Professional Documents
Culture Documents
https://www.facebook.com/pages/InterfaseIQ/146073555478947?ref=bookmarks
Aplicacin de la
Estadstica al
Control
de Calidad
ngel Pola Maseda
P R O D U C T I C A
ISBN: 978-84-267-0691-1
Depsito Legal: B-42.729-92
Impreso en Espaa
Printed in Spain
Fotocomposicin: FOlNSA-Passatge Gaiol, 13-15 -08013 Barcelona
Impresin: Vanguard Grfic, S.A. -Joan Mir, 17-19 - 08930 San Adri
de Bess (Barcelona)
Presentacin
ndice general
Introduccin .................................................................................
Concepto de calidad .................................................................
Estadstica y calidad .................................................................
9
10
12
15
Variaciones ..................................................................................
Variables o atributos ....................................................................
Recogida de informacin ..........................................................
Inspeccin total. Muestreo ...........................................................
Tipos de muestreo .................................................................
Datos previos al muestreo ........................................................
Presentacin de datos ..............................................................
Recorrido o rango.....................................................................
La moda ................................................................................
Datos agrupados ......................................................................
La media aritmtica ..................................................................
La mediana .............................................................................
Desviacin .............................................................................
Desviacin tpica ...................................................................
Representacin grfica ..............................................................
El grfico lineal ......................................................................
Diagrama de barras .................................................................
Diagrama de sectores ............................................................
El histograma .......................................................................
Polgono de frecuencias .........................................................
Curva de frecuencias ...........................................................
15
17
18
19
20
23
24
28
28
29
31
31
32
33
35
35
36
37
39
42
43
............
45
Probabilidades ..........................................................................
Variable aleatoria ......................................................................
Distribuciones de probabilidad .................................................
Distribucin normal ...............................................................
Distribucin exponencial .......................................................
Distribucin binomial ..............................................................
Distribucin de Poisson .........................................................
Intervalos de confianza para la estimacin de parmetros .
45
51
52
55
61
62
65
66
...................................
69
Introduccin .................................................................................
Grficos de control.......................................................................
69
73
ndice general
................................
75
75
76
78
80
81
87
Introduccin..................................................................................
El grfico p ............................................................................
El grfico np ...........................................................................
El grfico c ............................................................................
El grfico u ...........................................................................
Interpretacin de los grficos de control por atributos..................
Control continuo del proceso ....................................................
87
87
88
89
89
91
92
ESTUDIOS DE CAPACIDAD
..........................................................
95
Introduccin.................................................................................
Interpretacin de los grficos de capacidad ................................
95
99
APNDICE .......................................................................................
103
El Control de la Calidad.
Enfoque histrico
INTRODUCCIN
Hasta finales del siglo XIX la empresa era muy distinta de lo que hoy es.
Orientada generalmente a lo agrcola, minero o comercial, la explotaban
sus propietarios, con la aportacin del esfuerzo fsico de obreros o esclavos. La calidad ocupaba un segundo plano, determinado por el desconocimiento del consumidor y la falta de competencia.
Con la revolucin industrial, el maquinismo, la automatizacin, las ideas
de pensadores como Marx y la aplicacin de nuevos sistemas de gestin
establecidos por Taylor, nace un nuevo tipo de empresa. El mercado se
hace ms competitivo, lo que lleva a los empresarios a controlar la calidad
de sus productos.
El inicio del control estadstico de calidad se remonta a 1.924, cuando en
los laboratorios de la Bell Telephone se aplicaron por primera vez grficos
estadsticos para el control de calidad de productos manufacturados.
En 1.931 se publicaba en Nueva York un libro titulado Control Econmico de calidad de productos manufacturados. Aunque este libro buscaba la
"economa" del control de calidad, la mayora de las aplicaciones resultaron altamente costosas. De aqu que, cuando mencionamos el control de
calidad a muchos fabricantes que vivieron en esa poca, el recuerdo que
llega a su mente es de grandes esperanzas sobre reduccin de costes,
montones de papeles y trabajo administrativo, seguido de la desilusin
resultante de objetivos valiosos, pero no logrados.
En la dcada de 1.940 comenz el desarrollo y aplicacin de tablas de
muestreo para inspeccin. Se publicaban tablas de muestreo para usos
militares y se aprueba su empleo por las fuerzas armadas.
