Mostrando entradas con la etiqueta CALIDAD. Mostrar todas las entradas
Mostrando entradas con la etiqueta CALIDAD. Mostrar todas las entradas

domingo, 9 de agosto de 2009

HISTOGGRAMA 1RA PARTE

Histograma:
El cuadro anterior puede llevarse a un gráfico como sigue, dando lugar al Histograma:

•Medidores de tendencia central y de dispersión
Son varios los medidores de la tendencia central y de la dispersión de una serie de datos experimentales, de ellos estudiaremos los dos más frecuentes y útiles en Control de Calidad, estos son : la Media Aritmética , medidor de la tendencia central, y la Desviación Típica, medidor de la dispersión de los datos alrededor de la Media Aritmética.
El desarrollo de las fórmulas es materia que se entrega durante el desarrollo de las clases.
3.1 Media aritmética
Mide la tendencia central.
Se define como Media Aritmética al valor central producto del siguiente cálculo:

De donde deriva:
a) en la obra del autor: Estadística para Ingenieros y Técnicos del Inacap.
b) en el libro de Estadística de Murray Spieguel.
3.2 Desviación típica
Mide la dispersión de los valores con respecto al valor central.
Se define como desviación típica al valor que surge del siguiente cálculo:

pues f = n
Esta fórmula puede derivarse mediante sencillos cálculos a esta otra:

a) en la obra del autor: Estadística para Ingenieros y Técnicos del Inacap.
b) en el libro de Estadística de Murray Spieguel.


Método de cálculo por compilación:
X F U Fu fu2
22 3 -3 -9 27
31 5 -2 -10 20
40 9 -1 - 9 9
49 12 0 0 0
58 5 1 5 5
67 4 2 8 16
76 2 3 6 16
"fu = - 9 "fu2 = 95
Donde: c = 9 y A = 49
Media aritmética: 46,98 Desviación típica: 13.72
Este cálculo tiene un error como consecuencia de suponer a todos los datos dentro de cada clase como iguales.
Nota: Los decimales de las respuestas obtenidas, deberán guardar relación con los decimales que tengan los datos, sin embargo, cuando use las calculadoras deberá conservar en cada cálculo, todos los decimales que genera la calculadora, para luego aproximar la respuesta a la cantidad de decimales igual a los que tengan los datos, nunca menos. En particular en estos cálculos es costumbre usar uno o dos decimales más que los datos. Tampoco es correcto usar muchos decimales pues no tienen significado alguno.
• Ejercicios prácticos en clases:
Mediante la extracción de datos de una urna normal se construye la correspondiente distribución de frecuencias, el histograma, se calcula la Media Aritmética y la Desviación Típica.

Distribución Continua, o Distribución Gaussiana, o Distribución Normal
Comprensión del concepto de distribución continua, Distribución Normal.
Un histograma se construye a partir de un cierto número de datos. Pero ¿que le pasaría al histograma si continuamos aumentando el número de datos? Si el intervalo de clase se reduce poco a poco a medida que aumenta el número de datos, se obtiene una distribución de frecuencias continua, como límite de una distribución de frecuencia relativa. En realidad es una expresión de la población misma, puesto que se obtiene de un número infinito de datos.

