CursoCEP Res

CURSO DE CONTROL ESTADSTICO PARA OPERADORES
P. REYES /JUNIO 2007
IPN - CECUR
CONTROL ESTADSTICO DEL PROCESO
DR. PRIMITIVO REYES AGUILAR Junio 2007 Mail. Primitivo_reyes@yahoo.com / Cel. 044 55 52 17 49 12
Pgina 1 de 110
OBJETIVOS: Al finalizar el curso, el participante ser capaz de: Comprender la aplicacin de las 7 herramientas estadsticas para la solucin de problemas en la ruta de la calidad Comprender los conceptos de la variabilidad de los procesos y la forma de evaluarla Comprender los conceptos estadsticos para implantar cartas de control por variables y por atributos para prevenir los defectos y mejorar los procesos. Evaluar la capacidad de un proceso y de los equipos de medicin, identificando acciones de mejora. Comprender los mtodos de muestreo por atributos y su aplicacin
Pgina 2 de 110
CONTENIDO INTRODUCCIN y APLICACIN DE LAS 7 Hs EN LA SOLUCIN DE PROBLEMAS 1. LA DISTRIBUCIN NORMAL
4 18
2. CONTROL ESTADSTICO DEL PROCESO
27
3. CARTAS DE CONTROL POR VARIABLES
36
4. CAPACIDAD DEL PROCESO
47
5. CAPACIDAD DE SISTEMAS DE MEDICIN R&R
57
6. CARTAS DE CONTROL POR ATRIBUTOS
69
7. MUESTREO DE ACEPTACIN x ATRIBUTOS
92
Pgina 3 de 110
INTRODUCCIN
Qu causa los defectos?
La variacin en: Materiales, Mquinas, Mtodos, Personal, Mediciones, Medio ambiente.
Etapas de la calidad
INSPECCIN: Aparecen los inspectores, inspeccin final al 100% CONTROL ESTADSTICO DEL PROCESO: Shewhart, Deming, Juran. Se usa en Japn en los 1950s y en occidente en los 1980s ASEGURAMIENTO DE LA CALIDAD (ISO 9001:1994) Sistemas aislados EUA (1940s) GESTIN DE LA CALIDAD (ISO 9001:2000, PNC) Feigenbaum, Deming, Juran, Crosby, Ishikawa, Taguchi EVOLUCIN DEL CONTROL ESTADSTICO DEL PROCESO (CEP)
En 1924 WALTER SHEWHART realiz experimentos y desarroll las Cartas de Control en los Bell Labs, las cuales:
Tcnicas tiles para el monitoreo de procesos Permiten identificar situaciones anormales en 6Ms Sirven para prevenir la generacin de defectivos
Pgina 4 de 110
Figura 1. Carta de control
En 1926 HAROLD F. DODGE Y HARRY G. ROMIG, desarrollaron las tcnicas de Muestreo Estadstico MUESTREO DE ACEPTACIN Tcnica que permite calificar lotes de productos como conformes o no conformes, por medio de una muestra representativa sin inspeccionar al 100%
LOTE Figura 2. Muestreo de aceptacin
MUESTRA
Durante la 2a. Guerra Mundial se expande el uso del CEP en la industria de manufactura 1950s: EDWARD DEMING / JOSEPH JURAN: Entrenaron a lderes industriales en tcnicas del CEP 1950s: KAOURU ISHIKAWA: seguidor de Deming, desarrolla el Diagrama de Ishikawa, los Crculos de calidad e impulsa el control de calidad total CWQC. Los japoneses implantaron el CEP y lograron productos de alta calidad, Occidente retoma los mtodos de CEP hasta despus de los 1980s.
Pgina 5 de 110
En Mxico el programa Ford ITESM de los 1990s impuls al CEP con sus proveedores con poco xito en otras empresas, hoy se retoma con el ISO 9001:2000 e ISO TS 16949. Las tcnicas estadsticas han evolucionado a lo que hoy se conoce como Seis Sigma, aplicada en EUA y Mxico por Motorola, GE, Sony, etc.
E
Figura 3. Sistema de gestin de calidad ISO 9001
Pgina 6 de 110
LAS 7 HERRAMIENTAS ESTADSTICAS
Figura 4. Las 7 herramientas estadsticas de calidad Diagrama de Causa efecto Es una tcnica de anlisis para la solucin de problemas, que muestra la relacin entre una caracterstica de calidad y los factores de influencia, ayudndonos a encontrar las causas posibles que nos afectan y encontrar su solucin. Para identificar las posibles causas se usa la lluvia de ideas, la cual se debe hacer sin juicio previos y respetando las opiniones. Tcnica para generar ideas creativas cuando la mejor solucin no es obvia. Reunir a un equipo de trabajo (4 a 10 miembros) en un lugar adecuado El problema a analizar debe estar siempre visible Generar y registrar en el diagrama de Ishikawa un gran nmero de ideas, sin juzgarlas, ni criticarlas Pgina 7 de 110
Motivar a que todos participen con la misma oportunidad
Figura 5. Diagrama de causa efecto, de Ishikawa o espina de pescado
D g ma ia ra a
Figura 6. Diagrama de relaciones Pgina 8 de 110
Clima e hmed
D ia
Figura 7. Diagrama de rbol
Figura 8. Anlisis del modo y efecto de falla
Com ponente _________

Pgina 9 de 110
Diagrama de Pareto Se utiliza para identificar prioridades EJEMPLO: Se tienen los defectos siguientes: A. Emulsin B. Grasa C. Derrame D. Tapa barrida E. Mal impresa 20 60 80 30 10
Construir un diagrama de Pareto y su lnea acumulativa

Pareto Chart of C1
200 100 80
150 Count
60 100 40 50
20
0 C1 Count Percent Cum %
C 80 40.0 40.0
B 60 30.0 70.0
D 30 15.0 85.0
A 20 10.0 95.0
Other 10 5.0 100.0
Figura 9. Diagrama de Pareto
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. Hoja de verificacin para anotar frecuencia de ocurrencias de los eventos (con signos |, X, *, etc.)
Pgina 10 de 110
Percent
Es una herramienta que nos permite estudiar la relacin de dependencia entre dos o ms variables. El Coeficiente de correlacin r tiene valores entre -1 y 1 y el coeficiente de determinacin r2 toma valores entre 0 y 1. Y=a+bX
Corre
Figura 10. Diagrama de dispersin y su correlacin entre X,Y
Corre cin la Evid n e 25

20
Figura 11. Diagrama de Regresin lineal
15 10
Pgina 11 de 110
Histogramas Se utilizan para ver la distribucin de frecuencia de los datos
Figura 12. Distribucin de frecuencias o histograma
Las cartas de control de Shewhart Sirven para monitorear el proceso,

prevenir defectivos y facilitar la mejora, hay dos tipos de cartas de control: Cartas de control por atributos (juzga productos como buenos o malos) y por variables (para parmetros del proceso como presiones, temperaturas, etc.)
1 8
Figura 13. Patrones de anormalidad en cartas de control Pgina 12 de 110
1 6
Diagrama 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
S
Figura 14. Smbolos de diagrama de flujo y diagrama de flujo de valor.
D ia
Pgina 13 de 110
Pgina 14 de 110
PART NUMBER: PART DESCRIPTIO
CATION
Pgina 15 de 110
VE
Estratificacin Se utiliza para separar el problema general en los estratos

que lo componen, por ejemplo, por reas, departamentos, productos, proveedores, turnos, etc. Clasificacin de los datos o factores sujetos a estudio en una serie de grupos con caractersticas similares.
Figura 15. Estratificacin de los datos de mquinas
Hoja de verificacin - Se utiliza para reunir datos basados en la observacin

del comportamiento de un proceso con el fin de detectar tendencias, por medio de la captura, anlisis y control de informacin relativa al proceso
Figura 16. Ejemplo de hoja de verificacin o registro
Pgina 16 de 110
Aplicacin de las 7hs en la solucin de problemas
Figura 17. Ruta de la calidad para la solucin de problemas
DMAIC
Definir
Herramientas
1. Mapa de Proceso 1. Mapa de Proceso 2. Despliegue de la 2. Despliegue de la Funcin de Funcin de Calidad (QFD) Calidad (QFD) 3. Modelo Kano 3. Modelo Kano 4. Diagrama Matricial 4. Diagrama Matricial 5. Benchmarking 5. Benchmarking 6. Costos de Calidad 6. Costos de Calidad 1. Mapa de Procesos 1. Mapa de Procesos 2. Diagrama de: 2. Diagrama de: Pareto,CausaPareto,CausaEfecto,rbol, Efecto,rbol, Afinidad Afinidad 3. Mtodos de 3. Mtodos de Muestreo Muestreo Estadstico Estadstico 4. Capacidad del 4. Capacidad del Sistema de Sistema de Medicin Medicin 5. Distribucin 5. Distribucin Normal Normal 6. Capacidad del 6. Capacidad del Proceso Proceso 1. AMEF 1. AMEF 2. Cartas Multi Vari 2. Cartas Multi Vari 3. Correlacin 3. Correlacin 4. Regresin lineal 4. Regresin lineal Simple y lineal Simple y lineal Mltiple Mltiple 5. Pruebas de 5. Pruebas de Hiptesis Hiptesis 6. Anlisis de 6. Anlisis de Varianza (ANOVA) Varianza (ANOVA) 1. Anlisis de 1. Anlisis de Experimentos Experimentos (DOE) (DOE) 2. Diseo Factorial 2. Diseo Factorial 2K 2K 3. Diseo Fraccin 3. Diseo Fraccin Factorial Factorial 4. Diseo Taguchi 4. Diseo Taguchi 5. Diseo de Mezclas 5. Diseo de Mezclas 6. Mtodos de 6. Mtodos de Superficie de Superficie de Respuesta Respuesta 1. Plan de Control 1. Plan de Control 2. Cartas de Control 2. Cartas de Control 3. Poka Yoke 3. Poka Yoke 4. Mejora continua 4. Mejora continua (Kaizen) (Kaizen) 5. Las 5 Ss 5. Las 5 Ss 6. Kanban 6. Kanban
Medir
Analizar
Mejorar
Controlar
PLA
Figura 18. Seis Sigma para la solucin de problemas
Pgina 17 de 110
EJEMPLO: TRANSPORTES TAMAULIPAS S.A. DE C.V. / GRUPO SENDA

