Lean Sigma BB Medicion B

1
Programa de certificacin
de Black Belts
V. Seis Sigma Medicin
Parte B

P. Reyes / Abril 2010
2
V. Seis Sigma - Medicin
D. Estadstica bsica
1. Trminos bsicos
2. Teorema del lmite central
3. Estadstica descriptiva
Medidas de tendencia central
Medidas de dispersin
Funciones de densidad de probabilidad
Distribuciones de frecuencia y
Funciones acumulativas de distribucin
4. Mtodos grficos
5. Conclusiones estadsticas vlidas

3
E. Probabilidad
1. Distribuciones de probabilidad
2. Distribuciones de probabilidad discretas
Hipergeomtrica, Binomial, Poisson
3. Distribucin normal
4. Distribuciones muestrales
Chi Cuadrada, t de Student, F

5. Otras Distribuciones de probabilidad
Bivariada, Exponencial, Lognormal, Weibull

4
F. Capacidad de procesos
1. ndices de capacidad de procesos
2. ndices de desempeo de procesos

3. Capacidad a corto y a largo plazo
4. Capacidad de proceso de datos no normales

5. Capacidad de proceso para datos por atributos

6. Capacidad de procesos bajo Seis Sigma

5
V.D Estadstica bsica
6
V.D Estadstica bsica
1. Trminos bsicos

2. Teorema del lmite central

3. Estadstica descriptiva

4. Mtodos grficos

5. Conclusiones estadsticas vlidas
7
V.D.1 Trminos bsicos
La estadstica descriptiva nos proporciona mtodos
para organizar y resumir informacin, la estadstica
inferencial se usa para obtener conclusiones a partir de
una muestra

Por ejemplo, s deseamos saber el promedio de peso de las
personas en una poblacin tenemos dos opciones:

Pesar a todas y cada una de las personas, anotar y organizar los
datos, y calcular la media.

Pesar solo una porcin o subconjunto de la poblacin (muestra).
Registrar y organizar los datos y calcular la media de la muestra,
tomndola para pronosticar o Inferir la media de toda la
poblacin.
Estadstica
9
Poblacin y muestra
Poblacin: Es la coleccin de todos los elementos
(piezas, personas, etc.). En nuestro caso sera un
nmero infinito de mediciones de la caracterstica del
proceso bajo estudio.

Muestra: Es una parte o subconjunto
representativo de la poblacin, o sea un grupo de
mediciones de las caractersticas.

10
Estadsticos y parmetros
Estadstico: Es una medicin tomada en una muestra que
sirve para hacer inferencias en relacin con una poblacin
(media de la muestra, desviacin estndar de la muestra
se indican con letras latinas X, s, p).

Normalmente es una variable aleatoria y tiene asociada
una distribucin.

Parmetro: Es el valor verdadero en una poblacin
(media, desviacin estndar, se indican con letras griegas
t, , o)

11
Tipos de datos
Distribucin continua Una distribucin con un nmero
infinito de puntos de datos (variables) que pueden
mostrarse en una escala de medicin continua. Por
ejemplo: Distribuciones normal, uniforme, exponencial y
Webull

Distribucin discreta: Una distribucin que resulta de
datos contables (discretos) con un nmero finito de
valores posibles. Por ejemplo: Distribuciones binomial,
Poisson, hipergeomtrica.
12
V.D.2 Teorema del lmite central
13
Teorema del lmite central
La distribucin de las medias de las muestras tiende
a la normalidad independientemente de la forma de
la distribucin poblacional de la que sean obtenidas.
Es la base de las cartas de control X-R.

14
Teorema del lmite central
Por lo anterior la dispersin de las medias es menor
que para los datos individuales

Para las medias muestrales, el error estndar de la
media se relaciona con la desviacin estndar de la
poblacin como sigue:

X
X
s
n
o
=
Aplicacin del teorema
del lmite central
15
16
Teorema del Lmite Central
La distribucin de las medias de las muestras tienden a distribuirse en
forma normal

Por ejemplo los 300 datos (cuyo valor se encuentra entre 1 a 9)
pueden estar distribuidos como sigue:
0
10
20
30
40
50
1 2 3 4 5 6 7 8 9
Frec.

Poblacin con media y desviacin estndar o y cualquier distribucin.

Seleccionando muestras de tamao n y calculando la X-media o
promedio en cada una
X-media 1 X-media 2 X-media 3
Conforme el tamao de muestra se incrementa las muestras se
distribuyen normalmente con media de medias y desviacin estndar
de las medias de las muestras o / \n. Tambin
se denomina Error estndar de la media.
18
La distribucin de las medias de las muestras tienden a distribuirse en
forma normal

Tomando de muestras de 10 datos, calculando su promedio y graficando
estos promedios se tiene:
0
2
4
6
8
10
3.5 4 4.5 5 5.5 6 6.5
Frec.
19
DEFINICION
Es una ayuda grfica para el control de las variaciones de los
procesos administrativos y de manufactura.
Causa
especial
Causas
normales o
comunes
Cartas de Control
20
Variacin observada
en una Carta de Control
Una Carta de control es simplemente un registro de
datos en el tiempo con lmites de control superior e
inferior, diferentes a los lmites de especificacin.

El patrn normal de un proceso se llama causas de
variacin comunes.

El patrn anormal debido a eventos especiales se
llama causa especial de variacin.
21
Variacin Causas comunes
Lmite
inf. de
especs.
Lmite
sup. de
especs.
Objetivo
22
Variacin Causas especiales
Lmite
inf. de
especs.
Lmite
sup. de
especs.
Objetivo
Escuche la Voz del Proceso
Regin de control,
captura la variacin
natural del proceso
original
Causa Especial
identifcada
El proceso ha cambiado
TIEMPO
Tendencia del proceso
LSC
LIC
Aplicacin en la carta de control
M
E
D
I
D
A
S

C
A
L
I
D
A
D
24
Corridas
7 puntos consecutivos de un lado de X-media.

Puntos fuera de control
1 punto fuera de los lmites de control a 3 sigmas en cualquier
direccin (arriba o abajo).

Tendencia ascendente o descendente
7 puntos consecutivos aumentando o disminuyendo.

Adhesin a la media
15 puntos consecutivos dentro de la banda de 1 sigma del
centro.

Otros
2 de 3 puntos fuera de los lmites a dos sigma
Patrones Fuera de Control
25
Proceso en Control estadstico

Sucede cuando no se tienen situaciones anormales y
aproximadamente el 68% (dos tercios) de los puntos de
la carta se encuentran dentro del 1 o de las medias en
la carta de control.

Lo anterior equivale a tener el 68% de los puntos
dentro del tercio medio de la carta de control.

Patrn de Carta
en Control Estadstico
26
Aplicacin en Intervalos de confianza
Intervalo de confianza para la media:
A) Sigma conocida y n>30 (n es tamao de muestra)

B) Sigma desconocida y n<30, los grados de libertad
son gl = n-1.
2
2
X Z
n
X t
n
o
o
o
=
=
27
Aplicacin en Intervalos de confianza
Intervalo de confianza para proporciones y varianza:
Para proporciones, p es la proporcin y n>30

Para la varianza

2
(1 ) p p
p Z
n
o
t
=
2 2
2
2 2
, 1 1 , 1
2 2
( 1) ( 1)
n n
n s n s
o o
o
_ _

s s
28
V.D.3 Estadstica descriptiva
29
No existen en la naturaleza
dos cosas exactamente iguales,
ni siquiera los gemelos, por tanto la variacin es
inevitable y es analizada por la Estadstica
Estadstica Descriptiva
30
Estadstica descriptiva
La estadstica descriptiva incluye:

Medidas de dispersin

Funciones de densidad de probabilidad

Distribuciones de frecuencia y

Funciones acumulativas de distribucin
31
Representan las diferentes formas de caracterizar
el valor central de un conjunto de datos

Media muestral poblacional

=
n
xi
x

=
n
xi
Ejemplo 1: En un equipo de ftbol, una muestra de estaturas de sus integrantes son las
siguientes: 1.70,1.79,1.73,1.67,1.60,1.65,1.79,1.84,1.67,1.82, 1.74. Calcule la media.
73 . 1
11
19
= = =
n
xi
x
32
Mediana: es el valor medio cuando los datos se
arreglan en orden ascendente o descendente, en
el caso de n par, la mediana es la media entre los
valores intermedios
Ejemplo 2: Para el ejemplo anterior cual es la mediana?
Ordenando los datos de mayor a menor se obtiene:
1.60,1.65,1.67,1.67,1.70,1.73,1.74,1.79,1.79,1.82,1.84;
como tenemos 11 datos el nmero es non por lo que (n+1)/2 = 12/2 = 6, buscando el nmero
que ocupa la sexta posicin en los datos ordenados encontramos el valor de la mediana
73 . 1
~
= x
( ) | | ( )
2
1 2 2
~
+ +
=
n n
X
33
Moda: Valor que ms se repite, puede haber ms de una

Media acotada (Truncated Mean): Se elimina cierto
porcentaje de los valores ms altos y bajos de un
conjunto dado de datos (tomando nmeros enteros),
para los valores restantes se calcula la media.
34
35
36
Medidas de dispersin:
Rango: Es el valor mayor menos el valor menor de un
conjunto de datos

Por ejemplo para el conjunto de datos siguiente:
2.0,2.1,2.4,2.5,2.6,2.8,2.9,2.9,3.0,3.1,3.6,3.8,4.0,4.0
Su rango es R = 4.0 2.0 = 2.0
37

Varianza: es el promedio de las desviaciones al
cuadrado respecto a la media (n para poblacin y n-1
para muestra para eliminar el sesgo)

=
n
x xi
2
2
) (
o

=
1
) (
2
2
n
x xi
s
38
Coeficiente de variacin: es igual a la desviacin
estndar dividida por la media y se expresa en
porcentaje

) 100 ( var . .
X
s
CV iacin de e Coeficient = =
Por ejemplo si la media de tiempos de espera es de 78.7 y su desviacin estndar es 12.14, el CVt:
% 05 . 12 ) 100 (
7 . 78
14 . 12
= =
t
CV
Por otra parte si la media de salarios es de 10 y su desviacin estndar de 2, el CVs de salarios es:
% 20 ) 100 (
10
2
= =
s
CV
Por tanto la dispersin de los salarios es mayor que la de los tiempos de espera, es posible comparar
estas dispersiones con el CV aunque los dos conjuntos de datos sean completamente dismbolos.
Rango: Valor Mayor Valor menor

Coeficiente de variacin: (Desv. Estndar / Media )*100%,
Se usa para comparar datos en diferentes niveles de media o tipo. Por
ejemplo:

Material No. de Media Desviacin Coeficiente
Observaciones Aritmtica Estndar de Variacin
n s S
rel

A 160 1100 225 0,204
B 150 800 200 0,250

El Material A tiene una menor variabilidad relativa relativa que el material B

Error estndar de la Media: Es la desviacin estndar de las medias de las
muestras de mediciones, se representa como la desviacin estndar de
la poblacin entre la raz de n = nmero de mediciones por muestra.

Medidas de
Dispersin- Rango, CV
40
Funcin de densidad de probabilidad
El rea bajo la curva de densidad de probabilidad a la
izquierda de un valor dado x, es igual a la probabilidad
de la variable aleatoria en el eje x para X<= x

Para distribuciones continuas

Para distribuciones discretas

}

=1 ) ( ) ( x d x f

=
n
x f
0
1 ) (
41
Funcin de
densidad de
probabilidad
42
Funcin de distribucin acumulada

}

=
x
t d t f x F ) ( ) ( ) (
Funcin
de densidad
Funcin de
distribucin
acumulada
43
V.D.4 Mtodos grficos
44
Mtodos grficos
Se incluyen los mtodos siguientes:
Diagramas de caja
Diagramas de tallo y hojas
Diagramas de dispersin

Anlisis de patrones y tendencias

Histogramas
Distribuciones de probabilidad normales
Distribuciones de Weibull

45
Diagrama de caja
PERCENTILES, DECILES Y QUARTILES
Cada conjunto de datos ordenado tiene tres cuartiles que lo dividen en
cuatro partes iguales.

El primer cuartil es ese valor debajo del cual clasifica el 25% de las
observaciones y sobre el cual se encuentra el 75% restante.

El segundo cuartil divide a los datos a la mitad similar a la mediana.

El tercer cuartil es el valor debajo del cual se encuentra el 75% de las
observaciones.

Los deciles separan un conjunto de datos ordenado en 10 subconjuntos
iguales y los percentiles en 100 partes
46
Diagrama de caja
PERCENTILES, DECILES Y QUARTILES
La ubicacin de un percentil se encuentra en:

Donde:
Lp es el sitio del percentil deseado en una serie ordenada
n es el nmero de observaciones
P es el percentil deseado

100
) 1 (
P
n L
p
+ =
47
Diagrama de caja
Por ejemplo para los datos siguientes:
3 10 19 27 34 38 48 56 67 74
4 12 20 29 34 39 48 59 67 74
7 14 21 31 36 43 52 62 69 76
9 15 25 31 37 45 53 63 72 79
10 17 27 34 38 47 56 64 73 80
Diagrama de caja
La localizacin del percentil 35 se halla en:

O sea que el percentil 35 est al 85% del trayecto comprendido entre
la observacin 17 que es 29 y la observacin 18 que es 31 o sea
L35 = 29 + (0.85)(31-29) = 30.7. Por tanto el 35% de las
observaciones estn por debajo de 30.7 y el 65% restante por
encima de 30.7.

De la misma forma los percentiles 25, 50 y 75 proporcionan la
localizacin de los cuartiles Q1, Q2 y Q3 respectivamente.

Q1: es el nmero que representa al percentil 25

Q2 o Mediana: es el nmero que representa al percentil 50

Q3: es el nmero que representa al percentil 75 (hay 75% de los
datos por debajo de este).
Rango o Recorrido intercuartlico: es la diferencia entre Q1 y Q3.

85 . 17
100
35
) 1 50 (
35
= + = L
DEFINICION:
Es una ayuda grfica para ver la variabilidad de los datos.
Permite identificar la distribucin de los datos, muestra la
mediana, bases y extremos.

Mediana = dato intermedio entre un grupo de datos
ordenados en forma ascendente
Mediana
Valor
mnimo
Valor
mximo
Primer cuartil Tercer cuartil
Grficas de caja
50
Mtodos grficos
Diagramas de caja
Representan un resumen de los datos. La lnea media
es la mediana, los lados son el primer y tercer cuartil.
El mximo y el mnimo se dibuja como puntos al final
de las lneas (bigotes)

51
Mtodos grficos
Diagramas de tallo y hojas
El diagrama consiste del agrupamiento de los datos por
intervalos de clase, como tallos y los incrementos de
datos ms pequeos como hojas.
Hojas
Tallos
52
Mtodos grficos
Es una grfica de muchos puntos coordenados X-Y que
representan la relacin entre dos variables. Tambin se
denomina carta de correlacin. Se puede tomar la
variable dependiente para el eje Y y la dependiente en
el eje X.

La correlacin tiene las siguientes fuentes:
Una relacin de causa efecto
Una relacin entre dos causas
Una relacin entre una causa y dos o ms causas
53
Mtodos grficos
Positiva dbil Positiva fuerte Sin correlacin
Negativa fuerte Relaciones no lineales
54
Mtodos grficos
Coeficiente de correlacin
El coeficiente de correlacin r determina el grado de
asociacin entre dos variables X y Y
55
Mtodos grficos
Anlisis de correlacin
Busca descubrir relaciones, aplicar el sentido comn

La lnea de mejor ajuste es la lnea de regresin, sin
embargo un anlisis visual debiera ser suficiente para
identificar si hay o no hay relacin

Los diagramas de dispersin deben ser analizados
antes de tomar decisiones sobre correlacin estadstica
56
Mtodos grficos
Para visualizar el comportamiento de los datos en el
tiempo
Tendencia creciente Tendencia decreciente Corrida de proceso
Valores anormales Ciclos Variabilidad creciente
57
Mtodos grficos
Para visualizar el comportamiento de los datos en el
tiempo
Tendencia creciente
58
Histogramas
59
Mtodos grficos
Histogramas
Son grficas de columnas de frecuencia que muestran
una imagen esttica del comportamiento del proceso y
requieren un mnimo de 50 a 100 puntos

La frecuencia en cada barra o intervalo es el nmero
de puntos que caen dentro de ese intervalo

Un proceso estable muestra un histograma con forma
de campana unimodal, es predecible
60
Mtodos grficos
Histogramas
Un proceso inestable muestra un histograma que no
tiene una forma acampanada. Sin embargo los
procesos que siguen una distribucin exponencial,
lognormal, gamma, beta, Weibull, Poisson, binomial,
hipergeomtrica, geomtrica, etc. existen como
procesos estables

Cuando la distribucin es acampanada, la variacin
alrededor de la media es aleatoria, otras variaciones
son debidas a causas especiales o asignables.
61
DEFINICION
Un Histograma es la organizacin de un nmero de datos
muestra que nos permite visualizar al proceso de manera
objetiva.
Permite ver la distribucin que tienen los procesos de
manufactura y administrativos vs. especificaciones

Permiten ver la frecuencia con la que ocurren las cosas.

La variabilidad del proceso se representa por el ancho
del histograma, se mide en desviaciones estndar o o.
Un rango de 3o cubre el 99.73%.
Mtodos grficos
62
Histograma de Frecuencia
En un proceso estable las mediciones se distribuyen normalmente, a la
derecha y a la izquierda de la media adoptando la forma de una
campana.
TAMAO TAMAO
TAMAO
TAMAO
TAMAO
M
E
D
I
C
I
O
N
E
S

Media
M
E
D
I
C
I
O
N
E
S

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

Permite ver la distribucin de la frecuencia con la que ocurren las cosas en
los procesos de manufactura y administrativos.

La variabilidad del proceso se representa por el ancho del histograma, se
mide en desviaciones estndar o o, 3o cubre el 99.73%.
LSE LIE
Histograma de Frecuencia
Las distribuciones pueden variar en:
POSICIN AMPLITUD FORMA
O TENER CUALQUIER COMBINACION
Ejemplos de histogramas:
66
Histogramas con Datos agrupados
El Histograma es una grfica de las frecuencias que
presenta los diferentes datos o valores de mediciones
agrupados en celdas y su frecuencia.

Una tabla de frecuencias lista las categoras o clases de valores
con sus frecuencias correspondientes, por ejemplo:

CLASE FRECUENCIA
1-5 7
6-10 12
11-15 19
16-20 16
21-25 8
26-30 4

Definiciones - datos agrupados
Lmite inferior y superior de clase
Son los numeros ms pequeos y ms grandes de las clases (del
ejemplo, 1 y 5; 6 y 10; 11 y 15; 16 y 20; 21 y 25; 26 y 30)

Marcas de clase
Son los puntos medios de las clases (del ejemplo 3, 8, 13, 18, 23 y 28)

Fronteras de clase
Se obtienen al incrementar los lmites superiores de clase y al
decrementar los inferiores en una cantidad igual a la media de la
diferencia entre un lmite superior de clase y el siguiente lmite inferior
de clase (en el ejemplo, las fronteras de clase son 0.5, 5.5, 10.5, 15.5,
20.5, 25.5 y 30.5)

Ancho de clase
Es la diferencia entre dos lmites de clase inferiores consecutivas(en el
ejemplo, es 5).