Existen muchas clases de distribución, y una de las más frecuentes es la Distribución Normal. En muchos casos, cuando la variación de una característica de calidad es causada por la suma de un gran número de errores infinitesimales independientes debidos a diferentes factores, la distribución de la característica de calidad se aproxima a una distribución normal. La forma de la Distribución Normal puede describirse como la de una campana.
La siguiente figura muestra la forma de esta distribución:
Propiedades de la Distribución Normal
La curva característica queda determinada totalmente por dos parámetros:
Si bien en este curso no tenemos espacio para desarrollar el concepto de probabilidades, será necesario definir los siguientes puntos:
Un suceso es más o menos probable según la frecuencia con que ocurre. a mayor frecuencia de ocurrencia pasada será mayor la probabilidad de ocurrencia futura.
Los histogramas y los gráficos de frecuencia, también pueden interpretarse como gráficos de probabilidades de ocurrencia. En particular, la Campana de Gauss, o Curva Normal, es una función de probabilidades, y la superficie que se encierra debajo de la curva, y limitada por dos valores de x es directamente una medida de la probabilidad de ocurrencia de un suceso determinado.
Aceptando estos conceptos veremos como se puede hacer los cálculos partiendo dla Curva Normal. En primer término, la Curva Normal hay que transformarla en lo que se llama forma canónica, esto significa que el cero de las X irá al medio del gráfico. Para lograrlo se usa una variable llamada z y es:
Esta transformación hace que siempre el valor de la desviación típica, en una curva canónica, sea igual a uno, y el valor de z no es más que un dato medido en relación a su propia desviación. Esto hace que la curva tenga características muy particulares que veremos luego de los siguientes comentarios.
Esta variable depende de datos conocidos, es decir la media de la muestra y su desviación, por lo tanto para determinados valores de x, se hace el cálculo y las tablas dan la respuesta en términos de probabilidad de ocurrencia.
Este punto es muy importante pues de aquí parte todos los criterios de control del control de la calidad.
De todo esto se desprende lo siguiente:
La superficie, y por lo tanto la probabilidad de ocurrencia del suceso, vale:
68.27 % para una desviación típica a ambos lados del cero
95.45 % para dos desviaciones típicas a ambos lados del cero
99.73 % para tres desviaciones típicas a ambos lados del cero

De tablas leemos que para z = 1,2 es 0,3849, por lo tanto: Pr {0 " z " 1,2} = 0,3849 Esto significa que el área bajo la curva normal para z entre 0 y 1,2 es del 38.49%
b) Entre z = - 0.68 y z = 0

En tablas se lee para z = 0.68 es 0.2518 por lo tanto, Pr {-0,68 " z " 0} =0.2518 Esto significa que el área bajo la curva, para z= -0,68 y z=0 es el 25.18%
c) Entre z = - 0.46 y z 2.21

En tablas se lee que, para z = 0.46 es 0.1772 por lo tanto,
Pr {-0,46 " z " 0} =0.1772
Nótese que en la lectura se prescindió del signo menos.
Por otra parte, para z = 2.21 se lee 0.4864. Lo cual significa:
Pr {0 " z " 2.21} =0.4864

Para encontrar el área total debemos sumar ambos resultados: 0.1772+0.4864 = 0.6636
Esto significa que el área bajo la curva, para z=
- 0.46 y z=2.21 es del 66.36%
d) Entre z = 0.81 y z = 1.94
Para z = 0.81 es 0.2910 por lo tanto, Pr {0.81 " z " 0} =0.2910
Para z = 1.94 es 0.4738 esto es: Pr {0 " z " 1.94} =0.4738
Para encontrar el área entre los dos puntos elegidos, debemos restar ambos resultados: 0.4738 - 0.2910 = 0.1828

Esto significa que el área bajo la curva, para z= 0.81 y z=1.94 es del 18.28%
e) A la izquierda de z = - 0.6, esto significa, entre z = - " y z = - 0.6
Tener presente que desde z = - " y z = 0 la superficie bajo el área es 0.5000 (50%)

CONTROL DE CALIDAD ESTADISTICAS

Administración e ingeniería en sistemas

ESTUDIANTES
Esmeralda Santana Ariel Peralta

Control Estadístico de Proceso (Statistical Process Control o SPC) es un método efectivo para monitorizar un proceso a través del uso de gráficos de control.
Los gráficos de control, basándose en técnicas estadísticas, permiten usar criterios objetivos para distinguir variaciones de fondo de eventos de importancia. Casi toda su potencia está en la capacidad de monitorizar el centro del proceso y su variación alrededor del centro. Recopilando datos de mediciones en diferentes sitios en el proceso, se pueden detectar y corregir variaciones en el proceso que puedan afectar a la calidad del producto o servicio final, reduciendo desechos y evitando que los problemas lleguen al cliente final. Con su énfasis en la detección precoz y prevención de problemas, SPC tiene una clara ventaja frente a los métodos de calidad como inspección, que aplican recursos para detectar y corregir problemas al final del producto o servicio, cuando ya es demasiado tarde.
Además de reducir desechos, SPC puede tener como consecuencia una reducción del tiempo necesario para producir el producto o servicio. Esto es debido parcialmente a que la probabilidad de que el producto final se tenga que re-trabajar es menor, pero también puede ocurrir que al usar SPC, identifiquemos los cuellos de botella, paradas y otros tipos de esperas dentro del proceso. Reducciones del tiempo de ciclo del proceso relacionado con mejoras de rentabilidad han hecho del SPC una herramienta valiosa desde el punto de vista de la reducción de costes y de la satisfacción del cliente final.

