Академический Документы
Профессиональный Документы
Культура Документы
CONTROL ESTADSTICO
DEL PROCESO
Pgina 1
CONTENIDO
Contenido
1. IMPORTANCIA DE LA MEJORA CONTINUA ..................................................................................... 6
1.1 CALIDAD Y MEJORAMIENTO ...................................................................................................... 6
1.2 HISTORIA DEL CONTROL ESTADSTICO DEL PROCESO .............................................................. 8
Antecedentes ............................................................................................................................... 8
CEP en occidente........................................................................................................................ 11
CEP en Japn .............................................................................................................................. 12
Desarrollo del Control Estadstico del Proceso .......................................................................... 14
Teorema del lmite central ......................................................................................................... 15
Interpretacin ............................................................................................................................ 16
1.3 LAS 7 HERRAMIENTAS BSICAS PARA LA SOLUCIN DE PROBLEMAS .................................... 18
Hoja de verificacin o registro ................................................................................................... 18
Diagrama de Pareto ................................................................................................................... 20
Diagrama de Dispersin ............................................................................................................. 24
Histogramas ............................................................................................................................... 31
Lluvia de ideas (Brainstorming).................................................................................................. 32
Diagrama de Causa efecto ......................................................................................................... 33
Carta de tendencias ................................................................................................................... 38
Diagrama de flujo ....................................................................................................................... 39
Pasos para la elaboracin de un diagrama de flujo ................................................................... 40
Diagrama de flujo de tiempo valor agregado ......................................................................... 44
Diagrama de Flujo Fsico ............................................................................................................ 45
Estratificacin............................................................................................................................. 46
Las cartas de control .................................................................................................................. 46
1.4 MTODOS LEAN PARA LA MEJORA .......................................................................................... 47
Los 7 desperdicios o Muda ........................................................................................................ 47
Mtodos Lean para la mejora .................................................................................................... 48
Mapeo de la cadena de valor ..................................................................................................... 48
Las 5 Ss y la administracin visual.............................................................................................. 51
Preparaciones rpidas (SMED) ................................................................................................... 52
Poka Yokes o A prueba de error ................................................................................................ 53
Trabajo estandarizado ............................................................................................................... 54
1.5 LAS SIETE HERRAMIENTAS ADMINISTRATIVAS........................................................................ 55
Diagrama de Afinidad ................................................................................................................ 56
Fig. 1.26 ejemplos de diagrama de interrelacionesDiagrama de rbol ..................................... 60
Diagrama de rbol...................................................................................................................... 61
Diagrama Matricial..................................................................................................................... 64
Matrices de Prioridades o prioritizacin .................................................................................... 68
1.6 MTODOS ESTADSTICOS PARA LA MEJORA DE CALIDAD ....................................................... 78
Cartas de control ........................................................................................................................ 78
Diseo de experimentos ............................................................................................................ 79
Muestreo de aceptacin ............................................................................................................ 80
1.7 ADMINISTRACIN POR CALIDAD TOTAL ................................................................................. 82
Pgina 2
Pgina 4
Pgina 5
1.
2.
3.
4.
5.
6.
7.
8.
Pgina 6
LIE
JAPON
Objetivo
LSE
Como los mtodos estadsticos tienen un papel importante en el mejoramiento de la calidad, son
objeto de estudio de la Ingeniera de calidad. Los datos relacionados con la calidad se clasifican en
atributos y en variables. Los de atributos son discretos, enteros. Los de variables corresponden a
mediciones con valores reales como longitud, voltaje, etc. Existen diferentes herramientas
estadsticas para tratar con ambos tipos de datos.
Los productos no conformes o defectivos son los que no cumplen una o varias
especificaciones.
Caractersticas del producto: Son los elementos que en conjunto describen la calidad del producto,
evaluadas respecto a especificaciones, como son:
Pgina 7
Smith concluy que la divisin del trabajo incrementaba la productividad sin embargo se
consideraba al trabajador como extensin de la mquina. Durante la revolucin industrial,
iniciada en el siglo XVIII en Gran Bretaala mano de obra era sustituida por mquinas de una
manera acelerada.4 Esto, a su vez, abarat la fabricacin de productos en las fbricas. Surge la
administracin cientfica con Frederick Taylor.
Frederick Winslow Taylor (1856-1915): l no desarroll una teora de administracin, sino que
haca nfasis en los aspectos empricos.5 En 1911 public sus Principios de la Administracin
Cientfica6 donde describe la administracin cientfica, y us este trmino para definir la nica y
mejor manera de realizar un trabajo. Los estudios realizados antes y despus de esta publicacin,
lo erigieron como el padre de la administracin cientfica.7 Sus cuatro principios son:
Pgina 8
1. Crear una ciencia para cada elemento del trabajo del individuo, que sustituya al
mtodo emprico; 2. Escoger cientficamente y luego entrenar, ensear y
desarrollar al trabajador; 3. Colaborar ampliamente con los trabajadores para
asegurar que todo el trabajo se realice conforme a los principios de la ciencia que
se ha ido desarrollando; 4. Hay una divisin casi igual del trabajo y la
responsabilidad entre la administracin y los trabajadores. La administracin se
encarga de todo el trabajo para el cual est mejor dotada que los trabajadores.8
Taylor9 seal que la creacin de nuevos mtodos de trabajo era responsabilidad nica de
gerentes y administradores. La mayor desventaja del taylorismo es que los trabajadores pueden
ser descalificados como si fueran extensin de las mquinas,10 como consecuencia, se tiene
poca motivacin y alto ausentismo.
Frank (1864-1924) y Lillian Gilberth: disearon arreglos laborales para eliminar movimientos
manuales y corporales intiles, tambin experimentaron en el diseo y uso de herramientas y
equipo adecuado para optimizar el desempeo del trabajo.11 Encontraron que no es el trabajo
montono la causa de tanta insatisfaccin laboral, sino la falta de inters que muestran los
gerentes por los trabajadores.12
Con las crisis de los aos ochenta, la produccin masiva uniforme ya no es competitiva, surge un
nuevo paradigma que hace nfasis en la respuesta flexible frente a los cambios impredecibles del
mercado. 14
Con objeto de reducir el costo de la no calidad se desarroll y aplic el Control Estadstico del
Proceso como una siguiente etapa.
14
Ibidem, p. 83-84
Vid. Valdez, Luigi, Conocimiento es futuro, CONCAMIN, Mxico, 1995, pp. 122-123
16
Ibidem, pp. 125-126
15
Pgina 10
CEP en occidente
Durante la segunda guerra mundial se requirieron cantidades masivas de productos, las
inspecciones de rutina de los inspectores no eran suficientes, en algunas compaas, tales como la
Western Electric, bajo contrato de la American Bell Telephone Company, estableci mtodos de
control de calidad ms rigurosos que infundieran confianza en sus instrumentos y
electrodomsticos, en 1924 se form su departamento de Ingeniera de Inspeccin, entre sus
primeros miembros se encuentran Harold F. Dodge, Donald A. Qaurles, Walter A. Shewhart, Harry
G. Romig y otros.
Segn Duncan Walter Shewhart de los Laboratorios Bell fue el primero en aplicar las cartas de
control en 1924 haciendo un esbozo de la carta de control17. Por otra parte H. Dodge y H. Romig
desarrollaron las tablas de inspeccin por muestreo de Dodge-Romig18, como una alternativa a la
inspeccin 100% al producto terminado, sin embargo su adopcin en occidente fue muy lenta,
Freeman, sugiere que esto se dio por la tendencia de los ingenieros americanos a eliminar la
variacin, y su desdn por las teoras probabilsticas, as como a la falta de estadgrafos
industriales, adecuadamente entrenados.19
El trabajo de Shewhart, Dodge y Romig, constituye la mayor parte de lo que hoy se conoce como
Control Estadstico del Proceso. De esta forma con objeto de hacer ms eficientes a las
organizaciones de inspeccin, se proporciona a los inspectores con unas cuantas herramientas
estadsticas, tales como cartas de control y tablas de muestreo20. Se reduce el nivel de variacin
del proceso hasta los lmites predecibles y se identifican las oportunidades de mejora. Se
establecen sistemas de medicin formales desde los proveedores hasta el producto final y el
proceso se "estandariza. Hoy en da la herramienta de las cartas de control (CEP) es utilizada por
los crculos de control de calidad para la identificacin de problemas.
En 1931, W.A. Shewhart publica su libro Economic Quality Control of Quality of Manufactured
Product, donde describe las cartas para el control estadstico del proceso. En medio de los aos
17
Pgina 11
30s los mtodos de control estadstico de calidad se empezaron a aplicar en la Western Electric,
brazo de manufactura de los laboratorios Bell, sin embargo no fueron reconocidos estos mtodos
ampliamente.
Durante la II guerra mundial se expandi el uso de los mtodos estadsticos de control de procesos
en la industria de la manufactura, la American Society for Quality Control se form en 1946 para
promover su uso. De 1946 a 1949 W. Deming es invitado a Japn a dar seminarios sobre control
estadstico de calidad a sus industriales, extendiendo el uso de stos mtodos. Aparecen las obras
de Eugene L. Grant y A.J. Duncan sobre control estadstico del proceso. En occidente es hasta la
dcada de los ochenta cuando se voltea hacia los mtodos estadsticos ya muy comunes en Japn
dado el xito industrial de este pas.
En los aos recientes, empresas de alta tecnologa como Motorola, General Electric, Xerox, AT&T,
etc., desarrollan e implantan una metodologa de calidad total denominada Calidad 6 sigma con el
objetivo de reducir los errores y defectos a un mximo de 3.4 partes por milln (ppm), donde una
de las herramientas clave es el control estadstico del proceso, que permite obtener ahorros de
costos muy importantes.
CEP en Japn
En 1950 el experto Edwards W. Deming inici el entrenamiento en mtodos estadsticos en el
Japn, incluyendo conferencias dirigidas a los lderes industriales, en esta poca Kaoru Ishikawa
experto japons en control de calidad inici sus estudios sobre conceptos de control de calidad,
describe su propia motivacin como sigue:
Yo desarroll un gran respeto por el Dr. Shewhart por medio del estudio profundo
de sus conceptos en cartas de control y estndares... Sin embargo, me sorprend un
poco que en EUA, donde efectu una visita de estudio, sus mtodos casi no se
aplicaban. Yo deseo importar sus conceptos al Japn y asimilarlos para adaptarlos
a situaciones en Japn, de tal forma que los productos japoneses mejoraran su
calidad21
21
Ishikawa, Kaouru, "Tributes to Walter A. Shewhart," Industrial Quality Control, Vol. 22, No. 12,
1967, pp. 115-116.
Pgina 12
En 1955, Kaouru Ishikawa introdujo las tcnicas de cartas de control en Japn, los japoneses
aprendieron el control de calidad de occidente, invitaron a Deming, Juran y otros eruditos a Japn
para que les enseasen el control estadstico del proceso. Sin embargo la implantacin de estas
tcnicas fue posible despus de su modificacin y adaptacin a las empresas japonesas,
incluyendo la creacin de varias herramientas tiles como refinamiento del control estadstico de
calidad, tales como las 7 herramientas estadsticas utilizadas normalmente por los crculos de
control de calidad y la aplicacin de tcnicas estadsticas avanzadas.
Estas tcnicas junto con las computadoras han alcanzado un alto nivel en Japn, todas las
industrias japonesas confan en los mtodos estadsticos avanzados para el diseo de productos,22
esto tambin ha permitido que los supervisores de las fbricas japonesas utilicen estadstica de
alto nivel para analizar problemas. Por ejemplo para el caso del diseo de experimentos se tiene:
el diseo estadstico de experimentos es el arreglo, bajo el cual se efecta un programa
experimental, incluye la seleccin de los niveles ptimos de los factores que tienen influencia en la
calidad del producto 23, ayuda a optimizar el tiempo y los elementos de diseo, determinando los
materiales ms baratos de tal forma que el producto cumpla las especificaciones, y todava se
asegure que el producto se desempear en forma satisfactoria bajo condiciones variables.
Con la aplicacin del Control Estadstico del Proceso, el trabajador tiene de nuevo la oportunidad
de controlar la calidad de su trabajo, no a travs de inspeccin 100%, sino a travs de tcnicas de
muestreo y de cartas de control, como mtodo preventivo de defectos, lo que permite su
autocontrol para reducir la variabilidad del proceso de produccin, se complementa con las siete
herramientas estadsticas y el ciclo de control de Deming (planear, hacer, verificar y actuar).
22
23
* * *
**
***
**
**
***
* *
Distribucin de promedios
de las muestras
Universo
Encontr que las medias de las muestras correspondan a las medias de la poblacin y que la
desviacin estndar de las medias de las muestras se relacionaban con la desviacin estndar de la
poblacin, como sigue (TEOREMA DEL LMITE CENTRAL):
__
(1.1)
24
Shewhart, W.A., Economic Control of Quality of Manufactured Product, Van Nostrand Reinhold
Co., 1931, p. 182
Pgina 14
X1
X-media 1
X2
X3
X-media 2
X-media 3
Frequency
10
8
6
4
2
0
5
Promedios
Pgina 15
[y -
i ]
i 1
(2.5)
i 1
Se aproxima a la distribucin normal conforme n tiende a infinito. Es decir que la suma de las n
variables
aleatorias
independientemente
distribuidas
es
aproximadamente
normal,
Interpretacin
Normalmente para conocer el estado de un proceso en determinado momento, es necesario
obtener un histograma de la caracterstica de inters, tomando al menos 30 piezas. Se calcula la
media y la desviacin estndar de la muestra y se trata de inferir sobre las caractersticas del
proceso. Haciendo esto peridicamente se pueden tener los comportamientos siguientes:
Hora 4
Hora 2
Hora 3
Hora 1
b)Proceso en control
Pgina 16
25
Ford Motor Co., Continuing Process Control and Process Capability Improvement, Dearborn,
Michigan, 1983
Pgina 17
H
Fig. 1.5 Las 7 herramientas estadsticas para la mejora y solucin de problemas
Pgina 18
2. Definir el perodo de tiempo durante el cul sern recolectados los datos. Esto puede variar de
horas a semanas.
3. Disear una forma que sea clara y fcil de usar. Asegrese de que todas las columnas estn
claramente descritas y de que haya suficiente espacio para registrar los datos.
4. Obtener los datos de una manera consistente y honesta. Asegrese de que se dedique el
tiempo necesario para esta actividad.
DIA
DEFECTO
1
2
Tamao errneo IIIII I
IIIII
Forma errnea
I
III
Depto. EquivocadoIIIII
I
Peso errneo
IIIII IIIII I IIIII III
Mal Acabado
II
III
TOTAL
25
20
3
IIIII III
III
I
IIIII III
I
21
4
IIIII II
II
I
IIIII IIIII
I
21
TOTAL
26
9
8
37
7
87
Pgina 19
Diagrama de Pareto
Se utiliza para identificar problemas o causas principales:
Herramienta utilizada para el mejoramiento de la calidad para identificar y separar en forma crtica
los pocos proyectos que provocan la mayor parte de los problemas de calidad.
El diagrama de Pareto es una grfica de dos dimensiones que se construye listando las causas de
un problema en el eje horizontal, empezando por la izquierda para colocar a aquellas que tienen
un mayor efecto sobre el problema, de manera que vayan disminuyendo en orden de magnitud. El
eje vertical se dibuja en ambos lados del diagrama: el lado izquierdo representa la magnitud del
efecto provocado por las causas, mientras que el lado derecho refleja el porcentaje acumulado de
efecto de las causas, empezando por la de mayor magnitud.
Ejes verticales:
-
Eje izquierdo: Marque este eje con una escala desde 0 hasta el total general
Eje derecho: Marque este eje con una escala desde 0 hasta 100%
Pgina 20
Eje horizontal:
-
8. Dibuje la curva acumulada (curva de Pareto), Marque los valores acumulados (porcentaje
acumulado) en la parte superior, al lado derecho de los intervalos de cada categora, y conecte
los puntos con una lnea continua.
9. Escriba en el diagrama cualquier informacin que considere necesaria para el mejor
entendimiento del diagrama de Pareto.
No.
de
quejas
Total
Acumulado
Composicin
Porcentual
Porcentaje
Acumulado
25
25
35.71
35.71
23
48
32.85
68.56
55
10
78.56
61
8.57
87.13
64
4.28
91.41
F) Inexactitud en cantidades
66
2..85
94.26
67
1.42
95.68
68
1.42
97.7
I) Fallas en documentacin
69
1.42
98.52
70
1.4
99.94
Pgina 21
DIAGRAMA PARETO
99.94
98.52
50
97.7
95.68
94.26
91.41
87.13
N
O
78.56
D
E
Q
U
E
J
A
S
68.56
35.71
25
23
7
6
3
2
1
A
Pgina 22
%
A
C
U
M
U
L
A
D
O
Las quejas A, B y C representan el 78.56%, siendo en estas en las que debemos de enfocarnos
primero a resolver.
GASTO
Papelera
Toners
Vaticos
Gasolina
Copiado
CANT
20
60
80
30
10
Clic en OK
100
Count
60
100
40
50
0
C1
Count
Percent
Cum %
20
C
80
40.0
40.0
B
60
30.0
70.0
D
30
15.0
85.0
A
20
10.0
95.0
Pgina 23
Other
10
5.0
100.0
Percent
80
150
En la grfica observamos que aproximadamente el 85% de los gastos es debido a los gastos C, B,
D.
Frecuencia
Conclusiones:
Diagrama de Dispersin
Se utiliza para analizar la correlacin entre dos variables, se puede encontrar: Correlacin
positiva o negativa, fuerte o dbil o sin correlacin.
El diagrama de dispersin es una tcnica estadstica utilizada para estudiar la relacin entre dos
variables. Por ejemplo, entre una caracterstica de calidad y un factor que le afecta.
La ventaja de utilizar este tipo de diagramas es que al hacerlo se tiene una comprensin ms
profunda del problema planteado.
Pgina 24
La relacin entre dos variables se representa mediante una grfica de dos dimensiones en la que
cada relacin est dada por un par de puntos (uno para cada variable).
La variable del eje horizontal x normalmente es la variable causa, y la variable del eje vertical y es
Accidentes laborales
la variable efecto.
Correlacin
positiva,
posible
La relacin entre dos variables puede ser: positiva o negativa. Si es positiva, significa que un
aumento en la variable causa x provocar una aumento en la variable efecto y y si es negativa
significa que una disminucin en la variable x provocar una disminucin en la variable y.
Por otro lado se puede observar que los puntos en un diagrama de dispersin pueden estar muy
cerca de la lnea recta que los atraviesa, o muy dispersos o alejados con respecto a la misma. El
ndice que se utiliza para medir ese grado de cercana de los puntos con respecto a la lnea recta es
la correlacin. En total existen cinco grados de correlacin: positiva evidente, positiva, negativa
evidente, negativa y nula.
Pgina 25
Correlacin Positiva
Evidente
25
25
20
20
15
10
15
5
0
10
15
20
25
10
5
Sin Correlacin
0
0
10
25
15
20
25
20
15
Correlacin
Positiva
25
10
0
0
10
15
20
25
25
20
15
15
10
Correlacin
Negativa
20
10
5
0
0
10
15
20
25
10
15
20
25
y x x xy
n x x
2
n xy x y
n x 2 x
El ndice de correlacin (r) se puede calcular estadsticamente mediante las ecuaciones que a
continuacin se presentan
SCxy
SCx SCy
SCxy xy
x y
n
Pgina 26
x
SCx x
n
SCy y 2
Donde:
r = Coeficiente de correlacin lineal
SCxy = Suma de cuadrados de xy
SCx = Suma de cuadrados de x
SCy = Suma de cuadrados de y
Ejemplo: Un ingeniero que trabaja con botellas de refresco investiga la distribucin del producto y
las operaciones del servicio de ruta para mquinas vendedoras. El sospecha que el tiempo
requerido para cargar y servir una mquina se relaciona con el nmero de latas entregadas del
producto. Se selecciona una muestra aleatoria de 25 expendios al menudeo que tienen mquinas
Pgina 27
vendedoras y se observa para cada expendio el tiempo de solicitud- entrega (en minutos) y el
volumen del producto entregado (en latas). Calcular el coeficiente de correlacin y graficar. Los
datos se muestran a continuacin:
SCxy = 2027.71
SCx = 698.56
SCy = 6105.94
r = 0.98
El coeficiente de correlacin r = 0.98 por lo cual tenemos suficiente evidencia estadstica para
afirmar que el tiempo de entrega est relacionado con el nmero de latas.
Pgina 28
Pgina 29
Para determinar la funcin de regresin y correlacin en Minitab se siguen los pasos siguientes
(despus de cargar los datos correspondientes a X y a Y en las columnas C1 y C2):
Minitab > Stat >Regresin ... Indicar la columna de Respuestas Y y la de predictores X y aceptar
con OK. Observar el valor del coeficiente de correlacin y de determinacin.
Para obtener la lnea de mejor ajuste de la regresin, se procede como sigue en Minitab:
Minitab > Stat >Fitted Line Plot ... Indicar la columna de Respuestas Y y la de predictores X,
seleccionar si se quiere ajustar con los datos con una lnea, una funcin cuadrtica o cbica y
aceptar con OK. Observar el mayor valor del coeficiente de correlacin que indica el mejor ajuste.
Errores
20
12
36
28
44
25
32
5
Antiguedad
Conclusiones:
Pgina 30
Histogramas
Se utilizan para ver la distribucin de frecuencia de una tabla de datos
18
16
14
12
10
Frec.
8
6
4
2
0 Distribucin de frecuencias o histograma
Figura 3.5
15-24 25-34 35-44 45-54 55-64 65-75
17.87
18.03
18.69
19.94
20.20
20.31
24.19
28.75
30.36
30.63
33.51
33.76
34.58
35.58
35.93
36.08
36.14
36.80
36.92
37.23
38.65
39.02
39.64
40.41
40.58
40.64
43.61
44.06
44.52
45.01
45.70
45.91
46.50
47.09
47.21
47.56
47.93
48.02
48.31
48.55
49.36
49.95
50.02
50.10
50.10
50.72
51.40
51.41
51.77
52.43
Pgina 31
55.08
55.23
55.56
55.87
56.04
56.29
58.18
59.03
59.37
59.61
62.53
62.78
62.98
63.03
64.12
64.29
65.44
66.18
66.56
67.45
70.37
71.05
71.14
72.46
72.77
74.03
74.10
76.26
76.69
77.91
81.21
82.37
82.79
83.31
85.83
88.67
89.28
89.58
94.07
94.47
Rango =
18-35
36-53
54-71
72-89
90 en
adelante
Conclusiones:
Pgina 32
La tcnica tormenta de ideas puede ser aplicada con gran frecuencia al llevar a cabo otras
herramientas, como por ejemplo, diagramas causa-efecto (Ishikawa), Diseo de experimentos,
pruebas de confiabilidad, etc.
EJERCICIO: Realizar una lluvia de ideas para solucionar el problema de llegar a tiempo a algn
lugar.
Pgina 33
Es utilizado para explorar, e identificar todas las causas posibles y relaciones de un problema
(efecto) o de una condicin especfica en las caractersticas de un proceso.
Una vez elaborado, el diagrama causa-efecto representa de forma clara, ordenada y completa
todas las causas que pueden determinar cierto problema.
Constituye una buena base de trabajo para poner en marcha la bsqueda de las verdaderas causas
de un problema.
Los pasos para elaborar el diagrama de causa- efecto son los siguientes:
Trace una lnea horizontal hacia la izquierda del cuadro que contiene la frase. A esta lnea
se le conoce como columna vertebral.
Dibuje lneas horizontales con flechas que incidan en las lneas inclinadas conforme a la
clasificacin de las causas (causas secundarias)
Dibuje lneas inclinadas que incidan en las lneas de las causas secundarias (causas
terciarias)
Causas principales.
Pgina 34
Causas secundarias.
Causas terciarias.
5. Jerarquice las causas por grado de importancia y defina aquellas que tengan un efecto
relevante sobre la caracterstica especfica.
6. Elabore y ejecute un programa de correccin de las causas relevantes.
Diagrama de Ishikawa
Medio
ambiente
Clima
hmedo
Distancia de
la agencia al
changarro
Clientes con
ventas bajas
Malos
itinerarios
Mtodos
Frecuencia
de visitas
Posicin de
exhibidores
Rotacin de
personal
Falta de
motivacin
Ausentismo
Elaboracin
de pedidos
Calidad del
producto
Seguimiento
semanal
Conocimiento
de los
mnimos por
ruta
Descompostura
del camin
repartidor
Maquinara
Personal
Falta de
supervi
cin
Medicin
Qu
produce
bajas ventas
de
Tortillinas
Ta Rosa?
Tipo de
exhibidor
Materiales
Mquinas
Mano de obra
Mtodos
Pgina 35
Materiales
Mediciones
Medio ambiente
Estas constituyen las causas primarias del problema y es necesario desafiarlas para encontrar
causas ms especficas secundarias y terciarias.
Se construye el diagrama espina de pescado con las causas primarias (Ms), a partir de estas
causas se agrupan las causas secundarias y terciarias derivadas de la lluvia de ideas.
MEDICIONES
MAQUINAS
MANO DE OBRA
DIMENSIONES
INADECUADAS
FUERA DE
DIMENSIONES
ESPECIFICADS
VELOCIDAD DE
AVANCE
TEMPERATURA
ANGULO
INCORRECTO DE
LA FLAMA
FORMACION
HABILIDAD
PUNTA OXIDADA
LIMITES
ERGONOMICOS
FORMA
PUNTA
SOLDADURA DEFECTUOSA
UNION
SOLDADURA
SUPERFICIE
S CON
POLVO E
IMPUREZAS
LACA DE
PROTECCION
SECUENCIA
SOLDADURA
TIEMPOS DE
ESPERA
TERMINALES
DESOXIDANTE
CORTOS OXIDADOS
ias
MATERIALES
ca
us
as
ter
cia
r
ec
un
da
ria
s
ale
cip
rin
p
s
usa
Ca
MTODOS
Ca
us
as
s
MEDIO AMBIENTE
El equipo analiza cada causa y por medio de eliminacin y consenso determina cuales son las
verdaderas causas que estn ocasionando el problema. Una vez determinada las causas se realiza
un anlisis Por qu, Por qu, por qu (Why-Why Why), el cual consiste en preguntarnos cinco
veces por qu?, para encontrar la causa raz del problema.
Pgina 36
En el ejemplo anterior las causas primarias fueron agrupadas en (Ms): mediciones, mquinas,
personal, medio ambiente, mtodos y materiales. Es posible realizar este diagrama con causas
primarias diferentes a las Ms, ej:
Problema: Por qu la versin del sistema Abacab, no satisface los requerimientos del cliente.
Las causas primarias en las que se organiza este problema son las siguientes:
Funcionalidad.
Diseo
Accesibilidad
Tiempo de respuesta
Confiabilidad
Llenar las columnas C1 a C5 con las diferentes causas correspondientes a los conceptos de
Personal, Mquinas, Materiales, Mtodos, Mediciones y Medio ambiente.
Ejercicio: Realizar un Diagrama de Causa efecto para identificar las causas potenciales de
un problema y concluir.
Pgina 37
Carta de tendencias
Definicin:
Es una ayuda grfica para el control de las variaciones de los procesos administrativos y de
manufactura.
Usos:
Saber el comportamiento de un sistema o proceso durante el tiempo.
Tomar las acciones correctivas a tiempo si la tendencia afectar en forma negativa.
Semana
1
2
3
4
5
6
7
8
% errores
0.15
0.04
0.08
0.07
0.04
0.05
0.01
0.03
Semana
9
10
11
12
13
14
15
% errores
0.04
0.05
0.07
0.04
0.02
0.03
0.01
% errores
Carta de tendencia
0.2
0.15
0.1
0.05
0
1
Sem ana
Pgina 38
10 11 12 13 14 15
Diagrama de flujo
Dentro de los sistemas de calidad resulta de gran utilidad representar la estructura y relaciones de
los sistemas mediante diagramas de flujo.
Se utiliza para identificar los procesos, las caractersticas crticas en cada uno, la forma de
evaluacin, los equipos a usar, los registros y plan de reaccin, se tienen los tipos
siguientes:
Diagramas de flujo de proceso detallados
Diagramas fsicos de proceso
Diagramas de flujo de valor
Iniciar/Detener
Transmisin
Operaciones
(Valor agregado)
Decisin
Almacenar
Entrada/Salida
Inspeccin /Medicin
Transportacin
Retraso
Lneas de Flujo
Pgina 39
Descripcin de smbolos
En la construccin de diagramas de flujo de procesos se utilizan los smbolos descritos a
continuacin:
Pgina 40
2. Definir todos los pasos que componen un producto o servicio: Existen diferentes
maneras de hacerlo. Una de ellas consiste en que el equipo de trabajo anote en tarjetas
los diferentes pasos que conforman el proceso, con este mtodo el equipo puede arreglar
y ordenar los pasos del proceso. Otra manera de hacerlo es mediante el uso de programas
de diagramas de flujo en computadoras, de esta manera se tiene mayor flexibilidad que en
el mtodo anterior y se ahorra bastante tiempo.
Cada paso deber de ser discutido y analizado a detalle utilizando la pregunta por qu
se hace de esta manera?
3. Conectar las actividades: Cuando los pasos que componen el proceso han sido descritos
se construye el diagrama de flujo, conectando las actividades mediante flechas, cada
smbolo debe describir la actividad que se realiza con pocas palabras.
4. Comparar el proceso actual con el proceso considerado como ideal las siguientes
preguntas pueden servir de gua:
Existen pasos demasiado complejos?
Existe duplicidad o redundancia?
Existen puntos de control para prevenir errores? deberan de existir?
El proceso funciona en la manera en la cual debera de hacerse?
Se puede realizar el proceso de diferente manera?
5. Mejoras del proceso: Una vez que se contestan las preguntas mediante tormenta de ideas
se realizan mejoras. Definiendo los pasos que agregan valor y los que no agregan se puede
llevar a cabo una simplificacin sustancial del proceso.
Las mejoras son priorizadas y se llevan a cabo planes de accin.
6. Implementar el nuevo procedimiento: Una vez realizadas las mejoras se dan a conocer a
las personas involucradas en el proceso y se verifica su efectividad.
Pgina 41
EVENTO
0.4
Firmar el desprendible
0.1
0.3
0.2
10
0.4
1
0.2
0.8
50
26
Inicio
Paso 1
Paso 2A
Paso 2B
Paso 2C
Paso 3
Bueno?
Retrabajo
No
Fin
S
Pgina 43
Ventajas:
Delinea grficamente la cantidad de tiempo sin valor que se usa en el proceso.
Ayuda a reducir el tiempo sin valor y eliminar pasos innecesarios.
