You are on page 1of 100

Control Estadstico de la

Calidad y los Procesos

Qu es calidad?
Calidad de diseo: corresponde a la
medida en que el producto satisface
las necesidades del cliente.
Calidad de conformidad: se refiere al
grado en que el producto o servicio
concuerda con los requerimientos de
diseo.
2

Qu es calidad? (cont)
Normalmente la calidad se asocia con una
caracterstica medible del producto, la
cual se denomina caracterstica de
calidad. As, la calidad de diseo se
tranforma en especificaciones adecuadas.
Frecuentemente no se diferencia entre la
calidad de diseo y la de conformidad, sin
embargo el rea de produccin suele
centrarse en la segunda.
3

El papel de la estadstica en
el aseguramiento de calidad
Para mejorar es necesario hacer cambios.
Nos gustara tener buenos datos sobre los
cuales realizar los cambios.
Necesitamos herramientas que nos
permitan convertir datos en informacin (es
decir, que nos permitan responder
preguntas).
La estadstica es la ciencia que soluciona
ambos problemas.
4

Herramientas para el
aseguramiento de calidad
Se trata de herramientas estadsticas y
analticas de uso general
Diagramas causa-efecto.
Diagramas de flujo de procesos.
Plantillas para recoleccin de datos.
Histogramas y diagramas de Pareto.
Diagramas bivariantes.
Control estadstico de procesos.
5

Diagramas de causa-efecto
Los pasos para su construccin son:
Determinar claramente el efecto a estudiar.
Reunir a las personas que conocen del
problema y realizar una lluvia de ideas.
Seleccionar las causas aportadas,
eliminando repeticiones y errores.
Dibujar el diagrama. Lo debe hacer una
persona que conozca del problema.
6

Diagramas de causa-efecto
En muchos casos se resuelven los
problemas sin atacar las causas de los
mismos, lo cual es una prctica perjudicial.
En estos diagramas las causas que
potencialmente pueden generan un
determinado efecto se presentan en forma
jerarquizada.
Por su forma, tambin se denominan
diagramas de espina de pescado.
7

Diagramas de causa-efecto
(cont)
MANO DE OBRA

MAQUINARIA
Abrasin

Fatiga
Concentracin

Salud
Enfermedad
Habilidad

Herramientas

Moral

Deformacin
Mantenimiento

Forma
Componente
Calidad
Almacenamiento

MATERIALES

Posicin

Dimetro

Variabilidad en
la dimensin

Ajuste

Puesta a
punto

ngulo
Velocidad

MTODO

Diagrama causa-efecto para estudiar las causas de


la variabilidad en la dimensin de una pieza.
8

Diagramas de Pareto
Son representaciones de la densidad y la
distribucin de variables aleatorias
nominales (usualmente causas de falla en
sistemas o defectos en productos).
Las causas se ordenan de modo de
distinguir cuales son las ms importantes.
Usualmente opera la regla del 80-20, el
80% de los problemas se deben al 20% de
las causas.
9

Diagramas de Pareto (cont)


Nmero de Paradas
Turno 1 Turno 2 Total
18
24
42
15
10
25
92
88
180
1
6
7
0
1
1
2
1
3
1
0
1

(A) Rotura de hilo


Cinta
Vibrador
Tornillo sin fin
(E) Apelmazamiento
(F) Rotura de saco
(G) Otros

Nmero y tiempos(B)
de parada en una (C)
lnea de envasado (D)

1.0

250

0.9

225

0.8

225

1.0

200

0.9
0.8

175

0.7

175

0.6

150

0.5

125

0.4

100

0.3

75

Tiempo de Parada

Numero de Paradas

200

Tiempo de Parada
Turno 1 Turno 2 Total
20
31
51
12
10
22
62
68
130
2
8
10
0
1
1
4
1
5
8
0
8

0.6
125
0.5
100

50

0.2

25

0.1

25

0.0

D
Causas

0.4

75
50

0.7

150

0.3
0.2
0.1
0.0
C

D
Causas

10

Diagramas bivariantes
Son una forma sencilla de evaluar la
dependencia entre variables, por lo
que puede ser utilizada por cualquiera
Los modelos (lineales o de otro tipo)
son una forma ms refinada de
evaluar dependencia.
Recuerde que correlacin y causalidad
no son la misma cosa.
11

Control de procesos
Histricamente ha evolucionado en dos
vertientes:
Control automtico de procesos (APC)
empresas de produccin continua
(empresas qumicas)
Control estadstico de procesos (SPC) en
sistemas de produccin en serie (empresas
metalmecnicas).

Vamos a concentrarnos en el SPC.


12

Control estadstico de
procesos
Los objetivos son:
Monitorear y vigilar el desempeo del proceso
en cuanto a las caractersticas de calidad
crticas del producto, para as minimizar la
produccin defectuosa Grficos de Control.
Estimar los parmetros del proceso para
comparar la produccin con las especificaciones
Estudios de Capacidad.