Construccin del histograma - datos agrupados
Paso 1. Contar los datos (N)
Paso 2. Calcular el rango de los datos R = (Valor mayor- valor menor)

Paso 3. Seleccionar el nmero de columnas o celdas del histograma
(K). Como referencia si N = 1 a 50, K = 5 a 7; si N = 51 - 100; K = 6 - 10.
Tambin se utiliza el criterio K = Raz (N)

Paso 4. Dividir el rango por K para obtener el ancho de clase

Paso 5. Identificar el lmite inferior de clase ms conveniente y sumarle
el ancho de clase para formar todas las celdas necesarias

Paso 6. Tabular los datos dentro de las celdas de clase
Paso 7. Graficar el histograma y observar si tiene una forma normal
Ejemplo: Datos para histograma
Datos:

19 21 25 33 30 27 31 25 35

37 44 43 42 39 43 40 38 37

36 42 41 44 32 45 46 47 45

54 52 50 48 49 47 48 49 47

52 51 50 49 58 59 61 62 63

59 61 66 76 70

Ejemplo: Construccin del histograma
Paso 1. Nmero de datos N = 50

Paso 2. Rango R = 76 - 16 = 60

Paso 3. Nmero de celdas K = 6;

Paso 4. Ancho de clase = 60 / 6 = 10

Paso 5. Lm. de clase: 15-24, 25- 34, 35- 44, 45- 54, 55 - 64, 65-74, 75-94
Paso 6. Nmero de datos: 2 7 14 17 7 2 1
Marcas de clase 19.5 29.5 39.5 49.5 59.5 69.5 79.5

Paso 7. Graficar el histograma y observar si tiene una forma normal
71
Accesar el menu de anlisis de datos con HERRAMIENTAS,
ANALISIS DE DATOS, HISTOGRAMAS

Marcar los datos de entrada en RANGO DE ENTRADA, marcar el
rango de los lmites superiores de clase en RANGO DE CLASES,
indicar GRAFICA, marcar el rea de resultados con RANGO DE
SALIDA y obtener resultados y grfica

NOTA: Los datos deben estar en forma no agrupada, Excel forma los
grupos en forma automtica o se le pueden proporcionar los
lmites de las celdas.

Histograma en Excel
72
Construccin del histograma
0
2
4
6
8
10
12
14
16
18
15-
24
25-
34
35-
44
45-
54
55-
64
65-
75
Frec.
73
Rango: Valor Mayor Valor menor

Coeficiente de variacin: (Desv. Estndar / Media *100%
Se usa para comparar datos en diferentes niveles de media o tipo. Por
ejemplo:

Material No. de Media Desviacin Coeficiente
Observaciones Aritmtica Estndar de Variacin
n s S
rel

A 160 1100 225 0,204
B 150 800 200 0,250

El Material A tiene una menor variabilidad relativa relativa que el material B

Otras medidas de
Dispersin- Rango, CV
Media - Promedio numrico o centro de
gravedad del histograma

Clculo de la media - datos agrupados
- Usa todos los datos
- Le afectan los extremos
Donde,
Fi = Frecuencia de cada observacin
x
i
= Valor de cada marca de clase
Mediana - Es el valor que se encuentra en medio de
los datos

Moda - Es el valor que ms se repite

=
=
=
n
i
i
n
i
i i
F
X F
X
1
1
*
Desviacin Estndar - Datos agrupados

S es usada cuando los datos corresponden a una muestra de la poblacin

Nota: Cada Xi representa la marca de clase

o tpicamente es usada si se est considerando a toda la poblacin

NOTA: Para lo clculos con Excel, se puede utilizar el mismo mtodo
que para datos no agrupados, tomando como Xi los valores
de las marcas de clase.
| | ( )
1
/ * *
1
2
1
2
=

= =
n
n X F X F
s
n
i
i i
n
i
i i
| | ( )
n
n X F X F
n
i
i i
n
i
i i
/ * *
1
2
1
2
(
=

= =
o
76
Ejercicio de Histogramas
Datos:

6.40 6.39 6.41 6.39 6.40
6.39 6.40 6.37 6.40 6.38

6.42 6.38 6.40 6.38 6.41
6.40 6.41 6.41 6.43 6.39

6.41 6.35 6.39 6.41 6.43
6.38 6.40 6.42 6.37 6.40

6.37 6.43 6.43 6.39 6.42
6.40 6.42 6.39 6.42 6.38

6.42 6.40 6.38 6.45 6.41
6.39 6.44 6.36 6.44 6.36
77
V.D.5 Conclusiones estadsticas
vlidas
78
Estadstica descriptiva e inferencial
Estudios descriptivos enumerativos :
Los datos enumerativos son los que pueden ser
contados.

Para Deming:
En un Estudio enumerativo la accin se toma en el
universo.
En un estudio analtico la accin ser tomada en un
proceso para mejorar su desempeo futuro
79
Obteniendo conclusiones vlidas
Obtencin de conclusiones estadsticas vlidas
El objetivo de la estadstica inferencial es obtener
conclusiones acerca de las caractersticas de la
poblacin (parmetros o, , t) con base en la
informacin obtenida de muestras (estadsticos X,
s, r)

Los pasos de la estadstica inferencial son:
La inferencia
La evaluacin de su validez
80
Definir el objetivo del problema en forma precisa

Decidir si el problema se evaluar con una o dos colas

Formular una hiptesis nula y la alterna

Seleccionar una distribucin de prueba y un valor
crtico del estadstico reflejado el grado de
incertidumbre que puede ser tolerado (alfa, riesgo)
81
Calcular el valor del estadstico de prueba con la
informacin de la muestra

Comparar el valor del estadstico calculado vs su valor
crtico y tomar una decisin de rechazar o no rechazar
la hiptesis nula

Comunicar los hallazgos a las partes interesadas
82
Hiptesis nula a ser probada (Ho) y alterna (Ha)

La hiptesis nula puede ser rechazada o no ser
rechazada no puede ser aceptada

La hiptesis alterna incluye todas las posibilidades
que no estn en la nula y se designa con H1 o Ha.

Ho: Ya = Yb Ha: Ya = Yb Prueba de dos colas
Ho: A > B Ha: A<B Prueba de cola izquierda
83
Estadstico de prueba:
Para probar la hiptesis nula sobre un parmetro
poblacional, se debe calcular un estadstico de
prueba de la informacin de la muestra

El estadstico de prueba se compara con un valor
crtico apropiado

Se toma una decisin de rechazar o no rechazar la
hiptesis nula
84
Tipos de errores:
Error tipo I: resulta cuando se rechaza Ho siendo
verdadera, se denomina como alfa o riesgo del
productor

Error tipo II: resulta cuando no se rechaza Ho siendo
que es falsa, es denominado beta o riesgo del
consumidor

Incrementando el tamao de muestra se reducen alfa
y beta. Alfa es normalmente 5%. Alfa y beta son
inversamente relativos
85
Estudios enumerativos y analticos:
Los datos enumerativos pueden ser contados. Las
pruebas de hiptesis utilizadas son la Chi cuadrada,
binomial y de Poisson.

Deming: en los estudios enumerativos las acciones
se toman en el universo.

Deming: en los estudios analticos se toma accin
en un proceso para mejorar su desempeo futuro
86
V.E Probabilidad
V. E Probabilidad
1. Conceptos bsicos

2. Distribuciones utilizadas normalmente

3. Otras distribuciones
87
88
V.E.1 Conceptos bsicos
89
Conceptos bsicos
Introduccin:
Diferencia entre experimento deterministico y
aleatorio (estocastico).
Deterministico. Se obtienen el mismo resultado, con
condiciones experimentales similares
La cada de un cuerpo
Aleatorio. Se obtienen distintos resultados , aunque se
repitan en condiciones similares.
Tiempo de vida de un componente elctrico
90
Conceptos relacionados
a experimentos aleatorios:
Variable aleatoria. Es el nombre Que se le da a la
caracterstica (s) de inters observada en un
experimento. Dicha variable es denotada por letras
maysculas. Pueden ser Continuas o Discretas.

Espacio muestra. Es el conjunto de todos los posibles
valores Que toma una variable aleatoria en un
experimento. Puede ser finito o infinito.

Evento. Puede ser uno o una combinacin de los valores
Que toma una variable aleatoria
91
Espacio Muestral
Consiste en todos los posibles resultados de un experimento.
Para el lanzamiento de una moneda es (A,S).
92
Probabilidad histrica o frecuentista.

Una forma de conocer algo acerca del comportamiento de
una variable aleatoria es conociendo como se comporto en
el pasado.
Note Que si un experimento se realizo un gran numero de
veces, N, y la se observo Que en n veces suceda el evento
A, entonces n/N es un estimacin razonable de la
proporcin de tiempos Que el evento A suceder en el
futuro. Para un gran numero de experimentos N, se puede
interpretar dicha proporcin como la probabilidad de del
evento A.
P EventoA
n
N
N
( ) lim =

93
Ejemplo
p
r
o
b
a
b
i
l
i
d
a
d

d
e

c
a
r
a
s

n
0 500 1000
0
.5
1
en los 1900-s , Karl Pearson lanzo una moneda 24,000 veces y obtuvo
12,012 caras, dando una proporcin de 0.5005.
Definicin Clsica de Probabilidad.
La probabilidad de un evento A, puede ser calculada mediante la
relacin de el numero de respuestas en favor de A, y el numero
total de resultados posibles en un experimento.
P EventoA
Favorable A
Total resultados
( )
#
#
=
Note Que para las dos definiciones dadas de
probabilidad esta ser un numero entre 0 y 1.
Ejemplo 1. Se observa si 3 artculos tienen defecto o no , con defecto
(m) o sin defecto (v).
S={vvv,mvv,vmv,vvm,vmm,mvm,mmv,mmm} es el espacio muestral .
Asociada a este espacio muestral se puede definir la variable aleatoria
X=# de defectos, la cual toma los valores {0,1,2,3}
95
Conceptos bsicos
Principios bsicos:
La probabilidad de un evento varia entre 0 y 1 (xito)
Un evento simple no puede descomponerse
El conjunto de resultados posibles del experimento se
denomina espacio muestral
La suma de las probabilidades en el espacio muestra es 1
Si se repite un experimento un gran nmero de veces N y
el evento E es observado nE veces, la probabilidad de E es
aproximadamente:
( )
E
n
P E
N
=
96
Conceptos bsicos
Eventos compuestos (conjunto de dos o ms
eventos):
La unin de A o B contiene elementos de A o de B

La interseccin de A y B contiene elementos comunes
que se localizan al mismo tiempo en A y en B
Leyes de probabilidades
1. En un experimento, si P(A) e la probabilidad de un
evento A, entonces la probabilidad de Que no suceda A es:
P A P A ( ) ( ) = 1
2. En un experimento, si A y B son dos eventos mutuamente
excluyentes entonces la probabilidad de Que ocurra A o el
evento B es
P A o B P A P B ( ) ( ) ( ) = +
Para el caso de dos eventos A y B Que no son
mutuamente excluyentes.
P A o B P A P B P AyB ( ) ( ) ( ) ( ) = +

A las dos ecuaciones se les conoce como
Leyes de adicin de probabilidad
98
Reglas de la probabilidad
Ley de la Adicin
Si 2 eventos A y B no son mutuamente excluyentes, entonces la
probabilidad que el evento A o el evento B ocurra es:

Ley de la Multiplicacin
probabilidad que ambos A y B ocurran es (A y B dependientes)

Cuando los eventos A y B son independientes, entonces P(A|B)
= P(A) y

P(AB) P(B) P(A) B) or P(A + =
A)P(A) | P(B B)P(B) | P(A P(AB) = =
P(A)P(B) P(AB) =
99
Probabilidades de Eventos

1. P(E) > 0
2. P(S) = 1
3. Si E
1
,En son mutuamente disjuntos
entonces
= =
=
|
.
|
\
|
n
i
i
n
i
i
E P E P
1 1
) (

Resultados
1. Si A _ B entonces P(A) s P(B)

2. Si P(E
c
)=1-P(E)

3. P(AB) = P(A) + P(B) P(AB)

4. Si B
1
B
2
B
n
= S entonces
=
=
n
i
i
B E P E P
1
) ( ) (

Permutaciones
Definicin.
Un arreglo ordenado de r objetos diferentes es llamado
una permutacin .
El numero resultante de ordenar n objetos diferentes
tomando r a la vez ser representado por el smbolo
n
r
P
Antes revisemos el concepto de factorial !!!!!!
Considere el siguiente caso: Hay 3 libros: Uno de Historia (H),
Uno de Fsica (F), Otro de Matemticas (M). Note Que existen 6
formas de acomodar dichos libros.
{ HFM, HMF, FHM, FMH, MHF, MFH } Aqu importa el orden
3*2*1=6
101
Diagramas de rbol
En casos simples resultan tiles los diagramas de rbol para enumerar
objetos en forma sistemtica.
Ejemplo: Se desea conocer todas las formas posibles de hacer un
experimento que consiste en 4 componentes de auto a {L1, L2, L3, L4},
entonces cada componente es sometido a tres diferentes temperaturas
de {A1, A2, A3} hasta que se obtiene una falla.
L2
L3
L4
L1
A1
A1
A1
A2
A2
A2
A3
A3
A3
A2
A1
A3
12 tratamientos
102
El numero de formas de ordenar n objetos distintos en n
lugares diferentes es :
n n n n ! ( )( )...( )( ) = 1 2 2 1
n! se lee como n factorial
Que pasa cuando tenemos solo r lugares para acomodar
n objetos, tal Que n es mayor o igual que r?
En este caso el numero de arreglos resulta ser:
n n n n r n r P
P
n
n r
r
n
r
n
( )( )...( [ ])( [ ])
!
( )!
=
=
1 2 2 1
103
Ejemplo: Suponga que a un grupo de motores se les aplicara un
tratamiento que consiste en dos aplicaciones de diferentes
intensidades de presin. Hay 10 diferentes intensidades y el orden
de administrar las intensidades es importante, cuantos motores
se ocupan si cada tratamiento se tiene que llevar a cabo?.
10 intensidades (i1,i2,,i10 ) y 2 aplicaciones.
Nos interesa contar los pares (i1,12),(i1,i3),..

P
2
1 0
1 0 !
8 !
9 0 = = .
104
Combinaciones
Una combinacin es un arreglo de distintos elementos , en donde
una combinacin difiere de otra solamente si el contenido del arreglo
es distinto.
!! En este caso no es importante el orden de
los objetos !!
Definicin. (Combinaciones).
El numero de combinaciones de n objetos tomando r a la vez es el
numero de maneras de formar un subconjunto de tamao r de los n
objetos. Esto se denota como:
n
r
n
C
r
| |
=
|
\ .
105
C
n
r
P
r
n
r n r
r
n r
n
=
|
\
|
.
| = =
!
!
!( ) !
Teorema 2.
Ejemplo: En un lote de produccin 100 chips de
computadora, un comprador desea adquirir 10 chips,
de cuantas formas se pueden seleccionar 10 chips
de ese lote?.

C
n
r
n
r n r
r
n
=
|
\
|
.
| =
!
!( )! )!
100!
10!(100 10
106
V.E.2 Distribuciones de
probabilidad
107
Distribuciones usadas
por los Black Belts
2. Distribuciones de probabilidad discretas
Hipergeomtrica, Binomial, Poisson
3. Distribucin normal
Chi Cuadrada, t de Student, F

5. Otras Distribuciones de probabilidad
Exponencial, Lognormal, Weibull
108
109
Tipos de variables aleatorias
Tipos de variables aleatorias
Discretas

Continuas
Variable aleatoria: Es aquella funcin que a cada
resultado posible de un experimento le asocia un numero
real.
Se denotan con letras Maysculas: X,Y,Z,etc....
110
Variables aleatorias discretas
Es aquella variable que nicamente toma valores
susceptibles de contarse.
Ejemplo 1: Considere el experimento de tomar al azar una
ficha de asistencia de un numero de empleados. Sea X la
variable numero de ausencias al ao de un empleado. Note
que X toma valores 0,1,2,...,250.

Ejemplo 2: Considere un experimento que consiste en
medir el numero de artculos defectos de un lote de
producto. Si Y es la variable numero de defectos , toma
valores 0,1,2,...

111
Distribuciones y funciones de
probabilidad
Toda variable aleatoria tiene asociada una funcin de
probabilidades
Ejemplo : Se lanzan dos monedas y observamos el
numero Y de caras.

Espacio muestral:{a, as, sa, ss}
Y toma valores 0,1,2.

112
Funcin de probabilidades para Y.
y P(Y=y)
0 1/4
1 1/2
2 1/4
-0.2 0.3 0.8 1.3 1.8
y
0.26
0.31
0.36
0.41
0.46
0.51
p

Grfica
Y
P(Y=y)
113
La distribucin de probabilidades puede ser una Tabla, una
Grfica o una formula.
Formula para la distribucin de
probabilidades de la tabla anterior
y y
y
y Y P y P ) 5 (. ) 5 (.
3
) ( ) (
3
|
|
.
|
\
|
= = =
114
Requisitos para una distribucin
de probabilidad discreta
) ( ) (
). ( . 2
1 ) ( 0 . 1
x X P x f
y P
y P
X
y
toda
= =
s s
En algunas ocasiones la notacin

usada es:
115
Funciones de distribucin acumulativa
La funcin de distribucin de probabilidades
acumulativa es calcula sumando las probabilidades obtenidas
hasta un determinado valor de la variable aleatoria.
) ( ) ( x X P x F
X
s =
Esta funcin tiene propiedades.
0 ) (
1 ) (
1 ) ( 0
=
=
s s

x F Lim
x F Lim
x F
x
x
116
Funcin de distribucin acumulativa para Y=#de caras
-0.2 0.3 0.8 1.3 1.8
y
0.3
0.5
0.7
0.9
F
(
x
)

0 1 2
117
Valor Esperado o Media de una
variable aleatoria discreta
La media o valor esperado de una variable aleatoria
discreta X , denotada como o E(X), es
X

= = = =
x x
X X
x X xP x xf X E ) ( ) ( ) (
La media es el centro de la masa del rango de los
valores de X.
118
Calculo de la media para la variable de No. De defectos
X
215 . 0
0 4 003 . 0 3 014 . 0 2 178 . 0 1 805 . 0 0
) (
4
0
=
+ + + + =
= = =
= x
X
X X xP
En este caso note que esta media no toma un valor entero
como X
119
0 1 2 3 4
x
0.0
0.2
0.4
0.6
0.8
p
r
o
b
Media
X
120
Ejercicio:
La demanda de un producto es -1,0,1,2 por dia (-1
significa devolucin). Con probabilidades dadas por
1/5,1/10,2/5,3/10. Calcular la demanda esperada.
X
121
Varianza de una variable aleatoria
Sea Y una variable aleatoria discreta con distribucin de
probabilidades P(X=x). Entonces , la varianza de Y es:
= = =
x
X X X
x X P x X E ) ( ) ( ] ) [(
2 2
2
o
Medida de dispersin
122
2147 . 0
0 ) 215 . 0 4 ( 003 . 0 ) 215 . 0 3 (
014 . 0 ) 215 . 0 2 (
178 . 0 ) 215 . 0 1 ( 805 . 0 ) 215 . 0 0 (
) ( ) (
2 2
2
2 2
2
2
=
+ +
+ +
+ =
= =
x
X X
x X P x o
123
La desviacin estndar de una variable aleatoria es
simplemente la raz cuadrada de la varianza
2
X X
o o =
124
2. Distribuciones de
probabilidad discretas
125
Distribuciones Discretas
Uniforme discreta.
La variable aleatoria toma un numero finito
de n valores , cada uno con igual
probabilidad.
n
x X P x f
1
) ( ) ( = = =
126
0 2 4 6 8 1e+001
x
0.05
0.07
0.09
0.11
0.13
0.15
p
r
o
b
Uniforme discreta con n=10
127
12
1
2
) 1 (
2
2
=
+
=
n
n
X
X
o
La media y varianza de la distribucin

Uniforme discreta son:
Aplicaciones
128
Distribucin hipergeomtrica
Se aplica cuando la muestra (n) es una porporcin
relativamente grande en relacin con la poblacin (n >
0.1N).
El muestreo se hace sin reemplazo

P(x,N,n,D) es la probabilidad de exactamente x xitos
en una muestra de n elementos tomados de una
poblacin de tamao N que contiene D xitos. La
funcin de densidad de distribucin hipergeomtrica:

N
n
D N
x n
D
x
C
C C
x P
= ) (
)! ( !
!
x n x
n
C
n
x
=
129
La media y la varianza de la distribucin
hipergeomtrica son:
N
nD
=
|
.
|
\
|
|
.
|
\
|
|
.
|
\
|
=
1
1
2
N
n N
N
D
N
nD
o
130
Ejemplo:
De un grupo de 20 productos, 10 se seleccionan al
azar para prueba. Cul es la probabilidad de que 10
productos seleccionados contengan 5 productos
buenos? Los productos defectivos son 5 en el lote.

