 1 , 0 ) 1 ( ) ( ) ( =
|
|
.
|
\
|
= = =

La variable aleatoria X tiene una distribucin binomial
) 1 ( ) (
) (
2
p np X V
np X E
X
X
= =
= =
o
Tiene media y varianza.

223
Distribucin de Poisson
Se utiliza para modelar datos discretos
Se aproxima a la binomial cuando p es igual o menor
a 0.1, y el tamao de muestra es grande (n > 16)
por tanto np > 1.6

224
Distribucin de Poisson
Una Variable aleatoria X tiene distribucin Poisson si
toma probabilidades con.
,... 1 , 0
!
) ( = =

x
x
e
x f
x
p n
p n
= =
=
o
225
La Distribucin Normal
226
No existen en la naturaleza
dos cosas exactamente iguales,
ni siquiera los gemelos, por tanto la variacin es
inevitable y es analizada por la Estadstica
Describiendo la variabilidad
227
La estadstica nos proporciona mtodos para organizar y
resumir informacin, usndola para obtener diversas
conclusiones

Por ejemplo, s deseamos saber el promedio de peso de las
personas en una poblacin tenemos dos opciones:

Pesar a todas y cada una de las personas, anotar y
organizar los datos, y calcular la media.

Pesar solo una porcin o subconjunto de la poblacin
(muestra). Registrar y organizar los datos y calcular la
media de la muestra, tomndola para pronosticar o Inferir
la media de toda la poblacin.
La Estadstica
228
Definiciones
Poblacin: Es la coleccin de todos los elementos
(piezas, personas, etc.). En nuestro caso sera un
nmero infinito de mediciones de las caractersticas
bajo estudio.

Muestra: Es una parte o sobconjunto
representativo de la poblacin, o sea un grupo de
mediciones de las caractersticas.

Distribucin: Es la forma del patrn de variacin
observado. .

229
Definiciones
Estadstico: Es una medicin tomada en una muestra que
sirve para hacer inferencias en relacin con una poblacin
(media de la muestra, desviacin estndar de la
muestra).

Parmetro: Es el valor verdadero en una poblacin
(media, desviacin estndar, se indican con letras
griegas)

Datos Variables o continuos Los datos que tienen un
valor real (temperatura, presin, tiempo,dimetro,altura )

Datos por atributos: Bueno - malo, pasa - no pasa, etc.

Los primeros industriales frecuentemente se basaban en el
conocimiento de limites normales para clasificar artculos o
procesos como correctos o de otro modo.
Por ejemplo, el colesterol arriba de 250 mg/dl es ampliamente
conocido que incrementa el riesgo de un paro cardiaco. Una
determinacin precisa - pudiera ser asunto de vida o muerte.
Sin embargo , no todas las variables son normales. Por
ejemplo: urea y ph
IMPORTANCIA DE LA DISTRIBUCIN NORMAL
Abraham Simon de Carl Francis
de Moivre Laplace Gauss Galton
CARACTERISTICAS DE UNA
DISTRIBUCIN NORMAL
La distribucin normal es simtrica alrededor de su
media.
Es asintotica - la curva se acerca a eje x pero nunca lo
toca.
La curva normal es acampanada y tiene un solo pico en
toda la distribucin.

La media, mediana, y moda de la distribucin son las
mismas y estn localizadas en el pico.

La mitad del rea de la curva esta arriba del punto central
(pico), y la otra mitad esta abajo.
CARACTERISTICAS DE UNA DISTRIBUCION NORMAL
Tericamente, la
curva se extiende a
- infinito
Tericamente, la
curva se extiende a
+ infinito
Media, mediana, y
moda son iguales
Cola
Cola
La Normal is simtrica -
-
233
234
f t
t
( ) e x p =

|
\
|
.
|
(
1
2
1
2
2
o t

o
Distribucin de
la Funcin Normal
Funcin de Densidad de Probabilidad Normal
Distribucin Normal
= 500
o = 30
o = 50
o = 70
0.0000
0.0020
0.0040
0.0060
0.0080
0.0100
0.0120
0.0140
200 400 600 800 1000
Tiempo
f
(
t
)

Curvas Normales con Medias iguales pero
Desviaciones estndar diferentes
= 20
o = 3.1
o = 3.9
o = 5.0
Normales con Medias y
Desviaciones estndar diferentes
= 5, o = 3
= 9, o = 6
= 14, o = 10
237
La distribucin Normal estndar
La distribucin normal estndar es una distribucin de
probabilidad que tiene media 0 y desviacin estndar de 1.

El rea bajo la curva o la probabilidad desde menos infinito a
ms infinito vale 1.

La distribucin normal es simtrica, es decir cada mitad de curva
tiene un rea de 0.5.

La escala horizontal de la curva se mide en desviaciones
estndar, su nmero se describe con Z.

Para cada valor Z se asigna una probabilidad o rea bajo la curva
mostrada en la Tabla de distribucin normal
238
Las distribuciones pueden variar en:
POSICIN AMPLITUD FORMA
O TENER CUALQUIER COMBINACION
239
x x+s x+2s x+3s x-s x-2s x-3s
X
3o 2o o +o +2o +3o
Para la poblacin - se incluyen TODOS los datos
Para la muestra
La Distribucin Normal
240
z
0 1 2 3 -1 -2 -3
x x+o x+2o x+o3 x-o x-2o x-3o
X
La desviacin estndar
sigma representa la
distancia de la media al
punto de inflexin de la
curva normal
La Distribucin Normal Estndar
Alrededor de 68 % del area bajo la curva normal
est entre ms una y menos una desviacin
estndar de la media. Esto puede ser escrito como:
m 1s.
Cerca del 95 % del rea bajo la normal est entre
ms y menos 2 desviaciones estndar de la media,
m 2s.
Prcticamente toda (99.74 %) el rea bajo la normal
esta entre 3 desviaciones de la media m 3s.
AREA BAJO LA CURVA NORMAL
242
Distribucin normal estndar con media = 0 y desviacin estndar =
1: Para Z = (X - Xmedia )/ s
1. rea desde menos infinito a un valor de Z se obtiene como sigue:
- Colocarse en una celda vaca
- Accesar el men de funciones con Fx, ESTADSTICAS,
DISTR.NORM.ESTAND, dar valor de Z y obtener el rea requerida
Z
Area

2. Un valor de Z especfico para una cierta rea (por ejemplo 0.05)
se obtiene como sigue:
- Accesar el men de funciones con Fx, ESTADSTICAS, o
DISTR.NORM.ESTAND.INV, dar valor del rea y se obtiene la Z

Clculos con Excel Dist. Normal Estndar
+1o +2o +3o 1o 2o
+3o
Entre:

1. 68.26%

2. 95.44%

3. 99.97%
244
68%
34% 34%
95%
99.73%
+1s
+2s
+3s
Caractersticas de la Distribucin Normal
El valor de Z
Determina el nmero de desviaciones estndar
entre algn valor x y la media de la poblacin, mu
Donde sigma es la desviacin estndar de la
poblacin.

En Excel usar Fx, ESTADISTICAS, NORMALIZACIN,
para calcular el valor de Z
z = x -
246
68%
34% 34%
95%
68
%
99.73%
68%
2.356% 2.356%
Proceso con media =100
y desviacin estndar = 10
70 80 90 100 110 120 130
90 110
80 120
70 130
247
reas bajo la curva
normal
Distribucin normal estndar con media = 0 y desviacin estndar =
1: Para Z = (X - Xmedia )/ s
1. rea desde menos infinito a un valor de Z se obtiene como sigue:
DISTR.NORM.ESTAND, dar valor de Z y obtener el rea requerida
Z
Area

2. Un valor de Z especfico para una cierta rea (por ejemplo 0.05)
se obtiene como sigue:
- Accesar el men de funciones con Fx, ESTADSTICAS, o
DISTR.NORM.ESTAND.INV, dar valor del rea y se obtiene la Z

Clculos con Excel Dist. Normal Estndar
Distribucin normal, dadas una media y desviacin estndar:
1. rea desde menos infinito a X se obtiene como sigue:
- Accesar el men de funciones con Fx, ESTADSTICAS, DISTR.NORM,
dar el valor de X, Media, Desviacin Estndar s, VERDADERO y se
obtendr el rea requerida
X
Area

2. Un valor de X especfico para una cierta rea (por ejemplo 0.05) se
obtiene como sigue:
DISTR.NORM.INV, dar el valor del rea, Media y Desviacin Estndar
y se obtendr el valor de la X

Clculos con Excel Distr. Normal
1. Identificar la variable de inters.
2. Identificar los parmetros de la variable (su media y
desv. estndar).
3. Cual es la pregunta rea bajo la curva de
probabilidad normal?
4. Convertir los valores a la distribucin normal estndar
(estandarizacin Z = (X-Media)/S) .
5. Encuentre la probabilidad en tabla de la normal
estndar o por Excel.
Calculo de Probabilidades normales
El agua usada diariamente por persona en Mxico est
distribuida normalmente con media 20 litros y una
desviacin de 5 lts..

Entre que valores cae cerca del 68% el agua usada
por una persona en Mexico?

m 1s = 20 1(5). Esto es, cerca del 68% de la
cantidad usada por persona cae entre 15 lts. y 25 lts..

De manera similar para 95% y 99%, el intervalo ser
de 10 lts a 30 lts y 5 lts a 35 lts.
Ejemplo
El agua usada diariamente por persona en Mxico es
distribuida normalmente con media 20 litros y una
desviacin de 5 lts. Sea X el uso diario de agua.

Cual es la probabilidad que una persona
seleccionada al azar use menos de 20 lts./dia?

El valor z asociado es z = (20 - 20)/5 = 0.
entonces,

P(X < 20) = P(z < 0) = 0.5.

Ejemplo
Que porciento usa entre 20 y 24 lts?
El value z asociado con X = 20 es z = 0 y con X =
24, z = (24 - 20)/5 = 0.8.
Entonces, P(20 < X < 24) = P(0 < z < 0.8) = P(0.8) -
P(0) = 0.7881- 0.5 = 0.2881 o 28.81%.

Que porciento usa entre 16 y 20 lts?

El valor z1 para X = 16 es z1 = (16 - 20)/5 = -0.8,
y para X = 20, z2 = 0. Entonces, P(16 < X < 20) =
P(-0.8 < z < 0) = P(0) - P(-0.8) = 0.5 - 0.2119 =
0.2881 = 28.81%.
Ejemplo
0.8
P(0 < z < 0.8)
= 0.2881.
Cual es la probabilidad que una persona
seleccionada al azar use mas de 28 lts?

El valor z asociado a X = 28 es
z = (28 - 20)/5 = 1.6. Ahora, P(X > 28) = P(z > 1.6)
= 1 - P(z < 1.6) = 1 - 0.9452 = 0.0548.

Ejemplo
P(z > 1.6) =
1 - 0.9452=
0.0548
Area =
0.9452
1.6
z
Que porcentaje usa entre 18 y 26 lts?

El valor z asociado con X = 18 es z = (18 - 20)/5 = -
0.4, y para X = 26, z = (26 - 20)/5 = 1.2.
entonces, P(18 < X < 26)= P(-0.4 < z < 1.2) =
F(1.2) - F(-0.4)= 0.8849 - 0.3446 = 0.5403.
Ejemplo
258
El tiempo de vida de las bateras del conejito tiene una
distribucin aproximada a la normal con una media de
85.36 horas y una desviacin estndar de 3.77 horas.

Qu porcentaje de las bateras se espera que duren 80
horas o menos?

Cul es la probabilidad de que una batera dure entre
86.0 y 87.0 horas?

Cul es la probabilidad de que una batera dure ms de
87 horas?

Ejemplos

Que porcentaje de las bateras se espera que duren 80 horas
o menos?
Z = (x-mu) / s
Z = (80-85.36)/(3.77)= - 5.36/ 3.77 = -1.42
85.36
80
-1.42 0
rea bajo la curva normal
0 1

86 87
85.36
Cul es la probabilidad de que una batera dure
entre 86.0 y 87.0 horas?
85.36 87

Cul es la probabilidad de que una batera dure ms
de 87 horas?
1.67 = .33 33% de las veces una batera durar ms
de 87 horas
262
Considere una media de peso de estudiantes de 75 Kgs.
con una desviacin estndar de 10Kgs. Contestar lo
siguiente:
Cul es la probabilidad de que un estudiante pese ms
de 85Kgs.?
2. Cul es la probabilidad de que un estudiante pese
menos de 50Kgs.?
3. Cul es la probabilidad de que pese entre 60 y 80
Kgs.?.
4. Cul es la probabilidad de que pese entre 55 y 70
Kgs.?
5. Cul es la probabilidad de que pese entre 85 y
100Kgs.?
Ejercicios
263
Distribucin Bivariada
La distribucin conjunta de dos variables es llamada
una distribucin bivariada. El coeficiente de
correlacin es :
264
Distribucin Exponencial
Se usa para modelar artculos con una tasa de falla
constante y est relacionada con la distribucin de
Poisson.

Si una variable aleatoria x se distribuye
exponencialmente, entonces el recproco de x,
y = 1/x sigue una distribucin de Poisson y viceversa.

La funcin de densidad de probabilidad exponencial
es: Para x >= 0
x
x
e e x f

u

u

= =
1
) (
265
Donde Lambda es la tasa de falla y theta es la media
La funcin de densidad de la distribucin exponencial
El modelo exponencial, con un solo parmetro, es el ms simple
de todo los modelos de distribucin del tiempo de vida. Las
ecuaciones clave para la exponencial se muestran:
h

=
~
=
=
=
=

) ( : FALLA DE TASA
1
: VARIANZA
693 . 0 2 ln
: MEDIANA
1
: MEDIA
) ( : PDF
) ( : DAD CONFIABILI
1 ) ( : CDF
2
t
m
e t f
e t R
e t F
t
t
t
Funcin de Densidad de Probabilidad Exponencial
0.0000
0.0005
0.0010
0.0015
0.0020
0.0025
0.0030
0.0035
0 500 1,000 1,500 2,000
Tiempo
f
(
t
)
= 0.003, MEDIA = 333
= 0.002, MEDIA = 500
= 0.001, MEDIA = 1,000
267
R(t) = e
(-t)
(Confiabilidad)
Funcin de Confiabilidad Exponencial
0.000
0.200
0.400
0.600
0.800
1.000
1.200
0 500 1,000 1,500 2,000
Tiempo
R
(
t
)
= 0.003, MTBF = 333
= 0.002, MTBF = 500
= 0.001, MTBF = 1,000
268
h(t) = = 1 / MEDIA (Velocidad de Falla)
Funcin de la Tasa de Falla Exponencial
0.000
0.001
0.002
0.003
0.004
0 500 1,000 1,500 2,000
Tiempo
h
(
t
)
= 0.001, MTBF = 1,000
= 0.002, MTBF = 500
= 0.003, MTBF = 333
Note que la tasa de
falla tiende a ser una
constante para
cualquier tiempo. La
distribucin exponencial
es la nica que tiene
una velocidad de falla
constante
269
Es usada como el modelo, para la parte de vida
til de la curva de la baera, i.e., la tasa de falla
es constante
Los sistemas complejos con muchos componentes
y mltiples modos de falla tendrn tiempos de
falla que tiendan a la distribucin exponencial
Desde una perspectiva de confiabilidad, es la
distribucin ms conservadora para prediccin.
La forma de la
exponencial siempre es
la misma
270
La Distribucin exponencial de 2 parmetros
tiene las siguientes ecuaciones:
h

=
+ ~ +
+ =
=
=
=

) ( : FALLA DE TASA
1
: VARIANZA
693 . 0 2 ln
: MEDIANA
1
: MEDIA
) ( : PDF
1 ) ( : CDF
2
) (
) (
) (
t
m
e t f
e t R
e t F
t
t
t es el parmetro de
localizacin, si es positivo,
cambia el comienzo de la
distribucin por una distancia
a la derecha del origen,
significando que las
posibilidades de falla empiezan
a ocurrir slo despus de
horas de operacin, y no
pueden ocurrir antes.
Note que la varianza y la tasa de falla
son iguales a las de la exponencial de un
parmetro
271
Distribucin Lognormal
La transformacin ms comn se hace tomando el
logaritmo natural, pero tambin se puede hacer con
los logaritmos base 2 y base 10.

Y = x1 x2 x3
Ln y = ln x1 + ln x2 + ln x3

La funcin de densidad de probabilidad lognormal es
con Y = ln(t):

2
2
1
2
1
) (
|
|
.
|
\
|
=
y
y
y
y
e
t
t f
o
t o
272
La media y la varianza de la distribucin lognormal
son las siguientes:
) 2 / (
2
o +
= e Media
) 1 )( (
2 2
) 2 (
=
+ o o
e e Var
273
Un tiempo de falla se distribuye segn una Lognormal
si el logaritmo del tiempo de falla est normalmente
distribuido.

La Distribucin Lognormal es una distribucin sesgada
hacia la derecha.

La PDF comienza en cero, aumenta hasta su moda y
diminuye despus.
274
Si un tiempo t est distribuido Lognormal, t~LN(
t
, o
t
) y si Y =
ln(t) entonces Y~N(
y
, o
y
)
2
2
1
2
1
) (
|
|
.
|
\
|
=
y
y
y
y
e
t
t f
o
t o
2
2
1
2
1
) (
|
|
.
|
\
|
=
y
y
y
y
e y f
o
t o
|
|
.
|
\
|

u =
y
T t
t F
o
) ln(
) (
50
|
|
.
|
\
|
u =
y
y
y
y F
o

) (
|
|
.
|
\
|
+ =
2
exp
2
50
y
y t
T
o
) ln(
50
T
y
=
2
2
50
1
) exp(
t
t
t
y
T
+
= =
y
=
PDF
CDF
MEDIA
MEDIANA
t y = ln(t)
|
|
.
|
\
|
+
2
2
1 ln
t
t
o
( ) 1 ) exp( ) exp(
2 2 2
50

y y
T o o
VARIANZA
u(z) es la CDF de la Normal estndar
275
La Distribucin de vida Lognormal, como la Weibull, es
un modelo muy flexible que puede empricamente
ajustar a muchos tipos de datos de falla.

En su forma de dos parmetros tiene los parmetros
s
ln(t)
= s
y
parmetro de forma, y T
50
= la mediana
(un parmetro de escala)

Si el tiempo para la falla t, tiene una distribucin
Lognormal, entonces el logaritmo natural del tiempo de
falla (y =ln(t)) tiene una distribucin normal con media
m
y
= ln T
50
y desviacin estndar s
y
.
276
Esto hace a los datos lognormales convenientes para
trabajarlos as:

Determine los logaritmos naturales de todos los tiempos
de falla y de los tiempos censurados (y = ln(t)) y analice
los datos normales resultantes.

Posteriormente, haga la conversin a tiempo real y a los
parmetros lognormales usando o
y
como la forma
lognormal y T
50
= exp(
y
) como (mediana) el parmetro
de escala.
277
Ejemplo: Dado t~LN(25,4), encuentre P(t<18)
Calculemos los valores que nos permiten usar
la tabla normal estndar

Para poder usar las Tablas de la Normal Estndar:
P(t<18) = P{Z<[ln(t/ T
50
)]/ o
y
] = P{Z<[ln(18/24.7)]/0.159} =
P(Z<-1.99) = 0.023

68 . 24
25
4
1 25 1
2
2
2
50
= |
.
|
\
|
+ = + =
t
t
t
T
02527 . 0
25
4
1 ln 1 ln
2
2
2
2
=
|
|
.
|
\
|
|
.
|
\
|
+ =
|
|
.
|
\
|
+ =
t
t
y
o
o
1589 . 0 02527 . 0 = =
y
o
278
Funcin de
Distribucin
Lognormal

f t
t
t
( ) exp
ln( )
=

|
\
|
.
|
(
1
2
1
2
2
o t

o
donde y o son funciones de lns
Funcin de Densidad de Probabilidad Lognormal
0.0000
0.1000
0.2000
0.3000
0.4000
0.5000
0 1 2 3 4 5 6 7
Tiempo
f
(
t
)
= 0
o = 0.5
= 0
o = 1
= 1
o = 0.5
= 1
o = 1
279
R t f t d t f t d t z d z
t t z t
( ) ( ) [ ln ( ) ] [ ln ( ) ] ( )
ln ( ) [ ln ( ) ]
= = =

} } }
|
Funcin de Distribucin
Lognormal donde z[ln(t)] = [ln(t)-)/o]
|(z) = normal estandarizada normal pdf
Funcin de Confiabilidad Lognormal
0.000
0.200
0.400
0.600
0.800
1.000
0 1 2 3 4 5 6 7
Tiempo
R
(
t
)
= 0
o = 0.5
= 0
o = 1
= 1
o = 0.5
= 1
o = 1
280
h ( )
( )
( )
t
f t
R t
=
Funcin de Distribucin Lognormal
Funcin Tasa de Falla Lognormal
0.0000
0.1000
0.2000
0.3000
0.4000
0.5000
0.6000
0.7000
0 1 2 3 4 5 6 7
Tiempo
h
(
t
)
= 0
o = 0.5
= 0
o = 1
= 1
o = 0.5
= 1
o = 1
281
Distribucin de Weibull
La distribucin de Weibull es una de las ms
utilizadas en confiabilidad y estadstica.

La versin de dos parmetros forma y escala (que
representa la vida caracterstica) no incluye el
parmetro de localizacin es cero.

La versin de tres parmetros tiene una parmetro
de localizacin cuando hay un tiempo de falla
diferente de cero para la primera falla
282
La funcin de densidad de probabilidad de Weibull de
3 parmetros es:

Para x >o
| es el parmetro de forma
u es el parmetro de escala
o es el parmetro de localizacin
| |
u
o
u
o
u
|
|
.
|
\
|

|
.
|
\
|

=

x x
x f exp ) (
1
283
La funcin de densidad de probabilidad de Weibull de
3 parmetros tambin se puede expresar como:

Para t >0
| es el parmetro de forma
q es el parmetro de escala
es el parmetro de localizacin diferente de cero
q Tambin es la vida caracterstica si el parmetro de
localizacin es cero, de otra forma ser u+ o

| |
q
q

q
|
|
|
.
|
\
|
|
|
.
|
\
|
=

t y
t f exp ) (
1
284
La media y la varianza de la distribucin de Weibull
es:

|
|
.
|
\
|
+ I =
|
u
1
1
(
|
|
.
|
\
|
+ I
|
|
.
|
\
|
+ I =
| |
u o
1
1
2
1
2 2 2
285
Efecto del parmetro de forma Beta con Theta = 100
y Delta = 0

286
Efecto del parmetro de escala Theta

287
Efecto del parmetro de escala Delta

288
El Modelo Weibull
En muchas aplicaciones de confiabilidad, el supuesto
de tasa de riesgo constante no es apropiado.

Los artculos mecnicos tienen Failure Rate Creciente.
Otros artculos pueden ser Failure Rate Decreciente.

0
1
2
3
4
5
6
0 0.5 1 1.5 2
Time (t)
h
(
t
)
Failure Rate Constante
Failure Rate
Creciente
Failure Rate
Decreciente
289
Un modelo que puede representar un amplio espectro
de comportamientos es el modelo Weibull.

La densidad del modelo Weibull puede tomar
muchas y diferentes formas.

Note que si = 1 entonces se tiene el modelo exponencial
como caso particular del modelo Weibull.

( ) | |
1
1
) (
) (
exp ) (
) (
=
=
=

o
o
o o
t t h
t t t f
e t S
t
0
0.2
0.4
0.6
0.8
1
1.2
0 0.5 1 1.5 2
Time (t)
f
(
t
)
= 0.5
= 2
= 3
= 1
Modelo Weibull
290
Modelo Weibull
El modelo Weibull es
FRC si = 1
FRI si > 1
FRD si < 1

Entonces el parmetro muestra la forma de la funcin de riesgo.

0
1
2
3
4
5
6
0 0.5 1 1.5 2
Time (t)
h
(
t
)
= 0.5
= 3
= 1
FRC
FRI FRD
291
Modelo Weibull
Que es o ?

Entonces o presenta la escala de h(t).
0
1
2
3
4
5
6
0 0.5 1 1.5 2
Time (t)
h
(
t
)
o = 3 o = 2 o = 1
292
Modelo Weibull
Los momentos de la distribucin Weibull son:
(
|
|
.
|
\
|
+ I
|
|
.
|
\
|
+ I = =
=
|
|
.
|
\
|
+ I = =
}
}
o
o
1
1
2
1
1
] [ ] [ ) (
) ( ] [
1
1
1
) ( ] [
2
2
2 2
0
2 2
0
T E T E T Var
dt t f t T E
dt t tf T E
( ) ( )
}
= I
0
1
exp dx x x k
k
293
El tiempo de vida (sobre horas) de cierto tipo de
resorte usado continuamente bajo condiciones de
funcionamiento, es sabido que tiene una distribucin
de Weibull con parmetro de forma 0.00022 y de
escala 1.28.

