Tipos de

Datos
Continuos y Discretos

1
Tipos de Datos
DISCRETOS CONTINUOS

NO-GO GO $ Calibrador

$
ORDEN DE ENVÍO

CANT. UNIDAD DESCRIPCIÓN

TOTAL
1 $10.00
$10.00
3 $1.50
$4.50 ERROR Tiempo
10 $10.00
$10.00
PASA
2 $5.00
FALLA
$10.00

TEMPERATURA
Circuito Eléctrico
Termómetro

2
¿La diferencia?

Continuos
cre tos
Dis

$ $

Información Ricos en
Escasa Información

Datos Discretos (Atributo) son Datos continuos (Variable)

datos que se basan en son datos que usan una escala
información, tales como los de medición, tales como
resultados “Pasa / No pasa”. pulgadas o minutos.

3
Cual seleccionar?
1. Fuentes de Información:

• Palabras (A a Z)
• Pictórico 2. Qué “tipo” de datos?
• Verbal
• Numérico (0-9)
Tipos de problemas Tipos de datos

Grupeo Medición
Tipos de
Región de interés herramientas
estadísticas
Discretos Continuos

Nominal Ordinal

Intervalo Proporción

4
Breviario Cultural

Categorías de escala Descripción

Nominal: categorías no • Datos discretos (generalmente) • Categorías

relacionadas que • Agrupación/acomodo • Etiquetas
representan membresía o • Sí/no, pasa/falla
no membresía. • La aritmética no es posible

• Datos discretos • 1ro, 2do, 3ro

Ordinal: categorías ordenadas sin • Clasificación • Altura relativa
información acerca de la • Raramente utilizada • Orden alfabético
distancia entre categorías • Muy poca aritmética posible • 1<2<3<4

Intervalo: categorías ordenadas con • Datos continuos

igual distancia entre • Escala más común • Escala de temperatura
categorías, pero sin punto • Usar aritmética con precaución • Indicador de agujas
de cero absoluto.

Proporción: categorías ordenadas • Datos continuos

• Velocidad = distancia/tiempo
con igual distancia entre • Relación proporcional
• Regla
categorías con un punto • La mayoría de las formas
• 6=3×2
de cero absoluto. aritméticas aplican

5
 Discretos y Continuos II

•Ejercicio de aplicación
•Basado en tu ambiente y en tu propia experiencia, proporciona cinco tipos de datos
Discretos (Atributo) y cinco Continuos (Variable) que sean comúnmente utilizados.

Discretos (Atributo) Continuos (Variable)

1 1

2 2

3 3

4 4

5 5

6
Preguntas comunes
• Qué se quiere decir con la frase “error de medición”
y qué consecuencias tiene ?
• Qué es un “sistema de medición” y cuáles son las
fuentes típicas de error de medición ?
• Cuál es la diferencia entre “precisión” y “exactitud”
de medición ?
• Cuál es la diferencia entre “reproducibilidad” y
“repetibilidad” ?
• Cuál es el proceso para estimar la precisión y
exactitud de medición ?
• Cuál es el proceso para estimar la reproducibilidad y
repetibilidad del sistema de medición?

7
Fuentes de variación
Material Método Máquina
Secuencia Limpieza
Temperatura Oportunidad Temperatura
Dimensión Diseño
Limpieza Peso Posicionamiento Precisión
Densidad Corrosión Ubicación Calibración
Resolución
Dureza Arreglos Estabilidad
Conductividad Preparación Desgaste
Error de
Limpieza Destreza Medición
Vibración Fatiga Atención
Presión atmosférica Error de cálculo
Interpretación
Iluminación Velocidad Coordinación
Temperatura Conocimiento de Instrumento
Visión
Humedad Apego a procedimientos
Ambiente Gente

8
 Evaluando la Repetibilidad y
Reproducibilidad con ANOVA
Componentes de variación del sistema de medición

Variación causada por Variación causada por operadores

instrumento

Operador Operador por Parte

Repetibilidad Reproducibilidad

9
Por que es importante?
• Para identificar la variabilidad real del proceso,
primero debe identificarse la variación debida al
sistema de medición y separarse de la del
proceso
• Un sistema de medición no descubrirá por sí
mismo el tipo de distorsión, inexactitud o
imprecisión que está transmitiendo a nuestros
datos, debemos forzarlo activamente a que
revele sus efectos ocultos