Ejemplo
Exa cripci
s
P re
so nea
Pe gu
n
Sa
n
esi
Pr
Espera
Espera
on
lc
de
lir
Sa agar r
P ina
m
Ca
se
ar
nt ar
Se min
Ca inar
m
lto
su
Ca a de a
er
ad
am er m
Ll enf
la
se e
ar
nt ars
Se istr
g
Re
r io
Pgina 44
valor agregado.
Edificio A
Edificio B
Pgina 45
Estratificacin
Se utiliza para separar un aspecto general en los estratos que lo componen, por ejemplo,
por regiones, estados, municipios, etc. Clasificacin de los datos o factores sujetos a
estudio en una serie de grupos con caractersticas similares.
Problemas con boletas
Por regin
Por estado
Por municipio
Figura 1.19 Estratificacin de un problema
Ejercicio: Describir un ejemplo de estratificacin de un aspecto poblacional
Inicio:
Primer paso:
Segundo paso:
Tercer paso:
12.5
11.5
10.5
Lnea
Central
9.5
8.5
7.5
0
10
20
30
Lmite
Inferior de
Control
Figura 1.20 Carta de control con sus lmites de control y lnea central
Pgina 46
Carta de control
Escuche la Voz del Proceso
M
E
D
I
D
A
S
C
A
L
I
D
A
D
Regin de control,
captura la variacin
natural del proceso
original
LSC
LIC
El proceso ha cambiado
identificada
TIEMPO
Pgina 47
Servicios no requeridos
Movimientos excesivos
e innecesarios
Transportes innecesarios
Inventarios innecesarios
Esperas o firmas innecesarios
Errores
Retrabados o reinspecciones
Ejemplos de muda:
Caminar
Inventario
innecesario
Transporte de
partes
Esperar al ciclo
de mquina
Reportes sin uso
Movimientos
innecesarios
Pgina 48
Proceso Original
Resumen
Operacin
23
---
Transporte
Inspeccin
9
2
11
8
815
---
Retraso
---
50
--815
0
19
Almacenaje
Total
Descripcin
X
X
X
X
X
X
X
X
X
X
X
X
X
X
X
X
X
X
X
Pgina 49
Se identifican las actividades que representan Muda y que son actividades que
no agregan valor y se reducen o eliminan, quedando el proceso mejorado
como sigue:
Pgina 50
A
1
1
2G974
2G974
0074D
0074D
3G235
3G235
2
1G569
1G569
6264D
6264D
Pgina 51
9964D
9964D
Pgina 52
Trabajo estandarizado
Objetivo: Documentar en instructivos, procedimientos y ayudas visuales, la forma como
deben realizarse las operaciones y actividades para que todos las realicen de la misma
manera, para tener productos homogneos.
Por estandarizacin se entiende:
Siempre seguir la misma secuencia de trabajo
Los mtodos totalmente documentados
Los mtodos estn visibles en cada estacin de trabajo
El material y documentos de trabajo estn colocados siempre en el mismo lugar
La informacin se presenta de la misma forma en toda la organizacin
Se tiene el registro del movimiento detallado del cuerpo humano
Ejercicio: Identificar reas de oportunidad para implementar procedimientos e
instructivos para estandarizar las operaciones.
_______________________________________________________________.
_______________________________________________________________.
_______________________________________________________________.
Pgina 54
Diagrama de afinidad:
o Organiza grandes cantidades de informacin
Diagrama de rbol:
o Diagrama los niveles de destalle para alcanzar un objetivo principal y los
objetivos secundarios relacionados
Diagrama Matricial:
o Muestra las relaciones y correlaciones entre ideas
Matrices de prioridad:
o Asigna prioridades a asuntos, tareas o posibles opciones con base en
criterios conocidos
APLICACIONES
Las herramientas para la mejora continua se emplean de manera ideal en los casos
siguientes:
Dividir un requerimiento general de detalles especficos
Identificar y eliminar las causas raz de un problema
Programar actividades complejas
Planeacin de contingencia
Ayudar a una organizacin a pasar de la manera antigua de pensar a otras formas
ms novedosas de hacerlo
Realizar una seleccin final de una lista de opciones
Evaluar opciones de diseo de producto
Pgina 55
Diagrama de Afinidad
Es una herramienta que se emplea para organizar grandes cantidades de informacin
agrupando los aspectos de la misma con base en relaciones clave entre ellos; tambin se
conoce como mtodo KJ. Cuando se emplea este diagrama, se organizan las ideas o reas
generales de problemas para adquirir la comprensin de un problema o asunto complejo,
as como para identificar las causas potenciales de un problema. La herramienta ayuda a
mejorar el compromiso y el apoyo del equipo.
PASOS
1. Reunir el equipo y elegir un lder, todos relacionados con el asunto a tratar.
2. Establecer el asunto o problema en forma de pregunta.
3. Realizar una tormenta de ideas respecto al problema o aspecto y registrarla en
fichas de trabajo.
4. Desplegar las tarjetas en una mesa grande o muro.
5. Acomodar las tarjetas en pilas similares o por familias.
6. Crear tarjetas de encabezado
7. Dibujar el diagrama de afinidad
a. Trazar un crculo en torno a cada agrupamiento
b. El diagrama queda completo cuando el equipo alcanza el consenso
8. Discutir el diagrama de afinidad
Pgina 56
FUENTE HTTP://WWW.SAPDESIGNGUILD.ORG/RESOURCES/GLOSSARY_USAB/IMAGES/AFFINITYEE1.JPG
FUENTE:
HTTP://WWW.MEX.OPS-OMS.ORG/DOCUMENTOS/TUBERCULOSIS/MEJORA/4_DIAGRAMA_AFINIDAD.PDF
Pgina 57
Pgina 58
Pgina 59
FUENTEHTTP://WWW.CALIDADEDUCATIVA.ORG/CONGRESO2008/MEMORIA/TUFINO_COMPL
EMENTARIO/TUFINO_INTERRELACION.PDF
Fig.
1.26
ejemplos
de
diagrama
Pgina 60
de
interrelaciones
Diagrama de rbol
Un diagrama de rbol (diagrama sistemtico) es una tcnica que se emplea para buscar la
forma ms apropiada y eficaz de alcanzar un objetivo especfico. Esta herramienta grfica
de diagrama los diversos niveles de detalle, estos representan acciones (o tareas) que
siguen rutas lgicas para implantar un objetivo amplio. Al implantar los puntos detallados
de accin, se crea un efecto de dominio que lleva al logro del objetivo principal.
Cuando se trabaja sobre un objetivo amplio, un diagrama de rbol ayuda a orientar tareas
especficas, es posible emplearlo para planear la implantacin de una solucin detallada
en forma ordenada. El diagrama de rbol funciones para dividir un aspecto u objetivo ms
complejo.
PASOS
1.
2.
3.
4.
5.
Pgina 61
FUENTE:
HTTP://WWW.PROGRAMAEMPRESA.COM/EMPRESA/EMPRESA.NSF/PAGINAS/B274A80F363DE039C12570290
041808D?OPENDOCUMENT
FUENTE HTTP://DGPLADES.SALUD.GOB.MX/2006/HTDOCS/HG/NUEVAS/HESTRA7.PDF
FIG. 1.27 EJEMPLOS DE DIAGRAMA DE RBOL
Pgina 62
Pgina 63
Diagrama Matricial
PERSONAL
CURSO
Direccin
Supervisin
Ingenieros
Trab. De
Produc.
Trab. De
Mant.
Trab. De
Oficina
Visin Global
Taller de trabajo
Los diagramas matriciales son herramientas que se emplean para revelar las correlaciones
entre ideas, tares y responsabilidad y que aparecen en diversas formas matriciales, es
posible emplear estas herramientas para organizar y comparar dos o ms conjuntos de
artculos para mostrar cules de ellos estn relacionados, asimismo pueden mostrar la
fortaleza estadstica y la direccin de influencia de cada relacin.
Pueden tener cualquiera de las siguientes formas: L, T, Y, X y C
PASOS
1. Reunir a un equipo apropiado
2. Elegir las consideraciones clave
a. Qu tipo de informacin se desea mostrar en la matriz?
3. Elegir la forma apropiada de la matriz
4. Definir los smbolos de relacin a emplear y crear una leyenda
5. Concluir la matriz.
Pgina 64
Pgina 65
DIAGRAMAS MATRICIALES 27
FIG. 1.31 DIAGRAMA MATRICIAL EN L
DIAGRAMA MATRICIAL A
DIAGRAMA MATRICIAL EN Y
27
Pgina 67
28
Pgina 69
Cambiar fecha de
reunin
Sala de reuniones no
disponible
Reservar sala de
reuniones
Rentar equipo
audiovisual
Planeacin de una
reunin
Verificar equipo
audiovisual
Equipo audiovisual no
disponible
Banquete no
disponible
Efectuar los
arreglos de
alimentacin
Men no
disponible
= Seleccionado
= No factible
Ordenar a otro
proveedor
Solicitar un men
distinto
Ordenar otro
proveedor de
banquetes
Una Carta de programa de decisin del proceso (CPDP) es una herramienta dinmica de
planeacin que se emplea para diagramar en forma sistemtica todas las posibles cadenas
de eventos para alcanzar un objetivo amplio o para implantar una solucin compleja.
Se enumeran todos los eventos concebibles y una contramedida apropiada en este flujo
cronolgico, se emplea este mtodo cuando existe incertidumbre en un proceso de
implantacin, cuando el problema u objetivo es nico o desconocido.
Las Cartas de programa de decisin del proceso se clasifican por las herramientas que se
emplea:
CPDP planeado por adelantado: anticipan lo inesperado antes de la
implantacin verdadera. Se efecta una tormenta de ideas de todas las distintas
posibilidades y se elaboran planes de contingencia con anticipacin.
CPDP en tiempo real: se desarrollan alternativas durante la implantacin.
La CPDP se clasifica por el formato grfico:
Pgina 70
Se emplea una CPDP para describir de manera sistemtica una solucin u objetivo
complejos, otro propsito es probar teoras durante la implantacin de una solucin
compleja.
PASOS
1.
2.
3.
4.
5.
6.
7.
Pgina 71
FUENTE HTTP://SYQUE.COM/QUALITY_TOOLS/TOOLS/TOOLS12.HTM
Fig. 1.38 Ejemplo de diagrama de rbol y plan de contingencia CPDP para manufactura
Pgina 72
1
da
1
da
1
da
3
da
2
da
3
da
2
da
5
da
PASOS
1. Reunir el equipo apropiado.
a. Los miembros del equipo debern conocer a fondo las tareas y subtareas
2. Identificar todas las tareas que requiere el proyecto.
3. Determinar la secuencia de actividades.
4. Calcular el tiempo que se requiere cada actividad.
5. Calcular la ruta crtica del proyecto.
6. Calcular la fecha ms tarda de inicio y ms temprana de conclusin de cada
subtarea.
7. Calcular la holgura total.
8. Disear el diagrama de redes de actividades.
Pgina 73
Pgina 74
Pgina 75
Los valores TE as obtenidos, se escribirn en el Diagrama de Flechas por encima del respectivo
evento.
El TL de un evento representa el tiempo mximo en que debe alcanzarse el evento para poder
seguir el proyecto tal y como ha sido planificado, siendo el TL del ltimo evento el tiempo
establecido para finalizar el proyecto.
El valor TL de un evento N se calcula de la siguiente manera:
a) Se empieza con el ltimo evento (= fin del proyecto), operando en sentido inverso hasta el
primero. El TL del ltimo evento se considera aqu como un dato externo, ya establecido. (Deseo
del cliente, compromiso, fecha "orientativa" interna, a menudo el valor TE obtenido en el Paso 4
para el evento final del proyecto, etc...).
b) Se identifican todos los eventos sucesores del evento N.
c) Para cada uno de estos eventos se resta de su TL la duracin t de la actividad que le conecta con
el evento N.
d) Se elige entre los resultados as obtenidos el menor. Este ser el nico TL del evento N. Los
dems valores obtenidos son irrelevantes y no se volvern a considerar.
Los valores TL as obtenidos, se escribirn en el Diagrama de Flechas debajo del respectivo evento.
El camino crtico es aquella secuencia de actividades, desde el primer evento hasta el ltimo, en la
que los eventos disponen de la holgura mnima.
Se identificar en el Diagrama de Flechas, el camino crtico, sealando las actividades que lo
constituyen con lneas ms gruesas.
Pgina 76
Pgina 77
Cartas de control
En 1924 WALTER SHEWHART realiz experimentos y desarroll las Cartas de Control en la planta
telefnica Western Electric de los los Bell Labs, las cuales tienen las siguientes caractersticas:
15
LCS
Promedio
LCI
Perfil
10
5
0
Fig. 1.41 Carta de control
LSC = Lmite superior de control
LC = Lnea central
LIC = Lmite inferior de control
Fig. 1.4 Carta de control de Shewhart y sus lmites de control
La carta de control es una tcnica muy til para el monitoreo de los procesos, cuando se presentan
variaciones anormales donde las medias o los rangos salen de los lmites de control, es seal de
Pgina 78
que se debe tomar accin para remover esa fuente de variabilidad anormal. Su uso sistemtico
proporciona un excelente medio para reducir la variabilidad.
Diseo de experimentos
Un experimento diseado es muy til para descubrir las variables clave que tienen influencia en las
caractersticas de calidad de inters del proceso. Es un mtodo para variar en forma sistemtica
los factores controlables del proceso y determinar los efectos que tienen esos factores en los
parmetros finales del producto. Permite reducir la variabilidad en la caracterstica de calidad y en
determinar los niveles ms adecuados de los factores controlables que optimicen el desempeo
del proceso. Fisher inicia el desarrollo del diseo de experimentos en la agricultura en Inglaterra
en los aos 1920s.
ENTRADAS CONTROLABLES
X1
X2
XP
CARACT.DE CALIDAD
PROCESO
Materias primas,
Componentes, etc.
Z1
Z2
ZQ
ENTRADAS NO CONTROLABLES
El principal mtodo para disear experimentos es el diseo factorial, en el cual los factores son
variados de tal forma de probar todas las posibles combinaciones de los niveles de los factores.
Pgina 79
Una vez que se han identificado las variables que afectan el desempeo del proceso, normalmente
es necesario modelar la relacin entre estas variables y la caracterstica de calidad de inters. Para
lo cual se puede utilizar el anlisis de regresin.
El monitoreo en el proceso de las variables relevantes que afectan las caractersticas de calidad se
hace por medio de cartas de control.
Muestreo de aceptacin
Est relacionado con la inspeccin y prueba del producto, donde se selecciona e inspecciona una
muestra aleatoria de un lote mayor, resultando en una aceptacin o rechazo de ese lote mayor,
esto ocurre en la recepcin de materias primas y componentes y en el producto terminado.
Se puede aplicar presin sobre la calidad de los lotes de proveedores ya que con una pequea
muestra puede ser rechazado el total de us lote.
LOTE
MUESTRA ALEATORIA
a) INSPECCIN EN LINEA
ENVIO
INSPECCION
PROCESO
CLIENTE
b) INSPECCION DE RECIBO
ENVIO
INSPECCION
PROCESO
c) INSPECCION RECTIFICADORA
CLIENTE
ACEPTAR ENVIO
CLIENTE
PROCESO
INSPECCION
RECHAZO
RETRAB
AJO
SCRAP
DISPOSICIN DE LOTES
Pgina 81
En el transcurso del tiempo, las tres tcnicas estadsticas anteriores han tenido la evolucin
siguiente:
100%
MUESTREO DE
ACEPTACION
CONTROL DE PROCESO
DISEO DE
EXPERIMENTOS
0%
Tiempo
Fig. 1.45 Evolucin de la aplicacin de mtodos estadsticos
La filosofa de Deming y Juran implica que la responsabilidad por la calidad se expande a toda la
organizacin, sin embargo para no caer en el error de que la responsabilidad de todos es la de
nadie, la calidad debe planearse.
Deming impulso el uso del CEP y los mtodos estadsticos en Japn para la reduccin de la
variabilidad y mejora continua de calidad, con sus 14 recomendaciones a la direccin.
Pgina 82
C
l
i
e
n
t
e
R
e
q
u
e
r
i
m
i
e
n
t
o
s
Responsabilidad
de la Direccin
Medicin,
anlisis,
mejora
Administracin
de Recursos
Entrada
Realizacin
del Producto
(y/o servicio)
Salida
S
a
t
i
s
Informacin f
a
c
c
Producto
i
/
o
Servicio
n
Costos de calidad
Son costos asociados con producir, identificar, evitar o reparar productos que no cumplan
especificaciones. Normalmente se clasifican en cuatro categoras: Prevencin, Apreciacin, Falla
interna y Falla externa, algunos de los elementos que incluyen son los siguientes:
Costos de prevencin
Scrap o desperdicio
Retrabajos
Re-inspeccin
Control de proceso
Anlisis de falla
Entrenamiento
Ineficiencias
Descuentos
Pgina 83
Costos de apreciacin
Atencin de quejas
Producto regresado
Costos legales
Costos de prevencin
Son los costos asociados con los esfuerzos de diseo y manufactura enfocados a la prevencin de
defectos, de tal forma de hacer bien las cosas a la primera vez.
Costos de apreciacin
Son los costos asociados con la medicin, evaluacin, o auditora a productos, componentes y
materiales comprados para asegurar su conformancia a los estndares establecidos.
Pgina 84
TAMAO
TAMAO
TAMAO
TAMAO
Pero ellas forman un patrn, tal que si es estable, se denomina distr. Normal
SIZE
TAMAO
TAMAO
TAMAO
DISPERSIN
TAMAO
FORMA
TAMAO
. . . O TODA COMBINACIN DE STAS
Pgina 85
Muchos eventos reales y naturales tienen una distribucin de frecuencias cuya forma es muy
parecida a la distribucin normal. La distribucin normal es llamada tambin campana de Gauss
por su forma acampanada.
Cuando se incluyen todos los datos de un proceso o poblacin, sus parmetros se indican con
letras griegas, tales como: promedio o media = (mu), y desviacin estndar (indicador de la
dispersin de los datos) = (sigma).
La desviacin estndar
sigma representa la
distancia de la media al
punto de inflexin de la
curva normal
X
x-3
x-2
x-
x+
x+2
x+3
z
-3
-2
-1
Pgina 86
Curvas
Curvas Normales
Normales con
con Medias
Medias iguales
iguales pero
pero
Desviaciones
Desviaciones estndar
estndar diferentes
diferentes
3.9
3.9
== 5.0
5.0
=
= 5,
5, == 33
== 9,
9, =
= 66
== 14,
14, == 10
10
LIE
LSE
Pgina 87
Existe una relacin del porcentaje de probabilidad o rea bajo la curva normal a la desviacin
estndar. En la figura observamos por ejemplo que el rea bajo la curva para 1 tiene un
porcentaje de 68.26%, 2 = 95.46% y
3 99.73% .
La primera tabla sirve para determinar el rea o probabilidad que se encuentra fuera de los lmites
de especificaciones. La segunda tabla proporciona valores de rea bajo la curva para Zs mayores a
cero. En cada una se muestran ejemplos de su uso.
Pgina 88
Ejemplo 2.1
a) Determinar el rea bajo la curva de menos infinito a Z = - 1.
P(Z<= -1) = 0.1587
b) Determinar el rea bajo la curva de menos infinito a Z = - 2.
P(Z<= - 2) = 0.0228
c) Determinar el rea bajo la curva entre Z >= -2. hasta Z <= -1
P(- 2 <= Z<= -1) = 0.1359
Pgina 89
Ejemplo 2.2
a) Determinar el rea bajo la curva de menos infinito a Z = 1.
P(Z <= 1) = 0.8413
b) Determinar el rea bajo la curva de menos infinito a Z = 2.
P(Z <= 2) = 0.9772 8
c) Determinar el rea bajo la curva de menos Z = 1 a Z = 2
P(1 <= Z <= 2) = 0.9772 0.8413 = 0.1369
Pgina 90
EJERCICIO 2.1:
Qu porcentaje del rea bajo la curva normal estndar o probabilidad est incluido dentro de los
siguientes rangos?
a) P(1.2 <= Z <= 2.2) = P(Z <= 2.2) P(Z <= 1.2) =
b) P(-2.1 <= Z <= -0.4) = P(Z <= - 0.4) P(Z <= -2.1) =
c) P( -1.3 <= Z <= 2.7) = P(Z <= 2.7) P(Z <= -1.3) =
d) P( Z >= 2.4) = P(Z <= -2.4) =
e) P( Z<=-2.9) + P(Z>= 3.1) = P(Z <= -2.9) + P(Z <= -3.1) =
f) P(Z>= 1.9) = P(Z <= -1.9) =
X X
s
Ejemplo 2.3 El departamento de personal de una empresa requiere que los solicitantes a un
puesto en cierta prueba alcancen una calificacin de 500. Si las calificaciones de la prueba se
distribuyen normalmente con media 485 y desviacin estndar 30 Qu porcentaje de
los solicitantes pasar la prueba?
500 485
0.5
30
Buscamos el valor correspondiente Z en las tablas de distribucin normal estndar o por medio de
Excel =distr.norm.estand(0.5). Z0.5 = 0.69146 = 69.146%. donde la probabilidad de que la
Pgina 91
calificacin sea menor a 500 es P (X <= 500). Dado que el porcentaje pedido es
P( X 500)
la
solucin es 1-0.69146 =0.3085, por tanto slo 30.85% de los participantes pasarn la prueba.
Otra forma es tomando la Z como negativa con P(Z <= -0.5) = 0.3085.
485
30.85%
Z.05
Fig. 2.6 rea bajo la curva de Distribucin normal
Ejemplo 2.4 Suponga que un proceso tiene una distribucin normal dada tiene una media de 20 y
una desviacin estndar de 4. Calcule la probabilidad
P (X >=24) = 1 P(X <= 24) =
Fig. 2.7 Clculo del rea bajo la curva normal sin requerir Z
El resultado de la frmula = 0.8413. , dado que esta es la probabilidad P(X 24), la probabilidad
buscada es: P(X > 24) = 1 - 0.8413= 0.1587
Pgina 92
EJERCICIO 2.2:
Un producto tiene un peso promedio de 75 Kgs. con una desviacin estndar de 10Kgs.
Generar 100 datos aleatorios en Minitab con Media = 264.6 y Desviacin estndar S = 32.02 con:
1. Calc > Random data > Normal
2. Generate 100 Store in columns C1 Mean 264.06 Estandar deviation 32.02 OK
Nos aseguramos que los datos se distribuyan normalmente con la prueba de Anderson Darling o
Ryan Joiner como sigue:
El P value debe ser mayor a 0.05 para que los datos se distribuyan normalmente
Pgina 93
99.9
Mean
StDev
N
RJ
P-Value
99
Percent
95
90
269.3
30.72
100
0.994
>0.100
80
70
60
50
40
30
20
10
5
1
0.1
150
200
250
Datos
300
350
99.9
Mean
StDev
N
AD
P-Value
99
Percent
95
90
269.3
30.72
100
0.317
0.533
80
70
60
50
40
30
20
10
5
1
0.1
150
200
250
300
350
400
Datos
Pgina 94
Alfa a veces se denomina riesgo del productor, denotando la probabilidad de que un lote bueno o
un proceso que produce partes aceptables en relacin a una caracterstica de calidad sea
rechazado.
Beta a veces se denomina riesgo del consumidor denotando la probabilidad de aceptar lotes de
calidad pobre, o permitiendo que un proceso contine operando de manera insatisfactoria
respecto a una caracterstica de calidad.
El procedimiento general para pruebas de hiptesis es especificar una probabilidad de error tipo I
o , y disear un procedimiento de prueba que minimice la probabilidad de error tipo II.
Tomando como estadstico de prueba Zc, y asumiendo que sigue una distribucin normal N(0,1).
Pgina 95
Z c X 0
(2.6)
Para encontrar la probabilidad de error tipo II, se debe asumir que Ho es falsa y entonces hallar la
distribucin de Zc. Suponiendo que la media de la distribucin realmente es:
1 = 0 +
con > 0
Zc N
,1
n
BAJO H0
- Z/2
BAJO H1
Z/2
Zc = n /
La probabilidad del error tipo II es la probabilidad de que Zc se encuentre entre - Z/2 y Z/2 dado
que la hiptesis alterna es verdadera.
Para evaluar esta probabilidad, se evaluan F(Z/2) ) F(-Z/2), donde F es la distribucin acumulativa
normal estndar. La probabilidad de error tipo II es (funciona igual para cuando < 0):
n
n
Z / 2
Z / 2
(2.7)
Ejemplo 2.5: si los estndares especifican que la media de una lata de caf es de 16.0 oz., y de
acuerdo a la experiencia se sabe que la desviacin estndar del contenido es de 0.1 oz. Las
hiptesis son:
Pgina 96
Ho: = 16.0
Ho: 16.0
Asumiendo una probabilidad de error tipo I de 0.05 y tomando una muestra de 9 latas, se tiene
que el estadstico de prueba es:
Z 0 X 16
0.1
9
Suponiendo que se desea encontrar la probabilidad del error tipo II si el valor verdadero de la
media es 1 =16.1 implicando que = 16.1 16.0 = 0.1, se tiene:
n
n
Z / 2
Z / 2
0.1 9
0.1 9
1.96
1.96
0.1
0.1
= (- 1.4 ) - ( -4.96 )
= 0.1492
Pgina 97
1. Entre mayor sea el valor de , se reduce la probabilidad de error tipo II para una n y dadas.
Es decir que la prueba detecta ms fcilmente grandes diferencias.
2. Conforme se incrementa n, la probabilidad de error tipo II es ms pequeo para una y
dadas. Es decir que la prueba se hace ms potente si se incrementa el tamao de muestra.
Las cartas de control fueron desarrolladas por el Dr. Walter A. Shewhart de los Bell Telephone
Labs., se denominan Cartas de Control de Shewhart y se usan para el monitoreo del proceso en
lnea. A continuacin se explica la teora de variabilidad de Shewhart.
Existen otras fuentes de variabilidad que pueden ser causadas por mquinas, errores de
operadores o materiales defectuosos. Esta variabilidad es muy grande en relacin con la
variabilidad natural y es originada por causas especiales o asignables haciendo que el proceso
opere fuera de control estadstico (ver pgina siguiente).
El Objetivo del CEP es la deteccin oportuna de la ocurrencia de causas especiales para tomar
acciones correctivas antes de que se produzcan unidades defectivas o no conformes, para esto se
utilizan las cartas de control en lnea, permitiendo tambin la estimacin de la capacidad o
habilidad del proceso y la reduccin continua de la variabilidad hasta donde sea posible.
Pgina 98
LSC
LC
Tiempo
LIC
Un punto que se encuentre fuera de los lmites de control mostrar evidencia que el proceso est
fuera de control y ser necesario una investigacin de la causa especial y la accin correctiva
necesaria para eliminarla. Tambin se tendr un alto riesgo de situacin fuera de control si los
puntos se agrupan es forma sistemtica dentro de los lmites de control o muestran una
tendencia.
Por ejemplo, la carta de control de medias prueba la hiptesis de que la media del proceso est en
control y tiene un valor 0 si un valor de media muestral X i cae dentro de los lmites de control;
de otra forma se concluye que el proceso est fuera de control y que la media del proceso tiene un
valor diferente del de 0, por decir 1, donde 1 0.
Se puede decir que las probabilidades de los errores tipo I y tipo II de la carta de control, son
esquemas de prueba de hiptesis para analizar el desempeo de las cartas de control.
Pgina 99
La probabilidad del error tipo I de la carta de control se presenta cuando se concluye que el
proceso est fuera de control cuando en realidad no lo est.
Ejemplo 2.6: Para el caso de pistones, evaluando la caracterstica de calidad de dimetro interno
del anillo. Si la media del proceso es 74 y la desviacin estndar es de 0.01mm, con un tamao de
muestra de n=5, se tiene:
.01
0.0045
5
Asumiendo que el proceso est en control y de acuerdo al teorema del lmite central se asume que
las medias X i se distribuyen normalmente, se debe espera que el 100(1- )% se encuentren entre
74 Z/2 (0.0045).
74.0135
74
74.9865
Tiempo
Pgina 100
Se puede definir un modelo general para una carta de control, si w es un estadstico muestral que
mide alguna caracterstica de calidad de inters y asumiendo que su media es w con desviacin
estndar w se tiene:
LSC = w + Lw
(2.8)
LC = w
LIC = w - Lw
Pgina 101
DISTRIBUCION
DE LAS MEDIAS
X 0.0045
Para identificar y eliminar las causas asignables, es importante encontrar las causas raz del
problema y atacarlas para lo cual se puede utilizar el Plan de accin para situaciones fuera de
control OCAP, activado con la ocurrencia de cada evento. Incluye Puntos de chequeo que son
causas potenciales asignables y terminadores que son las acciones que resuelven la situacin fuera
de control. Este documento OCAP es un documento vivo que debe ser actualizado
constantemente.
ENTRADA
PROCESO
SALIDA
SISTEMA DE
EVALUACIN
Verificacin
y seguimiento
Deteccin de causa
asignable
Implantar
Accin
Correctiva
Identificar causa
raz del problema
Pgina 102
La carta de control es un dispositivo de estimacin de parmetros del proceso una vez que exhibe
control estadstico, se puede estimar la media, varianza, proporcin, etc. que pueden ser utilizados
para determinar la capacidad de los procesos para producir productos aceptables, base de
decisiones gerenciales y contractuales.
Las cartas de control pueden ser clasificadas en dos clases: por atributos y por variables
dependiendo de cmo se evale la caracterstica de calidad.
Si la caracterstica de calidad se puede evaluar y expresar como un nmero real en alguna escala
de medicin continua, se denomina una variable. En tales casos se utilizan cartas de control de
medias, que describan la tendencia central y cartas de control basadas en rango o desviacin
estndar para controlar la variabilidad del proceso.
Muchas caractersticas de calidad no pueden ser medidas en una escala continua, en esos casos se
puede juzgar cada producto como conforme o como no conforme sobre la base de que posea o no
ciertos atributos, o se pueden contar el nmero de no conformidades o defectos que aparecen en
una unidad de producto. Las cartas de control para tales caractersticas de calidad, se denominan
cartas de control por atributos.
Si se incrementa el tamao de muestra, decrece la probabilidad del error tipo II, aunque el diseo
de la carta de control tambin debe tomar consideraciones econmicas considerando los costos
de muestreo, prdidas por fabricar productos defectuosos y costo de investigar indicaciones fuera
de control que son falsas alarmas.
Otra consideracin en el uso de cartas de control es el tipo de variabilidad exhibida por el proceso:
Pgina 103
1. Procesos estacionarios: los datos del proceso varan alrededor de una media fija de una manera
fija y estable. Es decir se tiene un proceso en control de acuerdo a Shewhart es el rea de
aplicacin de las cartas de control ms efectivo.
Las cartas de control han sido muy populares por las siguientes razones:
1. Son una herramienta probada para mejorar la productividad. Su aplicacin exitosa ayuda a
reducir desperdicios y retrabajos, que son factores que reducen la productividad (productos
buenos por hora).
