Seis Sigma

Programa de certificacin
de Black Belts ASQ
6. Metodologa Seis Sigma Medicin
P. Reyes / Octubre 2003

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

6A. Anlisis y documentacin

del proceso

1. Herramientas

2. Entradas y salidas del proceso

P. REYES

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.
5

6A1. Las 7 herramientas

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

6

6A1. Las 7 herramientas

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

Estratificacin para separar el problema general en los

estratos que lo componen, por ejemplo, por reas,
departamentos, productos, proveedores, turnos, etc..

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?

6A1. Smbolos de diagrama de

flujo

Proceso

Desicin Documento

Datos

Proceso
Predefinido

Preparacin Operacin Entrada

Manuales

Conector Con. pgina Display Almacen Terminador 9

Smbolos para Diagramas de Flujo

Iniciar/Detener

Operaciones
(Valor agregado)
Decisin
Inspeccin /Medicin
Transportacin

Transmisin

Almacenar
Entrada/Salida
Retraso
Lneas de Flujo
10

6.1 Mapa de Proceso:

Es el diagrama de flujo de un proceso
que muestra cmo se realiza un trabajo.
Inicio

Paso 1

Paso 2A

Paso 2B

Paso 2C

Paso 3

Retrabajo

No

Bueno?

Fin
11

Diagrama de flujo / Anlisis del valor

Actividades con valor agregado

Actividades sin valor agregado

12

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.

13

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.

14

Aprovecha al Equipo

Haz recorridos,
entrevistas y revisiones
de los diagramas de flujo
y los estndares
existentes.

15

Haz el Mapa del Proceso lo ms

Pronto Posible!
El mapa de un proceso...

seala con claridad la

regin en la que el equipo
se debe enfocar.

evita que el equipo salga

de los lmites del proyecto.

16

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.

17

Ejercicio Rpido - Inicio y Fin

Proceso

Inicio

Fin

Ensamble de
Asiento
Dibujos de
Ingeniera
Manufactura en
Riel de Asientos
Cuentas por
Pagar

18

Ejemplos - Inicio y Fin

Proceso

Inicio

Fin

Ensamble de
Asiento

Marco de metal Inspeccin Final

puesto enlnea

Dibujos de
Ingeniera

Requerimientos ClienteRecibe
del Cliente
el Archivo CAD

Manufactura en Operacin de Inspeccin Final

Riel deAsiento
Prfiles
Estampados
Cuentaspor
Recepcin de la
Depsito
Pagar
Facturadel
Electrnico
Proveedor
19

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!

20

Herramientas de un Mapa de
Proceso

Rotafolios y Marcadores.

Hojas para Rotafolio y

Notas Autoadheribles.

21

Pasos para Elaborar un Mapa de

Como equipo...
Proceso
1.

Establezcan los puntos de

Inicio y Fin del proceso.

2.

Hagan una lista de los

6. Hagan un segundo recorrido
pasos del proceso
y entrevistas.
mediante una tormenta de
ideas.
7. Aadan pasos de inspeccin,

3.

Realicen el primer recorrido

y entrevistas.

4.

Elaboren una lista de los

proceso clave en las notas
autoadheribles.

5. Discutan, revisen y
modifiquen.

retrabajo, reparacin y
desperdicio en las notas
autoadheribles.
8. Elaboren un mapa de
proceso cmo es.

22

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.

23

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?
24

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.

25

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.
26

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.

27

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.

28

Paso 4:

Notas Autoadheribles

Escriban los pasos del

proceso en notas
autoadheribles.

Coloquen las notas

la pared.

Crear
Boceto

Encontrar
sobre Especif.

Localizar
Archivos
CAD

Hacer
Caf

Por ahora slo dejen las

notas.

Reunin
con el
grupo

Cambiar
Dibujos

Calcular
Impacto

Crear
Paquete
de
Archivos

Enviar al
Cliente

29

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.

30

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.

31

Pasos Importantes
Crear
Bsquejo

Qu pasos podran
ser importantes en el
mapa del proceso que
aparece a la derecha?

Encontrar
Especif.

Reunin
con el
grupo
Localizar
Archivos
CAD

Hacer
Caf

Cambiar
Dibujos

Calcular
Impacto

Crear
Paquete
de
Archivos

Enviar al
Cliente

32

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.

33

Paso 7:

Aadan inspecciones.

Aadan retrabajo y
reparaciones.

Solicitud de
Cambio del
Cliente

Agreguen notas
autoadheribles.

Aadir Cambios
Reunin
con Ventas
No

Crear
Bsquejo

Calcular
Impacto

Impacto
OK?
S

Aadan desperdicio.
Por ahora dejen todas
las notas.

Dibujo
OK?

Cambiar
Dibujo

No

Crear
paquete de
archivos

Enviar a
Cliente

Cliente recibe
archivos CAD

34

Paso 8:

Mapa del Proceso Cmo

Es
Solicitud de
cambio del
Cliente

El equipo establece un
mapa del proceso tal
cual.
Crear

No
Calcular
Impacto

Bsquejo

Tiene el detalle
suficiente para incluir
los pasos importantes.
Sin demasiado detalle
para que se entienda
rpidamente.

Reunin
con Ventas

Impacto
OK?
S

Dibujo
OK?

Cambiar
Dibujo

No

Crear
paquete de
archivos

Enviar a
Cliente

Cliente recibe
archivos CAD

35

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.
ci
u
a
c
Pre
n

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)

36

Mapa del Proceso Cmo Es

Solicitud
de cambio
del Cliente

Reunin
con Ventas
No

Calcular
Impacto

Crear
Bsquejo

Impacto
OK?
Si

No

Crear
paquete de
archivos

Es el inicio de tu
viaje hacia la
mejora.

Dibujo
OK?

Cambiar
Dibujo

Enviar al
Cliente

Es la condicin
base del proceso.

Cliente recibe
archivos CAD

Es la oportunidad
para la estrategia
de impacto de Six
Sigma.
37

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.

38

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
TA
O
N

Este nuevo mapa muestra el proceso cmo debe

ser que ser una vez que se implementen
todas las soluciones.
39

6A1. Herramientas

Procedimientos escritos

Facilita la consistencia de realizacin del proceso,

visualizado con el diagrama de flujo

Instructivos de trabajo

Proporcionan instrucciones de trabajo detalladas de

la secuencia de actividades paso a paso
Se deben tener copias controladas en el rea de uso
Las palabras y trminos utilizados deben ser
familiares a los empleados por el personal que
realiza las tareas

40

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

41

6A1. Herramientas
Matriz de causa efecto

Salidas

Matriz de causa y efecto

Ent 1

10

Ent 2
Ent 3
Ent 4
Ent 5

7
5

1
6

4
2

3
Totale
s

Res

84

35

63

27

25

11

22

42

18

236

100

42

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
DIA
DEFECTO
1
2
Tamao errneo
IIIII I
IIIII
Forma errneaI
III
Depto. Equivocado
IIIII
I
Peso errneo IIIII IIIII I IIIII III
Mal Acabado II
III
TOTAL
25
20

3
IIIII III
III
I
IIIII III
I
21

4
IIIII II
II
I
IIIII IIIII
I
21

TOTAL
26
9
8
37
7
87

43

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.