Historia
En los años 1920s Walter A. Shewhart fue el primero en utilizar el Control Estadístico de Procesos. Después, W. Edwards Deming aplicó los métodos del SPC en los Estados Unidos durante La Segunda Guerra Mundial, mejorando con éxito la calidad en la producción de municiones y otros productos de importancia estratégica. Deming ha contribuido decisivamente a introducir los métodos del SPC en la industria japonesa después de la guerra.

Shewart creó la base para el gráfico de control y el concepto del control estadístico durante experimentos diseñados cuidadosamente. Mientras Dr. Shewhart se inspiraba en teorías matemáticas y estadísticas puras, descubrió que datos derivados de procesos físicos raramente producen una "curva de distribución normal" (una distribución gaussiana, también llamada "curva en campana"). Descubrió que las variaciones en los datos de producción no se comportan siempre de la misma manera que en la naturaleza (Movimiento browniano de partículas). El Dr. Shewhart concluyó que mientras cada proceso muestra una variación, algunos procesos muestran variaciones controladas naturales dentro del proceso (causas comunes de variación), mientras otros muestran variaciones descontroladas que no están siempre presentes en el proceso causal (causas especiales de variación).

General
La siguiente descripción se refiere más al sector industrial que al sector de servicios, aunque los principios de SPC se pueden aplicar a los dos sectores. Para una descripción y un ejemplo de cómo aplicar SPC al sector de servicios, refiérase a Roberts (2005). También se ha aplicado SPC con éxito para detectar cambios en el comportamiento organizativo con Detección de Cambios en Redes Sociales introducido por McCulloh (2007).

Tradicionalmente, en procesos de producción en masa, se controlaba la calidad de la pieza acabada mediante inspecciones del producto al final del proceso; aceptando o rechazando cada pieza (o muestras de producción) basándose en los criterios de especificaciones. La diferencia del Control del Proceso estadístico es que usa herramientas estadísticas para observar el rendimiento del proceso de producción para prever desviaciones importantes que pueda resultar en el producto rechazado.

Existen dos tipos de variaciones en todos los procesos industriales y ambas variaciones causan variaciones posteriores en el producto final. Las primeras son variaciones de causa natural o común y pueden ser variaciones en temperatura, especificaciones en materias primas o electricidad etc. Estas variaciones son pequeñas y normalmente están cerca del valor medio.

El modelo de variación sería similar a los modelos encontrados en la naturaleza y la distribución forma la curva de distribución normal (forma de campana). Las segundas son conocidas como causas especiales y suceden con menos frecuencia que las primeras.

Por ejemplo, una línea de producción de cajas de cereales puede estar diseñada para rellenar cada caja de cereales con 500 gramos de producto, pero algunas cajas pueden tener un poco más de 500 gramos, y otras pueden tener un poco menos, conforme a la distribución del peso neto. Si el proceso de producción, sus entradas, o su entorno cambia (por ejemplo, las máquinas de producción muestran señales de desgaste), esta distribución pueda cambiar. Por ejemplo, si las poleas se desgastan, la máquina que rellena las cajas con cereales puede empezar a introducir más cereales en cada caja que lo especificado. Si se permite continuar con este cambio sin estar controlado, se producirán más y más productos que no entran dentro de las tolerancias del fabricante o del consumidor, con el resultado de desechos. Mientras en este caso, el desecho está presente en la forma de producto “gratuito” para el consumidor, normalmente el desecho consiste en re-trabajo o chatarra.