2. Son efectivas como herramientas de prevencin de defectos. Apoyan el concepto de hacerlo
bien a la primera vez, es ms costoso seleccionar productos buenos en un lote con productos
defectuosos, que fabricarlos bien desde el principio.
3. Evitan que se hagan ajustes innecesarios en el proceso. Apoyan el concepto de si no esta mal,
no lo arregles, ya que identifican las causas comunes de las especiales, evitan que se hagan
ajustes cuando slo se estn teniendo variaciones aleatorias en el proceso.
4. Proporcionan informacin de diagnstico. Proporcionan un patrn de puntos que permite la
toma de decisiones para la mejora del proceso, al operador o al ingeniero experimentado.
Pgina 104
Abriendo los lmites de control decrece riesgo de error tipo I (falsa alarma) sin embargo se
incrementa el riego de error tipo II y viceversa. Con lmites de control de 3-sigma la probabilidad
de error tipo I es de 0.0027. Si se selecciona el nivel de riesgo de error tipo I en 0.002 o 0.001 en
cada lado, se tienen los lmites de control a una distancia de 3.09-sigmas y los lmites de control
sern:
Pgina 105
desventaja es que crean confusin con el personal y se incrementa el riesgo de error tipo I (falsas
alarmas).
ARL
1
p
(2.9)
donde p es la probabilidad de que un punto exceda los lmites de control. Para el caso de 3-sigma
p=0.0027 y el ARL0 = 370. Es decir que si el proceso est en control, se generar un punto fuera de
control como falsa alarma cada 370 puntos.
Si se toman muestras en intervalos fijos de tiempo en horas (h), entonces aparecer una falsa
alarma cada tiempo promedio de indicacin (ATS) en horas.
ATS ARLh
(2.10)
En el ejemplo si se toman muestras cada hora, se genera una falsa alarma cada 370 horas.
Pgina 106
Para evaluar que tan efectiva es la carta para detectar corrimientos en la media del proceso, se
utilizan las curvas caractersticas de operacin. Por ejemplo, si n=5 y la media se corre de
74.015mm, la probabilidad de que un punto caiga dentro de los lmites de control es
aproximadamente 0.50, por tanto utilizando p=0.50, se puede calcular el ARL1 para una situacin
fuera de control como sigue:
ARL1
1
1
2
p 0.5
Esto significa que el proceso requiere 2 muestras antes de detectar el corrimiento. Si el muestreo
se hace cada hora, el ATS = 2 h, si esto fuera inaceptable, se podran tomar muestras ms
frecuentes por ejemplo cada media hora o incrementar el tamao de muestra. Si n=10, de la curva
caracterstica de operacin se observa que p=0.9 y el ARL1 = 1.11 y el ATS = 1.11 h, lo cual puede
ser ms aceptable.
Diseo 1
Diseo 2
n=5
n = 10
Subgrupos racionales
La idea fundamental en las cartas de control es colectar los datos de la muestra de acuerdo al
concepto de subgrupo racional es decir que el subgrupo debe seleccionarse de tal forma que si
estn presentes causas asignables, la diferencia entre los subgrupos sea maximizada, minimizando
la diferencia dentro del subgrupo.
Pgina 107
El tiempo en que se tomen las muestras es una buena base para formar subgrupos, evitando que
algunas observaciones se tomen al final de un turno y las restantes al inicio del siguiente ya que
ocasiona diferencias dentro del subgrupo.
En general una racha o corrida es una secuencia de observaciones del mismo tipo. Adems de las
corridas ascendentes o descendentes, se encuentran las que estn por debajo o sobre la media.
Dado que una corrida de 8 o ms puntos tiene una probabilidad de ocurrencia muy baja, se
considera que una racha o corrida con una longitud de 8 puntos indica una condicin fuera de
control.
Otro patrn de inestabilidad se presenta cuando el comportamiento del proceso muestra patrones
cclicos.
Pgina 108
En el libro de la Western Electric (1956) se recomiendan las reglas siguientes para detectar
patrones no aleatorios en las cartas de control:
Debe tenerse cuidado de no exagerar en la aplicacin de las reglas ya que se pueden tener muchas
falsas alarmas quitndole efectividad al programa del CEP.
Pgina 109
El CEP no sirve si se implanta y despus no se mantiene, ya que la mejora continua debe ser parte
de la cultura de la organizacin.
Para su implantacin es necesario el liderazgo gerencia y el trabajo en equipo, as como evaluar los
avances y comunicarlos a la organizacin, lo cual puede motivar a mejorar otros procesos.
1. Liderazgo gerencial
2. Un enfoque de grupo de trabajo
3. Educacin y entrenamiento de empleados en todos los niveles
4. nfasis en la mejora continua
5. Un mecanismo para reconocer el xito y comunicacin hacia la organizacin.
Pgina 110
LIE
MEDIA
LSE
LIE
MEDIA
MEDIA CORRIDA
LSE
LIE
MEDIA
LSE
DESVIACION ESTANDAR
MAYOR A LA REQUERIDA
Xi = /
n , y siendo que la probabilidad 1- de que cualquier media muestral caer entre los lmites:
Pgina 111
Z / 2 X Z / 2
(3.1)
Z / 2 X Z / 2
X
i 1
(3.2)
R = xmax xmin
(3.3)
Si R1, R2, ....., Rm , son los rangos de los diferentes subgrupos, el rango promedio es:
R
i 1
(3.4)
Pgina 112
La variable W de rango relativo relaciona al rango con la desviacin estndar como sigue:
W=R/
(3.5)
R
d2
(3.6)
LSC X
LIC X
3R
d2 n
3R
d2 n
Si de define a
(3.7)
A2
3R
d2 n
LSC = X + A2 R
(3.8)
LIC = X - A2 R
Pgina 113
Para el caso de los rangos, la lnea central es R . El estimador para R puede hallarse de la
distribucin del rango relativo W = R / , si la desviacin estndar de W es d3 en funcin de n, se
tiene:
R=W
(3.9)
R d3
R
d2
(3.10)
LSC = R + 3 R = R + 3 d 3
LIC = R - 3 R = R - 3 d 3
d
R
= R [ 1+ 3 3 ] = D4 R
d2
d2
(3.11)
d
R
= R [ 1- 3 3 ] = D3 R
d2
d2
A2
D3
D4
d2
2
3
4
5
6
7
8
9
10
1.88
1.023
0.072
0.577
0.483
0.419
0.373
0.337
0.308
0
0
0
0
0
0.076
0.136
0.184
0.223
3.267
2.574
2.282
2.115
2.004
1.924
1.864
1.816
1.777
1.128
1.693
2.059
2.326
2.534
2.704
2.847
2.97
3.078
Para valores pequeos de n, el rango es un buen estimador de la varianza tal como lo hace la
varianza de la muestra S2. La eficiencia relativa del mtodo del rango a la S2 se muestra abajo:
Pgina 114
n
2
Eficiencia
Relativa
1.000
0.992
0.975
0.955
0.930
10
0.850
Para n >= 10 el rango pierde eficiencia rpidamente ya que ignora los valores intermedios entre
xmax y xmin sin embargo para valores pequeos de n (4,5 o 6) empleados en las cartas de control, es
adecuado. Para cuando n>10 se utiliza la desviacin estndar en vez del rango.
EQUIPO DE MEDICIN
La resolucin del equipo debe ser de al menos 1/10 de la tolerancia y debe tener habilidad para
realizar la medicin con un error por Repetibilidad y Reproducibilidad (R&R) menor al 10% (ver
procedimiento de estudios R&R).
LIMITES PRELIMINARES
Siempre que un proceso este siendo analizado a travs de una carta de control, es muy importante
llevar una bitcora registrando todos los cambios (tiempo y descripcin) conforme ocurran, por
ejemplo: cambio de turno, cambio de materiales, ajuste de mquina, interrupcin de energa,
arranque de mquina, etc. Con objeto de identificar las causas asignables en caso de presentarse
para la toma de acciones correctivas.
Al iniciar una carta de control tomando m subgrupos (20 a 25) se calculan y grafican los lmites de
control preliminares para determinar si el proceso estuvo en control (ver procedimiento de
Grficas de Control). Para probar esta hiptesis, se analizan todos los puntos graficados y se hace
un anlisis para identificar si hay puntos fuera de los lmites de control o patrones anormales de
comportamiento, si as fuera, los lmites de control preliminares se pueden utilizar para el control
futuro del proceso.
Pgina 115
Si no se prueba la hiptesis de que el proceso est en control, por algn patrn de anormalidad
presente, se determina la causa especial de la anormalidad, se toman acciones correctiva para que
no vuelva a presentar, se eliminan los puntos correspondientes al patrn de anormalidad y se recalculan o revisan los lmites de control. Se analiza la carta de control para observar un
comportamiento aleatorio, si aun no se tiene, se repite el proceso anterior hasta lograrlo. Una vez
teniendo todos los puntos en control, los nuevos lmites de control ms cerrados que los
originales se utilizan para el control futuro del proceso.
Cuando no sea posible encontrar causas especiales para los patrones de anormalidad o puntos
fuera de control, no se eliminan y se consideran para la determinacin de los lmites de control
revisados para el control futuro del proceso.
LSC
LC
LIC
Fig. 3.2 Patrn de anormalidad cclico
Mezclas de lotes: Se presenta cuando los puntos graficados se localizan cerca o fuera de los lmites
de control, con muy pocos puntos cerca de la lnea central, puede ser causada por un sobre
control de los operadores sobre el proceso o cuando se toman productos de varias fuentes con
diferente media.
Pgina 116
LSC
LC
LIC
Corrimiento en la media del proceso. Esto puede ser generado por un cambio en mtodos,
operadores, materias primas, mtodos de inspeccin, etc.
LSC
LC
LIC
LC
LIC
Fig. 3.5 Patrn de anormalidad de tendencia ascendente
Pgina 117
Estratificacin: Se muestra como una adhesin a la media, puede ser causado por lmites mal
calculados, tomar piezas de procesos diferentes o falta de resolucin del equipo de medicin.
LSC
LC
LIC
Por lo general la carta R es ms sensible a cambios en la normalidad de los procesos, por ejemplo
cuando n = 4 el error tipo I no es 0.00027 sino 0.00461.
Cuatro de cinco puntos a ms de una sigma de la lnea central del mismo lado.
Ejemplo 3.1 Para el caso de anillos de pistones de automvil, se desea establecer un control
estadstico para el dimetro interno de los anillos, a travs de una carta de medias-rangos. Se
toman 25 subgrupos de 5 piezas cada uno.
El anlisis se inicia con la carta R ya que los lmites para la carta X dependen de la variabilidad del
proceso, y a menos que esta variabilidad se encuentre en control, esos lmites tendrn poco
significado.
Pgina 118
De las cartas de control se calcula un rango promedio R de 0.023mm (ver tabla de constantes
para D3 y D4 con n=5):
Si la carta de control para R se encuentra en control estadstico, se puede ahora calcular los lmites
para la carta X donde la lnea central X es 74.001 (ver tabla de constantes para obtener el
valor de A2 con n=5).
control, se puede concluir que el proceso est en control y se pueden adoptar los lmites actuales
para el control futuro del proceso.
Ejemplo 3.2: Se toman datos de la dimensin crtica de una parte, con el proceso corriendo
normalmente, en 25 subgrupos de tamao n=5, uno cada hora:
X11
X12
X13
X14
X15
138.1
149.3
115.9
118.5
108.2
102.8
120.4
132.7
136.4
135.0
139.6
125.3
145.7
110.8
142.1
135.6
116.5
123.8
112.0
84.3
151.1
126.2
115.4
127.9
160.2
101.8
138.7
105.0
124.2
130.2
117.1
135.0
112.8
124.0
154.7
149.1
151.1
130.4
149.5
137.4
134.0
155.0
122.6
142.4
135.0
118.5
123.9
127.1
138.3
143.7
152.4
113.3
125.4
92.3
117.4
100.2
150.9
145.8
119.3
105.1
173.2
130.4
110.5
165.1
151.8
Pgina 119
27.9
57.0
39.1
30.0
42.7
43.0
36.1
46.0
47.0
33.7
40.6
39.8
50.0
12.1
24.7
16.2
11.1
17.7
17.9
15.2
16.7
20.2
12.3
15.9
17.9
23.2
139.0
114.6
101.0
135.3
97.3
150.0
138.3
131.9
165.1
154.6
121.5
130.5
161.6
119.6
140.2
113.8
120.2
147.9
109.0
148.4
151.8
141.1
139.6
117.3
105.0
150.5
154.2
142.7
138.2
128.6
127.7
127.1
123.4
147.5
139.4
9.2
55.0
53.6
42.9
53.2
38.2
32.2
3.6
23.5
21.8
16.0
20.7
14.4
12.1
Sample M ean
150
140
_
_
X=130.88
130
120
110
LC L=107.31
1
11
Sample
13
15
17
19
U C L=86.40
Sample Range
80
60
_
R=40.86
40
20
0
LC L=0
1
11
Sample
13
15
17
19
El proceso se observa en control estadstico, con estos lmites de control calculados, se contina
corriendo el proceso para otros 10 datos con el comportamiento siguiente:
X11
131.0
X12
184.8
X13
182.2
X14
143.3
X15
212.8
Pgina 120
Medias
170.82
Rangos
81.8
Desv. Est.
33.2801
193.2
170.2
154.2
174.3
180.2
143.9
186.7
143.6
191.7
180.7
168.4
169.1
166.2
149.2
157.5
142.4
132.8
203.4
169.1
202.7
142.2
155.5
175.2
171.8
159.4
168.9
150.4
174.3
174.4
161.9
184.3
185.0
194.9
167.6
177.2
196.3
179.72
174.1
156.98
179.32
175.3
167.18
166.86
157.02
182.78
24.1
47.9
26.9
60.8
37.7
51
44.3
44.4
53
9.0461
17.5943
9.9693
23.222
15.2797
18.8798
17.1516
18.3454
21.5062
180
Sample M ean
1
1
1
1
U C L=169.04
165
_
_
X=144.26
150
135
120
LC L=119.47
1
1
10
13
16
Sample
19
22
25
28
U C L=90.9
Sample Range
80
60
_
R=43.0
40
20
0
LC L=0
1
10
13
16
Sample
19
22
25
28
Suponiendo que se identificaron las causas asignables responsables de los puntos fuera de control
identificados en la carta de medias y que se hicieron ajustes al proceso para corregirlo, se tomaron
otros diez datos con los resultados siguientes:
X11
131.5
111.0
129.8
145.2
114.6
X12
143.1
127.3
98.3
132.8
111.0
X13
118.5
110.4
134.0
106.1
108.8
X14
103.2
91.0
105.1
131.0
177.5
X15
121.6
143.9
133.1
99.2
121.6
Pgina 121
Medias
123.6
116.7
120.1
122.9
126.7
Rangos
39.9
52.9
35.7
46.0
68.7
86.4
109.5
114.0
156.3
148.7
64.4
84.9
135.4
119.7
127.4
137.1
129.8
83.2
96.2
125.0
117.5
110.6
107.6
153.0
127.2
106.1
116.1
112.8
122.2
127.1
72.7
61.0
52.2
70.5
41.3
Sample M ean
U C L=153.18
140
_
_
X=127.06
120
LC L=100.95
100
1
10
13
16
Sample
19
22
25
28
Sample Range
100
U C L=95.7
75
_
R=45.3
50
25
0
LC L=0
1
10
13
16
Sample
19
22
25
28
Fig. 3.9 Cartas de control con causas identificadas y eliminadas de puntos anormales
Ejemplo 3.3 Se considera otro ejemplo con los datos individuales siguientes, procesados con el
paquete Minitab:
HORA
X1
X2
X3
X4
X5
Medias
Rangos
1
2
3
4
5
6
7
8
9
-30
0
-50
-10
20
0
0
70
0
50
50
10
-10
-40
0
0
-30
0
-20
-60
20
30
50
40
20
30
20
10
-20
30
-20
20
-40
-20
-10
-20
30
30
20
50
10
20
-10
0
10
8
0
6
8
12
4
-2
12
2
80
110
80
70
90
80
40
100
40
Pgina 122
10
40
30
30
30
10
0
20
10
50
50
20
0
20
-30
-10
-10
0
20
-20
-10
0
30
20
30
0
50
50
30
30
50
40
0
10
0
10
10
-10
40
-10
30
30
20
30
50
20
40
10
-30
0
0
-20
10
0
10
24
16
26
4
6
18
4
16
16
20
18
40
40
30
60
80
60
40
50
70
60
50
Sample M ean
40
20
_
_
X=10.9
0
-20
LC L=-25.73
1
11
Sample
13
15
17
19
150
Sample Range
U C L=134.3
100
_
R=63.5
50
LC L=0
1
11
Sample
13
15
17
19
Se realizan pruebas de normalidad a las medias y a los rangos para ver si se tienen un proceso
normal:
Pgina 123
99
Mean
StDev
N
AD
P-Value
95
90
10.9
8.065
20
0.355
0.425
Percent
80
70
60
50
40
30
20
10
5
-10
10
Medias
20
30
99
Mean
StDev
N
AD
P-Value
95
90
63.5
22.54
20
0.478
0.210
Percent
80
70
60
50
40
30
20
10
5
20
40
60
Rangos
80
100
120
e
Por las pruebas de normalidad de rangos y medias, se deduce que el proceso est en Control
Estadstico (en ambos casos el P value es mayor a 0.05).
Pgina 124
Ejemplo 3.4 Para elaborar la carta, inicialmente se toman al menos 25 subgrupos con
muestras de cinco partes cada cierto periodo (por ejemplo cada hora).
Se toman varios datos de hilos y se construye una carta de medias rangos con m =
subgrupos, donde el rango se calcula tomando el valor mayor menos el valor menor del
subgrupo, con n = 5.
Por ejemplo:
Variables
X1
X2
X3
X4
X5
Media
Rango
Subgrupo
1
2
4
3
5
1
09:00 a.m.
3
4
Subgrupo
2
5
3
6
7
4
10:00 a.m.
5
4
Subgrupo
m
3
4
1
5
2
11:00 a.m.
3
4
Se obtiene una media de medias X y un rango promedio R, para proceder a determinar los
lmites de control como sigue:
LSC = X + 0.577x R
LIC = X - 0.577x R
Para el caso de los rangos, la lnea central es R los lmites de control para el rango son:
LSC = 2.114x R
LIC = 0
Se identifican situaciones fuera de control, se investigan las causas y se toman acciones
preventivas para prevenir la reincidencia y se recalculan los lmites de control futuros.
Pgina 125
Sample M ean
U C L=602.474
602
_
_
X=600.23
600
598
LC L=597.986
2
10
Sample
12
14
16
18
20
U C L=8.225
Sample Range
8
6
_
R=3.890
4
2
0
LC L=0
2
10
Sample
12
14
16
18
20
Sample M ean
602
601
_
_
X=599.938
600
599
598
LC L=597.629
2
10
Sample
12
14
16
18
U C L=8.465
Sample Range
8
6
_
R=4.003
4
2
0
LC L=0
2
10
Sample
12
14
16
18
Ejercicio Hacer una carta X-R utilizando las fichas de ejemplo por equipos.
Pgina 126
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
INSTRUCCIONES
CAUSAS DE NO
REGISTRO
% Z Inf.:
CPK:
A2
D4
D3
B4
2.33 2.09
2.06 2.27
1.70 2.57
1.13 3.27
d2
CONSTANTES
A) Fin de corrida de
produccin
B) Falta de material
C) Ajuste de lnea / mquina
D) Cambio de modelo
E) Fin de turno
F) Otro (indicar)
B3
% NC:
% Z Sup.:
Cp. :
5 0.58 2.11
L.I.C. R
TIPO DE EVALUACIN
5
SUMA
L.S.C. R
FRECUENCIA
4 0.73 2.28
MUESTRA
3 1.02 2.57
L.I.C.x
CALIBRADOR
L.S.C.x
CARACTERSTICA
MAQUINA
FECHA DE TERMINO
2 1.88 3.27
L.I.E.
OPERACIN
FECHA DE INICIO
L.S.E.
REA
No. DE GRAFICA
NOMINAL
No. DE PARTE
INICIALES
UNIDADES
HORA
NOMBRE DE PARTE
PROMEDIOS
RANGOS
Pgina 127
FECHA
LECTURAS
R
0.023
=
= 0.0099
d2
2.326
Donde el valor de d2 se encuentra en las tablas de constantes para una n=5. Si la especificacin de
los anillos de pistones es de 74.000 0.05 mm, se tienen como lmites inferior y superior de
especificaciones los siguientes:
LIE = 73.950
LSE = 74.0500
Los lmites de tolerancia naturales del proceso inferior y superior (LTNI y LTNS) se encuentran a 3sigma del proceso por abajo y por arriba de la media del proceso, o sea en:
LIE LTNI
MEDIA
LTNS LSE
Se observa que los lmites de tolerancia naturales del proceso se encuentran dentro de los lmites
de especificacin, por tanto en principio no se observa que haya partes fuera de especificaciones.
Pgina 128
Otra forma de expresar lo anterior es con el ndice de habilidad potencial Cp (o PCR) siendo:
Cp =
LSE LIE
6
Cp =
74 .05 73 .95
0.10
1.68
6(0.0099 )
0.05984
(3.12)
Caso 1. Si Cp es menor que 1, implica que la banda entre los lmites de tolerancia naturales es
mayor que la banda permitida por los lmites de especificacin.
LTNI LIE
LSE LTNS
Caso 2. Si Cp es igual a 1, implica que las bandas para los lmites de tolerancia natural y de
especificaciones coinciden (aunque para el caos de 3-sigma aun hayan 2700 ppm fuera de
especificaciones).
LIE
LSE
LNTI
LNTS
Caso 3. Si Cp es mayor que 1, implica que la banda entre los lmites de tolerancia natural del
proceso, es menor que la banda permitida por las especificaciones.
Pgina 129
LIE LTNI
LTNS LSE
La fraccin de la banda de las especificaciones utilizada por el proceso se estima como sigue:
CR = (1 / Cp) 100%
(3.13)
73 .950 74 .001
74 .050 74 .001
0.0099
0.0099
= (-5.15) + 1 - (4.04)
0 + 1 0.99998
0.00002
Por lo anterior alrededor de 0.002% o 20 partes por milln (ppm) de los anillos producidos estarn
fuera de especificaciones.
Pgina 130
Ejemplo 3.2 (continuacin...). Para la carta de control de las medias, despus de haber eliminado
las causas especiales y tomado acciones para prevenir su recurrencia, se tiene el clculo de
habilidad como sigue (considerando que los lmites de especificacin son 85 y 175):
USL
P rocess Data
LS L
85
Target
*
USL
175
S ample M ean
127.063
S ample N
150
S tDev (Within)
19.4626
S tDev (O v erall) 19.8965
Within
Overall
P otential (Within) C apability
Cp
0.77
C P L 0.72
C P U 0.82
C pk
0.72
O v erall C apability
Pp
PPL
PPU
P pk
C pm
60
O bserv ed P erformance
P P M < LS L 26666.67
PPM > USL
6666.67
P P M Total
33333.33
80
100
120
140
160
Pgina 131
180
0.75
0.70
0.80
0.70
*
Ejemplo 3.3. Para las cartas X-R se tiene el clculo de la capacidad o habilidad del proceso, una vez
estable (considerando que los lmites de especificacin son -80 y +80):
USL
P rocess Data
LS L
-80
Target
*
USL
80
S ample M ean
10.9
S ample N
100
S tDev (Within)
27.3001
S tDev (O v erall) 25.2301
Within
Overall
P otential (Within) C apability
Cp
0.98
C P L 1.11
C P U 0.84
C pk
0.84
O v erall C apability
Pp
PPL
PPU
P pk
C pm
-60
O bserv ed P erformance
P P M < LS L 0.00
P P M > U S L 0.00
P P M Total
0.00
-30
30
1.06
1.20
0.91
0.91
*
60
Para el clculo de otros ndices que toman en cuenta la posicin de la media, revisar el captulo de
capacidad del proceso o el procedimiento de cartas X R.
Los lmites de control calculados como lmites preliminares, deben ser revisados en forma
peridica que puede ser por semana, mes o cada 25, 50 o 100 puntos dependiendo del proceso en
particular.
Lo recomendable en cada revisin es tomar las acciones necesarias para que la media del proceso
X se acerque cada vez ms a la media de las especificaciones (en caso de ser bilaterales) o se
aleje lo ms posible de la especificacin (en caso de ser unilateral).
Pgina 132
En cada carta de control X o R es necesario identificar las causas especiales que originen
condiciones fuera de control, tomar acciones correctivas para prevenir su reincidencia, eliminar
esos puntos tanto en la carta X como en la carta R y recalcular los lmites de control, para usarse
en el control futuro del proceso.
Es importante hacer notar que no existe ninguna relacin matemtica entre los lmites de
especificacin y los de control o los de tolerancia natural.
SUBGRUPOS RACIONALES
Para el caso de la carta de medias-rangos, los subgrupos se seleccionan de tal forma de minimizar
la variabilidad entre muestras individuales, observando slo su variabilidad aleatoria y
maximizando la posibilidad de detectar corridas en la media del proceso en funcin del tiempo.
De esta forma la carta X monitorea la variabilidad entre subgrupos respecto al tiempo y la carta
R monitorea la variabilidad interna entre muestras en un tiempo dado.
Pgina 133
Los nuevos lmites de control para la carta X son (seleccionando A2 en base al nuevo tamao de
subgrupo nnueva , la lnea central no se cambia):
LSCX = X + A2 [d2 nuevo / d2 ant ] R ant
(3.14)
Para el caso de la carta R los nuevos lmites de control son (seleccionando D3 y D4 para el nuevo
tamao de muestra nnueva):
LSCR = D4 [d2 nuevo / d2 ant ] R ant
(3.15)
De la tabla de constantes se tiene: d2 ant. = 2.326, d2 nueva = 1.693, A2 nueva = 1.023, por tanto los
lmites nuevos son:
Para la carta R, de la tabla de constantes para n=3 se tiene D3 = 0, D4 = 2.578, por tanto:
LIM.SUP.NVO
LIMITES
ANTERIORES
CARTA X
Pgina 134
LIM.INF.NVO.
CARTA R
Como se puede observar el efecto de reducir el tamao de muestra hace que se incremente el
ancho de los lmites de control en la carta X (porque
(3.16)
(3.17)
LIC = 0 - L / n
Pgina 135
La probabilidad de que un punto de X i caiga dentro de lmites de control sabiendo que la media
del proceso ya es 1, es igual a la probabilidad de que el punto se encuentre abajo del lmite
superior (LSC) menos la probabilidad de que se encuentre abajo del lmite inferior de control
(LIC). Considerando la desviacin Estndar de las medias, o sea:
+
( ZLSC, x)
LSC
Xi
LC
( ZLIC, x)
LIC
-
LSC ( 0 k ) LIC ( 0 k )
-
/ n
/ n
Entonces =
0 L / n ( 0 k )
0 L / n ( 0 k )
-
/ n
/ n
(3.18)
=(Lk
n )-(-Lk
n )
(3.19)
Ejemplo 3.4 Para una carta X R con L=3 (lmites a 3-sigma de medias), tamao de muestra n=5,
y se desea determinar el corrimiento a 1
=(32
5 )-(-32
5 )
= (-1.47) - (-7.37)
Pgina 136
= 0.0708
Este es el riesgo o la probabilidad de no detectar tal corrimiento. La probabilidad de s detectarlo
es 1- =
= 1 0.0708 = 0.9292.
Con las frmulas anteriores se construyen las curvas caractersticas de operacin para diferentes
valores de n en funcin de k.
Si n=5 y el corrimiento es de +1, de las curvas OC se tiene que = 0.75 y la probabilidad de
detectar el corrimiento en la segunda muestra se calcula como (1- ) = 0.19, y as sucesivamente.
La longitud de la corrida media es el nmero esperado de muestras antes de que el corrimiento
sea detectado, se denomina ARL o :
ARL =
En este caso
1
1
(3.20)
Para construir la curva OC para la carta de rangos, se utiliza la distribucin del rango relativo
W=R/. Si el valor de la desviacin estndar cuando el proceso est en control es 0, entonces la
curva OC muestra la probabilidad de no detectar un corrimiento a un nuevo valor 1, donde 1>0
, en la primera muestra despus del corrimiento. Se grafica contra = 1/0.
Por ejemplo si = 2 con n=5, slo se tienen una probabilidad del 40% de detectar este corrimiento
en cada muestra subsecuente. Por tanto la carta R tiene poca sensibilidad de detectar pequeos
corrimientos en sigma, para cual se debe usar la carta S con n>10.
La longitud de corrida media para la carta de Shewhart cuando el proceso est en control es:
Pgina 137
(3.21)
(3.22)
De las grficas de ARL anexas, se observa que para detectar un corrimiento de 1.5 con n=3, se
requiere un ARL1 = 3. Se puede reducir el ARL1 a 1 si se incrementa la n=16.
1.
2.
Pgina 138
Sample M ean
40
20
_
_
X=10.9
0
-20
LC L=-25.11
1
11
Sample
13
15
17
19
60
Sample StDev
U C L=52.71
45
30
_
S =25.23
15
0
LC L=0
1
11
Sample
13
15
17
19
2
c4
n 1
1/ 2
(n / 2)
((n 1) / 2)
(3.18)
CASO DE n CONSTANTE
Con esta informacin se pueden establecer los lmites de control para la carta X y S, cuando se
conoce el valor de dado que existe un historial.
LSCs = c4 + 3 1 c4 = B6
LSCX = + A
Pgina 139
(3.20)
= c4
LC =
LICs = c4 - 3 1 c4 = B5
LICX = - A
Los valores para las constantes se encuentran tabuladas para diferentes valores de n en la tabla de
constantes.
