Proyecto Final Control Estadístico 25-11-15 PDF

TECNOLGICO NACIONAL DE MXICO
INSTITUTO TECNOLGICO DE CELAYA

Ingeniera Industrial
Control Estadstico de la Calidad

aplicado al neumtico de juguete serie
0785.
Dr. Hugo Carrillo Rodrguez

Presentan:
Jaramillo Trejo Mayra Andrea
Lara Salomn Selene Lizbeth
Lucero Lara Sal Fabin
Herrera Morales Miguel Fernando
Martnez Hurtado Cynthia Michele
NDICE
NDICE ............................................................................................................................................... 2
NDICE DE TABLAS .............................................................................................................................. 4
NDICE DE FIGURAS ............................................................................................................................ 5
INTRODUCCIN .................................................................................................................................. 7
CAPTULO 1.................................................................................................................................................... 8
1.1
Planteamiento del problema......................................................................................................... 8
1.2
Descripcin del problema.............................................................................................................. 8
1.3
Descripcin de la pieza .................................................................................................................. 9
1.4
Planos y proyeccin de la pieza con especificaciones ................................................................... 9
1.5
Diagrama de flujo de proceso para fabricacin de la pieza. ....................................................... 11
1.6
Instrumento de medicin ............................................................................................................ 12
CAPTULO 2. Anlisis descriptivo preliminar .............................................................................................. 13

2.1
Medidas de tendencia central ..................................................................................................... 14
2.2
Medidas de forma ....................................................................................................................... 15
2.3
Medidas de dispersin ................................................................................................................ 16
CAPTULO 3. Pruebas de normalidad .......................................................................................................... 17

3.1
Prueba de Anderson Darling ....................................................................................................... 20
3.2
Prueba de Kolmogorov-Smirnov ................................................................................................. 21
CAPTULO 4. Gage R&R ............................................................................................................................... 22

4.1
Descripcin del estudio ............................................................................................................... 22
4.2
Anlisis de trminos y definiciones ............................................................................................. 22
4.3
Estudio de aplicacin a piezas ..................................................................................................... 23
4.4
Anlisis de grficas ...................................................................................................................... 26
CAPTULO 5. Hoja de verificacin ................................................................................................................ 37

CAPTULO 6. Anlisis de la estadstica descriptiva .................................................................................. 39
6.1
Histograma de mediciones .......................................................................................................... 43
CAPTULO 7. Diagrama de Pareto ........................................................................................................... 52

CAPTULO 8. Diagrama de Ishikawa ........................................................................................................ 56
CAPTULO 9. Herramientas administrativas ............................................................................................ 57

CAPTULO 10. Grficas de control ........................................................................................................... 61
CAPTULO 11. Anlisis de capacidad del proceso.................................................................................... 70
CONCLUSIN ................................................................................................................................ 72
CONCLUSIONES PARTICULARES ..................................................................................................... 73
BIBLIOGRAFA............................................................................................................................... 79
REFERENCIAS ................................................................................................................................ 79
ANEXOS........................................................................................................................................ 80
NDICE DE TABLAS
Tabla 2.1 Hoja de verificacin de la estadstica preliminar. ........................................................................ 13
Tabla 3.1 Valores crticos A2crit. ................................................................................................................. 18
Tabla 3.2 Tabla de valores de cuartiles superiores de la distribucin de la estadstica de K-S................... 19
Tabla 4.1 Formato con las mediciones de la corrida 1 para el anlisis Gage R&R. ..................................... 24
Tabla 4.2 Formato con las mediciones de la corrida 2 para el anlisis Gage R&R. ..................................... 25
Tabla 4.3 Precisin y exactitud de las mediciones por partes. ................................................................... 27
Tabla 5.1 Formato de toma de muestras. ................................................................................................... 37
Tabla 5.2 Hoja de verificacin para defectos. ............................................................................................. 38
Tabla 5.3 Hoja de verificacin para rechazos. ............................................................................................. 38
Tabla 6.1 Hoja de verificacin de las medidas del dimetro del neumtico............................................... 40
Tabla 6.2 Continuacin de la hoja de verificacin de las medidas del dimetro del neumtico. ............... 41
Tabla 6.3 Continuacin de la hoja de verificacin de las medidas del dimetro del neumtico. ............... 42
Tabla 7.1 Hoja de verificacin de los defectos que se presentan en el neumtico. ................................... 53
Tabla 7.2 Hoja de verificacin (ponderada) de los defectos que se presentan en el neumtico. ............. 54
Tabla 10.1 Hoja de verificacin para carta de control Xbarra-R. ................................................................ 65
Tabla A1. Factores para la construccin de las cartas de control. .............................................................. 80
NDICE DE FIGURAS
Figura 1.1 Parte 0785. ................................................................................................................................... 8
Figura 1.2 Prueba del deslizamiento. ............................................................................................................ 9
Figura 1.3 Acomodo del carro para la prueba. .............................................................................................. 9
Figura 1.4 Vista transversal de la pieza. ........................................................................................................ 9
Figura 1.5 Vista frontal de la pieza. ............................................................................................................... 9
Figura 1.6 Vista inferior en 3D. .................................................................................................................... 10
Figura 1.7 Vista superior en 3D. .................................................................................................................. 10
Figura 1.8 Diagrama de flujo de proceso de la fabricacin del neumtico. ................................................ 11
Figura 1.9 Dispositivo de sujecin. .............................................................................................................. 12
Figura 1.10 Instrumento de medicin. ........................................................................................................ 12
Figura 2.1 Estadsticos descriptivos de las mediciones del neumtico. ...................................................... 14
Figura 2.2 Histograma de medicin. ........................................................................................................... 14
Figura 2.3 Histograma de medicin con curva normal. .............................................................................. 15
Figura 2.4 Grfica de caja de medicin. ...................................................................................................... 16
Figura 3.1 Prueba de normalidad A-D. ........................................................................................................ 20
Figura 3.2 Prueba de normalidad K-S. ......................................................................................................... 21
Figura 4.1 Operador 1. ................................................................................................................................ 23
Figura 4.2 Operador 2. ................................................................................................................................ 23
Figura 4.3 Operador 3. ................................................................................................................................ 23
Figura 4.4 Grfica de dispersin de mediciones vs. partes. ........................................................................ 26
Figura 4.5 Grfica de mediciones por partes. ............................................................................................. 28
Figura 4.6 Grfica de las mediciones por operador. ................................................................................... 29
Figura 4.7 Grfica de la interaccin de las partes por operadores. ............................................................ 30
Figura 4.8 Grfica X -barra por operadores................................................................................................. 31
Figura 4.9 Grfica R por operadores. .......................................................................................................... 32
Figura 4.10 Grfica de los componentes de la variacin............................................................................. 33
Figura 4.11 Grfica de la variacin del sistema de medicin. ..................................................................... 33
Figura 4.12 Tabla de resultados del R&R con respecto a la varianza. ......................................................... 34
Figura 4.13 Tabla de resultados del R&R con respecto a la desviacin estndar y al % de tolerancias. .... 34
Figura 4.14 Tabla ANOVA de dos factores con interaccin. ........................................................................ 36
Figura 4.15 Tabla ANOVA de dos factores sin interaccin. ......................................................................... 36
Figura 6.1 Estadsticos descriptivos de las mediciones del neumtico. ...................................................... 42
Figura 6.2 Histograma de medicin. ........................................................................................................... 43
Figura 6.3 Histograma de mediciones con curva normal. ........................................................................... 44
Figura 6.4 Grfica de valores individuales. .................................................................................................. 45
Figura 6.5 Grfica de caja de medicin. ...................................................................................................... 46
Figura 6.6 Intervalo de confianza para la media obtenido por el software Minitab 17. ............................ 48
Figura 6.7 Resultados de la prueba de hiptesis arrojados por el software Minitab 17. ........................... 50
Figura 6.8 Demostracin grfica de los datos bsicos tomados para la prueba de hiptesis. ................... 51
Figura 6.9 Grfica de caja del dimetro. ..................................................................................................... 51
5
Figura 7.1 Rasgaduras. ................................................................................................................................ 52

Figura 7.2 Aletas. ......................................................................................................................................... 52
Figura 7.3 Rugosidad. .................................................................................................................................. 53
Figura 7.4 Rfaga de color. .......................................................................................................................... 53
Figura 7.5 Diagrama de Pareto de primer nivel. ......................................................................................... 55
Figura 8.1 Diagrama Ishikawa para el exceso de rugosidad en la cara perimetral. .................................... 56
Figura 9.1 Diagrama de rbol del exceso de la rugosidad en la cara perimetral. ....................................... 58
Figura 9.2 Diagrama de relaciones del exceso de la rugosidad en la cara perimetral. ............................... 60
Figura 10.1 Grfica de Control. ................................................................................................................... 61
Figura 10.2 Zona verde, amarilla y roja del precontrol. .............................................................................. 63
Figura 10.3 Grfica Xbarra de medicin. ..................................................................................................... 66
Figura 10.4 Grfica de puntos con valores de penalizaciones .................................................................... 67
Figura 10.5 Grfica R de medicin. ............................................................................................................. 68
Figura 10.6 Grfica Xbarra-R de medicin................................................................................................... 69
INTRODUCCIN
Desde el punto de vista de los clientes, las empresas y/u organizaciones existen para proveer un
producto material o inmaterial, un bien o un servicio, ya que ellos necesitan productos con caractersticas
que satisfagan sus necesidades y expectativas. Estos productos son resultado de un proceso. La
variabilidad es parte de nuestra vida diaria y sta tambin se lleva a cabo en los procesos de las empresas.
Actualmente una exigencia fundamental de los clientes es que los productos sean de calidad por lo
tanto las empresas buscan ser competitivas, mediante la aplicacin de diversas herramientas estadsticas
y administrativas, que les permitan tener un proceso con mayor eficiencia y menor variacin y as obtener
mejores productos, todo esto con la finalidad de reducir costos, aumentar la productividad y el nmero
de clientes as como satisfacer las necesidades de los mismos.
No existen procesos ideales y por lo tanto siempre existe una variacin que hace que todo producto
tenga algunas caractersticas que se denominan crticas, adems de atributos. Lo ms comn es realizar
un anlisis exhaustivo de stas, obteniendo as resultados que nos permitan evaluar el estado actual del
proceso y as tomar las decisiones adecuadas para alcanzar un control ptimo y eficiente del mismo.
De acuerdo con lo anterior se ve la importancia del control de calidad, que es el conjunto de actividades
planeadas para que los requisitos de la calidad del producto se cumplan.
CAPTULO 1.
1.1
Planteamiento del problema
El grupo Hinshitsu empresa de consultora en calidad desde hace 20 aos, actualmente est laborando
para la reconocida marca de juguetes para nios Hot Wheels, la cual produce en grandes volmenes
debido a la demanda excesiva por parte de sus clientes, sin embargo se han tenido una serie de dificultades
con la parte 0785 (vase figura 1.1) la cual corresponde al neumtico de muchos de sus modelos.
Figura 1.1 Parte 0785.
1.2
Descripcin del problema
La parte 0785 es uno de los insumos ms importantes para la empresa ya que es utilizado en la mayora
de los modelos de su lnea de automviles de juguete.
Actualmente, sta presenta una serie de defectos y variacin, lo que repercute gravemente en el
funcionamiento, para ello se realizaron algunas pruebas al juguete para comprobar lo antes mencionado
(vase figura 2 y 3), ya que esta problemtica era la mayor inconformidad presentada por el cliente. De la
prueba se obtuvo que el deslizamiento del juguete no era el adecuado, debido a la variacin del dimetro
del neumtico y otros defectos.
Figura 1.2 Prueba del deslizamiento.
1.3
Figura 1.3 Acomodo del carro para la prueba.
Descripcin de la pieza
El neumtico serie 0785 tiene un dimetro externo de 23.34 mm (vase figura 1.5) y un ancho de 11.75
mm (vase figura 1.4), tiene un color negro con acabado brillante (vase figura 1.6 y 1.7), est fabricado
mediante el proceso de inyeccin de plsticos utilizando como materia prima el PET el cual, es inyectado
con un arreglo de mltiples cavidades.
Por otro lado, las especificaciones que el cliente requiere para la pieza son de:
23.34 0.1
1.4
Planos y proyeccin de la pieza con especificaciones
Figura 1.4 Vista transversal de la pieza.
Figura 1.5 Vista frontal de la pieza.
Figura 1.6 Vista inferior en 3D.
Figura1.7 Vista superior en 3D.
10
1.5
Diagrama de flujo de proceso para fabricacin de la pieza.
Figura 1.8 Diagrama de flujo de proceso de la fabricacin del neumtico.
11
1.6
Instrumento de medicin
Para las mediciones se us un calibrador marca Truper modelo CALDI-6MP fabricado de acero
inoxidable (figura 1.10.), adems de un aparato de sujecin que ayud a disminuir la variacin en las
medidas (figura 1.9).
Figura 1.9 Dispositivo de sujecin.
Figura 1.10 Instrumento de medicin.
12
CAPTULO 2. Anlisis descriptivo preliminar

