Tema1 Lec2

Tema 1: Control Estadstico de Procesos
Curso 2004-2005 Leccin 2: Capacidad

57
2 Ingeniero Tecnico Industrial Mecanica y Electricidad
Asignatura: Tcnicas estadsticas de control de la produccin
ProIesora: Miren Portilla Curso 2004-2005
Leccin 2: CAPACIDAD

CAPACIDAD DE PROCESOS Y MQUINAS

Produccion bajo control no signiIica que el producto satisIaga las
especiIicaciones de calidad (externas) Iijadas por el diseador, el
productor o el comprador, sobre todo si la variabilidad es muy grande.
Los estudios de capacidad tratan de responder a si el proceso es capaz o no
de satisIacer dichas especiIicaciones.
0

LIE
LSE
Articulos deIectuosos
58

Estos estudios deben realizarse cuando:
Se trata de una nueva maquina o proceso.
Se ha modiIicado en sus partes esenciales.
Se ha reajustado para Iabricar otra pieza.

Objetivo:
Analizar hasta que punto resultan conIormes al proyecto los articulos producidos
(mediante proporcion de deIectuosos).
Medir la capacidad del proceso para cumplir las especiIicaciones de calidad
(mediante indices de capacidad).

El analisis de capacidad trata de:
CuantiIicar la variabilidad del proceso (`
).
Analizar la variabilidad respecto a las especiIicaciones del producto.
Reducir en lo posible la variabilidad (modiIicando o revisando el proceso).
59
TOLERANCIAS Y CAPACIDAD

Lmites de Tolerancia Natural
Superior: LSTN
3 +
InIerior: LITN
3

Si la caracteristica de calidad es normal y el proceso esta bajo control, los limites
naturales incluyen el 99,73 de los valores, es decir, el proceso Iabrica un 0,27 de
productos deIectuosos.
Conclusion: la amplitud esperada de la variabilidad es 6.
Problemas: * 2700 deIectuosos por millon puede resultar una proporcion grande.
* Si no es normal, ese porcentaje aumentara.

Tolerancias del producto o Lmites Especificados
Fijados economicamente para localizar como productos deIectuosos los que se
encuentran por debajo del limite inIerior (LIE) o por encima del superior (LSE).

Indice de Capacidad del Proceso:
6
LIE LSE
CP

=

Indices de Capacidad Unilaterales:
3

=
LSE
CPS

3
LIE
CPI

=

3
,
3
LIE LSE
min CPk

60
Ejemplos grficos de Capacidad de Procesos:

n
0

LIE LSE 3o
3o
n
0

LIE
LSE
3o
3o
n
0

LIE LSE
3o 3o
Proceso centrado
CpCpiCps

6
LIE LSE
Cp

= ~1
Proporcion de
deIectuosos menor
de 0,27
Proceso centrado
CpCpiCps

6
LIE LSE
Cp

= 1
Proporcion de
deIectuosos mayor de
0,27
Proceso descentrado

3
LSE
Cps

= 1
3
LIE
Cpi

=
~1
Alta proporcion de
deIectuosos por encima
del LSE.
61
Prctica del Anlisis de Capacidad

Usos mas importantes, en un programa de mejora de la calidad:
1. Predecir cuan bien cumple el proceso las tolerancias.
2. Ayudar a los diseadores del producto a seleccionar o modiIicar el proceso.
3. EspeciIicar los requisitos para el Iuncionamiento de nuevos equipos.
4. Elegir entre diIerentes proveedores.
5. Reducir la variabilidad en un proceso de manuIactura.