Cul es el tiempo medio de falla?

Cul es la probabilidad de que un resorte funcionar por 500
horas?

Cul es la probabilidad que un resorte que ha funcionado
por 200 horas funcione por otras 500 horas?
Modelo Weibull
294
Se tiene un sistema de n componentes.
Los componentes son independientes e
idnticamente distribuidos de acuerdo a una
distribucin Weibull.
Cual es la distribucin del tiempo de vida del
sistema?

Se sabe que

Entonces
} , , min{
1 n
T T T =
( )
=
> = > ) } , , (min{
1
t T T P t T P
n
Modelo Weibull
295
Distribucin Weibull
La distribucin de Weibull
es un modelo de
distribucin de vida til
muy flexible, para el caso
de 2 parmetros:
( )
1
2
2
1
1
: FALLA DE TASA
1
1
2
1 : VARIANZA
2 ln : MEDIANA
1
1 : MEDIA
) ( : PDF
1 ) ( : CDF
|
|
.
|
\
|
|
|
.
|
\
|
|
|
.
|
\
|
|
|
.
|
\
|
(
|
|
.
|
\
|
+ I
|
|
.
|
\
|
+ I
|
|
.
|
\
|
+ I =
|
|
.
|
\
|
=
=
=
|
|
q
|
q
q
| q
|
|
q
|
q
q
|
q
q q
|
|
|
|
t
e
t
t f
e t R
e t F
t
t
t
Donde h (etha) es un
parmetro de escala (la
vida caracterstica) y
beta se conoce como el
parmetro de forma
(pendiente) y G es la
funcin Gamma con
G(N)=(N-1)! para N entero
296
Distribucin Weibull
( )
1
2
2
1
1
: FALLA DE TASA
1
1
2
1 : VARIANZA
2 ln : MEDIANA
1
1 : MEDIA
) ( : PDF
1 ) ( : CDF
|
|
.
|
\
|
|
|
.
|
\
|
|
|
.
|
\
|
|
|
.
|
\
|
(
|
|
.
|
\
|
+ I
|
|
.
|
\
|
+ I
+
|
|
.
|
\
|
+ I + =
|
|
.
|
\
|
=
=
=
|
|
q
|
q
q
|
|
q
|
q
q
|
q
q
q
|
|
|
|
t
e
t
t f
e t R
e t F
t
t
t
Una forma ms general
de 3 parmetros de la
Weibull incluye un
parmetro de tiempo
de espera localizacin
desplazamiento).
Las frmulas se obtienen
reemplazando t por (t-g).
No puede ocurrir una
falla antes de g horas, el
tiempo comienza en g no
en 0.
297
Funcin de Distribucin Weibull
f t
t t
( ) exp =
|
\
|
.
|

|
\
|
.
|
(
(
|
q q q
| | 1
Funcin de Densidad de Probabilidad Weibull
0.0000
0.0010
0.0020
0.0030
0 500 1000 1500 2000 2500 3000
Tiempo
f
(
t
)
| = 0.5
q = 1000
| = 1.0
q = 1000
| = 3.4
q = 1000
Distribucin Weibull
298
Funciones de Distribucin Weibull
R t
t
( ) exp =
|
\
|
.
|
(
(
q
|
Funcin de Confiabilidad Weibull
0.000
0.200
0.400
0.600
0.800
1.000
0 500 1000 1500 2000 2500 3000
Tiempo
R
(
t
)
| = 0.5
q = 1000
| = 1.0
q = 1000
| = 3.4
q = 1000
Distribucin Weibull
299
Funciones de Distribucin Weibull
h
|
q q
|
( ) t
t
=
|
\

|
.
|

1
Funcin Tasa de Falla Weibull
0.0000
0.0020
0.0040
0.0060
0 500 1000 1500 2000 2500 3000
Tiempo
h
(
t
)
| = 3.4
q = 1000
| = 1.0
q = 1000
| = 0.5
q = 1000
Distribucin Weibull
300
Distribucin Weibull
La funcin pdf de la distribucin exponencial
modela la caracterstica de vida de los sistemas, la
Weibull modela la caracterstica de vida de los
componentes y partes
Modela fatiga y ciclos de falla de los slidos
Es el traje correcto para datos de vida
La funcin de distribucin Weibull pdf es una
distribucin de la confiabilidad de los elementos
de una muestra
Muy flexible y puede tomar diferentes formas
Distribucin Weibull
301
Distribucin Weibull
Tiene usted una Distribucin Weibull con |=2 y q=2,
Cul es la media y la varianza?
2
2
1
1
2
1 varianza
1
1
(
|
|
.
|
\
|
+ I
|
|
.
|
\
|
+ I =
|
|
.
|
\
|
+ I =
|
q
|
q
|
q m
1
2
3
Archivo
Weibull.xls
302
tiempo
Tiempo de vida til
Fallas
tempranas
Desgaste

decreciente
| < 1

constante
| = 1

creciente
| > 1
| < 1 disminuye la tasa de riesgo, implica mortalidad infantil
| = 1 tasa de riesgo constante, fallas aleatorias
1< | < 4 aumenta la tasa de riesgo, fallas por corrosin, erosin
| > 4 aumenta rpidamente la tasa de riesgo, implica fallas por desgaste y
envejecimiento
Las tres porciones de la curva
de tina de la baera tienen
diferentes ndices de falla.
Las fallas tempranas se
caracterizan por un ndice de
falla decreciente, la vida til
por un ndice de falla
constante y el desgaste se
caracteriza por un ndice de
falla creciente. La distribucin
de Weibull puede modelar
matemticamente estas tres
situaciones.

Distribucin
Weibull
| < 1 (Tasa de riesgo decreciente)

Implica mortalidad infantil

Si esto ocurre, puede existir:
-Carga, inspeccin o prueba inadecuada
-Problemas de Manufactura
-Problemas de reparacin

Si un componente sobrevive la mortalidad
infantil , la resistencia a fallar mejora con la
edad.
| = 1 (Tasa de riesgo constante)

Implica fallas aleatorias(Distribucin
Exponencial)

Una parte vieja es tan buena como una
nueva

Si esto ocurre:
-Mezcla de modos de falla
-Las fallas pueden deberse a eventos
externos, como:luminosidad o errores
humanos
-Fundido y removido antes de su
desgaste
1 < | < 4 (Tasa de Riesgo creciente)

Si esto ocurre
-La mayora de los baleros y engranes
fallan
-Corrosin o Erosin
-El reemplazo programado puede ser
efectivo en costo
| =3.44aprox. Normal, | =2Rayleigh
| > 4 (La tasa de riesgo crece rpidamente)

Implica edad avanzada y rpido desgaste

Si esto ocurre, sospeche de:
-Propiedades del material
-Materiales frgiles como la cermica
-Variabilidad pequea en manufactura o
material
La Distribucin Weibull - Interpretacin
304
Cuando | = 2.5 la Weibull se aproxima a la
distribucin Lognormal(estas distribuciones son tan
cercanas que se requieren tamaos de muestra
mayores a 50 para distinguirlas).
Cuando se modela el tiempo que se necesita para
que ocurran reacciones qumicas, se ha mostrado
que la distribucin Lognormal usualmente
proporciona un mejor ajuste que la Weibull.
Cuando | = 5 la Weibull se aproxima a una Normal
puntiaguda.
Distribucin Weibull
305
Debido a su flexibilidad,hay pocas tasas de falla
observadas que no pueden modelarse adecuadamente
mediante la Weibull. Algunos ejemplos son.
1.La resistencia a la ruptura de componentes o el
esfuerzo requerido para la fatiga de metales.
2.El tiempo de falla de componentes electrnicos.
3.El tiempo de falla para artculos que se desgastan, tales
como las llantas de un automvil.
4.Sistemas que fallan cuando falla el componente ms
dbil del sistema(la distribucin Weibull representa una
distribucin de valor extremo).
Distribucin Weibull
306
Qu pasa en una distribucin Weibull si el tiempo
tiene el valor de la vida caracterstica, t = q?
Distribucin Weibull
6321 . 0 ) ( 1 ) (
3678 . 0 exp ) (
t si
exp ) (
1
= = = =
= =
(
(
|
|
.
|
\
|
= =
=

)
(
(
|
|
.
|
\
|
=
q q
q
q
q
q
q
|
|
t R t F
e t R
t
t R
Al llegar al tiempo
de vida igual a la
vida caracterstica el
63.2% de los
elementos habr
fallado. Este hecho
se usa en las
grficas para
identificar el valor
de h (eta)
Este mismo resultado se obtiene para el caso
exponencial, recordando que la Weibull se puede
reducir a una exponencial cuando b = 1.
307
Nmero de ciclos de falla en la fatiga de los metales y partes
metlicas, en niveles de tensin mucho menores que sus lmites
Representa bien el tiempo de falla de los dispositivos mecnicos,
especialmente en el caso de uso

La resistencia de materiales frecuentemente sigue una distribucin
Lognormal
Las variables de peso son frecuentemente bien representadas con
una distribucin Lognormal

Es una buena distribucin para cualquier variable
La medida de cualquier resultado el cual es el resultado de una
proporcin o efecto multiplicativo es Lognormal
308
Distribuciones muestrales
309
A las distribuciones de los estadsticas muestrales
se les llama distribuciones muestrales.
POBLACION
310
Distribuciones Derivadas del
muestreo de Poblaciones Normales
Poblacin
Muestra
Aparecen distribuciones muestrales:
Normal, Chi-cuadrada, t-student, F
311
Distribucin de la Media:
Si es una muestra aleatoria de una Poblacion
(X) con distribucin normal .Entonces se
distribuye normal con media y varianza
n
X X X ,..., ,
2 1
) , (
2
o n
X
,
n /
2
o
) / , (
2
n n X o
312
6D1. Distribuciones usadas
normalmente
Distribucin Chi Cuadrada

Esta distribucin se forma al sumar los cuadrados de
las variables aleatorias normales estndar.

Si Z es una variable aleatoria normal, entonces el
estadstico Y siguiente es una variable aleatoria Chi
cuadrada con n grados de libertad.

2 2
3
2
2
2
1
....
n
z z z z y + + + + =
313
Distribucin de la varianza.
Repaso de la distribucin ji-cuadrada.

La funcin de densidad de probabilidad con k grados de
libertad y la funcin gama es:
. 0 ,
2
2
1
) (
2
1
2
2
>
(
I
=

x e x
k
x f
x k
k
k=grados de libertad. (1,2,...)
314
K=1
K=5
K=25
K=50
Grficas de la distribucin ji-cuadrada
Con k grande ji-cuadrada se hace normal
315
Media y varianza de una ji-cuadrada.
E(X)=k
V(X)=2k
Calculo de puntos crticos usando las tablas de ji-
cuadrada

o _
o
= > ) (
2
,k
X P
316
Ejemplo: Calcule el valor critico que satisface
05 . ) (
2
20 , 05 . 0
= > _ X P
41 . 31
2
20 , 05 . 0
= _
De tablas de ji-cuadrada con alfa=.05 y k=20
317
Resultado:
Si es una muestra aleatoria de una Poblacion
(X) con distribucin normal .Entonces se
distribuye ji-cuadrada con k= n-1 grados de libertad.
Donde S cuadrada es la varianza muestral.
n
X X X ,..., ,
2 1
) , (
2
o n
2
2
) 1 (
S
n
o
2
1
2
2
) 1 (
n
S
n
_
o
318

Distribucin t-student
Si es una muestra aleatoria de una
Poblacin (X) con distribucin normal .
Entonces se distribuye
t-student con n-1 grados de libertad.

n
X X X ,..., ,
2 1
) , (
2
o n
) / ( ) ( n s X
1
) / ( ) (

n
t n s X
319
) , (
] 1 2 / ][ 2 / [
] 2 / ) 1 [(
) (
2 / ) 1 ( 2
e
+ I
+ I
=
+
x
x k k
k
x f
k
t
Funcin de Distribucin t-student
K=1
K=10
K=100
320
Funcin de Distribucin t-student
321
La media y la varianza de la distribucin t son:

De una muestra aleatoria de n artculos, la
probabilidad de que

Caiga entre dos valores especificados es igual al rea
bajo la distribucin de probabilidad t de Student con
los valores correspondientes en el eje X, con n-1
grados de libertad

0 =
3 ;
2
>
= k
k
k
o
3 ;
2
>
= k
k
k
o
n s
x
t
/

=
322
Ejemplo:
La resistencia de 15 sellos seleccionados
aleatoriamente son: 480, 489, 491, 508, 501, 500,
486, 499, 479, 496, 499, 504, 501, 496, 498

Cul es la probabilidad de que la resistencia promedio
de los sellos sea mayor a 500?. La media es 495.13 y
la desviacin estndar es de 8.467.

t = -2.227 y el rea es 0.0214

3 ;
2
>
= k
k
k
o
227 . 2
15 / 467 . 8
500 13 . 495
=
= t
323
Distribucin F
Surge de dividir dos ji-cuadradas independientes

F=(W/u)/(Y/v)

W se distribuye ji-cuadrada con u g.l.
Y se distribuye ji-cuadrada con v g.l.
El uso de esta distribucin es para
comparar varianzas (Recuerde el anlisis de
varianza)
324
Distribucin F.
( )
) , 0 (
] 1 ][ 2 / [ ) 2 / (
/ ] 2 / ) [(
) (
2 / ) (
1 ) 2 / (
2
e
+ I I
+ I
=
+
x
x
v
u
v u
x v u v u
x f
v k
u
u
u=10
v=5
u=20
v=20
Funcin de densidad de la Distribucin F
325
Distribucin F.
Funcin de densidad de la Distribucin F
326
Distribucin F
Para determinar la otra cola de la distribucin F se
determina con la expresin.

Falfa, k1, k2 = 1 / F(1-alfa), k2, k1

Dado K1 = 8 y K2 = 10, F0.05 = 3.07, encontrar el
valor de F0.05 con K1 = 10 y K2 = 8

F0.05,10,8 = 1/ F0.95,8,10 = 1/ 3.07 = 0.326
327

CONTENIDO

Introduccin

Capacidad a partir de histogramas

Capacidad de procesos en Seis Sigma

Capacidad a partir de papel normal

Capacidad a partir de cartas de control

Capacidad de los sistemas de medicin

Ejercicios de aplicacin
328
6E. Capacidad de los
sistemas de medicin
329
Contenido
Mtodos de medicin

Anlisis de sistemas de medicin

Metrologa
330
6E1. Sistemas de medicin
- Mtodos de medicin
Cuidado de instrumentos de medicin
Los instrumentos de medicin son costosos y deben
tratarse con cuidado, deben calibrarse en base a un
programa as como despus de sospecha de dao

Superficies de Medicin / Referencia
Es la superficie de referencia para realizar las
mediciones.

Herramientas de transferencia
No tienen escala de lectura, por ejemplo, los
calibradores de resorte. La medicin es transferida a
otra escala de medicin para lectura directa.
331
- Mtodos de medicin
Gages o escantillones por atributos
Son gages fijos para inspeccin pasa no pasa. Por
ejemplo gages maestros, plug gages, gages de
contorno, thread gages, gages de lmite de longitud,
gages de ensamble. Slo indican si el producto es
bueno o malo.

Gages o escantillones por variables
Proporcionan una dimensin fsica. Por ejemplo reglas
lineales, calibradores verniers, micrmetros,
indicadores de profundidad, indicadores de
excentricidad, etc. Indican si el producto es bueno o
malo respecto a las especificaciones para capacidad.
332
- Mtodos de medicin
Seleccin por atributos

Son pruebas de seleccin realizadas en una muestra
con dos resultados posibles, aceptable o no aceptable.

Como se realiza a toda la poblacin o a una proporcin
grande de la misma, debe ser de naturaleza no
destructiva.

333
- Mtodos de medicin
Seleccin por atributos, caractersticas principales:
Un propsito claramente definido
Alta sensibilidad al atributo evaluado. Equivale a una
tasa baja de negativos falsos.

Alta especificidad al atributo que est siendo medido.
Esto equivale a una baja tasa de positivos falsos.
Los beneficios del programa sobrepasan los costos

Los atributos medidas identifican problemas
importantes (series y comunes)
Los resultados guan a acciones tiles
334
- Mtodos de medicin
Gages (gauges) bloques patrn:
Carl Johansson desarroll bloques de acero como
estndares de medicin con exactitud de unas pocas
millonsimas de pulgada

Los bloques patrn o Jo se hacen de acero con
aleacin al alto carbn y cromo, carburo de tungsteno,
carburo de cromo o cuarzo fundido

Se usan para establecer una dimensin de longitud de
referencia para una medicin de transferencia, y para
calibracin de varios instrumentos de medicin
335
- Mtodos de medicin
336
- Mtodos de medicin
Se pueden apilar con la ayuda de una capa delgada de
aceite que expulsa el aire. Usar poca presin en el
proceso
337
- Mtodos de medicin
Juegos de Gages (gauges) de bloques patrn:
El contenido de un juego de 81 piezas son:

Bloques de diezmilsimas (9): 0.1001, 1002,..,0.1009

Bloques de una milsima (49): 0.101, 0.1020.149

Bloques de 50 milsimas (19): 0.050, 0.1000.950

Bloques de una pulgada (4): 1.000, 2.000,, 4.000
338
- Mtodos de medicin
Calibradores:

Los calibradores se utilizan para medir dimensiones de
longitud, internas, externas, de altura, o profundidad.

Son de los siguientes tipos: Calibradores de resorte,
calibradores de reloj, verniers y calibradores,
calibradores digitales

339
- Mtodos de medicin
Calibradores de resorte:
Los calibradores proporcionan una exactitud de
aproximadamente 1/16 al transferir a una regla de
acero
340
- Mtodos de medicin
Calibradores verniers:
Usan una escala para indicar la medicin de longitud.
Ahora se han reemplazados con reloj o indicador
digital.
Para el caso de una longitud de 1.069 se leera como
sigue:
341
- Mtodos de medicin
Calibradores de reloj:
La lectura se hace en la escala con resolucin cercana
a 0.1 y un reloj con resolucin de 0.001.

Calibradores digitales
Usan un display digital con lectura en pulgadas o en
milmetros y un cero que puede ser puesto en
cualquier punto del viaje. La resolucin es del orden de
0.0005
342
- Mtodos de medicin
Comparadores pticos
Usan un haz de luz dirigido hacia la parte a ser
inspeccionada, y la sombra resultante es amplificada y
proyectada en una pantalla.

La imagen puede medirse al comparar con una plantilla
maestra o medir la silueta en la pantalla o tomando las
lecturas. Para pasar la inspeccin, la silueta de la
sombra debe encontrarse entre los lmites de
tolerancia predeterminados.
343
- Mtodos de medicin
Micrmetros
Los mics se pueden adquirir con tamaos de cuerpo
para 0.5 a 48. La mayora tiene una exactitud de
0.001 y con un vernier o indicador puede llegar a
0.0001. En cuartos con temperatura y humedad
controlada se pueden hacer medidas lineales de hasta
millonsimas de pulgada

Pueden hacer mediciones de interiores, exteriores,
porfundidad, cuerdas, etc. Las dos escalas utilizadas
son la del cuerpo y la del tambor, a continuacin se
muestra un ejemplo:
344
- Mtodos de medicin
Micrmetros
345
- Mtodos de medicin
Mediciones de resistencia a la tensin
La resistencia a la tensin es la habilidad de un metal a
resistir su rotura. Se aplica una carga a una barra de
prueba y se incrementa gradualmente hasta que la
barra se rompa. Se pueden analizar los datos de
tensin usando curvas de esfuerzo deformacin, que
muestra la carga vs la elongacin.

Prueba de corte
Es la habilidad para resistir un esfuerzo de cuchilla
cortante cuando se aplican fuerzas paralelas
ligeramente fuera de eje.
346
- Mtodos de medicin
Prueba de compresin
La comprensin es el resultado de fuerzas actuando
unas contra otras. Se aplica una carga y se registra la
deformacin. Se puede obtener una curva de esfuerzo
deformacin con los datos

Prueba de fatiga
La fatiga es la habilidad del material a resistir cargas
repetitivas. En varios niveles de esfuerzo, se cuenta el
nmero de ciclos hasta que ocurre la falla
347
- Mtodos de medicin
Titulacin
Es un mtodo de anlisis que permite la determinacin
de cantidades precisas de reactivos en el matraz. La
solucin a ser analizada se prepara en el matraz
Erlenmeyer. Un indicador como el azul de metileno es
adicionado a la solucin. Se usa una bureta para liberar
el segundo reactivo al matraz y un indicador o medidor
de pH se utiliza para determinar el punto final de la
reaccin. El indicador cambia de color cuando se llega
al punto final.
348
- Mtodos de medicin
Medicin de dureza
La medicin de dureza se realiza al crear una marca
en la superficie del material con un baln duro o una
pirmide de diamante y despus se mide la
profundidad de penetracin

349
- Mtodos de medicin
Medicin de dureza
350
- Mtodos de medicin
Medicin de torque
Esta medicin se requiere cuando el producto se sujeta
con tornillos y tuercas. El torque es una fuerza que
produce rotacin alrededor de un eje

(Torque = fuerza x Distancia)

Prueba de impacto
La resistencia al impacto es la habilidad del material
para resistir el impacto. Las pruebas de Charpy e Izod
usan muestras que son golpeadas por un pndulo
calibrado
351
- Mtodos de medicin
La regla de acero
La regla de acero se utiliza para lecturas directas. Sus
divisiones estn en fracciones de pulgada milmetros

Placas de medicin (mrmol)
Son planos de referencia para mediciones
dimensionales. Usualmente son utilizados con
accesorios planos, angulares, paralelos, bloques en V y
bloques cilndricos apilados

352
- Mtodos de medicin
Indicadores de reloj
Son instrumentos mecnicos para medir variaciones de
distancia. Muchos indicadores de reloj amplifican la
lectura de un punto de contacto por medio de un
mecanismo interno de engranes. Tienen resoluciones
de 0.00002 a 0.001 con un rango amplio de
mediciones.

353
- Mtodos de medicin
Ring gages o gages de cuerdas
Se usan para inspeccionar dimensiones cilndricas
externas y frecuentemente se denominan gages go no
go. Un ring gage de cuerdas se usa para checar
cuerdas macho

354
- Mtodos de medicin
Plug gages o gages de dimetros
Se usan para inspeccionar dimensiones cilndricas
internas y frecuentemente se denominan gages go no
go o gages pasa no pasa. Un plug gage de cuerdas
se usa para checar cuerdas hembra. En lado se indica
en verde la seccin de Pasa y en el otro lado se indica
en roja la No Pasa.

Go No go
355
- Mtodos de medicin
Gages neumticos
Los tipos de gages de amplificacin neumtica incluyen
unos accionados variando la presin de aire y otros al
variar la velocidad del aire con presin constante. Las
mediciones pueden ser ledas en millonsimas de
pulgada.

Interferometra
Se forma interferencia cuando dos o ms haces de luz
monocromtica de la misma longitud de onda se
defasan 180 viajando en diferentes distancias. Las
irregularidades se evidencian alternando las bandas
obscura y de luz
356
- Mtodos de medicin
Gages diseados con Laser
El haz de luz Laser se transmite a un receptor del lado
puesto del gage. Las mediciones se realizan cuando el
haz es obstaculizado por un objeto y el receptor
registra esta dimensin.

Mquina de Medicin por Coordenadas (CMM)
Las partes a medir se colocan en la placa de mrmol y
un sensor se manipula para tener varios puntos de
contacto usando el sistema de mediciones controlado
por computadora tomados en tres ejes perpendiculares
entre s.
357
- Mtodos de medicin
Pruebas no destructivas (NDT) y evaluaciones no destructivas
(NDE)
Son tcnicas para evaluar las propiedades de los materiales
sin afectar la utilidad futura de los artculos probados.
Incluyen el uso de automatizacin, prueba al 100% del
producto y la garanta de adecuacin interna. Algunos
resultados requieren considerable habilidad para su
interpretacin.