Antes de comenzar a realizar un estudio multivariante de los datos es necesario conocer el
comportamiento que tiene cada una de las variables individualmente mediante la estadstica descriptiva,
adems de verificar si en ste caso, los dimetros tienden a seguir una distribucin normal. Para esto, se
utilizaron solamente las 10 mediciones que se muestran en la tabla 2.1.
Tabla 2.1 Hoja de verificacin de la estadstica preliminar.
Fecha: 26 de septiembre de 2015
FORMATO DE TOMA DE MUESTRAS
Modelo de pieza: 0785 (neumtico para Hot Wheels)
DEPTO. DE CALIDAD HINSHITSU
Lote: ------------Encargado de medicin: Ing. Miguel Herrera Morales
No. de pieza
Dimetro (X)
Unidades
1
2
3
4
5
6
7
8
9
10
23.44
23.34
23.25
23.24
23.38
23.3
23.28
23.33
23.31
23.22
mm
mm
mm
mm
mm
mm
mm
mm
mm
mm
INSTRUMENTO DE MEDICIN
Nombre: Calibrador marca Trupper en mm y plg
Observaciones
ENCARGADOS DEL DEPARTAMENTO DE CALIDAD
Modelo: CALDI-6MP
Cdigo: 14388
Ing. Miguel Herrera
Ing. Cynthia Martnez
Ing. Mayra Jaramillo
Materia: Fabricado de acero inoxidable

Rango de medida: 0 - 150 mm 0 - 6 plg
Ing. Selene Lara
Ing. Sal Lucero
Fecha de ltima calibracin: 20 sep 2015
A continuacin, se muestran los datos (figura 2.1) que se utilizarn para evaluar el comportamiento de
la variable crtica en los neumticos producidos por Hot Wheels.
13
Figura 2.1 Estadsticos descriptivos de las mediciones del neumtico.
2.1
Medidas de tendencia central
Mediana
Media
Valor mximo
Valor mnimo
Figura 2.2 Histograma de medicin.
En la figura 2.2 se observan las frecuencias de cada una de las mediciones mostradas. De sta grfica,
y basndose en la figura 2.1 se puede definir que los dimetros del neumtico se encuentran en un rango
de 23.22 a 23.44 (valor mnimo y valor mximo); adems, se muestra que el promedio de los datos se
encuentra en el valor de 23.309 (media). Se muestra tambin el valor central del conjunto de datos
ordenados que es de 23.305 (mediana) y finalmente, lo arrojado por el software Minitab nos indica que el
conjunto de datos es amodal, es decir, que no se presenta un dimetro con que mayor frecuencia.
14
2.2 Medidas de forma
Media
Q3
Q1
Figura 2.3 Histograma de medicin con curva normal.
En la figura 2.3, se observa nuevamente el histograma de los dimetros pero ahora con la curva de
normalidad sobrepuesta.
Analizando los datos y ste histograma se afirma que la forma de la curva es leptocrtica, ya que se
tiene un valor en curtosis de 0.14 (>0); esto quiere decir que se presenta un elevado grado de
concentracin alrededor de los valores centrales de la variable. Respecto al valor de simetra, tomando
como base el valor de 0.63 se dice que la cola de la distribucin se alarga para valores superiores a
la media.
Por otro lado, el grado de dispersin o variabilidad en los datos con respecto a la media (desviacin
estndar), stos se separan 0.06724 mm tanto a la izquierda como a la derecha.
Tambin se identifica en el histograma el cuartil 1 y el cuartil 3, con valores de 23.247 y 23.350
respectivamente, es decir, los valores que corresponden al 25% y al 75% de los dimetros.
15
2.3
Medidas de dispersin
Q3
Q1
Figura 2.4 Grfica de caja de medicin.
En la figura 2.4 se aprecia la grfica de caja; en ella se observa que la lnea de la media no se encuentra
centrada en el rango intercuartl de la caja, si no que tiende a estar ligeramente en la parte superior.
Adems se observa que el bigote superior es notablemente ms largo que el inferior, lo que indica que los
valores tienden arriba de la media. Nuevamente, tomando en cuenta los datos de la figura antes
mencionada, el rango entre el cuartil 1 y el cuartil 3 es de 0.103 (23.350 23.247), lo cual nos indica que
esa es la porcin correspondiente a la caja o al 50% de las observaciones.
16
CAPTULO 3. Pruebas de normalidad

Es indispensable conocer que cuando se aplica una herramienta estadstica en donde se involucran
variables continuas o cuantitativas es fundamental determinar si la informacin obtenida en el proceso,
tiene un comportamiento mediante una distribucin normal.
Existen muchas pruebas para verificar la normalidad, entre las que se encuentran las siguientes: Jicuadrada para bondad de ajuste, Kolmogorov, Shapiro-Wilks y Anderson-Darling, stas son
procedimientos que comparan la distribucin de los datos observados contra una distribucin normal para
verificar si la siguen. Casi cualquier sistema computacional estadstico incluye una o varias de estas
pruebas.
Las pruebas de normalidad son pruebas de bondad de ajuste con respecto a la distribucin normal, por
lo tanto son hiptesis que se deben comprobar.
Hiptesis:
H0: La variable aleatoria en estudio sigue una distribucin normal (, )
H1: La variable aleatoria en estudio no sigue una distribucin normal (, )
Anderson-Darling
Estadstico de prueba.
El estadstico de prueba es A2, el cual est dado por:
A2 = n S
Si
(2i 1)
ln F (Yi ) ln(1 F (Yn1i ))
n
(3.1)
(3.2)
S Si
i 1
(3.3)
Donde n es el nmero de observaciones, F(Y) es la distribucin de probabilidades acumulada normal

con media y varianza especificadas a partir de la muestra y Yi son los datos obtenidos en la muestra,
ordenados de menor a mayor.
17
Regla de decisin:
La hiptesis nula se rechaza con un nivel de significacin si A2 es mayor que el valor crtico A2crit o
si el valor de p (probabilidad acumulada en la curva normal) es menor que el con el que se est
trabajando. Aunque la prueba de Anderson-Darling puede ser aplicada a cualquier distribucin continua,
no se dispone de tablas para todos los casos. Se presenta enseguida la tabla 3.1 de valores crticos A2crit
para la prueba a la distribucin normal.
Tabla 3.1 Valores crticos A2crit.
0.10
0.05
0.025
0.01
A2crit.
0.631
0.752
0.873
1.035
Kolmogorov-Smirnov
La estadstica de k-s se define por;
Dn = max | Fo(x) - Fe(x) |
(3.4)
Esto es, la diferencia mxima entre la frecuencia acumulativa observada y la frecuencia

acumulativa esperada segn el modelo propuesto en Ho.
18
Tabla de valores de cuartiles superiores de la distribucin de la estadstica Dn de KolmogorovSmirnov
Tabla 3.2 Tabla de valores de cuartiles superiores de la distribucin de la estadstica de K-S.
De la tabla de k-s si:

Dn D no se rechaza la hiptesis.
Dn D se rechaza la hiptesis
D es el valor de la tabla de k-s.
Tambin se rechaza si el valor de p (probabilidad acumulada en la curva normal) es menor que el con
el que se est trabajando.
Se usaron las pruebas de normalidad Anderson-Darling y Kolmogorov-Smirnov para probar la
normalidad de los datos como se muestran a continuacin.
19
3.1
Prueba de Anderson Darling
Esta prueba tiene como propsito corroborar si una muestra de variables aleatorias proviene de una
poblacin con una distribucin de probabilidad especfica. En realidad se trata de una modificacin de la
prueba de Kolmogorov-Smirnov, aunque tiene la virtud de detectar las discrepancias en los extremos de
las distribuciones.
La principal desventaja de la prueba estriba en que es necesario calcular los valores crticos para cada
distribucin. La prueba es muy sensible en los extremos de la distribucin, por lo que deber ser usada con
mucho cuidado en distribuciones con lmite inferior acotado, y no es confiable para distribuciones de tipo
discreto.
Figura 3.1 Prueba de normalidad A-D.
20
3.2
Prueba de Kolmogorov-Smirnov
La prueba de Kolmogorov-Smirnov (KS) permite determinar la distribucin de probabilidad de una serie

de datos. Una limitante esta prueba estriba en que solamente se puede aplicar al anlisis de variables
continuas.
Figura 3.2 Prueba de normalidad K-S.
Con base en ambas pruebas que se muestran en las figuras 3.1 y 3.2, se puede afirmar que los datos
se comportan de manera normal debido a que tienen un valor de probabilidad (p-value) mayor al valor
crtico de la zona de rechazo de la hiptesis de que los datos provienen de una distribucin normal.
Tambin cmo se puede observar en el papel de probabilidad normal, en ambos casos es el mismo, los
datos siguen una tendencia en la lnea y existen pocas medidas que se alejan de ella, ya que la diferencia
entre estos puntos y la lnea de tendencia son muy pequeos.
21
CAPTULO 4. Gage R&R

4.1 Descripcin del estudio
Los estudios R&R analizan la variacin de las mediciones realizadas en un mismo Gage de medicin
(repetibilidad) y la variacin de las mediciones realizadas por el operador (reproducibilidad). Para reducir
la variacin actual del proceso, se debe de identificar y separar la variacin debida al sistema de medicin.
Realizar estudios de la variacin de las mediciones es prdida de dinero y tiempo, a menos que stos vayan
encauzados a reducir la variacin del proceso y mejorar el control del mismo.
Para continuar con los estudios R&R, es importante definir el trmino Gage, se refiere a cualquier
instrumento para realizar mediciones; cada observacin de un proceso forma parte de la variacin del
proceso y la variacin de la medicin.
4.2 Anlisis de trminos y definiciones

Para que se lleve a cabo el estudio es necesario conocer cierta terminologa, la cual se muestra a
continuacin:
Exactitud o sesgo: se refiere al desfase o desplazamiento que tienen las mediciones con respecto al
estndar o verdadero valor que se supone conocido.
Precisin: es la variacin o error que presentan las mediciones repetidas del sistema de medicin sobre el
mismo mensurando. Se compone de la repetibilidad y la reproducibilidad.
Repetibilidad: variacin o error de las mediciones sucesivas sobre el mismo objeto con un instrumento
bajo las mismas condiciones (un operador).
Reproducibilidad: variabilidad o error de las mediciones sobre el mismo objeto con un instrumento bajo
condiciones cambiantes (diferentes operadores).
22
4.3 Estudio de aplicacin a piezas

Antes de comenzar con el anlisis completo, fue necesario realizar un estudio de repetibilidad y
reproducibilidad para verificar la eficacia del sistema de medicin dentro del departamento de calidad
Hinshitsu, adems de conocer qu operador era el ms adecuado para tomar los dimetros del neumtico
de juguete. Para eso, el estudio Gage R&R se hizo usando 10 piezas, con 3 operadores y 2 rplicas. En las
figuras 4.1, 4.2 y 4.3 se muestran a los 3 operadores seleccionados al momento de tomar las mediciones.
Figura 4.1 Operador 1.
A partir de la siguiente pgina, se muestran las medidas obtenidas del dimetro del neumtico, tanto de
la primera corrida (tabla 4.1) como de la segunda (tabla 4.2), las cuales fueron usadas para el anlisis.
23
Tabla 4.1 Formato con las mediciones de la corrida 1 para el anlisis Gage R&R.
Modelo de pieza: 0785 (nematico para juguete de Hot Wheels)
FORMATO DE MEDICIONES GAGE R&R
No. operadores: 3
Nmero de piezas: 10
Nmero de replicas: 2 (primera rplica)
Operador
Nmero de pieza
Medicin
Unidades
1
1
1
1
1
1
1
1
1
1
2
2
2
2
2
2
2
2
2
2
3
3
3
3
3
3
3
3
3
3
4
9
2
6
3
5
8
7
1
10
5
8
1
9
4
2
10
3
7
6
7
6
1
4
2
5
8
3
9
10
23.26
23.34
23.36
23.29
23.34
23.36
23.3
23.33
23.44
23.24
23.36
23.33
23.43
23.35
23.25
23.36
23.23
23.35
23.34
23.3
23.33
23.27
23.39
23.23
23.35
23.37
23.33
23.36
23.35
23.23
mm
mm
mm
mm
mm
mm
mm
mm
mm
mm
mm
mm
mm
mm
mm
mm
mm
mm
mm
mm
mm
mm
mm
mm
mm
mm
mm
mm
mm
mm
Observaciones
Modelo: CALDI-6MP
Cdigo: 14388
Ing. Miguel Herrera
Material: Fabricado de acero inoxidable