10
 Precisión y Exactitud
Precisión: ¿Qué clase de repetibilidad
tiene todo el sistema? ¿Cuál es la
dispersión? Desviación Estándar
=
Valor real
Preciso no Exacto

= Exacto y preciso
Valor real

Exacto no preciso
Valor real Exactitud: ¿La lectura promedio está
de acuerdo con el tamaño real de la
parte? media

11
Cambio en el promedio
El sesgo es
determinado por medio
t3 del “estudio de
t2 calibración”

t1

 Real (parte) +  Sist. de medic. =  Observada (total)

(Sesgo)

A diferencia debida al sistema de medición se le conoce como sesgo

12
Precisión del Sist. de Medic.
La variabilidad del
sistema de medición es
t3 determinada por medio
t2 del “estudio R y R”

t1

2 Real (parte) + 2 Sist. de medic. = 2 Observada (total)

El sistema de medición también contribuye con algo de variabilidad, esta
variabilidad proviene tanto del instrumento como del operador.

13
Gage Continuo
Diámetro

2 Equipo + 2 Operador. = 2 Total (R&R)

Operador 1
Operador 3
Operador 2

14
¿Por que controlarlo?

¿Cuánta tolerancia consume la varibilidad

del sistema de medición?

Limite inferior de Limite superior de

especificación especificación
Ancho de tolerancia (tolerancia)

En este ejemplo, alrededor del 50% de la tolerancia es consumida por la

variabilidad del sistema de medición
¡Esto deja solamente el 50 % para la variabilidad del proceso!

15
Criterios
•% Índices R y R
•< 10% Sistema de Medición Aceptable
•10% - 30% Puede ser aceptable basado en la importancia de
aplicación, costo de equipo de medición, costo de
reparación, etc.
• > 30% Considerado inaceptable. Sistema de medición
necesita ser mejorado.

Índice de Número de Categorías Distintas

1 Inaceptable. No es posible distinguir una parte de otra.
2-3 Generalmente inaceptable
4Recomendado

16
Antes del Ejemplo.
• ¿Qué es una “medición”?
– Una comparación entre una cantidad desconocida y una cantidad conocida.

• ¿Por qué necesitamos datos de medición?

– Para tomar decisiones acerca de la aceptación de productos o los procesos de control
– ¿Acepto la pieza o no?
– ¿El proceso está bien o necesita algún ajuste?

• ¿Qué esperamos de los datos de medición?

• Exactitud: Los datos dicen la verdad
• Repetibilidad: Volver a medir y obtener el mismo valor
• Reproducibilidad: Si la parte se mide por una persona u otra, no se esperan resultados
diferentes, es decir los resultados son independientes del operador

• ¿Qué es un gage (equipo de medición)?

• - Cualquier instrumento usado para medir

• ¿Qué es un operador
• - Una persona o dispositivo que usa un gage para hacer una medición.

17
Antes del Ejemplo.
• ¿Qué es Repetibilidad?
• - Variación de la medición cuando una persona usa el
mismo instrumento para medir la misma parte.

• ¿Qué es Reproducibilidad?
• - Variación en el promedio de las mediciones obtenidas
cuando dos o más personas usan el mismo instrumento para medir
las mismas partes

• El Instrumento de Medición deberá tener una resolución menor

o igual al 10% de la especificación o variación del proceso ( si
mides cm. el instrumento debe ser capas de identificar mm.)

18
Plan de Estudio del Gage RyR

1. Identificar el Tipo de Datos

2. Identificar las Fuentes de

Variación

3. Selección de Muestras

4. Recolección de datos

5. Análisis de los Datos

19
Ejemplo Gage R & R con método ANOVA

• Se ha desarrollado un Abre el archivo

Gage.mtw
Gage RyR para medir el
espesor de una pintura
en gabinetes de una
linea. Tres inspectores
miden y anotan el
espesor de 10 partes
seleccionadas. Cada
operador mide cada parte
dos veces.

• Especificación del
espesor de pintura: 0.90 -
2.90 mils.

20
Ejemplo
El método de ANOVA estima la
variación debida a:

• Repetibilidad del equipo de

medición, y
• Reproducibilidad entre operadores

21
En MINITAB
Se usa 5.15
por ser una
tolerancia
bilateral, en
caso de ser
unilateral
sera 2.33

El valor de la
tolerancia es
de 2.00 mm,
recuerdas??

