Professional Documents
Culture Documents
CONTROL ESTADSTICO
DEL PROCESO
Octubre, 2006
Pgina 1
CONTROL ESTADSTICO DEL PROCESO Dr. P. Reyes / Octubre 2006
1. INTRODUCCIN 4
1.1 Historia del control estadstico del proceso 5
1.2 Mtodos estadsticos para la mejora de la calidad 10
Pgina 2
CONTROL ESTADSTICO DEL PROCESO Dr. P. Reyes / Octubre 2006
Pgina 3
CONTROL ESTADSTICO DEL PROCESO Dr. P. Reyes / Octubre 2006
Mdulo 1. Introduccin
Pgina 4
CONTROL ESTADSTICO DEL PROCESO Dr. P. Reyes / Octubre 2006
Antecedentes
1
Vid. Valdez, Luigi, Conocimiento es futuro, CONCAMIN, Mxico, 1995, pp. 122-123
Pgina 5
CONTROL ESTADSTICO DEL PROCESO Dr. P. Reyes / Octubre 2006
Segn Duncan Walter Shewhart de los Laboratorios Bell fue el primero en aplicar las cartas de
control en 1924 haciendo un esbozo de la carta de control2. Por otra parte H. Dodge y H.
Romig desarrollaron las tablas de inspeccin por muestreo de Dodge-Romig3, como una
alternativa a la inspeccin 100% al producto terminado, sin embargo su adopcin
en occidente fue muy lenta, Freeman, sugiere que esto se dio por la tendencia de los
ingenieros americanos a eliminar la variacin, y su desdn por las teoras probabilsticas, as como
a la falta de estadgrafos industriales, adecuadamente entrenados. 4
2
Duncan, Acheson, op. cit.p. 16.
3
Ibidem, p. 1
4
Freeman, H.D., Statistical Methods for Quality Control, MechanicalEngineering, April 1937, p. 261.
5
Feigenbaum, A.V., op. cit., 1986, p. 16
Pgina 6
CONTROL ESTADSTICO DEL PROCESO Dr. P. Reyes / Octubre 2006
CEP en Japn
En 1950 el experto Edwards W. Deming inici el entrenamiento en mtodos
estadsticos en el Japn, incluyendo conferencias dirigidas a los lderes
industriales, en esta poca Kaoru Ishikawa experto japons en control de calidad
inici sus estudios sobre conceptos de control de calidad, describe su propia
motivacin como sigue:
En 1955, Kaouru Ishikawa introdujo las tcnicas de cartas de control en Japn, los
japoneses aprendieron el control de calidad de occidente, invitaron a Deming,
Pgina 7
CONTROL ESTADSTICO DEL PROCESO Dr. P. Reyes / Octubre 2006
Juran y otros eruditos a Japn para que les enseasen el control estadstico del
proceso. Sin embargo la implantacin de estas tcnicas fue posible despus de su
modificacin y adaptacin a las empresas japonesas, incluyendo la creacin de
varias herramientas tiles como refinamiento del control estadstico de calidad,
tales como las 7 herramientas estadsticas utilizadas normalmente por los crculos
de control de calidad y la aplicacin de tcnicas estadsticas avanzadas.
* * * *
** **
*** **
*** **
Distribucin de promedios
Universo de las muestras
6
Shewhart, W.A., Economic Control of Quality of Manufactured Product, Van Nostrand Reinhold Co., 1931,
p. 182
Pgina 8
CONTROL ESTADSTICO DEL PROCESO Dr. P. Reyes / Octubre 2006
__ (1.1)
X n
Hora 4
Hora 2
Hora 3
Hora 1
7
Ford Motor Co., Continuing Process Control and Process Capability Improvement, Dearborn, Michigan,
1983
Pgina 9
CONTROL ESTADSTICO DEL PROCESO Dr. P. Reyes / Octubre 2006
CARTAS DE CONTROL
LSC
LC
LIC
La carta de control es una tcnica muy til para el monitoreo de los procesos,
cuando se presentan variaciones anormales donde las medias o los rangos salen
de los lmites de control, es seal de que se debe tomar accin para remover esa
fuente de variabilidad anormal. Su uso sistemtico proporciona un excelente
medio para reducir la variabilidad.
Pgina 10
CONTROL ESTADSTICO DEL PROCESO Dr. P. Reyes / Octubre 2006
DISEO DE EXPERIMENTOS
Un experimento diseado es muy til para descubrir las variables clave que tienen
influencia en las caractersticas de calidad de inters del proceso. Es un mtodo
para variar en forma sistemtica los factores controlables del proceso y determinar
los efectos que tienen esos factores en los parmetros finales del producto.
Permite reducir la variabilidad en la caracterstica de calidad y en determinar los
niveles ms adecuados de los factores controlables que optimizen el desempeo
del proceso.
ENTRADAS CONTROLABLES
X1 X2 XP
Materias primas,
Componentes, etc.
Z1 Z2 ZQ
ENTRADAS NO CONTROLABLES
Pgina 11
CONTROL ESTADSTICO DEL PROCESO Dr. P. Reyes / Octubre 2006
Una vez que se han identificado las variables que afectan el desempeo del
proceso, normalmente es necesario modelar la relacin entre estas variables y la
caracterstica de calidad de inters. Para lo cual se puede utilizar el anlisis de
regresin.
MUESTREO DE ACEPTACIN
Pgina 12
CONTROL ESTADSTICO DEL PROCESO Dr. P. Reyes / Octubre 2006
En el transcurso del tiempo, las tres tcnicas estadsticas anteriores han tenido la
evolucin siguiente:
MUESTREO DE
ACEPTACION
CONTROL DE PROCESO
DISEO DE
EXPERIMENTOS
0%
Tiempo
Pgina 13
CONTROL ESTADSTICO DEL PROCESO Dr. P. Reyes / Octubre 2006
Pgina 14
CONTROL ESTADSTICO DEL PROCESO Dr. P. Reyes / Octubre 2006
CONCEPTO DE VARIACIN
Los mtodos estadsticos se basan en que no existen dos productos
EXACTAMENTE iguales de un proceso de manufactura, por tanto la VARIACIN
es inevitable, su anlisis se hace con el apoyo de la estadstica.
DISTRIBUCION NORMAL
La notacin para una variable aleatoria que se distribuye normalmente es x N (
, 2 ), la forma de la distribucin es simtrica, unimodal y en forma de campana.
Las reas entre diferentes desviaciones estndar son:
1 68.26%
2 95.46%
3 99.73%
-3 +3
Pgina 15
CONTROL ESTADSTICO DEL PROCESO Dr. P. Reyes / Octubre 2006
50
40
30
20 Frec.
10
0
1 2 3 4 5 6 7 8 9
Pgina 16
CONTROL ESTADSTICO DEL PROCESO Dr. P. Reyes / Octubre 2006
X1 X2 X3
X-media 1 X-media 2 X-media 3
10
8
6
4 Frec.
2
0
3.5 4 4.5 5 5.5 6 6.5
Pgina 17
CONTROL ESTADSTICO DEL PROCESO Dr. P. Reyes / Octubre 2006
Comprobacin en Minitab:
1. Abrir proyecto con File > Open Project > Datos > TeoremaLimiteCentral
Hacer comentarios
Hacer comentarios
Hacer comentarios
Pgina 18
CONTROL ESTADSTICO DEL PROCESO Dr. P. Reyes / Octubre 2006
Prediccin
Tiempo
Existen otras fuentes de variabilidad que pueden ser causadas por mquinas,
errores de operadores, materiales defectuosos o alguna otra de las 6Ms (medio
ambiente, mtodos, mediciones). Esta variabilidad es muy grande en relacin con
la variabilidad natural y es originada por causas especiales o asignables haciendo
que el proceso opere fuera de control estadstico.
Pgina 19
CONTROL ESTADSTICO DEL PROCESO Dr. P. Reyes / Octubre 2006
M
Regin de control,
E
D captura la variacin
I natural del proceso
LSC
D original
A
S
C
A LIC
L Tendencia del proceso
I
D El proceso ha cambiado
A
Causa Especial
identifcada
D
TIEMPO
Pgina 20
CONTROL ESTADSTICO DEL PROCESO Dr. P. Reyes / Octubre 2006
LSC
LC
LIC Tiempo
Un punto que se encuentre fuera de los limites de control mostrar evidencia que
el proceso est fuera de control y ser necesario una investigacin de la causa
especial y la accin correctiva necesaria para eliminarla. Tambin se tendr un
alto riesgo de situacin fuera de control si los puntos se agrupan es forma
sistemtica dentro de los lmites de control o muestran una tendencia.