1 m
Si
m i 1
(3.21)
__
S
c4
(3.22)
Como el estadstico S /c4 es un estimador insesgado de , los parmetros de la carta sern los
siguientes:
LSCs = S 3
S
1 c 42 = B4 S
c4
(3.23)
LCs = S
LICs = S 3
S
1 c 42 = B3 S
c4
Para el caso de la carta X , cuando S /c4 se una para estimar los lmites de control para esta
carta son:
Pgina 140
LSCx = X + 3
S
c4 n
= X + A3 S
(3.24)
LCx = X
LICx = X - 3
S
= X - A3 S
c4 n
c4
A3
B3
B4
B5
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
0.94
0.9515
0.9594
0.965
0.9693
0.9727
0.9754
0.9776
0.9794
0.981
0.9823
0.9835
0.9845
0.9854
0.9862
0.9869
0.9876
0.9882
0.9887
0.9892
0.9896
1.342
1.225
1..134
1.061
1
0.949
0.905
0.866
0.832
0.802
0.775
0.75
0.728
0.707
0.688
0.671
0.655
0.64
0.626
0.612
0.6
1.427
1.287
1.182
1.099
1.032
0.975
0.927
0.886
0.85
0.817
0.789
0.763
0.739
0.718
0.698
0.68
0.663
0.647
0.633
0.619
0.606
0
0.03
0.118
0.185
0.239
0.284
0.321
0.354
0.382
0.406
0.428
0.448
0.466
0.482
0.497
0.51
0.523
0.534
0.545
0.555
0.565
2.089
1.97
1.882
1.815
1.761
1.716
1.679
1.646
1.618
1.594
1.572
1.552
1.534
1.518
1.503
1.49
1.477
1.466
1.455
1.445
1.435
0
0.029
0.113
0.179
0.232
0.276
0.313
0.346
0.374
0.399
0.421
0.44
0.458
0.475
0.49
0.504
0.516
0.528
0.539
0.549
0.559
Pgina 141
B6
1.964
1.874
1.806
1.751
1.707
1.669
1.637
1.61
1.585
1.563
1.544
1.526
1.511
1.496
1.483
1.47
1.459
1.448
1.438
1.429
1.42
CASO DE n VARIABLE
En el caso de tamao de muestra variable, se utiliza el promedio ponderado de las medias y de las
desviaciones estndar como sigue:
n X
i 1
m
(3.25)
ni
i 1
2
(ni 1) S i
S m
ni m
i 1
1/ 2
(3.26)
Ejemplo 3.4 Para una carta X-S con lmites variables, se tomaron los datos siguientes, corriendo en
Minitab:
Datos
74.030
74.002
74.019
73.992
74.008
73.995
73.992
74.001
73.998
74.024
74.021
74.005
74.002
74.002
73.996
73.993
74.015
74.009
73.992
Muestra
1
1
1
1
1
2
2
2
3
3
3
3
3
4
4
4
4
4
5
Datos
74.000
73.985
74.003
73.993
74.015
73.998
74.008
73.995
74.009
74.005
73.998
74.000
73.990
74.007
73.995
73.994
73.998
73.994
73.995
Muestra
7
8
8
8
8
8
9
9
9
9
10
10
10
10
10
11
11
11
11
Datos
73.994
74.000
73.984
74.012
74.014
73.998
74.000
73.984
74.005
73.998
73.996
73.994
74.012
73.986
74.005
74.006
74.010
74.018
74.003
Pgina 142
Muestra
14
14
14
15
15
15
16
16
16
16
16
17
17
17
17
18
18
18
18
Datos
74.009
74.005
73.996
74.004
73.999
73.990
74.006
74.009
74.010
73.989
73.990
74.009
74.014
74.015
74.008
73.993
74.000
74.010
73.982
Muestra
21
21
21
22
22
22
22
22
23
23
23
23
23
24
24
24
24
24
25
5
5
5
5
6
6
6
6
7
7
7
73.990
74.004
74.000
74.007
74.000
73.996
73.983
74.002
73.998
74.006
73.967
11
12
12
12
12
12
13
13
13
14
14
74.000
73.984
74.002
74.003
74.005
73.997
74.000
74.010
74.013
73.998
74.001
18
19
19
19
19
19
20
20
20
21
21
73.984
73.995
74.017
74.13
25
25
25
25
Sample Mean
74.02
74.01
_
_
X=74.0009
74.00
73.99
LCL=73.98134
73.98
1
11
13
Sample
15
17
19
21
23
25
Sample StDev
0.024
UCL=0.02403
0.018
0.012
_
S=0.00736
0.006
0.000
LCL=0
1
11
13
Sample
15
Pgina 143
17
19
21
23
25
Ejemplo 3.5 Otro ejemplo con n variable, la X = 74.001 y la S = 0.0098, por tanto los lmites de
control son:
LSCX = 74.015
LCX = 74.001
LICX = 73.987
Para la carta S
LSCS = 0.020
LCS = 0.0098
LICS = 0
Como mtodo alterno para n variable se puede utilizar la n si no hay mucha variacin entre los
diferentes tamaos de muestra (dentro de n 25%).
ESTIMACIN DE
El valor de la desviacin estndar puede ser estimado del valor de S como sigue:
S
c4
Para el ejemplo:
S
= 0.0094 / 0.94 = 0.01, tomando el valor de c4 para n=5.
c4
Existe una variante de las cartas de medias-desviacin estndar denominadas cartas de mediasvarianza.
Pgina 144
En tales situaciones se utiliza la carta de control por lecturas individuales. Los rangos mviles se
empiezan a calcular a partir de la segunda muestra como MRi = X i X i 1 .
Para este caso, los lmites de control para la carta X son:
LSCx = X 3
MR
d2
__
LCx
LICx = X 3
(3.27)
MR
d2
n=2
Ejemplo 3.6 Se toman varios datos de viscosidades y se construye una carta de lecturas
individuales, donde el rango se calcula tomando cada dos valores consecutivos, por tanto el valor
de n = 2 y habr (m 1) rangos en total. Con m = nmero de subgrupos.
Lote
1
2
3
4
Viscocidad
33.75
33.05
34.00
33.81
Pgina 145
33.46
34.02
33.68
33.27
33.49
33.20
33.62
33.00
33.54
33.12
33.84
Individual V alue
34.5
34.0
_
X=33.523
33.5
33.0
32.5
LC L=32.245
1
7
8
9
O bser vation
10
11
12
13
14
15
M oving Range
1.6
U C L=1.571
1.2
0.8
__
M R=0.481
0.4
0.0
LC L=0
1
7
8
9
O bser vation
10
11
12
13
14
15
Ejemplo 3.7: Se toman varios datos de edades y se construye una carta de lecturas
individuales, donde el rango se calcula tomando cada dos valores consecutivos, por tanto
el valor de n = 2 y habr (m 1) rangos en total. Con m = nmero de valores individuales.
Pgina 146
Por ejemplo:
Valores individuales
23
15
11
24
38
19
Rango
8
4
13
14
19
y para la carta R:
LICx X (2.66 * R )
LSCr 3.27 * R
U C L=601.176
Individual V alue
601
600
_
X=599.548
599
598
LC L=597.920
1
10
20
30
40
50
60
O bser vation
70
80
90
100
M oving Range
2.4
1
U C L=2.000
1.8
1.2
__
M R=0.612
0.6
0.0
LC L=0
1
10
20
30
40
50
60
O bser vation
70
80
90
100
Pgina 147
RANGOS
10
11
12
13
14
L.S.C.x
MAQUINA
15
16
17
L.I.C.x
18
CARACTERSTICA
19
20
21
22
CALIBRADOR
23
L.S.C. R
24
25
T. MUESTRA
26
L.I.C. R
27
28
FRECUENCIA
29
30
TIPO DE EVALUA.
FECHA DE TERMINO
INSTRUCCIONES
% Z Inf.:
CPK:
CONSTANTES
% NC:
% Z Sup.:
Cp. :
L.I.E.
OPERACIN
FECHA DE INICIO
L.S.E.
REA
No. DE GRAFICA
E2 D2 D3 D4
NOMINAL
No. DE PARTE
INICIALES
LECTURAS
UNIDADES
HORA
NOMBRE DE PARTE
FECHA
Pgina 148
VALORES
Las cartas por variables proporcionan mayor informacin del proceso que las de atributos, tal
como la media del proceso y su variabilidad, tambin proporcionan informacin para realizar
estudios de capacidad de los procesos.
Las cartas por variables permiten tomar acciones cuando se presentan situaciones fuera de
control, antes de que se produzcan artculos no conformes, lo que no sucede con las cartas por
atributos hasta que el proceso genere ms disconformes.
LIE
LSE
Reaccin de carta p
Tal vez la ventaja ms importante de la carta X-R es que proporciona un indicador de inicio de
problemas y permite al personal operativo tomar acciones correctivas antes que se produzcan
defectivos realmente, de esta forma las cartas X-R son indicadores gua de falla, mientras que las
cartas p (o c o u) no reaccionan a menos que el proceso haya cambiado tanto que se produzcan
ms defectivos.
En la figura, cuando la media del proceso esta en 1 se producen pocas no conformidades, si la
media del proceso se corre hacia arriba, cuando llegue a 2 la carta X-R habr mostrado un patrn
anormal o puntos fuera de control para tomar acciones correctivas, mientras que la carta p no
reaccionar hasta que la media del proceso se haya recorrido hasta 3, o hasta que el nmero de
Pgina 149
unidades no conformes producidas se haya incrementado. Por tanto las cartas X-R son ms
poderosas que las cartas p.
Para el mismo nivel de proteccin contra corrimientos del proceso, la carta p requiere un tamao
de muestra mayor, la X-R requiere tomar mucho menos unidades aunque las mediciones toman
ms tiempo. Esta consideracin es importante para el caso de pruebas destructivas.
Ejemplo 3.8 Si el proceso se controla con una carta X , donde el valor medio de la caracterstica
de calidad es 50 y la desviacin estndar es 2, para lmites de 3-sigma y especificaciones LIE=44 y
LSE=56, cuando el proceso est en control en el valor nominal de 50, la fraccin no conforme es
0.0027.
Suponiendo que la media del proceso del proceso se corre a 52, la fraccin defectiva producida
ser aproximadamente 0.0202, si se desea que la probabilidad de detectar este corrimiento en la
siguiente muestra subsecuente sea del 0.50, entonces el tamao de muestra en la carta X debe
ser tal que se cumpla que el LSC sea 52 o sea:
50
3(2)
52
n
donde n=9,
Si se utiliza una carta p entonces el tamao de muestra requerido para tener la misma
probabilidad de detectar el corrimiento es:
k
n p(1 p)
Con k = 3, que es el ancho de los lmites de control, p = 0.0027 y es la magnitud de incremento
en fraccin defectiva o sea = 0.0202 0.0027 = 0.0175, de esta forma,
n = 79.23 80
Pgina 150
Donde se observa que a menos que el costo de medir 9 muestras sea mayor que 9 veces el costo
de inspeccin por atributos, las carta X es ms econmica de aplicar.
Se sugiere lo siguiente:
1. Determinar cual es la caracterstica a controlar.
2. Seleccionar un tipo de carta de control.
3. Identificar el proceso donde se implantarn las cartas de control.
4. Tomar acciones para mejorar el proceso, como resultado de la aplicacin de la carta de
control.
5. Seleccionar el sistema de coleccin de datos y software de C.E.P.
Pgina 151
1.
2.
3.
4.
Aplicaciones no manufactureras. En estos casos se tiene que: (1) no hay especificaciones, (2)
se requiere ms imaginacin para aplicar las cartas de control. Se usan por ejemplo para
reducir el tiempo de proceso de las cuentas por pagar (pago de cheques).
A2
D3
D4
d2
2
3
4
5
6
7
8
9
10
1.88
1.023
0.072
0.577
0.483
0.419
0.373
0.337
0.308
0
0
0
0
0
0.076
0.136
0.184
0.223
3.267
2.574
2.282
2.115
2.004
1.924
1.864
1.816
1.777
1.128
1.693
2.059
2.326
2.534
2.704
2.847
2.97
3.078
Pgina 152
c4
A3
B3
B4
B5
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
0.94
0.9515
0.9594
0.965
0.9693
0.9727
0.9754
0.9776
0.9794
0.981
0.9823
0.9835
0.9845
0.9854
0.9862
0.9869
0.9876
0.9882
0.9887
0.9892
0.9896
1.342
1.225
1..134
1.061
1
0.949
0.905
0.866
0.832
0.802
0.775
0.75
0.728
0.707
0.688
0.671
0.655
0.64
0.626
0.612
0.6
1.427
1.287
1.182
1.099
1.032
0.975
0.927
0.886
0.85
0.817
0.789
0.763
0.739
0.718
0.698
0.68
0.663
0.647
0.633
0.619
0.606
0
0.03
0.118
0.185
0.239
0.284
0.321
0.354
0.382
0.406
0.428
0.448
0.466
0.482
0.497
0.51
0.523
0.534
0.545
0.555
0.565
2.089
1.97
1.882
1.815
1.761
1.716
1.679
1.646
1.618
1.594
1.572
1.552
1.534
1.518
1.503
1.49
1.477
1.466
1.455
1.445
1.435
0
0.029
0.113
0.179
0.232
0.276
0.313
0.346
0.374
0.399
0.421
0.44
0.458
0.475
0.49
0.504
0.516
0.528
0.539
0.549
0.559
Pgina 153
B6
1.964
1.874
1.806
1.751
1.707
1.669
1.637
1.61
1.585
1.563
1.544
1.526
1.511
1.496
1.483
1.47
1.459
1.448
1.438
1.429
1.42
Fig. 4.1 Cuando el producto no es funcional es no conforme, defectivo o defectuoso. Puede ser
reparado o desperdicio.
Para controlar productos defectivos o no conformes, se utiliza la carta de control p de fraccin
defectiva o la np para el nmero de defectivos o de no conformes. Se aplica a productos simples
(tornillos, lpices, botellas, etc.)
Fig. 4.1 El producto puede ser funcional pero puede tener defectos o no conformidades, que pueden
ser corregidas con retrabajo o no se pueden corregir y ser desperdicio.
Pgina 154
pi
Di
ni
(4.1)
__
2p
(4.2)
p(1 p)
n
(4.3)
Del modelo general para la carta de control de Shewhart, si w es un estadstico que mide una
caracterstica de calidad, con media w y varianza
LSC = w + Lw
LC = w
(4.4)
LIC = w - Lw
Donde L es la distancia de la lnea central hasta los lmites de control, es comn usar L = 3.
__
__
p (1 p )
n
__
LSCp = p 3
__
LCp = p
(4.5)
__
__
p (1 p )
n
__
LICp = p 3
Cuando la fraccin defectiva del proceso es desconocida, se estima de los datos observados en m
muestras iniciales, cada una de tamao n , por lo general se toman 20 a 25 de estas. As si Di son
unidades no conformes en la muestra i , la fraccin defectiva de la muestra i - sima estar dada
como:
pi = Di / n
i = 1, 2, 3,....., m
(4.6)
D
i 1
mn
p
i 1
(4.7)
LSC p p 3
p (1 p )
n
(4.5) anterior
Pgina 156
LC p p
LIC p p 3
p (1 p )
n
Una vez hecha la grfica trazando los lmites anteriores, cualquier punto que se encuentre fuera
de control debe ser investigado, si se encuentra una causa asignable o especial, deben tomarse
medidas correctivas para prevenir su recurrencia, los puntos correspondientes a la situacin fuera
de control se eliminan y se calculan de nuevo los lmites de control preliminares.
Ejemplo 4.1 Para el llenado de cajas de concentrado de jugo de naranja de 6 oz., se inspecciona
cada caja y se inspecciona el sello para evitar fugas, se lleva una carta de control para tomar
acciones y mejorar el desempeo de la maquina selladora.
Para establecer la carta de control, se toman 30 muestras de 50 piezas cada una en intervalos de
una hora.
Hora
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
Defectos
12
15
8
10
4
7
16
9
14
10
5
6
17
12
22
Hora
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
Defectos
8
10
5
13
11
20
18
24
15
9
12
7
13
9
6
Pgina 157
i 1
mn
p
i 1
347
= 0.2313
(30 )( 50 )
P Chart of Defectos
0.5
1
1
UCL=0.4102
Proportion
0.4
0.3
_
P=0.2313
0.2
0.1
LCL=0.0524
0.0
1
10
13
16
Sample
19
22
25
28
De la carta de control se observa que las muestras 15 y 23 estn fuera de los lmites de control, de
tal forma que el proceso esta fuera de control.
Del anlisis de los datos de la bitcora se encontr que la muestra 15 corresponde a el cambio de
un nuevo lote de cajas el cual fue diferente y que la muestra 23 corresponde a un operador sin
experiencia asignado temporalmente a la mquina.
Tomando acciones correctivas para evitar la recurrencia de las causas anteriores y calculando
nuevos lmites preliminares con los puntos 15 y 23 eliminados, se tiene con Minitab:
Pgina 158
LSCp = 0.3893
LCp = 0.2150
LICp = 0.0407
P Chart of Defectos
1
0.4
UCL=0.3893
Proportion
0.3
_
P=0.215
0.2
0.1
LCL=0.0407
0.0
1
10
13
16
Sample
19
22
25
28
Pgina 159
P Chart of Defectos
0.4
UCL=0.3804
Proportion
0.3
_
P=0.2081
0.2
0.1
LCL=0.0359
0.0
1
10
13
16
Sample
19
22
25
Se observa que a pesar de que el proceso est en control, no se tienen presentes problemas
controlables por el operador, por tanto las causas de variabilidad son comunes y su reduccin
depende slo del control de la administracin, una vez que interviene e Ingeniera realiza una serie
de ajustes a la mquina, se monitorea la mejora.
Continuando con el ejemplo, se toman 24 muestras adicionales durante los siguientes 3 turnos, la
grfica se hizo utilizando Minitab:
Se observa que la p media del proceso ha mejorado con los ajustes y una mejor atencin de los
operadores.
Pgina 160
Se puede probar la hiptesis que la fraccin no conforme en los ltimos 3 turnos, difiere de la
fraccin no conforme preliminar, con el procedimiento de prueba de hiptesis:
H0:
p1 = p2
H1:
p1 > p2
p2
i 31
mn
i 31
133
133
0.1108
(50 )( 24 ) 1200
Z0
p1 p 2
n1 n2
p(1 p)
n1n2
con p
n1 p1 n 2 p 2
n1 n 2
por tanto:
(1400)(0.2150) (1200)(0.118)
0.1669
1400 1200
Z0
0.2150 0.1108
1
1
(0.1669)(0.8331)
1400 1200
7.10
Pgina 161
Por tanto se rechaza la hiptesis Ho concluyendo que hubo una reduccin en la fraccin defectiva
promedio del proceso.
Usando slo los ltimos 24 puntos para calcular nuevos lmites se tiene:
LSCp = 0.2440
LCp = 0.1108
LICp = -0.0224 = 0
Continuando con el ejemplo, usando los nuevos lmites de control, para las siguientes 40 muestras
se observa una mejora del proceso, dentro de control. Es muy importante que para identificar
fcilmente las causas asignables, se lleve una bitcora de cambios, donde se anote cada cambio
que ocurra, independientemente que afecte o no al proceso.
Pgina 162
Mtodo 1.
El tamao de muestra n se escoge de tal forma que la probabilidad de encontrar al menos una
unidad no conforme por muestra sea al menos .
Ejemplo 4.2, si p = 0.01 y se desea que la probabilidad de hallar al menos una unidad no conforme
sea al menos 0.95, si D es el nmero de artculos no conformes, entonces:
Mtodo 2.
Duncan sugiere que el tamao de muestra debe ser tal que se tenga aproximadamente un 50% de
probabilidad de detectar el corrimiento de la media de un proceso en una cierta cantidad.
p (1 p )
n
(4.8)
Donde L es la distancia de la lnea central a los lmites de control en desviaciones estndar, por
tanto,
Pgina 163
L
n p(1 p)
(4.9)
Ejemplo 4.3, si p = 0.01 y se desea que la probabilidad de detectar un corrimiento a p = 0.05 sea de
0.50, entonces = 0.05 0.01 = 0.04 y si L = 3-sigma, se tiene:
3
(0.01)(0.99) 56
0.04
n=
Mtodo 3.
Otro mtodo a usar si la fraccin p en control es pequea, consiste en seleccionar n tan grande de
tal forma que el lmite inferior tenga un valor positivo, para poder investigar la causa de
generacin de muy bajas cantidades de artculos defectuosos con objeto de identificar errores de
inspeccin o de los equipos de medicin. Se tiene:
LIC p p L
p (1 p )
0
n
(4.10)
Implica que,
(1 p ) 2
L
p
(4.11)
Ejemplo 4.4, si p = 0.05 y se tienen lmites de control a 3-sigma, el tamao de muestra ser:
0.95 2
(3) 171
0.05
Es importante notar que la carta de control p se basa en la distribucin normal, es decir que la
probabilidad de ocurrencia de artculos defectivos es constante y que las unidades producidas son
Pgina 164
Servicio
No
conformes
Servicio
No
conformes
Servicio
No
conformes
1
2
3
4
5
6
7
8
9
10
12
15
8
10
4
7
16
9
14
10
11
12
13
14
15
16
17
18
19
20
5
6
17
12
22
8
10
5
13
11
21
22
23
24
25
26
27
28
29
30
20
18
24
15
9
12
7
13
9
6
i 1
mn
p
i 1
347
= 0.2313
(30 )( 50 )
0.5
1
UCL=0.4102
Proportion
0.4
0.3
P=0.2313
0.2
0.1
LCL=0.05243
0.0
0
10
20
30
Sample Number
Pgina 165
Pgina 166
Pgina 167
Pgina 168
LSCnp np 3 np(1 p)
LCnp np
(4.12)
LICnp np 3 np(1 p)
Ejemplo 4.5, con los ltimos 39 datos de las cajas de concentrado de jugo de naranja, se tiene:
NP Chart of Defectos
20
UCL=19.02
Sample Count
15
__
NP=10.41
10
5
LCL=1.80
0
1
10
13
16
Sample
19
22
25
Figura 4.5 Carta de control np en control estadstico con lmites de control constantes
Pgina 169
Se calculan lmites de control para cada muestra en base en la fraccin defectiva promedio p y su
tamao de muestra con p 3 p(1 p) / ni . La amplitud de los lmites es inversamente
proporcional a la raz cuadrada del tamao de muestra.
Ejemplo 4.6, Se tomaron datos del resultado de la inspeccin diaria, registrando la produccin
total y los defectivos del da.
n-var
nodef
Fra-def
LSC
LIC
Des-est
100
80
80
100
110
110
100
100
90
90
110
120
120
120
110
80
80
80
90
12
8
6
9
10
12
11
16
10
6
20
15
9
8
6
8
10
7
5
0.12
0.1
0.075
0.09
0.090909
0.109091
0.11
0.16
0.111111
0.066667
0.181818
0.125
0.075
0.066667
0.054545
0.1
0.125
0.0875
0.055556
0.183686
0.194093
0.194093
0.183686
0.179582
0.179582
0.183686
0.183686
0.188455
0.188455
0.179582
0.176003
0.176003
0.176003
0.179582
0.194093
0.194093
0.194093
0.188455
0.007335
-0.00307
-0.00307
0.007335
0.011438
0.011438
0.007335
0.007335
0.002565
0.002565
0.011438
0.015017
0.015017
0.015017
0.011438
-0.00307
-0.00307
-0.00307
0.002565
0.0293918
0.0328611
0.0328611
0.0293918
0.028024
0.028024
0.0293918
0.0293918
0.0309817
0.0309817
0.028024
0.026831
0.026831
0.026831
0.028024
0.0328611
0.0328611
0.0328611
0.0309817
Pgina 170
8
5
8
10
6
0.08
0.05
0.08
0.1
0.066667
0.183686
0.183686
0.183686
0.183686
0.188455
0.007335
0.007335
0.007335
0.007335
0.002565
0.0293918
0.0293918
0.0293918
0.0293918
0.0309817
i 1
25
n
i 1
234
0.096
2450
(0.096)(0.904)
ni
LC = 0.096
LICp= p 3 p 0.096 3
(0.096)(0.904)
ni
NP Chart of nodef
1
20
UCL=16.94
Sample Count
15
10
__
NP=8.58
LCL=0.22
0
1
11
13
Sample
15
17
19
21
23
Figura 4.6 Carta de control np en control estadstico con lmites de control variables
Pgina 171
n
i 1
2450
98
25
LSCp= p 3 p 0.096 3
(0.096 )( 0.904 )
0.185
98
LC = 0.096
LICp= p 3 p 0.096 3
(0.096 )( 0.904 )
0.007
98
En este mtodo, los puntos se grafican en unidades de desviacin estndar. En la carta de control
estandarizada, la lnea central es cero y los lmites de control estn a +3 y 3 respectivamente, la
variable a graficar en la carta es:
Pgina 172
Zi
pi p
(4.13)
p(1 p)
ni
Ejemplo 4.7 Con los 25 datos anteriores se obtiene una carta estandarizada, por medio de Minitab.
n-var
100
80
80
100
110
110
100
100
90
90
110
120
120
120
110
80
80
80
90
100
100
100
100
90
nodef
12
8
6
9
10
12
11
16
10
6
20
15
9
8
6
8
10
7
5
8
5
8
10
6
Frac.-def LSC
0.12
0.1
0.075
0.09
0.090909
0.109091
0.11
0.16
0.111111
0.066667
0.181818
0.125
0.075
0.066667
0.054545
0.1
0.125
0.0875
0.055556
0.08
0.05
0.08
0.1
0.066667
LIC
3
3
3
3
3
3
3
3
3
3
3
3
3
3
3
3
3
3
3
3
3
3
3
3
-3
-3
-3
-3
-3
-3
-3
-3
-3
-3
-3
-3
-3
-3
-3
-3
-3
-3
-3
-3
-3
-3
-3
-3
Pgina 173
Media
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
Z-Estand
0.81655
0.12172
-0.63905
-0.20414
-0.18166
0.46713
0.47632
2.17748
0.48774
-0.94679
3.06231
1.08084
-0.78268
-1.09326
-1.47925
0.12172
0.8825
-0.25866
-1.30543
-0.54437
-1.56506
-0.54437
0.13609
-0.94679
Individual V alue
3.0
U C L=2.871
1.5
_
X=-0.028
0.0
-1.5
LC L=-2.926
-3.0
1
11
13
O bser vation
15
17
19
21
23
M oving Range
U C L=3.560
3
2
__
M R=1.090
1
0
LC L=0
1
11
13
O bser vation
15
17
19
21
23
La probabilidad de error tipo II para la carta de control de fraccin defectiva o no conforme es:
Pgina 174
(4.14)
Como D es una variable aleatoria binomial con parmetros n y p, el error puede ser obtenido de
la funcin de distribucin acumulativa (la distribucin de Poisson se puede utilizar como una
aproximacin).
Ejemplo 4.8 Si n = 50, LIC = 0.0303 y LSC = 0.3697, el error tipo II se calcula como sigue:
P{D 18 p} P{D 1 p}
La curva OC se construy utilizando Excel y Minitab.
NOTA: Se debe usar la distribucin de Poisson para np <=5 y distribucin Normal en caso contrario.
A continuacin se muestran curvas OC con 3 distribuciones.
Pgina 175
P(d<=18|p)
0.01
0.03
0.05
0.1
0.15
0.2
0.25
0.3
0.35
0.4
0.45
0.5
0.55
1
1
1
0.99999986
0.999940418
0.997488797
0.97126684
0.859440124
0.621587051
0.335613264
0.127345115
0.032454324
0.005296752
P(d<=1|p)
Beta=dif
0.910564687 0.089435313
0.555279873 0.444720127
0.279431752 0.720568248
0.03378586 0.966214001
0.002905453 0.997034965
0.000192678 0.997296118
1.0005E-05 0.971256835
4.0337E-07
0.85943972
1.2349E-08 0.621587038
2.7751E-10 0.335613263
4.36961E-12 0.127345115
4.52971E-14 0.032454324
2.84312E-16 0.005296752
np
0.5
1.5
2.5
5
7.5
10
12.5
15
17.5
20
22.5
25
27.5
P(d<=18|p)
1
1
1
0.999998598
0.999697003
0.992813495
0.948148253
0.819471712
0.608934016
0.381421949
0.202192955
0.092040859
0.036606283
P(d<=1|p) Beta=dif
0.90979599 0.090204
0.5578254 0.442175
0.2872975 0.712703
0.04042768 0.959571
0.00470122 0.994996
0.0004994 0.992314
5.031E-05 0.948098
4.8944E-06 0.819467
4.6453E-07 0.608934
4.3284E-08 0.381422
3.976E-09 0.202193
3.6109E-10 0.092041
3.249E-11 0.036606
COMPARACION DE LAS
BETAS CON 3 DECIMALES
np
BINOM POISSON NORMAL
0.5
0.089
0.090
0.075
1.5
0.445
0.442
0.495
2.5
0.721
0.713
0.739
5
0.966
0.960
0.950
7.5
0.997
0.995
0.991
10
0.997
0.992
0.997
12.5
0.971
0.948
0.975
15
0.859
0.819
0.859
17.5
0.622
0.609
0.615
20
0.336
0.381
0.331
22.5
0.127
0.202
0.127
25
0.032
0.092
0.033
27.5
0.005
0.037
0.005
Pgina 176
Para esta carta de control, tambin se puede calcular la longitud de corrida media ARL.
Ejemplo 4.9, suponiendo que el proceso se corre a p1 = 0.3, siendo su valor nominal p0 = 0.2. De la
curva OC se observa que en este caso es 0.9973 estando en control, en este caso = 1 - =
0.0027 y el valor de ARL0 es:
ARL0 = 1 / = 1 / 0.0027 = 370
Indicando que cada 370 puntos se puede tener una falsa alarma.
Pgina 177
Estas cartas asumen que la ocurrencia de no conformidades en muestras de tamao constante son
modeladas bien por la distribucin de Poisson, es decir implica que las oportunidades o
localizaciones potenciales para las no conformidades sea muy infinitamente grande y que la
probabilidad de ocurrencia de una no conformidad en cualquier localizacin sea pequea y
constante. Adems cada unidad de inspeccin debe representar una rea de oportunidad
idntica para la ocurrencia de no conformidades. Si estas condiciones no se cumplen, el modelo de
Poisson no es apropiado.
p( x )
e c c x
x!
(4.15)
Pgina 178
LCc = c
LICc = c - 3
(4.16)
LSCc = c + 3
LCc = c
(4.17)
LICc = c - 3
516 / 26 = 19.85 = c
Pgina 179
LIC = 6.48
De la carta de control preliminar, se observa que hay 2 puntos fuera de control, el 6 y el 20.
C Chart of NoConform
1
40
UCL=33.21
Sample Count
30
_
C=19.85
20
10
LCL=6.48
1
0
1
10
13
16
Sample
19
22
25
Una investigacin revel que el punto 6 fue debido a que un inspector nuevo calific los circuitos
impresos pero no tena la suficiente experiencia, fue entrenado. El punto 20 fue causado por una
falla en el control de temperatura de la soldadora de ola, lo cual fue reparado. Por lo anterior se
toman acciones para evitar recurrencia, se eliminan y se recalculan los lmites de control.
Pgina 180
C Chart of NoConform
35
UCL=32.97
Sample Count
30
25
_
C=19.67
20
15
10
LCL=6.36
5
1
11
13
Sample
15
17
19
21
23
Como el proceso ya se encuentra en control estadstico, estos lmites se tomarn como base para
el siguiente periodo, donde se tomaron 20 unidades de inspeccin adicionales.
No Conformidades 1
16
18
18
21
12
16
15
22
24
19
21
12
28
14
20
9
25
16
19
21
Se observa en la grfica que no se tienen puntos fuera de control, sin embargo el promedio de
defectos es alto, requiere la accin de la administracin.