44

Estratificacin

DEFINICION
Clasificacin de los datos o factores sujetos a estudio en una
serie de grupos con caractersticas similares.

45

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
46

Diagrama de Pareto- Ejemplo

47

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%?

100
90
80
70
60
50
40
30
20
10
0
a

48

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

49

6A1. Herramientas

Diagrama de causa efecto o diagrama de Ishikawa

Permite dividir los problemas en partes ms

pequeas
Despliega muchas causas en una forma grfica
Muestra la interaccin de las causas
Sigue las reglas de la tormenta de ideas

La sesin de causa efecto se divide en tres partes:

Tormenta de ideas
Asignar prioridades
Desarrollar un plan de accin

50

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

Las diferentes etapas del proceso de

manufactura o servicio

51

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

52

Diagrama de Causa Efecto

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.

53

Diagrama de Ishikawa
Medio
ambiente
Clima
hmedo
Distancia de
la agencia al
changarro

Clientes con
ventas bajas
Malos
itinerarios

Mtodos
Frecuencia
de visitas

Posicin de
exhibidores

Falta de
supervi
Falta de
cin
motivacin

Elaboracin
de pedidos

Seguimiento
semanal
Conocimiento
de los
mnimos por
ruta

Descompostura
del camin
repartidor

Maquinara

Personal

Medicin

Rotacin de
personal
Ausentismo

Qu
produce
bajas ventas
Calidad del de
Tortillinas
producto
Ta Rosa?
Tipo de
exhibidor

Materiales

54

6A.1 Herramientas: Pasos para

el Anlisis de Causa y Efecto
Personas

Mquinas
EFECTO

Paso 1
Declaracin del
Efecto

CAUSAS

METODOS

Paso 2
Aadir las ramas
principales

MATERIALES

Paso 3
Preguntar,
por qu?, por qu?
por qu?
55

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
CYE
56

6A1. Reduccin por Votacin

de la Lista de Causas
MQUINAS

PERSONAS

EFECTO

CAUSAS

Participacin
deficiente y
en declive en
los
programas
de mejora
Causa
Importante

METODOS

MATERIALES

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.

57

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. ________

58

6A1. Herramientas
verificacin de posibles
Antes de invertir tiempo y dinero en la implementacin
causas
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.

59

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.

60

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

61

6A1. Herramientas verificacin

de posibles causas
Verificada

Causa

1. Flameado

Cmo Verificarla

Inspeccionar las partes

que no llegan a
reparacin. Determinar el
porcentaje de flameado.

2. Verificacin de Equipar un transductor

la Presin de
temporal de presin y
Inyeccin
coleccione los datos para
construir un diagrama de
dispersin de presin del
inyector y la variacin de
dimensiones del localizador
principal
3. Prdida de
Partes inspeccionadas
los
que no llegan a
localizadores
reparacin. Determinar el
principales
porcentaje que no tienen
Localizadores principales
4. Nivel del flujo Utilizar un medidor exacto
del refrigerante
de flujo en una mquina
establecido a
coleccionar los datos y
diferentes
construir un diagrama de
rangos
dispersin de flujo de
refrigerante y de
dimensiones del localizador
principal.
4. Mtodo
Aplicar un estudio de
complicado
e
reproduccin y
de
repetitividad para
calibracin
determinar si se requieren
de nuevos calibradores.
5. Las partes
Recolecta r los datos de
caen a un
los dos histogramas.
contenedor
{Dimensin del Localizador
rgido
principal de las partes que
no cayeron a un contenedor
rgido y las partes que s.}

Resultados

No se
encontraron
datos que
establecieran al
flameado como
causa.
Diagrama de
dispersin
mostr una
relacin
negativa.

Ausencia de
datos que
establecieran al
{LB} como
causa.
Diagrama de
dispersin
mostr una
relacin
positiva.

Si

No

XXX

XXX

XXX

XXX

El resultado del
calibrador R&R
fue de 74.2%. El
calibrador actual
es deficiente.

XXX

Los
Histogramas
mostraron
mayor variacin
en la dimensin
del localizador
principal despus
de caer e n
cont enedor rgido

XXX

62

6B. Defectos por unidad y

Rendimiento Estndard

63

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.

64

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

65

Defectos por oportunidad

60 defectos se observaron en 60 unidades producidas

Defecto / Unidad).

(1

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 0.9010 = 0.3486 es la probabilidad de

que una unidad de producto no tenga defectos.

66

Diferencia entre YRT y YFT

Rendimiento estandard (YRT)

Rendimiento al final (YFT)

Es la probabilidad de que una

unidad pase por todos los
pasos con 0 defectos

Es la probabilidad de que una

unidad pase el ensamble final
con 0 defectos

Si informa sobre la complejidad

del proceso en donde

*No informa sobre la

complejidad del proceso

YRT = Y 1 x Y2 x.......x Yn
o YRT = e -DPU

*YFT = s/u

donde:
DPU = defectos por unidad
n = nmero de pasos en el
proceso
Yn = rendimiento del paso de
proceso n

en donde
s = unidades aceptadas
u = unidades probadas

67

Diferencia entre YRT y YFT

Rendimiento estandard
(YRT)

Rendimiento al final (YFT)

Rendimiento tomado en cada

paso del proceso (oportunidad)

Rendimiento al final del

proceso

Rendimiento antes de la
inspeccin o la prueba
Incluye retrabajo y desperdicio
Siempre YFT
Observa la calidad de todas
las partes que conforman el
producto terminado.

Es el rendimiento despus de la
inspeccin la prueba
Excluye el retrabajo y el
desperdicio
Siempre YRT

Slo observa la calidad del

producto terminado

68

Como calcular la capacidad SS para un

proceso?

Qu proceso se considera?
Cuntas unidades tiene el proceso?
Cuntas estan libres de defectos?

Facturacin y CxC
1,283
1,138

Calcular el desempeo del proceso

Calcular la tasa de defectos

1138/1283=0.887
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

69

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)

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?
70

Dado que los eventos independientes

son multiplicativos
P(sin defectos)=P(sin def.1)xP(sin def.2)...P(sin def.10)
P(sin defectos)= 0.9510
P(sin defectos)= = .5987 =59.9%
(Es la probabilidad de que diez cucharas salgan
libres de defectos)

Este mtodo utiliza una distribucin

binominal para calcular la probabilidad de
diez cucharas libres de defecto
consecutivas
71

Extendiendo el concepto
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:
Op 1

Op 2

96%
Sin correcciones

0.96

Salida
95%

99%
Sin correcciones

0.99

Sin correcciones

0.95

Existe una probabilidad del 95% de que cualquier

producto pase a travs de ambas operaciones, libre de
defectos.