El Dr. Eduards Deming, especialista en Estadstica, visit el Japn en
1.950. El pueblo japons se recuperaba de los estragos de la guerra, las
industrias trataban de salir a flote, pero la calidad de los productos japoneses era muy inferior a la que presentaban los productos importados. El Dr.
Deming en una conferencia ante dirigentes de las grandes industrias,
afirm que si se implantaba en sus fbricas un adecuado control estadstico de la calidad, la marca "Made in Japan" llegara a ser un smbolo de alta
calidad.
En 1.954 el Dr. J. M. Juran, experto en control de calidad, difunde el
entusiasmo por los mtodos estadsticos y los sistemas de control de
calidad, no slo entre los especialistas de cada empresa, sino tambin
entre todos los dirigentes y mandos intermedios.
Esta inquietud se extiende a todo el pueblo japons, al cual se le
9
sin. As diremos, calidad no es, necesariamente, lujo, complicacin, tamao, etc. Necesitamos efectuar una segmentacin del mercado y definir los
parmetros correspondientes para cada segmento, en funcin de lo que
ste considere como "adecuacin al uso". Los parmetros de calidad
cambian del fabricante al cliente, incluso entre los propios clientes. Mientras el cliente entiende la calidad como la adecuacin al uso, el fabricante
suele entenderla como un cumplimiento con las especificaciones de
diseo. Surge as la "calidad de diseo", que se alcanzara cuando las
especificaciones fueran tales que garantizaran la adecuacin al uso que
busca el cliente.
Figura 1. Concepto de
calidad.
11
13
Recogida de informacin.
Representacin grfica
VARIACIONES
Como hemos visto hasta ahora, la Estadstica ha venido penetrando en
el sector industrial, alcanzando en nuestros das una vital importancia
como herramienta imprescindible en cualquier tipo de empresa y en las
distintas reas de trabajo.
Figura 5. Diagrama de las 6M,
donde se observan
los factores causantes de las
variaciones en un
proceso de fabricacin.
necesario que entre los elementos que deseamos estudiar existan "variaciones". Esto puede parecer contradictorio, dado que el objetivo a alcanzar es unificar resultados. En el caso de la fabricacin de un producto, el
ideal de la empresa sera que todos los productos fabricados tuvieran
exactamente la medida nominal deseada. Ante un caso como ste, no
tendra sentido la aplicacin de tcnicas estadsticas. Pero la realidad est
muy lejos del ideal antes mencionado. Lo cierto es que en todo proceso
productivo, por muy automtico que sea, existen variaciones. Definiremos con mayor claridad lo que es una variacin:
16
Tericamente, decimos que no existen dos piezas iguales. Si no presentan diferencias en el peso, puede haberlas en la longitud, el espesor, la
dureza, el acabado, la presentacin, etc.. Unas u otras siempre son observables.
VARIABLES O ATRIBUTOS
Estas diferencias pueden ser cuantificables o no. En lo que se refiere al
primer tipo, podemos emplear instrumentos para medir las diferencias
existentes entre las piezas, en las distintas caractersticas objeto de estudio, otorgando a cada una el valor numrico correspondiente de acuerdo
con la escala de medicin utilizada. Las caractersticas que son as cuantificables las denominamos VARIABLES.
Existen otras caractersticas cuya variacin no podemos cuantificar, pero
que igualmente son objeto de estudio. Nos referimos a los ATRIBUTOS.
Podemos mencionar, como ejemplo de este tipo, el acabado, la presentacin, el color y muchas otras que podemos observar en el cuadro de la
figura 7.
Figura 7. Tipos de
caractersticas que se pueden
presentar en el trabajo.
Tipos de muestreo
La figura 10 describe el muestreo como la seleccin de un subconjunto
de elementos de una poblacin o universo, que posteriormente sern
sometidos a estudio y anlisis para obtener resultados aplicables a la
totalidad de la poblacin de donde fueron extrados.
Para que las conclusiones o resultados obtenidos sean vlidos, la muestra seleccionada tiene que ser REPRESENTATIVA del conjunto de donde
procede. De no ser as, se estaran cometiendo errores.