Ing. Selene Lara
Ing. Sal Lucero
Fecha de ltima calibracin: 20/oct/2015
24
Tabla 4.2 Formato con las mediciones de la corrida 2 para el anlisis Gage R&R.
Modelo de pieza: 0785 (nematico para juguete de Hot Wheels)
FORMATO DE MEDICIONES GAGE R&R
No. operadores: 3
Nmero de piezas: 10
Nmero de replicas: 2 (segunda rplica)
Operador
Nmero de pieza
Medicin
Unidades
1
1
1
1
1
1
1
1
1
1
2
2
2
2
2
2
2
2
2
2
3
3
3
3
3
3
3
3
3
3
3
8
2
1
10
4
5
6
9
7
1
5
9
6
3
7
8
4
10
2
9
5
2
6
1
8
4
10
7
3
23.36
23.32
23.34
23.41
23.24
23.24
23.36
23.29
23.35
23.3
23.4
23.35
23.34
23.31
23.36
23.3
23.33
23.25
23.24
23.32
23.35
23.34
23.33
23.29
23.4
23.31
23.22
23.24
23.29
23.35
mm
mm
mm
mm
mm
mm
mm
mm
mm
mm
mm
mm
mm
mm
mm
mm
mm
mm
mm
mm
mm
mm
mm
mm
mm
mm
mm
mm
mm
mm
Observaciones
Modelo: CALDI-6MP
Cdigo: 14388
Ing. Miguel Herrera
Material: Fabricado de acero inoxidable

Ing. Selene Lara
Ing. Sal Lucero
Fecha de ltima calibracin: 20/oct/2015
25
4.4 Anlisis de grficas

4.4.1 Grfica de dispersin de mediciones vs. partes
El diagrama de dispersin permite analizar si existe algn tipo de relacin entre dos
variables. Representa la relacin entre dos variables de forma grfica, lo que hace ms fcil visualizar e
interpretar los datos.
LSE
Valor nominal
LIE
Figura 4.4 Grfica de dispersin de mediciones vs. partes.
La figura 4.4 muestra todas las mediciones tomadas en el estudio, organizadas por parte. Las medidas
se representan con un smbolo distintivo para identificar las mediciones de cada operador (crculo,
cuadrado y rombo).
Se observa que los 60 datos se encuentran dentro de los lmites de especificacin, esto representa que
el 100% de los datos estn dentro.
26
Tabla 4.3 Precisin y exactitud de las mediciones por partes.
Parte
Precisin
Exactitud
10
Cuando las mediciones estn dentro y otras estn fuera de dichos lmites, se dice que no hay exactitud.
Como se muestra en la tabla 4.3 no se presenta lo anterior, y por lo tanto las partes son aceptables.
27
4.4.2 Grfica de mediciones por partes

sta grfica muestra todas las mediciones tomadas en el estudio, organizadas por parte. Las mediciones
se representan con puntos; las medias con el smbolo de cruz encerrada en un crculo. La lnea azul conecta
las mediciones promedio para cada parte.
Lo ideal es que:
Las mltiples mediciones para cada parte individual varen lo menos posible (los puntos para una parte
estarn muy cerca).
Los promedios varen lo suficiente como para que las diferencias entre las partes se observen
claramente.
LSE
Valor nominal
LIE
Figura 4.5 Grfica de mediciones por partes.
En la grfica 4.5 para los datos de las partes, las mediciones correspondientes a las partes 1 y 7 varan
notablemente. Esta variacin quizs se deba a la incapacidad del sistema (operador y/o sistema de
medicin) para medir uniformemente esa parte. Los promedios tambin varan significativamente.
4.4.3 Grfica de las mediciones por operador

sta grfica muestra todas las mediciones tomadas en el estudio, organizadas por operador. Las
mediciones se representan con puntos; las medias, con el smbolo de cruz encerrada en un crculo. La lnea
conecta las mediciones promedio para cada operador.
28
Lo ideal es que:
Las mediciones cada operador varen en igual cantidad.
Los promedios de las partes varen lo menos posible.
LSE
Valor nominal
LIE
Figura 4.6 Grfica de las mediciones por operador.
La figura 4.6 nos muestra informacin sobre los rangos de medicin de los 3 operadores, en sta se
puede observar que los operadores 1 y 3 fueron los que tuvieron mayor variacin, el operador 3 con un
rango intercuartl mucho mayor, en cuanto al operador 1 presenta un sesgo hacia los datos positivos
(sesgado a la derecha), es decir, la mayora de sus datos se encuentran por debajo de la media.
4.4.4 Grfica operador por parte

sta grfica muestra las mediciones promedio tomadas por cada operador en cada parte incluida en
el estudio, organizadas por parte. Cada lnea conecta los promedios de un operador.
Lo ideal es que:
Las lneas sigan el mismo patrn.
Los promedios de las partes varen lo suficiente como para que las diferencias entre las partes se
observen claramente.
29
LSE
Valor nominal
LIE
Figura 4.7 Grfica de la interaccin de las partes por operadores.
La figura 4.7 muestra informacin sobre los rangos de medicin de los 3 operadores, en sta se puede
observar que los operadores 1 y 3 fueron los que tuvieron mayor variacin, el operador 3 con un rango
intercuartl mucho mayor, en cuanto al operador 1 presenta un sesgo hacia los datos positivos (sesgado a
la derecha), es decir, la mayora de sus datos se encuentran por debajo de la media. Para los datos sobre
partes, las lneas se acercan entre s. Los operadores pueden tener problema para medir las partes 1 y 6
de manera uniforme.
4.4.5 Grfica X-barra por operadores

La grfica consta de lo siguiente:
Los puntos graficados, que representan, para cada operador, la medicin promedio de cada parte.
La lnea central verde, que es el promedio general para todas las mediciones de las partes realizadas
por todos los operadores.
Los lmites de control rojos (LCS y LCI), que se basan en el estimado de repetibilidad y en el nmero de
mediciones en cada promedio.
Debido a que las partes elegidas para el estudio R&R del sistema de medicin deben representar todo
el rango de partes posibles, esta grfica de manera ideal debera mostrar falta de control. La falta de
control existe cuando muchos puntos se encuentran por encima del lmite de control superior y/o por
debajo del lmite de control inferior.
30
Figura 4.8 Grfica X -barra por operadores.
En la figura 4.8 se muestra que el patrn de los 3 operadores es similar en relacin con el promedio de
cada una de las piezas, lo cual indica que el sistema de medicin es adecuado. Y la variacin observada se
debe al resultado del proceso de medicin.
4.4.6 Grfica R por operadores

La grfica R consta de lo siguiente:
Los puntos graficados, los cuales representan, para cada operador, la diferencia entre las mediciones
ms grandes y las ms pequeas de cada parte. Debido a que los puntos estn organizados por
operador, usted puede determinar la uniformidad de cada operador.
La lnea central, que es el promedio general del proceso (promedio de todos los rangos de los
subgrupos).
Los lmites de control, que representan la cantidad de variacin esperada para los rangos de los
subgrupos. Estos lmites se calculan utilizando la variacin dentro de los subgrupos.
Si cualquiera de los puntos en la grfica se ubica por encima del lmite de control superior (LCS),
entonces ese operador tiene problemas para medir las partes con uniformidad.
El valor de LCS toma en cuenta el nmero de mediciones realizadas por un operador en una parte y la
variabilidad entre las partes. Si los operadores realizan mediciones uniformes, entonces estos rangos
deben ser pequeos con respecto a los datos y los puntos deben permanecer bajo control.
31
Figura 4.9 Grfica R por operadores.
En la figura 4.9 se observa que los puntos no se encuentran por encima del lmite de control superior,
por lo tanto los operadores no tienen problemas para medir las partes con uniformidad.
4.4.7 Grfica de componentes de la variacin

Las fuentes de variacin que se representan en la grfica son:
R&R total del sistema de medicin, que es la variacin debido al sistema de medicin incluyendo los
mltiples operadores que utilizan el mismo sistema de medicin.
Repetibilidad, que es la variabilidad en las mediciones obtenida cuando el mismo operador mide la
misma parte mltiples veces.
Reproducibilidad, que es la variabilidad en las mediciones obtenida cuando diferentes operadores
miden la misma parte.
Parte a parte, que es la variabilidad en las mediciones entre las diferentes partes.
Las barras separadas representan:
%Contribucin, que es 100 veces el componente de la varianza para esa fuente dividido entre la
varianza total.
%Variacin del estudio, que es 100 veces la variacin del estudio para esa fuente dividida entre la
variacin total del estudio.
%Tolerancia, que es 100 veces la variacin del estudio para esa fuente dividida entre la tolerancia del
proceso.
%Proceso, que es 100 veces la variacin del estudio para esa fuente dividida entre la variacin del
proceso.
32
Figura 4.10 Grfica de los componentes de la variacin.
En un sistema de medicin adecuado, el componente de variacin ms grande es la variacin parte a

parte. En la figura 4.10 se muestra que las cantidades de variacin grandes estn atribuidas a la variacin
parte a parte del sistema de medicin, por lo tanto, no es necesaria una accin correctiva en el proceso,
el sistema de medicin es el adecuado.
4.4.8 Grfica de la variacin del sistema de medicin

Reglas generales que se utilizan para determinar la capacidad del sistema (el ndice P/T
(precisin/tolerancia):
P/T 10%, excelente proceso de medicin
10% < P/T 20%, bueno
20% < P/T 30%, marginal (casi inaceptable)
P/T 30%, inaceptable y debe corregirse
Figura 4.11 Grfica de la variacin del sistema de medicin.
En la figura 4.11 se observa que la variacin del sistema de medicin es igual a 24.8% de la variacin
del proceso, por lo tanto el sistema de medicin es marginal es decir, casi inaceptable.
33
4.4.9 R&R del sistema de medicin
Figura 4.12 Tabla de resultados del R&R con respecto a la varianza.
En la figura 4.12 se observa que el 6.16% de la variacin total en los datos se debe al sistema de
medicin, mientras que un 93.84% de dicha variacin es debida a las diferencias entre los elementos
medidos. Dentro de este porcentaje el 5.77% representa la variacin de la que es responsable la
repetibilidad, que se refiere a lo apropiado que es el instrumento de medicin. La reproducibilidad, que se
refiere a la capacidad del operador para realizar las mediciones del estudio solo representa el 0.39% de la
variacin dentro del estudio.
Figura 4.13 Tabla de resultados del R&R con respecto a la desviacin estndar y al % de tolerancias.
La tolerancia del proceso es: 0.268957

Nmero de categoras distintas= 5
Nota: Para obtener el % de tolerancia se divide la variacin total observada entre la tolerancia del proceso.
34
Variabilidad
La informacin ms importante se encuentra en las columnas %Contribucin, %Var. del estudio,
%Tolerancia y %Proceso. Estas columnas muestran las fuentes de variacin. Normalmente, la R&R total
del sistema de medicin debe ser menos del 30% de la variacin del estudio, y menos del 10% sera lo
ideal.
De acuerdo a la figura 4.13 para los datos sobre partes, R&R total del sistema de medicin representa
el 24.82% de la variacin del estudio. Aparentemente, el sistema de medicin puede ser adecuado.
Nmero de categoras distintas

Este es el nmero de categoras distintas de partes que el proceso puede distinguir actualmente.
Mientras ms bajo sea el R&R total del sistema de medicin, ms alto ser este nmero. Si un proceso no
puede distinguir al menos 5 tipos de partes, es probable que ese proceso no sea el adecuado.
Para los datos sobre partes, el sistema de medicin es capaz de distinguir 5 tipos de partes. Como se
incluyen al menos 5 tipos de partes, el proceso es el adecuado y no se requiere mejoras.
4.4.10
Mtodo ANOVA
El ANOVA (anlisis de varianza) de dos factores indica si diferentes niveles de dos factores generan
diferentes valores promedio de una variable de respuesta.
La tabla de ANOVA de dos factores muestra las siguientes fuentes de variabilidad:
Parte, que representa la variabilidad en las mediciones entre diferentes partes.

