Академический Документы
Профессиональный Документы
Культура Документы
Por ejemplo los 300 datos (cuyo valor se encuentra entre 1 a 9) pueden estar distribuidos como sigue:
50 40 30 20 10 0 1 2 3 4 5 6 7 8 9 Frec.
Reglas Bsicas
Se debe medir la caracterstica del proceso adecuada en la grfica. La carta de control utilizada debe ser adecuada para medir la caracterstica seleccionada. Al menos se deben obtener 25 subgrupos (muestras de grupos de partes) antes de elaborar las grficas de control.
CAUSAS COMUNES Siempre estn presentes Slo se reduce con acciones de mejora mayores Su reduccin es responsabilidad de la direccin Fuentes de variacin: Mrgenes inadecuados de diseo, materiales de baja calidad, capacidad del proceso insuficiente
SEGN DEMING El 85% de las causas de la variacin son causas comunes, responsabilidad de la direccin
Objetivo
14
Causas Especiales
CAUSAS ESPECIALES Ocurren espordicamente Son ocasionadas por variaciones anormales (6Ms) Medicin, Medio ambiente, Mano de obra, Mtodo, Maquinaria, Materiales Slo se reduce con acciones en el piso o lnea Su reduccin es responsabilidad del operador por medio del Control Estadstico del Proceso SEGN DEMING El 15% de las causas de la variacin son causas especiales y es responsabilidad del operador
16
LSC
10 5
3.0SL=12.76
Promedio
(o lnea central)
0 0 5 10 15 20 25
LIC
Sam pl e Num ber
-3.0SL=0.000
Nmero de Muestra
El promedio y los lmites de control se calculan a partir de los datos. Los datos se grafican en orden secuencial en el tiempo (conforme ocurren). Se trata de detectar los cambios. Los puntos graficados dependen del tipo de grfica: promedio, rango, fraccin defectiva, etc.
Proceso en Control estadstico Sucede cuando no se tienen situaciones anormales y aproximadamente el 68% (dos tercios) de los puntos de la grfica se encuentran dentro del 1 de las medias en la grfica de control.
Lo anterior equivale a tener el 68% de los puntos dentro del tercio medio de la grfica de control.
Las grficas de control se dividen en dos categoras, diferenciadas por el tipo de datos bajo estudiovariables y atributos.
3.3.grfica X, R (Continuacin)
Procedimiento: Identificar la caracterstica crtica a controlar y tamao de subgrupo (n = 3 a 6)
Iniciar la recoleccin de aprox. 25 subgrupos (k), tomando partes consecutivas en cada uno. Decidir cmo y cundo colectar la informacin de los subgrupos, de tal forma de detectar cambios. Elaborar la grfica con los datos. Analizar las grficas de control
3.3.grfica X, R (Continuacin)
Terminologa
k = nmero de subgrupos; n = nmero de muestras en cada subgrupo X = promedio para un subgrupo X = promedio de todos los promedios de los subgrupos R = rango de un subgrupo R = promedio de todos los rangos de los subgrupos
x =
x1 + x2 + x3 + ...+ xN n x1 + x2 + x3 + ...+ xN
x =
3.3.grfica X, R (Continuacin)
Anlisis: La grfica R debe estar en control antes de interpretar la grfica X-media. Interpretar la grfica X-media para puntos que no estn aleatoriamente distribuidos La clave consiste en eliminar la variacin excesiva antes de tratar de identificar tendencias en los promedios de los subgrupos del proceso
3.3.grfica X, R (Continuacin)
Ejemplo 1: Psi en un componente. Se toman muestras de Cinco componentes cada da.
Da 1 2 3 4 5 6 7 8 9 10 Muestra1 Muestra2 Muestra3 Muestra4 Muestra5 55 75 65 80 80 90 95 60 60 55 100 75 75 65 65 70 110 65 60 60 55 65 95 70 70 75 85 65 65 65 120 110 65 85 70 65 65 90 90 60 70 85 60 65 75 100 80 65 60 80
3.0SL= 95.36 X= 74.60 - 3.0SL= 53.84 3.0SL= 76.12 R = 36.00 - 3.0SL= 0.000
Rangos
80 70 60 50
0
4 30 0 20 10
Grfica X, R (Continuacin)
Ejemplo 2: Peso de partes medido diariamente, 5 muestras por da.
