Htas Estadísticas - Parte 3
Htas Estadísticas - Parte 3
Htas Estadísticas - Parte 3
EL CONTROL DE LA CALIDAD
Page 3
INFERENCIA ESTADÍSTICA
Por ejemplo, en el caso de la variable aleatoria dada por el estadístico
media muestral, 𝑥, al conocer su distribución de probabilidad podremos
saber en qué intervalo se esperan los valores de 𝑥 y cuales son mas
probables.
Page 4
ESTIMACIÓN POR INTERVALO
Page 5
Page 6
ESTIMACIÓN POR INTERVALO
Page 7
ESTIMACIÓN POR INTERVALO
Cómo interpretarlos
La correcta interpretación de un intervalo de confianza es como sigue: si
se obtuvieran 100 muestras independientes de la misma población o
proceso, cada una de tamaño n y para cada muestra se calculara el
intervalo de confianza al 95% para el mismo parámetro, entonces se
espera que 95 de 100 intervalos contengan el verdadero valor de dicho
parámetro.
En la práctica se obtiene solamente un intervalo y aunque sea al 95% de
confianza, existe la posibilidad de que no contenga al verdadero
parámetro.
No se debe decir que el parámetro está contenido en [LI , LS] con 95% de
probabilidad, sino que el intervalo [LI , LS] tiene una confianza del 95% de
contener el parámetro Ө.
Page 8
INTERVALOS DE CONFIANZA PARA MEDIA POBLACIONAL
Page 9
INTERVALOS DE CONFIANZA PARA MEDIA POBLACIONAL
Page 10
INTERVALOS DE CONFIANZA PARA MEDIA POBLACIONAL
Análisis
Puede establecerse con 99,0% de confianza que la media verdadera de
la variable Diámetro se encuentra entre 6,6893 y 6,75276.
El intervalo de confianza muestra que la media poblacional del
Diámetro soportada por los datos de la muestra cae en el intervalo
comprendido por 6,6893 y 6,75276 con un 99% de confianza.
Page 11
INTERVALOS DE CONFIANZA PARA MEDIA POBLACIONAL
Page 12
INTERVALOS DE CONFIANZA PARA MEDIA POBLACIONAL
Page 13
INTERVALOS DE CONFIANZA PARA MEDIA POBLACIONAL
Page 14
INTERVALOS DE CONFIANZA PARA VARIANZA
Page 15
INTERVALOS DE CONFIANZA PARA VARIANZA
Ejemplo:
En el proceso de fabricación de discos para computadoras, una de las
variables críticas es el rendimiento de formato. Se toma una muestra
aleatoria de n = 10 discos de la producción del turno de la mañana. Se
formatean y se reporta el rendimiento de cada disco. Los datos obtenidos
son: 96.11, 91.06, 93.38, 88.52, 89.57, 92.63, 85.20, 91.41, 89.79, 92.62.
Con base en estos datos interesa estimar puntualmente y por intervalo la
media y la desviación estándar para la población de discos de dicho turno.
Asigne una confianza del 95%.
Page 16
INTERVALOS DE CONFIANZA PARA VARIANZA
Con Statgraphics…
Intervalos de Confianza para Rendimiento:
Intervalos de confianza del 95,0% para la media: 91,029 +/- 2,13971
[88,8893, 93,1687]
Intervalos de confianza del 95,0% para la desviación estándar: [2,05739,
5,4606]
Page 17
INTERVALOS DE CONFIANZA PARA PROPORCIÓN DE DEFECTOS
Page 18
INTERVALOS DE CONFIANZA PARA PROPORCIÓN DE DEFECTOS
Ejemplo:
En un lote de 2000 (población) se toma una muestra aleatoria de n = 100
artículos y se encuentra que de éstos, x = 5, son defectuosos. Por lo tanto,
un estimador puntual de p es 𝑝 = 5/100 = 0.05. Se quiere estimar p por
intervalo al 95% de confianza.
Page 19
RESUMEN DE FÓRMULAS PARA INTERVALOS DE CONFIANZA
Page 20
Prueba de hipótesis
Creencias a priori
En un estudio un experimentador puede tener ciertas creencias o
hipótesis a priori que desea comprobar.
