Académique Documents
Professionnel Documents
Culture Documents
Pag
INTRODUCCION
CAPITULO I
CONTROL DE CALIDAD
Objetivos
Introduccin
Conceptos de calidad
Control de calidad
Costos de Calidad
CAPITULO II
10
15
15
Investigaciones estadsticas
16
17
19
Clasificacin de Procesos
22
El experimento de Deming
27
CAPITULO III.
LA TEORIA MUESTRAL
Necesidad de Muestreo
Tipos de Muestreo
Distribuciones Muestrales
1. Distribucin muestral de medias
2. Distribucin muestral para la diferencia de medias
3. Distribucin muestral de proporciones y diferencias
4. Distribucin muestral de varianzas
Tamao de la muestra
35
35
36
37
40
41
47
51
54
56
CAPITULO IV
CONTROL ESTADISTICO DEL PROCESO
Objetivos
Introduccin
Mtodos Estadsticos
Cartas de control
Diagrama Causa-Efecto
Diagrama de Pareto
Grfico de corridas
Histogramas de Frecuencia
Anlisis de Regresin
61
61
61
62
62
64
75
76
79
80
81
Ajustes de Curvas
BIBLIOGRAFIA
94
INTRODUCCION
cifras derivadas de
CAPITULO I.
EL CONTROL DE LA CALIDAD
OBJETIVOS:
Conocer los conceptos bsicos aplicados en el control de calidad y
familiarizar al lector con los principios, funciones y los costos que la calidad
implica.
INTRODUCCIN:
La finalidad de todo proceso industrial es la reproduccin del prototipo de un
producto. Cuando el producto est bien diseado y se fabrica cumpliendo las
normas establecidas, el mismo llenar las expectativas para el cual fue elaborado
y para el usuario. En consecuencia, se hace necesario que todos los productos se
fabriquen ajustados a las normas, el control de calidad interviene para asegurar el
fiel cumplimiento de estas normas por el producto.
Lgicamente no hay dos productos iguales, por lo que la calidad vara
continuamente, dependiendo del nivel de refinamiento tcnico alcanzado.
Puesto que la calidad es variable, va en contraposicin a la uniformidad y
en la prctica esta situacin se obvia llegando a la transaccin entre ambos,
estableciendo
lmites
para
definir
las
variaciones
con
respecto
las
necesarias.
2.-
CONCEPTO DE CALIDAD
b.
3.-
CONTROL DE CALIDAD:
2.
3.
4.
5.
ENTRADA
MATERIA
PRIMA
PROCESO DE
FABRICACION
CONTROL
DINAMICO
CONTROL
ESTATICO
FIGURA 1.
GRAFICO DE LOS TIPOS DE CONTROL
PRODUCTO
FINAL
para las
COSTOS DE CALIDAD
Cada uno de los departamentos de una organizacin debe ser capaz de
justificar su existencia midiendo sus costos y comparndolos con la contribucin
que aporta al cumplimiento de los objetivos de la compaa y a la obtencin de
beneficios. El departamento de control de calidad no es una excepcin. Por
consiguiente, es importante determinar el costo general del control de calidad.
Mejorar el nivel de calidad de un producto hace que el costo de produccin
del mismo se eleve, lgicamente se convierte en un aspecto que debe ser
estudiado detenidamente. En la prctica siempre hay un nivel de rechazos ptimo
para un proceso dado, por lo que carece de sentido esforzarse por reducir los
rechazos. Por lo tanto la calidad de un producto debe ser controlada a una
tolerancia dada y para cierto nivel de rechazos, para obtener la relacin de
compromiso requerida, pretender mejorar la calidad ms all de este nivel es,
hacer la produccin anti-econmica. El costo total del control de calidad bien
puede ser analizado o determinado, agrupando los costos en cuatro categoras
(ver figura 2)
.
CATEGORIAS
DE COSTOS
DE CALIDAD
COSTO
DE
PREVENCION
COSTO
DE
EVALUACION
DEFECTOS
DENTRO
DE LA
ORGANIZACION
DEFECTOS
FUERA
DE LA
ORGANIZACION
1.
proveedores.
b)
d)
e)
calidad.
3. Defectos dentro de la organizacin.- Los defectos dentro de la
organizacin son aquellos que se producen antes de la expedicin (o mientras el
producto sigue perteneciendo a la compaa productora). Estos costos son el
resultado de productos defectuosos (productos que no cumplen las normas).