En ambos casos, se trata de herramientas


por y para la mejora continua.
13

Causas de la variabilidad en
un proceso
Causas Comunes

Causas Asignables

Suelen ser muchas y


cada una produce
pequeas variaciones.
Son parte permanente
del proceso
Son difciles de eliminar y
forman parte del sistema.
Afectan a todo el
conjunto de mquinas y
operarios

Suelen ser pocas pero


con efectos importantes
en la variabilidad.
Aparecen
espordicamente.
Son relativamente fciles
de eliminar
Por lo general su efecto
est localizado en una(s)
mquina(s) u operario(s).

14

Definicin de proceso bajo


control estadstico
Se dice que un proceso est bajo control
estadstico cuando solo est afectado por
causas comunes de variabilidad. Esto
significa que podemos predecir lo que va
a suceder con el proceso y sus productos.
A diferencia del APC, en el SPC el
significado de control est ms
vinculado con el monitoreo del sistema
que con la actuacin sobre el mismo.
15

Grficos de control
Se trata de diagramas en los que se
representa el comportamiento de un
proceso en el tiempo a travs de los
valores de un estadstico asociado con una
caracterstica de calidad del producto.
Desde el punto de vista estadstico, estos
grficos permiten realizar continuamente
pruebas de hiptesis sobre una de las
caracterstica del proceso.
16

Grficos de control (cont)


El objetivo de los grficos de control es
facilitar la vigilancia del proceso para as
detectar rpidamente la presencia de
causas asignables y minimizar la
produccin defectuosa.
Los diagramas de control estn pensados
para ser usados directamente por los
propios operadores, de modo que las
acciones se tomen rpidamente.
17

Grficos de control (cont)


Un grfico de control se construye a
partir de muestras tomadas
regularmente en el tiempo, para cada
una de las cuales se calcula un
estadstico W asociado con un parmetro
de la distribucin de la caracterstica de
calidad. Estos valores se grafican junto
con una lnea central y un par de lneas
de control (superior e inferior).
18

Grficos de control (cont)


3.5

Caracteristica de calidad

LSC
3.3

3.1

2.9

2.7
LIC
2.5

Tiempo

19

Grficos de control (cont)


Para poder considerar al proceso bajo
control, los puntos del grfico deben
estar dentro de los lmites de control
y presentar comportamiento
aleatorio.
Por simplicidad, las lneas suelen
escogerse en base a una
aproximacin
normal
de) W:
LC E (W )
LIC E (W
3 V (W )
LSC E (W ) 3 V (W )

20

Grficos de control (cont)


Los valores de E(W) y V(W) pueden
estimarse de la muestra u obtenerse
de registros histricos. En el segundo
caso, es importante recordar que los
lmites se refieren al proceso (lo que
realmente sucede en planta) y no a las
especificaciones de produccin (lo que
debera suceder en la planta).
21

Grficos de control (cont)


Las muestras que se obtienen en cada
punto de observacin deben ser
subgrupos racionales.
La seleccin de la frecuencia de muestreo
y del tamao de los subgrupos debe estar
basada en los conocimientos que se
tengan sobre proceso. Usualmente se
recomienda tomar al menos 20 muestras
para construir los lmites de control.
22

Grficos de control (cont)


Diagramas para control de variables: se
utiliza cuando la caracterstica de calidad
puede expresarse como una medida
numrica (dimetro de un cojinete,
longitud de un eje, etc.)
Diagramas para control de atributos: se
utiliza cuando la caracterstica de calidad
corresponde a una variable binaria
(presencia o no de defectos, etc.)
23

Grficos de control para


variables
Se supone que la distribucin de la
caracterstica de calidad es normal(,),
al menos aproximadamente. De aqu que
se requieran dos grficos, uno para cada
parmetro de la distribucin.
Los pares ms comunes son los de medias
y desviaciones estndar, los de medias y
rangos, y los grficos para observaciones
individuales y rangos mviles.
24

Grficos de medias y rangos


(X R)
Se construye un grfico para la evolucin
de las medias de los grupos (asociado con
la ubicacin de la caracterstica ) y otro
para la evolucin de los rangos (asociado
con la dispersin de la caracterstica ).
Se utilizan los rangos para medir la
variabilidad ya que son fciles de calcular y
tienen una eficiencia similar a la desviacin
estndar para subgrupos pequeos.
25

Pasos para la construccin


X

R
de grficos
Se toman k muestras de tamao n
(usualmente constante y menor a 7).
Se calcula la media y el rango de
cada muestra:

1 n
X i xij
n j 1

Ri max xij min xij


j

Se estiman los promedios


k
k
poblacionales
1
1

k
i 1

k
i 1

26

Grficos de medias y rangos


(X R)
Para construir los lmites de control,
recordemos que bajo la suposicin de
normalidad y control estadstico se tiene