EQUIPO DE TRABAJO: 44 Equipos de Mejora Continua (C.C.C.) DURACIN DEL PROYECTO: 5 de Mayo de 2004 a 29 de Agosto de 2004 A. Identificacin de la problemtica. Seleccin de la oportunidad de mejora. Lluvia de ideas para listar los problemas o reas de oportunidad ms relevantes en el rea de trabajo. Se integran los problemas listados en una Matriz de Priorizacin y se determina un factor peso considerando los objetivos de calidad, mismos que fueron validados por las reas involucradas. De acuerdo a los resultados de la matriz , se elabor un Diagrama de Pareto y se identific el principal problema como: Las salidas fuera de tiempo. B. Una vez seleccionado el problema, sustentarlo. Se tomar como ejemplo a la divisin 38 para generar un modelo para asegurar el caso exitoso. Se estratifican los datos para la divisin 38 tales como: das de la semana, por tipo de carro y por tipo de ruta. Basndose en la informacin estratificada el EMC decide fijar como meta: Reducir el 50% de las salidas fuera de tiempo en la divisin 38 para el mes de Agosto. Se elabora un 5W+1H C. Anlisis de las causas del problema. Se realiza un Diagrama de Pareto Se estratifican en las 5 Ms y se representan en un Diagrama de Ishikawa para identificar las posibles causas de raz. Se hace una seleccin de las posibles causas de raz y se identifican 2: o Mandar unidades con tiempo establecido mnimo de 30 minutos saliendo del Taller B. Comunicarle al personal involucrado las medidas realizadas. o Confeccionar un procedimiento nico que ser cumplido por todos los involucrados. Se realiza un 5W+1H para determinar las actividades a realizar y definir fechas, reas y responsables para su solucin. D. Propuesta de Alternativas de Solucin para eliminar las 2 Causas Raz Identificadas. Se decide llevar a cabo todas las alternativas propuestas para implementar correccin y prevencin de las causas raz puesto que ninguna requiere inversin y adems el tiempo de implementacin es relativamente corto. E. Implantacin y Verificacin. Para la implantacin de las actividades se realiz un 5W+1H, asegurando con esto que todas las actividades se lleven a cabo en la fecha establecida. Se realiza una comparacin antes y despus del proyecto, y se observa un cumplimiento por encima de lo estimado. Posterior a la implementacin del proyecto, la tendencia se mantiene constante validando as la efectividad de las acciones emprendidas. F. Diseo del Nuevo Estndar Para asegurar la permanencia de la mejora y evitar la reincidencia del problema, se desarroll un procedimiento para la estandarizacin de la divisin 38 en todas sus rutas y donde se describe el flujo de las unidades dentro de las fosas. Se desarrolla un plan de actividades de capacitacin por medio de un 5W+1H con la intencin de aplicar estas actividades en todas las divisiones de Transportes Tamaulipas.
Pgina 18 de 110
MDULO 1. LA DISTRIBUCIN NORMAL y PRUEBA DE NORMALIDAD

1.1 DISTRIBUCIN NORMAL
Un proceso opera en condiciones normales, si tiene los materiales dentro de de especificaciones y del mismo lote, un mtodo consistente, un medio ambiente adecuado, el operador capacitado, y el equipo ajustado correctamente, si se toman mediciones en alguna caracterstica del producto, mostrar el siguiente comportamiento:
D istribuci n La
Fig. 1.1 Construccin de la distribucin normal
LAS PIEZAS VAR
La distribucin normal es una de las distribuciones ms usadas e importantes. Se ha desenvuelto como una herramienta indispensable en cualquier rama de la ciencia, la industria y el comercio. Muchos eventos reales y naturales tienen una distribucin de frecuencias cuya
TAMA O forma es muy parecida a la distribucin normal. La distribucin normal es llamada

tambin campana de Gauss por su forma acampanada.
TAMA O
Pero ellas forman un patr

Pgina 19 de 110
n, tal
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). Para el caso de estadsticos de una muestra se tiene media = X y desv. est.= s.
Propiedades de la distribucin normal estndar
La distribucin normal estndar tiene media = 0 y desviacin estndar =1. La media, Mediana y Moda coinciden, son iguales y se localizan en el pico.
Fig. 1.2 Propiedades de la distribucin normal

El rea bajo la curva o probabilidad de menos infinito a ms infinito vale 1. La distribucin normal es simtrica, la mitad de curva tiene un rea de 0.5. La escala horizontal de la curva se mide en desviaciones estndar. La forma y la posicin de una distribucin normal dependen de los parmetros , , por lo que hay un nmero infinito de distribuciones normales.
x-3
x-2
x-
Pgina 20 de 110
Cu a s Nrma s c o u rvs o rm s o le Crv a No a le c Dev iaio ns e e sia c n e Ds v c ioe s
Lmite inferior de especs.
Lmite superior de especificaciones
Fig. 1.3 Distribuciones normales con varias desv. estndar
N o a le o rm le Nrma s Dev iaio ns e e sia c n e s Ds v c ioe s e
LIE Fig. 1.4 Distribuciones desviaciones estndar normales
LSE con varias medias y
Pgina 21 de 110
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% .
-3s -2s -1s
+1s +2s +3s 68.26% 95.46%
99.73% Fig. 1.5 rea bajo la curva de Distribucin normal Lo anterior se puede calcular con la Tabla de distribucin normal o con Excel (Fx =distr.norm.estand(Z) proporciona el rea desde menos infinito hasta Z). En la tabla normal, se busca el valor de Z y se encuentra el rea bajo la curva. 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 22 de 110
Pgina 23 de 110
Ejemplo 1.1 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) = 0.1259
Pgina 24 de 110
Pgina 25 de 110
Ejemplo 1.2 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 EJERCICIO 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) =
Pgina 26 de 110
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) =
Estandarizacin de valores reales

En la prctica, se tienen valores reales de promedio diferentes de cero y con desviacin estndar diferentes de uno, para determinar la probabilidad o rea bajo la curva, se determina el nmero de desviaciones estndar Z entre algn valor X y la media de la poblacin o de la muestra X como sigue:
Z=
X X s
s se consideran los datos completos del proceso.
Z=
s se consideran slo los datos de una muestra.
Ejemplo 1.3 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 prueba? Calculando el valor de Z obtenemos:
Z = X 500 485 = 0.5 = 30
= 30 Qu porcentaje de los solicitantes pasar la
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 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. Pgina 27 de 110
Otra forma es tomando la Z como negativa con P(Z <= -0.5) = 0.3085.
4 8 5
3 0 . 8 5 %
Fig. 1.6 rea bajo la curva de Distribucin normal
Z 0.
Ejemplo 1.4 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) = En la barra de herramientas seleccione el icono de funciones fx>Estadsticas>Distr.Norm.Estand. OK. El sistema muestra la siguiente ventana, en la cual llenamos los siguientes datos:
Fig. 1.7 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 EJERCICIO 2:
Pgina 28 de 110
Un producto tiene un peso promedio de 75 Kgs. con una desviacin estndar de 10Kgs. a) Cul es la probabilidad de que un producto pese ms de 85Kgs.? b) Cul es la probabilidad de que un producto pese menos de 55Kgs.? c) Cul es la probabilidad de que el producto pese entre 60 y 80 Kgs.?. d) Cul es la probabilidad de que el producto pese entre 55 y 70 Kgs.? e) Cul es la probabilidad de que el producto pese entre 85 y 100Kgs.?
1.2 PRUEBA DE NORMALIDAD

Para probar normalidad de datos, se pueden utilizar los mtodos de Anderson Darling o Ryan, y la grfica de probabilidad normal. a) En el mtodo de Anderson Darling o Ryan Joiner, si el valor de probabilidad P de la prueba es mayor a 0.05, se considera que los datos son normales. Seguir los siguientes pasos: 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:
1. 2.
Stat > Basic statistics > Normality Test Variable C1 Seleccionar Ryan Joiner test OK
El P value debe ser mayor a 0.05 para que los datos se distribuyan normalmente
Pgina 29 de 110
Probability Plot of Datos

Normal
99.9 99 95 90 80 70 60 50 40 30 20 10 5 1 0.1 Mean StDev N RJ P-Value 269.3 30.72 100 0.994 >0.100
Percent
150
200
250 Datos
300
350
Fig. 1.8 Grfica de probabilidad de un proceso normal b) Otra opcin por medio de una grfica de probabilidad normal, se tiene: 3. Graph > Probability plot > Normal
4. 5.
Graph Variable C1 Distribution Normal OK
Los puntos deben quedar dentro del intervalo de confianza para indicar que es normal la distribucin.
Probability Plot of Datos
Normal - 95% CI
99.9 99 95 90 80 70 60 50 40 30 20 10 5 1 0.1 Mean StDev N AD P-Value 269.3 30.72 100 0.317 0.533
Percent
150
200
250 Datos
300
350
400
Fig. 1.9 Grfica de probabilidad normal con Int.de confianza
Pgina 30 de 110
MODULO 2. INTRODUCCIN AL CONTROL ESTADSTICO DEL PROCESO (CEP)

2.1 ANTECEDENTES
Desarrollo del Control Estadstico del Proceso W. A. Shewhart demostr que cuando se extraen muestras de tamao 4 6 de distribuciones casi normales, triangulares, uniformes, etc., y se calculan las medias de esas muestras, al graficar las medias en un histograma siguen una distribucin normal.1
Universo Fig. 2.1 Experimentos de Shewhart para las cartas de control 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 estn relacionadas con la desviacin estndar de la poblacin, como sigue:
__ =
X
Shewhart, W.A., Economic Control of Quality of Manufactured Product, Van Nostrand Reinhold Co., 1931, p. 182
Pgina 31 de 110
Donde n es el tamao de la muestra y es la desviacin estndar de la poblacin. Poblacin con media y desviacin estndar y cualquier distribucin.
X1 X-media 1
X2 X-media 2
X3 X-media 3
Conforme el tamao de muestra se incrementa las muestras se distribuyen normalmente con media de medias y desviacin estndar de las medias de las
muestras / n. Tambin se denomina Error estndar de la media.