Tabla de Indices de Capacidad y proporcion de deIectuosos:
Proporcion por millon de deIectuosos
CP EspeciIicaciones Unilaterales EspeciIicaciones Bilaterales
0,50
0,75
1,00
1,20
1,33
1,50
2,00
66800
12200
1350
159
31,7
3,4
0,0009
133600
24400
2700
318
63,4
6,8
0,0018

Valores minimos recomendados para los Indices de Capacidad:
Bilaterales Unilaterales
Procesos existentes
Procesos nuevos
Parametro de seguridad o critico del proceso existente
Parametro de seguridad o critico del proceso nuevo
1,33
1,50
1,50
1,67
1,25
1,45
1,45
1,60

62

Ejemplo de control de procesos

667 , 0
30
20
6
= =
i s
P
T T
C

667 , 0
15
10
3 3
= =
=

i s
Pk
T x x T
C

Iioceso insuficienle: 1 <
P
C y
1 <
Pk
C

VaiialiIidad excesiva.

2
10
20
6
= =
i s
P
T T
C

3
5
25 40
3
=
x T
C
s
Ps

1
5
20 25
3
=
i
Pi
T x
C

Iioceso capaz 1 >
P
C ,33 si fueia cenliado,
peio no Io es (
pi Ps
C C
):
1 C
Pk
=
, poco
capaz.

667 , 1
12
20
6
= =
i s
P
T T
C

2
6
28 40
3
=
x T
C
s
Ps

33 , 1
6
20 28
3
=
i
Pi
T x
C

Iioceso capaz, ns dispeiso que anleiioi
peio nenos descenliado

5
4
20
6
= =
i s
P
T T
C

5
2
10
3 3
= =
=

i s
Pk
T x x T
C

Iioceso cenliado y poco dispeiso: CAIAZ
Indices de Capacidad: Mnino = 1,33
DesealIe = 2
IdeaI = 5

63
Mtodos en Anlisis de Capacidad

1.- Mediante Histogramas
Minimo 50 a 100 observaciones, ya que se agrupan por intervalos.
Proceso: comprobacion graIica de comportamiento normal.
Estimacion de y mediante x y S para el calculo de Indices de
Capacidad.

2.- Mediante diagramas de probabilidad
Proceso: comprobacion graIica de comportamiento normal mediante
percentiles (Papel probabilistico normal).
Estimacion de y mediante mediana (P
50
) y P
84
-P
50
para el calculo
de Indices de Capacidad.
Recomendacion: completarlo con pruebas objetivas de bondad de ajuste.

3.- Mediante diagramas de control
Requisito: proceso bajo control.
Analiza la capacidad 'potencial ya que permite reducir la variabilidad.
Estima y mediante x y
2
d
R
o
2
c
S
para calculo de Indices de Capacidad.

4.- Mediante Diseo de experimentos (Tema 3)
64
Ejemplo de Anlisis de capacidad con MINITAB

En el departamento de ensamblaje de motores de coches, las especiIicaciones de los
ingenieros para la longitud del arbol de levas es de 600 2 mm. Para controlar este
elemento, el ultimo mes se han recogido 100 observaciones (20 muestras de 5
elementos) de cada uno de los dos proveedores. Dado que el proceso del proveedor 2
esta Iuera de control, analizaremos la capacidad del proveedor 1, cuyo proceso si esta
bajo control. Los datos recogidos son:

Muestra
Longitud del arbol de levas en Proveedor 1
1
598,0 599,8 600,0 599,8 600,0
2
600,0 598,8 598,2 599,4 599,6
3
599,4 599,4 600,0 598,8 599,2
4
599,4 599,6 599,0 599,2 600,6
5
598,8 598,8 599,8 599,2 599,4
6
600,0 600,2 600,2 599,6 599,0
7
599,0 599,8 600,8 598,8 598,2
8
600,0 599,2 599,8 601,2 600,4
9
600,2 599,6 599,6 599,6 600,2
10
599,2 599,0 599,6 600,4 600,0
11
599,0 599,6 599,4 599,2 597,8
12
600,4 599,6 600,0 600,8 600,4
13
599,4 599,0 598,4 599,0 599,6
14
598,8 599,2 599,6 598,6 599,8
15
599,6 599,2 599,6 600,2 599,8
16
599,6 600,0 599,6 599,2 598,6
17
599,6 601,2 599,6 600,2 600,0
18
600,0 599,4 599,8 599,2 599,6
19
599,4 600,0 600,0 599,2 599,4
20
599,6 599,8 599,0 599,6 599,4
Analisis de capacidad con MINITAB en paginas siguientes:
65
598 599 600 601
0
10
20
Proveedor1
F
r
e
q
u
e
n
c
y