Entran en esta categora los costos siguientes:
a) Sustitucin de piezas defectuosas.
b) Costos de reparacin.
c) Costos de recepcin y trmite de las quejas.
d) Responsabilidad del fabricante por los peligros que puede suponer el
producto, generalmente en forma de litigios o costo del seguro de
responsabilidad civil.
e) Prdida de pedidos futuros o dao para la reputacin de la empresa por
los defectos comprados por los clientes.
4.-Defectos fuera de la organizacin: Se incluyen en esta categora los
costos relacionados con los defectos que se revelan una vez que el producto es
propiedad del cliente. Se incluyen los siguientes costos:
a) Sustitucin de piezas defectuosas.
b) Costos de reparacin.
c) Costos de recepcin y trmites de reclamos.
d) Costos legales y/o seguros.
e) Prdida de futuros pedidos y daos a la reputacin de la empresa.
COSTOS TOTALES
COSTOS
INDIRECTOS
COSTOS DIRECTOS
AUMENTO DE DEFECTOS
NIVEL DE DEFECTOS DEL PRODUCTO
El control de la calidad debe efectuarse sin perder de vista los costos que
implica y los beneficios que de su aplicacin se deriven. Generalmente el control
total de la calidad conduce a una reduccin paulatina de los costos totales de la
calidad en una empresa haciendo nfasis en la prevencin de la ocurrencia de
defectos ms que en cualquier otro caso.
Los costos de prevencin representan el 5% del costo total de la calidad, en
contraste con los costos por fallas, los cuales alcanzan
entre el 70 y 80%
CAPITULO II
CALIDAD TOTAL.
MEJORAMIENTO CONTINUO E INNOVACIN
El quinto de los 14 postulados de Deming, tambin conocido como el padre
del concepto de calidad total, aboga por la mejora constante y continua de todos
los procesos de planificacin, produccin y servicio. El mejoramiento continuo
disminuye el desperdicio, disminuye costos y aumenta la productividad y crea
condiciones para el disfrute del trabajo.
Mejorar continuamente e innovar en las organizaciones de las que
formamos parte, es contribuir a la construccin de un mundo mejor.
ESTADISTICA SEGN FEDERER (1973).
INVESTIGACIONES ESTADSTICAS.
UNIVERSO
MARCO
Unidad
Caractersticas
nos interesamos en
X, Y, . . ., Z
SISTEMA DE CAUSAS
Cuya medicin u
observacin genera:
Poblacin de valores
Observados o medidos
De la caracterstica
...
Poblacin
Multivariante
Y
...
(X,Y,...,Z)
Z
SISTEMA
Proceso
A
2) Actividades de
transformacin y
3) Salidas
Proceso B
Caracterstica X
.
.
Caracterstica Z
Proceso
K
Esquema de un proceso.
E (entradas)
Personas
Mtodos
Ambiente
Equipos
Servicios
Materiales
Proceso
P
S (Salidas)
Personas
Mtodos
Ambiente
Equipos
Servicios
Materiales
VARIACION.
Fenmeno que se manifiesta en la incapacidad de un sistema, proceso,
persona, etc. para reproducir exactamente un comportamiento dado, an bajo
condiciones aparentemente semejantes.
ELEMENTOS BASICOS SOBRE VARIACION. ( Joiner & Gaudard).
La variacin es causal
Causas comunes:
Causas especiales:
Manifestaciones extremas
Causas asignables.
Asunto crtico
Investigar su origen
Interferencias Innecesarias.
Errores comunes:
procedimientos:
CLASIFICACION DE PROCESOS
Experimento de Deming.
EXPERIMENTO DE SIMULACIN
Zk
0
Blanco
Posicin de la esfera,
resultante en el lanzamiento
K esimo
CAPITULO III.
TEORIA MUESTRAL
mediante
Tipos de muestreo
Muestreo de juicio o no probabilstico. (opintico). Se basa en el
conocimiento de la poblacin por parte de alguien, quien hace a la muestra
representativa, dependiendo de su intencin, por lo tanto es subjetiva.
Probabilstico (Errtico): Todos los elementos de la poblacin tienen la
posibilidad de pertenecer a la muestra.
Muestreo Aleatorio:
1.
2.
Muestreo Sistemtico.
3.
Muestreo Estratificado
4.
probabilidad de que un
de un material determinado
requiera menos tiempo y algunas veces cuesta menos que el mtodo de muestreo
aleatorio.