N = 20, n = 10, D = 5, (N-D) = 15, x = 5

P(x=5) = 0.0183 = 1.83%
0183 . 0
! 10 ! 10
! 20
! 10 ! 5
! 15
! 0 ! 5
! 5
) 5 ( =
|
.
|
\
|
|
.
|
\
|
= P
131
Distribucin Binomial
Ensayo Bernoulli. Es un experimento aleatorio que solo
tiene dos resultados. xito o fracaso.
Donde la probabilidad de xito se denota por p
Suponga se realizan n experimentos Bernoulli
independientes.
Suponga que la variable X de inters es el numero de
xitos.
X toma valores 0,1,2,...,n
132
Distribucin binomial
Se utiliza para modelar datos discretos y se aplica
para poblaciones grandes (N>50) y muestras
pequeas (n<0.1N).
El muestreo binomial es con reemplazamiento.
Es apropiada cuando la proporcin defectiva es
mayor o igual a 0.1.
La binomial es una aproximacin de la
hipergeomtrica
La distribucin normal se paroxima a la binomial
cuando np > 5
133
n x p p
x
n
x X P x f
x n x
,..., 1 , 0 ) 1 ( ) ( ) ( =
|
|
.
|
\
|
= = =
La variable aleatoria X tiene una distribucin binomial

) 1 ( ) (
) (
2
p np X V
np X E
X
X
= =
= =
o
Tiene media y varianza.

134
Distribucin de Poisson
Se utiliza para modelar datos discretos
Se aproxima a la binomial cuando p es igual o menor
a 0.1, y el tamao de muestra es grande (n > 16)
por tanto np < 5

135
Distribucin de Poisson
Una Variable aleatoria X tiene distribucin Poisson si
toma probabilidades con.
,... 1 , 0
!
) ( = =
x
x
e
x f
x
p n
p n
= =
=
o
136
3. La Distribucin Normal
Los primeros industriales frecuentemente se basaban en el
conocimiento de limites normales para clasificar artculos o
procesos como correctos o de otro modo.
Por ejemplo, el colesterol arriba de 250 mg/dl es ampliamente
conocido que incrementa el riesgo de un paro cardiaco. Una
determinacin precisa - pudiera ser asunto de vida o muerte.
Sin embargo , no todas las variables son normales. Por
ejemplo: urea y ph
IMPORTANCIA DE LA DISTRIBUCIN NORMAL
Abraham Simon de Carl Francis
de Moivre Laplace Gauss Galton
CARACTERISTICAS DE UNA
DISTRIBUCIN NORMAL
La distribucin normal es simtrica alrededor de su
media.
Es asintotica - la curva se acerca a eje x pero nunca lo
toca.
La curva normal es acampanada y tiene un solo pico en
toda la distribucin.

La media, mediana, y moda de la distribucin son las
mismas y estn localizadas en el pico.

La mitad del rea de la curva esta arriba del punto central
(pico), y la otra mitad esta abajo.
CARACTERISTICAS DE UNA DISTRIBUCION NORMAL
Tericamente, la
curva se extiende a
- infinito
Tericamente, la
curva se extiende a
+ infinito
Media, mediana, y
moda son iguales
Cola
Cola
La Normal is simtrica -
-
140
141
f t
t
( ) e x p =
|
\
|
.
|
(
1
2
1
2
2
o t
o
Distribucin de
la Funcin Normal
Funcin de Densidad de Probabilidad Normal
Distribucin Normal
= 500
o = 30
o = 50
o = 70
0.0000
0.0020
0.0040
0.0060
0.0080
0.0100
0.0120
0.0140
200 400 600 800 1000
Tiempo
f
(
t
)

Curvas Normales con Medias iguales pero
Desviaciones estndar diferentes
= 20
o = 3.1
o = 3.9
o = 5.0
Normales con Medias y
Desviaciones estndar diferentes
= 5, o = 3
= 9, o = 6
= 14, o = 10
144
La distribucin Normal estndar
La distribucin normal estndar es una distribucin de
probabilidad que tiene media 0 y desviacin estndar de 1.

El rea bajo la curva o la probabilidad desde menos infinito a
ms infinito vale 1.

La distribucin normal es simtrica, es decir cada mitad de curva
tiene un rea de 0.5.

La escala horizontal de la curva se mide en desviaciones
estndar, su nmero se describe con Z.

Para cada valor Z se asigna una probabilidad o rea bajo la curva
mostrada en la Tabla de distribucin normal
145
Las distribuciones pueden variar en:
POSICIN AMPLITUD FORMA
O TENER CUALQUIER COMBINACION
146
x x+s x+2s x+3s x-s x-2s x-3s
X
3o 2o o +o +2o +3o
Para la poblacin - se incluyen TODOS los datos
Para la muestra
La Distribucin Normal
147
z
0 1 2 3 -1 -2 -3
x x+o x+2o x+o3 x-o x-2o x-3o
X
La desviacin estndar
sigma representa la
distancia de la media al
punto de inflexin de la
curva normal
La Distribucin Normal Estndar
Alrededor de 68 % del area bajo la curva normal
est entre ms una y menos una desviacin
estndar de la media. Esto puede ser escrito como:
m 1s.
Cerca del 95 % del rea bajo la normal est entre
ms y menos 2 desviaciones estndar de la media,
m 2s.
Prcticamente toda (99.74 %) el rea bajo la normal
esta entre 3 desviaciones de la media m 3s.
AREA BAJO LA CURVA NORMAL
149
Distribucin normal estndar con media = 0 y desviacin estndar =
1: Para Z = (X - Xmedia )/ s
1. rea desde menos infinito a un valor de Z se obtiene como sigue:
- Colocarse en una celda vaca
- Accesar el men de funciones con Fx, ESTADSTICAS,
DISTR.NORM.ESTAND, dar valor de Z y obtener el rea requerida
Z
Area

2. Un valor de Z especfico para una cierta rea (por ejemplo 0.05)
se obtiene como sigue:
- Accesar el men de funciones con Fx, ESTADSTICAS, o
DISTR.NORM.ESTAND.INV, dar valor del rea y se obtiene la Z

Clculos con Excel Dist. Normal Estndar
+1o +2o +3o 1o 2o
+3o
Entre:

1. 68.26%

2. 95.44%

3. 99.97%
151
68%
34% 34%
95%
99.73%
+1s
+2s
+3s
Caractersticas de la Distribucin Normal
El valor de Z
Determina el nmero de desviaciones estndar
entre algn valor x y la media de la poblacin, mu
Donde sigma es la desviacin estndar de la
poblacin.

En Excel usar Fx, ESTADISTICAS, NORMALIZACIN,
para calcular el valor de Z
z = x -
68%
34% 34%
95%
68
%
99.73%
68%
2.356% 2.356%
Proceso con media =100
y desviacin estndar = 10
70 80 90 100 110 120 130
90 110
80 120
70 130
154
reas bajo la curva normal
Distribucin normal estndar con media = 0 y desviacin estndar =
1: Para Z = (X - Xmedia )/ s
1. rea desde menos infinito a un valor de Z se obtiene como sigue:
DISTR.NORM.ESTAND, dar valor de Z y obtener el rea requerida
Z
Area

2. Un valor de Z especfico para una cierta rea (por ejemplo 0.05)
se obtiene como sigue:
- Accesar el men de funciones con Fx, ESTADSTICAS, o
DISTR.NORM.ESTAND.INV, dar valor del rea y se obtiene la Z

Clculos con Excel Dist. Normal Estndar
Distribucin normal, dadas una media y desviacin estndar:
1. rea desde menos infinito a X se obtiene como sigue:
- Accesar el men de funciones con Fx, ESTADSTICAS, DISTR.NORM,
dar el valor de X, Media, Desviacin Estndar s, VERDADERO y se
obtendr el rea requerida
X
Area

2. Un valor de X especfico para una cierta rea (por ejemplo 0.05) se
obtiene como sigue:
DISTR.NORM.INV, dar el valor del rea, Media y Desviacin Estndar
y se obtendr el valor de la X

Clculos con Excel Distr. Normal
1. Identificar la variable de inters.
2. Identificar los parmetros de la variable (su media y
desv. estndar).
3. Cual es la pregunta rea bajo la curva de
probabilidad normal?
4. Convertir los valores a la distribucin normal estndar
(estandarizacin Z = (X-Media)/S) .
5. Encuentre la probabilidad en tabla de la normal
estndar o por Excel.
Calculo de Probabilidades normales
El agua usada diariamente por persona en Mxico est
distribuida normalmente con media 20 litros y una
desviacin de 5 lts..

Entre que valores cae cerca del 68% el agua usada
por una persona en Mexico?

m 1s = 20 1(5). Esto es, cerca del 68% de la
cantidad usada por persona cae entre 15 lts. y 25 lts..

De manera similar para 95% y 99%, el intervalo ser
de 10 lts a 30 lts y 5 lts a 35 lts.
Ejemplo
El agua usada diariamente por persona en Mxico es
distribuida normalmente con media 20 litros y una
desviacin de 5 lts. Sea X el uso diario de agua.

Cual es la probabilidad que una persona
seleccionada al azar use menos de 20 lts./dia?

El valor z asociado es z = (20 - 20)/5 = 0.
entonces,

P(X < 20) = P(z < 0) = 0.5.

Ejemplo
Que porciento usa entre 20 y 24 lts?
El value z asociado con X = 20 es z = 0 y con X =
24, z = (24 - 20)/5 = 0.8.
Entonces, P(20 < X < 24) = P(0 < z < 0.8) = P(0.8) -
P(0) = 0.7881- 0.5 = 0.2881 o 28.81%.

Que porciento usa entre 16 y 20 lts?

El valor z1 para X = 16 es z1 = (16 - 20)/5 = -0.8,
y para X = 20, z2 = 0. Entonces, P(16 < X < 20) =
P(-0.8 < z < 0) = P(0) - P(-0.8) = 0.5 - 0.2119 =
0.2881 = 28.81%.
Ejemplo
0.8
P(0 < z < 0.8)
= 0.2881.
Cual es la probabilidad que una persona
seleccionada al azar use mas de 28 lts?

El valor z asociado a X = 28 es
z = (28 - 20)/5 = 1.6. Ahora, P(X > 28) = P(z > 1.6)
= 1 - P(z < 1.6) = 1 - 0.9452 = 0.0548.

Ejemplo
P(z > 1.6) =
1 - 0.9452=
0.0548
Area =
0.9452
1.6
z
Que porcentaje usa entre 18 y 26 lts?

El valor z asociado con X = 18 es z = (18 - 20)/5 = -
0.4, y para X = 26, z = (26 - 20)/5 = 1.2.
entonces, P(18 < X < 26)= P(-0.4 < z < 1.2) =
F(1.2) - F(-0.4)= 0.8849 - 0.3446 = 0.5403.
Ejemplo
165
El tiempo de vida de las bateras del conejito tiene una
distribucin aproximada a la normal con una media de
85.36 horas y una desviacin estndar de 3.77 horas.

Qu porcentaje de las bateras se espera que duren 80
horas o menos?

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

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

Que porcentaje de las bateras se espera que duren 80 horas
o menos?
Z = (x-mu) / s
Z = (80-85.36)/(3.77)= - 5.36/ 3.77 = -1.42
85.36
80
-1.42 0
rea bajo la curva normal
0 1

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

Cul es la probabilidad de que una batera dure ms
de 87 horas?
1.67 = .33 33% de las veces una batera durar ms
de 87 horas
169
Considere una media de peso de estudiantes de 75 Kgs.
con una desviacin estndar de 10Kgs. Contestar lo
siguiente:
Cul es la probabilidad de que un estudiante pese ms
de 85Kgs.?
2. Cul es la probabilidad de que un estudiante pese
menos de 50Kgs.?
3. Cul es la probabilidad de que pese entre 60 y 80
Kgs.?.
4. Cul es la probabilidad de que pese entre 55 y 70
Kgs.?
5. Cul es la probabilidad de que pese entre 85 y
100Kgs.?
Ejercicios
170
Distribuciones muestrales
1. Introduccin a las distribuciones muestrales

2. Distribucin Chi cuadrada

3. Distribucin t de student

4. Distribucin F
171
172
A las distribuciones de los estadsticas muestrales
se les llama distribuciones muestrales.
POBLACION
173
Distribuciones Derivadas del
muestreo de Poblaciones Normales
Poblacin
Muestra
Aparecen distribuciones muestrales:
Normal, Chi-cuadrada, t-student, F
174
Distribucin de la Media:
Si es una muestra aleatoria de una Poblacion
(X) con distribucin normal .Entonces se
distribuye normal con media y varianza
n
X X X ,..., ,
2 1
) , (
2
o n
X
,
n /
2
o
) / , (
2
n n X o
175
Distribucin Chi Cuadrada

Esta distribucin se forma al sumar los cuadrados de
las variables aleatorias normales estndar.

Si Z es una variable aleatoria normal, entonces el
estadstico Y siguiente es una variable aleatoria Chi
cuadrada con n grados de libertad.

2 2
3
2
2
2
1
....
n
z z z z y + + + + =
176
Distribucin de la varianza.
Repaso de la distribucin ji-cuadrada.

La funcin de densidad de probabilidad con k grados de
libertad y la funcin gama es:
. 0 ,
2
2
1
) (
2
1
2
2
>
(
I
=
x e x
k
x f
x k
k
k=grados de libertad. (1,2,...)
177
K=1
K=5
K=25
K=50
Grficas de la distribucin ji-cuadrada
Con k grande ji-cuadrada se hace normal
178
Media y varianza de una ji-cuadrada.
E(X)=k
V(X)=2k
Calculo de puntos crticos usando las tablas de ji-
cuadrada

o _
o
= > ) (
2
,k
X P
179
Ejemplo: Calcule el valor critico que satisface
05 . ) (
2
20 , 05 . 0
= > _ X P
41 . 31
2
20 , 05 . 0
= _
De tablas de ji-cuadrada con alfa=.05 y k=20
180
Resultado:
Si es una muestra aleatoria de una Poblacion
(X) con distribucin normal .Entonces se
distribuye ji-cuadrada con k= n-1 grados de libertad.
Donde S cuadrada es la varianza muestral.
n
X X X ,..., ,
2 1
) , (
2
o n
2
2
) 1 (
S
n
o
2
1
2
2
) 1 (
n
S
n
_
o
181

Distribucin t-student
Si es una muestra aleatoria de una
Poblacin (X) con distribucin normal .
Entonces se distribuye
t-student con n-1 grados de libertad. Se utiliza en
vez de la distribucin normal cuando sigma es
desconocida (que la aproxima con n > 100)

n
X X X ,..., ,
2 1
) , (
2
o n
) / ( ) ( n s X
1
) / ( ) (

n
t n s X
182
) , (
] 1 2 / ][ 2 / [
] 2 / ) 1 [(
) (
2 / ) 1 ( 2
e
+ I
+ I
=
+
x
x k k
k
x f
k
t
Funcin de Distribucin t-student
K=1
K=10
K=100
183
Funcin de Distribucin t-student
184
Distribucin t de Student
La media y la varianza de la distribucin t son:

De una muestra aleatoria de n artculos, la
probabilidad de que

Caiga entre dos valores especificados es igual al rea
bajo la distribucin de probabilidad t de Student con
los valores correspondientes en el eje X, con n-1
grados de libertad

0 =
3 ;
2
>
= k
k
k
o
3 ;
2
>
= k
k
k
o
n s
x
t
/

=
185
Distribucin t de Student
Ejemplo:
La resistencia de 15 sellos seleccionados
aleatoriamente son: 480, 489, 491, 508, 501, 500,
486, 499, 479, 496, 499, 504, 501, 496, 498

Cul es la probabilidad de que la resistencia promedio
de los sellos sea mayor a 500?. La media es 495.13 y
la desviacin estndar es de 8.467.

t = -2.227 y el rea es 0.0214

3 ;
2
>
= k
k
k
o
227 . 2
15 / 467 . 8
500 13 . 495
=
= t
186
Distribucin F
Surge de dividir dos ji-cuadradas independientes

F=(W/u)/(Y/v)

W se distribuye ji-cuadrada con u g.l.
Y se distribuye ji-cuadrada con v g.l.
El uso de esta distribucin es para
comparar varianzas (Recuerde el anlisis de
varianza)
187
Distribucin F.
( )
) , 0 (
] 1 ][ 2 / [ ) 2 / (
/ ] 2 / ) [(
) (
2 / ) (
1 ) 2 / (
2
e
+ I I
+ I
=
+
x
x
v
u
v u
x v u v u
x f
v k
u
u
u=10
v=5
u=20
v=20
Funcin de densidad de la Distribucin F
188
Distribucin F.
Funcin de densidad de la Distribucin F
189
Distribucin F
Para determinar la otra cola de la distribucin F se
determina con la expresin.

Falfa, k1, k2 = 1 / F(1-alfa), k2, k1

Dado K1 = 8 y K2 = 10, F0.05 = 3.07, encontrar el
valor de F0.05 con K1 = 10 y K2 = 8

F0.05,10,8 = 1/ F0.95,8,10 = 1/ 3.07 = 0.326
190
Distribucin F.
Funcin de densidad
de la Distribucin F
191
V.E.3 Otras distribuciones de
probabilidad
Otras distribuciones de
probabilidad
1. Distribucin bivariada

2. Distribucin exponencial

3. Distribucin Lognormal

4. Distribucin de Weibull
192
193
Distribucin Bivariada
La distribucin conjunta de dos variables es llamada
una distribucin bivariada. El coeficiente de
correlacin es :
194
Distribucin Exponencial
Se usa para modelar artculos con una tasa de falla
constante y est relacionada con la distribucin de
Poisson.

Si una variable aleatoria x se distribuye
exponencialmente, entonces el recproco de x,
y = 1/x sigue una distribucin de Poisson y viceversa.

La funcin de densidad de probabilidad exponencial
es: Para x >= 0
x
x
e e x f
= =
1
) (
195
Donde Lambda es la tasa de falla y theta es la media
La funcin de densidad de la distribucin exponencial
196
Es usada como el modelo, para la parte de vida
til de la curva de la baera, i.e., la tasa de falla
es constante
Los sistemas complejos con muchos componentes
y mltiples modos de falla tendrn tiempos de
falla que tiendan a la distribucin exponencial
Desde una perspectiva de confiabilidad, es la
distribucin ms conservadora para prediccin.
La forma de la
exponencial siempre es
la misma
El modelo exponencial, con un solo parmetro, es el ms simple
de todo los modelos de distribucin del tiempo de vida. Las
ecuaciones clave para la exponencial se muestran:
h

=
~
=
=
=
=

) ( : FALLA DE TASA
1
: VARIANZA
693 . 0 2 ln
: MEDIANA
1
: MEDIA
) ( : PDF
) ( : DAD CONFIABILI
1 ) ( : CDF
2
t
m
e t f
e t R
e t F
t
t
t
Funcin de Densidad de Probabilidad Exponencial
0.0000
0.0005
0.0010
0.0015
0.0020
0.0025
0.0030
0.0035
0 500 1,000 1,500 2,000
Tiempo
f
(
t
)
= 0.003, MEDIA = 333
= 0.002, MEDIA = 500
= 0.001, MEDIA = 1,000
198
R(t) = e
(-t)
(Confiabilidad)
Funcin de Confiabilidad Exponencial
0.000
0.200
0.400
0.600
0.800
1.000
1.200
0 500 1,000 1,500 2,000
Tiempo
R
(
t
)
= 0.003, MTBF = 333
= 0.002, MTBF = 500
= 0.001, MTBF = 1,000
199
h(t) = = 1 / MEDIA (Velocidad de Falla)
Funcin de la Tasa de Falla Exponencial
0.000
0.001
0.002
0.003
0.004
0 500 1,000 1,500 2,000
Tiempo
h
(
t
)
= 0.001, MTBF = 1,000
= 0.002, MTBF = 500
= 0.003, MTBF = 333
Note que la tasa de
falla tiende a ser una
constante para
cualquier tiempo. La
distribucin exponencial
es la nica que tiene
una velocidad de falla
constante
200
Distribucin Lognormal
La transformacin ms comn se hace tomando el
logaritmo natural, pero tambin se puede hacer con
los logaritmos base 2 y base 10.

Y = x1 x2 x3
Ln y = ln x1 + ln x2 + ln x3

La funcin de densidad de probabilidad lognormal es
con Y = ln(t):

2
2
1
2
1
) (
|
|
.
|
\
|
=
y
y
y
y
e
t
t f
o
t o
201
La media y la varianza de la distribucin lognormal
son las siguientes:
) 2 / (
2
o +
= e Media
) 1 )( (
2 2
) 2 (
=
+ o o
e e Var
202
Un tiempo de falla se distribuye segn una Lognormal
si el logaritmo del tiempo de falla est normalmente
distribuido.