Page 22
PASOS DE LA PRUBA DE HIPÓTESIS
1) Planteamiento de la hipótesis
2) Estadístico de prueba
3) Criterio de rechazo
Page 23
HIPÓTESIS ESTADÍSTICA
Page 24
HIPÓTESIS ESTADÍSTICA
Page 25
HIPÓTESIS ESTADÍSTICA
Page 27
ESTADÍSTICO DE PRUEBA Y CRITERIO DE RECHAZO
Page 28
EL ERROR EN LA PRUEBA DE HIPÓTESIS
Page 29
CRITERIO DE RECHAZO
Page 30
CRITERIO DE RECHAZO
3) Criterio de rechazo:
Como 2,41 > −1,96, entonces se rechaza la hipótesis nula con una
confianza del 95%.
Se rechaza la afirmación de que el % de pto defectuoso es igual al 8%
con una significancia del 5%.
Page 31
MAS EJEMPLOS
Page 32
TRES CRITERIOS DE RECHAZO O ACEPTACIÓN
Page 33
SIGNIFICANCIA OBSERVADA FRENTE A SIGNIFICANCIA
PREDEFINIDA
La significancia predefinida que se denota con 𝛼, es el riesgo máximo que
el experimentador está dispuesto a correr por rechazar 𝐻𝑂 indebidamente
(error tipo I).
Mientras que la significancia observada o calculada, también conocida
como p-value o valor-p, es el área bajo la distribución de referencia más
allá del valor del estadístico de prueba. La expresión “más allá del
estadístico de prueba” significa, por ejemplo en la prueba T bilateral, el
área bajo la curva fuera del intervalo [–to, to], es decir:
𝐻𝑂 se rechaza si la significancia
observada es menor que
la significancia dada, o sea, si
valor-p < 𝛼.
Page 34
INTERVALO DE CONFIANZA
Page 35
EJERCICIOS
Page 36
EJERCICIOS
Page 37
Análisis de capacidad
LA DISTRIBUCIÓN NORMAL
Si X es una variable aleatoria normal, entonces su función de densidad
de probabilidades está dada por:
Page 39
Page 40
Propiedades de la distribución normal
Page 41
Cálculo de probabilidades
Page 42
Cálculo de probabilidades
Page 43
Cálculo de probabilidades
Page 44
Page 45
Ejemplos:
1) P (z>1,84)
2) P(-1,97< z < 0,86)
3) P (Z < -1,27)
4) P(Z > Zo)= 0,7486
5) P(-0,93 < Z < Z1)=0,7235
6) Sea X una v.a normal con μ = 40 y 𝜎 = 6 determine:
a) 𝑃 (𝑋 ≤ x) = 0,45
b) P(X>x) = 0,14
Page 46
Aplicaciones
1) Una cierta máquina produce resistencias eléctricas que tienen un valor medio de
40 ohms y una desviación estándar de 2 ohms. Suponiendo que los valores de las
resistencias siguen una distribución normal y que pueden medirse con cualquier
grado de precisión. ¿Qué porcentaje de las resistencias tendrá un valor que exceda
a 43 ohms?
2) Una compañía fabrica focos cuya duración es normalmente distribuida con una
media de 800 horas y una desviación estándar de 40 horas. Encuentre la
probabilidad de que un foco dure entre las 778 y 834 horas de uso.
3) El espesor de un lote de 10.000 arandelas de bronce de un cierto tipo fabricadas
por una gran compañía tiene una distribución normal con media 0,0191 pulgadas y
desviación estándar 0,000425 pulgadas. Cual es el espesor al que podría llegar el
99,00 % de estas arandelas.
4) La dimensión de una pieza se distribuye normal con μ =82,0 mm, y σ = 0,5. Se
desea calcular el porcentaje de piezas que cumplen con especificaciones 82+/- 1.
Page 47
INDICES DE CAPACIDAD DE PROCESOS CON DOBLE Y UNA
ESPECIFICACIÓN (VARIABLES)
Page 48
Ejemplo variable:
En un proceso de elaboración de circuitos impresos el voltaje de salida es
una de las características de calidad y sus especificaciones son 12,5 + 0,4
voltios. En la siguiente tabla se recogen los voltajes de un lote de 200
circuitos:
Page 50
Índice Cp
Page 51
Page 52
Índice Cr (Razón de capacidad potencial)
Page 55
El Cp es de 0,42 porque la variación tolerada es
mucho menor que la variación real y el Cr indica
que la variación del proceso cubre el 240,9% de
la banda de especificaciones, por lo que su
capacidad potencial es inadecuada.