Muestreo Estratificado.
Para aplicar el muestreo estratificado, se divide la poblacin en grupos
homogneos, llamados estratos, los cuales son hetergeneos entre si. Despus
se recurre a uno de dos mtodos posibles:
a)
hay considerable variacin dentro de cada grupo pero los grupos son
esencialmente semejantes entre s.
DISTRIBUCIONES MUESTRALES
1 Distribucin muestral de medias
2 Distribucin muestral para diferencias de medias
3 Distribucin muestral de proporciones y diferencias
4 Distribucin muestral de varianzas
Se define la distribucin muestral de un estadstico (distribucin de
muestreo) en una poblacin, como la distribucin de probabilidad de todos los
posibles valores que un estadstico puede asumir para cierto tamao de la
muestra. Especficamente, se trabajar con las distribuciones muestrales para:
medias, proporciones y varianzas.
Una distribucin muestral es una distribucin de probabilidad de un
estadstico muestral calculado a partir de todas las muestras posibles de tamao
n, elegidas al azar en una poblacin determinada. Si la poblacin es infinita,
tenemos que concebir la distribucin muestral como una distribucin muestral
terica, ya que es imposible sacar todas las muestras aleatorias posibles de
tamao n de una poblacin infinita. Si la poblacin es finita y moderada se puede
construir una distribucin muestral experimental, sacando todas las muestras
posibles de un tamao dado, calculando para cada muestra el valor del estadstico
que nos interesa. Ejemplo, supongamos que se tiene una poblacin de tamao N
= 10 y queremos extraer con reemplazamiento todas las muestras posibles de
tamao n = 5, para esto se utiliza la relacin Nn , es decir,
105 = 100000 muestras de tamao n = 5.
N
N!
10!
10.9.8.7.6.5!
=
=
=
= 252
muestras.
n n!(N n)! 5!(105)1 5!.5.4.3.2.1
muestra 1
X1
muestra 2
X2
M
muestra 252 X 252
las
X =
X =
N n
para poblaciones finitas
N
1
n
X =
La expresin
y desviacin tpica
, entonces la distribucin
Z=
X-
/ n
Ejemplo: Cierta marca de neumticos tiene una vida til media de 21.000
Km con una desviacin tpica de 800 Km.
a. suponiendo que las vida til de los neumticos estn distribuidas
normalmente. Cul es la probabilidad de que un neumtico cualquiera
dure menos de 20.900 Km?
b. Cul es la probabilidad de que la vida til media de 64 neumticos sea
inferior a 20.900 Km?
Solucin:
1. Como la variable X = vida til de los neumticos, est distribuida normalmente.
Entonces la probabilidad de que un neumtico cualquiera dure menos de
20.900 km se calcula de la forma siguiente:
Estandarizacin
20.900 21.000
-0,13
20.900 21.000
P ( X 20.900) = P Z
= P(Z 0,13) =0,4483
800
Es decir, el porcentaje de que un neumtico tenga una vida til menor que 20.900
Km es de 44,83 %.
Para calcular esta probabilidad, se recurre a una tabla de distribucin normal
estandarizada.
2. Si se seleccionan todas las muestras posibles de tamao 64 de la poblacin de
neumticos, entonces por lo anteriormente mencionado esta distribucin muestral
de medias es normal, con media y desviacin tpica igual a 21.000 Km y 100 Km
respectivamente.
Luego la probabilidad de que la vida til media de 64 neumticos sea inferior a
20.900 Km se calcula de la forma siguiente:
20.900 21.000
P ( X 20.900) = P Z
= P(Z 1) = 0,1587
800 / 64
Por lo que el porcentaje de que la vida til media de 64 neumticos sea inferior a
20.900 Km es de 15,87 %.
el cual se enuncia a
continuacin:
sin tomar en cuenta la forma funcional de la poblacin de donde se
extrae la muestra, la distribucin de medias muestrales, calculadas con
muestras de tamao n extradas de una poblacin con media y
desviacin estndar , se aproxima a una distribucin normal con media
y desviacin / n , cuando n aumenta. Si n es grande, la distribucin
de las medias muestrales puede aproximarse mucho a una distribucin
normal.