22
 Explicando el Gage
Gage R&R
¿Recuerdas el valor
¿Recuerdas el valor
de 5.15?
de 5.15?
Source VarComp StdDev 5,15*Sigma
gage
Total Gage R&R
Repeatability
0,004438
0,001292
0,066615
0,035940
0,34306
0,18509
repetibilidad
Reproducibility
Operador
0,003146
0,000912
0,056088
0,030200
0,28885
0,15553
reproducibilidad
Operador*Parte 0,002234 0,047263 0,24340
Part-To-Part 0,037164 0,192781 0,99282 En este ejemplo % GR&R fué 17.15%.
Total Variation 0,041602 0,203965 1,05042
¿Es bueno?
Si, el instrumento de medición es
Source %Contribution %Study Var %Tolerance
aceptable para determinar la aceptación o
Total Gage R&R 10,67 32,66 17,15 rechazo del producto.
Repeatability 3,10 17,62 9,25
Reproducibility 7,56 27,50 14,44
Operador 2,19 14,81 7,78 En este ejemplo el % Estudio de Variación
Operador*Parte 5,37 23,17 12,17 fué 32.66%. ¿Es bueno?
Part-To-Part 89,33 94,52 49,64
Total Variation 100,00 100,00 52,52 No, el sistema de medición es inaceptable
para usarlo en el estudio del proceso.
Number of Distinct Categories = 4

23
Explicando el Gage

La mayoría de los puntos están “fuera

de Control”- ¡Excelente!
Los puntos “Fuera de Control” indican
que los operadores distinguen las
piezas diferentes. (Los límites de
Control se calculan de la variación entre
operadores- poca variación significa
límites de control estrechos)

En la Gráfica de Rango, todos los

puntos deberían estar “Bajo Control”.
Esto indica que no existen valores fuera
de lo común entre las pruebas de
medición.

24
¿Que se nota en esta gráfica?
El Op. 2 es usualmente inferior (efecto sistemático del
operador)
Hay concordancia entre los operadores en 2, 6 y 7
El op. 1 reporta un alto espesor que los demás en 4
El op. 1 reporta alto espesor que el 2 en la mayoría de
las partes, sin embargo el 2 obtiene una lectura
mayor que el 1 en la parte 6 (interacción)

Esta es una gráfica de puntos por operador.

Es notable que el promedio de las lecturas del
operador 2 es menor que los operadores 1 y 3.
El promedio de las lecturas de los operadores 1 y 3
son casi el mismo.
La dispersión de los datos es la misma para cada
operador.

Esta es la gráfica de puntos de las partes.

Las partes obviamente difieren en espesor. Recuerda
que las partes fueron seleccionadas para que
representaran la variación del proceso real.
La variación de la pieza 10 es mayor que cualquier otra

25
Ejercicio
Recolección de datos:
• Cada equipo deberá escoger al menos 3 operadores para medir el
Diam. Ext. de la pza.
• Otro miembro del equipo deberá numerar las piezas del 1 al 10 y
darselas a cada operador en orden aleatorio.
• Los inspectores deberán medir las piezas de manera independiente.
No deberán colaborar mientras se recolectan los datos.
• Todos los operadores medirán todas las partes una vez.
• Todos los operadores repetirán la medición al menos una vez más.
• Otro miembro del equipo alimentará los datos a Minitab.

26
 Ejercicio: Estudio de la Perilla o tornillo

Resultados del Gage RyR inicial: Equipo: _____

gage = __________
repetibilidad = __________ GR&R % de Tolerancia = __________
reproducibilidad = __________ GR&R % of Estudio de Variación = __________

¿Fué aceptable la medición para la aceptar o rechazar el producto? ______

¿Fué aceptable el sistema de medición para el proceso de control? ______

¿El sistema de medición tuvo la resolución adecuada? ______

¿Necesita ser mejorado el sistema de medición? ______

De ser así ¿Donde deberá enfocarse la mejora?

¿Los operadores contribuyeron significativamente a la variación del sistema de medición?

______

El instrumento de medición (vernier) contribuyó significativamente a la variación del sist.

