Академический Документы
Профессиональный Документы
Культура Документы
CONTROL ESTADISTICO
DEL PROCESO (SPC)
STATISTICAL PROCESS CONTROL
UNIDAD I
FILOSOFIAS DE CALIDAD
M.C. ROLANDO DEL TORO WALS
HTAS. BASICAS
HTAS. BASICAS
(fijada)
El modelo nuevo:
Precio - Ganancia
(fijado)
Precio
(fija)
(resultado)
Costo
(resultado)
HTAS. BASICAS
HTAS. BASICAS
HTAS. BASICAS
ADMINISTRACION DE LA CALIDAD.
ESTRUCTURA
ORGANIZACIONAL
Sistema de calidad
TECNICAS Y OPERACIN
DE ACTIVIDADES
Control de
calidad.
Aseguramiento
interno de
calidad.
ASEGURAMIENTO EXTERNO
DE LA CALIDAD (CONFIANZA
DEL CLIENTE.)
CONFIANZA DE LA
ADMINISTRACION
HTAS. BASICAS
FILOSOFIAS DE CALIDAD
W. Edwards Deming
El mundo entero fue testigo de que la economa y la capacidad de
produccin japonesas fueron desbastadas por la segunda guerra
mundial. Cuatro dcadas despus Japn disfruta de un liderazgo casi
indisputable como innovador en mtodos de control de calidad,
productividad y mercadeo competitivo en todo el mundo. Los japoneses
son un reto para el liderazgo industrial y comercial de los Estado Unidos
y Alemania.
El doctor Deming dio origen al increble retorno del Japn, despus de
la destruccin total de la guerra y cre la ruta que ha situado a los
japoneses al frente de la carrera que actualmente se libra en los
negocios y el desarrollo industrial internacionales. Deming aporto su
filosofa que consta de 14 puntos, a travs de los cules se puede lograr
la calidad en la empresa, adicionalmente aporta su ciclo de mejora
continua as como las herramientas estadsticas aplicadas al proceso.
HTAS. BASICAS
HTAS. BASICAS
HTAS. BASICAS
HTAS. BASICAS
10
HTAS. BASICAS
11
HTAS. BASICAS
12
Ciclo Deming
El ciclo Deming establece los pasos que se siguen para buscar la mejora
de cualquier actividad o proceso, tal como se ilustra en la figura Consta
de los siguientes pasos:
Planear: definir el propsito de la accin de mejora y buscar la
oportunidad.
Hacer: desarrollar las actividades planeadas
Verificar: constatar que las actividades se estn realizando de acuerdo
a lo planeado.
Actuar: Buscar la manera de corregir las desviaciones que se
encuentren o bien, tomar acciones que permitan mejorar los resultados.
Planear
actuar
Hacer
Verificar
HTAS. BASICAS
13
Enfermedades mortales
Carencia de consistencia en el propsito de planificar un
producto y servicio que tenga mercado y mantenga a la empresa
viva.
nfasis en los beneficios a corto plazo
Evaluacin del comportamiento, calificacin por el mrito.
Movilidad de la direccin; se salta de un trabajador a otro
Se dirige utilizando solo las cifras visibles, teniendo muy poco en
cuenta las cifras desconocidas (calidad).
Demasiados costos mdicos.
Costos excesivos de responsabilidad (abogados)
Kaoru Ishikawa
El control total de calidad es un sistema de mtodos de produccin
que econmicamente genera bienes o servicios de calidad, acordes
con los requisitos de los consumidores. Practicar el control de
calidad es desarrollar, disear, manufacturar y mantener un
producto de calidad que sea el ms econmico, el ms til y
siempre satisfactorio para el consumidor.
HTAS. BASICAS
14
HTAS. BASICAS
15
HTAS. BASICAS
16
de calidad
y no a la
productos
asume la
HTAS. BASICAS
17
Diagrama de Ishikawa
Tambin conocido como causa- efecto, porque en el recuadro
derecho se anota el efecto (problema) a analizarse y a la izquierda
las probables causas que lo originan. Otro sobrenombre es el de
espina de pescado debido al refrn popular de que "el pescado se
echa a perder por la cabeza"
Personal
Maquinaria
Efecto
Materiales
Medio
Mtodos
ambiente
5 EMES
Son los factores en los que conceptualmente se originan los
problemas, estn constituidos por: Mtodos, Mano de obra,
Maquinaria, Materiales y Medio ambinte. Algunas veces se considera
el sistema de Medicin.
HTAS. BASICAS
18
HTAS. BASICAS
19
TRILOGIA DE LA CALIDAD
Tambin llamada gestin de la calidad, consiste en la totalidad de
medios por los cules logramos la calidad. Incluye los procesos de
planificacin, control y mejora de la calidad.
Philiph Crosby
La filosofa de Crosby se desenvuelve a travs de cuatro pilares que
son:
Definicin de la calidad: calidad es cumplir con los requisitos
Sistema de prevencin y no de deteccin
Norma de desempeo: cero defectos
Medicin de la calidad a travs de los costos de calidad
La calidad no cuesta. No es un regalo, pero es gratuita. Lo que cuesta
dinero son las cosas que no tienen calidad - todas las acciones que
resultan de no hacer bien las cosas" a la primera vez -.
HTAS. BASICAS
20
Cuadro de madurez
Incertidumbre: La empresa no sabe ni lo que esta pasando y no
concibe a la calidad como una herramienta de la administracin.
Despertar: Se reconoce a la calidad como una herramienta pero
no se define ni cuando ni como se va a implantar.
Ilustracin: Se inicia el proceso y se establecen pasos serios
para mejorar.
Sabidura: El mejoramiento inicia a rendir resultados, aunque
an no se est en el nivel deseado, y los pasos siguientes sern los
ms difciles adems de cuidar que lo logrado no se pierda ni se
desve de su propsito original.
Certeza: Etapa en donde la prevencin es completa y el costo de
calidad es una fotografa de lo que realmente ocurre en la
organizacin.
HTAS. BASICAS
21
Costos de calidad
Es el costo por cumplir y no cumplir con los requisitos de calidad
especificados. Estos se clasifican en:
Costos de prevencin
Costos de evaluacin
Costos de fallas: internas y externas.
Armand Feigenbaum
El control de calidad (CTC) puede definirse como un sistema eficaz
para integrar los esfuerzos en materia de desarrollo de calidad,
mantenimiento de calidad y mejoramiento de calidad, realizados por
diversos grupos en una organizacin, de modo que sea posible,
producir bienes y servicios con la plena satisfaccin de los clientes.
El control total de la calidad exige la participacin de todas las
divisiones, incluyendo las de mercadeo, diseo, manufactura,
inspeccin y despachos.
HTAS. BASICAS
22
HTAS. BASICAS
23
El Empuje de Manufactura
Mezcla de producto no
homogenea
Proceso continuo
Entrenamiento cruzado
operadores mltiples,
estaciones mltiples
Concepto de clulas de
manufactura
Conocimiento adecuado
de las variables de
entrada del proceso
Los mismos expertos
del
proceso lo administran
HTAS. BASICAS
24
Problemas de aplicacin
Riesgoso; los clientes
no aceptarn
Costosa; No efectiva
Se requiere un ejrcito
para poderlo hacer
Muy confusa; crea
mucho desorden
HTAS. BASICAS
25
Malo
Bueno
HTAS. BASICAS
Malo
26
Calidad
Optima
Prdida
Prdida
HTAS. BASICAS
27
SPC
Definicin del Control Estadstico del
Proceso
E(S)= Estadstico La aplicacin de tcnicas estadsticas
(matemticas) para medir y analizar la variacin o cambios
en los procesos a travs del uso de nmeros y datos.
P = Proceso Cualquier combinacin de mquinas, herramientas,
mtodos, materiales y/o personal empleado para realizar treas
especficas en un producto o servicio. Algunos procesos son de
manufactura, algunos son procesos de servicio, mientras que
otros son operaciones de soporte comunes a ambos.
C = Control Controlando un proceso usando el ciclo de
retroalimentacin a travs del cual medimos el desempeo real, lo
comparamos con un estndar y actuamos sobre la diferencia o el
cambio. Mientras ms pronto respondamos al cambio respecto del
estndar, ms uniforme ser la calidad en el producto o servicio.
HTAS. BASICAS
28
Variacin
SPC es el estudio y control de la variacin.
SPC es un mtodo eficiente de recoleccin y anlisis de datos. Se
puede aplicar a cualquier cosa expresada en nmeros. Su
aplicacin va ms all de manufactura, incluyendo compras, control
de produccin, personal, contabilidad, ventas, etc.
HTAS. BASICAS
29
SPC
Dos Supuestos Bsicos
Integridad de los Datos - Tener datos verdicos es de capital
importancia para evitar malentendidos y correcciones dainas.
Las Caractersticas de Calidad que estn bajo el estudio del SPC
deben estar claramente definidas, comprendidas, y haber sido
acordadas por todas las personas involucradas. La aplicacin de
los Criterios debe ser consistente
Dos Clases de Datos
ATRIBUTO - El dato es discreto (contado). Resulta del uso de gauges pasano pasa, o de la inspeccin visual de defectos, problemas visuales,
partes faltantes, o de decisiones pasa/falla o s/no.
VARIABLE - El dato es continuo (medido). Resulta de la medicin real de
caractersticas tales como: impedancia del embobinado de un motor,
propiedades dctiles del acero, dimetro de una tubera, medicin del
flujo de una bomba, etc.
HTAS. BASICAS
30
HTAS. BASICAS
31
Descripcin de la Muestra
Una vez que se ha escogido una caracterstica de un proceso,
podemos empezar el estudio seleccionando una muestra para medir
tal caracterstica. Entonces podemos sacar conclusiones acerca de
la salida del proceso, basadas en la muestra.
Para llegar a tales conclusiones, debemos conocer tres cosas de la
muestra:
La forma de su distribucin.
La medida de la tendencia central (El centro de la distribucin)
- media, mediana, modo.
La medida de la variabilidad
- desviacin estndar o el rango.
HTAS. BASICAS
32
2.-HERRAMIENTAS BASICAS
HERRAMIENTAS BSICAS PARA EL CONTROL ESTADISTICO DE
PROCESO CEP (SPC).
Diagrama de Flujo.
Histograma.
Diagrama de Pareto.
Grficos de Control
estratificacin
Anlisis de
Capacidad de
Proceso (CP, CPK, PP y
PPK).
Hoja de Inspeccin.
Diagrama de Causa
y Efecto.
Diagrama de
Dispersin
HTAS. BASICAS
33
MODULO
CONTROL ESTADISTICO
DEL PROCESO (SPC)
STATISTICAL PROCESS CONTROL
UNIDAD II
HERRAMIENTAS BASICAS
M.C. ROLANDO DEL TORO WALS
HTAS. BASICAS
34
2.1.-HOJA DE INSPECCION
Utilizable cuando se requiere reunir datos para las
caractersticas (proceso o produccin) a ser estudiadas, tales
datos sern
recolectados y convertidos a un esquema
mediante una grfica de control. Estos datos deben ser los
valores de medicin de una dimensin, de una pieza
maquinada, nmero de defectos en un tornillo o perno,
etc.Esta hoja de inspeccin normalmente es utilizada como el
punto lgico de inicio en la mayora de los ciclos de solucin de
los problemas.
consejos para su elaboracin.
HTAS. BASICAS
35
Mayo.
Tota
l
Tamao
incorrecto
///// /
/////
///// ///
///// //
26
Forma
incorrecta
///
///
//
Depto.
Incorrecto
/////
Paso
incorrecto
///// /////
///// /////
//
///// /////
/////
52
//
///
29
22
25
26
102
Mala
uniformidad
Total:
HTAS. BASICAS
36
2.2.-DIAGRAMA DE FLUJO
El diagrama de flujo es una representacin grfica que
muestra todos los pasos de un proceso. Este diagrama provee
una excelente documentacin de un programa y puede ser una
herramienta til para examinar como se relacionan unos con
otros los pasos de un proceso.
El diagrama de flujo utiliza pasos fciles de reconocer para
representar el tipo de operacin realizada.
Qu es un Diagrama de
Flujo?
-Mtodos
-Materiales
-Medidas
-Mquinaria
-Medio ambiente
HTAS. BASICAS
37
Qu es esta herramienta?
Es una representacin grfica
de los procesos de
manufactura
Qu es lo que va a identificar?
Todos los pasos del proceso
los que: agregan valor y los
que no agregan valor
Entradas clave del proceso
(Xs) o KPIVs
CTQs (Critico a la calidad)
Puntos para recolectar datos
Los primeros KPIVs que se
van a poner en el FMEA
HTAS. BASICAS
38
Debe describir:
Las actividades/tareas mayores
Subensambles
Los lmites del proceso
1
KPIVs (Xs)
CTQs (Ys)
Debe de revisarse y actualizarse frecuentemente
y f ( x , x2 ,..., xk )
39
40
Otras Definiciones
HTAS. BASICAS
41
Entradas
(Provedores)
Partes
Instrucciones de trabajo
Procedimientos
Proceso
Salidas
(Clientes)
Producto
Resultados
Datos de SPC
Mecanismos
(Mquinas, Gente)
Equipo de Inspeccin
Personal de Ensamble
HTAS. BASICAS
42
Entregas
Ejemplos de CTQs
a tiempo
Exactitud
Ordenes
correctas y completas
Exactitud
de reparacin
Puntualidad
de las facturas
servicial en la solucin de
problemas, Amabilidad
Sub-Producto
B
Sub-Producto
A
CTQ1
CTQ2
CTQ3
CTQ4
Sub-Producto
C
CTQ5
CTQ6
Requerimientos
del7 cliente (CTQs
CTQ
del cliente)
Requerimientos
del proceso
(CTQs del
proceso)
Grupos de enfoque
Diagrama de las necesidades del
cliente
Despliegue de la funcin de calidad
(QFD)
InteligenciaHTAS.
de mercadotecnica
BASICASrpida
44
Identificar y entrevistar
unos cuantos clientes
estratgicos
Determine los ms
grandes tipos o grupos
de clientes
Escoja uno o dos
clientes de cada grupo
Realice discusiones
cara-a-cara
muy abiertas
identifique los
productos que usa y
su importancia
identifique los
factores para cada
producto que
generan una
percepcin de buena
o mala calidad
Desarrollar e implementar Segmentar clientes e idenuna encuesta ms completa tificar CTQs por segmento
Confirme la segmentacin
inicial con los resultados
de la encuesta
Para cada segmento,
identifique las mayores
CTQs
Sobre la marcha,
observe el desempeo de
las CTQs ms grandes
En
En algunas
algunas ocasiones
ocasiones se
se requiere
requiere un
un proceso
proceso riguroso
riguroso
cuando
cuando las
las necesidades
necesidades del
del cliente
cliente no
no se
se entienden
entienden
completamente
completamente
HTAS. BASICAS
45
Producto
CTQ1
CTQ2
Proceso 4
Proyectos delCTQ
Proceso 3
CTQ4
CTQ5
Sub-Producto
C
CTQ6
Proceso 1
Proceso 2
CTQ3
Sub-Producto
B
CTQ7
{
Requerimientos
del Cliente
CTQ8 (CTQs
CTQ9 del
cliente)
Requerimientos
del Porceso
(CTQs del
proceso)
proyect
o de
una
sola
clula
Controlables
por nosotros
Sub-Producto
A
En
En la
la filosofia
filosofia 66 sigma
sigma el
el Cinta
Cinta Negra
Negra (BB)
(BB) est
est asignado
asignado para
para trabajar
trabajar
en
la
eliminacin
de
los
defectos
de
las
CTQs
seleccionadas
en la eliminacin de los defectos de las CTQs seleccionadas
HTAS. BASICAS
46
Demora
Inspeccin
Almacn
Decisin
Transporte
HTAS. BASICAS
47
Lmites Definidos
Decisin
Operacin
Medida
Operacin
Demora
Operacin
Movimiento
Almacn
HTAS.
Tiempo
transcurrido
(sin actividad
alguna)
Actividades que
no agregan valor
El
proceso en el tiempo
49
Diagrama
Diagramade
deProceso
Proceso
Ms de 15 Entradas
10 - 15
Estudios Multi-Vari
8 - 10
4-8
DOEs / RSM
3-6
Proceso Perfeccionado
HTAS. BASICAS
50
Versiones de un Proceso
Cuando menos hay 3 versiones
(Normalmente)
Lo Real...
HTAS. BASICAS
Lo que le
Gustara que
fuera...
51
2.3.-DIAGRAMA DE PARETO
Utilizable cuando se requiere mostrar la importancia
relativa de todos los problemas o condiciones a fin de
seleccionar el punto de inicio para la solucin de problemas,
o para la identificacin de la causa fundamental de un
problema.
