FUNDAMENTOS BASICOS ESTADISTICOS Estadstica: Mezcla entre ciencia y arte que entrega herramientas para modelar fenmenos no-determinsticos

Palabras Cables Poblacin: Coleccin completa de todas los individuos de inters para el investigador. Parmetro: Valor que caracteriza un aspecto de la poblacin. Muestra: Subconjunto de la poblacin y que es representativa de esta. Estadstico: Medida descriptiva de la muestra que se utiliza para estimar al respectivo parmetro poblacional. Variable: Caracterstica de la poblacin que se analiza en el estudio estadstico. Muestreo Muestreo Aleatorio simple: Procedimiento mediante el cual todas las muestras de un determinado tamao, poseen la misma "chance" de ser extrada

Muestreo Aleatorio Estraticado: Esquema de muestreo que primero particiona a la poblacin en diversos "estratos" y posteriormente extrae una muestra aleatoria simple en cada uno de ellos.

Desventajas del Muestreo Error muestral: Diferencia entre el valor del parmetro poblacional y el producido por el estadstico o estadgrafo basado en una muestra. Sesgo muestral: Tendencia a favorecer las elecciones de determinados individuos de la poblacin.

Medias de tendencias centrales

MODA

Es el valor que aparece con mayor frecuencia en la serie de datos. Por ejemplo, de la serie {14, 15, 17, 17, 21, 21, 21, 33, 36, 40}, previamente ordenada; la moda es 21.

MEDIANA

Es el valor medio de una serie de datos ordenados. Por ejemplo, de la serie {14, 15, 17, 17, 21, 21, 21, 33, 36, 40}, la media es 21

Es el promedio de toda la serie de datos y se determina sumando

MEDIA ARITMETICA

todos los valores y dividindola entre el numero total de datos. Por ejemplo, de la serie {14, 15, 17, 17, 21, 21, 21, 33, 36, 40}, la media aritmtica es 22.5

Medidas de distribucin

Es la media aritmtica del cuadrado de las desviaciones respecto a la media de una distribucin estadstica. La varianza se representa por :
VARIANZA

2 =

(1 )2 +(2 )2 + +( )2

Se calcula como raz cuadrada de la varianza.

DESVIACIN STANDAR

COFICIENTE DE VARIACIN DE PEARSON

Se calcula como cociente entre la desviacin tpica (igual a la media) y la media de la muestra

Medida de posicin cuantiles Son medidas de posicin no central que se utilizan con mayor frecuencia y se emplean sobre todo para resumir o describir las propiedades de conjuntos grandes de datos numricos. Aqu encontramos o Cuartiles o Deciles o Percentiles

o Cuartiles Los cuartiles lo dividen en cuatro grupos iguales, esto quiere decir que cada grupo representa el 25% 25% 25% 25% 25%

o Deciles Los deciles dividen una muestra en 10 grupos iguales y cada decil acumula el 10% de los datos.
10% 10% 10% 10% 10% 10% 10% 10% 10% 10%

o Percentiles Los percentiles dividen una muestra en 100 grupos iguales y cada percentil acumula el 1% de los datos.
1% 1% 1% 1% 1% 1% 1% 1% ,,, 1%

Distribucin normal o campana de gauss. La distribucin normal es desde luego la funcin de densidad de probabilidad estrella en estadstica. Depende de dos parmetros m y s, que son la media y la desviacin tpica respectivamente. Tiene una forma acampanada (de ah su nombre) y es simtrica respecto a m. Llevando mltiplos de s a ambos lados de m, nos encontramos con que el 68% de la poblacin est contenido en un entorno 1s alrededor de m, el 95% de la poblacin est contenido en un entorno 2s alrededor de m

y que el 99,73% est comprendido en 3s alrededor de m.

Teorema del Lmite Central. El teorema del lmite central (TLC) establece que si una variable aleatoria (v. a.) se obtiene como una suma de muchas causas independientes, siendo cada una de ellas de poca importancia respecto al conjunto, entonces su distribucin es asintticamente normal. Es decir:

Distribucin de las medias muestrales Si X es una v. a. N(, ) de la que se extraen muestras de tamao n, entonces las medias muestrales se distribuyen segn otra ley normal:

Obsrvese que como consecuencia del TLC, la distribucin de las media muestrales tiende a ser normal an en el caso que la poblacin base no lo sea, siempre que el tamao de la muestra sea suficientemente grande n 25, si bien este nmero depende de la asimetra de la distribucin.