La Distribucin Lognormal es una distribucin sesgada
hacia la derecha.

La PDF comienza en cero, aumenta hasta su moda y
diminuye despus.
203
Si un tiempo t est distribuido Lognormal, t~LN(
t
, o
t
) y si Y =
ln(t) entonces Y~N(
y
, o
y
)
2
2
1
2
1
) (
|
|
.
|
\
|
=
y
y
y
y
e
t
t f
o
t o
2
2
1
2
1
) (
|
|
.
|
\
|
=
y
y
y
y
e y f
o
t o
|
|
.
|
\
|
u =
y
T t
t F
o
) ln(
) (
50
|
|
.
|
\
|
u =
y
y
y
y F
o
) (
|
|
.
|
\
|
+ =
2
exp
2
50
y
y t
T
o
) ln(
50
T
y
=
2
2
50
1
) exp(
t
t
t
y
T
+
= =
y
=
PDF
CDF
MEDIA
MEDIANA
t y = ln(t)
|
|
.
|
\
|
+
2
2
1 ln
t
t
o
( ) 1 ) exp( ) exp(
2 2 2
50
y y
T o o
VARIANZA
u(z) es la CDF de la Normal estndar
204
La Distribucin de vida Lognormal, como la Weibull, es
un modelo muy flexible que puede empricamente
ajustar a muchos tipos de datos de falla.

En su forma de dos parmetros tiene los parmetros
s
ln(t)
= s
y
parmetro de forma, y T
50
= la mediana
(un parmetro de escala)

Si el tiempo para la falla t, tiene una distribucin
Lognormal, entonces el logaritmo natural del tiempo de
falla (y =ln(t)) tiene una distribucin normal con media
m
y
= ln T
50
y desviacin estndar s
y
.
205
Esto hace a los datos lognormales convenientes para
trabajarlos as:

Determine los logaritmos naturales de todos los tiempos
de falla y de los tiempos censurados (y = ln(t)) y analice
los datos normales resultantes.

Posteriormente, haga la conversin a tiempo real y a los
parmetros lognormales usando o
y
como la forma
lognormal y T
50
= exp(
y
) como (mediana) el parmetro
de escala.
206
Ejemplo: Dado t~LN(25,4), encuentre P(t<18)
Calculemos los valores que nos permiten usar
la tabla normal estndar

Para poder usar las Tablas de la Normal Estndar:
P(t<18) = P{Z<[ln(t/ T
50
)]/ o
y
] = P{Z<[ln(18/24.7)]/0.159} =
P(Z<-1.99) = 0.023

68 . 24
25
4
1 25 1
2
2
2
50
= |
.
|
\
|
+ = + =
t
t
t
T
02527 . 0
25
4
1 ln 1 ln
2
2
2
2
=
|
|
.
|
\
|
|
.
|
\
|
+ =
|
|
.
|
\
|
+ =
t
t
y
o
o
1589 . 0 02527 . 0 = =
y
o
207
Funcin de
Distribucin
Lognormal

f t
t
t
( ) exp
ln( )
=
|
\
|
.
|
(
1
2
1
2
2
o t
o
donde y o son funciones de lns
Funcin de Densidad de Probabilidad Lognormal
0.0000
0.1000
0.2000
0.3000
0.4000
0.5000
0 1 2 3 4 5 6 7
Tiempo
f
(
t
)
= 0
o = 0.5
= 0
o = 1
= 1
o = 0.5
= 1
o = 1
208
R t f t d t f t d t z d z
t t z t
( ) ( ) [ ln ( ) ] [ ln ( ) ] ( )
ln ( ) [ ln ( ) ]
= = =

} } }
|
Funcin de Distribucin
Lognormal donde z[ln(t)] = [ln(t)-)/o]
|(z) = normal estandarizada normal pdf
Funcin de Confiabilidad Lognormal
0.000
0.200
0.400
0.600
0.800
1.000
0 1 2 3 4 5 6 7
Tiempo
R
(
t
)
= 0
o = 0.5
= 0
o = 1
= 1
o = 0.5
= 1
o = 1
209
h ( )
( )
( )
t
f t
R t
=
Funcin de Distribucin Lognormal
Funcin Tasa de Falla Lognormal
0.0000
0.1000
0.2000
0.3000
0.4000
0.5000
0.6000
0.7000
0 1 2 3 4 5 6 7
Tiempo
h
(
t
)
= 0
o = 0.5
= 0
o = 1
= 1
o = 0.5
= 1
o = 1
210
Nmero de ciclos de falla en la fatiga de los metales y partes
metlicas, en niveles de tensin mucho menores que sus lmites
Representa bien el tiempo de falla de los dispositivos mecnicos,
especialmente en el caso de uso

La resistencia de materiales frecuentemente sigue una distribucin
Lognormal
Las variables de peso son frecuentemente bien representadas con
una distribucin Lognormal

Es una buena distribucin para cualquier variable
La medida de cualquier resultado el cual es el resultado de una
proporcin o efecto multiplicativo es Lognormal
211
Distribucin de Weibull
La distribucin de Weibull es una de las ms
utilizadas en confiabilidad y estadstica.

La versin de dos parmetros forma y escala (que
representa la vida caracterstica) no incluye el
parmetro de localizacin es cero.

La versin de tres parmetros tiene una parmetro
de localizacin cuando hay un tiempo de falla
diferente de cero para la primera falla
212
La funcin de densidad de probabilidad de Weibull de
3 parmetros es:

Para x >o
| es el parmetro de forma
u es el parmetro de escala
o es el parmetro de localizacin
| |
u
o
u
o
u
|
|
.
|
\
|
|
.
|
\
|
x x
x f exp ) (
1
213
La funcin de densidad de probabilidad de Weibull de
3 parmetros tambin se puede expresar como:

Para t >0
| es el parmetro de forma
q es el parmetro de escala
es el parmetro de localizacin diferente de cero
q Tambin es la vida caracterstica si el parmetro de
localizacin es cero, de otra forma ser u+ o

| |
q
q
|
|
|
.
|
\
|
|
|
.
|
\
|
=
t y
t f exp ) (
1
214
La media y la varianza de la distribucin de Weibull
es:

|
|
.
|
\
|
+ I =
|
u
1
1
(
|
|
.
|
\
|
+ I
|
|
.
|
\
|
+ I =
| |
u o
1
1
2
1
2 2 2
215
Efecto del parmetro de forma Beta con Theta = 100
y Delta = 0

216
Efecto del parmetro de escala Theta

217
Efecto del parmetro de escala Delta

218
El Modelo Weibull
En muchas aplicaciones de confiabilidad, el supuesto
de tasa de riesgo constante no es apropiado.

Los artculos mecnicos tienen Failure Rate Creciente.
Otros artculos pueden ser Failure Rate Decreciente.

0
1
2
3
4
5
6
0 0.5 1 1.5 2
Time (t)
h
(
t
)
Failure Rate Constante
Failure Rate
Creciente
Failure Rate
Decreciente
219
Un modelo que puede representar un amplio espectro
de comportamientos es el modelo Weibull.

La densidad del modelo Weibull puede tomar
muchas y diferentes formas.

Note que si = 1 entonces se tiene el modelo exponencial
como caso particular del modelo Weibull.

( ) | |
1
1
) (
) (
exp ) (
) (
=
=
=

o
o
o o
t t h
t t t f
e t S
t
0
0.2
0.4
0.6
0.8
1
1.2
0 0.5 1 1.5 2
Time (t)
f
(
t
)
= 0.5
= 2
= 3
= 1
Modelo Weibull
220
Modelo Weibull
El modelo Weibull es
FRC si = 1
FRI si > 1
FRD si < 1

Entonces el parmetro muestra la forma de la funcin de riesgo.
0
1
2
3
4
5
6
0 0.5 1 1.5 2
Time (t)
h
(
t
)
= 0.5
= 3
= 1
FRC
FRI FRD
221
Modelo Weibull
Que es o ?

Entonces o presenta la escala de h(t).
0
1
2
3
4
5
6
0 0.5 1 1.5 2
Time (t)
h
(
t
)
o = 3 o = 2 o = 1
222
Modelo Weibull
Los momentos de la distribucin Weibull son:
(
|
|
.
|
\
|
+ I
|
|
.
|
\
|
+ I = =
=
|
|
.
|
\
|
+ I = =
}
}
o
o
1
1
2
1
1
] [ ] [ ) (
) ( ] [
1
1
1
) ( ] [
2
2
2 2
0
2 2
0
T E T E T Var
dt t f t T E
dt t tf T E
( ) ( )
}
= I
0
1
exp dx x x k
k
223
El tiempo de vida (sobre horas) de cierto tipo de
resorte usado continuamente bajo condiciones de
funcionamiento, es sabido que tiene una distribucin
de Weibull con parmetro de forma 0.00022 y de
escala 1.28.

Cul es el tiempo medio de falla?

Cul es la probabilidad de que un resorte funcionar por 500
horas?

Cul es la probabilidad que un resorte que ha funcionado
por 200 horas funcione por otras 500 horas?
Modelo Weibull
224
Se tiene un sistema de n componentes.
Los componentes son independientes e
idnticamente distribuidos de acuerdo a una
distribucin Weibull.
Cual es la distribucin del tiempo de vida del
sistema?

Se sabe que

Entonces
} , , min{
1 n
T T T =
( )
=
> = > ) } , , (min{
1
t T T P t T P
n
Modelo Weibull
225
Distribucin Weibull
La distribucin de Weibull
es un modelo de
distribucin de vida til
muy flexible, para el caso
de 2 parmetros:
( )
1
2
2
1
1
: FALLA DE TASA
1
1
2
1 : VARIANZA
2 ln : MEDIANA
1
1 : MEDIA
) ( : PDF
1 ) ( : CDF
|
|
.
|
\
|
|
|
.
|
\
|
|
|
.
|
\
|
|
|
.
|
\
|
(
|
|
.
|
\
|
+ I
|
|
.
|
\
|
+ I
|
|
.
|
\
|
+ I =
|
|
.
|
\
|
=
=
=
|
|
q
|
q
q
| q
|
|
q
|
q
q
|
q
q q
|
|
|
|
t
e
t
t f
e t R
e t F
t
t
t
Donde h (etha) es un
parmetro de escala (la
vida caracterstica) y
beta se conoce como el
parmetro de forma
(pendiente) y G es la
funcin Gamma con
G(N)=(N-1)! para N entero
226
Distribucin Weibull
( )
1
2
2
1
1
: FALLA DE TASA
1
1
2
1 : VARIANZA
2 ln : MEDIANA
1
1 : MEDIA
) ( : PDF
1 ) ( : CDF
|
|
.
|
\
|
|
|
.
|
\
|
|
|
.
|
\
|
|
|
.
|
\
|
(
|
|
.
|
\
|
+ I
|
|
.
|
\
|
+ I
+
|
|
.
|
\
|
+ I + =
|
|
.
|
\
|
=
=
=
|
|
q
|
q
q
|
|
q
|
q
q
|
q
q
q
|
|
|
|
t
e
t
t f
e t R
e t F
t
t
t
Una forma ms general
de 3 parmetros de la
Weibull incluye un
parmetro de tiempo
de espera localizacin
desplazamiento).
Las frmulas se obtienen
reemplazando t por (t-g).
No puede ocurrir una
falla antes de g horas, el
tiempo comienza en g no
en 0.
227
Funcin de Distribucin Weibull
f t
t t
( ) exp =
|
\
|
.
|
|
\
|
.
|
(
(
|
q q q
| | 1
Funcin de Densidad de Probabilidad Weibull
0.0000
0.0010
0.0020
0.0030
0 500 1000 1500 2000 2500 3000
Tiempo
f
(
t
)
| = 0.5
q = 1000
| = 1.0
q = 1000
| = 3.4
q = 1000
Distribucin Weibull
228
Funciones de Distribucin Weibull
R t
t
( ) exp =
|
\
|
.
|
(
(
q
|
Funcin de Confiabilidad Weibull
0.000
0.200
0.400
0.600
0.800
1.000
0 500 1000 1500 2000 2500 3000
Tiempo
R
(
t
)
| = 0.5
q = 1000
| = 1.0
q = 1000
| = 3.4
q = 1000
Distribucin Weibull
229
Funciones de Distribucin Weibull
h
|
q q
|
( ) t
t
=
|
\

|
.
|

1
Funcin Tasa de Falla Weibull
0.0000
0.0020
0.0040
0.0060
0 500 1000 1500 2000 2500 3000
Tiempo
h
(
t
)
| = 3.4
q = 1000
| = 1.0
q = 1000
| = 0.5
q = 1000
Distribucin Weibull
230
Distribucin Weibull
La funcin pdf de la distribucin exponencial
modela la caracterstica de vida de los sistemas, la
Weibull modela la caracterstica de vida de los
componentes y partes
Modela fatiga y ciclos de falla de los slidos
Es el traje correcto para datos de vida
La funcin de distribucin Weibull pdf es una
distribucin de la confiabilidad de los elementos
de una muestra
Muy flexible y puede tomar diferentes formas
Distribucin Weibull
231
Distribucin Weibull
Tiene usted una Distribucin Weibull con |=2 y q=2,
Cul es la media y la varianza?
2
2
1
1
2
1 varianza
1
1
(
|
|
.
|
\
|
+ I
|
|
.
|
\
|
+ I =
|
|
.
|
\
|
+ I =
|
q
|
q
|
q m
1
2
3
Archivo
Weibull.xls
232
tiempo
Tiempo de vida til
Fallas
tempranas
Desgaste

decreciente
| < 1

constante
| = 1

creciente
| > 1
| < 1 disminuye la tasa de riesgo, implica mortalidad infantil
| = 1 tasa de riesgo constante, fallas aleatorias
1< | < 4 aumenta la tasa de riesgo, fallas por corrosin, erosin
| > 4 aumenta rpidamente la tasa de riesgo, implica fallas por desgaste y
envejecimiento
Las tres porciones de la curva
de tina de la baera tienen
diferentes ndices de falla.
Las fallas tempranas se
caracterizan por un ndice de
falla decreciente, la vida til
por un ndice de falla
constante y el desgaste se
caracteriza por un ndice de
falla creciente. La distribucin
de Weibull puede modelar
matemticamente estas tres
situaciones.

Distribucin
Weibull
| < 1 (Tasa de riesgo decreciente)

Implica mortalidad infantil

Si esto ocurre, puede existir:
-Carga, inspeccin o prueba inadecuada
-Problemas de Manufactura
-Problemas de reparacin

Si un componente sobrevive la mortalidad
infantil , la resistencia a fallar mejora con la
edad.
| = 1 (Tasa de riesgo constante)

Implica fallas aleatorias(Distribucin
Exponencial)

Una parte vieja es tan buena como una
nueva

Si esto ocurre:
-Mezcla de modos de falla
-Las fallas pueden deberse a eventos
externos, como:luminosidad o errores
humanos
-Fundido y removido antes de su
desgaste
1 < | < 4 (Tasa de Riesgo creciente)

Si esto ocurre
-La mayora de los baleros y engranes
fallan
-Corrosin o Erosin
-El reemplazo programado puede ser
efectivo en costo
| =3.44aprox. Normal, | =2Rayleigh
| > 4 (La tasa de riesgo crece rpidamente)

Implica edad avanzada y rpido desgaste

Si esto ocurre, sospeche de:
-Propiedades del material
-Materiales frgiles como la cermica
-Variabilidad pequea en manufactura o
material
La Distribucin Weibull - Interpretacin
234
Cuando | = 2.5 la Weibull se aproxima a la
distribucin Lognormal(estas distribuciones son tan
cercanas que se requieren tamaos de muestra
mayores a 50 para distinguirlas).
Cuando se modela el tiempo que se necesita para
que ocurran reacciones qumicas, se ha mostrado
que la distribucin Lognormal usualmente
proporciona un mejor ajuste que la Weibull.
Cuando | = 5 la Weibull se aproxima a una Normal
puntiaguda.
Distribucin Weibull
235
Debido a su flexibilidad,hay pocas tasas de falla
observadas que no pueden modelarse adecuadamente
mediante la Weibull. Algunos ejemplos son.
1.La resistencia a la ruptura de componentes o el
esfuerzo requerido para la fatiga de metales.
2.El tiempo de falla de componentes electrnicos.
3.El tiempo de falla para artculos que se desgastan, tales
como las llantas de un automvil.
4.Sistemas que fallan cuando falla el componente ms
dbil del sistema(la distribucin Weibull representa una
distribucin de valor extremo).
Distribucin Weibull
236
Qu pasa en una distribucin Weibull si el tiempo
tiene el valor de la vida caracterstica, t = q?
Distribucin Weibull
6321 . 0 ) ( 1 ) (
3678 . 0 exp ) (
t si
exp ) (
1
= = = =
= =
(
(
|
|
.
|
\
|
= =
=
(
(
|
|
.
|
\
|
=
q q
q
q
q
q
q
|
|
t R t F
e t R
t
t R
Al llegar al tiempo
de vida igual a la
vida caracterstica el
63.2% de los
elementos habr
fallado. Este hecho
se usa en las
grficas para
identificar el valor
de h (eta)
Este mismo resultado se obtiene para el caso
exponencial, recordando que la Weibull se puede
reducir a una exponencial cuando b = 1.
237
V.F Capacidad de procesos
238
V.F Capacidad de procesos
1. ndices de capacidad de procesos
2. ndices de desempeo de procesos

3. Capacidad a corto y a largo plazo
4. Capacidad de proceso de datos no normales

5. Capacidad de proceso para datos por atributos

6. Capacidad de procesos bajo Seis Sigma
239
V.F.1 ndices de capacidad del
proceso
Nigels Trucking Co.
Teora del camin y el tnel
El tnel tiene 9' de ancho (especificacin). El camin tiene 10 y el chofer es perfecto
(variacin del proceso). Pasara el camin? NO, la variabilidad del proceso es mayor
que la especificacin.
Centrar es hacer que el promedio del proceso sea igual al centro de la
especificacin. Si el camin tiene 8 pies de ancho pasar el camin?, Si. Si
el chofer puede mantener el centro del camin en el centro del tnel. De otra forma
chocar con las paredes del tnel y no pasar a pesar de ser ms angosto.
Ancho 9
El proceso debe estar en control, tener capacidad y estar centrado
241
Objetivos de la capacidad del proceso

1. Predecir que tanto el proceso cumple especificaciones

2. Apoyar a diseadores de producto o proceso en sus
modificaciones

3. Especificar requerimientos de desempeo para el equipo
nuevo

4. Seleccionar proveedores

5. Reducir la variabilidad en el proceso de manufactura

6. Planear la secuencia de produccin cuando hay un efecto
interactivo de los procesos en las tolerancias
242
Anlisis de la capacidad de proceso
Estudios de capacidad
La capacidad del proceso es un patrn predecible de
comportamiento estadstico estable donde las causas
de variacin se comparan con las especificaciones.
243
_
X
xi
s
Z
LIE
Especificacin
inferior
LSE
Especificacin
superior

p = porcentaje de partes fuera de Especificaciones
244
Cmo vamos a mejorar esto?
Podemos reducir la desviacin estndar...
Podemos cambiar la media...
O (lo ideal sera, por supuesto) que podramos cambiar ambas
Cualquiera que sea la mejora que lleve a cabo,
asegrarse que se mantenga
245
Procedimiento
1. Seleccionar una mquina donde realizar el estudio

2. Seleccionar las condiciones de operacin del proceso

3. Seleccionar un operador entrenado

4. El sistema de medicin debe tener habilidad (error R&R <
10%)

5. Cuidadosamente colectar la informacin

6. Construir un histograma de frecuencia con los datos

7. Calcular la media y desviacin estndar del proceso
246
Objetivos:
Establecer un estado de control sobre el proceso de
manufactura mantenerlo en el tiempo.