Da 1 2 3 4 5 6 7 8 9 10 Muestra1 Muestra2 Muestra3 Muestra4 Muestra5 55 60 60 55 57 90 95 85 100 85 60 60 70 50 62 100 110 95 85 100 55 65 60 70 70 95 90 90 90 100 55 50 45 50 50 105 100 90 100 60 70 60 60 65 75 100 110 105 100 90
X = 77.2
R = 18
1 1 1
1
1 2
1
3 4
1
6 7 8 9
50 40 30 20 10 0
Rangos
Grfica X, S
Este es un par de grficas muy similar a las grficas X - R. La diferencia consiste en que el tamao de la muestra puede variar y es mucho ms sensible para detectar cambios en la media o en la variabilidad del proceso.
El tamao de muestra n es mayor a 9. La grfica X monitorea el promedio del proceso para vigilar tendencias. La grfica S monitorea la variacin en forma de desviacin estndar.
Como se dijo anteriormente, las grficas se dividen en zonas. Aqu estn divididas en intervalos de 1 sigma.
3.3.grfica X, S (Continuacin)
Terminologa
k = nmero de subgrupos n = nmero de muestras en cada subgrupo
x = promedio para un subgrupo x = promedio de todos los promedios de los subgrupos S = Desviacin estndar de un subgrupo S = Desviacin est. promedio de todos los subgrupos
x = x =
x1 + x2 + x3 + ...+ xN n x1 + x2 + x3 + ...+ xN
10
B4 2.09 1.97 1.88 1.82 1.76 1.72 B3 0.00 0.03 0.12 0.18 0.24 0.28 A3 1.43 1.29 1.18 1.10 1.03 0.98 C4 .940 .952 .959 .965 .969 .973
Este es el caso cuando la capacidad de corto plazo se basa en subgrupos racionales de una unidad o pieza
La lnea central se basa en el promedio de los datos, y los lmites de control se basan en la desviacin estndar poblacional (+/- 3 sigmas)
3.3.grfica X, R (Continuacin)
Terminologa
k = nmero de piezas n = 2 para calcular los rangos x = promedio de los datos R = rango de un subgrupo de dos piezas consecutivas R = promedio de los (n - 1) rangos
x =
Valor Individual
8 - 3.0SL= 11.75
1 0 5 10 15
11.75
11.65
Nmero de Observacin
1 2 3 4 5 6 7 8 9 10
12 15 13 10 13 15 15 15 22 16
2.832 2.802 2.952 2.80 2.95 2.92 2.95 2.92 2.93 2.93
11 12 13 14 15 16 17 18 19 20
16 15 17 16 17 19 16 16 17 19
2.97 2.95 2.95 2.86 2.89 2.86 2.85 2.78 2.89 2.78
np
Constante > 30
Nmero de defectos
grfica C
Sample Count
10
0 0 5 10 15 20 25
-3.0SL=0.000
4. grfica p (Atributos)
Tambin se llaman grficas de Porcentaje Defectivo o Fraccin
Defectiva
Monitorea el % de defectos o fraccin defectiva en una muestra El tamao de muestra (n) puede variar Recalcula los lmites de control cada vez que (n) cambia Terminologa
Grfica p (Atributos)
pi = np ni =
# de productos defectivos en cada muestra # de productos inspeccionados en la muestra
n1 p1 + n2p2 + n3 p3 + ...+ nk pk
n1 + n2 + n3 + ... + nk
Fraccin defectiva
promedio
LSC = p + 3
p (1- p) n
LIC = p - 3
p (1- p) n
Grfica p
Ejemplo: Algunos componentes no pasaron la inspeccin final. Los datos de falla se registraron semanalmente tal como se muestra a continuacin.
de componentes inspeccionados
Componentes defectuosos
K = 13 semanas
7 7 15 14 48 22 18 7 14 9 14 12 8
0 0 2 2 6 0 6 0 1 0 2 2 1
0.000 0.000 0.133 0.143 0.125 0.000 0.333 0.000 0.071 0.000 0.143 0.167 0.125
Grfica p (Cont..)