Pgina 181
C Chart of C4
35
UCL=32.98
Sample Count
30
25
_
C=19.67
20
15
10
LCL=6.36
5
1
11
Sample
13
15
17
19
Figura 4.10 Carta de control C dentro de control estadstico para otras 20 muestras muy alta c
Haciendo un anlisis de Pareto de los principales defectos se observ que el principal defecto de
soldadura insuficiente y soldadura fra, acumulan el 69% del total, por lo que se deben enfocar los
esfuerzos a resolver estos problemas.
Pgina 182
Pgina 183
Puede ser necesario estratificar el problema identificando en que modelo de circuito impreso se
presentan los defectos principalmente.
Otra forma de anlisis es el diagrama de causa efecto para identificar las diferentes fuentes de no
conformidades.
Mtodo 1. Con nc
En este caso tanto la lnea central como los lmites de control se modifican por el factor n,
quedando como sigue ( c es la media de las no conformidades observada en la unidad de
inspeccin anterior):
Pgina 184
LSCnc nc 3 nc
LC nc nc
(4.18)
LICnc nc 3 nc
Por ejemplo si se deciden utilizar 2.5 unidades de inspeccin para el caso de los circuitos impresos
(es decir inspeccionar 250 tarjetas) con n=2.5, se tiene:
c
n
(4.19)
Como c es una variable aleatoria que sigue la distribucin de Poisson, los parmetros de la carta u
de nmero de no conformidades o defectos por unidad son:
LSC u u 3
u
n
LC u u
LSC u u 3
(4.20)
u
n
Pgina 185
__
Suma.de.no.conformida des
Suma.de.unidades.inspeccionadas
u =38.60 / 20 = 1.93
LSC = 3.79
LIC = 0.07
Pgina 186
U Chart of C6
UCL=3.794
_
U=1.93
LCL=0.066
0
1
11
Sample
13
15
17
19
Figura 4.13 Carta de control de defectos por unidad U con tamao de muestra constante en
control estadstico
En la carta de control no se observa falta de control estadstico, por tanto los lmites preliminares
se pueden utilizar en corridas futuras.
En algunos casos las cartas de control para no conformidades se utilizan en la inspeccin 100% de
la produccin o lotes de producto, por tanto las unidades de inspeccin no son constantes. En esta
carta se tiene una lnea central constante y los lmites de control varan inversamente con la raz
cuadrada del tamao de muestra n.
Pgina 187
u
ni
LSCui u 3
LC u u
(4.21)
u
ni
LSCui u 3
Ejemplo 4.11 En una planta textil, se inspeccionan defectos por cada 50m2 los datos se muestran a
continuacin.
Unidades No conform
10
14
8
12
13
20
10
11
9.5
7
10
10
12
21
10.5
16
12
19
12.5
23
La lnea central es u
153
1.42
107.5
Pgina 188
U Chart of No conform
3.0
2.5
UCL=2.436
2.0
_
U=1.423
1.5
1.0
0.5
LCL=0.411
0.0
1
5
6
Sample
10
Figura 4.14 Carta de control para defectos por unidad con tamao de muestra variable
n
i 1
ni
m
(4.22)
2. Usando una de control estandarizada (opcin preferida). Se grafica Zi con lmites de control en
+3 y 3, lnea central cero.
Zi
ui u
(4.23)
u
ni
Pgina 189
14
12
20
11
7
10
21
16
19
23
Ui-Uprom
0.377261
0.42179
0.330879
0.377261
0.387061
0.377261
0.34439
0.368169
0.34439
0.337432
-0.02325581
0.07674419
0.11520572
-0.32325581
-0.68641371
-0.42325581
0.32674419
0.10055371
0.16007752
0.41674419
Zu
-0.06164
0.181949
0.34818
-0.85685
-1.7734
-1.12192
0.948761
0.273119
0.464814
1.235046
1.423256
I Chart of Zu
3
UCL=3
Individual Value
2
1
_
X=0
0
-1
-2
-3
LCL=-3
1
5
6
Observation
Pgina 190
10
Sistema de demeritos
Con productos complejos, se identifican diversos tipos de defectos, desde los que se consideran
menores hasta los que ponen en riesgo la salud del usuario. Por lo cual es necesario dar una
ponderacin a esos diversos tipos de defectos de acuerdo a su gravedad, un esquema posible es el
siguiente:
Defectos tipo A Muy serios: La unidad no puede funcionar o fallar en el campo, o puede causar
dao al usuario.
Defectos tipo B Serios: La unidad tendr menos vida til, o puede causar una falla de
funcionamiento mayor.
Defectos tipo C Poco serios: La unidad puede tener fallas pero continuar funcionando, o puede
incrementar los costos de mantenimiento, o tener una mala apariencia como usada.
Defectos tipo D Menores: La unidad no fallar en servicio pero tiene defectos de apariencia,
terminados o calidad de trabajo.
Supngase que para los defectos anteriores se tengan los nmeros ciA, ciB, ciC, ciD respectivamente
en la i-sima unidad inspeccionada. Se asume que cada clase de defectos es independiente y que
la ocurrencia de defectos de cada clase es modelada bien con la distribucin de Poisson. Entonces
se puede definir el nmero de demritos en la unidad de inspeccin por ejemplo como:
(4.24)
d
i 1
inspeccin):
d
ui = D / n =
i 1
(4.25)
Pgina 191
(4.26)
LIC = u + 3 u,
Donde,
(4.27)
1/ 2
(4.28)
Ejemplo 4.12, para el caso de la carta c anterior con LSC = 33.22, LIC = 6.48, se tiene:
Pgina 192
(4.29)
P{x 33 c} P{x 7 c}
La curva OC se obtiene con la distribucin de Poisson como sigue:
C
1
3
5
7
9
11
13
15
17
19
21
23
25
27
29
31
33
35
37
39
C promedio
P(x<=33)
1.000
1.000
1.000
1.000
1.000
1.000
1.000
1.000
1.000
0.999
0.994
0.981
0.950
0.892
0.801
0.682
0.546
0.410
0.289
0.191
19.67
P(x<=7)
1.000
0.988
0.867
0.599
0.324
0.143
0.054
0.018
0.005
0.002
0.000
0.000
0.000
0.000
0.000
0.000
0.000
0.000
0.000
0.000
Pa=Beta
0.000
0.012
0.133
0.401
0.676
0.857
0.946
0.982
0.994
0.997
0.994
0.981
0.950
0.892
0.801
0.682
0.546
0.410
0.289
0.191
Pgina 193
(4.30)
P{nLIC u c nLSC u}
Nelson, sugiere una alternativa transformando la variable aleatoria exponencial a una variable
aleatoria de Weibull de tal forma que sea una buena aproximacin a la normal. Si y representa la
variable aleatoria exponencial original, la transformacin adecuada es:
x = y1/3.6 = y0.277
(4.31)
Por tanto se construye una carta de control para x, asumiendo que x sigue una distribucin
normal.
Por ejemplo para el monitoreo de fallas de una vlvula importante, se usar el nmero de horas
entre fallas como la variable a monitorear. En la pgina siguiente se muestra este ejemplo.
Pgina 194
Muestra
Pieza
M1
M2
M3
D1
D2
D3
Media
Rango
1
2
3
4
5
6
7
8
9
10
A
A
A
A
B
B
B
B
B
B
50
49
48
9
24
25
27
25
24
26
51
50
49
53
27
27
26
24
25
24
52
51
52
51
26
24
23
23
25
25
0
-1
-2
-1
-1
0
2
0
-1
1
1
0
-1
3
2
2
1
-1
0
-1
2
1
2
1
1
-1
-2
-2
0
0
1.00
0.00
-0.33
1.00
0.67
0.33
0.33
-1.00
-0.33
0.00
2
2
4
4
3
3
4
2
1
2
Pgina 195
Sample M ean
3.0
U C L=2.929
1.5
_
_
X=0.167
0.0
-1.5
LC L=-2.596
-3.0
1
10
Sample
U C L=6.950
Sample Range
6.0
4.5
_
R=2.7
3.0
1.5
0.0
LC L=0
1
10
Sample
R i .....Ti el rango medio y el valor nominal de x para un nmero de parte especfico. Para todas las
muestras de este nmero de parte, graficar,
RS
R
Ri
(5.1)
R i Sd 2
c4
x
S
x Ti
Ri
(5.2)
La lnea central para la carta x estandarizada es cero, y sus lmites de control son LSC = A2 y LIC = A2 .
Pgina 196
Zi
pi p
p(1 p) / n
Zi
Carta np
npi n p
n p(1 p)
(5.3)
Carta c
Zi
Carta u
Zi
ci c
c
ui u
u/n
Pgina 197
LIEsp.
|---
6 ---|
LSEsp.
LIE
LSE
Z
Z
n
LIC
LSC
Donde:
I LIE Z
(5.4)
S LSE Z
Pgina 198
LSC S
Z
Z
LSE Z
n
n
LIC I
Z
Z
LIE Z
n
n
(5.5)
Los lmites de control para este caso se basan en una n especificada y una fraccin no conforme
del proceso que nos gustara rechazar con una probabilidad (1-), por tanto:
LSC S
LIC I
LSE Z
n
n
(5.5)
LIE Z
n
n
Es posible tambin seleccionar un tamao de muestra de tal forma que se obtengan los
requerimientos para , , y . Igualando los lmites de control superiores:
Pgina 199
Se obtiene
Z Z
n
Z Z
(5.6)
Ejemplo 5.2 Si delta = 0.01, alfa = 0.00135, gama = 0.05 y beta = 0.20, haciendo los clculos se
obtiene una n = 31.43 32.
3.00 0.84
n
2.33 1.645
LSE
=0.025
LSE-1.96
Amplitud de variacin
0.10
__
Aceptable para X
0.10
LIE+1.96
LIE
=0.025
29
Duncan A., Control de Calidad y Estadstica Industrial, Alfaomega, Mxico, 1989, pp. 527-530
Pgina 200
En la figura si suponemos que =0.025 y = 0.10, asumiendo un proceso normal, los lmites para la
carta de control de aceptacin estarn en:
LSE
LSE-3x
Amplitud dentro de la cual
se espera encontrar las
Distribucin de x
_
LIE+3x
LIE
Fig. 5.5 Carta de control para desgaste de herramienta o material
Pgina 201
Como se puede observar, slo se puede emplear sta carta si la amplitud de los lmites de
especificacin es suficiente mayor a 6x para alojar la carta de control.
La pendiente b de la lnea central y lmites de control se pueden calcular por los mtodos
siguientes:
1. Dibujando una lnea central que pase por los puntos graficados y estimando en forma grfica
la pendiente.
2. Utilizando la tcnica de mnimos cuadrados, donde si se tienen un total de m muestras con el
nmero de muestra i = 1,2,3..m la pendiente b es (los datos se pueden codificar para
facilidad):
(5.7)
1 LIE 3 x LIE 3R / d 2
(5.8)
2 LSE 3 x LSE 3R / d 2
El nmero de puntos que tienen que pasar para llegar de 1, , 2 es:
M* = ( 1, - 2 ) / b
(5.9)
Es importante considerar que antes de llevar una carta de medias para desgaste es indispensable
asegurarse que la carta de rangos est en control estadstico. En caso de que la media en lugar de
crecer, decrezca, las 1, , 2 se invierten:
_
Pgina 202
Ejemplo 5.4 El dimetro exterior de una vlvula tiene una especificacin de 1.1555 0.0005. Se
han tomado 13 muestras de 5 piezas cada una sin ajustar la herramienta de corte, en intervalos de
media hora. Los resultados son:
Muestra i
1
10
11
12
13
LSCR=0.000374, = 0.000076053;
b = 0.0000492
Pendiente b
LSC
1,
LIC
LIE
Fig. 5.6 Tiempo t o nmero de muestras antes de ajuste
Pgina 203
ZONA AMARILLA
ZONA VERDE
ZONA AMARILLA
ZONA ROJA
Pgina 204
Ventajas:
Pre-control es una tcnica simple que a diferencia con el control estadstico del proceso (CEP) no
requiere de grficas de control, ni de cmputos.
Desventajas:
No existen grficas de control, por lo tanto, las reglas y procedimientos para reconocer patrones
de fallas no pueden ser usados. Dado que se requiere una cantidad muy pequea de muestras, es
riesgoso inferir sobre la totalidad del proceso. Finalmente, Pre-control no proporciona informacin
suficiente para someter el proceso bajo control o para reducir la variabilidad. Asume que el
proceso es hbil y que es normal.
Recomendaciones:
Pre-control slo debe ser usado cuando la capacidad del proceso (Cp) 30 es mayor que uno (algunos
textos recomiendan como mnimo Cp=2)31, y cuando se han alcanzado cero defectos en el
proceso.
LSL
LPCL
1
4
1
2
30
C p USL LSL
UPCL
3
4
USL
1
31
Montogomery, Douglas C. Statistical Quality Control, John Wiley & Sons, Inc., 1991, pp. 332334.
Pgina 205
Dentro de
Especificaciones
Fuera de lmites
De Pre-control
Fuera de
Especificaciones
A
Inicie el
proceso
Verifique
1a. Unidad
Dentro de
Especificaciones
Fuera de lmites
De Pre-control
Verifique
2a. Unidad
Dentro de
Especificaciones
Fuera de EL OTRO
lmite de Pre-control
!
Variabilidad del
Proceso fuera de
Control.
Pgina 206
Dentro de
de lmites
De Pre-control
Continuar el proceso.
Detener slo si DOS
Unidades consecutivas
Estan fuera de los
Lmites de
Pre-control
Notas:
1. Si cinco unidades estn dentro de los lmites de Pre-control, cambie a verificacin
intermitente.
2. Cuando se encuentre en verificacin intermitente, no ajuste el proceso hasta que una unidad
exceda algn lmite de Pre-control. Examine la siguiente unidad, y proceda en A.
3. Si se reinicia el proceso, al menos cinco unidades consecutivas deben caer dentro de los
lmites de pre-control para cambiar a verificacin intermitente.
4. Si el operador toma ms de 25 muestras sin reiniciar el proceso, reduzca la frecuencia de las
verificaciones.
Para establecer una carta de este tipo, se toman n partes de cada salida, hasta completar 20 o 25
subgrupos, por ejemplo si se toman muestras de n = 4 de 6 husillos repetido en 20 subgrupos, se
habrn tomado 20 x 6 = 120 medias y rangos de n = 4 observaciones. De stos se calculan la media
LICX = X - A2 R
LICR = D3 R
LSCX = X + A2 R
LSCR = D4 R
(5.10)
Con los lmites de control trazados, se grafica despus slo la mayor y la menor de las 6 lecturas
promedio considerando todas las salidas o en este caso husillos de la mquina, si se encuentran en
control, se asume que las dems estn en control. Para el rango se grafica slo el mayor de todos
los rangos. Cada punto es identificado por el nmero de husillo o salida que lo produjo. El proceso
Pgina 207
se encuentra fuera de control si se algn punto excede los lmites de 3-sigma. No se pueden
aplicar pruebas de rachas a estas cartas.
Es til observar que si una salida da el mayor o el menor valor varias en una fila, puede ser
evidencia de que es diferente a los otros. Si el proceso tiene s salidas y si r es el nmero de veces
consecutivas que se repite como el mayor o el menor, el ARL para este evento es:
ARL 0
s r 1
s 1
(5.11)
Para el caso de que s = 6 y r = 4, el ARL ser de 259, es decir que si el proceso est en control, se
esperar que una salida repita un valor extremo 4 veces en la carta una vez de cada 259 muestras.
Si esto sucede con ms frecuencia se debe sospechar que la salida es diferente a las dems.
Algunos de los pares adecuados de (s,r) son (3,7), (4,6), (5-6,5), 7-10,4), todas las combinaciones
dan ARLo adecuados.
Cusum normal
Para pequeos corrimientos menores a 1.5, la carta de Shewart es ineficiente, en esos casos la
carta de sumas acumuladas de Page, que funciona con n >=1 es mejor, ya que incorpora toda la
Pgina 208
Ci ( x j 0 )
(5.12)
j 1
Como esta carta es eficiente para n=1, es una buena alternativa para el control de procesos
qumicos y el C.E.P. automatizado. Si la media tiene un corrimiento hacia arriba, la carta mostrar
una tendencia ascendente y viceversa.
La carta Cusum no tiene lmites de control, sin embargo tiene un mecanismo similar ya sea en
forma tabular o por medio de una mascara en V, como la mostrada en el ejemplo de las pginas
siguientes.
Ejemplo
Suponiendo que la Posicin de una parte (A) se mueve hacia arriba y hacia abajo una cierta
distancia de la posicin ideal de referencia (B). AtoBDist es esta distancia. Para asegurar la calidad,
se toman 5 mediciones al da durante el primer periodo de tiempo y despus 10 al da en un
siguiente periodo de tiempo.
AtoBDist
-0.44025
5.90038
2.08965
0.09998
2.01594
4.83012
3.78732
4.99821
6.91169
1.93847
-3.09907
-3.18827
5.28978
4.52023
3.95372
7.99326
4.98677
-2.03427
3.89134
1.99825
0.01028
-0.24542
2.08175
-4.86937
-2.69206
-3.02947
4.75466
1.1424
0.9379
-7.30286
-5.22516
-4.06527
-1.91314
2.0459
4.93029
0.03095
-2.80363
-3.12681
-4.57793
4.90024
1.28079
2.87917
1.83867
-0.75614
3.72977
3.77141
-4.04994
3.89824
1.76868
2.2731
-3.82297
-2.26821
Pgina 209
3.81341
-3.78952
-3.81635
-4.8882
-3.24534
-0.27272
-4.33095
-1.83547
-3.98876
-4.97431
-5.1405
-0.10379
2.21033
-1.15453
2.29868
5.15847
0.08558
-3.09574
5.16744
0.29748
-4.66858
-2.13787
-0.0045
0.18096
4.30247
-2.21708
5.03945
1.96583
-0.21026
0.27517
-5.32797
2.99932
3.50123
-1.99506
-1.62939
2.14395
-1.90688
8.02322
-3.17924
-2.44537
1.36225
0.92825
-0.24151
-0.83762
-1.99674
-2.07973
0.01739
3.71309
1.72573
3.07264
0.15676
-0.05666
5.13041
-1.89455
0.95119
-5.15414
4.82794
0.13001
-0.09911
7.17603
5.86525
0.95699
-4.03441
-2.05086
-3.10319
-1.83001
Al llevar una carta X R en el subgrupo no se encontr una causa asignable, ahora se desea tratar
de detectar corridas pequeas en la media.
Corrida en Minitab
1. File > Open Worksheet > Data > CRANKSH.MTW.
2. Stat > Control Charts > Time weighted charts > CUSUM.
In Single column, seleccionar AtoBDist. In Subgroup size, poner 5.
3. OK.
Sample Mean
UCL=4.802
Mean=0.4417
LCL=-3.918
-5
Sample Range
Subgroup
10
15
20
25
UCL=15.98
15
10
R=7.559
5
0
LCL=0
Pgina 210
Upper CUSUM
Cumulative Sum
10
5.67809
-5
-5.67809
Low er CUSUM
10
15
20
25
Subgroup Number
Se puede observar que detecta una situacin anormal debido a un corrimiento lento de la media
del proceso.
Media = 10
Sigma = 1
Muestra
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
Xi
9.45
7.99
9.29
11.66
12.16
10.18
8.04
11.46
9.2
10.34
9.03
11.47
10.51
9.4
10.08
9.37
10.62
10.31
Xi - 10
-0.55
-2.01
-0.71
1.66
2.16
0.18
-1.96
1.46
-0.8
0.34
-0.97
1.47
0.51
-0.6
0.08
-0.63
0.62
0.31
Pgina 211
Ci = (Xi-10) +
Ci-1
-0.55
-2.56
-3.27
-1.61
0.55
0.73
-1.23
0.23
-0.57
-0.23
-1.2
0.27
0.78
0.18
0.26
-0.37
0.25
0.56
Media = 11
Sigma = 1
8.52
10.84
10.9
9.33
12.29
11.5
10.6
11.08
10.38
11.62
11.31
10.52
-1.48
0.84
0.9
-0.67
2.29
1.5
0.6
1.08
0.38
1.62
1.31
0.52
-0.92
-0.08
0.82
0.15
2.44
3.94
4.54
5.62
6
7.62
8.93
9.45
Individual V alue
U C L=13
12
_
X=10
10
8
LC L=7
3
12
15
18
O bser vation
21
24
27
30
M oving Range
U C L=3.686
3
2
__
M R=1.128
1
0
LC L=0
3
12
15
18
O bser vation
21
24
27
30
Cumulative Sum
UCL=4
2.5
0.0
-2.5
LCL=-4
-5.0
1
10
13
16
Sample
19
22
25
28
Figura 5.13 Carta Cusum muestra un corrimiento lento de la media del proceso
Con parmetros Media objetivo (Target) =10, S = 1
Pgina 212
max 0, (
C i max 0, xi ( 0 K ) C i1
C i
K ) xi C i1
(5.13)
(5.14)
(5.15)
max 0,9.5 x
C i max 0, xi 10 .5 C i1
C i
C i1
C1 max 0,9.45 10 .5 0 0
C1 max 0,9.5 9.45 0 0.05
C1 max 0,7.99 10 .5 0 0
C1 max 0,9.5 7.99 0.05 1.56
Si N+ y N- indican los periodos en que las sumas no han sido cero, se obtiene la tabla de
siguiente:
a
Muestra
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
26
27
28
29
30
Xi
9.45
7.99
9.29
11.66
12.16
10.18
8.04
11.46
9.20
10.34
9.03
11.47
10.51
9.40
10.08
9.37
10.62
10.31
8.52
10.84
10.90
9.33
12.29
11.50
10.60
11.08
10.38
11.62
11.31
10.52
xi - 10.5
-1.05
-2.51
-1.21
1.16
1.66
-0.32
-2.46
0.96
-1.30
-0.16
-1.47
0.97
0.01
-1.10
-0.42
-1.13
0.12
-0.19
-1.98
0.34
0.40
-1.17
1.79
1.00
0.10
0.58
-0.12
1.12
0.81
0.02
b
Ci+
0.00
0.00
0.00
1.16
2.82
2.50
0.04
1.00
0.00
0.00
0.00
0.97
0.98
0.00
0.00
0.00
0.12
0.00
0.00
0.34
0.74
0.00
1.79
2.79
2.89
3.47
3.35
4.47
5.28
5.30
Pgina 214
N+
0
0
0
1
2
3
4
5
0
0
0
1
2
0
0
0
1
0
0
1
2
0
1
2
3
4
5
6
7
8
9.5 - xi
0.05
1.51
0.21
-2.16
-2.66
-0.68
1.46
-1.96
0.30
-0.84
0.47
-1.97
-1.01
0.10
-0.58
0.13
-1.12
-0.81
0.98
-1.34
-1.40
0.17
-2.79
-2.00
-1.10
-1.58
-0.88
-2.12
-1.81
-1.02
Ci0.05
1.56
1.77
0.00
0.00
0.00
1.46
0.00
0.30
0.00
0.47
0.00
0.00
0.10
0.00
0.13
0.00
0.00
0.98
0.00
0.00
0.17
0.00
0.00
0.00
0.00
0.00
0.00
0.00
0.00
N
1
2
3
0
0
0
1
0
1
0
1
0
0
1
0
1
0
0
1
0
0
1
0
0
0
0
0
0
0
0
Corrida en Minitab
1. File > Open Worksheet > Data > CRANKSH.MTW.
2. Stat > Control Charts > Time weighted charts > CUSUM.
In Single column, seleccionar Xi. In Subgroup size, poner 1 Target 10.
3. Cusum Options: Standar deviation 1 Plan Type h 5 k 0.5 OK.
6.00
5.00
4.00
Ci+
3.00
Ci-
2.00
1.00
0.00
1
11
13
15
17
19
21
23
25
27
29
Cumulative Sum
5.0
UCL=5
2.5
0.0
-2.5
-5.0
LCL=-5
3
12
15
18
Sample
21
24
27
30
Pgina 215
Tambin se puede obtener una presentacin grfica de esta carta, denominada Carta de Estatus
de Cusum, graficando Ci+ y Ci- contra el nmero de muestra. Esto da una idea grfica al operador
del desempeo del proceso.
En forma similar a las cartas Cusum, se debe detener el proceso, identificar la causa asignable o
especial, tomar accin correctiva e iniciar de nuevo la Cusum Tabular.
Cuando el proceso se corre, la nueva media puede estimarse de:
0 K
0 K
C i
N
, si C i H
Ci
, si C i H
N
(5.16)
(5.17)
10 0.5
5.28
11.25
7
Cuando se utiliza un tamao de subgrupo mayor a 1, en las frmulas anteriores se debe remplazar
a xi por x i y por la x =
EL PROCEDIMIENTO DE LA MASCARILLA EN V
Un procedimiento alterno al uso del mtodo tabular Cusum, es la mascarilla en V propuesta por
Barnard (1959), esta mascarilla es aplicada a valores sucesivos del estadstico,
Pgina 216
C i y j y i C i 1
(5.18)
j 1
Ci
2A
1A
1 2 3 4 5 ............................................. i
El procedimiento consiste en colocar la mascarilla en V sobre la carta Cusum, con el punto O sobre
el ltimo valor de Ci y la lnea OP paralela al eje horizontal. Si todos los puntos anteriores C1,
C2,....,Cj se encuentran dentro de los dos brazos de la mascarilla, el proceso est en control, sin
embargo si cualquier punto de las sumas acumuladas se encuentra fuera de los brazos de la
mascarilla, se considera al proceso fuera de control.
En la prctica, la mascarilla en V se debe colocar a cada punto tan pronto como es graficado, los
brazos de la mascarilla se asumen extendidos hasta el origen.
Pgina 217
k = A tan ()
(5.19)
h = A d tan () = d.k
(5.20)
k = A tan ()
= 26.57
de h = d.k
o
=> 5 = d (1/2)
d =10
Cumulative Sum
20
15
10
Target=0
2
10
12
14
Sample
16
18
20
22
24
Figura 5.17 Ejemplo de carta de control Cusum con mascarilla en V para AtoBDist
Pgina 218
Vmask Chart of Xi
30
Cumulative Sum
20
10
Target=0
-10
1
10
13
16
Sample
19
22
25
28
Johnson y Leone han sugerido un mtodo para disear una mascarilla en V, con las frmulas
siguientes:
2A
tan 1
(5.21)
2 1
d 2 ln
(5.22)
Donde 2 es la mxima probabilidad de una falsa alarma cuando el proceso est en control y es
la probabilidad de no detectar un corrimiento de magnitud .
Pgina 219
ln( )
2 1 0.05
d 2 ln
1 0.05 = 5.888
1
tan 1 26 .56
2
Pgina 220
z i xi (1 ) z i 1
(5.23)
donde 0<<=1 es una constante y su valor inicial es el valor objetivo del proceso, de tal forma
que:
z 0 0 a veces igual a x
Si las observaciones xi son variables aleatorias independientes con varianza 2 , entonces la
varianza de zi es:
2i
1 (1 )
2
zi2
(5.24)
Por tanto los lmites de control de zi versus el nmero de muestra o tiempo i, son:
2i
LSC 0 L
1 (1 )
2
LC 0
(5.25)
(5.26)
2i
LIC 0 L
1 (1 )
2
Pgina 221
(5.27)
Note que el trmino [1 (1-)2i] se aproxima a la unidad conforme i se incrementa, esto significa
que cuando la carta EWMA ha corrido durante varios periodos de tiempo, los lmites de control se
estabilizan en:
LSC 0 L
(5.28)
LC 0
LSC 0 L
(5.29)
(5.30)
Ejemplo Utilizando los datos de la carta Cusum con = 0.10, L = 2.7, 0 = 0 y = 3.5, se tiene la
carta EWMA mostrada en la pgina siguiente.
Para x1= 9.45, calculando z1 = 9.945; LSC = 10.27 y LIC = 9.73 con la frmulas anteriores.
Para x2= 7.99, calculando z2 = 9.7495; LSC = 10.36 y LIC = 9.64, conforme se incrementa i los lmites
se estabilizan en LSC = 10.62 LIC = 9.38.
La carta EWMA tiene un ARL0 500 y una ARL1 14.3 equivalente a la Cusum con h=5 y k=1/2.
Esta carta no reacciona a cambios grandes de la media tan rpido como la hace la carta de
Shewart, este mismo comportamiento lo tienen tiene la carta Cususm.
Corrida en Minitab:
1. File > Open Worksheet > Data > CRANKSH.MTW.
2. Stat > Control Charts > Time weighted charts > EWMA
3. In Single column, seleccionar AtoBDist. In Subgroup size, poner 5.
4. Weight of EWMA 0.1
5. EWMA Options > Parameters Mean 0.0 Standar Deviation 3.5
S Limits These multiples of the estndar deviation 2.7
6. OK.
Pgina 222
+2.7SL=0.967
EWMA
0.5
_
_
X=0
0.0
-0.5
-2.7SL=-0.967
-1.0
1
11
13 15
Sample
17
19
21
23
25
Muestra
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
Xi
9.45
7.99
9.29
11.66
12.16
10.18
8.04
11.46
9.20
10.34
9.03
11.47
10.51
9.40
10.08
9.37
10.62
10.31
EWMA, Zi
9.945
9.7495
9.7036
9.8992
10.1253
10.1307
9.9217
10.0755
9.9880
10.0232
9.9238
10.0785
10.1216
10.0495
10.0525
9.9843
10.0478
10.0740
Pgina 223
8.52
10.84
10.90
9.33
12.29
11.50
10.60
11.08
10.38
11.62
11.31
10.52
9.9186
10.0108
10.0997
10.0227
10.2495
10.3745
10.3971
10.4654
10.4568
10.5731
10.6468
10.6341
Muestra
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
26
27
28
29
Xi
9.45
7.99
9.29
11.66
12.16
10.18
8.04
11.46
9.20
10.34
9.03
11.47
10.51
9.40
10.08
9.37
10.62
10.31
8.52
10.84
10.90
9.33
12.29
11.50
10.60
11.08
10.38
11.62
11.31
EWMA, Zi
9.945
9.7495
9.7036
9.8992
10.1253
10.1307
9.9217
10.0755
9.9880
10.0232
9.9238
10.0785
10.1216
10.0495
10.0525
9.9843
10.0478
10.0740
9.9186
10.0108
10.0997
10.0227
10.2495
10.3745
10.3971
10.4654
10.4568
10.5731
10.6468
LSC
10.2700
10.3632
10.4240
10.4675
10.4999
10.5247
10.5440
10.5591
10.5710
10.5805
10.5881
10.5942
10.5991
10.6030
10.6062
10.6087
10.6107
10.6124
10.6137
10.6148
10.6157
10.6164
10.6170
10.6174
10.6178
10.6181
10.6184
10.6186
10.6187
Pgina 224
LIC
9.7300
9.6368
9.5760
9.5325
9.5001
9.4753
9.4560
9.4409
9.4290
9.4195
9.4119
9.4058
9.4009
9.3970
9.3938
9.3913
9.3893
9.3876
9.3863
9.3852
9.3843
9.3836
9.3830
9.3826
9.3822
9.3819
9.3816
9.3814
9.3813
10.52
10.6341
10.6189
9.3811
10.8
10.6
10.4
10.2
10
EWMA, Zi
9.8
9.6
LSC
LIC
9.4
9.2
9
8.8
8.6
1
11
13
15
17
19
21
23
25
27
29
EWMA
10.25
_
_
X=10
10.00
9.75
9.50
-2.7SL=9.381
3
12
15
18
Sample
21
24
27
Pgina 225
30
Mi
xi xi 1 ..... xi w1
w
(5.31)
LSC 0
3
w
(5.32)
LC 0
LIC 0
(5.33)
3
w
(5.34)
Por ejemplo usando los datos anteriores con w = 5. Graficando el estadstico M i para
periodos i 5.
