CONTROL Y MEJORA DE UN PROCESO. GRÁFICOS DE CONTROL. CONTROL ESTADÍSTICO DE PROCESOS. SPC

Tamaño: px
Comenzar la demostración a partir de la página:

Download "CONTROL Y MEJORA DE UN PROCESO. GRÁFICOS DE CONTROL. CONTROL ESTADÍSTICO DE PROCESOS. SPC"

Transcripción

1 CONTROL Y MEJORA DE UN PROCESO. GRÁFICOS DE CONTROL. CONTROL ESTADÍSTICO DE PROCESOS. SPC 1. INTRODUCCIÓN. Mientras el Dr. Walter Shewhart de los Laboratorios Bell estudiaba datos de procesos en la década de los años 20, distinguió por primera vez entre variaciones controladas e incontroladas, debido a lo que llamamos causas especiales. Desarrolló un sencillo pero poderoso instrumento para distinguir dinámicamente entre las dos: el gráfico de control. Desde entonces, los gráficos de control han sido utilizados con éxito en una amplia variedad de situaciones de control de procesos. La experiencia ha demostrado que los gráficos de control dirigen efectivamente la atención hacia las causas especiales de variación y a la magnitud de la variación de causas comunes que se deben reducir mediante actuación por parte de la dirección.

2 TIPOS DE GRÁFICOS DE CONTROL Los gráficos de control pueden ser de dos tipos según la característica del producto o servicio a analizar: Gráficos de control por variables y gráficos de control por atributos. En los gráficos de control por variables, el control del proceso se realiza mediante variables susceptibles de ser medidas: cantidades, pesos, diámetros, espesores, frecuencias, etc. En ellos se analizarán parámetros de centraje y dispersión de la característica a controlar a lo largo del tiempo. El gráfico, que analiza la media muestral y el rango de una muestra predeterminada, es el más utilizado en este ámbito.

3 En los gráficos de control por atributos, el control del proceso se realiza mediante atributos de tipo dicotómico. Así, se puede analizar si el producto o servicio posee o no una determinada característica (atributo): color, forma, defecto, tipo, etc. Y en general se aborda dicho análisis mediante preguntas del tipo: aceptable/no aceptable, si/no, funciona/no funciona, etc. Los principales gráficos por atributos, son: los que controlan número de unidades defectuosas: "p" y "np", y los que controlan el número de defectos "c" y "u". Su estudio se abordará posteriormente.

4 En general se prefiere el control por variables, ya que la información recogida es más objetiva (son medidas de una característica) y representa más fiablemente el estado del proceso en términos de la característica que se intenta controlar; máxime, si se tiene en cuenta que para realizar el control, el número de "piezas" observadas (que constituyen la muestra) es muy pequeño comparado con la población de la que provienen y que permiten establecer la capacidad del proceso. Así, estos gráficos nos informan más fiablemente acerca de la variación que sufre la característica que se mide a lo largo del tiempo y de la magnitud de esa variación. Por otra parte, los gráficos de control por atributos sólo nos dan una indicación de la aceptabilidad de la muestra, sin informar de la variación producida por la característica y además, por lo general requieren para su construcción tamaños muestrales mayores. Así, si la característica que se pretende controlar es muy importante (por ejemplo, por ser componentes de precisión) se emplearán los gráficos de control por variables.

5 GRÁFICOS DE CONTROL POR VARIABLES. Los gráficos de control por variables en general nos permitirán mediante muestras de pequeño tamaño (3, 4 ó 5 piezas) tomadas en la propia máquina, prever dentro de que límites un proceso está dentro de control. Es decir, se trata de controlar el proceso vigilando las variables más significativas de los productos fabricados; para ello se usan técnicas estadísticas aceptando que los errores siguen una distribución normal. Los gráficos de control por variables se deben utilizar cuando se precise controlar una dimensión o característica concreta de un producto en el que se están produciendo defectos o cuando no estamos seguros de que el proceso con el que se fabrican estos productos sea el adecuado. El control por variables tiene como ventajas a destacar que el operario recibe información de la calidad de su trabajo y puede contrastarla con los objetivos perseguidos, además se puede prever la aparición de piezas defectuosas, así como detectar que un proceso es el adecuado para fabricar una determinada pieza analizando también la evolución del propio proceso.

6 2. GRÁFICO ( ) X R Este gráfico trata de mostrarnos la distribución que siguen en el tiempo los X estimadores (media) y R (rango), identificativos del valor central y la dispersión de los valores de cada muestra extraída. Los valores de estos estimadores variarán de una muestra a otra en el proceso de inspección; por tanto, lo que nos interesará predecir, son los límites entre los que variarán dichos estimadores, supuesto que el proceso está bajo control (esto es, cuando no existen causas especiales que distorsionen el proceso). El procedimiento que debe seguirse para su construcción exige contar con una hoja de recogida de datos, en la que se indicará el tamaño de las muestras, la frecuencia con que deben tomarse y el número de muestras necesarias para obtener cierta significación estadística en nuestro estudio.

7 El tamaño de la muestra se elegirá de modo que la variación entre las medidas de las unidades observadas sea lo menor posible. Conviene que este tamaño sea reducido y constante para todas las muestras que se tomen. Suelen tomarse muestras de tamaño 5, de extracción consecutiva, para que todas las unidades que componen la muestra tengan un comportamiento lo más homogéneo posible. Respecto a la frecuencia de extracción de muestras, no se ha de perder de vista el propósito general de los gráficos de control por variables, que es detectar los cambios que se originan en el proceso a lo largo del tiempo. Por eso la frecuencia de extracción debe facilitar esa tarea de detección, de modo que si se prevé una elevada variabilidad de la medida en el proceso, los intervalos de extracción deben ser cortos.

8 De cada una de las muestras se van a vigilar dos valores: uno es la media y el otro el rango (diferencia entre el mayor valor y el menor de los datos de la muestra). Puede admitirse que cada uno de estos dos valores sigue una distribución normal a lo largo del proceso de muestreo, es decir: X N( X, σ ) R N( R, σ R) X Además, la relación que existe entre las desviaciones de estas distribuciones, la desviación estándar de la población (σ), y el rango medio ( R ) es:

9 σ X σ n d 2 R n σ R d σ 3 d d 3 2 R donde d 2, d 3 son coeficientes cuyo valor depende del tamaño de cada muestra. Para vigilar los valores de media y rango, se han de establecer los denominados límites de control de medias y rangos. Los límites de control de un gráfico nos denotarán las cotas superior e inferior que pueden tomar los valores que se plasman en el gráfico, de modo que la desviación respecto a su valor medio sea como máximo de ±3 desviaciones estándar. Y esto suponiendo que la variación del valor del estimador que se controla, es debida exclusivamente a causas comunes.

10 R A X R n d X X LC X X ± ± ± σ R A X LCI R A X LCS X X R d d R d d R R LC R R ) 3 ( ± ± ± σ R D LCI R D LCS R R 3 4 Así, los límites de control para la media, se establecerán como sigue: Lo mismo, para los rangos: los valores A 2, D 3, y D 4 también dependen del tamaño de la muestra (ver tabla siguiente.)

11 n d d A D D L F A B B Tabla: Coeficientes para distintos tamaños de muestra "n"

12 R LVN µ ± 3σ X ± 3 X ± LR d 2 LVNS X LVNI X + LR LR Condición 1: [ LVN LT ]

13 INTERPRETACIÓN DEL GRÁFICO ( X R ) Desde el punto de vista del control y mejora del proceso, no basta con saber construir los gráficos de control; es necesario saber interpretarlos, con el fin de averiguar lo que le está sucediendo al proceso en el transcurso del tiempo: causas de variación especiales, sesgos, tendencias, etc.

14 Antes de aceptar los gráficos anteriores para el control futuro, es necesario comprobar que el proceso esta bajo control estadístico, lo cual ocurre cuando: - Ninguno de los valores del Rango queda fuera de los limites de control de Rango. - Ninguna de las Medias esta fuera de los limites de control de las Media. - No haya mas de seis valores de las Medias, en muestras consecutivas que estén al mismo lado de la gran media. - No haya dos Medias seguidas fuera de los limites de advertencia, (estos se toman con una amplitud de dos veces la desviación típica). -Ensiete muestras consecutivas no puede haber mas de dos Medias fuera y del mismo lado de los limites de advertencia.

15 Si se cumple todo lo anterior, indicaría que los valores hallados son representativos del proceso y pueden usarse en el futuro para el control del mismo. Si alguna de las condiciones no se cumple, no se podrían usar y habría que estudiar cual es el motivo y corregirlo. Veamos unos ejemplos de los gráficos anteriormente descritos: Gráfico con puntos fuera de control.