Por ejemplo, la carta de control de medias prueba la hiptesis de que la media del
proceso est en control y tiene un valor 0 si un valor de media muestral X i cae
Pgina 21
CONTROL ESTADSTICO DEL PROCESO Dr. P. Reyes / Octubre 2006
dentro de los lmites de control; de otra forma se concluye que el proceso est
fuera de control y que la media del proceso tiene un valor diferente del de 0, por
decir 1, donde 1 0.
Se puede decir que las probabilidades de los errores tipo I y tipo II de la carta de
control, son esquemas de prueba de hiptesis para analizar el desempeo de las
cartas de control.
LSC = w + Lw (2.1)
LC = w
LIC = w - Lw
Pgina 22
CONTROL ESTADSTICO DEL PROCESO Dr. P. Reyes / Octubre 2006
Pgina 23
CONTROL ESTADSTICO DEL PROCESO Dr. P. Reyes / Octubre 2006
SISTEMA DE
EVALUACIN
Las cartas de control pueden ser clasificadas en dos clases: por atributos y por
variables dependiendo de cmo se evale la caracterstica de calidad.
Pgina 24
CONTROL ESTADSTICO DEL PROCESO Dr. P. Reyes / Octubre 2006
1. Procesos estacionarios: los datos del proceso varan alrededor de una media
fija de una manera fija y estable. Es decir se tiene un proceso en control de
acuerdo a Shewhart es el rea de aplicacin de las cartas de control ms efectivo.
Pgina 25
CONTROL ESTADSTICO DEL PROCESO Dr. P. Reyes / Octubre 2006
de una media fija. En estos casos se estabiliza el desempeo de los procesos por
medio de control automtico por retroalimentacin.
Las cartas de control han sido muy populares por las siguientes razones:
Abriendo los lmites de control decrece riesgo de error tipo I (falsa alarma) sin
embargo se incrementa el riego de error tipo II y viceversa. Con lmites de control
de 3-sigma la probabilidad de error tipo I es de 0.0027. Si se selecciona el nivel de
riesgo de error tipo I en 0.002 o 0.001 en cada lado, se tienen los lmites de control
Pgina 26
CONTROL ESTADSTICO DEL PROCESO Dr. P. Reyes / Octubre 2006
Para un proceso en control estadstico habr un punto fuera de control normal por
cada 370 puntos para lmites a tres sigma.
Pgina 27
CONTROL ESTADSTICO DEL PROCESO Dr. P. Reyes / Octubre 2006
SUBGRUPOS RACIONALES
La idea fundamental en las cartas de control es colectar los datos de la muestra de
acuerdo al concepto de subgrupo racional es decir que el subgrupo debe
seleccionarse de tal forma que si estn presentes causas asignables, la diferencia
entre los subgrupos sea maximizada, minimizando la diferencia dentro del
subgrupo.
El tiempo en que se tomen las muestras es una buena base para formar
subgrupos, evitando que algunas observaciones se tomen al final de un turno y las
restantes al inicio del siguiente ya que ocasiona diferencias dentro del subgrupo.
Pgina 28
CONTROL ESTADSTICO DEL PROCESO Dr. P. Reyes / Octubre 2006
Corrimiento en la media del proceso: Esto puede ser generado por un cambio
en mtodos, operadores, materias primas, mtodos de inspeccin, etc.
LSC
LC
LIC
LC
LIC
Fig. 2.13 Patrn de anormalidad de estratificacin
Pgina 29
CONTROL ESTADSTICO DEL PROCESO Dr. P. Reyes / Octubre 2006
LSC
LC
LIC
LSC
LC
LIC
Pgina 30
CONTROL ESTADSTICO DEL PROCESO Dr. P. Reyes / Octubre 2006
Pgina 31
CONTROL ESTADSTICO DEL PROCESO Dr. P. Reyes / Octubre 2006
1. Liderazgo gerencial
2. Un enfoque de grupo de trabajo
3. Educacin y entrenamiento de empleados en todos los niveles
4. nfasis en la mejora continua
5. Un mecanismo para reconocer el xito y comunicacin hacia la organizacin.
Pgina 32
CONTROL ESTADSTICO DEL PROCESO Dr. P. Reyes / Octubre 2006
Pgina 33
CONTROL ESTADSTICO DEL PROCESO Dr. P. Reyes / Octubre 2006
3.1 INTRODUCCIN
Una caracterstica que se mide en una escala numrica se denomina una variable.
Por ejemplo temperaturas, dimensiones, volumen, tiempo, etc. Las cartas de
control de X R son ampliamente utilizadas para monitorear la media y la
variabilidad de las variables, con objeto de evitar o minimizar que se tengan
productos fuera de especificaciones y estabilizar los procesos.
Ahora como las medias de las muestras estn normalmente distribuidas con
Pgina 34
CONTROL ESTADSTICO DEL PROCESO Dr. P. Reyes / Octubre 2006
X i
X i 1
(3.2)
m
Representa la lnea central de la carta de medias.
Para estimar la del proceso, se pueden utilizar los rangos de los subgrupos, para
cada uno de los subgrupos el rango es calculado como:
Si R1, R2, ....., Rm , son los rangos de los diferentes subgrupos, el rango promedio
es:
m
R i
R i 1
(3.4)
m
W=R/ (3.5)
Pgina 35
CONTROL ESTADSTICO DEL PROCESO Dr. P. Reyes / Octubre 2006
3R
LIC X Lmite inferior de control (LIC) (3.7)
d2 n
LSC = X + A2 R (3.8)
LIC = X - A2 R
R d
LIC = R - 3 R = R - 3 d 3 = R [ 1- 3 3 ] = D3 R
d2 d2
Pgina 36
CONTROL ESTADSTICO DEL PROCESO Dr. P. Reyes / Octubre 2006
2 0.992
3 0.975
4 0.955
5 0.930
6 0.850
Para n >= 10 el rango pierde eficiencia rpidamente ya que ignora los valores
intermedios entre xmax y xmin sin embargo para valores pequeos de n (4,5 o 6)
empleados en las cartas de control, es adecuado. Para cuando n>10 se utiliza la
desviacin estndar en vez del rango.
EQUIPO DE MEDICIN
La resolucin del equipo debe ser de al menos 1/10 de la tolerancia y debe tener
habilidad para realizar la medicin con un error por Repetibilidad y
Reproducibilidad (R&R) menor al 10% (ver procedimiento de estudios R&R).
Pgina 37
CONTROL ESTADSTICO DEL PROCESO Dr. P. Reyes / Octubre 2006
LIMITES PRELIMINARES
Siempre que un proceso este siendo analizado a travs de una carta de control, es
muy importante llevar una bitcora registrando todos los cambios (tiempo y
descripcin) conforme ocurran, por ejemplo: cambio de turno, cambio de
materiales, ajuste de mquina, interrupcin de energa, arranque de mquina, etc.
Con objeto de identificar las causas asignables en caso de presentarse para la
toma de acciones correctivas.
Pgina 38
CONTROL ESTADSTICO DEL PROCESO Dr. P. Reyes / Octubre 2006
603 1 1
UCL=602.4
Sample Mean
602
601
600 Mean=600.2
599
598 LCL=598.1
Subgroup 0 10 20
9
8 UCL=7.866
Sample Range
7
6
5
4 R=3.72
3
2
1
0 LCL=0
602.5
UCL=602.1
Sample Mean
601.5
600.5
Mean=599.9
599.5
598.5
597.5 LCL=597.7
Subgroup 0 10 20
9
8 UCL=8.106
Sample Range
7
6
5
4 R=3.833
3
2
1
0 LCL=0
Pgina 39
CONTROL ESTADSTICO DEL PROCESO Dr. P. Reyes / Octubre 2006
600.5 Mean=600.7
599.5
598.5 LCL=598.2
597.5
Subgroup 0 10 20
Hora 6:00:00 4:00:00
1 2
10
UCL=9.008
Sample Range
5
R=4.26
0 LCL=0
Pgina 40
CONTROL ESTADSTICO DEL PROCESO Dr. P. Reyes / Octubre 2006
CASO DE n CONSTANTE
Con esta informacin se pueden establecer los lmites de control para la carta X y
S, cuando se conoce el valor de dado que existe un historial.
LCs = c4 LC =
LICs = c4 - 3 1 c4 = B5 LICX = - A
Los valores para las constantes se encuentran tabuladas para diferentes valores
de n en la tabla de constantes.