Este teorema expresa que sin tomar en cuenta la forma de la poblacin que se
est estudiando, se puede seguir empleando la teora normal para obtener
inferencias sobre la media poblacional a condicin de que obtengamos una
muestra grande, porque la distribucin muestral de X ser aproximadamente
normal cuando n sea grande. Generalmente, muchos investigadores consideran
que a partir de n = 30 se puede usar el teorema del Lmite Central.
Ejemplo:
Una empresa emplea 1500 personas. La cantidad promedio gastada
durante un ao determinado, en servicios mdicos personales por empleados fue
de 25,75 $ y la desviacin estndar de 5,25 $. Cul es la probabilidad de que
una muestra de 100 empleados arroje una media comprendida entre 25 y 27 $?.
En este problema no se especfica si la poblacin es normal, pero como el tamao
de la muestra n = 100 > 30 podemos aplicar el teorema del lmite central, por lo
t=
X-
S/
= 25, 75 $ y
25 25,75 X 27 25,75
P (25 X 27) = P
X 1 X 2 ).-
son iguales, considerando que se tienen sendas muestras para las poblaciones 1
y 2, respectivamente, donde:
Entonces, la diferencia de las medias muestrales X 1 X 2 , estima a
1 -
En estos casos, los parmetros que definen esta distribucin muestral de las
diferencias de medias vienen dados por:
X X = 1 2
1
X X
1
12 2 2
=
+
n1
n2
de
Z=
( X 1 X 2 ) ( 1 2 )
12 2 2
+
n1
n2
Banco A
Banco B
A2 = 3 min
A = 14 min
n A = 20
B2 = 5 min
B = 13 min
nB = 13
( X A X B ) ( A B ) 2 ( A B )
1
= P Z
P ( X A X B 2) = P
= P(Z 1,37) =
0,73
3
5
A2 B2
+
+
20
13
n
n
A
B
0, 9146
Existe un 91,46 % que la diferencia media entre los dos bancos no exceda de 2
minutos.
t=
( X 1 X 2 ) ( 1 2 )
2
Sp
n1
Sp
n2
donde:
2
Sp
(n 1) S1 + (n 2 1) S 2
= 1
n1 + n 2 2
1 = 180000 Bs
n1 = 20
Empresa 2
S 22 = 342250000 Bs
2 = 210000 Bs
n 2 = 10
( X X ) ( )
A
B
1
2
P ( X 1 X 2 3500) = P
2
2
Sp Sp
+
n1 n2
donde S p2 =
3500 + 30000
33500
= P(t 4,43)
= P t
7564,10
381437500 381437500
20
10
19..400000000 + 9.342250000
= 381437500
28
p=
p =
Ejemplo:
Si se toma una muestra aleatoria de tamao n = 1000 y 425 personas
satisfacen un evento, entonces p = 425 / 1000 = 0,425. Esto significa que el 42,5
% de las personas satisfacen dicho evento.
La distribucin de una proporcin muestral, se define de una manera
anloga a a la distribucin de media, o sea:
Muestra 1---- p1
Muestra 2---- p 2
Muestra 3---- p 3
Muestra X---- p k
De esta forma: p1 , p 2 , p 3 ,..., p k corresponden a la distribucin de una
proporcin muestral.
De acuerdo a lo expuesto, la distribucin muestral de proporciones
corresponde a una distribucin de probabilidad de todas las proporciones posibles
de las muestras, para un tamao n determinado.
Los parmetros que definen esta distribucin vienen dados por:
p = p = P
N n
N 1
X =
p.q
n
X =
p.q
para poblacione s infinitas
n
P ( p p 0,06) = P
0,06
p p
0,2.0,8
p.q
n
64
0,06
= P( 0,27 Z 0,27 ) = 0,20 4
0,2.0,8
64
SUELDOS
156000 174000
175000 269000
185000 320000
200000 260000
225000 158000
162000
298000
450000
364000
300000
Solucin:
Cuando se habla de variabilidad nos referimos a la varianza desviacin
estndar, por lo que debemos calcular la desviacin muestral, esto es S =
87325,99 Bs. Por lo tanto:
(n 1) S 2 16.(87325,99) 2
= P 2 > 21,69 = 0,15 .
P( S > (87325,99) ) = P
>
2
5625000000
2
(razn
S M2 : es la varianza mayor
S m2 : es la varianza menor
con (v1 , v 2 ) donde v1 = n 1 1 grados de libertad del numerador
v 2 = n 2 - 1 grados de libertad del denominador
Ejemplo:
Considerando que las varianzas poblacionales de dos poblaciones son
iguales,
S12
S 22
Tamao de la Muestra.