Diagrama de probabilidad:

597,5 598,5 599,5 600,5 601,5
1
5
10
20
30
40
50
60
70
80
90
95
99
Data
P
e
r
c
e
n
t
AD* 0,936
Goodness of Fit
Normal Probability Plot for Proveedor1
ML Estimates - 95% CI
Mean
StDev
599,548
0,616195
ML Estimates

Histograma:
66
Diagrama de control:

0 Subgroup 10 20
598,5
599,5
600,5
S
a
m
p
l
e

M
e
a
n
Mean=599,5
UCL=600,3
LCL=598,8
0
1
2
3
S
a
m
p
l
e

R
a
n
g
e
R=1,36
UCL=2,876
LCL=0
Xbar/R Chart for Proveedor1

Anlisis de Capacidad:
598 599 600 601 602
LSL USL Target
Process Capability Analysis for Proveedor1
USL
Target
LSL
Mean
Sample N
StDev (Within)
StDev (Overall)
Cp
CPU
CPL
Cpk
Cpm
Pp
PPU
PPL
Ppk
PPM < LSL
PPM > USL
PPM Total
PPM < LSL
PPM > USL
PPM Total
PPM < LSL
PPM > USL
PPM Total
602,000
600,000
598,000
599,548
100
0,576429
0,620865
1,16
1,42
0,90
0,90
0,87
1,07
1,32
0,83
0,83
10000,00
0,00
10000,00
3621,06
10,51
3631,57
6328,16
39,19
6367,35
Process Data
Potential (Within) Capability
Overall Capability Observed Performance Exp. "Within" Performance Exp. "Overall" Performance
Within
Overall

T
e
m
a

1
:

C
o
n
t
r
o
l

E
s
t
a
d
s
t
i
c
o

d
e

P
r
o
c
e
s
o
s

C
u
r
s
o

2
0
0
4
-
2
0
0
5

L
e
c
c
i
n

2
:

C
a
p
a
c
i
d
a
d

6
7
A
n
l
i
s
i
s

d
e

C
a
p
a
c
i
d
a
d

c
o
n

g
r
f
i
c
o
s

(
S
i
x
p
a
c
k
)
:

0
1
0
2
0
5
9
9
,
0
5
9
9
,
5
6
0
0
,
0
6
0
0
,
5
X
b
a
r

a
n
d

R

C
h
a
r
t
S
u
b
g
r
M e a n
M
e
a
n
=
5
9
9
,
5
U
C
L
=
6
0
0
,
3
L
C
L
=
5
9
8
,
8
0 1 2 3
R a n g e
R
=
1
,
3
4
1
U
C
L
=
2
,
8
3
5
L
C
L
=
0
0
1
0
2
0
L
a
s
t

2
0

S
u
b
g
r
o
u
p
s
5
9
8
5
9
9
6
0
0
6
0
1
S
u
b
g
r
o
u
p

N
u
m
b
e
r
V a l u e s
5
9
8
T
6
0
2
C
a
p
a
b
i
l
i
t
y

P
l
o
t
P
r
o
c
e
s
s

T
o
l
e
r
a
n
c
e
I
I
I
I
I
I
I
I
I
S
p
e
c
i
f
i
c
a
t
i
o
n
s
W
i
t
h
i
n
O
v
e
r
a
l
l
5
9
8
,
0
5
9
9
,
5
6
0
1
,
0
N
o
r
m
a
l

P
r
o
b

P
l
o
t
5
9
8
,
0
5
9
9
,
5
6
0
1
,
0
C
a
p
a
b
i
l
i
t
y

H
i
s
t
o
g
r
a
m
W
i
t
h
i
n
S
t
D
e
v
:
C
p
:
C
p
k
:
0
,
5
7
6
4
2
9
1
,
1
6
0
,
9
0
O
v
e
r
a
l
l
S
t
D
e
v
:
P
p
:
P
p
k
:
C
p
m
:
0
,
6
2
0
8
6
5
1
,
0
7
0
,
8
3
0
,
8
7
P
r
o
c
e
s
s