Inspeccin visual
La inspeccin visual de color, textura y apariencia
proporciona informacin valiosa. EL ojo humano es apoyado
por lentes de aumento u otros instrumentos. Esta inspeccin
tambin se denomina inspeccin de exploracin (scanning)
358
- Mtodos de medicin
Pruebas ultrasnicas
Las ondas ultrasnicas se generan en un transductor y
se transmiten a travs de un material que puede tener
defectos. Parte de las ondas chocan en el defecto y se
reflejan como ecos a la unidad receptora, que las
convierte en picos en la pantalla. Para pruebas no
destructivas se utiliza un rango de frecuencias de 200
a 250,000 Khz.
359
- Mtodos de medicin
Pruebas con partculas magnticas
La inspeccin con partculas magnticas es un mtodo
no destructivo de detectar la presencia de defectos o
poros ya sean superficiales o internos en metales o
aleaciones ferromagnticos.

Se magnetiza la parte y despus se aplican partculas
de acero en la superficie de la parte bajo prueba. Las
partculas se alinean con el campo magntico y se
concentran en lugares donde las lneas entran o salen
de la parte.
360
- Mtodos de medicin
Pruebas con partculas magnticas
La parte bajo prueba se examina en las reas de
concentracin de partculas magnticas que indicaran
presencia de discontinuidades

Se usa corriente alterna para descubrir la presencia de
defectos superficiales, mientras que con corriente
directa proporciona mayor sensibilidad para la
localizacin de defectos internos. Se cuenta con
mtodos secos y hmedos
361
- Mtodos de medicin
Pruebas con lquidos penetrantes
La inspeccin con lquidos penetrantes es un mtodo
rpido para detectar defectos en la superficie en todo
tipo de materiales. El lquido aplicado contiene una
tinta que penetra en el defecto por capilaridad
contrastado por una limpieza. Requiere observacin
cuidadosa.

Pruebas con corrientes parsitas de Eddy
Las corrientes parsitas son inducidas en un objeto
bajo prueba al pasar una corriente alterna en una
bobina colocada cerca de la superficie del objeto bajo
prueba.
362
- Mtodos de medicin
Pruebas con corrientes parsitas de Eddy
Un campo electromagntico es producido en el objeto
bajo prueba que puede ser comparado con un
estndar.
Defecto
363
- Mtodos de medicin
Pruebas con Radiografa
Se pueden dirigir Rayos X o Rayos Gama a travs de
un objeto bajo prueba sobre una placa fotogrfica y las
caractersticas internas de la parte pueden ser
reproducidas y analizadas.

Para un anlisis adecuado, se deben establecer
estndares de referencia para evaluar los resultados.
Una radiografa puede mostrar poros, inclusiones, y
fracturas si se encuentran en el plano adecuado y son
suficientemente grandes.
364
- Mtodos de medicin
Pruebas con Radiografa de neutrones
Los neutrones son partculas atmicas sin carga que se
mueven por los materiales sin afectar su densidad. Son
dispersados o absorbidos por partculas en el nucle
atmico en vez de los electrones. El objeto se coloca
en un haz de neutrones en frente de un detector de
imagen.

Otras tcnicas relacionadas
Aplicaciones recientes incluyen fluoroscopia,
radiografa gama, rayos X televisados, pruebas con
microondas e inspeccin hologrfica
365
- Anlisis de Sistemas de Medicin
366
Contenido
1. Errores en la medicin
2. Carta de tendencias de gage Minitab
3. Estudios de R&R metodo corto del rango
4. Estudios de R&R mtodo largo (cruzado)
5. Estudios de R&R mtodo largo (anidado)
6. Estudios de linealidad y sesgo
7. Estudios de R&R por atributos mtodo analtico
8. Estudios de R&R por atributos acuerdo entre
evaluadores
367
1. Errores en la medicin
368
Metrologa
Metrologa es la ciencia de las mediciones

Apoya a la organizacin en la evaluacin cuantitativa
de las variables del proceso (longitudes, dimensiones,
pesos, presiones, etc.)

Factores considerados para determinar el periodo de
calibracin de los equipos de medicin
Intensidad de uso del equipo
Posibles desgastes por el uso o degradacin
Errores identificados durante las calibraciones peridicas

369
Correlacin de mediciones
Es la comparacin o correlacin de las mediciones de un
sistema de medicin con los valores reportados por uno o
ms sistemas de medicin diferentes

Un sistema o dispositivo de medicin puede usarse para
comparar valores contra un estndar conocido, a su vez
puede compararse a la media y desviacin estndar de
otros dispositivos similares

Todas las mediciones reportadas de artefactos iguales o
similares, son referidos como prueba de proficiencia o
prueba de Round Robin.

370
Correlacin de mediciones
Tambin se pueden comparar valores obtenidos de
diferentes mtodos de medicin usados para medir
diferentes propiedades. Por ejemplo la medicin de dureza
y resistencia de un metal, temperatura y expansin lineal
de un artculo al ser calentado, y peso y nmero de
pequeas partes

El manual MSE de la AIAG clasifica los errores del sistema
de medicin en cinco categoras:
Sesgo o exactitud
Repetibilidad
Reproducibilidad
Estabilidad
Linealidad
371
Porcentaje de acuerdo
El porcentaje de acuerdo ya sea entre el sistema de
medicin y los valores de referencia o el valor verdadero
de la variable medida

Puede estimarse con el coeficiente de correlacin, r, con
valores r=1 100% de acuerdo y r= 0 sin acuerdo.

372
Precisin a Tolerancia P/T
Es la razn (P/T) entre el error estimado de la medicin
(precisin) y la tolerancia de la caracterstica medida.

Donde 6 sigma es la variabilidad de las mediciones. Los
supuestos son:
Las mediciones son independientes
Los errores de medicin se distribuyen normalmente
Los errores de medicin son independientes de la
magnitud de las mediciones

Tolerancia
T P l
e
o 6
/ Re =
373
Precisin a Variacin Total P/TV
Es la razn (P/TV) entre el error estimado de la medicin
(precisin) y la variacin total de la caracterstica medida.

Se debe minimizar P/TV para reducir el efecto de la
variacin de las mediciones en la evaluacin de la
variacin del proceso

Conforme P/T y P/TV se incrementan, la habilidad de
discriminar un cambio en el proceso disminuye, en todo
caso utilizar un sistema de medicin con variacin ms
pequea

Medicion Variacion oducto Variacion
Medicion Variacion
Total Variacion
TV P l
e
+
= =
Pr
6
/ Re
o
374
Definiciones
Exactitud
Desviacin respecto del valor verdadero del promedio
de las mediciones

Valor verdadero:
Valor correcto terico / estndares NIST
Sesgo
Distancia entre el valor promedio de todas las
mediciones y el valor verdadero.
Error sistemtico o desviacin
375
Definiciones
Estabilidad
La variacin total en las mediciones obtenidas durante
un perodo de tiempo prolongado
Linealidad
Diferencia en los valores de la escala, a travs del
rango de operacin esperado del instrumento de
medicin.
Precisin
Medicin de la variacin natural en mediciones
repetidas
376
Posibles Fuentes de la
Variacin del Proceso
La Repetibilidad y reproducibilidad (R&R), son los errores ms relevantes en la medicin.
Variacin del proceso, real
Variacin de la medicin
Variacin del proceso, observado
Reproducibilidad
Repetibilidad
Variacin
dentro de la
muestra
Estabilidad Linealidad Sesgo
Variacin originada
por el calibrador
Calibracin
377
Sensibilidad

El gage debe ser suficientemente sensible para
detectar diferencias en las mediciones en al menos un
dcimo de la tolerancia especificada o de la dispersin
del proceso
378
Sesgo es la diferencia entre el
promedio observado de las
mediciones y el valor
verdadero.

Se reporta como porcentaje de
la variacin del proceso o de la
tolerancia.
Definicin del Sesgo o precisin
Valor
Verdadero
Sesgo
379
Definicin de la Repetibilidad
o precisin
REPETIBILIDAD
Repetibilidad: Es la variacin de
las mediciones obtenidas con un
instrumento de medicin,
cuando es utilizado varias veces por
un operador, al mismo tiempo que
mide las mismas caractersticas en
una misma parte
380
Definicin de la Reproducibilidad
Reproducibilidad: Es la
variacin, entre promedios
de las mediciones hechas
por diferentes operadores
que utilizan un mismo
instrumento de medicin
cuando miden las mismas
caractersticas en una
misma parte en diferentes
tiempos
Reproducibilidad
Operador-A
Operador-C
Operador-B
381
Errores en la medicin
Preciso pero Exacto pero Exacto y
No exacto no preciso preciso
382
Estabilidad (o desviacin) es la variacin
total de las mediciones obtenidas con un
sistema de medicin, hechas sobre el mismo
patrn o sobre las mismas partes, cuando se
mide una sola de sus caractersticas, durante
un perodo de tiempo prolongado.

Definicin de la Estabilidad
Tiempo 1
Tiempo 2
383
Linealidad es la diferencia
en los valores real y
observado,
a travs del rango de
operacin
esperado del equipo.
Definicin de la Linealidad
Rango de Operacin del equipo
Valor
verdadero
Valor
verdadero
(rango inferior)
(rango superior)
Sesgo
Menor
Sesgo
mayor
Graficar el sesgo versus los valores de referencia de la parte
En todo el rango de operacin del instrumento. El porcentaje de
Linealidad es igual a la pendiente, b, de la lnea de regresin
Multiplicada por la variacin del proceso.
L = b Vp
El sesgo en cualquier punto se puede estimar de la pendiente y
La interseccin con eleje Y (Yo) de la mejor lnea de ajuste
B = Yo + b X
384
Estabilidad del Calibrador
Cmo Calcularla

Para calibradores que normalmente se utilizan sin ajuste, durante periodos
de tiempo relativamente largos.

Realizar un segundo estudio R&R del Calibrador justo antes de que
venza el tiempo de re calibracin.

La estabilidad del calibrador es la diferencia entre los promedios
sobresalientes de las mediciones resultantes de los dos estudios.
Causas posibles de poca estabilidad

El calibrador no se ajusta tan frecuentemente como se requiere

Si es un calibrador de aire, puede necesitar un filtro o un regulador

Si es un calibrador electrnico, puede necesitar calentamiento previo.

385
Precisin en relacin a la variacin
total

Identificar qu porcentaje de la variacin total debe absorberse
como error de medicin.

<10% Aceptable
10-30%. Puede ser aceptable, dependiendo qu tan
crtico es el grado de la medicin.
>30%. Inaceptable!
%R&R
Var Total
=
R&R
*100
Error R&R = RPT
2
+ REPR
2
Para la fase de control del
proyecto, slo substituya la
Tolerancia por Variacin Total
.
TV= R&R + PV
PV= variacin de parte = Rp x K3
EL VALOR DEL R&R ES UN PORCENTAJE DE LA VARIACION
TOTAL DEL PROCESO:
Mientras ms mayor sea el % del R&R, mayor ser el rea de
incertidumbre para conocer la dimensin verdadera de las partes.
ERROR TIPO 1: Pueden estarse aceptando partes que estn fuera
de especificaciones
ERROR TIPO 2: Pueden estarse rechazando partes que estn
dentro de especificaciones
Lo que
fue
medido
VARIACIN DE PARTE A
PARTE
LSL USL OBJETIVO
La dimensin verdadera de
las partes se encuentra en
algn lugar de la la regin
sombreada
387
Estudios de
Repetibilidad y Reproducibilidad
Carta de Tendencias

Mtodo del Rango (corto)

Mtodo de Medias Rangos

Mtodo de ANOVA

388
I. Mtodo de Medias - Rango

Permite separar en el sistema de medicin lo
referente a la reproducibilidad y a la Repetibilidad.

Los clculos son ms fciles de realizar.

389
I. Mtodo de Medias - Rango

Un modelo matemtico de este mtodo con r
rplicas, con K evaluadores en n partes, el rango
medio encontrado es:

=
=
=
n
i
k
j
ij
nk
R
R
1
1
390
Mtodo de ANOVA
II. Mtodo ANOVA
Permite separar en el sistema de medicin lo
referente a la reproducibilidad y a la Repetibilidad.
Tambin proporciona informacin acerca de las
interacciones de un operador y otro en cuanto a la
parte.
Calcula las varianzas en forma ms precisa.
Los clculos numricos requieren de una
computadora.

El Mtodo ANOVA es Ms Preciso
391
Mtodo de ANOVA
II. Mtodo ANOVA
El valor observado usando el mtodo ANOVA es:

Valor observado = Promedio + sesgo + Efecto de la
parte + Efecto del evaluador + Error de rplica o

Valor observado = Valor de referencia + Desviacin

ijm i ijm
x Y c + =
392
Mtodo de ANOVA
II. Mtodo ANOVA

Con Yijm como la m-sima medicin tomada por el
evaluador J en la parte j-sima. Si las Xi son
independientes y normalmente distribuidas con media
y varianza o
2
, la varianza total est dada por:

Donde son las varianzas debidas al efecto de
la parte, el efecto del evaluador, y el error de rplica

2 2 2 2
) ( t o e o + + + =
ijm
Y VAR

2 2 2
, , t o e
393
Mtodo de ANOVA
Ejemplo de Corrida: 5 partes, 3 tcnicos y 2 rplicas

La repetibilidad es la varianza del error contribuye
con 50.85% del total de variacin de los datos.

394
Mtodo de ANOVA
Ejemplo de Corrida:

La reproducibilidad es la variacin entre tcnicos que
contribuye con el 2.34% de la variacin

La variacin del proceso contribuye con un 46.81%
de la variacin total de los datos

Se usa la prueba F para determinar las diferencias
significativas

395
2. Carta de tendencia de
gages
396
Carta de tendencias de gages
Una carta de tendencias es una grfica de todas las
observaciones por operador y partes. La lnea
horizontal de referencia es la media, calculada de los
datos o proporcionada en base al historial.

Esta carta muestra las diferencias entre los diferentes
operadores y las partes.

Un proceso estable mostrar una dispersin aleatoria
horizontal; el efecto de un operador o parte mostrar
un patrn definido no aleatorio.
397

Operator
R
e
s
p
o
n
s
e
Mean
1.0
0.8
0.6
0.4
1.0
0.8
0.6
0.4
Mean
1 2 3 4 5
6 7 8 9 10
Operator
3
1
2
Gage name:
Date of study :
Reported by :
Tolerance:
Misc:
Panel variable: Part
Gage Run Chart of Response by Part, Operator
1 File > Open worksheet > GAGEAIAG.MTW.
2 Stat > Quality Tools > Gage Study > Gage Run Chart.
3 En Part numbers, seleccionar Part.
4 En Operators, seleccionar Operator.
5 En Measurement data, seleccionar Response. Click OK.
398
Interpretando los resultados
Para cada parte, se puede comparar la variacin entre
mediciones hechas los operadores y sus diferencias
Se puede comparar la media de referencia con las mediciones
especficas.

La mayor parte de la variacin se debe a diferencias entre las
partes, algunos patrones menores aparecen tambin.
Por ejemplo el operador 2 en su segunda medicin es
consistentemente (7/10) ms pequea que la primera, y sus
mediciones son consistentemente (8/10) ms pequeas que las
del operador 1.
399
3. Estudios R&R
Mtodo del rango
400
Mtodo del rango
Es un mtodo que proporciona un valor aproximado del
error R&R sin que muestre las diferencias entre errores
por el equipo y por los operadores.
Se usan dos evaluadores y cinco partes. Cada evaluador
mide cada parte una sola vez.

Se calcula el rango de la medicin de cada parte y al final
el rango promedio.

La desviacin estndar de R&R se aproxima con la
formula de rango medio entre d2*
El % de R&R se calcula comparando la desv. Estndar de
R&R con la del proceso
401
Mtodo del rango

Partes Evaluador A Evaluador B Rango A,B
1 0.85 0.80 0.05
2 0.75 0.70 0.05
3 1.00 0.95 0.05
4 0.45 0.55 0.10
5 0.50 0.60 0.10
Rango medio = 0.35/5 = 0.07
GRR = Rmedio / d2* = 0.07 / 1.19 = 0.0588
Desv. Estndar del proceso = 0.0722
%GRR = 100 (GRR / Desv. Est. Proceso ) = 81.4%
Por tanto el sistema de medicin requiere mejora
Error mximo 10%
402
4. Estudios R&R (cruzado)
Mtodo largo
403
Determinacin slo
de la repetibilidad
Se tienen veinte unidades de producto, el operador
que toma las mediciones para el diagrama de control
usa un instrumento para medir cada unidad dos
veces. Los datos son mostrados en la tabla siguiente
404
Determinacin slo
de la repetibilidad
Parte Medicin 1 Medicin 2 Media Rango
1 21 20 20,5 1
2 24 23 23,5 1
3 20 21 20,5 1
4 27 27 27,0 0
5 19 18 18,5 1
6 23 21 22,0 2
7 22 21 21,5 1
8 19 17 18,0 2
9 24 23 23,5 1
10 25 23 24,0 2
11 21 20 20,5 1
12 18 19 18,5 1
13 23 25 24,0 2
14 24 24 24,0 0
15 29 30 29,5 1
16 26 26 26,0 0
17 20 20 20,0 0
18 19 21 20,0 2
19 25 26 25,5 1
20 19 19 19,0 0
Promedio 22,3 1
405
Determinacin slo
de la repetibilidad
La desviacin estndar del error de medicin,, es
calculada mediante la siguiente frmula:

Para obtener una buena estimacin de la capacidad del error de
medicin utilizamos: y vs Tolerancia
887 . 0
128 . 1
1
2
= =
d
R
=
R= Rango promedio
d
2
= Valor de tablas.
LSL USL T
P
medicin
=
o 6 32 . 5 ) 887 . 0 ( 6 6 = =
medicin
o
406
Determinacin slo
de la repetibilidad
En este ejemplo USL = 60, LSL = 5

Los valores P/T de 0.1 o menores generalmente implican una
capacidad de error de medicin adecuada.

La varianza total observada es:

Y la sigma del proceso es:

Por lo tanto la desviacin estndar del proceso = 2.93

=
097 . 0
55
32 . 5
= =
T
P
4249 . 9 ) 07 . 3 (
2 2 2
= = = S Total o
proceso
2
o medicin total
2 2
o o

=
=9.4249 - .79 = 8.63
407
Determinacin slo
de la repetibilidad
El error de medicin es expresado como un porcentaje de la
variabilidad del proceso:

Al ser el error de medicin mayor al 10%, concluimos que no
tenemos un sistema de medicin confiable, por lo cual tenemos
que realizar las acciones correctivas correspondientes.

=

% 73 . 25 100
07 . 3
79 .
= =
total
medicion
o
o
408
R&R - Mtodo de medias rangos
Los estudios de repetibilidad y reproducibilidad
determinan cuanto de la variacin observada como
variacin de proceso es debida a variacin del sistema de
medicin.

Se proporcionan dos mtodos para evaluar la repetibilidad
y la reproducibilidad: Mtodo de cartas X-R y Mtodo de
ANOVA.

El Mtodo X-R divide la variacin total dentro de tres
categoras: parte a parte, repetibilidad y reproducibilidad.
El mtodo ANOVA presenta un componente adicional, la
interaccin operador parte.
409
Mtodo de medias rangos
410

Generalmente intervienen de dos a tres operadores
Generalmente se toman 10 unidades
Cada unidad es medida por cada operador, 2 3 veces.
Estudio de R&R Medias Rangos
411
Estudio R&R Medias rangos
La resolucin del equipo de medicin debe ser de al
menos el 10% del rango de tolerancia o del rango de
variacin del proceso.

Las partes deben seleccionarse al azar, cubriendo el
RANGO TOTAL DEL PROCESO . Es importante que
dichas partes sean representativas del proceso total
(80% DE LA VARIACION)

10 partes NO son un tamao de muestra significativo
para una opinin slida sobre el EQUIPO DE
MEDICIN a menos que
412
Procedimiento para realizar un estudio de R&R

1. Ajuste el calibrador, o asegrese de que ste haya sido
calibrado.

2. Marque cada pieza con un nmero de identificacin
que no pueda ver la persona que realiza la medicin.

3. Haga que el primer operador mida todas las muestras
una sola vez, siguiendo un orden al azar.

413

4. Haga que el segundo operador mida todas las
muestras una sola vez, siguiendo un orden al azar.

5. Contine hasta que todos los operadores hayan
medido las muestras una sola vez (Este es el ensayo
1).

6. Repita los pasos 3-4 hasta completar el nmero
requerido de ensayos

414
7. Utilice el formato proporcionado para determinar las
estadsticas del estudio R&R
Repetibilidad
Reproducibilidad
%R&R
Desviaciones estndar de cada uno de los
conceptos mencionados
Anlisis del % de tolerancia

8. Analice los resultados y determine los pasos a
seguir, si los hay.

415
Planteamiento del problema:
Las partes producidas en el rea de produccin, fallaron por
errores dimensionales 3% del tiempo.
Ejemplo:
CTQ: Mantener una tolerancia 0.125 pulgadas
Sistema de Medicin: Se miden las partes con calibradores de 2.
Estudio R&R del La dimensin A es medida por dos
Calibrador: operadores, dos veces en 10 piezas.
416
Repetibilidad y Reproducibilidad de calibrador
Mtodo X-media y Rango:
Operador A Operador B
Serie # 1er. Ensayo 2o. Ensayo Rango 1er. Ensayo 2o. Ensayo Rango Porcin Xbar
1 9.376 9.358 9.354 9.361
2 9.372 9.320 9.372 9.372
3 9.378 9.375 9.278 9.277
4 9.405 9.388 9.362 9.370
5 9.345 9.342 9.338 9.339
6 9.390 9.360 9.386 9.370
7 9.350 9.340 9.349 9.349
8 9.405 9.380 9.394 9.381
9 9.371 9.375 9.384 9.385
10 9.380 9.368 9.371 9.376
Totales
X-bar
A
X-bar
B
R-bar
A
R-bar
B
Porcin R
417
Clculo de las X-medias
1 9.376 9.358 9.354 9.361 9.362
2 9.372 9.320 9.372 9.372 9.359
3 9.378 9.375 9.278 9.277 9.327
4 9.405 9.388 9.362 9.370 9.381
5 9.345 9.342 9.338 9.339 9.341
6 9.390 9.360 9.386 9.370 9.377
7 9.350 9.340 9.349 9.349 9.347
8 9.405 9.380 9.394 9.381 9.390
9 9.371 9.375 9.384 9.385 9.379
10 9.380 9.368 9.371 9.376 9.374
Totales 93.772 93.606 93.588 93.580
X-bar
A
9.3689 X-bar
B
9.3584
R-bar
A
R-bar
B
Porcin R
418
Clculo de los Rangos
1 9.376 9.358 0.018 9.354 9.361 0.007 9.362
2 9.372 9.320 0.052 9.372 9.372 0.000 9.359
3 9.378 9.375 0.003 9.278 9.277 0.001 9.327
4 9.405 9.388 0.017 9.362 9.370 0.008 9.381
5 9.345 9.342 0.003 9.338 9.339 0.001 9.341
6 9.390 9.360 0.030 9.386 9.370 0.016 9.377
7 9.350 9.340 0.010 9.349 9.349 0.000 9.347
8 9.405 9.380 0.025 9.394 9.381 0.013 9.390
9 9.371 9.375 0.004 9.384 9.385 0.001 9.379
10 9.380 9.368 0.012 9.371 9.376 0.005 9.374
Totales 93.772 93.606 0.174 93.588 93.580 0.052
X-bar
A
9.3689 X-bar
B
9.3584
R-bar
A
0.0174 R-bar
B
0.0052
Porcin R 0.0630
419
Ancho de tolerancia====>
Nmero de intentos (m)=>
Nmero de partes (n)==>
Nmero de operadores
K1
========>
4.56
(=4.56 para 2 ensayos, 3.05 para 3 ensayos)
K2
=========>
3.65
X-media mx.=>
X-media mn. =>
Diferencia X-dif
R-media doble
K3 ======> 1.62
Identificacin de Parmetros del Estudio
y Clculos
Totales 93.772 93.606 0.174 93.588 93.580 0.052
X-barA 9.3689 X-barB 9.3584
R-barA 0.0174 R-barB 0.0052
Porcin R 0.0630
(=3.65 para 2 operadores; 2.7 para 3 operadores)
0.25
2
10
2
9.3689
9.3584
0.0105
0.0113
420
0.0515 DV = R x K1 =
Repetibilidad: La variacin del dispositivo de medicin (VD) se calcula
sobre cada grupo de mediciones tomadas por un operador, en una
sola parte.
0.03655
Reproducibilidad: La variacin en el promedio de las mediciones (AV) se
calcula sobre el rango de los promedios de todas las mediciones, para
cada operador, menos el error del calibrador (vale si la raz es negativa)
AV = (Xdif * K2)
2
- (DV
2
/(r*n)) =
Clculo de R&R
421
R&R = DV
2
+ AV
2
=
El componente de varianza para repetibilidad y reproducibilidad
(R&R) se calcula combinando la varianza de cada componente.
PV = Rpart x K3 = 0.1021
El componente de varianza para las partes (PV), se calcula sobre el
rango de los promedios de todas las mediciones, para cada parte.
TV = R&R
2
+ PV
2
=
0.1142
La variacin total (TV) se calcula combinando la varianza de repetibilidad y
reproducibilidad y la variacin de la parte.
0.05277
Clculo de R&R
422
Basado en la tolerancia:

%DV = 100*DV/Ancho de tolerancia=

%AV = 100*AV/Ancho de tolerancia=

%R&R = 100*R&R/Ancho de tolerancia =

Basado en la variacin Total de las Partes:

%DV = 100*DV/Variacin total=

%AV = 100*AV/ Variacin total =

%R&R = 100*R&R/ Variacin total =

%PV = 100*PV /Variacin total =
20.61
45.09
14.62
21.108
32.00
46.20
89.40
Clculo de R&R
423
Ejercicios
Para un estudio de R&R 2 operadores midieron con el mismo equipo de
medicin 10 partes en 3 intentos cada uno,obteniendo:

Mediciones Mediciones
Nmero de operador A de operador B
de parte 1 2 3 1 2 3

1 50 49 50 50 48 51
2 52 52 51 51 51 51
3 53 50 50 54 52 51
4 49 51 50 48 50 51
5 48 49 48 48 49 48
6 52 50 50 52 50 50
7 51 51 51 51 50 50
8 52 50 49 53 48 50
9 50 51 50 51 48 49
10 47 46 49 46 47 48
424
R&R por Medias Rangos
Calculo con Excel

(usar la hoja de trabajo R&R.xls)
425
Datos del operador 1

No. de Parte y
Nombre: 4600066 PARTE A

Tolerancia
Especificada: 0.0060

No. y Nombre de
GAGE: 8881-H
Calibrador
Digital

RECOLECCIN DE DATOS

OPERADOR A.-
columna 1 columna 2 columna 3 columna 4 Promedio
Muestra 1er Intento 2do Intento 3er Intento Rango X
1 0.0045 0.0045 0.0045 - 0.0045
2 0.0045 0.0055 0.0045 0.0010 0.0048
3 0.0045 0.0045 0.0045 - 0.0045
4 0.0050 0.0050 0.0045 0.0005 0.0048
5 0.0045 0.0045 0.0045 - 0.0045
6 0.0050 0.0055 0.0045 0.0010 0.0050
7 0.0050 0.0045 0.0045 0.0005 0.0047
8 0.0050 0.0050 0.0050 - 0.0050
9 0.0050 0.0045 0.0050 0.0005 0.0048
10 0.0040 0.0040 0.0040 - 0.0040
Totales 0.0470 0.0475 0.0455 0.0035 0.0467
Suma 0.1400 R
A :
0.00035
X
A
: 0.004666667

R
A
: 0.00035 # Intentos D
4

R
B
: 0.0004 3 2.58
R
C
: 0.0005
SUM: 0.00125 LSC
R
= R x D
4

R: 0.000416667 LSC
R
= 0.001075

426
Datos del operador 2

C.-
columna 9 columna 10 columna 11 columna 12 Promedio Prom. Parte
1er Intento 2do Intento 3er Intento Rango X X
p
=
0.0050 0.0045 0.0045 0.0005 0.0047 0.004556
0.0055 0.0045 0.0045 0.0010 0.0048 0.004889
0.0045 0.0045 0.0040 0.0005 0.0043 0.004444
0.0050 0.0050 0.0050 - 0.0050 0.004944
0.0045 0.0045 0.0040 0.0005 0.0043 0.004333
0.0050 0.0050 0.0050 - 0.0050 0.005111
0.0045 0.0050 0.0050 0.0005 0.0048 0.004833
0.0060 0.0050 0.0050 0.0010 0.0053 0.005111
0.0055 0.0045 0.0045 0.0010 0.0048 0.004778
0.0045 0.0045 0.0045 - 0.0045 0.004167
0.0500 0.0470 0.0460 0.0050 0.0477 X
p
= 0.004717
Suma 0.1430 R
C :
0.0005 R
p
= 0.000944
X
C
: 0.004766667

X Mx: 0.004766667 LSC
X
= X + A
2
R
A
2
= 1.023
X min: 0.004666667 LSC
X
= 0.005142917

X Diff: 0.0001000000 LIC
X
= X - A
2
R
LIC
X
= 0.0043

427
Carta de Rangos en control

RANGOS

LSCR = 0.001075 R = 0.00042 LICR = 0

LSC
R

LIC
R

R
Los rangos deben estar en control indicando que
Las mediciones se hicieron adecuadamente, de otra
Forma se debe repetir la medicin en la parte
428
Carta de Medias fuera de control

LSC
X
= 0.005143 X = 0.004717 LIC
X
= 0.004290417

LIC
X

LS
C
X

X

Al menos el 50% de los puntos debe salir
De control para validar la discriminacin de
Las partes
429
Resultados (AIAG)
MTODO LARGO
Aseguramiento de Calidad

No. de Parte y
Nombre:

4600066 PARTE A Fecha:

01/07/2003

Tolerancia
Especificada: 0.0060 Elaborado por: 0

No. y Nombre de
GAGE: 8881-H
Calibrador
Digital Caracterstica: Diametro

RESULTADOS DE LA HOJA DE DATOS AC-008

R= 0.00041667 X Diff = 0.0001000000 Rp = 0.000944444

Anlisis Unitario de Medicin
% Total de Variacin ( TV )
Repetibilidad - Variacin del Equipo (EV) % EV = 100 [ EV/TV ]
EV= R x K
1
= INTENTOS K
1
% EV = 63.74%
EV= 0.00127083 2 4.56
3 3.05 % EV vs Tol. = 21.18%
Reproducibilidad - Variacin del Operador (AV) % AV = 100 [AV/TV]
AV = [(XDiff x K
2
)
2
- (EV
2
/nr)]
1/2
% AV = 6.93%
AV = 0.00027 % AV vs Tol = 2.30%
AV = 7.29E-08 n=partes = 10
AV = 5.3834E-08 r = intentos = 3
AV = 1.9066E-08 OPERADOR 2 3
AV = 0.00013808 K
2
3.65 2.7

Repetibilidad y Reproducibilidad ( R & R ) PARTES K
3
% de R & R = 100 [ R & R /TV ]
R & R
= [EV
2
+ AV
2
]
1/2
5 2.08 % de R & R = 64.1164%
R & R
2

= 1.6341E-06 6 1.93
% de R & R vs Tol
= 21.31%
R & R
= 0.00127831 7 1.82
Variacin de la Parte ( PV ) 8 1.74 % PV = 100 [ PV/TV ]
PV = R
P
x K
3
9 1.67 % PV = 76.7403%
PV = 0.00153 10 1.62
VARIACIN TOTAL ( TV ) TV = 3.97E-06 PV / R&R x d
2
= d
2
= 1.693
TV = ( R & R
2
+ PV
2
)
1/2
TV = 0.001994 2.0
Categoria de
Datos

430
Resultados AIAG
Para los clculos e utilizan 5.15 sigmas para un 99%
de nivel de confianza

El porcentaje de error R&R no debe exceder del
10%, si el equipo se usa para liberar producto
terminado la referencia es la tolerancia del cliente;

Si el equipo se usa para control del proceso, la
referencia es la variacin total del proceso.
El nmero de categoras debe ser de al menos 4
indicando que el equipo distingue las partes que son
diferentes.
431
R&R por Medias Rangos
Calculo con Minitab

(se puede usar la hoja de trabajo Gageaiag.mtw)
432
R&R Medias Rangos
Minitab :Datos originales

OPERADOR A.- B.- C.-
columna 1 columna 2 columna 3 columna 5 columna 6 columna 7 columna 9
columna
10
columna
11
Muestra 1er Intento
2do
Intento 3er Intento 1er Intento
2do
Intento 3er Intento 1er Intento
2do
Intento 3er Intento
1 0.0045 0.0045 0.0045 0.0045 0.0045 0.0045 0.0050 0.0045 0.0045
2 0.0045 0.0055 0.0045 0.0055 0.0050 0.0045 0.0055 0.0045 0.0045
3 0.0045 0.0045 0.0045 0.0045 0.0045 0.0045 0.0045 0.0045 0.0040
4 0.0050 0.0050 0.0045 0.0050 0.0050 0.0050 0.0050 0.0050 0.0050
5 0.0045 0.0045 0.0045 0.0040 0.0045 0.0040 0.0045 0.0045 0.0040
6 0.0050 0.0055 0.0045 0.0060 0.0050 0.0050 0.0050 0.0050 0.0050
7 0.0050 0.0045 0.0045 0.0055 0.0045 0.0050 0.0045 0.0050 0.0050
8 0.0050 0.0050 0.0050 0.0050 0.0050 0.0050 0.0060 0.0050 0.0050
9 0.0050 0.0045 0.0050 0.0045 0.0045 0.0050 0.0055 0.0045 0.0045
10 0.0040 0.0040 0.0040 0.0040 0.0040 0.0040 0.0045 0.0045 0.0045
Totales 0.0470 0.0475 0.0455 0.0485 0.0465 0.0465 0.0500 0.0470 0.0460

433
R&R Medias Rangos
Minitab :Datos cargados (3 cols.)

Partes Operadores Medicin Partes Operadores Medicin Partes Operadores Medicin
1 1 0.0045 1 2 0.0045 1 3 0.005
2 1 0.0045 2 2 0.0055 2 3 0.0055
3 1 0.0045 3 2 0.0045 3 3 0.0045
4 1 0.005 4 2 0.005 4 3 0.005
5 1 0.0045 5 2 0.004 5 3 0.0045
6 1 0.005 6 2 0.006 6 3 0.005
7 1 0.005 7 2 0.0055 7 3 0.0045
8 1 0.005 8 2 0.005 8 3 0.006
9 1 0.005 9 2 0.0045 9 3 0.0055
10 1 0.004 10 2 0.004 10 3 0.0045
1 1 0.0045 1 2 0.0045 1 3 0.0045
2 1 0.0055 2 2 0.005 2 3 0.0045
3 1 0.0045 3 2 0.0045 3 3 0.0045
4 1 0.005 4 2 0.005 4 3 0.005
5 1 0.0045 5 2 0.0045 5 3 0.0045
6 1 0.0055 6 2 0.005 6 3 0.005
7 1 0.0045 7 2 0.0045 7 3 0.005
8 1 0.005 8 2 0.005 8 3 0.005
9 1 0.0045 9 2 0.0045 9 3 0.0045
10 1 0.004 10 2 0.004 10 3 0.0045
1 1 0.0045 1 2 0.0045 1 3 0.0045
2 1 0.0045 2 2 0.0045 2 3 0.0045
3 1 0.0045 3 2 0.0045 3 3 0.004
4 1 0.0045 4 2 0.005 4 3 0.005
5 1 0.0045 5 2 0.004 5 3 0.004
6 1 0.0045 6 2 0.005 6 3 0.005
7 1 0.0045 7 2 0.005 7 3 0.005
8 1 0.005 8 2 0.005 8 3 0.005
9 1 0.005 9 2 0.005 9 3 0.0045
10 1 0.004 10 2 0.004 10 3 0.0045

434
R&R Medias Rangos
Minitab : Instrucciones
Seleccione en el men de la barra de herramientas
STAT>QUALITY TOOLS>GAGE STUDY > Gage R&R
(Crossed)

Seleccione C1 (parte), C2 (operador), C3 (Medicin)

Mtodo de Anlisis X Bar and R

En Options Seleccionar: Staudy variation 5.15
Process tolerante 0.006
435
R&R Medias Rangos
Minitab : Resultados
Gage R&R Study - XBar/R Method
%Contribution
Source VarComp (of VarComp)
Total Gage R&R 0.0000001 41.00
Repeatability 0.0000001 40.52
Reproducibility 0.0000000 0.48
Part-To-Part 0.0000001 59.00
Total Variation 0.0000001 100.00

Study Var %Study Var %Tolerance
Source StdDev (SD) (5.15 * SD) (%SV) (SV/Toler)
Total Gage R&R 0.0002476 0.0012750 64.03 21.25
Repeatability 0.0002461 0.0012675 63.65 21.12
Reproducibility 0.0000269 0.0001384 6.95 2.31
Part-To-Part 0.0002970 0.0015295 76.81 25.49
Total Variation 0.0003867 0.0019913 100.00 33.19

Number of Distinct Categories = 1

% Error R&R debe ser menor
Al 10% ya sea para control del
Proceso o para producto final.
Repetibilidad Instrumento
Reproducibilidad - Operador
Nmero mnimo 4
436
R&R Medias Rangos
Minitab : Interpretacin de Resultados
Interpretacin de los resultados:

El error de R&R vs tolerancia es 64.03% y vs
variacin total del proceso es 21.25% lo que hace
que el equipo de medicin no sea adecuado para la
medicin.

Por otro lado el nmero de categoras es slo de 1
cuando debe ser al menos 4 indicando que el
instrumento discrimina las diversas partes diferentes.
437
R&R Medias Rangos Grficas

P
e
r
c
e
n
t
Part-to-Part Reprod Repeat Gage R&R
80
40
0
% Contribution
% StudyVar
% Tolerance
S
a
m
p
l
e

R
a
n
g
e
0.0010
0.0005
0.0000
_
R=0.000417
UCL=0.001073
LCL=0
1 2 3
S
a
m
p
l
e

M
e
a
n
0.0050
0.0045
0.0040
__
X=0.004717
UCL=0.005143
LCL=0.004290
1 2 3
Partes
10 9 8 7 6 5 4 3 2 1
0.006
0.005
0.004
Operadores
3 2 1
0.006
0.005
0.004
Partes
A
v
e
r
a
g
e
10 9 8 7 6 5 4 3 2 1
0.0050
0.0045
0.0040
Operadores
1
2
3
Gage name:
Date of study :
Reported by :
Tolerance:
Misc:
Components of Variation
R Chart by Operadores
Xbar Chart by Operadores
Datos by Partes
Datos by Operadores
Operadores * Partes Interaction
Gage R&R (Xbar/R) for Datos
La grfica R se mantiene en control indicando
que las mediciones se realizaron en forma adecuada.
La grfica X barra slo presenta 5 de 30 puntos fuera
de control, debera ser al menos el 50%, indicando
que el equipo no discrimina las diferentes partes.
438
R&R por ANOVA
Calculo con Minitab

(con los datos del ejemplo anterior)
439
R&R por ANOVA
Instrucciones de Minitab
Seleccione en el men de la barra de herramientas
STAT>QUALITY TOOLS>GAGE STUDY > Gage R&R
(Crossed)

Seleccione C1 (parte), C2 (operador), C3 (Medicin)

Mtodo de Anlisis ANOVA

En Options Seleccionar: Study variation 5.15
Process tolerance 0.006 Alfa to remove interaction
0.25
440
R&R por ANOVA
Resultados de Minitab
Gage R&R Study - ANOVA Method

Two-Way ANOVA Table With Interaction

Source DF SS MS F P
Partes 9 0.0000086 0.0000010 12.2885 0.000
Operadores 2 0.0000002 0.0000001 0.9605 0.401
Partes * Operadores 18 0.0000014 0.0000001 0.7398 0.757
Repeatability 60 0.0000063 0.0000001
Total 89 0.0000165

Los operadores y la interaccin no fueron significativos, slo las partes

Gage R&R

%Contribution
Total Gage R&R 0.0000001 50.93
Operadores 0.0000000 0.00
Part-To-Part 0.0000001 49.07

Total Gage R&R 0.0003150 0.0016222 71.36 27.04
Repeatability 0.0003150 0.0016222 71.36 27.04
Operadores 0.0000000 0.0000000 0.00 0.00
Part-To-Part 0.0003092 0.0015923 70.05 26.54
Total Variation 0.0004414 0.0022731 100.00 37.88


La interaccin no es significativa,
y los errores de R&R indican que
equipo de medicin no es adecuado
ni el nmero de categoras.
441
R&R por ANOVA
P
e
r
c
e
n
t
80
40
0
% Contribution
%StudyVar
% Tolerance
S
a
m
p
l
e

R
a
n
g
e 0.0010
0.0005
0.0000
_
R=0.000417
UCL=0.001073
LCL=0
1 2 3
S
a
m
p
l
e

M
e
a
n
0.0050
0.0045
0.0040
__
X=0.004717
UCL=0.005143
LCL=0.004290
1 2 3
Partes
10 9 8 7 6 5 4 3 2 1
0.006
0.005
0.004
Operadores
3 2 1
0.006
0.005
0.004
Partes
A
v
e
r
a
g
e
10 9 8 7 6 5 4 3 2 1
0.0050
0.0045
0.0040
Operadores
1
2
3
Gage name:
Date of study :
Reported by :
Tolerance:
Misc:
R Chart by Operadores
Xbar Chart by Operadores
Datos by Partes
Datos by Operadores
Operadores * Partes Interaction
Gage R&R (ANOVA) for Datos
Las conclusiones son similares
que con el mtodo de X barra R.
No hay interaccin parte - operador
442
4. Estudios R&R (anidado)
Mtodo largo
443
R&R Anidado
Los estudios de repetibilidad y reproducibilidad
determinan cuanto de la variacin observada del
proceso es debida a la variacin del sistema de
medicin.
Usar la opcin Gage R&R (Nested) cuando cada parte
sea medida por un solo operador, tal como en
pruebas destructivas.

El estudio de R&R (anidado) utiliza el mtodo ANOVA
para evaluar la repetibilidad y reproducibilidad, para
analizar la reproduciblidad dentro de sus
componentes operador y operador
444
R&R Anidado
445
R&R Anidado
De ser necesario hacer pruebas destructivas, se debe procurar
que todas las partes dentro de un mismo lote sean lo
suficientemente idnticas para considerarlas similares. Si no se
puede hacer sta consideracin entonces la variacin entre
parte y parte dentro de un lote enmascarar la variacin del
sistema.

Para el caso de pruebas destructivas si cada lote es medido por
cada operador entonces realizar el estudio R&R (Nested); si
todos los operadores miden partes de cada uno de los lotes,
entonces utilizar el estudio R&R (Crossed).
En resumen siempre que cada operador mida partes diferentes
se tiene un estudio R&R anidado.
446
R&R Anidado - datos
Ejemplo: Archivo gagenest.mtw de Minitab
En este ejemplo, 3 operadores mide cada uno 5 partes
diferentes dos veces, para un total de 30 mediciones. Cada una
de las partes es nica al operador; no se presenta el caso de
que dos operadores midan la misma parte.

PartNum Operator Measure PartNum Operator Measure
1 Daryl 1.48 1 Daryl 1.48
4 Beth 1.38 1 Beth 1.38
4 Beth 1.78 1 Beth 1.78
5 Beth 1.33 2 Beth 1.33
... ... ... ... ... ...

447
R&R Anidado
1 File > Open worksheet > GAGENEST.MTW.

2 Seleccionar Stat > Quality Tools > Gage Study
> Gage R&R Study (Nested).

3 En Part or batch numbers, poner Part.

4 En Operators, seleccionar Operator.

5 En Measurement data, seleccionar Response.
6 Dar OK.
448
R&R Anidado

Gage R&R (Nested) for Response

Source DF SS MS F P
Operator 2 0.0142 0.00708 0.00385 0.996
Part (Operator) 12 22.0552 1.83794 1.42549 0.255
Repeatability 15 19.3400 1.28933
Total 29 41.4094

Gage R&R

%Contribution
Total Gage R&R 1.28933 82.46
Part-To-Part 0.27430 17.54

Total Gage R&R 1.13549 5.84777 90.81 116.96
Repeatability 1.13549 5.84777 90.81 116.96
Part-To-Part 0.52374 2.69725 41.88 53.95
Total Variation 1.25045 6.43984 100.00 128.80


El mtodo no es adecuado ni para control del proceso o liberacin debe logra
La contribucin de diferencia entre partes del 17.54% es << que
la variacin del sistema de medicin (total Gage R&R ) de 82.46%.
Indica un alto error del sistema de medicin.
Con categoras de 1 el sistema de medicin no distingue las partes.
449
R&R Anidado
Resultados grficos de Minitab

P
e
r
c
e
n
t
100
50
0
% Contribution
%StudyVar
% Tolerance
S
a
m
p
l
e

R
a
n
g
e 4
2
0
_
R=1.313
UCL=4.290
LCL=0
Billie Nathan Steve
S
a
m
p
l
e

M
e
a
n
18
16
14
__
X=15.147
UCL=17.617
LCL=12.678
Billie Nathan Steve
Operator
Part
Steve Nathan Billie
5 4 3 2 1 15 14 13 12 11 10 9 8 7 6
18
16
14
Operator
Steve Nathan Billie
18
16
14
Gage name:
Date of study :
Reported by :
Tolerance:
Misc:
R Chart by Operator
Xbar Chart by Operator
Response By Part ( Operator )
Response by Operator
Gage R&R (Nested) for Response
Sistema de medicin inadecuado
450
6. Estudios de Linealidad y sesgo
451
Estudios de linealidad y sesgo
La Linealidad del Gage indica que tan exacto son las
mediciones a travs del rango esperado de las
mediciones. Contesta a la pregunta Mi gage tiene la
misma exactitud para todos los tamaos de objetos a
medir?.

El bias o exactitud del gage examina la diferencia
entre la media de los datos observados y un valor de
referencia o patrn. Contesta a la pregunta, Qu tan
exacto es mi gage comparado con un patrn?.
452
Datos y ejemplo
Los datos se estructuran de manera que cada fila contiene una parte,
el valor de referencia, y la medicin observada en esa parte (la
respuesta). Las partes pueden ser textos o nmeros

Ejemplo:
Un supervisor selecciona 5 partes que representan el rango
esperado de las mediciones. Cada parte fue medida por
inspeccin de Layout para determinar su valor de referencia
(patrn). Un operador mide aleatoriamente cada parte 12
veces.

Se obtiene la variacin del proceso (14.1941) del estudio Gage
R&R usando el mtodo ANOVA (rengln Total variation de la
columna Study Var (6*SD)).
453
Datos y ejemplo
Part Master Response Part Master Response
1 2 2.7 3 6 6
1 2 2.5 3 6 6.1
1 2 2.4 3 6 6.4
1 2 2.5 3 6 6.3
1 2 2.7 3 6 6
1 2 2.3 3 6 6.1
1 2 2.5 4 8 7.6
1 2 2.5 4 8 7.7
1 2 2.4 4 8 7.8
1 2 2.4 4 8 7.7
1 2 2.6 4 8 7.8
1 2 2.4 4 8 7.8
2 4 5.1 4 8 7.8
2 4 3.9 4 8 7.7
2 4 4.2 4 8 7.8
2 4 5 4 8 7.5
2 4 3.8 4 8 7.6
2 4 3.9 4 8 7.7
2 4 3.9 5 10 9.1
2 4 3.9 5 10 9.3
2 4 3.9 5 10 9.5
2 4 4 5 10 9.3
2 4 4.1 5 10 9.4
2 4 3.8 5 10 9.5
3 6 5.8 5 10 9.5
3 6 5.7 5 10 9.5
3 6 5.9 5 10 9.6
3 6 5.9 5 10 9.2
3 6 6 5 10 9.3
3 6 6.1 5 10 9.4

454
1 File > Open worksheet > GAGELIN.MTW.

2 Seleccionar Stat > Quality Tools > Gage Study
> Gage Linearity and Bias Study.

3 En Part numbers, seleccionar Part.
4 En Reference values, seleccionar Master.

5 En Measurement data, seleccionar Response.
6 En Process Variation, teclear 14.1941. Click OK.
455
Reference Value
B
i
a
s
10 8 6 4 2
1.0
0.5
0.0
-0.5
-1.0
0
Regression
95% CI
Data
Avg Bias
P
e
r
c
e
n
t
Bias Linearity
10
5
0
Gage Linearity
Slope -0.13167 0.01093 0.000
Predictor Coef SECoef P
Constant 0.73667 0.07252 0.000
S 0.23954 R-Sq 71.4%
Linearity 1.86889 %Linearity 13.2
Gage Bias
2 0.491667 3.5 0.000
4 0.125000 0.9 0.293
6 0.025000
Reference
0.2 0.688
8 -0.291667 2.1 0.000
10 -0.616667 4.3 0.000
Bias %Bias P
Av erage -0.053333 0.4 0.040
Gage name:
Date of study :
Reported by :
Tolerance:
Misc:
Percent of Process Variation
Gage Linearity and Bias Study for Response
456
Interpretando los resultados
El porcentaje de linealidad (valor absoluto de la
pendiente * 100) es 13.2, que significa que la
Linealidad del gage es del 13% de la variacin total.