Operador, que representa la variabilidad en las mediciones entre los diferentes operadores.
Operador*Parte, que representa la variabilidad en las mediciones entre diferentes combinaciones de
operador y parte. Si el trmino Operador*Parte tiene un valor p mayor que 0.05, el ANOVA se
ejecutar de nuevo sin el trmino de interaccin.
Error o Repetibilidad, que representa la variabilidad en las mediciones que no puede ser atribuida a
las partes, los operadores o a la interaccin operador por parte.
Se busca determinar si el valor p asociado a cada fuente es menor que el nivel de significancia elegido.
Esto indicara que la fuente contribuye significativamente a la variabilidad de medicin.
35
4.4.11
Tabla ANOVA de dos factores con interaccin
Figura 4.14 Tabla ANOVA de dos factores con interaccin.
para eliminar el trmino de interaccin = 0.05

En la figura 4.14 para los datos sobre partes, el valor P para operador (P=0.067) muestra que el valor
promedio del dimetro es significativamente diferente entre los tres diferentes operadores en el nivel =
0.95.
Aqu, el trmino operador*parte no se incluye porque P=0.838 es mayor que 0.05. La interaccin entre
operador y parte no se tomar en cuenta en la R&R del sistema de medicin, es decir, el ANOVA se
ejecutar de nuevo sin el trmino de interaccin.
4.4.12
Tabla ANOVA de dos factores sin interaccin
Figura 4.15 Tabla ANOVA de dos factores sin interaccin.
Dado lo anterior, se procedi a obtener la tabla ANOVA sin interaccin como se muestra en la figura
4.15. Para los datos sobre partes, el valor P para operador (P=0.107) muestra que el valor promedio del
dimetro es significativamente diferente entre los tres diferentes operadores en el nivel = 0.95.
36
CAPTULO 5. Hoja de verificacin

Esta herramienta se utiliza para organizar y/o recolectar datos o para ver si se han efectuado determinados
trabajos. Frecuentemente sirve como base para elaborar otras herramientas estadsticas como la grfica
de control, el histograma y el diagrama de Pareto.
En el grupo de calidad Hinshitsu, se utilizan tres hojas de verificacin (figuras 5.1, 5.2 y 5.3); la primera
para la recoleccin de medidas como se puede observar en el estudio Gage R&R o anlisis de estadstica
descriptiva preliminar, la segunda y tercera para registrar los defectos y rechazos en las piezas a analizar,
las cuales sirven para futuros anlisis.
Tabla 5.1 Formato de toma de muestras.

Fecha:
Modelo de pieza:
Lote:
Encargado de medicin:
No. de pieza
Medida
Nombre:
Unidades
Observaciones
Modelo:
Cdigo:
Ing. Miguel Herrera
Material:
Rango de medida:
Fecha de ltima calibracin:
Ing. Selene Lara
Ing. Sal Lucero
37
Tabla 5.2 Hoja de verificacin para defectos.
HOJA DE VERIFICACIN
Fecha:
Producto:
Nmero de folio:
Nombre de quien levanta los datos:
No. de pedido:
Proceso
Especificaciones:
Turno:
Supervisor:
Serie de la pieza:
NO.
RESULTADO DE LA INSPECCIN
CONTEO
TOTAL
1
2
3
4
Total rechazado
Total aprobado
% Rechazado
Tabla 5.3 Hoja de verificacin para rechazos.
HOJA DE VERIFICACIN
Reporte semanal de rechazados en la inspeccin final
Semana del __ al __ de ________________ de ______
NO.
RESULTADO DE INSPECCIN
TOTAL
1
2
3
4
TOTAL
TOTAL %
38
CAPTULO 6. Anlisis de la estadstica descriptiva

La estadstica descriptiva puede definirse como aquellos mtodos que incluyen la recoleccin,
presentacin y caracterizacin de un conjunto de datos con el fin de describir apropiadamente las diversas
caractersticas de ese conjunto. En investigacin los hechos que ya ocurrieron o estn ocurriendo, son
agrupados, comparados y utilizados para la toma de decisiones.
Por otro lado, con el operador ms eficiente se procede a tomar las lecturas de las 60 piezas ya que es
el nmero de neumticos por el que est conformado el lote a estudiar, para posteriormente realizar un
anlisis de estadstica descriptiva con el fin de encontrar las principales caractersticas que permitan hacer
una buena descripcin del conjunto de datos tomados del neumtico, los cuales se presentan en las tablas
6.1, 6.2 y 6.3.
39
Tabla 6.1 Hoja de verificacin de las medidas del dimetro del neumtico.
No. de pieza
Dimetro
Unidades
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
23.41
23.35
23.36
23.25
23.37
23.31
23.3
23.34
23.35
23.24
23.23
23.42
23.32
23.31
23.38
23.3
23.34
23.37
23.33
23.34
23.35
23.39
23.37
23.42
23.23
mm
mm
mm
mm
mm
mm
mm
mm
mm
mm
mm
mm
mm
mm
mm
mm
mm
mm
mm
mm
mm
mm
mm
mm
mm
INSTRUMENTO DE MEDICION
Observaciones
Modelo: CALDI-6MP
Cdigo: 14388
Ing. Miguel Herrera

Ing. Selene Lara
Ing. Sal Lucero
Fecha de ltima calibracin: 20 de septiembre del 2015
40
Tabla 6.2 Continuacin de la hoja de verificacin de las medidas del dimetro del neumtico.
No. de pieza
Dimetro (X)
Unidades
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
43
44
45
46
47
48
49
50
23.27
23.34
23.4
23.37
23.28
23.33
23.31
23.28
23.32
23.38
23.36
23.34
23.26
23.3
23.29
23.44
23.45
23.35
23.35
23.31
23.36
23.29
23.32
23.33
23.42
mm
mm
mm
mm
mm
mm
mm
mm
mm
mm
mm
mm
mm
mm
mm
mm
mm
mm
mm
mm
mm
mm
mm
mm
mm
Observaciones
Modelo: CALDI-6MP
Cdigo: 14388
Ing. Miguel Herrera

Ing. Selene Lara
Ing. Sal Lucero
Fecha de ltima calibracin: 20 de septiembre del 2015
41
Tabla 6.3 Continuacin de la hoja de verificacin de las medidas del dimetro del neumtico.
No. de pieza
Dimetro (X)
Unidades
51
52
53
54
55
56
57
58
59
60
23.27
23.36
23.38
23.35
23.4
23.33
23.32
23.34
23.35
23.37
mm
mm
mm
mm
mm
mm
mm
mm
mm
mm
Observaciones
Modelo: CALDI-6MP
Cdigo: 14388
Ing. Miguel Herrera

Ing. Selene Lara
Ing. Sal Lucero
Fecha de ltima calibracin: 20 sep 2015
A continuacin, se muestran los grficos y datos (figura 6.1) que se utilizarn para evaluar las
propiedades bsicas de las mediciones obtenidas del dimetro del neumtico elaborado por Hinshitsu.
Figura 6.1 Estadsticos descriptivos de las mediciones del neumtico.
42
6.1 Histograma de mediciones

Histograma de Mediciones
18
Media
16
Mediana
Moda
14
Frecuencia
12
10
8
Valor mnimo
Valor mximo
6
4
2
0
23.25
23.30
23.35
23.40
23.45
Mediciones
Figura 6.2 Histograma de medicin.
En la figura 6.2 se observan las frecuencias de cada una de las mediciones obtenidas. De sta grfica
se puede definir que los dimetros del neumtico se encuentran en un rango de 23.23 a 23.45 (valor
mnimo y valor mximo); adems, se muestra que el promedio de los datos se encuentran en el valor de
23.338 (media), tal y como lo indica la figura 6.1. Se muestra tambin el valor central del conjunto de datos
ordenados que es de 23.340 (mediana) y finalmente el dimetro con mayor frecuencia que es 23.35
(moda).
43
6.2 Histograma de mediciones con curva normal
Histograma (con curva normal) de Mediciones

18
Media
Q1
Media
23.34
Desv.Est. 0.05016
N
60
Q3
16
14
Frecuencia
12
10
8
6
4
2
0
23.25
23.30
23.35
23.40
23.45
Mediciones
Figura 6.3 Histograma de mediciones con curva normal.
En la figura 6.3, se observa nuevamente el histograma de los dimetros pero ahora con la curva de
normalidad sobrepuesta; una distribucin normal es simtrica y tiene forma de campana.
Con los datos mostrados en la figura 6.1, se puede afirmar que la forma de la curva es platicrtica, ya
que se tiene un valor en curtosis de -0.11 (<0); esto quiere decir que se presenta un reducido grado de
concentracin alrededor de los valores centrales de la variable. Respecto al valor de simetra, tomando
como base el valor de -0.10 decimos que la curva tiende a ser asimtrica a la izquierda, ya que los valores
estn ms separados de la media del lado izquierdo del histograma; las mediciones disminuyen
ligeramente en la parte izquierda.
Respecto al grado de dispersin o variabilidad en los datos con respecto a la media (desviacin
estndar), stos se separan 0.0502 mm tanto a la izquierda, como a la derecha.
Tambin se identifica en el histograma el cuartil 1 y el cuartil 3, con valores de 23.310 y 23.370
respectivamente, es decir, los valores que corresponden al 25% y al 75% de los dimetros.
44
6.3 Grfica de valores individuales
Grfica de valores individuales de Mediciones
23.20
23.25
23.30
23.35
23.40
23.45
Mediciones
Figura 6.4 Grfica de valores individuales.
La grfica de valores individuales ayuda a examinar la dispersin y la concentracin de los datos; cada
crculo representa una observacin. En la figura 6.4 se puede apreciar que hay una gran concentracin de
datos que va de 23.30 mm hasta 23.38 mm.
45
6.4 Grfica de caja de medicin
Grfica de caja de Mediciones

23.45
Mediciones
23.40
Q3
23.35
Q1
23.30
23.25
23.20
Figura 6.5 Grfica de caja de medicin.
En la figura 6.5 se aprecia la grfica de caja; en ella se observa que la lnea de la media no se encuentra
centrada en el rango intercuartl de la caja, si no que tiende a estar ligeramente en la parte superior.
Adems el bigote superior es un poco ms largo que el inferior, lo que indica que los valores tienden arriba
de la media. Nuevamente, tomando en cuenta los datos de la figura 6.1, el rango entre el cuartil 1 y el
cuartil 3 es de 0.06 (23.370 23.310), lo cual significa que esa es la porcin correspondiente a la caja o al
50% intermedio de las observaciones.
46
6.5 Anlisis de la estadstica inferencial

6.5.1 Intervalos de confianza
Hay muchas situaciones en que es preferible determinar un intervalo dentro del cual esperaramos
encontrar el valor del parmetro.
Una estimacin por intervalo de un parmetro de la poblacin es un intervalo de la forma:
< <
Donde I y S dependen del valor del estadstico para una muestra especfica, y tambin de la
distribucin del muestreo de . Para este caso se utiliz la poblacin de 60 observaciones, la cual sigue
una distribucin normal y se utiliz el estadstico Z. Adems se tom un nivel de confianza de 1-=0.95 y
un =0.05 dado que se est trabajando nicamente con una de manera bilateral.
Para este caso se utilizar una = 23.338 = 0.0502 y 60 datos por lo cual S tiende a .
6.5.1.1 Intervalos de confianza para la media

En ste intervalo se va inferir entre que valores caer el valor de la media poblacional en base a los
datos obtenidos, con el fin de estimar la variacin de las piezas correspondientes a la misma lnea con la
especificacin dada por el fabricante.
Datos:
n=60
=0.0502
= 23.338
1-=0.95
=0.05
La frmula utilizada fue:

+ /
47
Sustitucin:
0.0502
0.0502
23.338 1.96 (
) 23.338 + 1.96 (
)
60
60
Resultado:
23.3252 23.3507
El resultado anterior, tambin fue comprobado por medio del software Minitab 17, el cual arroj el
mismo resultado obtenido, como se muestra en la figura 6.6.
Figura 6.6 Intervalo de confianza para la media obtenido por el software Minitab 17.
Debido a que los datos sobre el dimetro del neumtico se analizaron con un nivel a de 0.05, se
construy un intervalo de confianza de 95%. Este intervalo indica que, basndose en la media de la
muestra y el valor conocido de s, se puede estar 95% seguro de que se encuentra entre los valores de
23.3256 y 23.3510.
48
6.5.2 Prueba de hiptesis

En un estudio estadstico por lo general se busca responder con cierta confianza ciertas preguntas y/o
tomar decisiones. En este contexto, la persona que hace el estudio puede tener a priori ciertas creencias
o hiptesis que desea comprobar.
Una hiptesis estadstica es una afirmacin sobre los valores de los parmetros de una poblacin o
proceso, la cual es susceptible de probarse a partir de la informacin contenida en una muestra
representativa que se obtiene de la poblacin.
Hot Wheels proporcion al grupo Hinshitsu un lote de 60 piezas de los neumticos que son utilizados
en los automviles de juguete serie 0785, con el fin de evaluar el comportamiento de las medias del lote,
con las medias de produccin. Hot Wheels afirma que la media de las medidas de los neumticos en la
produccin general es de 23.34.
A continuacin, se muestran los resultados del anlisis, usando la prueba con las siguientes hiptesis:
0 : = 23.34
1 : 23.34
Nivel de significancia = 95%
Tamao de muestra: 60
Valor crtico:
Z
Z
P / 2
x /2
1
n
n
Prueba a desarrollar: Inferencias acerca de la media poblacional (varianza conocida).