72

Rendimiento de la capacidad estandard

Recibo de partes
del proveedor
95.5% de rendimiento

1,000,000 unidades

Despus de la
inspeccin de recepcin

45,000
Unidades
desperdiciadas
28,650
Unidades
desperdiciadas

YRT = .955*.97*.944 = 87.4%

97% de rendimiento
De las operaciones
de Maquinado
94.4% de
rendimiento
En los puestos
de prueba 1er intento

51,876
Unidades
desperdiciadas

125,526 unidades desperdiciadas

por milln de oportunidades

Correcto la
primera
vez

73

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:

74

Derivacin del rendimiento

estandard de produccin
(rendimiento real)
en donde:
d

/
u
La distribucin
Poisson
un Modelo de
(d/u)
e
Y es el como
rendimiento
Y =
Defecto r!
d/u son los defectos por unidad (DPU)
r es el nmero de sucesos
0
(-d/u)
Y=(d/u) e
e es la funcin exponencial (=2.718)
r

0!
= (1)e (-d/u)
1

Y= e

-d/u

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)

75

Del ejemplo anterior

(Ya se haba calculado YRT igual a 0.95)
Op 1
96%
Sin correcciones

Op 2

Salida
95%

99%
Sin correcciones

Sin correcciones

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

YRT = e-0.05 = 2.718-0.05 = 0.95123 = 95%

76

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 YNA para
encontrar este promedio de nivel sigma.

YNA = (YRT)1 / #Pasos

77y
En donde YRT es el rendimiento de produccin estandard

Rendimiento promedio normalizado

Op 1

Op 2

96%

Salida
95%

99%

Sin correcciones

Sin correcciones

Sin correcciones

0.97467

YNA = (YRT)1 / #Pasos

YRT = 95%

#Pasos = 2
1 - 0. 97467

YNA = (0.95) = 0.97467

Defectos = 1 - 0. 97467 = 0.0602
Encuentrelo en una tabla normal o utilice NORMSINV (Y NA) en
Excel
1/2

Zbench = 1.95

78

Clculo con procesos paralelos

(Por ejemplo, cualquiera de las tres mquinas podra ejecutar cualquier operacin #2)
Operacin 1

Operacin 2

Operacin 3

Operacin 4

83%

98%

99%

2a

98%

91%
99%

Volumen
2c

2b

2a
2b
2c

100
200
250

Defectos
9
2
5

Primero, modele el proceso paralelo como un proceso en

serie: determine el rendimiento total de la Operacin 2

Y2 = 1

Defectos(2a) + Defectos(2b) + Defectos(2c)

Partes hechas (2a) + Partes hechas (2b) + Partes hechas (2c)

Y2 = 1
Y2 = 0.971

9+2+5
100 + 200 + 250

79

Clculo con procesos paralelos

(Por ejemplo, cualquiera de las tres mquinas podra ejecutar cualquier
operacin #2)

Operacin 1

Operacin 2

Operation 3

99%

98%

91%
2a

83%

99%
2b

2c

2a
2b
2c

Operacin 4

98%
Volumen Defectos
100
9
200
2
250
5

A continuacin, encuentre el rendimiento de produccin estandard

(YRT) de las operaciones 1 a la 4 utilizando la Y 2 calculada.

YRT = Y1 x Y2 x Y3 x Y4
YRT = 0.99 x 0.971 x 0.83 x 0.98 = 0.7819
YNA =(0. 7819)1/4 = 0.9404
Defectos = 1 - 0. 9404 = 0.0596
Encuentrelo en una tabla normal o utilice NORMSINV (Y NA) en
Excel

Zbench = 1.56

80

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
81

Mejorando el rendimiento
de la operacin 3 al
Operacin 4
Operacin 1
Operacin 2
Operacin 3
100%
?
99%
98%
2a

98%

91%
99%
2b

2c

2a
2b
2c

Volumen Defectos
100
9
200
2
250
5

YRT = Y1 x Y2 x Y3 x Y4
YRT = 0.99 x 0.971 x 1.0 x 0.98 = 0.9421
YNA =(0. 9421)1/4 = 0.9803
Defectos = 1 - 0. 9803 = 0.0197

Encuentrelo en una tabla normal o utilice NORMSINV (YNA) en Excel

Zbench = 2.06

82

Frmulas a conocer
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 defec

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

Rendimiento estandard (La probabilidad de que cualquier unid

del producto pase por todo el proceso, libre de defectos)
YRT= P(ND)# de Oportunidad
(Poisson)
YRT = P(ND) * P(ND) * P(ND) *......P(ND)n (Binomial)
(La distribucin binomial se recomienda para los casos en donde
se conoce el rendimiento para cada elemento del proceso u
oportunidad).

83

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

84

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 ,
, ) 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

85

6B. Obteniendo conclusiones

vlidas

Los pasos de la estadstica inferencial son:

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)
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

86

6C. Obteniendo conclusiones

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
Ho: A B
Ha: A<B
izquierda

Prueba de dos colas

Prueba de cola

87

6C1. Obteniendo
conclusiones 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

88

6C2. Teorema del lmite

central

Para el caso de las cartas de control -Medias

Rangos:

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

Para las medias muestrales, el error estndar de

la media se relaciona con la desviacin estndar
de la poblacin como sigue:
X

sX

n
89

6C2. Teorema del lmite

central

Intervalo de confianza para la media:

A) Sigma conocida y n>30 (n es tamao de

muestra)
B) Sigma desconocida y n<30

X Z

X t
2

n
90

6C2. Teorema del lmite

central

Intervalo de confianza para proporciones y

varianza:

Para proporciones, p es la proporcin y n>30

p (1 p )
n

p Z
2

Para la varianza

( n 1) s

2
2

, n 1

( n 1) s

, n 1

91

6C2. Conceptos bsicos de

probabilidad

Principios bsicos:

La probabilidad de un evento varia entre 0 y 1

(xito)
Un evento simple no puede desomponerse
El conjunto de resultados posibles del
experimento se denomina espacio muestral
La suma de las probabilidades en el espacio
muestra es 1
Si se repite un experimento un gran nmero de
veces N y el evento E es observado nE veces, la
probabilidad de E es aproximadamente:

nE
P( E )
N

92

6c2. 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

nE
P( E )
N

93

Definicin de 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....

94

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,...

95

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.

96

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 97

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
98
valores Que toma una variable aleatoria

Espacio Muestral
Consiste en todos los posibles resultados de un
experimento.
Para el lanzamiento de una moneda es (A,S).

99

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.
n
P ( EventoA) lim
N N

100

Ejemplo
en los 1900-s , Karl Pearson lanzo una moneda 24,000 veces
y obtuvo 12,012 caras, dando una proporcin de 0.5005.

probabilidad de caras

.5

0
0

500
n

1000

101

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
102

Probabilidades de Eventos
1. P(E) 0
2. P(S) = 1
3. Si E1,En son mutuamente disjuntos
entonces

i 1

P( E )
i

i 1

Resultados
1. Si A B entonces P(A) P(B)
2. Si P(Ec)=1-P(E)
3. P(AB) = P(A) + P(B) P(AB)
4. Si B1B2Bn = S entonces

P( E )

P( E B )
i

i 1

103

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(Ec) =

104

Sea E1 el evento en el cual elegimos 1000 y E2 es el

evento en el cual elegimos un numero menor o igual a
760.
P(E1E2) =
Sea E1 el evento en el cual elegimos 850 y E2 sea el
evento el cual obtenemos un numero menor a 880.
P(E1E2) =

105

Leyes de probabilidades
1. En un experimento, si P(A) e la probabilidad de
un evento A, entonces la probabilidad de Que no
suceda A es:
P ( A ) 1 P ( A)
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

B ) P ( A) P ( B )

Para el caso de dos eventos A y B Que no son

mutuamente excluyentes.
P( A

B ) P ( A) P ( B ) P ( AyB )

A las dos ecuaciones se les conoce como

106

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!!!