Existen distintos tipos de muestreo que pueden aplicarse para garantizar
la representatividad de la muestra. Figura 11.
20
39
36
84 28 78
34 66 34
80
06
28
54
78
19
82
78
67
09
Si aparecen nmeros repetidos, podemos optar por estudiar el elemento al que representan tantas veces como suceda la repeticin, procesando la informacin en cada caso como si de elementos distintos se tratara, o
sustituir los repetidos por nuevos nmeros de la tabla. Considerando la
ltima opcin, nuestra muestra la formaran las piezas o elementos con los
nmeros:
06
47
09
54
11
66
19
67
28
78
34 36
80 82
39
84
24
Los datos recogidos se anotan en el cuadro correspondiente a VALORES, figura 14, a medida que se van obteniendo.
Obsrvese que el registro de los valores en la forma anterior no da una
idea clara del comportamiento de las piezas estudiadas. Se hace necesaria
una presentacin que ayude ms en el estudio, en la cual los datos aparezcan ordenados y clasificados.
Figura 15. Tabla de frecuencias
de los datos correspondientes
a la pieza en estudio (datos
individuales).
16,02
16,03
16,04
2) En la columna de frecuencias (F) se escribe el nmero correspondiente a la cantidad de "marcas" que aparecen en cada fila.
3) Se traduce la frecuencia de cada fila a porcentaje, mediante la expresin:
%=
F x 100
N. total de datos
3 x 100 300
=
=6
50
50
26
Recorrido o rango
Es una medida de la dispersin de los valores. Podemos definirlo como
la "distancia" existente entre el valor mximo y el mnimo de la muestra:
Para determinarlo podemos seguir las pautas de la figura 17(a). Obsrvese el ejemplo que presenta el cuadro de la figura 17(b).
El rango tiene muchas aplicaciones en la empresa, en particular en el
control estadstico de procesos, que desarrollaremos ms adelante.
La moda
Es una medida de tendencia central. Da idea de dnde se centra el
conjunto de datos. Se define como el
o tambin:
Datos agrupados
Si en el conjunto de datos recogidos aparecen valores muy dispersos (si
el rango es grande), es posible que la tabulacin de datos presentada
antes no sea de gran ayuda, puesto que aparecern muchos valores
distintos que darn lugar a una informacin poco precisa. Considrese a
tal efecto la tabla de datos de la figura 18(a). En ella aparecen 21 valores
distintos, con sus respectivas frecuencias, pudiendo observar que para
algunos la frecuencia es cero y no por eso dejan de aparecer en la tabla.
(a)
(b)
29
24 = 12X2
24 = 8X3
Cualquiera de las tres formas puede ser vlida. Segn lo visto antes la
que despreciara menos informacin sera la segunda.
Teniendo ya los valores agrupados pueden determinarse las columnas
correspondientes a (%); (FA) y (% A), de igual forma que si se tratara de
valores individuales. Ver las figuras 15 y 16.
En cuanto a la interpretacin, las frecuencias y los porcentajes se refieren ahora al intervalo de clase respectivo y no a valores individuales. Las
frecuencias y los porcentajes acumulados toman como referencia el valor
superior de cada intervalo de clase. Por ejemplo: 6 sobres de la muestra
tienen pesos iguales o inferiores a 1,89 gramos. Ver figura 18(b).
La Media Aritmtica
Cuando se trabaja con conjuntos de valores, resulta muy importante
conocer la tendencia central del conjunto. Antes definimos la moda como
una medida de la tendencia central. Ahora nos referiremos a la media
aritmtica como la principal y ms efectiva de estas medidas. Podra
definirse como el punto de equilibrio entre los valores que estn por
encima y los que quedan por debajo de ella.
Figura 19. Pasos a seguir para
el clculo de la media
aritmtica.
La figura 21 nos muestra los pasos a seguir para calcularla. Suele denotarse
por x o por las letras Mdn.
En la figura 22 aparece un ejemplo del clculo de la mediana para una
muestra de 5 elementos.
Figura 21. Pasos a seguir para
el clculo de la
mediana.
33
donde:
=suma
xi =Valores individuales
=Media aritmtica
n =nmero de valores individuales considerados
Las letras griegas y suelen usarse para denotar parmetros de la
poblacin. Si se trata de valores de una muestra, usamos en su lugar s y x ,
respectivamente.