Al comparar el proceso vs los lmites de
especificacin pueden ocurrir los siguientes eventos:
No hacer nada
Cambiar las especificaciones
Centrar el proceso+
Reducir la variabilidad
Aceptar las prdidas

247
Identificacin de caractersticas:
Deben ser indicativas de un factor clave en la calidad
del producto o proceso

Debera ser posible ajustar el valor de la caracterstica
como factor de control

Las condiciones de operacin que afecten la
caracterstica medida deben ser identificadas y
controladas
El PPAP indica la evaluacin una inicial de la capacidad
248
La desviacin estndar del proceso cuando se encuentra en
control se determina como sigue con base en una carta de
control X-R siempre que est bajo control estadstico:
Desv. Est. o
st
(Within)
=
Rango medio
Constante d2 de acuerdo al
tamao de subgrupo en X-R

D2 = 1.128 para carta I-MR con n=2
D2= 2.326 para carta X-R con n=5
Estimacin de la desviacin estndar
con el proceso normal o en control
249
Lmites de tolerancia
natural del proceso

LTNS = Media + 3*sigma

LTNI = Media 3*sigma

Si los lmites de especificacin son: LIE y LSE

El Cp = (LSE LIE) / (LTNS LTNI) debe ser mayor a 1
250
Los valores de Z inferior y Z superior se calculan de acuerdo a
las frmulas siguientes:
Zi =
LIE - promedio del proceso
Desviacin Estndar - st

LSE - Promedio del proceso
La fraccin defectiva se calcula con la distribucin normal estndar:
P(Zi) = rea en tabla (-Z)
P(Zs) = 1 rea corresp. a Zs en tabla (+Z)
Zs
=
Fraccin defectiva = P(Zi) + P(Zs)
Capacidad del proceso
Zs y P(Zs) Fraccin defectiva
251
El ndice de capacidad potencial del Proceso (Cp) mide la
variacin del proceso en relacin con el rango de Especificacin.
Cp
=
Tolerancia
Variacin del proceso
=
LSE - LIE
6 Desviaciones Estndar - st
La relacin de capacidad (CR) es la inversa del clculo de Cp. Este ndice le
indica que porcentaje de la especificacin est siendo usado por la variacin del
proceso.
CR
=
Rango del proceso
Tolerancia
=
6 desviaciones estndar - st
LSE - LIE
ndices de Capacidad Potencial del
proceso en control Corto plazo
Otro ndice que toma en cuenta
el centrado del proceso vs
Media de Especificaciones M es:

2 2
) ( 6 M X
LIE LSE
Cpm
+
=
o
252
Cpk es una medida de la capacidad real del proceso en funcin de
la posicin de la media del proceso (X) en relacin con con los
lmites de especificacin.

Con lmites bilaterales da una indicacin del centrado.

Es el menor de:
Cpk =
LSE - promedio del proceso
3 desviaciones Est. - st
y
Promedio del proceso - LIE
3 desviaciones Estndar - st
ndice de capacidad real del proceso
en control estadstico corto plazo
253
Clculo de la capacidad del proceso
Habilidad o capacidad potencial Cp = (LSE - LIE ) / 6 o
st

Debe ser > 1.33, si est entre 1 1.33 requiere mucho control, <1 inac.
para tener el potencial de
cumplir con especificaciones (LIE, LSE)

Habilidad o capacidad real Cpk = Menor | Z
I y
Z
S
| / 3
El Cpk debe ser > 1.33 para que el
proceso cumpla especificaciones, entre 1 y 1.33 requiere control, <1 inac.
254
Tasa de falla vs Cp
255
Tasa de capacidad
Tasa de capacidad l Cp = 6 o
st/
(LSE - LIE )

Debe ser <= 0.75 si est entre 0.75 y 1 requiere mucho control, >1 inac.

ndice Cpm basado en el ndice de Taguchi, equivale al Cp tomando en
cuenta el centrado:
T = valor objetivo

256
Los valores de Z inferior y Z superior se calculan de acuerdo a
las frmulas siguientes:
Zi =
LIE - promedio del proceso

LSE - Promedio del proceso
La fraccin defectiva se calcula con la distribucin normal estndar:
P(Zi) = rea en tabla (-Z)
P(Zs) = 1 rea corresp. a Zs en tabla (+Z)
Zs
=
Fraccin defectiva = P(Zi) + P(Zs)
Capacidad del proceso
Zs y P(Zs) Fraccin defectiva
257
Capacidad de proceso a partir de
Histogramas y Distribucin normal
258
Ejemplo
Se tomaron los datos siguientes:

265 205 263 307 220 268 260 234 299
197 286 274 243 231 267 281 265 214
346 317 242 258 276 300 208 187 264
280 242 260 321 228 250 299 258 267
265 254 281 294 223 260 308 235 283
200 235 246 328 296 276 264 269 235
221 176 248 263 231 334 280 265 272
265 262 271 245 301 280 274 253 287
261 248 260 274 337 250 278 254 274
278 250 265 270 298 257 210 280 269
215 318 271 293 277 290 283 258 275
251

259
Ejemplo (cont)
Agrupando los datos en celdas se tiene:

Intervalo Marca Frecuencia Frecuencia
de clase de clase Frecuencia Relativa Absoluta
170 - 189 179.5 2 0.02 0.02
190 - 209 199.5 4 0.04 0.06
210-229 219.5 7 0.07 0.13
230-249 239.5 13 0.13 0.26
250-269 259.5 32 0.32 0.58
270-289 279.5 24 0.24 0.82
290-309 299.5 11 0.11 0.93
310-329 319.5 4 0.04 0.97
330-349 339.5 3 0.03 1.00 .

260
Ejemplo (cont)
El histograma es el siguiente (se observa con forma normal):
0
5
10
15
20
25
30
35
170-
189
210-
229
250-
269
290-
309
330-
349
Frec.
261
Ejemplo (cont)
Calculando la media y la desviacin estndar se tiene:

X-media = 264.06 s = 32.02

La variabilidad del proceso se encuentra en 6 o = 192.12
Si las especificaciones fueran LIE = 200 y LSE = 330

Cp = (330 - 200 ) / 192.2 < 1 no es hbil el proceso

Zi = (330 - 264.06) / 32.02 Zs = (200 - 264.06) / 32.02

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

262
Ejercicio
Calcular la capacidad del proceso con la distribucin de frecuencias
siguiente considerando LIE = 530 y LSE = 580:

Intervalo Frecuencia Frecuencia
de clase Marca de clase Frecuencia Relativa Absoluta .

531 - 535 533 6
536 - 540 538 8
541 - 545 543 12
546 - 550 548 13
551 - 555 553 20
556 - 560 558 19
561 - 565 563 13
566 - 570 568 11
571 - 575 573 8

263
Ejemplo de capacidad de proceso
13.6 12.8 12.0 11.2 10.4 9.6
LSL USL
Process Data
SampleN 50
StDev (Within) 0.85577
StDev (Ov erall) 0.80259
LSL 9.00000
Target *
USL 14.00000
Sample Mean 11.74400
Potential (Within) Capability
CCpk 0.97
Ov erall Capability
Pp 1.04
PPL 1.14
PPU 0.94
Ppk
Cp
0.94
Cpm *
0.97
CPL 1.07
CPU 0.88
Cpk 0.88
Observ ed Performance
PPM<LSL 0.00
PPM>USL 0.00
PPMTotal 0.00
Exp. Within Performance
PPM<LSL 671.85
PPM>USL 4191.66
PPMTotal 4863.51
Exp. Ov erall Performance
PPM<LSL 314.35
PPM>USL 2470.24
PPMTotal 2784.59
Within
Overall
Process Capability of Viscosidad
264
Interpretacin de salida Minitab
Desviacin estndar Within se determina con R /
d2, se usa para determinar los ndices de capacidad a
corto plazo Cp, Cpk y PPM Within

Desviacin estndar Overall det. Con la desviacin
estndar de los datos S/C4,
donde C4=4(n1)/(4n-3)), se usa para determinar
los ndices de Desempeo Pp, Ppk y PPM Overall

El Observed Perfomance se determina comparando
los datos de la muestra con las especificaciones
265
Capacidad a partir
de cartas de control
266
EN CASOS ESPECIALES COMO ESTOS
DONDE LAS VARIACIONES PRESENTES SON
TOTALMENTE INESPERADAS
TENEMOSUN PROCESO INESTABLE o IMPREDECIBLE.

?
? ?
? ?
? ?

267
Bases del CEP
SI LAS VARIACIONES PRESENTES SON IGUALES,
SE DICE QUE SE TIENE UN PROCESO ESTABLE.
LA DISTRIBUCION SERA PREDECIBLE EN EL TIEMPO
Prediccin
Tiempo

268
Control y Capacidad de Proceso
Control de Proceso:

Cuando la nica fuente de variacin es normal o de causa comn,
se dice que el proceso esta operando en CONTROL.

Capacidad de Proceso:

Medicin estadstica de las variaciones de causa comn que son
demostradas por un proceso. Un proceso es capaz cuando
la causa comn de variacin cae dentro de las especificaciones
del cliente.

La capacidad no se puede determinar a menos que
el proceso se encuentre en Control y Estable.
269
Proceso en Control Estadstico

La distribucin de la mayora de las caractersticas medidas forman una curva en
forma de campana o normal, si no hay causas especiales presentes, que alteren
la normalidad . cuales son las causas comunes?|
Distribucin
del Proceso
Area entre 0 y 1s
-Probabilidad de Ocurrencia
_
x= media
s= sigma; es la
desviacin
estndar;
medida
de la variacin
del proceso.
14 % 14 %
2%
2%
-3s -2s -1s x +1s +2s 3s
99.73%
34% 34%
x
270
Ejemplo de carta de control X-R
Sample
S
a
m
p
l
e

M
e
a
n
18 16 14 12 10 8 6 4 2
90
80
70
60
_
_
X=72.69
UCL=86.84
LC L=58.53
Sample
S
a
m
p
l
e

R
a
n
g
e
18 16 14 12 10 8 6 4 2
48
36
24
12
0
_
R=24.54
UCL=51.89
LC L=0
Xbar-R Chart of Pulse1
271
Desviacin estndar:
Si el proceso sigue una distribucin normal y est en
control estadstico, entonces la desviacin estndar
puede ser estimada de:

Para procesos nuevos, se puede estimar la capacidad
del proceso de una produccin piloto

2
d
R
R
= o
272
Desviacin Estndar del proceso
Donde,
o = Desviacin estndar de la poblacin
d
2
= Factor que depende del tamao del subgrupo en la carta de control X -
R
C
4
= Idem al anterior para una carta X - S

NOTA: En una carta por individuales, d2 se toma para n = 2 y Rango
Medio= Suma rangos / (n -1)
o = R o o = S

d
2
c
4
273
Capacidad de proceso
Cuando las causas comunes son la nica variacin:
C
p
El ndice de capacidad potencial del proceso compara
la amplitud del proceso con la amplitud especificada.

Cp = (LSE - LIE) / 6 o
Cpk
El ndice de capacidad real del proceso compara la media
real con el lmite de especificaciones ms cercano (LE) a esta.

Cpk = LE Xmedia Cpk = menor |Z
1
; Z
2
| / 3
3 o
274
Ejemplo (carta X - R)
De una carta de control X - R (con subgrupo n = 5) se obtuvo lo
siguiente, despus de que el proceso se estabiliz quedando slo con
causas comunes:

Xmedia de medias = 264.06 Rmedio = 77.3

Por tanto estimando los parmetros del proceso se tiene:

= X media de medias o = Rmedio / d2 =77.3 / 2.326 =
33.23
[ d2 para n = 5 tiene el valor 2.326]

Si el lmite de especificacin es: LIE = 200.
El Cpk = (200 - 264.06) / (77.3) (3) = 0.64 por tanto el proceso no
cumple con las especificaciones

275
Ejemplo (carta X - S)
De una carta de control X - S (con subgrupo n = 5) se obtuvo lo
siguiente, despus de que el proceso se estabiliz quedando slo con
causas comunes:

Xmedia de medias = 100 Smedio = 1.05

Por tanto estimando los parmetros del proceso se tiene:

= X media de medias o = Smedio / C
4
= 1.05 / 0.94 =
1.117
[ C
4
para n = 5 tiene el valor 0.94 ]
Si el lmite de especificacin es: LIE = 85 y el LSE = 105.
El Cpk = (105 - 100) / (1.117 ) (3) = 1.492
El Cp = (105 - 85) / 6 (1.117 ) = 2.984
por tanto el proceso es capaz de cumplir con especificaciones

276
Ejercicios
1) De una carta de control X - R (con subgrupo n = 8) se
obtuvo lo siguiente, despus de que el proceso se estabiliz
quedando slo con causas comunes (LIE = 36, LSE = 46):

Xmedia de medias = 40 Rmedio = 5

2) De una carta de control X - S (con subgrupo n = 6) se
obtuvo lo siguiente, despus de que el proceso se estabiliz
quedando slo con causas comunes (LIE = 15, LSE = 23):

Xmedia de medias = 20 Smedio = 1.5

277
V.F.2 ndices de desempeo del
proceso
278
Se toman todos los datos del proceso histricos, no importa que
el proceso no est en control o no sea normal.
Desv. Est. o
lt
(Overall)
=
Estimacin de la desviacin estndar
con el proceso a largo plazo

4 4
1
2
) (
3 4
) 1 ( 4
1
) (
C
datos Desvest
C
S
n
n
n
X Xi
n
i
lt
= =
=
o
279
El ndice de desempeo potencial del Proceso (Pp) mide la
variacin del proceso en relacin con el rango de Especificacin.
Pp
=
Tolerancia
Variacin del proceso
=
LSE - LIE
6 Desviaciones Estndar - lt
La relacin de capacidad (CR) es la inversa del clculo de Cp. Este ndice le
indica que porcentaje de la especificacin est siendo usado por la variacin del
proceso.
CR
=
Rango del proceso
Tolerancia
=
6 desviaciones Est. - lt
LSE - LIE
ndices de desempeo Potencial
del proceso Largo plazo
280
Ppk es una medida del desempeo real del proceso en funcin de la
posicin de la media del proceso (X) en relacin con con los lmites
de especificacin.

Con lmites bilaterales da una indicacin del centrado.

Es el menor de:
Ppk =
LSE - promedio del proceso
3 desviaciones est. - lt
y
Promedio del proceso - LIE
3 desviaciones Estndar - lt
ndice de desempeo real del
proceso largo plazo
281
Clculo del desempeo del
proceso a lago plazo
ndice de desempeo potencial Pp = (LSE - LIE ) / 6 o
lt

Debe ser > 1 de preferencia >1.33

ndice de desempeo real Ppk = Menor | Z
I y
Z
S
| / 3
El Ppk debe ser > 1 para que el
proceso cumpla especificaciones
de preferencia > 1.33
282
IIIF.3 Capacidad a corto
y a largo plazo
283
Corto y largo plazos
Corto plazo:
Es un periodo corto de tiempo en el cual no hay
cambios significativos en el proceso en relacin a
las 6Ms (personal, materiales, mtodos, medio
ambiente, mediciones, mquinas)

Largo Plazo
Es el periodo de tiempo en el cual ya han ocurrido
todos los cambios posibles en el proceso, se trata
de informacin histrica
284
Carta de corridas cortas
Se puede utilizar una carta X-R modificada para
corridas cortas, con base en subgrupos de 3 a 10
piezas.

Inicialmente se utilizan A2 y D4 para calcular los
lmites de control que se modifican al tomar ms
puntos

El Cpk calcualdo de esta forma se considera
preliminar
Corto y largo plazos
Los ndices de capacidad del proceso Cp y Cpk se
consideran a corto plazo, cuando no se presentan
cambios en el proceso (en las 6 Ms)

Los ndices de desempeo Pp y Ppk se consideran a
largo plazo con datos histricos cuando ya han
sucedido todos los cambios en el proceso
285
286
V.F.4 Anlisis de la Capacidad de
procesos no normales
287
Procesos no normales
Los datos no siempre se ajustan a la distribucin
normal.
Se tienen dos estrategias para transformar los datos
no normales para lograr un comportamiento normal,
la de Box Cox y Johnson

288
Transformacin de Box Cox
Minitab encuentra una transformacin ptima (W =
Y**Lamda)
Est limitada a datos positivos . Asume que los datos
estn en subgrupos para permitir un anlisis dentro
del subgrupo
La transformacin de potencia de Box-Cox dada por:

0 ;
1
) (
2
=
x
x
0 ; ) ln( ) ( = = x
289
Procesos no normales
Dadas las observaciones X1, X2, X3,.., Xn,
seleccionar la potencia que maximice el logaritmo
de la funcin de mxima verosimilitud

Con la media aritmtica de los datos transformados
dada por:

= =
+
(
=
n
i
i
n
i
i
x
n
x x n
x f
1 1
2
) ln( ) 1 (
)) ( ) ( (
ln
2
) (

=
=
n
i
i
x
n
x
1
) (
1
) (
290
Capacidad de procesos no normales
transformando datos con Box - Cox
Con archivo de Minitab TILES.MTW, lamda = 0.5
Lambda
S
t
D
e
v
5 4 3 2 1 0 -1 -2
20
15
10
5
0
LowerCL UpperCL
Limit
Lambda
0.500000
(using 95.0% confidence)
Estimate 0.345504
LowerCL 0.052120
UpperCL 0.642093
Best Value
Box-Cox Plot of Warping
291
transformando datos con Box - Cox
Con la raz cuadrada de los datos y de los lmites de
especificaciones se tiene:
2.8 2.4 2.0 1.6 1.2 0.8 0.4 0.0
LSL USL
Process Data
SampleN 100
StDev (Within) 0.51337
StDev (Ov erall) 0.53934
LSL 0.00000
Target *
USL 2.82843
Sample Mean 1.62374
Potential (Within) Capability
CCpk 0.92
Ov erall Capability
Pp 0.87
PPL 1.00
PPU 0.74
Ppk
Cp
0.74
Cpm *
0.92
CPL 1.05
CPU 0.78
Cpk 0.78
PPM<LSL 0.00
PPM>USL 20000.00
PPMTotal 20000.00
Exp. Within Performance
PPM<LSL 781.08
PPM>USL 9472.66
PPMTotal 10253.74
PPM<LSL 1303.73
PPM>USL 12754.26
PPMTotal 14057.99
Within
Overall
Process Capability of Transf
292
Transformacin de Johnson
Minitab selecciona la funcin de transformacin de
tres tipos de funciones (SB, SL y SU), para tener
muchas opciones

Transformacin de Johnson
Con archivo Tiles.mtw
293
10 5 0 -5
99.9
99
90
50
10
1
0.1
P
e
r
c
e
n
t
N 100
AD 1.028
P-Value 0.010
4 2 0 -2
99.9
99
90
50
10
1
0.1
P
e
r
c
e
n
t
N 100
AD 0.231
P-Value 0.799
1.2 1.0 0.8 0.6 0.4 0.2
0.8
0.6
0.4
0.2
0.0
Z Value
P
-
V
a
l
u
e

f
o
r

A
D

t
e
s
t
0.6
Ref P
P-Value for Best Fit: 0.798895
Z for Best Fit: 0.6
Best Transformation Ty pe: SB
Transformation function equals
0.882908 + 0.987049 * Ln( ( X + 0.132606 ) / ( 9.31101 - X ) )
Probability Plot for Original Data
Probability Plot for Transformed Data
Select a Transformation
(P-Value = 0.005 means <= 0.005)
Johnson Transformation for Warping
Warping Transf
1.60103 -0.59006
0.84326 -1.2498
3.00679 0.194749
1.29923 -0.81675
2.24237 -0.19365
2.63579 0.014173
0.34093 -2.02042
6.96534 1.975802
3.46645 0.404347
1.41079 -0.72885
Etc. Etc.
294
Capacidad con distribuciones
diferentes a la normal
Se pueden utilizar otras distribuciones que ajusten a
los datos no normales para determinar el Pp y el Ppk
10.0 1.0 0.1
99.9
90
50
10
1
0.1
Warping
P
e
r
c
e
n
t
10.0 1.0 0.1
99.9
99
90
50
10
1
0.1
Warping
P
e
r
c
e
n
t
10.000 1.000 0.100 0.010 0.001
99.9
90
50
10
1
0.1
Warping
P
e
r
c
e
n
t
10 5 0
99.9
99
90
50
10
1
0.1
Warping
P
e
r
c
e
n
t
Weibull
0.994
Lognormal
0.978
Exponential
*
Normal
0.978
Correlation Coefficient
Probability Plot for Warping
LSXY Estimates-Complete Data
Weibull Lognormal
Exponential Normal
295
usando la distribucin de Weibull
Con archivo de Minitab TILES.MTW
7.5 6.0 4.5 3.0 1.5 0.0
LSL USL
Process Data
SampleN 100
Shape 1.69368
Scale 3.27812
LSL 0.00000
Target *
USL 8.00000
Sample Mean 2.92307
Ov erall Capability
Pp 0.81
PPL 1.03
PPU 0.73
Ppk 0.73
PPM<LSL 0
PPM>USL 20000
PPMTotal 20000
PPM<LSL 0.0
PPM>USL 10764.5
PPMTotal 10764.5
Process Capability of Warping
Calculations Based on Weibull Distribution Model
296
Capacidad de procesos por Pearson
Independientemente de si los datos siguen una distribucin
normal o no, se pueden calcular los ndices de capacidad y
habilidad de proceso determinando los valores de los
Percentiles o lmites de control equivalentes a un rea bajo
la curva de 0.135% de cada lado de la misma.