16 Puede ser que el proceso esta bajo control, pero se note un progresivo empeoramiento.

17 Cuando todos los puntos están muy cerca de la línea central, sobre 1,5 * σ, no indican que estemos con un buen control, sino que estamos mezclando información lo que nos da unos márgenes muy amplios, entonces ha de revisarse la manera de hacer los subgrupos.

18 También puede considerarse anormal que se note un cierto ordenamiento en los puntos, aunque estos estén dentro de las líneas de control, por ejemplo mismas subidas y bajadas. Recuérdese que para que un proceso este bajo control las únicas causas que pueden influir en él, son las debidas al azar.

19 3. EJEMPLO DE GRAFICOS X-R. A continuación se muestra la representación del gráfico () correspondiente a los datos de 25 muestras de tamaño 5 de los diámetros de x1 determinadas x2 x3 x4 piezas. x5 x1 x2 x3 x4 x

20 Con la tabla inicial de datos los gráficos que se obtienen son los siguientes: GRAFICO X 10,65 10,6 10,55 10,5 10,45 10,4 10, GRAFICO R 0,3 0,25 0,2 0,15 0,1 0,

21 En el diagrama X se detecta un punto fuera de control correspondiente a la muestra 24, mientras que en el R todos están entre los límites. Enmascarando esta muestra y volviendo a dibujar los gráficos se detecta otro punto fuera de control, esta vez en el gráfico R correspondiente a la muestra 13, la cual volvemos a enmascarar. Para ello seguiremos los siguientes pasos: a) Calcularemos en primer lugar los rangos de cada muestra, R i, y el rango medio, R, con la información contenida en la ficha de control: R nº 25 R 3,15 25 i 1 de muestras 0,126

22 Los limites de control para los rangos vienen dados por las expresiones en función de D 4 y D 3 : R LCS R D 4 * 2,115 x 0,126 0,266 R LCI R D 3 * 0 x 0,126 0 Siendo los valores de D 3 y D 4 los correspondientes a la tabla anterior para un tamaño de muestra, n, igual a 5.

23 b) Se comprueba a continuación si el rango de alguna de las muestras cae fuera de los Límites de Control. Si esto ocurre, se interpretará que la(s) muestra(s) correspondiente(s) pertenece(n) a una población distinta o a un momento en el que el proceso estuvo fuera de control. En cualquier caso, dichas muestras no serán consideradas y se procederá a calcular unos nuevos R y LC R con las muestras restantes. En el presente caso, sólo el rango de la muestra i13 está fuera de los límites, pues R 13 0,27, por lo que debe ser eliminada en la determinación del nuevo rango: R 3,15 0, ,12 LCS R D 4 * R 2,115 x 0,12 0,254 LCI R D 3 * R 0 x 0,126 0

24 Puede comprobarse que todos los rangos (salvo R 13 ) están contenidos dentro de las nuevas LC R, por lo que puede tomarse como definitivo el valor R 0,12. Si algún R, no hubiese satisfecho esta condición, habría que proceder de forma análoga a la anterior hasta conseguir que todos los R i conservados queden dentro de los LC R, cuidando de que el número de muestras que queden sean suficientes para que los resultados sean significativos. c) Una vez fijado se calcula el valor de y LC X, utilizando únicamente las muestras no excluidas4 en el apartado anterior, por medio de las expresiones ya vistas. Asimismo, se tomará R 0,12. X ) 24 Xi , ,53 R R LCS X + A 2 * 10,53 + 0,577 x 0,12 10,599 LCI X - A 2 * 10,53-0,577 x 0,12 10,461 donde A 2 procede de la tabla anteriormente comentada para n 5. No obstante algunos autores prefieren considerar todas las muestras.

25 d) Se comprueba seguidamente si alguna de las X i cae fuera de los LC X. Si esto ocurriese, deberían ser eliminadas, determinándose unos nuevos y LC X. Para estos últimos se seguiría empleando el mismo R (0,12 en nuestro caso), con lo que los nuevos límites de control tendrían la misma amplitud que los anteriores aunque estarían desplazados por haber cambiado. El proceso se repetiría hasta con seguir que todas las conservadas queden dentro de los últimos LC X calculados, que se tomarían como definitivos (salvo para el caso de alta precisión como ya se indicó en la introducción) junto con el último valor de X ). X ) 24 En el problema objeto de estudio observamos que 10,65 está fuera de los limites, por lo que deberá prescindirse de ella: X ) 252,73 10, ,525 LCS 10, ,577 x 0,12 10,594 LCI 10,525-0,577 x 0,12 10,456

26 Las 23 muestras consideradas caen dentro de los nuevos LC X, por lo que consideramos finalizado el proceso y procedemos al cálculo de los límites de variación natural: LVNS + L 10, ,289 x 0,12 10,68 LVNI X ) - L 10,525-1,289 x 0,12 10,37 X ) R R Vemos, pues, que los LVN son más estrechos que los límites de tolerancia, LT, especificados por la oficina técnica, que, de acuerdo con la ficha de control, valen: LT 10,5 ± 0,2 es decir: LTS 10,5 + 0,2 10,7 LTI 10,5-0,2 10,3

27 Se deduce, por tanto, que el proceso es capaz de cumplir los objetivos marcados. Es interesante hacer notar que por estar la gran media X descentrada hacia arriba (10,525 en lugar de 10,5), es mayor la probabilidad de obtener piezas defectuosas por exceso en la longitud, por lo que sería recomendable intentar centrar, X. Hay que recalcar, sin embargo, que el operario sabe que los errores por exceso pueden ser corregidos, no ocurriendo esto con los que son por defecto, tendiendo, por tanto, a dar valores centrales, X, más elevados. Así se obtienen los gráficos finales de la fase de construcción. GRAFICO X GRAFICO R 10,65 10,6 10,55 10,5 10,45 10, ,3 0,25 0,2 0,15 0,1 0,

28 Para calcular los valores de los límites de control en ambos gráficos, basta utilizar las fórmulas anteriormente expuestas (supuesto que ya se han filtrado las muestras 24 y 13). Gráfico de medias: X 10,525 LC 10,525 ± 0,577 0,12 [ 10,456; 10,594] R 0,12 LCS 2,115 0,12 0,254; LCI 0 0,12 0

29 4. GRÁFICOS DE CONTROL POR ATRIBUTOS Los gráficos de control por atributos se utilizan para controlar características de calidad que no puede medirse. En este sentido, se definirá el atributo de estudio y se observará si está presente o no en las muestras que se obtengan del proceso. Así, un producto se calificará como "bueno" o "malo" según posea o no dicha característica o atributo. En general, estos gráficos nos permiten controlar el número de piezas defectuosas (bien en términos absolutos, dentro de una muestra, bien en fracción defectuosa), o el número de defectos (por muestra o por unidad de producto).

30 Según que el tamaño muestral considerado sea constante o variable a lo largo de las sucesivas muestras, y de que se quieran controlar unidades defectuosas o defectos, tenderemos cuatro diferentes tipos de gráficos, como se muestra en la tabla adjunta: n Cte. n Var. Nº piezas defectuosas. np p Nº defectos. c u

31 En cualquier caso, nuestro objetivo, será determinar los límites de control del gráfico que estemos manejando. Genéricamente, los límites de control siempre responden a la formulación: LC VC ± 3σ, esto es, tres desviaciones estándar a un lado y otro del valor central de la medida de estudio. La interpretación que se hará de los puntos que rebasen los límites de control es la siguiente, si un valor supera el límite superior de control, querrá decir que se ha producido un alarmante ascenso del número de unidades defectuosas (o del número de defectos). Sin embargo los valores por debajo del límite inferior de control pueden deberse a dos situaciones; o bien el proceso ha mejorado realmente, disminuyendo el número de fallos, o la extracción de la muestra no es adecuada en tamaño (tamaños de muestra pequeños, pueden falsear la información real del % de fallos existente en el proceso). Por este motivo, los tamaños muestrales deben ser suficientemente grandes, con valores habitualmente superiores a 50 elementos por muestra.

32 4. 1. GRÁFICO "np". Este gráfico controla en cada punto correspondiente a una extracción muestral, el número de unidades defectuosas correspondientes a esa muestra. Las expresiones del valor central y de los límites de control para este gráfico son: VC np nº artículosdefectuosos promedio por muestra N i 1 nº uds.defectuosas en muestra"i" N LC np ± 3 np(1 p) Es obvio que el valor de los límites de control es constante, pero depende del tamaño muestral elegido.