El porcentaje de sesgo para el promedio de
referencia es 0.4, lo que significa que el sesgo del
gage es menor que 0.4% de la variacin total
observada.
457
7. Estudios R&R por atributos-
Mtodo analtico
458
R&R por Atributos
- Mtodo analtico
Se deben tomar al menos 8 partes para realizar un
estudio del gage por atributos.

La parte ms pequea debe tener cero aceptaciones, y la
parte ms grande debe tener el nmero mximo de
posibles aceptaciones. Para la AIAG, exactamente 6 partes
deben tener un nmero mayor que cero aceptaciones y
menos que 20 (mximo nmero de aceptaciones
permitidas).

Por el mtodo de regresin, se pueden tener ms de seis
partes entre los extremos de valores de referencia.
459
R&R por Atributos
- Mtodo analtico: Datos
Partes Referencia Aceptaciones
1 1.35 0
2 1.4 3
3 1.45 8
4 1.5 13
5 1.55 15
6 1.6 18
7 1.65 19
8 1.7 20
Summarized Data
Estructura de datos resumidos de tal
forma que cada fila contiene el nmero o
nombre de la parte, el valor de referencia
y la cuenta resumida.
Partes Referencia Respuesta
1 1.35 Rechazo
1 1.35 Rechazo
1 1.35 Rechazo
1 1.35 Rechazo
... ... ...
8 1.7 Aceptacin
8 1.7 Aceptacin
8 1.7 Aceptacin
8 1.7 Aceptacin
Raw Data
Estructura de datos individaules de
manera que cada fila contiene el nmero
o nombre de la parte, valor de referencia
y respuesta binaria (aceptacin o
rechazo).
460
R&R por Atributos
Ejemplo:
Un fabricante de automviles quiere medir el
sesgo y repetibilidad de un sistema automatizado
de medicin.

El sistema tiene una tolerancia inferior de -0.020 y
una tolerancia superior de 0.020.
El fabricante corre 10 partes, a travs del gage 20
veces, las partes tienen valores de referencia en
intervalos de 0.005 desde - 0.05 hasta 0.005.
461
R&R por Atributos
Ejemplo: Cada parte se prueba 20 veces con el Gage
(Dimensin 0.020 a 0.020)
Partes Referencia Aceptaciones
1 -0.05 0
2 -0.045 1
3 -0.04 2
4 -0.035 5
5 -0.03 8
6 -0.025 12
7 -0.02 17
8 -0.015 20
9 -0.01 20
10 -0.005 20
462
R&R por Atributos
- Mtodo analtico: Instr. Minitab
1. File > Open worksheet > AUTOGAGE.MTW.

2. Seleccionar Stat > Quality Tools > Gage Study >
Attribute Gage Study (Analytic Method).

3. En Part numbers, seleccionar Part number.
4. En Reference values, seleccionar Reference.
5. Seleccionar Summarized counts y teclear
Acceptances. En Number of trials, teclear 20.

6. Seleccionar Lower limit y teclear -0.020. OK.
463
R&R por Atributos
- Mtodo analtico: Resultados

Reference Value of Measured Part
P
e
r
c
e
n
t

o
f

A
c
c
e
p
t
a
n
c
e
-0.01 -0.02 -0.03 -0.04 -0.05
99
95
80
50
20
5
1
Reference Value of Measured Part
P
r
o
b
a
b
i
l
i
t
y

o
f

A
c
c
e
p
t
a
n
c
e
0.000 -0.025 -0.050
1.0
0.5
0.0
L Limit
Bias: 0.0097955
Pre-adjusted Repeatability : 0.0494705
Repeatability : 0.0458060
Fitted Line: 3.10279 + 104.136 * Reference
R - sq for Fitted Line: 0.969376
AIA G Test of Bias = 0 v s not = 0
T DF P-V alue
6.70123 19 0.0000021
Gage name:
Date of study :
Reported by :
Tolerance:
Misc:
Attribute Gage Study (Analytic Method) for Acceptances
464
R&R por Atributos
- Mtodo analtico: Resultados
Interpretacin

El Sesgo en el sistema de gage por atributos es de
0.0097955

La repetibilidad ajustada es de 0.0458060.

La prueba de sesgo indica que es significativamente
diferente de cero (t = 6.70123, df = 19, p = 0.00),
sugiriendo que el sesgo est presente en el sistema
de medicin por atributos.
465
8. Estudios R&R por atributos-
Mtodo de acuerdo por atributos
466
Estudios R&R por atributos
Usar el anlisis de acuerdo por atributos para evaluar las
calificaciones nominales u ordinales proporcionadas por
varios evaluadores.

Las mediciones son calificaciones subjetivas de la gente
en vez de mediciones fsicas. Algunos ejemplos incluyen:
Calificaciones de desempeo de los automviles
Clasificacin de calidad de las fibras como buena o
mala.
Calificaciones de color, aroma y gusto del vino en una
escala de 1 a 10.
467
En estos casos la caracterstica de calidad es difcil de
definir y evaluar.

Para obtener clasificaciones significativas, ms de un
evaluador debe calificar la medicin de respuesta.

Si los evaluadores estn de acuerdo, existe la posibilidad
de que las apreciaciones sean exactas.

Si hay discrepancias, la utilidad de la evaluacin es
limitada.
468
Acuerdo por atributos - Datos
Los datos pueden ser texto o numricos. Las
calificaciones asignadas pueden ser Nominales u
ordinales.
Los datos nominales son variables categricas que
tienen dos o ms niveles sin orden natural. Por
ejemplo, los niveles en un estudio de gustacin de
comida que puede incluir dulce, salado o picoso.
Los datos ordinales son variables categricas que
tienen tres o ms niveles con ordenamiento natural,
tales como: en desacuerdo total, en desacuerdo,
neutral, de acuerdo, y completamente de acuerdo.
469
Los datos pueden estar apilados o en diferentes columnas
Sample Appraiser Response
1 A Good
1 A Good
1 B Bad
1 B Good
2 A Good
2 A Good
2 B Good
2 B Good
3 A Bad
3 A Good
3 B Bad
3 B Bad
4 A Good
4 A Good
4 B Good
4 B Good
5 A Bad
5 A Bad
5 B Good
5 B Bad
Attribute column data
Sample
Appraiser A
Trial 1
Appraiser A
Trial 2
Appraiser B
Trial 1
Appraiser B
Trial 2
1 Good Good Bad Good
2 Good Good Good Good
3 Bad Good Bad Bad
4 Good Good Good Good
5 Bad Bad Good Bad
Multiple columns data
470
Ejemplo:
Una empresa est entrenando a cinco evaluadores para la
porcin escrita de un examen estndar de doceavo grado.

Se requiere determinar la habilidad de los evaluadores para
calificar el examen de forma que sea consistente con los
estndares.

Cada uno de los evaluadores califica 15 exmenes en una
escala de cinco puntos (-2, -1, 0, 1, 2):
471
Appraiser Sample Rating Attribute Holmes 8 0 0
Simpson 1 2 2 Duncan 8 0 0
Montgomery 1 2 2 Hayes 8 0 0
Holmes 1 2 2 Simpson 9 -1 -1
Duncan 1 1 2 Montgomery 9 -1 -1
Hayes 1 2 2 Holmes 9 -1 -1
Simpson 2 -1 -1 Duncan 9 -2 -1
Montgomery 2 -1 -1 Hayes 9 -1 -1
Holmes 2 -1 -1 Simpson 10 1 1
Duncan 2 -2 -1 Montgomery 10 1 1
Hayes 2 -1 -1 Holmes 10 1 1
Simpson 4 -2 -2 Duncan 11 -2 -2
Montgomery 4 -2 -2 Hayes 11 -1 -2
Holmes 4 -2 -2 Simpson 12 0 0
Duncan 4 -2 -2 Montgomery 12 0 0
Hayes 4 -2 -2 Holmes 12 0 0
Simpson 5 0 0 Duncan 12 -1 0
Holmes 5 0 0 Simpson 13 2 2
Duncan 5 -1 0 Montgomery 13 2 2
Hayes 5 0 0 Holmes 13 2 2
Simpson 7 2 2 Duncan 14 -1 -1
Montgomery 7 2 2 Hayes 14 -1 -1
Holmes 7 2 2 Simpson 15 1 1
Duncan 7 1 2 Montgomery 15 1 1
Hayes 7 2 2 Holmes 15 1 1
472
Acuerdo por atributos Instr. Minitab
1 Abrir el archive ESSAY.MTW.
2 Seleccionar Stat > Quality Tools > Attribute
Agreement Analysis.

3 En Attribute column, poner Rating.

4 En Samples, poner Sample.
5 En Appraisers, poner Appraiser.

6 En Known standard/attribute, poner Attribute.
7 Checar Categories of the attribute data are
ordered y poner OK
473
Resultados
Each Appraiser vs Standard

Assessment Agreement

Appraiser # Inspected # Matched Percent 95 % CI
Duncan 15 8 53.33 (26.59, 78.73)
Hayes 15 13 86.67 (59.54, 98.34)
Holmes 15 15 100.00 (81.90, 100.00)
Montgomery 15 15 100.00 (81.90, 100.00)
Simpson 15 14 93.33 (68.05, 99.83)

# Matched: Appraiser's assessment across trials agrees with the known
standard.
474
Resultados
All Appraisers vs Standard


# Inspected # Matched Percent 95 % CI
15 6 40.00 (16.34, 67.71)

# Matched: All appraisers' assessments agree with the known standard.
Between Appraisers


15 6 40.00 (16.34, 67.71)

# Matched: All appraisers' assessments agree with each other.
475
Resultados

Appraiser
P
e
r
c
e
n
t
Simpson Montgomery Holmes Hayes Duncan
100
80
60
40
20
0
95.0%CI
Percent
Date of study:
Reported by:
Name of product:
Misc:
Appraiser vs Standard
476
Resultados
ndice Kappa de Cohen
Un estadstico popular para medir el nivel de acuerdo entre dos
personas calificadoras con un intento o dentro de un calificador
con dos intentos.

El ndice Kappa de Cohen Kappa es calculado de manera
diferente que el ndice de Kappa de Fleiss.

Los rangos de Kappa van de -1 a +1. Entre mayor sea el valor
de Kappa, es ms fuerte el acuerdo. Si Kappa = 1, existe un
acuerdo perfecto. Si Kappa = 0, el acuerdo es similar a lo que
pudiera ser esperado por el azar.
477
Resultados
Minitab muestra tres tablas de acuerdo: Cada evaluador
vs el estndar, Entre evaluadores y Todos los evaluadores
vs estndar.

Los estadsticos de Kappa y Kendall tambin se incluyen
en cada una de las tablas. En general estos estadsticos
sugieren buen acuerdo.

El coeficiente de Kendall entre evaluadores es 0.966317 (p
= 0.0); para todos los evaluadores vs estndar es
0.958192 (p = 0.0). Sin embargo la observacin del
desempeo de Duncan y Haues indica que no se apegan
al estndar.
478
Resultados
La grfica de Evaluadores vs. Estndar proporciona
una vista grfica de cada uno de los evaluadores vs
el estndar, pudiendo comparar fcilmente la
determinacin de acuerdos para los cinco
evaluadores.

Se puede concluir que Duncan, Hayes y Simpson
requieren entrenamiento adicional.
479
Sistema de Medicin de Atributos
Ejemplo comparacin pasa no pasa
Un sistema de medicin de atributos compara
cada parte con un estndar y acepta la parte si
el estndar se cumple.
La efectividad de la discriminacin es la habilidad
del sistema de medicin de atributos para
discriminar a los buenos de los malos.
480
Ejemplo comparacin pasa no pasa

1. Selecciona un mnimo de 20 unidades del proceso. Estas
unidades deben representar el espectro completo de la
variacin del proceso (buenas, erroneas y en lmites).
2. Un inspector experto realiza una evaluacin de cada
parte, clasificndola como Buena o No Buena.
3. Cada persona evaluar las unidades, independientemente
y en orden aleatorio, y las definir como Buenas o No
Buenas.
4. Ingresa los datos en el archivo Attribute Gage R&R.xls
para cuantificar la efectividad del sistema de medicin.
481
GR&R de Atributos - Ejemplo
REPORTE
Legenda de Atributos
FECHA:
1 G = Bueno

NOMBRE:
2 NG = No Bueno
PRODUCTO:
SBU:
COND. DE PRUEBA:
Poblacin Conocida Persona #1 Persona #2
Muestra # Atributo
#1 #2
#1 #2
% DE EFECTIVIDAD DE DISCRIMINACION
(3)
-> 85.00%
(4)
-> 85.00%
1 G G G G G Y Y
2 G G G G G Y Y
3 G G G G G Y Y
4 G G G G G Y Y
5 G G G G G Y Y
6 G NG G G G N N
7 G G G G G Y Y
8 G G G G G Y Y
9 NG G G NG NG N N
10 NG NG NG G G N N
11 G G G G G Y Y
12 G G G G G Y Y
13 NG NG NG NG NG Y Y
14 G G G G G Y Y
15 G G G G G Y Y
16 G G G G G Y Y
17 NG NG NG NG NG Y Y
18 G G G G G Y Y
19 G G G G G Y Y
20 G G G G G Y Y
% DEL EVALUADOR
(1)
-> 95.00% 100.00%
% VS. EL ATRIBUTO
(2)
-> 90.00% 95.00%
Esta es la
medida
general de
consistencia
entre los
operadores
y el experto.
90% es lo
mnimo!
Acuerdo
Y=S N=No
Acuerdo
Y=S N=No
% DE EFECTIVIDAD DE DISCRIMINACION VS. EL ATRIBUTO
482
Pasa no pasa Datos en Minitab
Muestra Atributo Persona 1A Persona 1B Persona 2A Persona 2B
1 G G G G G
2 G G G G G
3 G G G G G
4 G G G G G
5 G G G G G
6 G NG G G G
7 G G G G G
8 G G G G G
9 NG G G NG NG
10 NG NG NG G G
11 G G G G G
12 G G G G G
13 NG NG NG NG NG
14 G G G G G
15 G G G G G
16 G G G G G
17 NG NG NG NG NG
18 G G G G G
19 G G G G G
20 G G G G G
483
Pasa no pasa Instrucciones en Minitab
1 Usar los datos anteriores.
2 Seleccionar Stat > Quality Tools > Attribute
Agreement Analysis.

3 En Multiple columns, con Persona 1 - Persona 2B.
4 En Number of appraisers, 2.
5 En Number of trials, 2.

6 En Known standard/attribute, poner Atributo
7 no Checar Categories of the attribute data are
ordered y poner OK

484
Pasa no pasa Resultados de Minitab
Attribute Agreement Analysis Persona 1A, Persona 1B, Persona 2A,
Persona 2B
Within Appraisers
1 20 19 95.00 (75.13, 99.87)
2 20 20 100.00 (86.09, 100.00)
# Matched: Appraiser agrees with him/herself across trials.
Fleiss' Kappa Statistics
Appraiser Response Kappa SE Kappa Z P(vs > 0)
1 G 0.82684 0.223607 3.69774 0.0001
NG 0.82684 0.223607 3.69774 0.0001
2 G 1.00000 0.223607 4.47214 0.0000
NG 1.00000 0.223607 4.47214 0.0000
Each Appraiser vs Standard
1 20 18 90.00 (68.30, 98.77)
2 20 19 95.00 (75.13, 99.87)
Between Appraisers
20 17 85.00 (62.11, 96.79)
Response Kappa SE Kappa Z P(vs > 0)
G 0.663222 0.0912871 7.26524 0.0000
NG 0.663222 0.0912871 7.26524 0.0000
All Appraisers vs Standard
20 17 85.00 (62.11, 96.79)
# Matched: All appraisers' assessments agree with the known standard.
Response Kappa SE Kappa Z P(vs > 0)
G 0.792005 0.111803 7.08391 0.0000
NG 0.792005 0.111803 7.08391 0.0000
485
Pasa no pasa Resultados de Minitab
Appraiser
P
e
r
c
e
n
t
2 1
100
95
90
85
80
75
70
95.0%CI
Percent
Appraiser
P
e
r
c
e
n
t
2 1
100
95
90
85
80
75
70
95.0%CI
Percent
Date of study:
Reported by:
Name of product:
Misc:
Within Appraisers Appraiser vs Standard
486
Interpretacin de Resultados
1. % del Evaluador es la consistencia de una persona.
2. % Evaluador vs Atributo es la medida de el acuerdo
que hay entre la evaluacin del operador y la del
experto.
3. % de Efectividad de Seleccin es la medida de el
acuerdo que existe entre los operadores.
4. % de Efectividad de Seleccin vs. el Atributo es una
medida general de la consistencia entre los
operadores y el acuerdo con el experto.
487
Estudio de Repetibilidad y
Reproducibilidad de Atributos -
Guas de Aceptabilidad
Aunque el 100% es el resultado que deseamos obtener,
en un estudio de repetibilidad y reproducibilidad de
atributos, la siguiente gua se usa frecuentemente:
Porcentaje Gua
De 90% a 100%
De 80% a 90%
Menos de 80%
Aceptable
Marginal
Inaceptable
488
Mtodo sencillo
Tomar 50 piezas, 40 de las cuales dentro de
especificaciones y 10 fuera de especificaciones

Probarlas con dispositivos pasa y no pasa por
medio de 3 operadores

Si no coinciden todos los operadores en al menos el
90%, los dispositivos o gages pasa, no pasa no
son confiables
489
- Metrologa
490
- Metrologa
Metrologa. Es la ciencia de las mediciones. Deriva del griego
metrn medida y logos lgica. Sus elementos clave son:

El establecimiento de estndares de medicin que sean
internacionalmente aceptados y definidos

El uso de equipo de medicin para correlacionar la
extensin que los datos del producto y proceso estn
conforme a especificaciones
La calibracin regular de equipos de medicin,
rastreables a estndares internacionales establecidos
491
- Metrologa
Unidades de medicin

El sistema internacional de unidades SI clasifica las
mediciones en 7 categoras:
Longitud (metro)
Tiempo (segundo)
Masa (kilogramo)
Corriente elctrica (ampere)
Temperatura (Kelvin)
Iluminacin (candela)
Cantidad de sustancia (mole)
492
- Metrologa
Temperatura
Temperatura en F = 1.8 (Temp C) +32

Temperatura en C = (Temp F 32) / 1.8

Temperatura en K = Temp C + 273.15

493
- Metrologa
Calibracin
Es la comparacin de un estndar de medicin o
instrumento de exactitud conocida con otro
instrumento para detectar, correlacionar, reportar o
eliminar por ajuste, cualquier variacin en la exactitud
del instrumento que se est comparando.

La eliminacin del error es la meta primaria del sistema
de calibracin
494
- Metrologa
Variabilidad total del producto
La variabilidad total en el producto incluye la
variabilidad del proceso de medicin.

Errores de medicin
El error del instrumento de medicin es el valor del
instrumento de medicin menos el valor verdadero.
medicin proceso total
2 2 2
o o o + =
patron medicion error
2 2 2
o o o =
error patron medicion
2 2 2
o o o + =
495
- Metrologa
Errores de medicin
El intervalo de confianza para la media de las
mediciones se reduce tomando mediciones mltiples
de acuerdo al teorema del lmite central con la
siguiente relacin:
n
lecturas
medicion
o
o =
496
- Metrologa
Errores de medicin
Hay muchas razones para que un equipo de medicin genere
variaciones por error, incluyendo las categoras siguientes:
Variacin por el operador
Variacin de operador a operador
Variacin del equipo
Variacin de los materiales
Variacin en procedimientos
Variacin en el software
Variacin de laboratorio a laboratorio
497
- Metrologa
Intervalo de calibracin

Es aceptado generalmente que el intervalo de
calibracin del equipo de medicin se base en la
estabilidad, propsito y grado de uso.

La estabilidad se refiere a la habilidad de un
instrumento de medicin para manejar de manera
consistente sus caractersticas metrolgicas durante el
tiempo.
498
- Metrologa
Intervalo de calibracin
El propsito es importante, en general las aplicaciones
crticas incrementan la frecuencia y las aplicaciones
menores disminuyen la frecuencia.
El grado de utilizacin o uso se refiere a que tan
frecuentemente se utiliza el instrumento y a que
condiciones ambientales se expone.
El equipo de medicin y prueba debe ser trazable a
registros que indiquen la fecha de la ltima calibracin,
por quin fue calibrado y cuando est planeada su
prxima calibracin. Algunas veces se usa la
codificacin.
499
- Metrologa
Estndares de calibracin
El valor verdadero reconocido de acuerdo al SI se
denomina Estndar

Los estndares primarios de referencia son copias del
kilogramo internacional y los sistemas de medicin que
responden a definiciones de las unidades
fundamentales a las unidades derivadas de la tabla SI.

Los estndares nacionales se toman como la autoridad
central para evaluar la exactitud, y todos los niveles de
estndares de trabajo son trazables a este gran
estndar
500
Estndares internacionales
En Mxico se tiene el CENEAM o el Centro
Nacional de Metrolgia

En EUA se tiene el NIST (National Institute of
Standards and Technolog)

Un Estndar primario es certificado por NIST o
por una organizacin alterna que use
procedimientos de calibracin actualizados

Los Estndares secundarios son calibrados por
el depto. de Metrologa de las empresas en base
a los estndares primarios, para efectos de
calibracin.
501
Estndares internacionales

Los Estndares secundarios se transfieren
a Estndares de trabajo en produccin.

Para determinar la exactitud de los
sistemas de medicin se debe conocer su
rastreabilidad a Estndares nacionales e
internacionales.

Resolucin: Para que el equipo de medicin tenga
una discriminacin adecuada en la evaluacin de las
partes, su resolucin debe ser al menos 1/10 de la
variabilidad del proceso ( LTNS - LTNI = 6 o )

502
- Metrologa
Estndares de calibracin
La trazabilidad hacia debajo de la trazabilidad se
muestra a continuacin

National Institute Standards and Technology
Laboratorios de Estndares
Laboratorios de Metrologa
Laboratorios de Sistema de Control de Calidad
Centros de Trabajo
503
- Metrologa
Resumen del ISO 10012

Quality assurance requirement for measuring
euipment Part 1: Metrological confirmation system
for measuring equipment.

Contiene requerimientos de aseguramiento de calidad
para asegurar que las mediciones sean hechas con la
exactitud intencionada.
504
- Metrologa
Resumen del ISO 10012 Elementos clave

Todos los equipos de medicin deben ser identificados,
controlados, y calibrados. Deben mantenerse los
registros de la calibracin y trazabilidad a estndares
nacionales

Debe determinarse la incertidumbre de la medicin

Se deben tener disponibles los procedimientos para
asegurar que el equipo de medicin no conforme no
sea utilizado
505
- Metrologa
Resumen del ISO 10012 Elementos clave

Debe establecerse un sistema de etiquetado que
muestre la identificacin nica y su estado

Se debe establecer la frecuencia de recalibracin

Las calibraciones deben ser trazables a estndares
nacionales

Se requieren procedimientos documentados para la
calificacin y entrenamiento del personal
506
Sistema de Gestin de las Mediciones Requisitos para
procesos de medicin y equipos de medicin
507
Contenido
0. Introduccin.
1. Alcance.
2. Referencias normativas.
3. Trminos y definiciones.
4. Requerimientos generales.
5. Responsabilidad de la direccin.
6. Gestin de recursos.
7. Confirmacin metrolgica y realizacin del proceso
de medicin.
8. Anlisis del sistema de gestin mediciones y mejora.
508
Sistema de Gestin de las Mediciones ISO 10012
8.3 Mejora

Requisitos
de
Medicin
del
Cliente

Satisfaccin
del
Cliente

6 Gestin de
Recursos
8 Anlisis y mejora
del sistema de
gestin de Mediciones
Resultados
de medicin
7 Realizacin del sistema de
Gestin de Mediciones

7.1 Proceso de
Confirmacin
Metrolgica
7.2 Proceso
de Medicin
5
Responsabilidad
de la Direccin
Entradas Salidas
Modelo del Sistema de Gestin de las Mediciones
509
Facilitar el cumplimiento de los requisitos de medicin de
otras normas.
Auxiliar en el sistema de gestin de medicin para la
certificacin
ISO 9000:2000 (7.6)
ISO 14001 (4.5.1)
ISO/IEC 17025:1999 (5)
ISO 10012
ISO/TS 16949 (7.6)
Relacin con otras normas
510
Asegura:

Que el equipo y los procesos de medicin son
los adecuados para el uso pretendido

La Calidad del producto

Administra:

El riesgo de los resultados de medicin
incorrectos
La metodologa de ISO 10012:
511
Cuando un cliente especifica productos
requeridos

Cuando un proveedor especifica productos
ofrecidos

Por organismos legislativos y regulatorios

Al desarrollar, mantener y auditar sistemas
de gestin de mediciones
Puede hacerse referencia a ISO 10012
512
Tener implantado un sistema de gestin de mediciones

Mejorar las actividades de medicin y la calidad de los
productos

Establecer los niveles de control necesarios en el
proceso de confirmacin metrolgica.
Beneficios en el uso de ISO 10012
513
Conocer los requisitos del sistema de gestin de medicin
a aplicar. (No intenta agregar, limitar o modificar ningn
requisito de otras normas).