Observando en el momento justo qué ha pasado en el proceso que ha provocado un cambio, el ingeniero de calidad o cualquier miembro del equipo que está como responsable de la línea de producción puede solucionar la causa principal de la variación que ha entrado en el proceso y se corrige el problema.

El SPC también indica cuándo se debe tomar una acción dentro de un proceso, pero indica también cuando NO se deben tomar acciones. Un ejemplo es una persona que le gustaría mantener un peso equilibrado y toma medidas de peso cada semana. Una persona que no entiende los conceptos del SPC pueda empezar una dieta cada vez que su peso incrementa, o comer más cada vez que su peso disminuye. Este tipo de acción puede ser perjudicial y puede generar más variación en peso. SPC se justifica en una variación del peso normal y una indicación mejorada de cuándo la persona está ganando o perdiendo peso.

Definición de la calidad
Definiremos dos aspectos de la calidad, la Calidad del Diseño y la Calidad del

Producto.
Entendemos por Calidad del Diseño al grado de concordancia entre el diseño y el fin para el cual fue creado, y por Calidad del Producto, al grado de conformidad entre el producto y su diseño.Los conceptos y métodos que veremos son aplicables al control de calidad del producto, y son, en general, métodos universales, es decir que valen para cualquier producto, ya sean cremas dentales, bebidas gaseosas, tractores, medicamentos o ampolletas.Un buen nivel de calidad implica un diseño correcto y un producto de acuerdo con su diseño.

El objetivo de los métodos estadísticos de control en los procesos.
Podríamos preguntarnos, ¿Qué es un producto defectuoso? o más concretamente, ¿Qué es un defecto?
Juran explica lo que es un defecto haciendo un juego de palabras:
“Un defecto es un defecto cuando todos estamos de acuerdo que es un defecto"
Definición tradicional:
Un defecto es el incumplimiento de una característica de calidad respecto de un límite especificado.
Pero, los límites especificados, los determinamos nosotros, previo acuerdo con las partes interesadas o involucradas en el proceso, luego, por carácter transitivo, vale la frase del insigne maestro del control de calidad, Dr. J. M. Juran.
Otra ilustre definición de lo que es un defecto, es la afirmación de Kahoru Ishikawa
, quien dice que un defecto es lo que causa insatisfacción al cliente.

¿Qué causa los productos defectuosos?
La respuesta universal a esta pregunta es: la variación
La variación en los materiales, en las condiciones de la máquina, en los métodos de trabajo y en las inspecciones. Estas variaciones son las causas de los productos defectuosos. Si no existiera ninguna de esas variaciones, todos los productos serían idénticos y no habría variaciones en la calidad, y no existiría la ocurrencia de productos defectuosos y no defectuosos.
¿Son todos los defectos iguales? ¿Debemos tratar a todos los defectos por igual?
El sentido común nos dice que no a las dos preguntas. No es lo mismo un defecto considerado leve como ser una imperfección superficial en la etiqueta de un producto, que una medida fuera de especificaciones en un repuesto para motor de automóviles que lo haga absolutamente inservible,Y consecuentemente, no será el mismo criterio para tolerar la presencia de ambos defectos, y eso dará paso a distintos planes de calidad según el tipo de defecto.

Clasificación de los defectos, muestrario de defectos.
Existen distintas maneras de clasificarlos. Aquí utilizaremos el siguiente:
Defectos críticos: son aquellos que violan leyes, agreden al consumidor o hacen inservible al producto.

Defectos mayores: producen una disminución en el correcto funcionamiento o utilización del producto y es notado por el consumidor.
Defectos menores: producen una disminución leve en el correcto funcionamiento o utilización del producto, probablemente no lo note el consumidor.

Pero si lo nota, el personal calificado de producción y de control de calidad,
Cada tipo de defecto será objeto de un estudio acabado por las partes interesadas y deberá finalizar en un muestrario de defectos, debidamente clasificado por tipo de defecto y firmado por las partes involucradas.
En todos los casos posibles deberá construirse el muestrario con defectos situados justo en los límites de aceptación o rechazo.