C
a
p
a
b
i
l
i
t
y

S
i
x
p
a
c
k

f
o
r

P
r
o
v
e
e
d
o
r
1

68

Determinacin de los Lmites de Tolerancia Natural de un Proceso

En muchos tipos de procesos de produccion se acostumbra considerar los limites de
tolerancia natural, como aquellos que contienen cierta Iraccion, digamos 1 - , de la
distribucion. Hay varios metodos para estimar los limites de tolerancia natural de un
proceso.
Si se conoce la distribucion subyacente de una caracteristica de calidad y sus
parametros con base en una larga experiencia, entonces es posible establecer
Iacilmente los limites de tolerancia. Supongamos que la caracteristica de calidad se
distribuye normalmente con media conocida y varianza
2
tambien conocida. Si en
este caso se deIinen los limites de tolerancia como los que contienen 100(1 )de
la distribucion de esta caracteristica de calidad, entonces los limites de tolerancia son
simplemente

Si el valor de es por ejemplo 0,05, entonces dichos limites estaran dados por
1 96 ,

/ 2 / 2
1 -

2 1
:
/

2 1
:
/
+

69

En la mayoria de los problemas practicos, se desconocen la Iorma de la distribucion y
sus parametros. Sin embargo, suele ser posible estimar los parametros a partir de los
datos muestrales. Entonces, en ciertos casos, es posible evaluar los limites de
tolerancia del proceso mediante dichas estadisticas muestrales.

Se examinaran dos procedimientos para estimar limites de tolerancia natural, uno
para casos en los que la suposicion de normalidad es razonable, y un enIoque no
parametrico, util para aquellos casos en los que es inadecuado suponer normalidad.

La estimacion de los limites de tolerancia natural de un proceso es un problema
importante con muchas implicaciones practicas signiIicativas. Como ya se dijo, a
menos que las especiIicaciones para el producto coincidan exactamente con, o
excedan a, los limites de tolerancia natural del proceso ( CP 1), un porcentaje
extremadamente alto de la produccion caera Iuera de las especiIicaciones (Iraccion
deIectuosa), lo que ocasiona una perdida considerable o una alta tasa de retrabajo.

70

Lmites de Tolerancia Bilaterales basados en la Distribucin Normal

Supongamos que una variable aleatoria X se distribuye normalmente con media y
varianza
2
, ambas desconocidas. Pueden calcularse, a partir de una muestra aleatoria
de n observaciones, la media muestral x y la varianza muestral S
2
. Un procedimiento
logico para estimar los limites de tolerancia natural

:
1 2 /
es reemplazar por
x v
2
por S
2
, lo que produce
x : S
1 2 /

Como x y S
2
son solamente estimaciones y no los valores reales de los parametros,
no se puede decir que el intervalo anterior siempre contendra 100(1 )de la
distribucion.

Sin embargo, es posible determinar una constante K, de manera que, en un gran
numero de muestras, una Iraccion de los intervalos x KS incluira por lo menos
100(1 ) de la distribucion.

Los valores de K estan tabulados para distintos valores de y de , como puede
verse en la pagina siguiente.

71

72
Ejemplo:
El fabricante de un propulsor solido para cohetes esta interesado en encontrar los
limites de tolerancia del proceso, de manera que 95 de las tasas de combustion
caigan entre estos limites, con probabilidad de 0,99. Se sabe, por experiencias, que
la tasa de combustion esta distribuida normalmente. Una muestra aleatoria de 25
observaciones hace ver que la media v la varian:a muestral de la tasa de combustion
son x 40,75 v S
2
1,87 respectivamente.

(1-u)10095 de los datos
0,99 probabilidad o conIianza
n25 n de datos de la muestra
Mirando en la tabla (pagina anterior): K2,972
Como x 40,75 y S
2
1,87, es decir, S1,3675, tenemos:
3675 1 972 2 75 40 KS x , , , =
Luego en el intervalo |36,6856 , 44,8142| tendremos al menos el 95 de los datos
con una conIianza de 0,99.