La clave del problema estriba en escoger una muestra cuyo seleccin
garantice la representatividad de la poblacin objeto de estudio. En los estudios
socio-econmicos, una muestra de un 30% de la poblacin, tiene un elevado nivel
de representatividad (Ramrez 1995); sin embargo, esta representatividad
depende mayormente, del tipo de muestreo. Obviamente, que el trabajar con
muestras, por muy confiables que sean, no se obtiene el 100% de exactitud, sin
embargo, ese pequeo error que acompaa siempre a los estudios por muestreo,
se utilizan proporciones:
n= 2
.p.q
Donde:
n: Tamao de la muestra
Z/2: Valor terico en funcin del nivel de confianza. Para 99 %, Z/ 2 es igual a
2,56 y para el 95% a Z/2 le corresponde 1,96
: error de muestreo
p: Nmero de veces que se produce un evento en %
q: Es el porcentaje complementario de p
Ejemplo: Opinin de los electores sobre gestin de gobierno.
Se realiz un estudio piloto de 150 electores donde 60 opinan favorablemente. A
cuantas personas es necesario encuestar si se desea un nivel de confiabilidad de
99 % y un error de muestreo +/- 1.5%?.
Entonces se tiene:
n= 2
.p.q
2,56
De esta forma se tiene: n =
. 0,4. 0,6 = 6.991 .
0,015
Es necesario
1,96
n=
. 0,4. 0,6 = 4098
0,015
Al bajar el coeficiente o el nivel de confiabilidad, tambin baja el tamao de la
muestra.
1,96
n=
. 0,5. 0,5 = 4.268
0,015
Esto quiere decir que habr que encuestar a 4.268 personas.
n=
Z /2 .p.q.N
2 (N 1) + Z /2 .p.q
Z.
n= 2
1,96. 800
1568
n=
=
= 1536,64 1537 neumticos
40
40
CAPITULO IV
EL CONTROL ESTADSTICO DEL PROCESO
OBJETIVOS:
Conocer los mtodos estadsticos utilizados en el control de procesos y
aplicar las herramientas especficas para cada caso, con la finalidad de detectar y
corregir posibles fallas.
1.
INTRODUCCION:
El Control
confiabilidad de la calidad
METODOS ESTADISTICOS:
Grficas de control.
b.
c.
Distribuciones estadsticas.
d.
Ensayo de significacin.
e.
f.
CONTROL
TAREA
Planeamiento
de
la
CONTROL
DE NUEVOS calidad del producto y
proceso,
standard,
DISEOS
costos, especificaciones
del proceso, confiabilidad.
MATERIA
PRIMA
Controles de recepcin y
almacenamiento,
economa y costos.
PRODUCTO
Y PROCESO
Control
del
producto
desde su fabricacin,
establecer
correctivos,
servicios.
Investigaciones y ensayo
ESTUDIOS
ESPECIALES para mejorar la calidad.
TECNICAS UTILIZADAS
Anlisis de la funcin producto, pruebas
ambientales, prototipo, evaluacin ,
estndares de calidad, anlisis de
materia
prima,
inspeccin,
entrenamiento,
almacenamiento
y
transporte.
Evaluacin
de
proveedores,
instrumentos
de
medicin
,
entrenamiento,
muestreo,
especificaciones, caractersticas de
calidad, lotes rechazados y aceptados,
anlisis estadsticos, etc.
Control
de
procesos,
productos
terminados, control de herramientas,
mantenimiento, personal, condiciones
ambientales, inspeccin, cartas de
control, muestreo, planos, auditora,
defectos,
empaque
y
despacho,
servicios.
Grficas. distribucin de frecuencias,
diagramas de fallas, anlisis de pareto,
diferentes
mtodos
estadsticos,
pruebas de hiptesis, distribucin t, chi
cuadrado, anlisis de la varianza,
correlaciones y regresiones, anlisis
secuencial.
para
una
situacin
fsica
determinada
realizar
el
anlisis
visual.