Ejemplo:
0. 5 3.0S L= 0.4484
LSC
Proporci n
p LIC
- 3.0S L= 0.000
Nmero de muestra
Observe como el LSC vara conforme el tamao (n) de cada muestra vara. Por qu el LIC es siempre cero? Qu pas en la muestra 7? (33.3% defectos) Qu oportunidades para mejorar existen?, Podemos aprender algo de las muestras 1, 2, 6, 8, y 10? Podra este proceso ser un buen proyecto de mejora?
Grfica np (Atributos)
Se usa cuando se califica al producto como bueno/malo, pasa/no pasa. Monitorea el nmero de productos defectuosos de una muestra El tamao de muestra (n) es constante y mayor a 30.
k = nmero de muestras
Grfica np (Atributos)
np = # de productos defectuosos en una muestra n = tamao de la muestra
Clculo de los lmites de control n p1 + np2 + n p3 + ...+ npk np = LSC = np + 3 k np (1-p) LIC = np - 3 np (1-p)
Grfica np (Cont..)
Ejemplo 1: en un proceso se inspeccionan K = 15 lotes tomando n = 4000
partes de cada lote, se rechazan algunas partes por tener defectos, como sigue:
n
# de partes inspeccionadas 4000 4000 4000 4000 4000 4000 4000 4000 4000 4000 4000 4000 4000 4000 4000
np
# de partes
defectuosas
2 3 3 2 4 2 3 3 6 8 3 4 4 7 6
K=15 lotes
Grfica np (Cont...)
Ejemplo 1:
grfica np de nmero de defectivos o defectuosos
No. De fecetivos
10
3.0
LSC=10.03
Np =4.018 np
- 3.0S 0
LIC=0.0
LIC
Nmero de muestras
10
15
El tamao de la muestra (n) es constante Los lmites de control LSC y LIC son constantes
Esta grfica facilita el control por el operador ya que el evita hacer clculos
Grfica c (Atributos)
Monitorea el nmero de defectos por cada unidad de inspeccin (1000 metros de tela, 200 m2 de material, un TV) El tamao de la muestra (n unidades de inspeccin) debe ser constante Ejemplos: - Nmero de defectos en cada pieza - Nmero de cantidades ordenadas incorrectas en rdenes de compra Terminologa c = Nmero de defectos encontrados en cada unidad o unidades constantes de inspeccin k = nmero de muestras
Grfica c (Atributos)
Clculo de los lmites de control
c=
c1 + c2 + c3 + ...+ ck k
LSC = c + 3
LIC = c - 3
Grfica c (cont..)
Ejemplo: Nmero de defectos encontrados en una unidad de inspeccin que
consta de 50 partes de cada lote de 75 piezas durante 25 semanas (K = 11).
1
2 3
6
4 4
4 5
6
2 4
3
7
8 9
4
4 5
10 11
5 5
grfica C
Nmero de defectos
15 1 3.0L SC = 12.76 10 C = 5.640
LSC C
0 0 5 10 15 20 25
- 3.0L IC= 0 .0 0 0
Nmero de Muestras
Observe el valor de la ltima muestra; est fuera del lmite superior de control (LSC) Qu informacin, anterior a la ltima muestra, debi haber obviado el hecho de que el proceso iba a salir de control?
4...grfica u (Atributos)
Monitorea el nmero de defectos en una muestra de n unidades de inspeccin. El tamao de la muestra (n) puede variar Los defectos por unidad se determinan dividiendo el nmero de defectos encontrados en la muestra entre el nmero de unidades de inspeccin incluidas en la muestra (DPU o nmero de defectos por unidad) . Ejemplos: Se toma una muestra de tamao constante de tableros PCB por semana, identificando defectos visuales por tablero. Se inspeccionan aparatos de TV por turno, se determinan los defectos por TV promedio.