33 EJEMPLO GRÁFICO "np". La empresa Data ha decidido llevara un control de calidad del proceso productivo mediante la utilización de gráficos np empleando muestras de 250 unidades, obteniéndose de las 25 primeras muestras las unidades defectuosas que se presentan en la tabla siguiente: Nº Def De acuerdo con los datos anteriores, calcularemos los límites de control mediante la expresión: Total de artículosdefectuosos encontrados 501 VC np 20,04 Númerode muestrasinspecciondas 25 de donde: p np n 20, y por lo tanto: 0,08 LCS np + 3 np(1 p) 20, ,04(1 0,08) 32,92 LCI np 3 np(1 p) 20, ,04(1 0,08) 7,16

34

35 4.2. GRÁFICO "p". Este gráfico controla en cada punto correspondiente a una extracción muestral, el porcentaje de unidades defectuosas muestral. Así, por p i denotaremos a la fracción defectuosa de la muestra i- ésima (obtenida como cociente entre el número de unidades defectuosas en la muestra i-ésima y el tamaño muestral de dicha muestra). p fracción defectuosamuestra"i" i uds.defectuosas en muestra"i" El valor central de esta característica, será nº n i VC i 1 p fracción defectuosa promedio N donde N es el número total de muestras. N nº uds.defectuosas en muestra"i" i 1 n i

36 Los límites de control, para este gráfico, se calculan según la fórmula siguiente (siendo la raíz de la misma un estimador de la desviación poblacional): LC i p ± 3 p(1 p) En esta fórmula puede observarse como los límites de control dependen del tamaño muestral (que es variable), por lo que los valores de control de este gráfico no serán constantes, sino que tendrán diferentes valores para cada muestra. Como resultaría excesivamente tedioso calcular los límites de control reales, suelen calcularse los denominados límites de control simplificados, que toman valores constantes al considerar en la fórmula anterior el tamaño muestral promedio de las N muestras. Esta aproximación, podrá hacerse siempre que no exista gran variación entre los tamaños muestrales de las diferentes muestras. En todo caso, para aquellos puntos del gráfico próximos a estos límites simplificados, será necesario calcular los límites de control reales, para evitar falsas alarmas (por ejemplo: un punto por debajo del límite inferior simplificado y cercano a él, no tiene porqué poner al sistema fuera de control si no supera al correspondiente límite de control real). n i

37 EJEMPLO DE GRÁFICO P La empresa Electra, S. A., trata de controlar el proceso de fabricación de determinados aparatos eléctricos mediante la implantación de un gráfico p con el que observar la evolución de la fracción defectuosa. Para ello, se comienza en el mes de febrero de 1980, examinando un 50 por 100 de la producción mediante muestras de tamaño variable e igual a la mitad de la producción diaria. Como valor central de la fracción defectuosa se adopta, en un principio, el obtenido de experiencias similares en el pasado, igual a un 2,5 por 100 de productos defectuosos por muestra. Este valor (p 0,025) será revisado mensualmente y sustituido por otro si la evolución de la calidad así lo aconseja.

38 Los datos procedentes de 25 muestras aparecen en la tabla de la figura siguiente en la que se indica además de los valores de n i y p i, los valores de los límites de control de cada muestra, calculados de acuerdo con las expresión siguiente para p i : p i fracción defectuosamuestra"i" nº uds.defectuosas en muestradetectadas Númerototalde unidadesinspeccionadas Se desea dibujar el gráfico p correspondiente así como comentar los resultados obtenidos.

39 RESOLUCIÓN: A partir de los datos de la tabla se ha dibujado el gráfico p. De su observación se desprende que, a partir de la muestra 7, la calidad ha ido empeorándose progresivamente hasta llegar a una muestra, la 17, que queda fuera de control. A partir de ella se han aplicado medidas correctoras que han traído consigo una mejora en la fracción defectuosa. A la luz de la información brindada por el gráfico p parece aconsejable revisar el valor central empleado, utilizándose para ello el promedio de p durante el mes transcurrido, y excluyendo, claro está, el valor correspondiente a la muestra que resultó fuera de control. Así pues, el nuevo VC a aplicar el mes de marzo será:

40 Número total de unidades defectuosas detectadas 285 VC ,0235 Número total de unidades inspeccionadas Que es menor que el objetivo de 0,025. Vemos que se ha conseguido una ligera mejora de la calidad sobre el VC inicialmente previsto. En el presente caso, en el que el tamaño de la muestra varía dentro de unos límites estrechos (ver introducción), cabe la posibilidad de utilizar un valor medio para el mismo, ñ, que evitará el cálculo de los LC para cada muestra, utilizándose para todas ellas los LC resultantes de aplicar las expresiones anteriores para ñ 0,507.

41 Así pues, para el mes de febrero tendríamos: p' (1 p' ) 0,025(1 0,025) LC S p' + 3 0, n 507 p' (1 p' ) 0,025(1 0,025) LC I p' + 3 0,025 3 n 507 0,046 0,004 De esta forma obtenemos unos limites de control que no varían con el tamaño de la muestra. Su utilización debe ir acompañada del cálculo de los verdaderos valores de LC en aquellas muestras cuyo valor de p quede fuera, o muy próximo, del LC promedio, de forma que pueda determinarse si la muestra en cuestión debe ser considerada realmente fuera de control.

42 De forma análoga, para el mes de marzo podemos utilizar unos LC aproximados, para cuyo cálculo utilizaremos: p' 0,0235 y ñ 506 lo cual nos lleva a p' (1 p' ) 0,0235(1 0,0235) LC S p' + 3 0, n 506 0,0437 p' (1 p' ) 0,0235(1 0,0235) LC I p' 3 0, n 506 0,033

43 Es fácilmente observable que, en el caso de utilizar un valor de n constante, la diferencia entre este gráfico y el np es la escala, siendo la de este último igual a la del p multiplicada por n. Debido a ello, en estas circunstancias suele ser más interesante emplear el gráfico np, pues requiere menos cálculos y es de más fácil comprensión. No obstante, es necesario decir que los cálculos de los distintos LC en los gráficos p pueden ser sistematizados, existiendo incluso ábacos de los que se obtienen con facilidad.

44

45 4.3. GRÁFICO "c". Este gráfico controla en cada punto correspondiente a una extracción muestral, el número de defectos correspondientes a esa muestra. Así, si llamamos: c i nº defectosen la muestra"i" las expresiones del valor central y de los límites de control para este gráfico serán: N nº defectosen muestra"i" i 1 VC c media defectos por muestra N LC c± 3 c

46 EJEMPLO DE GRÁFICO C Para realizar el control de calidad en la fabricación de un cierto tipo de artículo, la empresa Maolar decide implantar un gráfico c, en el que se representa el número de defectos por muestra. Dado que cada unidad a controlar puede presentar hasta 200 defectos diferentes, se va a tomar un tamaño de muestra pequeño. Así pues, se utilizarán 25 muestras de 6 unidades cada una. Los datos procedentes de la inspección aparecen en la parte superior de la figura siguiente. Puede observarse que, en este caso, los distintos defectos se han clasificado en tres grupos. A, B y C, por orden de importancia y a efectos de tener una mayor información. Suponiendo probabilidad constante de aparición de un defecto cualquiera, se desea obtener el gráfico c para el control futuro del proceso.

47 RESOLUCIÓN: A partir de los datos registrados pueden obtenerse el valor central y los limites de control de acuerdo con las expresiones anteriores, tenemos: nº Total de defectos detectados 585 VC ,4 defectos/muestra Nº De muestras inspeccionadas 25 LC S c + 3 c 23, ,4 37,4 LCI c 3 c 23,4 3 23,4 8,9 Con estos valores se construye el gráfico c que aparece en la figura 18.7, sobre el que se han representado los valores correspondientes a las distintas muestras, las cuales quedan todos bajo control. Debido a ello puede ser aceptado para el control futuro del proceso, aunque, pasado algún tiempo pueda ser aconsejable calcular unos nuevos valores para VC y LC de acuerdo con la evolución real de la calidad.

48

49 4.4. GRÁFICO "u". Este gráfico controla en cada punto correspondiente a una extracción muestral, el número de defectos por unidad de producto en esa muestra. Así, si denotamos por u i al número de defectos unitario: u i nº defectos en muestra n i las expresiones del valor central y de los límites de control para este gráfico serán: VC u nºmediodefectospor unidad i 1 N N nº " i" i 1 n i (c i ) defectosen muestra"i" LC i u ± 3 u n i En este caso, hemos de hacer las mismas consideraciones de cálculo de los límites simplificados que en el gráfico "p".