Mi
xi xi 1 ....xi 4
5
(5.35)
Para periodos i<5 se grafica el promedio de las observaciones para los periodos 1, 2, 3, ...i.
Ejemplo 5.9 Los lmites de control son con 0 =10 y =1, se tiene:
LSC = 10 + 3 (1.0) / 51/2 = 11.34
LSC = 10 - 3 (1.0) / 51/2 = 8.66
Ejemplo La carta de media mvil para los datos del ejemplo anterior con un tamao de corrida de
5 es la siguiente:
Corrida en Minitab:
1. File > Open Worksheet > Data > CRANKSH.MTW.
2. Stat > Control Charts > Time Weighted charts > Moving Average
3. In Single column, seleccionar AtoBDist. In Subgroup size, poner 5.
4. Lenght of MA 5
5. OK.
Pgina 226
Moving Average
4
3
UCL=2.346
2
1
Mean=0.4417
0
-1
LCL=-1.463
-2
-3
-4
-5
0
10
15
20
25
Sample Number
875
985
970
940
975
1000
1035
1020
985
960
945
965
940
900
920
Pgina 227
980
950
955
970
970
1035
1040
Instrucciones de Minitab
1. Open worksheet EXH_QC.MTW.
2. Seleccionar Stat > Control Charts > Time-weighted charts > Moving Average.
3. Seleccionar All observations for a chart are in one column, poner Weight.
4. En Subgroup sizes, poner 1. Click OK.
La carta de promedio mvil es:
Moving Average
1000
UCL=979.6
975
950
_
_
X=936.9
925
900
LCL=894.1
875
850
4
12
16
20
24
Sample
28
32
36
Pgina 228
40
44
1 1
Individual Value
U C L=1010.9
1000
_
X=936.9
950
900
850
12
LC L=862.8
16
20
24
O bser vation
28
32
36
40
44
M oving Range
100
U C L=91.0
75
50
__
M R=27.8
25
0
LC L=0
4
12
16
20
24
O bser vation
28
32
36
40
44
Usando los datos siguientes con M = 5, con desviacin estndar = 1 y media = 10:
Muestra
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
Xi
9.45
7.99
9.29
11.66
12.16
10.18
8.04
11.46
9.20
10.34
9.03
11.47
10.51
9.40
10.08
9.37
10.62
10.31
Mi
9.450
8.720
8.910
9.598
10.110
10.256
10.266
10.700
10.208
9.844
9.614
10.300
10.110
10.150
10.098
10.166
9.996
9.956
LSC
13.0000
12.1213
11.7321
11.5000
11.3416
11.3416
11.3416
11.3416
11.3416
11.3416
11.3416
11.3416
11.3416
11.3416
11.3416
11.3416
11.3416
11.3416
Pgina 229
LIC
7.0000
7.8787
8.2679
8.5000
8.6584
8.6584
8.6584
8.6584
8.6584
8.6584
8.6584
8.6584
8.6584
8.6584
8.6584
8.6584
8.6584
8.6584
8.52
10.84
10.90
9.33
12.29
11.50
10.60
11.08
10.38
11.62
11.31
10.52
9.780
9.932
10.238
9.980
10.376
10.972
10.924
10.960
11.170
11.036
10.998
10.982
11.3416
11.3416
11.3416
11.3416
11.3416
11.3416
11.3416
11.3416
11.3416
11.3416
11.3416
11.3416
8.6584
8.6584
8.6584
8.6584
8.6584
8.6584
8.6584
8.6584
8.6584
8.6584
8.6584
8.6584
14.00
13.00
12.00
Xi
11.00
Mi
10.00
LSC
9.00
LIC
8.00
7.00
6.00
1
11
13
15
17
Pgina 230
19
21
23
25
27
29
Ancho 9
Nigels Trucking Co.
Definiciones bsicas.
Pgina 231
Capacidad del proceso: Es la aptitud del proceso para producir productos dentro de los
lmites de especificaciones de calidad.
Capacidad medida: Esto se refiere al hecho de que la capacidad del proceso se cuantifica a
partir de datos que, a su vez, son el resultado de la medicin del trabajo realizado por el
proceso.
Variabilidad natural: Los productos fabricados nunca son idnticos sino que presentan
cierta variabilidad, cuando el proceso est bajo control, solo actan las causas comunes de
variacin en las caractersticas de calidad.
Valor Nominal: Las caractersticas de calidad tienen un valor ideal ptimo que es el que
desearamos que tuvieran todas las unidades fabricadas pero que no se obtiene, aunque
todo funcione correctamente, debido a la existencia de la variabilidad natural.
La aplicacin del anlisis de capacidad de los procesos tiene los objetivos siguientes:
Pgina 232
(6.1)
LTNI = - 3
Para un proceso normal, los lmites de tolerancia naturales incluyen 99.73% de la variable, slo el
0.27% (2700 ppm) de la salida del proceso se encontrar fuera de estos limites de tolerancia
naturales. Sin embargo, si el proceso no es normal, el porcentaje puede diferir grandemente. Esto
se esquematiza en la figura siguiente:
.00135 LTNI
LTNS .00135
Existen diversas tcnicas para evaluar la capacidad del proceso, entre las que se encuentran:
Histogramas o papel de probabilidad, cartas de control y experimentos diseados.
LSE
LIE
s
p
xi
_
X
Pgina 233
El proceso se encuentre bajo control estadstico, es decir sin la influencia de fuerzas externas o
cambios repentinos. Si el proceso est fuera de control la media y/o la desviacin estndar del
proceso no son estables y, en consecuencia, su variabilidad ser mayor que la natural y la
32
J.M. Juran, Anlisis y planeacin de la Calidad, Tercera Edicin Mc. Graw Hill, Pp.404
Pgina 234
Los datos se recolectan durante un periodo suficientemente largo para asegurar que las
condiciones del proceso presentes durante el estudio sean representativos de las condiciones
actuales y futuras.
Variacin a corto plazo (Zst) Los datos son recogidos durante un periodo de tiempo
suficientemente corto para que sea improbable que haya cambios y otras causas especiales.
Las familias de variacin han sido restringidas de tal manera que los datos considerados, slo son
los que se obtuvieron del subgrupo racional. Ayuda a
importantes.
suficientemente largo y en condiciones suficientemente diversas para que sea probable que
Pgina 235
contenga algunos cambios de proceso y otras causas especiales. Aqu todas las familias de
variacin exhiben su contribucin en la variacin del proceso general.
Z st
Z LT
(6.1)
dnde:
Z shift.- A largo plazo los procesos tienen un desplazamiento natural de 1.5 desviaciones estndar.
Zlt = Zst-1.5shift
Pgina 236
El ndice de capacidad potencial Cp = PCR compara la amplitud de variacin permitida por las
especificaciones entre la amplitud de variacin entre los lmites de tolerancia naturales del
proceso.
Cp PCR
LSE LIE
6
(6.2)
Ejemplo 6.1 para el caso de anillos de pistones, donde el LSE = 74.05mm y el LIE= 73.95mm y de la
carta R se estim
R
0.0099 por tanto se tiene:
d2
1
100
P
Cp
(6.3)
Cps PCRS
LSE
3
Cpi PCRI
LIE
3
Pgina 237
(6.4)
Ejemplo 6.2 Para el caso de la resistencia de las botellas de vidrio, si el LIE = 200psi,
Cp PCR I
264 200 64
0.67
3(32 )
96
Lo cual indica falta de habilidad, la fraccin abajo del lmite inferior es:
ZI
LIE
200 264
2
32
P(x <= ZI) = 0.0228 o 2.28% por debajo del lmite inferior de especificaciones
Algunos de los ndices de capacidad potencial Cp y las piezas defectivas en partes por milln (ppm)
que estn fuera de especificaciones se muestran a continuacin:
Cp 1-lado
0.25
0.5
0.6
0.7
0.8
1
1.1
1.2
1.3
1.4
1.5
1.6
1.7
2
226,628
66,807
35,931
17,865
8,198
1,350
484
159
48
14
4
1
0.17
0.0009
2-lados
453,255
133,614
71,861
35,729
16,395
2,700
967
318
96
27
7
2
0.34
0.0018
Se recomienda que para procesos existentes el mnimo Cp sea de 1.33 y de 1.67 para procesos
crticos, el ideal es 2.0 para procesos nuevos como es el caso de Motorola en su programa 6-sigma.
Pgina 238
Este ndice no toma en cuenta la localizacin relativa de la media del proceso respecto a los lmites
de especificaciones. Por lo que es necesario otro ndice adicional.
Cps PCRS
LSE
3
Cpi PCRI
LIE
3
(6.6)
Ejemplo 6.3 Para un proceso donde los lmites de especificacin sean LSE=62, LIE=38, la media del
proceso sea =53 y su desviacin estndar =2, se tiene:
Cps PCRS
62 53
1.5 para el lmite superior
32
Cpi PCRI
53 38
2.5 para el lmite inferior
32
Note que el PCR a considerar corresponde al lmite de especificacin ms cercano a la media del
proceso. Siempre se cumple que,
Pgina 239
Cpk <= Cp
Frec.
a)
Microdureza
Se puede transformar cada valor x con su inverso o sea con y=1/x de esta forma la distribucin
transformada es la siguiente (ver mtodo de Box Cox con Lamda ptima en Minitab):
Frec.
b)
Y=1/x
Pgina 240
LIE
PROCESO A: Cpk = 1
LSE
LIE
LSE
PROCESO B: Cpk =1
Si T
1
( LSE LIE)
2
(6.7)
2 ( T ) 2
(6.8)
(6.9)
Se tiene,
Cp m PCRkm
LSE LIE
LSE LIE
LSE LIE
2
2
6
6 ( T )
1 2
Una condicin necesaria para que Cpm sea mayor de uno es:
1
6
T ( LSE LIE)
(6.10)
1
1.0
1 0
Cpm (B) =
2
1 (3) 2
0.63
Cp pmk PCRpmk
Cpk
(6.11)
1 2
Ejemplo:
De una carta de control X - R (con subgrupos de n = 5), despus de que el proceso se estabiliz
quedando slo con causas comunes, se obtuvo lo siguiente:
Xmedia de medias = 264.06
Rmedio = 77.3
Pgina 242
Ejercicio:
De una carta de control X - R (con tamao de subgrupo n = 5), despus de que el proceso se
estabiliz quedando slo con causas comunes (LIE = 36, LSE = 46) se obtuvo lo siguiente:
Xmedia de medias = 40
Rmedio = 5
d) Determinar el Cp
e) Determinar el Cpk
f) Determinar el Cpm
g) Determinar el Cpkm
Pgina 243
Ejemplo 6.4 Se tiene la resistencia de botellas de vidrio de 1-litro en psi. Los datos se muestran se
muestran a continuacin.
HIST
265
205
263
307
220
268
260
234
299
215
197
286
274
243
231
267
281
265
214
318
346
317
242
258
276
300
208
187
264
271
280
242
260
321
228
250
299
258
267
293
265
254
281
294
223
260
308
235
283
277
200
235
246
328
296
276
264
269
235
290
221
176
248
263
231
334
280
265
272
283
265
262
271
245
301
280
274
253
287
258
261
248
260
274
337
250
278
254
274
275
278
250
265
270
298
257
210
280
269
251
Pgina 244
180
210
240
270
300
A -S quared
P -V alue
0.75
0.049
M ean
S tDev
V ariance
S kew ness
Kurtosis
N
264.06
32.02
1025.15
-0.129448
0.518454
100
M inimum
1st Q uartile
M edian
3rd Q uartile
M aximum
330
176.00
248.00
265.00
280.00
346.00
270.41
271.00
28.11
37.19
Mean
Median
258
260
262
264
266
268
270
X 264.06
S = 32.02
264 96 psi.
Pgina 245
Ventajas
1. Se puede observar el comportamiento del proceso sin tomar tantos datos como en el
histograma, 10 son suficientes
2. El proceso es ms sencillo ya que no hay que dividir el rango de la variable en intervalos de clase
como en el histograma.
3. Visualmente se puede observar la normalidad de los datos, si se apegan a la lnea de ajuste
4. Permite identificar la media y la desviacin estndar aproximada del proceso. As como la
fraccin defectiva, el porcentaje de datos entre cierto rango, el Cp y el Cpk.
Procedimiento
1. Se toman al menos n = 10 datos y se ordenan en forma ascendente, asignndoles una posicin (
j ) entre 1 y n.
2. Se calcula la probabilidad de cada posicin con la frmula siguiente:
Pj = (j - 0.5) / n
3. En el papel especial normal se grafica cada punto (Xj, Pj)
4. Se ajusta una lnea recta que mejor aproxime los puntos
5. Si no hay desviaciones mayores de la lnea recta, se considera normal el proceso y se procede a
hacer las identificaciones:
Ejemplo 6.5 .-Se tomaron los datos siguientes (Xj) ordenamos los datos y, calculamos la
probabilidad de su posicin (Pj)
Pgina 246
Pos. J
1
2
3
4
5
6
7
8
9
10
Valor Xj
197
200
215
221
231
242
245
258
265
265
Pj
0.025
0.075
0.125
0.175
0.225
0.325
0.325
0.375
0.425
0.475
Pos. J
11
12
13
14
15
16
17
18
19
20
Xj
271
275
277
278
280
283
290
301
318
346
Pj
0.525
0.575
0.625
0.675
0.725
0.775
0.825
0.875
0.925
0.975
Con ayuda del grfico podemos obtener la media, la desviacin estndar y el porcentaje de valores
que se encuentran fuera de especificaciones.
Pj
0.84
0.5
Desv. Estndar
Fraccin
Defectiva
LIE
X Media
Xj
Si los datos son normales, la frecuencia de ocurrencias en varios valores Xi, puede predecirse
usando una lnea slida como modelo. Por ejemplo, slo ms del 20% de los datos del proceso
seran valores de 225 o inferiores.
Pgina 247
197
200
215
221
231
242
245
258
265
265
99
Mean
StDev
N
AD
P-Value
95
90
Percent
80
70
60
50
40
30
20
10
5
150
200
250
Datos
Pgina 248
300
350
262.9
38.13
20
0.262
0.667
262.9
Con esta grfica se pueden estimar tambin los porcentajes de partes fuera de las
especificaciones, por ejemplo si se traza el Lmite Inferior de Especificacin LIE en 200 psi, se
observa que se tiene un 5% aproximadamente fuera de especificaciones.
Nota: Es muy importante que el proceso sea normal, de lo contrario se obtendrn resultados
inexactos. Cuando los procesos son ligeramente anormales se pueden utilizar los mtodos de
Pearson, transformar los datos por Box Cox o usar Weibull.
Se puede observar que cuando el proceso est en control, no existen causas asignables que
puedan ser corregidas, y la nica alternativa para reducir la variabilidad es con la intervencin de
la administracin.
En casos especiales como estos donde las variaciones presentes son totalmente inesperadas
tenemos un proceso inestable impredecible.
Pgina 249
?
?
Si las variaciones presentes son iguales, se dice que se tiene un proceso estable. La distribucin
ser predecible en el tiempo.
Prediccin
Tiempo
R
S
(Para cartas de control X-R y X-S respectivamente)
C4
d2
Donde,
El factor C4 = 4(n-1)/(4n 3), con esta desviacin estndar se determinan los ndices de
desempeo Pp y Ppk.
Pgina 250
En una carta por individuales, d2 se toma para n = 2 y Rango Medio = Suma rangos / (n -1)
= 64.06 ,
= 77.3
x media de medias
R
77 .3
33 .23
d 2 2.326
El C pk
200 264.06 =
3 33.23
x 100
Pgina 251
x 100, s 1.05
s
1.05
=
1.117
C 4 .094
El C pk
El C p
105 85 2.984
3 1.117
6 1.117
Nos aseguramos que los datos se distribuyan normalmente con la prueba de Ryan como sigue:
El P value debe ser mayor a 0.05 para que los datos se distribuyan normalmente
Pgina 252
99.9
Mean
StDev
N
RJ
P-Value
99
Percent
95
90
269.3
30.72
100
0.994
>0.100
80
70
60
50
40
30
20
10
5
1
0.1
150
200
250
Datos
300
350
Los puntos deben quedar dentro del intervalo de confianza para indicar que es normal la
distribucin.
99.9
Mean
StDev
N
AD
P-Value
99
Percent
95
90
80
70
60
50
40
30
20
10
5
1
0.1
150
200
250
300
350
400
Datos
Pgina 253
269.3
30.72
100
0.317
0.533
USL
P rocess D ata
LS L
200.00000
Target
*
USL
330.00000
S ample M ean
269.25354
S ample N
100
S tD ev (Within)
30.83472
S tD ev (O v erall)
30.80011
Within
Ov erall
P otential (Within) C apability
Cp
0.70
C PL
0.75
C PU
0.66
C pk
0.66
C C pk 0.70
O v erall C apability
Pp
PPL
PPU
P pk
C pm
210
O bserv ed P erformance
P P M < LS L
10000.00
P P M > U S L 30000.00
P P M Total
40000.00
240
270
300
330
0.70
0.75
0.66
0.66
*
360
La desviacin estndar Within se determina en base al Rango medio y d2 (1.128 para n = 2), con
esta se determinan los ndices de capacidad potencial Cp y real Cpk, lo cual es adecuado para un
proceso en control o normal.
Pgina 254
La desviacin estndar Overall se determina con la desviacin estndar de todos los datos de la
muestra dividido entre el factor C4 = 4(n-1)/(4n 3), con esta desviacin estndar se determinan
los ndices de desempeo Pp y Ppk as como el desempeo Overall, no importando si el proceso
est en control o no, en este ltimo caso los valores no tienen significado prctico.
I C har t
C apability H istogr am
UCL=361.8
320
_
X=269.3
240
160
LCL=176.7
1
10
20
30
40
50
60
70
80
100
210
100
50
270
300
330
360
UCL=113.6
__
MR=34.8
LCL=0
1
10
20
30
40
50
60
70
80
90
100
200
300
400
C apability P lot
Within
S tDev 30.83472
Cp
0.70
C pk
0.66
C C pk
0.70
300
Values
240
Moving Range
90
250
200
Within
Overall
O v erall
S tDev 30.80011
Pp
0.70
P pk
0.66
C pm
*
Specs
80
85
90
Observation
95
100
En este caso de la grfica de probabilidad normal, los datos siguen una distribucin normal.
Pgina 255
Ejemplo en Minitab
En una compaa se manufacturan losetas para piso, el problema que se tiene es referente a la
deformacin en las mismas. Se toman 100 mediciones durante 10 das. El lmite superior de
especificacin (USL) = 3.5 mm Realice un estudio de capacidad con la ayuda de Minitab e
interprete los resultados.
Generar 100 datos aleatorios en Minitab con Factor de forma = 1, Factor de escala = 1 con
Pgina 256
O v erall C apability
Pp
*
PPL
*
PPU
0.85
P pk
0.85
*
*
3.50000
0.82279
100
1.24929
0.88470
O bserv ed P erformance
P P M < LS L
*
P P M > U S L 10000
P P M Total
10000
0.0
0.5
1.0
1.5
2.0
2.5
3.0
3.5
Fig. 6.16 Determinacin de la capacidad del proceso por Weibull - Datos no normales
El ndice Ppk y Ppu33 = 0.85 lo cual nos dice que el desempeo del proceso no es capaz ya que
0.85<.1.33
Tambin observamos que PPM > USL 3,795 lo cual significa que aproximadamente 3,795 PPM
estarn fuera de los lmites de especificaciones.
33
Los ndices Pp y Ppk son similares a los ndices Cp y Cpk , se refieren a la capacidad del proceso a
largo plazo.
Pgina 257
(6.13)
Ejemplo 6.8 Tomando 20 partes y evalundolas 2 veces por un mismo operador con el mismo
instrumento de medicin, se obtienen los resultados mostrados a continuacin:
PARTS OP1IN1 OP1IN2 X-media
1
21
20
20.5
2
24
23
23.5
3
20
21
20.5
4
27
27
27
5
19
18
18.5
6
23
21
22
7
22
21
21.5
8
19
17
18
9
24
23
23.5
10
25
23
24
11
21
20
20.5
12
18
19
18.5
13
23
25
24
14
24
24
24
15
29
30
29.5
16
26
26
26
17
20
20
20
18
19
21
20
19
25
26
25.5
20
19
19
19
Figura 6.16 Cartas X-R del estudio
Rango
1
1
1
0
1
2
1
2
1
2
1
1
2
0
1
0
0
2
1
0
Con formato: Espaol (Mxico)
Pgina 258
Sample M ean
1
1
25
U C L=24.18
_
_
X=22.3
LC L=20.42
20
1
1
11
Sample
13
15
17
19
U C L=3.267
Sample Range
2
_
R=1
LC L=0
1
11
Sample
13
15
17
19
Figura 6.17 Cartas de control X-R de las mediciones del operador en sus dos intentos
Con formato: Espaol (Mxico)
Notar que la carta X indica muchos puntos fuera de control, lo cual es normal ya que se espera que
el instrumento distinga las diferentes unidades de producto.
La
carta
representa
las
diferencias entre mediciones de la misma unidad con el mismo instrumento. En este caso la carta
R est en control, indicando que el operador no tiene dificultad para realizar las mediciones en
forma consistente. Si hubiera puntos fuera de control, indica que el operador tiene dificultad para
utilizar el instrumento.
La desviacin estndar del error de medicin, instrumento puede estimarse como:
instrumento
R
1 .0
0.887
d 2 1.128
Pgina 259
En este caso, 6instrumento = 6 (0.887) = 5.32, de tal forma que 2.66 de error de medicin se puede
asignar al error del instrumento de medicin.
P 6 instrumento
T LSE LIE
(6.14)
P 6(0.887) 5.32
0.097
T
60 5
55
Los valores de P/T menores a 0.1 implican una capacidad adecuada del instrumento de medicin.
Basado en su precisin debe ser al menos de 0.1 de la tolerancia de la caracterstica evaluada.
La variabilidad total de los datos de las mediciones incluyen la variabilidad del producto y las del
instrumento de medicin. Por tanto,
2
total
S2
2
2
2producto total
instrument
o
N
40
Mean Median
22.300 21.500
2
total
S 2 = 3.17 x 3.17 = 10.0615
2
2
2producto total
instrument
o = 10.0615 0.7867 = 9.2748
Pgina 260
= 3.045
instrumento
x100
producto
(6.15)
instrumento
0.887
x100 29.13%
x100 =
3.045
producto
Con formato: Ttulo 3, Izquierda,
Interlineado: sencillo
(6.16)
Ejemplo 6.9 Se tienen los datos de mediciones de 20 partes por 3 operadores, haciendo 2 intentos
cada uno como sigue.
PARTS
1
2
3
4
5
6
7
8
Pgina 261
OP3IN2 RANGO3
21
2
24
1
22
2
28
1
21
3
22
1
20
2
18
1
24
23
1
25
23
2
21
20
1
18
19
1
23
25
2
24
24
0
29
30
1
26
26
0
20
20
0
19
21
2
25
26
1
19
19
0
OP1IN1 OP1IN2 RANGO1
21
20
1
20
24
23
1
24
20
21
1
19
27
27
0
28
19
18
1
19
23
21
2
24
22
21
1
22
19
17
2
18
24
23
1
25
25
23
2
26
21
20
1
20
18
19
1
17
23
25
2
25
24
24
0
23
29
30
1
30
26
26
0
25
20
20
0
19
19
21
2
19
25
26
1
25
19
19
0
18
1
1
R ( R1 R 2 R 3 ) (1.0 1.25 1.20) 1.15
3
3
por tanto la desviacin estndar de la repetibilidad es:
Pgina 262
24
24
24
25
21
20
18
19
25
25
24
25
31
30
25
27
20
20
21
23
25
25
19
17
OP3IN1 OP3IN2 RANGO3
2
1
2
1
3
1
2
1
0
1
1
1
0
1
1
2
0
2
0
2
0
1
1
1
0
1
1
2
0
2
0
2
repetibilidad
R
1.15
1.02
d 2 1.128
x max max( x1 , x 2 , x 3 )
x min min( x1 , x 2 , x 3 )
R x max x min
x
reproducibilidad
Rx
d2
instrumento.medicin = 1.04
Por otra parte utilizando el paquete Minitab se obtuvieron las respuestas siguientes (tomando
5.15 sigmas):
DISPOSITIVO DE PRUEBA
20 JULIO 2000
P. REYES
Pgina 263
Source
Variance
%Contribution
(of Variance)
1.0424
1.0394
0.0030
9.4801
10.5225
9.91
9.88
0.03
90.09
100.00
Source
StdDev
(SD)
Study Var
(5.15*SD)
1.02096
1.01950
0.05449
3.07898
3.24384
5.2579
5.2504
0.2806
15.8568
16.7058
%Study Var
(%SV)
31.47
31.43
1.68
94.92
100.00
%Tolerance
(SV/Toler)
9.56
9.55
0.51
28.83
30.37
Pgina 264
Con formato
...
Con formato
...
Con formato
...
Con formato
...
Con formato
...
Con formato
...
Con formato
...
Con formato
...
Con formato
...
Con formato
...
Con formato
...
Con formato
...
Con formato
...
Con formato
...
Con formato
...
Con formato
...
Con formato
...
Con formato
...
Con formato
...
Con formato
...
Con formato
...
Con formato
...
Con formato
...
Con formato
...
Con formato
...
Con formato
...
Con formato
...
Con formato
...
Con formato
...
Con formato
...
Con formato
...
Con formato
...
Con formato
...
Cuando los operadores no miden una pieza de manera consistente, se puede caer en el riesgo de
rechazar artculos que estn en buen estado o aceptar artculos que estn en mal estado. Por otro
lado si los instrumentos de medicin no estn calibrados correctamente tambin se pueden
cometer errores. Cuando sucede lo mencionado anteriormente tenemos un sistema de medicin
deficiente que puede hacer que un estudio de capacidad parezca insatisfactorio cuando en
realidad es satisfactorio. Lo anterior puede tener como consecuencia gastos innecesarios de
reproceso al reparar un proceso de manufactura o de servicios, cuando la principal fuente de
variacin se deriva del sistema de medicin.
Posibles Fuentes de la Variacin del Proceso
Variacin
proceso,
real
Variacin
deldel
proceso,
real
Variacin dentro de la
muestra
Repetibilidad
Variacin de la medicin
Variacin
originada
Equipo
de
medicin
por el calibrador
Estabilidad
Reproducibilidad
Linealidad
Calibracin
Figura 6.18 Diagrama de variabilidad observada en el proceso
Pgina 265
Sesgo
Definiciones
Operador-C
Operador-A
Reproducibilidad
REPETIBILIDAD
34
Pgina 266
Precisin: Es la habilidad de repetir la misma medida cerca o dentro de una misma zona
Exacto y preciso
(resolucin)
- Estabilidad: es la variacin total de las mediciones obtenidas con un sistema de medicin, hechas
sobre el mismo patrn o sobre las mismas partes, cuando se mide una sola de sus caractersticas,
durante un perodo de tiempo prolongado.
Tiempo 2
Tiempo 1
Figura 6.22 Evaluacin de la estabilidad
Pgina 267
Linealidad: diferencia en los valores de la escala, a travs del rango de operacin esperado del
instrumento de medicin.
Valor
verdadero
Valor
verdadero
Sesgo
Menor
Sesgo
mayor
(rango inferior)
(rango superior)
Sesgo: distancia entre el valor promedio de todas las mediciones y el valor verdadero. Error
sistemtico o desviacin.
Valor
Verdadero
Sesgo
<10% Aceptable
10-30%. Puede ser aceptable, para caractersticas no crticas.
>30%. Inaceptable!
Pgina 268
En otras industrias fuera de la automotriz se acepta un error total de R&R del 25% como mximo.
En cualquier problema que involucre mediciones, algunas de las variaciones observadas son
debidas al proceso y otras son debidas al error o variacin en los sistemas de medicin. La
variacin total es expresada de la siguiente manera:
La desviacin estndar de R&R se aproxima con la formula de rango medio entre d2*. El % de R&R
se calcula comparando la desv. Estndar de R&R con la del proceso
Partes
1
2
3
4
5
Pgina 269
La resolucin del equipo de medicin debe ser de al menos el 10% del rango de tolerancia o
del rango de variacin del proceso.
Las partes deben seleccionarse al azar, cubriendo el rango total del proceso. Es importante
que dichas partes sean representativas del proceso total (80% de la variacin)
10 partes NO son un tamao de muestra significativo para una opinin slida sobre el
Pgina 270
Repetibilidad
Reproducibilidad
% R&R
a la Reproducibilidad y a la
Repetibilidad.
Reproducibilidad y a la
Repetibilidad.
