descriptivo es necesario analizar los objetivos de la investigación, e identificar las escalas de medición de las distintas variables que fueron registradas en el
estudio.
La
alta
estructura
dimensional
de
los
datos
es
una
fuente
importante
de
información
y
ofrece muchas oportunidades para la investigación y el
análisis
de
datos
[3].
En
comparación
con
la
reunión
de
datos
primarios,
el
análisis
de
datos
secundarios
ofrece
varias
ventajas:
puede
evitar
algunos
de
los
obstáculos
financieros
y
logísticos
relacionados con os con la r a reunión de datos pr os primarios
[4].
La
interpretación
de
datos
puede
generar
cierta
controversia,
ya
que
su
lógica
involucra
gran
cantidad
de
conceptos,
provocando
que
su
uso
e
interpretación a veces no sea o sea el adecuado [5]. Una
serie
de
tiempo
es
una
secuencia
de
observaciones
que
se
van
midiendo
en
determinados
momentos
y
ordenados,
normalmente
los
datos
son
dependientes
entre
sí
[6].
Se
propone
el
uso
de
series
de
tiempo
en la
generación
de
pronósticos,
ya
que
estas
incluyen
tanto la tendencia como los componentes cíclicos y estacionales de es de los datos de producción [7]. De
igual
manera
se
investigó
información
relacionada
a
aspectos
de
calidad.
Ishikawa
plantea que se aplique el control de calidad desde la raíz de la educación y la formación para mejores resultados
[8].
Por
su
parte
Deming
y
Edwards
consideran
a
la
calidad
como
la
satisfacción
de
actuación
[9].
Juran
propuso
estrategias
necesarias para alcanzar y mantener un liderazgo en las e as empresas con relación a la a la calidad [10].
iii.
METODOLOGÍA
A
continuación,
desarrolla
la
metodología
del
proyecto
que
consiste
en
definir
el
rango
de
la
muestra
considerando
las
fechas
de
las
mediciones
y
sus
horarios.
A
su
vez
se
contó
el
total de piezas de las mediciones y la cantidad de aquellas
que
son
correctas
y
aquellas
que
son
rechazadas
mensualmente
de
enero
a
abril.
La
empresa propuso el proyecto y definió la muestra para
el
estudio.
Se
identificaron
los
meses
para
mayor
facilidad
una
tabla
con
todos
los
cálculos
diarios con sus po sus porcentajes (debido al tamaño de o de la tabla y la cantidad de datos ésta no se muestra en el artículo. En su lugar se presentan las siguientes tablas
y
gráficas).
También
se
contó
el
total
de
piezas de as de las m as mediciones y la cant a cantidad de correctas y rechazadas por día. Para evaluar la relación que guardan las variables entre
sí,
de
acuerdo
con
sus
coincidencias
por
medio de o de series de tiempo, se decidió organizar las mediciones
de
piezas
rechazadas
por
día
en
una
línea
del
tiempo.
Se
marcaron
los
errores
que
concuerdan
en
el
mismo
minuto
y
también
se
decidió
marcar
en
una
tabla
los
rangos
por
hora
para facilitar la lectura de datos. A su vez, se logró generar y contabilizar los porcentajes de los datos por minuto en el que se repiten piezas rechazadas y que
coindicen
en
el
mismo
minuto.
También
se
calculó
el
porcentaje
que
representan
las
piezas
rechazadas
por
mes,
día
de
la
semana
y
hora
considerando la muestra del estudio. Se generó el cálculo de la correlación de los datos antes
y
después
de
revisión.
Se
calcularon
los
datos
estadísticos
considerando
95,000
observaciones debido a que es la cantidad que se generó de enero a abril. Para realizar el análisis de datos
se
agruparon
las
mediciones
por
día
y
a
cada día se le asignó una variación de color para diferenciar
los
datos
por
mes
de
manera
visualmente sencilla. Posteriormente se calculó en total
de
mediciones
por
día,
cuyo
valor
fue
denominado como “parcial”, ya q a que solo r o representa un total de las mediciones de enero a abril. Dicho número
se
calculó
como
porcentaje
para
conocer
si hay impacto sobre el total de la muestra, y a su vez
saber
la
cantidad
de
piezas
que
representan
piezas cor as correctas y cuántas fueron rechazadas. La siguiente gráfica, muestra el total de piezas, el total de piezas correctas y el total de aquellas que fueron
rechazadas.
Se
puede
observar
que
los
errores
representan
el
1.31%,
el
análisis
que
se
presentan en esta investigación se centra en dicho porcentaje,