E ( X i ) SD( X i )
E X
n
E ( Rid)2 y dd23sonSD
( Ri ) d 3 que
E dependen
R d 2
donde
constantes
solo de n y pueden encontrarse en tablas
como la que se presenta a continuacin.
27

Grficos de medias y rangos


X

R
(
)
La tabla de la
derecha muestra el
valor de las
constantes d2, d3, A2,
D3 y D4 para distintos
tamaos de los
subgrupos
racionales.

n
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25

d2
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

A2
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

d3
0,853
0,888
0,880
0,864
0,848
0,833
0,820
0,808
0,797
0,787
0,778
0,770
0,763
0,756
0,750
0,744
0,739
0,734
0,729
0,724
0,720
0,716
0,712
0,708

D3
0,000
0,000
0,000
0,000
0,000
0,076
0,136
0,187
0,223
0,256
0,284
0,308
0,329
0,348
0,640
0,379
0,392
0,404
0,414
0,425
0,434
0,443
0,452
0,459

D4
3,267
2,575
2,282
2,115
2,004
1,924
1,864
1,816
1,777
1,744
1,716
1,692
1,671
1,652
1,636
1,621
1,608
1,596
1,586
1,575
1,566
1,557
1,548
1,541

28

Grficos de medias y rangos


(X R)
Si se conocen y , estos se pueden
usarse para calcular los lmites de
control:
Medias
LSC A LC LIC A
Rangos
LSC D2 R

3
donde
A
n

LC d 2
D1 d 2 3d 3

LIC D1 R
D2 d 2 3d 3
29

Grficos de medias y rangos


(X R)
Si no se conocen y (lo ms
comn) deben estimarse a partir de
los datos.
Para
LSC
las
X medias
A2 R LC X LIC X A2 R
LSC
Para los
D4 Rrangos LC R

3
donde
A2
d2 n

d3
D3 1 3
d2

LIC D3 R

d3
D2 1 3
d2

30

Grficos de medias y rangos


(X R)
Puede justificar estas selecciones
para los lmites de control?
Lo ms comn es trabajar con n fijo
para todos los subgrupos, sin
embargo en algunos casos esto no
es posible. Cmo quedaran los
lmites de control en ese caso?
31

Grficos de medias y rangos


(cont)
Ejemplo 1.- Se
muestran datos
correspondientes a la
apertura del alabe
(en milmetros) para
un componente de la
turbina de un avin.
Se pueden ver los
clculos preliminares
en la misma tabla.

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

Observaciones en la muestra
33.00 29.00 31.00 32.00 33.00
33.00 31.00 35.00 37.00 31.00
35.00 37.00 33.00 34.00 36.00
30.00 31.00 33.00 34.00 33.00
33.00 34.00 35.00 33.00 34.00
38.00 37.00 39.00 40.00 38.00
30.00 31.00 32.00 34.00 31.00
29.00 39.00 38.00 39.00 39.00
28.00 33.00 35.00 36.00 43.00
38.00 33.00 32.00 35.00 32.00
28.00 30.00 28.00 32.00 31.00
31.00 35.00 35.00 35.00 34.00
27.00 32.00 34.00 35.00 37.00
33.00 33.00 35.00 37.00 36.00
35.00 37.00 32.00 35.00 39.00
33.00 33.00 27.00 31.00 30.00
35.00 34.00 34.00 30.00 32.00
32.00 33.00 30.00 30.00 33.00
25.00 27.00 34.00 27.00 28.00
35.00 35.00 36.00 33.00 30.00
Promedios:

Media
31.60
33.40
35.00
32.20
33.80
38.40
31.60
36.80
35.00
34.00
29.80
34.00
33.00
34.80
35.60
30.80
33.00
31.60
28.20
33.80
33.32

Rango
4.00
6.00
4.00
4.00
2.00
3.00
4.00
10.00
15.00
6.00
4.00
4.00
10.00
4.00
7.00
6.00
5.00
3.00
9.00
6.00
5.80

32

Grficos de medias y rangos


(cont)
Los lmites de control son, en este
caso,
Para
LIC elX grfico
A2 R 33
0,577 5,8 29,95
de,32medias:
LSC X A2 R 33,32 0,577 5,8 36,65
LC 33,32
Para
de rangos
LIC elDgrfico
3 R 2,115 5,8 12,27
LSC D4 R 0 5,8 0
LC 5,8
33

40
38
36
34

LSC=36.67

30

32

LC=33.32

LIC=29.98

28

A p e rtu ra p ro m e d io d e l a la b e

Grficos de medias y rangos


(cont)

10

15

20

15

20

15
5

10

LSC=12.27

LC=5.80

R a n g o d e a p e rtu ra d e l a la b e

Muestra

10
Muestra

34

Grficos de medias y rangos


(cont)
Las muestras 6, 8, 11 y 19 estn fuera de
control en grfico de medias y la 9 lo esta
en el grfico de rangos.
Cuando se estudian las causas asignables,
estas llevan a una herramienta defectuosa
en el rea de moldeo. Los lmites deben
ser recalculados excluyendo estas
observaciones atpicas, obtenindose as
un nuevo grfico.
35