50 EJEMPLO DE APLICACIÓN DE GRÁFICOS U Se desea establecer el control de un proceso mediante un gráfico u, con idea de vigilar el número de defectos que presentan los artículos considerados no aceptables. Para ello, se han tomado 25 muestras, cuyos tamaños y número de defectos encontrados se indican en la parte superior de la figura siguiente. Como en el problema anterior, el elevado número de defectos distintos que puede aparecer en un artículo hace posible la utilización de pequeños tamaños de muestra. RESOLUCIÓN: De acuerdo con los datos registrados estimamos, el valor central y los limites de control. El primero de ellos, ü, lo haremos igual al número medio de defectos por unidad. Los LC serán calculados de acuerdo con las expresiones correspondientes a estos gráficos, pero utilizando un tamaño de muestra medio, ñ, igual al total de artículos inspeccionados ( 148) dividido por el número dé muestras ( 25). VC u nº mediodefectospor unidad N nº defectosen muestra"i" 834 N 148 n i 1 i 1 i 5,64 u 5,64 LCS u + 3 5, ,57 148/ 25 n i u 5,64 LCS u + 3 5,64 3 2,71 148/ 25 n i Esto último es factible debido a que las variaciones de n no son demasiado importantes. De la representación del gráfico u (Fig. 18.8), se deduce que todas las muestras inspeccionadas están bajo control, por lo que los LC y VC pueden ser adoptados como definitivos en tanto la evolución real de la calidad no aconseje otra cosa.

51

CARTAS DE CONTROL. FeGoSa

CARTAS DE CONTROL. FeGoSa Las empresas en general, ante la apertura comercial han venido reaccionando ante los cambios y situaciones adversas, reaccionan por ejemplo ante: Disminución de ventas Cancelación de pedidos Deterioro

Más detalles

www.fundibeq.org En estos casos, la herramienta Gráficos de Control por Variables" no es aplicable.

www.fundibeq.org En estos casos, la herramienta Gráficos de Control por Variables no es aplicable. GRAFICOS DE CONTROL POR ATRIBUTOS 1.- INTRODUCCIÓN Este documento describe la secuencia de construcción y las pautas de utilización de una de las herramientas para el control de procesos, los Gráficos

Más detalles

www.fundibeq.org Además se recomienda su uso como herramienta de trabajo dentro de las actividades habituales de gestión.

www.fundibeq.org Además se recomienda su uso como herramienta de trabajo dentro de las actividades habituales de gestión. GRÁAFICOS DE CONTROL POR VARIABLES 1.- INTRODUCCIÓN Este documento describe la secuencia de construcción y las pautas de utilización de una de las herramientas más potentes para el control de procesos,

Más detalles

TEMA 4: Introducción al Control Estadístico de Procesos

TEMA 4: Introducción al Control Estadístico de Procesos TEMA 4: Introducción al Control Estadístico de Procesos 1 Introducción 2 Base estadística del diagrama de control 3 Muestreo y agrupación de datos 4 Análisis de patrones en diagramas de control 1. Introducción

Más detalles

www.fundibeq.org Además se recomienda su uso como herramienta de trabajo dentro de las actividades habituales de planificación y control.

www.fundibeq.org Además se recomienda su uso como herramienta de trabajo dentro de las actividades habituales de planificación y control. ESTUDIOS DE CAPACIDAD POTENCIAL DE CALIDAD 1.- INTRODUCCIÓN Este documento proporciona las pautas para la realización e interpretación de una de las herramientas fundamentales para el control y la planificación

Más detalles

TEMA 2. FILOSOFÍA DE LOS GRÁFICOS DE CONTROL. Principios básicos de los gráficos de control. Análisis de patrones.

TEMA 2. FILOSOFÍA DE LOS GRÁFICOS DE CONTROL. Principios básicos de los gráficos de control. Análisis de patrones. TEMA 2. FILOSOFÍA DE LOS GRÁFICOS DE CONTROL. Principios básicos de los gráficos de control. Análisis de patrones. La herramienta que nos indica si el proceso está o no controlado o Estado de Control son

Más detalles

Estadís1ca. María Dolores Frías Domínguez Jesús Fernández Fernández Carmen María Sordo. Tema 7. Control estadís1co de la calidad

Estadís1ca. María Dolores Frías Domínguez Jesús Fernández Fernández Carmen María Sordo. Tema 7. Control estadís1co de la calidad Estadís1ca Tema 7. Control estadís1co de la calidad María Dolores Frías Domínguez Jesús Fernández Fernández Carmen María Sordo Departamento de Matemá.ca Aplicada y Ciencias de la Computación Este tema

Más detalles

www.bvbusiness-school.com

www.bvbusiness-school.com Gráficos de Control de Shewart www.bvbusiness-school.com GRÁFICOS DE CONTROL DE SHEWART Una de las herramientas estadísticas más importantes en el Control Estadístico de Procesos son los Gráficos de Control.

Más detalles

Control Estadístico del Proceso. Ing. Claudia Salguero Ing. Alvaro Díaz

Control Estadístico del Proceso. Ing. Claudia Salguero Ing. Alvaro Díaz Control Estadístico del Proceso Ing. Claudia Salguero Ing. Alvaro Díaz Control Estadístico del Proceso Es un conjunto de herramientas estadísticas que permiten recopilar, estudiar y analizar la información

Más detalles

www.bvbusiness-school.com

www.bvbusiness-school.com Gráficos de Control por Variables www.bvbusiness-school.com GÁFICOS DE CONTOL PO VAIABLES Los gráficos de control por variables se utilizan para aquellas características de calidad que permiten ser medidas

Más detalles

1.1. Introducción y conceptos básicos

1.1. Introducción y conceptos básicos Tema 1 Variables estadísticas Contenido 1.1. Introducción y conceptos básicos.................. 1 1.2. Tipos de variables estadísticas................... 2 1.3. Distribuciones de frecuencias....................

Más detalles

Grado en Ingeniería. Estadística. Tema 3

Grado en Ingeniería. Estadística. Tema 3 Grado en Ingeniería Asignatura: Estadística Tema 3. Control Estadístico de Procesos (SPC) Control Estadístico de Procesos (SPC) Introducción Variabilidad de un proceso de fabricación Causas asignables

Más detalles

CONTROL ESTADÍSTICO DE PROCESOS. ii. PRESENCIA DE CAUSAS ASIGNABLES iii. GRÁFICO DE MEDIAS Y RANGOS

CONTROL ESTADÍSTICO DE PROCESOS. ii. PRESENCIA DE CAUSAS ASIGNABLES iii. GRÁFICO DE MEDIAS Y RANGOS CONTROL ESTADÍSTICO DE PROCESOS INDICE 1. INTRODUCCIÓN 2. GRÁFICOS DE CONTROL POR VARIABLE (a) INTRODUCCIÓN i. TOLERANCIAEINDICEDECAPACIDAD ii. PRESENCIA DE CAUSAS ASIGNABLES iii. GRÁFICO DE MEDIAS Y RANGOS

Más detalles

TEMA 7: Análisis de la Capacidad del Proceso

TEMA 7: Análisis de la Capacidad del Proceso TEMA 7: Análisis de la Capacidad del Proceso 1 Introducción Índices de capacidad 3 Herramientas estadísticas para el análisis de la capacidad 4 Límites de tolerancia naturales 1 Introducción La capacidad

Más detalles

UNIDAD DIDÁCTICA 7 ANÁLISIS DE ÍTEMS Y BAREMACIÓN DE UN TEST

UNIDAD DIDÁCTICA 7 ANÁLISIS DE ÍTEMS Y BAREMACIÓN DE UN TEST UNIDAD DIDÁCTICA 7 ANÁLISIS DE ÍTEMS Y BAREMACIÓN DE UN TEST 7.1. ANÁLISIS DE LOS ÍTEMS Al comenzar la asignatura ya planteábamos que uno de los principales problemas a los que nos enfrentábamos a la hora

Más detalles

GRÁFICAS DE CONTROL DE LA CALIDAD EMPLEANDO EXCEL Y WINSTATS

GRÁFICAS DE CONTROL DE LA CALIDAD EMPLEANDO EXCEL Y WINSTATS GRÁFICAS DE CONTROL DE LA CALIDAD EMPLEANDO EXCEL Y WINSTATS 1) INTRODUCCIÓN Tanto la administración de calidad como la administración Seis Sigma utilizan una gran colección de herramientas estadísticas.

Más detalles

% PRODUCTOS NO CONFORMES 10% 5%

% PRODUCTOS NO CONFORMES 10% 5% Departamento de Ingeniería Mecánica Tecnología Mecánica I 67.15 Unidad 13: Control de Calidad Ing. Sergio Laguzzi 1 TEMARIO - Definición de Calidad. Costos de la no Calidad. Estrategia de detección (Planes

Más detalles

CONTROL ESTADÍSTICO DE PROCESOS Y PLANES DE MUESTREO

CONTROL ESTADÍSTICO DE PROCESOS Y PLANES DE MUESTREO CONTROL ESTADÍSTICO DE PROCESOS Y PLANES DE MUESTREO DIRECCIÓN DE LA PRODUCCIÓN Por: LUIS ARENCIBIA SÁNCHEZ www.laformacion.com - www.libroelectronico.net 1 Índice. 1. Control estadístico de procesos.