El Diagrama de Pareto es una forma especial de grfico de
barras verticales el cual ayuda a determinar que problemas
resolver y en que orden. El hecho de hacer un Diagrama de
Pareto basado en Hojas de Inspeccin o en otras formas de
recoleccin de datos, nos ayuda a dirigir nuestra atencin y
esfuerzos
a
los
problemas
realmente
importantes.
Obtendremos mejores resultados al analizar los problemas en
orden de importancia.
HTAS. BASICAS
52
.
Elaboracin:
Utilizando los datos existentes, por Ej.: Para establecer las reas
problemticas ms importantes veamos los informes de calidad
generados durante el mes pasado por el departamento A.
HTAS. BASICAS
53
HTAS. BASICAS
54
HTAS. BASICAS
55
Material Roto
Deslaminado
Nap Invertido
Dao.
DMN
1
10371
77
10372
10377
10378
10379
10380
10381
10384
10386
10387
10406
10407
1
10408
7.14
10409
10410
10411
10414
Total: 85.14
Foam Defecto
Falta Nap
Yardas
11.97
9
4
10
4
3.5
3
4.73
2
1
14.97
30.5
30.15
87
44
165.9
1
2
3
4
5
6
7
Falta Nap
Foam Defecto
Material Roto
Deslaminado
Nap Invertido
Dao.
Otro
85.14
14.97
30.5
165.9
2
2
1
HTAS. BASICAS
56
250
80
70
200
60
1
2
3
4
5
6
7
150
100
165.9
85.14
30.5
14.97
2
2
1
50
0
1
50
40
30
1
2
3
4
5
6
67
55.02
83.26
93.37
89.34
99
99.66
7100
HTAS. BASICAS
20
10
0
57
2.3.1.-Estratificacin.
Utilizable cuando se requiere analizar casos en los cuales la
informacin oculta los hechos reales. Prcticamente cuando
los datos registrados provienen de varias fuentes. La
estratificacin permite subdividir valores en categoras o
clasificaciones significativas que permitan concentrarse en la
accin correctiva por ejemplo la salida de produccin en una
banda transportadora que recibe la produccin de varias
maquinas.
Maquina 2
Maquina 3
Maquina 1
HTAS. BASICAS
58
Efecto?
HTAS. BASICAS
59
HTAS. BASICAS
60
- -composicin
composicinmetalrgica
metalrgica
- -composicin
qumica
composicin qumica
- -dimensiones
dimensiones
- -maquinaria
maquinaria
- -material
materialdetenido
detenido
- -accesorios
accesorios
- -herramientas
herramientas
MSA
equipo
equipo
materiales
materiales
Requerimientos
Requerimientos
del
delcliente
cliente
gente
gente
Trabajo
Trabajoen
enequipoequipo-mejoramiento
mejoramiento
continuo
continuo
ambiente
ambiente
Satisfaccin
Satisfaccin
del
delcliente
cliente
Mtodo
Mtodoyy
sistemas
sistemas
Ciclo
Ciclode
demejora
mejoracontinua
continua
-Trabajo equipo
- comunicacin
- entrenamiento
- operacin
- Humedad
- iluminacin
- temperatura
- limpieza
HTAS. BASICAS
- ajustes
- instrucciones
- mtto preventivo
- ergonoma
61
Categorias (Las 6 M)
Mano de Obra
Est calificado?
Tiene experiencia?
Se le asign el trabajo adecuado?
Est dispuesto a mejorar?
Est sano?
Materiales
Es adecuado el inventario?
Hay desperdicio de
material?
La mezcla es la adecuada ?
El manejo es el adecuado?
Est mezclado con
impurezas?
Maquinaria
Es la adecuada para la produccin
Tiene adecuado mantenimiento?
Hay suficientes maquinas?
Es adecuada su lubricacin?
Hace ruidos extraos?
Medio Ambiente
Es adecuada la temperatura?
La ventilacin es correcta?
La visibilidad es correcta?
El lugar es ordenado?
Hay suficiente sealizaciones?
Mtodo de Trabajo
Es un mtodo seguro?
La secuencia de trabajo es adecuada?
Asegura el buen producto? Es claro el
mtodo de trabajo?Son adecuados los
estndares?
HTAS. BASICAS
Medicin
La presin del aceite es
correcta?
El nivel de aceite es el correc
El peso del producto es
correcto?
El tamao del producto es el
adecuado?
62
CAUSA
HTAS. BASICAS
63
EN PRUEBA
DE INTERES
P. EXITOSA
PREPARACION
P. NO EXITOSA
HTAS. BASICAS
64
HTAS. BASICAS
65
HTAS. BASICAS
66
1. Anote y
Clasifique las
salidas en
orden de
importancia
para el
cliente
Ejemplo
Requisito
Requisito
Entradas
del Proceso
Requisito
Salidas o CTQs
Requisito
Requisito
Requisito
Resistencia
10
Tierra
Rango de
Importancia
al Ciente
Corto
10
11
12
13
14
15
Total
1
2
3
4
5
6
7
8
67
Ejemplo
Cause and Effect
Matrix
2. Anote
entradas
clave
1
2
3
4
5
6
7
8
9
10
10
11
12
13
14
Requisito
Requisito
Requisito
Requisito
Requisito
Requisito
Requisito
Requisito
Requisito
Requisito
Entradas
del Proceso
2
Tierra
Salidas o CTQs
Corto
Resistencia
Rango de
Importancia
al Ciente
Total
Ensamble de Switch
Conectado de Switch
Ensamble de Tapa
Ensamble de C Bolt
Ensamble de Cover
Prueba Final
Ejemplo
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
10
11
12
13
14
Requisito
Requisito
Requisito
Requisito
Requisito
Requisito
Requisito
Requisito
Requisito
Requisito
Entradas
del Proceso
Requisito
Salidas o CTQs
10
Resistencia
Rango de
Importancia
al Ciente
Tierra
3
Correlacione
las Entradas
con las
Salidas
Corto
Total
Ensamble de Swit
Conectado de Swi
Ensamble de Tapa
Ensambled deC Bt
Ensamble de Covr
Prueba Final
10
9
10
6
4
4
10
10
6
7
8
0
9
9
8
6
7
8
HTAS. BASICAS
69
10
11
12
13
14
Resistencia
Requisito
Requisito
Requisito
Requisito
Requisito
Requisito
Requisito
Requisito
Requisito
Requisito
Requisito
Salidas o CTQs
10
Tierra
Rango de
Importancia
al Ciente
Corto
Entradas
del Proceso
1
2
3
5
10
9
11
13
15
12
14
4
7
8
6
Ensamble de Swit
Conectado de Sw
Ensamble de Tap
Ensamble de C Bo
Ensamble de Covr
Prueba Final
Hemos sorteado
los nmeros
multiplicados
cruzadamente y
encontramos que:
Total
10
9
10
6
4
4
10
10
6
7
8
0
262
252
218
171
168
104
9
9
8
6
7
8
HTAS. BASICAS
El ensamble de
switch,
conectado de
switch y
Ensamble de tapa
son muy
importantes.
Ahora podemos
evaluar los planes
de control para
estas KPIVs
70
2.6.- HISTOGRAMA
Es una herramienta estadstica que
nos permite representar por medio
grfica de barras, el comportamiento
de una poblacin al tener los datos
(muestra) agrupados y ordenados de
acuerdo a las veces que ocurren las
variaciones en el proceso.
HTAS. BASICAS
71
TIPOS DE HISTOGRAMAS
Histograma
Normal
Histograma de doble
pico
Histograma
Cliff
Histograma rueda
dentada
HTAS. BASICAS
72
CORRESPONDENCIA CON
VALORES ESPECIFICADOS
DISPERSIN
Normal
LIE
LIE
LSE
LSE
Grande
LIE
LSE
LIE
LIE
LSE
LIE
LSE
LSE
Peque
a
Centrad
a
Pequea
LSE
LIE
LSE
LIE
LSE
Gra
n
LIE
HTAS. BASICAS
73
No. de grupo(K)
5- 7
6 - 10
7 - 12
10 - 15
LS1 = LI1 + A
LI2 = LS1
LS2 = LI2 + A
LI3 = LS2
LS3 = LI2 + A
74
9.-Graficar el histograma
HTAS. BASICAS
75
EJEMPLO DE UN HISTOGRAMA
Se han recolectado los siguientes datos de un proceso de produccin
para la elaboracin de un histograma con el fin de conocer su media y
la desviacin estndar.
16.2
18.0
17.5
18.1
16.8
17.3
18.5
19.0
17.8
17.9
17.1
18.6
19.1
17.4
17.7
17.2
17.1
18.4
16.8
17.2
18.8
18.0
17.1
18.4
18.5
17.5
18.2
16.8
17.9
19.1
16.9
17.2
18.5
17.6
17.7
17.0
17.2
16.3
18.6
19.2
17.2
18.6
19.9
17.5
19.4
19.8
17.5
18.3
17.7
18.0
Solucin:
Clculo del Rango R = Ma - Mi = 19.9 - 16.2 = 3.7
Clculo de la Amplitud A = R / K = 3.7 / 6 = 0.617 = 0.62
para el valor de K se ha seleccionado el valor de 6 segn el nmero de datos.
Clculo de los lmites inferior y superior de las clases (K).
LI1 = Mi
= 16.20
LS 1 = LI1 + A = 16.20 + 0.62 = 16.82
LI2 = LS1 = 16.82
LS2 = LI2 + A = 16.82 + 0.62 = 17.44
LI3 = LS2 = 17.44
LS3 = LI3 + A = 17.44 + 0.62 = 18.06
LI4 = LS3 = 18.06
LS4 = LI3 + A = 18.06 + 0.62 = 18.68
LI5 = LS4 = 18.68
LS5 = LI4 + A = 18.68 + 0.62 = 19.30
LI6 = LS5 = 19.30
LS6 = LI5 + A = 19.30 + 0.62 = 19.92
76
EJEMPLO DE UN HISTOGRAMA
N o. d e clase
1
2
3
4
5
6
P u n to m ed io
1 6 .5 1
1 7 .1 3
1 7 .7 5
1 8 .3 7
1 8 .9 9
1 9 .6 1
HTAS. BASICAS
19.92
77
Anlisis de Regresin
El Anlisis de Regresin es una tcnica estadstica que se
utiliza para analizar la correlacin existente entre
variables. Esta se ensea en cursos de matemticas
como la obtencin de la lnea que mejor queda.
La Regresin Simple compara una variable independiente
tal como:
anuncio de inversin de dlares
contra una variable dependiente como:
ventas en dlares.
HTAS. BASICAS
78
Anlisis de Regresin
Regresin Mltiple compara ms de una variable independiente
contra una variable dependiente (o respuesta).
Por ejemplo,
podemos comparar 3 variables independientes:
Temperatura; Velocidad; y Presin
contra una variable de respuesta:
El Peso de la Parte
prodicida una inyectora de plastico.
Se pueden desarrollar otros tipos de modelos de regresin de
naturaleza no-lineal, tales como modelos cuadrticos o modelos
logartmicos.
Sin embargo, primero nos concentraremos en la dinmica de la
regresin simple.
HTAS. BASICAS
79
Anlisis de Regresin
Unos cuantos trminos...
Variable Independiente - Alguna variable que puede tener
casi cualquier valor y que causa variacin en alguna
caracterstica dependiente. (ej. la variable de entrada,
KPIV)
Variable Dependiente - Una variable llamada salida o
variable de respuesta (CTQ). El resultado depende de
los valores de la(s) variable(s) independiente(s).
Ejemplos:
Variable Dependiente.......Variable(s) Independiente(s)(Potenciales)
Estatura..................................
Estatura de los Padres
Calificaciones ........................Tiempo de Estudio
Puntos por juego ................... Tiempo de Prctica, Entrenador
DPU .....................................
Entrenamiento, Inversin,
Actitud
HTAS. BASICAS
80
Anlisis de Regresin
Variable
Independiente (X)
HTAS. BASICAS
81
Anlisis de Regresin
Diagrama de
Dispersin
Estatura
del hijo
(in.)
80
UNA CORRELACION
POSITIVA !!
75
70
65
60
60
65
70
75
Esperaramos que la
correlacin entre la
estatura del padre (X)
y la estatura del hijo (Y)
fuera una correlacin
80 uno-a-uno?
HTAS. BASICAS
82
Anlisis de Regresin
Vida de la
Sierra
(min.)
50
Diagrama de Dispersin
UNA CORRELACION
NEGATIVA!!!
40
30
20
10
0
85
90
95
100
105
110
115
Velocidad de Corte (pies por min.)
HTAS. BASICAS
83
Anlisis de Regresin
Puntos
Examen Diagrama
Universidad
1550
1450
1350
1250
1150
1050
950
850
750
650
60
65
70
de Dispersin
NO HAY CORRELACION!!
75
80
HTAS. BASICAS
84
Anlisis de Regresin
Procedimiento General para realizar un anlisis de regresin...
1.
2.
3.
4.
5.
Calcular la R-Cuadrada.
6.
Interpretar la informacin.
HTAS. BASICAS
85
Anlisis de Regresin
Recuerde que la ecuacin general de una recta es como sigue...
y = mx + b
donde
y
x = variable independiente
m = ngulo de inclinacin
b = interseccin de la variable dependiente, y.....
HTAS. BASICAS
86
Anlisis de Regresin
Lo que estamos buscando es la lnea que minimizar la
distancia desde los puntos graficados hacia la lnea....
Desviaciones
Variable
de
Respuesta
(Y)
Lnea de
Regresin
*
*
*
Puntos
Dispersos
*
*
Variable
de
Entrada (X)
HTAS. BASICAS
87
Anlisis de Regresin
La inclinacin est dada por....
(XY - XY]/n)
b1 =
2
2
(X - [X] /n)
Variable
de
Respuesta
(Y)
b1
Variable
de
Entrada (X)
HTAS. BASICAS
88
Anlisis de Regresin
b1
Variable
de
Respuesta
(Y)
Variable
de
Entrada (X)
b0
HTAS. BASICAS
89
Anlisis de Regresin
Ejemplo
Supongamos que un instructor quiere comparar las horas de
estudio
como la variable independiente (X); contra calificaciones como la
variable dependiente (Y).
El instructor cree que existe una fuerte correlacin y quiere:
1) Ver si realmente existe dicha correlacin;
y
2) Si es as, de alguna forma predecir cuales sern las
calificaciones
basado en las horas de estudio.
HTAS. BASICAS
90
Anlisis de Regresin
Ejemplo
Primero, el instructor recolecta datos buenos...
Estudiante
1
2
3
4
5
6
7
8
9
10
HTAS. BASICAS
Calificaciones (Y)
65
60
68
72
68
80
80
87
94
96
91
Anlisis de Regresin
Ejemplo
Segundo, el instructor hace un diagrama de dispersin...
Diagrama de Dispersin
Calificaciones
Correlacin
1
Positiva?
Horas Estudiadas
HTAS. BASICAS
92
Anlisis de Regresin
Ejemplo
Ahora, podemos calcular b1 y b0 para
Las estadsticas necesarias
desarrollar la ecuacin de regresin.
para calcular b1 y b0....
X
2
2
3
4
4
5
6
6
7
7
Y
65
60
68
72
68
80
80
87
94
96
XY
130
120
204
288
272
400
480
522
658
672
X
4
4
9
16
16
25
36
36
49
49
X = 46 X = 4.6
Y = 770 Y = 77.0
XY = 3746
n = 10
X = 244
HTAS. BASICAS
93
Anlisis de Regresin
Ejemplo
Por lo tanto,
XY - (XY/n)
b1 =
b0 = Y - b1 X
X - [(X)/n]
= 77 - 6.3 (4.6)
3746 - [(46)(770)/10]
=
= 48.0
204/32.4 = 6.3
De esta manera,
^ = 6.3 X + 48.0
Y
HTAS. BASICAS
94
Anlisis de Regresin
Ejemplo
Calificaciones
Diagrama de Dispersin
Horas Estudiadas vs. Calificaciones
100
90
80
70
60
50
40
1
Horas Estudiadas
HTAS. BASICAS
95
Anlisis de Regresin
Ejemplo
Hablando intuitivamente, se ve como que queda bin? ,nos
sentimos agusto prediciendo Y dada X usando este modelo?
Calificaciones
Diagrama de Dispersin
Horas Estudiadas vs. Calificaciones
100
90
80
70
60
50
40
1
Horas Estudiadas
HTAS. BASICAS
96
Anlisis de Regresin
Paso 5
Ahora introducimos una prueba de diagnstico para determinar
el nivel de confianza que tenemos en la habilidad de nuestro
modelo para predecir.