De med.? ______

27
Por último

Test-Retest

El mismo operador debe utilizar el mismo instrumento de medición para

medir el mismo espécimen repetidamente.
Mismas condiciones, operador, dispositivo, y localización en el espécimen-
mismas, mismas, mismas.
Monte y desmonte completamente el espécimen para cada medición-
“ejercite” el instrumento de medición a través del rango completo de uso
normal.
La desviación estándar calculada de las mediciones repetidas no debe
ser mayor que el 10% del ancho de la tolerancia.

28
 Distribución Normal
Curva suave que
interconecta el centro
de cada barra
Centro de la barra

 Unidades de Mediciones

Ya que el 100% del área

bajo la curva normal Límite de
Especificación
está entre ±,
podríamos calcular que
el área que está fuera
del límite de
desempaño. Hacer eso
revelaría la probabilidad
aleatoria de crear un Área de Probabilidad
defecto. Desempeño de un Defecto

- +

36
Características de la Distribución Normal

µµ
=0 Punto de Inflexión

= 1
p(x)=1

1
1

- +

68.26%
95.44%
99.74%

37
Subgrupeo Racional
Muestra

Medición

Tiempo

Cada muestra tiene su

promedio y desviación
estándar.
Unidad de
Producción Secuencia de Producción

••••••••••••••••••••••••••••••••••
Tamaño de subgrupo n= 5

38
Subgrupeo Racional

“Un Subgrupo Racional es aquel que

representa, lo más cerca posible, un
conjunto de condiciones homogéneas.
Para obtener subgrupos que tengan la
máxima oportunidad de ser racionales,
nosotros tratamos de incluir en una
muestra, piezas que fueron hechas lo más
aproximado posible al mismo tiempo.”
Manual de Control de Calidad Estadístico de AT&T ©1956

39
Estrategia para aislar el ruido blanco

Los Subgrupos
RUIDO BLANCO Racionales son
(Variación de
la clave para
Causa Común)
diferenciar las
capacidades
del proceso a
largo o a corto
plazo

RUIDO NEGRO
(Variación de
Causa Especial)

40
 Desarrollo del Plan de Subgrupos Racionales

• Use las 5 M de Análisis de Causa y Efecto Intenta, hasta donde sea

como una lista de revisión para apoyarte en posible, capturar la mayor
identificar las causas potenciales de cantidad de factores
influyentes en la
variación en el proceso (‘X’).
recopilación de datos - sin
– Hombre - Ej.: Operadores que rolan distorsionar/manipular el
turno; cambios de turno; nuevos proceso. Para poder
operadores obtener conclusiones sobre
– el impacto de cualquier
Máquina - Ej.: Cambios en lo
factor, debes capturar datos
establecido; efectos de mantenimiento sobre diferentes valores de
– Material - Ej.: Remesa / Lote / los factores.
diferencias de enrollado
– Con el equipo de apoyo
Método - Ej.: Metodología de operador;
ayúdate a definir causas y
balance de la línea modelo planificar el periodo de
– Medidas - Ej.: Captura manual de recopilación de datos.
datos;efectos de calibración

41
CONSEJOS PARA HACER SUBGRUPOS
RACIONALES :

A. No modifique el proceso de manera intencional - no trate de hacer trampa

B. Diseñe el plan para capturar cuánta variación de Causa Asignable entre subgrupos
(“Ruido Negro”) sea posible (Ejemplo: tome subgrupos durante diferentes turnos con
diferentes operadores y después de que la remesa de acero haya sido cambiada).
C. Diseñe su muestreo de tal forma que el tamaño del subgrupo no sea tan grande para
evitar que arrastre ruido negro. (Regla de Oro: subgrupos de 2-5, tomados en forma
secuencial durante un corto período de tiempo capturan sólo “Ruido Blanco” dentro del
subgrupo. )
D. Documente cuanta información sea posible acerca del muestreo. Registre los días,
turnos, nombres de operadores, número de remesas de acero, etc. que corresponda a sus
valores de respuesta en la ventana de datos MINITAB. ¡Mientras más datos conserve
mejor! Esto le ahorrará tiempo en la fase de “Análisis”. . . .
E. Si diseña subgrupos para datos discretos, asegúrese de que permite un tamaño de
subgrupo adecuado para las muestras discretas. (Ver Apéndice)
F. Tome suficientes datos para demostrar que el proceso se ha estabilizado.