Más detalles

ANÁLISIS DE DATOS CONTROL DE CALIDAD. Ing. Carlos Brunatti

ANÁLISIS DE DATOS CONTROL DE CALIDAD. Ing. Carlos Brunatti ANÁLISIS DE DATOS CONTROL DE CALIDAD Ing. Carlos Brunatti Montevideo, ROU, junio 2015 Control de calidad No resulta sorprendente que el hormigón sea un material variable, pues hay muchos factores involucrados

Más detalles

Contenido: CARTAS DE CONTROL. Cartas de control C Cartas de control U Cartas de control P Cartas de control NP DIAGRAMA DE PARETTO HISTOGRAMAS

Contenido: CARTAS DE CONTROL. Cartas de control C Cartas de control U Cartas de control P Cartas de control NP DIAGRAMA DE PARETTO HISTOGRAMAS Contenido: CARTAS DE CONTROL Cartas de control C Cartas de control U Cartas de control P Cartas de control NP DIAGRAMA DE PARETTO HISTOGRAMAS TEST DE MEDIANAS CEL: 72488950 1 Antes de querer utilizar cualquier

Más detalles

Capítulo 7: Distribuciones muestrales

Capítulo 7: Distribuciones muestrales Capítulo 7: Distribuciones muestrales Recordemos: Parámetro es una medida de resumen numérica que se calcularía usando todas las unidades de la población. Es un número fijo. Generalmente no lo conocemos.

Más detalles

GRAFICOS DE CONTROL DATOS TIPO VARIABLES

GRAFICOS DE CONTROL DATOS TIPO VARIABLES GRAFICOS DE CONTROL DATOS TIPO VARIABLES PROCESO Maquinaria Métodos Materias Primas Proceso Producto Mano de Obra Condiciones Ambientales VARIACIÓN Fundamentalmente, las cinco fuentes más importantes de

Más detalles

MEDIDAS DE TENDENCIA CENTRAL Y DISPERSIÓN

MEDIDAS DE TENDENCIA CENTRAL Y DISPERSIÓN MEDIDAS DE TENDENCIA CENTRAL Y DISPERSIÓN Suponga que le pedimos a un grupo de estudiantes de la asignatura de estadística que registren su peso en kilogramos. Con los datos del peso de los estudiantes

Más detalles

Master en Gestión de la Calidad

Master en Gestión de la Calidad Master en Gestión de la Calidad E U R O P E A N Q U A L I T Y 18. Estudios de Capacidad 1 / 1 Estudios de Capacidad: Lo que vamos a estudiar en este apartado se emplea tanto en la planificación de los

Más detalles

INFERENCIA ESTADÍSTICA

INFERENCIA ESTADÍSTICA Capítulo 4 INFERENCIA ESTADÍSTICA 4.1. Introducción Inferir: Sacar una consecuencia de una cosa. Sacar consecuencia o deducir una cosa de otra. La estadística, ciencia o rama de las Matemáticas que se

Más detalles

www.bvbusiness-school.com

www.bvbusiness-school.com Control Estadístico de Procesos www.bvbusiness-school.com CONTROL ESTADÍSTICO DE PROCESOS El es un conjunto de técnicas estadísticas destinadas a hacer un seguimiento, en tiempo real, de la calidad que

Más detalles

Clase 2: Estadística

Clase 2: Estadística Clase 2: Estadística Los datos Todo conjunto de datos tiene al menos dos características principales: CENTRO Y DISPERSIÓN Los gráficos de barra, histogramas, de puntos, entre otros, nos dan cierta idea

Más detalles

Control Estadístico de Procesos

Control Estadístico de Procesos Control Estadístico de Procesos Gráficos de Control Los gráficos de control o cartas de control son una importante herramienta utilizada en control de calidad de procesos. Básicamente, una Carta de Control

Más detalles

GRÁFICAS DE CONTROL PARA VARIABLES

GRÁFICAS DE CONTROL PARA VARIABLES GRÁFICAS DE CONTROL PARA VARIABLES 155 CAPÍTULO 2 GRÁFICAS DE CONTROL PARA VARIABLES 156 GRÁFICAS DE CONTROL PARA VARIABLES 2.1 Conceptos generales y principios del Control Estadístico del Proceso (CEP)

Más detalles

Control de calidad del Hormigón

Control de calidad del Hormigón Control de calidad del Hormigón Calidad Hay muchos factores involucrados en la producción del hormigón, desde los materiales, la dosificación de la mezcla, el transporte, la colocación, el curado y los

Más detalles

7 HERRAMIENTAS PARA EL CONTROL DE LA CALIDAD

7 HERRAMIENTAS PARA EL CONTROL DE LA CALIDAD Agencia de Cooperación Internacional del Japón Universidad de Santiago de Chile Facultad de Ingeniería Departamento de Ingeniería Industrial 7 HERRAMIENTAS PARA EL CONTROL DE LA CALIDAD Elaboración: Kiyohiro

Más detalles

Clase 2: Estadística

Clase 2: Estadística Clase 2: Estadística Los datos Todo conjunto de datos tiene al menos dos características principales: CENTRO Y DISPERSIÓN Los gráficos de barra, histogramas, de puntos, entre otros, nos dan cierta idea

Más detalles

Capítulo 4 MEDIDA DE MAGNITUDES. Autor: Santiago Ramírez de la Piscina Millán

Capítulo 4 MEDIDA DE MAGNITUDES. Autor: Santiago Ramírez de la Piscina Millán Capítulo 4 MEDIDA DE MAGNITUDES Autor: Santiago Ramírez de la Piscina Millán 4 MEDIDA DE MAGNITUDES 4.1 Introducción El hecho de hacer experimentos implica la determinación cuantitativa de las magnitudes

Más detalles

TEMA 6: Gráficos de Control por Variables

TEMA 6: Gráficos de Control por Variables TEMA 6: Gráficos de Control por Variables 1 Introducción 2 Gráficos de control de la media y el rango Función característica de operación 3 Gráficos de control de la media y la desviación típica 4 Gráficos

Más detalles

www.fundibeq.org Además, se recomienda su uso como herramienta de trabajo dentro de las actividades habituales de gestión.

www.fundibeq.org Además, se recomienda su uso como herramienta de trabajo dentro de las actividades habituales de gestión. HISTOGRAMAS 1.- INTRODUCCIÓN Este documento sirve de guía para la construcción de Histogramas y permite profundizar, más allá de su propia significación matemática, en el análisis del funcionamiento y

Más detalles

CONTROL DEL PROCESO POR VARIABLES Y ATRIBUTOS

CONTROL DEL PROCESO POR VARIABLES Y ATRIBUTOS 3 CONTROL DEL PROCESO POR VARIABLES Y ATRIBUTOS Al finalizar la unidad, el alumno realizará gráficas de control por variables X y R y por atributos para mantener el seguimiento y control de los procesos

Más detalles

Control de calidad del. Ciudad de La Rioja Mayo 2013

Control de calidad del. Ciudad de La Rioja Mayo 2013 Control de calidad del Hormigón Ciudad de La Rioja Mayo 2013 Control de calidad Desde que se comenzó con la producción de bienes, se han hecho intentos en controlar el proceso de manera de mejorar la calidad

Más detalles

Calidad en el Montaje y Proceso

Calidad en el Montaje y Proceso IES Rey Pelayo Programación 2014-15 Calidad en el Montaje y Proceso Instalación y Mantenimiento Electromecánico y Conducción de Líneas Formación Profesional de Grado Medio Índice Índice... 1 Introducción...

Más detalles

- se puede formular de la siguiente forma:

- se puede formular de la siguiente forma: Multicolinealidad 1 Planteamiento Una de las hipótesis del modelo de regresión lineal múltiple establece que no existe relación lineal exacta entre los regresores, o, en otras palabras, establece que no

Más detalles

Tema 3. Control estadístico de calidad. 3.1. Introducción. Qué es el control estadístico de la calidad? 3.2Introducción a los gráficos de control.

Tema 3. Control estadístico de calidad. 3.1. Introducción. Qué es el control estadístico de la calidad? 3.2Introducción a los gráficos de control. Tema 3 Control estadístico de calidad 3.1Introducción. Qué es el control estadístico de la calidad? 3.2Introducción a los gráficos de control. 3.3Gráficos de control para variables. 3.4Gráficos de control

Más detalles

Se pide: 1. Calcular las principales medidas de posición y dispersión para los datos anteriores.