Datos:
= 60
= 0.0502
= 23.338
49
Valores crticos:

+ /
Sustitucin:
0.0502
0.0502
23.338 1.96 (
) 23.338 + 1.96 (
)
60
60
23.3252 23.3507
. .
. /
= .
En la figura 6.7, se muestran los resultados arrojados por el software y se comprueban los resultados
obtenidos.
Figura 6.7 Resultados de la prueba de hiptesis arrojados por el software Minitab 17.
50
Figura 6.8 Demostracin grfica de los datos bsicos tomados para la prueba de hiptesis.
De acuerdo a la figura 6.8, se concluye que la media est dentro de la zona de aceptacin, por lo tanto
se acepta la hiptesis nula, es decir, la media poblacional es igual a 23.34.
Figura 6.9 Grfica de caja del dimetro.
Como se muestra en la figura 6.9, se puede afirmar con un 95% de confianza que la media ideal se
encuentra dentro del intervalo 23.3252 y 23.3507, por lo tanto se acepta la hiptesis nula (H0) de que la
media toma el valor de 23.34.
51
CAPTULO 7. Diagrama de Pareto

Se reconoce que ms de 80% de la problemtica en una organizacin es por causas comunes, es decir,
se debe a problemas o situaciones que actan de manera permanente sobre los procesos. Pero, adems,
en todo proceso son pocos los problemas o situaciones vitales que contribuyen en gran medida a la
problemtica global de un proceso o una empresa.
El diagrama de Pareto es utilizado para encontrar rpidamente los factores o causas ms importantes
de un problema, para saber cules se deben atender primero y no realizar esfuerzos intiles para
solucionar ese problema. Esta herramienta es una grfica, semejante a un diagrama de barras, y presenta
los factores o causas ordenados con base en la importancia que tengan en un determinado problema,
facilitando as la toma de decisiones.
Para interpretar el diagrama se aplica la Regla de Pareto:

Regla de Pareto: Esta regla dice que el 20-30% de las causas son responsables de un 70-80% de los fallos.
Por lo tanto, si se concentra en la eliminacin de estas causas principales, se terminara con la mayor parte
de los fallos.
A partir de la figura 7.1 7.4 se muestran los defectos que presentan los neumticos de juguete serie
0785.
Figura 7.1 Aletas.
Figura 7.2 Rasgaduras.
52
Figura 7.3 Rfaga de color.
Figura 7.4 Rugosidad.
Tabla 7.1 Hoja de verificacin de los defectos que se presentan en el neumtico.
HOJA DE VERIFICACIN
Fecha: 20 de octubre de 2015
Producto: Neumticos plsticos
para camin de juguetes
No. de pedido: 36766
Proceso: Inyeccin de plstico
Especificaciones: A, B, C, D
Nmero de folio: 0074

Miguel Herrera Morales
Turno: Vespertino
Supervisor: Sal Fabin Lucero Lara
Serie de la pieza: 0785
NO.
CONTEO
TOTAL
ALETAS
//// //// /
RFAGAS DE COLOR
//// //
RASGADURAS
//
RUGOSIDAD
//// //// //// //// ////

//// //// //// ///
35
Total rechazado
Total aprobado
% Rechazado
52
8
86.66%
53
Tabla 7.2 Hoja de verificacin (ponderada) de los defectos que se presentan en el neumtico.
HOJA DE VERIFICACIN
Fecha: 20 de octubre de 2015
Nmero de folio: 0074
Producto: Neumticos plsticos

para camin de juguetes
No. de pedido: 36766
Proceso: Inyeccin de plstico
Especificaciones: A, B, C, D

Miguel Herrera Morales
Turno: Vespertino
Supervisor: Sal Fabin Lucero Lara
Serie de la pieza: 0785
NO.
ALETAS
RFAGAS DE COLOR
RASGADURAS
RUGOSIDAD
CONTEO
//// //// //// //// ////
//// //// //// ////
//// //// ////
//// //// ////
//// ////
//// //// //// //// //// ////
//// //// //// //// //// ////
//// //// //// //// //// ////
//// //// //// //// //// ////
//// //// //// //// //// ////
//// //// //// //// ////
Total rechazado
Total aprobado
% Rechazado
TOTAL
45
30
10
175
260
40
86.66%
Con ayuda de los datos de la tabla 7.2 se procede a construir el diagrama de Pareto. En l se ordenaron
los fallos de mayor a menor en funcin de los resultados obtenidos.
54
Figura 7.5 Diagrama de Pareto de primer nivel.
Como resultado del diagrama se puede observar que si solucionamos el defecto de rugosidad se estar
terminando con el 80% de la variacin que presenta el neumtico.
De acuerdo a la figura 7.5, se observa que el defecto de rugosidad es el defecto que ms se presenta
en los neumticos, por lo que ahora corresponde analizar las posibles causas para corregir esta
problemtica en la lnea de produccin.
55
CAPTULO 8. Diagrama de Ishikawa

Es un mtodo grfico que relaciona un problema o efecto con sus posibles causas que
posiblemente lo generan. La importancia de este diagrama radica en que obliga a buscar las
diferentes causas que afectan el problema bajo anlisis y, de esta forma, se evita el error de
buscar de manera directa las soluciones sin cuestionar cules son las verdaderas causas. sta
herramienta ayudar a no dar por obvias las causas, sino que se trate de ver el problema desde diferentes
perspectivas.
De acuerdo con los resultados obtenidos del diagrama de Pareto, se elabor un diagrama Ishikawa para
el defecto de exceso de rugosidad en la cara perimetral. El enfoque seguido en la construccin de ste, es
el de las 5M, en la figura 8.1, se muestra dicho diagrama.
Diagrama Ishikawa
Medio
Material
Mano de obra
Punto de fusin muy

elevado
Clima frio
No sigue el procedimiento adecuado
Vibraciones elsticas
No aplica los parmetros establecidos
Material contaminado
Acelera los tiempos del proceso
No se precalienta el molde
Velocidad de inyeccin rpida
Exceso de
rugosidad
en la cara
perimetral.
Uso de materiales no homogneos

Purga inadecuada de la mquina
Parmetros de inyeccin incorrectos
Mtodos
Temperatura baja en la cmara de

fusin.
Falta de presin en el husillo
Mquinas
Figura 8.1 Diagrama Ishikawa para el exceso de rugosidad en la cara perimetral.
56
CAPTULO 9. Herramientas administrativas

Estn ms orientadas a analizar datos cualitativos. Por medio de las herramientas administrativas
aprendemos el conjunto de tcnicas efectivas y sencillas, que nos permiten identificar, analizar y
solucionar problemas usando datos y procesos de razonamiento lgico y estructurado. Aplicar las
herramientas por medio de un ejercicio prctico y confirmar su efectividad en el control de calidad.
Las siete herramientas administrativas son: diagrama de afinidad o mtodo KJ, diagrama de relaciones,
diagrama de rbol, diagrama matricial o de matriz, matriz de anlisis de datos (portafolios), grfica de
programacin de decisiones de proceso y diagrama de flechas.
9.1 Diagrama de rbol

Se utiliza para generar las acciones necesarias para lograr un objetivo. Se procede en forma secuencial
incrementando el grado de detalle.
Caractersticas:
Permite el logro de objetivos a travs de la definicin de un plan de actividades
Estructura un plan de acciones por nivel de detalles
Facilita identificar actividades no eficientes
Permite disear estrategias de reduccin de costos
Posteriormente se elabor un diagrama de rbol para reducir y si es posible eliminar las causas que
estn presentando los neumticos que se mencionaron anteriormente en el diagrama Ishikawa.
57
Figura 9.1 Diagrama de rbol del exceso de la rugosidad en la cara perimetral.
58
9.2 Diagrama de relaciones

Se utiliza para identificar patrones en conjuntos de ideas interrelacionadas de manera compleja.
Consiste en un proceso lgico que permite establecer esquemas multidireccionales con secuencias
de relaciones causa-efecto.
Caractersticas:
Casualidad.
Lgica organizacional.
Sntomas, receptores de todo lo que sucede en el sistema, facilita la identificacin de puntos

de control.
Definir estrategias de asignacin de recursos.
Facilita la comprensin de lo que ocurre en el sistema
59
Figura 9.2 Diagrama de relaciones del exceso de la rugosidad en la cara perimetral.
60
CAPTULO 10. Grficas de control

El Control Estadstico de Procesos se apoya en herramientas estadsticas denominadas grficas de
control. ste, es un diagrama que sirve para examinar si un proceso se encuentra en una condicin
estable, o para asegurar que se mantenga en esa condicin.
En estadstica, se dice que un proceso es estable (o est en control) cuando las nicas causas de
variacin presentes son las de tipo aleatorio. En esta condicin se pueden hacer inferencias con
respecto a la salida del proceso, esto es, la caracterstica de calidad que se est midiendo. En cambio,
la presencia de causas especiales o asignables hace que el proceso se desestabilice, impidiendo la
prediccin de su comportamiento futuro.
Con base en la informacin obtenida en intervalos determinados de tiempo, las grficas de
control definen un intervalo de confianza: Si un proceso es estadsticamente estable, el 99.73% de
las veces el resultado se mantendr dentro de ese intervalo.
La estructura de las grficas contiene una lnea central (LC), una lnea superior que marca el lmite
superior de control (LSC), y una lnea inferior que marca el lmite inferior de control (LIC). Los
puntos contienen informacin sobre las lecturas hechas; pueden ser promedios de grupos de
lecturas, o sus rangos, o bien las lecturas individuales mismas. Los lmites de control marcan el
intervalo de confianza en el cual se espera que caigan los puntos.
Figura 10.1 Grfica de Control.
61
Las grficas de control sirven para:
Determinar el estado de control de un proceso.