1 m
S Si
m i 1
(3.13)
Pgina 41
CONTROL ESTADSTICO DEL PROCESO Dr. P. Reyes / Octubre 2006
__
S
(3.14)
c4
LCs = S
S
LICs = S 3 1 c 42 = B3 S
c4
Para el caso de la carta X , cuando S /c4 se una para estimar los lmites de
control para esta carta son:
S
LSCx = X + 3 = X + A3 S (3.16)
c4 n
LCx = X
S
LICx = X - 3 = X - A3 S
c4 n
Pgina 42
CONTROL ESTADSTICO DEL PROCESO Dr. P. Reyes / Octubre 2006
1
602
Sample Mean
601
UCL=600.6
600
Mean=599.8
599 LCL=599.0
Subgroup 0 1 2 3 4 5 6 7 8 9 10
1
3
Sample StDev
2
UCL=1.443
1
S=0.8409
LCL=0.2386
0
Pgina 43
CONTROL ESTADSTICO DEL PROCESO Dr. P. Reyes / Octubre 2006
601
600 UCL=600.1
Mean=599.5
599 LCL=599.0
Subgroup 0 1 2 3 4 5 6 7 8 9 10
Hora 0:00:00 10:00:00 7:00:00 4:00:00 1:00:00 11:00:00 8:00:00 5:00:00 2:00:00 12:00:00
1 2
1
3
Sample StDev
1 UCL=0.9137
S=0.5323
0 LCL=0.1510
Pgina 44
CONTROL ESTADSTICO DEL PROCESO Dr. P. Reyes / Octubre 2006
MR
LSCx = X 3
d2
__
LCx = X (3.17)
MR
LICx = X 3
d2
n=2
35
UCL=34.80
Individual Value
34
Mean=33.52
33
LCL=32.24
32
Subgroup 0 5 10 15
1.5 UCL=1.571
Moving Range
1.0
0.5 R=0.4807
0.0 LCL=0
Ejercicio 3.3 Hacer una corrida de carta I-MR en Minitab con Supp2
Ejercicio 3.4 Hacer cartas de control con datos reales de las plantas
generadoras.
Pgina 45
CONTROL ESTADSTICO DEL PROCESO Dr. P. Reyes / Octubre 2006
Las cartas por atributos tiene la ventaja que consideran varias caractersticas a la
vez clasificando la unidad como conforme o no conforme, si no cumple alguna de
esas caractersticas. Por otra parte si esas caractersticas se controlan como
variables, debe llevarse una carta de control para cada una de esas
caractersticas, lo cual es ms laborioso, otra alternativa es el CEP multivariado.
Las cartas por variables proporcionan mayor informacin del proceso que las de
atributos, tal como la media del proceso y su variabilidad, tambin proporcionan
informacin para realizar estudios de capacidad de los procesos.
Las cartas por variables permiten tomar acciones cuando se presentan situaciones
fuera de control, antes de que se produzcan artculos no conformes, lo que no
sucede con las cartas por atributos hasta que el proceso genere ms
disconformes.
Pgina 46
CONTROL ESTADSTICO DEL PROCESO Dr. P. Reyes / Octubre 2006
Pgina 47
CONTROL ESTADSTICO DEL PROCESO Dr. P. Reyes / Octubre 2006
Pgina 48
CONTROL ESTADSTICO DEL PROCESO Dr. P. Reyes / Octubre 2006
Pgina 49
CONTROL ESTADSTICO DEL PROCESO Dr. P. Reyes / Octubre 2006
Di
pi (4.1)
ni
de control son:
LSC = w + Lw
LC = w (4.4)
LIC = w - Lw
Pgina 50
CONTROL ESTADSTICO DEL PROCESO Dr. P. Reyes / Octubre 2006
pi = Di / n i = 1, 2, 3,....., m (4.6)
m m
D i p i
p i 1
i 1
(4.7)
mn m
Una vez hecha la grfica trazando los lmites anteriores, cualquier punto que se
encuentre fuera de control debe ser investigado, si se encuentra una causa
asignable o especial, deben tomarse medidas correctivas para prevenir su
Pgina 51
CONTROL ESTADSTICO DEL PROCESO Dr. P. Reyes / Octubre 2006
No No No
Servicio conformes Servicio conformes Servicio conformes
1 12 11 5 21 20
2 15 12 6 22 18
3 8 13 17 23 24
4 10 14 12 24 15
5 4 15 22 25 9
6 7 16 8 26 12
7 16 17 10 27 7
8 9 18 5 28 13
9 14 19 13 29 9
10 10 20 11 30 6
m m
Di p i
347
p i 1
i 1
= = 0.2313
mn m (30)(50)
Corrida en Minitab
1. Stat > Control Charts > P
2. Variable No conformes Subgroup size 50
3. OK
Pgina 52
CONTROL ESTADSTICO DEL PROCESO Dr. P. Reyes / Octubre 2006
0.5 1
1
0.4 UCL=0.4102
Proportion
0.3
P=0.2313
0.2
0.1
LCL=0.05243
0.0
0 10 20 30
Sample Number
Pgina 53
CONTROL ESTADSTICO DEL PROCESO Dr. P. Reyes / Octubre 2006
LICp = 0.0407
0.3
Proportion
P=0.215
0.2
0.1
LCL=0.04070
0.0
0 10 20 30
Sample Number
0.3
Proportion
0.2 P=0.2081
0.1
LCL=0.03590
0.0
0 10 20 30
Sample Number
Pgina 54
CONTROL ESTADSTICO DEL PROCESO Dr. P. Reyes / Octubre 2006
LCnp np (4.12)
LICnp np 3 np(1 p)
Ejemplo 4.5 Con los datos del ejemplo anterior se tiene con
Minitab:
1. Stat > Control Charts >N P
2. Variable No conformes Subgroup size 50
3. OK
Esta en control estadstico?
Si no eliminar puntos fuera de control y recalcular lmites de control
10 NP=10.41
LCL=1.795
0
0 10 20 30
Sample Number
Pgina 55
CONTROL ESTADSTICO DEL PROCESO Dr. P. Reyes / Octubre 2006
Pgina 56
CONTROL ESTADSTICO DEL PROCESO Dr. P. Reyes / Octubre 2006
25
D i
234
p i 1
25
0.096
n
2450
i
i 1
LC = 0.096
(0.096)(0.904)
LICp= p 3 p 0.096 3
ni
Pgina 57
CONTROL ESTADSTICO DEL PROCESO Dr. P. Reyes / Octubre 2006
0.2
UCL=0.1882
Proportion
0.1 P=0.09534
0.0 LCL=0.002468
0 5 10 15 20 25
Sample Number
En este caso, se toma el promedio de los tamaos de muestra para calcular los
lmites de control aproximados, se asume que los tamaos de muestra no diferirn
en forma apreciable de los observados, aqu los lmites de control son constantes.
Si existen grandes diferencias mayores al promedio ms o menos 25%, este
mtodo no es adecuado.
m
n i
2450
n i 1
98
m 25
Con lmites de control basados en n 98 :
(0.096)(0.904)
LSCp= p 3 p 0.096 3 0.185
98
LC = 0.096
Pgina 58
CONTROL ESTADSTICO DEL PROCESO Dr. P. Reyes / Octubre 2006
(0.096)(0.904)
LICp= p 3 p 0.096 3 0.007
98
Corrida con Minitab:
1. Stat > Control Charts > P
2. Variable Nodef Subgroups size 98
3. OK
0.1 P=0.09566
LCL=0.006529
0.0
0 5 10 15 20 25
Sample Number
pi p
Zi (4.13)
p (1 p)
ni
Pgina 59
CONTROL ESTADSTICO DEL PROCESO Dr. P. Reyes / Octubre 2006
Frac.-
n-var nodef def LSC LIC Desv-est. Z-Estand
100 12 0.12 0.183686 0.0073347 0.0293918 0.81655
80 8 0.1 0.194093 -0.003073 0.0328611 0.12172
80 6 0.075 0.194093 -0.003073 0.0328611 -0.63905
100 9 0.09 0.183686 0.0073347 0.0293918 -0.20414
110 10 0.090909 0.179582 0.0114382 0.028024 -0.18166
110 12 0.109091 0.179582 0.0114382 0.028024 0.46713
100 11 0.11 0.183686 0.0073347 0.0293918 0.47632
100 16 0.16 0.183686 0.0073347 0.0293918 2.17748
90 10 0.111111 0.188455 0.0025651 0.0309817 0.48774
90 6 0.066667 0.188455 0.0025651 0.0309817 -0.94679
110 20 0.181818 0.179582 0.0114382 0.028024 3.06231
120 15 0.125 0.176003 0.0150173 0.026831 1.08084
120 9 0.075 0.176003 0.0150173 0.026831 -0.78268
120 8 0.066667 0.176003 0.0150173 0.026831 -1.09326
110 6 0.054545 0.179582 0.0114382 0.028024 -1.47925
80 8 0.1 0.194093 -0.003073 0.0328611 0.12172
80 10 0.125 0.194093 -0.003073 0.0328611 0.8825
80 7 0.0875 0.194093 -0.003073 0.0328611 -0.25866
90 5 0.055556 0.188455 0.0025651 0.0309817 -1.30543
100 8 0.08 0.183686 0.0073347 0.0293918 -0.54437
100 5 0.05 0.183686 0.0073347 0.0293918 -1.56506
100 8 0.08 0.183686 0.0073347 0.0293918 -0.54437
100 10 0.1 0.183686 0.0073347 0.0293918 0.13609
90 6 0.066667 0.188455 0.0025651 0.0309817 -0.94679
90 9 0.1 0.188455 0.0025651 0.0309817 0.12911
Pgina 60
CONTROL ESTADSTICO DEL PROCESO Dr. P. Reyes / Octubre 2006
2
Individual Value
0 Mean=0
-1
-2
-3 LCL=-3
-4
0 5 10 15 20 25
Observation Number
En todos los casos el punto 11 est fuera de los lmites de control. Con lmites
constantes se tiene la ventaja de poder identificar patrones de anormalidad e
identificar curva caracterstica de operacin, lo que no puede hacerse con la carta
de lmites de control variables.
