Professional Documents
Culture Documents
CONTROL ESTADÍSTICO
DEL PROCESO
Mail. cristian.durbahn.doc@upv.cl
Página 1
_______________FACULTAD DE INGENIRIA
CONTENIDO
Contenido
1. IMPORTANCIA DE LA MEJORA CONTINUA ................................................................................. 6
1.1 CALIDAD Y MEJORAMIENTO ................................................................................................. 6
1.2 HISTORIA DEL CONTROL ESTADÍSTICO DEL PROCESO ........................................................... 8
Antecedentes.......................................................................................................................... 8
CEP en occidente ...................................................................................................................11
CEP en Japón..........................................................................................................................12
Desarrollo del Control Estadístico del Proceso ........................................................................14
Teorema del límite central .....................................................................................................16
Interpretación ........................................................................................................................16
1.3 LAS 7 HERRAMIENTAS BÁSICAS PARA LA SOLUCIÓN DE PROBLEMAS ...................................18
Hoja de verificación o registro ................................................................................................18
Diagrama de Pareto ...............................................................................................................20
Diagrama de Dispersión .........................................................................................................25
Histogramas...........................................................................................................................32
Lluvia de ideas (Brainstorming) ..............................................................................................33
Diagrama de Causa efecto......................................................................................................34
Carta de tendencias ...............................................................................................................40
Diagrama de flujo...................................................................................................................41
Pasos para la elaboración de un diagrama de flujo .................................................................42
Diagrama de flujo de tiempo – valor agregado .......................................................................46
Diagrama de Flujo Físico.........................................................................................................47
Estratificación ........................................................................................................................48
Las cartas de control ..............................................................................................................48
1.4 MÉTODOS LEAN PARA LA MEJORA .......................................................................................49
Los 7 desperdicios o Muda .....................................................................................................49
Métodos Lean para la mejora.................................................................................................50
Mapeo de la cadena de valor .................................................................................................50
Las 5 Ss y la administración visual...........................................................................................53
Preparaciones rápidas (SMED) ...............................................................................................54
Poka Yokes o A prueba de error .............................................................................................55
Trabajo estandarizado............................................................................................................56
1.5 LAS SIETE HERRAMIENTAS ADMINISTRATIVAS .....................................................................57
Diagrama de Afinidad.............................................................................................................58
Fig. 1.26 ejemplos de diagrama de interrelacionesDiagrama de árbol ....................................62
Diagrama de árbol..................................................................................................................63
Diagrama Matricial.................................................................................................................67
Matrices de Prioridades o prioritización .................................................................................71
1.6 MÉTODOS ESTADÍSTICOS PARA LA MEJORA DE CALIDAD .....................................................81
Cartas de control....................................................................................................................81
Diseño de experimentos ........................................................................................................82
Muestreo de aceptación ........................................................................................................83
Página 2
_______________FACULTAD DE INGENIRIA
1.7 ADMINISTRACIÓN POR CALIDAD TOTAL ...............................................................................85
Costos de calidad ...................................................................................................................86
2. MÉTODOS Y FILOSOFÍA DEL CONTROL ESTADÍSTICO DEL PROCESO (CEP) ..................................88
Concepto de variación............................................................................................................88
2.1 DISTRIBUCIÓN NORMAL ......................................................................................................88
Estandarización de valores reales ...........................................................................................95
2.2 PRUEBA DE NORMALIDAD ...................................................................................................98
2.3 LA CARTA DE CONTROL COMO PRUEBAS DE HIPÓTESIS .....................................................100
2.4 BASES ESTADÍSTICAS DE LAS CARTAS DE CONTROL ............................................................104
Tamaño de muestra y frecuencia de muestreo .....................................................................111
Subgrupos racionales ...........................................................................................................112
Análisis de patrones en cartas de control .............................................................................113
2.5 IMPLEMENTACIÓN DEL CEP ...............................................................................................114
3. CARTAS DE CONTROL POR VARIABLES .....................................................................................116
3.1 INTRODUCCIÓN ................................................................................................................116
3.2 CARTAS DE CONTROL DE MEDIAS-RANGOS ........................................................................116
Interpretación de cartas de control X R ..........................................................................121
Capacidad o habilidad del proceso .......................................................................................135
La curva característica de operación.....................................................................................142
3.3 CARTAS DE CONTROL PARA X y S ....................................................................................145
3.4 CARTAS PARA LECTURAS INDIVIDUALES .............................................................................152
3.5 SELECCIÓN ENTRE CARTAS POR VARIABLES Y POR ATRIBUTOS ...........................................156
3.6 APLICACIÓN DE CARTAS DE CONTROL POR VARIABLES ......................................................159
4. CARTAS DE CONTROL PARA ATRIBUTOS ..................................................................................161
4.1 INTRODUCCIÓN .................................................................................................................161
4.2 CARTA DE CONTROL PARA FRACCIÓN NO CONFORME - p ..................................................162
4.3 CARTA DE CONTROL np......................................................................................................176
4.4 TAMAÑO DE MUESTRA VARIABLE ......................................................................................177
4.5 CURVA CARACTERÍSTICA DE OPERACIÓN Y ARL ..................................................................182
4.6 CARTAS DE CONTROL PARA NO CONFORMIDADES (DEFECTOS) – c y u ..............................185
Tamaño de muestra constante - CARTA c ............................................................................185
Selección del tamaño de muestra.........................................................................................191
Carta de control de defectos por unidad U ...........................................................................192
Sistema de demeritos ..........................................................................................................198
La curva característica de operación.....................................................................................199
4.7 CARTAS DE CONTROL PARA TASAS DE DEFECTOS EN ppm ..................................................202
5. OTRAS CARTAS DE CONTROL ESPECIALES ................................................................................203
5.1 CARTAS DE CONTROL PARA CORRIDAS CORTAS DE PRODUCCIÓN ......................................203
Cartas de control dnom ........................................................................................................203
Cartas de control de medias rangos estandarizada ...............................................................204
Cartas de control por atributos ............................................................................................205
5.2 CARTAS DE CONTROL MODIFICADAS Y DE ACEPTACIÓN .....................................................205
Cartas de control modificadas ..............................................................................................205
Cartas de control de aceptación ...........................................................................................207
5.3 CARTA DE CONTROL PARA DESGASTE DE HERRAMIENTA O MATERIAL ...............................209
Página 3
_______________FACULTAD DE INGENIRIA
5.4 CARTA DE PRECONTROL O DE ARCOIRIS ............................................................................213
5.5 CARTAS DE CONTROL PARA PROCESOS DE SALIDA MÚLTIPLE ............................................217
5.6 CARTAS DE CONTROL Cusum .............................................................................................218
Cusum normal......................................................................................................................219
Cusum en forma tabular ......................................................................................................223
EL PROCEDIMIENTO DE LA MASCARILLA EN V ..........................................................................227
5.7 CARTA DE CONTROL DE MEDIAS MOVILES EXPONENCIALMENTE PONDERADAS (EWMA) ..232
5.8 CARTA DE CONTROL DE MEDIA MOVIL ..............................................................................237
6. ANÁLISIS DE CAPACIDAD DEL PROCESO ..................................................................................243
6.1 INTRODUCCIÓN .................................................................................................................243
Condiciones para realizar un estudio de capacidad del proceso ............................................246
6.2 ÍNDICES DE CAPACIDAD .....................................................................................................248
Índice de capacidad potencial Cp .........................................................................................249
Índice de capacidad real Cpk ................................................................................................251
Índice de capacidad potencial Cpm o PCRm y Cpkm o PCRkm...............................................254
6.3 CAPACIDAD DEL PROCESO CON HISTOGRAMA O PAPEL DE PROBABILIDAD NORMAL.........257
Histograma ..........................................................................................................................257
Papel de probabilidad normal ..............................................................................................259
Capacidad del proceso con cartas de control ........................................................................263
Capacidad de procesos con Minitab: normales y no normales ............................................267
Capacidad de procesos no normales. ...................................................................................271
Análisis de capacidad con experimentos diseñados ..............................................................273
6.7 ESTUDIOS DE CAPACIDAD DE SISTEMAS DE MEDICIÓN ......................................................273
Error del equipo de medición ...............................................................................................273
Repetibilidad y reproducibilidad (R&R) .................................................................................276
R&R Capacidad de los sistemas de medición - AIAG ............................................................280
Definiciones .........................................................................................................................281
Exactitud : ............................................................................................................................282
Estudios R&R - Método Corto del Rango ..............................................................................284
Estudio de R&R Método largo ..............................................................................................286
Método de Promedios- Rango..............................................................................................287
Cálculos con Excel o manual: ................................................................................................287
Interpretación de los resultados ...........................................................................................295
Estudios de R&R por atributos..............................................................................................301
Interpretación de resultados ................................................................................................308
7. MUESTREO DE ACEPTACIÓN POR ATRIBUTOS .........................................................................310
7.1 EL PROBLEMA DE LA ACEPTACIÓN POR MUESTREO ...........................................................310
7.2 MUESTREO SIMPLE POR ATRIBUTOS ..................................................................................314
Muestreo aleatorio simple ...................................................................................................314
La curva OC ..........................................................................................................................314
Puntos específicos en la curva OC ........................................................................................317
Inspección rectificadora .......................................................................................................318
Muestreo doble, múltiple y secuencial .................................................................................322
7.4 TABLAS DE MUESTREO MIL-STD-105E (ANS Z1.4, ISO 2859) ...............................................333
Descripción de la norma.......................................................................................................333
7. 5 PLANES DE MUESTREO DE DODGE- ROMIG (1920) ...........................................................340
Página 4
_______________FACULTAD DE INGENIRIA
Planes de AOQL ...................................................................................................................342
Planes de LTPD.....................................................................................................................342
8. MUESTREO DE ACEPTACIÓN POR VARIABLES ..........................................................................344
Ventajas y desventajas .........................................................................................................344
8.1 CONTROL DE LA FRACCIÓN DEFECTIVA ..............................................................................345
8.2 DISEÑO DE UN PLAN DE MUESTREO POR VARIABLES .........................................................349
8.3 TABLAS ASQC Z1.9 – 1993 ..................................................................................................351
8.4 OTROS PROCEDIMIENTOS DE MUESTREO POR VARIABLES .................................................360
Muestreo secuencial por variables .......................................................................................360
Página 5
_______________FACULTAD DE INGENIRIA
Página 6
_______________FACULTAD DE INGENIRIA
EUA JAPON
Como los métodos estadísticos tienen un papel importante en el mejoramiento de la calidad, son
objeto de estudio de la Ingeniería de calidad. Los datos relacionados con la calidad se clasifican en
atributos y en variables. Los de atributos son discretos, enteros. Los de variables corresponden a
mediciones con valores reales como longitud, voltaje, etc. Existen diferentes herramientas
estadísticas para tratar con ambos tipos de datos.
Los productos no conformes o defectivos son los que no cumplen una o varias
especificaciones.
Características del producto: Son los elementos que en conjunto describen la calidad del producto,
evaluadas respecto a especificaciones, como son:
Página 7
_______________FACULTAD DE INGENIRIA
1.2 HISTORIA DEL CONTROL ESTADÍSTICO DEL PROCESO
Antecedentes
La teoría de la administración se desarrolló básicamente en los países industrializados, en
respuesta a los problemas que presentaron las grandes empresas características del sistema
capitalista.1 Sus primeros indicios se observan con el economista Adam Smith con el concepto de
división del trabajo para aumentar la productividad en 1776.2
Smith notó que en una industria de fabricación de alfileres, diez personas, cada
una realizando una tarea específica, podrían producir 48,000 alfileres por día.
Propuso que si cada uno trabajara por separado y en forma independiente, los diez
trabajadores tendrían suerte en hacer 200 (o aún 10) alfileres al día.3
Smith concluyó que la división del trabajo incrementaba la productividad sin embargo se
consideraba al trabajador como extensión de la máquina. Durante la revolución industrial,
“iniciada en el siglo XVIII en Gran Bretaña…la mano de obra era sustituida por máquinas de una
manera acelerada”.4 Esto, a su vez, abarató la fabricación de productos en las fábricas. Surge la
administración científica con Frederick Taylor.
Frederick Winslow Taylor (1856-1915): él no desarrolló una teoría de administración, sino que
hacía énfasis en los aspectos empíricos.5 En 1911 publicó sus “Principios de la Administración
Científica”6 donde describe la administración científica, y usó este término para definir “la única y
mejor manera” de realizar un trabajo. Los estudios realizados antes y después de esta publicación,
lo erigieron como el padre de la administración científica. 7 Sus cuatro principios son:
1
Simón, Nadima S., Evaluación Organizacional, SICCO, México, 1997, p. 7
2
Smith, Adam, An Inquiry into the Nature and Causes of the Wealth of Nations, A. Strahan and T.
Cadell, London, 1793, pp. 7-8
3
Robbins, Stephen P., Management: Concepts and Applications, Englewood Cliffs, Nueva Jersey,
1987, p. 31.
4
Ibidem, p. 31.
5
Simón, Nadima, op. cit., p. 9
6
Taylor, Frederick W., Principles of Scientific Management,, Harper & Bros., Nueva York, Estados
Unidos de América, 1911
7
Robbins, Stephen, op cit. p. 33.
Página 8
_______________FACULTAD DE INGENIRIA
1. Crear una ciencia para cada elemento del trabajo del individuo, que sustituya al
método empírico; 2. Escoger científicamente y luego entrenar, enseñar y
desarrollar al trabajador; 3. Colaborar ampliamente con los trabajadores para
asegurar que todo el trabajo se realice conforme a los principios de la ciencia que
se ha ido desarrollando; 4. Hay una división casi igual del trabajo y la
responsabilidad entre la administración y los trabajadores. La administración se
encarga de todo el trabajo para el cual esté mejor dotada que los trabajadores.8
Taylor9 señaló que la creación de nuevos métodos de trabajo era responsabilidad única de
gerentes y administradores. La mayor desventaja del taylorismo es que los trabajadores pueden
ser descalificados “como si fueran extensión de las máquinas”,10 como consecuencia, se tiene
poca motivación y alto ausentismo.
Frank (1864-1924) y Lillian Gilberth: diseñaron arreglos laborales para eliminar movimientos
manuales y corporales inútiles, también experimentaron en el diseño y uso de herramientas y
equipo adecuado para optimizar el desempeño del trabajo. 11 Encontraron que no es el trabajo
monótono la causa de tanta insatisfacción laboral, sino la falta de interés que muestran los
gerentes por los trabajadores.12
8
Ibidem, p. 34 tomado de la obra de Frederick Taylor, Principles of Scientific Management, Nueva
York, Harper and Brothers, 1911, pp. 36-37.
9
Taylor, op. cit. 1911, p.20.
10
Hall, Richard, Organizaciones: Estructura y proceso. México, Prentice Hall Hispanoamericana,
1982, p. 304
11
Ibidem, p. 33
12
Koontz, Harold, op. cit. , p. 34.
13
Neffa, Julio Cesar, “Transformaciones del proceso del trabajo y de la relación salarial en el marco
del nuevo paradigma productivo. Sus repercuciones sobre la acción sindical”, en Sociología del
Trabajo, Nueva época, núm. 18, primavera de 1993, pp. 80-82
Página 9
_______________FACULTAD DE INGENIRIA
Con las crisis de los años ochenta, la producción masiva uniforme ya no es competitiva, surge un
nuevo paradigma que hace énfasis en la respuesta flexible frente a los cambios impredecibles del
mercado. 14
Con objeto de reducir el costo de la no calidad se desarrolló y aplicó el Control Estadístico del
Proceso como una siguiente etapa.