Pgina 271
columna 1
Pgina 272
0.0050
0.0050
0.0040
0.0470
Suma
XA :
8
9
10
Totales
0.000416667
R:
0.0050
0.0045
0.0055
0.0050
0.0045
0.0045
0.0050
0.0040
0.0455
RA :
0.0050
0.0045
0.0045
0.0045
0.0045
0.0045
0.0045
0.0045
D4
0.00035
0.0005
0.0035
0.0005
0.0010
0.0005
-
0.0010
R x D4
0.001075
LSCR =
2.58
Rango
columna 4
LSCR =
# Intentos
3er Intento
columna 3
0.0048
0.0040
0.0467
0.0050
0.0047
0.0050
0.0048
0.0045
0.0045
0.0048
0.0045
Promedio
Nota : Las constantes y las formulas estan establecidas para 3 intentos y 3 operadores
0.0005
0.00125
RC :
SUM:
0.0004
0.0050
0.00035
0.0050
RB :
0.1400
0.004666667
0.0050
0.0045
4
5
RA :
0.0045
0.0040
0.0475
0.0045
0.0055
0.0045
0.0045
0.0045
2do Intento
columna 2
1er Intento
A.-
Muestra
OPERADOR
Calibrador Digital
0.0060
4600066 PARTE A
XB :
Suma
0.0045
0.0040
0.0485
0.0050
0.0055
0.0060
0.0050
0.0040
0.0045
0.0055
0.0045
columna 5
1er Intento
B.-
X Diff:
X min:
X Mx:
0.004716667
0.1415
0.0045
0.0040
0.0465
0.0050
0.0045
0.0050
0.0050
0.0045
0.0045
0.0050
0.0045
0.0050
0.0040
0.0465
RB :
0.0050
0.0050
0.0050
0.0050
0.0040
0.0045
0.0045
0.0045
0.0001000000
0.004666667
0.004766667
3er Intento
columna 7
Rango
0.0004
0.0005
0.0040
0.0010
0.0010
0.0005
0.0010
columna 8
RECOLECCIN DE DATOS
columna 6
2do Intento
01/07/2003
Caracterstica: Diametro
Elaborado por:
Fecha:
Aseguramiento de Calidad
MTODO LARGO
0.005142917
LICX =
0.0043
LICX = X - A2 R
LSCX =
XC :
Suma
0.0055
0.0045
0.0500
0.0060
0.0045
0.0050
0.0050
0.0045
0.0045
0.0055
0.0050
columna 9
1er Intento
C.-
LSCX = X + A2 R
0.0047
0.0040
0.0472
0.0050
0.0050
0.0053
0.0050
0.0042
0.0045
0.0050
0.0045
Promedio
columna 10
0.004766667
0.1430
0.0045
0.0045
0.0470
0.0050
0.0050
0.0050
0.0050
0.0045
0.0045
0.0045
0.0045
2do Intento
A2 =
0.0045
0.0045
0.0460
RC :
0.0050
0.0050
0.0050
0.0050
0.0040
0.0040
0.0045
0.0045
columna 11
3er Intento
1.023
0.0005
0.0010
0.0050
0.0010
0.0005
0.0005
0.0005
0.0010
0.0005
columna 12
Rango
0.0048
0.0045
0.0477 Xp=
Rp =
0.0053
0.0048
0.0050
0.0050
0.0043
0.0043
0.0048
0.0047
Promedio
0.000944
0.004778
0.004167
0.004717
0.005111
0.004833
0.005111
0.004944
0.004333
0.004444
0.004889
0.004556
Prom. Parte
X p=
4600066 PARTE A
Tolerancia Especificada:
Fecha:
0.0060
01/07/2003
Elaborado por:
Calibrador Digital
Caracterstica: Diametro
X Diff =
0.0001000000
Rp = 0.000944444
% Total de Variacin ( TV )
% EV = 100 [ EV/TV ]
% EV =
63.74%
INTENTOS
K1
4.56
3.05
% EV vs Tol. =
21.18%
% AV = 100 [AV/TV]
% AV =
6.93%
AV = 0.00027
AV = 7.29E-08
% AV vs Tol =
2.30%
AV = 5.38339E-08
AV = 1.90661E-08
n= 10
AV = 0.00013808
r= 3
OPERADOR
K2
n= Numero de Partes
3.65
2.7
r = Numero de Intentos
% de R & R =
PARTES
K3
R & R = 0.001278313
3.65
Variacin de la Parte ( PV )
PV = RP x K3
3
4
2.7
2.3
2.08
1.93
1.82
8
9
1.74
1.67
10
1.62
PV =
0.00153
VARIACIN TOTAL ( TV )
2
2 1/2
TV = ( R & R + PV )
TV = 3.97498E-06
% de R & R =
% de R & R vs Tol =
% PV =
% PV =
100 [ PV/TV ]
76.7403%
Categoria de Datos
d2 =
1.693
PV / R&R x d2=
2.0
TV = 0.001993736
Observaciones :
FIRMA DE AUTORIZACIN
Pgina 273
Pgina 274
RA :
R:
D4
R x D4
2.58
Rango
columna 4
Promedio
Nota : Las constantes y las formulas estan establecidas para 3 intentos y 3 operadores
LSCR =
LSCR =
SUM:
RC :
3er Intento
columna 3
# Intentos
2do Intento
columna 2
RB :
XA :
Suma
columna 1
1er Intento
A.-
RA :
9
10
Totales
4
5
Muestra
OPERADOR
XB :
Suma
columna 5
1er Intento
B.-
Caracterstica:
X Diff:
X min:
X Mx:
2do Intento
columna 6
3er Intento
columna 7
RB :
Rango
columna 8
RECOLECCIN DE DATOS
Fecha:
Elaborado por:
MTODO LARGO
LICX =
LICX = X - A2 R
LSCX =
XC :
Suma
columna 9
1er Intento
C.-
LSCX = X + A2 R
Promedio
columna 10
2do Intento
A2 =
RC :
columna 11
3er Intento
columna 12
Rango
Promedio
X p=
Rp =
Prom. Parte
X p=
Tolerancia Especificada:
0.0000
Fecha:
Elaborado por:
00
00/01/1900
0
Caracterstica:
X Diff =
Rp =
% Total de Variacin ( TV )
% EV = 100 [ EV/TV ]
% EV =
INTENTOS
K1
4.56
3.05
% EV vs Tol. =
% AV = 100 [AV/TV]
% AV =
AV =
AV =
% AV vs Tol =
AV =
AV =
n= 10
AV =
r= 3
OPERADOR
K2
VARIACIN TOTAL ( TV )
2
2 1/2
TV = ( R & R + PV )
TV =
n= Numero de Partes
3.65
2.7
r = Numero de Intentos
% de R & R =
PARTES
K3
3.65
3
4
2.7
2.3
2.08
1.93
1.82
8
9
1.74
1.67
10
1.62
% de R & R =
% de R & R vs Tol =
% PV =
% PV =
100 [ PV/TV ]
Categoria de Datos
d2 =
1.693
PV / R&R x d2=
TV =
Observaciones :
FIRMA DE AUTORIZACIN
Pgina 275
Una vez colectados los datos proceder a realizar la carta de rango R y observar que est en control,
de otra forma repetir las mediciones para ese operador y parte especfica errnea.
Ahora revisar la carta X media, debe tener al menos el 50% de puntos fuera de control indicando
que identifica las variaciones en las diferentes partes presentadas:
LSCX =
0.005143
X=
0.004717
LICX =
0.004290417
LS
CX
X
LICX
Se procede posteriormente a determinar los errores o variabilidad del sistema de medicin con la
hoja de trabajo siguiente, calculando los campos con sombra gris:
Con formato: Ttulo 3, Interlineado:
sencillo
Pgina 276
2. El nmero de categoras debe ser de al menos 4 indicando que el equipo distingue las partes
que son diferentes.
Ejemplo 2 (MINITAB)
Primero se visualizan las mediciones replicadas de cada operador en cada parte como sigue:
Gage Run Chart of Response by Part, Operator
1
2
3
4
5
Gage name:
Date of study :
5
1.0
Mean
0.8
O perator
1
2
3
Response
0.6
0.4
6
10
1.0
Mean
0.8
0.6
0.4
Operator
Panel variable: Part
34
Figura 6.27 Grfica que muestra el comportamiento de las mediciones de los operadores
Mtodo X Barra - R
Se seleccionan 10 muestras de un proceso de manufactura, cada parte es medida dos veces por
tres operadores. Realice un estudio R&R mediante el mtodo Xbar-R.
Pgina 277
6
7
8
9
10
0.0050
0.0050
0.0050
0.0050
0.0040
0.0055
0.0045
0.0050
0.0045
0.0040
0.0045
0.0045
0.0050
0.0050
0.0040
0.0060
0.0055
0.0050
0.0045
0.0040
0.0050
0.0045
0.0050
0.0045
0.0040
0.0050
0.0050
0.0050
0.0050
0.0040
0.0050
0.0045
0.0060
0.0055
0.0045
0.0050
0.0050
0.0050
0.0045
0.0045
0.0050
0.0050
0.0050
0.0045
0.0045
Totales
0.0470
0.0475
0.0455
0.0485
0.0465
0.0465
0.0500
0.0470
0.0460
Capture los datos en la hoja de trabajo de Minitab en tres columnas C1, C2, C3
Partes
1
2
3
4
5
6
7
8
9
10
1
2
3
4
5
6
7
8
9
10
Operadores Medicin
1
0.0045
1
0.0045
1
0.0045
1
0.005
1
0.0045
1
0.005
1
0.005
1
0.005
1
0.005
1
0.004
1
0.0045
1
0.0055
1
0.0045
1
0.005
1
0.0045
1
0.0055
1
0.0045
1
0.005
1
0.0045
1
0.004
Partes
1
2
3
4
5
6
7
8
9
10
1
2
3
4
5
6
7
8
9
10
Operadores Medicin
2
0.0045
2
0.0055
2
0.0045
2
0.005
2
0.004
2
0.006
2
0.0055
2
0.005
2
0.0045
2
0.004
2
0.0045
2
0.005
2
0.0045
2
0.005
2
0.0045
2
0.005
2
0.0045
2
0.005
2
0.0045
2
0.004
Pgina 278
Partes
1
2
3
4
5
6
7
8
9
10
1
2
3
4
5
6
7
8
9
10
Operadores
3
3
3
3
3
3
3
3
3
3
3
3
3
3
3
3
3
3
3
3
Medicin
0.005
0.0055
0.0045
0.005
0.0045
0.005
0.0045
0.006
0.0055
0.0045
0.0045
0.0045
0.0045
0.005
0.0045
0.005
0.005
0.005
0.0045
0.0045
1
1
1
1
1
1
1
1
1
1
0.0045
0.0045
0.0045
0.0045
0.0045
0.0045
0.0045
0.005
0.005
0.004
2
2
2
2
2
2
2
2
2
2
0.0045
0.0045
0.0045
0.005
0.004
0.005
0.005
0.005
0.005
0.004
1
2
3
4
5
6
7
8
9
10
3
3
3
3
3
3
3
3
3
3
0.0045
0.0045
0.004
0.005
0.004
0.005
0.005
0.005
0.0045
0.0045
Source
Total Gage R&R
Repeatability
Reproducibility
Part-To-Part
Total Variation
Source
Total Gage R&R
Repeatability
Reproducibility
Part-To-Part
Total Variation
%Contribution
VarComp
(of VarComp)
0.0000001
41.00
0.0000001
40.52
0.0000000
0.48
0.0000001
59.00
0.0000001
100.00
StdDev (SD)
0.0002476
0.0002461
0.0000269
0.0002970
0.0003867
Study Var
(5.15 * SD)
0.0012750
0.0012675
0.0001384
0.0015295
0.0019913
%Study Var
(%SV)
64.03
63.65
6.95
76.81
100.00
%Tolerance
(SV/Toler)
21.25
21.12
2.31
25.49
33.19
El error de R&R vs tolerancia es 21.25% y vs variacin total del proceso es 64.03% lo que hace que
el equipo de medicin no sea adecuado para la medicin.
Por otro lado el nmero de categoras es slo de 1 cuando debe ser al menos 4 indicando que el
Pgina 279
G age name:
D ate of study :
Components of Variation
80
Datos by Partes
% Contribution
0.006
Percent
% Study Var
% Tolerance
40
0.005
0.004
Gage R&R
Repeat
Reprod
Part-to-Part
R Chart by Operadores
Sample Range
0.006
0.0005
_
R=0.000417
0.005
0.0000
LCL=0
10
2
Operadores
Operadores
UCL=0.005143
_
_
X=0.004717
0.0045
Average
Sample Mean
0.004
0.0050
5
6
Partes
Datos by Operadores
UCL=0.001073
0.0010
LCL=0.004290
0.0050
2
3
0.0045
0.0040
0.0040
5
6
Partes
10
La grfica X barra slo presenta 5 de 30 puntos fuera de control, lo cual debera ser al menos el
50%, indicando que el equipo no discrimina las diferentes partes.
Pgina 280
DF
9
2
18
60
89
SS
0.0000086
0.0000002
0.0000014
0.0000063
0.0000165
MS
0.0000010
0.0000001
0.0000001
0.0000001
F
12.2885
0.9605
0.7398
P
0.000
0.401
0.757
DF
9
2
78
89
SS
0.0000086
0.0000002
0.0000077
0.0000165
Source
Total Gage R&R
Repeatability
Reproducibility
Operadores
Part-To-Part
Total Variation
VarComp
0.0000001
0.0000001
0.0000000
0.0000000
0.0000001
0.0000002
MS
0.0000010
0.0000001
0.0000001
F
9.67145
0.75592
P
0.000
0.473
Gage R&R
%Tolerance
Source
(SV/Toler)
Total Gage R&R
27.04
Repeatability
27.04
Reproducibility
0.00
Operadores
0.00
Part-To-Part
26.54
Total Variation
37.88
%Contribution
(of VarComp)
50.93
50.93
0.00
0.00
49.07
100.00
Study Var
%Study Var
StdDev (SD)
(5.15 * SD)
(%SV)
0.0003150
0.0016222
71.36
0.0003150
0.0016222
71.36
0.0000000
0.0000000
0.00
0.0000000
0.0000000
0.00
0.0003092
0.0015923
70.05
0.0004414
0.0022731
100.00
Pgina 281
G age name:
D ate of study :
Components of Variation
80
Datos by Partes
% Contribution
0.006
Percent
% Study Var
% Tolerance
40
0.005
0.004
Gage R&R
Repeat
Reprod
Part-to-Part
R Chart by Operadores
Sample Range
0.0010
0.0005
0.0000
5
6
Partes
0.006
_
R=0.000417
0.005
10
2
Operadores
Operadores
UCL=0.005143
_
_
X=0.004717
0.0045
LCL=0.004290
Average
Sample Mean
0.004
LCL=0
Datos by Operadores
UCL=0.001073
0.0050
0.0050
2
3
0.0045
0.0040
0.0040
5
6
Partes
10
En estos casos la caracterstica de calidad es difcil de definir y evaluar. Para obtener clasificaciones
significativas, ms de un evaluador debe calificar la medicin de respuesta. Si los evaluadores
Pgina 282
estn de acuerdo, existe la posibilidad de que las apreciaciones sean exactas. Si hay
discrepancias, la utilidad de la evaluacin es limitada.
Los datos pueden ser texto o numricos. Las calificaciones asignadas pueden ser Nominales u
ordinales.
Los datos nominales son variables categricas que tienen dos o ms niveles sin orden natural. Por
ejemplo, los niveles en un estudio de gustacin de comida que puede incluir dulce, salado o
picoso.
Los datos ordinales son variables categricas que tienen tres o ms niveles con ordenamiento
natural, tales como: en desacuerdo total, en desacuerdo, neutral, de acuerdo, y completamente
de acuerdo.
Pgina 283
Atributo
G
G
G
G
G
G
G
G
NG
NG
G
G
NG
G
G
G
NG
G
G
G
Persona 1A
G
G
G
G
G
NG
G
G
G
NG
G
G
NG
G
G
G
NG
G
G
G
Persona 2A
G
G
G
G
G
G
G
G
NG
G
G
G
NG
G
G
G
NG
G
G
G
Persona 2B
G
G
G
G
G
G
G
G
NG
G
G
G
NG
G
G
G
NG
G
G
G
Pgina 284
# Inspected
20
20
# Matched
18
19
Percent
90.00
95.00
95 % CI
(68.30, 98.77)
(75.13, 99.87)
Between Appraisers
# Inspected # Matched Percent
95 % CI
20
17
85.00 (62.11, 96.79)
Fleiss' Kappa Statistics
Response
Kappa
SE Kappa
Z P(vs > 0)
G
0.663222 0.0912871 7.26524
0.0000
NG
0.663222 0.0912871 7.26524
0.0000
Pgina 285
Date of study:
Reported by:
Name of product:
Misc:
Assessment Agreement
Within Appraisers
Appraiser vs Standard
95.0% C I
P ercent
95
95
90
90
85
80
85
80
75
75
70
70
1
95.0% C I
P ercent
100
Percent
Percent
100
Appraiser
2
Appraiser
Figura 6.30 Resultados del estudio de R&R comparativo por atributos por avaluador
Interpretacin de Resultados
Porcentaje
De 90% a 100%
Gua
Aceptable
De 80% a 90%
Marginal
Menos de 80%
Inaceptable
Pgina 286
Ejemplo 5.
Una empresa est entrenando a cinco evaluadores para la porcin escrita de un examen estndar
de doceavo grado. Se requiere determinar la habilidad de los evaluadores para calificar el examen
de forma que sea consistente con los estndares. Cada uno de los evaluadores califica 15
exmenes en una escala de cinco puntos (-2, -1, 0, 1, 2):
Sample
1
1
1
1
1
2
2
2
2
2
3
3
3
3
3
4
4
4
4
Rating
2
2
2
1
2
-1
-1
-1
-2
-1
1
0
0
0
0
-2
-2
-2
-2
Attribute
2
2
2
2
2
-1
-1
-1
-1
-1
0
0
0
0
0
-2
-2
-2
-2
Appraiser
Duncan
Hayes
Simpson
Montgomery
Holmes
Duncan
Hayes
Simpson
Montgomery
Holmes
Duncan
Hayes
Simpson
Montgomery
Holmes
Duncan
Hayes
Simpson
Montgomery
Pgina 287
Sample
8
8
9
9
9
9
9
10
10
10
10
10
11
11
11
11
11
12
12
Rating
0
0
-1
-1
-1
-2
-1
1
1
1
0
2
-2
-2
-2
-2
-1
0
0
Attribute
0
0
-1
-1
-1
-1
-1
1
1
1
1
1
-2
-2
-2
-2
-2
0
0
4
5
5
5
5
5
6
6
6
6
6
7
7
7
7
7
8
8
8
-2
0
0
0
-1
0
1
1
1
1
1
2
2
2
1
2
0
0
0
Holmes
Duncan
Hayes
Simpson
Montgomery
Holmes
Duncan
Hayes
Simpson
Montgomery
Holmes
Duncan
Hayes
Simpson
Montgomery
Holmes
Duncan
Hayes
12
12
12
13
13
13
13
13
14
14
14
14
14
15
15
15
15
15
0
-1
0
2
2
2
2
2
-1
-1
-1
-1
-1
1
1
1
1
1
0
0
0
2
2
2
2
2
-1
-1
-1
-1
-1
1
1
1
1
1
# Inspected
15
15
15
15
15
# Matched
8
13
15
15
14
Percent
53.33
86.67
100.00
100.00
93.33
95 % CI
(26.59, 78.73)
(59.54, 98.34)
(81.90, 100.00)
(81.90, 100.00)
(68.05, 99.83)
Coef
0.89779
0.96014
1.00000
1.00000
0.93258
SE Coef
0.192450
0.192450
0.192450
0.192450
0.192450
Z
4.61554
4.93955
5.14667
5.14667
4.79636
Between Appraisers
Assessment Agreement
Pgina 288
P
0.0000
0.0000
0.0000
0.0000
0.0000
# Inspected
15
# Matched
6
Percent
40.00
95 % CI
(16.34, 67.71)
Chi - Sq
67.6422
DF
14
P
0.0000
# Matched
6
Percent
40.00
95 % CI
(16.34, 67.71)
Kappa
0.842593
0.796066
0.850932
0.802932
0.847348
0.831455
SE Kappa
0.115470
0.115470
0.115470
0.115470
0.115470
0.058911
Z
7.2971
6.8941
7.3693
6.9536
7.3383
14.1136
P(vs > 0)
0.0000
0.0000
0.0000
0.0000
0.0000
0.0000
Pgina 289
Assessment Agreement
Appraiser vs Standard
100
95.0% C I
P ercent
Percent
80
60
40
20
0
Duncan
Hayes
Holmes
Appraiser
Montgomery
Simpson
Interpretacin de resultados
Minitab muestra tres tablas como sigue: Cada evaluador vs el estndar, Entre evaluadores y Todos
los evaluadores vs estndar. Los estadsticos de Kappa y Kendall tambin se incluyen en cada una
de las tablas. En general estos estadsticos sugieren buen acuerdo.
El coeficiente de Kendall entre evaluadores es 0.966317 (p = 0.0); para todos los evaluadores vs
estndar es 0.958192 (p = 0.0). Sin embargo la observacin del desempeo de Duncan y Haues
indica que no se apegan al estndar.
La grfica de Evaluadores vs. Estndar proporciona una vista grfica de cada uno de los
evaluadores vs el estndar, pudiendo comparar fcilmente la determinacin de acuerdos para los
cinco evaluadores.
Pgina 290
Pgina 291
caractersticas del producto, en base a los resultados se toma una decisin sobre la disposicin del
lote, ya sea aceptados para su uso en produccin, o rechazados para que el proveedor tome
acciones.
Muestra n
Lote N
Fig. 7.1 Proceso de inspeccin por muestreo
Pgina 292
2.
3.
Pgina 293
Existen diversas clasificaciones de estos planes, una de ellas es la de variables y atributos. Una
caracterstica se expresa en variables si se puede medir, o en atributos si se califica como pasa no
pasa.
Un plan de muestreo doble implica que despus de tomar una muestra e inspeccionar, se toma
una decisin de (1) rechazar, (2) aceptar o (3) tomar una segunda muestra, si esto sucede, se
combina la informacin de la primera y de la segunda para tomar una decisin.
Un plan de muestreo mltiple es una extensin del doble, en el cual ms de dos muestras pueden
ser necesarias antes de tomar una decisin. Los tamaos de estas muestras son ms pequeos
que en el muestreo doble.
El muestreo secuencial implica la seleccin de unidades del lote, una por una, tomando decisiones
de aceptar o rechazar el lote despus de un cierto nmero de unidades.
Se pueden desarrollar planes de muestreo que produzcan resultados similares con cualquiera de
las modalidades anteriores.
FORMACIN DE LOTES
1. Deben ser homogneos, las unidades deben ser producidas por las mismas corridas de
produccin, en condiciones similares. Es difcil tomar acciones correctivas para lotes
mezclados.
2. Lotes grandes son preferibles a lotes pequeos, dado que la inspeccin es ms eficiente.
Pgina 294
3. Los lotes deben manejarse en forma similar con el proveedor y con el cliente, las partes deben
estar empacadas adecuadamente para evitar riesgos de dao y permitir la seleccin de
muestra en forma sencilla.
MUESTREO ALEATORIO
Las muestras deben ser representativas del lote, no deben tomarse slo partes de las capas
superiores, sino de preferencia numerar las partes con un nmero y seleccionar con tablas de
nmeros aleatorios o tambin se puede estratificar el lote.
Procedimiento
por atributos
Procedimiento
por Variables
Plan especfico
en base a curva OC
Plan especfico
en base a curva OC
2. Mantener la calidad en el
objetivo
Sistema de AQL
MIL-STD-105E
Sistema de AQL
MIL-STD-414
3. Asegurar el nivel de
calidad de salida
Sistema de AOQL
de Dodge-Romig
Sistema de AOQL
Objetivos
6. Asegura la calidad no
Planes LTPD de
Planes LTPD con
menor que el objetivo
de Dodge-Romig
prueba de hiptesis.
Los clientes estn enfocados a mejorar la calidad de sus proveedores, seleccionando a los mejores
y trabajando en forma cercana para reducir su variabilidad, con tcnicas de control estadstico del
proceso. El muestreo de aceptacin se utiliza mientras se mejora la calidad con el proveedor.
Pgina 295
La curva OC
La curva caracterstica de operacin (OC) muestra la probabilidad de aceptar el lote (Pa o en el
eje Y), versus la fraccin defectiva media en el lote (p en el eje X), mostrando la potencia de
discriminacin del plan de muestreo.
Pa
1
0.8
0.5
0.3
0.1
Curva caracterstica de
Operacin dado una
Tamao de muestra n
y un criterio de aceptacin c
0.2 0.25
Pgina 296
0.3
p Prov.
n!
p d (1 p ) n d
d
!
(
n
d )!
d 0
Pa P{d c)
(7.1)
Esto mismo se puede aproximar por la distribucin de Poisson para efectos prcticos.
Se puede usar Excel para los clculos, un ejemplo utilizando la distribucin binomial acumulada
(opcin VERDADERA en Excel) se muestra a continuacin:
0.02
0.736
0.03
0.555
0.9
0.04
0.400
0.8
0.05
0.279
0.06
0.190
0.07
0.126
0.08
0.083
0.5
0.09
0.053
0.4
0.1
0.034
0.11
0.021
0.12
0.013
0.13
0.008
0.1
0.14
0.005
0.15
0.003
0.16
0.002
0.17
0.001
0.18
0.001
0.19
0.000
0.2
0.000
P(A<x<X)
1
0.7
0.6
0.3
0.2
0.19
0.18
0.17
0.16
0.15
0.14
0.13
0.12
0.1
0.11
0.09
0.08
0.07
0.06
0.05
0.04
0.03
0.2
0.02
Pa
0.01
p
0.01
p
Traza la curva OC Tipo B para el plan de muestreo nico n=50 y c=1.
Pgina 297
0.64
0.41
0.17
0.07
0.03
0.01
0.00
0.00
0.00
0.00
0.93
0.78
0.47
0.25
0.12
0.06
0.03
0.01
0.01
0.00
0.99
0.94
0.74
0.50
0.30
0.17
0.09
0.05
0.02
0.01
Pa
c=0, 1,
2
p
0.005
0.01
0.02
0.03
0.04
0.05
0.06
0.07
0.08
0.09
n = 50,
c=2
0.997944
0.986183
0.921572
0.810798
0.676714
0.540533
0.416246
0.310789
0.225974
0.16054
n
=
100, c
=2
0.9859
0.9206
0.6767
0.4198
0.2321
0.1183
0.0566
0.0258
0.0113
0.0048
n = 200,
c=2
0.920161
0.676679
0.235148
0.059291
0.012489
0.002336
0.0004
6.40E-05
9.66E-06
1.39E-06
Pgina 298
Pa
n=50, 100,
200 2
Por otra parte el consumidor quiere rechazar los lotes en la mayora de los casos cuando tengan
una fraccin defectiva de a lo ms un porcentaje defectivo tolerable en el lote (LTPD),
normalmente esta fraccin defectiva corresponde a una probabilidad de aceptacin del 10% o
rechazo del 90% de las veces. Tambin se el denomina Nivel de Calidad Rechazable.
CURVAS OC TIPO A y B.
La curva OC tipo B utiliza la distribucin binomial o de Poisson cuando n/N < 0.1, sin embargo en
los niveles donde n/N=0.1 ambas curvas A o B son muy parecidas.
Pgina 299
En este mtodo se especifican 2 puntos por los que debe pasar la curva OC, uno de ellos tiene
coordenadas (p1, 1-) y el otro (p2 , ), con p1 > p2 . Se utiliza el nomograma Binomial para
encontrar los valores de n y c para el plan.
En el nomograma se hacen coincidir con una lnea recta el valor de p1 en el eje vertical izquierdo
con 1- en el eje vertical derecho, y con otra lnea recta se hace coincidir p2 en el eje vertical
izquierdo con en el eje vertical derecho. En el punto de cruce se encuentra el valor de n y de c
del plan de muestreo simple. Ver nomograma y ejemplo en la pgina siguiente.
Inspeccin rectificadora
Los programas de aceptacin por muestreo normalmente requieren accin correctiva cuando los
lotes son rechazados, de tal forma que el proveedor los selecciona al 100% remplazando los
artculos defectivos por buenos. Esta actividad se denomina inspeccin rectificadora por su
impacto en la calidad de salida final hacia la planta.
Entrada de 100
lotes de cierto
proveedor con
N=10,000 y
Pa
n =200
c=1
9 lotes son
aceptados a pesar
de tener un 2%
defectivo:
Es decir ingresan
p = 0.02
P=0.02
88,820 piezas OK
Y 1800 piezas KO
91 lotes son
rechazados y
seleccionados
por el
proveedor,
deja 910,000
piezas OK
Total de piezas OK
AOQ
Alm.
998,820
Piezas defectivas
1,800
0.18% AOQ
Fig. 7.6 Inspeccin rectificadora (las piezas malas son reemplazadas y reintegradas al lote)
Suponiendo que los lotes que llegan tienen una fraccin defectiva p0 , despus de la actividad de
inspeccin bajo un plan de muestreo, algunos lotes sern aceptados y otros sern rechazados. Los
Pgina 300
lotes rechazados sern seleccionados al 100% por el proveedor remplazando los artculos
defectuosos por buenos despus se integran a los lotes que ingresan a la planta obtenindose una
fraccin defectiva p1 menor a la original, denominada calidad promedio de salida AOQ, en lotes de
tamao N se tiene:
As los lotes despus del proceso rectificador, contienen un nemro esperado de defectivos igual a
Pap(N-n) con la cual se puede expresar una fraccin defectiva media AOQ como sigue,
AOQ
Pa p( N n)
N
(7.2)
Ejemplo 7.1 Suponiendo que N=10,000, c=2 y que la calidad de entrada p=0.01.
Como en la curva caracterstica de operacin (para n=89, c=2) cuando p=0.01, Pa = 0.9397,
entonces el AOQ es:
AOQ
Pa p( N n) (0.9397)(0.01)(10000 89)
0.0093
N
10000
AOQ Pa p
(7.3)
Pgina 301
P(A<x<X)
AOQ
0.001667
1.00
0.002
0.003333
0.99
0.003
0.005000
0.96
0.005
0.006667
0.92
0.006
0.008333
0.87
0.007
0.010000
0.81
0.008
0.011667
0.74
0.009
0.013333
0.68
0.009
0.015000
0.61
0.009
0.016667
0.54
0.009
0.018333
0.48
0.009
0.020000
0.42
0.008
0.021667
0.37
0.008
0.023333
0.32
0.007
0.025000
0.27
0.007
0.004
0.026667
0.23
0.006
0.003
0.028333
0.20
0.006
0.030000
0.17
0.005
0.031667
0.14
0.005
0.033333
0.12
0.004
0.035000
0.10
0.004
0.01
CURVA AOQ
0.036667
0.08
0.003
0.038333
0.07
0.003
0.040000
0.06
0.002
0.041667
0.05
0.002
0.043333
0.04
0.002
0.045000
0.03
0.001
0.046667
0.03
0.001
0.048333
0.02
0.001
0.050000
0.02
0.001
AOQ
0.01
AOQL
0.009
0.008
0.007
0.006
0.005
0.002
0.001
0.05
0.05
0.05
0.05
0.04
0.04
0.04
0.04
0.04
0.04
0.03
0.03
0.03
0.03
0.03
0.03
0.02
0.02
0.02
0.02
0.02
0.02
0.01
0.01
0.01
0.01
0.01
n=89, c=2
Figura 7.7 Curva de calidad de salida promedio (AOQ)
De la grfica anterior se observa que la curva AOQ tiene un valor mximo o la peor fraccin
defectiva de salida hacia la planta o proceso, que se denomina lmite de calidad de salida
promedio AOQL el cual es aproximadamente 0.0155 o 1.55% defectivo.
ATI n (1 Pa)(N n)
(7.4)
Ejemplo 7.2 Con N=10000, n=89, c=2 y p=0.01. Como Pa = 0.9397 se tiene:
ATI = 89 + (1-0-9397)(10000 89) = 687
Siendo este el total de piezas que en promedio se inspeccionarn por lote, algunas por el cliente
(n) y otras por el proveedor (N-n) en base al plan de muestreo.