Utilizamos un estadstico llamado coeficiente de determinacin
ms comunmente llamado R cuadrada.
R 2 es una medida de la cantidad de variacin en las salidas (o
variable de respuesta) esto lo explica el modelo de regresin.
Mientras ms grande sea esta cantidad, mayor ser la confianza
que tendremos en el modelo en s.
HTAS. BASICAS
97
Anlisis de Regresin
Paso 5
Para calcular e interpretar la estadstica R, primero calculamos r,
llamada coeficiente de correlacin.
n XY - (X)(Y)
r =
[n X - (X) ] [n Y - (Y) ]
-1 < r < +1
y
2
0 <R <1
98
Anlisis de Regresin
Ejemplo
Recuerde...
X = 46
Y = 770
X = 4.6
Y = 77.0
XY = 3746
X = 244
n = 10
y ahora, Y = 60,678
HTAS. BASICAS
99
Anlisis de Regresin
Ejemplo
2
2040/2120.64
0.962
as...
R = 0.962
= 0.925
HTAS. BASICAS
100
Anlisis de Regresin
Ejemplo
R = 0.925 = 92.5%
La cantidad 92.5% representa el porciento de la variacin en la
variable de respuesta Y, debido a una relacin lineal con X.
Adems 100% - 92.5% = 7.5%
Esto quiere decir que 7.5% de la variacin se debe a algo ms.
HTAS. BASICAS
101
Anlisis de Regresin
Paso 6 - Interpretacin
Si R = 1, quiere decir que existe una correlacin uno a uno.
ej. 100% de la variacin la aclara la ecuacin de regresin.
Esta sera la ms fuerte correlacin posible.
Si R = 0, quiere decir que NADA de la variacin la explica
la ecuacin de regresin. Entonces, NO existe correlacin.
2
102
Anlisis de Regresin
REGRESION NO LINEAL
Linea recta
y = a + bx
x
Curva exponencial y = ae
(a>0)
bx
x
y
Curva logaritmica
y = a + b lnx
x
y
Curva de poder
(a>0)
y = ax
b
x
Anlisis de Regresin
Los coeficientes de regresin a y b pueden ser encontrados resolviendo el
Siguiente sistema de ecuaciones lineales por medio de la triangular superior
Xi
Xi
2
Xi
Yi
Yi Xi
Xi
Yi
Lineal
Xi
Yi
Exponencial
Ln a
Xi
Ln Yi
Logaritmica
Ln Xi
Yi
C. De poder
Ln a
Ln Xi
Ln Yi
104
Anlisis de Regresin
EJEMPLOS
1.-Ajustar el siguiente conjunto de datos a una curva exponencial
Solucin
Xi
.72 1.31 1.95 2.58 3.14
a = 3.46
Yi 2.16 1.61 1.16
.85 0.5
b = - 0.58
2.-Ajustar los siguientes datos a una curva logaritmica
Solucin
Xi
3
4
6
10
12
a = - 47.02
Yi
1.5
9.3
23.4
45.8
60.1
b = 41.39
3.-Ajustar los siguientes datos a una curva de poder
X
Y
10
12 15
17
20
22
25
27 30
32 35
0.95 1.05 1.25 1.41 1.73 2.00 2.53 2.98 3.85 4.59 6.02
Solucin a = 0.03
b = 1.46
HTAS. BASICAS
105
SUMA =
Xi
Yi
LnYi
Xi2
XiLnYi
.72
2.16
0.770
0.5184
0.5544
1.31
1.61
0.476
1.7161
0.6235
1.95
1.16
0.148
3.8025
0.2886
2.58
0.85
-0.162
6.6564
-0.4179
3.14
0.5
-0.693
9.8596
-2.1760
9.70
6.28
0.539
22.553
-1.1274
n
Xi
HTAS. BASICAS
Xi
Ln Yi
2
Xi
XiLnYi
106
5
9.70
9.70
3.712 b = -2.1730
0.539
b = -0.585
22.53 -1.1274
1.94 0.1078
0.
3.712 -2.1730
Ln a = 0.1078 + 1.135
Ln a = 1.2428
a = antiLn (1.2428)
a = 3.46
Y = 3.46
-0.58 X
HTAS. BASICAS
107
MODULO
CONTROL ESTADISTICO
DEL PROCESO (SPC)
STATISTICAL PROCESS CONTROL
UNIDAD III
GRAFICAS DE CONTROL
M.C. ROLANDO DEL TORO WALS
GRAFICAS DE CO
108
3.-GRAFICAS DE CONTROL
Dr. Walter Shewhart
Laboratorios Bell ~1920
Fu el primero en hacer la distincin entre variacin controlada y nocontrolada debida a causas comunes y especiales.
Desarroll las grficas de control para separar las dos causas.
Es la nica herramienta que distingue entre causas especiales y causas
comunes de la variacin.
Qu es una Grfica de
Control?
Es la representacin grfica de una caracterstica de un proceso.
Representa a un proceso mostrando si solo estn presentes causas
comunes de variacin.
Le dice si algo est cambiando en su proceso y en que momento
est sucediendo tal cambio.
No le dice que est causando el cambio y si este es bueno o
malo.
GRAFICAS DE CO
109
Aplicaciones Bsicas de
las
Grficas de Control
Asisten al determinar si un proceso ha estado operando dentro de
control estadstico.
Separan las causas comunes de variacin de las causas especiales de
variacin.
Ayudan a lograr y mantener control estadstico.
GRAFICAS DE CO
110
Salida
Proceso
Sistema de
Medicin
4. Verificar y
Observar
1. Detectar la
Causa Asignable
3. Implantar
Accin Correctiva
2. Identificar la
Causa Raz
HTAS. BASICAS
111
615
UCL=613.6
Sample Mean
Media
605
X=599.1
595
585
LCL=584.6
0
Lmite de Control
Inferior
10
20
Sample Number
GRAFICAS DE CO
112
UCL
LCL
0
( + 3 Sigma)
Zone A
( + 2 Sigma)
Zone B
( + 1 Sigma)
Zone C
( -1 Sigma)
Zone C
( - 2 Sigma)
Zone B
( - 3 Sigma)
Zone A
10
20
GRAFICAS DE CO
113
HTAS. BASICAS
114
HTAS. BASICAS
115
La respuesta...
Una de las principales razones del por qu se hacen y se utilizan las
grficas de control, es para identificar causas especiales de
variacin. Usaremos diferentes estrategias para reducir la variacin
dependiendo de si la variacin es comn o especial.
HTAS. BASICAS
116
HTAS. BASICAS
117
.
2) Disgregacin - dividir un proceso en sus componentes y
estudiar la variacin en cada paso del proceso. Se relaciona
muy seguido con estudios de capacidad y de rendimiento. Los
Diagramas de Flujo, los histogramas, y las grficas de pareto
son muy tiles al desintegrar los datos.
HTAS. BASICAS
118
3) Experimentacin - cambiando algunos factores en diferentes niveles y analizando los resultados y los efectos. La Experimentacin puede resultar costosa y lo comn es que se intente nicamente despus de haber
hecho la estratificacin y/o la disgregacin.
Otros conceptos...
1) La Regla de los 5 Por qu.
2) Lmites de Control vs. Lmites de Especificacin.
1)
2)
3)
4)
5)
HTAS. BASICAS
119
GRAFICAS DE CO
120
GRAFICAS DE CO
121
Atributos
Defectos
rea de oportundad
constante de muestra a
muestra?
Grficar defectos
o defectivos?
Si
Defectivos
Individuales
Mediciones
individuales o
subgrupos?
Medicin a
Subgrupos
c,u
Datos normalmente
distribuidos?
No
Si
Si la media es grande, X y Rm
son efectivas tambin
No
Tamao del
subgrupo constante?
Si
p, np
Inters
principal en cambios
bruscos de la
media?
X, Rm
No
MA, EWMA,
o CUSUM
y Rm
Si
Xbarra-R
No
Si ni n ni p son pequeas;
X barra-R, y X-Rm son
efectivas tambin
GRAFICAS DE CO
122
Muestreo
Tamao de la Muestra
Grfica de variables: 5 si es posible por cada muestra de 30 a 40
muestras
Grfica de atributos : 30 o ms dependiendo de los porcentajes
Frecuencia de la Muestra
No demasiadas (muy costoso)
No muy poquitas (la informacin no es confiable)
Como regla general: mientras ms seguido, es mejor
Los sistemas de medicin en-lnea ofrecen control del proceso en el
tiempo real
Subgrupos racionales
Trate de capturarlos cuando los factores clave de un proceso son
consistentes
Si se hace correctamente, un subgrupo racional para un proceso en
control reflejar unicamente variacin de causas comunes
GRAFICAS DE CO
123
GRAFICAS DE CO
124
GRAFICAS DE CO
125
1
p
1
p
1
0.0027
= 370
GRAFICAS DE CO
126
LCL
n=3
n = 10
n = 25
GRAFICAS DE CO
127
GRAFICAS DE CO
128
X-barra
Mide el objetivo o el centro del proceso
Verifica el cambio en la Media de la variable a travs del tiempo
Individuales
Similar a la X-barra
Grafica puntos individuales en lugar de la Media
Mediana
Similar a la X-barra
Grafica todos los puntos en la muestra y el punto de enmedio se
encierra en un crculo
Rango
Se usa con la grfica X-barra
Verifica la variabilidad del proceso a travs del tiempo
Mide la ganancia o prdida de uniformidad
Sigma
Similar a la grfica de Rango
Usa la estimacion de Sigma de la muestra
Rango Mvil
Similar a la grfica de Rango
Se grafica un rango nuevo con cada punto consecutivo
Se usa con la grfica individual
GRAFICAS DE CO
129
Sumario
Grficas de Control de Variables
Tipo de Grfica
Propsito
Aplicacin
Cuando se pueden muestrear ms
de 1 unidad cada vez
Rango (R)
Observar el promedio
de una caracterstica
a travs del tiempo
Observar la
variabilidad de una
caracterstica /tiempo
Desviacin
Estndar (S)
Observar la
variabilidad de una
caracterstica /tiempo
Observar la
variabilidad de una
caracterstica
individual a
travs del tiempo
Promedio (X)
Individual y
Rango Movible
(I - MR)
Exponencialmente
Balanceada Prom.
Movible (EWMA)
Suma acumulativa
(CUSUM)
Se usa en aplicaciones
especiales
Tamao del
Subgrupo
n 2
3n8
n9
n=1
Comentarios
Insensible a los cambios menores que 2 Sigma
cuando: n = 4 a 6
Ninguno
n>1
n>1
GRAFICAS DE CO
130
PRIMER PASO:
DECISION DE LA CONSTRUCCION DE LA GRAFICA INCLUYENDO:
LOS OBJETIVOS A CONSEGUIR
ELECCION DE LA VARIABLE
ELECCION DEL TAMAO Y FRECUENCIA DE
OBTENCION DE LOS DATOS
GRAFICAS DE CO
131
METODO DE REGISTRO
INSTRUMENTO Y METODO DE MEDICION
GRAFICAS DE CO
132
En
En lugar
lugar de
de ver
ver todas
todas las
las salidas
salidas del
del proceso
proceso (puntos),
(puntos),
supongamos
supongamos que
que nicamente
nicamente nos
nos podemos
podemos dar
dar
el
el lujo
lujo de
de ver
ver una
una muestra
muestra de
de n=3
n=3 por
por hora
hora
10 10.5
Y = Peso (lbs)
9.5
10 10.5
Y = peso (lbs)
9.5
= Medida individual
= Promedio del subgrupo
GRAFICAS DE CO
133
Grfica
Grfica de
de Rango:
Rango:
R=1.0
R=0.5
Rango (ancho)= R=1.5
Y = Peso (lbs)
Grfica de Rango
R=1.0
GRAFICAS DE CO
134
Promedios:
Promedios:
Y = Peso (lbs)
Grfica X-barra
UCL
Linea Central
LCL
GRAFICAS DE CO
135
2do. PASO:
CALCULAR PARA CADA SUBGRUPO
X y R
X = X i = X 1 + X 2 + ...........X
n
R = R
K
= R 1 +R
+ ..............R
GRAFICAS DE CO
136
LSC R = D4 R
LIC R = D3 R
X = X i = X1 + X 2 + .............X
K
K
4to. PASO
CALCULAR LOS LIMITES DE CONTROL PARA LA GRAFICA DE MEDIAS O
PROMEDIOS
LSC
=X+A
LIC X =BASICAS
XA2R
HTAS.
137
Especificacin:
1.42
1.92
LSC = X +( A 2 R ) =
1.797
LIC =XX- +(
( AA22R)
R =) =
1.654
X
LS E 1.96
1.92
1.88
1.84
LS C 1.80
1.76
1.72
1.68
LIC 1.64
1.60
1.56
1.52
1.48
1.44
LIE 1.40
1
R =Promedio de R=
10
0.105
11
12
13
14
LSCR = D4 R =
15
16
17
18
19
20
0.221
21
22
23
24
25
LICR = D3 R =
26
27
28
29
30
R
LSC
0.28
0.24
0.20
0.16
0.12
0.08
0.04
0.00
2
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
LECTURAS
1.82
1.74
1.68
1.75
1.74
1.74
1.78
1.70
1.70
1.72
1.76
1.75
1.75
1.77
1.69
1.72
1.75
1.74
1.75
1.73
1.69
1.71
1.77
1.74
1.76
1.75
1.73
1.75
1.73
1.78
1.79
1.66
1.66
1.69
1.75
1.76
1.78
1.68
1.68
1.65
1.76
1.74
1.69
1.70
1.71
1.68
1.68
1.74
1.82
1.59
1.72
1.67
1.74
1.75
1.76
1.61
1.69
1.71
1.69
1.75
1.67
1.76
1.72
1.64
1.78
1.73
1.68
1.78
1.75
1.65
1.74
1.77
1.66
1.75
1.74
1.62
1.78
1.73
1.71
1.75
1.74
1.63
1.75
1.71
1.65
1.72
1.76
1.65
1.73
1.74
1.78
1.65
1.79
1.78
1.77
1.73
1.79
1.63
1.74
1.72
1.67
1.77
1.71
1.64
1.74
1.77
1.78
1.74
1.72
1.69
1.71
1.73
1.73
1.72
1.76
1.66
1.71
1.76
1.72
1.77
1.69
1.80
1.72
1.75
1.65
1.76
1.76
1.75
1.73
1.75
1.77
1.77
1.71
1.77
1.70
1.76
1.64
1.76
1.72
1.76
1.69
1.75
1.65
1.80
1.71
1.78
1.72
1.74
1.63
1.78
X
R
1.75
1.72
1.71
1.72
1.74
1.74
1.76
1.71
1.72
1.70
0.15
0.15
0.13
0.14
0.13
0.03
0.11
0.15
0.07
0.10
GRAFICAS DE CO
1.74
1.76
1.70
1.73
1.72
1.71
1.73
1.74
1.74
1.70
1.71
1.70
1.73
1.74
1.73
1.70
1.72
0.10
0.03
0.09
0.13
0.05
0.15
0.14
0.03
0.11
0.17
0.05
0.12
0.12
0.09
0.11
0.17
0.07
138
1.72
1.70
1.76
0.11
0.10
0.04
GRAFICAS DE CO
139
A2
A3
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
1.880
1.023
0.729
0.577
0.483
0.419
0.373
0.337
0.308
0.285
0.266
0.249
0.235
0.223
0.212
0.203
0.194
0.187
0.180
0.173
0.167
0.162
0.157
0.153
2.659
1.954
1.628
1.427
1.287
1.182
1.099
1.032
0.975
0.927
0.886
0.850
0.817
0.789
0.763
0.739
0.718
0.698
0.680
0.663
0.647
0.633
0.619
0.606
Ms de 25
3
n
A6
1.187
0.691
0.509
0.412
0.350
1 -
B3
B4
c4
d2
d3
d4
D3
D4
D5
D6
E2
0.000
0.000
0.000
0.000
0.030
0.118
0.185
0.239
0.284
0.321
0.354
0.382
0.406
0.428
0.448
0.466
0.482
0.497
0.510
0.523
0.534
0.545
0.555
0.565
3.267
2.568
2.266
2.089
1.970
1.882
1.815
1.761
1.716
1.679
1.646
1.618
1.594
1.572
1.552
1.534
1.518
1.503
1.490
1.477
1.466
1.455
1.445
1.435
0.7979
0.8862
0.9213
0.9400
0.9515
0.9594
0.9650
0.9693
0.9727
0.9754
0.9776
0.9794
0.9810
0.9823
0.9835
0.9845
0.9854
0.9862
0.9869
0.9876
0.9882
0.9887
0.9892
0.9896
1.128
1.693
2.059
2.326
2.534
2.704
2.847
2.970
3.078
3.173
3.258
3.336
3.407
3.472
3.532
3.588
3.640
3.689
3.735
3.778
3.819
3.858
3.895
3.931
0.853
0.888
0.880
0.864
0.848
0.833
0.820
0.808
0.797
0.787
0.778
0.770
0.762
0.755
0.749
0.743
0.738
0.733
0.729
0.724
0.720
0.716
0.712
0.709
0.954
1.588
1.978
2.257
2.472
2.645
2.791
2.915
3.024
3.121
3.207
3.285
3.356
3.422
3.482
3.538
3.591
3.640
3.686
3.730
3.771
3.811
3.847
3.883
0.000
0.000
0.000
0.000
0.000
0.076
0.136
0.184
0.223
0.256
0.283
0.307
0.328
0.347
0.363
0.378
0.391
0.403
0.415
0.425
0.434
0.443
0.451
0.459
3.267
2.574
2.282
2.114
2.004
1.924
1.864
1.816
1.777
1.744
1.717
1.693
1.672
1.653
1.637
1.622
1.608
1.597
1.585
1.575
1.566
1.557
1.548
1.541
0.000
0.000
0.000
0.000
0.000
0.078
0.139
0.187
0.227
3.865
2.745
2.375
2.179
2.055
1.967
1.901
1.850
1.809
2.660
1.772
1.457
1.290
1.184
1.109
1.054
1.010
0.975
3
2n
1 +
3
2n
GRAFICAS DE CO
140
Una persona de la empresa X quiere conocer el comportamiento de su proceso, en el cual se construye una barra esp
cliente es de 30 +/- 0.25, para lo cual determino obtener 25 subgrupos de tamao 5 de acuerdo con la siguiente tabla:
SUB.DATO 1
1 30.005
2 30.019
3 30.001
4 30.056
5 30.014
6 30.099
7 29.945
8 29.979
9 29.991
10 29.993
11 29.964
12 29.949
13 29.974
14 30.043
15 29.980
16 29.890
17 30.201
18 29.930
19 30.059
20 29.946
21 29.935
22 29.944
23 30.201
24 29.977
25 30.060
X
29.970
30.026
30.044
30.000
29.946
30.045
29.951
30.007
29.985
30.045
30.011
30.006
30.012
29.989
30.023
29.999
30.051
30.040
30.011
29.977
30.016
29.981
30.064
29.999
29.981
R
0.167
0.148
0.131
0.125
0.233
0.086
0.225
0.224
0.099
0.109
0.162
0.114
0.123
0.151
0.140
0.287
0.226
0.200
0.164
0.080
0.180
0.239
0.241
0.164
0.132
COLUMNAS MANEJO/RESULTADOS
(# Subgrupos). K = 25.0
(Tamao Subgrupo). n= 5.0
X s = 750.178
R s = 4.150
X = 30.007
R = 0.166
A2 = 0.580
D4 = 2.110
D3 = 0
d2 = 2.330
LSCx = 30.103
Lim. X LICx = 29.911
LCx = 30.007
LSCr = 0.350
Lim. R LICr = 0
LCr = 0.166
S* = 0.0712
Especificacin Cliente = 30 +/- 0.25
LSE = 30.250
LIE = 29.750
Cp = 1.17
Zlse = 3.41
Zlie = 3.61
Zmin = 3.41
Cpk = 1.14
Sn-1 = 0.0727
X n-1 = 30.002
PP = 1.15
Zlse = 3.4
Zlie = 3.5
Zmin = 3.4
PPk= 1.1
GRAFICAS DE CO
141
Grfica X
30.3
FORMULAS:
Limites en X:
LSCx = X + (A2 x R).