73

Lmites de Tolerancia Unilaterales basados en la Distribucin Normal

Tambien es posible especiIicar limites de tolerancia unilaterales, basados en la
distribucion normal. Es decir, se puede aIirmar que, con una probabilidad de , por lo
menos 100(1 )de la distribucion es mayor que un limite inIerior de tolerancia
x KS o menor que uno superior x KS + . Los valores de K para estos limites de
tolerancia se encuentran en la tabla de la pagina siguiente.

Ejemplo:
Una muestra de 10 articulos de una poblacion normal tuvo media de 300 v
desviacion estandar de 10. Utili:ando estos datos, estime un valor para la variable
aleatoria de manera que la probabilidad de que 90 de las mediciones de la
variable queden por debafo de este valor sea igual a 0,95.

(1-u)10090 de los datos
0,95 probabilidad o conIianza
n10 n de datos de la muestra
Mirando en la tabla (pagina siguiente): k2,355
Como x 300 y S10 tenemos:
LST 55 323 10 355 2 300 KS x , , = + = +
Luego al menos el 90 de los datos es menor de 323,55 con una conIianza de 0,95.
74

75

Lmites de Tolerancia e Intervalos de Confianza
Se observa que existe una diIerencia Iundamental entre los limites de conIianza y los
de tolerancia. Los limites de conIianza se usan para proporcionar una estimacion del
intervalo del parametro de una distribucion, mientras que los limites de tolerancia
sirven para indicar los limites entre los cuales es posible esperar que caiga una
proporcion especiIica de una poblacion.
Limite de Tolerancia: x KS
el intervalo x KS incluira por lo menos 100(1 ) de la distribucion (de los
datos) con conIianza (probabilidad).
Intervalo de ConIianza:
n
S
k x
con
1 n
2
1
t k

=
,
o
2
1
: k

=

El parametro poblacional n esta incluido en dicho intervalo con probabilidad .

Observese que la extension de un intervalo de conIianza tiende a cero cuando n
tiende a inIinito (es decir, el intervalo es un unico valor, una estimacion puntual),
mientras que los limites de tolerancia se aproximan al valor correspondiente de la
poblacion (=1). Asi, en la tabla, K se acerca a 1,96 cuando n tiende a inIinito para
0,05, por ejemplo.

76

Determinacin de los lmites de tolerancia natural de un proceso.
Si se desconoce la forma de la distribucin

Es posible establecer limites de tolerancia no parametricos (o libres de distribucion)
que son validos para cualquier distribucion de probabilidad continua. Tales intervalos
se basan en la distribucion de los valores extremos (la mayor y menor observacion
muestrales) en una muestra de una distribucion continua arbitraria. Para limites de
tolerancia bilaterales, el numero de observaciones que hay que hacer para asegurar,
con una probabilidad de , que por lo menos 100(1 - ) de la distribucion caera
entre la mayor y la menor observacion de la muestra, es

2
4 ,

4
2
2
1
n
2
4 ,

+

con 0,90
0,95
0,98
0,99
7,78
9,49
11,67
13,28

aproximadamente. Por lo tanto, para tener una seguridad de 99 de que se incluira
por lo menos 95 de la poblacion entre los valores extremos de la muestra, se tiene
que 0,05, 0,99, y por consiguiente,

n +

=
1
2
1 95
0 05
13 28
4
130
,
,
,

Para limites de tolerancia no parametricos unilaterales, tales que con probabilidad
por lo menos 100(1 - ) de la poblacion exceda al menor valor muestral (o sea
menor que el mayor valor muestral), se tiene que tomar una muestra de

( )
( )
n =

log
log
1
1

Asi el limite superior de tolerancia no parametrico que contiene por lo menos el 90
de la poblacion con probabilidad de por lo menos 0,95 ( 0,10 y 0,95)
constituye la mayor observacion de una muestra de