Grfica u
Terminologa
Grfica u
Ui = Ci / ni Defectos por unidad para cada muestra
Unidad promedio
LSC = u + 3
u ni
LIC = u - 3
u ni
Nota: Recalcular los lmites en cada tamao de muestra (ni) Se puede tomar n promedio o estandarizar para tener Lmites de control constantes
grfica u (cont..)
Ejemplo 1: Un proceso de soldadura suelda 50 PCBs por semana Los defectos visuales observados se registran cada semana.
n
# PCB Soldados
c
Defectos Visuales Observados
u
DPU 6.1 4.0 4.2 2.0 4.0 3.3 3.7 4.2 4.5 4.9 5.0 4.3
k=12 semanas
50 50 50 50 50 50 50 50 50 50 50 50
305 200 210 102 198 167 187 210 225 247 252 215
Ejemplo 1:
Conteo de muestras
grfica u (Cont.)
Grfica U para Defectos
6 5 4 3 2 0
1
3.0L SC = 5.066 U = 4.197
LSC u
- 3.0L IC= 3 .3 2 8
LIC
1
Nmero de Muestras
10
Observe como los lmites de control permanecen constantes cuando se utiliza un tamao de muestra constante igual a 50 Cules son las dos observaciones de mayor inters? Los datos muestran alguna tendencia?
Ejemplo 2:
Lote
Lote
c = Defectos
De fe ctos
u = DPU
DPU
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20
10 12 7 14 12 12 13 10 9 14 13 13 12 10 11 13 11 15 15 14
60 75 42 77 69 72 76 55 51 78 72 77 74 57 62 41 30 45 42 40
6 6.3 6 5.5 5.8 6 5.8 5.5 5.7 5.6 5.5 5.9 6.2 5.7 5.6 3.2 2.7 3 2.8 2.9
k=20 semanas
Ejemplo 2:
Nmero de efectos
Grfica U para Defectos
8 7 6 5 4 3 2 0 10 20 - 3 . 0 L IC = 3 .1 9 0 U= 4 . 9 7 9 3 . 0 L SC =6 . 7 6 8
LSC u LIC
Nmero de Muestras
Observe que ambos lmites de control varan cuando el tamao de muestra (n) cambia. En que momentos estuvo el proceso fuera de control?
GRFICAS ESPECIALES grficas de Precontrol grficas para desgaste de herramienta grficas para procesos de salida mltiple
GRFICAS DE CONTROL PARA ppm, para procesos muy capaces
GRFICAS DE CONTROL Cusum Y EWMA (para detectar pequeas variaciones en la media del proceso, en proceso qumicos o farmaceticos)
GRFICA DE CONTROL X-R ESTANDARIZADA (Desviaciones estndar diferentes para los productos)
GRFICA DE CONTROL DE ACEPTACIN Esta grfica es similar a la anterior pero toma en cuenta errores Alfa y Beta (I y II), en funcin de la aceptacin y el riesgo del proveedor
LIE
LSE
s
Xi
_ X
Cualquiera que sea la mejora que lleve a cabo, se deben tomar medidas para que se mantenga
Procedimiento
1. Seleccionar una mquina donde realizar el estudio
Desv. Est. =
Zi
Zs =
Cp =
Cpk es una medida de la capacidad real del proceso en funcin de la posicin de la media del proceso (X) en relacin con con los lmites de especificacin. Con lmites bilaterales da una indicacin del centrado. Es el menor de: CpK =
LSE - promedio del proceso y 3 desviaciones STD Promedio del proceso - LIE 3 desviaciones STD
La relacin de capacidad (CR) es la inversa del clculo de Cp. Este ndice le indica que porcentaje de la especificacin est siendo usado por la variacin del proceso. Rango del proceso 6 desviaciones STD = CR = LSE - LIE Tolerancia
Capacidad Cp, Cpk y fraccin defectiva
Cp = (LSE - LIE ) / 6