42
EJEMPLO
La Planta de Brakers de Tlaxcala utiliza cintas interruptoras de plástico
fabricadas por un proveedor. Y para poder entender a fondo la
variación en la pieza, fue necesario establecer un plan de
subgrupos racionales.

Las “X” Potenciales:

 Piezas con el proveedor hechas en diferentes extrusores
 Turnos múltiples
 Cambios de operadores durante la semana conforme se logran los límites de trabajo
semanal por hora
 Material recibido en lotes de un proveedor de plásticos.
El Plan
 Cortar cinco secciones de una tira de seis pies para formar un solo subgrupo.
 Capturar Subgrupos 2-3 veces por turno
 Reunir subgrupos de todos los turnos durante diez días de operación.
 Permitir un cambio al lote del material que está entrando
 Permitir dos paros completos del proceso y nuevas puestas a punto del equipo.
 Dejar transcurrir tiempo para estabilizar procesos antes de tomar mediciones.

43
 La capacidad a corto plazo
Es calculada de los datos tomados
durante un período suficientemente corto
para que no haya influencias externas
sobre el proceso (por Ej. Cambios de
temperatura, de turno, de operador, de
t6
remesas de materia prima, etc.). t5
t4

t3  ST
t2
El muestreo a corto
plazo asume que hay
t1 centrado en nuestro
proceso

Representa el A ± 1.5ST
Potencial del
I
Proceso (Z.st)

44
 La capacidad a Largo plazo
Esta se calcula de datos tomados durante
un período de tiempo lo suficientemente
largo para que los factores externos
puedan influir en el proceso. Los datos de
defectos PPM y los datos de rendimiento t6
son, por naturaleza, medidas a largo plazo.
t5
t4

t3  LT
t2

t1

(Z.lt) Representa el
Desempeño del Proceso A + 1.5ST
I

45
 Valor Z – Largo Plazo y Corto Plazo
Ajuste Z
1.5
Distribución
Distribución
Distribución
Distribuciónaa (ajustada
(ajustada1.5
1.5STST))
Corto
CortoPlazo
Plazo Efecto
EfectoaaLargo
Largo
(bien centrada)
(bien centrada) Plazo
Plazo
ZZCorto
CortoPlazo
Plazo ZZLargo
LargoPlazo
Plazo

Ejemplo :
Corto Plazo: Z=3.3
Largo Plazo: Z=1.8
LIE T LSE
Z ark
chm
e n
B
ZZCorto
CortoPlazo
Plazo - Ajuste
AjusteZZ
(1.5)
(1.5) = ZZLargo
LargoPlazo
Plazo
1_03_06_011

46
 Tabla de verdad

PARA CONVERTIR
DE
Corto Plazo Largo Plazo

Sin + 1.5
Corto Plazo
Activida
d
A

Largo Plazo
- 1.5 Sin
Activida
d
1_03_06_012

47
Ahora si, a Normalizar!!

48
Demostrando normalidad de datos

p > 0.05 por

lo tanto los
datos tienen
una
distribución
normal

49
Que pasa si no son normales?

• Puede que hayamos definido mal la

subagrupación.
• O el proceso no tiende a una estabilidad y
por ello no se encuentra una normalidad
de datos, en ese caso ¡Transformemos
datos!

50
 Transformación de datos
Este es un tema delicado y solo lo
trataremos a nivel ilustrativo, tu
Box-Cox Plot for Respuesta
Blackbelt o Master Blackbelt te
podrán ayudar en estas
95% Confidence Interval
transformaciones y a obtener las 0,4 Last Iteration Info

distribuciones continuas que te Lambda StDev

Low 1,292 0,127
permitan seguir adelante. Est 1,349 0,127
Up 1,405 0,127
0,3

StDev
0,2

0,1
-5 -4 -3 -2 -1 0 1 2 3 4 5
Lambda

51
 RANGO DE
TRANSFORMACIÓN VARIABLE DISTRIBUCIÓN ORIGINAL DISTRIBUCIÓN TRANSFORMADA

A B C D

X 0  X 

X X

transformaciones
loge X
ó 0  X 
log10 X

X loge X

comunes.
(2)
loge X
(2)

Algunas
1-X (1) (1)
ó 0  X  
log10 X
1-X loge
X X
1-X

1 loge 1+X (2)

2 1-X
(1)
ó -1  X  
log10 1+X
1-X
1 loge 1+X
2 1-X

52
Capacidad del proceso
Qué es.-La capacidad de un proceso de producir
consistentemente un resultado que cubra los
requerimientos del cliente.