Cuando el nmero de valores considerados es pequeo (menor que
100) se introduce un factor de correccin, sustituyendo el denominador n
por n1. La expresin anterior queda entonces, en este caso:
10,05
10,07
10,03
10,09
entre 4 (puesto que n1 = 51=4) y extraemos la raz cuadrada. El resultado positivo de la raz es la desviacin estndar que buscamos.
No entramos en ms detalles respecto al clculo, pues, hoy en da, con
cualquier calculadora puede efectuarse de forma sencilla y rpida.
En definitiva, tenemos a la desviacin estndar como una medida de la
dispersin o variabilidad, de enorme importancia. En los captulos siguientes se desarrollan aspectos en relacin con su significado y aplicaciones,
as como formas de determinarla grficamente.
REPRESENTACIN GRFICA
Hasta aqu se han desarrollado distintas formas de recoger informacin,
ordenarla y clasificarla para poder describir el comportamiento de nuestros datos de forma ms simple, pudiendo transmitir a otros dicha informacin resumida y fcilmente comprensible. Muchas veces no es suficiente
con esto y necesita acompaarse de grficos que ilustren dicho comportamiento y que permitan efectuar mejor los anlisis. Veamos cmo construir
algunos grficos importantes y cmo pueden utilizarse en la empresa.
El Grfico Lineal
Es una de las formas ms sencillas de representar los datos para que
podamos visualizar las variaciones de la caracterstica objeto de anlisis.
Trataremos de explicarlo mediante un ejemplo:
35
37
llamado diagrama circular o "del pastel", dada la forma que tiene. El diagrama circular suele obtenerse en base a porcentajes. Veamos un ejemplo
con los datos de la tabla de la figura 28.
Figura 28. Cuadro con los
resultados de la
conversin de las ventas a
porcentajes y a ngulos
para poder construir el
diagrama circular.
Para obtener los porcentajes, multiplicamos por 100 las ventas totales
de cada artculo y dividimos el resultado entre el total.
Por ejemplo, para hallar el porcentaje para el artculo B:
%B=
Figura 29. Diagrama circular
mostrando las ventas
de cinco artculos, de acuerdo
con la tabla de la figura
28.
38
El Histograma
Al observar un diagrama lineal, se aprecia con facilidad el comportamiento de los datos, uno a uno. Aunque, como se ha visto, resulta de gran
utilidad este grfico, es difcil extraer de l conclusiones referentes al
conjunto de datos de forma directa, pero puede servirnos de base para la
explicacin de otro grfico que nos permita obtener las conclusiones
deseadas. Nos referimos al Histograma.
39
En Estadstica existe una regla llamada "de los tres cuartos" que est
directamente relacionada con la construccin de un histograma. En ella
se seala que la relacin entre los ejes vertical y horizontal de un histograma debe ser de 3 a 4. Es decir, construido ya el eje horizontal con sus
valores, dividimos el espacio destinado a ste en cuatro partes; tomando
40
44
Probabilidades. Distribucin
de probabilidad
PROBABILIDADES
46
cuando
n
Figura 40. Concepto clsico
de probabilidad.
Aplicando este concepto al lanzamiento de una moneda legal, obsrvese que tiene dos posibilidades al caer:
a) Que salga CARA.
b) Que salga CRUZ.
pero, en realidad, slo obtendremos una de esas posibilidades, por eso, la
probabilidad de que salga, por ejemplo, cara, la determinamos dividiendo
el nmero de casos favorables (cara) entre el nmero de casos posibles
(cara o cruz). La figura 41 muestra los valores correspondientes.
Figura 42. Probabilidad de
obtener el tres al
lanzar un dado.