Pgina 61
CONTROL ESTADSTICO DEL PROCESO Dr. P. Reyes / Octubre 2006
LSCc = c + 3 c
LCc = c (4.17)
LICc = c - 3 c en el caso que sea negativo toma el valor cero
Pgina 62
CONTROL ESTADSTICO DEL PROCESO Dr. P. Reyes / Octubre 2006
Donde,
LSC = 33.22
LC = 516 / 26 = 19.85 = c
LIC = 6.48
Corrida en Minitab:
1. Stat > Control Charts > C
2. Variable Defectos
3. OK
Pgina 63
CONTROL ESTADSTICO DEL PROCESO Dr. P. Reyes / Octubre 2006
40 1
UCL=33.21
30
Sample Count
20 C=19.85
10
LCL=6.481
1
0
0 10 20
Sample Number
25
C=19.67
15
LCL=6.363
5
0 5 10 15 20 25
Sample Number
Pgina 64
CONTROL ESTADSTICO DEL PROCESO Dr. P. Reyes / Octubre 2006
n Defectos
16 18
18 21
12 16
15 22
24 19
21 12
28 14
20 9
25 16
19 21
25
C=18.82
15
5 LCL=5.808
0 5 10 15 20 25 30 35
Sample Number
Pgina 65
CONTROL ESTADSTICO DEL PROCESO Dr. P. Reyes / Octubre 2006
Pgina 66
CONTROL ESTADSTICO DEL PROCESO Dr. P. Reyes / Octubre 2006
Mtodo 1. Con nc
En este caso tanto la lnea central como los lmites de control se modifican por el
factor n, quedando como sigue ( c es la media de las no conformidades observada
en la unidad de inspeccin anterior):
LSCnc nc 3 nc
LC nc nc (4.18)
LICnc nc 3 nc
Pgina 67
CONTROL ESTADSTICO DEL PROCESO Dr. P. Reyes / Octubre 2006
Por ejemplo si se deciden utilizar 2.5 unidades de inspeccin para el caso de los
circuitos impresos (es decir inspeccionar 250 tarjetas) con n=2.5, se tiene:
LC nc nc = (2.5)(19.67) = 49.18
Mtodo 2. Carta u
Si se encuentra un total de c no conformidades en la muestra de n unidades de
inspeccin, entonces el promedio de no conformidades por unidad de inspeccin u
es:
c
u (4.19)
n
u
LSC u u 3
n
LCu u (4.20)
u
LSC u u 3
n
Pgina 68
CONTROL ESTADSTICO DEL PROCESO Dr. P. Reyes / Octubre 2006
DefectosU DefectosU
10 9
12 5
8 7
14 11
10 12
16 6
11 8
7 10
10 7
15 5
3
Sample Count
2 U=1.93
0 LCL=0.06613
0 10 20
Sample Number
Pgina 69
CONTROL ESTADSTICO DEL PROCESO Dr. P. Reyes / Octubre 2006
LCu u (4.21)
u
LSCui u 3
ni
No
UnidadesInsp Conf.
10 14
8 12
13 20
10 11
9.5 7
10 10
12 21
10.5 16
12 19
12.5 23
Pgina 70
CONTROL ESTADSTICO DEL PROCESO Dr. P. Reyes / Octubre 2006
153
La lnea central es u 1.42
107.5
Donde u = Total de defectos observados / Total de unidades
de inspeccin
UCL=2.436
Sample Count
U=1.423
LCL=0.4110
0 1 2 3 4 5 6 7 8 9 10
Sample Number
Pgina 71
CONTROL ESTADSTICO DEL PROCESO Dr. P. Reyes / Octubre 2006
ui u
Zi (4.23)
u
ni
I Chart for Z
3 UCL=3
2
Individual Value
0 Mean=0
-1
-2
-3 LCL=-3
0 1 2 3 4 5 6 7 8 9 10
Observation Number
Pgina 72
CONTROL ESTADSTICO DEL PROCESO Dr. P. Reyes / Octubre 2006
Pgina 73
CONTROL ESTADSTICO DEL PROCESO Dr. P. Reyes / Octubre 2006
Pgina 74
CONTROL ESTADSTICO DEL PROCESO Dr. P. Reyes / Octubre 2006
3 UCL=2.929
Sample Mean
2
1
0 Mean=0.1667
-1
-2
LCL=-2.596
-3
Subgroup 0 1 2 3 4 5 6 7 8 9 10
8
7 UCL=6.950
Sample Range
6
5
4
3 R=2.7
2
1
0 LCL=0
parte especfico. Para todas las muestras de este nmero de parte, graficar,
Pgina 75
CONTROL ESTADSTICO DEL PROCESO Dr. P. Reyes / Octubre 2006
R
RS (5.1)
Ri
Se toman de datos histricos o de especificaciones para el rango, o se puede
Sd
estimar de con R i 2 c sus lmites de control son D3 y D4. Para la media
4
graficar,
x Ti
x
S
(5.2)
Ri
La lnea central para la carta x estandarizada es cero, y sus lmites de control son
LSC = A2 y LIC = -A2 .
npi n p
Carta np Zi
n p(1 p)
(5.3)
ci c
Carta c Zi
c
ui u
Carta u Zi
u/n
Se utiliza para procesos con muchos flujos, por ejemplo diversas vlvulas que en
principio producen suponen flujos similares. El usar una carta de control para cada
Pgina 76
CONTROL ESTADSTICO DEL PROCESO Dr. P. Reyes / Octubre 2006
flujo por separado sera prohibitivo, sin embargo se tiene la alternativa de sta
carta de control siempre que la produccin entre husillos no est correlacionada.
Suponiendo un proceso con 6 flujos de salida donde cada flujo tiene el mimo valor
objetivo y la misma variabilidad inherente. Para establecer una carta de control
grupal, el muestreo se realiza como si se fueran a establecer cartas separadas
para cada flujo. Por ejemplo si de cada flujo s = 6 se toman n = 4 partes de cada
salida, hasta completar 20 o 25 subgrupos, por ejemplo si se toman muestras de
n = 4 de 6 husillos repetido en 20 subgrupos, se habrn tomado 20 x 6 = 120
medias y rangos de n = 4 observaciones. De stos se calculan la media de medias
_
X y el R , los lmites de control se calculan como en una carta de medias-rangos
convencional con n = 4, en este caso A2 = 0.729, D3 = 0, D4 = 2.282:
_ _
LICX = X - A2 R LICR = D3 R (5.4)
_ _
LSCX = X + A2 R LSCR = D4 R
Es til observar que si una salida da el mayor o el menor valor varias en una fila,
puede ser evidencia de que es diferente a los otros. Si el proceso tiene s salidas y
si r es el nmero de veces consecutivas que se repite como el mayor o el menor,
el ARL para este evento es:
Pgina 77
CONTROL ESTADSTICO DEL PROCESO Dr. P. Reyes / Octubre 2006
s r 1
ARL0 (5.5)
s 1
Las cartas de control de Shewart utilizan slo informacin acerca del proceso con
los ltimos datos del subgrupo, e ignoran la informacin de la secuencia completa
de puntos, esto hace que estas cartas de control sean insensibles a pequeos
corrimientos de la media del proceso, de 1.5 o menos. Los lmites preventivos y
criterios mltiples de prueba de corridas o tendencias toman en cuenta otros
puntos de la carta, sin embargo esto reduce la simplicidad de interpretacin de la
carta as como reducir el ARL en control lo cual es indeseable.