LICx = X - (A 2 x R).
LCx = X
30.2
30.1
Limites en R:
LSCr = D4 x R
LICr = D3 x R
LCr = R
29.8
29.7
29.6
25
23
21
19
17
15
13
11
29.5
Cpk = Zmin / 3.
29.9
ZLSE = (LSE - X ) / S*
ZLIE = (X - LIE) / S*
30
X Promedio
S* = R/d2
Cp = (LSE - LIE) / (6 x S*)
Muestra
LSE
LSC
GRAFICAS DE CO
LC
LIC
LIE
142
Grfica R
0.400
0.350
0.250
0.200
0.150
0.100
0.050
Muestra
R
LSC
GRAFICAS DE CO
LC
LIC
143
25
23
21
19
17
15
13
11
0.000
1
Rango
0.300
GRAFICAS DE CO
144
(1)
(1) Muestran
Muestranlos
losdatos
datosun
un
comportamiento
comportamiento claramente
claramente
diferente
diferenteal
alpasado?
pasado?
S
(2)
(2) Se
Seconoce
conocela
larazn
raznde
deeste
este
cambio?
cambio?
S
No
No
(3)
(3) Es
Esdeseable
deseableel
elnuevo
nuevoproceso?
proceso?
S
(4)
(4) Esperamos
Esperamosque
queel
elnuevo
nuevocomportamiento
comportamiento
contine?
contine?
S
No
Nonecesitamos
necesitamos
lmites
lmitesnuevos
nuevos
Usted
Usteddebera
debera
buscar
buscarcausas
causas
asignables
asignablesen
enlugar
lugar
de
andarle
de andarle
moviendo
moviendoaalos
los
lmites.
lmites.
No
Est
Estbien
bienrevisar
revisarlos
loslmites
lmitesbasados
basadosen
enlos
losdatos
datos
recolectados
desde
el
cambio
en
el
recolectados desde el cambio en el
GRAFICAS
DE CO
comportamiento
del
comportamiento
delproceso.
proceso.
145
Prom
Disper Prom
Disper
Estable
Estable
??
S
S//No
No
146
Prom
Estable
Estable
??
S
S//No
No
SI
NO
NO
NO
NO
Disper Prom
SI
SI
Disper
SI
Grfica
GrficaXX
Grfica
GrficaRR
GRAFICAS DE CO
147
Prom
Estable
Estable
??
S
S//No
No
Grfica
GrficaXX
Grfica
GrficaRR
SI
NO
NO
NO
NO
Disper Prom
SI
SI
Disper
SI
DENTRO
FUERA
FUERA
DENTRO
FUERA
FUERA
DENTRO
DENTRO
GRAFICAS DE CO
148
Mitos
Mitos comunes
comunes del
del SPC
SPC
Mito#1
Mito#1
Los
Losdatos
datosdeben
debenestar
estardistribuidos
distribuidosnormalmente
normalmentepara
parausar
usaruna
unagrfica
grficade
decontrol
control
Mito#2
Mito#2
Los
Losdatos
datosdeben
debende
deestar
estaren
encontrol
controlantes
antesde
decolocarse
colocarseen
enuna
unagrfica
grficade
decontrol
control
Mito#3
Mito#3
los
losdatos
datosque
queestn
estnen
encontrol
controlen
enuna
unagrfica
grficaestarn
estarnnormalmente
normalmentedistribuidos
distribuidos
Mito#4
Mito#4
Las
Lasgrficas
grficasde
decontrol
controlfuncionan
funcionandebido
debidoalalTeorema
Teoremadel
delLmite
LmiteCentral
Central
Mito#5
Mito#5
Las
Lastcnicas
tcnicasde
dePre-Control
Pre-Controlson
sontan
tanpoderosas
poderosascomo
comouna
unagrfica
grficade
decontrol
control
Mito#6
Mito#6
El
ElSPC
SPCdebera
deberade
deusarse
usarsenicamente
nicamentealalllegar
llegaraalalaFase
FaseIV:
IV:Control
Controldel
delProceso.
Proceso.
GRAFICAS DE CO
149
Fase
FaseI:
I: Medicin
Medicindel
delProceso
Proceso
MITO:
El SPC debera de usarse
nicamente al llegar a la Fase IV:
Control del Proceso.
Fase
FaseII:
II: Anlisis
Anlisisdel
delProceso
Proceso
Fase
FaseIII:
III: Mejora
Mejoradel
delProceso
Proceso
Fase
FaseIV:
IV: Control
Controldel
delProceso
Proceso
GRAFICAS DE CO
150
GRAFICAS DE CO
151
UCL
LCL
0
10
15
Tendencia:
Movimiento continuo en una direccin. Las tendencias son ocasionadas
usualmente por el desgaste gradual de una herramienta o el deterioro de
algn otro componente crtico del proceso. Las tendencias pueden
resultar tambin por las influencias de la estacin del ao, tales como
temperatura.
GRAFICAS DE CO
152
UCL
LCL
0
10
20
Observation Number
Mezcla:
Se observa que la mayora de los puntos tienden a caer muy cerca de
los lmites de control, y relativamente pocos cerca de la lnea central.
Una condicin de mezcla la generan dos o ms distribuciones que se
traslapan generando la salida del proceso. La severidad de este modelo
depende de qu tanto se traslapen las distribuciones. Algunas veces la
mezcla es el resultado de un sobre-control, donde los operadores
hacen demasiados ajustes al proceso muy frecuentemente respondiendo
a la variacin normal en lugar de reaccionar a las causas asignables
unicamente.
GRAFICAS DE CO
153
LCL
0
10
20
Observation Number
Estratificacin:
Los puntos graficados tienen la tendencia a agruparse cerca de la lnea
central.
Una causa potencial de la estratificacin es el clculo incorrecto de los lmites
de control. Tambin puede ser que el proceso ha mejorado y su distribucin
ya es ms angosta. De cualquier forma, se deben recalcular los lmites de
control.
GRAFICAS DE CO
154
LCL
0
10
20
Observation Number
GRAFICAS DE CO
155
UCL
LCL
0
10
20
Observation Number
Patrn Cclico:
Se observan ciclos repetidos en la grfica. Esta configuracin puede ser
el resultado de un cambio sistemtico como temperatura, fatiga del
operador, rotacin regular de operadores y/o mquinas, fluctuaciones
de voltaje o presin, etc...
GRAFICAS DE CO
156
GRAFICAS DE CO
157
X=
s=
158
n=
n 1 + n2 + n3 + + n k
k
A1=
n
CINCO.- CALCULAR EL FACTOR B
B4 = 1 +
2n
3
2n
GRAFICAS DE CO
159
LSCX = X + A1S
LICX = X - A1S
NUEVE.- OBTENER LOS LIMITES DE CONTROL PARA S
LSCS = B4S
LICS = B3S
GRAFICAS DE CO
160
1,
2,
3,
4,
5.
1,
2,
3,
4,
5,
6,
7.
1,
8,
2,
9.
3,
4,
5,
6,
7,
X= X1 + X2 + X3 + + Xn
n
GRAFICAS DE CO
161
R = R1 + R
+R
n
++R
LSC m = X + A6 R
LIC
= X A6 R
m
LSC = D4 R
LIC = D3 R
GRAFICAS DE CO
162
Rm= Xi
GRAFICAS DE CO
Xi-1
163
= R1 +R2 + . . . . . . Rk-1
K-1
4.-Calcular los limites de control para la grafica
m
LC= X
LSC=X + 2.66 Rm
LIC=X 2.66 Rm
HTAS. BASICAS
164
Ejemplo
La pureza de un producto qumico se mide cada hora.
La tabla siguiente presenta las determinaciones de pureza
de las ultimas 14 horas
Obs.
1
2
3
4
5
6
7
Pureza
81
83
82
80
84
76
83
Obs.
8
9
10
11
12
13
14
Pureza
79
82
75
80
83
86
84
GRAFICAS DE CO
165
Si =
J=1
el nmero de
(Xj - o ) Contra
Muestra i
GRAFICAS DE CO
166
SUMCUM
Si es la suma acumulada hasta la i-sima muestra inclusive, combinando
la informacion de varias muestras.
Las graficas SUMCUM son particularmente eficaces con muestras
de tamao n=1. Esto hace que sea conveniente emplearla en industrias
quimicas y de procesos, donde es frecuente que los subgrupos
racionales sean de tamao uno, asi como en la fabricacion de partes
discretas con medicin automatica en cada una de ellas y en el control
en linea utilizando microcomputadoras, directamente en el centro de
Trabajo.
Si el proceso permanece bajo control en el valor deseado o, la suma
acumulada debe fluctuar alrededor de cero. Sin embargo si la media
se desplaza hacia arriba, aparecer entonces un corrimiento hacia
arriba o positivo. Si la media se desplaza hacia abajo el corrimiento
sera hacia abajo o negativo, por lo tanto si tenemos una tendencia
en los puntos deber considerarse como una evidencia de que la media
del proceso se ha desplazado, con lo que debe emprenderse la
busqueda de una cusa asignable o especial.
GRAFICAS DE CO
167
Ejemplo:
Considere una muestra de 20 observaciones de concentracion
en la salida de un proceso quimico. Las observaciones se toman a
intervalos de una hora, si el valor deseado para la concentracin
Es o = 99
Si =
SO = 0
(X j 99)
J=1
i-1
= (X j 99) +
J=1
(X j 99)
= (X j 99) + Si-1
GRAFICAS DE CO
168
Observacion i
1
Xi
X i 99
Si = (X i 99) +Si-
102.0
3.0
3.0
94.8
-4.2
-1.2
98.3
-0.7
-1.9
98.4
-0.6
-2.5
102.0
3.0
0.5
98.5
-0.5
0.0
99
0.0
0.0
97.7
-1.3
-1.3
100.0
1.0
-0.3
10
98.1
-0.9
-1.2
11
101.3
2.3
1.1
12
98.7
-0.3
0.8
13
101.1
2.1
2.9
14
98.4
-0.6
2.3
15
97.0
-2.0
0.3
16
96.7
-2.3
-2.0
17
100.3
1.3
-0.7
18
101.4
2.4
1.7
19
97.2
-1.8
-0.1
20
HTAS. BASICAS
101.0
2.0
1.9
169
GRAFICAS DE CO
170
p
o
GRAFICAS DE CO
171
GRAFICAS DE CO
172
GRAFICAS DE CO
173
GRAFICAS DE CO
174
GRAFICAS DE CO
175
Terminologa y Smbolos
n = tamao de la muestra
k = nmero de grupos de muestras
s = desviacin estndar (muestra y poblacin)
Grfica np
np = nmero promedio de defectivos
Grfica p
p = promedio de fraccin defectiva
P = promedio de porciento defectivo
Grfica c
c = nmero promedio de defectos
Grfica u
u = nmero promedio de defectos por unidad
n = tamao promedio de la muestra
GRAFICAS DE CO
176
Sumario
Grficas de Control de Atributos
Tipo de
Grfica
Nmero de
Defectivos (np)
Propsito
Aplicacin
Observar el # de
defectivos en
un subgrupo
# Unidades
rechazadas
Fraccin
Defectiva (p)
Revisar la fraccin
de defectivos
en un subgrupo
Tamao del
Subgrupo
Comentarios
Nmero de
Defectos por
Subgrupo (c)
Verifica el # de
defectos en
un subgrupo.
# Promedio de
Defectos por
Unidad (u)
Observa el #
promedio de
defectos en
una unidad
GRAFICAS DE CO
177
Distribucin Binomial
Se aplica cuando estamos evaluando
defectivos.
Las grficas p y np se basan en sta
distribucin.
Existe una medida de tendencia central
(promedio de fraccin defectiva = p, np) y una
medida de variabilidad (desviacin estndar).
Evala las partes y las separa en categoras
de aceptado/no aceptado con un proceso
estable y la fraccin defectiva conocida (p).
GRAFICAS DE CO
178
GRAFICAS DE CO
179
i=1
i=1
np
p =
np
np =
i=1
LSCnp = np + 3
np (1-p)
LICnp = np - 3
np (1-p)
GRAFICAS DE CO
180
GRAFICAS DE CO
181
Sample Count
10
UCL=9.870
5
NP=4.040
LCL=0.000
0
10
15
20
25
Sample Number
GRAFICAS DE CO
182
GRAFICA No.______________
GRAFICA DE ATRIBUTOS ( )
DEPARTAMENTO:________________
ATRIBUTO:______________________________
PRODUCTO: _____________________
____________________________
FECHA
GRAFICAS DE CO
183
GRAFICAS DE CO
184
GRAFICAS DE CO
185
P=
X
n
C) CALCULAR LA MEDIA DE P
P=
n =es el tamao de la
muestra que es variable
n1 P1 + n2 P2 + + nk Pk
n1 + n2 + + nk
n = n1+n2+..........nk
HTAS. BASICAS K
186
SI EL TAMAO DEL SUBGRUPO VARIA FUERA DE +/25% CON RESPECTO DEL TAMAO PROMEDIO,
ENTONCES PARA CADA SUBGRUPO SE DEBERA
CALCULAR LOS LIMITES DE CONTROL.
