TEMA 6: GRFICAS DE CONTROL

Teorema del Lmite Central

La distribucin de las medias de las muestras tienden

a distribuirse en forma normal

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.

Teorema del Lmite Central

La distribucin de las medias de las muestras tienden

a distribuirse en forma normal

Tomando de muestras de 10 datos, calculando su promedio y graficando estos promedios se tiene:

10 8 6 4 2 0 3.5 4.5 5.5 6.5 Frec.

QU ES UNA GRFICA DE CONTROL?

Una Grfica de Control es como un historial del proceso... ... En donde ha estado. ... En donde se encuentra. ... Hacia donde se puede dirigir En las graficas de control pueden reconocer cambios buenos y malos. Qu tanto se ha mejorado? Se ha hecho algo mal? Las graficas de control detectan la variacin anormal en un proceso, denominadas causas especiales o asignables de variacin.

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.

Se debe tomar la accin apropiada cuando la grfica de control lo indique.

NOTA: El sistema de medicin debe estar validado con un estudio R&R antes de llevar una grfica de control.

Variacin observada en una grfica de Control

Una grfica de control es simplemente un registro de datos en el tiempo con lmites de control superior e inferior. Una grfica de control identifica los datos secuenciales en patrones normales y anormales. 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.

Tener presente que los lmites de control NO son lmites de especificacin.

Causas comunes o normales

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

Lmite inf. de especs.

Lmite sup. de especs.

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

Lmite inf. de especs.

Lmite sup. de especs.

16

Anatoma de una grfica de Control

grfica de control C Chart for Pitted S
15 1

Respuesta Sample Count

LSC
10 5

3.0SL=12.76

Lmite Superior de Control

C=5.640

Promedio
(o lnea central)

0 0 5 10 15 20 25

LIC
Sam pl e Num ber

-3.0SL=0.000

Lmite Inferior de Control

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.

Patrones Fuera de Control

Corridas 7 puntos consecutivos de un lado de X-media.
Puntos fuera de control 1 punto fuera de los lmites de control a 3 sigmas en cualquier direccin (arriba o abajo). Tendencia ascendente o descendente 7 puntos consecutivos aumentando o disminuyendo.

Adhesin a la media 15 puntos consecutivos dentro de la banda de 1 sigma del centro.

Otros 2 de 3 puntos fuera de los lmites a dos sigma

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.

3.2 Tipos de grficas de control

Las grficas de Control para datos variables son utilizadas para caractersticas que tienen una magnitud variable. Ejemplo: - Longitud - Ancho - Profundidad - Peso - Tiempo de ciclo - Viscosidad Las grficas para atributos son las que tienen caractersticas como aprobado/reprobado, bueno/malo o pasa/no pasa. Algunos ejemplos incluyen: - Nmero de productos defectuosos - Fraccin de productos defectuosos - Numero de defectos por unidad de producto - Nmero de llamadas para servicio - Nmero de partes daadas - Pagos atrasados por mes

3.3. grfica X, R (Datos variables)

Este par de grficas se utilizan para monitorear procesos con datos variables. Una para las medias y otra para los rangos.
Los datos de 3 a 6 piezas consecutivas forman subgrupos o muestras de los cuales se calcula la media y el rango. La grfica X-media monitorea los promedios de las muestras del proceso monitoreando tendencias en la media del proceso. La grfica R monitorea los rangos de las muestras del proceso monitoreando la variabilidad del proceso.

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 =

k LSCX = x + A2 R LICX = x - A2 R LSCR = D4 R LICR = D3 R

NOTA: Para el clculo de los lmites de control usar los factores mostrados en las tablas correspondientes a cada valor de n estos factores para calcular Lmites de Control)

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

n = # muestras en un subgrupo/da = 5 k = # de subgrupos (das) = 10 X = 74.6 R = 36.0

3.3.grfica X, R (en Excel)

Grfica X/R para Muestra1-Muestra5
Medias
100 90 80 70 60 50
S ubgroup 0 1 2 3 4 5 6 7 8 9 10

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

Cul grfica se analiza primero? Cul es su conclusin acerca del proceso ?