Carta
_
X
Distribucin
Normal
Normal
Binomial p
Poisson
Lnea
Central
_
X
R
Lmite superior
de control (LSC)
_
X + A2 R
D4 . R
p + 3p (1-p) / n
c
c+3 c
Lmite inferior
de control (LIC)
_
X - A2 R
D3 . R.
p - 3p (1-p) / n
c-3 c
Las constantes A2 , D3 y D4
Planes de Muestreo:
El muestreo de aceptacin puede ser de dos tipos: muestreo lote por lote
tambin denominado muestreo por atributos y muestreo de produccin continuo o
muestreo variable. Los primeros se refieren a los casos donde cada espcimen es
clasificado simplemente como defectuoso o no defectuoso; en los planes variables
se refiere a los casos en los cuales una medida es tomada y registrada
numricamente en cada espcimen inspeccionado. El plan de muestreo por
atributos que se efecta en base de lote, est definido por tres elementos: el
tamao del lote (N), el tamao de la muestra (n) y el nmero de aceptacin A.
Ejemplo:
X1
X2
X3
X4
X5
Media Rango
(X)
(R)
01
11.1
9.4
11.2
10.4
10.1
10.44
1.8
02
9.6 10.8
10.1
10.8
11.0
10.46
1.4
03
9.7 10.0
10.0
9.8
10.4
9.98
0.7
04
10.1
8.4
10.7
9.4
11.0
9.82
2.6
05
12.4 10.0
10.7
10.1
11.3
10.90
2.4
06
10.1 10.2
10.2
11.2
10.1
10.36
1.1
07
11.0 11.5
11.8
11.0
11.3
11.32
0.8
08
11.2 10.0
10.9 11.2
11.0
10.86
1.2
09
10.6 10.4
10.5
10.5
10.9 10.58
0.5
10
8.3 10.2
9.8
9.5
9.8
9.52
1.9
10.2
11.4
10.56
1.5
11
10.6
9.9 107
12
10.8 10.2
10.5
8.4
9.9
9.96
2.4
13
10.7 10.7
10.8
8.6
11.4
10.44
2.8
14
11.3 11.4
10.4
10.6 11.1
10.96
1.0
15
11.4 11.2
11.4
10.1 11.6
11.14
1.5
16
10.1 10.1
9.7
9.8 10.5
10.04
0.8
17
10.7 12.8
11.2
11.2 11.3
11.44
2.1
18
11.9 11.9
11.6
12.4 12.4
11.84
1.0
19
10.8 12.1
11.8
9.4 11.6
11.14
2.7
20
12.4 11.1
10.8
11.0 11.9
11.44
1.6
10.66
1.59
Promedio
_
_
213.20
X = X/K = --------------- =
20
31.8
R= R/K = ---------------- =
20
10.66
1.56
_
LSC =
_
X + A2 . R
LSC =
LIC =
FIGURA 8. CARTA X
FIGURA 9. CARTA R
Nmero de muestra
1.............................
2.............................
3............................
4............................
5............................
6............................
7............................
8............................
9............................
10.........................
11.........................
12.........................
13.........................
14.........................
15.........................
16.........................
17........................
18.........................
19........................
20........................
21.......................
22.......................
23.......................
24.......................
25.......................
26.......................
27......................
28......................
29......................
30.....................
31.....................
32.....................
33.....................
34.....................
35.....................
36....................
37....................
38...................
39...................
40...................
Nmero de defectuosos
2
1
2
0
2
3
4
2
0
3
0
1
2
2
3
5
1
2
3
1
1
1
4
2
2
4
1
3
3
2
3
6
2
3
2
3
1
0
2
0
0.04
0.02
0.04
0.00
0.04
0.06
0.08
0.04
0.00
0.06
0.00
0.02
0.04
0.04
0.06
0.10
0.02
0.04
0.06
0.02
0.02
0.02
0.08
0.04
0.04
0.08
0.02
0.06
0.06
0.04
0.06
0.12
0.04
0.06
0.04
0.06
0.02
0.00
0.04
0.00
Promedio.....................
0.042
p/K
1.68
= = 0.042
40
= - 0.043
9.................. Julio 19
10................
11.................
12.................
13................
14................
15.................
16.................
8:10 A.M.
9:00 A.M.
10:05 A.M.
11:15 A.M.
12:25 P.M.
1:30 P.M.
2:30 P.M.
3:40 P.M.
17................ Julio 20
18................
19................
20................
21................
22................
23................
24................
8:00 A.M.
8:55 A.M.
10:00 A.M.
11:00 A.M.
12:25 P.M.
1:30 P.M.
2:20 P.M.
3:30 P.M.
6
4
3
9
7
4
7
12
..............