49
A B=2
Cuando calculamos la P (A B) tenemos que restar del resultado la P (2)
pues de no hacerlo se estara considerando en ambos casos:
P (A B) = P (1) + P (2) + P (2) + P (4) + P (6) - P(2)
P (A )
P (B )
= 2/3
P(A B)
E = A B
P (E) = P (A B)
Cuando se procede a sacar el primer tornillo, la caja contiene 9 buenos
de un total de 10, luego:
P(A) = 9/10
Al proceder a extraer el segundo, como ya sacamos 1 bueno, quedarn
50
(probabilidad condicional)
P(x = 1) = 0,50
P (0,5 x 3) = 0,75
Ntese que x slo puede tomar los valores 0,1 o 2, por lo que la expresin
anterior es equivalente a
P (1 x 2) = 0,75
La variable aleatoria elegida en este caso, slo puede tomar algunos
valores enteros positivos. Lo mismo sucede con las variables:
Nmero obtenido al arrojar un dado.
Nmero de piezas defectuosas encontradas en una inspeccin.
Nmero de defectos observados en una muestra.
51
P(x=2)=1/6;...;
P(x=6)=1/6
52
f (x )
xi x
Hasta aqu hemos establecido las definiciones en el caso de una variable aleatoria discreta.
Si la variable fuese continua tendramos:
x
F ( x ) = f (v ) dv
Distribucin Normal
se agrupan cerca de la media. En el caso de =3 los valores correspondientes a esta curva estn ms dispersos.
Para la aplicacin prctica de la distribucin normal, es imprescindible
conocer el rea bajo la curva, en las distintas zonas. Considerando la base
de la curva dividida en unidades de desviacin estndar, pueden definirse
los porcentajes de rea correspondientes a cada zona. Se comienza la
subdivisin partiendo de la media, haciendo corresponder sta con el
punto cero. Siguiendo hacia la derecha, en la abscisa correspondiente al
punto de inflexin (donde la curva cambia de convexa a cncava) se sita
+ 1 . El espacio comprendido entre la media y +1 corresponde a la
Figura 51. Porcentajes de rea
bajo la curva de
distribucin normal.
56
x-
donde
Z = Nmero de unidades de desviacin medidas a partir de
= Media de la poblacin
= Desviacin estndar de la poblacin
x = Valor que queremos estandarizar.
Si estudiamos una muestra en lugar del total de la poblacin, estimamos la media poblacional por la media muestral x y la desviacin
estndar
por la desviacin de la muestra s.
Con lo visto hasta aqu, podemos hacer predicciones para la poblacin,
basndonos en los resultados de la muestra. El siguiente ejemplo ilustra
esta explicacin.
Un fabricante deduce de su experiencia anterior que la vida de una
determinada bombilla se distribuye normalmente. Ha ensayado una muestra, hallando que la vida media es de 60 das, con una desviacin tipo de
16,26 das. Cuntas bombillas de toda la poblacin puede esperar que
sigan funcionando despus de 100 das?.
Estandarizamos el valor 100 das:
z=
x - x 100 60
=
= 2, 46
s
16,20
58
61
= nmero de xitos.
determinar su valor.
62
5
0
P (x = 2) = f (2) =
P (x=3) = f(3) =
P (x=4) = f(4)=
5
2
5
4
P(x=5) = f (5) =
o tambin:
=
n . p . (1-p )
dado que q =1 p
p (1-p ) / n
media = n p y desviacin standard = n p q . La aproximacin resulta conveniente si np>5 con p<0,5 y nq>5 con p>3,5.
Distribucin de Poisson
Fue introducida a principios del siglo pasado por S.D. Poisson. Es otra de
las distribuciones discretas con importantes aplicaciones.
Resulta ser una buena aproximacin de la distribucin binomial cuando
existe un gran nmero de ensayos y una probabilidad de xito pequea en
un solo ensayo, siendo aplicable cuando:
n 16
N 10n
p 0,1
= c
= c
np =
np
i =1
c=
c
i =1
65
{x K x + K}
donde K es:
K=z.
/ n
100 = 0,774
El resultado obtenido significa que, si de una muestra de 100 mediciones la media es x = 12, en una poblacin con = 3, tenemos una probabilidad del 99% de que la media poblacional est comprendida entre los
valores 11,226 y 12,774.
Figura 58. Intervalo desde
-2,58 a +2,58 o que
contiene el 99 % del rea total
bajo la curva normal.
donde:
n: tamao de la muestra.
z: coeficiente de la distribucin normal que depende del nivel de
confianza elegido.
: desviacin estndar de la poblacin.
L = 2k: longitud que deseamos que tenga el intervalo (algunas veces se
expresa como el error permitido).