14
Ibidem, p. 83-84
15
Vid. Valdez, Luigi, Conocimiento es futuro, CONCAMIN, México, 1995, pp. 122-123
16
Ibidem, pp. 125-126
Página 10
_______________FACULTAD DE INGENIRIA
Control estadístico del proceso (CEP)
CEP en occidente
Durante la segunda guerra mundial se requirieron cantidades masivas de productos, las
inspecciones de rutina de los inspectores no eran suficientes, en algunas compañías, tales como la
Western Electric, bajo contrato de la American Bell Telephone Company, estableció métodos de
control de calidad más rigurosos que infundieran confianza en sus instrumentos y
electrodomésticos, en 1924 se formó su departamento de Ingeniería de Inspección, entre sus
primeros miembros se encuentran Harold F. Dodge, Donald A. Qaurles, Walter A. Shewhart, Harry
G. Romig y otros.
Según 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 control”17. Por otra parte “H. Dodge y H. Romig
desarrollaron las tablas de inspección por muestreo de Dodge-Romig”18, como una alternativa a la
inspección 100% al producto terminado, sin embargo su adopción en occidente fue muy lenta,
Freeman, sugiere que esto se dio por “la tendencia de los ingenieros americanos a eliminar la
variación, y su desdén por las teorías probabilísticas, así como a la falta de estadígrafos
industriales, adecuadamente entrenados”.19
El trabajo de Shewhart, Dodge y Romig, constituye la mayor parte de lo que hoy se conoce como
“Control Estadístico del Proceso”. De esta forma con objeto de hacer más eficientes a las
organizaciones de inspección, “se proporciona a los inspectores con unas cuantas herramientas
estadísticas, tales como cartas de control y tablas de muestreo”20. Se reduce el nivel de variación
del proceso hasta los límites predecibles y se identifican las oportunidades de mejora. Se
establecen sistemas de medición formales desde los proveedores hasta el producto final y el
proceso se "estandariza”. Hoy en día la herramienta de las cartas de control (CEP) es utilizada por
los círculos de control de calidad para la identificación de problemas.
17
Duncan, Acheson, op. cit.p. 16.
18
Ibidem, p. 1
19
Freeman, H.D., “Statistical Methods for Quality Control”, MechanicalEngineering, April 1937, p.
261.
20
Feigenbaum, A.V., op. cit., 1986, p. 16
Página 11
_______________FACULTAD DE INGENIRIA
En 1931, W.A. Shewhart publica su libro “Economic Quality Control of Quality of Manufactured
Product”, donde describe las cartas para el control estadístico del proceso. En medio de los años
30’s los métodos de control estadístico de calidad se empezaron a aplicar en la Western Electric,
brazo de manufactura de los laboratorios Bell, sin embargo no fueron reconocidos estos métodos
ampliamente.
Durante la II guerra mundial se expandió el uso de los métodos estadísticos de control de procesos
en la industria de la manufactura, la American Society for Quality Control se formó en 1946 para
promover su uso. De 1946 a 1949 W. Deming es invitado a Japón a dar seminarios sobre control
estadístico de calidad a sus industriales, extendiendo el uso de éstos métodos. Aparecen las obras
de Eugene L. Grant y A.J. Duncan sobre control estadístico del proceso. En occidente es hasta la
década de los ochenta cuando se voltea hacia los métodos estadísticos ya muy comunes en Japón
dado el éxito industrial de este país.
En los años recientes, empresas de alta tecnología como Motorola, General Electric, Xerox, AT&T,
etc., desarrollan e implantan una metodología de calidad total denominada Calidad 6 sigma con el
objetivo de reducir los errores y defectos a un máximo de 3.4 partes por millón (ppm), donde una
de las herramientas clave es el control estadístico del proceso, que permite obtener ahorros de
costos muy importantes.
CEP en Japón
En 1950 el experto Edwards W. Deming inició el entrenamiento en métodos estadísticos en el
Japón, incluyendo conferencias dirigidas a los líderes industriales, en esta época Kaoru Ishikawa
experto japonés en control de calidad inició sus estudios sobre conceptos de control de calidad,
describe su propia motivación como sigue:
Página 12
_______________FACULTAD DE INGENIRIA
Yo desarrollé un gran respeto por el Dr. Shewhart por medio del estudio profundo
de sus conceptos en cartas de control y estándares... Sin embargo, me sorprendí un
poco que en EUA, donde efectué una visita de estudio, sus métodos casi no se
aplicaban. Yo deseo importar sus conceptos al Japón y asimilarlos para adaptarlos
a situaciones en Japón, de tal forma que los productos japoneses mejoraran su
calidad21
En 1955, Kaouru Ishikawa introdujo las técnicas de cartas de control en Japón, los japoneses
aprendieron el control de calidad de occidente, invitaron a Deming, Juran y otros eruditos a Japón
para que les enseñasen el control estadístico del proceso. Sin embargo la implantación de estas
técnicas fue posible después de su modificación y adaptación a las empresas japonesas,
incluyendo la creación de varias herramientas útiles como refinamiento del control estadístico de
calidad, tales como las 7 herramientas estadísticas utilizadas normalmente por los círculos de
control de calidad y la aplicación de técnicas estadísticas avanzadas.
Estas técnicas junto con las computadoras han alcanzado un alto nivel en Japón, “todas las
industrias japonesas confían en los métodos estadísticos avanzados para el diseño de productos”,22
esto también ha permitido que los supervisores de las fábricas japonesas utilicen estadística de
alto nivel para analizar problemas. Por ejemplo para el caso del diseño de experimentos se tiene:
“el diseño estadístico de experimentos es el arreglo, bajo el cual se efectúa un programa
experimental, incluye la selección de los niveles óptimos de los factores que tienen influencia en la
calidad del producto “23, ayuda a optimizar el tiempo y los elementos de diseño, determinando los
materiales más baratos de tal forma que el producto cumpla las especificaciones, y todavía se
asegure que el producto se desempeñará en forma satisfactoria bajo condiciones variables.
Con la aplicación del Control Estadístico del Proceso, el trabajador tiene de nuevo la oportunidad
de controlar la calidad de su trabajo, no a través de inspección 100%, sino a través de técnicas de
21
Ishikawa, Kaouru, "Tributes to Walter A. Shewhart," Industrial Quality Control, Vol. 22, No. 12,
1967, pp. 115-116.
22
Amsden, R., op. cit. , p. 537.
23
Winer, B., Statistical Principles in Experimental Design, McGraw Hill, 1971. p. 5.
Página 13
_______________FACULTAD DE INGENIRIA
muestreo y de cartas de control, como método preventivo de defectos, lo que permite su
autocontrol para reducir la variabilidad del proceso de producción, se complementa con las siete
herramientas estadísticas y el ciclo de control de Deming (planear, hacer, verificar y actuar).
* * * *
** **
*** **
*** * *
Distribución de promedios
Universo de las muestras
Encontró que las medias de las muestras correspondían a las medias de la población y que la
desviación estándar de las medias de las muestras se relacionaban con la desviación estándar de la
población, como sigue (TEOREMA DEL LÍMITE CENTRAL):
__ (1.1)
X n
Donde n es el tamaño de la muestra y es la desviación estándar de la población.
24
Shewhart, W.A., Economic Control of Quality of Manufactured Product, Van Nostrand Reinhold
Co., 1931, p. 182
Página 14
_______________FACULTAD DE INGENIRIA
X1 X2 X3
X-media 1 X-media 2 X-media 3
Histogram of Promedios
14
12
10
Frequency
0
3 4 5 6 7
Promedios
Página 15
_______________FACULTAD DE INGENIRIA
n n
[y -
i 1
i ]
i 1
i
2
(2.5)
Se aproxima a la distribución normal conforme n tiende a infinito. Es decir que la suma de las n
variables aleatorias independientemente distribuidas es aproximadamente normal,
independientemente de la distribución de las variables individuales.
Interpretación
Normalmente para conocer el estado de un proceso en determinado momento, es necesario
obtener un histograma de la característica de interés, tomando al menos 30 piezas. Se calcula la
Página 16
_______________FACULTAD DE INGENIRIA
media y la desviación estándar de la muestra y se trata de inferir sobre las características del
proceso. Haciendo esto periódicamente se pueden tener los comportamientos siguientes:
Hora 4
Hora 2
Hora 3
Hora 1
25
Ford Motor Co., Continuing Process Control and Process Capability Improvement, Dearborn,
Michigan, 1983
Página 17
_______________FACULTAD DE INGENIRIA
1.3 LAS 7 HERRAMIENTAS BÁSICAS PARA LA SOLUCIÓN DE PROBLEMAS
Página 18
_______________FACULTAD DE INGENIRIA
2. Definir el período de tiempo durante el cuál serán recolectados los datos. Esto puede variar de
horas a semanas.
3. Diseñar una forma que sea clara y fácil de usar. Asegúrese de que todas las columnas estén
claramente descritas y de que haya suficiente espacio para registrar los datos.
4. Obtener los datos de una manera consistente y honesta. Asegúrese de que se dedique el
tiempo necesario para esta actividad.
Página 19
_______________FACULTAD DE INGENIRIA
Diagrama de Pareto
Se utiliza para identificar problemas o causas principales:
Herramienta utilizada para el mejoramiento de la calidad para identificar y separar en forma crítica
los pocos proyectos que provocan la mayor parte de los problemas de calidad.
El diagrama de Pareto es una gráfica de dos dimensiones que se construye listando las causas de
un problema en el eje horizontal, empezando por la izquierda para colocar a aquellas que tienen
un mayor efecto sobre el problema, de manera que vayan disminuyendo en orden de magnitud. El
eje vertical se dibuja en ambos lados del diagrama: el lado izquierdo representa la magnitud del
efecto provocado por las causas, mientras que el lado derecho refleja el porcentaje acumulado de
efecto de las causas, empezando por la de mayor magnitud.
Ejes verticales:
- Eje izquierdo: Marque este eje con una escala desde 0 hasta el total general
Página 20
_______________FACULTAD DE INGENIRIA
- Eje derecho: Marque este eje con una escala desde 0 hasta 100%
Eje horizontal:
- Divida este eje en un número de intervalos igual al número de categorías clasificadas.
8. Dibuje la curva acumulada (curva de Pareto), Marque los valores acumulados (porcentaje
acumulado) en la parte superior, al lado derecho de los intervalos de cada categoría, y conecte
los puntos con una línea continua.
9. Escriba en el diagrama cualquier información que considere necesaria para el mejor
entendimiento del diagrama de Pareto.
Página 21
_______________FACULTAD DE INGENIRIA
DIAGRAMA PARETO
50 99.94
98.52
97.7
95.68
94.26
91.41
87.13
N %
O 78.56
A
D C
68.56
E U
M
Q U
U L
25 35.71
E A
J
23 D
A O
S 7
6
3
2
1
A B C D E F G H I J
Página 22
_______________FACULTAD DE INGENIRIA
Las quejas A, B y C representan el 78.56%, siendo en estas en las que debemos de enfocarnos
primero a resolver.
Página 23
_______________FACULTAD DE INGENIRIA
Pareto Chart of C1
200 100
80
150
60
Percent
Count
100
40
50
20
0 0
C1 C B D A Other
Count 80 60 30 20 10
Percent 40.0 30.0 15.0 10.0 5.0
Cum % 40.0 70.0 85.0 95.0 100.0
Frecuencia %
Página 24
_______________FACULTAD DE INGENIRIA
Conclusiones:
Diagrama de Dispersión
Se utiliza para analizar la correlación entre dos variables, se puede encontrar: Correlación
positiva o negativa, fuerte o débil o sin correlación.
El diagrama de dispersión es una técnica estadística utilizada para estudiar la relación entre dos
variables. Por ejemplo, entre una característica de calidad y un factor que le afecta.
La ventaja de utilizar este tipo de diagramas es que al hacerlo se tiene una comprensión más
profunda del problema planteado.
La relación entre dos variables se representa mediante una gráfica de dos dimensiones en la que
cada relación está dada por un par de puntos (uno para cada variable).
La variable del eje horizontal x normalmente es la variable causa, y la variable del eje vertical y es
la variable efecto.
Accidentes laborales
• • •
• • Correlación
• •
• • •
• • • • positiva,
• •
• •
•
•
posible
• • •
• • •
•
• •
Página 25
_______________FACULTAD DE INGENIRIA
La relación entre dos variables puede ser: positiva o negativa. Si es positiva, significa que un
aumento en la variable causa x provocará una aumento en la variable efecto y y si es negativa
significa que una disminución en la variable x provocará una disminución en la variable y.
Por otro lado se puede observar que los puntos en un diagrama de dispersión pueden estar muy
cerca de la línea recta que los atraviesa, o muy dispersos o alejados con respecto a la misma. El
índice que se utiliza para medir ese grado de cercanía de los puntos con respecto a la línea recta es
la correlación. En total existen cinco grados de correlación: positiva evidente, positiva, negativa
evidente, negativa y nula.
15 15
10
Y
10
5
5
0
0 5 10 15 20 25
Sin Correlación 0
0 5 10 15 20 25
X 25 X
20
15
Correlación 10
Y
5
Correlación
25
Positiva 0 Negativa
0 5 10 15 20 25 25
20
X 20
15
15
Y
10
Y
10
5
5
0
0 5 10 15 20 25 0
0 5 10 15 20 25
X
X
Si todos los puntos estuvieran completamente sobre la recta la ecuación lineal sería y = a + bx.
Como la correlación no siempre es perfecta, se calculan a y b de tal forma que se minimice la
distancia total entre puntos y la recta. Los cálculos son:
a
y x x xy 2
n x x 2 2
n xy x y
b
n x 2 x
2
Página 26
_______________FACULTAD DE INGENIRIA
El índice de correlación (r) se puede calcular estadísticamente mediante las ecuaciones que a
continuación se presentan
SCxy
r
SCx SCy
SCxy xy
x y
n
SCx x
x
2
2
SCy y
y
2
2
n
Donde:
r = Coeficiente de correlación lineal
SCxy = Suma de cuadrados de xy
SCx = Suma de cuadrados de x
SCy = Suma de cuadrados de y
y 2
Cuadrado de la sumatoria de la variable y
Página 27
_______________FACULTAD DE INGENIRIA
El factor de correlación es un número entre –1 (correlación negativa evidente) y +1 (correlación
positiva evidente), y r = 0 indicaría correlación nula.
La correlación se utiliza para cuantificar el grado en que una variable provoca el comportamiento
de otra. Por ejemplo si se encuentra que la variable temperatura tiene una correlación positiva
con el porcentaje de artículos defectuosos, se deben buscar soluciones al problema de los
artículos defectuosos mediante acciones asociadas con la variable temperatura; de lo contrario,
sería necesario buscar la solución por otro lado.
Ejemplo: Un ingeniero que trabaja con botellas de refresco investiga la distribución del producto y
las operaciones del servicio de ruta para máquinas vendedoras. El sospecha que el tiempo
requerido para cargar y servir una máquina se relaciona con el número de latas entregadas del
producto. Se selecciona una muestra aleatoria de 25 expendios al menudeo que tienen máquinas
vendedoras y se observa para cada expendio el tiempo de solicitud- entrega (en minutos) y el
volumen del producto entregado (en latas). Calcular el coeficiente de correlación y graficar. Los
datos se muestran a continuación:
SCxy = 2027.71
SCx = 698.56
SCy = 6105.94
r = 0.98
El coeficiente de correlación r = 0.98 por lo cual tenemos suficiente evidencia estadística para
afirmar que el tiempo de entrega está relacionado con el número de latas.
Página 29
_______________FACULTAD DE INGENIRIA
Para realizar el gráfico de dispersión en Excel realice el siguiente procedimiento:
Para determinar la función de regresión y correlación en Minitab se siguen los pasos siguientes
(después de cargar los datos correspondientes a X y a Y en las columnas C1 y C2):
Minitab > Stat >Regresión ... Indicar la columna de Respuestas Y y la de predictores X y aceptar
con OK. Observar el valor del coeficiente de correlación y de determinación.
Para obtener la línea de mejor ajuste de la regresión, se procede como sigue en Minitab:
Minitab > Stat >Fitted Line Plot ... Indicar la columna de Respuestas Y y la de predictores X,
seleccionar si se quiere ajustar con los datos con una línea, una función cuadrática o cúbica y
aceptar con OK. Observar el mayor valor del coeficiente de correlación que indica el mejor ajuste.
Página 30
_______________FACULTAD DE INGENIRIA
7 32
1 5
Antiguedad
Conclusiones:
Página 31
_______________FACULTAD DE INGENIRIA
Histogramas
Se utilizan para ver la distribución de frecuencia de una tabla de datos
18
16
14
12
10
8 Frec.
6
4
2
Figura 3.5
0 Distribución de frecuencias o histograma
15-24 25-34 35-44 45-54 55-64 65-75
Figura 1.11 Histograma en Excel
Página 32
_______________FACULTAD DE INGENIRIA
2 18-35
3 36-53
4 54-71
5 72-89
6 90 en
adelante
Paso 4. Hacer la gráfica del histograma:
Conclusiones:
En las sesiones de lluvia de ideas se generan nuevas ideas mediante la participación de todo el
equipo.Para comenzar con el proceso de tormenta de ideas, en el cual se genera información la
gente se reúne en una sala en la cual se recomienda la disposición de las mesas en forma de “U”
Página 33
_______________FACULTAD DE INGENIRIA
para facilitar el debate. La gente que participa en la sesión deberá de pertenecer a diferentes
áreas o tener puntos de vista diferentes, esto con el objeto de enriquecer la sesión.