( )
( )
( )
( )
n =

= =
log
log
log ,
log .
1
1
0 05
0 90
28

77
E1ERCICIOS DE CAPACIDAD

1.- Se toman 20 muestras de 5 articulos de un proceso de manuIactura, se mide una caracteristica de
calidad, distribuida normalmente, y se calculan los valores de medias y rangos para cada
muestra, obteniendose los siguientes resultados:
2446 x
20
1 i
i
=
=
56 R
20
1 i
i
=
=

(a) Calcula los limites a 3 sigma para el diagrama de control de medias ( X ).
(b) Si los limites de especiIicacion son 120 + 5, analiza los indices de capacidad del proceso y
calcula la Iraccion disconIorme asociada.
(c) Analiza razonadamente, mediante indices de capacidad, si la Iraccion disconIorme mejoraria si
la media del proceso Iuera 120.

2.- Los limites especiIicados de determinado producto son 50 + 10, y al analizar 20 muestras de 8
articulos (suponiendo poblacion normal) tenemos como resultado una media de 4 53 x , = y
una media de desviaciones estandar de 8 2 S , = . Se pide:
(a) Calcula y comenta los indices de capacidad del proceso.
(b) Si la media proceso cambiara a 50, como cambiaria la capacidad del proceso? Y la Iraccion
disconIorme (no la calcules)? Porque?

3.- A partir de muestras de tamao n6 se han obtenido los siguientes datos (limites 3 sigma):
x 32,6 LSC( X )36,1742 LIC( X )29,0258 R 7,4
Si el diagrama de medias indica control, la caracteristica de calidad se distribuye normalmente y
los limites de especiIicacion son 30 + 5,0:
(a) Calcula la Iraccion disconIorme del proceso.
(b) Calcula y comenta los indices de capacidad del proceso.
(c) Si la media proceso cambia a 30 mejora la capacidad del proceso? Y la Iraccion disconIorme
(no la calcules)? Porque?

4. Se toman muestras de n 8 de un proceso de manuIactura a intervalos regulares. Se mide cierta
caracteristica de calidad, y se calculan los valores de X y R para cada muestra. Despues de 50
muestras, se tiene que:
78
x
i
i=
=
1
50
2 000 . R
i
i=
=
1
50
250
Suponga que la caracteristica de calidad esta distribuida normalmente. Si los limites de
especiIicacion son 41 + 5,0 y todos los puntos de ambos diagramas caen entre los limites de
control cual es su conclusion acerca de la capacidad del proceso de producir articulos que
satisIagan estas especiIicaciones? (efercicio 4.b) de la leccion 1, pagina 50)

5. Se toman muestras de n 6 articulos de un proceso de manuIactura, a intervalos regulares. Se
mide una caracteristica de calidad, distribuida normalmente, y se calculan los valores de X y S
para cada muestra. Despues del analisis de 50 subgrupos, se tiene que:
x
i
i=
=
1
50
1000 . S
i
i=
=
1
50
75
Suponga que todos los puntos de ambas graIicas caen entre los limites de control. Si los limites
de especiIicacion son 19 + 4.0, cual es su conclusion acerca de la capacidad del proceso de
producir articulos conIormes con las especiIicaciones? (efercicio 5.b) de la leccion 1, pagina 50)

6. Una muestra de 25 mediciones de una caracteristica de calidad distribuida normalmente tiene
media 85 y desviacion estandar 1. Encuentre un valor tal que 90 de las mediciones Iuturas de
esta caracteristica de calidad esten por arriba de dicho valor, utilizando una probabilidad de
conIianza de 0,95.
7. Una muestra de 20 mediciones de una caracteristica de calidad, distribuida normalmente, tiene
x 350 y S 10. Determine un limite superior de tolerancia natural que tenga probabilidad de
0,90 de incluir 95 de la distribucion de tal caracteristica de calidad.
8. Cual debe ser el tamao muestral para obtener un intervalo de tolerancia natural, que tenga
probabilidad de 0,90 de incluir 95 de la distribucion? Como se estableceria el intervalo
despues de obtener los datos?
9. Una muestra aleatoria de n 40 tramos de tubos presento un espesor medio de pared de 0,1264
plg y desviacion estandar de 0,0003 plg. Se supone que el espesor tiene distribucion normal
Entre que limites caera el 95 de los espesores, con conIianza de 95?
10. Encuentre el tamao muestral requerido para establecer un limite superior de tolerancia no
parametrica que contenga por lo menos 95 de la poblacion, con probabilidad de por lo menos
0,95. Como se calcularia realmente este limite a partir de datos muestrales?
79
SOLUCIONES de los ejercicios de la leccin 2: Capacidad