Histogram of Promedios
14 12 10 F requency 8 6 4 2 0
5 Promedios
Fig. 2.2
Distribucin de las medias muestrales - Normal
En general si las xi estn distribuidas en forma idntica y su distribucin se asemeja a la normal, el teorema del lmite central trabaja bien para n>=3 o 4, condiciones propicias para el control estadstico de los procesos. Pgina 32 de 110
2.2 CONTROL ESTADSTICO DEL PROCESO

El CEP es una tcnica que permite aplicar el anlisis estadstico para medir, monitorear y controlar procesos por medio de cartas de control. Su propsito 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 lo cual 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.
Beneficios que proporciona el CEP:

Son herramientas para mejorar la productividad Son herramientas de prevencin de defectos Evitan ajustes innecesarios Proporcionan informacin de diagnstico Proporcionan informacin de la capacidad del proceso
Qu es una carta de control? Una Carta de Control es como un historial del proceso...
... En donde ha estado....En donde se encuentra....Hacia donde se puede dirigir
Una Carta de control es simplemente un registro de datos en el tiempo con lmites de control superior e inferior, diferentes a los lmites de especificacin.
Pgina 33 de 110
C t s e oto aa d cn l r r
1 .5 2
Fig. 2.3 Carta de control con sus lmites de control
1 .5 1 1 .5 0
Las cartas de inadecuado?
control pueden reconocer cambios favorables y
desfavorables. Qu tanto se ha mejorado? Se ha hecho algo
Las cartas de control detectan la variacin anormal en un proceso, denominadas causas especiales o causas asignables de variacin.
9 .5 8 .5 7 .5
El patrn normal de un proceso se llama causas de variacin comunes. El patrn anormal debido a eventos especiales se llama causa especial de variacin.
1 0
Cr a at s
Fig. 2.4 Analoga del manejo en carretera con el monitoreo del proceso
Cua ass
Pgina 34 de 110
CAUSAS COMUNES Y CAUSAS ESPECIALES La variabilidad natural siempre existe en cualquier proceso de produccin, no importa que tan bien diseado est. Esta variabilidad natural es denominada causas comunes o aleatorias de variabilidad, un proceso que opera en estas condiciones se dice que est en control estadstico.
Fig. 2.5
Proceso en control, solo causas comunes presentes
De la figura cuando el proceso est en control, la mayor parte de la produccin se encuentra dentro de los lmites de control (LSC y LIC). Existen otras fuentes de variabilidad que pueden ser causadas por mquinas, errores de operadores, materiales defectuosos o alguna otra de las 6Ms (medio ambiente, mtodos, mediciones). 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.
LIC
LSC
LSC
Fig. 2.6 Proceso fuera de control, con presentes, el proceso no es predecible
S L SV R C I A A IA IO S D EQ ES E IC U E
causas especiales Pgina 35 de 110
En una carta de control los patrones de anormalidad ms comunes son: las causas especiales, las tendencias crecientes o decrecientes y las corridas de nivel
Patron en la
M Fig. 2.7 E Patrones de anormalidad ms frecuentes D Patrones principales de anormalidad en Cartas de Control I Puntos fuera de control: Una carta de control indicar una condicin fuera de control cuando unoD o ms puntos se encuentren ms all de los lmites de control. A Tendencias: Se pueden presentar tendencias hacia arriba o hacia abajo en las cartas de control (ascendentes o descendentes), se considera que 7 puntos o ms S
indican una situacin fuera de control.
Escuche
C A
Pgina 36 de 110
Corrimiento en la media del proceso: Esto puede ser generado por un cambio en mtodos, operadores, materias primas, mtodos de inspeccin, etc. se considera que 7 puntos o ms indican una situacin fuera de control Para reconocer un patrn de comportamiento no slo se requiere conocer las tcnicas estadsticas, sino tambin es necesario tener un conocimiento profundo del proceso. 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. Proceso en Control estadstico: Sucede cuando no se tienen situaciones anormales y aproximadamente el 68% (dos tercios) de los puntos de la carta se encuentran dentro del 1 de las medias en la carta de control. Es decir, se tiene aprox. el 68% de los puntos dentro del tercio medio de la carta de control. En el libro de la Western Electric (1956) se recomiendan las reglas siguientes para detectar patrones no aleatorios en las cartas de control: 1. Un punto fuera de los lmites de control de 3-sigma. 2. Dos de tres puntos consecutivos sobre los lmites preventivos a 2-sigma. 3. Cuatro de cinco puntos consecutivos que se encuentren a una distancia de 1sigma o ms all a partir de la lnea central. 4. Ocho puntos consecutivos graficados hacia un lado de la lnea central.
Algunas reglas adicionales recomendadas por la industria son: 5. Siete puntos formando una tendencia creciente o decreciente. 6. Quince puntos consecutivos encontrados entre ms menos 1-sigma de la lnea central (adhesin a la media). 7. Catorce puntos en un rengln alternndose arriba y abajo. 8. Siete puntos que se encuentren ms all de 1-sigma de la lnea central. 9. Un patrn no usual o no aleatorio de datos. 10. Uno o ms puntos cerca de los lmites preventivos.
Pgina 37 de 110
2.3 PROCESO DE MEJORA CON EL CEP

El proceso de mejora usando la carta de control requiere la accin de la supervisin, operador e ingeniera, la carta de control slo detecta causas especiales o asignables. 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 (PASFC), activado con la ocurrencia de cada evento. Es una lista de verificacin, que indica las causas potenciales asignables y acciones que resuelven la situacin fuera de control. Este es un documento vivo que debe ser actualizado constantemente.
ENTRADA
PROCESO
SALIDA
SISTEMA DE EVALUACIN
Verificacin y seguimiento Implantar Accin Correctiva PASFC Deteccin de causa asignable Identificar causa raz del problema
Fig. 2.8 Proceso de mejora utilizando la carta de control
Pgina 38 de 110
MDULO 3. CARTAS DE CONTROL POR VARIABLES

3.1 INTRODUCCIN
Una caracterstica que se mide en una escala numrica se denomina una variable. Por ejemplo temperaturas, dimensiones, volumen, tiempo, etc.
Para un control estadstico del proceso por variables, se utiliza la carta por lecturas individuales y rango mvil (I-MR), para parmetros del proceso donde slo se toma una lectura a la vez.
Para control de las caractersticas del producto se pueden utilizar las cartas de control de medias rangos ( X R ) para monitorear la media y la variabilidad, con objeto de evitar o minimizar que se tengan productos fuera de especificaciones y estabilizar los procesos.
3.2 CARTAS PARA LECTURAS INDIVIDUALES / RANGO MVIL (I-MR) Existen muchas situaciones donde el tamao de muestra es n =1, por ejemplo:
1.
Cuando hay inspeccin automtica de parmetros o piezas individuales. ms de una pieza.
2. La tasa de produccin es muy baja y no es inconveniente tomar muestras de 3. Las mediciones entre unidades muestra difieren muy poco (slo por errores de medicin de laboratorio) como en procesos qumicos.
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, tomando la diferencia entre cada dos valores consecutivos como sigue:
MR i =
X i 1
Ejemplo 3.1 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
Pgina 39 de 110
el valor de n = 2 y habr (m 1) rangos en total. Con m = nmero de valores individuales. Por ejemplo:
Valores individuales 12 15 11 14 8 9 Rango 3 4 3 6 1
Al final se hace un promedio de los valores individuales X y un promedio de rangos mviles R y los lmites de control para la carta I-MR se calculan con las frmulas siguientes:
Para este caso, los lmites de control para la carta X son (n = 2 ): LSCx = X + 3 d ; LCx = X 2
MR
__
;
LICx = X 3 d 2
MR
Carta de lecturas indiv

Terminologa
k = nmero de piezas n = 2 para calcular los rangos x = promedio de los datos R = rango de un subgrupo de
Pgina 40 de 110
R = promedio de los (n - 1) ran
I-MR Chart of Supp1

1 1
601 I ndividual Value
UCL=601.176
600
_ X=599.548
599
598
1
LCL=597.920 1 10 20 30 40 50 60 Observation
1
70
80
90
100
2.4 Moving Range

1
1.8 1.2 0.6 0.0 1 10 20 30 40 50 60 Observation 70 80 90 100
UCL=2.000
__ MR=0.612 LCL=0
Figura 3.1 Carta de control de lecturas individuales y rango mvil I-MR El proceso no est en control estadstico. Identificando las causas de anormalidad en los puntos 39, 55 y 82 y tomando acciones para prevenir la reincidencia, se eliminan los puntos fuera de control y se recalculan los lmites de control:
I-MR Chart of Supp1_ 1
601 I ndividual Value UCL=601.000
600
_ X=599.532
599
598
LCL=598.064 10 20 30 40 50 Observation 60 70 80 90
2.0 Moving Range 1.5 1.0 0.5 0.0 1 10 20 30
UCL=1.804
__ MR=0.552 LCL=0 40 50 Observation 60 70 80 90
Figura 3.2 Carta de control I-MR estabilizada Ejercicio 3.1 Hacer una carta I-MR utilizando las fichas de ejemplo por equipos.
Pgina 41 de 110
N O M B R E D E P A R N E. D E P To
U N ID A D E S N O M IN A L
1
Pgina 42 de 110
N O M B R E D E P A R N E. D E P To
U N ID A D E S N O M IN A L
1
Pgina 43 de 110
3.3 CARTAS DE CONTROL DE MEDIAS-RANGOS (X-R)