TENEMOS COMO LIMITES DE TAMAO DE MUESTRA
LS = n + 25%
LI = n - 25%
LSCp = P + 3
P (1-P)
n
LICp = P - 3
P (1-P)
GRAFICAS DE CO
187
Tiempo
0.06
UCL=0.05616
Proportion
0.05
0.04
P =0.03240
0.03
0.02
0.01
LCL=0.008645
0.00
0
10
15
20
25
Sample Number
GRAFICAS DE CO
188
GRAFICAS DE CO
189
c=
LSCc = c + 3
c
i=1
n =Es el numero de
muestras inspeccionadas
c
GRAFICAS DE CO
LICc = c - 3
c
190
EJEMPLO DE GRAFICO C
La siguiente tabla muestra el numero de defectos en una
muestra de 5 piezas de circuito impreso. Determinar los
limites de control para una grafica c
MUESTRA
NUM. DE
DEFECTOS
MUESTRA
NUM. DE
DEFECTOS
1
2
3
4
5
6
7
8
9
10
6
4
8
10
9
12
16
2
3
10
11
12
13
14
15
16
17
18
19
20
9
15
8
10
8
2
7
1
7
13
GRAFICAS DE CO
191
GRAFICAS DE CO
192
C
U=
n
Si existen m muestras
preliminares y el numero
de defectos por unidad es
U1,U2..........Um
Podemos calcular
U
GRAFICAS DE CO
193
U=
U1+U2+.........Um
m
LSC= U+3 / U
n
LIC= U-3
/ Un
LC= U
Donde n es el promedio de las muestras
GRAFICAS DE CO
194
EJEMPLO DE GRAFICO U
Construir una grafica de control U para los datos de defectos
en las tarjetas de circuito impreso considerando que cada
muestra consta de 5 tarjetas de circuito los datos
respectivos se dan en la siguiente tabla
MUESTRA
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
TAMAO DE LA
MUESTRA
NUMERO DE
DEFECTOS C
5
5
5
5
5
5
5
5
5
5
5
5
5
5
5
GRAFICAS DE CO
6
4
8
10
9
12
16
2
3
10
9
15
8
10
8
195
3 Familias de grficas:
Muestra
Muestra#1
#1
Grfica P
Muestra
Muestra#2
#2
Muestra
Muestra#3
#3
Muestra
Muestra#4
#4
Rechazo
Aceptado
Rechazo
ATRIBUTOS
ATRIBUTOS
Hay
Hayburbujas?
burbujas?
(Aceptar/Rechazar)
(Aceptar/Rechazar)
Grfica C
Rechazo
Cantidad
Cantidadde
de
Burbujas
Burbujas
VARIABLES
VARIABLES
Grfica X-Barra - R
Dimetro
Dimetrode
de
la
laburbuja
burbuja
X1 = 12.2
X2 = 11.1
X3 = 13.3
X1 = 12.2
GRAFICAS DE CO
X1
X2
X3
X4
=
=
=
=
196
12.2
11.1
13.3
13.3
Grfica P
Muestra#1
Muestra#1
Muestra#2
Muestra#2
Muestra#3
Muestra#3
Muestra#4
Muestra#4
Rechazo
Aceptado
Rechazo
3 Familias de datos
3 Familias de grficas
ATRIBUTOS
ATRIBUTOS
Hay burbujas?
Hay burbujas?
(Aceptar/Rechazar)
(Aceptar/Rechazar)
Rechazo
Grfica C
Muestra #1
Muestra #2
Muestra #1
Muestra #2
Muestra #3
Muestra #4
Muestra #3
Muestra #4
Nmero de
Nmero de
burbujas
burbujas
2
4
Muestra #1
Muestra # 2
Muestra #3
Muestra #1
Muestra # 2
Muestra #3
VARIABLES
VARIABLES
Grfica X-Barra -R
Muestra #4
Muestra #4
LCL
TIEMPO
X1 = 12.2
X2 = 11.1
X3 = 13.3
UCL
LCL
TIEMPO
GRAFICAS DE CO
X1 = 12.2
Dimetrode
de
Dimetro
laburbuja
burbuja
la
UCL
#deburbujas
burbujas
#de
%Rechazado
%Rechazado
Dimetro de
Dimetro de
la burbuja
la burbuja
X1
X2
X3
X4
=
=
=
=
12.2
11.1
13.3
13.3
UCL
LCL
TIEMPO
197
m
e
i
T
GRAFICAS DE CO
po
m
e
i
T 198
Cmo
Cmoprogresamos
progresamoshacia
haciaLa
LaMeta
Meta
FASE
FASEDOS
DOS--REPETIBILIDAD
REPETIBILIDAD
- EN CONTROL
- UNICAMENTE VARIACION NATURAL
o
p
m
e
i
T
FASE
FASEUNO
UNO--DESEMPEO
DESEMPEO
- VARIACION (CAUSAS ESPECIALES / NATURALES)
- IMPREDECIBLE (POR HORA, A DIARIO)
- DETECTAR Y ELIMINAR LAS CAUSAS ESPECIALES
GRAFICAS DE CO
199
La Meta es ...
Datos
Datos variables
variables
Datos
Datos de
de atributos
atributos
Objetivo
Objetivo
0%
0%Rechazo
Rechazo
GRAFICAS DE CO
200
Ejercicio:
Ejercicio: Cul
Cul grfica
grfica de
de control
control usara?
usara?
Instrucciones: Identifique la grfica de control ms apropiada para cada
una de las siguientes aplicaciones. Explique por qu la escogi.
GRAFICAS DE CO
201
GRAFICAS DE CO
202
203
MODULO
CONTROL ESTADISTICO
DEL PROCESO (SPC)
STATISTICAL PROCESS CONTROL
UNIDAD IV
ESTUDIOS DE CAPACIDAD DE PROCESO
M.C. ROLANDO DEL TORO WALS
HTAS. BASICAS
204
CAPACIDAD DEL
205
CAPACIDAD DEL
206
Tolerancia Total
6s
Dispersin del
Preguntas
1. Qu significa Tolerancia Total?
2. Qu significa Dispersin del Proceso?
3. De donde vienen las 6 s ?
4. Qu est fijo y qu es variable en la frmula para calcular Cp?
5. Por lo tanto, de qu depende el Cp?
CAPACIDAD DEL
207
Ejercicio #1 de Cp
Supongamos un proceso hipottico, el LSE = 24 y el LIE = 0.
En el mes de Mayo, se juntaron datos y se calcul la
desviacin estndar, s, quedando con un valor de 8 (s = 8).
Calcule el Cp.
Cp = LSE LIE = ___________ =
6S
CAPACIDAD DEL
208
CAPACIDAD DEL
209
CAPACIDAD DEL
Cpk-inferior = x - LIE
3s
210
LSE
Cpk-superior
LIE
Cpk-inferior
CAPACIDAD DEL
211
28
24
20
16
12
8
4
0
CAPACIDAD DEL
212
Total
Cpk =
Cpk-inferior = __________ =
Pregunta:
Cuando calcula el Cpk total, Tiene usted realmente que
calcular ambos el Cpk-superior y el Cpk-inferior? No!
Usted puede saber cual va a ser el menor de los dos.
Cmo?
CAPACIDAD DEL
213
Pregunta:
Aunque la capacidad del proceso ha mejorado, se siente usted
agusto con la habilidad de cumplir con las especificaciones. Por
qu o por qu no? Si no, cul es el problema y qu se
necesita para remediarlo?
CAPACIDAD DEL
214
Total
Cpk =
Cpk-inferior = __________
CAPACIDAD DEL
215
Roja
menor que
3 sigma
Incapaz
entre 3 y En los
lmites 5 sigma
mejorable
mayor que
5 sigma
CAPACIDAD DEL
Capaz
216
MEDIA
GRAFICA
ESTIMADOR
DE
X
X
X
X
X
X-R
X-S
X-R
PARA n
^ =R
^ =R
d2
^ = S
4,5,,6
d2
C4
^ =A R
3
CAPACIDAD DEL
Variable
3,5,,7
217
Una persona de la empresa X quiere conocer el comportamiento de su proceso, en el cual se construye una barra esp
cliente es de 30 +/- 0.25, para lo cual determino obtener 25 subgrupos de tamao 5 de acuerdo con la siguiente tabla:
SUB.DATO 1
1 30.005
2 30.019
3 30.001
4 30.056
5 30.014
6 30.099
7 29.945
8 29.979
9 29.991
10 29.993
11 29.964
12 29.949
13 29.974
14 30.043
15 29.980
16 29.890
17 30.201
18 29.930
19 30.059
20 29.946
21 29.935
22 29.944
23 30.201
24 29.977
25 30.060
X
29.970
30.026
30.044
30.000
29.946
30.045
29.951
30.007
29.985
30.045
30.011
30.006
30.012
29.989
30.023
29.999
30.051
30.040
30.011
29.977
30.016
29.981
30.064
29.999
29.981
R
0.167
0.148
0.131
0.125
0.233
0.086
0.225
0.224
0.099
0.109
0.162
0.114
0.123
0.151
0.140
0.287
0.226
0.200
0.164
0.080
0.180
0.239
0.241
0.164
0.132
COLUMNAS MANEJO/RESULTADOS
(# Subgrupos). K = 25.0
(Tamao Subgrupo). n= 5.0
X s = 750.178
R s = 4.150
X = 30.007
R = 0.166
A2 = 0.580
D4 = 2.110
D3 = 0
d2 = 2.330
LSCx = 30.103
Lim. X LICx = 29.911
LCx = 30.007
LSCr = 0.350
Lim. R LICr = 0
LCr = 0.166
S* = 0.0712
Especificacin Cliente = 30 +/- 0.25
LSE = 30.250
LIE = 29.750
Cp = 1.17
Zlse = 3.41
Zlie = 3.61
Zmin = 3.41
Cpk = 1.14
Sn-1 = 0.0727
X n-1 = 30.002
PP = 1.15
Zlse = 3.4
Zlie = 3.5
Zmin = 3.4
PPk= 1.1
CAPACIDAD DEL
218
Grfica X
30.3
FORMULAS:
Limites en X:
LSCx = X + (A 2 x R).
LICx = X - (A 2 x R).
LCx = X
30.2
30.1
Limites en R:
LSCr = D4 x R
LICr = D3 x R
LCr = R
29.8
29.7
29.6
25
23
21
19
17
15
13
11
29.5
Cpk = Zmin / 3.
29.9
ZLSE = (LSE - X ) / S*
ZLIE = (X - LIE) / S*
30
X Prom e dio
S* = R/d2
Cp = (LSE - LIE) / (6 x S*)
Muestra
LSE
LSC
CAPACIDAD DEL
LC
LIC
LIE
219
Grfica R
0.400
0.350
0.250
0.200
0.150
0.100
0.050
Muestra
R
LSC
CAPACIDAD DEL
LC
LIC
220
25
23
21
19
17
15
13
11
0.000
1
Rango
0.300
La Desviacin Estndar
1
1
LIE
p(d)
TT
LSE
LSE
CAPACIDAD DEL
221
Proceso 3 Sigma
Proceso 3 Sigma
(Normalmente Distribuido)
(Normalmente Distribuido)
Con Desplazamiento de la
Media de 1.5 Sigmas
Espec. Inferior
35
PD=1350 PPM
45
Espec. Superior
55
65
PD=1350 PPM
Espec. Inferior
35
45
PD=3.4 PPM
Espec. Superior
55
65
PD=66800 PPM
PPD ==Probabilidad
Probabilidadde
deDefecto
Defecto
D
CAPACIDAD DEL
222
Proceso 6 Sigma
Proceso 6 Sigma
(Normalmente Distribuido)
(Normalmente Distribuido)
Con Desplazamiento de la
Media de 1.5 Sigmas
Espec. Inferior
20
PD = 1.2X10-9
30
Espec. Superior
40
50
60
70
80
PD = 1.2X10-9
Espec. Inferior
20
30
PD = 1.1X10-13
PD (Total) = 2.4X10-9
40
Espec. Superior
50
60
70
80
PD = 3.4X10-6
PD (Total) = 3.4X10-6
PPD ==Probabilidad
Probabilidadde
deDefecto
Defecto
D
CAPACIDAD DEL
223
La Estrategia .....
LSE
LIE
LSE
LIE
LSE
LIE
Caracteriz
ar
Optimiz
ar
Avanzar
T
LIE
LSE
CAPACIDAD DEL
224
Unidad de Medida
Area de Aceptacin
Lmites de
Desmempeo
Probabilidad
de Defectos
Unidad de Medida
Unidad de Medida
Excelente Capacidad
del Proceso
Mala Capacidad
del Proceso
Muy Alta
Probabilidad
De Defectos
USL
Muy Alta
Probabilidad
De Defectos
LSL
Muy Baja
Probabilidad
De Defectos
USL
CAPACIDAD DEL
Muy Baja
Probabilidad
De Defectos
LSL
225
226
Individual Value
3
2
1
0
X=-0.06915
-1
-2
-3
LCL=-3.262
-4
0
10
20
30
Observation Number
CAPACIDAD DEL
227
UCL=8.436
Individual Value
5
0
X=0.01424
-5
LCL=-8.407
-10
-15
0
100
200
Observation Number
CAPACIDAD DEL
Un estudio de
capacidad a largo
plazo cubre un
perodo
relativamente largo
de tiempo
(semanas, meses)
generalmente
consiste de 100200 datos.
228
Punto a Discusin
1.
2.
3.
CAPACIDAD DEL
229
CAPACIDAD DEL
230
MODULO
ANEXOS QS-9000
UNIDAD V
ANALISIS DEL SISTEMA DE MEDICION
MSA
231
Objetivo
MSA
Operadores
Mtodos de
medicin
ANALISIS DEL SI
232
7.1.- INTRODUCCION
MSA
ANALISIS DEL SI
233
MSA
Cuestiones
Cuestiones Importantes
Importantes para
para preguntar
preguntar
ANALISIS DEL SI
234
Un
proceso:
Entrada
MSA
Proceso
Salida
Partes
(Ejemplo)
Entrada
Proceso
Salida
Observaciones
Medidas
Datos
ANALISIS DEL SI
235
MSA
El
El proceso
proceso de
de medicin
medicin debe
debe de
de ser
ser manejado
manejado como
como
un
un verdadero
verdadero proceso
proceso
Entrada
Proceso
Salidas
Entrada
Proceso de
medicin
Salidas
Partes
(Ejemplo)
Observaciones
Medidas
Datos
Fase
FaseI:
I: Medida
Medidadel
delProceso
Proceso
Fase
FaseII:
II: Anlisis
Anlisisdel
delProceso
Proceso
Fase
FaseIII:
III: Mejoramiento
Mejoramientodel
delproceso
proceso
Fase
FaseIV:
IV: Control
Controldel
delProceso
Proceso
ANALISIS DEL SI
236
MSA
Diagrama
Diagrama del
del
Proceso
Proceso
Diagrama
Diagrama Causa
Causa yy Efecto
Efecto
((Diagrama
Diagramade
dePescado)
Pescado)
3er paso
4to paso
Mtodos de trabajo
Naturaleza
ANALISIS DEL SI
237
MSA
Posibles fuentes de variacin
Partes
(Ejemplo)
Entrada
Proceso Salida
Entrada Proceso de
medicin
Salida
Observaciones
Medidas
Datos
variacin observada
largo plazo
Corto plazo
variacin
variacin de procesovariacin de procesoen
muestreo
Repetibilidad calibracin
Estabilidad
Linealidad
ANALISIS DEL SI
238
MSA
El
El sistema
sistema de
de medicin
medicin puede
puede cambiar
cambiar el
el centro
centro de
de
nuestros
nuestros datos
datos
Partes
(Ejemplo)
Entrada
Proceso
Salida
Entrada
Actual(Part +
e)
El sistema de
medicin est
sesgado
-Determinado
por medio de
estudio de
calibracin
Salida
Proceso de
Medida
Sistema de Medir
Observacione
s
Medidas
Datos
Observado
(Total)
Pro
g
Pro
Avg
Pro
Avg
ANALISIS DEL SI
239
MSA
El
El sistema
sistema de
de medicin
medicin transmitir
transmitir variacin
variacin aa nuestros
nuestros
datos.
datos.