40
38
36
30

32

34

LSC=36.10

LC=33.21

LIC=30.33

28

A pe rtu ra p rom ed io d el a la be

Grficos de medias y rangos


(cont)

10

15

20

15

20

15
10
5

LSC=10.57

LC=5.00

R a n g o d e a p e rtu ra d e l a la b e

Muestra

10
Muestra

36

Grficos de medias y
X

s
desviaciones estndar (
)
El utiliza el mismo grfico de medias
anterior, pero ahora se estudia la
dispersin usando un grfico de las
desviaciones standard de cada subgrupo.
La desviacin muestral es un mejor
estimador de la variabilidad, pero ms
difcil de calcular. Se prefiere en procesos
con subgrupos racionales grandes (10 o
ms) o en procesos automatizados.
37

Pasos para la construccin


X

s
de grficos
Se toman k muestras de tamao n.
Se calcula la media y la desviacin
standard de cada muestra:
n

1 n
X i xij
n j 1

Si

xij X i

j 1

n 1

Se calculan los parmetros


k
k
poblacionales.
1
1

k
i 1

k
i 1

38

Pasos para la construccin


X

s
de grficos
Para calcular los lmites de control
necesitamos conocer la esperanza y la
varianza de estos estimadores:

E( X i )

SD( X i )

E X

n
2
E ( S i ) c 4 SD( S i ) 1 c 4 E S c 4

donde de nuevo c4 depende solo de n


puede obtenerse de tablas.

39

Pasos para la construccin


X

s
de grficos
Si se conocen y el clculo de los
lmites de control es muy sencillo:
Para las medias:

LSC A

LC

LIC A

Para las desviaciones estndar:

LSC B6 R

3
A
n

LC c 4

B5 c4 3 1 c42

LIC B5 R

B6 c4 3 1 c42
40

Pasos para la construccin


X

s
de grficos
Cuando no se conocen los valores de
y los mismos se calculan a partir
de los datos para obtener los lmites
de control
Para
el grfico
LSC
X
A3 S de
LCmedias:
X LIC X A3 S
Para
LSC
Bel4 Sgrfico LC
S
LIC estndar:
B3 S
de
desviaciones
1 c4
1 c4
3
A3
B3 1 3
B4 1 3
c4
c4
c4 n
41

Pasos para la construccin


X

s
de grficos
Tabla 2.- La tabla de la
derecha muestra el
valor de las constantes
c4, A3, B3 y B4 para
distintos tamaos de
los subgrupos
racionales.

n
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25

c4
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

A3
2,6590
1,9540
1,6280
1,4270
1,2870
1,1820
1,0990
1,0320
0,9750
0,9270
0,8860
0,8500
0,8170
0,7890
0,7630
0,7390
0,7180
0,6980
0,6800
0,6630
0,6470
0,6330
0,6190
0,6060

B3
0,0000
0,0000
0,0000
0,0000
0,0300
0,1180
0,1850
0,2390
0,2840
0,3210
0,3540
0,3820
0,4000
0,4280
0,4480
0,4660
0,4820
0,4970
0,5100
0,5230
0,5340
0,5450
0,5550
0,5650

B4
3,2670
2,5680
2,2660
2,0890
1,9700
1,8820
1,8150
1,7610
1,7160
1,6790
1,6460
1,6180
1,5940
1,5720
1,5520
1,5340
1,5180
1,5030
1,4900
1,4770
1,4660
1,4550
1,4450
1,4350

42

Grficos para observaciones


individuales (I)

1.0
0.2

0.4

0.6

0.8

k=1.0
k=1.5
k=2.0

0.0

Probabilidad de detectar un cambio de k varianzas en la media

En general, es preferible utilizar ms


de una observaciones para estimar el
estado del proceso en cada instante
de tiempo.

Numero de elementos en el supgrupo racional

43

Grficos para observaciones


individuales (I) (cont)
Sin embargo, en algunos procesos no es
posible obtener ms de una observacin:
Debido a la forma del proceso, donde las
condiciones cambian con cada producto.
Donde se quiere comparar cada producto
con la especificacin (se producen pocos
artculos y son muy caros).
En procesos continuos, donde no hay
individuos.
44

Grficos para observaciones


individuales (I) (cont)
Cuando solo se dispone de una
observacin en cada instante es necesario
modificar los diagramas anteriores ya que
ni podemos promediar en cada punto ni
es posible obtener estimaciones de la
variabilidad en cada instante.
As, el grfico de medias se sustituye por
el grfico de las observaciones y el de
rangos por el de rangos mviles.
45

Grficos para observaciones


individuales I (cont)
El rango mvil utiliza la informacin de las
ltimas w observaciones para estimar la
variabilidad.