Debe ser 1 para tener el potencial de cumplir con especificaciones (LIE, LSE)
Habilidad o capacidad real El Cpk debe ser 1 para que el proceso cumpla especificaciones
Cpk = Menor | ZI - ZS | / 3
Ejemplo
Se tomaron los datos siguientes:
265 197 346 280 265 200 221 265 261 278 215 251
205 286 317 242 254 235 176 262 248 250 318
263 274 242 260 281 246 248 271 260 265 271
307 243 258 321 294 328 263 245 274 270 293
220 231 276 228 223 296 231 301 337 298 277
268 267 300 250 260 276 334 280 250 257 290
260 281 208 299 308 264 280 274 278 210 283
234 265 187 258 235 269 265 253 254 280 258
299 214 264 267 283 235 272 287 274 269 275
Intervalo Marca de clase de clase 170 - 189 179.5 190 - 209 199.5 210-229 219.5 230-249 239.5 250-269 259.5 270-289 279.5 290-309 299.5 310-329 319.5 330-349 339.5
Frecuencia 2 4 7 13 32 24 11 4 3
Frecuencia Relativa 0.02 0.04 0.07 0.13 0.32 0.24 0.11 0.04 0.03
Frecuencia Absoluta 0.02 0.06 0.13 0.26 0.58 0.82 0.93 0.97 1.00
Ejemplo (cont)
Calculando la media y la desviacin estndar se tiene:
X-media = 264.06 s = 32.02
La variabilidad del proceso se encuentra en 6 = 192.12 Si las especificaciones fueran LIE = 200 y LSE = 330
Cp = (330 - 200 ) / 192.2 < 1 no es hbil el proceso Zi = (330 - 264.06) / 32.02 Zs = (200 - 264.06) / 32.02
Ejercicio
Calcular la capacidad del proceso con la distribucin de frecuencias siguiente considerando LIE = 530 y LSE = 580:
Intervalo de clase Marca de clase Frecuencia Frecuencia Relativa Frecuencia Absoluta .
531 - 535 536 - 540 541 - 545 546 - 550 551 - 555 556 - 560 561 - 565 566 - 570 571 - 575
6 8 12 13 20 19 13 11 8
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:
La media ser el punto en X correspondiente a Pj = 0.5 La desv. Estndar es la dif. En Xj correspondiente a Pj = 0.5 y Pj = 0.84
Ejemplo
Se tomaron los datos siguientes (Xj), ordenndolos y calculando la probabilidad de su posicin (Pj)
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
Graficando los puntos y ajustndolos con una recta que minimice los errores con cada punto se tiene:
Pj
0.84
0.5
Desv. Estndar
Fraccin Defectiva
LIE
X Media
Xj
Pi
Pi 0.999 0.998 0.995 0.99 0.98 0.97 0.96 0.94 0.90 0.84 0.80 0.75 0.70 0.60 0.50 0.40 0.30 0.25 0.20 0.16 0.10 0.08 0.04 0.02 0.01 0.005 0.002 0.001
( I - 0.5 ) / N
Xi
N o r m a l P r o b a b i li t y P lo t
. 999 . 99 . 95 . 80 . 50 . 20 . 05 . 01 . 001 200
A v e ra g e : 5 0 4 . 2 3 2 S tD e v : 1 3 9 . 6 8 2 N: 100
ility P robab
30 0
4 00
5 00
600
700
80 0
900
C1
A n d e rs o n -D a rl i n g N o rm a l i t y Te s t A -S q u a re d : 0 . 3 1 5 P -V a l u e : 0 .5 3 8
6.2 Ejercicio
Tomando los datos siguientes (Xj), calcular la probabilidad (Pj), graficar en papel norma, ajustar valores con una recta, determinar la media, desv. Estndar, si las especificaciones son LIE = 1200 y LSE = 1800 determinar la fraccin defectiva, el Cp y el Cpk.
EN CASOS ESPECIALES COMO ESTOS DONDE LAS VARIACIONES PRESENTES SON TOTALMENTE INESPERADAS TENEMOSUN PROCESO INESTABLE o IMPREDECIBLE. ? ? ? ? ? ? ?