Supngase que se necesita conocer n para obtener un intervalo del
95% de confianza, de longitud 0,5, en una poblacin con = 2.
68
INTRODUCCIN
Consideramos un proceso como una combinacin de mquinas, materiales, mtodos, mano de obra, medio ambiente y mantenimiento, que
intervienen en la produccin.
El control de calidad tradicional en un proceso de fabricacin, se caracteriza por desarrollarse despus de la fabricacin del lote de producto,
como indica la figura 59. Los productos fabricados son sometidos a una
"deteccin", que permite decidir cules son productos buenos, separndolos de los que resultan defectuosos. Los productos buenos siguen su
curso hacia el mercado. Los defectuosos que pueden recuperarse regresan para ser reprocesados, mientras que los no-recuperables pasan a la
"chatarra", convirtindose en desperdicios.
Figura 59. Control tradicional
de un proceso de
produccin.
Este sistema es poco fiable ya que, al existir un nico punto de deteccin, pueden pasar desapercibidos algunos productos defectuosos. Es
antieconmico, pues tolera el desperdicio. La informacin de los resultados de la produccin es tarda.
Pueden pasar perodos de varios das o an mayores, en los que se
siguen fabricando productos defectuosos, por no disponer de una infor69
macin rpida y fluida en el sistema que permita tomar acciones correctivas en el menor tiempo posible.
En la actualidad est ms que probado que del diseo del proceso
productivo y de la forma de desarrollarlo dependen la calidad y la productividad. Por esto la filosofa actual intenta pasar del tradicional control por
deteccin a un control preventivo que evite el desperdicio y resulte ms
fiable y econmico. La figura 60 nos muestra un esquema del control
preventivo del proceso. En este grfico se sealan unas lneas finas verticales que salen de cada una de las operaciones que se efectan, transmitiendo constantemente informacin sobre el comportamiento del proceso
de produccin. Esta informacin se obtiene estudiando las "caractersticas
significativas" en cada uno de los estados intermedios u operaciones,
recopilando, analizando e interpretando los datos obtenidos. A travs del
anlisis e interpretacin de estos datos se decide la necesidad de adoptar
medidas correctivas.
Figura 60. Control preventivo
del proceso de
produccin.
Considerando que en el proceso intervienen los factores antes sealados y que todos ellos, como vimos en el primer captulo, pueden generar
variaciones por distintas causas, diferenciaremos ahora entre dos tipos
de causas de variacin:
Causas comunes de variacin.
Causas especiales de variacin.
Las causas comunes o aleatorias, llamadas tambin causas no asignables
producen muchas variaciones de pequea magnitud que, sumadas unas a
otras, dan lugar a un comportamiento patrn que resulta estable en el
tiempo. La figura 61 permite observar la estabilidad del comportamiento a
lo largo del tiempo. Por tener las variaciones debidas a causas comunes, un
comportamiento patrn, y ser estables en el tiempo, se puede predecir la
variacin que existir en un futuro prximo, pues sta tiene carcter
permanente, con lo cual slo puede modificarse mediante la adopcin de
medidas correctivas.
Las medidas correctivas, tendentes a minimizar la variacin debida a
71
GRFICOS DE CONTROL
eliminando las causas especiales de variacin. Para ello, se toman muestras del proceso, que se contrastan para ver si existen diferencias significativas entre cada una y el conjunto de todas las muestras. Si se observase que
no hay diferencias significativas, indicara que en el momento de tomar
dicha muestra slo existan en el proceso causas de variacin aleatorias.
Aunque estas comprobaciones pueden efectuarse analticamente, resultan mucho ms simples si se realizan a travs de un grfico de control. La
figura 65 seala los beneficios que ofrece el uso de grficos de control.
Figura 65. Beneficios de los
grficos de control.
GRFICO DE INDIVIDUOS
75
de grficos. Tambin aparece all una hoja de registro para el control del
proceso, que debe acompaar siempre a todo grfico de control. Esta hoja
tiene gran importancia para el anlisis del grfico al que corresponde, pues
en ella quedan registradas todas las incidencias que se han presentado a lo
largo de la fabricacin y que pueden haber dado lugar a variaciones
sustanciales en el grfico.