El proceso no tiene capacidad real de producir
circuitos que cumplan las especificaciones de
voltaje, debido a que el Cpk tiene un valor de
0,39.
En condiciones actuales de proceso se
esperaría que el 22,3192% de la producción sea
defectuosa. Es decir que por cada millón de
circuitos, aproximadamente 223.191 no
cumplirán las especificaciones.
Entre tanto el índice de centrado del proceso k
es bueno y corresponde al 7%, lo cual
demuestra que la gerencia del proceso debe
concentrar esfuerzos en reducir la variabilidad
en vez del centrado.
Page 56
ESTIMACIÓN POR INTERVALO DE LOS INDICES DE
CAPACIDAD
Donde:
Page 57
Otros índices de Capacidad de Proceso
CORTO PLAZO:
La capacidad de corto plazo se calcula a partir de datos tomados en un
periodo corto
LARGO PLAZO:
Se calcula con muchos datos tomados de un periodo largo para que los
factores externos influyan en el proceso, y se estima mediante la
desviación estándar de todos los datos. Los siguientes son los índices de
Page 59
largo plazo.
Tablas Gráficos de Control
Page 60
Índice Pp (Desempeño potencial del proceso o process
performance)
Calidad Seis Sigma se refiere a un concepto que plantea una meta común
en calidad para todos los procesos de una organización. El término se
acuñó en el decenio de 1980-1989, y le dio su nombre al programa de
mejora Seis Sigma. Por medio de los conceptos vistos antes es fácil
analizar y entender el nivel de calidad en términos del número de sigmas.
Índice Z
Consiste en calcular la distancia entre las especificaciones y la media μ del
proceso en unidades de la desviación estándar, σ. De esta manera, para
un proceso con doble especificación se tiene Z superior, Zs, y Z inferior, Zi,
que se definen de la siguiente manera:
Page 62
CALIDAD SEIS SIGMA
Tener esta calidad significa diseñar productos y procesos que logren que la
variación de las características de calidad sea tan pequeña que el índice Z
de corto plazo sea igual a seis (6), lo cual implica que la campana de la
distribución quepa dos veces dentro de las especificaciones.
Page 65
Procesos con una sola especificación
Solución
En este caso no es posible calcular el índice Cp, ya que sólo se cuenta con
la especificación superior. Mas bien, dado el tipo de variable, lo que se
debe calcular es el índice para la especificación superior Cps.
Page 66
ANÁLISIS DE CAPACIDAD PARA ATRIBUTOS
Page 67
Oportunidad de Error: Cualquier parte de la unidad que es posible
medirse o probarse si es adecuada.
Defectos Por Unidad (DPU): Determina el nivel de no calidad de un
proceso que no toma en cuenta las oportunidades de error.
d= Defectos
U= Número de unidades inspeccionadas
Defectos Por Oportunidad (DPO): Mide la no calidad de un proceso.
Page 68
Defectos Por Oportunidad (DPO): Cuantifica los defectos por millón de
oportunidades de error.
DPMO= 1000000 x DPO
Page 69
TALLER 1
Aplicaciones análisis de capacidad
Page 70
Con ayuda de statgraphics, realice un análisis de capacidad para ver si se
cumple con la calidad exigida (límites reales, Cp, Cr, Cpk, K Pp, Ppk, Z),
represente de manera gráfica sus resultados y coméntelos.
2) En una armadora de autos, en el área de pintado, una característica de
calidad es el espesor de la capa antipiedra en la zona trasera de los arcos
de rueda, que debe tener un espesor mínimo de 100 micras (EI = 100). A
partir de la carta de control de medias y rango que se lleva normalmente
para monitorear el espesor, se sabe que μ=105 y σ=6.5. Evaluar la
capacidad del proceso.
3) Se examinaron cuatro características criticas en una muestra de 500
ordenes de compra. En 25 de las ordenes fueron encontrados 50 errores
de diferentes tipos.
a) Obtenga el DPU y el DPMO.
b) Estime el nivel de sigmas de este proceso.
Page 71
Gráficos de control
El producto deseado resulta de la concurrencia de varios factores y
condiciones que caracterizan al proceso.
Maquinaria Métodos
Materias
Primas Proceso
Mano de Condiciones
Obra Ambientales
Características
VARIABLES ATRIBUTOS
Continuas Discretas
Medibles Contables
Cuantitativas Cualitativas
Page 74
Tipos de Gráficos de Control
• Normal • Binomial
Page 75 • Poisson
GRAFICOS DE CONTROL
Herramienta para:
• Controlar, mejorar e innovar procesos
• Detección oportuna de tendencias y cambios
importantes en procesos
• Analizar evolución en el tiempo de variables de
procesos.