Para w = 2

Estos grficos son ms susceptibles a


alteraciones en la hiptesis de normalidad
de la caracterstica de calidad. Puede
explicar por qu?
46

Pasos para la construccin


de grficos I
Se toma una observacin para cada uno
de k puntos en el tiempo.
Para cada instante se calcula el rango
mvil basado en w observaciones,
definido por

Ri max x j min x j , 1 i k w 1
i j i w 1

i j i w 1

Se estiman los parmetros poblacionales


k
k w 1

1
X xi
k i 1

1
R
k w 1

R
i 1

47

Pasos para la construccin


de grficos I (cont)
Los lmites de control y lnea central son:
Para el grfico de medias:

LSC X 3 R d 2

LC X

LIC X 3 R d 2

LSC D4 R

LC R

LIC D3 R

Para el grfico de rangos:

Para obtener d2, D3, D4 y se utiliza la


tabla 1 con n = w. Usualmente se escoge
w = 2 por simplicidad.
48

Otros grficos para control


de variables
Diagramas de sumas acumulativas
(CUSUM), los cuales permiten detectar
ms rpidamente cambios en la media
de una variable.
Grficos de medias mviles pesadas
exponencialmente (EWMA), para
procesos donde las observaciones no son
independientes (procesos continuos).
49

Grficos de control para


atributos
Se consideran dos situaciones:
Nos interesa la presencia o ausencia del
atributo en el individuo, o se trata de un
atributo que solo puede presentarse una vez
(un fusible est quemado o no) Diagrama p.
Nos interesa contar el nmero de veces que
se presenta el atributo en cada individuo
(poros en una superficie plstica extruida)
Diagramas u.

50

Grficos para control de


proporciones (p)
Se utiliza para atributos binarios, y por
tanto el nmero de ocurrencias del
mismo en un lote puede modelarse por
una v.a. Binomial. As, basta con un
grfico que corresponde a la proporcin
p de defectuosos en la muestra.
El otro parmetro de la distribucin (n),
puede ser constante o no y es conocido.
51

Pasos para la construccin


de grficos p
Se toman k muestras cada una de tamao
ni (ni suele escogerse de manera que se
presenten por lo menos tres o cuatro
defectos).
Se calcula la fraccin de individuos con el
atributo en la muestra pi.
ei Nmero de artculos defectuosos en el grupo
pi

ni
Nmero
de artculos
en elelgrupo
Se grafican
los
valores
de pi en
tiempo.
52

Pasos para la construccin


de grficos p (cont)
Se estima el parmetro poblacional
k

ni p i
i 1
k

ni

Total de artculos defectuos

Total de artculos muestreados

i 1

Se obtienen y grafican los lmites de


control y la lnea central.
LSC min

p (1 p )
p (1 p )
p3
,1
LIC max p 3
,0
ni
ni

LC p
53

Grficos para control para


cantidades (u)
El inters se centra ahora en ci,el nmero
de veces que el atributo se presenta en
cada individuo (no solo su presencia).
Si se supone que la tasa de ocurrencia de
los eventos que generan el atributo es
constante entonces es razonable asumir
que la v.a. sigue una distribucin de
Poisson, y por tanto, hay que monitorear
un solo parmetro ().
54

Pasos para la construccin


de grficos u
Se toman ni individuos (con ni tal que se
presente el atributo alrededor de 10
veces) en cada uno de k puntos en el
tiempo.
Se calcula el nmero promedio de
defectos en cada instante:
ci Veces en que se presenta el atributo en el grupo
i

ni
Nmero
de artculos
en elelgrupo
Se grafican
los
valores
de i en
tiempo.
55

Pasos para la construccin


de grficos u (cont)
Se estima el parmetro poblacional
k

ci
i 1
k

ni

Total de defectos

Total de artculos muestreados

i 1

Se obtienen y grafican los lmites de


control y la lnea central.

LSC 3
ni

LC

LIC 3
ni
56

Ejemplo de grficos u
Ejemplo 2: En una lnea de
estampado de telas, se toman rollos
de 50 metros de tela y se cuenta en
cada uno de ellos el nmero de
manchas de pintura que se
presentan. Los resultados para 10
Muestra
1
2
4
5
6 a7
8
9
10 Total
muestras
se 3muestran
Defectos 14 12 20 11
7 10 21 16 19 23
153
continuacin:
Num
de rollos 10,0 8,0 13,0 10,0 9,5 10,0 12,0 10,5 12,0 12,5 107,5
1,40 1,50 1,54 1,10 0,74 1,00 1,75 1,52 1,58 1,84

1,42

57

2.5
2.0
1.5
1.0
0.5

Tasa de defectos por rollo

3.0

Ejemplo de grficos u (cont)

10

Tiempo

El grfico muestra un proceso claramente


bajo control.
58

Ejemplo de grficos u (cont)