144
Total...................................
5
3
7
11
6
4
9
9
6 = 13.35
6 =
- 1.35
CAUSAS
METODOS
MAQUINAS
EFECTO
MATERIALES
CALIDAD
MANO DE OBRA
MEDICIONES
Ejemplo
Despus de haberse realizado un anlisis de las principales causas
que originan bobinas desviadas en el laminador tandem 1, se encontr que
manchas contaminantes afectaba en gran proporcin los resultados de
calidad. El equipo de trabajo realiz un estudio utilizando el diagrama causaefecto el cual se presenta a continuacin:
CAUSAS
METODOS
FALTA DE
COORDINACION
EFECTO
MAQUINAS
FUGA DE
ACEITE
FALTA DE
SECADOR DE
COMUNIC.
BANDAS
EXPERIENCIA DEL
PERSONAL
OPERACION DE
EMULSION
MANO DE OBRA
MATERIAL DE
DECAPADO
ACEITE
EXTRATOR DE
GASES
CRITERIOS NO
UNIFORMES
MATERIALES
PERMANANENCIA
DEL MATERIAL DE
ALMACENAMIENTO
AUSENCIA DE
INSTRUENTOS
DE MEDICION
FALTA DE EQUIPOS
SENSIBLES
AL MATERIAL
MOJADO
FILTRO DE
EMULSION
CALIBRACION DEL
SECADOR EN
FUNCION
DEL ANCHO DE BANDA
MANCHAS
CONTAMINANTES
MEDICIONES
3. DIAGRAMA DE PARETO
a. Es un grfico de barras que jerarquiza los problemas, condiciones o
las causas de stos, por su importancia e impacto siguiendo un
orden descendente de izquierda a derecha.
b. Es utilizado cuando se necesita determinar el orden de importancia
de los problemas o condiciones a fin de seleccionar el punto de inicio
para la solucin de dichos problemas o la identificacin de la causa
fundamental de ellos.
Ejemplo
Defectos encontrados en una inspeccin
1.- Presencia de xido
2.- Falta de identificacin.
3.- Manchas de aceite.
4.- Mala ubicacin.
4. GRAFICO DE CORRIDAS
Es una representacin grfica mediante lneas del comportamiento
de una variable en un proceso durante un perodo determinado, es utilizado
cuando se necesita mostrar las tendencias de puntos observados, dentro de
un perodo de tiempo especificado.
6. ANLISIS DE REGRESION
En muchas situaciones que se presentan a menudo en el campo de la
ciencia, la ingeniera o las ciencias econmicas nos encontramos con el problema
de la relacin entre dos variables numricas. Por ejemplo, la relacin entre la
temperatura de un paciente y el nmero de pulsaciones por minuto o la relacin
entre el costo de un producto y el costo de la mano de obra para fabricarlo.
Muchas veces existen ecuaciones matemticas que nos permiten calcular una
variable conociendo el valor de otra de la cual depende.
En general, cuando se nos presentan dos variables numricas X e Y,
podemos encontrar distintos tipos de relacin entre ellas. Puede ocurrir que entre
ellas no exista ningn tipo de relacin. En tal caso, la variacin de una de ellas no
genera una variacin correlativa en la otra. Variacin correlativa significa que cada
vez que X aumenta, Y debe aumentar si hay correlacin positiva o cada vez que X
aumenta, Y debe disminuir en caso de correlacin negativa. Pero si cada vez que
X vara, Y puede aumentar o disminuir al azar en cualquie grado y proporcin,
entonces significa que no hay ninguna correlacin entre ambas:
Variable Y
Ninguna correlacin
50
45
40
35
30
25
20
15
10
5
0
0
6
Variable X
10
12
Y = f (t ) =
1
g t2
2
g Aceleracion Gravitatoria
Hay una relacin funcional no lineal entre la altura Y desde la cual cae la
pelotita y el tiempo t que tarda en caer, expresada por la ecuacin anterior. Si
dejamos caer la pelotita midiendo con un cronmetro el tiempo que tarda en llegar
al suelo y medimos tambin la distancia recorrida (la altura de la mesa), los
valores resultantes de la medicin seguramente no cumplen con esa relacin. Esto
lo podemos verificar reemplazando t en la ecuacin por el tiempo obtenido con el
cronmetro. El valor resultante Y seguramente no va a coincidir con nuestra
medicin de la altura de la mesa. Si repetimos esto muchas veces, las mediciones
de tiempo y distancia realizadas en cada ocasin, en general, no van a cumplir la
relacin. Pero si promediamos todas la mediciones de tiempo y luego
reemplazamos t en la ecuacin por este promedio, la distancia calculada con la
Variable Y
10
12
Variable X
Peso de personas de
1,75 mts.