Facilitar el cumplimiento con los requisitos para las
mediciones y los procesos de control de mediciones de
otras normas.

La referencia de tcnicas estadsticas en el proceso de
control de la medicin.
Beneficios en el uso de ISO 10012
514
1. Alcance de la norma ISO 10012
Proporcionar directrices para administrar los
procesos de medicin y confirmacin metrolgica
del equipo de medicin.
Establecer los requisitos de calidad de un sistema de
gestin de mediciones.
Asegurar que se cumplan los requisitos metrolgicos.
515
3. Definiciones
Sistema de gestin
de mediciones

Proceso de medicin

Equipo de medicin
Caractersticas
metrolgicas

Confirmacin
metrolgica

Funcin metrolgica
516
3. Definiciones

Sistema de gestin de
mediciones
(SGM)

Proceso de medicin

Equipo de medicin

Conjunto de elementos
interrelacionados, necesarios para
lograr la confirmacin metrolgica y
el control continuo de los procesos
de medicin

Conjunto de operaciones para
determinar el valor de una cantidad

Instrumento de medicin,
programa de cmputo, patrn de
medicin, material de referencia o
aparato auxiliar o combinacin de
estos, necesario para llevar a cabo
el proceso de medicin
517
Caracterstica
metrolgica

Confirmacin
metrolgica (CM)

Funcin
Metrolgica (FM)
Caracterstica identificable que
puede influir en los resultados de la
medicin.

Conjunto de operaciones para
asegurar que el equipo de medicin
esta conforme a los requisitos del
uso pretendido.

Funcin con responsabilidades
administrativa y tcnica para definir
e implantar el sistema de gestin
de mediciones (SGM)
3. Definiciones
518
4. Requisitos Generales
El SGM debe:

Asegurar que los requisitos
metrolgicos sean satisfechos.

Los requisitos metrolgicos se
derivan de los requisitos para el producto

519

Error mximo
permitido
Alcance
Incertidumbre mxima
permitida

Resolucin

Estabilidad
Condiciones
ambientales
Habilidades del
observador
El SGM debe asegurar que los requisitos metrolgicos sean
satisfechos. Estos pueden estar expresados como:
520
La organizacin debe:

Especificar los procesos de medicin, y

el equipo de medicin
Bajo los requisitos del SGM
521
Se deben tomar en cuenta los riesgos de
incumplimiento de los requisitos metrolgicos,
al definir alcance y extensin del SGM
Producto fuera de
especificaciones
Insatisfaccin de los
clientes
522

Los procesos de medicin asignados
(seleccionados)

La confirmacin metrolgica del equipo de
medicin

Los procesos de soporte necesarios
El SGM consiste en:
523

Controlar los procesos de medicin

Confirmar todo el equipo de medicin

Hacer los cambios conforme a los procedimientos de la
organizacin
Dentro del SGM se debe:
524
5.1 Funcin metrolgica
5. Responsabilidad de la direccin
5.2 Enfoque en el cliente
5.3 Objetivos de calidad
5.4 Revisin por la direccin
525
Definir la funcin metrolgica (FM).
Asegurar la disponibilidad de los recursos necesarios
para establecer y mantener la funcin metrolgica.
La Direccin de la Organizacin debe:
Establecer, documentar y mantener el SGM; y
mejorar continuamente su efectividad.
La DFM debe:
526
Direccin de la organizacin
Direccin de la Funcin Metrolgica
Funcin Metrolgica
Mejora continua
RECURSOS RESULTADOS
527
5.2 Enfoque en el cliente
La DFM debe asegurar que:
Los requisitos de medicin del cliente sean
determinados y convertidos en requisitos
metrolgicos.
Los sistemas de medicin sean
adecuados para cumplir con los
requisitos del cliente.
Se pueda demostrar la capacidad para
cumplir con los requisitos del cliente
528
5.3 Objetivos de calidad
La DFM debe:
Definir y establecer objetivos de
calidad medibles para el SGM.
Definir criterios de desempeo
objetivos
Definir los procedimientos para los
procesos de medicin, as como para
su control.
529
5.4 Revisin por la direccin
Asegurar la revisin sistemtica del SGM a
intervalos planeados
Asegurar que los recursos necesarios estn
disponibles

Continua adecuacin, efectividad y aptitud
La Direccin de la Organizacin debe:
Usarse para mejorar el sistema (procesos
de medicin y objetivos de calidad)
Registrarse, al igual que todas las acciones
tomadas
Los resultados de la revisin deben:
530
6.1 Recursos humanos
6.2 Recursos de informacin
6.3 Recursos materiales
6.4 Proveedores externos
6. Gestin de recursos
531
6.1 Recursos humanos
La DFM debe:
definir y documentar las responsabilidades del
personal asignado al SGM.
532
Competencia y entrenamiento
Asegurar la habilidad del personal para
efectuar las tareas asignadas.
Especificar cualquier habilidad especial
requerida.
Asegurar que se provea el
entrenamiento, mantener registros y
evaluar eficacia del entrenamiento.
Concientizar al personal del impacto de
sus actividades en el SGM y en la
calidad del producto.
La DFM debe:
533
Documentarse y validarse
para asegurar su apropiada
implantacin y la validez de
los resultados de medicin.
Ser autorizados, controlados,
vigentes y disponibles cuando
se requiera.
Los procedimientos deben:
Divisin del esfuerzo de
diseo en partes
Desarrollo de diseos
alternativos
Seleccin de la mejor
alternativa
Criterios
Alternativas
Mejor Diseo
Detalles del
diseo
Calcular la capacidad
del proceso
Revisin del diseo,
valoracin del riesgo,
Integral el diseo
Plan de
prueba
piloto
Desarrollo pruebas
piloto
Diseo de
piloto
Producto/Servicio
Procesos
Instalaciones
Equipo
Materiales
Informacin
Capital Humano

534
documentados,
identificados,
controlados.
para asegurar su adecuado uso continuo.

Deben ser probados o validados
antes de su uso inicial, para asegurar
la validez de los resultados de
medicin.
Los programas de cmputo usados en los procesos
de medicin y clculo de resultados deben estar:
535
Los registros deben mantenerse con la informacin
requerida para la operacin del SGM.
Mediante procedimientos debe asegurarse:
identificacin,
almacenamiento,
proteccin,
recuperacin,
tiempo de retencin,
desecho de los registros.

536
El equipo debe:
tener una identificacin del estado
de confirmacin metrolgica.
estar controlado para prevenir el
uso no autorizado.
distinguirse de otros equipos.
Los procedimientos tcnicos y el equipo de medicin
usados en el SGM deben estar identificados, individual
o colectivamente.
537
6.3. Recursos materiales
Estar disponible e identificado.
Tener un estado de calibracin
vlido antes de ser confirmado.
Ser usado en un ambiente
controlado o conocido.
Incluir el equipo para monitorear y
registrar magnitudes de influencia.
El equipo de medicin debe:
538
Establecer, mantener y usar procedimientos documentados para:
recibir,
manejar,
transportar,
almacenar, y
distribuir los equipos de medicin
con objeto de prevenir abuso, mal uso, dao y cambios en las
caractersticas metrolgicas.

Establecer procedimientos para introducir o remover el equipo de
medicin del SGM
La DFM debe:
539
Documentarse para la correcta operacin de los procesos de
medicin
Vigilarse y registrarse cuando afecten las mediciones
Las condiciones ambientales deben:
Registrarse y aplicarse a los resultados de las mediciones
Las correcciones debidas a las condiciones ambientales
deben:
540
6.4 Proveedores Externos
Definir y documentar los requisitos para productos y servicios
a ser provistos por un proveedor externo.
Evaluar y seleccionar a los proveedores con base en su
capacidad para cumplir los requisitos documentados.
Definir y documentar criterios para seleccin, vigilancia y
evaluacin. Los resultados se deben registrar.
Mantener registros de los productos y/o servicios
suministrados.
La DFM debe:
541
7. Confirmacin metrolgica y realizacin
del proceso de medicin
7.1 Confirmacin metrolgica.
Intervalos de recalibracin
7.2 Proceso de medicin.
7.3 Incertidumbre de la medicin y
trazabilidad.
542
7.1 Confirmacin metrolgica
diseada, e
implantada;
Termohigrometro digital portatil
La Confirmacin Metrolgica (CM) debe ser :
para asegurar que las caractersticas
metrolgicas del equipo de medicin,
satisfagan los requisitos metrolgicos del
proceso de medicin
543
La calibracin del equipo de medicin.
La verificacin del equipo de medicin.
La CM est compuesta por:
La informacin del estado de CM debe:
Ser fcilmente accesible al operador.
544
revisarse y ajustarse cuando sea
necesario para asegurar la
conformidad continua con los
requisitos metrolgicos,
revisarse cada vez que un equipo de
medicin no conforme se repare,
ajuste o modifique.
Los mtodos usados para determinar o modificar los
Intervalos de confirmacin metrolgica (ICM)
deben ser descritos en procedimientos
documentados.
Los ICMs deben
545
Los medios y dispositivos de ajuste del equipo
de medicin deben sellarse o salvaguardarse
para prevenir cambios no autorizados
Los sellos y medidas de salvaguarda deben
disearse e implantarse de modo que se
detecte su violacin.
Los procedimientos del proceso de
confirmacin metrolgica, deben incluir
acciones a tomar cuando los sellos o
salvaguardas se encuentren daados o
perdidos.
Control de ajustes al equipo
546
Asegurar que slo las personas autorizadas
generen, modifiquen, emitan o borren registros.
Los registros del PCM deben:
Estar fechados y aprobados por una persona autorizada
para atestiguar la veracidad de los resultados.
Mantenerse y estar disponibles,
Demostrar si el equipo de medicin satisface los
requisitos metrolgicos especificados.
La FM debe:
547
Consideraciones bsicas.
Intervalos de recalibracin
Mtodos OIML D10
Mtodos NCSL RP-1
Ejemplo
548
Consideraciones
bsicas
La calibracin peridica no previene la ocurrencia de eventos fuera de
tolerancia.
Limitar el uso de atributos de instrumentos fuera de tolerancia a un
nivel aceptable, reduciendo por lo tanto el riesgo de errores de
decisin.
El objetivo del anlisis de intervalos:
NCSL RP-1:
Mejorar la estimacin de la desviaciones y la incertidumbre asociada
para un parmetro (de un equipo o instrumento) durante su uso.
Reasegurar la incertidumbre que puede ser obtenida con un patrn de
referencia o instrumento de medicin.
Obtener un equilibrio entre el riesgo de uso fuera de tolerancia y el
costo derivado de la operacin del programa de recalibracin.
OIML D10:
549
Incertidumbre de requerida o declarada por el
laboratorio,
Riesgo de uso del equipo fuera de tolerancia.
Tipo de equipo.
Tendencia de uso y deriva.
Recomendacin del fabricante.
Amplitud y severidad del uso.
Condiciones ambientales (clima, vibracin, radiacin,
etc.),
Factores de influencia en el anlisis
de intervalos (OIML D10):
Consideraciones
bsicas
550
Tendencia obtenida de registros previos de calibracin.
Historial de mantenimiento y servicio.
Frecuencia de revisin cruzada contra patrones u otros
instrumentos.
Frecuencia y calidad de la verificaciones intermedias.
Efectos del transporte y riesgo.
Grado de entrenamiento del personal de servicio.
Factores de influencia en el anlisis
de intervalos (OIML D10):
Consideraciones
bsicas
551
Recomendacin del fabricante del equipo.
Amplitud y severidad de uso esperado.
Influencia del medio ambiente.
La incertidumbre de medicin requerida.
Mxima desviacin permitida (p. ej. por metrologa legal).
Ajustes o cambios en el instrumento particular.
Influencia de la magnitud medida (p. ej. efecto de la alta
temperatura en los termopares).
Datos publicados acerca del comportamiento de instrumentos
similares.
Seleccin de intervalos iniciales (OIML D10):
Consideraciones
bsicas
552
Consideraciones bsicas
Coleccin de datos y almacenamiento:
Integridad, homogeneidad, claridad, exactitud.
Anlisis de datos.
Historial de calibracin
Los ajustes se realizan para cumplir con objetivos de confiabilidad
Modelado y proyeccin de la confiabilidad de la medicin.
Revisin de ingeniera.
Anlisis de logstica
Evaluacin del costo/beneficio.
Requerimientos del personal.
Entrenamiento y comunicacin
El anlisis de intervalos de calibracin incluye (NCSL RP-1):
553
Mtodos OIML D10
Mtodo 1. Ajuste automtico escalera (tiempo
calendario)
Mtodo 2. Carta de control (tiempo calendario)
Mtodo 3. Tiempo en uso.
Mtodo 4. Verificacin en servicio o prueba de la caja
negra.
Mtodo 5. Otros mtodos estadsticos.
554
Comparacin Mtodos OIML D10:
Mtodo 1:
Escalera
Mtodo
2:
Carta de
control
Mtodo
3:
Tiempo
en uso
Mtodo
4:
Caja
negra
Mtodo
5:
Estadstico
s
Confiabilidad Mediana Alta Mediana Alta Mediana
Esfuerzo para
aplicacin
Bajo Alto Mediano Bajo Alto
Balance de carga de
trabajo
Mediano Mediano Malo Mediano Malo
Aplicabilidad con
respecto a
instrumentos
particulares
Mediana Baja Alta Alta Baja
Disponibilidad de
instrumentos
Mediana Mediana Mediana Alta Mediana
555
Intervalos generales.
Intervalos externos (prestados).
Anlisis de ingeniera.
Mtodos reactivos.
Respuesta simple
Respuesta incremental
Mtodo de prueba de intervalos
Mtodos predictivos (mxima verosimilitud).
Mtodo clsico
Mtodo binomial
Mtodo del tiempo de renovacin
Mtodos NCSL RP-1:
556
Comparacin Mtodos NCSL RP-1:
Criterio de seleccin
Intervalos
generales
Intervalos
prestados
Anlisis de
Ingeniera
Mtodos reactivos
A1 A2 A3
Cumplimiento objetivos de calidad. Pobre Pobre a
leve
Pobre Pobre Leve Bueno
Disponibilidad de datos. Ninguno Ninguno Bajo Calibrac.
actual.
Hist. de
calib. rec.
Hist. de
calib. rec.
Presupuesto para el desarrollo. Ninguno Ninguno Bajo a
moderado
Bajo Bajo a
moderado
Moderado
Presupuesto anual para mtto. Ninguno Ninguno Bajo Bajo Ninguno Ninguno
Presupuesto anual para operacin. Ninguno Bajo Alto Moderado
a alto
Bajo a alto Bajo
Requerimientos para el personal
(desarrollador).
Clerical Bajo Sr. en
ingeniera
Educacin
general
Tec.
general,
Anal. de
Sist.
Anal. de
Sist.
Estadstico
(usuario).
Clerical Ed. general
a ingeniera
Sr.
ingeniera
Tec. en
calibracin
Clerical a
ingeniera
Clerical
Requerimientos de entrenamiento. Ninguno Ninguno Alto Bajo Bajo a
moderado
Bajo
Requerimientos de ADP
(Automatic Data Processing).
Ninguno Ninguno Ninguno Ninguno Ninguno a
PC
PC
Efectividad del sistema. Pobre Pobre a
leve
Leve Pobre Pobre a
leve
Leve a
bueno
Ahorro de costos. Ninguno Muy bajo a
bajo
Muy bajo Bajo Moderado Alto
557
Criterio de seleccin
Mtodos de mxima verosimilitud
S1 S2 S3
Cumplimiento objetivos de calidad.
Leve Bueno a
excelente
Excelente
Disponibilidad de datos.
Historial de
calibracin
Hist. de Cal. y
accin realizada
Hist. de Cal. y
accin realizada
Presupuesto para el desarrollo.
Moderado Alto Alto
Presupuesto anual para mtto.
Bajo Bajo Bajo
Presupuesto anual para operacin.
Bajo Bajo Bajo
(desarrollador).
Sr. Estadist.
Sr.Sist.Anal.
Sr. Estadist.
Sr.Sist.Anal.
Sr. Estadist.
Sr.Sist.Anal.
(usuario).
Tcnico en
calibracin
Tcnico en
calibracin
Tcnico en
calibracin
Requerimientos de entrenamiento.
Bajo Bajo Bajo
Requerimientos de ADP
(Automatic Data Processing).
PC PC a minicomp. PC a minicomp.
Efectividad del sistema.
Bueno Bueno a
excelente
Excelente
Ahorro de costos.
Moderado Alto a muy alto Alto a muy alto
Comparacin Mtodos NCSL RP-1 (cont.):
558
Ejemplo (Mtodo de respuesta simple):
| | a I I
m m
+ =

1
1
Si el resultado est dentro de tolerancia, el nuevo
intervalo (ampliado) ser:
| | b I I
m m
=

1
1
Si el resultado est fuera de tolerancia, el nuevo
intervalo (acortado) ser:
a = 0,2; y b = 0,5.
Han probado buenos resultados en simulaciones.
559
Ejemplo (Mtodo de respuesta incremental):
( ) | | R y I I
m m m m
A + =

1
1
Variacin 1 (se restringen los incrementos):
Variacin 2 (no hay restricciones):
( ) | |
m
y
m m
R I I
m
A + =

1
1
1 1
=
a. toleranci de fuera result n calibraci la si
a. toleranci de dentro result n calibraci la si
, 0
, 1
m-sima
m-sima
y
m
. 1 , 1 ,
2

0 0
1
1
= = A
A
= A

y
m m
y y
m
m
Donde:
560
Ejemplo (Mtodo de respuesta incremental):
Calibracin
[m]
Resultado y
m
A
m
I
m,Exacto
I
m,Ex
I
m,Tr,Ex
I
m,Tr

0
1 1 45,000 45 45,000 45
1 OOT 0 0,5 24,750 25 24,750 25
2 IT 1 0,25 30,319 30 30,625 31
3 IT 1 0,25 37,140 37 37,975 38
4 IT 1 0,25 45,497 45 46,550 47
5 IT 1 0,25 55,734 56 57,575 58
6 OOT 0 0,125 49,464 49 51,475 51
7 IT 1 0,0625 52,246 52 53,869 54
8 IT 1 0,0625 55,185 55 57,038 57
Variacin 2 (R = 0,9):
561
7.2 Proceso de Medicin
Altura, (h)
562
Planeados
Validados
Implantados
Documentados
Controlados
7.2.1 Generalidades
Los procesos de medicin parte del SGM deben ser:
Las magnitudes de influencia que afecten los procesos deben ser:
Identificadas y
Consideradas
563
Identificacin de equipos relevantes
Procedimientos de medicin
Programas de cmputo para medicin
Habilidades del operador
Factores que afecten la confiabilidad
7.2.1 Generalidades
La especificacin del proceso de medicin debe incluir:
564
Los requisitos del cliente.
La organizacin.
Los requisitos legales
7.2.2 Diseo del proceso de medicin
Los requisitos metrolgicos deben determinarse con base en:
Requisitos
del Cliente
Aspectos
legales
Organizacin
Requisitos metrolgicos
del proceso de medicin
565
Los Procesos de Medicin deben ser:
Cliente Cliente Laboratorio Laboratorio Cliente Cliente Laboratorio Laboratorio
Diseados para cumplir con los requisitos.
Documentados.
Validados.
Cuando sea posible, acordados con el cliente.
566
Identificar los elementos y
controles relevantes.

Seleccionar controles
acordes con el riesgo de
incumplimiento.
Para cada proceso de medicin se deben:
567
Los controles deben incluir:
efectos del operador,
equipos,
condiciones ambientales,
magnitudes de influencia,
y
mtodos de aplicacin.
568
Disearse para prevenir resultados
de medicin errneos.
Asegurar la rpida deteccin de
deficiencias y asegurar la
oportunidad de las acciones
correctivas.
Identificarse y cuantificarse las
caractersticas de desempeo
requeridas para el uso pretendido.
Los procesos de medicin deben:
569
llevarse a cabo bajo condiciones controladas diseadas para
satisfacer los requisitos metrolgicos.
7.2.3 Realizacin del proceso de medicin
El proceso de medicin debe:
570
equipo confirmado,
procedimientos validados,
recursos de informacin,
condiciones ambientales,
personal competente,
informe apropiado,
implantacin de seguimiento.
Las caractersticas a controlar deben incluir:
7.2.3 Realizacin del proceso de medicin
571
a) descripcin completa de los procesos de medicin
implantados, incluyendo todos los elementos, por ejemplo,
operadores, equipo de medicin o patrn de control usado y
las condiciones de operacin relevantes
b) datos relevantes obtenidos de los controles del proceso de
medicin, incluyendo la informacin relevante a la
incertidumbre de la medicin
c) acciones tomadas como resultado de los datos de control
del proceso de medicin;.
7.2.4 Registros de los procesos de medicin
La FM debe mantener registros que incluyan:
572
fecha(s) en las cuales se llevaron a cabo las actividades de
control del proceso de medicin
identificacin de los documentos de verificacin relevantes
identificacin de la persona responsable de proveer la
informacin de los registros
habilidades (requeridas y logradas) del personal.

Demostrar conformidad con procesos de medicin
7.2.4 Registros de los procesos de medicin
La FM debe mantener registros que incluyan:
573
7.3.1 Incertidumbre de la medicin
Realizarse para todos los procesos cubiertos por el SGM.
Ser registrada.
Ser analizada antes de la confirmacin metrolgica y de la
validacin del proceso de medicin.
Documentar todas las fuentes conocidas de variabilidad de la
medicin.
La estimacin de incertidumbre debe :
574
Parmetro asociado al resultado de una medicin, que
caracteriza la dispersin de los valores que podran ser
razonablemente atribuidos al mensurando
0
10
20
30
40
50
60
70
80
90
575
Mtodos de Evaluacin:
Tipo A Tipo B
Valores obtenidos
durante el proceso de
medicin
Mediciones repetidas
Repetibilidad
Reproducibilidad
Regresin lineal
otras fuentes de informacin
Certificados de calibracin
Manuales de instrumentos
Mediciones anteriores
etc.
Adopcin de valores
externos al proceso de
medicin
576
Mtodo GUM
Definir los modelos fsicos y matemticos
Mensurando
Magnitudes de influencia
Cuantificacin
Valor del mensurando
Incertidumbre estndar
combinada
Incertidumbre expandida
Informe
Definir y organizar las magnitudes de
influencia
Cuantificar magnitudes de influencia y su
dispersin
Similar a la varianza del valor del
mensurando
Intervalo que abarca el valor del mensurando
con un cierto nivel de confianza
... del resultado de medicin, incluyendo su
incertidumbre
Obtener la mejor estimacin del valor del
mensurando
577
Informar el resultado
V = 1,998 5 L U = 0,065 % (k = 2)
incertidumbre relativa
V = (1,998 5 0,001 3) L (k = 2)
Y : Mensurando
y : Mejor estimado del mensurando
U : Incertidumbre expandida
V = 1,998 5 L 1,3 mL (k = 2)
V = 1,998 5 L U = 1,3 mL (k = 2)
Resultado de la medicin:
Y = y U; con k = ?
7.3.1 Incertidumbre de la
medicin
578
Incertidumbre requerida.
Incertidumbre requerida
Procedimientos para la determinacin de la
incertidumbre requerida.
Algunas reglas simples.
579
Falsos rechazos (False reject risk): Productos
detectados errneamente como no conformes.