CUSUM NORMAL
Para pequeos corrimientos menores a 1.5, la carta de Shewart es ineficiente, en
esos casos la carta de sumas acumuladas de Page, que funciona con n >=1 es
mejor, ya que incorpora toda la informacin anterior en el valor de la muestra al
graficar la suma acumulada de las desviaciones con referencia a un valor objetivo
0. Si se colectan muestras de tamao n >= 1 siendo x j el valor promedio de la
muestra j-sima. La carta de sumas acumuladas se forma graficando para cada
Pgina 78
CONTROL ESTADSTICO DEL PROCESO Dr. P. Reyes / Octubre 2006
i
Ci ( x j 0 ) (5.6)
j 1
Como esta carta es eficiente para n=1, es una buena alternativa para el control de
procesos qumicos y el CEP automatizado. Si la media tiene un corrimiento hacia
arriba, la carta mostrar una tendencia ascendente y viceversa.
Ejemplo 5.1
Suponiendo que la Posicin de una parte (A) se mueve hacia arriba y hacia abajo
una cierta distancia de la posicin ideal de referencia (B). AtoBDist es esta
distancia. Para asegurar la calidad, se toman 5 mediciones al da durante el
primer periodo de tiempo y despus 10 al da en un siguiente periodo de tiempo.
Corrida en Minitab
1 File > Open Worksheet > Data > CRANKSH.MTW.
2 Stat > Control Charts > CUSUM.
3 In Single column, seleccionar AtoBDist. In Subgroup size, poner 5. OK.
Pgina 79
CONTROL ESTADSTICO DEL PROCESO Dr. P. Reyes / Octubre 2006
0 Mean=0.4417
LCL=-3.918
-5
Subgroup 0 5 10 15 20 25
UCL=15.98
15
Sample Range
10
R=7.559
5
0 LCL=0
Upper CUSUM
10
Cumulative Sum
5.67809
5
-5
Low er CUSUM
-5.67809
0 5 10 15 20 25
Subgroup Number
Pgina 80
CONTROL ESTADSTICO DEL PROCESO Dr. P. Reyes / Octubre 2006
z i xi (1 ) z i 1 (5.7)
donde 0<<=1 es una constante y su valor inicial es el valor objetivo del proceso,
de tal forma que: z 0 0 a veces igual a x
Por tanto los lmites de control de zi versus el nmero de muestra o tiempo i, son:
LSC 0 L
1 (1 )
2i
(5.9)
2
LC 0 (5.10)
LIC 0 L
1 (1 )
2i
(5.11)
2
Note que el trmino [1 (1-)2i] se aproxima a la unidad conforme i se incrementa,
esto significa que cuando la carta EWMA ha corrido durante varios periodos de
tiempo, los lmites de control se estabilizan en:
LSC 0 L (5.12)
2
LC 0 (5.13)
LSC 0 L (5.14)
2
Pgina 81
CONTROL ESTADSTICO DEL PROCESO Dr. P. Reyes / Octubre 2006
Los valores adecuados de Lambda son 0.05, 0.1 y 0.2. Para Lamda de 0.2 los
lmites a L= 3 sigma funcionan bien y para Lamda de 0.1 es mejor poner los lmites
entre L = 2.6 y 2.8.
Corrida en Minitab:
1. File > Open Worksheet > Data > CRANKSH.MTW.
2. Stat > Control Charts > EWMA
3. In Single column, seleccionar AtoBDist. In Subgroup size, poner 5.
4. Weight of EWMA 0.1 Historical Mean 0.0 Historical Sigma
5. S Limits Sigma Limits 2.7
6. OK.
1 2.7SL=0.9670
EWMA
0 Mean=0
-1 -2.7SL=-0.9670
0 5 10 15 20 25
Sample Number
Pgina 82
CONTROL ESTADSTICO DEL PROCESO Dr. P. Reyes / Octubre 2006
xi xi 1 ..... xi w1
Mi (5.15)
w
Los lmites de control son:
3
LSC 0 (5.16)
w
LC 0 (5.17)
3
LIC 0 (5.18)
w
Por ejemplo usando los datos anteriores con w = 5. Graficando el
estadstico Mi para periodos i 5.
xi xi 1 ....xi 4
Mi (5.19)
5
Para periodos i<5 se grafica el promedio de las observaciones para los periodos 1,
2, 3, ...i.
Ejemplo 5.3 La carta de media mvil para los datos del ejemplo
anterior con un tamao de corrida de 5 es la siguiente:
Corrida en Minitab:
1. File > Open Worksheet > Data > CRANKSH.MTW.
2. Stat > Control Charts > Moving Average
3. In Single column, seleccionar AtoBDist. In Subgroup size, poner 5.
4. Lenght of MA 5
5. OK.
5
4
3
Moving Average
UCL=2.346
2
1
Mean=0.4417
0
-1
LCL=-1.463
-2
-3
-4
-5
0 5 10 15 20 25
Sample Number
Pgina 83
CONTROL ESTADSTICO DEL PROCESO Dr. P. Reyes / Octubre 2006
En muchos procesos actan elementos inerciales que hacen que los datos estn
correlacionados principalmente si los intervalos de tiempo entre muestras son
pequeos respecto a esas fuerzas.
Wt
Tanque con volumen V y flujos de entrada y de salida
Xt
1 a e t / T
Pgina 84
CONTROL ESTADSTICO DEL PROCESO Dr. P. Reyes / Octubre 2006
Xi
*
* *
* * Correlacin positiva
* **
* *
_
Cov ( x t , x i k x)
k , k 0,1,....
V ( xt )
nk _ _
(x
i 1
t x)( x t k x)
rk n _
, k 0,1,....K
(x
t 1
t x) 2
Pgina 85
CONTROL ESTADSTICO DEL PROCESO Dr. P. Reyes / Octubre 2006
Stat > Regression > Fitted line Plot Y = Yi X = Yi-1 seleccionar Linear OK
Regression Plot
Concentr = 52.906 + 0.7356 Conc_1
210
Concentr
200
190
Conc_1
Pgina 86
CONTROL ESTADSTICO DEL PROCESO Dr. P. Reyes / Octubre 2006
Se observa que hay una cierta correlacin entre las mediciones distanciadas en un
periodo.
0.8
0.6
0.4
0.2
0.0
-0.2
-0.4
-0.6
-0.8
-1.0
5 15 25
Lag Corr T LBQ Lag Corr T LBQ Lag Corr T LBQ Lag Corr T LBQ
1 0.73 7.47 57.47 8 0.08 0.42 161.31 15 -0.09 -0.44 163.68 22 -0.17 -0.85 189.22
2 0.63 4.48 100.71 9 0.06 0.30 161.71 16 -0.11 -0.54 165.10 23 -0.18 -0.88 193.68
3 0.51 3.08 129.38 10 -0.02 -0.08 161.75 17 -0.14 -0.72 167.63 24 -0.08 -0.39 194.59
4 0.41 2.28 148.12 11 0.01 0.06 161.76 18 -0.19 -0.98 172.41 25 -0.08 -0.36 195.38
5 0.27 1.42 156.23 12 0.04 0.21 161.96 19 -0.20 -1.02 177.76 26 -0.09 -0.46 196.65
6 0.16 0.85 159.27 13 0.07 0.34 162.49 20 -0.18 -0.91 182.16
7 0.11 0.54 160.52 14 -0.05 -0.23 162.75 21 -0.15 -0.74 185.19
Pgina 87
CONTROL ESTADSTICO DEL PROCESO Dr. P. Reyes / Octubre 2006
Las lneas discontinuas son los lmites de dos sigmas para el parmetro de
autocorrelacin Ro con el desfasamiento de K periodos de tiempo. En este caso
r1 = 0.8 suficientemente grande para distorsionar el desempeo de la carta de
control, un muestreo menos frecuente eliminara la autocorrelacin pero se
perdera informacin. A continuacin se muestran las cartas I-MR y EWMA:
215 1 1
11 1
Individual Value
UCL=210.1
205
Mean=200.0
195
LCL=189.9
1 11 11 111
185
Subgroup 0 50 100
15
1
UCL=12.36
Moving Range
10
5
R=3.784
0 LCL=0
210
205
2.7SL=203.0
EWMA
200 Mean=200.0
-2.7SL=197.0
195
0 50 100
Sample Number
Pgina 88
CONTROL ESTADSTICO DEL PROCESO Dr. P. Reyes / Octubre 2006
210
Concentr
200
190
10 20 30 40 50 60 70 80 90 100
Time
20
Frequency
10
-10 -8 -6 -4 -2 0 2 4 6 8
Residual
Pgina 89
CONTROL ESTADSTICO DEL PROCESO Dr. P. Reyes / Octubre 2006
20
UCL=14.43
Individual Value
10
0 Mean=-0.04792
-10
LCL=-14.53
-20
Subgroup 0 50 100
20
UCL=17.79
Moving Range
10
R=5.443
0 LCL=0
0 Mean=-0.04792
-1
-2
-3
-4
-2.7SL=-4.391
-5
0 50 100
Sample Number
Pgina 90
CONTROL ESTADSTICO DEL PROCESO Dr. P. Reyes / Octubre 2006
n 2 __ __ __ __
2
02
2 2
( X ) 2
2
( X ) 2
2 2
( X ) 2
( X 2 2 )
1 2 12
1 1 1 2 2 12 1 1
2 2
El Lmite Superior de Control LSC = 2.2 que es el punto superior para el rea (1-
). Si al menos una media se sale de control, la probabilidad de que el estadstico
2 salga de control se incrementa. Si 12 = 0, indicando que las medias muestrales
__ __
X 1 , X 2 son independientes se tendr una elipse con centro en (1, 2) y ejes
__ __ __ __
paralelos a los ejes de X 1 , X 2 , esto implica que si un par de muestras ( X 1 , X 2 ) dan
un valor de 2 que caiga dentro de la elipse, indica que el punto est dentro de
control, de esta forma se tiene una elipse de control.