120
Peso (Kg.)
110
100
90
80
70
60
50
40
1,60
1,70
1,80
1,90
2,00
2,10
Altura (m ts.)
que miden 1,70 mts., 1,75 mts., etc. y luego representamos grficamente los
promedios de peso en funcin de dichas alturas:
110
100
90
80
70
60
50
40
1,60
1,70
1,80
1,90
2,00
2,10
Altura (m ts.)
X
X1
X2
X3
X4
X5
X6
etc.
Y
Y1
Y2
Y3
Y4
Y5
Y6
(Y
(Y
(Y
)
Y )
Y )
R
1
Y1
R
2
R
3
...............
etc.
Si elevamos las diferencias o residuos al cuadrado y sumamos estos
cuadrados, obtenemos una cantidad denominada suma de cuadrados alrededor
de la regresin:
(Y
Yi = ( a + b X i ) Yi
De todas las rectas posibles que pasan por los puntos representados en el
grfico, la recta de regresin debe ser la que haga mnima esa suma de
cuadrados. Observemos que en dicha suma de cuadrados conocemos los valores
Xi , Yi (Son la mediciones que realizamos) y deseamos conocer a y b, que son los
coeficientes de la ecuacin de regresin. Para obtenerlos se calcula el mnimo de
la suma de cuadrados y de las ecuaciones resultantes se despejan las frmulas de
ambos coeficientes, que son como sigue:
b=
n X i Yi X i Yi
n X 2
( X )
a = Y b X
donde
X =
X
n
Y=
R=
Cov( X , Y )
s X sY
( X
( X
)(
X Yi Y
) (Y Y )
2
AJUSTES DE CURVAS.
variables se puede
-3
-2
-1
10
8
6
4
2
0
-4
-3
-2
-1
Modelos Probabilsticos
a) Lineal:
Curva de Regresin
y = ax + b (lnea recta)
y = ax + b +
18
18
16
16
14
14
12
12
10
10
0
0
0
0
b) Polinmico:
orden dos:
y = ax 2 + bx + c +
(parbola)
y = ax 2 + bx + c
30
30
25
25
20
20
15
15
10
10
0
0
orden tres:
y = ax 3 + bx 2 + cx + d +
y = ax 3 + bx 2 + cx + d
800
800
700
600
500
700
600
500
400
400
300
200
100
0
300
200
100
0
10
10
c) Logartmico:
y = aLn( x) + b +
y = aLn( x) + b
12
14
10
12
10
4
2
0
0
10
0
0
10
y = ax b +
d)Potencial:
y = ax b
140
120
120
100
100
80
80
60
60
40
40
20
20
0
0
10
0
0
10
y = ae bx
y = ae bx +
e) Exponencial:
1,00
1,00
0,90
0,80
0,90
0,70
0,60
0,70
0,50
0,50
0,40
0,30
0,40
0,20
0,10
0,20
0,80
0,60
0,30
0,10
0,00
0
10
0,00
0
10
REGRESION MULTIPLE:
Existen diferentes modelos de regresin mltiple, pero uno de los que tiene
ms uso es el modelo lineal. Cuando la variable respuesta o dependiente de un
modelo probabilstico est en funcin de dos o ms variables se dice que es un
modelo de regresin mltiple, esto es:
Modelo probabilstico:
Modelo determinstico:
y = a1 x1 + a 2 x 2 + ... + a n x n
En el espacio la ecuacin de
regresin, viene dada por
un plano
Plano de
regresi
n
x2
x1
BIBLIOGRAFIA
Prcticas de Control de
Calidad. Caracas.
7. DIAZ, Eduardo (1994). Aplicaciones Prcticas de la Estadstica en el
Control de la Calidad. UNEG.
8. GARCIA, Silvio.(1989) Control Estadstico de la Calidad. Folleto Mocarpel,
9. GUERRA , J. y SEVILLA E.(1992) Introduccin al anlisis estadstico para
procesos. Habana.
11.KUME,
Hitoshi.(1992)
Herramientas
Estadsticas
Bsicas
para
el