CAPACIDAD DE PROCESO

El Estudio de capacidad de los Procesos es de gran importancia ya que actualmente uno de los mayores retos de los fabricantes es el de competir ofreciendo productos y servicios de alta calidad a bajo costo. El estudio de la capacidad de proceso nos puede ser til para: Medir tan bueno es nuestro proceso para producir productos que estn dentro de las especificaciones. Ayudar a los diseadores o realizadores del producto a seleccionar o modificar un proceso. Ayudar a establecer un intervalo entre muestreo y controles de procesos. Especificar los requisitos para el funcionamiento de nuevos equipos Elegir entre diferentes proveedores. Planear la sucesin de los procesos de produccin cuando existe un efecto interactivo de los procesos sobre las tolerancias. Reducir la variabilidad en un proceso de manufactura.

Seis sigmas Cuando hablamos de capacidad de proceso hablamos de seis sigmas. Seis Sigma es el trmino elegido por Motorola, hace ms de 17 aos, para denominar su iniciativa de reduccin radical de defectos en productos, lo cual constituy uno de los factores clave para que Motorola fuera galardonada en 1988 con el Premio Malcolm Baldrige. La letra griega Sigma (), asociada a la desviacin tpica o estndar, se utiliza en Estadstica para representar la dispersin de datos en una poblacin o en una muestra. En la gestin de calidad, Sigma representa una medida de la capacidad de elaborar productos o servicios conformes a los requisitos o especificaciones aplicables. Pero Seis Sigma es algo ms. Un proceso con capacidad Seis Sigma significa que mantiene una distancia de seis

veces la desviacin estndar entre la media del proceso y los lmites de especificacin. Conceptualmente, Seis Sigma es un mtodo para satisfacer las necesidades de los clientes y, al mismo tiempo, lograrlo con niveles prximos a la perfeccin. Seis Sigma, es una filosofa de trajo y una estrategia de negocio, la cual se basa en el enfoque hacia el cliente, en un manejo eficiente de los datos y metodologa y diseos robustos que permite eliminar la variabilidad en los procesos y alcanzar un nivel de defectos menor o igual a 3.4 defectos por milln. Adicionalmente otros efectos obtenidos son: reduccin de los tiempos de ciclo, reduccin de los costos, alta satisfaccin de los clientes y ms importante an, efectos dramticos en el desempeo financiero de la organizacin. El objetivo primordial de seis sigmas es:
Proporcionar procesos de clase mundial, confiables y con valor para el cliente final

Seis sigma vs TQM

Seis sigma no radica en las estadsticas ni en la alta tecnologa, sino en mtodos ciertos y probados que han estado disponibles por dcadas. Seis Sigma descarta gran parte de la complejidad que caracteriza a TQM. Existe ms de 400 herramientas y tcnicas de TQM mientras que seis sigma toma un puado de estos mtodos y entrena un pequeo grupo interno de tcnico lderes, conocidos como Cinta Negra Verde de Seis Sigma, para que tengan un alto nivel de conocimiento y aplicacin de estas tcnicas.

Las herramientas que se aplican dentro de una estructura de mejora de desempeo tanto en seis sigma y en TQM son Seis sigma DMAIC (definir-medir-analizar-mejorarcontrolar) TQM Ciclo Deming (Planear- Realizar-Estudiar-Actuar)

ndices CP y CPK

CP CP quiere decir Capacidad del Proceso (Process Capability) La capacidad a la que nos referimos es la que tiene el proceso para producir piezas de acuerdo con las especificaciones, es decir, dentro de los lmites de tolerancia establecidos. Para evaluar la capacidad de un proceso es necesario contar con suficientes muestras, por lo que el clculo del Cp se encuadra dentro de un estudio estadstico.

Con objeto de comparar la capacidad del proceso y la amplitud de las tolerancias a satisfacer, se define el ndice de capacidad de proceso: CP LST LIT Capacidad del proceso. lmite superior de la tolerancia. lmite inferior de la tolerancia. desviacin tpica (sigma).