107

Probabilidad Condicional
Si A y B son dos eventos y P(B)>0,

entonces

P( A B)
P( A | B)
P( B)
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) =

P(B) =

P( A B)
P( A | B)

P( B)

108

Ejemplo
Maquina1
Proporcin de 0.01
defectuosos
Numero
200
producido

Maquina 2
0.02

Maquina3
0.005

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={(M1D), (M1N), (M2D), (M2N),
(M3D), (M3N)}
P(N) = P(M1N) + P(M2N) + P(M3N)
= P(N| M1)P(M1) + P(N| M2)P(M2) +
P(N| M3)P(M3)
= (10.01)0.25 + (10.02) 0.3125 +
(10.005) 0.4375
= 0.989

109

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
Prop. De
0.01
0.01
defec.
Numero
200
250
producido

Maq. 3
0.01
350

Un proceso manufactura 5 partes. Suponga que salgan

defectuosas es, E1,,E5,
Son indep. y tienen la misma probabilidad. Cual es la
probabilidad que una falle?
Cual es la probabilidad que ninguna falle?

110

Reglas de la probabilidad
Adicin
Si 2 eventos A y B no son mutuamente excluyentes,
entonces la probabilidad que el evento A o el evento B
ocurra es:

P(A or B) P(A) P(B) P(AB)

Multiplicacin
probabilidad
ambos| A
y B ocurran
es
P(AB)que
P(A
B)P(B)
P(B
|

A)P(A)

Cuando los eventos A y B son independientes, entonces

P(A|B) = P(A)
y
P(AB)
P(A)P(B)

111

Probabilidad Total
Si A1,An son mutuamente excluyentes, y
eventos exhaustivos, entonces
n

P(B) P(B | A i )P(A i )

i 1

Regla de Bayes
P(A | B)

P(B | A)P(A)
P(B)
P(B | A)P(A)
n

P(B | A i ) P(A i )

i 1

112

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 un 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.
A1
L1
L2

L3

L4

A2
A3
A1
A2
A3

12 tratamientos

A1
A2
A3
A1
A2
A3

114

Teorema 1. (Principio de multiplicacin)

a1 , a2 ,..., am
Con m elementos

y n elementos
b1 , b2 , ... , bn

es posible formar mn pares que contienen un elemento de

cada grupo.

Ejemplo 1. Se lanza una moneda 2 veces. Cual 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

115

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.

n1n2 ... nr

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.

116

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

Prn

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

117

El numero de formas de ordenar n objetos

distintos en n lugares diferentes es :
n ! n( n 1)(n 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 1)(n 2)...(n [r 2])(n [r 1]) P n
r

n!
P
(n r )!
n
r

118

Ejemplo: Suponga que a un grupo de motores se les

aplicara un tratamiento que consiste en dos aplicaciones
de diferentes intensidades de presin. Hay 10 diferentes
intensidades y el orden de administrar las intensidades es
importante, cuantos motores se ocupan si cada
tratamiento se tiene que llevar a cabo?.

10 intensidades (i1,i2,,i10 ) y 2 aplicaciones.

Nos interesa contar los pares (i1,12),(i1,i3),..

10
2

10!

90.
8!

119

Combinaciones
Una combinacin es un arreglo de distintos elementos , en
donde una combinacin difiere de otra solamente si el
contenido del arreglo es distinto.

!! En este caso no es importante el

orden de los objetos !!
Definicin. (Combinaciones).
El numero de combinaciones de n objetos tomando r a la vez
es el numero de maneras de formar un subconjunto de
tamao r de los n objetos. Esto se denota como:

n
C
r
n
r

120

Teorema 2.
n
n

P
n!
r
n
Cr

r!
r !(n r )!
r

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?.
n
n!
100!
C

r r !(n r )! 10!(100 10)!

n
r

121

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!
n1 ! n2 !... nk !

donde

n
i 1

Ejemplo: Existen 20 bulbos de luz. Los cuales 6

dan luces amarillas, 8 rojas, y 6 anaranjadas. De
cuantas formas se puediera ver el una lnea de
bulbos si se colocaran en forma aleatoria?
N 20! 116,396,280
6!8!6!

122

Variables Aleatorias y sus

distribuciones

123

Tipos de variables aleatorias

Discretas
continuas

124

Definicin de 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....

125

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,...
126

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.
127

Funcin de probabilidades para Y.

y

P(Y=y)

1/4

1/2

1/4
0.51

0.46

0.41

Grfica
P(Y=y)

0.36

0.31

0.26

-0.2

0.3

0.8

1.3

1.8

128

Formula para la distribucin de probabilidades

de la tabla anterior

3
3 y
y
P ( y ) P (Y y ) (.5) (.5)
y
La distribucin de probabilidades puede ser una
Tabla, una Grfica o una formula.

129

Requisitos para una distribucin

de probabilidad discreta.

1.

0 P( y) 1

2.

P( y).
toda
y

En algunas ocasiones
la notacin usada es:

f X ( x) P( X x)

130

Funciones de distribucin acumulativa

La funcin distribucin de probabilidades acumulativa
es calcula sumando las probabilidades obtenidas
hasta un determinado valor de la variable aleatoria.

FX ( x) P( X x)
Esta funcin tiene propiedades.

0 F ( x) 1
Limx F ( x) 1
Limx F ( x) 0

131

Funcin de distribucin acumulativa para Y=#de caras

0.9

F(x)

0.7

0.5

0.3

-0.2

0.3

0.8

1
y

1.3

1.8

2
132

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

P(X=x)

Probabilidad
Acumulada
P(X<x)

.805

.805

.178

.983

.014

.997

.003

.999

.000

1
133

Los clculos de probabilidades se

obtienen para este ejemplo como:

P( X x)

D

x

N D
5 100 5

n x x 4 x
N
100

n
5

x 0,1,2,3,4

134

Valor Esperado o Media de

una variable aleatoria
discreta

La media o valor esperado de una variable

aleatoria discreta
o E(X),
X X , denotada como
es

X E ( X ) xf X ( x) xP( X x)
x

La media es el centro de la masa del rango de

los valores de X.
135

Calculo de la media X
defectos

para la variable de No. De

X xP( X X )
x 0

0 0.805 1 0.178 2 0.014 3 0.003 4 0

0.215
En este caso note que esta media no toma un valor
entero como X

136

0.8

prob

0.6

0.4

0.2

0.0

Media

2
x

137

Ejercicio:
La demanda de un producto es -1,0,1,2 por dia
(-1 significa devolucin). Con probabilidades
dadas por 1/5,1/10,2/5,3/10. Calcular la
X
demanda esperada.

138

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 E[( X X ) ] ( x X ) P( X x)
2

Medida de dispersin
139

 X 2 ( x X ) 2 P( X x)
x

(0 0.215) 2 0.805 (1 0.215) 2 0.178

(2 0.215) 2 0.014
(3 0.215) 2 0.003 ( 4 0.215) 2 0
0.2147

140

La desviacin estndar de una variable aleatoria

es simplemente la raz cuadrada de la varianza

2
X

141

Distribuciones Discretas
Uniforme discreta.
La variable aleatoria toma un numero
finito de n valores , cada uno con igual
probabilidad.