Para elaborar la carta, inicialmente se toman al menos 25 subgrupos con muestras de cinco partes cada cierto periodo (por ejemplo cada hora), se determinan los lmites de control preliminares, 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.
LSC = X + A2 R LIC = X - A2 R
El valor de A2 se encuentra tabulado en una tabla de constantes. Para el caso de los rangos, la lnea central es R . los lmites de control para el rango son: LSC = D4 R LIC = D3 R Ejemplo 3.2 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
Pgina 44 de 110
Se obtiene una media de medias X y un rango promedio R, para proceder a determinar los lmites de control como sigue:
Terminologa
k = nmero de subgrupos
Xi = promedio para un su
Donde las constantes A2, d2 D3 y D4 se encuentran tabuladas en funcin de n para facilitar el clculo de los lmites de control como sigue:
X = promedio de todos lo
Ri = rango de un subgrup
D3 0 0 0 0 0 0.076 0.136 0.184 0.223 D4 3.267 2.574 2.282 2.115 2.004 1.924 1.864 1.816 1.777
Tabla 3.1 Constantes para lmites de control en cartas X-R

n 2 3 4 5 6 7 8 9 10 A2 1.88 1.023 0.729 0.577 0.483 0.419 0.373 0.337 0.308
R = promedio de todos lo
xi = x =
x1 + x 2 + x 3 + n x1 + x2 + x3 +
d2 1.128 1.693 2.059 2.326 2.534 2.704 2.847 2.97 3.078
Pgina 45 de 110
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. 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.
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.
Ejemplo 3.2: de Carta X media Rango en Minitab:

0. File > Open Worksheet Camshaft.Mtw 1. Stat > Control Charts > Variable charts for subgroups > X bar R 2. Single column Supp2 Subgroup size 5 3. Test Seleccionar Perform all eight tests 4. OK esta el proceso en control estadstico? La carta resultante es la siguiente:
Pgina 46 de 110
1
Figura 3.3 Carta de control X-R fuera de control
subgrupos 2 y 14 y tomando acciones preventivas para evitar la reincidencia, se eliminan los subgrupos fuera de control y se recalculan los lmites de control.
Xbar-R Chart of Supp2
UCL=602.247
602 Sample Mean 601 600 599 598
Sample Mean
Despus de identificar las causas de las situaciones fuera de control en los
602
_ _ X=599.938
600
6
LCL=597.629 8 10 Sample 12 14 16 18
8 Sample Range 6 4 2 0
UCL=8.465
_ R=4.003
LCL=0 2 4 6 8 10 Sample 12 14 16 18
Figura 3.4 Carta de control de medias rangos X-R estable Una vez que el proceso est en control se calcula la capacidad del proceso. Ejercicio 3.2 Hacer una carta X-R utilizando las fichas de ejemplo por equipos.
598
Pgina 47 de 110
NOM BRE DE PARTE No. DE PAR
U N ID A D E S
N O M IN A L
Pgina 48 de 110
NOM BRE DE PARTE No. DE PAR
U N ID A D E S
N O M IN A L
Pgina 49 de 110
MDULO 4. CAPACIDAD DE PROCESOS NORMALES

4.1 INTRODUCCIN
Su propsito es determinar la capacidad del proceso para cumplir especificaciones o requerimientos establecidos, se usa para: 1. Predecir que tanto el proceso cumple especificaciones 2. Apoyar a diseadores de producto o proceso en sus modificaciones 3. Especificar requerimientos de desempeo de equipo nuevo 4. Seleccionar proveedores 5. Reducir la variabilidad en el proceso de manufactura 6. Planear la secuencia de produccin cuando hay un efecto interactivo de los procesos en las tolerancias.
Fig. 4.1 Capacidad del proceso
La capacidad de los procesos para cumplir especificaciones se refiere a la uniformidad de los procesos medida como la variabilidad del producto, hay dos formas de pensar en esta variabilidad: Pgina 50 de 110
LIE Especificacin inferior
1. La variabilidad natural en un cierto tiempo (variabilidad instantnea). 2. La variabilidad en el tiempo. Es usual tomar 6-sigma de la poblacin como la dispersin en la distribucin de la caracterstica de calidad del producto como medida de la capacidad del proceso.
Los lmites de tolerancia natural del proceso, superior (LTNS) e inferior (LTNI) , se encuentran en 3 , o sea: LTNS = + 3 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
Fig.4.2 Localizacin de los lmites de tolerancia natural
Pgina 51 de 110
Cmo vamos
Podemos reducir la desv

Fig. 4.3 Acciones para mejorar la Capacidad del proceso
Te cambl orad e Podemos
Fig. 4.4 Capacidad potencial (Cp) y capacidad real del proceso (Cpk)
t n l tiene 9' de ancho (e e El e sp c (va cind l p ria e roce Pasar so). O (lo idealla especificacin que sera, por supuesto) que pod . Centrar es hacer que el prom edio especificacin Si el cam tiene . in el chofer puede m antener el centr Cualquiera que sea la m chocarcon las paredes del tnel asegurarse qu
Pgina 52 de 110
Ca a a d l p p cid d e roce so
Fig. 4.5 Clculo de la fraccin defectiva
La capacidad en funcin de la En funcin de la fraccin defec Rango m edio = D sv. Est. e Constante d2 d
4.2 NDICES DE CAPACIDAD
NDICE DE CAPACIDAD POTENCIAL Cp
Los valores de Z inferior y Z su Siguientes:

=
compara la amplitud de variacin permitida por las especificaciones entre la amplitud de variacin entre los lmites de tolerancia naturales del proceso.
Cp = LSE LIE 6
Z i
LIE - prom del pro edio
Ejemplo 4.1 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 d2
Desviacin Estandar
por tanto se tiene:
La fraccin defectiva se calcula c

= 1.68 Pgina 53 de 110
Cp = PCR = (LSE LIE) / 6
P(Zi) = rea en tabla (-Z)
= (74.05 73.95) / 6 (0.0099)
P(Z
Fraccin defectiva = P(Zi)
La funcin P (inverso de Cp) es el porcentaje de la banda de especificaciones usada por el proceso.

1 P = Cp 100
Para el caso del ejemplo se tiene: P = [(1/1.68)] 100 = 59.5% Cuando slo existe un lmite de especificaciones, el ndice de capacidad potencial Cp o PCR se define como:
Cps = PCR S = LSE 3
para el lmite superior
Cpi = PCR I =
LIE 3
para el lmite inferior
Ejemplo 4.2 Para el caso de la resistencia de las botellas de vidrio, si el LIE = 200psi,
Cp =
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. 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 Pgina 54 de 110
Motorola en su programa 6-sigma. 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.
INDICE DE CAPACIDAD REAL Cpk Este ndice si toma en cuenta el centrado del proceso respecto a las especificaciones, en este caso se denomina Cpk, y se evala tomando el mnimo entre los Cps correspondientes a cada lado de la media, como sigue,
Cpk = PCRk = min ( PCR S , PCR I ) debe ser mayor a 1
donde, Cps = PCR S =
LSE 3
Cpi = PCR I =
LIE 3
Ejemplo 4.3 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 = PCR S = 62 53 = 1.5 para el lmite superior 32
Cpi = PCR I =
53 38 = 2.5 para el lmite inferior 32
Por tanto, el ndice de capacidad real es:

Cpk = PCRk = min ( PCR S , PCR I ) = min (1.5,2.5) = 1.5
Siempre se cumple que, Cpk <= Cp, Siendo el Cpk menor cuando el proceso no est centrado.
Pgina 55 de 110
C lo d laca lcu e p
Habilidad o capacidad potencial
4.3 PROCEDIMIENTO PARA REALIZAR ESTUDIOS DE CAPACIDAD DEL PROCESO
1. Seleccionar una mquina donde realizar el estudio. 3. Seleccionar un operador entrenado. habilidad (error R&R < 10%).
2. Seleccionar las condiciones de operacin del proceso.
Debe ser 1 para tener el potencial de cum con especificaciones (LIE plir
4. El sistema de medicin debe tener una resolucin de al menos el 10% y una 5. Cuidadosamente colectar la informacin en una carta de control X-R o I-MR. 6. Construir la carta de control y estabilizar el proceso a que este en control. 7. Calcular la media y desviacin estndar del proceso (S = Rmedia / d2). lmite inferior de especificaciones Zi. 8. Calcular las Zs correspondientes al lmites superior de especificaciones Zs y al
9. Determinar la fraccin defectiva con la tabla normal P(Zs) + P(Zi). mayor a 1.
10. Calcular el ndice de capacidad potencial Cp = (LSE LIE) / (6*s), debe ser
Habilidad o capacidad real El Cpkdebe ser 1 para que el proceso cum especificaciones pla
Pgina 56 de 110
11. Determinar el ndice de capacidad real Cpk = Menor |Zs; Zi| / 3, debe ser mayor a 1. 12. Tomar las acciones correctivas necesarias Ejemplo 4.4: 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
Por tanto estimando los parmetros del proceso se tiene: = X media de medias = Rmedio / d2 =77.3 / 2.326 = 33.23
[ d2 para n = 5 tiene el valor 2.326] Si el lmite de especificacin es: LIE = 200. El Cpk = (200 - 264.06) / (77.3) (3) = 0.64 por tanto el proceso no cumple con las especificaciones
Ejercicio 4.5
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 b) Determinar el Cp c) Determinar el Cpk Rmedio = 5
a) Determinar la fraccin defectiva
Pgina 57 de 110
4.4 CAPACIDAD DE PROCESOS CON MINITAB NORMALES Capacidad de procesos normales

Una vez comprobada la normalidad de los datos, determinar la capacidad con:
1. 2. 3.
Stat > Quality tools > Capability analysis > Normal Single column C1 Subgroup size 1 Lower Spec 200 Upper spec 330 Estimate R-bar OK
Los resultados se muestran a continuacin:

Process Capability of Datos
LSL
Process Data LSL 200.00000 Target * USL 330.00000 Sample Mean 269.25354 SampleN 100 StDev(Within) 30.83472 StDev(Overall) 30.80011
USL Within Overall