1.- (a) Limites del graIico de control para las medias: LSC123,9156 LC122,3 LIC120,6844
(b) Como el proceso no esta centrado, el indice de capacidad viene dado por Cpk0,74761,
luego es un proceso insuIiciente, no capaz. La Iraccion disconIorme sera 1,2425 (por
encima del Limite superior especiIicado).
(c) Si la media cambiara a 120 el proceso estaria centrado, y entonces Cp1,3845 que es mayor
que 1,33 luego la capacidad mejora (de hecho la Iraccion disconIorme sera menor que 63,4
por millon segun la tabla de capacidad).

2.- (a) La desviacion tipica estimada es 3,1018 y como el proceso no esta centrado, la capacidad
viene dada por Cpk0,711, luego es un proceso no capaz.
(b) Si la media cambiara a 50 el proceso estaria centrado, y entonces Cp1,075~1 la capacidad
mejora, ya que es un proceso capaz, pero aun es mejorable (minimo recomendable 1,33). La
Iraccion disconIorme disminuira, habra algo menos de un 0,27 de disconIormes (Cp1 en
la tabla de capacidad).

3.- (a) Fraccion disconIorme del proceso: 21,08.
(b) Indices de capacidad: como no es centrado, calculamos Cpk0,27397, lo que indica un
proceso muy insuIiciente, muy poco capaz (Cpk1).
(c) Si la media proceso cambia a 30, el proceso se centra y calculamos la capacidad con
Cp0,57078, luego aunque mejora la capacidad, sigue siendo un proceso no capaz.
Al ser ahora un proceso centrado, la Iraccion disconIorme disminuira, pero seguira siendo
alta porque el Cp es mucho menor que 1.

4.- Indices de capacidad: como es un proceso no centrado, calculamos Cpk0,759, lo que indica
que es un proceso poco capaz (Cpk1). Si se centrara el proceso, la capacidad del proceso seria
mejor ya que Cp0,949, pero tampoco conseguiriamos un proceso minimamente capaz
(Cp1,33).

80
5.- Indices de capacidad: el proceso no esta centrado, calculamos Cpk0,579, lo que indica que es
un proceso muy poco capaz (Cpk1). Si se centrara el proceso, la capacidad del proceso seria
mejor pero tampoco suIiciente ya que Cp0,7721, luego tampoco tendriamos un proceso capaz.

6.- Limite InIerior de ToleranciaLIT83,162 (k1,838)

7.- Limite Superior de ToleranciaLST372,08 (k2,208)

8.- Aproximadamente 77 muestras (76,355) y el intervalo de tolerancia vendria dado por el maximo
y el minimo de dicha muestra.

9.- Limites de tolerancia: | 0,12713 , 0,12567 |

10.- El limite superior (LST) seria el maximo de una muestra de 59 elementos (58,404)

Tema1 Lec2

Загружено:

Сведения о документе

Оригинальное название

Авторское право

Доступные форматы

Поделиться этим документом

Поделиться или встроить документ

Параметры публикации

Этот документ был вам полезен?

Это неприемлемый материал?

Авторское право:

Доступные форматы

Tema1 Lec2

Загружено:

Авторское право:

Доступные форматы

Tema 1: Control Estadstico de Procesos

Curso 2004-2005 Leccin 2: Capacidad

Tema 1: Control Estadstico de Procesos

Вам также может понравиться