En este caso una unidad
corresponde a un rollo de tela de 50
metros cuadrados. Otra eleccin
adecuada para la unidad sera
simplemente los metros cuadrados.
Cmo quedara el grfico de control
en ese caso? Proveen la misma
informacin ambos grficos?
59

Grficos u y el sistema de
demritos
En algunos casos no todos los tipos de
defectos que pueden presentar las
piezas tienen la misma gravedad. En
ese caso hay dos opciones:
Construir un grfico u para cada uno de los
tipos de defectos.
Asignar un puntaje a cada tipo de defecto
dependiendo de su gravedad y luego
graficar un ndice promediado de los
defectos.
60

Grficos p y el sistema de
demritos (cont)
Defecto
Demritos
#/ unidad

Grave
10
x3

Normal
5
x2

Leve
1
x1

En este caso se construye un grfico


muy similar al grfico u, pero donde la
variable de inters no es el nmero de
defectos sino el total de demritos por
unidad:
d x1 5 x2 10 x3

cmo hallar la esperanza y la varianza


de d?

61

Otros grficos para control


de atributos
Grficos np para control del nmero
de defectuosos. Se utilizan en las
mismas circunstancias que los grficos
p, pero necesitan que el nmero de
individuos muestreados sea constante
en el tiempo.
Grficos c para control de la cantidad
de defectos, que son un caso particular
de los grficos u. Tambin suponen un
nmero de individuos fijo en el tiempo

62

Variaciones sobre los


grficos de control
Construccin de lmites de control en
base a valores histricos de los
parmetros.
Construccin probabilstica de los lmites
de control. Aunque en la mayor parte de
los casos los lmites son
aproximadamente iguales a los limites
probabilsticos, para muestras pequeas
es posible mejorar.
63

Interpretacin de los
grficos de control
Necesitamos determinar si el proceso
est bajo control, lo cual se traduce en
que los puntos mostrados estn dentro
de los lmites de control y presenten un
comportamiento aleatorio.
Para esto se utilizan una serie de reglas
empricas, cuya presentacin se facilita si
el rea dentro de los lmites de control se
divide en regiones iguales.
64

10.5

Zona A
Zona B

10.0

Zona C
Zona C
Zona B

9.5

Caracterstica de Calidad

Interpretacin de los
grficos de control (cont)

Zona A

10

15

20

25

Muestra

65

Interpretacin de los
grficos de control (cont)
A las reglas empricas que se utilizan
para determinar si un proceso est
bajo control se les suele denominar
reglas de parada.
Corresponden a sucesos que tienen
muy baja probabilidad de ocurrir si el
proceso est bajo control.
Cada una de ellas provee informacin
sobre el tipo de causa asignable que
puede estar afectando al proceso.
66

Reglas de parada
Un punto fuera de la zona A.

10.5

Zona A
Zona B

10.0

Zona C
Zona C
Zona B

9.5

C aracterstica de C alidad

Corresponde a un cambio repentino en la


media o la dispersin del proceso.

Zona A

10

15

20

25

Muestra

67

Reglas de parada
Siete puntos en fila, todos
crecientes o decrecientes. Se

10.5

Zona A

10.0

Zona B
Zona C
Zona C
Zona B

9.5

C aracterstica de C alidad

presenta cuando hay cambios paulatinos


en la media, debida a desgastes en
herramientas o personal.

Zona A

10

15
Muestra

20

25

68

Reglas de parada (cont)


Catorce puntos en fila
alternando arriba y abajo. Indica

1 0 .5

Zona A

1 0 .0

Zona B
Zona C
Zona C
Zona B

9 .5

C a ra c te rs tic a d e C a lid a d

correlacin negativa entre los datos


(cuando hay excesos en una, a la
siguiente pieza es muy reducida y
viceversa).

Zona A

10

15
Muestra

20

25

69

Reglas de parada (cont)


Quince puntos en fila en la zona
C. El proceso ha reducido su varianza

10.5

Zona A
Zona B

10.0

Zona C
Zona C
Zona B

9.5

Caracterstica de Calidad

(hay sobreestabilidad en el sistema). Es


importante investigar la fuente de la
mejora.

Zona A

10

15
Muestra

20

25

70

Reglas de parada (cont)


Dos de tres puntos consecutivos
en la zona A o ms all. Indican un

1 0 .5

Zona A

1 0 .0

Zona B
Zona C
Zona C
Zona B

9 .5

C a ra c te rs tic a d e C a lid a d

incremento en la varianza del proceso.

Zona A

10

15

20

25

Muestra

71

Reglas de parada (cont)


Estructuras peridicas. Estas estn

10.5

Zona A
Zona B

10.0

Zona C
Zona C
Zona B

9.5

Caracterstica de Calidad

asociadas normalmente con cambios de


turnos, operarios, das de la semana, etc.