Este mtodo ha sido propuesto por Clements (1989) con base
en las curvas de Karl Pearson (1893), para ello, es necesario
caracterizar la curva de distribucin de acuerdo a su posicin
(Media), dispersin (Desviacin Estndar) y forma (Grado de
asimetra mediante el Sesgo y grado de achatamiento o
Kurtosis).

297
Procedimiento :
Identificar los lmites de especificacin de la variable
de inters (LSE, LIE)
Calcular la Media (Y).
Calcular la Desviacin estndar (s s)
Calcular el coeficiente de sesgo (a3)
Calcular el coeficiente de Kurtosis

Pi se determina de la tabla 1 y Ps de la 1b
298
Clculo del sesgo:
Donde : momento 3 = m
3
= (E(y
i
y)
3
)/n
a
3
=

n .
(n-1)(n-2)
E
i=1
n
(
)
y
i
y
s

3
O bien :
a
3
> 0 a
3
< 0 a
3
= 0
299
Calcular el coeficiente de curtosis (a
4
-3)
a
4
= m
4
/ o
4
Donde : momento 4 = m
4
= (E(y
i
y)
4
)/n
a
4
-3 =
n (n+1) .
(n-1)(n-2)(n-3)
E
i=1
n
(
)
y
i
y
s

4
{
}
3 (n-1)
2
.
(n-2)(n-3)
-

O bien :
Curva Leptocrtica : a
4
> 3
Curva Mesocrtica : a
4
= 3
Curva Platicrtica : a
4
< 3
300
Con Minitab
Stat > Basic Statistics > Display descriptive statistics
>> Graphs... >> Graphical Summary

1.00 0.85 0.70 0.55 0.40
95% Confidence Interval for Mu
0.58 0.53 0.48
95% Confidence Interval for Median
Variable: Dist.1
0.47619
0.12829
0.51402
Maximum
3rd Quartile
Median
1st Quartile
Minimum
N
Kurtosis
Skewness
Variance
StDev
Mean
P-Value:
A-Squared:
0.52875
0.17075
0.57338
1.11111
0.58824
0.51316
0.45455
0.34483
96
2.48515
1.44751
2.15E-02
0.146490
0.543699
0.000
3.073
95% Confidence Interval for Median
95% Confidence Interval for Sigma
95% Confidence Interval for Mu
Anderson-Darling Normality Test
Descriptive Statistics
301
Con Minitab
De la tabla 2 de las curvas de Pearson obtenga
la Mediana estandarizada (M) :
Para coeficiente de sesgo positivo cambie el signo a M.
Para coeficiente de sesgo negativo deje el signo de M.
Calcular el percentil 0.135 estimado (P
I
) :
P
I
= y s * P
I

Calcular percentil 99.865 estimado (P
S
) :
P
S
= y + s * P
S

Calcular la Mediana estimada (M) :
M = y + s * M
302
Con Minitab
Calcular el ndice de capacidad potencial de proceso (Pp).
LSE - LIE
P
S
- P
I

Pp =
Calcular el ndice de habilidad del proceso (Ppk)
Ppk = min {Ppi, Pps}
M - LIE
M - P
I