Partes
(Ejemplo)
Entrada
Salida
Proceso
Variabilidad de
producto
Proceso de
Medir
2
Actual(Parte)
Observaciones
Medidas
Datos
Salida
VariabilidadTotal
(Variabilidad
observada)
Variabilidad
de medida
(Variabilidad
actual)
Entrada
2
Sistema de medir
2
Observado
(Total)
Variacin del
sistema de medir
- Investigado a
travs de un
estudio de G
R&R
ANALISIS DEL SI
240
MSA
Posibles fuentes de variacin del proceso
variacin observada
variacin actual
Largo plazo
variacin de medida
Corto plazo
variacin
variacin de procesovariacin de proceso de muestreo
variacin por
gauge
Repetibilidad calibracin
variacin por
operadores
(Reproducibilidad
Estabilidad
Linealidad
Miramos
Miramos aa repetibilidad
repetibilidad yy reproducibilidad
reproducibilidad como
como si
si
fueran
fueran muy
muy seguido
seguido (pero
(pero no
no siempre)
siempre) los
los principales
principales
contribuidores
de
contribuidores
de errores
errores
de medicin
medicin
ANALISIS
DEL SIde
241
MSA
Introduccin
Introduccin al
al Estudio
Estudio de
de G
G R&R
R&R
Observemos los
mtodos usados para
investigar la variacin
de los sistemas de
medir
2
Total
2
Parte a Parte
variacin del
sistema de medir
-Investigado a
travs de
estudios de G
R&R
2
Sistema de medir
ANALISIS DEL SI
242
MSA
Ejercicio:
Ejercicio: El
El estudio
estudio intuitivo
intuitivo de
de GG R&R
R&R
x
x
x
La
La
Marca
Marca
Tres
Tres
Valores
Valoresde
de
medida
medida
Plan
Plande
demuestreo
muestreo#1:
#1:
Un
Unoperador
operadorobtendr
obtendrtres
tres
medidas
medidasen
encada
cadaparte
partedonde
donde
se
seencuentra
encuentrala
lamarca.
marca.
ANALISIS DEL SI
-1 Parte
-1 Operador
-3 Medidas en la
marca
243
MSA
Ejercicio:
Ejercicio: El
El estudio
estudio intuitivo
intuitivo de
de GG R&R
R&R
Dispersin
Dispersin
Observada
Observada
(Desv
(DesvEst)
Est)
x
x
x
Observado=2.0
(Total)
-1 Parte
-1 Operador
-3 Medidas en la marca
La
La desviacin
desviacin estndar
estndar
de
de las
las tres
tres lecturas
lecturas es
es
2.0
2.0
ANALISIS DEL SI
244
MSA
Ejercicio:
Ejercicio: El
El estudio
estudio intuitivo
intuitivo de
de GG R&R
R&R
Dispersin
Dispersin
Observada
Observada
x
x
x
Observado=2.0
(Total)
-1 Parte
-1 Operador
-3 Medidas en la marca
Fuentes
Fuentesde
devariacin
variacin
??
Por
Por qu
qu estas
estas tres
tres lecturas
lecturas no
no son
son
exactamente
exactamente iguales?
iguales?
Cul
Cul clase
clase de
de variacin
variacin est
est
presente
presente --- siempre
siempre yy cuando
cuando que
que
las
las tres
tres medidas
medidas no
no sean
sean iguales?
iguales?
ANALISIS DEL SI
245
MSA
Ejercicio:
Ejercicio: El
El estudio
estudio intuitivo
intuitivo de
de GG R&R
R&R
dispersin
dispersin
observada
observada
Fuentes
Fuentesde
de
variacin
variacin
Relacin
Relacinestadstica
estadstica
(Std.Dev.)
(Std.Dev.)
x
x
x
-1 Parte
-1 Operador
-3 Medidas en la marca
x
x
x
-1 Parte
-3 Operadors
-3 Medidas en la marca
x
x
x
Observado=2.0
(Total)
- Gauge
(Repetibilidad)
2Total = Repet
2
Observado=4.0
(Total)
Observado =6.0
(Total)
-3 Partes
-3 Operadores
-3 Medidas en la marca
(i.e., 1 Medida. por Oper., 1 Parte por Oper.)
ANALISIS DEL SI
246
MSA
Componente Varianza Dev.Estd
de varianza
2
Aislando los
componentes
de varianza
2
Total
2
= Repeat
Repetibilidad
2.00
Operador-aOperador
Parte-a-Parte
12
3.46
20
4.47
Total
36
6.00
2
2
2Total = Repeat
+ Oper
16 =
+ 12
2
2
2
2Total = Repeat
+ Oper
+ Part
36 =
+ 12 + 20
ANALISIS DEL SI
247
MSA
MSA
Componente Varianza Std.Dev.
s2
s
de varianza
Repetibilidad
2.00
Operador-aOperador
Parte-a-Parte
12
3.46
20
4.47
36
6.00
Total
22
Component
Component
2
2Total
Total
Tol=2.00
2
2Total = Repeat
2
2
2Total = Repeat
+ Oper
16 =
+ 12
2
2
2
2Total = Repeat
+ Oper + Part
36 =
+ 12 + 20
% Total
%
Variacin de
Tolerancia
proceso
(%Contribucin)
5.15 (2.00)
4/36 = 11.1%
2.00 = 5.15%
5.15 (3.46)
12/36 = 33.3%
2.00 = 8.90%
5.15 (4.47)
20/36 = 55.5%
2.00 = 11.5%
5.15 (6.00)
36/36 = 100%
2.00 = 15.5%
99%
55..15
15 ((ss
))
Componente
Componente
Tolerancia
Tolerancia
Indice
Indicede
dediscriminacin:
discriminacin:Nmero
Nmerode
decategoras
categoras
distintivas
distintivas
2Total
1 = 2 36 1 = 1.87
= 2 2
2
4 12
Re peat Oper
ANALISIS DEL SI
248
MSA
Todo sistema de medicion esta sujeo a variacion
El diagrama de causa y efecto para la variacion total
en las mediciones es el siguiente
EXACTITUD
ESTABILIDAD
LINEARIDAD
VARIACION
TOTAL DE
LA MEDICION
REPETIBILIDAD
REPRODUCIBILIDAD
ANALISIS DEL SI
249
MSA
7.2.- Anlisis del Sistema de Medicin
El propsito de cualquier anlisis de un sistema de medicin
debe ser la mejor comprensin de las fuentes de variacin que
pueden influir en los resultados que produce el sistema. Esta
comprensin nos permitir cuantificar y comunicar las
limitaciones de un SM especfico.
Como en todo proceso, la distribucin que puede ser usada para
describir la variacin del SM puede ser caracterizada por:
1) Localizacin (Estabilidad, Sesgo o Exactitud, Linearidad)
2) Dispersin (Repetibilidad,Reproducibilidad, Incertidumbre)
Las tcnicas que veremos en este curso suponen que la muestra
o caracterstica a medir no se altere o se destruya durante la
medicin.
ANALISIS DEL SI
250
MSA
ANALISIS DEL SI
251
MSA
Discriminacin del SM
Control
Una sola categora de datos
1 Categora de datos
Puede
ser
usado
para
control slo si
La
VP
es
pequea
comparada
con
las
especificaciones.
- Las principales fuentes de
VP causan cambios bruscos.
Anlisis
Inaceptable para estimar los
parmetros e ndices del
proceso
Slo indica si el proceso
est
produciendo
partes
conformes o no conformes
ANALISIS DEL SI
252
MSA
Discriminacin del SM
Control
- Puede ser usada con
tcnicas
de
control
semivariables basada en la
distribucin del proceso.
- Puede producir grficas
de control insensibles.
Anlisis
Generalmente
inaceptable para estimar
ndices y parmetros del
proceso.
- Slo provee estimaciones
toscas
ANALISIS DEL SI
253
MSA
Discriminacin del SM
5 ms Categoras de datos
ANALISIS DEL SI
254
MSA
Discriminacin del SM
ANALISIS DEL SI
255
MSA
Grficos de control
(truncamiento en la milsima)
LSC = 0.1460
0.145
X = 0.1409
0.140
0.135
Subgrupos 0
Rango
Media de muestra
LIC = 0.1359
10
20
30
0.02
LSC = 0.01857
0.01
R = 0.008781
0.00
LIC = 0
ANALISIS DEL SI
256
MSA
Grficos de control
(truncamiento en la centsima)
Media de muestra
0.145
X = 0.1408
0.140
0.135
Subgrupos 0
Rango
0.02
LIC = 0.1358
10
20
1 1
30
LSC = 0.01850
0.01
R = 0.008750
0.00
LIC = 0
ANALISIS DEL SI
257
MSA
Ejemplo de discriminacin
0.1415
0.1464
0.1344
0.1416
0.1385
0.1415
0.1401
0.1492
0.1395
0.1422
0.1388
0.1392
0.1471
0.1334
0.1419
0.1369
0.1336
0.1369
0.1438
0.1364
0.1466
0.1379
0.1443
0.1353
0.1383
0.1384
0.1375
0.1404
0.1441
0.1411
0.1377
0.1361
0.1416
0.1428
0.1387
0.1419
0.1496
0.1385
0.1362
0.139
0.1468
0.1369
0.1455
0.1379
0.1507
0.1376
0.1377
0.1364
0.1463
0.1401
0.142
0.146
0.134
0.142
0.139
0.142
0.14
0.149
0.14
0.142
0.139
0.139
0.147
0.133
0.142
0.137
0.134
0.137
0.144
0.136
0.147
0.138
0.144
0.135
0.138
0.138
0.138
0.14
0.144
0.141
0.138
0.136
0.142
0.143
0.139
0.142
0.15
0.139
0.136
0.139
0.147
0.137
0.146
0.138
0.151
0.138
0.138
0.136
0.146
0.14
0.14
0.15
0.13
0.14
0.14
0.14
0.14
0.15
0.14
0.14
0.14
0.14
0.15
0.13
0.14
0.14
0.13
0.14
0.14
0.14
0.15
0.14
0.14
0.14
0.14
0.14
0.14
0.14
0.14
0.14
0.14
0.14
0.14
0.14
0.14
0.14
0.15
0.14
0.14
0.14
0.15
0.14
0.15
0.14
0.15
0.14
0.14
0.14
0.15
0.14
ANALISIS DEL SI
258
MSA
Discriminacin en la prctica
Recordar !!!
En las grficas X-R del control estadstico de proceso, en la
grfica de rangos se detectan los problemas de discriminacin
cuando:
1.- Hay pocos valores de rangos (1,2 o 3). Saltos bruscos en la
grfica.
2.- Hay 4 valores de rangos, pero ms de la cuarta parte de
los rangos son iguales a 0. Muchos puntos pegados al eje de
las fechas.
7.2.2.- Estabilidad
ANALISIS DEL SI
259
MSA
Estabilidad
La estabilidad es la variacin total en las
mediciones realizadas al mismo patrn
(o muestra) midiendo la misma
caracterstica a travs de un perodo
largo de tiempo.
TIEMPO 2
TIEMPO 1
ANALISIS DEL SI
ti
em
po
ESTABILIDAD
260
MSA
Estabilidad
ANALISIS DEL SI
261
MSA
Estabilidad
ANALISIS DEL SI
262
MSA
Estabilidad
ANALISIS DEL SI
263
MSA
ANALISIS DEL SI
264
Exactitud
MSA
Valor
real
Exactitud
Promedio
observado
ANALISIS DEL SI
265
MSA
EJERCICIO: Exactitud y Precisin
Exacto
No Exacto
xxxxx
x
xxxx
xxxx
x
xxxx
Preciso
Municiones o
Meta
Gotas de agua
x
No Preciso
x
x
x
x x
x
x
x
x
ANALISIS DEL SI
x x
x
266
MSA
Bias (diferencia)
ANALISIS DEL SI
267
MSA
Sesgo o exactitud
Si el sesgo relativo es grande se debe buscar
entre las siguientes causas:
1-Error en el patrn
2-Componentes incorrectos
3-Instrumento hecho para una dimensin
incorrecta.
4-Instrumento midiendo una caracterstica
incorrecta.
5-Instrumento no calibrado correctamente.
6-El operador usa de manera incorrecta el
instrumento.
ANALISIS DEL SI
268
MSA
EJEMPLO DE EXACTITUD
Una parte es medida 10 veces por un inspector. Las 10 lecturas
se dan en la siguiente tabla. El valor de referencia obtenido es de
0.80 mm. Y la variacion del proceso para la parte es de 0.70 mm
X1=0.75
X2=0.75
X3=0.80
X6=0.80
X7=0.75
X8=0.75
X = X = 7.5 = 0.75
10
10
EXACTITUD = PROMEDIO
OBSERVADO
VALOR DE
REFERENCIA
X9=0.75
X10=0.70
0.70) = 7.1%
ANALISIS DEL SI
269
MSA
ANALISIS DEL SI
270
MSA
7.2.4.- Repetibilidad
La repetibilidad del proceso de medicin implica que la
variabilidad del sistema de medicin en s sea consistente. Dos
fuentes comunes de error de repetibilidad son las variaciones
de medicin debido al instrumento en s y a la variacin
posicional de la muestra en el instrumento. Debido a que estas
dos variaciones se representan por un subgrupo de rangos de
mediciones repetidas, el diagrama de rango mostrar la
consistencia del proceso de medicin.
Si el diagrama de rango est fuera de control,
generalmente hay un problema con la consistencia del
proceso de medicin.
Estos puntos identificados como fuera de control deben ser
investigados en busca de causas especiales de inconsistencia
y corregirlos. La nica excepcin es cuando las mediciones
tienen una inadecuada discriminacin.
ANALISIS DEL SI
271
MSA
EJERCICIO: Exactitud y precisin
xxxxx
x
xxxx
Los
Losestudios
estudiosde
de
GR&R
GR&Rse
seenfocan
enfocan
en
enlos
losproblemas
problemas
de
de precisin
precisin
xxxx
x
xxxx
x
x
x
x
x x
x
x
x
x
ANALISIS DEL SI
x x
x
272
MSA
R& R
(Sistema de medir)
2
Re petibilidad
2
idad
Re producibil
22 partes
partes del
del
Componente
Componente
ANALISIS
DEL SI
273
MSA
ANALISIS DEL SI
274
MSA
EJEMPLO DE REPETIBILIDAD
Cinco muestras de un proceso de manufactura son seleccionadas
Dos inspectores que normalmente hacen las mediciones realizan
El estudio.
INSPECTOR 1
INSPECTOR 2
217
220
217
214
216
216
216
216
216
220
216
216
216
212
219
219
216
215
212
220
216
218
216
212
220
220
220
216
212
220
prom
edio
216.3
218.0
216.3
212.7
218.3
216.3
218.3
217.3
215.7
213.3
220.0
216.9
rango
1.0
4.0
1.0
2.0
4.0
4.0
4.0
1.0
4.0
0.0
parte
s
prueb
as
ANALISIS DEL SI
275
MSA
INSPECTOR 2
UCL
6.4
2.5
0.0
1
ANALISIS DEL SI
276
MSA
7.2.5.- Reproducibilidad
La reproducibilidad del proceso de medicin implica que la
variabilidad entre operadores sea consistente. Una forma de
ver la variabilidad del operador es que representa el sesgo
incremental que puede ser atribuido a cada operador. Si este
sesgo o variabilidad del operador existe, los promedios de los
operadores individuales van a diferir. Esto se puede observar
en el diagrama de control de medias comparando los
promedios de operador para cada muestra.
La variacin de operador o reproducibilidad se estima
determinando el promedio global para cada operador y luego
encontrando el rango (R0) sustrayendo el menor promedio de
operador al mayor promedio de los operadores.
ANALISIS DEL SI
277
MSA
Reproducibilidad
Reproducibilidad es la variacin en el promedio de las
mediciones realizadas por diferentes operadores
usando el mismo instrumento de medicin midiendo la
misma caracterstica sobre la misma muestra.
OPERADOR A
OPERADOR B
OPERADOR C
REPRODUCIBILIDAD
ANALISIS DEL SI
278
MSA
Reproducibilidad
(A)Medidas de
Juan
Inspector A
Inspector B
Inspector C
Inspector A
Inspector B
(B)Medidas de Mara
Inspector C
(C)Medidas
de Antonio
ANALISIS DEL SI
279
producibilidad
Operador
OperadorParte
*
Interaccin
Reproducibilidad
Reproducibilidad tambien
tambien tiene
tiene sus
sus 22 propios
propios
componentes
componentes
ANALISIS DEL SI
280
MSA
ANALISIS DEL SI
281
MSA
m
2
e
2
o
ANALISIS DEL SI
282
7.2.6.- Linearidad
La linearidad se puede determinar escogiendo muestras de todo el
rango de operacin del instrumento de medicin. Se determina el
sesgo de cada una de las muestras con la diferencia entre el valor
promedio y el valor de referencia.
Un ndice que puede representar la linearidad del equipo es la
pendiente de la lnea de regresin que mejor se ajusta a los puntos
de sesgo vs. los valores de referencia, multiplicado por la variacin
del proceso o la tolerancia. Para convertir la linearidad del
instrumento en porcentaje de la variacin del proceso se multiplica
por 100 y se divide entre la variacin del proceso.