1
f ( x) P( X x)
n

142

Uniforme discreta con n=10

0.15

0.13

p
r
o
b

0.11

0.09

0.07

0.05
0

1e+001

143

La media y varianza de la
distribucin Uniforme discreta son:

(n 1)
X
2
2
n 1
2
X
12
Aplicaciones
144

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
145

La variable aleatoria X tiene una distribucin

binomial

n x
n x
f ( x) P ( X x) p (1 p )
x

x 0,1,..., n

Tiene media y varianza.

E ( X ) X np
V ( X ) np (1 p )
2
X

146

Distribucin Poisson
Una Variable aleatoria X tiene distribucin
Poisson si toma probabilidades con.

e x
f ( x)
x!

x 0,1,...

147

6D. Histogramas y
Distribucin Normal

148

Histograma
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 .
Un rango de 3 cubre el 99.73%.

DEFINICION
Un Histograma es la organizacin de un nmero de
datos muestra que nos permite visualizar al proceso de
manera objetiva.

149

Histograma de Frecuencia
Media

TAMAO

TAMAO

TAMAO

M
E
D
I
C
I
O
N
E
S

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.
M
E
D
I
C
I
O
N
E
S

TAMAO

TAMAO

150

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
1-5
6-10
11-15
16-20
21-25
26-30

FRECUENCIA
7
12
19
16
8
4

151

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

152

Construccin del histograma - datos agrupado

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
153

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
154

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
155

Histograma en Excel

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.

156

Construccin del histograma

18
16
14
12
10
8
6
4
2
0

Frec.

1524

2534

3544

4554

5564

6575

157

Clculo de la media - datos agrupados

Media - Promedio numrico o centro de
gravedad del histograma
n

Fi*Xi
x
Fi

i 1

Donde,
Fi = Frecuencia de cada observacin
xi = Valor de cada marca de clase

- Usa todos los datos

- Le afectan los extremos

Mediana - Es el valor que se encuentra en medio de

los datos
Moda - Es el valor que ms se repite

158

Desviacin Estndar - Datos

agrupados
S es usada cuando los datos corresponden a una muestra
Nota: Cada Xi representa la marca de clase
tpicamente es usada si se est considerando a toda la
poblacin

(Fi*Xi2 )- [(Fi*Xi)]2/n
s =

(xi - x)2
=

i=1

n-1

i=1

n
159

Otras medidas de
Dispersin- Rango, CV
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
Observaciones Aritmtica Estndar
n
s

A
B

160
150

1100
800

225
200

Coeficiente
de Variacin
Srel
0,204
0,250

El Material A tiene una menor variabilidad relativa relativa que el

material B

160

Ejercicio de Histogramas
Datos:
6.40
6.39

6.39
6.40

6.41
6.37

6.39
6.40

6.40
6.38

6.42
6.40

6.38
6.41

6.40
6.41

6.38
6.43

6.41
6.39

6.41
6.38

6.35
6.40

6.39
6.42

6.41
6.37

6.43
6.40

6.37
6.40

6.43
6.42

6.43
6.39

6.39
6.42

6.42
6.38

6.42
6.39

6.40
6.44

6.38
6.36

6.45
6.44

6.41
6.36

161

La Distribucin
Normal

162

Describiendo la variabilidad

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

163

La Estadstica
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
164
pronosticar o Inferir la media de toda la poblacin.

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
variacin observado. .

del

patrn

de
165

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 )
166

La distribucin Normal
La distribucin normal 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.

167
Para cada valor Z se asigna una probablidad o rea bajo

Las distribuciones pueden variar en:

POSICIN

AMPLITUD

FORMA

O TENER CUALQUIER COMBINACION

168

La Distribucin Normal
Para la poblacin - se incluyen TODOS los datos
Para la muestra

x-3s

x-2s

x-s

x+s

x+2s

x+3s

169

La Distribucin Normal Estndar

La desviacin estndar
sigma representa la
distancia de la media al
punto de inflexin de la
curva normal

X
x-3

x-2

x-

x+

x+2

x+3

z
-3

-2

-1

170

Caractersticas de la Distribucin Normal

68%
34% 34%

+1s

95%
+2s

99.73%
+3s

171

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-

172

Proceso con media =100

y desviacin estndar = 10

70

80

90

100

110

120 130

68%
34% 34%

90

13.5%

80
2.356%
13.5%

70

110

68%
13.5%

34% 34%

95%

68%
13.5%

34% 34%

99.73%

120
2.356%

130

173

reas bajo la curva

normal

174

reas bajo la curva normal

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?

175

Clculos con Excel Dist. Normal Estndar

Distribucin normal estndar con media = 0 y desviacin

estndar = 1: Para Z = (X - Xmedia )/ s

1. rea desde menos infinito a un valor de Z se obtiene como sigue:

- Colocarse en una celda vaca
Accesar el men de funciones con Fx, ESTADSTICAS,
DISTR.NORM.ESTAND, dar valor de Z y obtener el rea
requerida
Z
Area

2. Un valor de Z especfico para una cierta rea (por ejemplo

0.05) se obtiene como sigue:
- Colocarse en una celda vaca
- Accesar el men de funciones con Fx, ESTADSTICAS, o
DISTR.NORM.ESTAND.INV, dar valor del rea y se obtiene la Z

176

Clculos con Excel Distr. Normal

Distribucin normal, dadas una media y desviacin estndar:

1. rea desde menos infinito a X se obtiene como sigue:
- Colocarse en una celda vaca
- 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:
- Colocarse en una celda vaca
- Accesar el men de funciones con Fx, ESTADSTICAS,
DISTR.NORM.INV, dar el valor del rea, Media y Desviacin
Estndar y se obtendr el valor de la X

177

rea bajo la curva normal

Que porcentaje de las bateras se espera que duren
80 horas o menos?
Z = (x-mu) / s
Z = (80-85.36)/(3.77)= - 5.36/ 3.77 = -1.42
80

-1.42

85.36

178

rea bajo la curva normal

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

179

rea bajo la curva normal

Cul es la probabilidad de que una batera dure
ms de 87 horas?
85.36

87

1.67 = .33 33% de las veces una batera

durar ms de 87 horas

180

Ejercicios
Considere
Considere una
una media
media de
de peso
peso de
de estudiantes
estudiantes de
de
75
75 Kgs.
Kgs. con
con una
una desviacin
desviacin estndar
estndar de
de 10Kgs.
10Kgs.
Contestar
Contestar lo
lo siguiente:
siguiente:
Cul
Cul es
es la
la probabilidad
probabilidad de
de que
que un
un estudiante
estudiante
pese
pese ms
ms de
de 85Kgs.?
85Kgs.?
2.
2. Cul
Cul es
es la
la probabilidad
probabilidad de
de que
que un
un estudiante
estudiante
pese
pese menos
menos de
de 50Kgs.?
50Kgs.?
3.
3. Cul
Cul es
es la
la probabilidad
probabilidad de
de que
que pese
pese entre
entre 60
60 yy
80
80 Kgs.?.
Kgs.?.
4.
4. Cul
Cul es
es la
la probabilidad
probabilidad de
de que
que pese
pese entre
entre 55
55 yy
70
70 Kgs.?
Kgs.?
5.
5. Cul
Cul es
es la
la probabilidad
probabilidad de
de que
que pese
pese entre
entre 85
85 yy
181
100Kgs.?