Se pide: 1. Calcular las principales medidas de posición y dispersión para los datos anteriores. 2.2.- Ha sido medida la distancia de frenado (en metros) de una determinada marca de coches, según el tipo de suelo y velocidad a la que circula, los resultados en 64 pruebas aparecen en el listado siguiente:

Más detalles

Ejercicio de estadística para 3º de la ESO

Ejercicio de estadística para 3º de la ESO Ejercicio de estadística para 3º de la ESO Unibelia La estadística es una disciplina técnica que se apoya en las matemáticas y que tiene como objetivo la interpretación de la realidad de una población

Más detalles

Introducción. Estadística 1. 1. Introducción

Introducción. Estadística 1. 1. Introducción 1 1. Introducción Introducción En este tema trataremos de los conceptos básicos de la estadística, también aprenderemos a realizar las representaciones gráficas y a analizarlas. La estadística estudia

Más detalles

Capítulo 10. Análisis descriptivo: Los procedimientos Frecuencias y Descriptivos

Capítulo 10. Análisis descriptivo: Los procedimientos Frecuencias y Descriptivos Capítulo 10 Análisis descriptivo: Los procedimientos Frecuencias y Descriptivos Al analizar datos, lo primero que conviene hacer con una variable es, generalmente, formarse una idea lo más exacta posible

Más detalles

Metodología para la evaluación de los Niveles de Calidad de los Servicios de Mantenimiento y otros Servicios contratados en edificios de oficinas

Metodología para la evaluación de los Niveles de Calidad de los Servicios de Mantenimiento y otros Servicios contratados en edificios de oficinas Metodología para la evaluación de los Niveles de Calidad de los Servicios de Mantenimiento y otros Servicios contratados en edificios de oficinas 1 METODOLOGÍA PARA EVALUACIÓN DE LOS NIVELES DE CALIDAD

Más detalles

PLATAFORMA GESTIÓN INTEGRAL DE PRODUCCIÓN GESTIÓN DE OPERACIONES

PLATAFORMA GESTIÓN INTEGRAL DE PRODUCCIÓN GESTIÓN DE OPERACIONES PLATAFORMA GESTIÓN INTEGRAL DE PRODUCCIÓN GESTIÓN DE OPERACIONES CONTROL DE CALIDAD CONTROL ESTADÍSTICO DE PROCESO Avanzar hacia la excelencia operacional es clave para la mejora de la competitividad de

Más detalles

Cómo funciona el Diagrama de Control

Cómo funciona el Diagrama de Control Cómo funciona el Diagrama de Control Capítulo 4 Control Estadístico de Calidad Modelo del sistema de control de proceso ( con retroalimentación ) VOZ DEL PROCESO METODOS ESTADÍSTICOS Personal Equipo Materiales

Más detalles

STATISTICAL PROCESS CONTROL: MANUAL REFERENCIA QS 9000

STATISTICAL PROCESS CONTROL: MANUAL REFERENCIA QS 9000 STATISTICAL PROCESS CONTROL: MANUAL REFERENCIA QS 9000 SECCIÓN 2: SISTEMA DE CONTROL 1.- Proceso: Se entiende por proceso, la combinación de suministradores, productores, personas, equipos, imputs de materiales,

Más detalles

Control de calidad: Cartas de control por variables.

Control de calidad: Cartas de control por variables. CONGRESO REGIONAL de ciencia y tecnología NOA 2002 Secretaría de Ciencia y Tecnología Universidad Nacional de Catamarca PRODUCCIONES CIENTÍFICAS.. Control de calidad: Cartas de control por variables. Autores:

Más detalles

Pablo Fernández. IESE. Valoración de opciones por simulación 1 VALORACIÓN DE OPCIONES POR SIMULACIÓN Pablo Fernández IESE

Pablo Fernández. IESE. Valoración de opciones por simulación 1 VALORACIÓN DE OPCIONES POR SIMULACIÓN Pablo Fernández IESE Pablo Fernández. IESE. Valoración de opciones por simulación 1 VALORACIÓN DE OPCIONES POR SIMULACIÓN Pablo Fernández IESE 1. Fórmulas utilizadas en la simulación de la evolución del precio de una acción

Más detalles

ESTUDIO DEL RENDIMIENTO DE LOS FONDOS DE INVERSIÓN CÓMO SE DETERMINA LA RENTABILIDAD DE UN FONDO?

ESTUDIO DEL RENDIMIENTO DE LOS FONDOS DE INVERSIÓN CÓMO SE DETERMINA LA RENTABILIDAD DE UN FONDO? ESTUDIO DEL RENDIMIENTO DE LOS FONDOS DE INVERSIÓN CÓMO SE DETERMINA LA RENTABILIDAD DE UN FONDO? El precio, o valor de mercado, de cada participación oscila según la evolución de los valores que componen

Más detalles

UNIDAD 4: MEDIDAS DE TENDENCIA CENTRAL

UNIDAD 4: MEDIDAS DE TENDENCIA CENTRAL UNIDAD 4: MEDIDAS DE TENDENCIA CENTRAL Objetivo terminal: Calcular e interpretar medidas de tendencia central para un conjunto de datos estadísticos. Objetivos específicos: 1. Mencionar las características

Más detalles

NORMA INTERNACIONAL DE AUDITORÍA 530 MUESTREO DE AUDITORÍA

NORMA INTERNACIONAL DE AUDITORÍA 530 MUESTREO DE AUDITORÍA NORMA INTERNACIONAL DE AUDITORÍA 530 MUESTREO DE AUDITORÍA (NIA-ES 530) (adaptada para su aplicación en España mediante Resolución del Instituto de Contabilidad y Auditoría de Cuentas, de 15 de octubre

Más detalles

DISTRIBUCIONES DE PROBABILIDAD DE VARIABLE DISCRETA. LA BINOMIAL

DISTRIBUCIONES DE PROBABILIDAD DE VARIABLE DISCRETA. LA BINOMIAL DISTRIBUCIONES DE PROBABILIDAD DE VARIABLE DISCRETA. LA BINOMIAL Página 4 REFLEXIONA Y RESUELVE Recorrido de un perdigón Dibuja los recorridos correspondientes a: C + C C, + C + C, + C C C, + + + +, C+CC

Más detalles

ESTADÍSTICA SEMANA 4

ESTADÍSTICA SEMANA 4 ESTADÍSTICA SEMANA 4 ÍNDICE MEDIDAS DE DISPERSIÓN... 3 APRENDIZAJES ESPERADOS... 3 DEfinición de Medida de dispersión... 3 Rango o Recorrido... 3 Varianza Muestral (S 2 )... 3 CÁLCULO DE LA VARIANZA...

Más detalles

Medidas de tendencia central o de posición: situación de los valores alrededor

Medidas de tendencia central o de posición: situación de los valores alrededor Tema 10: Medidas de posición y dispersión Una vez agrupados los datos en distribuciones de frecuencias, se calculan unos valores que sintetizan la información. Estudiaremos dos grandes secciones: Medidas

Más detalles

4. HERRAMIENTAS ESTADÍSTICAS

4. HERRAMIENTAS ESTADÍSTICAS 4. HERRAMIENTAS ESTADÍSTICAS 4.1 Definiciones La mayor parte de las decisiones se toman en función de la calidad, como en la mayoría de las demás áreas del moderno esfuerzo humano (por ejemplo, en la evaluación

Más detalles

6. Sea X una v.a. con distribución N(0,1). Calcular p(x=0)

6. Sea X una v.a. con distribución N(0,1). Calcular p(x=0) 1. La rueda de una ruleta se divide en 25 sectores de igual área que se enumeran del 1 al 25. Encuentra una fórmula para la distribución de probabilidades de la v.a. X que representa el número obtenido

Más detalles

Control de procesos por atributos

Control de procesos por atributos Capítulo 5 Control de procesos por atributos 1. Introducción 2. Gráfico P 3. Gráfico NP 4. Gráfico C 5. Gráfico U Apéndice: Curva Característica de Operaciones 1 Apuntes realzados por el Profesor Ismael

Más detalles

CARTAS DE CONTROL: SU EFECTIVIDAD PARA DETECTAR CAMBIOS

CARTAS DE CONTROL: SU EFECTIVIDAD PARA DETECTAR CAMBIOS CARTAS DE CONTROL: SU EFECTIVIDAD PARA DETECTAR CAMBIOS MEDIANTE UN ENFOQUE POR CADENAS DE MARKOV ABSORBENTES Lidia Toscana - Nélida Moretto - Fernanda Villarreal Universidad Nacional del Sur, ltoscana@criba.edu.ar

Más detalles

13Soluciones a los ejercicios y problemas

13Soluciones a los ejercicios y problemas Soluciones a los ejercicios y problemas PÁGINA Pág. P RACTICA Tablas de frecuencias El número de faltas de ortografía que cometieron un grupo de estudiantes en un dictado fue: a) Di cuál es la variable

Más detalles

Estadística con Excel Informática 4º ESO ESTADÍSTICA CON EXCEL

Estadística con Excel Informática 4º ESO ESTADÍSTICA CON EXCEL 1. Introducción ESTADÍSTICA CO EXCEL La estadística es la rama de las matemáticas que se dedica al análisis e interpretación de series de datos, generando unos resultados que se utilizan básicamente en

Más detalles

Estas visiones de la información, denominadas vistas, se pueden identificar de varias formas.