Ppi =
LSE M
P
S
- M
Pps =
Tabla 1a de Pearson
Curtosis Sesgo Curtosis
0.0 0.1 0.2 0.3 0.4 0.5 0.6 0.7 0.8 0.9 1.0 1.1 1.2 1.3 1.4 1.5 1.6 1.7 1.8 1.9 2.0
-1.4 1.512 1.421 1.317 1.206 1.092 0.979 0.868 0.762 -1.4
-1.2 1.727 1.619 1.496 1.364 1.230 1.100 0.975 0.858 0.747 -1.2
-1.0 1.966 1.840 1.696 1.541 1.384 1.232 1.089 0.957 0.836 -1.0
-0.8 2.210 2.072 1.912 1.736 1.555 1.377 1.212 1.062 0.927 0.804 0.692 -0.8
-0.6 2.442 2.298 2.129 1.941 1.740 1.539 1.348 1.175 1.023 0.887 0.766 0.656 -0.6
-0.4 2.653 2.506 2.335 2.141 1.930 1.711 1.496 1.299 1.125 0.974 0.841 0.723 0.616 -0.4
-0.2 2.839 2.692 2.522 2.329 2.116 1.887 1.655 1.434 1.235 1.065 0.919 0.791 0.677 0.574 -0.2
0.0 3.000 2.856 2.689 2.500 2.289 2.059 1.817 1.578 1.356 1.163 1.000 0.861 0.739 0.630 0.531 0.0
0.2 3.140 2.986 2.834 2.653 2.447 2.220 1.976 1.726 1.485 1.269 1.086 0.933 0.801 0.686 0.583 0.2
0.4 3.261 3.088 2.952 2.785 2.589 2.368 2.127 1.873 1.619 1.382 1.178 1.008 0.865 0.742 0.634 0.536 0.4
0.6 3.366 3.164 3.045 2.896 2.714 2.502 2.267 2.015 1.754 1.502 1.277 1.087 0.931 0.799 0.685 0.583 0.469 0.6
0.8 3.458 3.222 3.118 2.986 2.821 2.622 2.396 2.148 1.887 1.625 1.381 1.172 1.000 0.857 0.736 0.629 0.533 0.8
1.0 3.539 3.266 3.174 3.058 2.910 2.727 2.512 2.271 2.013 1.748 1.491 1.262 1.072 0.917 0.787 0.675 0.575 0.484 1.0
1.2 3.611 3.300 3.218 3.115 2.983 2.817 2.616 2.385 2.132 1.876 1.602 1.357 1.149 0.979 0.840 0.721 0.617 0.510 1.2
1.4 3.674 3.327 3.254 3.161 3.043 2.893 2.708 2.488 2.243 1.981 1.713 1.456 1.230 1.045 0.894 0.768 0.659 0.562 0.475 1.4
1.6 3.731 3.349 3.282 3.199 3.092 2.957 2..787 2.581 2.345 2.089 1.821 1.556 1.316 1.113 0.950 0.815 0.701 0.600 0.510 1.6
1.8 3.782 3.367 3.306 3.229 3.133 3.011 2.855 2.664 2.438 2.189 1.925 1.664 1.404 1.185 1.008 0.863 0.743 0.638 0.546 0.461 1.8
2.0 3.828 3.382 3.325 3.255 3.167 3.055 2.914 2.736 2.524 2.283 2.023 1.755 1.494 1.261 1.068 0.913 0.785 0.676 0.580 0.494 2.0
2.2 3.870 3.395 3.342 3.277 3.196 3.093 2.964 2.800 2.600 2.369 2.116 1.850 1.584 1.339 1.132 0.964 0.828 0.714 0.615 0.526 0.445 2.2
2.4 3.908 3.405 3.356 3.295 3.220 3.126 3.006 2.855 2.669 2.448 2.202 1.940 1.673 1.420 1.198 1.018 0.873 0.752 0.649 0.557 0.475 2.4
2.6 3.943 3.415 3.367 3.311 3.241 3.153 3.043 2.904 2.730 2.521 2.283 2.026 1.760 1.501 1.267 1.073 0.918 0.791 0.683 0.589 0.504 2.6
2.8 3.975 3.423 3.378 3.324 3.259 3.177 3.075 2.946 2.784 2.586 2.358 2.107 1.844 1.581 1.338 1.131 0.965 0.830 0.717 0.620 0.533 2.8
3.0 4.004 3.430 3.387 3.326 3.274 3.198 3.103 2.983 2.831 2.646 2.427 2.183 1.924 1.661 1.410 1.191 1.013 0.870 0.752 0.651 0.562 3.0
3.2 4.031 3.436 3.395 3.346 3.288 3.216 3.127 3.015 2.874 2.699 2.491 2.254 2.000 1.738 1.483 1.253 1.063 0.911 0.787 0.681 0.590 3.2
3.4 4.056 3.441 3.402 3.356 3.300 3.233 3.149 3.043 2.911 2.747 2.549 2.321 2.072 1.813 1.555 1.317 1.115 0.953 0.822 0.712 0.618 3.4
3.6 4.079 3.446 3.408 3.364 3.311 3.247 3.168 3.069 2.945 2.790 2.602 2.383 2.140 1.884 1.626 1.381 1.169 0.996 0.858 0.744 0.646 3.6
3.8 4.101 3.450 3.414 3.371 3.321 3.259 3.184 3.091 2.974 2.829 2.651 2.440 2.205 1.953 1.695 1.446 1.224 1.041 0.895 0.775 0.674 3.8
4.0 4.121 3.454 3.419 3.378 3.329 3.271 3.200 3.111 3.001 2.864 2.695 2.494 2.265 2.018 1.762 1.510 1.281 1.088 0.932 0.807 0.702 4.0
4.2 4.140 3.458 3.423 3.384 3.337 3.281 3.213 3.129 3.025 2.895 2.735 2.543 2.321 2.080 1.827 1.574 1.338 1.135 0.971 0.839 0.730 4.2
4.4 4.157 3.461 3.428 3.389 3.344 3.290 3.225 3.145 3.047 2.923 2.771 2.588 2.374 2.138 1.889 1.636 1.396 1.184 1.011 0.872 0.758 4.4
4.6 4.174 3.464 3.431 3.394 3.350 3.299 3.236 3.160 3.066 2.949 2.805 2.629 2.424 2.194 1.948 1.697 1.453 1.234 1.052 0.905 0.786 4.6
4.8 4.189 3.466 3.435 3.399 3.356 3.306 3.246 3.173 3.084 2.972 2.835 2.668 2.470 2.246 2.005 1.756 1.510 1.285 1.094 0.939 0.815 4.8
5.0 4.204 3.469 3.438 3.403 3.362 3.313 3.256 3.186 3.100 2.994 2.863 2.703 2.513 2.296 2.059 1.813 1.566 1.336 1.137 0.975 0.844 5.0
5.2 4.218 3.471 3.441 3.406 3.367 3.320 3.264 3.197 3.114 3.013 2.888 2.735 2.562 2.342 2.111 1.867 1.621 1.387 1.181 1.010 0.874 5.2
5.4 4.231 3.473 3.444 3.410 3.371 3.326 3.272 3.207 3.128 3.031 2.911 2.765 2.589 2.386 2.160 1.920 1.675 1.438 1.225 1.047 0.904 5.4
5.6 4.243 3.475 3.446 3.413 3.375 3.331 3.279 3.216 3.140 3.047 2.933 2.793 2.624 2.427 2.206 1.970 1.727 1.489 1.270 1.085 0.935 5.6
5.8 4.255 3.477 3.448 3.416 3.379 3.336 3.286 3.225 3.152 3.062 2.952 2.818 2.656 2.465 2.250 2.019 1.778 1.539 1.316 1.123 0.966 5.8
6.0 4.266 3.478 3.451 3.419 3.383 3.341 3.292 3.233 3.162 3.076 2.970 2.841 2.685 2.501 2.292 2.065 1.827 1.588 1.361 1.162 0.999 6.0
6.2 4.276 3.480 3.453 3.422 3.386 3.345 3.297 3.240 3.172 3.089 2.987 2.863 2.713 2.535 2.332 2.109 1.874 1.635 1.407 1.202 1.031 6.2
6.4 4.286 3.481 3.454 3.424 3.389 3.349 3.303 3.247 3.181 3.100 3.003 2.883 2.739 2.567 2.369 2.151 1.919 1.682 1.452 1.242 1.065 6.4
6.6 4.296 3.483 3.456 3.426 3.392 3.353 3.308 3.254 3.189 3.111 3.017 2.902 2.763 2.597 2.405 2.191 1.962 1.727 1.496 1.282 1.099 6.6
6.8 4.305 3.484 3.458 3.429 3.395 3.357 3.312 3.260 3.197 3.122 3.030 2.919 2.785 2.624 2.438 2.229 2.004 1.771 1.540 1.323 1.134 6.8
7.0 4.313 3.485 3.459 3.431 3.398 3.360 3.316 3.265 3.204 3.131 3.043 2.936 2.806 2.651 2.469 2.265 2.044 1.814 1.583 1.363 1.169 7.0
7.2 4.322 3.486 3.461 3.432 3.400 3.363 3.321 3.270 3.211 3.140 3.054 2.951 2.825 2.675 2.499 2.300 2.083 1.855 1.625 1.403 1.204 7.2
7.4 4.330 3.487 3.462 3.434 3.403 3.366 3.324 3.275 3.218 3.148 3.065 2.965 2.843 2.698 2.527 2.333 2.120 1.895 1.666 1.443 1.240 7.4
7.6 4.337 3.488 3.464 3.436 3.405 3.369 3.328 3.280 3.224 3.156 3.075 2.978 2.860 2.720 2.554 2.364 2.155 1.933 1.706 1.482 1.276 7.6
7.8 4.344 3.489 3.465 3.437 3.407 3.372 3.331 3.284 3.229 3.164 3.085 2.990 2.876 2.740 2.579 2.394 2.189 1.970 1.744 1.521 1.311 7.8
8.0 4.351 3.490 3.466 3.439 3.409 3.374 3.335 3.289 3.235 3.171 3.094 3.002 2.891 2.759 2.603 2.422 2.221 2.005 1.782 1.559 1.347 8.0
8.2 4.358 3.491 3.467 3.440 3.411 3.377 3.338 3.292 3.240 3.177 3.103 3.013 2.906 2.777 2.625 2.449 2.252 2.040 1.818 1.596 1.382 8.2
8.4 4.365 3.492 3.468 3.442 3.412 3.379 3.340 3.296 3.244 3.183 3.111 3.023 2.919 2.794 2.646 2.475 2.282 2.073 1.854 1.632 1.418 8.4
8.6 4.371 3.492 3.469 3.443 3.414 3.381 3.343 3.300 3.249 3.189 3.118 3.033 2.932 2.810 2.666 2.499 2.310 2.104 1.888 1.667 1.452 8.6
8.8 4.377 3.493 3.470 3.444 3.416 3.383 3.346 3.303 3.253 3.195 3.125 3.042 2.943 2.825 2.685 2.522 2.337 2.135 1.921 1.702 1.486 8.8
9.0 4.382 3.494 3.471 3.445 3.417 3.385 3.348 3.306 3.257 3.200 3.132 3.051 2.955 2.839 2.703 2.544 2.363 2.164 1.953 1.736 1.520 9.0
9.2 4.388 3.495 3.472 3.447 3.418 3.387 3.351 3.309 3.261 3.205 3.138 3.059 2.965 2.853 2.720 2.565 2.388 2.192 1.984 1.768 1.553 9.2
9.4 4.393 3.495 3.473 3.448 3.420 3.388 3.353 3.312 3.265 3.209 3.144 3.067 2.975 2.866 2.736 2.585 2.411 2.219 2.014 1.800 1.586 9.4
9.6 4.398 3.496 3.473 3.449 3.421 3.390 3.355 3.315 3.268 3.214 3.150 3.075 2.985 2.878 2.752 2.604 2.434 2.245 2.042 1.831 1.617 9.6
9.8 4.403 3.496 3.474 3.450 3.422 3.392 3.357 3.317 3.272 3.218 3.156 3.082 2.994 2.890 2.766 2.622 2.456 2.271 2.070 1.861 1.648 9.8
10.0 4.408 3.497 3.475 3.451 3.424 3.393 3.359 3.320 3.275 3.222 3.161 3.088 3.003 2.901 2.780 2.639 2.476 2.295 2.097 1.890 1.679 10.0
10.2 3.425 3.395 3.361 3.322 3.278 3.226 3.166 3.095 3.011 2.911 2.793 2.655 2.496 2.318 2.123 1.918 1.708 10.2
10.4 3.396 3.363 3.325 3.281 3.230 3.171 3.101 3.019 2.921 2.806 2.671 2.515 2.340 2.148 1.945 1.737 10.4
10.6 3.364 3.327 3.283 3.233 3.175 3.107 3.026 2.930 2.818 2.686 2.533 2.361 2.172 1.972 1.765 10.6
10.8 3.329 3.286 3.237 3.179 3.112 3.033 2.940 2.829 2.700 2.551 2.382 2.196 1.998 1.793 10.8
11.0 3.289 3.240 3.184 3.118 3.040 2.948 2.840 2.714 2.567 2.401 2.218 2.023 1.819 11.0
11.2 3.243 3.188 3.123 3.046 2.956 2.851 2.727 2.583 2.420 2.240 2.047 1.845 11.2
11.4 3.191 3.128 3.053 2.964 2.861 2.739 2.598 2.438 2.261 2.070 1.870 11.4
11.6 3.195 3.132 3.058 2.972 2.870 2.751 2.613 2.456 2.281 2.093 1.895 11.6
11.8 3.137 3.064 2.979 2.879 2.762 2.627 2.473 2.301 2.115 1.919 11.8
12.0 3.141 3.070 2.986 2.888 2.773 2.641 2.489 2.320 2.136 1.942 12.0
12.2 3.075 2.993 2.896 2.784 2.653 2.505 2.338 2.157 1.965 12.2
Sesgo 0.0 0.1 0.2 0.3 0.4 0.5 0.6 0.7 0.8 0.9 1.0 1.1 1.2 1.3 1.4 1.5 1.6 1.7 1.8 1.9 2.0
Tabla 1b de Pearson
0.0 0.1 0.2 0.3 0.4 0.5 0.6 0.7 0.8 0.9 1.0 1.1 1.2 1.3 1.4 1.5 1.6 1.7 1.8 1.9 2.0
-1.4 1.512 1.584 1.632 1.655 1.653 1.626 1.579 1.516 -1.4
-1.2 1.727 1.813 1.871 1.899 1.895 1.861 1.803 1.726 1.636 -1.2
-1.0 1.966 2.065 2.134 2.170 2.169 2.131 2.061 1.966 1.856 -1.0
-0.8 2.210 2.320 2.400 2.446 2.454 2.422 2.349 2.241 2.108 1.965 1.822 -0.8
-0.6 2.442 2.560 2.648 2.704 2.726 2.708 2.646 2.540 2.395 2.225 2.062 1.885 -0.6
-0.4 2.653 2.774 2.869 2.934 2.969 2.968 2.926 2.837 2.699 2.518 2.314 2.114 1.928 -0.4
-0.2 2.839 2.961 3.060 3.133 3.179 3.194 3.173 3.109 2.993 2.824 2.608 2.373 2.152 1.952 -0.2
0.0 3.000 3.123 3.224 3.303 3.358 3.387 3.385 3.345 3.259 3.116 2.914 2.665 2.405 2.169 1.960 0.0
0.2 3.140 3.261 3.364 3.447 3.510 3.550 3.564 3.546 3.488 3.378 3.206 2.970 2.690 2.412 2.167 0.2
0.4 3.261 3.381 3.484 3.570 3.639 3.688 3.715 3.715 3.681 3.603 3.468 3.264 2.993 2.687 2.398 2.149 0.4
0.6 3.366 3.485 3.588 3.676 3.749 3.805 3.843 3.858 3.844 3.793 3.693 3.529 3.290 2.984 2.658 2.366 2.119 0.6
0.8 3.458 3.575 3.678 3.768 3.844 3.905 3.951 3.978 3.961 3.953 3.883 3.758 3.561 3.283 2.945 2.609 2.322 0.8
1.0 3.539 3.654 3.757 3.847 3.926 3.991 4.044 4.080 4.096 4.087 4.043 3.952 3.797 3.561 3.243 2.881 2.547 2.269 1.0
1.2 3.611 3.724 3.826 3.917 3.997 4.066 4.124 4.167 4.194 4.208 4.177 4.115 3.998 3.808 3.529 3.172 2.798 2.476 1.2
1.4 3.674 3.786 3.887 3.978 4.060 4.131 4.193 4.243 4.278 4.296 4.290 4.252 4.168 4.020 3.789 3.463 3.075 2.705 2.399 1.4
1.6 3.731 3.842 3.942 4.033 4.115 4.189 4.253 4.308 4.351 4.378 4.386 4.367 4.311 4.200 4.015 3.736 3.364 2.961 2.609 1.6
1.8 3.782 3.891 3.990 4.081 4.164 4.239 4.307 4.365 4.414 4.449 4.468 4.472 4.431 4.352 4.209 3.979 3.646 3.238 2.840 2.511 1.8
2.0 3.828 3.936 4.034 4.125 4.208 4.285 4.354 4.416 4.468 4.511 4.539 4.549 4.532 4.479 4.372 4.189 3.907 3.522 3.095 2.719 2.0
2.2 3.870 3.976 4.073 4.164 4.248 4.325 4.396 4.460 4.517 4.564 4.600 4.620 4.619 4.587 4.510 4.369 4.137 3.796 3.370 2.949 2.603 2.2
2.4 4.908 4.013 4.109 4.199 4.283 4.361 4.433 4.500 4.559 4.611 4.653 4.682 4.693 4.678 4.627 4.521 4.336 4.047 3.648 3.201 2.808 2.4
2.6 3.943 4.046 4.142 4.231 4.315 4.394 4.467 4.535 4.597 4.653 4.700 4.736 4.757 4.756 4.725 4.649 4.506 4.269 3.916 3.471 3.033 2.6
2.8 3.975 4.077 4.172 4.261 4.344 4.423 4.498 4.567 4.631 4.690 4.741 4.783 4.812 4.824 4.809 4.758 4.650 4.460 4.160 3.745 3.280 2.8
3.0 4.004 4.105 4.199 4.287 4.371 4.450 4.525 4.596 4.662 4.723 4.777 4.824 4.860 4.882 4.881 4.850 4.771 4.623 4.376 4.007 3.544 3.0
3.2 4.031 4.131 4.224 4.312 4.396 4.475 4.550 4.622 4.689 4.752 4.810 4.861 4.903 4.932 4.944 4.929 4.875 4.762 4.563 4.347 3.813 3.2
3.4 4.056 4.155 4.247 4.335 4.418 4.498 4.573 4.645 4.714 4.779 4.839 4.893 4.940 4.976 4.997 4.996 4.963 4.880 4.723 4.461 4.072 3.4
3.6 4.079 4.177 4.269 4.356 4.439 4.518 4.594 4.667 4.737 4.803 4.865 4.922 4.973 5.015 5.044 5.055 5.038 4.980 4.859 4.647 4.311 3.6
3.8 4.101 4.197 4.288 4.375 4.458 4.537 4.614 4.687 4.757 4.825 4.888 4.948 5.002 5.049 5.085 5.106 5.103 5.066 4.976 4.806 4.524 3.8
4.0 4.121 4.217 4.307 4.393 4.476 4.555 4.631 4.705 4.776 4.845 4.910 4.972 5.029 5.080 5.122 5.150 5.159 5.139 5.075 4.943 4.712 4.0
4.2 4.140 4.234 4.324 4.410 4.492 4.571 4.648 4.722 4.794 4.863 4.929 4.993 5.052 5.107 5.153 5.189 5.208 5.202 5.159 5.059 4.873 4.2
4.4 4.157 4.251 4.340 4.425 4.508 4.587 4.663 4.737 4.809 4.879 4.947 5.012 5.074 5.131 5.181 5.223 5.250 5.257 5.232 5.159 5.012 4.4
4.6 4.174 4.267 4.355 4.400 4.522 4.601 4.677 4.752 4.824 4.895 4.963 5.029 5.093 5.152 5.207 5.253 5.288 5.305 5.295 5.244 5.131 4.6
4.8 4.189 4.281 4.369 4.454 4.535 4.614 4.691 4.765 4.838 4.909 4.978 5.045 5.110 5.172 5.229 5.280 5.321 5.346 5.349 5.318 5.233 4.8
5.0 4.204 4.295 4.383 4.467 4.548 4.627 4.703 4.778 4.851 4.922 4.992 5.060 5.126 5.190 5.249 5.303 5.350 5.383 5.396 5.381 5.320 5.0
5.2 4.218 4.308 4.395 4.479 4.560 4.638 4.715 4.789 4.862 4.934 5.004 5.073 5.141 5.206 5.267 5.325 5.376 5.415 5.437 5.436 5.395 5.2
5.4 4.231 4.321 4.407 4.090 4.571 4.649 4.725 4.800 4.873 4.945 5.016 5.086 5.154 5.220 5.284 5.344 5.399 5.443 5.474 5.483 5.460 5.4
5.6 4.243 4.332 4.418 4.501 4.581 4.659 4.736 4.810 4.884 4.956 5.027 5.097 5.166 5.233 5.299 5.361 5.418 5.468 5.505 5.525 5.516 5.6
5.8 4.255 4.343 4.429 4.511 4.591 4.669 4.745 4.820 4.893 4.966 5.037 5.108 5.177 5.246 5.312 5.376 5.436 5.491 5.533 5.571 5.565 5.8
6.0 4.266 4.354 4.439 4.521 4.600 4.678 4.754 4.829 4.902 4.975 5.046 5.117 5.188 5.257 5.325 5.390 5.452 5.511 5.558 5.593 5.608 6.0
6.2 4.276 4.364 4.448 4.530 4.609 4.695 4.763 4.837 4.911 4.983 5.055 5.126 5.197 5.267 5.336 5.403 5.467 5.529 5.581 5.621 5.645 6.2
6.4 4.286 4.373 4.457 4.538 4.618 4.703 4.771 4.845 4.919 4.991 5.063 5.135 5.206 5.276 5.346 5.440 5.480 5.542 5.600 5.646 5.678 6.4
6.6 4.296 4.382 4.466 4.547 4.626 4.710 4.778 4.853 4.926 4.999 5.071 5.143 5.214 5.285 5.356 5.425 5.492 5.557 5.618 5.669 5.706 6.6
6.8 4.305 4.391 4.474 4.554 4.633 4.717 4.785 4.860 4.933 5.006 5.078 5.150 5.222 5.293 5.364 5.434 5.503 5.569 5.634 5.688 5.732 6.8
7.0 4.313 4.399 4.481 4.562 4.640 4.724 4.792 4.867 4.940 5.013 5.085 5.157 5.229 5.301 5.372 5.443 5.513 5.581 5.648 5.706 5.754 7.0
7.2 4.322 4.406 4.489 4.569 4.647 4.730 4.799 4.873 4.946 5.019 5.091 5.164 5.236 5.308 5.380 5.451 5.522 5.591 5.658 5.722 5.775 7.2
7.4 4.330 4.414 4.496 4.576 4.654 4.736 4.805 4.879 4.952 5.025 5.097 5.170 5.242 5.314 5.387 5.459 5.530 5.601 5.669 5.736 5.792 7.4
7.6 4.337 4.421 4.503 4.582 4.660 4.742 4.811 4.885 4.958 5.031 5.103 5.175 5.248 5.320 5.393 5.466 5.538 5.609 5.679 5.749 5.808 7.6
7.8 4.344 4.428 4.509 4.588 4.666 4.747 4.817 4.890 4.963 5.036 5.109 5.181 5.253 5.326 5.399 5.472 5.545 5.617 5.688 5.760 5.823 7.8
8.0 4.351 4.434 4.515 4.594 4.672 4.753 4.822 4.896 4.969 5.041 5.114 5.186 5.259 5.331 5.404 5.478 5.551 5.624 5.696 5.771 5.836 8.0
8.2 4.358 4.441 4.521 4.600 4.677 4.758 4.827 4.901 4.974 5.046 5.118 5.191 5.263 5.336 5.410 5.483 5.557 5.631 5.704 5.775 5.847 8.2
8.4 4.365 4.447 4.527 4.605 4.682 4.762 4.832 4.905 4.978 5.051 5.123 5.195 5.268 5.341 5.414 5.488 5.562 5.637 5.710 5.783 5.858 8.4
8.6 4.371 4.452 4.532 4.611 4.687 4.767 4.837 4.910 4.983 5.055 5.127 5.200 5.272 5.345 5.419 5.493 5.567 5.642 5.717 5.790 5.867 8.6
8.8 4.377 4.458 4.538 4.616 4.692 4.772 4.841 4.914 4.987 5.059 5.132 5.204 5.276 5.349 5.423 5.497 5.572 5.647 5.722 5.797 5.875 8.8
9.0 4.382 4.463 4.543 4.621 4.697 4.776 4.845 4.918 4.991 5.063 5.135 5.208 5.280 5.353 5.427 5.501 5.576 5.652 5.727 5.803 5.883 9.0
9.2 4.388 4.468 4.548 4.625 4.701 4.780 4.850 4.923 4.995 5.067 5.139 5.211 5.284 5.357 5.431 5.505 5.580 5.656 5.732 5.808 5.883 9.2
9.4 4.393 4.473 4.552 4.630 4.705 4.784 4.854 4.926 4.999 5.071 5.143 5.215 5.287 5.361 5.434 5.509 5.584 5.660 5.736 5.813 5.889 9.4
9.6 4.398 4.478 4.557 4.634 4.710 4.788 4.857 4.930 5.002 5.074 5.146 5.218 5.291 5.364 5.437 5.512 5.587 5.663 5.740 5.817 5.894 9.6
9.8 4.403 4.483 4.561 4.638 4.714 4.791 4.861 4.934 5.006 5.078 5.149 5.222 5.294 5.367 5.440 5.515 5.590 5.667 5.744 5.821 5.898 9.8
10.0 4.408 4.487 4.565 4.642 4.717 4.795 4.865 4.937 5.009 5.081 5.156 5.225 5.297 5.370 5.443 5.518 5.593 5.670 5.747 5.825 5.903 10.0
10.2 4.721 4.798 4.868 4.940 5.012 5.084 5.156 5.228 5.300 5.373 5.446 5.521 5.596 5.673 5.750 5.828 5.906 10.2
10.4 4.871 4.943 5.015 5.087 5.158 5.230 5.303 5.375 5.449 5.523 5.599 5.675 5.753 5.831 5.910 10.4
10.6 4.874 4.947 5.018 5.090 5.161 5.233 5.305 5.378 5.451 5.526 5.601 5.678 5.755 5.834 5.913 10.6
10.8 4.949 5.021 5.092 5.164 5.236 5.308 5.300 5.454 5.528 5.603 5.680 5.757 5.836 5.915 10.8
11.0 5.024 5.095 5.166 5.238 5.310 5.383 5.456 5.530 5.605 5.682 5.760 5.838 5.918 11.0
11.2 5.098 5.169 5.240 5.312 5.385 5.458 5.532 5.607 5.684 5.762 5.840 5.920 11.2
11.4 5.171 5.243 5.314 5.387 5.460 5.534 5.609 5.686 5.763 5.842 5.922 11.4
11.6 5.173 5.245 5.316 5.389 5.462 5.536 5.611 5.687 5.765 5.844 5.924 11.6
11.8 5.247 5.318 5.391 5.464 5.538 5.613 5.689 5.767 5.845 5.925 11.8
12.0 5.249 5.320 5.393 5.465 5.539 5.614 5.690 5.760 5.847 5.927 12.0
12.2 5.322 5.394 5.467 5.500 5.616 5.692 5.769 5.848 5.928 12.2
Sesgo 0.0 0.1 0.2 0.3 0.4 0.5 0.6 0.7 0.8 0.9 1.0 1.1 1.2 1.3 1.4 1.5 1.6 1.7 1.8 1.9 2.0
Tabla 2 de Pearson
0.0 0.1 0.2 0.3 0.4 0.5 0.6 0.7 0.8 0.9 1.0 1.1 1.2 1.3 1.4 1.5 1.6 1.7 1.8 1.9 2.0
-1.4 0.000 0.053 0.111 0.184 0.282 0.424 0.627 0.754 -1.4
-1.2 0.000 0.039 0.082 0.132 0.196 0.284 0.412 0.591 0.527 -1.2
-1.0 0.000 0.031 0.065 0.103 0.151 0.212 0.297 0.419 0.586 -1.0
-0.8 0.000 0.026 0.054 0.085 0.123 0.169 0.231 0.317 0.439 0.598 0.681 -0.8
-0.6 0.000 0.023 0.047 0.073 0.104 0.142 0.190 0.254 0.343 0.468 0.616 0.653 -0.6
-0.4 0.000 0.020 0.041 0.064 0.091 0.122 0.161 0.212 0.280 0.375 0.504 0.633 0.616 -0.4
-0.2 0.000 0.018 0.037 0.058 0.081 0.108 0.141 0.183 0.237 0.311 0.413 0.542 0.638 0.574 -0.2
0.0 0.000 0.017 0.034 0.053 0.073 0.097 0.126 0.161 0.206 0.266 0.347 0.456 0.579 0.621 0.531 0.0
0.2 0.000 0.015 0.032 0.049 0.068 0.089 0.114 0.145 0.183 0.233 0.299 0.388 0.501 0.605 0.582 0.2
0.4 0.000 0.014 0.029 0.045 0.063 0.082 0.105 0.132 0.165 0.208 0.263 0.336 0.433 0.545 0.607 0.536 0.4
0.6 0.000 0.013 0.028 0.043 0.059 0.077 0.097 0.122 0.151 0.188 0.235 0.297 0.379 0.481 0.579 0.579 0.589 0.6
0.8 0.000 0.013 0.026 0.040 0.055 0.072 0.091 0.113 0.140 0.172 0.213 0.266 0.336 0.425 0.527 0.590 0.533 0.8
1.0 0.000 0.012 0.025 0.038 0.053 0.068 0.086 0.106 0.130 0.159 0.196 0.242 0.301 0.379 0.474 0.563 0.569 0.484 1.0
1.2 0.000 0.011 0.024 0.036 0.050 0.065 0.082 0.100 0.122 0.148 0.181 0.222 0.274 0.341 0.426 0.520 0.576 0.524 1.2
1.4 0.000 0.011 0.023 0.035 0.048 0.062 0.078 0.095 0.116 0.140 0.169 0.206 0.252 0.310 0.385 0.474 0.554 0.555 0.475 1.4
1.6 0.000 0.010 0.022 0.034 0.046 0.060 0.075 0.091 0.110 0.132 0.159 0.192 0.233 0.285 0.351 0.432 0.518 0.564 0.510 1.6
1.8 0.000 0.010 0.021 0.032 0.044 0.057 0.072 0.087 0.105 0.126 0.151 0.180 0.217 0.264 0.323 0.396 0.480 0.549 0.540 0.461 1.8
2.0 0.000 0.009 0.020 0.031 0.043 0.065 0.069 0.084 0.101 0.120 0.143 0.171 0.204 0.246 0.299 0.365 0.443 0.521 0.552 0.494 2.0
2.2 0.000 0.009 0.020 0.030 0.042 0.054 0.067 0.081 0.097 0.115 0.137 0.162 0.193 0.231 0.279 0.338 0.410 0.488 0.544 0.522 0.445 2.2
2.4 0.000 0.009 0.019 0.029 0.040 0.052 0.065 0.078 0.094 0.111 0.131 0.155 0.183 0.218 0.261 0.315 0.381 0.456 0.524 0.538 0.475 2.4
2.6 0.000 0.008 0.018 0.029 0.039 0.051 0.063 0.076 0.091 0.107 0.126 0.148 0.175 0.207 0.246 0.295 0.355 0.426 0.498 0.539 0.503 2.6
2.8 0.000 0.008 0.018 0.028 0.038 0.049 0.061 0.074 0.080 0.104 0.122 0.143 0.167 0.197 0.233 0.278 0.333 0.398 0.470 0.526 0.522 2.8
3.0 0.000 0.008 0.017 0.027 0.037 0.048 0.059 0.072 0.085 0.101 0.118 0.138 0.161 0.189 0.222 0.263 0.313 0.374 0.443 0.506 0.530 3.0
3.2 0.000 0.008 0.017 0.027 0.037 0.047 0.058 0.070 0.083 0.098 0.114 0.033 0.155 0.181 0.212 0.250 0.296 0.352 0.417 0.483 0.525 3.2
3.4 0.000 0.008 0.017 0.026 0.036 0.046 0.057 0.068 0.081 0.095 0.111 0.129 0.150 0.174 0.203 0.239 0.281 0.333 0.394 0.460 0.513 3.4
3.6 0.000 0.007 0.016 0.025 0.035 0.045 0.056 0.067 0.079 0.093 0.108 0.125 0.145 0.168 0.196 0.228 0.268 0.316 0.373 0.437 0.495 3.6
3.8 0.000 0.007 0.016 0.025 0.034 0.044 0.054 0.066 0.078 0.091 0.105 0.122 0.141 0.163 0.188 0.219 0.256 0.301 0.354 0.415 0.475 3.8
4.0 0.000 0.007 0.015 0.025 0.034 0.043 0.053 0.064 0.076 0.089 0.103 0.119 0.137 0.158 0.182 0.211 0.246 0.288 0.337 0.395 0.495 4.0
4.2 0.000 0.007 0.015 0.024 0.033 0.043 0.053 0.063 0.075 0.087 0.101 0.116 0.133 0.153 0.176 0.204 0.236 0.276 0.322 0.376 0.435 4.2
4.4 0.000 0.007 0.015 0.024 0.033 0.042 0.052 0.062 0.073 0.085 0.099 0.113 0.130 0.149 0.171 0.197 0.228 0.265 0.308 0.359 0.416 4.4
4.6 0.000 0.007 0.015 0.023 0.032 0.041 0.051 0.061 0.072 0.084 0.097 0.111 0.127 0.145 0.167 0.191 0.220 0.255 0.296 0.344 0.399 4.6
4.8 0.000 0.006 0.015 0.023 0.032 0.041 0.050 0.060 0.071 0.082 0.095 0.109 0.124 0.142 0.162 0.186 0.213 0.246 0.285 0.330 0.382 4.8
5.0 0.000 0.006 0.014 0.023 0.031 0.040 0.049 0.059 0.070 0.081 0.093 0.107 0.122 0.139 0.158 0.181 0.207 0.238 0.274 0.317 0.367 5.0
5.2 0.000 0.006 0.014 0.022 0.031 0.040 0.049 0.058 0.069 0.080 0.092 0.105 0.119 0.136 0.155 0.176 0.201 0.231 0.265 0.306 0.353 5.2
5.4 0.000 0.006 0.014 0.022 0.030 0.039 0.048 0.057 0.068 0.078 0.090 0.103 0.117 0.133 0.151 0.172 0.196 0.224 0.257 0.295 0.340 5.4
5.6 0.000 0.006 0.014 0.022 0.030 0.039 0.047 0.057 0.067 0.077 0.089 0.101 0.115 0.131 0.148 0.168 0.191 0.218 0.249 0.285 0.328 5.6
5.8 0.000 0.006 0.014 0.022 0.030 0.038 0.047 0.056 0.066 0.076 0.087 0.100 0.113 0.128 0.145 0.164 0.186 0.212 0.242 0.277 0.317 5.8
6.0 0.000 0.006 0.014 0.021 0.029 0.038 0.046 0.055 0.065 0.075 0.086 0.098 0.111 0.126 0.142 0.161 0.182 0.207 0.235 0.268 0.307 6.0
6.2 0.000 0.006 0.013 0.021 0.029 0.037 0.046 0.055 0.064 0.074 0.085 0.097 0.110 0.124 0.140 0.158 0.178 0.202 0.229 0.261 0.298 6.2
6.4 0.000 0.006 0.013 0.021 0.029 0.037 0.045 0.054 0.063 0.073 0.084 0.096 0.108 0.122 0.137 0.155 0.175 0.197 0.223 0.254 0.289 6.4
6.6 0.000 0.006 0.013 0.021 0.028 0.037 0.045 0.054 0.063 0.073 0.083 0.094 0.107 0.120 0.135 0.152 0.171 0.193 0.218 0.247 0.281 6.6
6.8 0.000 0.006 0.013 0.021 0.028 0.036 0.044 0.053 0.062 0.072 0.082 0.093 0.105 0.118 0.133 0.150 0.168 0.189 0.213 0.241 0.273 6.8
7.0 0.000 0.005 0.013 0.020 0.028 0.036 0.044 0.053 0.061 0.071 0.081 0.092 0.104 0.117 0.131 0.147 0.165 0.185 0.209 0.236 0.267 7.0
7.2 0.000 0.005 0.013 0.020 0.028 0.036 0.044 0.052 0.061 0.070 0.080 0.091 0.103 0.115 0.129 0.145 0.162 0.182 0.205 0.230 0.260 7.2
7.4 0.000 0.005 0.013 0.020 0.027 0.035 0.043 0.052 0.060 0.070 0.079 0.090 0.101 0.114 0.128 0.143 0.160 0.179 0.201 0.226 0.254 7.4
7.6 0.000 0.005 0.012 0.020 0.027 0.035 0.043 0.051 0.060 0.069 0.079 0.089 0.100 0.113 0.126 0.141 0.157 0.176 0.197 0.221 0.249 7.6
7.8 0.000 0.005 0.012 0.020 0.027 0.035 0.043 0.051 0.059 0.068 0.078 0.088 0.099 0.111 0.124 0.139 0.155 0.173 0.193 0.217 0.243 7.8
8.0 0.000 0.005 0.012 0.019 0.027 0.034 0.042 0.050 0.059 0.068 0.077 0.087 0.098 0.110 0.123 0.137 0.153 0.170 0.190 0.213 0.238 8.0
8.2 0.000 0.005 0.012 0.019 0.027 0.034 0.042 0.050 0.058 0.067 0.076 0.086 0.097 0.109 0.121 0.135 0.151 0.168 0.187 0.209 0.234 8.2
8.4 0.000 0.005 0.012 0.019 0.260 0.034 0.042 0.050 0.058 0.067 0.076 0.086 0.096 0.108 0.120 0.134 0.149 0.165 0.184 0.205 0.229 8.4
8.6 0.000 0.005 0.012 0.019 0.026 0.034 0.041 0.049 0.057 0.066 0.075 0.085 0.095 0.107 0.119 0.132 0.147 0.163 0.181 0.202 0.225 8.6
8.8 0.000 0.005 0.012 0.019 0.026 0.033 0.041 0.049 0.057 0.066 0.075 0.084 0.094 0.106 0.118 0.131 0.145 0.161 0.179 0.199 0.221 8.8
9.0 0.000 0.005 0.012 0.019 0.026 0.033 0.041 0.049 0.057 0.065 0.074 0.084 0.094 0.105 0.116 0.129 0.143 0.159 0.176 0.196 0.218 9.0
9.2 0.000 0.005 0.012 0.019 0.026 0.033 0.040 0.048 0.056 0.065 0.073 0.083 0.093 0.104 0.115 0.128 0.142 0.157 0.174 0.193 0.214 9.2
9.4 0.000 0.005 0.012 0.019 0.026 0.033 0.040 0.048 0.056 0.064 0.073 0.082 0.092 0.103 0.114 0.127 0.140 0.155 0.172 0.190 0.211 9.4
9.6 0.000 0.005 0.012 0.019 0.025 0.033 0.040 0.048 0.055 0.064 0.072 0.082 0.091 0.102 0.113 0.125 0.139 0.153 0.170 0.188 0.208 9.6
9.8 0.000 0.005 0.012 0.018 0.025 0.032 0.040 0.047 0.055 0.063 0.072 0.081 0.091 0.101 0.112 0.124 0.137 0.152 0.168 0.185 0.205 9.8
10.0 0.000 0.005 0.011 0.018 0.025 0.032 0.040 0.047 0.055 0.063 0.071 0.080 0.090 0.100 0.111 0.123 0.136 0.150 0.166 0.183 0.202 10.0
10.2 0.000 0.032 0.039 0.047 0.054 0.063 0.071 0.080 0.089 0.099 0.110 0.122 0.135 0.149 0.164 0.181 0.200 10.2
10.4 0.000 0.032 0.039 0.047 0.054 0.062 0.071 0.079 0.089 0.099 0.109 0.121 0.133 0.147 0.162 0.179 0.197 10.4
10.6 0.000 0.039 0.046 0.054 0.062 0.070 0.079 0.088 0.098 0.109 0.120 0.132 0.146 0.160 0.177 0.195 10.6
10.8 0.000 0.046 0.054 0.061 0.070 0.078 0.088 0.097 0.108 0.119 0.131 0.144 0.159 0.175 0.192 10.8
11.0 0.000 0.053 0.061 0.069 0.078 0.087 0.097 0.107 0.118 0.130 0.143 0.157 0.173 0.190 11.0
11.2 0.000 0.061 0.069 0.078 0.087 0.096 0.106 0.117 0.129 0.142 0.156 0.171 0.188 11.2
11.4 0.000 0.069 0.077 0.086 0.095 0.105 0.116 0.128 0.141 0.154 0.169 0.186 11.4
11.6 0.000 0.068 0.077 0.086 0.095 0.104 0.116 0.127 0.139 0.153 0.168 0.184 11.6
11.8 0.000 0.076 0.085 0.094 0.104 0.115 0.126 0.138 0.152 0.166 0.182 11.8
12.0 0.000 0.076 0.085 0.094 0.104 0.114 0.125 0.137 0.150 0.165 0.181 12.0
12.2 0.000 0.084 0.093 0.103 0.113 0.124 0.136 0.149 0.163 0.179 12.2
Sesgo 0.0 0.1 0.2 0.3 0.4 0.5 0.6 0.7 0.8 0.9 1.0 1.1 1.2 1.3 1.4 1.5 1.6 1.7 1.8 1.9 2.0
Procedimiento :
Obtener el ndice de capacidad potencial de proceso a corto
plazo (Cp) y el ndice de capacidad real de proceso a largo plazo
(Ppk).
Calcular el ndice de desempeo potencial de proceso (Zcp).
Zst = 3 Cp (P/especif. Bilaterales)
Zst = 3 Cpk (P/especif. Unilaterales)
Calcular el ndice de desempeo real de proceso (Zlp):
Zlt = 3 Ppk