6E. Capacidad de Proceso

182

CONTENIDO

Introduccin

Capacidad a partir de histogramas

Capacidad a partir de papel normal

Capacidad a partir de cartas de control

Capacidad de los sistemas de medicin

Ejercicios de aplicacin
183

Introduccin

184

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 nuevol
4. Seleccionar proveedores
5. Reducir la variabilidad en el proceso de

185

LSE
Especificacin
superior

LIE
Especificacin
inferior

s
xi

_
X

p = porcentaje de partes fuera de Especificaciones

186

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
187

Variacin a corto
Plazo - Zst

Variacin a
largo plazo - Zlt

Variacin Global - Zbench.

188

Variacin a Corto yEnfriador

Largo Plazo
Dimetro de pieza 18.315 +/- 0.005
DPMO inicial: 139,400 ppm
Variacin de
Medicin
DM = .003
Dentro de
la Pieza

Pieza a
Pieza

Variacin de
Producto
DP = .020
Lote a
Lote

Tiempo a
Tiempo

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.

189
La grfica en su conjunto sera un ejemplo de variacin a largo plazo

Variacin a Corto y Largo Plazo

Enfriador

Dimetro de pieza
18.315 +/- 0.005 DPMO inicial: 150,000
ppm
Variacin de
Medicin
DM = .003
Dentro de
la Pieza

Pieza a
Pieza

Variacin de
Producto
DP = .020
Lote a
Lote

Tiempo a
Tiempo

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.

190

Visualizando los Componentes de Variacin

Cambio y Tendencia

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 ZShift

Tiempo 1
Tiempo 2
Tiempo 3

Tiempo 4
Capacidad
mantenida
a
largo plazo
Variacin
total
de proceso
LIE
Z Largo
Plazo (Zlt) Dos retos: Centrar

Objetivo

LSE

el proceso y reducir la 191

Capacidad de Proceso
Tres elementos bsicos
Exactitud (media)
Precisin (desviacin estndar)
Requerimientos (lmites especficos)
Calculando el resultado Z (dos tipos)
ZST = (lmite especif. - nom)

ZLT =(lmite especif. - media)

desv. stdST
Lmite
Mnimo
Especif.
3

desv. std corto plazo

Lmite
Mximo
Especif.

{
{

1
3

Nominal
Media

{
{
{
{

res. ZST = 3.33 <==

std devLT

2 ==> res. ZLT = 2

desv. std largo plazo

192

Capacidad de Proceso
Comportamiento del proceso en el tiempo
zst - zlt

deficiente

bueno

2.5
2.0
1.5
1.0
0.5

Control deficiente,
Proceso deficiente (Tipo A)

Buena tecnologa, control

deficiente (Tipo B)

El control es bueno,el proceso es deficiente,

la tecnologa es inadecuada (Tipo C)

deficiente

4
zst

Clase
Mundial (Tipo D)

bueno

(Nota: St - corto plazo, Lt - largo plazo)

A cul categora pertenecen estos procesos?

Tipo____

Tipo____

Tipo____

Tipo____

193

Capacidad de proceso a corto

y largo plazo

Capacidad a corto plazo en base a sigma de

corto plazo
ST

R S MR
,
,
d 2 c4 d 2

ST

LSE LIE
6

Capacidad a largo plazo en base a sigma de

largo plazo
kn

S TOT

X i
i 1

kn 1

4kn 4
c4
4kn 3

LT

S TOT

c 4 kn

194

6E1. Capacidad de proceso a

partir de Histogramas y
Distribucin normal

195

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

196

Teora del camin y el tnel

El tnel tiene 9' de ancho (especificacin). El camin tiene 10 y el chofer es perfecto
(variacin del proceso). Pasara el camin? NO, la variabilidad del proceso es mayor
que la especificacin.
Centrar es hacer que el promedio del proceso sea igual al centro de la
especificacin. Si el camin tiene 8 pies de ancho pasar el camin?, Si. Si
el chofer puede mantener el centro del camin en el centro del tnel. De otra forma
chocar con las paredes del tnel y no pasar a pesar de ser ms angosto.
El proceso debe estar en control, tener capacidad y estar centrado

Ancho 9
Nigels Trucking Co.

Capacidad del proceso Fraccin defectiva

La capacidad en funcin de la fraccin defectiva del Proceso se calcula
En funcin de la fraccin defectiva para cada lado del rango de Especificacin.
Rango medio
Desv. Est. =
Constante d2 de acuerdo al tamao de subgrupo en X-R
Los valores de Z inferior y Z superior se calculan de acuerdo a las frmulas
Siguientes:

Zi

LIE - promedio del proceso

Desviacin Estandar

Zs

LSE - Promedio del proceso

Desviacin Estandar

La fraccin defectiva se calcula con las tablas de distribucin normal

P(Zi) = rea en tabla (-Z)

P(Zs) = 1 rea corresp. a Zs en tabla (+Z)

Fraccin defectiva = P(Zi) + P(Zs)

Capacidad del proceso Cp y Cpk

La capacidad potencial del Proceso (Cp) es una medida de la
variacin del proceso en relacin con el rango de Especificacin.

Cp =

Tolerancia
Variacin del proceso

LSE - LIE
6 Desviaciones STD.

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 y

3 desviaciones STD

Promedio del proceso - LIE

3 desviaciones STD

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.
Rango del proceso
6 desviaciones STD
=
CR =
LSE - LIE
Tolerancia
Capacidad Cp, Cpk y fraccin defectiva

Clculo de la capacidad del proceso

Habilidad o capacidad potencial

Cp = (LSE - LIE ) / 6

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

Habilidad o capacidad real

El Cpk debe ser 1 para que el
proceso cumpla especificaciones

Cpk = Menor | ZI - ZS | / 3
200

Ejemplo
Se tomaron los datos siguientes:
265
197
346
280
265
200
221
265
261
278
215
251

205
286
317
242
254
235
176
262
248
250
318

263
274
242
260
281
246
248
271
260
265
271

307
243
258
321
294
328
263
245
274
270
293

220
231
276
228
223
296
231
301
337
298
277

268
267
300
250
260
276
334
280
250
257
290

260
281
208
299
308
264
280
274
278
210
283

234
265
187
258
235
269
265
253
254
280
258

299
214
264
267
283
235
272
287
274
269
275

201

Ejemplo (cont)
Agrupando los datos en celdas se tiene:
Intervalo Marca
de clase de clase
170 - 189
179.5
190 - 209
199.5
210-229
219.5
230-249
239.5
250-269
259.5
270-289
279.5
290-309
299.5
310-329
319.5
330-349
339.5

Frecuencia
2
4
7
13
32
24
11
4
3

Frecuencia
Relativa
0.02
0.04
0.07
0.13
0.32
0.24
0.11
0.04
0.03

Frecuencia
Absoluta
0.02
0.06
0.13
0.26
0.58
0.82
0.93
0.97
1.00

202

Ejemplo (cont)
El histograma es el siguiente (se observa con forma normal):

35
30
25
20
15

Frec.