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

n = # muestras en un subgrupo (da) = 5 k = # de subgrupos (das) = 10

X = 77.2

R = 18

3.3.grfica X, R (en Excel)

Ejemplo 2:
Grfica Xbar/R para Muestra1-Muestra5
Medias
105 95 85 75 65 55 45
Subgroup 0

1 1 1

1 3.0SL=87.56 X=77.18 - 3.0SL=66.80

10

1
1 2

1
3 4

1
6 7 8 9

50 40 30 20 10 0

Rangos

1 3.0SL=38.06 R=18.00 - 3.0SL=0.000

Cules pesos fallaron?

Hacer una grfica X-R y concluir:

MUESTRA 1 12 2 15 3 13 4 10 5 13 6 15 7 15 8 15 9 22 10 16 11 16 12 15 13 17 14 16 15 17 16 19 17 16 18 16 19 17 20 19 VALORES 12 13 17 16 18 14 12 11 16 15 12 13 16 15 17 15 17 16 15 17 18 16 16 17 15 16 15 18 19 17 17 15 19 16 15 17 13 17 18 17 15 17 14 10 16 15 16 17 17 15 16 17 15 18 15 15 15 16 15 15 12 18 15 11 15 11 15 14 14 18 16 14 16 16 17 17 14 18 14 16

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

k LSCX = x + A3 S LICX = x - A3 S LSCS = B4 S LICs = B3 S

(usar estos factores para calcular Lmites de Control

3.3.grfica de Individuales (Datos variables)

A menudo esta grfica se llama I o Xi. Esta grfica monitorea la tendencia de un proceso con datos variables que no pueden ser muestrados en lotes o grupos.

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 =

x1 + x2 + x3 + ...+ xN n n D4 D3 E2 2 3.27 0 2.66

LSCX = x + E2 R LICX = x - E2 R LSCR = D4 R LICR = D3 R

(usar estos factores para calcular Lmites de Control n = 2)

3.3. Ejemplo: grfica I (en Excel)

Valor Individual

grfica I para Longitud de parte

12.35
12.25 12.15 12.05 11.95 11.85 6 6 6 X= 12.03 3.0SL= 12.30

8 - 3.0SL= 11.75
1 0 5 10 15

11.75
11.65

Nmero de Observacin

Observar la situacin fuera de control

3.3. Ejercicios de grficas I o X, R

Hacer dos grficas X-R y concluir:
MUESTRA 1 MUESTRA 2 MUESTRA 1 MUESTRA 2

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

GRFICAS DE CONTROL PARA ATRIBUTOS

Datos de Atributos Medicin Fraccin de partes defectuosas, defectivas o no conformes Tipo p Tamao de Muestra ? Constante o variable > 30

np

Nmero de partes defectuosas

Constante > 30

Nmero de defectos

Constante = 1 Unidad de inspeccin

Nmero de defectos por unidad

Constante o variable en unidades de inspeccin

4. grficas de control para Atributos Situaciones fuera de control

Un punto fuera de los lmites de control.
Siete puntos consecutivos en un mismo lado de de la lnea central. Siete puntos consecutivos, todos aumentando o disminuyendo. Catorce puntos consecutivos, alternando hacia arriba y hacia abajo.
C Chart for Pitted S
15 1

grfica C

Lmite Superior de Control

3.0SL=12.76 C=5.640

Sample Count

10

0 0 5 10 15 20 25

-3.0SL=0.000

Lnea Central Lmite Interior de Control

Sam pl e Num ber

Nmero de Muestras Ahora, veamos algunos ejemplos...