Distribuciones de frecuencia e Histogramas
Población y muestras
Una población es el total de las unidades que se consideran.
En esta población queremos investigar una característica para conocer su situación relativa con los valores del diseño.
Una muestra es una cantidad estadísticamente calculada de unidades de dicha población, cada unidad deberá ser extraída al azar.
La medición y cálculo de una determinada característica nos dará una estimación del verdadero valor en la población.
¿Cómo se distribuyen los valores de las variables que medimos? ¿Qué frecuencia tiene cada valor que la causa llamada "variación" nos entrega?
Tenemos claro que las variaciones nos producen distintas medidas de una variable, la pregunta es como se distribuyen.
En general siguen un comportamiento llamado gaussiano o normal.
De que se trata lo veremos más adelante pero por ahora nos alcanza con comprender que dicho comportamiento significa que los valores más cercanos al valor central, son los que más frecuentemente se repiten, y a medida que nos alejamos del valor central, la frecuencia baja dramáticamente.

La gráfica de este comportamiento tiene una forma de campana.
¿Que tipos de variables conocemos?
Existen dos tipos de variables a considerar, Variables Continuas y Variables Discretas.
Las variables continuas son aquellas que se miden y las variables discretas se cuentan.
Las primeras dan origen al control por variables y las segundas al control por atributos.
Las características de calidad que llamaremos variables son todas aquellas que podemos representar por una cifra. Por ejemplo, la medida de un perno, la resistencia de resistores de alambre, el contenido de cenizas en carbón, etc., etc.
Los atributos son aquellas características de calidad no mensurables, cuya dimensión en general no se puede representar con una cifra.
Como por ejemplo podemos tomar las imperfecciones visuales de las superficies de los productos, tales como manchas, diferencias de tono, aspectos de una soldadura, etc., etc.Por fin, debemos tener en cuenta, que tanto los procesos como los lotes terminados pueden ser inspeccionados por atributos o por variables.

Distribuciones de frecuencias.
Estudiemos el caso de control por variables, es decir estamos midiendo con un instrumento cuya resolución nos permite medir las variaciones que produce nuestro proceso.

Una vez que el inspector recibe la muestra tomada estadísticamente de la población a valorar, procede a las correspondientes mediciones de cada una de las muestras. Téngase presente que lo más probable es que en cada unidad se hagan varias mediciones por variables y por atributos.

Como resultado de esta acción tendremos una tabla de valores desordenados e incomprensibles. Lo primero que deberemos hacer es clasificarlas de menor a mayor, luego agruparlas en clases siguiendo algún criterio que nos permita acumular los datos dentro de clases, esto es dentro de valores que contengan varios de estos datos.

Tabla de valores experimentales:
38 47 54 61 26 35 28 48 53 44
32 52 46 42 63 35 50 38 35 57
49 68 47 45 65 45 25 19 56 58
44 73 50 40 46 76 40 64 36 42
Total, n: 40 datos
Valor mínimo: 19, valor máximo: 76
Rango, 76-19= 57
Número de clases: (cálculo empírico):
Raíz de 40 y se redondea: 6
Ancho de clase: 9
57 dividido 6 y se lleva al número impar más cercano: 9
El motivo por el cual conviene usar el ancho de clase como número impar es para que la marca de clase sea un número entero igual que los datos que se están estudiando. Si se utilizara un número par, el ancho de clase resulta con un decimal que habría que conservar hasta el final del cálculo y esto es fuente de errores.

Con estos datos procedemos a construir nuestro diagrama de frecuencias, el cual una vez finalizado tiene el siguiente diagrama:
LI LS Marca de Clase (mediana) (x)
18 26 22 ( 18 + 26 ) / 2
27 35 31
36 44 40
45 53 49
54 62 58
63 71 67
72 80 76
Una vez obtenido este cuadro procedemos al recuento y anotamos la frecuencia:

LI LS X recuento frecuencia
18 26 22 /// 3
27 35 31 //// 5
36 44 40 //// //// 9
45 53 49 //// //// // 12
54 62 58 //// 5
63 71 67 //// 4
72 80 76 // 2
total 40 40
Este cuadro es el diagrama de frecuencias obtenido de los 40 datos obtenidos como variables y agrupados convenientemente en clases, este recuento ya nos está informando de que es lo que pasa con esta variable.