CPK La Fundacin Iberoamericana para la Gestin de la Calidad define el ndice CPK de la manera siguiente: Valor que caracteriza la relacin existente entre la media del proceso y su distancia al lmite de especificacin, por el cual el proceso dar un resultado menos correcto. Es el ndice utilizado para saber si el proceso se ajusta a las tolerancias, es decir, si la media natural del proceso se encuentra centrada o no con relacin al valor nominal del mismo. Se considera que el proceso est dentro de las especificaciones si el ndice CPK 1,33 Con el CPK conseguimos evaluar no slo si la capacidad es acorde con las tolerancias sino si la media natural del proceso se encuentra o no centrada.

Variabilidad a corto y largo plazo Un proceso productivo tiene habitualmente dos tipos de variabilidad: Variabilidad inherente del proceso. Aquella componente de la variabilidad debida a causas comunes solamente y representa la variabilidad que puede estar presente entre elementos fabricados en intervalos. Algunos autores denominan a este componente de la variabilidad como ruido blanco. Variabilidad total del proceso. Es la variacin resultante de todas lascausas de variabilidad (causas comunes y especiales), en la que se tienen en cuenta factores como el desgaste, cambios de lote de materia prima, etc. Representa la variabilidad que puede afectar al conjunto de los elementos fabricados recibidos por el cliente. Algunos autores denominan a este componente de la variabilidad como ruido negro.

Potencialidad del proceso. ndices PP y PPK

Los ndices CP y CPK sirve para evaluar la variabilidad natural del proceso para. Hay otros ndices conocidos como ndices de Desempeo Potencial (PP) y Real (PPK) del proceso, los cuales son evaluados de una manera similar a los anteriores, pero trabajando con la variabilidad global del proceso, la cual incluye la variacin natural debido a las causas aleatorias de variacin y la no-natural ocasionada por las causas asignables de variacin, si las hubiere. La variabilidad global a la que se hace referencia no es ms que la desviacin estndar de todos

los valores individuales, usados para el clculo de los lmites de control, y es calculada a partir de la siguiente expresin. CP y CPK se calculan con la variabilidad inherente del proceso (variabilidad en el corto plazo). En este caso se considera la variabilidad entre los elementos de la misma muestra o muestras prximas. PP y PPK se calculan con la variabilidad total del proceso (variabilidad en el largo plazo). En este caso se tiene en cuenta la variabilidad introducida por la deriva del centrado del proceso y la inestabilidad del mismo.

Las ecuaciones de los ndices quedan:

Concepto de grupo homogneo racional A la hora de planificar la toma de muestras para realizar un estudio de capacidad de proceso o la implantacin de un grfico de control, resulta muy importante tener en cuenta el concepto de grupo homogneo racional (GHR). Las muestras dentro de cada subgrupo deberan ser tan homogneas como sean posibles, a fin de minimizar la variacin dentro de cada subgrupo y dar la oportunidad para la variacin entre subgrupos.

GRFICOS DE CONTROL POR VARIABLES: GRFICOS DE SHEWHART Una de las herramientas estadsticas ms importantes en el Control Estadstico de Procesos son los Grficos de Control. Los primeros grficos de control fueron ideados por Walter Shewart en los aos 20, durante el desarrollo del control estadstico de la calidad. Han tenido una gran difusin, siendo ampliamente utilizados y mejorados en el control de procesos industriales. Sin embargo, con el nuevo concepto de Calidad y su extensin a las empresas de servicios y unidades administrativas y auxiliares, se han convertido en mtodos de control aplicables a procesos llevados a cabo en cualquiera de estos campos. Concepto de grfica de control Los grficos de control son la herramienta principal del control estadstico de procesos. Como ya hemos visto, un proceso est en estado de control cuando no le afecta ninguna causa asignable. Un herramienta para determinar si se da o no esta situacin son los grficos de control. Se puede definir un grfico de control como un mtodo grfico para evaluar si un proceso est o no en un estado de control estadstico, es decir, cuando slo actan causas comunes o aleatorias, inherentes a cualquier proceso.

En un grfico de control se representan los valores de algn tipo de medicin realizada durante el funcionamiento de un proceso continuo, y que sirve para controlar dicho proceso. La finalidad de los grficos de control es monitorizar una situacin para controlar su buen funcionamiento, y detectar de la forma ms rpida posible cualquier anomala, ya que ningn proceso se encuentra de forma espontnea bajo control y conseguir y mantener esto supone llegar al xito.