Falsas aceptaciones (False accept risk):
Productos detectados errneamente como
conformes.
La INCERTIDUMBRE REQUERIDA debe ser
consistente con los riesgos de:
580
Incertidumbre requerida
Especificacin de
tolerancia e intervalo
de medicin.
Seleccin del
instrumento,
mtodo,
condiciones
ambientales, etc.,
a utilizar.
Estimacin de la
incertidumbre de
medicin.
Definicin de la
incertidumbre
requerida (aceptacin
de riesgo).
La
incertidumbre
estimada es = a
la incertidumbre
requerida?
FIN
NO
S
Especificacin de
tolerancia e intervalo
de medicin.
Seleccin del
instrumento,
mtodo,
condiciones
ambientales, etc.,
a utilizar.
Estimacin de la
incertidumbre de
medicin.
Definicin de la
incertidumbre
requerida (aceptacin
de riesgo).
La
incertidumbre
estimada es = a
la incertidumbre
requerida?
FIN
NO
S
Un mtodo simple
581
INCERTIDUMBRE
REQUERIDA
INCERTIDUMBRE
ACTUAL
Incertidumbre requerida vs actual
CALIDAD
INCERTIDUMBRE
Variabilidad
Riesgo
EVALUACIN Y MEJORA
DEL SISTEMA DE MEDICIN
Instrumento
Ambiente
Procedimiento
Personal
T
R
A
Z
A
B
I
L
I
D
A
D
MEDICIN
582
Pasa no pasa?
U
Proveedor

U
Cliente

Zona de incertidumbre
Especificacin Tolerancia
U
Proveedor
U
Cliente

Zona de rechazo (no conformidad)
Zona de aceptacin,
(conformidad)
ISO 14253-1: Reglas de decisin.
583
Pasa o no pasa?
ISO 14253-1
Herramienta til para tomar decisiones sobre la
aceptacin o rechazo de un producto.
Su implementacin reduce las disputas de no
conformidad de los productos.
La relacin tolerancia/incertidumbre no controla la
relacin de riesgo del consumidor/fabricante.
La correcta aplicacin de la ISO 14253-1 es de gran
importancia para todas las ramas de la industria.
584
Reglas simples
En tolerancias mecnicas se
recomienda
Otra estimacin
10
2
3 s
s
REQ
u
Tolerancia
r
REQ
f
LIE LSE
u
=
3
Donde:

Riesgo

Factor
de
riesgo, f
r
Pone en riesgo la vida 10
Pone en peligro la salud,
Viola disposiciones legales;
Causa prdidas de clientes.
8
Causa prdidas mayores,
Causa reclamaciones serias
de clientes
6
Causa prdidas moderadas,
Causa reclamaciones de
clientes
4
Causa prdidas leves 2
585
7.3.2 Trazabilidad
La DFM debe:
La trazabilidad a las unidades del SI debe:
ser lograda por referencia a un patrn primario o a una
constante natural, cuyo valor se conozca en trminos de las
unidades del SI relevantes y sea recomendado por el
(CIPM).
asegurar que los resultados de medicin sean trazables a
realizaciones de las unidades del SI
586
mantenerse tanto tiempo como requiera el SGM, el cliente,
o los requisitos normativos o regulatorios.
7.3.2 Trazabilidad
Los patrones de consenso solamente deben:
ser usados en situaciones contractuales cuando no existan
las unidades SI correspondientes o las constantes naturales
reconocidas, y as se haya acordado.
Los registros de trazabilidad de los resultados de
medicin deben:
587
Trazabilidad de la medicin
Propiedad del resultado de una medicin o del valor de un patrn,
por la cual puede ser relacionado a referencias determinadas,
generalmente patrones nacionales o internacionales, por medio de
una cadena ininterrumpida de comparaciones, todas ellas
teniendo incertidumbres determinadas
Referencia a patrones nacionales de
medicin
Servicios de calibracin de laboratorios
que puedan demostrar competencia
tcnica, capacidad de medicin y
trazabilidad - ISO/IEC17025
Vnculo con las
unidades del SI
7.3.2 Trazabilidad
588
Trazabilidad... ...e Incertidumbre
Calibracin
Calibracin
Calibracin
Realizacin
PATRN PRIMARIO
PATRN SECUNDARIO
PATRN DE TRABAJO
INSTRUMENTO DE MEDICIN
Unidades del SI
Medicin
NOTA: NO es el INSTRUMENTO el que tiene trazabilidad, SINO
el resultado de la MEDICIN que se realiza con l !
7.3.2 Trazabilidad
589
7.3.2 Trazabilidad
Obteniendo trazabilidad:
Resultado sin corregir
Repetibilidad
(errores aleatorios)
Valor verdadero
Incertidumbre:
Repetibilidad
+ otras contribuciones
Resultado corregido
Correccin
(error sistemtico)
Mensurando
Tolerancia
Tolerancia
Especificacin
590
PATRN INTERNACIONAL
(0 g)
PATRN DE TRANSFERENCIA
LPN-00-06
( 31 g)
PATRN NACIONAL
Prototipo No. 21
( 2,3 g)
PATRN DE TRABAJO
LPR-00-06
( 125 g)
PATRN DE TRABAJO
LPR-00-05
( 125 g)
PATRN DE TRABAJO
LPR-00-09
( 125 g)
PATRONES DE REFERENCIA
Laboratorios secundarios
PESAS CLASE DE EXACTITUD E
1
E INFERIORES
PATRN DE CONTROL
LPN-00-07
( 31 g)
PATRN DE CONTROL
LPN-00-02
( 31 g)
Unidad de base
Ejemplo:
Masa de 1 kg
1
E INFERIORES
1
E INFERIORES
Ejemplo de carta de trazabilidad
7.3.2 Trazabilidad
591
La confianza en las mediciones se alcanza
estableciendo trazabilidad a patrones de medicin
adecuados, entre ellos:
Materiales de referencia certificados.
Mtodos especificados (y/o patrones) claramente
descritos y acordados por todas las partes.
Comparaciones entre laboratorios.
7.3.2 Trazabilidad
592
8.1 Generalidades
8.2 Auditora y seguimiento
8.3 Control de no conformidades
8.4 Mejora
8. Anlisis y mejora del sistema de
gestin de mediciones
593
La FM debe:
Planear e implantar el monitoreo,
anlisis y mejora requeridos para:
Asegurar la conformidad del SGM
con ISO 10012
La mejora continua del SGM.
8.1 Generalidades
594
Usar tcnicas de auditoria, seguimiento y otras
apropiadas para determinar la adecuacin y
efectividad del sistema de gestin de mediciones en
relacin con:
Satisfaccin del cliente

Auditoria del SGM.

Seguimiento al SGM

La FM debe:
595
Dar seguimiento a la informacin relacionada con la
satisfaccin del cliente para saber si las necesidades
metrolgicas han sido cumplidas.

Especificar los mtodos para obtener y usar esta
informacin.
La FM debe:
596
Planear y conducir auditorias al SGM para asegurar su continua y
efectiva implantacin y cumplimiento con los requisitos
especificados.
Informar los resultados de la auditoria a las partes involucradas
dentro de la gestin de la organizacin.
Registrar los resultados de todas las auditorias del SGM, as como
todos los cambios al sistema.
La FM debe:
La organizacin debe:
Asegurar que se tomen las acciones para eliminar las no
conformidades detectadas y sus causas.
597
Dar seguimiento a los procesos de confirmacin metrolgica y a los
procesos de medicin. Conforme a procedimientos documentados e
intervalos establecidos.
Prevenir las desviaciones de los requisitos mediante la rpida
deteccin de deficiencias y las oportunas acciones para su
correccin.
Ser congruente con el riesgo de incumplimiento de los requisitos
especificados.
documentar los resultados del seguimiento y todas las acciones
correctivas resultantes.
La FM debe:
598
La FM debe:
Asegurar la deteccin de no conformidades y tomar acciones
inmediatas
Identificar y no utilizar procesos de medicin no conformes
hasta que se corrijan
Determinar las consecuencias potenciales, corregir lo
necesario y tomar acciones correctivas, cuando se
identificado un proceso no conforme
Asegurar que los procesos modificados sean validados
despus de las acciones correctivas.
599
Ser retirado del servicio o identificado claramente mediante una
etiqueta
Reintegrarse al servicio hasta que se hayan eliminado las razones de la
no conformidad y sea confirmado nuevamente.
Marcarse claramente cuando no pueda recuperar sus caractersticas
metrolgicas. En caso de confirmarse para otro uso se deben
identificar sus limitaciones
La no conformidad del equipo de
medicin sospechoso debe
verificarse y se debe preparar
un informe.
El equipo de medicin no conforme debe:
600
8.4 Mejora
Planear y administrar la mejora continua del SGM con base
en:
Resultados de auditorias
Revisiones por la direccin
Retroalimentacin de los clientes

Revisar e identificar oportunidades potenciales para mejorar
el SGM.
La FM debe:
601
8.4.1 Accin Correctiva
Actuar para identificar la causa y eliminar la discrepancia
cuando un elemento del SGM:
no satisfaga los requisitos especificados o,
los datos exhiban una tendencia inaceptable,
La FM debe:
602
8.4.2 Accin preventiva
Determinar las acciones para eliminar las causas potenciales
de no conformidades con el fin de evitar que ocurran.
Las acciones preventivas deben ser apropiadas a los efectos
de los problemas potenciales.
La FM debe:
603
8.4.2 Accin preventiva
Determinar no conformidades potenciales y sus causas
Evaluar la necesidad de accin para prevenir la ocurrencia de
no conformidades
Determinar e implantar la accin necesaria
Debe existir un procedimiento documentado para:
604
Ejemplo accin preventiva y correctiva
PROBLEMTICA: Se desconoce el estado metrolgico que
guardan los instrumentos de medicin de un laboratorio

OBSERVACIN: No existe evidencia del seguimiento y
estado actual de los instrumentos de medicin y por
consiguiente de los elementos para determinar los periodos de
recalibracin.
605
ACCIN CORRECTIVA: Usar informes de calibracin para
los instrumentos
ACCION PREVENTIVA: Mediante un estudio del problema
se trata de determinar la causa raz. Derivado de este
estudio se implementa el uso de herramientas estadsticas
como los grficos de control para llevar un control y
seguimiento del comportamiento de cada instrumento y de
esta forma conocer la deriva de los mismos y determinar los
periodos de recalibracin.
Ejemplo accin preventiva y correctiva
606
6F1. Estudios de Capacidad de
Proceso
607
Nigels Trucking Co.
Teora del camin y el tnel
El tnel tiene 9' de ancho (especificacin). El camin tiene 10 y el chofer es perfecto
(variacin del proceso). Pasara el camin? NO, la variabilidad del proceso es mayor
que la especificacin.
Centrar es hacer que el promedio del proceso sea igual al centro de la
especificacin. Si el camin tiene 8 pies de ancho pasar el camin?, Si. Si
el chofer puede mantener el centro del camin en el centro del tnel. De otra forma
chocar con las paredes del tnel y no pasar a pesar de ser ms angosto.
Ancho 9
El proceso debe estar en control, tener capacidad y estar centrado
608
Objetivos de la capacidad del proceso

1. Predecir que tanto el proceso cumple especificaciones

2. Apoyar a diseadores de producto o proceso en sus
modificaciones

3. Especificar requerimientos de desempeo para el equipo
nuevo

4. Seleccionar proveedores

5. Reducir la variabilidad en el proceso de manufactura

6. Planear la secuencia de produccin cuando hay un efecto
interactivo de los procesos en las tolerancias
609
6F1. Anlisis de la capacidad de
proceso Estudios de capacidad
La capacidad del proceso es un patrn predecible de
comportamiento estadstico estable donde las causas
de variacin se comparan con las especificaciones.
610
_
X
xi
s
Z
LIE
Especificacin
inferior
LSE
Especificacin
superior

p = porcentaje de partes fuera de Especificaciones
611
Cmo vamos a mejorar esto?
Podemos reducir la desviacin estndar...
Podemos cambiar la media...
O (lo ideal sera, por supuesto) que podramos cambiar ambas
Cualquiera que sea la mejora que lleve a cabo,
asegrarse que se mantenga
612
Procedimiento
1. Seleccionar una mquina donde realizar el estudio

2. Seleccionar las condiciones de operacin del proceso

3. Seleccionar un operador entrenado

4. El sistema de medicin debe tener habilidad (error R&R <
10%)

5. Cuidadosamente colectar la informacin

6. Construir un histograma de frecuencia con los datos

7. Calcular la media y desviacin estndar del proceso
613
Objetivos:
Establecer un estado de control sobre el proceso de
manufactura mantenerlo en el tiempo.

Al comparar el proceso vs los lmites de
especificacin pueden ocurrir los siguientes eventos:
No hacer nada
Cambiar las especificaciones
Centrar el proceso+
Reducir la variabilidad
Aceptar las prdidas

614
Identificacin de caractersticas:
Deben ser indicativas de un factor clave en la calidad
del producto o proceso

Debera ser posible ajustar el valor de la caracterstica
como factor de control

Las condiciones de operacin que afecten la
caracterstica medida deben ser identificadas y
controladas
El PPAP indica la evaluacin una inicial de la capacidad
615
6F3. ndices de capacidad del
proceso
616
La desviacin estndar del proceso cuando se encuentra en
control se determina como sigue con base en una carta de
control X-R siempre que est bajo control estadstico:
Desv. Est. o
st
(Within)
=
Rango medio
Constante d2 de acuerdo al
tamao de subgrupo en X-R

D2 = 1.128 para carta I-MR con n=2
D2= 2.326 para carta X-R con n=5
Estimacin de la desviacin estndar
con el proceso normal o en control
617
Los valores de Z inferior y Z superior se calculan de acuerdo a
las frmulas siguientes:
Zi =
LIE - promedio del proceso
Desviacin Estndar - st

LSE - Promedio del proceso
Desviacin Estndar - st
La fraccin defectiva se calcula con la distribucin normal estndar:
P(Zi) = rea en tabla (-Z)
P(Zs) = 1 rea corresp. a Zs en tabla (+Z)
Zs
=
Fraccin defectiva = P(Zi) + P(Zs)
Capacidad del proceso
Zs y P(Zs) Fraccin defectiva
618
El ndice de capacidad potencial del Proceso (Cp) mide la
variacin del proceso en relacin con el rango de Especificacin.
Cp
=
Tolerancia
Variacin del proceso
=
LSE - LIE
6 Desviaciones Estndar - st
La relacin de capacidad (CR) es la inversa del clculo de Cp. Este ndice le
indica que porcentaje de la especificacin est siendo usado por la variacin del
proceso.
CR
=
Rango del proceso
Tolerancia
=
6 desviaciones estndar - st
LSE - LIE
ndices de Capacidad Potencial del
proceso en control Corto plazo
Otro ndice que toma en cuenta
el centrado del proceso vs
Media de Especificaciones M es:

2 2
) ( 6 M X
LIE LSE
Cpm
+

=
o
619
Cpk es una medida de la capacidad real del proceso en funcin de
la posicin de la media del proceso (X) en relacin con con los
lmites de especificacin.

Con lmites bilaterales da una indicacin del centrado.

Es el menor de:
Cpk =
LSE - promedio del proceso
3 desviaciones Est. - st
y
Promedio del proceso - LIE
3 desviaciones Estndar - st
ndice de capacidad real del proceso
en control estadstico corto plazo
620
Clculo de la capacidad del proceso
Habilidad o capacidad potencial Cp = (LSE - LIE ) / 6 o
st

Debe ser > 1
para tener el potencial de
cumplir con especificaciones (LIE, LSE)

Habilidad o capacidad real Cpk = Menor | Z
I y
Z
S
| / 3
El Cpk debe ser > 1 para que el
proceso cumpla especificaciones
621
6F4. ndices de desempeo del
proceso
622
Se toman todos los datos del proceso histricos, no importa que
el proceso no est en control o no sea normal.
Desv. Est. o
lt
(Overall)
=
Estimacin de la desviacin estndar
con el proceso a largo plazo

4 4
1
2
) (
3 4
) 1 ( 4
1
) (
C
datos Desvest
C
S
n
n
n
X Xi
n
i
lt
= =
=
o
623
El ndice de desempeo potencial del Proceso (Pp) mide la
variacin del proceso en relacin con el rango de Especificacin.
Pp
=
Tolerancia
Variacin del proceso
=
LSE - LIE
6 Desviaciones Estndar - lt
La relacin de capacidad (CR) es la inversa del clculo de Cp. Este ndice le
indica que porcentaje de la especificacin est siendo usado por la variacin del
proceso.
PR
=
Rango del proceso
Tolerancia
=
6 desviaciones Est. - lt
LSE - LIE
ndices de desempeo Potencial
del proceso Largo plazo
624
Ppk es una medida del desempeo real del proceso en funcin de la
posicin de la media del proceso (X) en relacin con con los lmites
de especificacin.

Con lmites bilaterales da una indicacin del centrado.

Es el menor de:
Ppk =
LSE - promedio del proceso
3 desviaciones est. - lt
y
Promedio del proceso - LIE
3 desviaciones Estndar - lt
ndice de desempeo real del
proceso largo plazo
625
Clculo del desempeo del
proceso a lago plazo
ndice de desempeo potencial Pp = (LSE - LIE ) / 6 o
lt

Debe ser > 1 de preferencia >1.33
para tener el potencial de
cumplir con especificaciones (LIE, LSE)

ndice de desempeo real Ppk = Menor | Z
I y
Z
S
| / 3
El Ppk debe ser > 1 para que el
proceso cumpla especificaciones
de preferencia > 1.33
626
Capacidad de proceso a partir de
Histogramas y Distribucin normal
627
Ejemplo
Se tomaron los datos siguientes:

265 205 263 307 220 268 260 234 299
197 286 274 243 231 267 281 265 214
346 317 242 258 276 300 208 187 264
280 242 260 321 228 250 299 258 267
265 254 281 294 223 260 308 235 283
200 235 246 328 296 276 264 269 235
221 176 248 263 231 334 280 265 272
265 262 271 245 301 280 274 253 287
261 248 260 274 337 250 278 254 274
278 250 265 270 298 257 210 280 269
215 318 271 293 277 290 283 258 275
251

628
Ejemplo (cont)
Agrupando los datos en celdas se tiene:

Intervalo Marca Frecuencia Frecuencia
de clase de clase Frecuencia Relativa Absoluta
170 - 189 179.5 2 0.02 0.02
190 - 209 199.5 4 0.04 0.06
210-229 219.5 7 0.07 0.13
230-249 239.5 13 0.13 0.26
250-269 259.5 32 0.32 0.58
270-289 279.5 24 0.24 0.82
290-309 299.5 11 0.11 0.93
310-329 319.5 4 0.04 0.97
330-349 339.5 3 0.03 1.00 .

629
Ejemplo (cont)
El histograma es el siguiente (se observa con forma normal):
0
5
10
15
20
25
30
35
170-
189
210-
229
250-
269
290-
309
330-
349
Frec.
630
Ejemplo (cont)
Calculando la media y la desviacin estndar se tiene:

X-media = 264.06 s = 32.02

La variabilidad del proceso se encuentra en 6 o = 192.12
Si las especificaciones fueran LIE = 200 y LSE = 330

Cp = (330 - 200 ) / 192.2 < 1 no es hbil el proceso

Zi = (330 - 264.06) / 32.02 Zs = (200 - 264.06) / 32.02

Cpk = menor de Zi y Zs < 1 el proceso no cumple especificaciones

631
Ejercicio
Calcular la capacidad del proceso con la distribucin de frecuencias
siguiente considerando LIE = 530 y LSE = 580:

Intervalo Frecuencia Frecuencia
de clase Marca de clase Frecuencia Relativa Absoluta .

531 - 535 533 6
536 - 540 538 8
541 - 545 543 12
546 - 550 548 13
551 - 555 553 20
556 - 560 558 19
561 - 565 563 13
566 - 570 568 11
571 - 575 573 8

632
Ejemplo de capacidad de proceso
13.6 12.8 12.0 11.2 10.4 9.6
LSL USL
Process Data
SampleN 50
StDev (Within) 0.85577
StDev (Ov erall) 0.80259
LSL 9.00000
Target *
USL 14.00000
Sample Mean 11.74400
Potential (Within) Capability
CCpk 0.97
Ov erall Capability
Pp 1.04
PPL 1.14
PPU 0.94
Ppk
Cp
0.94
Cpm *
0.97
CPL 1.07
CPU 0.88
Cpk 0.88
Observ ed Performance
PPM<LSL 0.00
PPM>USL 0.00
PPMTotal 0.00
Exp. Within Performance
PPM<LSL 671.85
PPM>USL 4191.66
PPMTotal 4863.51
Exp. Ov erall Performance
PPM<LSL 314.35
PPM>USL 2470.24
PPMTotal 2784.59
Within
Overall
Process Capability of Viscosidad
633
Interpretacin de salida Minitab
Desviacin estndar Within se determina con R /
d2, se usa para determinar los ndices de capacidad a
corto plazo Cp, Cpk y PPM Within

Desviacin estndar Overall det. Con la desviacin
estndar de los datos S/C4,
donde C4=4(n1)/(4n-3)), se usa para determinar
los ndices de Desempeo Pp, Ppk y PPM Overall

El Observed Perfomance se determina comparando
los datos de la muestra con las especificaciones
634
Capacidad a partir
de papel normal
635
Ventajas
1. Se puede observar el comportamiento del proceso sin
tomar tantos datos como en el histograma, 10 son
suficientes

2. El proceso es ms sencillo ya que no hay que dividir el
rango de la variable en intervalos de clase

3. Visualmente se puede observar la normalidad de los
datos, si se apegan a la lnea de ajuste

4. Permite identificar la media y la desviacin estndar
aproximada del proceso. As como la fraccin defectiva, el
porcentaje de datos entre cierto rango, el Cp y el Cpk.
636
Procedimiento
1. Se toman al menos n = 10 datos y se ordenan en forma
ascendente, asignndoles una posicin (j) entre 1 y n.
2. Se calcula la probabilidad de cada posicin con la frmula
siguiente: Pj = (j - 0.5) / n
3. En el papel especial normal se grafica cada punto (Xj, Pj)
4. Se ajusta una lnea recta que mejor aproxime los puntos
5. Si no hay desviaciones mayores de la lnea recta, se
considera normal el proceso y se procede a hacer las
identificaciones:

La media ser el punto en X correspondiente a Pj = 0.5
La desv. Estndar es la dif. En Xj correspondiente a Pj = 0.5 y
Pj = 0.84
637
Ejemplo
Se tomaron los datos siguientes (Xj), ordenndolos y
calculando la probabilidad de su posicin (Pj)

Pos. J Valor Xj Pj Pos. J Xj Pj
1 197 0.025 11 271 0.525
2 200 0.075 12 275 0.575
3 215 0.125 13 277 0.625
4 221 0.175 14 278 0.675
5 231 0.225 15 280 0.725
6 242 0.325 16 283 0.775
7 245 0.325 17 290 0.825
8 258 0.375 18 301 0.875
9 265 0.425 19 318 0.925
10 265 0.475 20 346 0.975

638
Ejemplo (cont..)
Graficando los puntos se tiene:
0.5
X Media
0.84
Desv. Estndar
Xj
Pj
LIE
Fraccin
Defectiva
639
Pi
0.999
0.998
0.995
0.99
0.98
0.97
0.96
0.94
0.90
0.84
0.80
0.75
0.70
0.60
0.50
0.40
0.30
0.25
0.20
0.16
0.10
Pi = ( I - 0.5 ) / N
640
P - V a l u e : 0 . 5 3 8
A - S q u a r e d : 0 . 3 1 5
A n d e r s o n - D a r l i n g N o r m a l i t y T e s t
N : 1 0 0
S t D e v : 1 3 9 . 6 8 2
A v e r a g e : 5 0 4 . 2 3 2
9 0 0 8 0 0 7 0 0 6 0 0 5 0 0 4 0 0 3 0 0 2 0 0
. 9 9 9
. 9 9
. 9 5
. 8 0
. 5 0
. 2 0
. 0 5
. 0 1
. 0 0 1
P

r
o

b

a

b

i
l
i
t
y

C 1
N o r m a l P r o b a b i l i t y P l o t
El trazo normal es el siguiente:

El eje Y es un rango no lineal de probabilidades normales.

El eje X es un rango lineal de la variable que se est analizando.

Si los datos son normales, la frecuencia de ocurrencias en varios
valores Xi, puede predecirse usando una lnea slida (en su
computadora esta lnea ser de color rojo) como modelo. Por
ejemplo, slo ms del 20% de los datos del proceso seran valores de
400 o inferiores.

641
Diferentes trazos en papel de
probabilidad Normal
642
Ejercicio
Tomando los datos siguientes (Xj), calcular la probabilidad (Pj),
graficar en papel norma, ajustar valores con una recta,
determinar la media, desv. Estndar, si las especs. son LIE = 1200
LSE = 1800 determinar la fraccin defectiva.

1210 2105

1275 2230

1400 2250

1695 2500

1900 2625
643
Capacidad a partir
de cartas de control
644
EN CASOS ESPECIALES COMO ESTOS
DONDE LAS VARIACIONES PRESENTES SON
TOTALMENTE INESPERADAS
TENEMOSUN PROCESO INESTABLE o IMPREDECIBLE.

?
? ?
? ?
? ?