• Evitar sobreajustes en el proceso
• Son una herramienta especializada en el estudio de la
variabilidad, el principal enemigo de la calidad
Page 76
GRAFICOS DE CONTROL
Page 77
GRAFICOS DE CONTROL
Page 78
Supongamos que tenemos
una máquina inyectora que
produce piezas de plástico.
Page 79
Si la cantidad de materia prima
es poca la pieza de plástico será
deficiente; si la cantidad es Entonces, cada 60 minutos se
excesiva, la producción se toma una muestra, se pesa y se
encarece, porque consume mas registra el valor.
materia prima.
1 2 3 4 n
Page 80
Gráfico X - R
OBSERVACIONES
No. Identific. 1 2 3 ..... n Promedios Rangos
1 mm/dd/aa
2 mm/dd/aa
3 mm/dd/aa
4 mm/dd/aa
5 mm/dd/aa
*
*
M mm/dd/aa
Page 81
Carta X
Analiza la variación entre las medias de los subgrupos y sirve para detectar
cambios en la media del proceso.
En el caso de la carta de medias, el estadístico W es la media de los
subgrupos, X, por lo que los límites están dados por:
Page 82
Carta X
Page 83
Carta X
Con base en lo anterior, los límites de control para una carta de control X,
en un estudio inicial, se obtienen de la siguiente manera:
Page 84
Carta R
Con esta carta se analiza la variación entre los rangos de los subgrupos
para detectar cambios en la amplitud o magnitud de la variación del
proceso
Sus límites se determinan a partir de la media y la desviación estándar de
los rangos de los subgrupos, ya que en este caso es el estadístico W que
se grafica en esta carta:
Page 85
Carta R
Page 86
Característica: Peso de vaso plástico
Tamaño de la muestra: Cinco unidades
Frecuencia: Cada 60 minutos
Unidad de medida: Gramos
Tipo de gráfico: PROMEDIOS y RANGOS
Gráfico de Promedios:
Promedios
LSC 41.5
LC 32.9
LIC 24.3
Gráfico de Rangos:
Page 87
Tablas Gráficos de Control
Page 88
Gráfico de medias
LIE = 30,0, Nominal = 35,0, LSE = 40,0
42 41,5108
39
36
X-bar
33 32,928
30
27
24 24,3452
0 5 10 15 20 25
Subgrupo
40
31,4636
30
Rango
20
14,88
10
0 0,0
0 5 10 15 20 25
Subgrupo
frecuencia
12 Cpk = 0,15
Ppk = 0,15
especificaciones. Por tanto el K = -0,41
8
proceso se califica como
establemente incapaz (es decir 4
Page 91
INTERPRETACIÓN DE LOS GRÁFICOS DE CONTROL
Page 92
Indicadores: Causas Especiales
LSC
LC
LIC
Page 93
Indicadores: Causas Especiales
LSC
LC
LIC
Page 94
Indicadores: Causas Especiales
LSC
LC
LIC
Page 95
Indicadores: Causas Especiales
LSC
LSA
LC
LIA
LIC
Page 96
Indicadores: Causas Especiales
LSC
LC
LIC
Page 97
Indicadores: Causas Especiales
LSC
LC
LIC
Page 98
Page 99