Potential (Within) Capability Cp 0.70 CPL 0.75 CPU 0.66 Cpk 0.66 CCpk 0.70 O verall Capability Pp PPL PPU Ppk Cpm 0.70 0.75 0.66 0.66 *
210
O bserved Performance PPM<LSL 10000.00 PPM>USL 30000.00 PPMTotal 40000.00
240
270
300
330
360
Exp. Within Performance PPM<LSL 12353.30 PPM>USL 24415.36 PPMTotal 36768.66
Exp. O verall Performance PPM<LSL 12272.69 PPM>USL 24288.79 PPMTotal 36561.48
Fig. 4.6 Capacidad de procesos normales
Interpretacin:
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 58 de 110
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. Opcin Six Pack Para mostrar toda la informacin relevante: Determinar la capacidad con: 4. Stat > Quality tools > Capability Six Pack > Normal
5. 6.
Single column C1 Subgroup size 5 Lower Spec 200 Upper spec 330 Estimate R-bar OK
Los resultados se muestran a continuacin:

Process Capability Sixpack of Datos
I Chart
I ndividual Value UCL=361.8 320 _ X=269.3 240 160 LCL=176.7 1 10 20 30 40 50 60 70 80 90 100 210 240 270 300 330 360
Capability Histogram
Moving Range Chart

1
Moving Range
100 50 0 1 10 20 30 40 50 60 70 80 90 100
UCL=113.6
Normal Prob Plot AD: 0.317, P: 0.533
__ MR=34.8 LCL=0 200 300 400
Last 25 Observations
300 Values 250 200 80 85 90 Observation 95 100
Capability Plot Within StDev 30.83472 Cp 0.70 Cpk 0.66 CCpk 0.70
Within
Overall
O verall StDev 30.80011 Pp 0.70 Ppk 0.66 Cpm *
Specs
Fig. 4.7 Resultados de capacidad del proceso Six Pack En este caso se observa que los datos siguen una distribucin normal.
Pgina 59 de 110
5. ESTUDIOS DE CAPACIDAD DE EQUIPOS DE MEDICIN

En cualquier problema que involucre mediciones, de la variabilidad total parte de la variabilidad observada es debida al producto mismo y parte es debida a la variacin del equipo de medicin, o sea: Posibles Fuentes de la Variacin del Proceso
Fig. 5.1 Diagrama de variabilidad observada en el proceso
Variacin del proceso, real Variacin del proceso, real
Definiciones Reproducibilidad: Es la variacin, entre promedios de las mediciones hechas por diferentes operadores que utilizan un mismo instrumento de medicin cuando miden las mismas caractersticas en una misma parte.
Variacin dentro de la muestra

Pgina 60 de 110
Fig.5.2 Evaluacin de la reproducibilidad
Repetibilidad: es la variacin de las mediciones obtenidas con un instrumento de medicin, cuando es utilizado varias veces por un operador, al mismo tiempo que mide las mismas caractersticas en una misma parte.
Fig. 5.3 Evaluacin de la repetibilidad
Valor verdadero:
Operador-A
Valor correcto terico / estndares NIST2
Precisin: Es la habilidad de repetir la misma medida cerca o dentro de una misma zona
Exactitud :
Reproducibilidad
Es la diferencia entre el promedio del nmero de medidas y el valor verdadero.
En EUA se tiene el NIST (National Institute of Standards ando Technology),En Mxico se tiene el CENEAM o el Centro Nacional de Metrologa
REPETIBILID AD
Pgina 61 de 110
Resolucin: La medicin que tiene exactitud y precisin.
Preciso pero no exacto
Exacto pero no preciso
Exacto y preciso (resolucin)
Fig. 5.4 Evaluacin de la precisin y exactitud - 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.
Fig. 5.5 Evaluacin de la estabilidad
Linealidad: diferencia en los valores de la escala, a travs del rango de operacin esperado del instrumento de medicin.
Pgina 62 de 110
V lor a ve a e rd d ro Se o sg Mn e or
V lor a ve a e rd d ro Se o sg m yor a
(ra g in rior) n o fe
Ra g d O e cind l e u o n o e p ra e q ip
(ra g su e n o p rior)
Fig. 5.6 Evaluacin de la linealidad
Sesgo: distancia entre el valor promedio de todas las mediciones y el valor verdadero. Error sistemtico o desviacin.
Valor Verdadero
Fig. 5.7 Evaluacin del sesgo
Calibracin: Es la comparacin de un estndar de medicin con exactitud conocida con otro instrumento para detectar, reportar o eliminar por medio del ajuste, cualquier variacin en la exactitud del instrumento.
Se o sg
Importante: para que el equipo de medicin tenga una discriminacin adecuada en la evaluacin de las partes, su
resolucin debe ser al menos 1/10 de la variabilidad del proceso.
Pgina 63 de 110
<10% Aceptable 10-30%. Puede ser aceptable, para caractersticas no crticas. >30%. Inaceptable! En otras industrias fuera de la automotriz se acepta un error total de R&R del 25% como mximo.
Estudio de R&R Mtodo largo

Generalmente intervienen de dos a tres operadores Generalmente se toman 10 unidades Cada unidad es medida por cada operador, 2 3 veces.
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 equipo de medicin a menos que se cumpla el punto anterior. Procedimiento para realizar un estudio de R&R 1. Asegrese de que el equipo de medicin haya sido calibrado.
Pgina 64 de 110
2. Marque cada pieza con un nmero de identificacin que no pueda ver la persona que realiza la medicin. 3. Haga que el primer operador mida todas las muestras una sola vez, siguiendo un orden al azar. 4. Haga que el segundo operador mida todas las muestras una sola vez, siguiendo un orden al azar.
5.
Contine hasta que todos los operadores hayan medido las muestras una sola vez (este es el intento 1).
6. Repita los pasos 3-4 hasta completar el nmero requerido de ensayos 7. Determine las estadsticas del estudio R&R Repetibilidad Reproducibilidad % R&R Desviaciones estndar de cada uno de los conceptos mencionados Anlisis del porcentaje de tolerancia 8. Analice los resultados y determine las acciones a seguir si las hay. Mtodos de estudio del error R&R: I. Mtodo de Promedios- Rango Permite separar en el sistema de medicin lo referente a la Reproducibilidad y a la Repetibilidad. Los clculos son ms fciles de realizar.
II. Mtodo ANOVA Permite separar en el sistema de medicin lo referente a la Reproducibilidad y a la Repetibilidad. Tambin proporciona informacin acerca de las interacciones de un operador y otro en cuanto a la parte.
Pgina 65 de 110
Calcula las varianzas en forma ms precisa. Los clculos numricos requieren de una computadora. El Mtodo ANOVA es ms preciso
Pgina 66 de 110
Ejemplo 5.1 Mtodo de ANOVA en Minitab: 1. STAT>QUALITY TOOLS>GAGE STUDY > Gage R&R (Crossed) 2. Seleccione C1 (parte), C2 (operador), C3 (Medicin) 3. Mtodo de Anlisis ANOVA 4. En Options Seleccionar: Study variation 5.15 remove interaction 0.25 5. OK Los resultados se muestran a continuacin: Gage R&R Study - ANOVA Method
Two-Way ANOVA Table With Interaction Source Partes Operadores Partes * Operadores Repeatability Total 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
Process tolerance 0.006 Alfa to
Los operadores y la interaccin no fueron significativos, slo las partes Two-Way ANOVA Table Without Interaction Source DF SS MS Partes 9 0.0000086 0.0000010 Operadores 2 0.0000002 0.0000001 Repeatability 78 0.0000077 0.0000001 Total 89 0.0000165 Gage R&R Source Total Gage R&R Repeatability Reproducibility Operadores Part-To-Part Total Variation 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 StdDev (SD) 0.0003150 0.0003150 0.0000000 0.0000000 0.0003092 0.0004414 F 9.67145 0.75592 P 0.000 0.473
%Contribution (of VarComp) 50.93 50.93 0.00 0.00 49.07 100.00 Study Var (5.15 * SD) 0.0016222 0.0016222 0.0000000 0.0000000 0.0015923 0.0022731 %Study Var (%SV) 71.36 71.36 0.00 0.00 70.05 100.00 %Tolerance (SV/Toler) 27.04 27.04 0.00 0.00 26.54 37.88
Number of Distinct Categories = 1
Pgina 67 de 110
En este caso el sistema de medicin no es adecuado para el control de proceso (%SV), ni para el control del producto final (%Tolerance) que debe ser menor al 10%. La interaccin no es significativa, y los errores de R&R indican que equipo de medicin no es adecuado, ni el nmero de categoras (debe ser al menos 4).
Gage R&R (AN OVA) for Datos
Gage name: Date of study:
Components of Variation
80 Percent
% Contribution %Study Var % Tolerance
Reported by: Tolerance: Misc:

Datos by Partes
0.006
40
0.005 0.004
Gage R&R
Repeat
Reprod
Part-to-Part
5 6 Partes
10
R Chart by Operadores
1 Sample Range 0.0010 2 3 UCL=0.001073 0.006
Datos by Operadores
0.0005
_ R=0.000417 LCL=0
0.005 0.004 1 2 Operadores 3
0.0000
Xbar Chart by Operadores

1 Sample Mean 0.0050 0.0045 LCL=0.004290 0.0040 2 3 UCL=0.005143 _ X=0.004717 Average 0.0050 0.0045 0.0040 1 2 3 4
Operadores * Partes I nteraction

Operadores 1 2 3
5 6 Partes
10
Fig. 5.16 Evaluacin de la capacidad de sistemas de medicin En este caso la carta R est en control indicando que las mediciones fueron realizadas adecuadamente. En el caso de la carta X se muestra que el sistema de medicin no discrimina las partes diferentes que se les presentaron, debe indicar discriminacin, mostrando al menos el 50% de puntos fuera de control. Las conclusiones son similares que con el mtodo de X barra R. En Excel se puede hacer estos clculos utilizando los formatos siguientes:
Pgina 68 de 110
Pgina 69 de 110
N o. de P a
ES
No. de Parte y Nom