La técnica tormenta de ideas puede ser aplicada con gran frecuencia al llevar a cabo otras
herramientas, como por ejemplo, diagramas causa-efecto (Ishikawa), Diseño de experimentos,
pruebas de confiabilidad, etc.
EJERCICIO: Realizar una lluvia de ideas para solucionar el problema de llegar a tiempo a algún
lugar.
Página 34
_______________FACULTAD DE INGENIRIA
Técnica para generar ideas creativas cuando la mejor solución no es obvia.
Reunir a un equipo de trabajo (4 a 10 miembros) en un lugar adecuado
El problema a analizar debe estar siempre visible
Generar y registrar en el diagrama de Ishikawa un gran número de ideas, sin
juzgarlas, ni criticarlas
Motivar a que todos participen con la misma oportunidad
El diagrama causa-efecto, también llamado “espina de pescado” por la semejanza de su forma,
también es conocido por diagrama de Ishikawa.
Es utilizado para explorar, e identificar todas las causas posibles y relaciones de un problema
(efecto) o de una condición específica en las características de un proceso.
Una vez elaborado, el diagrama causa-efecto representa de forma clara, ordenada y completa
todas las causas que pueden determinar cierto problema.
Constituye una buena base de trabajo para poner en marcha la búsqueda de las verdaderas causas
de un problema.
Los pasos para elaborar el diagrama de causa- efecto son los siguientes:
Página 35
_______________FACULTAD DE INGENIRIA
- Dibuje líneas inclinadas que incidan en las líneas de las causas secundarias (causas
terciarias)
5. Jerarquice las causas por grado de importancia y defina aquellas que tengan un efecto
relevante sobre la característica específica.
6. Elabore y ejecute un programa de corrección de las causas relevantes.
Diagrama de Ishikawa
Medio
ambiente Métodos Personal
Frecuencia Falta de
Rotación de
Clima personal
de visitas supervi
húmedo Falta de
ción
motivación
Posición de Ausentismo
Distancia de exhibidores
la agencia al
Elaboración ¿Qué
changarro de pedidos produce
bajas ventas
Clientes con Calidad del de
ventas bajas Seguimiento producto Tortillinas
Malos
semanal Tía Rosa?
Conocimiento
itinerarios
de los Tipo de
Descompostura mínimos por exhibidor
del camión ruta
repartidor
Página 36
_______________FACULTAD DE INGENIRIA
El problema es soldadura defectuosa, siendo el efecto que se va a analizar.
Estas constituyen las causas primarias del problema y es necesario desafiarlas para encontrar
causas más específicas secundarias y terciarias.
Se construye el diagrama espina de pescado con las causas primarias (M´s), a partir de estas
causas se agrupan las causas secundarias y terciarias derivadas de la lluvia de ideas.
DIMENSIONES
VELOCIDAD DE
INADECUADAS FORMACION
FUERA DE AVANCE
DIMENSIONES
TEMPERATURA HABILIDAD
ESPECIFICADS
ANGULO LIMITES
INCORRECTO DE PUNTA OXIDADA ERGONOMICOS
FORMA
LA FLAMA
PUNTA
SOLDADURA DEFECTUOSA
UNION
SUPERFICIE SOLDADURA
S CON LACA DE
POLVO E SECUENCIA PROTECCION
IMPUREZAS SOLDADURA
TIEMPOS DE TERMINALES
ESPERA DESOXIDANTE
CORTOS OXIDADOS
MEDIO AMBIENTE MÉTODOS MATERIALES
s
ria
da
ias
un
les
pa
ec
i
cia
c
rin
s
sp
ter
as
usa
us
a
as
C
Ca
us
ca
Página 37
_______________FACULTAD DE INGENIRIA
El equipo analiza cada causa y por medio de eliminación y consenso determina cuales son las
verdaderas causas que están ocasionando el problema. Una vez determinada las causas se realiza
un análisis Por qué, Por qué, por qué (Why-Why Why), el cual consiste en preguntarnos cinco
veces por qué?, para encontrar la causa raíz del problema.
En el ejemplo anterior las causas primarias fueron agrupadas en (M’s): mediciones, máquinas,
personal, medio ambiente, métodos y materiales. Es posible realizar este diagrama con causas
primarias diferentes a las M´s, ej:
Problema: Por qué la versión del sistema “Abacab”, no satisface los requerimientos del cliente.
Las causas primarias en las que se organiza este problema son las siguientes:
Llenar las columnas C1 a C5 con las diferentes causas correspondientes a los conceptos de
Personal, Máquinas, Materiales, Métodos, Mediciones y Medio ambiente.
Página 38
_______________FACULTAD DE INGENIRIA
Ejercicio: Realizar un Diagrama de Causa efecto para identificar las causas potenciales de
un problema y concluir.
Página 39
_______________FACULTAD DE INGENIRIA
Carta de tendencias
Definición:
Es una ayuda gráfica para el control de las variaciones de los procesos administrativos y de
manufactura.
Usos:
• Saber el comportamiento de un sistema o proceso durante el tiempo.
• Tomar las acciones correctivas a tiempo si la tendencia afectará en forma negativa.
Carta de tendencia
0.2
% errores
0.15
0.1
0.05
0
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15
Sem ana
Página 40
_______________FACULTAD DE INGENIRIA
Diagrama de flujo
Dentro de los sistemas de calidad resulta de gran utilidad representar la estructura y relaciones de
los sistemas mediante diagramas de flujo.
Se utiliza para identificar los procesos, las características críticas en cada uno, la forma de
evaluación, los equipos a usar, los registros y plan de reacción, se tienen los tipos
siguientes:
Diagramas de flujo de proceso detallados
Diagramas físicos de proceso
Diagramas de flujo de valor
Iniciar/Detener Transmisión
Operaciones Almacenar
(Valor agregado)
Decisión Entrada/Salida
Página 41
_______________FACULTAD DE INGENIRIA
Descripción de símbolos
En la construcción de diagramas de flujo de procesos se utilizan los símbolos descritos a
continuación:
Página 42
_______________FACULTAD DE INGENIRIA
2. Definir todos los pasos que componen un producto o servicio: Existen diferentes
maneras de hacerlo. Una de ellas consiste en que el equipo de trabajo anote en tarjetas
los diferentes pasos que conforman el proceso, con este método el equipo puede arreglar
y ordenar los pasos del proceso. Otra manera de hacerlo es mediante el uso de programas
de diagramas de flujo en computadoras, de esta manera se tiene mayor flexibilidad que en
el método anterior y se ahorra bastante tiempo.
Cada paso deberá de ser discutido y analizado a detalle utilizando la pregunta “¿por qué
se hace de esta manera?”
3. Conectar las actividades: Cuando los pasos que componen el proceso han sido descritos
se construye el diagrama de flujo, conectando las actividades mediante flechas, cada
símbolo debe describir la actividad que se realiza con pocas palabras.
4. Comparar el proceso actual con el proceso considerado como “ideal” las siguientes
preguntas pueden servir de guía:
¿Existen pasos demasiado complejos?
¿Existe duplicidad o redundancia?
¿Existen puntos de control para prevenir errores? ¿deberían de existir?
¿El proceso funciona en la manera en la cual debería de hacerse?
¿Se puede realizar el proceso de diferente manera?
5. Mejoras del proceso: Una vez que se contestan las preguntas mediante tormenta de ideas
se realizan mejoras. Definiendo los pasos que agregan valor y los que no agregan se puede
llevar a cabo una simplificación sustancial del proceso.
Las mejoras son priorizadas y se llevan a cabo planes de acción.
6. Implementar el nuevo procedimiento: Una vez realizadas las mejoras se dan a conocer a
las personas involucradas en el proceso y se verifica su efectividad.
Página 43
_______________FACULTAD DE INGENIRIA
Diagrama de flujo: Una visita a la farmacia26
26
Adaptado de Hamid Noori/Russell Radford, Administración de Operaciones y producción, Ed.
Mc.Graw Hill Pp.282
Página 44
_______________FACULTAD DE INGENIRIA
Ejercicio: Hacer el diagrama de flujo de un proceso e identificar áreas de oportunidad
Inicio Paso 1
Paso 3
Página 45
_______________FACULTAD DE INGENIRIA
Diagrama de flujo de tiempo – valor agregado
Es utilizado para detectar cuales son las actividades que agregan valor al proceso y las que no
agregan valor.
Ventajas:
• Delinea gráficamente la cantidad de tiempo sin valor que se usa en el proceso.
• Ayuda a reducir el tiempo sin valor y eliminar pasos innecesarios.
Ejemplo
me
s
esi
ny n
ón
Pe gu í
Sa
ó
so nea
n
Espera Espera
Se min
Sa gar
Ll enf
Ca a de a
Se istr
Pa inar
Ca inar
Ca
Re
am er m
nt ar
lir
la
m
nt ars
ar
m
g
de
ad
ar
se
se e
lc
on
er
su
lto
r io
Página 46
_______________FACULTAD DE INGENIRIA
Diagrama de Flujo Físico
Pasos para realizarlo:
•Dibuje el esquema físico de su área de trabajo, incluyendo estaciones de trabajo, áreas de
espera, áreas de máquinas, etc.
•Use flechas para delinear el flujo de la parte dentro del área. Cada flecha debe delinear un paso
del proceso.
Ventajas
• Muestra el número de movimientos para completar el proceso.
• Muestra la complejidad del flujo y las curvas.
• Puede añadir tiempo a cada paso, para mostrar cuellos de botella y tiempo sin valor agregado Vs
tiempo con valor agregado.
Edificio A
Edificio B
Página 47
_______________FACULTAD DE INGENIRIA
Estratificación
Se utiliza para separar un aspecto general en los estratos que lo componen, por ejemplo,
por regiones, estados, municipios, etc. Clasificación de los datos o factores sujetos a
estudio en una serie de grupos con características similares.
Por estado
Por municipio
Segundo paso:
Tercer paso:
Cartas de control
12.5 Límite
Superior de
11.5 Control
10.5
9.5 Línea
Central
8.5
Límite
Inferior de
7.5
Control
0 10 20 30
Página 48
_______________FACULTAD DE INGENIRIA
Figura 1.20 Carta de control con sus límites de control y línea central
Carta de control
“Escuche la Voz del Proceso” Región de control,
M captura la variación
E
natural del proceso
D
I original
D LSC
A
S
C
A LIC
L Tendencia del proceso
I
D El proceso ha cambiado
A
Causa Especial
identificada
D
TIEMPO
Son aspectos que no agregan valor al cliente, es decir no está dispuesto a pagar por ellos y
hacen que la operación sea costosa y lenta:
Página 49
_______________FACULTAD DE INGENIRIA
Página 50
_______________FACULTAD DE INGENIRIA
Ejercicio: Mejora del tiempo de ciclo de atención en una sala de emergencia:
Se realiza un mapeo del proceso con todas las actividades relacionadas con la
atención en una sala de emergencia, considerando tiempos y distancias.
Proceso Original
Resumen Símbolo Número Tiempo en Distancia Proceso: Admisión a la sala de emergencia
de pasos minutos Sujeto: Paciente con una lesion en el tobillo
Operación 5 23 --- Principio: Entrada a sala de emergencia
Inspección 2 8 ---
Retraso 3 8 ---
Almacenaje 0 ---
Total 19 50 815
Página 51
_______________FACULTAD DE INGENIRIA
Se identifican las actividades que representan Muda y que son actividades que
no agregan valor y se reducen o eliminan, quedando el proceso mejorado
como sigue:
Página 52
_______________FACULTAD DE INGENIRIA
Las 5 Ss y la administración visual
Objetivo: Encontrar cualquier cosa y tener idea del estado de la operación en menos de 30
segundos, por una persona familiarizada con el área de trabajo.
Palabras japonesas que inician con s: Seiri, Seiton, Seiso, Seiketsu y Shitsuke.
1 2
1 2 3
Página 53
_______________FACULTAD DE INGENIRIA
3.- SEISO significa: LIMPIEZA.
Mantener limpio el lugar de trabajo.
Las 5´s se han definido como Selección u Organización, Orden, Limpieza, Estandarización
y Disciplina. Los dos elementos más importantes son la Organización y el Orden ya que de
ellos depende el éxito de las actividades de Mejora.
Trabajan en medio del polvo, suciedad, desorden, aceite, etc. dificulta la búsqueda
de piezas, útiles, información, requisiciones, herramientas etc. evitando esto se previenen
los accidentes, no se generan defectos y todo se encuentra.
La Preparación interna (IED), son las operaciones realizadas con el servicio suspendido.
La Preparación externa (OED), son las operaciones realizadas mientras se están
proporcionando los servicios.
Página 54
_______________FACULTAD DE INGENIRIA
Ejemplo de Cambio rápido – SMED: Se redujo el tiempo de preparación en una estación
de servicio de 11 minutos a 1 minuto, ya que antes primero se detenía, llamaban al
dependiente, buscaba las mercancías, etc. ahora las mercancías clave están cerca del
mostrador y no se pierde tiempo. Otro ejemplo es la obtención de pasaportes en 40
minutos o un trámite en las oficinas de hacienda.
Página 55
_______________FACULTAD DE INGENIRIA
_______________________________________________________________.
Trabajo estandarizado
Objetivo: Documentar en instructivos, procedimientos y ayudas visuales, la forma como
deben realizarse las operaciones y actividades para que todos las realicen de la misma
manera, para tener productos homogéneos.
Página 56
_______________FACULTAD DE INGENIRIA
1.5 LAS SIETE HERRAMIENTAS ADMINISTRATIVAS
Diagrama de afinidad:
o Organiza grandes cantidades de información
Diagrama de árbol:
o Diagrama los niveles de destalle para alcanzar un objetivo principal y los
objetivos secundarios relacionados
Diagrama Matricial:
o Muestra las relaciones y correlaciones entre ideas
Matrices de prioridad:
o Asigna prioridades a asuntos, tareas o posibles opciones con base en
criterios conocidos
APLICACIONES
Las herramientas para la mejora continua se emplean de manera ideal en los casos
siguientes:
Dividir un requerimiento general de detalles específicos
Identificar y eliminar las causas raíz de un problema
Programar actividades complejas
Planeación de contingencia
Ayudar a una organización a pasar de la manera antigua de pensar a otras formas
más novedosas de hacerlo
Realizar una selección final de una lista de opciones
Evaluar opciones de diseño de producto
Página 57
_______________FACULTAD DE INGENIRIA
Diagrama de Afinidad
PASOS
1. Reunir el equipo y elegir un líder, todos relacionados con el asunto a tratar.
2. Establecer el asunto o problema en forma de pregunta.
3. Realizar una tormenta de ideas respecto al problema o aspecto y registrarla en
fichas de trabajo.
4. Desplegar las tarjetas en una mesa grande o muro.
5. Acomodar las tarjetas en pilas similares o por “familias”.
6. Crear tarjetas de encabezado
7. Dibujar el diagrama de afinidad
a. Trazar un círculo en torno a cada agrupamiento
b. El diagrama queda completo cuando el equipo alcanza el consenso
8. Discutir el diagrama de afinidad
Página 58
_______________FACULTAD DE INGENIRIA
FUENTE HTTP://WWW.SAPDESIGNGUILD.ORG/RESOURCES/GLOSSARY_USAB/IMAGES/AFFINITYEE1.JPG
FUENTE:
HTTP://WWW.MEX.OPS-OMS.ORG/DOCUMENTOS/TUBERCULOSIS/MEJORA/4_DIAGRAMA_AFINIDAD.PDF
Página 59
_______________FACULTAD DE INGENIRIA
Diagrama doble de Interrelaciones
Ayuda a identificar las causas potenciales de un problema. permite que el equipo observe
al mismo tiempo muchos efectos y trace la relación entre dichos efectos y varias causas.
PASOS
1. Reunir el equipo y elegir un líder.
2. Poner el asunto o problema en forma de pregunta.
3. Realizar una tormenta de ideas respecto al problema o aspecto y registrarla en
fichas de trabajo.
4. Analizar las relaciones.
5. Revisar el Diagrama doble de interrelaciones.
6. Identificar causas y efectos raíz.
a. Una causa raíz es una categoría de la que sale la gran cantidad de flechas.
b. Un efecto raíz es una categoría a la que llega una gran cantidad de flechas.