LÍMITES DE CONTROL, ESPECIFICACIONES Y LÍMITES
NATURALES DE FLUCTUACIÓN
VN: 50 Kg
LIE: 49 Kg
LSE: 51 Kg
Page 100
ETAPAS EN EL ESTUDIO INICIAL EN UNA CARTA X-R
Page 101
ETAPAS EN EL ESTUDIO INICIAL EN UNA CARTA X-R
Tamaño de Lote n
60 a 300 10%
301 a 1000 5%
1001 a 5000 2%
Más de 5000 1%
Page 103
Carta X
Page 104
Taller 2
Cartas de Control
Page 105
Brix Rango Brix Rango
Lote Lote
Residual Movil Residual Movil
1 2,0 21 1,2 0.9
2 2,4 0.4 22 1,8 0.6
3 2,2 0.2 23 2,0 0.2
4 1,4 0.8 24 2,4 0.4
5 2,3 0.9 25 1,9 0.5
6 1,8 0.5 26 2,4 0.5
7 1,5 0.3 27 2,4 0.0
8 1,5 0.0 28 1,7 0.7
9 2,1 0.6 29 1,8 0.1
10 2,0 0.1 30 2,1 0.3
11 1,6 0.4 31 1,7 0.4
12 2,2 0.6 32 2,1 0.4
13 1,9 0.3 33 1,6 0.5
14 2,4 0.5 34 2,4 0.8
15 3,3 0.9 35 2,1 0.3
16 2,1 1.2 36 1,8 0.3
17 2,1 0.0 37 1,3 0.5
18 1,8 0.3 38 1,8 0.5
19 1,6 0.2 39 1,7 0.1
Page 106 20 2,1 0.5 40 1,6 0.1
Gráfico NP o P
No. Identific. Muestra Ocurrencias %P
1 mm/dd/aa
2 mm/dd/aa
3 mm/dd/aa
4 mm/dd/aa
5 mm/dd/aa
*
*
M mm/dd/aa
Page 107
Carta p
Page 108
Carta p
Donde:
𝑇𝑜𝑡𝑎𝑙 𝑑𝑒 𝑑𝑒𝑓𝑒𝑐𝑡𝑢𝑜𝑠𝑜𝑠
𝑝=
𝑇𝑜𝑡𝑎𝑙 𝑑𝑒 𝑖𝑛𝑠𝑝𝑒𝑐𝑐𝑖𝑜𝑛𝑎𝑑𝑜𝑠
𝑇𝑜𝑡𝑎𝑙 𝑑𝑒 𝑖𝑛𝑠𝑝𝑒𝑐𝑐𝑖𝑜𝑛𝑎𝑑𝑜𝑠
𝑛=
𝑇𝑜𝑡𝑎𝑙 𝑑𝑒 𝑠𝑢𝑏𝑔𝑟𝑢𝑝𝑜𝑠
Page 109
Gráficos de Control
LSC= %p + 3*((%p*(100 - %p)) / n)
QUEJAS QUEJAS
No. MES RECIBIDAS RESUELTAS
%P
1 Enero 216 190 88.0%
2 Febrero 191 86 45.0%
3 Marzo 230 205 89.1%
4 Abril 197 180 91.4%
5 Mayo 219 165 75.3%
2477
6 Junio 190 173 91.1% n = = 206.4
12
7 Julio 201 192 95.5%
8 Agosto 224 130 58.0%
1881
9 Septeiembre 182 155 85.2% %P = *100 = 75.9%
2477
10 Octubre 230 191 83.0%
11 Noviembre 197 142 72.1%
12 Diciembre 200 72 36.0%
LSC = 84.9%
LC = 75.9%
Total 2477 1881
LIC = 67.0%
Page 110
GRÁFICO DE CONTROL BINOMIAL - TIPO %P
% Quejas Resueltas
100.0%
95.5% 2477
n=
12
91.4% 91.1%
90.0% 89.1%
88.0%
1881
85.2% %P =
83.0% 2477
80.0%
60.0%
58.0%
50.0%
45.0%
40.0%
36.0%
30.0%
lio
o
e
zo
il
o
ro
e
re
o
ay
br
ni
br
st
br
er
Ab
Ju
e
ar
ub
Ju
m
o
m
En
M
br
Ag
ct
ie
ie
ie
Fe
ov
te
ic
Page 111
D
p
N
Se
Gráfico C ó U
Page 112
Gráficos de Control Característica: Errores en un documento
Tamaño de la muestra: 20 documentos
Mes No. Errores
Ene 8 Frecuencia: Mensual
Feb 5
Mar 8 Unidad de medida: No Aplica
Abr 12 Tipo de distribución: POISSON
May 7
Jun 6 Tipo de gráfico: C
Jul 7
Ago 14
Sep 9
Oct 6
Suma 224
Prom. C 9.3
Page 113
GRÁFICO DE CONTROL POISSON - TIPO C
No. De Errores
20.0
18.0 18.0
16.0
15.0
9.0 9.0
5.0 5.0
4.0
2.0
0.0
Jun
Jun
Jul
Jul
Nov
Nov
May
May
Ene
Ene
Oct
Oct
Abr
Abr
Mar
Mar
Dic
Dic
Feb
Feb
Ago
Sep
Ago
Page 114
Sep
Beneficios: Gráficos de Control
Page 115
Page 116