Calcule el ndice de desempeo entre grupos (Zshift):
Zshift = Zst - Zlt

ndices de desemepeo
ndices de desempeo
Analice la informacin; se consideran como valores
aceptables los siguientes:
Zlt > 3 ; Zst > 4 ; Zshift < 1.5

Zst
4.0 6.0
Z
s
h
i
f
t

2.0 0.0
0.0
1.0
2.0
3.0
C
o
n
t
r
o
l

Capacidad/Diseo/Tecnologa
Zst
4.0 6.0
Z
s
h
i
f
t

2.0 0.0
0.0
1.0
2.0
3.0
C
o
n
t
r
o
l

Capacidad/Diseo/Tecnologa
B
u
e
n
o

M
a
l
o

Malo Bueno
Estado
deseado
Pobre
control
Pobre
capacidad
Pobre control y
pobre capacidad
308
V.F.5 Capacidad de procesos por
atributos
309
Capacidad de proceso
para datos por atributos
En este caso la capacidad del proceso es la proporcin
media de producto no conforme

Para cartas p y np, la capacidad del proceso es la p media
de fraccin no conforme. Se puede usar 1 p.

Para cartas c, la capacidad del proceso es el promedio de
las no conformidades, c media, para una muestra fija de
tamao n.

Para cartas u, la capacidad del proceso es el promedio de
las no conformidades por unidad, u media
310
V.E.6 Capacidad de procesos
bajo Seis Sigma
311
Capacidad de procesos
bajo Seis Sigma
Motorola not que muchas operaciones en productos
complejos tendan a desplazarse 1.5 sobre el
tiempo, por tanto un proceso de 6 a la larga
tendr 4.5 hacia uno de los lmites de
especificacin, generando 3.4 DPMOs (defectos por
milln de oportunidades)

312
Variacin a Corto Plazo
(periodo durante el cual no se
presenta ningn cambio en el
proceso)
Zst = Zlt + 1.5
Variacin a largo plazo
(periodo en el cual ya se
han presentado todos los
cambios posibles en el
proceso) - Zlt
Variacin Global - Zbench.
313
D N O S A J J M A M F E D N O S A J J M A M F E
3.5
Salida
Mes
Variabilidad
Total
(Natural)
Variabilidad
entre subgrupos
Variabilidad combinada
dentro del subgrupo
+ =
2.5
1.5
LIE
Capacidad a
Largo Plazo
LSE
Capacidad a
Corto Plazo
Capacidad en el corto y largo plazo
314
Rendimiento de la capacidad real
Recibo de partes
del proveedor
45,000
Unidades
desperdiciadas
51,876
Unidades
desperdiciadas
Correcto la
primera
vez
Despus de la
inspeccin de recepcin

De las operaciones
de Maquinado
En los puestos
de prueba -
1er intento
125,526 unidades desperdiciadas
por milln de oportunidades
28,650
Unidades
desperdiciadas
95.5% de rendimiento
97% de rendimiento
94.4% de
rendimiento
YRT = .955*.97*.944 =
87.4%
1,000,000 unidades
315
Ejemplos de defectos / unidad
Determinar DPU en la produccin de 100 unidades

DPU = D/U = (20+10+12+4)/100=0.46
Si cada unidad tiene 6 oportunidades para defecto
(caractersticas A, B, C, D, E y F), calcular DPO y DPMO

DPO = DPU / O = 0.46/6 = 0.078 DPMO = 78,333

Defectos 20 10 12 4
Unidades 70 20 6 4
316
Relaciones de sigmas
La probabilidad de uno o ms defectos es:

P(d) = 1- Yrt = 1 FPY o P(d) = 1 Yrt para varios
procesos

Si se tiene FPY = 95% P(d) = 0.05

Entonces la Z a largo plazo se encuentra en tablas
como Zlt = 1.645 sigma y por tanto la Zst a corto
plazo es:
Zst = 1.645 + 1.5 (corrimiento) = 3.145

317
Como calcular la capacidad Seis Sigma para un
proceso (equivale a la Zst de corto plazo)?
Qu proceso se considera? Facturacin y CxC
Cuntas unidades tiene el proceso? 1,283
Cuntas estn libres de defectos? 1,138

Calcular el desempeo del proceso 1138/1283=0.887
Calcular la tasa de defectos 1 - 0.887 = 0.113

Determinar el nmero de oportunidades
que pueden ocasionar un defecto (CTQs) 24

Calcular la tasa de defecto por caract. CTQ 0.113 / 24 = .004709
Calcular los defectos x milln de oportunidades DPMO = 4,709
Calcular #sigmas con tabla de conversin de sigma 4.1

318
Planta escondida
$1/Unit $1/Unit

$1/Unit $1/Unit
100
100

10

Rework
Rework Rework Rework
100

100

100

10

10

10

Y
1
=0.90 Y
2
=0.90

Y
3
=0.90 Y
3
=0.90
100
90

81

73

66

10

9

8

7

319
La eficiencia rolada
$1/Unit $1/Unit

$1/Unit $1/Unit
100
100

10

Reproceso
Reproceso Reproceso Reproceso
100
100

100

10

10

10

1 YRT = Probabilidad de un defecto/unidad = 1 0.67 = 0.33 = 33%
1 + (1 Y
RT
) = Numero de unidades equivalentes iniciadas para
producir una unidad buena = 1 + (1 - 0.67) = 1.33
Y
RT
= e
- DPU
= e
- (40/100)
= e
- 0.4
= 0.67 = 67%

Aproximando de Binomial a Poisson :
0.9 x 0.9 x 0.9 x 0.9 = 0.9
4
= 66/100 = 0.66 = 66%

Y
RT
= p
i=1
n
Y
i
=
320
Costos de pobre calidad
$1/Unit $1/Unit

$1/Unit $1/Unit
100
100

10

Rework
Rework Rework Rework
100
100

100

10

10

10

Considerando :
No existe scrap ni costos de inventarios
Precio de Ventas = $5.00/Unidad
Por lo tanto :
Como el nmero de unidades equivalentes iniciadas para producir una unidad
buena = 1.33
Costo de producir una unidad buena = 1.33*$4 = $5.32
Utilidades = $5.00 - $5.32 = -$0.32/Unidad
COPQ = ($5.32-$4.00)/$5.00 = 26.4% de las ventas
321
Eficiencias y DPMOs PPMs
El desempeo de un proceso tambin puede ser
expresado en trminos de eficiencia. Las 3 eficiencias
ms usadas son :
Eficiencia de primer paso (bien a la primera vez),
eficiencia final (Yfinal) o First Time Yield (YFT)

Eficiencia rolada o Rolled-Throughput Yield (YRT)

Eficiencia Normalizada (Ynorm)

322
Eficiencia de primer paso (bien a la primera vez),
eficiencia final (Yfinal) o First Time Yield (YFT)

Y
final
=
Nmero de unidades buenas antes de retrabajo
Nmero de unidades probadas evaluadas
323
Eficiencia rolada o Rolled-Throughput Yield (YRT)

Y
1
=S
1
/E Y
2
=S
2
/S
1
Y
3
=S
3
/S
2
Y
n
=S
n
/S
n-1

.....
E
S
1
S
2
S
3
S
n-1
S
n
Donde :
e = 2.71828182845
m = Nmero de oportunidades por
unidad
Para datos
continuos :
Y
RT
= p
i=1
n
Y
i
= Y
1
x Y
2
x Y
3
x....x Y
n
Para datos discretos (Aproximacin de Binomial a Poisson) :
Y
RT
= e
-TDPU
Y
RT
= e
-(DPO)
m
Donde : Y
1
, Y
2
, Y
3
,...., Y
n
son first time Yield de los pasos 1, 2,
3,...,n
324
Eficiencia Normalizada (Ynorm)

Y
norm
= (Y
RT
)
1/k
Clculo de DPU a partir de la Eficiencia :
DPU = 1 - Y
Eficiencia a partir de PPMs :
Y = 1 (PPM/1000,000)
Clculo de la Eficiencia Normalizada (Y
norm
) :
325
Relaciones con el rendimiento Y
La probabilidad de encontrar X defectos con la
distribucin de Poisson es:

X es un entero y DPU > 0
Para el caso de que X sea cero se tiene

Rendimiento o FRC = P(X=0) = Exp(-DPU)

326
Frmulas de desempeo
327
Rolled Troughput Yield (Yrt)
Yrt es el clculo acumulativo del ndice de defectos a
lo largo de procesos mltiples

La probabilidad de un defecto es 1 P(Yrt) = 0.05
328
Tablero de control
de variable discreta
Se utiliza cuando se va a evaluar el desempeo de un
CTQ, pero hay desempeos parciales en el tiempo.

Defina el defecto, la unidad y el nmero de
oportunidades por unidad

Defina que es un corto plazo

Evale el desempeo en DPMO y Z del CTQ en varios
(k) cortos plazos

329
Tablero de control
Evale el desempeo en DPMO del largo plazo,
considerando lo siguiente

D
lt
= S D
st
i i = 1
k
TotOp
lt
= S [U
i
*(Op/U)
i
]
i = 1
k
DPMO
lt
=

D
lt
.
TotOp
lt

* 10
6
Donde :
D
lt
= Defectos de largo plazo
D
st
= Defectos de corto plazo
U = Nmero de unidades

Op/U = Oportunidades por unidad
TotOp = Total de oportunidades

DPMO
lt
= Defectos por Milln de Oportunidades
k = Nmero total de caractersticas crticas
330
Tablero de control
Con los DPMOlt evale la Zlt
Identifique la Z de corto plazo ms pequea y sta
ser la Zst
Calcule la Zshift considerando que :

Z
shift
= Z
st
- Z
lt

331
Tablero de control
de variable continua
CTQ, pero hay desempeos parciales en el tiempo.
Determine la variable y los Lmites de Especificacin

Defina que es un periodo de tiempo

Recolecte datos de cada periodo y calcule la
desviacin estndar de Corto plazo (Sst) y las PPMs
de cada periodo de tiempo

Calcule la Zst y Zlt de cada periodo de tiempo
332
Tablero de control
Calcule la Sst total del CTQ mediante:

Calcule la Zst total del CTQ
Calcule los PPMs totales mediante un promedio
ponderado
g

(n
j
-1) s
j
2
j=1
(n-g)
s
st
=
Donde : n = Nmero Total de Datos
n
j
= Nmero de datos del grupo j
s
j
= Desviacin Estndar del grupo j
g = Nmero de grupos
333
Tablero de control

Con los PPMs totales obtenga Zlt total del CTQ

Donde : PPM = PPM Totales
PPM
j
= PPMs del periodo i
n
i
= Nmero de datos del periodo i
N = Nmero total de datos
PPM = S PPM
i

n
i
N
i = 1
k
334
Tablero de control
Con los DPMOlt evale la Zlt
Identifique la Z de corto plazo ms pequea y sta
ser la Zst

Z
shift
= Z
st
- Z
lt

335
Tablero de control
de variable mltiple
Producto, Proceso Sistema a partir del desempeo
de varios CTSs, CTQs CTPs
Defina el Producto, Proceso Sistema a evaluar

Identifique los CTSs, CTQs CTPs del Sistema a
evaluar

Evale de forma individual cada CTS, CTQ CTP en
trminos de DPMOlt
336
Tablero de control
de variable mltiple
Calcule la eficiencia (Yftlt) de cada CTS, CTQ CTP
considerando que:

Evale desempeo potencial de cada caracterstica
crtica expresado en DPMOst, el cual se puede
obtener a partir de la Zst los menores DPMO que
el proceso ha demostrado generar a corto plazo.

y
ftlt
i
= 1

Donde :
y
ftlt
i
= Eficiencia de la caracterstica crtica i
DPMO
lt
i
= Defectos por Milln de Op. de la caract. i
DPMO
lt
i

10
6
337
Tablero de control
de variable mltiple
Calcule la eficiencia (y
ftst
) de cada CTS, CTQ CTP considerando que :
y
ftst
i
= 1

DPMO
st
i

10
6
Calcule las eficiencias roladas (Y
RT
) de Corto (st) y largo plazo (lt) del
Producto, Proceso Sistema mediante :
Y
RTlt
= P y
ftlt
i i = 1
k Donde :
Y
RTlt
= Eficiencia rolada total del sistema
Y
RTst
= Eficiencia rolada potencial del sistema
y
ftlt
i
= Eficiencia de la caracterstica crtica i
y
ftst
i
= Eficiencia potencial de la caracterstica crtica i
k = Nmero total de caractersticas
Y
RTst
= P y
ftst
i i = 1
k
338
Tablero de control
de variable mltiple
Calcule la Eficiencia Normalizada (y
norm
) de corto (st) y largo plazo (lt) :
Y
norm
st
= (Y
RTst
)
1/k
Y
norm
lt
= (Y
RTlt
)
1/k
En caso de que cada Caracterstica Crtica tenga un diferente nivel de
importancia, entonces la Eficiencia Normalizada se puede obtener
ponderando las eficiencias de cada Caracterstica usando la siguiente
frmula :
Y
norm
= (d1
I
1
) x (d2
I
2
) x x (dn
I
n
)
(1/EIi)
I es la importancia. La caracterstica crtica con mayor valor
de I es ponderado con mayor peso al calcular el valor total
compuesto Y
339
Tablero de control
de variable mltiple
Calcule los DPMO totales del sistema mediante:

Con los DPMOst obtenga la Zst, con los DPMOlt
obtenga la Zlt
Calcule la Zshift del sistema mediante :

DPMO
st
= (1 Y
norm
st
)*10
6
DPMO
lt
= (1 Y
norm
lt
)*10
6
Z
shift
= Z
st
- Z
lt

Lean Sigma BB Medicion B

Uploaded by

Document Information

Original Title

Copyright

Available Formats

Share this document

Share or Embed Document

Sharing Options

Did you find this document useful?

Is this content inappropriate?

Copyright:

Available Formats

Lean Sigma BB Medicion B

Uploaded by

Copyright:

Available Formats

1

En algunas ocasiones la notacin

La media y varianza de la distribucin

La variable aleatoria X tiene una distribucin binomial

Tiene media y varianza.

You might also like