7. Estudiar el Diagrama doble de interrelaciones.
Página 60
_______________FACULTAD DE INGENIRIA
Página 61
_______________FACULTAD DE INGENIRIA
FUENTEHTTP://WWW.CALIDADEDUCATIVA.ORG/CONGRESO2008/MEMORIA/TUFINO_COMPL
EMENTARIO/TUFINO_INTERRELACION.PDF
Página 62
_______________FACULTAD DE INGENIRIA
Diagrama de árbol
Un diagrama de árbol (diagrama sistemático) es una técnica que se emplea para buscar la
forma más apropiada y eficaz de alcanzar un objetivo específico. Esta herramienta gráfica
de diagrama los diversos niveles de detalle, estos representan acciones (o tareas) que
siguen rutas lógicas para implantar un objetivo amplio. Al implantar los puntos detallados
de acción, se crea un efecto de dominio que lleva al logro del objetivo principal.
Cuando se trabaja sobre un objetivo amplio, un diagrama de árbol ayuda a orientar tareas
específicas, es posible emplearlo para planear la implantación de una solución detallada
en forma ordenada. El diagrama de árbol funciones para dividir un aspecto u objetivo más
complejo.
PASOS
1. Reunir un equipo apropiado.
2. Elegir la declaración de objetivo.
3. Generar los encabezados de primer nivel del árbol
4. Completar el diagrama de árbol bajo cada encabezado principal
5. Revisar el diagrama de árbol terminado.
Página 63
_______________FACULTAD DE INGENIRIA
FUENTE:
HTTP://WWW.PROGRAMAEMPRESA.COM/EMPRESA/EMPRESA.NSF/PAGINAS/B274A80F363DE039C12570290
041808D?OPENDOCUMENT
FUENTE HTTP://DGPLADES.SALUD.GOB.MX/2006/HTDOCS/HG/NUEVAS/HESTRA7.PDF
Página 64
_______________FACULTAD DE INGENIRIA
FIG. 1.27 EJEMPLOS DE DIAGRAMA DE ÁRBOL
Página 65
_______________FACULTAD DE INGENIRIA
Página 66
_______________FACULTAD DE INGENIRIA
Diagrama Matricial
PERSONAL
Diseño de productos
Despliegue de funciones
de Calidad
Mejora de Procesos
Eficacia de equipos
Benchmarking
Ingeniería concurrente
Medición
Los diagramas matriciales son herramientas que se emplean para revelar las correlaciones
entre ideas, tares y responsabilidad y que aparecen en diversas formas matriciales, es
posible emplear estas herramientas para organizar y comparar dos o más conjuntos de
artículos para mostrar cuáles de ellos están relacionados, asimismo pueden mostrar la
fortaleza estadística y la dirección de influencia de cada relación.
PASOS
1. Reunir a un equipo apropiado
2. Elegir las consideraciones clave
a. ¿Qué tipo de información se desea mostrar en la matriz?
3. Elegir la forma apropiada de la matriz
4. Definir los símbolos de relación a emplear y crear una leyenda
5. Concluir la matriz.
Página 67
_______________FACULTAD DE INGENIRIA
Página 68
_______________FACULTAD DE INGENIRIA
DIAGRAMAS MATRICIALES 27
27
Diagramas tomados de la dirección www.fundibeq.org 28 de diciembre de 2008
Página 69
_______________FACULTAD DE INGENIRIA
FIG. 1.33 DIAGRAMA MATRICIAL EN “X” DIAGRAMA MATRICIAL EN “C” TRIDIM
Página 70
_______________FACULTAD DE INGENIRIA
Matrices de Prioridades o prioritización
Las matrices de prioridades son herramientas para tomas decisiones. Utilizando criterios
ponderados y acordados, se emplean tales herramientas para asignar prioridades a
aspectos, tareas u opciones posibles. Se basan en la combinación de un diagrama de árbol
y uno matricial.
Pueden ayudar a reducir el número de opciones; de modo que sea posible tomar
decisiones con mayor facilidad, debido a que las matrices de prioridades proporcionan un
enfoque lógico a la elección de un conjunto de opciones, son ideales para elegir un
problema para que lo ataque el equipo y estrechar una lista de soluciones potenciales
para un problema.
PASOS
Loa criterios son prioritizados, ponderados y aplicados contra las opciones de decisión
generadas, seleccionando una decisión con base en números como resultado.
28
Brassard, M. (1989), The Memory jogger plus +, Methuen, Goal/QPC
Página 71
_______________FACULTAD DE INGENIRIA
Página 72
_______________FACULTAD DE INGENIRIA
Carta de Programa de Decisión de Procesos (CPDP)
Cambiar fecha de
reunión
Reservar sala de Sala de reuniones no
reuniones disponible
Reservar otro sitio
Rentar equipo
audiovisual
Planeación de una Verificar equipo Equipo audiovisual no
reunión audiovisual disponible Reservar otro sitio
Una Carta de programa de decisión del proceso (CPDP) es una herramienta dinámica de
planeación que se emplea para diagramar en forma sistemática todas las posibles cadenas
de eventos para alcanzar un objetivo amplio o para implantar una solución compleja.
Se enumeran todos los eventos concebibles y una contramedida apropiada en este flujo
cronológico, se emplea este método cuando existe incertidumbre en un proceso de
implantación, cuando el problema u objetivo es único o desconocido.
Las Cartas de programa de decisión del proceso se clasifican por las herramientas que se
emplea:
CPDP “planeado por adelantado”: anticipan lo “inesperado” antes de la
implantación verdadera. Se efectúa una tormenta de ideas de todas las distintas
posibilidades y se elaboran planes de contingencia con anticipación.
CPDP en tiempo real: se desarrollan alternativas durante la implantación.
Página 73
_______________FACULTAD DE INGENIRIA
Gráfico: combinación de diagrama de árbol y diagrama de flujo.
Descripción: lista numerada de eventos y contramedidas.
Se emplea una CPDP para describir de manera sistemática una solución u objetivo
complejos, otro propósito es probar teorías durante la implantación de una solución
compleja.
PASOS
1. Reunir el equipo apropiado
2. Elegir el flujo básico de implantación
3. Elegir el formato de la carta
4. Establecer el objetivo principal
5. Enumerar los pasos del proceso
6. Determinar contramedidas
7. Evaluar las contramedidas
- Evaluar las contramedidas y marcarlas en la forma siguiente
= Seleccionada
= No factible
Página 74
_______________FACULTAD DE INGENIRIA
FUENTE HTTP://SYQUE.COM/QUALITY_TOOLS/TOOLS/TOOLS12.HTM
Fig. 1.38 Ejemplo de diagrama de árbol y plan de contingencia CPDP para manufactura
Página 75
_______________FACULTAD DE INGENIRIA
Diagrama de redes de actividades
1 1 1 3 2 3 2 5
día día día día día día día día
PASOS
1. Reunir el equipo apropiado.
a. Los miembros del equipo deberán conocer a fondo las tareas y subtareas
2. Identificar todas las tareas que requiere el proyecto.
3. Determinar la secuencia de actividades.
4. Calcular el tiempo que se requiere cada actividad.
5. Calcular la ruta crítica del proyecto.
6. Calcular la fecha más tardía de inicio y más temprana de conclusión de cada
subtarea.
7. Calcular la holgura total.
8. Diseñar el diagrama de redes de actividades.
Página 76
_______________FACULTAD DE INGENIRIA
EJEMPLO: INAUGURACIÓN DE UN NUEVO RESTAURANTE
Página 77
_______________FACULTAD DE INGENIRIA
El TE de un evento representa el tiempo más breve posible en que el evento puede alcanzarse, y
se calcula sumando los tiempos t de la secuencia de actividades que conduce al mismo.
Cuando hay más de un camino que conduce a un evento, el camino que consume el mayor tiempo,
determina el tiempo más breve posible en que puede esperarse alcanzar dicho evento.
El valor TE de un evento N se calcula de la siguiente manera:
a) Se empieza con el primer evento (su TE es igual a cero), considerando sus directos sucesores
etc..., hasta llegar al último evento del proyecto. (Su TE indica el tiempo mínimo esperado para
terminar el proyecto).
b) Se identifican todos los eventos que preceden directamente al evento N.
c) Para cada uno de estos eventos se añade a su TE la duración t de la actividad que le conecta con
el evento N.
d) Se elige entre los resultados así obtenidos el mayor. Este será el único TE del evento N. Los
demás valores obtenidos son irrelevantes y no se volverán a considerar.
Página 78
_______________FACULTAD DE INGENIRIA
Los valores TE así obtenidos, se escribirán en el Diagrama de Flechas por encima del respectivo
evento.
El TL de un evento representa el tiempo máximo en que debe alcanzarse el evento para poder
seguir el proyecto tal y como ha sido planificado, siendo el TL del último evento el tiempo
establecido para finalizar el proyecto.
El valor TL de un evento N se calcula de la siguiente manera:
a) Se empieza con el último evento (= fin del proyecto), operando en sentido inverso hasta el
primero. El TL del último evento se considera aquí como un dato externo, ya establecido. (Deseo
del cliente, compromiso, fecha "orientativa" interna, a menudo el valor TE obtenido en el Paso 4
para el evento final del proyecto, etc...).
b) Se identifican todos los eventos sucesores del evento N.
c) Para cada uno de estos eventos se resta de su TL la duración t de la actividad que le conecta con
el evento N.
d) Se elige entre los resultados así obtenidos el menor. Este será el único TL del evento N. Los
demás valores obtenidos son irrelevantes y no se volverán a considerar.
Los valores TL así obtenidos, se escribirán en el Diagrama de Flechas debajo del respectivo evento.
El camino crítico es aquella secuencia de actividades, desde el primer evento hasta el último, en la
que los eventos disponen de la holgura mínima.
Se identificará en el Diagrama de Flechas, el camino crítico, señalando las actividades que lo
constituyen con líneas más gruesas.
Página 79
_______________FACULTAD DE INGENIRIA
Página 80
_______________FACULTAD DE INGENIRIA
1.6 MÉTODOS ESTADÍSTICOS PARA LA MEJORA DE CALIDAD
Cartas de control
En 1924 WALTER SHEWHART realizó experimentos y desarrolló las Cartas de Control en la planta
telefónica Western Electric de los los Bell Labs, las cuales tienen las siguientes características:
Técnicas útiles para el monitoreo de procesos
Permiten identificar situaciones anormales en 6Ms
Sirven para prevenir la generación de defectivos
15
LCS
10
Promedio
5 LCI
Perfil
0
Fig. 1.41 Carta de control
LSC = Límite superior de control
LC = Línea central
LIC = Límite inferior de control
Fig. 1.4 Carta de control de Shewhart y sus límites de control
Página 81
_______________FACULTAD DE INGENIRIA
La carta de control es una técnica muy útil para el monitoreo de los procesos, cuando se presentan
variaciones anormales donde las medias o los rangos salen de los límites de control, es señal de
que se debe tomar acción para remover esa fuente de variabilidad anormal. Su uso sistemático
proporciona un excelente medio para reducir la variabilidad.
Diseño de experimentos
Un experimento diseñado es muy útil para descubrir las variables clave que tienen influencia en las
características de calidad de interés del proceso. Es un método para variar en forma sistemática
los factores controlables del proceso y determinar los efectos que tienen esos factores en los
parámetros finales del producto. Permite reducir la variabilidad en la característica de calidad y en
determinar los niveles más adecuados de los factores controlables que optimicen el desempeño
del proceso. Fisher inicia el desarrollo del diseño de experimentos en la agricultura en Inglaterra
en los años 1920’s.
ENTRADAS CONTROLABLES
X1 X2 XP
Materias primas,
Componentes, etc.
Z1 Z2 ZQ
ENTRADAS NO CONTROLABLES
El principal método para diseñar experimentos es el diseño factorial, en el cual los factores son
variados de tal forma de probar todas las posibles combinaciones de los niveles de los factores.
Página 82
_______________FACULTAD DE INGENIRIA
El diseño de experimentos es una herramienta fuera de línea es decir se utiliza durante el
desarrollo de los productos o procesos, más que durante su fabricación.
Una vez que se han identificado las variables que afectan el desempeño del proceso, normalmente
es necesario modelar la relación entre estas variables y la característica de calidad de interés. Para
lo cual se puede utilizar el análisis de regresión.
El monitoreo en el proceso de las variables relevantes que afectan las características de calidad se
hace por medio de cartas de control.
Muestreo de aceptación
Está relacionado con la inspección y prueba del producto, donde se selecciona e inspecciona una
muestra aleatoria de un lote mayor, resultando en una aceptación o rechazo de ese lote mayor,
esto ocurre en la recepción de materias primas y componentes y en el producto terminado.
Página 83
_______________FACULTAD DE INGENIRIA
b) INSPECCION DE RECIBO
ENVIO
PROCESO INSPECCION CLIENTE
CLIENTE
PROCESO INSPECCION
RECHAZO
SCRAP RETRAB
AJO
DISPOSICIÓN DE LOTES
Página 84
_______________FACULTAD DE INGENIRIA
En el transcurso del tiempo, las tres técnicas estadísticas anteriores han tenido la evolución
siguiente:
100%
MUESTREO DE
ACEPTACION
CONTROL DE PROCESO
DISEÑO DE
0% EXPERIMENTOS
Tiempo
Fig. 1.45 Evolución de la aplicación de métodos estadísticos
Para que sean efectivas las herramientas estadísticas, su aplicación debe ser parte de un programa
mayor de Calidad Total (Total Quality Management en EUA, Company Wide Quality Control en
Japón, Seis Sigma de Motorola, Modelo de Dirección por Calidad de México (PNC), Malcolm
Baldrige de EUA, QS 9000, ISO TS 16949, VDA 6.1 VW, ISO 9000:2000, etc.), donde la alta dirección
lleve el liderazgo por la calidad, no funcionarán como elementos aislados.
La filosofía de Deming y Juran implica que la responsabilidad por la calidad se expande a toda la
organización, sin embargo para no caer en el error de que “la responsabilidad de todos es la de
nadie”, la calidad debe planearse.
Página 85
_______________FACULTAD DE INGENIRIA
Deming impulso el uso del CEP y los métodos estadísticos en Japón para la reducción de la
variabilidad y mejora continua de calidad, con sus 14 recomendaciones a la dirección.
MEJORA CONTINUA
Información
Responsabilidad
de la Dirección
C R
e
l q
S
a
i u
e Administración
Medición, t
e r análisis, i
i de Recursos mejora s
n m
Información f
t i
e
a
c
e n
t Realización c
Producto
o del Producto / i
s o
(y/o servicio) Salida Servicio
n
Entrada
Costos de calidad
Son costos asociados con producir, identificar, evitar o reparar productos que no cumplan
especificaciones. Normalmente se clasifican en cuatro categorías: Prevención, Apreciación, Falla
interna y Falla externa, algunos de los elementos que incluyen son los siguientes:
Página 86
_______________FACULTAD DE INGENIRIA
Entrenamiento Ineficiencias
Colección y análisis de datos de calidad Descuentos
Costos de prevención
Son los costos asociados con los esfuerzos de diseño y manufactura enfocados a la prevención de
defectos, de tal forma de hacer bien las cosas a la primera vez.
Costos de apreciación
Son los costos asociados con la medición, evaluación, o auditoría a productos, componentes y
materiales comprados para asegurar su conformancia a los estándares establecidos.
Página 87
_______________FACULTAD DE INGENIRIA
2. MÉTODOS Y FILOSOFÍA DEL CONTROL ESTADÍSTICO DEL
PROCESO (CEP)
Concepto de variación
Los métodos estadísticos se basan en que no existen dos productos EXACTAMENTE iguales de un
proceso de manufactura, por tanto la VARIACIÓN es inevitable, su análisis se hace con el apoyo de
la estadística.
Pero ellas forman un patrón, tal que si es estable, se denomina distr. Normal
Página 88
_______________FACULTAD DE INGENIRIA
Muchos eventos reales y naturales tienen una distribución de frecuencias cuya forma es muy
parecida a la distribución normal. La distribución normal es llamada también campana de Gauss
por su forma acampanada.
Cuando se incluyen todos los datos de un proceso o población, sus parámetros se indican con
letras griegas, tales como: promedio o media = (mu), y desviación estándar (indicador de la
dispersión de los datos) = (sigma).