8
Hotelling,H. (1947). Multivariate Quality Control,, Techniques of Statistical Analysis, Eisenhart, McGraw
Hill, NY, USA, 1947.
Pgina 91
CONTROL ESTADSTICO DEL PROCESO Dr. P. Reyes / Octubre 2006
Regin de control
*** X1
*****
*****
X2
__ __
Si 12 0 las 2 caractersticas X 1 , X 2 son dependientes y la elipse de control
estar inclinada, puede ser que un punto salga de control en esta elipse, sin
__
embargo todava est en control a nivel de cartas X R individuales.
Pgina 92
CONTROL ESTADSTICO DEL PROCESO Dr. P. Reyes / Octubre 2006
LSC = 2.2
20
1 2 3 4 5 6 7 8 9
Figura 5.16 Carta de control chi-cuadrada para p = 2
caractersticas de calidad
La carta de control T2
Si en la ecuacin anterior para Chi-cuadrada se reemplaza por X y 2 por S 2
tenemos el estadstico T2 .
_ _
T 2 n( x X )' 1 ( x X )
Se utilizan 2 fases para el uso de esta carta; la fase 1 es para establecer control
del proceso, probando con los primeros m subgrupos, aqu se establecen los
lmites de control para la fase 2, con los cuales se monitorea la produccin.
Pgina 93
CONTROL ESTADSTICO DEL PROCESO Dr. P. Reyes / Octubre 2006
p (m 1)(n 1)
LSC F , p , mn m p 1
mn m p 1
LIC 0
p(m 1)(n 1)
LSC F , p , mn m p 1
mn m p 1
LIC 0
Es comn usar el Lmite Superior de Control LSC = 2.2 para ambas fases, si se
usa m20 o 25 los lmites de control coinciden para ambas fases. Se recomienda
tomar siempre m mayor de 20 con ms de 50 muestras.
2
115.59 psi ; X 0.0106" ;S 1.23 psi ;S 2 0.83" , S 12 0.79
2 2
X 1 2
1
10 __ __ __
2
T2 ( 0.83)( X 115 .59) 2
1. 23( X 1.06) 2
2( 0.79)( X 115 .59) 2
( X 2 1.06)
(1.23)(0.83) 0.79
1 2 1
Pgina 94
CONTROL ESTADSTICO DEL PROCESO Dr. P. Reyes / Octubre 2006
LSC = 13.72
T2
No muestra puntos fuera de control. Los lmites para la fase II se calculan dando
LSC = 15.16. Si se hubiese utilizado LSC = 2.2 = 13.816 que est cercano a los
lmites de control de las fases I y II.
di = (T2 - T(i2) )
Pgina 95
CONTROL ESTADSTICO DEL PROCESO Dr. P. Reyes / Octubre 2006
El caso de n = 1
En industrias qumicas y de proceso, es normal tener una sola muestra donde
medir las diferentes caractersticas, el estadstico T2 se transforma en:
T 2 ( x x )' S 1 ( x x )
LIC 0
Cuando se toman ms de 100 muestras preliminares los lmites preliminares son:
p (m 1)(n 1)
LSC F , p , m p ; o LSC = 2.2
m p
LIC 0
1.3
1.2 UCL=1.188
Individual Value
1.1
1.0
0.9
0.8 Mean=0.8075
0.7
0.6
0.5
0.4 LCL=0.4266
11
0.3
Subgroup 0 10 20 30 40 50 60
0.6 1
1
1 1 1
Moving Range
0.5
UCL=0.4679
0.4
0.3
0.2
R=0.1432
0.1
0.0 LCL=0
Pgina 96
CONTROL ESTADSTICO DEL PROCESO Dr. P. Reyes / Octubre 2006
Pgina 97
CONTROL ESTADSTICO DEL PROCESO Dr. P. Reyes / Octubre 2006
6.1 INTRODUCCIN
Las tcnicas estadsticas ayudan durante el ciclo del producto a reducir la
variabilidad y a mejorar la capacidad de los procesos.
Definiciones bsicas.
Proceso: ste se refiere a alguna combinacin nica de mquinas,
herramientas, mtodos, materiales y personas involucradas en la
produccin.
Capacidad o habilidad: Esta palabra se usa en el sentido de aptitud, basada
en el desempeo probado, para lograr resultados que se puedan medir.
Capacidad del proceso: Es la aptitud del proceso para producir productos
dentro de los lmites de especificaciones de calidad.
Capacidad medida: Esto se refiere al hecho de que la capacidad del
proceso se cuantifica a partir de datos que, a su vez, son el resultado de la
medicin del trabajo realizado por el proceso.
Capacidad inherente: Se refiere a la uniformidad del producto que resulta
de un proceso que se encuentra en estado de control estadstico, es decir,
en ausencia de causas especiales o atribuibles de variacin.
Variabilidad natural: Los productos fabricados nunca son idnticos sino que
presentan cierta variabilidad, cuando el proceso est bajo control, solo
actan las causas comunes de variacin en las caractersticas de calidad.
Valor Nominal: Las caractersticas de calidad tienen un valor ideal ptimo
que es el que desearamos que tuvieran todas las unidades fabricadas pero
que no se obtiene, aunque todo funcione correctamente, debido a la
existencia de la variabilidad natural.
Pgina 98
CONTROL ESTADSTICO DEL PROCESO Dr. P. Reyes / Octubre 2006
Los lmites de tolerancia natural del proceso, superior (LTNS) e inferior (LTNI) , se
encuentran en 3 , o sea:
LTNS = + 3 (6.1)
LTNI = - 3
Pgina 99
CONTROL ESTADSTICO DEL PROCESO Dr. P. Reyes / Octubre 2006
Existen diversas tcnicas para evaluar la capacidad del proceso, entre las que se
encuentran: Histogramas o papel de probabilidad, cartas de control y
experimentos diseados.
LIE LSE
s _
xi
p X
Pgina 100
CONTROL ESTADSTICO DEL PROCESO Dr. P. Reyes / Octubre 2006
9
J.M. Juran, Anlisis y planeacin de la Calidad, Tercera Edicin Mc. Graw Hill, Pp.404
Pgina 101
CONTROL ESTADSTICO DEL PROCESO Dr. P. Reyes / Octubre 2006
Variacin a corto plazo (Zst) Los datos son recogidos durante un periodo de
tiempo suficientemente corto para que sea improbable que haya cambios y otras
causas especiales.
Las familias de variacin han sido restringidas de tal manera que los datos
considerados, slo son los que se obtuvieron del subgrupo racional. Ayuda a
determinar subgrupos racionales importantes.