Proceso en control
SI LAS VARIACIONES PRESENTES SON IGUALES, SE DICE QUE SE TIENE UN PROCESO ESTABLE. LA DISTRIBUCION SERA PREDECIBLE EN EL TIEMPO
Prediccin
Tiempo
Capacidad de Proceso:
Medicin estadstica de las variaciones de causa comn que son demostradas por un proceso. Un proceso es capaz cuando la causa comn de variacin cae dentro de las especificaciones del cliente.
_ x = media
34% 34% s= sigma; es la desviacin estndar; medida de la variacin del proceso. 2%
3s
-3s
2%
14 %
-1s x +1s 99.73%
14 %
+2s
-2s
=R d2
Donde,
=S c4
= Desviacin estndar de la poblacin d2 = Factor que depende del tamao del subgrupo en la carta de control X - R C4 = Idem al anterior para una carta X - S NOTA: En una carta por individuales, d2 se toma para n = 2 y RangoMedio=Suma rangos / (n -1)
Ejemplo (carta X - R)
De una carta de control X - R (con subgrupo n = 5) se obtuvo lo siguiente, despus de que el proceso se estabiliz quedando slo con causas comunes: Xmedia de medias = 264.06 Rmedio = 77.3
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
Ejemplo (carta X - S)
De una carta de control X - S (con subgrupo n = 5) se obtuvo lo siguiente, despus de que el proceso se estabiliz quedando slo con causas comunes: Xmedia de medias = 100 Smedio = 1.05
Si el lmite de especificacin es: LIE = 85 y el LSE = 105. El Cpk = (105 - 100) / (1.117 ) (3) = 1.492 El Cp = (105 - 85) / 6 (1.117 ) = 2.984 por tanto el proceso es capaz de cumplir con especificaciones
Ejercicios
1) De una carta de control X - R (con subgrupo n = 8) se obtuvo lo siguiente, despus de que el proceso se estabiliz quedando slo con causas comunes (LIE = 36, LSE = 46): Xmedia de medias = 40 Rmedio = 5
2) De una carta de control X - S (con subgrupo n = 6) se obtuvo lo siguiente, despus de que el proceso se estabiliz quedando slo con causas comunes (LIE = 15, LSE = 23): Xmedia de medias = 20 Smedio = 1.5
Variacin de la medicin
Reproducibilidad
Repetibilidad
Estabilidad
Linealidad
Sesgo
Calibracin
Definicin de la Repetibilidad
REPETIBILIDAD
Repetibilidad: Es la variacin de las mediciones obtenidas con un mismo instrumento de medicin, cuando es utilizado varias veces por un operador, al mismo tiempo que mide las mismas caractersticas en una misma parte y bajo las mismas condiciones de medicin.
Definicin de la Reproducibilidad
Operador-B Operador-C
Operador-A Reproducibilidad
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, bajo las mismas condiciones.
ESTNDARES INTERNACIONALES
En EUA se tiene el NIST (National Institute of Standards and Technolog) Un Estndar primario es certificado por NIST o por una organizacin alterna que use procedimientos de calibracin actualizados Los Estndares secundarios son calibrados por el depto. de Metrologa de las empresas en base a los estndares primarios, para efectos de calibracin.
ESTNDARES INTERNACIONALES
Los Estndares secundarios se transfieren a Estndares de trabajo en produccin. Para determinar la exactitud de los sistemas de medicin se debe conocer su rastreabilidad a Estndares nacionales e internacionales.
Resolucin: 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 ( LTNS - LTNI = 6 )
Definicin de la Estabilidad
Tiempo 2
Tiempo 1
Estabilidad (o desviacin) 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.
Definicin de la Linealidad
Valor verdadero
Sesgo Menor
Valor verdadero
Sesgo mayor
Rango inferior
Rango superior
Linealidad es la diferencia en los valores real y observado, a travs del rango de operacin esperado del equipo.
Realizar un segundo estudio R&R del Calibrador justo antes de que venza el tiempo de re calibracin.
La estabilidad del calibrador es la diferencia entre los promedios sobresalientes de las mediciones resultantes de los dos estudios.