La desviación estándar
sigma representa la
distancia de la media al
punto de inflexión de la
curva normal
X
x-3 x-2 x- x x+ x+2 x+3
z
-3 -2 -1 0 1 2 3
Página 89
_______________FACULTAD DE INGENIRIA
La forma y la posición de una distribución normal dependen de los parámetros , , por lo
Curvas
Curvas Normales
Normales con
con Medias
Medias iguales
iguales pero
pero
Desviaciones estándar diferentes
Desviaciones estándar diferentes
3.9
3.9
== 5.0
5.0
Normales
Normales con
con Medias
Medias yy
Desviaciones
Desviaciones estándar
estándar diferentes
diferentes
= 5, == 33
= 5,
== 9,
9, =
= 66
== 14,
14, == 10 10
LIE LSE
Fig. 2.4 Distribuciones normales con varias medias y desviaciones estándar
Página 90
_______________FACULTAD DE INGENIRIA
Página 91
_______________FACULTAD DE INGENIRIA
Existe una relación del porcentaje de probabilidad o área bajo la curva normal a la desviación
estándar. En la figura observamos por ejemplo que el área bajo la curva para 1 tiene un
68.26%
95.46%
99.73%
Fig. 2.5 Área bajo la curva de Distribución normal
Lo anterior se puede calcular con la Tabla de distribución normal o con Excel (Fx
=distr.norm.estand(Z) proporciona el área desde menos infinito hasta Z).
La primera tabla sirve para determinar el área o probabilidad que se encuentra fuera de los límites
de especificaciones. La segunda tabla proporciona valores de área bajo la curva para Z’s mayores a
cero. En cada una se muestran ejemplos de su uso.
Página 92
_______________FACULTAD DE INGENIRIA
Ejemplo 2.1
a) Determinar el área bajo la curva de menos infinito a Z = - 1.
P(Z<= -1) = 0.1587
Página 93
_______________FACULTAD DE INGENIRIA
P(- 2 <= Z<= -1) = 0.1359
Ejemplo 2.2
a) Determinar el área bajo la curva de menos infinito a Z = 1.
P(Z <= 1) = 0.8413
Página 94
_______________FACULTAD DE INGENIRIA
c) Determinar el área bajo la curva de menos Z = 1 a Z = 2
P(1 <= Z <= 2) = 0.9772 – 0.8413 = 0.1369
EJERCICIO 2.1:
¿Qué porcentaje del área bajo la curva normal estándar o probabilidad está incluido dentro de los
siguientes rangos?
a) P(1.2 <= Z <= 2.2) = P(Z <= 2.2) – P(Z <= 1.2) =
b) P(-2.1 <= Z <= -0.4) = P(Z <= - 0.4) – P(Z <= -2.1) =
c) P( -1.3 <= Z <= 2.7) = P(Z <= 2.7) – P(Z <= -1.3) =
d) P( Z >= 2.4) = P(Z <= -2.4) =
e) P( Z<=-2.9) + P(Z>= 3.1) = P(Z <= -2.9) + P(Z <= -3.1) =
f) P(Z>= 1.9) = P(Z <= -1.9) =
En la práctica, se tienen valores reales de promedio diferentes de cero y con desviación estándar
diferentes de uno, para determinar la probabilidad o área bajo la curva, se determina el número
de desviaciones estándar Z entre algún valor X y la media de la población o de la muestra X
como sigue:
X
Z sí se consideran los datos completos del proceso.
X X
Z sí se consideran sólo los datos de una muestra.
s
Ejemplo 2.3 El departamento de personal de una empresa requiere que los solicitantes a un
puesto en cierta prueba alcancen una calificación de 500. Si las calificaciones de la prueba se
distribuyen normalmente con media 485 y desviación estándar 30 ¿Qué porcentaje de
Página 95
_______________FACULTAD DE INGENIRIA
Buscamos el valor correspondiente Z en las tablas de distribución normal estándar o por medio de
Excel =distr.norm.estand(0.5). Z0.5 = 0.69146 = 69.146%. donde la probabilidad de que la
calificación sea menor a 500 es P (X <= 500). Dado que el porcentaje pedido es P( X 500) la
solución es 1-0.69146 =0.3085, por tanto sólo 30.85% de los participantes pasarán la prueba.
Otra forma es tomando la Z como negativa con P(Z <= -0.5) = 0.3085.
485
30.85%
Z.05
Ejemplo 2.4 Suponga que un proceso tiene una distribución normal dada tiene una media de 20 y
una desviación estándar de 4. Calcule la probabilidad
P (X >=24) = 1 – P(X <= 24) =
Fig. 2.7 Cálculo del área bajo la curva normal sin requerir Z
Página 96
_______________FACULTAD DE INGENIRIA
El resultado de la fórmula = 0.8413. , dado que esta es la probabilidad P(X 24), la probabilidad
buscada es: P(X > 24) = 1 - 0.8413= 0.1587
Página 97
_______________FACULTAD DE INGENIRIA
EJERCICIO 2.2:
Un producto tiene un peso promedio de 75 Kgs. con una desviación estándar de 10Kgs.
Generar 100 datos aleatorios en Minitab con Media = 264.6 y Desviación estándar S = 32.02 con:
1. Calc > Random data > Normal
2. Generate 100 Store in columns C1 Mean 264.06 Estandar deviation 32.02 OK
Nos aseguramos que los datos se distribuyan normalmente con la prueba de Anderson Darling o
Ryan Joiner como sigue:
El P value debe ser mayor a 0.05 para que los datos se distribuyan normalmente
Página 98
_______________FACULTAD DE INGENIRIA
Probability Plot of Datos
Normal
99.9
Mean 269.3
StDev 30.72
99 N 100
RJ 0.994
95 P-Value >0.100
90
80
70
Percent
60
50
40
30
20
10
5
0.1
150 200 250 300 350
Datos
60
50
40
30
20
10
5
0.1
150 200 250 300 350 400
Datos
Página 99
_______________FACULTAD DE INGENIRIA
2.3 LA CARTA DE CONTROL COMO PRUEBAS DE HIPÓTESIS
Alfa a veces se denomina riesgo del productor, denotando la probabilidad de que un lote bueno o
un proceso que produce partes aceptables en relación a una característica de calidad sea
rechazado.
Beta a veces se denomina riesgo del consumidor denotando la probabilidad de aceptar lotes de
calidad pobre, o permitiendo que un proceso continúe operando de manera insatisfactoria
respecto a una característica de calidad.
El procedimiento general para pruebas de hipótesis es especificar una probabilidad de error tipo I
o , y diseñar un procedimiento de prueba que minimice la probabilidad de error tipo II.
Tomando como estadístico de prueba Zc, y asumiendo que sigue una distribución normal N(0,1).
Página 100
_______________FACULTAD DE INGENIRIA
Z c X 0
n
(2.6)
Para encontrar la probabilidad de error tipo II, se debe asumir que Ho es falsa y entonces hallar la
distribución de Zc. Suponiendo que la media de la distribución realmente es:
1 = 0 + con > 0
Zc N ,1
n
BAJO H0 BAJO H1
La probabilidad del error tipo II es la probabilidad de que Zc se encuentre entre - Z/2 y Z/2 dado
que la hipótesis alterna es verdadera.
Para evaluar esta probabilidad, se evaluan F(Z /2) ) – F(-Z/2), donde F es la distribución acumulativa
normal estándar. La probabilidad de error tipo II es (funciona igual para cuando < 0):
n n
Z / 2 Z / 2
(2.7)
Ejemplo 2.5: si los estándares especifican que la media de una lata de café es de 16.0 oz., y de
acuerdo a la experiencia se sabe que la desviación estándar del contenido es de 0.1 oz. Las
hipótesis son:
Página 101
_______________FACULTAD DE INGENIRIA
Ho: = 16.0
Ho: 16.0
Asumiendo una probabilidad de error tipo I de 0.05 y tomando una muestra de 9 latas, se tiene
que el estadístico de prueba es:
Z 0 X 16
0.1
9
Suponiendo que se desea encontrar la probabilidad del error tipo II si el valor verdadero de la
media es 1 =16.1 implicando que = 16.1 – 16.0 = 0.1, se tiene:
n n
Z / 2 Z / 2
0.1 9 0.1 9
1.96 1.96
0.1
0.1
= (- 1.4 ) - ( -4.96 )
= 0.1492
De la ecuación anterior para , se observa que es una función de n, y de , tomando como 0.05
y graficando contra d = / , se obtienen las curvas características de operación (OC).
Página 102
_______________FACULTAD DE INGENIRIA
1. Entre mayor sea el valor de , se reduce la probabilidad de error tipo II para una n y dadas.
Es decir que la prueba detecta más fácilmente grandes diferencias.
2. Conforme se incrementa n, la probabilidad de error tipo II es más pequeño para una y
dadas. Es decir que la prueba se hace más potente si se incrementa el tamaño de muestra.
Las cartas de control fueron desarrolladas por el Dr. Walter A. Shewhart de los Bell Telephone
Labs., se denominan Cartas de Control de Shewhart y se usan para el monitoreo del proceso en
línea. A continuación se explica la teoría de variabilidad de Shewhart.
La variabilidad natural siempre existe en cualquier proceso de producción, no importa que tan
bien diseñado esté. Esta variabilidad natural es denominada causas comunes o aleatorias de
variabilidad, un proceso que opera en estas condiciones se dice que está en control estadístico.
Existen otras fuentes de variabilidad que pueden ser causadas por máquinas, errores de
operadores o materiales defectuosos. Esta variabilidad es muy grande en relación con la
variabilidad natural y es originada por causas especiales o asignables haciendo que el proceso
opere fuera de control estadístico (ver página siguiente).
El Objetivo del CEP es la detección oportuna de la ocurrencia de causas especiales para tomar
acciones correctivas antes de que se produzcan unidades defectivas o no conformes, para esto se
utilizan las cartas de control en línea, permitiendo también la estimación de la capacidad o
habilidad del proceso y la reducción continua de la variabilidad hasta donde sea posible.
Página 103
_______________FACULTAD DE INGENIRIA
2.4 BASES ESTADÍSTICAS DE LAS CARTAS DE CONTROL
LSC
LC
LIC Tiempo
Un punto que se encuentre fuera de los lÍmites de control mostrará evidencia que el proceso está
fuera de control y será necesario una investigación de la causa especial y la acción correctiva
necesaria para eliminarla. También se tendrá un alto riesgo de situación fuera de control si los
puntos se agrupan es forma sistemática dentro de los límites de control o muestran una
tendencia.
Por ejemplo, la carta de control de medias prueba la hipótesis de que la media del proceso está en
control y tiene un valor 0 si un valor de media muestral X i cae dentro de los límites de control;
de otra forma se concluye que el proceso está 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 hipótesis para analizar el desempeño de las cartas de control.
Página 104
_______________FACULTAD DE INGENIRIA
La probabilidad del error tipo I de la carta de control se presenta cuando se concluye que el
proceso está fuera de control cuando en realidad no lo está.
Ejemplo 2.6: Para el caso de pistones, evaluando la característica de calidad de diámetro interno
del anillo. Si la media del proceso es 74 y la desviación estándar es de 0.01mm, con un tamaño de
muestra de n=5, se tiene:
74 Z/2 (0.0045).
74.0135
74
74.9865 Tiempo
Página 105
_______________FACULTAD DE INGENIRIA
Fig. 2.11 Carta de Control típica
Se puede definir un modelo general para una carta de control, si w es un estadístico muestral que
mide alguna característica de calidad de interés y asumiendo que su media es w con desviación
estándar w se tiene:
El uso más importante de la carta de control es la mejora del proceso, a través de su monitoreo, al
principio se observará que los procesos no están en control estadístico, sin embargo con las cartas
de control se podrán identificar causas especiales que al ser eliminadas, resulten en una reducción
de la variabilidad mejorando el proceso.
Página 106
_______________FACULTAD DE INGENIRIA
Para identificar y eliminar las causas asignables, es importante encontrar las causas raíz del
problema y atacarlas para lo cual se puede utilizar el Plan de acción para situaciones fuera de
control OCAP, activado con la ocurrencia de cada evento. Incluye Puntos de chequeo que son
causas potenciales asignables y terminadores que son las acciones que resuelven la situación fuera
de control. Este documento OCAP es un documento vivo que debe ser actualizado
constantemente.
SISTEMA DE
EVALUACIÓN
Página 107
_______________FACULTAD DE INGENIRIA
Fig. 2.13 PROCESO DE MEJORA USANDO LA CARTA DE CONTROL
La carta de control es un dispositivo de estimación de parámetros del proceso una vez que exhibe
control estadístico, se puede estimar la media, varianza, proporción, etc. que pueden ser utilizados
para determinar la capacidad de los procesos para producir productos aceptables, base de
decisiones gerenciales y contractuales.
Las cartas de control pueden ser clasificadas en dos clases: por atributos y por variables
dependiendo de cómo se evalúe la característica de calidad.
Si la característica de calidad se puede evaluar y expresar como un número real en alguna escala
de medición continua, se denomina una variable. En tales casos se utilizan cartas de control de
medias, que describan la tendencia central y cartas de control basadas en rango o desviación
estándar para controlar la variabilidad del proceso.
Muchas características de calidad no pueden ser medidas en una escala continua, en esos casos se
puede juzgar cada producto como conforme o como no conforme sobre la base de que posea o no
ciertos atributos, o se pueden contar el número de no conformidades o defectos que aparecen en
una unidad de producto. Las cartas de control para tales características de calidad, se denominan
cartas de control por atributos.
Si se incrementa el tamaño de muestra, decrece la probabilidad del error tipo II, aunque el diseño
de la carta de control también debe tomar consideraciones económicas considerando los costos
de muestreo, pérdidas por fabricar productos defectuosos y costo de investigar indicaciones fuera
de control que son “falsas alarmas”.
Página 108
_______________FACULTAD DE INGENIRIA
Otra consideración en el uso de cartas de control es el tipo de variabilidad exhibida por el proceso:
1. Procesos estacionarios: los datos del proceso varían 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 área de
aplicación de las cartas de control más efectivo.
Las cartas de control han sido muy populares por las siguientes razones:
1. Son una herramienta probada para mejorar la productividad. Su aplicación exitosa ayuda a
reducir desperdicios y retrabajos, que son factores que reducen la productividad (productos
buenos por hora).
2. Son efectivas como herramientas de prevención de defectos. Apoyan el concepto de hacerlo
bien a la primera vez, es más costoso seleccionar productos buenos en un lote con productos
defectuosos, que fabricarlos bien desde el principio.
Página 109
_______________FACULTAD DE INGENIRIA
3. Evitan que se hagan ajustes innecesarios en el proceso. Apoyan el concepto de “si no esta mal,
no lo arregles”, ya que identifican las causas comunes de las especiales, evitan que se hagan
ajustes cuando sólo se están teniendo variaciones aleatorias en el proceso.
4. Proporcionan información de diagnóstico. Proporcionan un patrón de puntos que permite la
toma de decisiones para la mejora del proceso, al operador o al ingeniero experimentado.
5. Proporcionan información acerca de la capacidad o habilidad del proceso. Proporcionan
información acerca de los parámetros importantes del proceso y de su estabilidad con el
tiempo, permitiendo la estimación de la capacidad del proceso para producir dentro de
especificaciones.
Abriendo los límites de control decrece riesgo de error tipo I (falsa alarma) sin embargo se
incrementa el riego de error tipo II y viceversa. Con límites 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 límites de control a una distancia de 3.09-sigmas y los límites de control
serán:
+3.09
+3.0
LC
-3.00
-3.09
Página 110
_______________FACULTAD DE INGENIRIA
Algunos analistas sugieren el uso de límites preventivos trazados a 2-sigmas de la línea central,
para el caso de límites de control a 3-sigmas y a 0.025 de probabilidad para límites de control a
0.001. Estos límites aumentan la sensibilidad de la carta de control para identificar corrimientos de
la media del proceso, en forma más rápida. Si un punto cae fuera de los límites preventivos, Una
desventaja es que crean confusión con el personal y se incrementa el riesgo de error tipo I (falsas
alarmas).
Al diseñar una carta de control, se debe especificar tanto el tamaño de muestra como la
frecuencia de muestreo, tamaños de muestra grandes permiten detectar pequeñas corridas en la
media del proceso como se observa en las curvas características de operación.
1
ARL (2.9)
p
donde p es la probabilidad de que un punto exceda los límites de control. Para el caso de 3-sigma
p=0.0027 y el ARL0 = 370. Es decir que si el proceso está en control, se generará un punto fuera de
control como falsa alarma cada 370 puntos.
Si se toman muestras en intervalos fijos de tiempo en horas (h), entonces aparecerá una falsa
alarma cada tiempo promedio de indicación (ATS) en horas.
Página 111
_______________FACULTAD DE INGENIRIA
ATS ARLh (2.10)
En el ejemplo si se toman muestras cada hora, se genera una falsa alarma cada 370 horas.