Diagnostica el comportamiento de un proceso en el tiempo.
Indica si un proceso ha mejorado o ha empeorado.
Permite identificar las dos fuentes de variacin de un proceso.
Sirve como una herramienta de deteccin de problemas.
Shewhart sugiere que si se establecen lmites de control a+3 veces la desviacin estndar del
proceso con respecto a la media en el momento en que el proceso opere fuera de este margen o
tienda a hacerlo, la probabilidad de que ello se deba a causas inherentes al proceso es muy baja
27% por lo que lo ms probable es que algo extrao este sucediendo de manera que si se detecta
oportunamente la causa y se establecen las acciones correctivas apropiadas se puede impedir la
falta de calidad.
Para conocer en qu condiciones est operando un proceso, se deben tomar muestras peridicas y
estimarse tanto su media como su desviacin estndar.
Tipos de grficas de control

Grficas de Control de Variables
Grfica x R Promedios y rangos.
Grfica x s Promedios y Desviacin Estndar.
Grfica x R Medianas y Rangos.
Grfica x R Lecturas Individuales y Rangos.
El precontrol es un semforo contra el cual se comparan, en cada tiempo de inspeccin, los valores
medidos en dos artculos consecutivos de la produccin. Las zonas de operacin del semforo
resultan al dividir la tolerancia o especificaciones en cuatro partes: las dos partes centrales
constituyen la zona verde, las dos partes de las orillas forman la zona amarilla, y fuera de las
especificaciones se localiza la zona roja (figura 10.2).
62
Grfica Xbarra-R de Medicin

Media de la muestra
23.40
LCS=23.4062
+3
+2
+1
-1
-2
-3
23.35
23.30
Zona A
__
X=23.3355
Zona C
LCI=23.2648
23.25
1
10
11
Zona B
12
Subgrupos
Rango de la muestra
0.24
LCS=0.2590
Figura 10.2 Zona verde, amarilla y roja del precontrol.
0.18
_
R=0.1225
0.12
A continuacin
se muestran los valores de las penalizaciones de acuerdo al precontrol.
0.06
Zona0.00
A= 0 puntos
2
3
4
Zona B= 21 puntos
Zona C= 6 puntos
Fuera de control= 8 puntos
LCI=0
5
10
11
12
Subgrupos
10.1 Grfica de control por variables

Las cartas de control se especializan en estudiar la variabilidad a travs del tiempo. Lo anterior es
clave para mejorar los procesos, a travs de tres actividades bsicas:
a) Estabilizar los procesos (lograr control estadstico) mediante la identificacin y eliminacin de
causas especiales.
b) Mejorar el proceso mismo, reduciendo la variacin debida a causas comunes.
c) Monitorear el proceso para asegurar que las mejoras se mantienen y para detectar
oportunidades adicionales de mejora.
Los procesos siempre tienen variacin, ya que en l intervienen diferentes factores sintetizados
a travs de las 6 M: materiales, maquinaria, medicin, mano de obra (gente), mtodos y medio
ambiente. Bajo condiciones normales o comunes de trabajo, todas las M aportan variacin a las
variables de salida del proceso, en forma natural o inherente, pero adems aportan variaciones
especiales o fuera de lo comn, ya que a travs del tiempo las 6 M son susceptibles de cambios,
desajustes, desgastes, errores, descuidos, fallas, etc. As, hay dos tipos de variabilidad: la que se
debe a causas comunes y la que corresponde a causas especiales o atribuibles. Resulta fundamental
distinguir de forma eficiente entre ambos tipos de variacin, para as tomar las medidas adecuadas
en cada caso.
63
La variacin por causas comunes (o por azar) es aquella que permanece da a da, lote a lote; y
es aportada de forma natural por las condiciones de las 6 M.
La variacin por causas especiales (o atribuibles) es causada por situaciones o circunstancias
especiales que no estn de manera permanente en el proceso.
No distinguir entre estos dos tipos de variabilidad conduce a cometer dos errores en la actuacin
de los procesos. Error 1: reaccionar ante un cambio o variacin (efecto o problema) como si
proviniera de una causa especial, cuando en realidad surge de algo ms profundo en el proceso,
como son las causas comunes de variacin. Error 2: tratar un efecto o cambio como si procediera de
causas comunes de variacin, cuando en realidad se debe a una causa especial.
Cada uno de estos dos errores causa prdidas. Se puede evitar uno u otro, pero no ambos.
No es posible reducir a cero ambos errores.
Como ya se mencion Hot Wheels produce los neumticos serie 0785 con especificaciones de
dimetro exterior de 23.34 0.1 mm. Se ha solicitado controlar sta caracterstica con cartas de
control. Cada dos horas se toma una muestra de 5 piezas consecutivas, ya que es el tiempo que
tarda un lote en salir; la primera muestra se toma a las 9:00 a.m., los turnos en los que se trabaja
son:
Turno 1: 7 am 3 pm
Turno 2: 3 pm 11 pm
Turno 3: 11 pm 7 am
En la tabla 10.1 se visualizan las mediciones obtenidas de las muestras tomadas en cada lote de
neumticos, en los horarios establecidos, los cuales fueron definidos como subgrupos, obteniendo
un total de 12:
64
Tabla 10.1 Hoja de verificacin para carta de control Xbarra-R.
Fecha: 15 de noviembre de 2015
Lote: ------------Encargado de medicin: Miguel Herrera Morales
Subgrupo
Hora
X1
X2
X3
X4
X5
X-barra
R-barra
LSCx
LCIx
LSCr
LCIr
1
2
3
4
5
6
7
8
9
10
11
12
09:00
11:00
13:00
15:00
17:00
19:00
21:00
23:00
01:00
03:00
05:00
07:00
23.42
23.36
23.29
23.34
23.34
23.35
23.35
23.41
23.34
23.37
23.23
23.23
23.3
23.34
23.28
23.42
23.37
23.24
23.37
23.28
23.34
23.29
23.32
23.25
23.33
23.38
23.36
23.31
23.27
23.33
23.37
23.3
23.27
23.35
23.42
23.38
23.35
23.31
23.4
23.38
23.35
23.34
23.37
23.31
23.3
23.33
23.35
23.31
23.32
23.31
23.36
23.39
23.37
23.44
23.32
23.45
23.32
23.25
23.26
23.34
23.344
23.34
23.338
23.368
23.34
23.34
23.356
23.35
23.314
23.318
23.316
23.302
0.12
0.07
0.12
0.11
0.1
0.2
0.05
0.17
0.07
0.12
0.19
0.15
23.4062
23.2648
0.259
23.3355
0.1225
Modelo: CALDI-6MP
Cdigo: 14388
Ing. Miguel Herrera

Ing. Selene Lara
Ing. Sal Lucero
Fecha de ltima calibracin: 15 de noviembre del 2015
Clculo de lmites de control X-barra:

: + 2 = 23.3355 + 0.577(0.1225) = 23.406183
: = 23.3355
: 2 =23.3355 0.577(0.1225) = 23.264818
Clculo de lmites de control R:

: 4 = 2.1144(0.1225) = 0.259014
: = 0.1225
: 3 = 0(0.1225) = 0
65
10.1.1
Carta de control X-barra
Las grficas X-barra evalan si el centro del proceso est bajo control. Constan de lo siguiente:
Puntos graficados, cada uno de los cuales representa el promedio de mediciones en ese
subgrupo.
Lnea central (verde), que es el estimado del promedio del proceso (el promedio de todos los
promedios de los subgrupos).
Lmites de control (rojos), localizados 3 s por encima y por debajo de la lnea central, ofrecen un
recurso visual para evaluar si el proceso est fuera de control. Los lmites de control, que
representan la cantidad de variacin esperada para los promedios de los subgrupos, se calculan
utilizando la variacin dentro de subgrupos.

LCS=23.4062
Media de la muestra
23.40
__
X=23.3355
23.35
23.30
LCI=23.2648
23.25
1
10
11
12
Subgrupos
Rango de la muestra
0.24
LCS=0.2590
Figura 10.3 Grfica Xbarra de medicin.
0.18
_
R=0.1225
0.12
0.06
La grfica X-barra (figura 10.3) para los datos sobre el dimetro del neumtico se puede resumir
0.00
LCI=0
de la manera siguiente:
1
2
3
4
5
6
7
8
9
10
11
12
Subgrupos
Los lmites de control inferior y superior son 23.2648 y 23.4062, respectivamente. Por lo tanto,
se espera que los promedios de subgrupo se ubiquen entre los valores mencionados. La lnea
central (estimado del promedio del proceso) es 23.3355.
Como los subgrupos se encuentran en los lmites de control, ste es el indicador de que el
proceso est bajo control.
Del subgrupo 1 al 8 se presenta una corrida.
Del subgrupo 3 al 5 se aprecia fluctuacin.
Del subgrupo 5 al 12 se estima una adhesin a la media.
66

LCS=23.4062
Media de la muestra
23.40
23.35
Zona A
2
0
__
X=23.3355
0
0
23.30
Zona B
Zona C
2
LCI=23.2648
23.25
1
10
11
12
Subgrupos
Figura 10.4 Grfica de puntos con valores de penalizaciones
Rango de la muestra
0.24
LCS=0.2590
0.18
_
R=0.1225
0.12
En la figura0.06
10.4 se aprecia que el 83.33% de los subgrupos se encuentra en la zona A y slo el
16.66% se encuentra
en la zona B.
0.00
LCI=0
1
10
11
12
Subgrupos
10.1.2
Carta de control
Las grficas evalan si la variacin del proceso est bajo control. Una grfica R se compone de
lo siguiente:
Puntos graficados, que representan los rangos de subgrupo.

Lnea central (verde), que es el estimado de la variacin del proceso (el promedio de todos los
rangos de subgrupo).
Lmites de control (rojo), localizados por encima y por debajo de la lnea central, brindan un
recurso visual para evaluar si el proceso est fuera de control. Los lmites, que representan la
cantidad de variacin esperada para los rangos de subgrupo, se calculan utilizando la variacin
dentro de subgrupos.
La grfica R debe estar bajo control para interpretarla porque los lmites de control se calculan
considerando tanto la variacin como el centro del proceso.
Cuando la grfica R no est bajo control, los lmites de control en la grfica sern inexactos y
podran indicar incorrectamente una condicin fuera de control. En este caso, la falta de control
se deber a una variacin inestable en lugar de cambios reales en el centro del proceso.
Cuando la grfica R est bajo control, usted puede estar seguro de que una grfica fuera de
control se debe a cambios en el proceso.
67
Media d
23.30
LCI=23.2648
23.25
1
10
11
12
Subgrupos
LCS=0.2590
Rango de la muestra
0.24
0.18
_
R=0.1225
0.12
0.06
0.00
LCI=0
1
10
11
12
Subgrupos
Figura 10.5 Grfica R de medicin.
En la figura 10.5 se muestran los lmites de control inferior y superior los cuales son 0 y 0.2590,
respectivamente. Por lo tanto, se espera que los rangos de los subgrupos se ubiquen entre dichos
valores. La lnea central (estimado de la variacin del proceso) es 0.1225.
Por otro lado, los subgrupos con mayor rango son: 6, 8, 11 y 12, por el contrario los de menor rango
son: 2, 7 y 9, pues estn cercanos al 0.
Ninguno de los rangos de subgrupos est fuera de los lmites de control. Adems, los puntos dentro
de los lmites muestran un patrn aleatorio. Esta grfica R no proporciona ninguna evidencia de falta
de control. Por estas razones, la variacin del proceso est bajo control.
10.1.3
Carta de control Xbarra R
Al interpretar ambas grficas a la vez, puede rastrear tanto el centro del proceso como la
variacin del proceso y detectar la presencia de causas especiales.
Un proceso bajo control slo muestra la aleatoria variacin dentro de los lmites de control.
Un proceso fuera de control exhibe variacin inusual, la cual puede atribuirse a la presencia de
causas especiales.
68

LCS=23.4062
Media de la muestra
23.40
__
X=23.3355
23.35
23.30
LCI=23.2648
23.25
1
10
11
12
Subgrupos
LCS=0.2590
Rango de la muestra
0.24
0.18
_
R=0.1225
0.12
0.06
0.00
LCI=0
1
10
11
12
Subgrupos
Figura 10.6 Grfica Xbarra-R de medicin
En la figura 10.6 se visualiza que el subgrupo 4 es el que ms se aleja del valor nominal en la carta
X-barra y en la carta de rangos muestra un rango por debajo del promedio. Los resultados de estas
pruebas indican que el promedio del proceso es estable y que el proceso est bajo control, se puede
observar que no hay presencia de causas especiales.
69
CAPTULO 11. Anlisis de capacidad del proceso

Capacidad de proceso (Cp)
La capacidad potencial del proceso es una medida de la variacin del proceso en relacin con el
rango de especificacin.
Objetivos:
1.
2.
3.
4.
5.
6.
Predecir que tanto el proceso cumple especificaciones.