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

n = tamao de cada muestra (por ejemplo, produccin semanal)

np = nmero de unidades defectuosas en cada muestra

p = proporcin (porcentaje) de defectos en cada muestra (fraccin defectiva) k = nmero de muestras

Grfica p (Atributos)
pi = np ni =
# de productos defectivos en cada muestra # de productos inspeccionados en la muestra

Clculo de los lmites de control

p =

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

Nota: Recalcular los lmites en cada muestra (ni) si n es variable

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

Fraccin de 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

Grfica P para Fraccin Defectiva

0. 4 0. 3 0. 2 0. 1 0. 0 0 5 10 P = 0.1128

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.

Terminologa (igual a grfica p, aunque n es constante)

n = tamao de cada muestra (Ejemplo: produccin semanal) np = nmero de unidades defectuosas en cada muestra

k = nmero de muestras

Grfica np (Atributos)
np = # de productos defectuosos en una muestra n = tamao de la muestra

k = Nmero de muestras o subgrupos

p = Suma de productos defectuosos / Total inspeccionado [n * k]

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).

#Lote / Defectos encontrados

1
2 3

6
4 4

4 5
6

2 4
3

NOTA: Utilizar Excel para Construir la grfica c

7
8 9

4
4 5

10 11

5 5

4... grfica c (cont..)

Ejemplo:

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

n = tamao de cada muestra en unidades de inspeccin (por ejemplo, produccin semanal)

c = Nmero de defectos encontrados en cada muestra de unidades de inspeccin u = defectos por unidad (DPU) k = nmero de muestras c = # de defectos en una muestra de n unidades de inspeccin n = Nmero de unidades de inspeccin en cada muestra u = c / n = DPU = Nmero de defectos por unidad

Grfica u
Ui = Ci / ni Defectos por unidad para cada muestra

Clculo de los lmites de control

u= c1 + c2 + c3 + ...+ ck n1 + n2 + n3 + ...+ nk
Nmero de defectos por

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:

Defectos encontrado al inspeccionar varios lotes de productos registrados por semana

n
Unidade s

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 DE CONTROL ESPECIALES

GRFICAS PARA CORRIDAS CORTAS (medias rangos, pequeos lotes de produccin de productos similares)

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)

Grficas de Control para Corridas Cortas

GRFICA DE CONTROL DNOM (Control de desviaciones resp. al objetivo, prod. similares)

GRFICA DE CONTROL X-R ESTANDARIZADA (Desviaciones estndar diferentes para los productos)

GRFICAS DE CONTROL ATRIBUTOS ESTANDARIZADAS (Para estadstico p, np, c y u)

Grficas de Control Modificadas y de Aceptacin

GRFICA DE CONTROL MODIFICADAS Se utilizan para control de la fraccin defectiva cuando el Cpk es grande >=2, cuidando no salir de especificaciones y no interesa tanto el control bajo lmites de control

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

5.3-5 grficas de Control especiales

GRFICAS DE PRECONTROL (ARCOIRIS) Se basa en lmites de especificacin, dividiendo el rango de especificaciones en cuatro partes, las dos intermedias son verdes, las de la orilla amarillas y las que salen de lmites, rojas. Se monitorea slo una pieza. GRFICA DE CONTROL PARA PROCESOS DE SALIDA MLTIPLE Se toma el valor mayor y el menor del proceso de salidas mltiples, monitoreando en el tiempo grfica DE CONTROL PARA DESGASTE DE HERRAMIENTA Se ajusta la herramienta en un extremo de los lmites de control y se deja operar hasta que llega al otro extremo de los lmites para ajuste

Grficas de Control especiales por variables

GRFICA DE CONTROL CUSUM (Detecta pequeas corridas de media < 1.5 sigma con n = 1) - Mtodo tabular - Mascarilla en V
GRFICA DE CONTROL EWMA (Detecta pequeas corridas de media <1.5 sigma con n = 1) GRFICA DE CONTROL DE MEDIA MOVIL (Detecta pequeas corridas de X, con n = 1, sensibilidad entre la de Shewhart y EWMA)

ANLISIS DE CAPACIDAD DE PROCESO

Objetivos de la capacidad del proceso

1. Predecir que tanto el proceso cumple especificaciones 2. Apoyar a diseadores de producto o proceso en sus modificaciones 3. Especificar requerimientos de desempeo para el 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

LIE

LSE

s
Xi

_ X

p = P(Xi) = porcentaje de partes con probabilidad de estar fuera de Especificaciones

Cmo vamos a mejorar esto?