Para evaluar que tan efectiva es la carta para detectar corrimientos en la media del proceso, se
utilizan las curvas características de operación. Por ejemplo, si n=5 y la media se corre de
74.015mm, la probabilidad de que un punto caiga dentro de los límites de control es
aproximadamente 0.50, por tanto utilizando p=0.50, se puede calcular el ARL1 para una situación
fuera de control como sigue:
1 1
ARL1 2
p 0.5
Esto significa que el proceso requiere 2 muestras antes de detectar el corrimiento. Si el muestreo
se hace cada hora, el ATS = 2 h, si esto fuera inaceptable, se podrían tomar muestras más
frecuentes por ejemplo cada media hora o incrementar el tamaño de muestra. Si n=10, de la curva
característica de operación se observa que p=0.9 y el ARL1 = 1.11 y el ATS = 1.11 h, lo cual puede
ser más aceptable.
Diseño 1 Diseño 2
n=5 n = 10
Frec. Cada ½ hora Frec. cada hora.
Subgrupos racionales
Página 112
_______________FACULTAD DE INGENIRIA
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
están 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.
Una carta de control indicará una condición fuera de control cuando uno o más puntos caigan más
allá de los límites de control o cuando los puntos graficados formen un patrón no aleatorio de
comportamiento.
En general una racha o corrida es una secuencia de observaciones del mismo tipo. Además de las
corridas ascendentes o descendentes, se encuentran las que están por debajo o sobre la media.
Dado que una corrida de 8 o más puntos tiene una probabilidad de ocurrencia muy baja, se
considera que una racha o corrida con una longitud de 8 puntos indica una condición fuera de
control.
Página 113
_______________FACULTAD DE INGENIRIA
Fig. 2.15 Proceso fuera de control por tendencias o corridas
Otro patrón de inestabilidad se presenta cuando el comportamiento del proceso muestra patrones
cíclicos.
En el libro de la Western Electric (1956) se recomiendan las reglas siguientes para detectar
patrones no aleatorios en las cartas de control:
Debe tenerse cuidado de no exagerar en la aplicación de las reglas ya que se pueden tener muchas
falsas alarmas quitándole efectividad al programa del CEP.
Página 114
_______________FACULTAD DE INGENIRIA
El CEP proporciona un retorno sobre la inversión apreciable cuando se implanta exitosamente, ya
que permite la mejora continua a través de la reducción de la variabilidad. Las cartas de control
son una herramienta importante para esta mejora.
El CEP no sirve si se implanta y después no se mantiene, ya que la mejora continua debe ser parte
de la cultura de la organización.
Para su implantación es necesario el liderazgo gerencia y el trabajo en equipo, así como evaluar los
avances y comunicarlos a la organización, lo cual puede motivar a mejorar otros procesos.
1. Liderazgo gerencial
2. Un enfoque de grupo de trabajo
3. Educación y entrenamiento de empleados en todos los niveles
4. Énfasis en la mejora continua
5. Un mecanismo para reconocer el éxito y comunicación hacia la organización.
Página 115
_______________FACULTAD DE INGENIRIA
3. CARTAS DE CONTROL POR VARIABLES
3.1 INTRODUCCIÓN
Una característica que se mide en una escala numérica se denomina una variable. Por ejemplo
Asumiendo que una característica de calidad está distribuida normalmente con media y
desviación estándar ambas conocidas. Si x1, x2, .... xn forman una muestra de tamaño n entonces
Ahora como las medias de las muestras están normalmente distribuidas con media Xi = /
n , y siendo que la probabilidad 1- de que cualquier media muestral caerá entre los límites:
Página 116
_______________FACULTAD DE INGENIRIA
Z / 2 X Z / 2 (3.1)
n
y
Z / 2 X Z / 2
n
Lo anterior será válido aún si la distribución de la población no es normal pero si estable.
X i
X i 1
(3.2)
m
Representa la línea 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:
R i
R i 1
(3.4)
m
Página 117
_______________FACULTAD DE INGENIRIA
DESARROLLO DE LA FORMULA PARA LOS LÍMITES DE CONTROL
La variable W de rango relativo relaciona al rango con la desviación estándar como sigue:
W=R/ (3.5)
R
(3.6)
d2
Los límites de control de la carta de medias son:
3R
LSC X Límite superior de control (LSC)
d2 n
3R
LIC X Límite inferior de control (LIC) (3.7)
d2 n
3R
Si de define a A2 se tienen las ecuaciones siguientes:
d2 n
LSC = X + A2 R (3.8)
LIC = X - A2 R
Página 118
_______________FACULTAD DE INGENIRIA
Para el caso de los rangos, la línea central es R . El estimador para R puede hallarse de la
distribución del rango relativo W = R / , si la desviación estándar de W es d3 en función de n, se
tiene:
R=W (3.9)
La desviación estándar de R es:
R = d3
Como es desconocida, se puede estimar de = R / d2, resultando:
R
R d3 (3.10)
d2
De esta forma los límites de control para el rango son:
R d
LSC = R + 3 R = R + 3 d 3 = R [ 1+ 3 3 ] = D4 R (3.11)
d2 d2
R d
LIC = R - 3 R = R - 3 d 3 = R [ 1- 3 3 ] = D3 R
d2 d2
Donde las constantes A2 , d2 D3 y D4 se encuentran tabuladas en función de n para facilitar el
cálculo de los límites de control como sigue:
n A2 D3 D4 d2
2 1.88 0 3.267 1.128
3 1.023 0 2.574 1.693
4 0.072 0 2.282 2.059
5 0.577 0 2.115 2.326
6 0.483 0 2.004 2.534
7 0.419 0.076 1.924 2.704
8 0.373 0.136 1.864 2.847
9 0.337 0.184 1.816 2.97
10 0.308 0.223 1.777 3.078
Para valores pequeños de n, el rango es un buen estimador de la varianza tal como lo hace la
varianza de la muestra S2. La eficiencia relativa del método del rango a la S2 se muestra abajo:
Página 119
_______________FACULTAD DE INGENIRIA
Eficiencia
n Relativa
2 1.000
3 0.992
4 0.975
5 0.955
6 0.930
10 0.850
Para n >= 10 el rango pierde eficiencia rápidamente ya que ignora los valores intermedios entre
xmax y xmin sin embargo para valores pequeños de n (4,5 o 6) empleados en las cartas de control, es
adecuado. Para cuando n>10 se utiliza la desviación estándar en vez del rango.
EQUIPO DE MEDICIÓN
La resolución del equipo debe ser de al menos 1/10 de la tolerancia y debe tener habilidad para
realizar la medición con un error por Repetibilidad y Reproducibilidad (R&R) menor al 10% (ver
procedimiento de estudios R&R).
LIMITES PRELIMINARES
Siempre que un proceso este siendo analizado a través de una carta de control, es muy importante
llevar una bitácora registrando todos los cambios (tiempo y descripción) conforme ocurran, por
ejemplo: cambio de turno, cambio de materiales, ajuste de máquina, interrupción de energía,
arranque de máquina, etc. Con objeto de identificar las causas asignables en caso de presentarse
para la toma de acciones correctivas.
Al iniciar una carta de control tomando m subgrupos (20 a 25) se calculan y grafican los límites de
control preliminares para determinar si el proceso estuvo en control (ver procedimiento de
Gráficas de Control). Para probar esta hipótesis, se analizan todos los puntos graficados y se hace
un análisis para identificar si hay puntos fuera de los límites de control o patrones anormales de
comportamiento, si así fuera, los límites de control preliminares se pueden utilizar para el control
futuro del proceso.
Página 120
_______________FACULTAD DE INGENIRIA
Si no se prueba la hipótesis de que el proceso está en control, por algún patrón de anormalidad
presente, se determina la causa especial de la anormalidad, se toman acciones correctiva para que
no vuelva a presentar, se eliminan los puntos correspondientes al patrón de anormalidad y se re-
calculan o revisan los límites de control. Se analiza la carta de control para observar un
comportamiento aleatorio, si aun no se tiene, se repite el proceso anterior hasta lograrlo. Una vez
teniendo todos los puntos en control, los nuevos límites de control más cerrados que los
originales se utilizan para el control futuro del proceso.
Cuando no sea posible encontrar causas especiales para los patrones de anormalidad o puntos
fuera de control, no se eliminan y se consideran para la determinación de los límites de control
revisados para el control futuro del proceso.
LSC
LC
LIC
Fig. 3.2 Patrón de anormalidad cíclico
Mezclas de lotes: Se presenta cuando los puntos graficados se localizan cerca o fuera de los límites
de control, con muy pocos puntos cerca de la línea central, puede ser causada por un sobre
Página 121
_______________FACULTAD DE INGENIRIA
control de los operadores sobre el proceso o cuando se toman productos de varias fuentes con
diferente media.
Página 122
_______________FACULTAD DE INGENIRIA
LSC
LC
LIC
Corrimiento en la media del proceso. Esto puede ser generado por un cambio en métodos,
operadores, materias primas, métodos de inspección, etc.
LSC
LC
LIC
LC
LIC
Fig. 3.5 Patrón de anormalidad de tendencia ascendente
Página 123
_______________FACULTAD DE INGENIRIA
Estratificación: Se muestra como una adhesión a la media, puede ser causado por límites mal
calculados, tomar piezas de procesos diferentes o falta de resolución del equipo de medición.
LSC
LC
LIC
Por lo general la carta R es más sensible a cambios en la normalidad de los procesos, por ejemplo
cuando n = 4 el error tipo I no es 0.00027 sino 0.00461.
Ejemplo 3.1 Para el caso de anillos de pistones de automóvil, se desea establecer un control
estadístico para el diámetro interno de los anillos, a través de una carta de medias-rangos. Se
toman 25 subgrupos de 5 piezas cada uno.
Página 124
_______________FACULTAD DE INGENIRIA
El análisis se inicia con la carta R ya que los límites para la carta X dependen de la variabilidad del
proceso, y a menos que esta variabilidad se encuentre en control, esos límites tendrán poco
significado.
De las cartas de control se calcula un rango promedio R de 0.023mm (ver tabla de constantes
para D3 y D4 con n=5):
Si la carta de control para R se encuentra en control estadístico, se puede ahora calcular los límites
para la carta X donde la línea central X es 74.001 (ver tabla de constantes para obtener el
valor de A2 con n=5).
Ejemplo 3.2: Se toman datos de la dimensión crítica de una parte, con el proceso corriendo
normalmente, en 25 subgrupos de tamaño n=5, uno cada hora:
Página 125
_______________FACULTAD DE INGENIRIA
132.7 151.1 124.0 123.9 105.1 127.4 46.0 16.7
136.4 126.2 154.7 127.1 173.2 143.5 47.0 20.2
135.0 115.4 149.1 138.3 130.4 133.6 33.7 12.3
139.6 127.9 151.1 143.7 110.5 134.6 40.6 15.9
125.3 160.2 130.4 152.4 165.1 146.7 39.8 17.9
145.7 101.8 149.5 113.3 151.8 132.4 50.0 23.2
138.6 139.0 131.9 140.2 141.1 138.2 9.2 3.6
110.1 114.6 165.1 113.8 139.6 128.6 55.0 23.5
145.2 101.0 154.6 120.2 117.3 127.7 53.6 21.8
125.9 135.3 121.5 147.9 105.0 127.1 42.9 16.0
129.7 97.3 130.5 109.0 150.5 123.4 53.2 20.7
123.4 150.0 161.6 148.4 154.2 147.5 38.2 14.4
144.8 138.3 119.6 151.8 142.7 139.4 32.2 12.1
140
_
_
130 X=130.88
120
110
LC L=107.31
1 3 5 7 9 11 13 15 17 19
Sample
U C L=86.40
80
Sample Range
60
_
40 R=40.86
20
0 LC L=0
1 3 5 7 9 11 13 15 17 19
Sample
Página 126
_______________FACULTAD DE INGENIRIA
El proceso se observa en control estadístico, con estos límites de control calculados, se continúa
corriendo el proceso para otros 10 datos con el comportamiento siguiente:
150 _
_
X=144.26
135
120 LC L=119.47
1
1
1 4 7 10 13 16 19 22 25 28
Sample
U C L=90.9
80
Sample Range
60
_
40 R=43.0
20
0 LC L=0
1 4 7 10 13 16 19 22 25 28
Sample
Suponiendo que se identificaron las causas asignables responsables de los puntos fuera de control
identificados en la carta de medias y que se hicieron ajustes al proceso para corregirlo, se tomaron
otros diez datos con los resultados siguientes:
Página 127
_______________FACULTAD DE INGENIRIA
X11 X12 X13 X14 X15 Medias Rangos
131.5 143.1 118.5 103.2 121.6 123.6 39.9
111.0 127.3 110.4 91.0 143.9 116.7 52.9
129.8 98.3 134.0 105.1 133.1 120.1 35.7
145.2 132.8 106.1 131.0 99.2 122.9 46.0
114.6 111.0 108.8 177.5 121.6 126.7 68.7
125.2 86.4 64.4 137.1 117.5 106.1 72.7
145.9 109.5 84.9 129.8 110.6 116.1 61.0
123.6 114.0 135.4 83.2 107.6 112.8 52.2
85.8 156.3 119.7 96.2 153.0 122.2 70.5
107.4 148.7 127.4 125.0 127.2 127.1 41.3
140
_
_
X=127.06
120
100 LC L=100.95
1 4 7 10 13 16 19 22 25 28
Sample
100
U C L=95.7
75
Sample Range
50 _
R=45.3
25
0 LC L=0
1 4 7 10 13 16 19 22 25 28
Sample
Fig. 3.9 Cartas de control con causas identificadas y eliminadas de puntos anormales
Ejemplo 3.3 Se considera otro ejemplo con los datos individuales siguientes, procesados con el
paquete Minitab:
Página 128
_______________FACULTAD DE INGENIRIA
3 -50 10 20 30 20 6 80
4 -10 -10 30 -20 50 8 70
5 20 -40 50 20 10 12 90
6 0 0 40 -40 20 4 80
7 0 0 20 -20 -10 -2 40
8 70 -30 30 -10 0 12 100
9 0 0 20 -20 10 2 40
10 10 20 30 10 50 24 40
11 40 0 20 0 20 16 40
12 30 20 30 10 40 26 30
13 30 -30 0 10 10 4 60
14 30 -10 50 -10 -30 6 80
15 10 -10 50 40 0 18 60
16 0 0 30 -10 0 4 40
17 20 20 30 30 -20 16 50
18 10 -20 50 30 10 16 70
19 50 -10 40 20 0 20 60
20 50 0 0 30 10 18 50
20 _
_
X=10.9
0
-20
LC L=-25.73
1 3 5 7 9 11 13 15 17 19
Sample
150
U C L=134.3
Sample Range
100
_
R=63.5
50
0 LC L=0
1 3 5 7 9 11 13 15 17 19
Sample
Página 129
_______________FACULTAD DE INGENIRIA
Se realizan pruebas de normalidad a las medias y a los rangos para ver si se tienen un proceso
normal:
60
50
40
30
20
10
1
-10 0 10 20 30
Medias
Página 130
_______________FACULTAD DE INGENIRIA
Fig. 3.11 a y b Prueba de normalidad en medias y rangos de un proceso estable
60
50
40
30
20
10
1
0 20 40 60 80 100 120
Rangos
e
Por las pruebas de normalidad de rangos y medias, se deduce que el proceso está en Control
Estadístico (en ambos casos el P value es mayor a 0.05).
Página 131
_______________FACULTAD DE INGENIRIA
Ejemplo 3.4 Para elaborar la carta, inicialmente se toman al menos 25 subgrupos con
muestras de cinco partes cada cierto periodo (por ejemplo cada hora).
Se toman varios datos de hilos y se construye una carta de medias – rangos con m =
subgrupos, donde el rango se calcula tomando el valor mayor menos el valor menor del
subgrupo, con n = 5.
Por ejemplo:
Subgrupo Subgrupo Subgrupo
Variables 1 2 m
X1 2 5 3
X2 4 3 4
X3 3 6 1
X4 5 7 5
X5 1 4 2
09:00 a.m. 10:00 a.m. 11:00 a.m.