Pgina 70 de 110
Tolerancia Especific
N o. de P T o le r a n c
Pgina 71 de 110
N o. y N om
ES
No. de Parte y Nom

Pgina 72 de 110
Tolerancia Especific
6. CARTAS DE CONTROL PARA ATRIBUTOS

6.1 INTRODUCCIN Muchas caractersticas de calidad no pueden ser representadas numricamente, denominndose atributos. En tales casos cada artculo o servicio completo se clasifica como conforme o no conforme a especificaciones y/o estndares, es decir como defectivo o no defectivo, no defectuoso o defectuoso, bueno o malo, discrepante o no discrepante.
Fig. 6.1 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.)
Cuando ms bien se controla el nmero de defectos o no conformidades que se observan en un producto, se utiliza la carta de control para no conformidades o defectos c cuando la muestra es constante o la u cuando es variable o constante. Se aplica a productos complejos (coches, TV, cmaras de video, escritorios, refrigeradores, etc.) Un defecto o no conformidad es una discrepancia respecto a los estndares establecidos o a las especificaciones.
Pgina 73 de 110
Fig. 6.2 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.
4.2 CARTA DE CONTROL PARA FRACCIN NO CONFORME - p

La fraccin no conforme es la relacin entre el nmero de artculos discrepantes entre el total de artculos, se expresa como fraccin decimal, aunque tambin se puede expresar en porcentaje. El artculo o servicio puede tener varias caractersticas de calidad que son examinadas por un inspector, si el artculo no est de acuerdo a los estndares, se le considera como defectuoso o no conforme.
La fraccin defectiva o no conforme en la muestra se define como la relacin entre el nmero de unidades no conformes D al tamao de muestra n, o sea:
pi =
Di ni
La distribucin de este estadstico sigue la distribucin binomial por tanto:

=p
__
2 = p
p (1 p ) n
Pgina 74 de 110
__ LSCp = p + 3 p (1 p ) n
_ _
__
__
LCp = p LICp = p 3 p (1 p ) n
__ __ __
Durante la operacin, se toman muestras de n unidades, se calcula la fraccin defectiva pi y se grafica en la carta, mientras no se observe ningn patrn anormal y pi se localice dentro de lmites de control, se puede concluir que el proceso est en control, de otra forma, se concluir que la fraccin no conforme se ha desplazado de su valor original y el proceso se encuentra fuera de control.
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 = D i / n
i = 1, 2, 3,....., m
y el promedio de las fracciones individuales no conformes cuando p es desconocida es:
p=
Di
i =1
mn
p
i =1
Pgina 75 de 110
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 6.1 Para un servicio de mantenimiento se tomaron datos de 30 muestras de 50 servicios contabilizando las quejas en cada uno como sigue:
No conformes No conformes No conformes
Servicio
Servicio
Servicio
1 2 3 4 5 6 7 8 9 10 Como en
12 15 8 10 4 7 16 9 14 10 total se
11 12 13 14 15 16 17 18 19 20
5 6 17 12 22 8 10 5 13 11 347
21 22 23 24 25 26 27 28 29 30 quejas o
20 18 24 15 9 12 7 13 9 6 servicios no
encontraron
p
conformes, se estima
como sigue:
p=
Di
i =1
mn
p
i =1
347 = 0.2313 (30 )( 50 )
Los lmites de control usando Minitab son: LSCp = 0.4102 LCp LICp = 0.2313 = 0.0524
Pgina 76 de 110
M O D ELO
N o. P
Pgina 77 de 110
Corrida en Minitab 1. Stat > Control Charts > P 2. Variable No conformes Subgroup size 50 3. OK Esta en control estadstico? Si no eliminar puntos fuera de control y recalcular lmites de control
P Chart for No confo

0.5 1 0.4 UCL=0.4102 1
Proportion
0.3 P=0.2313 0.2 0.1 LCL=0.05243 0.0 0 10 20 30
Sample Number
Fig. 6.3 Carta de control P para la fraccin de servicios no conformes.
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 mtodo el cual fue diferente y que la muestra 23 corresponde a un operador sin experiencia asignado temporalmente a la mquina.
Pgina 78 de 110
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: LSCp = 0.3893 LCp LICp = 0.2150 = 0.0407

0.4 1 UCL=0.3893
0.3
Proportion
0.2
P=0.215
0.1 LCL=0.04070 0.0 0 10 20 30
Sample Number
Fig. 6.4 Carta de control P para la fraccin de servicios no conformes con acciones tomadas para prevenir recurrencia.
Repitiendo el procedimiento anterior para el punto 21 se tiene:
Pgina 79 de 110

0.4 U CL=0.3804
0.3
Proportion
0.2
P=0.2081
0.1 LCL=0.03590 0.0 0 10 20 30
Sample Number
Fig. 6.5 Carta de control P para la fraccin de servicios no conformes con acciones tomadas para prevenir recurrencia. Ahora el proceso est en control estadstico y es normal.
6.3 CARTA DE CONTROL np

En lugar de tener fracciones no conformes, si el tamao de muestra es constante, se pueden utilizar directamente el nmero de artculos defectivos o no conformes np, para evitarle operaciones aritmticas al operador, los parmetros de esta carta son:
LSC
np
= np + 3 np (1 p )
LC np = np
LIC
np
= np 3 np (1 p )
Si no se conoce el valor de p, se puede estimar con la
Pgina 80 de 110
M O D ELO
N o. P
Pgina 81 de 110
El nmero de defectivos o no conformes es un entero, por tanto es ms fcil de graficar e interpretar por los operadores que llevan el C.E.P.
Ejemplo 6.2 Con los datos del ejemplo anterior se tiene con Minitab: 1. Stat > Control Charts >N P 2. Variable No conformes Subgroup size 50 3. OK Esta en control estadstico? Si no eliminar puntos fuera de control y recalcular lmites de control
N C a fo N c n P h rt r o o fo
2 0 U L 1 .0 C= 9 2
S m leC u t a p on
1 0
N=0 1 P 1 .4
L L1 9 C = .7 5 0 0 1 0 2 0 3 0
S m leN m e a p u br
Fig. 6.6 Carta de control NP para la el nmero de servicios no conformes
6.4 CARTA p CON TAMAO DE MUESTRA VARIABLE

En algunas aplicaciones para la fraccin defectiva, la muestra es la inspeccin 100% de los servicios proporcionados en un periodo de tiempo, por tanto la muestra ser variable. Se tiene varios mtodos para llevar una carta de control: Mtodo 1. Lmites variables 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.
Pgina 82 de 110
Ejemplo 6.3, Se tomaron datos del resultado de la inspeccin diaria, registrando la produccin total y los defectivos del da.
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 Fra-def 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 LSC 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 0.183686 0.183686 0.183686 0.183686 0.188455 0.007334 7 -0.003073 -0.003073 0.007334 7 0.011438 2 0.011438 2 0.007334 7 0.007334 7 0.002565 1 0.002565 1 0.011438 2 0.015017 3 0.015017 3 0.015017 3 0.011438 2 -0.003073 -0.003073 -0.003073 0.002565 1 0.007334 7 0.007334 7 0.007334 7 0.007334 7 0.002565 1 LIC 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 0.0293918 0.0293918 0.0293918 0.0293918 0.0309817
La fraccin defectiva media se calcula como sigue:
Pgina 83 de 110
p=
D n
i =1 i =1 25
25
234 = 0.096 2450
Y los lmites de control se calculan como sigue: LSCp= p + 3 p = 0.096 + 3 LC = 0.096 LICp= p 3 p = 0.096 3 Corrida con Minitab: 1. Stat > Control Charts > P 2. Variable Nodef Subgroups in n-var 3. OK Esta en control estadstico? Si no eliminar puntos fuera de control y recalcular lmites de control
(0.096 )( 0.904 ) ni
(0.096 )( 0.904 ) ni
PC art for n ef h od
0 .2 U L .1 8 C =0 8 2
P roportion
0 .1
P .0 5 4 =0 9 3
0 .0 0 5 1 0 1 5 2 0 2 5
L L .0 2 6 C =0 0 4 8
Sm Nm a ple u ber
Pgina 84 de 110
Fig. 6.7 Carta de control P para la fraccin de servicios no Se observa que la muestra 11 est fuera de control.
Cuando se toman lmites de control variables, el anlisis de patrones de anormalidad no tiene sentido ya que la desviacin estndar en cada muestra esta variando y no es posible visualizar corridas o rachas.
Mtodo 2. Tamao de muestra promedio En este caso, se toma el promedio de los tamaos de muestra para calcular los lmites de control aproximados, se asume que los tamaos de muestra no diferirn en forma apreciable de los observados, aqu los lmites de control son constantes. Si existen grandes diferencias mayores al promedio ms o menos 25%, este mtodo no es adecuado.
n=
n
i =1
2450 = 98 25
Con lmites de control basados en n = 98 : LSCp= p + 3 p = 0.096 + 3 LC = 0.096 LICp= p 3 p = 0.096 3