Estas visiones de la información, denominadas vistas, se pueden identificar de varias formas. El primer paso en el diseño de una base de datos es la producción del esquema conceptual. Normalmente, se construyen varios esquemas conceptuales, cada uno para representar las distintas visiones que los

Más detalles

ESTIMACIÓN. puntual y por intervalo

ESTIMACIÓN. puntual y por intervalo ESTIMACIÓN puntual y por intervalo ( ) Podemos conocer el comportamiento del ser humano? Podemos usar la información contenida en la muestra para tratar de adivinar algún aspecto de la población bajo estudio

Más detalles

TABLAS DE CONTINGENCIA (CROSS-TAB): BUSCANDO RELACIONES DE DEPENDENCIA ENTRE VARIABLES CATEGÓRICAS 1

TABLAS DE CONTINGENCIA (CROSS-TAB): BUSCANDO RELACIONES DE DEPENDENCIA ENTRE VARIABLES CATEGÓRICAS 1 TABLAS DE CONTINGENCIA (CROSS-TAB): BUSCANDO RELACIONES DE DEPENDENCIA ENTRE VARIABLES CATEGÓRICAS 1 rafael.dearce@uam.es El objeto de las tablas de contingencia es extraer información de cruce entre dos

Más detalles

RELACIÓN EJERCICIOS DEL CAPÍTULO 1. Intervalos de Confianza 1. La vida media de una muestra aleatoria de 10 focos es de 4.

RELACIÓN EJERCICIOS DEL CAPÍTULO 1. Intervalos de Confianza 1. La vida media de una muestra aleatoria de 10 focos es de 4. RELACIÓN EJERCICIOS DEL CAPÍTULO 1. Intervalos de Confianza 1. La vida media de una muestra aleatoria de 10 focos es de 4.000 horas, con una cuasidesviación típica muestral de 200 horas. Se supone que

Más detalles

MEDICION DEL TRABAJO

MEDICION DEL TRABAJO MEDICION DEL TRABAJO Habíamos dicho al comenzar el curso que habían 4 técnicas que permiten realizar una medición del trabajo 1 Técnicas Directas: - Estudio de tiempos con cronómetro - Muestreo del trabajo

Más detalles

Clase 8: Distribuciones Muestrales

Clase 8: Distribuciones Muestrales Clase 8: Distribuciones Muestrales Distribución Muestral La inferencia estadística trata básicamente con generalizaciones y predicciones. Por ejemplo, podemos afirmar, con base a opiniones de varias personas

Más detalles

Es de aplicación a todas aquellas situaciones en las que se necesita desplegar un objetivo para obtener una visión clara de cómo debe ser alcanzado.

Es de aplicación a todas aquellas situaciones en las que se necesita desplegar un objetivo para obtener una visión clara de cómo debe ser alcanzado. DIAGRAMA DE AÁRBOL 1.- INTRODUCCIÓN Este documento describe el proceso de construcción de un Diagrama de Árbol, mediante el cual se dispone de una metodología simple y sistemática para la identificación

Más detalles

3. ANÁLISIS ESTADÍSTICOS DE LAS PRECIPITACIONES EN EL MAR CASPIO

3. ANÁLISIS ESTADÍSTICOS DE LAS PRECIPITACIONES EN EL MAR CASPIO Análisis estadístico 31 3. ANÁLII ETADÍTICO DE LA PRECIPITACIONE EN EL MAR CAPIO 3.1. ANÁLII Y MÉTODO ETADÍTICO UTILIZADO 3.1.1. Introducción Una vez analizado el balance de masas que afecta al mar Caspio

Más detalles

TEMA I: INTRODUCCIÓN A LA ELECTRÓNICA DIGITAL

TEMA I: INTRODUCCIÓN A LA ELECTRÓNICA DIGITAL TEMA I: INTRODUCCIÓN A LA ELECTRÓNICA DIGITAL 1. Electrónica Digital Antes de empezar en el tema en cuestión, vamos a dar una posible definición de la disciplina que vamos a tratar, así como su ámbito

Más detalles

GESTIÓN DE ALARMAS EN LA PLANTA DE OLEFINAS DE TARRAGONA

GESTIÓN DE ALARMAS EN LA PLANTA DE OLEFINAS DE TARRAGONA GESTIÓN DE ALARMAS EN LA PLANTA DE OLEFINAS DE TARRAGONA Salvador Pérez Asturiano REPSOL PETRÓLEO, Refinería de Tarragona ABSTRACT En este artículo se presentan los trabajos realizados para mejorar la

Más detalles

Aplicaciones de Estadística Descriptiva

Aplicaciones de Estadística Descriptiva Aplicaciones de Estadística Descriptiva Contenidos de la presentación Funciones estadísticas en Excel. Gráficos. El módulo de análisis de datos y las tablas dinámicas de Excel. Información Intentaremos

Más detalles

Departamento de Economía Aplicada I FACULTAD DE CIENCIAS ECONÓMICAS Y EMPRESARIALES LICENCIATURA EN ADMINISTRACIÓN Y DIRECCIÓN DE EMPRESAS

Departamento de Economía Aplicada I FACULTAD DE CIENCIAS ECONÓMICAS Y EMPRESARIALES LICENCIATURA EN ADMINISTRACIÓN Y DIRECCIÓN DE EMPRESAS FACULTAD DE CIENCIAS ECONÓMICAS Y EMPRESARIALES LICENCIATURA EN ADMINISTRACIÓN Y DIRECCIÓN DE EMPRESAS ESTADÍSTICA I Relación de Ejercicios nº 4 PROBABILIDAD Curso 007-008 1) Describir el espacio muestral

Más detalles

INDICADORES POR ENCUESTA. Cuaderno Práctico -1 -

INDICADORES POR ENCUESTA. Cuaderno Práctico -1 - INDICADORES POR ENCUESTA Cuaderno Práctico -1 - ÍNDICE Elaboración del CUESTIONARIO...- 4 - Selección de la MUESTRA...- 5 - APLICACIÓN del cuestionario...- 7 - MECANIZACIÓN de datos...- 8 - Cálculo de

Más detalles

SEMINARIOS. (Problemas de exámenes de años anteriores) Estadística. 1º Grado en Informática

SEMINARIOS. (Problemas de exámenes de años anteriores) Estadística. 1º Grado en Informática SEMINARIOS (Problemas de exámenes de años anteriores) Estadística. 1º Grado en Informática Seminario de Estadística Descriptiva Unidimensional y Bidimensional 1. Se ha realizado un control de calidad en

Más detalles

[Guía del Participante]

[Guía del Participante] HERRAMIENTAS DE LA CALIDAD TOTAL [Guía del Participante] Unidad 1 Técnico Nivel Operativo Guía del Participante PRIMERA EDICIÓN Mayo 2014 Todos los derechos reservados. Esta publicación no puede ser reproducida

Más detalles

Control Estadístico de Procesos

Control Estadístico de Procesos Control Estadístico de Procesos Lic. Elda Monterroso UNLu Características de calidad Variables Características que se pueden medir (peso, longitud, temperatura, etc.) Pueden ser números enteros o fracciones

Más detalles

INTRODUCCION A LA CONTABILIDAD DE COSTES

INTRODUCCION A LA CONTABILIDAD DE COSTES INTRODUCCION A LA CONTABILIDAD DE COSTES PROYECTO REALIZADO POR: ENTIDAD GESTORA: COFINANCIADO POR: PROYECTO 1. Introducción REALIZADO POR: ENTIDAD GESTORA: COFINANCIADO POR: 1. INTRODUCCIÓN La contabilidad

Más detalles

www.fundibeq.org Además, se recomienda su uso como herramienta de trabajo dentro de las actividades habituales de gestión.

www.fundibeq.org Además, se recomienda su uso como herramienta de trabajo dentro de las actividades habituales de gestión. DISEÑO DE EXPERIMENTOS 1.- INTRODUCCIÓN Este documento trata de dar una visión muy simplificada de la utilidad y la utilización del Diseño de Experimentos. En él se explican los conceptos clave de esta

Más detalles

Imagen de Rosaura Ochoa con licencia Creative Commons

Imagen de Rosaura Ochoa con licencia Creative Commons Imagen de Rosaura Ochoa con licencia Creative Commons Durante el primer tema hemos aprendido a elaborar una encuesta. Una vez elaborada la encuesta necesitamos escoger a los individuos a los que se la

Más detalles

Manual de SPC (Statistical Process Control) Índice: SPC, Qué es? Herramientas estadísticas STATISTICAL PROCESS CONTROL. 1. Que es SPC?