Media 3 5 3
Rango 4 4 4
Se obtiene una media de medias X y un rango promedio R, para proceder a determinar los
límites de control como sigue:
LSC = X + 0.577x R
LIC = X - 0.577x R
Para el caso de los rangos, la línea central es R los límites de control para el rango son:
LSC = 2.114x R
LIC = 0
Página 132
_______________FACULTAD DE INGENIRIA
Xbar-R Chart of Supp2
1
1
U C L=602.474
602
Sample M ean
_
_
X=600.23
600
598 LC L=597.986
2 4 6 8 10 12 14 16 18 20
Sample
8 U C L=8.225
Sample Range
_
4 R=3.890
0 LC L=0
2 4 6 8 10 12 14 16 18 20
Sample
Después de identificar las causas de las situaciones fuera de control en los subgrupos 2 y 14 y
tomando acciones preventivas para evitar la reincidencia, se eliminan los subgrupos fuera de
control y se recalculan los límites de control.
Xbar-R Chart of Supp2
U C L=602.247
602
601
Sample M ean
_
_
600 X=599.938
599
598
LC L=597.629
2 4 6 8 10 12 14 16 18
Sample
U C L=8.465
8
Sample Range
_
4 R=4.003
0 LC L=0
2 4 6 8 10 12 14 16 18
Sample
Página 133
No. DE GRAFICA FECHA DE INICIO FECHA DE TERMINO
GRAFICA DE CONTROL DE PROMEDIOS Y RANGOS
Cp. : CPK:
NOMBRE DE PARTE No. DE PARTE ÁREA OPERACIÓN MAQUINA CARACTERÍSTICA CALIBRADOR MUESTRA FRECUENCIA TIPO DE EVALUACIÓN
% Z Sup.: % Z Inf.:
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30
INSTRUCCIONES
Página 134
4.- Indique en el último
PROMEDIOS
renglón, justo abajo del
subgrupo correspondiente, las
causas por las cuales se deja
de graficar de acuerdo a la
frecuencia indicada, si es que
se presentan el caso. Utilice
las siguientes claves:
A) Fin de corrida de
INICIALES
producción
B) Falta de material
C) Ajuste de línea / máquina
D) Cambio de modelo
R
E) Fin de turno
F) Otro (indicar)
RANGOS
_______________FACULTAD DE INGENIRIA
FECHA
HORA
CONSTANTES
1 n A2 D4 D3 d2 B4 B3
LECTURAS
2 2 1.88 3.27 0 1.13 3.27 0
3 3 1.02 2.57 0 1.70 2.57 0
4 4 0.73 2.28 0 2.06 2.27 0
5 5 0.58 2.11 0 2.33 2.09 0
SUMA
X
R
CAUSAS DE NO
REGISTRO
_______________FACULTAD DE INGENIRIA
Capacidad o habilidad del proceso
Una vez que se tiene un proceso en control estadístico, se puede estimar su capacidad o habilidad,
tomando como referencia la desviación estándar del proceso estimada .
R 0.023
= = = 0.0099
d 2 2.326
Donde el valor de d2 se encuentra en las tablas de constantes para una n=5. Si la especificación de
los anillos de pistones es de 74.000 0.05 mm, se tienen como límites inferior y superior de
especificaciones los siguientes:
LIE = 73.950
LSE = 74.0500
Los límites de tolerancia naturales del proceso inferior y superior (LTNI y LTNS) se encuentran a 3-
sigma del proceso por abajo y por arriba de la media del proceso, o sea en:
Se observa que los límites de tolerancia naturales del proceso se encuentran dentro de los límites
de especificación, por tanto en principio no se observa que haya partes fuera de especificaciones.
Página 135
_______________FACULTAD DE INGENIRIA
Otra forma de expresar lo anterior es con el índice de habilidad potencial Cp (o PCR) siendo:
LSE LIE
Cp = (3.12)
6
Caso 1. Si Cp es menor que 1, implica que la banda entre los límites de tolerancia naturales es
mayor que la banda permitida por los límites de especificación.
Caso 2. Si Cp es igual a 1, implica que las bandas para los límites de tolerancia natural y de
especificaciones coinciden (aunque para el caos de 3-sigma aun hayan 2700 ppm fuera de
especificaciones).
LIE LSE
LNTI LNTS
Caso 3. Si Cp es mayor que 1, implica que la banda entre los límites de tolerancia natural del
proceso, es menor que la banda permitida por las especificaciones.
Página 136
_______________FACULTAD DE INGENIRIA
La fracción de la banda de las especificaciones utilizada por el proceso se estima como sigue:
Página 137
_______________FACULTAD DE INGENIRIA
Ejemplo 3.2 (continuación...). Para la carta de control de las medias, después de haber eliminado
las causas especiales y tomado acciones para prevenir su recurrencia, se tiene el cálculo de
habilidad como sigue (considerando que los límites de especificación son 85 y 175):
LSL USL
P rocess Data Within
LS L 85 Overall
Target *
USL 175 P otential (Within) C apability
S ample M ean 127.063 Cp 0.77
S ample N 150 C P L 0.72
S tDev (Within) 19.4626 C P U 0.82
S tDev (O v erall) 19.8965 C pk 0.72
O v erall C apability
Pp 0.75
PPL 0.70
PPU 0.80
P pk 0.70
C pm *
Página 138
_______________FACULTAD DE INGENIRIA
Ejemplo 3.3. Para las cartas X-R se tiene el cálculo de la capacidad o habilidad del proceso, una vez
estable (considerando que los límites de especificación son -80 y +80):
LSL USL
P rocess Data Within
LS L -80 Overall
Target *
USL 80 P otential (Within) C apability
S ample M ean 10.9 Cp 0.98
S ample N 100 C P L 1.11
S tDev (Within) 27.3001 C P U 0.84
S tDev (O v erall) 25.2301 C pk 0.84
O v erall C apability
Pp 1.06
PPL 1.20
PPU 0.91
P pk 0.91
C pm *
-60 -30 0 30 60
O bserv ed P erformance E xp. Within P erformance E xp. O v erall P erformance
P P M < LS L 0.00 P P M < LS L 434.76 P P M < LS L 157.38
P P M > U S L 0.00 P P M > U S L 5684.82 P P M > U S L 3083.22
P P M Total 0.00 P P M Total 6119.59 P P M Total 3240.59
Para el cálculo de otros índices que toman en cuenta la posición de la media, revisar el capítulo de
capacidad del proceso o el procedimiento de cartas X –R.
Los límites de control calculados como límites preliminares, deben ser revisados en forma
periódica que puede ser por semana, mes o cada 25, 50 o 100 puntos dependiendo del proceso en
particular.
Página 139
_______________FACULTAD DE INGENIRIA
Lo recomendable en cada revisión es tomar las acciones necesarias para que la media del proceso
X se acerque cada vez más a la media de las especificaciones (en caso de ser bilaterales) o se
aleje lo más posible de la especificación (en caso de ser unilateral).
En cada carta de control X o R es necesario identificar las causas especiales que originen
condiciones fuera de control, tomar acciones correctivas para prevenir su reincidencia, eliminar
esos puntos tanto en la carta X como en la carta R y recalcular los límites de control, para usarse
en el control futuro del proceso.
Es importante hacer notar que no existe ninguna relación matemática entre los límites de
especificación y los de control o los de tolerancia natural.
SUBGRUPOS RACIONALES
Para el caso de la carta de medias-rangos, los subgrupos se seleccionan de tal forma de minimizar
la variabilidad entre muestras individuales, observando sólo su variabilidad aleatoria y
maximizando la posibilidad de detectar corridas en la media del proceso en función del tiempo.
De esta forma la carta X monitorea la variabilidad entre subgrupos respecto al tiempo y la carta
R monitorea la variabilidad interna entre muestras en un tiempo dado.
Página 140
_______________FACULTAD DE INGENIRIA
R nuevo rango promedio para el tamaño de subgrupo nuevo
nant = tamaño de subgrupo anterior
nnuevo = tamaño de subgrupo nuevo
d2 ant = factor d2 para el tamaño de subgrupo anterior
d2 nuevo = factor d2 para el tamaño de subgrupo nuevo
Los nuevos límites de control para la carta X son (seleccionando A2 en base al nuevo tamaño de
subgrupo nnueva , la línea central no se cambia):
LSCX = X + A2 [d2 nuevo / d2 ant ] R ant (3.14)
LICX = X - A2 [d2 nuevo / d2 ant ] R ant
Para el caso de la carta R los nuevos límites de control son (seleccionando D 3 y D4 para el nuevo
tamaño de muestra nnueva):
LSCR = D4 [d2 nuevo / d2 ant ] R ant (3.15)
LCR = R nuevo [d2 nuevo / d2 ant ] R ant
LICR = max { 0, D3 [d2 nuevo / d2 ant ] R ant }
De la tabla de constantes se tiene: d2 ant. = 2.326, d2 nueva = 1.693, A2 nueva = 1.023, por tanto los
límites nuevos son:
Para la carta R, de la tabla de constantes para n=3 se tiene D3 = 0, D4 = 2.578, por tanto:
Página 141
_______________FACULTAD DE INGENIRIA
LIM.SUP.NVO
LIMITES
ANTERIORES CARTA X
LIM.INF.NVO.
CARTA R
Como se puede observar el efecto de reducir el tamaño de muestra hace que se incremente el
ancho de los límites de control en la carta X (porque es más pequeño con n=5 que con n=3) y
n
se reduzca la media de R y su límite superior en la carta R.
Página 142
_______________FACULTAD DE INGENIRIA
dado que X N (, /n) y que los límites de control son:
2
LSC = 0 + L / n (3.17)
LIC = 0 - L / n
La probabilidad de que un punto de X i caiga dentro de límites de control sabiendo que la media
del proceso ya es 1, es igual a la probabilidad de que el punto se encuentre abajo del límite
superior (LSC) menos la probabilidad de que se encuentre abajo del límite inferior de control
(LIC). Considerando la desviación Estándar de las medias, o sea:
+
LSC ( ZLSC, x)
Xi
LC
( ZLIC, x)
LIC
-
LSC ( 0 k ) LIC ( 0 k )
Entonces = -
/ n / n
0 L / n ( 0 k ) 0 L / n ( 0 k )
= - (3.18)
/ n / n
Página 143
_______________FACULTAD DE INGENIRIA
Ejemplo 3.4 Para una carta X R con L=3 (límites a 3-sigma de medias), tamaño de muestra n=5,
y se desea determinar el corrimiento a 1 = 0 + 2 en la primera muestra subsecuente al
corrimiento de la media del proceso, se tiene:
=(3–2 5 )-(-3–2 5 )
= (-1.47) - (-7.37)
= 0.0708
Con las fórmulas anteriores se construyen las curvas características de operación para diferentes
valores de n en función de k.
1
ARL = (3.20)
1
En este caso ARL = 1 / 0.25 = 4. Es decir que el se requieren tomar cuatro muestras antes de
detectar un corrimiento de 1.0 con n = 5.
Para construir la curva OC para la carta de rangos, se utiliza la distribución del rango relativo
W=R/. Si el valor de la desviación estándar cuando el proceso está en control es 0, entonces la
curva OC muestra la probabilidad de no detectar un corrimiento a un nuevo valor 1, donde 1>0
, en la primera muestra después del corrimiento. Se grafica contra = 1/0.
Página 144
_______________FACULTAD DE INGENIRIA
Por ejemplo si = 2 con n=5, sólo se tienen una probabilidad del 40% de detectar este corrimiento
en cada muestra subsecuente. Por tanto la carta R tiene poca sensibilidad de detectar pequeños
corrimientos en sigma, para cual se debe usar la carta S con n>10.
La longitud de corrida media para la carta de Shewhart cuando el proceso está en control es:
ARL1 = 1 / ( 1 - ) (3.22)
De las gráficas de ARL anexas, se observa que para detectar un corrimiento de 1.5 con n=3, se
requiere un ARL1 = 3. Se puede reducir el ARL1 a 1 si se incrementa la n=16.
Página 145
_______________FACULTAD DE INGENIRIA
Xbar-S Chart of X1, ..., X5
U C L=46.91
40
Sample M ean
20 _
_
X=10.9
0
-20
LC L=-25.11
1 3 5 7 9 11 13 15 17 19
Sample
60
U C L=52.71
45
Sample StDev
30 _
S =25.23
15
0 LC L=0
1 3 5 7 9 11 13 15 17 19
Sample
(n / 2)
1/ 2
2
c4 (3.18)
n 1 ((n 1) / 2)
CASO DE n CONSTANTE
Con esta información se pueden establecer los límites de control para la carta X y S, cuando se
conoce el valor de dado que existe un historial.
Página 146
_______________FACULTAD DE INGENIRIA
LCs = c4 LC =
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
(3.21)
__
S
(3.22)
c4
Como el estadístico S /c4 es un estimador insesgado de , los parámetros de la carta serán los
siguientes:
S
LSCs = S 3 1 c 42 = B4 S (3.23)
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 límites de control para esta
carta son:
Página 147
_______________FACULTAD DE INGENIRIA
S
LSCx = X + 3 = X + A3 S (3.24)
c4 n
LCx = X
S
LICx = X - 3 = X - A3 S
c4 n
Todas las constantes c4, A’s y B’s se encuentran tabuladas en función de n en la tabla de
constantes, como sigue:
n c4 A A3 B3 B4 B5 B6 .
5 0.94 1.342 1.427 0 2.089 0 1.964
6 0.9515 1.225 1.287 0.03 1.97 0.029 1.874
7 0.9594 1..134 1.182 0.118 1.882 0.113 1.806
8 0.965 1.061 1.099 0.185 1.815 0.179 1.751
9 0.9693 1 1.032 0.239 1.761 0.232 1.707
10 0.9727 0.949 0.975 0.284 1.716 0.276 1.669
11 0.9754 0.905 0.927 0.321 1.679 0.313 1.637
12 0.9776 0.866 0.886 0.354 1.646 0.346 1.61
13 0.9794 0.832 0.85 0.382 1.618 0.374 1.585
14 0.981 0.802 0.817 0.406 1.594 0.399 1.563
15 0.9823 0.775 0.789 0.428 1.572 0.421 1.544
16 0.9835 0.75 0.763 0.448 1.552 0.44 1.526
17 0.9845 0.728 0.739 0.466 1.534 0.458 1.511
18 0.9854 0.707 0.718 0.482 1.518 0.475 1.496
19 0.9862 0.688 0.698 0.497 1.503 0.49 1.483
20 0.9869 0.671 0.68 0.51 1.49 0.504 1.47
21 0.9876 0.655 0.663 0.523 1.477 0.516 1.459
22 0.9882 0.64 0.647 0.534 1.466 0.528 1.448
23 0.9887 0.626 0.633 0.545 1.455 0.539 1.438
24 0.9892 0.612 0.619 0.555 1.445 0.549 1.429
25 0.9896 0.6 0.606 0.565 1.435 0.559 1.42
Página 148
_______________FACULTAD DE INGENIRIA
CASO DE n VARIABLE
En el caso de tamaño de muestra variable, se utiliza el promedio ponderado de las medias y de las
desviaciones estándar como sigue:
n X i i
X i 1
m
(3.25)
n
i 1
i
1/ 2
2
(ni 1) S i
S m (3.26)
ni m
i 1
Ejemplo 3.4 Para una carta X-S con límites variables, se tomaron los datos siguientes, corriendo en
Minitab:
Datos Muestra Datos Muestra Datos Muestra Datos Muestra
74.030 1 74.000 7 73.994 14 74.009 21
74.002 1 73.985 8 74.000 14 74.005 21
74.019 1 74.003 8 73.984 14 73.996 21
73.992 1 73.993 8 74.012 15 74.004 22
74.008 1 74.015 8 74.014 15 73.999 22
73.995 2 73.998 8 73.998 15 73.990 22
73.992 2 74.008 9 74.000 16 74.006 22
74.001 2 73.995 9 73.984 16 74.009 22
73.998 3 74.009 9 74.005 16 74.010 23
74.024 3 74.005 9 73.998 16 73.989 23
74.021 3 73.998 10 73.996 16 73.990 23
74.005 3 74.000 10 73.994 17 74.009 23
74.002 3 73.990 10 74.012 17 74.014 23
74.002 4 74.007 10 73.986 17 74.015 24
73.996 4 73.995 10 74.005 17 74.008 24
73.993 4 73.994 11 74.006 18 73.993 24
74.015 4 73.998 11 74.010 18 74.000 24
74.009 4 73.994 11 74.018 18 74.010 24
Página 149
_______________FACULTAD DE INGENIRIA
73.992 5 73.995 11 74.003 18 73.982 25
74.007 5 73.990 11 74.000 18 73.984 25
74.015 5 74.004 12 73.984 19 73.995 25
73.998 5 74.000 12 74.002 19 74.017 25
74.014 5 74.007 12 74.003 19 74.13 25
74.009 6 74.000 12 74.005 19
73.994 6 73.996 12 73.997 19
73.997 6 73.983 13 74.000 20
73.985 6 74.002 13 74.010 20
73.995 7 73.998 13 74.013 20
74.006 7 74.006 14 73.998 21
73.994 7 73.967 14 74.001 21
74.01
Sample Mean
_
_
74.00 X=74.0009
73.99
73.98 LCL=73.98134
1 3 5 7 9 11 13 15 17 19 21 23 25
Sample
0.024 UCL=0.02403
0.018
Sample StDev
0.012
_
S=0.00736
0.006
0.000 LCL=0
1 3 5 7 9 11 13 15 17 19 21 23 25
Sample
Página 150
_______________FACULTAD DE INGENIRIA
Ejemplo 3.5 Otro ejemplo con n variable, la X = 74.001 y la S = 0.0098, por tanto los límites de
control son:
LSCX = 74.015
LCX = 74.001
LICX = 73.987
Para la carta S
LSCS = 0.020
LCS = 0.0098
LICS = 0
Como método alterno para n variable se puede utilizar la n si no hay mucha variación entre los
diferentes tamaños de muestra (dentro de n 25%).