(0.096 )( 0.904 ) = 0.007 98 (0.096 )( 0.904 ) = 0.185 98
Corrida con Minitab: 1. Stat > Control Charts > P 2. Variable Nodef Subgroups size 98 3. OK Esta en control estadstico?
Pgina 85 de 110
Si no eliminar puntos fuera de control y recalcular lmites de control Otra vez de la grfica se observa que el punto 11 est fuera de control.
PC a fo n d f h rt r o e
1 0 .2 U L0 88 C = .1 4
P p rtio ro o n
0 .1
P0 96 = .0 5 6
0 .0 0 5 1 0 1 5 2 0 2 5
L L0 059 C = .0 6 2
S m le N m e a p u br
Fig. 6.8 Carta de control P con n promedio
6.6
CARTAS DE CONTROL PARA NO CONFORMIDADES o
DEFECTOS c y u
Una no conformidad o defecto es una caracterstica especfica que no cumple con la especificacin del producto. Las no conformidades pueden tener una gravedad diferente desde menores hasta crticas. Se pueden desarrollar cartas de control para el nmero total de no conformidades en una unidad o el nmero promedio de no conformidades por unidad.
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
Pgina 86 de 110
idntica para la ocurrencia de no conformidades. Si estas condiciones no se cumplen, el modelo de Poisson no es apropiado.
TAMAO DE MUESTRA CONSTANTE - CARTA c Una unidad de inspeccin es simplemente una entidad para la cual es conveniente registrar el nmero de defectos, puede formarse con 5 unidades de producto, 10 unidades de producto, etc.. Si no hay estndar definido c se estima con el promedio de no conformidades observadas en una muestra preliminar inspeccionada, o sea con c , en este caso los parmetros de la carta son:
LSCc = c + 3 LCc = c LICc = c - 3
en el caso que sea negativo toma el valor cero
Cuando no hay datos histricos, se calculan lmites de control preliminares. Ejemplo 6.4 Para el nmero de no conformidades observadas en 26 unidades de inspeccin sucesivas de 100 muestras de circuitos impresos, se obtuvieron los datos siguientes:
Defectos Defectos
21 24 16 12 15 5 28 20 31 25
16 19 10 17 13 22 18 39 30 24
Pgina 87 de 110
20 24 15
16 19 17
Pgina 88 de 110
M O D ELO
N o. P
Pgina 89 de 110
Donde, LSC = 33.22 LC = 516 / 26 = 19.85 = c
LIC = 6.48
De la carta de control preliminar, se observa que hay 2 puntos fuera de control, el 6 y el 20.
Corrida en Minitab: 1. Stat > Control Charts > C 2. Variable Defectos 3. OK Esta en control estadstico? Si no eliminar puntos fuera de control y recalcular lmites de control
CC a fo D fe s h rt r e cto
4 0 1 U L 3 .2 C= 3 1
S m le C u t a p on
3 0
2 0
C 1 .8 =9 5
1 0 L L6 8 C = .4 1 1 0 0 1 0 2 0
S m le N m e a p u br
Fig. 6.10 Carta de control C de nmero de defectos fuera control
Pgina 90 de 110
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.
CC a fo D fe to h rt r e c s
3 5 U L 3 .9 C= 2 7
S m leC u t a p on
2 5 C 1 .6 =9 7 1 5
5 0 5 1 0 1 5 2 0 2 5
L L6 6 C = .3 3
S m leN m e a p u br
Fig. 6.11 Carta de control C de nmero de defectos en control 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.
Defectos
16 18 12 15 24 21 28 20 25 19
18 21 16 22 19 12 14 9 16 21
Pgina 91 de 110
C C art for D h efectos

3 5 U L 1 4 C =3 .8
Sm C n a ple ou t
2 5 C .8 =18 2 1 5
5 0 5 1 0 1 5 2 0 2 5 3 0 3 5
LC =5 0 L .8 8
S m Nm a ple u ber
Fig. 6.12 Carta de control C con datos del siguiente periodo 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.
Carta u
Si se encuentra un total de c no conformidades en la muestra de n unidades de inspeccin, entonces el promedio de no conformidades por unidad de inspeccin u es: u =
c n
i i
Los lmites de control son:

LSC u = u + 3 u n
LC u = u LSC u = u + 3 u n
Pgina 92 de 110
Donde u representa el nmero promedio de no conformidades por unidad en un conjunto de datos preliminar. Los lmites anteriores se consideran lmites preliminares.
Ejemplo 6.5 Para un fabricante de computadoras registrando los defectos en su lnea de ensamble final. La unidad de inspeccin es una computadora y se toman 5 unidades de inspeccin a un tiempo.
DefectosU DefectosU
10 12 8 14 10 16 11 7 10 15
9 5 7 11 12 6 8 10 7 5
Se calculan los lmites de control con:

__
u=
Suma .de .no .conformida des Suma .de .unidades .inspeccion adas
u =38.60 / 20 = 1.93
LSC = 3.79 LIC = 0.07 La carta de control queda como sigue:
Pgina 93 de 110
M O D ELO
N o. P
Pgina 94 de 110
UC a fo D fe s h rt r e cto
4 U L3 9 C = .7 4
Sm C n a ple ou t
U .9 =1 3
0 0 1 0 2 0
L L0 61 C = .0 6 3
S m Nm a ple u ber
Fig. 6.15 Carta de Control U con unidades de insp. constantes En la carta de control no se observa falta de control estadstico, por tanto los lmites preliminares se pueden utilizar en corridas futuras.
MUESTRA VARIABLE CARTA u 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.
La lnea central y los lmites individuales de control se calculan como sigue:

LSC ui = u + 3 u ni
LC u = u
LSC ui = u + 3 u ni
Pgina 95 de 110
Ejemplo 6.6 En una planta textil, se inspeccionan defectos por cada 50m2 los datos se muestran a continuacin. UnidadesInsp 10 8 13 10 9.5 10 12 10.5 12 12.5 No Conf. 14 12 20 11 7 10 21 16 19 23
153 = 1.42 107 .5
La lnea central es u = Donde
u = Total de defectos/Total de unidades de inspeccin
De la grfica no se observan puntos fuera de control.

U Chart for No Conf.
3 UCL=2.436
Sample Count
2 U=1.423 1 LCL=0.4110 0 0 1 2 3 4 5 6 7 8 9 10
Sample Number
Fig. 6.16 Carta de Control U con Unidades de insp. variables Otra alternativa para el manejo de la carta u con n variable con n promedio: n=
i =1 m
ni m Pgina 96 de 110
7. MUESTREO DE ACEPTACIN POR ATRIBUTOS

Introduccin
Si se recibe un lote de un proveedor, se toma una muestra y se evalan algunas de las 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.
Muestreo alea
Fig. 7.1 Proceso de inspeccin por muestreo
Hay 3 aspectos importantes del muestreo: 1. Su propsito es calificar los lotes, no estimar los parmetros del lote. 2. No proporcionan un mecanismo de control de calidad, simplemente aceptan o rechazan lotes. 3. Sirven como herramienta de auditora para asegurar que la calidad de un lote est de acuerdo a especificaciones.
Pgina 97 de 110
Existen 3 alternativas para calificar un lote: 1. Aceptar sin inspeccin.Con proveedores confiables. 2. Inspeccionar al 100%, separando los productos defectuosos. 3. Realizar un muestreo de aceptacin.
La aceptacin por muestreo es ms til en las situaciones siguientes: 1. Cuando las pruebas son destructivas. 2. Cuando el costo de la inspeccin 100% es muy alto. 3. Cuando la inspeccin 100% es muy tardada. 4. Cuando las cantidades a inspeccionar 100% son muy altas y con tasa de defectos baja, que haga que se causen errores al inspeccionar, dejando pasar productos defectuosos. 5. Cuando el proveedor no es confiable al 100%, o su capacidad de proceso es baja. 6. Cuando hay riesgo de generar problemas legales por productos crticos.
VENTAJAS Y DESVENTAJAS DEL MUESTREO Cuando se utiliza inspeccin por muestreo, se tienen las ventajas siguientes: 1. Es ms barato, requiriendo menos inspeccin. 2. Existe un menor manejo de producto o menor dao. 3. Se aplica a pruebas destructivas. 4. El rechazar un lote completo en lugar de slo las partes defectivas, motiva al proveedor a mejorar su calidad.
El muestreo de aceptacin tambin presenta varias desventajas: 1. Existe el riesgo de aceptar lotes malos y de rechazar lotes buenos. 2. La informacin que se genera respecto al producto o proceso es poca. 3. El muestreo de aceptacin requiere documentacin y planeacin, no as la inspeccin 100%.
Pgina 98 de 110
Un plan de muestreo simple es un procedimiento de calificacin de lotes, donde se toma una muestra aleatoria de n partes y la disposicin del lote es determinada dependiendo de los resultados de la muestra, aceptndose si se encuentran hasta c productos defectivos. 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.
FORMACIN DE LOTES Para inspeccin de lotes, estos deben cumplir las caractersticas siguientes:
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. 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.
3.
PLAN DE MUESTREO Por ejemplo si se tiene el plan: N=10,000 n=89 c=2
Significa que de cada lote de 10,000 partes se toman al azar n=89 para inspeccin, si el nmero de productos defectivos observados en la muestra d es menor o igual a c = 2, el lote se acepta, en caso contrario se rechaza.
Pgina 99 de 110
7.1 LA CURVA CARACTERSTICA DE OPERACIN 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.
Fig. 7.2 Curva caracterstica de operacin y plan de muestreo
La curva caracterstica de operacin se obtiene graficando p versus la probabilidad binomial de encontrar y aceptar a lo ms c defectivos o sea:
n! d n d P =a P{d < c) = = p (1 p) d = 0 d !( n d ) !
Esto mismo se puede aproximar por la distribucin de Poisson para efectos prcticos.
Pgina 100 de 110
Se puede usar Excel para los clculos, un ejemplo utilizando la distribucin binomial acumulada (opcin VERDADERA en Excel) se muestra a continuacin: Binomial=distr.binom(c, n, p, 1) Poisson=Poisson(c, n*p, 1)
p 0.01 0.02 0.03 0.04 0.05 0.06
P(A<x<X) 0.91 0.736 0.555 0.400 0.279 0.190
Fig. 7.3 Clculo de la Curva caracterstica de operacin OC
En este caso si los lotes tienen un 2% de defectivo, su probabilidad de aceptacin es de 0.74. Significa que de cada 100 lotes recibidos, se aceptarn 74 y se rechazarn 26.
PUNTOS ESPECIFICOS EN LA CURVA OC
Un consumidor frecuentemente fija de comn acuerdo con su proveedor, un nivel de calidad aceptable (AQL), que representa el nivel ms pobre de calidad que el consumidor considera aceptable como promedio, normalmente es la fraccin defectiva que tiene un 95% de ser aceptada ( = 0.95).
Pgina 101 de 110
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.
A continuacin se muestran algunas variaciones de la curva caracterstica de operacin variando tanto como el criterio de aceptacin c manteniendo n constante y despus manteniendo c como constante y variando n.
Variando el criterio de aceptacin C se tiene: Pa
c=0, 1,
P (fraccin defectiva en el lote) Para el caso en que lo que se vare sea n se tiene:
Pa
n=50, 100, 200 2
p (fraccin defectiva en el lote) Fig. 7.4 Curvas caractersticas de operacin diversas
Pgina 102 de 110
7.2 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.
Fig.
7.5
Inspeccin
rectificadora
(las
piezas
malas
son
reemplazadas y reintegradas al lote)
Suponiendo que los lotes que llegan tienen una fraccin defectiva p 0 , despus de la actividad de inspeccin bajo un plan de muestreo, algunos lotes sern aceptados y otros sern rechazados.
Los lotes rechazados sern seleccionados al 100% por el proveedor remplazando los artculos defectuosos por buenos despus se integran a los lotes que ingresan
Pgina 103 de 110
a la planta obtenindose una fraccin defectiva p1 menor a la original, denominada calidad promedio de salida AOQ. La curva de AOQ versus p se muestra a continuacin:
Fig. 7.6 Curva de calidad de salida promedio (AOQ) De la grfica anterior se observa que la curva AOQ ( AOQ Pa p ) 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.
p 0 067 .0 1 6 0 033 .0 3 3 0 000 .0 5 0 0 067 .0 6 6 0 033 .0 8 3 0 100 .0 0 0
P << ) (A x X 1 0 .0 0 9 .9 0 6 .9 0 2 .9 0 7 .8 0 1 .8
Pgina 104 de 110
Fig. 7.7 Curva de calidad de salida promedio AOQ
7.3 TABLAS DE MUESTREO MIL-STD-105E (ANS Z1.4, ISO 2859)