Una simple revisin de los registros anotados puede darnos a conocer,
en muchos casos, las causas de variacin que estn influyendo en el
proceso.
El grfico de individuos tiene aplicacin cuando se dispone de pocos
datos para el estudio, como en el caso de lotes de fabricacin pequeos.
Uno de los inconvenientes de su aplicacin es que dependen del comportamiento de la distribucin de los datos, que puede ser muy irregular en
algunos casos, lo que dificulta su posterior anlisis. Otro de los inconvenientes que presenta es la poca sensibilidad para detectar cambios en el
proceso de fabricacin.
GRFICO DE MEDIAS/RANGOS
Si en vez de considerar los datos uno a uno, los agrupamos en pequeas muestras, determinamos la media de cada una y las representamos en
un diagrama lineal como el anterior, el resultado ser lo que se conoce con
el nombre de grfico demedias. Se caracteriza por ser mucho ms sensible
a los cambios que el grfico de individuos, pues la desviacin de una
distribucin de medias es menor que la correspondiente a los individuos
de la misma poblacin, segn indica la expresin:
donde:
= Desviacin de la distribucin de medias.
= Desviacin de la distribucin de valores individuales.
n = Tamao de las muestras de donde se han extrado las medias.
x
77
El clculo de R es similar al anterior. La figura 69 indica cmo determinarlo, agregando un ejemplo para un grupo de 10 muestras.
Se procede de igual forma en el ejemplo de la figura 67, considerando
que en ese caso el nmero de muestras es igual a 26.
Lmites de control
R =12,65
Como hemos tomado muestras de tamao 4, las constantes correspondientes se seleccionan de la tabla situada en el extremo inferior derecho
del impreso, para la fila de n =4.
Estas son:
A2 = 0,729
D3 = 0
D4 = 2,282
0 .12,65= 0
79
82
La posicin de los puntos dentro del rea de control. Entendiendo como tal
la zona comprendida entre los lmites, es la siguiente, para un conjunto de
20 a 25 muestras:
En la zona central se sita el 68% del total de puntos del grfico.
Figura 72(a). Equivale a decir que en esta zona deben existir entre 12 y 18
puntos, aproximadamente. Es necesario intervenir el proceso si hay 13 o
ms puntos consecutivos en la zona central.
En la zona media debe aparecer el 27 % de los puntos. Deben existir
entre 6 y 10 puntos, aproximadamente. Se hace necesario intervenir si hay
4 o ms consecutivos. Figura 72(b).
La zona externa contiene aproximadamente el 5 % del total de puntos. Deben existir entre 1 y 3 puntos, aproximadamente. Hay que interve83
nir si aparecen dos consecutivos. La figura 72(c) define esta zona como la
ms prxima a los lmites de control.
Si los puntos del grfico que estamos analizando no se corresponden
con lo antes sealado, verifiquemos que los lmites estn bien calculados y
marcados.
De no haber errores de clculo o representacin, las posiciones indebidas de los puntos pueden indicar mezclas o estratificaciones en las piezas
Figura 72. rea de control o
espacio entre lmites
subdividido en zonas, (a) Zona
central que debe estar
ocupada por el 68 % de los
puntos, aproximadamente.
(b) Zona media, donde debe
ubicarse un 27%. (c)
Zona externa, destinada al 5 %
de los puntos del
grfico.
Deben estudiarse porque pueden ser aviso de condiciones desfavorables que hemos de corregir.
Tambin pueden indicar una tendencia favorable, que nos puede llevar
a una mejora permanente en el proceso.
Han de estudiarse cuando la pauta sea de 7 puntos o ms.
Diferenciaremos entre cuatro tipos de tendencias:
1)
2)
3)
4)
86
INTRODUCCIN
Cada unidad objeto de control debe registrarse slo una vez (conforme/no conforme) sin importar el nmero de defectos que presente.
Se necesitan muestras grandes, recogidas en un mismo perodo de
operacin del proceso. Las muestras han de tener un tamao tal que
permita la aparicin de defectos o piezas defectuosas. Es aconsejable que
el tamao de la muestra sea constante. En su defecto, la variacin mxima
permitida ser de un 25 % en relacin con el tamao medio de la muestra.
Si el tamao de una muestra excede este mximo permitido, habr que
calcular lmites de control especiales para dicha muestra.