10
5
0

170189

210229

250269

290309

330349

203

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 = 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

204

Ejercicio
Calcular la capacidad del proceso con la distribucin de frecuencias
siguiente considerando LIE = 530 y LSE = 580:
Intervalo
de clase Marca de clase Frecuencia

531 - 535
536 - 540
541 - 545
546 - 550
551 - 555
556 - 560
561 - 565
566 - 570
571 - 575

533
538
543
548
553
558
563
568
573

Frecuencia
Relativa

Frecuencia
Absoluta .

6
8
12
13
20
19
13
11
8

205

Clculo de la capacidad del

proceso

Habilidad o capacidad potencial

Cp = (LSE - LIE ) / 6

Debe ser 1
para tener el potencial de
cumplir con especificaciones (LIE, LSE)
Habilidad o capacidad real

Cpk = Menor | ZI - ZS | / 3

El Cpk debe ser 1 para que el

proceso cumpla especificaciones

206

Ejemplo
Se tomaron los datos siguientes:
265
197
346
280
265
200
221
265
261
278
215
251

205
286
317
242
254
235
176
262
248
250
318

263
274
242
260
281
246
248
271
260
265
271

307
243
258
321
294
328
263
245
274
270
293

220
231
276
228
223
296
231
301
337
298
277

268
267
300
250
260
276
334
280
250
257
290

260
281
208
299
308
264
280
274
278
210
283

234
265
187
258
235
269
265
253
254
280
258

299
214
264
267
283
235
272
287
274
269
275

207

Ejemplo (cont)
Agrupando los datos en celdas se tiene:
Intervalo
Frecuencia
de clase Marca de clase
Absoluta
170 - 189
179.5 2
190 - 209
199.5 4
210-229
219.5 7
230-249
239.5 13
250-269
259.5 32
270-289
279.5 24
290-309
299.5 11
310-329
319.5 4
330-349
339.5 3

Frecuencia
Frecuencia
0.02
0.04
0.07
0.13
0.32
0.24
0.11
0.04
0.03

Relativa
0.02
0.06
0.13
0.26
0.58
0.82
0.93
0.97
1.00

208.

Ejemplo (cont)
El histograma es el siguiente (se observa con forma
normal):
35
30
25
20
15

Frec.

10
5
0

170189

210229

250269

290309

330349

209

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 =

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
32.02

Zs = (200 - 264.06) /

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

especificaciones

210

Ejercicio
Calcular la capacidad del proceso con la distribucin de frecuencias
siguiente considerando LIE = 530 y LSE = 580:
Intervalo
de clase Marca de clase
Absoluta
531
536
541
546
551
556
561
566
571

535
540
545
550
555
560
565
570
575

533
538
543
548
553
558
563
568
573

Frecuencia
Frecuencia
Relativa

Frecuencia

6
8
12
13
20
19
13
11
8

211

6E2. Capacidad a partir

de papel normal

212

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
213
cierto rango, el Cp y el Cpk.

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 =214
0.5

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
2
3
4
5
6
7
8
9
10

0.025
0.075
0.125
0.175
0.225
0.325
0.325
0.375
0.425
0.475

11
12
13
14
15
16
17
18
19
20

0.525
0.575
0.625
0.675
0.725
0.775
0.825
0.875
0.925
0.975

197
200
215
221
231
242
245
258
265
265

271
275
277
278
280
283
290
301
318
346

215

Ejemplo (cont..)
Graficando los puntos se tiene:
Pj
0.84

0.5
Desv. Estndar
Fraccin
Defectiva

LIE

X Media

Xj
216

Pi

( I - 0.5 ) / N

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
0.08
0.04
0.02
0.01
0.005
0.002
0.001
Normal distribution probability paper

Xi

217

Probability

N o rm a l P ro b a b i li ty P lo t
.999
.99
.95
.80
.50
.20
.05
.01
.001
200
A v erage: 504.232
S tDev : 139.682
N: 100

300

400

500

600

C1

700

800

900

A nders on-Darl ing Normality Tes t

A -S quared: 0.315
P -V alue: 0.538

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
218
proceso seran valores de 400 o inferiores.

Diferentes trazos en papel de

probabilidad Normal

219

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

220

6E3. Capacidad a partir

de cartas de control

221

EN CASOS ESPECIALES COMO ESTOS

DONDE LAS VARIACIONES PRESENTES SON
TOTALMENTE INESPERADAS
TENEMOSUN PROCESO INESTABLE o IMPREDECIBLE.

?
?
?

?
?
?

222

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

223

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.
224

PROCESO EN CONTROL ESTADSTICO

La distribucin de la mayora de las caractersticas medidas forman una
curva en forma de campana o normal, si no Area
hayentre
causas
0 y 1sespeciales
presentes, que alteren la normalidad . cuales
son las causas
-Probabilidad
de Ocurrencia
comunes?|
Distribucin
del Proceso

_
x= media
34%

34%

14 %
-3s

-2s
-1s
2%

s= sigma; es la
desviacin
estndar;
medida
de la variacin
del proceso.

14 %
x

+1s +2s
99.73%

3s

2%

225

Desviacin Estndar del proces

= R = S
d2
c4
Donde,
Donde,

== Desviacin
Desviacinestndar
estndarde
dela
lapoblacin
poblacin
dd2 ==Factor
Factorque
quedepende
dependedel
deltamao
tamaodel
delsubgrupo
subgrupoen
enla
lacarta
cartade
decontrol
controlXX-2
RR
CC4 ==Idem
Idemal
alanterior
anteriorpara
parauna
unacarta
cartaXX--SS
4
NOTA:
NOTA: En
Enuna
unacarta
cartapor
porindividuales,
individuales,d2
d2se
setoma
tomapara
parann==22yy
RangoMedio=Suma
RangoMedio=Sumarangos
rangos//(n
(n-1)
-1)

226

Capacidad de proceso
Cuando las causas comunes son la nica variacin:

Cp
El ndice de capacidad potencial del proceso compara
la amplitud del proceso con la amplitud especificada.
Cp = (LSE - LIE) / 6

Cpk

El ndice de capacidad real del proceso compara la media

real con el lmite de especificaciones ms cercano (LE) a es
_
Cpk = LE - LX o Cpk = menor |Z1 - Z2| / 3
3
227

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
= 33.23

= Rmedio / d2 =77.3 / 2.326

[ 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

228

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
= 1.117

= Smedio / C4 = 1.05 / 0.94

[ C4 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

229

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

230

6F. Capacidad de los

sistemas de medicin

231

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
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

232

Posibles Fuentes de la
Variacin del Proceso
Variacin del proceso, observado

Variacin del proceso, real

Variacin dentro de
la muestra

Variacin de la medicin

Variacin originada
por el calibrador

Repetibilidad

Estabilidad

Reproducibilidad

Linealidad

Sesgo

Calibracin
La Repetibilidad y reproducibilidad (R&R), son los errores ms relevantes en la medicin.

233

Definicin de la 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
REPETIBILIDAD

234

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

Operador-B

Operador-C

Operador-A

Reproducibilidad

235

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.

236

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 ) **

237

Definicin del Sesgo

Valor
Verdadero
Sesgo es la diferencia
entre el promedio
observado de las
mediciones y el valor
verdadero.

Sesgo

238

Definicin de la Estabilidad
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.