Podemos reducir la desviacin estndar...

Podemos cambiar la media...

O (lo ideal sera, por supuesto) que podramos cambiar ambas

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

2. Seleccionar las condiciones de operacin del proceso

3. Seleccionar un operador entrenado

4. El sistema de medicin debe tener habilidad (error R&R < 10%)

5. Cuidadosamente colectar la informacin 6. Construir un histograma de frecuencia con los datos 7. Calcular la media y desviacin estndar del proceso

Teora del camin y el tnel

El tnel tiene 9' de ancho (especificacin). El camin tiene 10 y el chofer es perfecto (variacin del proceso). Pasara el camin? NO, la variabilidad del proceso es mayor que la especificacin. Centrar es hacer que el promedio del proceso sea igual al centro de la especificacin. Si el camin tiene 8 pies de ancho pasar el camin?, Si. Si el chofer puede mantener el centro del camin en el centro del tnel. De otra forma chocar con las paredes del tnel y no pasar a pesar de ser ms angosto.
El proceso debe estar en control, tener capacidad y estar centrado

Ancho 9 Nigels Trucking Co.

Capacidad del proceso Fraccin defectiva

La capacidad en funcin de la fraccin defectiva del Proceso se calcula En funcin de la fraccin defectiva para cada lado del rango de Especificacin.

Desv. Est. =

Rango medio Constante d2 de acuerdo al tamao de subgrupo en X-R

Los valores de Z inferior y Z superior se calculan de acuerdo a las frmulas Siguientes:

Zi

LIE - promedio del proceso

Desviacin Estandar

Zs =

LSE - Promedio del proceso Desviacin Estandar

La fraccin defectiva se calcula con las tablas de distribucin normal

P(Zi) = rea en tabla (-Z) P(Zs) = 1 rea corresp. a Zs en tabla (+Z)

Fraccin defectiva = P(Zi) + P(Zs)

Capacidad del proceso Cp y Cpk

La capacidad potencial del Proceso (Cp) es una medida de la variacin del proceso en relacin con el rango de Especificacin.
Tolerancia Variacin del proceso LSE - LIE 6 Desviaciones STD.

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

Clculo de la capacidad del proceso

Habilidad o capacidad potencial

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

Agrupando los datos en celdas se tiene:

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

El histograma es el siguiente (se observa con forma normal):

35 30 25 20 15 10 5 0 170189 210229 250269 290309 330349 Frec.

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

Cpk = menor de Zi y Zs < 1 el proceso no cumple especificaciones

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

533 538 543 548 553 558 563 568 573

6 8 12 13 20 19 13 11 8

Capacidad a partir de papel normal: Ventajas

1. Se puede observar el comportamiento del proceso sin tomar tantos datos como en el histograma, 10 son suficientes 2. El proceso es ms sencillo ya que no hay que dividir el rango de la variable en intervalos de clase 3. Visualmente se puede observar la normalidad de los datos, si se apegan a la lnea de ajuste 4. Permite identificar la media y la desviacin estndar aproximada del proceso. As como la fraccin defectiva, el porcentaje de datos entre cierto rango, el Cp y el Cpk.