Apoyar a diseadores de producto o proceso en sus modificaciones.
Especificar requerimientos de desempeo de equipo nuevo.
Seleccionar proveedores.
Reducir la variabilidad en el proceso de manufactura.
Planear la secuencia de produccin cuando hay un efecto interactivo de los procesos en
las tolerancias.
Frmula:
=

=
6
Se procede a obtener la capacidad del proceso de produccin del neumtico:

=
0.1225
=
= 0.0527
2
2.326

23.44 23.24
=
= 0.6325
6
6(0.0527)
Capacidad de proceso (Cpk)

Cpk es una medida de la capacidad real del proceso en funcin de la posicin de la media del proceso
(X) en relacin con los lmites de especificacin.
El ndice siempre va a ser menor o igual que el ndice .
70
Frmula:
= [

,
]
3
3
Posteriormente se procede a obtener la capacidad real del proceso:
23.44 23.3355
=
= 0.6609
3
3(0.0527)
23.3355 23.24
=
= 0.6040
3
3(0.0527)
Mnimo (0.6609, 0.6040) = 0.6040

= 0.6325 > = 0.6040
Como se aprecia son muy prximos, eso indica que la media del proceso est muy cerca
del punto medio de las especificaciones, por lo que la capacidad potencial y real son similares.
71
CONCLUSIN
Partiendo de los resultados obtenidos gracias a cada una de las herramientas utilizadas para la
realizacin de este anlisis, se obtienen las siguientes conclusiones sobre el comportamiento del
proceso de produccin del neumtico de juguete 0785.
Despus de ejecutar la prueba preliminar junto con las pruebas de normalidad se afirma que los
problemas o variaciones que presentan las piezas durante el anlisis no son a causa de la medicin,
por lo que la variacin se presenta durante el proceso de fabricacin, de manera adicional se realiz
un estudio Gage R&R para verificar quien era el operador con mayor capacidad tcnica para realizar
la mediciones, que en este caso result ser el nmero 2.
Una vez seleccionado el operador, se hizo el anlisis estadstico para ver el comportamiento de las
piezas, en el cual se observ que stas se comportaban de manera normal y no existe mucha
variacin entre la piezas, adems, de que en general cumplen con las especificaciones del cliente,
por lo cual se piensa que los problemas presentados en el neumtico se deben a otra situacin como
son los defectos que se presentan.
Mediante el enfoque de los defectos de las piezas se verifico que el defecto de rugosidad excesiva
fue el que ms se presentaba en las piezas, ya que abarca casi el 70 % de las mismas y esto puede
causar un dficit de funcionalidad en el momento de hacer las pruebas por el impedimento que la
cara tiene para avanzar en una superficie dado su rugosidad. Se prosigui a reunir un equipo
multidisciplinario para realizar un diagrama de Ishikawa y encontrar algunas de las posibles causas
de que se presente con mayor frecuencia ese defecto, una vez obtenidas algunas de las causas, se
hizo un anlisis mediante dos herramientas administrativas para ver posibles medidas de
continencia y la relacin entre las causas, para atacar las de mayor importancia. De stas se pudo
apreciar que dos causas fuertes son la aplicacin incorrecta de los parmetros de inyeccin y la
contaminacin de la materia prima, las cuales se planean atacar mediante la aplicacin de un
catlogo de parmetros para cada tipo de material adems de un control e inspeccin ms especfica
del material.
Una vez que se obtuvieron las afirmaciones sobre los defectos, se prosigue al anlisis del proceso
mediante la aplicacin de las cartas de control, el cual se realiz mediante subgrupos. En las cartas
se pudo apreciar que la mayora de los subgrupos se encontraban dentro de los lmites de control y
no presentaban gran variacin ya que la mayora se concentraba dentro de la zona A, existiendo
slo un par de fluctuaciones notables, aunque en su mayora se presenta adhesin a la media, dado
esto, no fue considerado realizar un anlisis individual.
Por ltimo se verific la capacidad del proceso, lo cual nos indica que la capacidad real y potencial
es similar, pero debido a que el valor arrojado es aproximado a 0.60, el cual es relativamente bajo,
se afirmar que el proceso no puede cumplir del todo con las especificaciones del cliente.
72
Para finalizar, partiendo de la problemtica inicial se puede afirmar que el proceso est bajo control
a pesar de su capacidad baja, y que se comporta de manera normal, por lo cual el dficit de
funcionalidad es debido principalmente a los defectos.
CONCLUSIONES PARTICULARES
Integrante del equipo:
Miguel Fernando Herrera Morales
En general de este trabajo aprend a analizar realmente un proceso real y no slo un conjunto de
datos, ya que cuando realizaba proyectos de esta naturaleza por lo regular me limitaba a llegar a la
toma de datos a lo mucho y no tomaba en cuenta ni la manera en como lo haca, por lo tanto siempre
se quedaban en una simple interpretacin y no se realizaba un anlisis verdadero. En este proyecto
pude comprobar lo amplio que es el panorama de la calidad y las herramientas tanto estadsticas
como administrativas, adems de algunas de las mltiples aplicaciones y beneficios que estas
proveen a las empresas. Pude apreciar que hay miles de aspectos dentro de lo que es el control
estadstico y que es un mundo de detalles que se deben conocer para realizar un proceso continuo,
por lo que se vuelve un proceso estocstico.
Tambin pude darme cuenta que para realizar un proyecto de estas magnitudes no es necesario
que una empresa abra las puertas ya que se puede hacer un anlisis externo que aunque no es tan
confiable nos permite darnos una idea de cmo es que se comportan los procesos dentro de planta.
Al final de realizar todo el anlisis pude confirmar que a veces las variaciones en los procesos no son
de manera puntual atribuibles a una sola causa, sino a la combinacin de muchas que dan como
resultado un problema a analizar, lo cual es interesante ya que da mayor complejidad y relevancia
a este tipo de estudios ya que nos permite conocer ms a fondo cules son esas causas o variables
que influyen.
En cuanto a la clase y el desarrollo de la misma creo que fue interesante salir un poco de los
esquemas establecidos y poder quitar ciertas barreras de pensamiento que se encontraban muy
arraigadas, de esta manera puedo asegurar que no estoy en total acuerdo con el desarrollo de la
materia ya que hubo detalles que me hubiera agradado modificar un poco y hacerlos un poco
mejores, tal es el caso de la comunicacin y gua en algunos temas donde creo que una introduccin
previa hubiera podido dar una pauta mejor para las correcciones y retroalimentacin de los mismos.
En general la clase tiene un buen concepto aunque hay limitaciones en recursos tiempo y tal vez
materiales para acelerar el ritmo de trabajo y poder abarcar de manera ms amplia y puntual
algunas secciones. Ahora realmente lo que ha dejado esta materia en mi es una ambicin por
realmente adentrarme y empezar a conocer, indagar y cuestionar los procesos para hacer el anlisis
y poder interpretar de manera que pueda yo saber alternativas para mejorar y controlar los mismos.
73
Cynthia Michele Martnez Hurtado
En conclusin, considero que el Control Estadstico de la Calidad es muy amplio, as como

tambin, que desempea un papel muy importante en la actualidad, ya que es utilizado como
instrumento y herramienta destinada a un mejor control en la evolucin de la empresa, una forma
ms eficaz de tomar decisiones en cuanto a ajustes, un mtodo muy eficiente de fijar metas y
tambin es un excelente medio para verificar el comportamiento del sistema. Tener la capacidad de
analizar y determinar causas de problemas de calidad mediante las herramientas estadsticas
bsicas de la misma, nos va a permitir llevar a cabo una mejor toma de decisiones, logrando una
mejora continua, tanto en las organizaciones como en los procesos.
Por otro lado, refirindome especficamente a la asignatura, estoy satisfecha con todos los
conocimientos y enseanzas que adquir, me agrad la forma en la que se imparti dicha materia,
ya que todo fue aplicado a la vida cotidiana, muchas veces no tenemos ni la menor idea de la
aplicacin de stas y por lo tanto no le vemos importancia. Por mencionar algunas cosas de las que
aprend; fue realizar anlisis completos y detallados, a veces no slo basta realizar ejercicio tras
ejercicio, es mejor ir aplicando conceptos y metodologas que se van adquiriendo a algo real, eso
permite obtener un aprendizaje significativo. De igual importancia, por ms simple que sea la
actividad y/o tarea, se debe hacer con formalidad.
Tambin un aspecto que influye en la enseanza del alumno, es que el docente est trabajando
o haya trabajado en empresas, sin duda alguna tiene una gran influencia, ya que nos pueden
compartir sus experiencias ya sean buenas o malas, en ocasiones resulta ms claro cuando lo
relacionamos con algn tema.
Otro aspecto en el que estoy de acuerdo, fue en la formacin que nos inculc, ya que en general
estamos acostumbrados a ser cuadrados, impuntuales, entregar trabajos mal hechos o incompletos
y aun as los reciben, cuando no debera ser as, realizar tareas en clases ignorando a quien est
impartiendo la clase (es bueno mencionar que no todos hacemos eso). Est ms que claro que de
los errores aprendemos, lo interesante es corregirnos y no volver a cometerlos, pero eso depende
de uno mismo, no slo depende del profesor.
Y por ltimo, antes de realizar alguna actividad o emprender un proyecto, se requiere tener
planeacin y organizacin, as como tambin analizar las causas y consecuencias que esto conlleva,
esto con la finalidad de llevar un control y obtener los resultados esperados.
74
Selene Lizbeth Lara Salomn
Cuando se inici el curso de Control Estadstico de la Calidad debo decir que estaba muy nerviosa,
porque nunca me haban impartido una clase de la forma en como el Dr. Carrillo lo hizo.
Recuerdo una presentacin de reflexin que nos mostr el primer da de clases donde se indicaba
que al mexicano se nos catalogaba como una persona floja, fue cuando me cuestion: en verdad
quiero seguir en esa zona? Quiero seguir formando parte de esas personas que son vistas de esa
manera? Me hice estas preguntas porque yo me consideraba de esa manera al momento de
entregar trabajos o en cuanto a reuniones en equipo se refera.
Los primeros das fueron difciles porque hubo un cambio total en la forma de trabajo que estaba
llevando en materias anteriores. Para empezar, los fines de semana eran reuniones para poder sacar
adelante el trabajo de la materia; es algo que nunca haba hecho y como dije, en un principio fue
difcil y eran quejas todo el tiempo, ahora, se volvi un hbito que ya no me cuesta trabajo.
Otro aspecto que se me hizo difcil en los primeros das y ligado con lo anterior fue el trabajo en
equipo porque me di cuenta que es algo que nunca haba hecho. Fue una forma nueva de trabajar
adems de que lo hice con compaeros que no haba convivido mucho; a lo largo del semestre hubo
desacuerdos que tal vez fueron ocasionados por nuestra falta de experiencia sobre trabajo en
equipo, pero conforme pasaron las semanas nos acoplamos un poco ms y el apoyo por parte de
algunos integrantes fue mejorando.
No solo fueron aspectos personales los que me llevo del curso, si no conocimientos que me
ayudaron en mi formacin como ingeniero. Al principio no saba usar el software Minitab, pero con
ayuda de mis compaeros de equipo aprend muchas cosas que me ayudaron bastante para sacar
adelante el proyecto, como por ejemplo, obtener ANOVAS, datos de tendencia central o hacer
distintos tipos de grficos. Algo que me gust mucho del paquete estadstico es que viene una
opcin donde te muestra ejemplos de cmo interpretar resultados de los distintos temas que
maneja, y eso nos ayud bastante para interpretaciones de grficos.
No cre que una materia como control estadstico fuera algo tan interesante ya que conforme
pasaban las clases, me iba metiendo ms y ms en los temas proporcionados por el profesor. Las
estadsticas que me impartieron anteriormente sinceramente se me hacan tediosas o algunas veces
hasta aburridas, ya que cada clase era ejercicio tras ejercicio y siempre era lo mismo. En este curso
no fue as y fue la razn por la que me llamaba la atencin. Muchos de los temas vistos en semestres
anteriores como los de estadstica descriptiva o estadstica inferencial, si saba cmo hacerlos pero
en realidad solo me quedaba hasta ah; nunca me preguntaba para que se usaba o como es que lo
aplicara en una empresa, hasta que llegue a sta materia, Control Estadstico de la Calidad. Una de
las cosas que ms me llevo de la asignatura es la mejora de mi habilidad para analizar las cosas y
preguntarme porque pasan, no solo quedarme hasta lo que me ensean, sino ir ms all.
Algo que me pona muy nerviosa al principio eran las exposiciones de los trabajos realizados
durante los fines de semana, ya que debamos tener justificacin para todo lo que estbamos
75
analizando; ese aspecto se me haca muy bueno porque como mencion, nos enseaba a entender
el porqu de lo que se estaba haciendo.
Hubo algo que el profesor mencion y que me llam mucho la atencin: Ustedes van a aprender
bien sobre la materia con un solo ejercicio. Lo anterior es totalmente cierto ya que este semestre
aprend muchas cosas sobre lo que hace un ingeniero de calidad en planta haciendo un solo ejercicio
pero completo, analizando, sacando la problemtica, las mediciones, sabiendo por qu se hace a tal
nivel de confiabilidad, observando si los datos son normales o no, entre otras cosas.
Estoy contenta y entusiasmada por lo que aprend tanto en el aspecto personal como el
acadmico en todas estas semanas que dur el curso. Estoy satisfecha con el trabajo final porque
es algo en lo que mis compaeros de equipo y yo trabajamos semana tras semana y es gratificante
ver los resultados; me llevo buenas amistades tambin y otra perspectiva de lo que es mi carrera;
observo lo fundamental que es que ingenieros en nuestra especialidad vayamos bien preparados,
porque somos un pilar en las empresas.
Sal Fabin Lucero Lara
Durante el desarrollo de ste anlisis al igual que en el desarrollo del curso de la materia de
Control Estadstico de la Calidad, clase impartida por el Doctor Hugo Carrillo, de manera personal
pude aprender y comprender todos los temas que el doctor propuso al inicio del curso, adems de
que tuve la oportunidad de llevarlos a la prctica con mis compaeros en el equipo Hinshitsu.
En el aula, el doctor nos mostr una faceta de la ingeniera industrial que hasta ese momento yo
desconoca, nos trat y nos habl como seguramente ser en el campo laboral, algo que me pareci
muy bueno de su parte. Tuve la oportunidad de cuestionar y de opinar acerca de los temas que
presentaba, y de igual manera aprend de una muy diferente a la tradicional cmo corregir mis
errores.
Las clases fueron muy dinmicas, cada persona en el aula era libre de opinar y cuestionar sobre
cualquier tema, la clase fue un debate durante todo el semestre, llegaba al aula con el tema en
mente y el Doctor Carrillo propona una situacin y algunos de nosotros propona, opinaba y as
conoc el enfoque que varios de mis compaeros tenan sobre el tema as como su punto de vista
de vista acerca de la situacin, fue algo diferente, aprend algo diferente, y lo ms importante,
aprend, a analizar las opiniones de los dems y a preguntarme: Y por qu no? Las personas que
opinaban, la mayora fundamentaba sus argumentos, y con ayuda del Doctor, en algunos casos, se
lograron aclarar para el mayor entendimiento de todos.
En la prctica, tambin tuve la oportunidad de trabajar con mis compaeros de generacin, y,
con algunos de ellos, que nunca haba tenido la oportunidad de hacerlo, fue un poco complicado,
pues mis tiempos no se adecuaban con los de ellos, sin embargo, pude sacar adelante el trabajo en
conjunto con ellos, haciendo lo que me corresponda, fue algo diferente a lo que normalmente hago
76
en la escuela y logre desarrollar un enfoque ms crtico en cuestin de control estadstico, pues