Manual de SPC (Statistical Process Control) Índice: SPC, Qué es? Herramientas estadísticas STATISTICAL PROCESS CONTROL. 1. Que es SPC? Manual de SPC (Statistical Process Control) Índice: SPC, Qué es? Herramientas estadísticas STATISTICAL PROCESS CONTROL 1. Que es SPC? SPC (Statistical Process Control) por sus cifras en ingles, es la aplicación

Más detalles

Tema 2 Estadística Descriptiva

Tema 2 Estadística Descriptiva Estadística Descriptiva 1 Tipo de Variables 2 Tipo de variables La base de datos anterior contiene la información de 2700 individuos con 8 variables. Los datos provienen de una encuesta nacional realizada

Más detalles

Práctica de CONTROL DE CALIDAD Gráficos de control por variables e Índices de Capacidad

Práctica de CONTROL DE CALIDAD Gráficos de control por variables e Índices de Capacidad Práctica de CONTROL DE CALIDAD Gráficos de control por variables e Índices de Capacidad 1. Objetivos de la práctica Utilización de herramientas estadísticas para el Control de Procesos. En particular realizaremos:

Más detalles

Sistema de costos por procesos CAPITULO 9. Contabilidad y Decisiones Capitulo 9 José Manuel Palenque

Sistema de costos por procesos CAPITULO 9. Contabilidad y Decisiones Capitulo 9 José Manuel Palenque Sistema de costos por procesos CAPITULO 9 Este sistema es aplicable en aquellas industrias cuyos productos terminados requieren generalmente de largos procesos, pasando de un departamento a otro y corresponden

Más detalles

CONFERENCIA SEIS SIGMA CONTROL ESTADISTICO DE PROCESOS. Expositor M.Sc. Ing. Juan Pablo Hernández Flores

CONFERENCIA SEIS SIGMA CONTROL ESTADISTICO DE PROCESOS. Expositor M.Sc. Ing. Juan Pablo Hernández Flores CONFERENCIA SEIS SIGMA CONTROL ESTADISTICO DE PROCESOS Expositor M.Sc. Ing. Juan Pablo Hernández Flores BIENVENIDOS BIENVENIDOS TEMA CENTRAL Contenido: SEIS SIGMA Control Estadístico de Procesos Antecedentes

Más detalles

Calibración y control de calidad de instrumentos de análisis

Calibración y control de calidad de instrumentos de análisis Calibración y control de calidad de instrumentos de análisis cĺınico. María Cecilia San Román Rincón Monografía vinculada a la conferencia del Dr. Horacio Venturino sobre Instrumental para laboratorio

Más detalles

Ecuaciones de primer grado con dos incógnitas

Ecuaciones de primer grado con dos incógnitas Ecuaciones de primer grado con dos incógnitas Si decimos: "las edades de mis padres suman 120 años", podemos expresar esta frase algebraicamente de la siguiente forma: Entonces, Denominamos x a la edad

Más detalles

Tema 3: Variables aleatorias y vectores aleatorios bidimensionales

Tema 3: Variables aleatorias y vectores aleatorios bidimensionales Estadística 38 Tema 3: Variables aleatorias y vectores aleatorios bidimensionales El concepto de variable aleatoria surge de la necesidad de hacer más manejables matemáticamente los resultados de los experimentos

Más detalles

Tema 9 Estadística Matemáticas B 4º E.S.O. 1 TABLAS DE FRECUENCIAS Y REPRESENTACIONES GRÁFICAS EN VARIABLES DISCRETAS

Tema 9 Estadística Matemáticas B 4º E.S.O. 1 TABLAS DE FRECUENCIAS Y REPRESENTACIONES GRÁFICAS EN VARIABLES DISCRETAS Tema 9 Estadística Matemáticas B º E.S.O. TEMA 9 ESTADÍSTICA TABLAS DE FRECUENCIAS Y REPRESENTACIONES GRÁFICAS EN VARIABLES DISCRETAS EJERCICIO : En un grupo de personas hemos preguntado por el número

Más detalles

ESTRATEGIAS DE CÁLCULO MENTAL

ESTRATEGIAS DE CÁLCULO MENTAL ESTRATEGIAS DE CÁLCULO MENTAL El cálculo mental consiste en realizar cálculos matemáticos utilizando sólo el cerebro sin ayudas de otros instrumentos como calculadoras o incluso lápiz y papel. Las operaciones

Más detalles

DIAGRAMAS DE CONTROL TEORÍA GENERAL

DIAGRAMAS DE CONTROL TEORÍA GENERAL 1. DESARROLLO HISTÓRICO DIAGRAMAS DE CONTROL TEORÍA GENERAL 20 s Shewhart Primeros avances en el control estadístico de calidad. Segunda Guerra Mundial Se emplearon con mayor fuerza No se utilizaron Deming

Más detalles

FÍSICA LAB. donde s es la desviación estándar (ver la teoría o consultar con su jefe de trabajo prácticos).

FÍSICA LAB. donde s es la desviación estándar (ver la teoría o consultar con su jefe de trabajo prácticos). FÍSICA LAB. 1 ERRORES Una magnitud física es un atributo de un cuerpo, un fenómeno o sustancia, susceptible de ser medido. El error de una medición está asociado al concepto de incertidumbre en el resultado

Más detalles

DESIGUALDADES E INECUACIONES

DESIGUALDADES E INECUACIONES DESIGUALDAD DESIGUALDADES E INECUACIONES Para hablar de la NO IGUALDAD podemos utilizar varios términos o palabras. Como son: distinto y desigual. El término "DISTINTO" (signo ), no tiene apenas importancia

Más detalles

ESTADÍSTICA APLICADA A LA INVESTIGACIÓN EN SALUD Medidas de Tendencia Central y Dispersión

ESTADÍSTICA APLICADA A LA INVESTIGACIÓN EN SALUD Medidas de Tendencia Central y Dispersión Descargado desde www.medwave.cl el 13 Junio 2011 por iriabeth villanueva Medwave. Año XI, No. 3, Marzo 2011. ESTADÍSTICA APLICADA A LA INVESTIGACIÓN EN SALUD Medidas de Tendencia Central y Dispersión Autor:

Más detalles

Anexo 4. Herramientas Estadísticas

Anexo 4. Herramientas Estadísticas Anexo 4 Herramientas Estadísticas La estadística descriptiva es utilizada como una herramienta para describir y analizar las características de un conjunto de datos, así como las relaciones que existen

Más detalles

REPASO CONCEPTOS BÁSICOS DE ESTADÍSTICA. DISTRIBUCIÓN NORMAL.

REPASO CONCEPTOS BÁSICOS DE ESTADÍSTICA. DISTRIBUCIÓN NORMAL. REPASO COCEPTOS BÁSICOS DE ESTADÍSTICA. DISTRIBUCIÓ ORMAL. Éste es un breve repaso de conceptos básicos de estadística que se han visto en cursos anteriores y que son imprescindibles antes de acometer

Más detalles

LA DEFINICIÓN E IMPLANTACIÓN DE UN SISTEMA DE INDICADORES DE CALIDAD

LA DEFINICIÓN E IMPLANTACIÓN DE UN SISTEMA DE INDICADORES DE CALIDAD Página 1 de 1 Manual Guía para la Definición e Implantación de un Sistema de Indicadores de Calidad Página 2 de 2 ÍNDICE 1. Introducción pág. 3 2. Definiciones pág. 4 3. Tipos de indicadores de calidad

Más detalles

"CONTRASTES DE HIPÓTESIS" 4.4 Parte básica

CONTRASTES DE HIPÓTESIS 4.4 Parte básica 76 "CONTRASTES DE HIPÓTESIS" 4.4 Parte básica 77 4.4.1 Introducción a los contrastes de hipótesis La Inferencia Estadística consta de dos partes: Estimación y Contrastes de Hipótesis. La primera se ha

Más detalles

INFERENCIA ESTADÍSTICA. ESTIMACIÓN DE LA MEDIA

INFERENCIA ESTADÍSTICA. ESTIMACIÓN DE LA MEDIA 1 INFERENCIA ESTADÍSTICA. ESTIMACIÓN DE LA MEDIA Páginas 74-75 Lanzamiento de varios dados Comprobación de que: Desviación típica de n dados = (Desv. típica para un dado) / 1,71 n = 1,1 1,71 n = 3 0,98

Más detalles