Pgina 302
Las curvas ATI para diferentes tamaos de lote se muestra a continuacin, para n = 89 y c = 2:
Pa
0
0
0
0
0
0
0
0
0
0
98
144
329
546
723
843
916
957
979
990
140
385
1383
2552
3506
4155
4549
4770
4887
4947
191
687
2700
5060
6985
8295
9089
9536
9772
9892
ATI
N=10000
N=5000
N=1000
p
Figura 7.8 Curvas de nmero de muestras inspeccionadas promedio por el cliente y por el
proveedor
Los planes de Dodge-Romig minimizan el ATI para un AOQL dado, haciendo ms eficiente la
inspeccin por muestreo.
Pgina 303
Suponiendo que:
n1 = 50
c1 = 1
n2 = 100
c2 = 3
En la primera muestra de n=50 artculos, se acepta el lote si el total de defectivos d1 <= c1=1,
rechazndose si d1 >c2=3.
En ambas muestras la primera y segunda, la inspeccin se continua hasta inspeccionar todos los
artculos, por eso se denomina inspeccin completa, el nmero promedio de artculos
inspeccionados por muestra ASN es,
ASN n1 n2 (1 P1 )
(7.5)
Pgina 304
continuacin,
ASN
Insp. completa
n = cte.
Insp. recortada
Figura 7.9 Diferencias en muestras inspeccionadas por el cliente promedio con inspeccin
completa y recortada
Por tanto el muestreo doble es ms econmico que el simple slo para ciertos valores de p, ya que
si p tiene valores intermedios el ASN es mayor implicando mayores costos de inspeccin.
Pgina 305
Pa PaI PaII
(7.6)
PaI P(d1 1 n1 )
(7.7)
(7.8)
p
0.005
0.01
0.02
0.03
0.04
0.05
0.06
0.07
0.08
0.09
Pa (1
muestra)
Pa(2a.muestra)
Pa Total
En 1a. Muestra
0.974
0.911
0.736
0.555
0.400
0.279
0.190
0.126
0.083
0.053
0.023
0.060
0.083
0.056
0.027
0.011
0.004
0.001
0.000
0.000
0.997
0.971
0.819
0.611
0.428
0.290
0.194
0.128
0.083
0.053
0.976
0.929
0.877
0.908
0.971
1.022
1.047
1.052
1.046
1.036
Pa
Pa total
Pa
1 muestra
Pa 2 muestra
p
Figura 7.10 Probabilidad de aceptar en la primera o en la segunda muestra en muestreo doble
Pgina 306
Como en el caso del muestreo simple, es frecuentemente necesario disear un plan de muestreo
doble tomando como referencia las coordenadas de la curva OC (p 1, 1-) y (p2, ) ya sea con n1=n2
o con n2 = 2n1. Para lo que se emplean las tablas de Grubbs (ver pginas siguientes).
Pgina 307
INSPECCIN RECTIFICADORA
Cuando se usa el esquema de inspeccin rectificadora, la curva AOQ est dada por,
AOQ
{PaI ( N n1 ) PaII ( N n1 n2 )} p
N
(7.9)
Asumiendo que todos los defectivos son remplazados por artculos buenos en los lotes
rechazados, la curva de inspeccin total promedio es,
(7.10)
Un muestreo mltiple es una extensin del doble, donde pueden requerirse ms de dos muestras
para calificar el lote, por ejemplo un plan de 5 etapas es el siguiente:
Muestra
acumulada
20
40
60
80
100
Aceptar
0
1
3
5
8
Rechazar
3
4
5
7
9
Una ventaja que tiene es que el tamao de muestra es ms pequeo que en el caso del simple o
del doble, con una mejor eficiencia de inspeccin. Sin embargo es ms complejo de administrar.
Pgina 308
MUESTREO SECUENCIAL
Es una extensin de los planes anteriores, aqu se toma una secuencia de muestras del lote, cuya
magnitud ser determinada por los resultados del proceso de muestreo. Si el tamao del subgrupo
inspeccionado en cada etapa es mayor que uno, se denomina muetreo secuencial de grupo, si es
uno, como es nuestro caso, se denomina muestreo secuencial artculo por artculo, basado en
Wald (1947).
En este caso se tienen 2 lneas, una de aceptacin y otra de rechazo, teniendo como dato las
coordenadas de la curva OC (p1, 1-) y (p2, ), las ecuaciones de las lneas son:
X ACEPTACION h1 sn
(7.11)
X RECHAZO h2 sn
1
k
h1 log
h2 log
k
k log
(7.12)
p 2 (1 p1 )
p1 (1 p 2 )
1 p1
k
s log
1 p2
Ejemplo 7.3 Si p1=0.01, p2=0.06, =0.05, =0.10, se tiene al substituir valores en las ecuaciones
anteriores:
k = 0.80066
h1=1.22
h2=1.57
s=0.028
Pgina 309
Lnea de aceptacin
Lnea de rechazo
Haciendo una tabla de valores donde el nmero de aceptacin es el entero ms prximo menor
que o igual a XA y el nmero de rechazo es el entero ms prximo superior que o igual a XR.
MUESTREO SECUENCIAL
Xa
Xr
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
-1.192
-1.164
-1.136
-1.108
-1.08
-1.052
-1.024
-0.996
-0.968
-0.94
-0.912
-0.884
-0.856
-0.828
-0.8
-0.772
-0.744
-0.716
-0.688
-0.66
-0.632
-0.604
-0.576
1.598
1.626
1.654
1.682
1.71
1.738
1.766
1.794
1.822
1.85
1.878
1.906
1.934
1.962
1.99
2.018
2.046
2.074
2.102
2.13
2.158
2.186
2.214
Xa
-1
-1
-1
-1
-1
-1
-1
-1
-1
-1
-1
-1
-1
-1
-1
-1
-1
-1
-1
-1
-1
-1
-1
Xr
Xa
Xr
2
2
2
2
2
2
2
2
2
2
2
2
2
2
2
3
3
3
3
3
3
3
3
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
43
44
45
46
-0.548
-0.52
-0.492
-0.464
-0.436
-0.408
-0.38
-0.352
-0.324
-0.296
-0.268
-0.24
-0.212
-0.184
-0.156
-0.128
-0.1
-0.072
-0.044
-0.016
0.012
0.04
0.068
2.242
2.27
2.298
2.326
2.354
2.382
2.41
2.438
2.466
2.494
2.522
2.55
2.578
2.606
2.634
2.662
2.69
2.718
2.746
2.774
2.802
2.83
2.858
Xa
-1
-1
-1
-1
-1
-1
-1
-1
-1
-1
-1
-1
-1
-1
-1
-1
-1
-1
-1
-1
0
0
0
Xr
3
3
3
3
3
3
3
3
3
3
3
3
3
3
3
3
3
3
3
3
3
3
3
En este caso no se puede tomar una decisin de aceptacin hasta que hayan transcurrido las
suficientes muestras, que hagan que la lnea de aceptacin tenga valores positivos en Xa, 44 en
este caso, y no se puede rechazar hasta en la 2. Muestra.
Pgina 310
No. de
defectos
acumulado
s
3
Lnea de
aceptacin
Lnea de
Rechazo
2
1
0
20
40
-1
60
Nmero
de
muestras
CURVA OC y ASN
Para esta curva se incluyen 3 puntos, (p1, 1-), (p2, ) y el punto medio de la curva en p=s y Pa = h2
/(h1+h2). Las muestras inspeccionadas promedio son:
B
A
ASN Pa (1 Pa )
C
C
Donde,
A log
B log
(7.13)
1
1
p
1 p2
C p log 2 (1 p) log
p
1
1 p1
INSPECCIN RECTIFICADORA
La calidad media de salida AOQ Pap y el nmero promedio de muestras inspeccionadas total es:
A
ATI Pa (1 Pa ) N
C
(7.14)
Pgina 311
Pgina 312
Muestreo simple.
Muestreo doble.
Muestreo mltiple
Inspeccin normal.
Inspeccin estricta.
Inspeccin reducida.
Se inicia con la inspeccin normal, se pasa a estricta cuando se observa mala calidad del
proveedor y se usa la reducida cuando la calidad del proveedor es buena, reduciendo los
tamaos de muestra.
El punto focal de la norma es el AQL (nivel de calidad aceptable entre 0.1% y 10%),
negociado entre cliente y proveedor. Los valores tpicos de AQL para defectos mayores es
de 1%, 2.5% para defectos menores y 0% para defectos crticos. Cuando se utiliza para
planes de defectos por unidad se tienen 10 rangos adicionales de AQLs hasta llegar a 1000
defectos por cada 100 unidades, los noveles pequeos de AQL se pueden utilizar tanto
para controlar fraccin defectiva como defectos por unidad.
Pgina 313
El tamao de muestra en el estndar est determinado por el tamao del lote y por la
seleccin del nivel de inspeccin. Se proporcionan tres niveles de inspeccin, donde el
nivel II se considera normal; el nivel I requiere alrededor de la mitad de la inspeccin del
nivel II y se usa cuando se requiere menos discriminacin; el nivel III requiere alrededor del
doble de inspeccin del nivel II, y se usa cuando se requiere ms discriminacin. Hay
tambin cuatro niveles especiales de inspeccin, S-1, S-2, S-3 y S-4, estos usan tamaos de
muestra muy pequeos y slo deben usarse cuando los riesgos grandes del muestreo sean
aceptables.
Para un AQL especfico, un nivel de inspeccin y un tamao de lote dado, el estndar MILSTD-105E proporciona un plan de muestreo normal que se utilizar conforme el proveedor
produzca productos con calidad AQL o mejor. Tambin proporciona un mecanismo de
cambio de cambio a inspeccin estricta o reducida como se ilustra en la figura y se
describe a continuacin.
1.
2.
3.
d.
Pgina 314
a. Un lote es rechazado.
b. Cuando el procedimiento de muestreo termina sin decisin de aceptacin o rechazo, el
lote se acepta pero se cambia a inspeccin normal en el prximo lote.
c. La produccin es irregular o se retarda en entregas.
d. Otras condiciones que fuercen a cambiar a la inspeccin normal.
5.
INICIO
10 lotes aceptados
Produccin regular
Aprobado por la autoridad
responsable.
2 de 5.
Lotes consecutivos.
No aceptados.
Reducido
Estricto
Normal
Se rechaza un Lote
Lotes aceptados con no
conformidades encontrndose entre
Ac y Re del plan, o
Produccin irregular
Otras condiciones de deteccin.
5 consecutivos.
Lotes aceptados
Pgina 315
1.2
0.8
0.6
0.4
0.2
0.00 0.01 0.01 0.01 0.02 0.02 0.02 0.03 0.03 0.03 0.04 0.04 0.04 0.05 0.05
Normal
Rigurosa
Reducida
PROCEDIMIENTO
Los pasos a seguir para el uso de las normas es el siguiente:
Pgina 316
Para el caso de muestreo doble con los datos anteriores, la letra cdigo es K y de las III-A, III-B y
III-C se obtienen los planes de inspeccin normal (n1= n2=80, c1a=0, cir=3, c2a=3), estricta (mismas
que n1 y n2, c1a=0, cir=2, , c2a=1, c2r=2) y reducida (n1= n2=32, c1a= c2a=0, c2r=3, c2r=4).
DISCUSIN
Todas las curvas OC son tipo B, tambin se proporcionan curvas para el ASN y datos del AOQL.
El estndar MIL-STD-105E est orientado al AQL, se enfoca al lado de riesgo del productor de la
curva OC, la parte restante de la curva depende de la seleccin del nivel de inspeccin. Los
tamaos de muestra seleccionados son 2, 3, 5, 8, 13, 20, 32, 50, 80, 125, 200, 315, 500, 800, 1250
y 2000.
Si se grafica el tamao medio del rango de lotes contra el logaritmo del tamao de muestra se
obtiene una recta hasta n=80 y despus una recta con una pequea pendiente. Como la razn de
N a n es decreciente conforme aumenta N se economiza en la inspeccin.
El estndar civil ANSI/ASQC Z1.4 o ISO 2859 es la contraparte del estndar MIL-STD-105E,
difiriendo en que:
Pgina 317
Tamao de
muestra
2
3
5
D
E
F
8
13
20
G
H
J
32
50
80
K
L
M
125
200
315
N
P
Q
500
800
1250
2000
0.01
Ac Re
0.015 0.025
0.04
Ac Re Ac Re Ac Re
1
Ac Re
1.5
Ac Re
2.5
Ac Re
4
Ac Re
0 1
0 1
0 1
0 1
0 1
0 1
0 1
0 1
1 2
1 2
2 3
1 2
1 2
2 3
1 2
2 3
3 4
2 3
3 4
5 6
3 4
5 6
7 8
2 3
3 4
5 6
0 1
0 1
0 1
0 1
1 2
2 3
3 4
5 6
3 4
5 6
7 8
1 2
1 2
2 3
3 4
2 3
3 4
5 6
3 4
5 6
7 8
5 6
7 8
10 11
7 8
10 11 14 15
10 11 14 15 21 22
1 2
2 3
3 4
5 6
7 8
10 11 14 15 21 22
7 8
10 11 14 15 21 22
10 11 14 15 21 22
7 8
10 11 14 15 21 22
Ac
Nmero de aceptacin
Re
Nmero de rechazo
Pgina 318
1 2
2 3
1 2
2 3
0 1
0 1
1 2
0 1
0 1
0 1
0 1
0 1
0 1
0 1
0 1
0 1
0 1
0 1
0 1
0 1
1 2
1 2
2 3
1 2
2 3
3 4
1
2
3
5
2
3
4
6
1
2
3
5
8
2
3
4
6
9
1 2
0 1
1 2
2 3
1 2
2 3
3 4
1 2
2 3
3 4
5 6
1 2
2 3
3 4
5 6
8 9
2 3
3 4
5 6
8 9
12 13
3 4
5 6
8 9
12 13 18 19
5 6
8 9
12 13 18 19
8 9
12 13 18 19
12 13 18 19
1 2
2 3
3 4
5 6
8 9
12 13
18 19
1 2
Ac
Nmero de aceptacin
Re
Nmero de rechazo
0.01
Ac Re
0.015 0.025
0.04
Ac Re Ac Re Ac Re
1
Ac Re
1.5
Ac Re
2.5
Ac Re
4
Ac Re
0 1
0 1
0 1
0 1
0 1
0 1
0 1
0 1
0 1
0 1
0 1
0 1
0 1
0 1
0 2
0 2
1 3
0 2
1 3
1 4
0
1
1
2
2
3
4
5
0
1
1
2
3
2
3
4
5
6
0
1
1
2
3
5
2
3
4
5
6
8
0
1
1
2
3
5
7
2
3
4
5
6
8
10
0 2
1 3
1 4
2 5
3 6
5 8
7 10
10 13
Ac
Nmero de aceptacin
Re
Nmero de rechazo
0 2
1 3
1 4
2 5
3 6
5 8
7 10
10 13
0 2
1 3
1 4
2 5
3 6
5 8
7 10
10 13
0 2
1 3
1 4
2 5
3 6
5 8
7 10
10 13
0 2
1 3
1 4
2 5
3 6
5 8
7 10
10 13
NOTA: Si se ha excedido el nmero de aceptacin, sin alcanzar el nmero de rechazo, aceptar el lote pero regresar a la inspeccin normal
.
Figura 7.14 Tablas de muestreo simple por atributos
Pgina 319
Los planes anteriores basados en AQL no son adecuados para el caso del ensamble de productos
complejos. La tabla siguiente muestra la fraccin defectiva en ppm dependiendo del AQL
aceptable.
AQL
ppm
10%
1%
0.10%
0.01%
0.00%
0.00%
100,000
10,000
1,000
100
10
1
Ejemplo 7.5 Un equipo que tiene 100 componentes y que sus componentes tienen en promedio
un AQL = 0.5% , por tanto la probabilidad de que el equipo trabaje es de:
Por tanto es obvio que se requieran planes de proteccin del LTPD, aun cuando el AQL sea muy
bajo. Para esto se utilizan los planes de Dodge-Romig principalmente para inspeccin de subensambles.
Los planes de Dodge-Romig de AOQL y LTPD estn diseados para minimizar la inspeccin total
promedio (ATI).
Para ambos se tiene una tabla de muestreo doble y simple. Son tiles cuando el rechazo medio
del proceso es bajo (alrededor de 100 ppm).
Pgina 320
Planes de AOQL
Las tablas de Dodge-Romig (1959) tienen planes para valores de AOQL de 0.1%, 0.25%, 0.75%,
1%, 1.5%, 2.5%, 3%, 4%, 5%, 7% y 10% en cada una se especifican seis valores para medias de
proceso. Se tienen planes para muestreo simple y doble.
Ejemplo 7.5 De la tabla para AQOL=3%; para N= 5,000, AOQL= 3% y la fraccin disconforme del
proveedor del 1%.
De la tabla 13.21 se obtiene n=65, c=3, LTPD=10.3%. Da una seguridad del 90% de que sern
rechazados los lotes que tengan desde un 10.3% defectuoso.
Planes de LTPD
Se disearon de tal forma que la probabilidad de aceptacin del LTPD sea 0.1. Se proporcionan
tablas para valores de LTPD de 0.5%, 1%, 2%, 3%, 4%, 5% 7% y 10%.
Ejemplo 7.6 Suponiendo N=5,000 con fraccin promedio de defectivos del proveedor de 0.25%
de productos no conformes y el LTPD=1%.
De la tabla 13.23, el plan obtenido es n=770 y c=4, si los lotes rechazados son seleccionados al
100% y los artculos defectuosos se reemplazan por artculos buenos, el AOQL=0.28%.
Pgina 321
Cuando el promedio del proceso es mayor que la mitad del LTPD, la inspeccin 100% es mejor
econmicamente.
Pgina 322
Como desventajas se tienen el probable alto costo de las mediciones versus juzgar por atributos, a
pesar de que el tamao de muestra sea menor y que es necesario un plan de muestreo para cada
caracterstica importante del producto.
Se debe conocer la distribucin de la caracterstica de calidad, la cual debe ser normal ya que de
otra forma se pueden cometer errores en la aplicacin del plan de muestreo por variables. Esto es
ms crtico cuando las fracciones defectivas son muy pequeas.
Los planes especifican el nmero de artculos a muestrear en los cuales se hacen mediciones en la
caracterstica de calidad seleccionada, y el criterio de aceptacin de esos lotes.
Una comparacin entre los diferentes tipos de muestreo se da a continuacin, considerando una
p1 = 0.01, p2 = 0.08, = 0.05 y = 0.10:
Pgina 323
Tipo de muestreo
n ASN
n = 67.
ASN en p1 = 45
ASN en p1 = 41
n=27
n=10
Sigma conocida
Existen dos tipos de planes de muestreo por variables, los que controlan la fraccin defectuosa del
lote y los que controlan un parmetro del proceso tal como la media.
Pgina 324
Asumiendo que la desviacin estndar del proceso es conocida, se desea tomar una muestra del
lote para determinar si o no el valor de la media es tal que la fraccin defectiva p es aceptable.
Para esto se tienen dos mtodos.
__
LIE
Procedimiento 1.
Z LIE
X LIE
(8.1)
Si hay un valor crtico p que no deba ser excedido con una probabilidad establecida, se puede
traducir el valor de p en una distancia crtica por decir k para ZLIE. De esta forma si ZLIE <= k, se
aceptar el lote ya que automticamente la fraccin defectiva p es satisfactoria, en caso contrario
la fraccin defectiva p es mayor que la aceptable y se rechazar el lote.
Ejemplo 8.1 Si =100, =10 y LIE= 82:
Z LIE
X LIE
82 100
1.8
10
Pgina 325
Z LSE
LSE X
(8.2)
Cuando se tiene un solo lmite de especificacin, la relacin entre Z y la fraccin defectiva (p) es:
Z s Zi
0.25
0.6745
0.20
0.8416
0.15
1.0364
0.10
1.2816
0.05
1.6449
0.02
2.0537
0.01
2.3263
Procedimiento 2.
QLIE Z LIE n /(n 1) (ms exacto) y se estima la fraccin defectiva p como el rea bajo
la curva normal debajo de ZLIE, si esta fraccin estimada p, excede un valor mximo M, se
rechaza el lote, de otra forma se acepta.
Pgina 326
QLIE
X LIE
n /(n 1)
(8.3)
QLSE
LSE X
n /(n 1)
Para disear un plan de muestreo por variables usando el procedimiento 1, el mtodo de k, que
tiene una curva OC especificada por dos puntos (p1, 1-), (p2, ) donde p1 y p2 son las fracciones
defectivas que corresponden a niveles de calidad aceptables y rechazables respectivamente se
utiliza un nomograma.
L. J. Jacobson propuso un nomograma mostrando dos escalas diferentes (ver pgina siguiente),
para estimar n y k con sigma conocida y sigma desconocida.
Utilizando este nomograma podemos obtener la curva caracterstica de operacin CO, cambiando
los valores de las fracciones defectivas p y hallando sus probabilidades de aceptacin si se
mantiene fijo n y k.
Pgina 327
Ejemplo 8.2 Un embotellador ha establecido que la resistencia mnima para una botella de
plstico sea de LIE= 225 psi, si a lo ms el 1% no pasa el lmite, se aceptar el lote con una
probabilidad del 95% (p1=0.10 y 1-= 0.95), mientras que si el 6% o ms estn abajo del lmite, el
embotellador rechazar el lote con una probabilidad de 90% (p2=0.06, = 0.10).
Para hallar el plan de muestreo por variables n, k, se traza una lnea que une a el punto 0.01 en la
escala de fraccin defectivas con el punto 0.95 en la escala de probabilidad de aceptacin.
Despus se traza una lnea similar que conecta los puntos p2 = 0.06 y Pa=0.10, en la interseccin de
esas lneas se lee, k=1.9 y n=40 para desconocida (siguiendo la lnea curveada) o n=15 (bajando
una lnea perpendicular) para conocida.
a) Procedimiento 1
Si se desconoce la desviacin estndar, se toma una muestra aleatoria de n = 40 piezas calculando
la media y la desviacin estndar s, se calcula ahora:
Z LIE
X LIE
b) Procedimiento 2.
Una vez obtenidas n 40 y k = 1.9, se obtiene el valor de M del nomograma de la fig. 14.3,
1
k n
1 1.9 40
0.35
2 2(n 1) 2 2(39 )
Pgina 328
Por ejemplo si se toma una muestra de n=40 partes y se observa que la media de la muestra
Z LIE
2
s
15
de las tablas para fraccin defectiva al final de este captulo se obtiene una p = 0.020, y siendo que
es menor que M = 0.030, se acepta el lote.
Para lmites bilaterales se obtienen ambas pi y ps en base a Zi y Zs, si pi + ps M se acepta el lote, si
no se cumple lo anterior, el lote se rechaza.
Se enfoca al AQL (entre 0.1% a 10%) con cinco niveles generales de inspeccin (el normal es el II),
el nivel III tiene una curva ms abrupta que el nivel II. Se pueden usar niveles ms bajos (S3 S4)
para reducir costos muestrales si se toleran riesgos mayores.
Pgina 329
Variabilidad
Desconocida
Mtodo de S
Variabilidad
Conocida
Especificacin
Unilateral
Especificaciones
Bilaterales
Procedimiento 1
(Mtodo de k)
Procedimiento 2
(Mtodo de M)
Procedimiento 2
(Mtodo de M)
Ejemplo 8.4 Para el caso del embotellador: Si el lmite inferior LIE = 225 psi, suponiendo que el
nivel de calidad aceptable en este lmite es AQL = 1% y que las botellas se embarcan en lotes de
N = 100,000, con sigma desconocida se tiene:
Pgina 330
Procedimiento 1.
1.
2.
En la tabla B-1 se determina la n y k en este caso con la letra N y AQL= 1.00 negociado entre
proveedor y cliente, se obtiene k = 2.03. Para el caso de inspeccin severa (escala inferior) k =
2.18. Para el caso de inspeccin reducida k = 1.8 de la tabla B-2.
Nota:
Es posible pasar de planes de muestreo con sigma desconocida a planes con sigma conocida con
menor n si se demuestra estabilidad en una grfica X -s para los lotes (al menos para 30). Los
planes especficos para este tipo de planes se deben consultar en el estndar.
- tamao de muestra.
- constante de aceptabilidad
Pgina 331
Solucin.
a) De tabla A2, se selecciona la letra D.
b) De la tabla B1, n = 5, k= 1.52
c) Suponiendo lecturas 197, 188, 184, 205 y 201.
X= 195 , s = 8.8
d) ( LSE - X ) / s = (209 195) / 8.8 = 1.59
e) 1.59 > k por tanto se acepta el lote.
Pgina 332
Comparar Pest. Con M, si es menor o igual se acepta el lote, en caso contrario se rechaza.
Ejemplo 8.7 Se inspecciona un lote de 40 muestras con nivel de inspeccin II, inspeccin normal y
_
QS=
209 180
1.59 ; PS = 2.19% (de tabla B-5)
8.8
QI =
195 180
1.704; PI = 0.66% (de tabla B-5) por tanto la fraccin defectiva total es de
8.8
p = 2.85%
Ejemplo 8.8 Si el AQLS= 1% y AQLI= 2.55% de tabla B3, MS= 3.32% , MI=9.8%
a) PS= 2.19% ; PI= 0.66% P = 2.85%
b) Comparando PS MS ; PI MI y P MI
Pgina 333
Se acepta el lote.
VARIABILIDAD CONOCIDA
Ejemplo 8.9 Se toma un lote de 500 artculos para inspeccin. LIE= 58,000 psi. N= 500,
nivel II, inspeccin Normal. AQL= 1.5%. La variabilidad es conocida con valor 3,000 psi
Ejemplo 8.10 Sea LIE= 58,000 psi; tamao del lote 500 artculos;AQL = 1.5%; Inspeccin
_
nivel II, normal. De los datos anteriores se obtuvo X = 63,000; n = 10 ; = 3,000. De tabla
A-2 se obtiene la letra I.
a) Obtencin en tabla D3 de n, M y V como 10, 3.63%, 1.054 respectivamente.
b) Clculo de QL =(63,000 - 58,000) * 1.054 / 3,000 = 1.756
c) Determinar PL de tabla D5 con QL= 1.756 es 3.92%
Como PL > M se rechaza el lote.
Pgina 334
Ejemplo 8.11 La especificacin para una colada de acero es de 67,000 y 58,000 psi
respectivamente. Un lote de 500 artculos se somete a inspeccin. El nivel de inspeccin es II,
inspeccin normal con AQL = 1.5%. La variabilidad conocida con valor 3,000 psi.
Una consideracin muy importante en el uso de las normas es que la poblacin de donde se
obtienen las muestras debe ser normal. Es ms crtico para pequeos valores de AQL.
Pgina 335
Los ajustes que se hicieron en la norma ASQC Z1.9 (1980) e ISO 3951 (1981) son:
1. Los rangos de tamao de lotes se ajustaron para corresponder con la MIL-STD-105E por
atributos.
2. Se ordenaron las letras cdigo para tener la misma proteccin que con la MIL-STD-105E.
3. Los niveles de inspeccin originales I, II, III, IV y V se denominaron S3, S4, I, II y III.
4. En la ISO 3951 se eliminaron los planes que consideran a los rangos en vez de las desviaciones
estndar.
5. En la ISO 3951 y en la Z1.9 se eliminaron los AQLS de 0.04, 0.065 y 15%.
6. Cambios en las reglas de transferencia.
Se adoptan las mismas reglas que en la 105E para el paso de inspeccin normal a severa y
viceversa con ligeras modificaciones.
La norma Z1.9 permite el paso de inspeccin normal a reducida si:
La produccin es continua.
La ISO 3951 permite el paso a inspeccin reducida si 10 lotes sucesivos han sido aceptados y:
7. La ISO 3951 permite el paso de un mtodo de sigma desconocida a sigma conocida, utilizando
como sigma el valor promedio estimado en la carta de control estable con al menos 30
subgrupos. Requiriendo la continuacin de la carta s o R.
Su ventaja principal es que se puede iniciar con un esquema de muestreo por atributos con la
MIL-STD-105E, obtener informacin suficiente y despus cambiar a un esquema por variables
manteniendo la misma combinacin de letra para el AQL.
Es muy importante una prueba de normalidad a partir de los datos variables de cada lote.
Pgina 336
Ejemplo 8.12 Se considera aceptable un lote si tiene menos de 0.3 ppm de emisiones de
formaldedo en maderas. Se disea un plan de muestreo con una probabilidad de aceptacin del
95% si las emisiones son en promedio de 0.3 ppm, y los lotes con un 0.4 ppm tengan una
probabilidad de aceptacin del 10%. Si por experiencia se sabe que la desviacin estndar es 0.10
ppm, se tiene:
X A 0.3
X A 0.3
1.645
0.1
n
(8.4)
En forma similar si los lotes que tienen un nivel de emisin de 0.40 ppm tienen una probabilidad
de 0.10 de aceptacin, entonces,
X A 0.4
X A 0.4
1.282
0.1
n
(8.5)
X A = 0.355
n= 9
Pgina 337
APNDICES
Pgina 338
CARTAS Xbarra-S
Lmites de control para medias
LSCx = X + A3 S
LCx = X
LICx = X - A3 S
MR
d2
__
LCx = X
LICx = X 3
MR
d2
Pgina 339
Para el caso del rango se usan las mismas de la carta Xbarra-R con n=2
CARTA p
pi
Di
ni
m
D
i 1
mn
p
i 1
m
__
__
p (1 p )
LSCp = p 3
n
__
__
LCp = p
__
__
p (1 p )
LICp = p 3
n
__
CARTAS np
LSCnp np 3 np(1 p)
LCnp np
LICnp np 3 np(1 p)
CARTAS c
LSCc = c + 3
LCc = c
LICc = c - 3
Pgina 340
CARTAS u
c
n
LSC u u 3
u
n
LC u u
LSC u u 3
u
n
A2
D3
D4
d2
1.880
0.000
3.267
1.128
1.023
0.000
2.574
1.693
0.729
0.000
2.282
2.059
0.577
0.000
2.115
2.326
0.483
0.000
2.004
2.534
0.419
0.076
1.924
2.704
0.373
0.136
1.864
2.847
0.337
0.184
1.816
2.970
10
0.308
0.223
1.777
3.078
Pgina 341
c4
A3
B3
B4
B5
0.9400
1.342 1.427 0
0.9515
0.9594
0.9650
0.9693
10
0.9727
11
0.9754
12
0.9776
13
0.9794
14
0.9810
15
0.9823
16
0.9835
17
0.9845
18
0.9854
19
0.9862
20
0.9869
21
0.9876
22
0.9882
23
0.9887
24
0.9892
25
0.9896
2.089 0
Pgina 342
B6
1.964
Pgina 343