645
Bases del CEP
SI LAS VARIACIONES PRESENTES SON IGUALES,
SE DICE QUE SE TIENE UN PROCESO ESTABLE.
LA DISTRIBUCION SERA PREDECIBLE EN EL TIEMPO
Prediccin
Tiempo

646
Control y Capacidad de Proceso
Control de Proceso:

Cuando la nica fuente de variacin es normal o de causa comn,
se dice que el proceso esta operando en CONTROL.

Capacidad de Proceso:

Medicin estadstica de las variaciones de causa comn que son
demostradas por un proceso. Un proceso es capaz cuando
la causa comn de variacin cae dentro de las especificaciones
del cliente.

La capacidad no se puede determinar a menos que
el proceso se encuentre en Control y Estable.
647
Proceso en Control Estadstico

La distribucin de la mayora de las caractersticas medidas forman una curva en
forma de campana o normal, si no hay causas especiales presentes, que alteren
la normalidad . cuales son las causas comunes?|
Distribucin
del Proceso
Area entre 0 y 1s
-Probabilidad de Ocurrencia
_
x= media
s= sigma; es la
desviacin
estndar;
medida
de la variacin
del proceso.
14 % 14 %
2%
2%
-3s -2s -1s x +1s +2s 3s
99.73%
34% 34%
x
648
Ejemplo de carta de control X-R
Sample
S
a
m
p
l
e

M
e
a
n
18 16 14 12 10 8 6 4 2
90
80
70
60
_
_
X=72.69
UCL=86.84
LC L=58.53
Sample
S
a
m
p
l
e

R
a
n
g
e
18 16 14 12 10 8 6 4 2
48
36
24
12
0
_
R=24.54
UCL=51.89
LC L=0
Xbar-R Chart of Pulse1
649
Planes de muestreo:
Si el proceso sigue una distribucin normal y est en
control estadstico, entonces la desviacin estndar
puede ser estimada de:

Para procesos nuevos, se puede estimar la capacidad
del proceso de una produccin piloto

2
d
R
R
= o
650
Desviacin Estndar del proceso
Donde,
o = Desviacin estndar de la poblacin
d
2
= Factor que depende del tamao del subgrupo en la carta de control X -
R
C
4
= Idem al anterior para una carta X - S

NOTA: En una carta por individuales, d2 se toma para n = 2 y Rango
Medio= Suma rangos / (n -1)
o = R o o = S

d
2
c
4
651
Capacidad de proceso
Cuando las causas comunes son la nica variacin:
C
p
El ndice de capacidad potencial del proceso compara
la amplitud del proceso con la amplitud especificada.

Cp = (LSE - LIE) / 6 o
Cpk
El ndice de capacidad real del proceso compara la media
real con el lmite de especificaciones ms cercano (LE) a esta.

Cpk = LE Xmedia Cpk = menor |Z
1
- Z
2
| / 3
3 o
652
Ejemplo (carta X - R)
De una carta de control X - R (con subgrupo n = 5) se obtuvo lo
siguiente, despus de que el proceso se estabiliz quedando slo con
causas comunes:

Xmedia de medias = 264.06 Rmedio = 77.3

Por tanto estimando los parmetros del proceso se tiene:

= X media de medias o = Rmedio / d2 =77.3 / 2.326 =
33.23
[ d2 para n = 5 tiene el valor 2.326]

Si el lmite de especificacin es: LIE = 200.
El Cpk = (200 - 264.06) / (77.3) (3) = 0.64 por tanto el proceso no
cumple con las especificaciones

653
Ejemplo (carta X - S)
De una carta de control X - S (con subgrupo n = 5) se obtuvo lo
siguiente, despus de que el proceso se estabiliz quedando slo con
causas comunes:

Xmedia de medias = 100 Smedio = 1.05

Por tanto estimando los parmetros del proceso se tiene:

= X media de medias o = Smedio / C
4
= 1.05 / 0.94 =
1.117
[ C
4
para n = 5 tiene el valor 0.94 ]
Si el lmite de especificacin es: LIE = 85 y el LSE = 105.
El Cpk = (105 - 100) / (1.117 ) (3) = 1.492
El Cp = (105 - 85) / 6 (1.117 ) = 2.984
por tanto el proceso es capaz de cumplir con especificaciones

654
Ejercicios
1) De una carta de control X - R (con subgrupo n = 8) se
obtuvo lo siguiente, despus de que el proceso se estabiliz
quedando slo con causas comunes (LIE = 36, LSE = 46):

Xmedia de medias = 40 Rmedio = 5

2) De una carta de control X - S (con subgrupo n = 6) se
obtuvo lo siguiente, despus de que el proceso se estabiliz
quedando slo con causas comunes (LIE = 15, LSE = 23):

Xmedia de medias = 20 Smedio = 1.5

655
6F5. Corto y largo plazos
Corto plazo:
Es un periodo corto de tiempo en el cual no hay
cambios significativos en el proceso en relacin a
las 6Ms (personal, materiales, mtodos, medio
ambiente, mediciones, mquinas)

Largo Plazo
Es el periodo de tiempo en el cual ya han ocurrido
todos los cambios posibles en el proceso, se trata
de informacin histrica
656
6F6. Anlisis de la Capacidad de
procesos no normales
657
Procesos no normales
Los datos no siempre se ajustan a la distrubucin
normal. Una estrategia es traansformar los datos no
normales para lograr un comportamiento normal

Una alternativa es la transformacin de potencia de
Box-Cox dada por:

0 ;
1
) (
2
=
x
x
0 ; ) ln( ) ( = = x
658
Procesos no normales
Dadas las observaciones X1, X2, X3,.., Xn,
seleccionar la potencia que maximice el logaritmo

Con la media aritmtica de los datos transformados
dada por:

= =
+
(

=
n
i
i
n
i
i
x
n
x x n
x f
1 1
2
) ln( ) 1 (
)) ( ) ( (
ln
2
) (

=
=
n
i
i
x
n
x
1
) (
1
) (
659
Capacidad de procesos no normales
y transformaciones de datos
Para procesos no normales, utilizar la distribucin de
Weibull

Para transformaciones de datos no normales en
normales utilizar la transformacin de Box Cox

660
usando la distribucin de Weibull
Con archivo de Minitab TILES.MTW
7.5 6.0 4.5 3.0 1.5 0.0
LSL USL
Process Data
SampleN 100
Shape 1.69368
Scale 3.27812
LSL 0.00000
Target *
USL 8.00000
Sample Mean 2.92307
Ov erall Capability
Pp 0.81
PPL 1.03
PPU 0.73
Ppk 0.73
PPM<LSL 0
PPM>USL 20000
PPMTotal 20000
PPM<LSL 0.0
PPM>USL 10764.5
PPMTotal 10764.5
Process Capability of Warping
Calculations Based on Weibull Distribution Model
661
transformando datos con Box - Cox
Con archivo de Minitab TILES.MTW, lamda = 0.5
Lambda
S
t
D
e
v
5 4 3 2 1 0 -1 -2
20
15
10
5
0
LowerCL UpperCL
Limit
Lambda
0.500000
(using 95.0% confidence)
Estimate 0.345504
LowerCL 0.052120
UpperCL 0.642093
Best Value
Box-Cox Plot of Warping
662
transformando datos con Box - Cox
Con la raz cuadrada de los datos y de los lmites de
especificaciones se tiene:
2.8 2.4 2.0 1.6 1.2 0.8 0.4 0.0
LSL USL
Process Data
SampleN 100
StDev (Within) 0.51337
StDev (Ov erall) 0.53934
LSL 0.00000
Target *
USL 2.82843
Sample Mean 1.62374
Potential (Within) Capability
CCpk 0.92
Ov erall Capability
Pp 0.87
PPL 1.00
PPU 0.74
Ppk
Cp
0.74
Cpm *
0.92
CPL 1.05
CPU 0.78
Cpk 0.78
PPM<LSL 0.00
PPM>USL 20000.00
PPMTotal 20000.00
Exp. Within Performance
PPM<LSL 781.08
PPM>USL 9472.66
PPMTotal 10253.74
PPM<LSL 1303.73
PPM>USL 12754.26
PPMTotal 14057.99
Within
Overall
Process Capability of Transf
663
Capacidad de procesos
bajo Seis Sigma
664
Capacidad de procesos
bajo Seis Sigma
Motorola not que muchas operaciones en productos
complejos tendan a desplazarse 1.5 sobre el
tiempo, por tanto un proceso de 6 a la larga
tendr 4.5 hacia uno de los lmites de
especificacin, generando 3.4 DPMOs (defectos por
milln de oportunidades)

665
Variacin a Corto Plazo
(periodo durante el cual no se
presenta ningn cambio en el
proceso)
Zst = Zlt + 1.5
Variacin a largo plazo
(periodo en el cual ya se
han presentado todos los
cambios posibles en el
proceso) - Zlt
Variacin Global - Zbench.
666
Capacidad de Proceso
Nota: La capacidad a
largo plazo, asume la
media de proceso
como desplazada de
la especificacin por
1.5 sigma.

MEDIA ORIG. CORRIDA LSE
Cpk PPM. lt
Z.lt Z.st
0.00 500,000 0.0 1.5
0.17 308,538 0.5 2.0
0.50 66,807 1.5 3.0
0.83 6,210 2.5 4.0
1.00 1,350 3.0 4.5
1.17 233 3.5 5.0
1.33 32 4.0 5.5
1.50 3.4 4.5 6.0
1. Z.st es el nmero de sigmas, en el mejor nivel que puede tener el
proceso, a corto plazo. Este el indicador de capacidad de procesos 6S
2. Z.st siempre es un valor mayor a Z.lt, debido a que el valor a largo
plazo es reducido por los cambios del proceso (en promedio, 1.5s)
667
Capacidad y Desempeo de
procesos
Capacidad de procesos en base a sigma de R / d2,
evaluada slo cuando el proceso est en control

Desempeo del proceso en base a sigma de la
poblacin estimada, para datos histricos
n
LIE LSE
d
R M
c
S
d
R
ST
ST
6
, ,
2 4 2
=
=
o
o

kn
c
S
TOT
LT
4
= o
1 3
) 1 ( 4
4
=
n
n
c
( )
1
2
1
=

=
kn
X
S
kn
i
i
TOT
668
Enfriador
Dimetro de pieza 18.315 +/- 0.005 DPMO
inicial: 139,400 ppm
Dentro de
la Pieza
Pieza a
Pieza
Lote a
Lote
Tiempo a
Tiempo
Variacin de
Medicin
DM = .003
Variacin de
Producto
DP = .020
Cualquiera de los grupos de datos que aparecen dentro de un cuadrado, seran
ejemplos de variacin a corto plazo (mismo lote, mismo tiempo, slo cambian las
piezas). Este mtodo de agrupamiento algunas veces se llama subgrupos
racionales.

La grfica en su conjunto sera un ejemplo de variacin a largo plazo
Variacin a Corto y Largo Plazo
669
Enfriador
Variacin a corto plazo - Las familias de variacin han sido
restringidas de tal manera que los datos considerados, slo son los
que se obtuvieron del subgrupo racional. Ayuda a determinar
subgrupos racionales importantes.

Variacin a Largo Plazo - Aqu todas las familias de variacin
exhiben su contribucin en la variacin del proceso general.
Dentro de
la Pieza
Pieza a
Pieza
Lote a
Lote
Tiempo a
Tiempo
Variacin de
Medicin
DM = .003
Variacin de
Producto
DP = .020
Dimetro de pieza
18.315 +/- 0.005 DPMO inicial: 150,000 ppm
670
Enfriador
Variacin a corto plazo - Las familias de variacin han sido
restringidas de tal manera que los datos considerados, slo son los
que se obtuvieron del subgrupo racional.

Variacin a Largo Plazo - Aqu todas las familias de variacin
exhiben su contribucin en la variacin del proceso general.
Variacin de
Medicin
DM = .03
Variacin de
Servicio
DP = .20
Tiempo de respuesta
18.315 +/- 0.5 DPMO inicial: 150,000 ppm
671
Visualizando los Componentes de Variacin
Cambio y Tendencia
Tiempo 1

Tiempo 2

Tiempo 3

Tiempo 4
Capacidad
inherente
Capacidad
a corto
plazo
Variacin
dentro del
grupo
Z Corto
Plazo (Zst)
Variacin entre
grupos
Con el transcurso del
tiempo un proceso
tpico tendr un
cambio y una
tendencia de aprox.
1.5 desv. estndar de
la variacin a corto
plazo Z
Shift
Capacidad
mantenida a
largo plazo
Variacin total
de proceso
Z Largo Plazo
(Zlt)
LIE LSE Objetivo
Dos retos: Centrar el proceso y reducir la variacin
672
Tres elementos bsicos
Exactitud (media)
Precisin (desviacin estndar)
Requerimientos (lmites especficos)
Calculando el resultado Z (dos tipos)
Z
ST
=
(lmite especif. - nom)
desv. std
ST

{

{

1 2 ==> res. Z
LT
= 2
{

{

{

{

3 2 1
1
3
res. Z
ST
= 3.33 <==
Lmite
Mnimo
Especif.
Lmite
Mximo
Especif.
Media
Nominal
Z
LT
=
(lmite especif. - media)
std dev
LT
desv. std largo plazo desv. std corto plazo
673
1 2 3 4 5 6
2.5
2.0
1.5
1.0
0.5
Control deficiente,
Proceso deficiente (Tipo A)
Clase
Mundial (Tipo D)
Buena tecnologa, control
deficiente (Tipo B)
El control es bueno, el proceso es deficiente,
la tecnologa es inadecuada (Tipo C)
z
st
z
s
t

-

z
l
t

deficiente
bueno
deficiente
bueno
(Nota: St - corto plazo, Lt - largo plazo)
Comportamiento del proceso en el tiempo
A cul categora pertenecen estos procesos?
Tipo____ Tipo____ Tipo____ Tipo____
674
Rendimiento de la capacidad real
Recibo de partes
del proveedor
45,000
Unidades
desperdiciadas
51,876
Unidades
desperdiciadas
Correcto la
primera
vez
Despus de la
inspeccin de recepcin

De las operaciones
de Maquinado
En los puestos
de prueba -
1er intento
125,526 unidades desperdiciadas
por milln de oportunidades
28,650
Unidades
desperdiciadas
95.5% de rendimiento
97% de rendimiento
94.4% de
rendimiento
YRT = .955*.97*.944 =
87.4%
1,000,000 unidades
675
Ejemplos de defectos / unidad
Determinar DPU en la produccin de 100 unidades

DPU = D/U = (20+10+12+4)/100=0.46
Si cada unidad tiene 6 oportunidades para defecto
(caractersticas A, B, C, D, E y F), calcular DPO y DPMO

DPO = DPU / O = 0.46/6 = 0.078 DPMO = 78,333

Defectos 20 10 12 4
Unidades 70 20 6 4
676
Relaciones de sigmas
La probabilidad de uno o ms defectos es:

P(d) = 1- Yrt = 1 FPY o P(d) = 1 Yrt para varios
procesos

Si se tiene FPY = 95% P(d) = 0.05

Entonces la Z a largo plazo se encuentra en tablas
como Zlt = 1.645 sigma y por tanto la Zst a corto
plazo es:
Zst = 1.645 + 1.5 (corrimiento) = 3.145

677
Como calcular la capacidad Seis Sigma para un
proceso (equivale a la Zst de corto plazo)?
Qu proceso se considera? Facturacin y CxC
Cuntas unidades tiene el proceso? 1,283
Cuntas estn libres de defectos? 1,138

Calcular el desempeo del proceso 1138/1283=0.887
Calcular la tasa de defectos 1 - 0.887 = 0.113

Determinar el nmero de oportunidades
que pueden ocasionar un defecto (CTQs) 24

Calcular la tasa de defecto por caract. CTQ 0.113 / 24 = .004709
Calcular los defectos x milln de oportunidades DPMO = 4,709
Calcular #sigmas con tabla de conversin de sigma 4.1

678
6F7. Capacidad de proceso
para datos por atributos
En este caso la capacidad del proceso es la proporcin
media de producto no conforme

Para cartas p y np, la capacidad del proceso es la p media
de fraccin no conforme. Se puede usar 1 p.

Para cartas c, la capacidad del proceso es el promedio de
las no conformidades, c media, para una muestra fija de
tamao n.

Para cartas u, la capacidad del proceso es el promedio de
las no conformidades por unidad, u media
Preguntas ejemplo:

1. Cul de los siguientes argumentos son razones de peso para utilizar
mapeo de procesos?
I. Identificar donde exista complejidad
II. Visualizar el proceso rpidamente
III. Eliminar el proceso completo de planeacin
IV: Apoyar en la simplificacin del trabajo
a. I y II c. I, II y IV
b. I, II y III d. I, II, III y IV

2. Un diagrama de Ishikawa tambin es conocido como:
I. Diagrama de causa y efecto
II. Diagrama de flujo del proceso
III. Diagrama de dispersin
IV. Diagrama de espina de pescado
a. Slo I c. I y IV
b. I, III y IV d. I, II, III y IV

3. En control estadstico, un parmetro es:
a. Una variable aleatoria
b. Un valor muestral
c. Un valor poblacional
d. La solucin a un problema estadstico
Preguntas ejemplo:

4. Sea X cualquier variable aleatoria con media Mu y desviacin estndar
Sigma. SI se toma una muestra de tamao n. Conforme n se
incrementa y como resultado del teorema del lmite central:
a. La distribucin de la suma Sn=X1+X2++Xn tiende a una distribucin
normal con media Mu y desviacin estndar Sigma/raiz(n).
b. La distribucin de la suma Sn=X1+X2++Xn tiende a una distribucin
normal con media Mu y desviacin estndar Sigma/raiz(n).
c. La distribucin de X tiende a ser una distribucin normal con media Mu
y desviacin estndar Sigma / raiz(n).
d. La distribucin de las medias muestrales Xi-media tiende a una
distribucin normal con media Mu y desviacin estndar Sigma /
raiz(n).

5. Qu tabla debe ser usada para determinar un intervalo de confianza de
la media cuando Sigma no es conocida y el tamao de muestra es 10?
a. Z b. t c. F d. X2

6. Para dos eventos A y B Cul de los siguientes es una afirmacin
verdadera de probabilidad?
a. P(A o B) = P(A) + P(B) si A y B son independientes
b. P(A o B) = P(A) + P(B) si A y B son mutuamente exclusivos
c. P(A y B) = P(A) x P(B) si A y B son mudamente exclusivos
d. P(A o B) = P(A) x P(B) si A y B son independientes
Preguntas ejemplo:

7. Se deben registrar normalmente los valores que reflejan longitud,
volumen y tiempo como:
I. Medibles III. Continuos
II. Discretos IV. Variables
a. I y III c. I, III y IV
b. II y IV d. I, II, III y IV

8. Cuando se realizan clculos en datos muestrales:
a. La grfica continua de frecuencia relativa es una histograma
b. El redondeo de datos no tiene efecto en la media y desviacin estndar
c. La codificacin de los datos no tiene efecto en la media y desviacin
estndar
d. La codificacin y redondeo en los datos afecta a la media y a la
desviacin estndar

9. La seleccin aleatoria de una muestra:
a. Tericamente significa que cada artculo del lote tiene la misma
posibilidad de ser seleccionado en la muestra
b. Asegura que el promedio de la muestra es igual al promedio de la
poblacin
c. Significa que se us una tabla de nmeros aleatorios para la seleccin
d. Es un requerimiento terico sin importancia
Preguntas ejemplo:

10. Determinar el coeficiente de variacin para las ltimas 500
pruebas piloto de una pelcula con una media de 900 y
desviacin estndar de 54.
a. 6% c. 0.6%
b. 16.7% d. 31%

11. Cul de las siguientes cuatro tcnicas podran fcilmente
mostrar los mismos datos?
I. Diagrama de tallo y hojas
II. Diagramas de caja
III. Diagramas de dispersin
IV. Histogramas
a. I, II y III c. I, III y IV
b. I, II y IV d. II, III y IV

12. Qu tipo de distribucin muestra el siguiente histograma?
a. Bimodal
b. Polinomial
c. Sesgo negativo
d. Trinca
Preguntas ejemplo:

13. Cul es el uso ms comn de la distribucin F?
a. Modelar datos discretos cuando el tamao de la poblacin es
pequeo comparado al tamao de muestra
b. Probar la igualdad de varianzas de dos poblaciones normales
c. Compensar los errores en la desviacin estndar estimada para
pequeos tamaos de muestra
d. Tomar decisiones y construir intervalos de confianza al sumar el
cuadrado de variables aleatorias normales

14. Hay varias formas de uso de la distribucin exponencial para
modeloar la confiabilidad. En la frmula siguiente qu
representa theta?
a. La media c. La varianza
b. El valor del eje X d. La tasa de falla

15. Identificar de los mtodos siguientes, cuales son destructivos:
1. Ataque cido 4. Lquidos penetrantes 7. Corrientes de
Hed
2. Partculas magnticas 5. Voltaje de ruptura 8. Radiografa
3. Espectroscopia 6. Ultrasonido
a. 1, 3 y 5 c. 1, 4, 6 y 8
b. 2, 3 y 8 d. 3, 5 y 6
Preguntas ejemplo:

16. Cuando se hacen mediciones con instrumentos de prueba, la
precisin y exactitud significan:
a. Lo mismo
b. Lo opuesto
c. Consistencia y correcto respectivamente
d. Exactitud y trazabilidad, respectivamente

17. La desviacin estndar de las mediciones de la dimensin A de
una muestra aleatoria de partes es sigma1 y la de una serie de
mediciones en una parte es Sigma2. Cul es la desviacin
estndar de los valores reales de la dimensin A en la poblacin
de la cual se tomaron?

18. Cul de los siguientes es ms importante cuando se calibra un
equipo de medicin?
a. La etiqueta de calibracin
b. La tarjeta del historial de mantenimiento
c. El estndar usado
d. El intervalo de calibracin
Preguntas ejemplo:

19. Los lmites de control se ponen a una distancia de tres sigma
debido a:
a. Este nivel dificulta que la respuesta se salga de control
b. Este nivel establece lmites estrictos para el proceso de
produccin
c. Este nivel reduce la probabilidad de buscar fallas en el proceso
de produccin cuando no existan
d. Este nivel asegura un error tipo II muy pequeo

20. Cul de las siguientes afirmaciones describe mejor a la
capacidad de mquina?
a. La variacin total de todas las cavidades de un molde, cavidades
de una mquina extrusora o husillos de una mquina de
ensamble
b. La variacin inherente de la mquina
c. La variacin total en un turno
d. La variacin de partes consecutivas producidas en un periodo
corto

21. En una distribucin normal, cul es el rea bajo la curva entre
+0.7 y -1.3 unidades de desviacin estndar?
a. 0.2903 b. 0.7580 c. 0.2580 d. 0.1452
Preguntas ejemplo:

22. Si el Cpk (superior) es 2.0 y el Cpk (inferior) es de 1.0 Qu se
puede decir del proceso?
I. El proceso est corrido hacia la izquierda
II. Hay un error de clculo
III. El proceso no es estable
IV. El Cpk debe ser reportado como 1.0
a. Slo IV c. II y III
b. I y IV d. I, III y IV

23. Cuando se selecciona una muestra para auditora, Qu regla
se debe seguir de las siguientes?:
a. Como la calidad puede variar con el tiempo, debemos buscar
una cantidad fija cada periodo de tiempo para propsitos de
auditora
b. Se requiere solo una muestra pequea para propsitos de
auditora, siempre y cuando sea aleatoria
c. Cualquier tamao de muestra seleccionado aleatoriamente
puede ser adecuado para propsitos de autora, ya que no no se
est realizando la aceptacin o rechazo de lotes
d. La norma ANSI/ASQ Z1.4 es un procedimiento de muestreo
cientfico y se requiere un muestreo cientfico para propsitos
de auditora
Preguntas ejemplo:

24. Cuando se trata de determinar la capacidad de procesos no
normales, cul de las alternativas siguientes es apropiada?

I. Grafica un histograma y determinar si los valores de los datos se
encuentran dentro de especificaciones
II. Transformar los datos usando la tcnica de Box-Cox
III. Si los datos pueden ser representados por una grfica de
probabilidad, hacer predicciones usando esta tcnica

Slo I
b. Slo II
c. II y III
d. I, II y III

Seis Sigma ASQ6 A

Uploaded by

Document Information

Original Title

Copyright

Available Formats

Share this document

Share or Embed Document

Sharing Options

Did you find this document useful?

Is this content inappropriate?

Copyright:

Available Formats

Seis Sigma ASQ6 A

Uploaded by

Copyright:

Available Formats

1

En algunas ocasiones la notacin

La media y varianza de la distribucin

Tiene media y varianza.

You might also like