La frecuencia de muestreo debe establecerse en consonancia con los
perodos de produccin.
Para estimar el comportamiento del proceso deben examinarse al menos
20 muestras.
La obtencin de valores y lmites correspondientes al grfico p se
muestra en la figura 75.
Figura 75. Frmulas para el
clculo de valores y
lmites del grfico "p .
El grfico np
El grfico c
grfico c, slo que aqu se obtiene el resultado por unidad. Utiliza los
mismos datos bsicos que el tipo anterior. Debe emplearse si el tamao
de la muestra no puede mantenerse constante de un perodo del proceso
a otro.
Conviene que las muestras sean de tamao constante para facilitar los
clculos, aunque utilizando los mismos lmites de control se permite una
variacin del 25 % en el tamao con respecto a la muestra media.
En la figura 78 podemos ver cmo determinar los valores y lmites de
control del grfico u.
Si en cualquier grfico por atributos, el lmite inferior diera un resultado
negativo, se despreciara dicho valor, situando el lmite en la lnea del cero.
Figura 78. Frmulas para
determinar la lnea
media y los lmites
del grfico "u".
90
La figura 79 contiene un grfico p. Se han recogido en l datos correspondientes a muestras de tamao variable, siendo el tamao medio
muestral igual a 120 unidades. Los valores que aparecen en el apartado
"cantidad" corresponden al nmero de forros defectuosos, por tener hilos
sueltos, encontrados en cada muestra.
Dividiendo el nmero de defectuosos entre el tamao de la muestra
correspondiente, obtenemos el valor de p (proporcin defectuosa).
A partir de aqu, se determina la media p que, por un lado, usaremos
para el clculo de los lmites (figura 75) y por otro, para representar la
media con lnea gruesa de trazos en el grfico. En base al valor del lmite
superior construimos la escala del grfico y a partir de ella dibujamos los
lmites, la media y los puntos. En la figura 79 puede apreciarse un descenso
sustancial a partir del da 20 como resultado de una mejora introducida en
el proceso. En el apndice aparece un impreso para la construccin de
estos grficos.
INTERPRETACIN DE LOS GRFICOS DE CONTROL POR ATRIBUTOS
91
93
Estudios de capacidad
INTRODUCCIN
El estudio de capacidad es una forma de comparacin entre la variabilidad permitida en el diseo de una pieza y la variabilidad obtenida en la
fabricacin de la misma. La variabilidad permitida en el diseo se refleja en
las especificaciones y tolerancias de la pieza. La variabilidad obtenida en la
fabricacin la determinamos con el estudio estadstico de un conjunto de
piezas fabricadas.
Para iniciar un estudio de capacidad debe definirse la caracterstica a
estudiar, con sus correspondientes especificaciones.
Es necesario que los instrumentos de medida a utilizar estn en perfecto
estado, teniendo como mnimo una precisin de 1 /10 de la tolerancia que
tiene la caracterstica a medir.
Figura 81. Tipos de estudios
de capacidad.
Estudios de Capacidad
s = 0,002
TI = 25
Ts = 25,02
Estudios de capacidad
CmK o CpK =
Diferencia menor
0,0075 0,0075
=
=
= 1,25
3s
3 0,002 0,006
97
98
Estudios de capacidad
Estudios de capacidad
101
Apndice
1)
2)
3)
4)
5)
6)
7)
8)
9)
10)
11)
12)
13)
14)
103
104
Apndice
105
Z=
xi
106
Apndice
5) Distribucin exponencial
n
6) Tabla de nmeros combinatorios
k
107
7) Distribucin binomial
108
Apndice
109
110
Apndice
111
Grficos R
Grficos s
112
Apndice
113
C.E.P.
e
NC
N
n
F
%
FA
%A
R
Mo
x
Xi
x
DM
s
TI
TS
S
E
FR
P
n
f(x)
F(x)
xi X
x
V
p
q
n
x
np
p
np
nq
c
K
L
c
u
u
LSx
LIx
114
Apndice
x /R
x
LSx
LI x
R
A2
s
x /R
x
A2
B3
B4
LSp
LIp
LSnp
Llnp
LSc
LIc
LSu
Llu
D3
D4
x /s
A1
115