Zona A

10

15
Muestra

20

25

72

Reglas de parada (cont)


Nunca trate de explicar la influencia
de todos y cada uno de los eventos
que ocurren en la planta a travs de
grficos de control. El procedimiento
correcto es detectar ALARMAS y luego
usar los registros de eventos para
determinar si corresponden a causas
asignables o a causas comunes.
73

Interpretacin de los
grficos de control (cont)
El calculo del nivel de significancia para
las reglas de parada que se establezcan
es importante para un correcto anlisis.
Un punto que incumple una regla de
parada es una ALARMA pero no
necesariamente significa que nuestro
proceso est fuera de control, ya que si
no podemos ligarlo a una causa
asignable puede tratarse del azar.
74

Ejemplos adicionales
Ejemplo 3.- Dentro de
un proceso de moldeo
de PVC las piezas
elaboradas pueden
presentar o no defectos
superficiales. Cada da
se toman 100 piezas al
azar de la lnea de
produccin y se cuenta
el nmero de piezas
defectuosas.

Da
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15

Defectos
9
16
5
6
7
9
3
9
10
4
7
10
6
6
7

Da
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30

Defectos
9
5
6
4
11
3
1
3
0
4
6
1
6
5
4

75

Ejemplos adicionales (cont)


Tambin se dispone de un registro de
eventos en la lnea, que puede
resumirse como:
Da
Evento
5
Reemplazo de la mezcladora.
10 Nuevo empleado asume la operacin del
proceso.
18 Se comenz a utilizar resina (materia
prima) de otro proveedor.
22 Sustitucin del sistema de enfriamiento, lo
que permiti un incremento en la
temperatura de inyeccin de PVC.

76

Ejemplos adicionales (cont)

0.20
0.15
0.10

LSC=0.1323

0.05

LC=0.0606

0.0

Proporcion de piezas con defectos superficiales

El grfico p correspondiente a estos


datos es el siguiente

LIC=0.0000
0

10

15
Dia

20

25

30

77

Ejemplos adicionales (cont)


Si bien el punto 2 aparece fuera de los
lmites, no existe en el registro ningn
evento que nos haga creer que el
proceso se encontraba fuera de control.
Al llegar al punto 29 se presenta una
racha de 9 puntos bajo la lnea central
(lo cual tiene una probabilidad de
0,00195 en un proceso bajo control).
Esto se puede relacionar con el cambio
en el sistema de enfriamiento (da 22).
78
El 30 es similar.

Ejemplos adicionales (cont)


Nuestra conclusin es que la temperatura
de inyeccin influye sobre la frecuencia
en que aparecen defectos superficiales.
El cambio del sistema de enfriamiento
permiti elevar la temperatura, lo cual
redujo el nmero de defectos.
Para avalar nuestra observacin se podra
haber realizado una prueba de igualdad
de proporciones.
79

Tolerancias y capacidad
La literatura suele distinguir entre
dos tipos de tolerancias:
Tolerancias de diseo: las cuales son
fijadas por el departamento de
ingeniera. Estn relacionadas con el
concepto de calidad en el diseo.
Tolerancias de naturales: que vienen
dadas por las caractersticas de la
mquina o proceso.
80

Tolerancias y capacidad
(cont)
Si las tolerancias naturales de un proceso
son ms estrictas que las tolerancias de
diseo entonces es fcil obtener calidad
de conformidad.
Sin embargo, si las tolerancias de diseo
se vuelven incompatibles con las
tolerancias naturales de nuestro proceso,
muy difcilmente lograremos elaborar
productos que las satisfagan.
81

Tolerancias y capacidad
(cont)
Mercado

Tolerancias naturales

Tolerancias de diseo

Las tolerancias de diseo deben ser


realistas: deben representar un
compromiso entre el mercado y
nuestro sistema de produccin.
82

Estudios de capacidad
Su objetivo es cuantificar la variabilidad
inherente a un proceso o a una parte del
mismo (determinar tolerancias naturales)
y analizar dicha variabilidad en relacin
con las especificaciones del producto
(tolerancias de diseo).
No tiene sentido hablar de capacidad
para procesos que no se encuentran en
estado de control.
83

Estudios de capacidad (cont)


Los objetivos que se pueden perseguir a la
hora de realizar un estudio de capacidad
pueden ser diversas:
Determinar si nuestros procesos son capaces de
elaborar productos con la calidad que requiere
el mercado. Esto permite detectar la necesidad
de acciones drsticas.
Determinar valores razonables para las
especificaciones de un producto nuevo.
Elegir entre diversos proveedores.

84

Estudios de capacidad (cont)


En la industria a veces se habla de dos
tipos de capacidad
Capacidad de las mquinas (u operarios) o
capacidad a corto plazo.
Capacidad del proceso o capacidad a largo
plazo.