De esta forma, cada uno de estos puntos tiene por abscisa el nmero de muestra, o la hora de la toma, y por ordenada el valor estadstico calculado con esta muestra. El grfico de control consiste, grficamente, en una lnea central denominada de forma abreviada LC, y dos pares de lneas, por encima y debajo de la lnea central que se denominan: LSC: lmite superior de control LIC: limite inferior de control

Los lmites de control se eligen de tal manera que los valores de los datos situados entre los lmites puedan atribuirse al azar, mientras que los que caigan fuera puedan interpretarse como una carencia de control. Cuando un proceso est fuera de los lmites implica que el proceso funciona por debajo de sus posibilidades. Estos lmites vienen definidos por el propio proceso y no por el usuario. El Grfico de Control y la Distribucin Normal Para realizar un grfico de control es necesario identificar el modelo que siguen los datos del proceso en estado de control, es decir, es necesario clasificar la caracterstica de inters bajo los modelos de distribucin ms comunes, que sern la distribucin Normal, la Binomial y la de Poisson. Un proceso es el resultado de la intervencin de un elevado nmero de variables aleatorias pudindose aceptar, en la mayora de los casos, una distribucin de las variables de estudio aproximadamente Normal. Como consecuencia de aceptar esta normalidad de la variable aleatoria de estudio, los lmites de control se generalizan como: = representa la media del proceso = representa la desviacin tpica del proceso Es decir, los lmites de control se encontrarn: LSC: +3. LIC: -3

Grficos de Control por Variables La caracterstica que se estudia es una variable continua, medible numricamente. Por ejemplo: peso, longitud, dimetro Existen dos categoras dentro de estos grficos: Grficos de Control El grfico de control ms utilizado en esta categora de Tendencia es el grfico de medias, donde la media acta como Central medida de tendencia central En esta categora se encuentran: Grfico de desviaciones tpicas. Grficos de Control Grfico de rangos de recorridos. para la Variabilidad En estos casos, la desviacin tpica o el rango actan como medidas de la variabilidad del proceso

Grficos de Control por Atributos Corresponde a los casos en que la caracterstica que se estudia no puede ser medida en una escala continua o de una forma cuantitativa, sino que se indica si la unidad inspeccionada se adapta a las especificaciones establecidas. Por ejemplo: 2 paradas de mquina al mes, 3 piezas defectuosas de 100, etc. Existen dos opciones a la hora de realizar un grfico de control por atributos: Grfico de Control Productos Defectuosos Se puede comparar un producto con un estndar y clasificarlo como defectuoso o no. Dentro de este grupo se encuentran Grficos p. Grficos np. En el caso de productos complejos, la existencia de un defecto no necesariamente conlleva a que el producto sea defectuoso. En tales casos, puede resultar conveniente clasificar un producto segn el nmero de defectos que presenta. En este grupo se encuentran: Grficos c. Grficos u.

Grficos de Control pro nmeros de defectos

Tipos de Grfico Grfico p

Grfico np

Grfico c

Aplicacin Para la proporcin de unidades no conformes. Refleja grficamente el nmero de unidades defectuosas en muestras de tamao fijo o variable, dando la fraccin defectuosa Para el nmero de unidades no conformes. Refleja el nmero de unidades defectuosas en muestras de tamao fijo. Para el nmero de defectos Refleja grficamente el nmero de defectos aparecidos en un producto de tamao fijado o unidad previamente definida sobre un cierto perodo de tiempo

Ejemplo Proporcin de imanes defectuosos de un total chequeado.

Segn el caso anterior sera obtener el nmero de imanes defectuosos de un total chequeado. Nmero de defectos de estampacin encontrados por metros cuadrado en un proceso textil

Grfico u

Para la proporcin de defectos dando el nmero de defectos por unidad de rea Refleja el nmero de defectos que aparecen en un producto de tamao variable sobre un periodo de tiempo

En el mismo ejemplo que el caso anterior, pero que, al resultar difcil tomar exactamente un metro cuadrado de tela, se toman piezas similares de un metro cuadrado.

Mejora de un proceso a travs de los grficos de control