Procedimiento
1. Se toman al menos n = 10 datos y se ordenan en forma ascendente, asignndoles una posicin (j) entre 1 y n.
2. Se calcula la probabilidad de cada posicin con la frmula siguiente: Pj = (j - 0.5) / n 3. En el papel especial normal se grafica cada punto (Xj, Pj) 4. Se ajusta una lnea recta que mejor aproxime los puntos

5. Si no hay desviaciones mayores de la lnea recta, se considera normal el proceso y se procede a hacer las identificaciones:
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

Normal distribution probability paper

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

El trazo normal es el siguiente:

El eje Y es un rango no lineal de probabilidades normales.

El eje X es un rango lineal de la variable que se est analizando. Si los datos son normales, la frecuencia de ocurrencias en varios valores Xi, puede predecirse usando una lnea slida como modelo. Por ejemplo, slo ms del 20% de los datos del proceso seran valores de 400 o inferiores.

Diferentes trazos en papel de probabilidad Normal

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.

1210 1275 1400 1695 1900

2105 2230 2250 2500 2625

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

Control y Capacidad de Proceso

Control de Proceso:
Cuando la nica fuente de variacin es normal o de causa comn, se dice que el proceso esta operando en CONTROL.

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.

L a capacidad no se puede determinar a menos que el proceso se encuentre en Control y Estable.

Proceso en control estadstico

La distribucin de la mayora de las caractersticas medidas forman una curva en forma de campana o normal, si no hay causas especiales presentes, que alteren la normalidad . cuales son las causas comunes?

Area entre 0 y 1s -Probabilidad de Ocurrencia

Distribucin del Proceso

_ 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

Desviacin Estndar del proceso

=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)

Capacidad del proceso

Cuando las causas comunes son la nica variacin: Cp El ndice de capacidad potencial del proceso compara la amplitud del proceso con la amplitud especificada. Cp = (LSE - LIE) / 6

Cpk El ndice de capacidad real del proceso compara la media

real con el lmite de especificaciones ms cercano (LE) a esta. _ Cpk = LE X o Cpk = menor |Z1 , Z2| / 3 3

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

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

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

Por tanto estimando los parmetros del proceso se tiene:

= X media de medias = Smedio / C4 = 1.05 / 0.94 = 1.117 [ C4 para n = 5 tiene el valor 0.94 ]

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

6.4 Capacidad de los sistemas de medicin

Capacidad de los sistemas de medicin: Definiciones

Exactitud Desviacin respecto del valor verdadero del promedio de las mediciones Valor verdadero: Valor correcto terico / estndares NIST Sesgo Distancia entre el valor promedio de todas las mediciones y el valor verdadero. Error sistemtico o desviacin Estabilidad La variacin total en las mediciones obtenidas durante un perodo de tiempo prolongado Linealidad Diferencia en los valores de la escala, a travs del rango de operacin esperado del instrumento de medicin. Precisin Medicin de la variacin natural en mediciones repetidas

Posibles Fuentes de la Variacin del Proceso

Variacin total del proceso, observada Variacin del proceso, real

Variacin de la medicin

Variacin dentro de la muestra

Variacin originada por el calibrador

Reproducibilidad

Repetibilidad

Estabilidad

Linealidad

Sesgo

Calibracin

La Repetibilidad y la Reproducibilidad (R&R), son los errores ms relevantes en la medicin.

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 del Sesgo

Valor Verdadero Sesgo

Sesgo es la diferencia entre el promedio observado de las mediciones y el valor verdadero.

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

Rango de Operacin del equipo

Linealidad es la diferencia en los valores real y observado, a travs del rango de operacin esperado del equipo.

Estabilidad del Calibrador

Cmo Calcularla
Para calibradores que normalmente se utilizan sin ajuste, durante periodos de tiempo relativamente largos.

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.

Causas posibles de poca estabilidad

El calibrador no se ajusta tan frecuentemente como se requiere Si es un calibrador de aire, puede necesitar un filtro o un regulador Si es un calibrador electrnico, puede necesitar calentamiento previo.