DESCRIPCIN DE LA NORMA La norma proporciona tres tipos de muestreo (con curvas OC equivalentes):
-
Muestreo simple, Muestreo doble, Muestreo mltiple. En cada uno de los casos se prevn los siguientes tipos de inspecciones:
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 0.65% 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 niveles pequeos de AQL se pueden utilizar tanto para controlar fraccin defectiva como defectos por unidad.
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.
Pgina 105 de 110
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, el nivel S4 se utiliza en pruebas destructivas. Para un AQL especfico, un nivel de inspeccin y un tamao de lote dado, el estndar MIL-STD-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 a inspeccin estricta o reducida como se ilustra en la figura y se describe a continuacin.
1.
Normal a estricta. Cuando se tiene inspeccin normal, la inspeccin estricta se instituye cuando cundo dos de cinco lotes consecutivos han sido rechazados.
2.
Estricta a normal. Cuando se tiene inspeccin estricta, la inspeccin normal se instituye cuando cinco lotes consecutivos son aceptados.
3.
Normal a reducida. Cuando se tiene inspeccin normal, la inspeccin reducida se instituye cuando se cumple con todas las condiciones siguientes: a. Diez lotes consecutivos han sido aceptados con inspeccin normal. b. El nmero total de defectivos en las muestras de los diez lotes precedentes es menor o igual a el nmero lmite aplicable del estndar. c. La produccin de lotes ha sido continua sin interrupciones mayores. d. La inspeccin reducida se considera adecuada por la funcin responsable de la inspeccin por muestreo.
4.
Reducida a normal. Cuando se tiene inspeccin reducida, la inspeccin normal se instituye cuando se cumple cualquiera de las condiciones siguientes: a. Un lote es rechazado.
Pgina 106 de 110
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. La Inspeccin se descontina. Cuando diez lotes se acepten con inspeccin estricta y el proveedor tome acciones para mejorar su calidad.
Iniciando las reglas
Fig. 7.8 Reglas de cambio de planes de inspeccin
PROCEDIMIENTO Los pasos a seguir para el uso de las normas es el siguiente: 1. Negociacin del AQL Nivel de calidad aceptable (cliente proveedor). 2. Decisin del nivel de inspeccin. 3. Determinacin del tamao del lote.
Pgina 107 de 110
4. Consultar la tabla 1 (ver apndice) y localizar la letra cdigo correspondiente al tamao del lote y el nivel de inspeccin. 5. Decisin en cuanto al procedimiento de muestreo a utilizar (simple, doble, mltiple). 6. Uso de la tabla correcta para encontrar el tipo de plan a utilizar (las tablas se encuentran en el apndice). 7. Uso de la tablas para inspeccin reducida y estricta, cuando se requieran hacer cambios.
Ejemplo 7.1 Si N= 2,000 y AQL= 0.65% usando el nivel II de inspeccin: 1. La tabla I indica la letra cdigo K. 2. La tabla II-A para inspeccin normal indica el plan de muestreo n=125 y c=2. 3. La tabla II-B para inspeccin estricta indica el plan de muestreo n= 125, c=1. 4. La tabla IIC para inspeccin reducida indica el plan de muestreo n = 50, Aceptar = 1, Rechazar = 3 La flecha descendente cambia el plan, la letra de cdigo y el tamao de muestra, lo mismo para la ascendente. Por ejemplo, un AQL de 1.5% y letra F ser cambiado a letra G con tamao de muestra 32 en lugar de 20.
1 .2
Fig. 7.9 Comparacin entre los planes normal, reducido y estricto
Pgina 108 de 110
MIL-STD-105E Lote 2-8 Tabla de inspeccin 9-15 Letra cdigo para tamao Tamao 16-25 de muestra muestra 26-50 A 2 51-90 B 3 91-150 C 5
Pgina 109 de 110
Tabla de inspecci
Letra cdigo para tamao Tamao d de muestra muestra A 2 B 3 Tabla de inspeccin C 5 Letra cdigo D 8 para tamao Tamao de E 13 de muestra muestra A 2 F 20 B 2 G 32
Pgina 110 de 110

CursoCEP Res

Загружено:

Сведения о документе

Оригинальное название

Авторское право

Доступные форматы

Поделиться этим документом

Поделиться или встроить документ

Параметры публикации

Этот документ был вам полезен?

Это неприемлемый материал?

Авторское право:

Доступные форматы

CursoCEP Res

Загружено:

Авторское право:

Доступные форматы

CURSO DE CONTROL ESTADSTICO PARA OPERADORES

P. REYES /JUNIO 2007

CONTROL ESTADSTICO DEL PROCESO

CURSO DE CONTROL ESTADSTICO PARA OPERADORES

P. REYES /JUNIO 2007

CURSO DE CONTROL ESTADSTICO PARA OPERADORES

P. REYES /JUNIO 2007

CONTENIDO INTRODUCCIN y APLICACIN DE LAS 7 Hs EN LA SOLUCIN DE PROBLEMAS 1. LA DISTRIBUCIN NORMAL

2. CONTROL ESTADSTICO DEL PROCESO

3. CARTAS DE CONTROL POR VARIABLES

4. CAPACIDAD DEL PROCESO

5. CAPACIDAD DE SISTEMAS DE MEDICIN R&R

6. CARTAS DE CONTROL POR ATRIBUTOS

7. MUESTREO DE ACEPTACIN x ATRIBUTOS

CURSO DE CONTROL ESTADSTICO PARA OPERADORES

P. REYES /JUNIO 2007

CURSO DE CONTROL ESTADSTICO PARA OPERADORES

P. REYES /JUNIO 2007

Figura 1. Carta de control

LOTE Figura 2. Muestreo de aceptacin

CURSO DE CONTROL ESTADSTICO PARA OPERADORES

P. REYES /JUNIO 2007

CURSO DE CONTROL ESTADSTICO PARA OPERADORES

P. REYES /JUNIO 2007

LAS 7 HERRAMIENTAS ESTADSTICAS

CURSO DE CONTROL ESTADSTICO PARA OPERADORES

P. REYES /JUNIO 2007

Motivar a que todos participen con la misma oportunidad

Figura 5. Diagrama de causa efecto, de Ishikawa o espina de pescado

CURSO DE CONTROL ESTADSTICO PARA OPERADORES

P. REYES /JUNIO 2007

Figura 8. Anlisis del modo y efecto de falla

Com ponente _________

CURSO DE CONTROL ESTADSTICO PARA OPERADORES

P. REYES /JUNIO 2007

Construir un diagrama de Pareto y su lnea acumulativa

0 C1 Count Percent Cum %

Other 10 5.0 100.0

Figura 9. Diagrama de Pareto

Diagrama de Dispersin Se utiliza para analizar la correlacin entre dos

CURSO DE CONTROL ESTADSTICO PARA OPERADORES

P. REYES /JUNIO 2007

Corre cin la Evid n e 25

CURSO DE CONTROL ESTADSTICO PARA OPERADORES

P. REYES /JUNIO 2007

Histogramas Se utilizan para ver la distribucin de frecuencia de los datos

Figura 12. Distribucin de frecuencias o histograma

Las cartas de control de Shewhart Sirven para monitorear el proceso,

CURSO DE CONTROL ESTADSTICO PARA OPERADORES

P. REYES /JUNIO 2007

Se utiliza para identificar los procesos, las

CURSO DE CONTROL ESTADSTICO PARA OPERADORES

P. REYES /JUNIO 2007

CURSO DE CONTROL ESTADSTICO PARA OPERADORES

P. REYES /JUNIO 2007

PART NUMBER: PART DESCRIPTIO

CURSO DE CONTROL ESTADSTICO PARA OPERADORES

P. REYES /JUNIO 2007

Estratificacin Se utiliza para separar el problema general en los estratos

Figura 15. Estratificacin de los datos de mquinas

Hoja de verificacin - Se utiliza para reunir datos basados en la observacin

Figura 16. Ejemplo de hoja de verificacin o registro

CURSO DE CONTROL ESTADSTICO PARA OPERADORES