Los requisitos de capacidad a corto plazo


suelen ser ms exigentes que los de
largo plazo, puede decir por qu?
85

Estudios de capacidad (cont)


Se dice que un proceso es capaz
para producir un determinado
artculo a un nivel de calidad si la
probabilidad de que los productos
que se elaboran correspondan con
las especificaciones es al menos .
Est concepcin est ligada a una
funcin de utilizada 0-1.
86

Estudios de capacidad (cont)


El resultado de un estudio de capacidad
suele presentarse en la forma de un
histograma al cual se le aaden
indicaciones sobre el valor objetivo de la
caracterstica de calidad y los lmites de
especificacin de la misma. Tambin
pueden utilizarse los diagramas de control.
Adems, suelen utilizarse algunos ndices
para facilitar el anlisis.
87

Indices de capacidad
Si los procesos estn centrados:
Capacidad de mquinas
Capacidad de procesos

LST LIT
Cm
8
LST LIT
Cp
6

Los valores de 6 y 8 se han fijado de


modo que la conformidad sea de al
menos 99.865% y 99.997% si los datos
provienen de una distribucin normal.
88

Indices de capacidad (cont)


Ciertas industrias (aviacin, automviles)
utilizan otros valores como 10 y 12.
Se desea que el ndice de capacidad sea
tan grande como sea posible:
Si Cp < 1 se dice que el proceso no es capaz.
Si 1 < Cp < 1.33 el proceso es capaz, pero
cualquier pequeo cambio en las condiciones
puede hacer que pierda esta cualidad.
Si Cp > 1.33 el proceso es capaz y robusto.
89

Indices de capacidad (cont)


Cuando el proceso no est centrado
se hace necesario redefinir los
ndices.
Para mquinas:
LST X X LIT
C mk min

Para procesos:
LST X X LIT
C pk min

90

Indices de capacidad (cont)


Puede comprobarse fcilmente que
C mk C m

C pk C p

y que la igualdad se cumple si y solo si el


proceso est centrado. Adems, entre
mayor es la diferencia, mayor es el
descentramiento
Los ndices Cmk y Cpk pueden interpretarse
como la capacidad hasta la tolerancia ms
prxima.
91

Indices de capacidad (cont)


De hecho, la misma idea sobre la que
se basan estos ndices puede utilizarse
en el caso de especificaciones
unilaterales. Cmo podra hacerlo?
En algunos casos se estudia la
evolucin de la capacidad del proceso
en el tiempo mediante grficos de
control.
92

Capacidad y falta de
normalidad
Si la distribucin de los datos no es
normal, es posible que aparezcan ms
defectos de los que se esperan bajo un
ndice de normalidad.
Una forma de corregir el problema es
hallar lmites universales (desigualdad de
Chebyshev), pero estos tendern a ser
demasiado amplios.
Otra forma es ajustar una distribucin.
93

Ejemplos
Ejemplo 5: Se tienen datos sobre la
resistencia a la presin interna de botellas
para gaseosas en 20 muestras de 5
observaciones cada una. Los grficos de
control correspondientes pueden verse a
continuacin. Las especificaciones para el
proceso establecen que la resistencia debe
ser superior a 200, y no se establecen
valores mximos.
94

3
0
0
2
5
0
2
0
0

M
e
d
i
a
s

3
5
0

Ejemplos (cont)

10

11

12

13

14

15

16

17

18

19

20

11

12

13

14

15

16

17

18

19

20

1
0
0
0
1
0
0

R
a
n
g
o
s

2
0
0

10
x

95

Ejemplos (cont)
De las grficas es claro que el proceso
est bajo control. Por tanto podemos
estimar la variabilidad natural del
proceso debida a causas comunes
como:
R
77,3

33,23
d 2 2,326
y la localizacin del proceso como
X 264,06
96

Ejemplos (cont)
Ntese que el lmite de especificacin es
unilateral (botellas con mucha resistencia
no son de ningn modo defectuosas). As
pues:

LIT 264,06 200


C pkl

0,64
3

33
,
23
Lo cual es un valor muy bajo, especialmente
si consideramos que se trata de un
parmetro relacionado con la seguridad.
97

35

Ejemplos (cont)

21
14
0

F re c ue nc ia a b so lu ta

28

LIE

160

180

200

220

240

260

280

300

320

340

360

Resistencia interna

La muestra presenta un 3% de observaciones fuera de


especificacin, en lnea con el 2,6% que se espera de la
aproximacin normal. Cmo se obtiene este ltimo
nmero?

98

Ejemplos (cont)
Este es un ejemplo de un proceso bajo
control (estable) pero que funciona a un
nivel de calidad inaceptable (capacidad
insuficiente).
La produccin de artculos defectuosos
en este caso no puede ser controlada por
el operario ya que solo estn presentes
causas comunes. Es necesaria la
intervencin de la gerencia.
99

Ejemplos (cont)
De hecho, es fcil calcular el nivel de
variabilidad aceptable para el proceso.
Si se desea un ndice de capacidad de
1,33 entonces

LIT 264,06 200

16,055
3 1,33
3 1,33
es decir, se hace necesario cortar la
dispersin a menos de la mitad.
100