Tiempo 2
Tiempo 1

239

Definicin de la Linealidad

Valor
verdadero

Valor
verdadero

Linealidad es la
diferencia
Sesgo
Sesgo
en los valores real y
Menor
mayor
observado,
a travs del rango de (rango inferior)
operacin
Rango de Operacin del equipo
esperado del equipo.
(rango superior)

240

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 previ

241

Error R&R =

RPT2

REPR2

Precisin en relacin a la variacin

total

Para la fase de control del

proyecto, slo substituya la
Tolerancia por Variacin
*100 Total
.
TV= R&R + PV
Identificar qu porcentaje de la variacin
debe
PV=total
variacin
de parte =
absorberse como error de medicin. Rp x K3

%R&R= R&R
Var Total

<10% Aceptable
10-30%. Puede ser aceptable, dependiendo qu tan
crtico es el grado de la medicin.
>30%. Inaceptable!

242

EL VALOR DEL R&R ES UN PORCENTAJE DE LA

VARIACION TOTAL DEL PROCESO:
VARIACIN DE PARTE
A PARTE

La dimensin verdadera
de las partes se encuentra
en algn lugar de la la
regin sombreada
Lo que
fue
medido

LSL

OBJETIVO

USL

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

243

Estudio de R&R

Generalmente intervienen de dos a tres operadores

Generalmente se toman 10 unidades
Cada unidad es medida por cada operador, 2 3 veces.

244

Realizando el estudio R&R

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

245

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.
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).

246

Procedimiento para realizar un estudio de

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

247

Mtodos de estudio del error R&R:

I. Mtodo de Promedios- Rango
Permite separar en el sistema de medicin lo referente
a la reproducibilidad y a la Repetibilidad.
Los clculos son ms fciles de realizar.
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

248

Ejemplo:
Planteamiento del problema:
Las partes producidas en el rea de produccin, fallaron
por errores dimensionales 3% del tiempo.
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.

249

Mtodo X-media y Rango:

Repetibilidad y Reproducibilidad de
calibrador

Operador A
Serie # 1er. Ensayo 2o. Ensayo

1
2
3
4
5
6
7
8
9
10
Totales

9.376
9.372
9.378
9.405
9.345
9.390
9.350
9.405
9.371
9.380

9.358
9.320
9.375
9.388
9.342
9.360
9.340
9.380
9.375
9.368

X-barA

Operador B
Rango 1er. Ensayo 2o. Ensayo

9.354
9.372
9.278
9.362
9.338
9.386
9.349
9.394
9.384
9.371

Rango

Porcin Xbar

9.361
9.372
9.277
9.370
9.339
9.370
9.349
9.381
9.385
9.376

X-barB
R-barA

R-barB
Porcin R

250

1. Clculo de las X-medias

Repetibilidad y Reproducibilidad de calibrador

Operador A
Serie # 1er. Ensayo 2o. Ensayo

1
2
3
4
5
6
7
8
9
10
Totales

9.376
9.372
9.378
9.405
9.345
9.390
9.350
9.405
9.371
9.380
93.772
X-barA

9.358
9.320
9.375
9.388
9.342
9.360
9.340
9.380
9.375
9.368
93.606
9.3689
R-barA

Operador B
Rango 1er. Ensayo 2o. Ensayo

9.354
9.372
9.278
9.362
9.338
9.386
9.349
9.394
9.384
9.371
93.588
X-barB

Rango

9.361
9.372
9.277
9.370
9.339
9.370
9.349
9.381
9.385
9.376
93.580
9.3584
R-barB

Porcin Xbar

9.362
9.359
9.327
9.381
9.341
9.377
9.347
9.390
9.379
9.374

Porcin R

251

2. Clculo de los Rangos

Repetibilidad y Reproducibilidad de
calibrador

Operador A

Operador B

Serie # 1er. Ensayo 2o. Ensayo Rango

1
2
3
4
5
6
7
8
9
10
Totales

9.376
9.372
9.378
9.405
9.345
9.390
9.350
9.405
9.371
9.380
93.772
X-barA

9.358
9.320
9.375
9.388
9.342
9.360
9.340
9.380
9.375
9.368
93.606
9.3689
R-barA

0.018
0.052
0.003
0.017
0.003
0.030
0.010
0.025
0.004
0.012
0.174
0.0174

1er. Ensayo 2o. Ensayo

9.354
9.372
9.278
9.362
9.338
9.386
9.349
9.394
9.384
9.371
93.588
X-barB

9.361
9.372
9.277
9.370
9.339
9.370
9.349
9.381
9.385
9.376
93.580
9.3584
R-barB

Rango

Porcin Xbar

0.007
0.000
0.001
0.008
0.001
0.016
0.000
0.013
0.001
0.005
0.052

9.362
9.359
9.327
9.381
9.341
9.377
9.347
9.390
9.379
9.374

0.0052
Porcin R

0.0630

252

Identificacin de Parmetros del Estudio

y Clculos
Totales

93.772
X-barA

93.606
9.3689
R-barA

0.174

93.588
X-barB

93.580
9.3584
R-barB

0.0174

0.052
0.0052
Porcin R 0.0630

Ancho de tolerancia====> 0.25

Nmero de intentos (m)=> 2

X-media mx.=>

9.3689

X-media mn. =>

9.3584

Nmero de partes (n)==>

Diferencia X-dif

0.0105

Nmero de operadores
alfa

========>

10
2

4.56

R-media doble => 0.0113

(=4.56 para 2 ensayos, 3.05 para 3 ensayos)

Beta =========>

3.65

K3 ======>

1.62

(=3.65 para 2 operadores; 2.7 para 3 operadores)

253

3. Clculo de R&R
Repetibilidad: La variacin del dispositivo de medicin (VD)
se calcula sobre cada grupo de mediciones tomadas por un
operador, en una sola parte.
DV = R x K1 =

0.0515

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 - (DV2/(r*n)) =

0.03655

254

3. Clculo de R&R
El componente de varianza para repetibilidad y
reproducibilidad (R&R) se calcula combinando la
varianza de cada componente.
R&R =
=

DV2 + AV2

0.05277

El componente de varianza para las partes (PV), se calcula

sobre el rango de los promedios de todas las mediciones,
para cada parte.
PV

Rpart x K3

=0.1021

La variacin total (TV) se calcula combinando la varianza de repetibi

reproducibilidad y la variacin de la parte.
TV

R&R2 + PV2

= 0.1142

255

3. Clculo de R&R
Basado en la tolerancia:
%DV

= 100*DV/Ancho de tolerancia=20.61

%AV

= 100*AV/Ancho de tolerancia=14.62

%R&R = 100*R&R/Ancho de tolerancia 21.108

=
Basado en la variacin Total de las Partes:
%DV

= 100*DV/Variacin total=

%AV

= 100*AV/ Variacin total =

45.09
32.00

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

46.20

%PV

89.40

= 100*PV /Variacin total =

256

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
de operador A
1
2

Nmero
de parte
1
2
3
4
5
6
7
8
9
10

50
52
53
49
48
52
51
52
50
47

49
52
50
51
49
50
51
50
51
46

50
51
50
50
48
50
51
49
50
49

50
51
54
48
48
52
51
53
51
46

48
51
52
50
49
50
50
48
48
47

Mediciones
de operador B
2
3
51
51
51
51
48
50
50
50
49
48

257