ANALISIS DEL SI
283
MSA
Linearidad
ANALISIS DEL SI
284
MSA
Linearidad
VALOR DE
REFERENCIA
La linearidad es la diferencia
entre los valores de sesgo a
travs del rango de operacin del
instrumento.
VALOR DE
REFERENCIA
EXACTITUD
GRANDE
EXACTITUD
PEQUEA
ANALISIS DEL SI
285
MSA
Linearidad
Si el SM tiene no-linearidad, busque en las posibles causas:
Instrumento no calibrado adecuadamente en los extremos del
rango de operacin.
Error en los patrones mnimo o mximo.
Instrumento defectuoso.
Caractersticas internas de diseo del instrumento.
Mientras ms pequea es la pendiente de la recta
de mejor ajuste, mejor es la linearidad.
En la prctica lo que se busca es que % de
linearidad no aumente en el tiempo.
ANALISIS DEL SI
286
MSA
Valor de referencia
i
n
t
e
n
t
o
s
1
2
3
4
5
6
7
8
9
10
11
12
Prom
Sesgo
1
10.00
8.61806
9.13901
8.96708
10.904
11.0854
10.2197
9.70077
10.431
10.5727
9.66169
11.039
9.91919
2
15.00
15.0579
16.0682
14.9307
15.4102
16.36
14.9625
13.9678
14.8412
14.0289
16.9803
15.8101
15.96
3
20.00
18.9265
19.7374
19.5892
21.1471
20.5322
21.8141
20.06
19.4832
19.6094
18.5735
19.7144
19.3107
ANALISIS DEL SI
4
25.00
25.5803
26.009
25.3242
24.4518
26.218
24.5133
24.7468
23.9872
24.5846
26.2732
25.3939
24.9057
5
30.00
30.5539
30.0557
29.6709
29.4999
28.0105
29.9928
29.4763
30.9239
30.3398
29.6415
30.6245
29.2721
23.642 28.0758
-1.36
-1.92
287
ANALISIS DEL SI
288
ANALISIS DEL SI
289
MSA
Pasos para conducir un estudio
1. Las mediciones deben ser realizada en orden aleatorio.
2. Los operadores no deben conocer el nmero de pieza que
estn midiendo. Pero la persona que conduce el estudio s
debe conocer el nmero y registrar el dato correspondiente,
es decir Operador A, Muestra 1, Primera medicin; Operador
B, Muestra 4, Segunda medicin, etc.
3. Las lecturas se deben estimar como el menor nmero ms
cerca que se puede obtener. Si es posible, las lecturas se deben
hacerse a la mitad de la menor graduacin. Por ejemplo, si la
menor graduacin es 0.001, entonces la estimacin para cada
lectura debe ser redondeada al 0.0005 ms cercano.
4. El estudio debe ser conducido por una persona que
reconozca la importancia de la precaucin requerida al conducir
un estudio.
5. Cada operador debe seguir el mismo procedimiento (con
todos los pasos) para obtener las lecturas.
ANALISIS DEL SI
290
MSA
I
II
III
IV
V
VI
Estructura tpica:
Generalmente dos o tres operadores
Generalmente 10 unidades a medir
Cada unidad es medida 2-3 veces por cada operador
ANALISIS DEL SI
291
MSA
Problema
Problema con
con el
el tamao
tamao de
de muestra
muestra
Nmero de operadores
Si el proceso usa varios operadores, escoja de 2-4 al
azar
Si el proceso usa solamente un operador, o sin
operadores, desarrolle un estudio sin el efecto de los
operadores (el efecto de reproducibilidad se ignora)
Nmero de muestras
Seleccione suficientes muestras como para que:
(nmero de muestra) X (nmero de operadores) > 15
Si no es prctico o posible, escoja el nmero de pruebas
para que:
Si (#Muestras)x(#Oper) < 15, intentos = 3
Si (#Muestras)x(#Oper) < 8, intentos = 4
Si (#Muestras)x(#Oper) < 5, intentos = 5
Si (#Muestras)x(#Oper) < 4, intentos = 6
ANALISIS DEL SI
292
MSA
-10 Partes
-3 Operadores
-2 Mediciones en la
marca
(ej, 2 Rplicas)
Nmero
Nmerode
departe
parte
10
Rplica#1
Operador
Operador
AA
Rplica #2
Operador
Operador
BB
Operador
Operador
CC
ANALISIS DEL SI
293
MSA
-3 Partes
x -3 Operadores
x -3 Mediciones totales en las marca
x (ej, 1 Medida por Oper., 1 Parte por
Oper.)
Nmero
Nmerode
departe
parte
1
Operador
Operador
AA
Operador
Operador
BB
10
X
x
x
x
-1 Parte
-3 Operadores
-1 Medida c/u en la marca
Rplica #1
Operador
Operador
CC
X
X
x
x
-1 Parte
-1 Operador
-2 Medidas en la marca
Rplica #2
ANALISIS DEL SI
294
RA
RB
RC
Suma
R
Suma
0.00
16.55
XA
0.83
0.05
0.05
0.03
0.12
0.04
RA
# Pruebas
2
3
D4
3.27
2.58
Suma
0.00
15.35
XB
0.77
RB
Suma
0.00
16.55
XC
0.83
( R )(D4) = UCLR *
Max X
Min X
Dif X
RC
0.83
0.77
0.06
* Lmite de R's individuales. Marque aquellos que salen de este lmite. Identifique la causa y corrija.
Repita esas lecturas usando el mismo medidor y unidad que se us originalmente o deseche esos
valores y recalcule R y el valor lmite UCLR de las observaciones.
HTAS. BASICAS
295
R E P OR T E D E R E P E T I B I L I D A D Y R E P R O D U C I B I L I D A D
# y nombre Parte:
Caracterstica:
Especif. B/P:
Nombre calibrador:
Calibrador nm:
Tipo de calibrador:
De Hoja de Datos
Fecha:
Realizado por:
Tolerancia del Equipo:
0.04
X Dif
0.4
0.06
4.56
2
4.56
3
3.05
=[ ( 0.17 ) / 0.40
=
= 0.17
] (100)
43.70 %
k2
2
3.65
3
2.70
% SDM = [(SDM) / Tolerancia del equipo ] (100)
[(XDif ) x ( k2 )]
2_
[(SDR) / (n x r)]
[( 0.17 )2 /
=[ ( 0.14 ) / 0.40
( 10
=
=
0.14
] (100)
x 2 )]
35.47 %
n = nmero de partes
r = nmero de pruebas
R&R =
R&R =
(SDR)
( 0.17 )
(%SDM)2
(SDM)
( 43.70 )2 + ( 35.47 )2
=
+ ( 0.14
0.23
=
56.29 %
HTAS. BASICAS
296
MSA
Ejemplo de GR&R :
10 Partes
3 Operadores
2 Rplicas
USL=1.5
LSL=0.5
FIRST REPLICATE
Part
Operator
8
2
10
6
5
4
7
1
9
3
1
1
1
1
1
1
1
1
1
1
1
2
3
4
5
6
7
8
9
10
1
2
3
4
5
6
7
8
9
10
2
2
2
2
2
2
2
2
2
2
3
3
3
3
3
3
3
3
3
3
ANALISIS DEL SI
SECONDREPLICATE
Response
Part
Operator
Response
0.85
1.00
0.60
1.00
0.55
0.85
0.95
0.65
1.00
0.85
1
2
3
4
5
6
7
8
9
10
1
1
1
1
1
1
1
1
1
1
0.60
1.00
0.80
0.95
0.45
1.00
0.95
0.80
1.00
0.70
0.55
1.05
0.80
0.80
0.40
1.00
0.95
0.75
1.00
0.55
0.50
1.05
0.80
0.80
0.45
1.00
0.95
0.80
1.05
0.85
1
2
3
4
5
6
7
8
9
10
1
2
3
4
5
6
7
8
9
10
2
2
2
2
2
2
2
2
2
2
3
3
3
3
3
3
3
3
3
3
0.55
0.95
0.75
0.75
0.40
1.05
0.90
0.70
0.95
0.50
0.55
1.00
0.80
0.80
0.50
1.05
0.95
0.80
1.05
0.80
297
RA
RA
RB
RC
RB
RC
Suma
Suma
XA
XB
XC
2
3
D4
3.27
2.58
( R )(D4) = UCLR *
(
)x (
11
Max X
Min X
Dif X
) =
Suma
R
* Lmite de R's individuales. Marque aquellos que salen de este lmite. Identifique la causa y corrija.
Repita esas lecturas usando el mismo medidor y unidad que se us originalmente o deseche esos
valores y recalcule R y el valor lmite UCLR de las observaciones.
ANALISIS DEL SI
12
Suma
# Pruebas
10
298
R E P OR T E
DE
# y nombre Parte:
Caracterstica:
Especif. B/P:
RE P E TIB ILIDA D Y
REPRODUCIBILIDA D
Nombre calibrador:
Calibrador nm:
Tipo de calibrador:
De Hoja de Datos
Fecha:
Realizado por:
Tolerancia del Equipo:
X Dif
2
4.56
Pruebas
k1
3
3.05
=[ (
) /
] (100)
Operadores
k2
3
2.70
% SDM = [(SDM) / Tolerancia del equipo ] (100)
)x(
)] 2 -
[(
)2 /
=[ (
(
) /
] (100)
)]
=
n = nmero de partes
r = nmero de pruebas
R&R =
2
R&R =
(SDR)
(%SDM)2
(SDM)
=
+ (
)2 + (
)2
=
=
ANALISIS DEL SI
299
30/01/15
ANALISIS DEL SI
300
30/01/15
ANALISIS DEL SI
301
Mtodo corto
El mtodo corto se conduce seleccionando 20 muestras. Dos
operadores miden todas las muestras dos veces, en orden
aleatorio.
Se deben seleccionar muestras de manera que abarquen desde
valores ligeramente abajo hasta ligeramente arriba de los lmites
de especificacin.
El instrumento se considera aceptable si todas las decisiones
(cuatro por muestra) concuerdan.
Si la medicin no concuerda, se debe corregir el gage o reevaluarlo.
ANALISIS DEL SI
302
Probabilidad de
aceptacin
Lmite
inferior
0.4
0.5
Lmite
superior
0.6
0.7
0.8
0.9
1.1
Sin embargo
este caso es una
excepcin de los
sistemas de
medicin.
1.2
Valores de referencia
ANALISIS DEL SI
303
Probabilidad de
aceptacin
0.6
0.8
1.2
Valores de referencia
ANALISIS DEL SI
304
30/01/15
ANALISIS DEL SI
305
Inspector A
Expert
10
11
12
13
14
15
16
17
18
19
20
%Mala aceptada
=1/10=10%
%Buena rechazada
=2/10=20%
%Decisiones correctas
=17/20=85%
30/01/15
Unit
Inspector B
Expert
111
112
113
114
115
116
117
118
119
120
121
122
123
124
125
126
127
128
129
130
ANALISIS DEL SI
%Mala aceptada
=1/10=10%
%Buena rechazada
=4/10=40%
%Decisiones correctas
=15/20=75%
NOTA:
A=Aceptada
R=Rechazada
306
30/01/15
ANALISIS DEL SI
307
Inexactitudes
30%
20%
10%
Lnea de Juicio
Perfecto
0%
10%
20%
30%
40%
50%
30/01/15
ANALISIS DEL SI
308
30%
20%
10%
Lnea
Lneade
deJuicio
Juicio
Perfecto
Perfecto
0%
10%
20%
Inspector B parece
operar con
estndares
apretados.
30%
40%
50%
Filtro correcto
Inspector
B
30/01/15
ANALISIS DEL SI
Inspector F
parece operar
con estndares
sueltos.
1 Filtro muy ancho
Filtro muy
ancho fino
2 Filtro
Filtromuy
muy
fino
3 Filtro
correcto
Filtro correcto
Inspector
F
309
30/01/15
ANALISIS DEL SI
310
Desventajas:
- No tan fcil, ms esfuerzo, requiere arreglos especiales
- Puede no ser una observacin realista del proceso de medicin
operando en condiciones de rutina.
- Puede ocasionar cuidado especial o comportamiento extrao,
desde que los operadores saben que estn siendo evaluados.
30/01/15
ANALISIS DEL SI
311
30/01/15
ANALISIS DEL SI
312
Inspector
A
Num. de rechazos
8
Num. de aceptados 42
8
42
8
42
8
42
ANALISIS DEL SI
313
30/01/15
ANALISIS DEL SI
Unit
10
11
12
13
14
15
16
17
18
19
20
314
9/13=69%
9/13=69%
8/13=61.5%
% Aceptados Malos 9/13=69%
%Rechazados Buenos 4/37=10.8% 4/37=10.8% 4/37=10.8% 3/37=8.1%
%Total
%Totalde
deDecisiones
Decisiones
Correctas
=
Correctas =150/200
150/200
==75%
75%
0.70
Inexactitudes
Inexactitudes
0.60
0.50
0.40
% Producto Malo
Aceptado
0.30
0.20
0.10
Lnea
Lneade
deJuicio
Juicio
Perfecto
Perfecto
0.00
0.10
0.20
30/01/15
% Producto Bueno
Rechazado
ANALISIS DEL SI
Unit
Expert
11
14
15
16
17
18
19
20
10
12
13
315
ANALISIS DEL SI
316
R y R por atributos
La muestra ms pequea debe tener valor a = 0; la ms grande
a = 20 y las restantes seis muestras valor a entre 1 y 19. Si este
criterio no se satisface se debe aplicar el gage a ms muestras
con valor de referencia conocido hasta que se satisfagan las
condiciones. Si, el valor ms pequeo a >0 entonces se deben
buscar muestras con valores ms pequeos y aplicar el gage
hasta que a=0. Si, el valor ms grande a < 20 entonces se
deben buscar muestras con valores ms grandes hasta que a =
20. Si hay menos de seis muestras con valor entre 1 y 19, se
debe aplicar el gage a otras muestras valores intermedios entre
los valores de las muestras con a entre 1 y 19. El primer
intervalo en a = 0 comienza a partir del mayor valor de
referencia con a = 0. Para a = 20, el primer intervalo comienza
en el menor valor de referencia donde a = 20. Si es necesario el
procedimiento se repite hasta que los criterios se satisfagan.
ANALISIS DEL SI
317
R y R por atributos
Una vez que se seleccionen las muestras, se calculan las
probabilidades de aceptacin para cada muestra con la siguiente
funcin:
a 0. 5
m
a 0.5
P' (a )
m
0.5
a
si 0.5, a 0
m
a
si 0.5, a 20
m
a
si 0.5
m
ANALISIS DEL SI
318
MODULO
NORMA ISO-9000-2000 ,
UNIDAD VI
ISO/FDIS-9001-2000
M.C. ROLANDO DEL TORO WALS
HTAS. BASICAS
319
8.1.- INTRODUCCION
manufactura de clase mundial
TQM
Mejora continua
QS 9000
sociedad con proveedor
JIT
TQC
Premio
Deming
Premio
Malcom
Baldrige
Mayores
Cambios
culturales
QFD
QA
QC
Aseguramientode
calidad
control de
calidad
Procedimientos
escritos y SPC
Inspecciones
NORMATIVIDAD
320
Diseo y desarrollo
del producto
Servicio tcnico y
Mantenimiento
Instalacin y
Operacin
Compras
Ventas y
Distribucin
Embalaje y
Almacenamiento
Diseo y desarrollo
del proceso
Inspeccin y
pruebas
Produccin
NORMATIVIDAD
321
322
NORMATIVIDAD
323
9002
P r o d u c c i n
In s ta la c i n y s e r v ic io
9003
P ru e b a s e
In s p e c c i n F in a l
9 0 0 4 -1
G u ia s d e s is te m a d e A d m in is tr a c i n d e la c a lid a d
y p ro p s ito s d e a u d ito ra in te rn a
Versin 1994
NORMATIVIDAD
324
de
calidad
en
NORMATIVIDAD
326
5. ISO 9000-2.
Administracin de la calidad y estndars de
aseguramiento de calidad. Parte 2: Guas genericas
para la aplicacin de ISO 9001, ISO 9002 e ISO 9003.
Las Normas Internacionales relacionadas con
Sistemas de Calidad que pueden ser utilizadas con
propsitos externos de aseguramiento de calidad, son
los incisos 4, 3, y 2: ISO 9003, ISO 9002 e ISO 9001
respectivamente.
NORMATIVIDAD
327
NORMATIVIDAD
328
NORMATIVIDAD
329
NORMATIVIDAD
330
NORMATIVIDAD
331
0.1 GENERAL
Esta norma internacional especifica requerimientos para un
sistema de administracin de la calidad, que puede ser usada
por una organizacin para direccionar la satisfaccin del cliente
mediante el cumplimiento de los requisitos del cliente y
regulatorios aplicables. tambin puede ser usado por partes
internas y externas , inclusive por cuerpos de certificacin, para
evaluar la habilidad de una organizacin para cumplir con los
requerimientos del cliente y regulatorios.