Pgina 102
CONTROL ESTADSTICO DEL PROCESO Dr. P. Reyes / Octubre 2006
Z st
lmite especif . nom. (6.1)
desv .std ST
lmite especif . media
Z LT
desv .std LT
dnde:
Zlt = Zst-1.5shift
Pgina 103
CONTROL ESTADSTICO DEL PROCESO Dr. P. Reyes / Octubre 2006
LSE LIE
Cp PCR (6.2)
6
1
P 100 (6.3)
Cp
Pgina 104
CONTROL ESTADSTICO DEL PROCESO Dr. P. Reyes / Octubre 2006
LIE
Cpi PCRI para el lmite inferior
3
264 200 64
Cp PCR I 0.67
3(32) 96
Cp 1-lado 2-lados
0.25 226,628 453,255
0.50 66,807 133,614
0.60 35,931 71,861
0.70 17,865 35,729
0.80 8,198 16,395
1.00 1,350 2,700
Pgina 105
CONTROL ESTADSTICO DEL PROCESO Dr. P. Reyes / Octubre 2006
(6.5)
donde,
LSE
Cps PCRS para el lmite superior (6.6)
3
Pgina 106
CONTROL ESTADSTICO DEL PROCESO Dr. P. Reyes / Octubre 2006
LIE
Cpi PCRI para el lmite inferior
3
62 53
Cps PCRS 1.5 para el lmite superior
32
53 38
Cpi PCRI 2.5 para el lmite inferior
32
Pgina 107
CONTROL ESTADSTICO DEL PROCESO Dr. P. Reyes / Octubre 2006
Frec.
a)
Microdureza
Se puede transformar cada valor x con su inverso o sea con y=1/x de esta forma la
distribucin transformada es la siguiente (ver mtodo de Box Cox con Lamda
ptima en Minitab):
Frec.
b)
Y=1/x
Dos procesos pueden tener un Cpk igual a uno, pero sin embargo no necesariamente estn
centrados respecto a la media de las especificaciones como se muestra a continuacin:
Pgina 108
CONTROL ESTADSTICO DEL PROCESO Dr. P. Reyes / Octubre 2006
1
Si T ( LSE LIE) (6.7)
2
2 ( T ) 2 (6.8)
T
(6.9)
Se tiene,
LSE LIE LSE LIE LSE LIE
Cp km PCRkm (6.10)
6 6 ( T )
2 2
1 2
Una condicin necesaria para que Cpkm sea mayor de uno es:
1
T ( LSE LIE)
6
1
Entonces Cpkm (A) = 1.0
1 0
2
Cpkm (B) = 0.63
1 (3) 2
Por tanto es mejor el proceso A, centrado en la media.
Pgina 109
CONTROL ESTADSTICO DEL PROCESO Dr. P. Reyes / Octubre 2006
Cpk
Cp pmk PCR pmk (6.11)
1 2
En casos especiales como estos donde las variaciones presentes son totalmente
inesperadas tenemos un proceso inestable impredecible.
?
? ?
? ?
? ?
Pgina 110
CONTROL ESTADSTICO DEL PROCESO Dr. P. Reyes / Octubre 2006
Prediccin
Tiempo
R S
(Para cartas de control X-R y X-S respectivamente)
d2 C4
Donde,
Pgina 111
CONTROL ESTADSTICO DEL PROCESO Dr. P. Reyes / Octubre 2006
x media de medias
R 77.3
33.23
d 2 2.326
El C pk
200 264.06 = 0.64 por tanto el proceso no cumple con las
3 33.23
especificaciones.
x 100
s 1.05
= 1.117
C4 .094
El C pk
105 100 1.492
3 1.117
Pgina 112
CONTROL ESTADSTICO DEL PROCESO Dr. P. Reyes / Octubre 2006
El C p
105 85 2.984
6 1.117
Generar 100 datos aleatorios en Minitab con Media = 264.6 y Desviacin estndar
S = 32.02 con
Nos aseguramos que los datos se distribuyan normalmente con la prueba de Ryan
como sigue:
El P value debe ser mayor a 0.05 para que los datos se distribuyan normalmente
Pgina 113
CONTROL ESTADSTICO DEL PROCESO Dr. P. Reyes / Octubre 2006
60
50
40
30
20
10
5
0.1
150 200 250 300 350
Datos
Los puntos deben quedar dentro del intervalo de confianza para indicar que es
normal la distribucin.
60
50
40
30
20
10
5
0.1
150 200 250 300 350 400
Datos
Pgina 114
CONTROL ESTADSTICO DEL PROCESO Dr. P. Reyes / Octubre 2006
LSL USL
P rocess Data Within
LS L 200.00000 Ov erall
Target *
USL 330.00000 P otential (Within) C apability
S ample M ean 269.25354 Cp 0.70
S ample N 100 C PL 0.75
C PU 0.66
S tDev (Within) 30.83472
S tDev (O v erall) 30.80011 C pk 0.66
C C pk 0.70
O v erall C apability
Pp 0.70
PPL 0.75
PPU 0.66
P pk 0.66
C pm *
Interpretacin:
Pgina 115
CONTROL ESTADSTICO DEL PROCESO Dr. P. Reyes / Octubre 2006
320
_
X=269.3
240
LCL=176.7
160
1 10 20 30 40 50 60 70 80 90 100 210 240 270 300 330 360
100
50 __
MR=34.8
0 LCL=0
1 10 20 30 40 50 60 70 80 90 100 200 300 400
Cp 0.70 Overall
Pp 0.70
250
C pk 0.66 P pk 0.66
C C pk 0.70 C pm *
200 Specs
80 85 90 95 100
Observation
Pgina 116
CONTROL ESTADSTICO DEL PROCESO Dr. P. Reyes / Octubre 2006
Cuando los datos provienen de poblaciones no normales una opcin para realizar
el estudio de capacidad de procesos es mediante la distribucin Weibull.
Ejemplo en Minitab
Generar 100 datos aleatorios en Minitab con Factor de forma = 1, Factor de escala
= 1 con
Pgina 117
CONTROL ESTADSTICO DEL PROCESO Dr. P. Reyes / Octubre 2006
USL
P rocess Data O v erall C apability
LS L * Pp *
Target * PPL *
USL 3.50000 PPU 0.85
S ample M ean 0.82279 P pk 0.85
S ample N 100
E xp. O v erall P erformance
S hape 1.24929
P P M < LS L *
S cale 0.88470
P P M > U S L 3795.26
O bserv ed P erformance P P M Total 3795.26
P P M < LS L *
P P M > U S L 10000
P P M Total 10000
El ndice Ppk y Ppu10 = 0.85 lo cual nos dice que el desempeo del proceso no es
capaz ya que 0.85<.1.33
Tambin observamos que PPM > USL 3,795 lo cual significa que
aproximadamente 3,795 PPM estarn fuera de los lmites de especificaciones.
10
Los ndices Pp y Ppk son similares a los ndices Cp y Cpk , se refieren a la capacidad del proceso a largo
plazo.
Pgina 118
CONTROL ESTADSTICO DEL PROCESO Dr. P. Reyes / Octubre 2006
total
2
2producto equipo
2
.medicin (6.13)
Pgina 119
CONTROL ESTADSTICO DEL PROCESO Dr. P. Reyes / Octubre 2006
Variacin
Variacin deldel proceso,
proceso, real
real Variacin de la medicin
Calibracin
Definiciones
Reproducibilidad: Es la variacin, entre promedios de las mediciones hechas
por diferentes operadores que utilizan un mismo instrumento de medicin
cuando miden las mismas caractersticas en una misma parte.
Operador-B
Operador-C
Operador-A
Reproducibilidad
Pgina 120
CONTROL ESTADSTICO DEL PROCESO Dr. P. Reyes / Octubre 2006
REPETIBILIDAD
11 En EUA se tiene el NIST (National Institute of Standards ando Technology),En Mxico se tiene
el CENEAM o el Centro Nacional de Metrologa
Pgina 121
CONTROL ESTADSTICO DEL PROCESO Dr. P. Reyes / Octubre 2006
Tiempo 2
Tiempo 1
Valor Valor
verdadero verdadero
Sesgo Sesgo
Menor mayor
Valor
Verdadero
Sesgo
Pgina 122
CONTROL ESTADSTICO DEL PROCESO Dr. P. Reyes / Octubre 2006
<10% Aceptable
10-30%. Puede ser aceptable, para caractersticas no crticas.
>30%. Inaceptable!
En otras industrias fuera de la automotriz se acepta un error total de R&R del 25%
como mximo.
Pgina 123
CONTROL ESTADSTICO DEL PROCESO Dr. P. Reyes / Octubre 2006
La resolucin del equipo de medicin debe ser de al menos el 10% del rango
de tolerancia o del rango de variacin del proceso.
Las partes deben seleccionarse al azar, cubriendo el rango total del proceso.
Es importante que dichas partes sean representativas del proceso total (80%
de la variacin)
Pgina 124
CONTROL ESTADSTICO DEL PROCESO Dr. P. Reyes / Octubre 2006
Pgina 125
CONTROL ESTADSTICO DEL PROCESO Dr. P. Reyes / Octubre 2006
x 22.3
R 1 .0
siguiente frmula:
R 1
medicin = 0.887
d 2 1.128
donde:
12 Ejemplo adaptado de: Statistical Quality Control. Douglas C. Montgomery. Willey. Second Edition
Pgina 126
CONTROL ESTADSTICO DEL PROCESO Dr. P. Reyes / Octubre 2006
R = Rango promedio
d2 = Valor de tablas.