Por qué se usa.-

• Para cuantificar el desempeño del proceso con respecto
a los requerimientos del cliente
• Para cuantificar los cambios realizados en un proceso
• Para cuantificar la probabilidad de defectos en este
proceso

53
Índices de capacidad continuos

• Cp Corto
plazo
• Cpk
• Pp Largo
plazo
Z
• Ppk
• DPMO’s
 LSE

Probabilidad de
defecto

54
Índices
• Cp.-Proporciona una medida de la precisión del proceso,
asumiendo que no existen causas especiales de la
variación del mismo, su valor ideal es 2, si es menor
define una dispersión alta, en si nos determina si el
proceso es capaz de cumplir con las especificaciones
del cliente.
• Pp.-Proporciona una medida de la precisión del proceso,
asumiendo que existen causas especiales y comunes
de la variación en el mismo, su valor varia al igual que el
Cp, alrededor de 2 y determina si el proceso cumple
con las especificaciones del cliente.

55
Índices (cont)
Cpk.-Proporciona una medida de la exactitud del proceso,
asumiendo que existen solo causas comunes de
variación en el mismo, nos ayuda a determinar que tan
alejado del centro está el proceso con respecto a los
límites de especificación su valor varia alrededor de 1,
menor se desplaza la distribución a la derecha de la
media y mayor a la izquierda.
Ppk.-Proporciona una medida de la exactitud del proceso
asumiendo que existen causas especiales y comunes
de variación, determina también que tan alejado del
centro está el proceso los valores son los mismos que
el Cpk, alrededor de 1, <1 desplazado a la derecha, >1
desplazado a la izquierda.

56
Que significa Z
Z es el nivel Sigma de su proceso.
Z= El número de desviaciones estándar que se pueden
acomodar entre la media y el límite de especificación
más cercano.
Un proceso 6 sigma (Z=6) Un proceso 3 sigma (Z=3)
 

1 1

1 2 3 4 5 6 1 2 3
LSE LSE

57
Capacidad del proceso

Una vez que sabemos que

distribución tienen nuestros datos y
conocemos los diferentes índices de
capacidad, estamos en posibilidad de
encontrar su capacidad.

58
Normalidad de datos
Se selecciona la
columna que
contiene los
datos y el
tamaño del
subgrupo

Se deben colocar
los limites de
especificación

Click OK

59
 Distribuciones continuas

Estadística
descriptiva

Capacidades
de corto plazo
o potenciales

Capacidades
de largo plazo
o reales.

Proceso Partes por Partes por

Real millón de millón de
corto plazo largo plazo

60
Análisis de proceso
Una opción para conocer
la Z del proceso es con
el patch de Six Sigma.

61
Reporte de Minitab

Son
nuestras Z
de corto y
largo plazo

El termino 6 está
relacionado al corto plazo.

62
La última
Report 1: Executive Summary
Process Performance Process Demographics
Actual (LT)
Potential (ST) Date:
Nos
Reported by: muestra el
Project:
LSL USL
Department: histograma
Process:
y los
Characteristic:
Units: valores con
95 100 105 Upper Spec:
Lower Spec:
100
99
sus
1,000,000
Actual (LT) Nominal: DPMO’s.
Potential (ST)
Opportunity:
100,000

10,000
Process Benchmarks
1000
Actual (LT) Potential (ST)
100
Sigma -0,80 -0,77
(Z.Bench)
10
PPM 789204 778578
1

0 50 100

63
Ejemplo-Ejercicio Real

• Proyecto: Reducción de variación de

entrega en Materiales Terceros
• Blackbelt: Arturo Granados
Pasos:
1.-Determinar Normalidad
2.-Hacer Transformación
3.-Confirmar normalidad
4.-Obtener capacidades

64
Ejercicio

• Mapear la fase de medición, es decir que

pasos tienes que tomar en cuanta para
hacer esta fase, primero has un mapeo de
primer nivel y luego ya has uno a detalle.

65
¿PREGUNTAS?

66