constate por mi cuenta algunos de los caminos en los que el control trabaja, las grficas, los anlisis,
aprend muchas cosas y despert una inquietud en m, estoy muy contento con eso.
Mi proyecto, es algo muy didctico, tuvimos problemas con la interpretacin de los resultados,
y, tomando en cuenta que fueron demasiado perfectos, aprend a lidiar con mis compaeros, con
sus propuestas y sus opiniones, y es en el momento donde me pongo a pensar, cmo habra sido si
los resultados no fueron tan favorables, es interesante, desde mi punto de vista, analizar el cmo
ayudara, yo, a un equipo de trabajo en un futuro, en el momento que se presentar una situacin
as, como ya mencione aprend a escuchar y a evaluar las propuestas de mis compaeros, es algo de
lo ms rescatable en el desarrollo de mi proyecto, pues, creo, que como ingeniero industrial, debo
aprender a trabajar en equipo. Lo cual, creo, fue uno de los principales objetivos del Doctor Hugo.
Tambin tuve la oportunidad de platicar con el Doctor Hugo fuera del saln de clase y conoc un
poco su manera en cmo se desenvuelve en el campo, la cual me sorprendi un poco, ya que no
haba comprendido cual es el potencial de la carrera que decid estudiar, me siento entusiasmado
por seguir aprendiendo y buscar la manera de especializarme en algo en especfico.
Se ha formado en mi un pequeo juicio acerca del control estadstico, estoy listo para comenzar
un nuevo proyecto en mi vida, la inquietud, como ya dije, est sembrada en mi mente, y quiero y
debo profundizar en el tema, es apenas el comienzo y con algo de experiencia en el mundo real
deber de aprender lo que realmente se necesita para tomar la responsabilidad de un proceso en
alguna empresa.
Estoy entusiasmado con el futuro que hoy puedo encaminar, y lo ms importante, estoy
dispuesto a hacer lo necesario para crear ese futuro.
Mayra Andrea Jaramillo Trejo
El realizar el presente trabajo aporta al alumno un conocimiento bsico del Control Estadstico
de la Calidad sin embargo, este conocimiento es fundamental para conocer los principios que deben
aplicarse en la mejora de un proceso de produccin. Se han analizado una gran cantidad de
problemas que pueden llegar a presentarse en la industria pero sin duda jams se terminarn de
analizar todos.
Es por eso que tener un conocimiento claro de cada una de las herramientas vista en la materia
es de vital importancia para que en el momento de desempearnos laboralmente no se dude de las
decisiones que deben tomarse.
Por otro lado, considero que cuando se llegue a laborar industrialmente se comenzar con
analizar cada una de las situaciones presentadas y se observar que no es tan fcil como se plantea
77
en los libros, por tal, considero que parte fundamental de la educacin del alumno en cualquiera de
la materia impartida es el poder aplicarlo directamente en una empresa sin manipulacin de datos,
ya que esto llevara solamente a no analizar una realidad.
Otro aspecto interesante en cuanto a la materia es la forma en que fue impartida por el docente,
ya que se comienza con una reflexin sobre el tipo de estudiantes que somos a pesar del nivel
acadmico con el que se cuenta. En lo particular me motiva cada una de las experiencias
compartidas as como los retos que han de venir en un futuro, concluyo respecto a stas que el
esfuerzo dado por cada uno de nosotros ser la recompensa que ha de venir ms adelante, las
personas que se esfuerzan sin importan su situacin son aquellas que crecen en todos los aspectos
y sobre todo que obtienen cosecha de lo sembrado. Por eso Dr. en su ejemplo he aprendido que no
importante nada material ni econmico si no el esfuerzo que cada uno damos en todas las
situaciones.
Por ltimo, no me queda ms que agradecer al profesor por el conocimiento brindado, el tiempo,
la dedicacin, entusiasmo y sobre todo por la paciencia ante los errores cometidos, as como mi
amplia disposicin para cualquiera de los proyectos que lleguen a presentrsele ya que sin duda
esto es una gran fuente de aprendizaje.
78
BIBLIOGRAFA
Gutirrez, H. y De la Vara, R. (2009). Control estadstico de la calidad y seis sigma. 2a ed. Mxico:
McGraw-Hill.
Gutirrez M. Administrar para la calidad conceptos administrativos del control total de la
calidad. 2a ed. Mxico: Limusa Noriega Editores.
Walpole, R., Myers, H. y Myers L. (2012). Probabilidad y Estadstica para ingeniera y ciencia., 9
ed., Mxico: Pearson.
REFERENCIAS
Herrera, R. y Fontalvo, T. (2015). SEIS SIGMA. MTODOS ESTADSTICOS Y SUS APLICACIONES.
Recuperado de http://www.eumed.net/librosgratis/2011b/939/Prueba%20de%20Normalidad.htm
Berenson, M. y Levine, D. (2015). Estadstica bsica en administracin: conceptos y aplicaciones.

Recuperado de https://books.google.com.mx/books?id=2N09O8Oe0QC&pg=PA3&dq=La+estad%C3%ADstica+descriptiva+puede&hl=es419&sa=X&ved=0ahUKEwilrZmzp6zJAhXKTSYKHZN4B8EQ6AEIODAF#v=onepage&q=La%20estad%
C3%ADstica%20descriptiva%20puede&f=false
79
ANEXOS
Tabla A1. Factores para la construccin de las cartas de control.
80

Proyecto Final Control Estadístico 25-11-15 PDF

Caricato da

Informazioni sul documento

Titolo originale

Copyright

Formati disponibili

Condividi questo documento

Condividi o incorpora il documento

Opzioni di condivisione

Hai trovato utile questo documento?

Questo contenuto è inappropriato?

Copyright:

Formati disponibili

Proyecto Final Control Estadístico 25-11-15 PDF

Caricato da

Copyright:

Formati disponibili

TECNOLGICO NACIONAL DE MXICO

INSTITUTO TECNOLGICO DE CELAYA

Control Estadstico de la Calidad

Dr. Hugo Carrillo Rodrguez

Planteamiento del problema......................................................................................................... 8

Descripcin del problema.............................................................................................................. 8

Descripcin de la pieza .................................................................................................................. 9

Planos y proyeccin de la pieza con especificaciones ................................................................... 9

Diagrama de flujo de proceso para fabricacin de la pieza. ....................................................... 11

Instrumento de medicin ............................................................................................................ 12

CAPTULO 2. Anlisis descriptivo preliminar .............................................................................................. 13

Medidas de tendencia central ..................................................................................................... 14

Medidas de forma ....................................................................................................................... 15

Medidas de dispersin ................................................................................................................ 16

CAPTULO 3. Pruebas de normalidad .......................................................................................................... 17

Prueba de Anderson Darling ....................................................................................................... 20

Prueba de Kolmogorov-Smirnov ................................................................................................. 21

CAPTULO 4. Gage R&R ............................................................................................................................... 22

Descripcin del estudio ............................................................................................................... 22

Anlisis de trminos y definiciones ............................................................................................. 22

Estudio de aplicacin a piezas ..................................................................................................... 23

Anlisis de grficas ...................................................................................................................... 26

CAPTULO 5. Hoja de verificacin ................................................................................................................ 37

Histograma de mediciones .......................................................................................................... 43

CAPTULO 7. Diagrama de Pareto ........................................................................................................... 52

CAPTULO 9. Herramientas administrativas ............................................................................................ 57

Figura 7.1 Rasgaduras. ................................................................................................................................ 52

Planteamiento del problema

Figura 1.1 Parte 0785.

Descripcin del problema

Figura 1.2 Prueba del deslizamiento.

Figura 1.3 Acomodo del carro para la prueba.

Planos y proyeccin de la pieza con especificaciones

Figura 1.4 Vista transversal de la pieza.

Figura 1.5 Vista frontal de la pieza.

Figura 1.6 Vista inferior en 3D.

Figura1.7 Vista superior en 3D.

Diagrama de flujo de proceso para fabricacin de la pieza.

Figura 1.8 Diagrama de flujo de proceso de la fabricacin del neumtico.

Figura 1.9 Dispositivo de sujecin.

Figura 1.10 Instrumento de medicin.

CAPTULO 2. Anlisis descriptivo preliminar

FORMATO DE TOMA DE MUESTRAS

Modelo de pieza: 0785 (neumtico para Hot Wheels)

DEPTO. DE CALIDAD HINSHITSU

Lote: ------------Encargado de medicin: Ing. Miguel Herrera Morales

ENCARGADOS DEL DEPARTAMENTO DE CALIDAD

Ing. Miguel Herrera

Ing. Cynthia Martnez

Ing. Mayra Jaramillo

Materia: Fabricado de acero inoxidable

Ing. Selene Lara

Ing. Sal Lucero

Fecha de ltima calibracin: 20 sep 2015

Figura 2.1 Estadsticos descriptivos de las mediciones del neumtico.

Medidas de tendencia central

Figura 2.2 Histograma de medicin.

2.2 Medidas de forma

Figura 2.3 Histograma de medicin con curva normal.

Figura 2.4 Grfica de caja de medicin.

CAPTULO 3. Pruebas de normalidad

Donde n es el nmero de observaciones, F(Y) es la distribucin de probabilidades acumulada normal

Tabla 3.1 Valores crticos A2crit.