P 6 medicin
T USL LSL
P 5.32
0.097 .
T 55
Pgina 127
CONTROL ESTADSTICO DEL PROCESO Dr. P. Reyes / Octubre 2006
Source DF SS MS F P
Partes 9 0.0000086 0.0000010 12.2885 0.000
Operadores 2 0.0000002 0.0000001 0.9605 0.401
Partes * Operadores 18 0.0000014 0.0000001 0.7398 0.757
Repeatability 60 0.0000063 0.0000001
Total 89 0.0000165
Pgina 128
CONTROL ESTADSTICO DEL PROCESO Dr. P. Reyes / Octubre 2006
Source DF SS MS F P
Partes 9 0.0000086 0.0000010 9.67145 0.000
Operadores 2 0.0000002 0.0000001 0.75592 0.473
Repeatability 78 0.0000077 0.0000001
Total 89 0.0000165
Gage R&R
%Contribution
Source VarComp (of VarComp)
Total Gage R&R 0.0000001 50.93
Repeatability 0.0000001 50.93
Reproducibility 0.0000000 0.00
Operadores 0.0000000 0.00
Part-To-Part 0.0000001 49.07
Total Variation 0.0000002 100.00
Pgina 129
CONTROL ESTADSTICO DEL PROCESO Dr. P. Reyes / Octubre 2006
% Tolerance
40 0.005
0.004
0
Gage R&R Repeat Reprod Part-to-Part 1 2 3 4 5 6 7 8 9 10
Partes
R Chart by Operadores
Datos by Operadores
1 2 3
UCL=0.001073 0.006
0.0010
Sample Range
_ 0.005
0.0005
R=0.000417
0.004
0.0000 LCL=0
1 2 3
Operadores
Xbar Chart by Operadores
1 2 3 Operadores * Partes Interaction
Operadores
UCL=0.005143
Sample Mean
1
0.0050 0.0050
Average
_
_ 2
X=0.004717 3
0.0045
0.0045
LCL=0.004290
0.0040
0.0040 1 2 3 4 5 6 7 8 9 10
Partes
Pgina 130
CONTROL ESTADSTICO DEL PROCESO Dr. P. Reyes / Octubre 2006
Pgina 131
CONTROL ESTADSTICO DEL PROCESO Dr. P. Reyes / Octubre 2006
Simpson 6 1 1
Montgomery 6 1 1
Holmes 6 1 1
Duncan 6 1 1
Hayes 6 1 1
Simpson 7 2 2
Montgomery 7 2 2
Holmes 7 2 2
Duncan 7 1 2
Hayes 7 2 2
Simpson 8 0 0
Montgomery 8 0 0
Holmes 8 0 0
Duncan 8 0 0
Hayes 8 0 0
Simpson 9 -1 -1
Montgomery 9 -1 -1
Holmes 9 -1 -1
Duncan 9 -2 -1
Hayes 9 -1 -1
Simpson 10 1 1
Montgomery 10 1 1
Holmes 10 1 1
Duncan 10 0 1
Hayes 10 2 1
Simpson 11 -2 -2
Montgomery 11 -2 -2
Holmes 11 -2 -2
Duncan 11 -2 -2
Hayes 11 -1 -2
Simpson 12 0 0
Montgomery 12 0 0
Holmes 12 0 0
Duncan 12 -1 0
Hayes 12 0 0
Simpson 13 2 2
Montgomery 13 2 2
Holmes 13 2 2
Duncan 13 2 2
Hayes 13 2 2
Simpson 14 -1 -1
Montgomery 14 -1 -1
Holmes 14 -1 -1
Duncan 14 -1 -1
Hayes 14 -1 -1
Simpson 15 1 1
Montgomery 15 1 1
Holmes 15 1 1
Duncan 15 1 1
Pgina 132
CONTROL ESTADSTICO DEL PROCESO Dr. P. Reyes / Octubre 2006
Hayes 15 1 1
Between Appraisers
Assessment Agreement
Coef Chi - Sq DF P
0.966317 67.6422 14 0.0000
Pgina 133
CONTROL ESTADSTICO DEL PROCESO Dr. P. Reyes / Octubre 2006
Assessment Agreement
Appraiser vs Standard
100 95.0% C I
P ercent
80
60
Percent
40
20
0
Duncan Hayes Holmes Montgomery Simpson
Appraiser
Pgina 134
CONTROL ESTADSTICO DEL PROCESO Dr. P. Reyes / Octubre 2006
Interpretacin de resultados
Minitab muestra tres tablas como sigue: Cada evaluador vs el estndar, Entre
evaluadores y Todos los evaluadores vs estndar. Los estadsticos de Kappa y
Kendall tambin se incluyen en cada una de las tablas. En general estos
estadsticos sugieren buen acuerdo.
La grfica de Evaluadores vs. Estndar proporciona una vista grfica de cada uno
de los evaluadores vs el estndar, pudiendo comparar fcilmente la determinacin
de acuerdos para los cinco evaluadores.
Mtodo sencillo
Pgina 135
CONTROL ESTADSTICO DEL PROCESO Dr. P. Reyes / Octubre 2006
Pgina 136
CONTROL ESTADSTICO DEL PROCESO Dr. P. Reyes / Octubre 2006
7. DISEO DE EXPERIMENTOS
7.1 Introduccin
En muchas industrias el uso efectivo del diseo de experimentos es la clave
para obtener altos rendimientos, reducir la variabilidad, reducir los tiempos de
entrega, mejorar los productos, reducir los tiempos de desarrollo de nuevos
productos y tener clientes ms satisfechos.
Pgina 137
CONTROL ESTADSTICO DEL PROCESO Dr. P. Reyes / Octubre 2006
Pgina 138
CONTROL ESTADSTICO DEL PROCESO Dr. P. Reyes / Octubre 2006
Definiciones:
Factores: Son las variables controlables en el experimento Ej:Temperatura,
Presin, Velocidad; se designan con letras maysculas A, B,C.
Niveles: Se refiere a la cantidad de valores que tienen los factores del
experimento. Ej: en un experimento tomamos los siguientes valores de
Temperatura: 15, 20 ; en este caso tenemos 2 niveles.
Los niveles se designan con nmeros: 1, 2 o con signos -, + que
representan los niveles bajo y alto en cada caso.
Replica: Es el nmero de repeticiones del experimento.
Efecto de un factor: es el cambio en la respuesta como resultado de un
cambio en el nivel del factor, se denomina efecto principal ya que se refiere
a los factores primarios del estudio.
Ej. Consideremos el siguiente Experimento:
FACTOR B
B1 B2
A1 20 30
FACTOR A
A2 40 52
Pgina 139
CONTROL ESTADSTICO DEL PROCESO Dr. P. Reyes / Octubre 2006
B2 B2
B1 B1
A1 A2 A1 A2
a) Sin interaccin b) Con interaccin
40 30 52 20
AB 19
2 2
Pgina 140
CONTROL ESTADSTICO DEL PROCESO Dr. P. Reyes / Octubre 2006
MinitabDiseoExperimFactoriales
MinitabDiseoExperim2K
Pgina 141
CONTROL ESTADSTICO DEL PROCESO Dr. P. Reyes / Octubre 2006
APNDICES
Pgina 142
CONTROL ESTADSTICO DEL PROCESO Dr. P. Reyes / Octubre 2006
LSC = X + A2 R
LIC = X - A2 R
CARTAS Xbarra-S
Lmites de control para medias
LSCx = X + A3 S
LCx = X
LICx = X - A3 S
Pgina 143
CONTROL ESTADSTICO DEL PROCESO Dr. P. Reyes / Octubre 2006
__
LCx = X
MR
LICx = X 3
d2
Para el caso del rango se usan las mismas de la carta Xbarra-R con n=2
CARTA p
Di
pi
ni
m m
Di p i
p i 1
i 1
mn m
__ __
p(1 p )
__
LSCp = p 3
n
__
LCp = p
__ __
p(1 p )
__
LICp = p 3
n
CARTAS np
LSCnp np 3 np(1 p)
LCnp np
LICnp np 3 np(1 p)
CARTAS c
LSCc = c + 3 c
Pgina 144
CONTROL ESTADSTICO DEL PROCESO Dr. P. Reyes / Octubre 2006
LCc = c
LICc = c - 3 c
CARTAS u
c
u
n
u
LSC u u 3
n
LCu u
u
LSC u u 3
n
Pgina 145
CONTROL ESTADSTICO DEL PROCESO Dr. P. Reyes / Octubre 2006
Pgina 146