La adopcin de un sistema de administracin de la calidad
necesita ser una decisin estratgica de la organizacin.
El diseo e implantacin del sistema es influenciado por
necesidades variantes, los objetivos particulares, los productos
provistos, los procesos empleados y el tamao y la estructura de
cada organizacin.
NORMATIVIDAD
332
NORMATIVIDAD
333
NORMATIVIDAD
334
NORMATIVIDAD
335
Qu es un proceso?
Una actividad u operacin que recibe entradas y las convierte en
salidas puede ser considerado proceso. Casi todos las actividades y
operaciones relacionadas con un servicio o producto son procesos.
En una organizacin existen diferentes procesos conectados entre s.
A menudo, la salida de un proceso puede ser la entrada de otro. La
identificacin y gestin sistemtica de los diferentes procesos
desarrollados en una organizacin, y particularmente la interaccin
entre tales procesos, puede ser referida como "la aproximacin del
proceso" a la gestin o gestin de los procesos.
La revisin de las Normas mejorar la satisfaccin del
Cliente?
El Sistema de Gestin de Calidad descrito en la revisin de las normas
se basa en los principios de gestin de calidad que incluye la
aproximacin al proceso y la orientacin al Cliente. La adopcin de
dichos principios debera facilitar clientes con un nivel de confianza
ms alto que el producto (incluyendo servicio) satisfar sus requisitos
e incrementa su grado de satisfaccin.
NORMATIVIDAD
336
ENFOQUE DE PROCESOS
Esta norma internacional alienta la adopcin de un enfoque de
procesos para la administracin de la calidad.
Cualquier actividad que reciba entradas y las convierta en salidas
puede ser considerado como un proceso. Para que la organizacin
funcione efectivamente , debe identificar y administrar numerosos
procesos enlazados. A menudo la salida de un proceso se convierte
en la entrada al siguiente proceso. La identificacin y administracin
sistemtica de los procesos empleados dentro de una organizacin y
las interacciones entre tales procesos puede ser referida como el
ENFOQUE DE PROCESOS.
RELACION CON ISO 9004
NORMATIVIDAD
337
C
L
I
E
N
T
E
R
E
Q
U
E
R
I
M
I
E
N
T
O
RESPONSABILIDAD
-------------------------------------DE LA DIRECCION
ADMINISTRACION
DE RECURSOS
MEDICION,
ANALISIS Y
MEJORA
INSUMO
PRODUCTO
S
A
T
I
S
F
A
----------C
C
I
O
N
P/S
REALIZACION DE
PRODUCTO Y/O
SERVICIO
Sistema de calidad.
NORMATIVIDAD
338
C
L
I
E
N
T
E
NORMATIVIDAD
339
340
NORMATIVIDAD
341
PREFACIO
La organizacin internacional para la estandarizacin ISO es una
federacin mundial de cuerpos nacionales de normas CUERPOS
MIEMBROS DE LA ISO. El trabajo de preparar normas
internacionales es llevado a cabo mediante comits tcnicos de iso.
Cada cuerpo miembro interesado en un asunto para el cual haya
establecido un comit tcnico , tiene el derecho de ser representado
en este comit. Los borradores de normas internacionales DIS ,
adoptados por los comits tcnicos son circulados a los cuerpos
miembros para votacin. La publicacin como una norma
internacional IS requiere aprobacin de por lo menos 75% de los
cuerpos miembros que emiten su voto.
Cierta atencin debe ser puesta hacia la posibilidad de que algunos de
los elementos de esta norma pueden estar sujetos a derechos de
patente. ISO no debe ser tenido como responsable de identificar
cualquier o todos los derechos de patente.
Esta tercera de edicin de ISO 9001 cancela y reemplaza a la segunda
edicin ISO 9001-94 la cual ha sido tcnicamente revisada. Las
estipulaciones de iso 9002-94 e iso 9003-94 que estn asentadas en
norma internacional.ISO 9002-94 E ISO 9003-94 Sern retiradas con la
publicacin de ISO 9001-2000.
NORMATIVIDAD
342
NORMATIVIDAD
343
1.2.- APLICACION
Todos los requisitos de esta norma internacional son genricos y se
pretende que sean aplicables a todas las organizaciones con
independencia de su tipo, tamao o producto suministrado.
Cuando algn requisito de esta norma internacional no pueda aplicar
debido a la naturaleza de la organizacin y de su producto, este puede
considerarse su exclusin.
Cuando se lleven a cabo exclusiones, la conformidad con esta norma
internacional no se considera aceptable a menos que dichas exclusiones
se limiten a requisitos del capitulo 7, y tales exclusiones no afectan a la
capacidad o responsabilidad de la organizacin para proporcionar
productos que cumplan los requisitos del cliente y los requisitos
reglamentarios que sean aplicables.
NORMATIVIDAD
344
NORMATIVIDAD
345
NORMATIVIDAD
346
NORMATIVIDAD
347
NORMATIVIDAD
348
NORMATIVIDAD
349
NORMATIVIDAD
350
5.4.- Planificacin
5.4.1.- objetivos de calidad
la alta direccin debe asegurar que los recursos necesarios para
lograr los objetivos de calidad estn establecidos en las funciones y
niveles relevantes dentro de la organizacin. Los objetivos de la
calidad deben de ser medibles y consistentes con la poltica de
calidad incluyendo el compromiso hacia la mejora continua, los
objetivos de calidad deben incluir aquellos necesarios para cumplir
con los requisitos para el producto.
NORMATIVIDAD
351
NORMATIVIDAD
352
NORMATIVIDAD
353
NORMATIVIDAD
354
NORMATIVIDAD
355
LA ORGANIZACIN DEBE>
A- determinar EL PERFIL DE CONOCIMIENTOS NECESARIOS
para el personal que realiza actividades que afecten la calidad
del producto>
B- proporcionar formacin o tomar otras acciones para
satisfacer dichas acciones.
C- evaluar la eficiencia de las acciones tomadas.
D- asegurar que sus empleados son consistentes de la
relevancia e importancia de sus actividades y como
contribuyen a la consecucin de los objetivos de calidad.
E- mantener los registros apropiados de la educacin,
formacin, habilidades, y experiencia.
NORMATIVIDAD
356
6.3.- INFRAESTRUCTURA
La organizacin debe identificar, proveer y mantener las instalaciones
necesarias para obtener la conformidad del producto, incluyendo: edificios,
espacios de trabajo e infraestructura asociada.
< equipo para los procesos tanto, soporte fsico HARDWARE, como soporte
lgico SOFTWARE. servicios de apoyo tales como transportacin y
comunicacin.
6.4.- AMBIENTE DE TRABAJO
la organizacin debe identificar y gestionar los factores humanos y fsicos
del ambiente de trabajo necesarios para lograr la conformidad del
producto.
NORMATIVIDAD
357
NORMATIVIDAD
359
NORMATIVIDAD
360
> las responsabilidades y autoridades para las actividades del diseo y/o
desarrollo.
La organizacin debe gestionar las interfaces entre los diferentes grupos
implicados en el diseo y desarrollo para asegurar una comunicacin
eficaz y una clara asignacin de responsabilidades.
NORMATIVIDAD
361
NORMATIVIDAD
362
NORMATIVIDAD
363
NORMATIVIDAD
364
NORMATIVIDAD
365
NORMATIVIDAD
366
NORMATIVIDAD
367
NORMATIVIDAD
368
NORMATIVIDAD
369
NORMATIVIDAD
371
NORMATIVIDAD
372
NORMATIVIDAD
373
8.5.- MEJORA
8.5.1.- MEJORA CONTINUA
la organizacin debe mejorar continuamente la eficacia del sistema de
gestin de la calidad por medio de la utilizacin de la poltica de calidad,
objetivos de calidad, resultados de las auditorias,anlisis de datos,
acciones correctivas y preventivas y la revisin por la direccin.
NORMATIVIDAD
374
NORMATIVIDAD
375
NORMATIVIDAD
376
MODULO
ISO/ TS-16949 Y
QS-9000
UNIDAD VII
INTRODUCCION AL QS-9000
Y LA NORMA ISO / TS-16949
M.C. ROLANDO DEL TORO WALS
NORMATIVIDAD
377
10.-INTRODUCCIN AL QS-9000
La QS-9000 actualmente en vigor es la tercera edicin de fecha Marzo
de 1998 y obligatoria desde Enero de 1999, fecha en que la segunda
edicin queda obsoleta. En esta tercera edicin se han incluido los
Requisitos del Sector, en la Seccin I junto a los Requisitos de ISO9000. As, los Requisitos Especficos del Cliente han pasado a ser
Seccin II. Adems, y se han incluido las Interpretaciones Autorizadas
por la AIAG (Automotive Industry Action Group)
Se denomina "Seven Pack" al conjunto de los manuales que
componen la QS-9000 , tres de ellos obligatorios y el resto de
referencia. A saber:
QS-9000: Requisitos del Sistema de Calidad
QSA: Evaluacin del Sistema de Calidad
PPAP: Proceso de Aprobacin de Piezas para Produccin
APQP: Planificacin Avanzada de la Calidad
FMEA: Anlisis de Modos de Fallo y sus Efectos
SPC: Control Estadstico de los Proceso
MSA: Anlisis de Sistemas de Medida
NORMATIVIDAD
378
Manual de
calidad
Define: Que,
Quien y Cuando
Define
Resposabili
dades
Manuales de referen.
Del cliente:
APQP & Control plan
FMEA
MSA
SPC
Procedimientos
Instucciones de
trabajo
Dice el Como
BASICAS
Registros yHTAS.
docum.
Resultados: muestra
Como el sistema
Esta operando 379
MAC
PAC
Nivel 1
Nivel 2
IT
R
Nivel 3
Nivel 4
NORMATIVIDAD
380
MANUAL DE CALIDAD
Es un documento que establece la poltica de calidad y describe el
sistema de calidad de una organizacin, el cual se puede referir a
todas las actividades de la organizacin o a solo una parte de
estas
NORMATIVIDAD
381
NORMATIVIDAD
382
NORMATIVIDAD
383
RESPONSABILIDAD DE LA DIRECCIN
Poltica de la calidad
Objetivos de calidad
Tableros de mando
Organizacin
Organigrama
Matriz de responsabilidades y autoridades
Descripcin de responsabilidades y autoridades
Recursos
Representante de la direccin
NORMATIVIDAD
384
PROCEDIMIENTO
forma especificas
de desarrollar una
actividad
NORMATIVIDAD
385
POLTICA DE CALIDAD.
NORMATIVIDAD
386
POLTICAS DE CALIDAD.
GENERAL MOTORS
EN GM TENEMOS COMO POLTICA LOGRAR LA SATISFACCIN Y
EL ENTUSIASMO DE NUESTROS CLIENTES A TRAVS DEL
TRABAJO EN EQUIPO Y LA MEJORA CONTINUA DE NUESTROS
PRODUCTOS Y SERVICIOS.
AXA.
NOSOTROS CON EL HABITO DE LA MEJORA CONTINUA
BUSCAMOS LA SATISFACCIN DE NUESTROS CLIENTES.
COECYT.
PREVER MEDIANTE LA MEJORA CONTINUA, EL ASEGURAMIENTO
DE LA CALIDAD DE NUESTROS SERVICIOS QUE SE OTORGAN A
LOS USUARIOS, BUSCANDO SATISFACER LAS DEMANDAS E
INCREMENTAR EL BIENESTAR SOCIAL, EDUCATIVO Y
CULTURAL.
NORMATIVIDAD
387
Instruccin de Trabajo
CLIENTE:
TEXTRON
OPERACION:
INSPECCION
PIEZA: DEMISTER
DERECHO
NPC: 1000263 AA
NC: EIDRDDD-009
RESPONSABLE:
IINSPECTOR
CARACT.
ESPECIAL :4
NI:
Instrucciones:
1.-Lnea PC # 532, Peso
(Foto A), Especificacin,
min.155 grs mx 235 grs.
Instrumento de Medicin
Bascula.A
2.-Lnea PC # 533, Espesor
de pared en rea A (Foto
B), Especificacin. min 0.7
mm. Max 3 mm
Instrumento de medicin:
Gage de Ultasonido .B
NORMATIVIDAD
388
B08
REGISTRO
ES UN DOCUMENTO QUE PROPORCIONA EVIDENCIA OBEJTIVA
DE LAS ACTIVIDADES REALIZADAS O DE LOS RESULTADOS
OBTENIDOS
NORMATIVIDAD
389
NORMATIVIDAD
390
NORMATIVIDAD
391
Esto hizo, que los fabricantes de vehculos tuvieran que crear equipos
propios de auditores, con el consiguiente gasto en estructura. La
posterior delegacin de las auditorias y certificaciones a entidades de
certificacin acreditadas, obedece, entre otros motivos, al traspaso de
estos costes a los proveedores, que son actualmente los que tienen que
asumir los gastos de las auditoras y certificaciones de calidad.
Esta estrategia se est extendiendo a toda la industria en general,
basada en el principio de que cada cual ha de ser responsable de la
calidad de sus productos y por lo tanto el control de calidad
tradicional de recepcin, cada vez se utiliza menos, y en cambio, se
exige ms a los proveedores que implanten sistemas de calidad
eficientes y los certifiquen como evidencia de su correcto cumplimiento.
Actualmente, los fabricantes de vehculos de todo el mundo, reconocen
los certificados de sistemas de calidad emitidos por entidades de
certificacin acreditadas, y se limitan en sus funciones, a una tarea de
supervisin de los procesos productivos y productos suministrados.
NORMATIVIDAD
392
NORMATIVIDAD
393
NORMATIVIDAD
394
NORMATIVIDAD
395
NORMATIVIDAD
396
NORMATIVIDAD
397
NORMATIVIDAD
398
NORMATIVIDAD
399
Responsabilidad de la calidad.
El personal responsable de la calidad debe tener la autoridad para
detener la produccin con objeto de corregir los problemas de la
calidad
Aunque este requisito ya se mencionaba en otros referenciales, aqu
lo explicita de una forma ms contundente.
Recursos.
Especialmente en lo relativo al proceso de produccin, todos los
turnos deben tener personal responsable, o con delegacin, para la
calidad.
Este requisito hace especial referencia al 3er. Turno (turno de noche),
donde todos conocemos que no siempre se dispone de personal
calificado para realizar las tareas de calidad.
NORMATIVIDAD
400
NORMATIVIDAD
401
Impacto en la sociedad.
se deben tratar, en el estado del arte, los problemas de seguridad
del producto y los medios para reducir al mnimo los riesgos
potenciales para los empleados, clientes, usuarios y medio ambiente.
El suministrador debe sensibilizar a su personal sobre la importancia
de las exigencias ligadas a la seguridad del producto
el suministrador debe tener un proceso para asegurar el
cumplimiento con todas las disposiciones legales y reglamentarias
aplicables de seguridad y de medio ambiente, incluyendo las relativas
a almacenamiento, manipulacin, reciclado, eliminacin o destruccin
de materiales.
Este apartado de la norma es mucho ms concreta y exigente que
los anteriores referenciales, dado que obliga al suministrador a
ponerse al da en todos los aspectos legales y reglamentarios.
Compras.
Todos los productos o materiales comprados y utilizados en la
fabricacin de piezas deben satisfacer los requisitos reglamentarios
que sean aplicables en el pas de fabricacin y venta (por ejemplo,
requisitos reglamentarios relativos al medio ambiente, la electricidad,
la compatibilidad electromagntica y la seguridad).
NORMATIVIDAD
402
NORMATIVIDAD
403
Investigacin y Desarrollo.
El suministrador debe utilizar medios de investigacin y desarrollo
con el fin de asegurar la innovacin de productos y procesos
Esta exigencia es nueva y obliga a los suministradores a invertir en
I+D para mejorar su competitividad y ser capaces de ofrecer nuevos
productos y soluciones a los clientes.
Proceso de auditora.
Las funciones o servicios no ubicados en la planta, no podrn obtener
un certificado independiente.
Se debern realizar como mnimo las preguntas relacionadas en el
Cuestionario (chek-list) de la ISO TS 16949.
No se otorgar el certificado ISO TS 16949 si se encuentra una nica
no conformidad menor.
Se auditarn todas las funciones o servicios aunque no se encuentren
fsicamente en la planta.
Durante la auditora se deber demostrar que se ha realizado una
auditora interna completa y una revisin por la Direccin.
NORMATIVIDAD
404
NORMATIVIDAD
405