ESTIMACIÓN DE
El valor de la desviación estándar puede ser estimado del valor de S como sigue:
S
c4
Para el ejemplo:
S
= 0.0094 / 0.94 = 0.01, tomando el valor de c4 para n=5.
c4
Existe una variante de las cartas de medias-desviación estándar denominadas cartas de medias-
varianza.
Página 151
_______________FACULTAD DE INGENIRIA
3.4 CARTAS PARA LECTURAS INDIVIDUALES
En tales situaciones se utiliza la carta de control por lecturas individuales. Los rangos móviles se
MR
LSCx = X 3
d2
__
LCx = X (3.27)
MR
LICx = X 3
d2
n=2
Ejemplo 3.6 Se toman varios datos de viscosidades y se construye una carta de lecturas
individuales, donde el rango se calcula tomando cada dos valores consecutivos, por tanto el valor
de n = 2 y habrá (m – 1) rangos en total. Con m = número de subgrupos.
Lote Viscocidad
1 33.75
2 33.05
3 34.00
Página 152
_______________FACULTAD DE INGENIRIA
4 33.81
5 33.46
6 34.02
7 33.68
8 33.27
9 33.49
10 33.20
11 33.62
12 33.00
13 33.54
14 33.12
15 33.84
34.0
_
33.5 X=33.523
33.0
32.5
LC L=32.245
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15
O bser vation
1.6 U C L=1.571
1.2
M oving Range
0.8
__
M R=0.481
0.4
0.0 LC L=0
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15
O bser vation
Ejemplo 3.7: Se toman varios datos de edades y se construye una carta de lecturas
individuales, donde el rango se calcula tomando cada dos valores consecutivos, por tanto
el valor de n = 2 y habrá (m – 1) rangos en total. Con m = número de valores individuales.
Página 153
_______________FACULTAD DE INGENIRIA
Por ejemplo:
Valores individuales Rango
23 -
15 8
11 4
24 13
38 14
19 19
600
_
X=599.548
599
598 LC L=597.920
1
1 10 20 30 40 50 60 70 80 90 100
O bser vation
2.4
1
U C L=2.000
M oving Range
1.8
1.2
__
0.6 M R=0.612
0.0 LC L=0
1 10 20 30 40 50 60 70 80 90 100
O bser vation
Ejercicio Hacer una carta I-MR utilizando las fichas de ejemplo por equipos.
Página 154
No. DE GRAFICA FECHA DE INICIO FECHA DE TERMINO
GRAFICA DE CONTROL DE LECTURAS INDIVIDUALES
Cp. : CPK:
NOMBRE DE PARTE No. DE PARTE ÁREA OPERACIÓN MAQUINA CARACTERÍSTICA CALIBRADOR T. MUESTRA FRECUENCIA TIPO DE EVALUA.
% Z Sup.: % Z Inf.:
UNIDADES NOMINAL L.S.E. L.I.E. X L.S.C.x L.I.C.x R L.S.C. R L.I.C. R % NC:
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30
INSTRUCCIONES
x 1.- Encierre en un círculo los patrones
anormales de comportamiento ( puntos fuera
de los límites de control, tendencias,
adhesiones, etc).
LECTURAS
o propuestas para corregir la falla.
Página 155
frecuencia indicada, si es que se presentan
el caso. Utilice las siguientes claves:
RANGOS
FECHA
_______________FACULTAD DE INGENIRIA
CONSTANTES
HORA
X E2 D2 D3 D4
VALORES
R 2.67 1.13 0 3.27
_______________FACULTAD DE INGENIRIA
3.5 SELECCIÓN ENTRE CARTAS POR VARIABLES Y POR ATRIBUTOS
Las cartas por atributos tiene la ventaja que consideran varias características a la vez clasificando
la unidad como conforme o no conforme, si no cumple alguna de esas características. Por otra
parte si esas características se controlan como variables, debe llevarse una carta de control para
cada una de esas características, lo cual es más laborioso, otra alternativa es el C.E.P. multivariado.
Las cartas por variables proporcionan mayor información del proceso que las de atributos, tal
como la media del proceso y su variabilidad, también proporcionan información 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 artículos no conformes, lo que no sucede con las cartas por
atributos hasta que el proceso genere más disconformes.
LIE 1 2 3 LSE
Reacción de carta X-R Reacción de carta p
Tal vez la ventaja más importante de la carta X-R es que proporciona un indicador de inicio de
problemas y permite al personal operativo tomar acciones correctivas antes que se produzcan
defectivos realmente, de esta forma las cartas X-R son indicadores guía de falla, mientras que las
cartas p (o c o u) no reaccionan a menos que el proceso haya cambiado tanto que se produzcan
más defectivos.
Página 156
_______________FACULTAD DE INGENIRIA
unidades no conformes producidas se haya incrementado. Por tanto las cartas X-R son más
poderosas que las cartas p.
Para el mismo nivel de protección contra corrimientos del proceso, la carta p requiere un tamaño
de muestra mayor, la X-R requiere tomar mucho menos unidades aunque las mediciones toman
más tiempo. Esta consideración es importante para el caso de pruebas destructivas.
Ejemplo 3.8 Si el proceso se controla con una carta X , donde el valor medio de la característica
de calidad es 50 y la desviación estándar es 2, para límites de 3-sigma y especificaciones LIE=44 y
LSE=56, cuando el proceso está en control en el valor nominal de 50, la fracción no conforme es
0.0027.
Suponiendo que la media del proceso del proceso se corre a 52, la fracción defectiva producida
será aproximadamente 0.0202, si se desea que la probabilidad de detectar este corrimiento en la
siguiente muestra subsecuente sea del 0.50, entonces el tamaño de muestra en la carta X debe
ser tal que se cumpla que el LSC sea 52 o sea:
3(2)
50 52
n
donde n=9,
Si se utiliza una carta p entonces el tamaño de muestra requerido para tener la misma
probabilidad de detectar el corrimiento es:
2
k
n p(1 p)
n = 79.23 80
Página 157
_______________FACULTAD DE INGENIRIA
Donde se observa que a menos que el costo de medir 9 muestras sea mayor que 9 veces el costo
Se sugiere lo siguiente:
1. Determinar cual es la característica a controlar.
2. Seleccionar un tipo de carta de control.
3. Identificar el proceso donde se implantarán las cartas de control.
4. Tomar acciones para mejorar el proceso, como resultado de la aplicación de la carta de
control.
5. Seleccionar el sistema de colección de datos y software de C.E.P.
Página 158
_______________FACULTAD DE INGENIRIA
C. Cartas de control por lecturas individuales
n A2 D3 D4 d2
2 1.88 0 3.267 1.128
3 1.023 0 2.574 1.693
4 0.072 0 2.282 2.059
5 0.577 0 2.115 2.326
6 0.483 0 2.004 2.534
7 0.419 0.076 1.924 2.704
8 0.373 0.136 1.864 2.847
Página 159
_______________FACULTAD DE INGENIRIA
9 0.337 0.184 1.816 2.97
10 0.308 0.223 1.777 3.078
n c4 A A3 B3 B4 B5 B6 .
5 0.94 1.342 1.427 0 2.089 0 1.964
6 0.9515 1.225 1.287 0.03 1.97 0.029 1.874
7 0.9594 1..134 1.182 0.118 1.882 0.113 1.806
8 0.965 1.061 1.099 0.185 1.815 0.179 1.751
9 0.9693 1 1.032 0.239 1.761 0.232 1.707
10 0.9727 0.949 0.975 0.284 1.716 0.276 1.669
11 0.9754 0.905 0.927 0.321 1.679 0.313 1.637
12 0.9776 0.866 0.886 0.354 1.646 0.346 1.61
13 0.9794 0.832 0.85 0.382 1.618 0.374 1.585
14 0.981 0.802 0.817 0.406 1.594 0.399 1.563
15 0.9823 0.775 0.789 0.428 1.572 0.421 1.544
16 0.9835 0.75 0.763 0.448 1.552 0.44 1.526
17 0.9845 0.728 0.739 0.466 1.534 0.458 1.511
18 0.9854 0.707 0.718 0.482 1.518 0.475 1.496
19 0.9862 0.688 0.698 0.497 1.503 0.49 1.483
20 0.9869 0.671 0.68 0.51 1.49 0.504 1.47
21 0.9876 0.655 0.663 0.523 1.477 0.516 1.459
22 0.9882 0.64 0.647 0.534 1.466 0.528 1.448
23 0.9887 0.626 0.633 0.545 1.455 0.539 1.438
24 0.9892 0.612 0.619 0.555 1.445 0.549 1.429
25 0.9896 0.6 0.606 0.565 1.435 0.559 1.42
Página 160
_______________FACULTAD DE INGENIRIA
4. CARTAS DE CONTROL PARA ATRIBUTOS
4.1 INTRODUCCIÓN
Fig. 4.1 Cuando el producto no es funcional es no conforme, defectivo o defectuoso. Puede ser
reparado o desperdicio.
Fig. 4.1 El producto puede ser funcional pero puede tener defectos o no conformidades, que pueden
ser corregidas con retrabajo o no se pueden corregir y ser desperdicio.
Página 161
_______________FACULTAD DE INGENIRIA
Di
pi (4.1)
ni
__
p (4.2)
p(1 p)
2p (4.3)
n
Del modelo general para la carta de control de Shewhart, si w es un estadístico que mide una
LSC = w + Lw
LC = w (4.4)
LIC = w - Lw
Donde L es la distancia de la línea central hasta los límites de control, es común usar L = 3.
Página 162
_______________FACULTAD DE INGENIRIA
Por tanto los límites de control de la carta p considerando L = 3 son:
__ __
__
p(1 p )
LSCp = p 3
n
__
LCp = p (4.5)
__ __
__
p(1 p )
LICp = p 3
n
límites de control, se puede concluir que el proceso está en control, de otra forma, se concluirá
que la fracción no conforme se ha desplazado de su valor original y el proceso se encuentra fuera
de control.
Cuando la fracción defectiva del proceso es desconocida, se estima de los datos observados en m
muestras iniciales, cada una de tamaño n , por lo general se toman 20 a 25 de estas. Así si Di son
unidades no conformes en la muestra i , la fracción defectiva de la muestra i - ésima estará dada
como:
pi = Di / n i = 1, 2, 3,....., m (4.6)
m m
Di p i
p i 1
i 1
(4.7)
mn m
Página 163
_______________FACULTAD DE INGENIRIA
p(1 p)
LSC p p 3 (4.5) anterior
n
LC p p
p(1 p)
LIC p p 3
n
Una vez hecha la gráfica trazando los límites 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 recurrencia, los puntos correspondientes a la situación fuera
de control se eliminan y se calculan de nuevo los límites de control preliminares.
Ejemplo 4.1 Para el llenado de cajas de concentrado de jugo de naranja de 6 oz., se inspecciona
cada caja y se inspecciona el sello para evitar fugas, se lleva una carta de control para tomar
acciones y mejorar el desempeño de la maquina selladora.
Para establecer la carta de control, se toman 30 muestras de 50 piezas cada una en intervalos de
una hora.
Página 164
_______________FACULTAD DE INGENIRIA
Como en total se encontraron 347 cajas no conformes, se estima p como sigue:
m m
Di p i
347
p i 1
i 1
= = 0.2313
mn m (30)(50)
Los límites de control usando Minitab son:
LSCp = 0.4102
LCp = 0.2313
LICp = 0.0524
P Chart of Defectos
0.5 1
0.4 UCL=0.4102
0.3
Proportion
_
P=0.2313
0.2
0.1
LCL=0.0524
0.0
1 4 7 10 13 16 19 22 25 28
Sample
De la carta de control se observa que las muestras 15 y 23 están fuera de los límites de control, de
tal forma que el proceso esta fuera de control.
Del análisis de los datos de la bitácora se encontró que la muestra 15 corresponde a el cambio de
un nuevo lote de cajas el cual fue diferente y que la muestra 23 corresponde a un operador sin
experiencia asignado temporalmente a la máquina.
Página 165
_______________FACULTAD DE INGENIRIA
Tomando acciones correctivas para evitar la recurrencia de las causas anteriores y calculando
nuevos límites preliminares con los puntos 15 y 23 eliminados, se tiene con Minitab:
LSCp = 0.3893
LCp = 0.2150
LICp = 0.0407
P Chart of Defectos
1
0.4
UCL=0.3893
0.3
Proportion
_
P=0.215
0.2
0.1
LCL=0.0407
0.0
1 4 7 10 13 16 19 22 25 28
Sample
Página 166
_______________FACULTAD DE INGENIRIA
P Chart of Defectos
0.4
UCL=0.3804
0.3
Proportion
_
0.2 P=0.2081
0.1
LCL=0.0359
0.0
1 4 7 10 13 16 19 22 25
Sample
Se observa que a pesar de que el proceso está en control, no se tienen presentes problemas
controlables por el operador, por tanto las causas de variabilidad son comunes y su reducción
depende sólo del control de la administración, una vez que interviene e Ingeniería realiza una serie
de ajustes a la máquina, se monitorea la mejora.
Continuando con el ejemplo, se toman 24 muestras adicionales durante los siguientes 3 turnos, la
gráfica se hizo utilizando Minitab:
Se observa que la p media del proceso ha mejorado con los ajustes y una mejor atención de los
operadores.
Página 167
_______________FACULTAD DE INGENIRIA
Se puede probar la hipótesis que la fracción no conforme en los últimos 3 turnos, difiere de la
fracción no conforme preliminar, con el procedimiento de prueba de hipótesis:
H0: p1 = p2
H1: p1 > p2
m m
Di p i
133 133
p2 i 31
i 31
= 0.1108
mn m (50)(24) 1200
p1 p 2 n1 p1 n2 p 2
Z0 con p
n1 n2 n1 n2
p(1 p)
n1n2
por tanto:
(1400)(0.2150) (1200)(0.118)
p 0.1669
1400 1200
0.2150 0.1108
Z0 7.10
1 1
(0.1669)(0.8331)
1400 1200
Página 168
_______________FACULTAD DE INGENIRIA
Por tanto se rechaza la hipótesis Ho concluyendo que hubo una reducción en la fracción defectiva
promedio del proceso.
Usando sólo los últimos 24 puntos para calcular nuevos límites se tiene:
LSCp = 0.2440
LCp = 0.1108
LICp = -0.0224 = 0
Continuando con el ejemplo, usando los nuevos límites de control, para las siguientes 40 muestras
se observa una mejora del proceso, dentro de control. Es muy importante que para identificar
fácilmente las causas asignables, se lleve una bitácora de cambios, donde se anote cada cambio
que ocurra, independientemente que afecte o no al proceso.
Página 169
_______________FACULTAD DE INGENIRIA
Método 1.
El tamaño de muestra n se escoge de tal forma que la probabilidad de encontrar al menos una
unidad no conforme por muestra sea al menos .
Ejemplo 4.2, si p = 0.01 y se desea que la probabilidad de hallar al menos una unidad no conforme
sea al menos 0.95, si D es el número de artículos no conformes, entonces:
Con la distribución de Poisson se encuentra que = np debe ser mayor a 3.00, por tanto si p =
0.01, implica que el tamaño de muestra debe ser al menos de 300.
Método 2.
Duncan sugiere que el tamaño de muestra debe ser tal que se tenga aproximadamente un 50% de
probabilidad de detectar el corrimiento de la media de un proceso en una cierta cantidad.
p(1 p)
L (4.8)
n
Donde L es la distancia de la línea central a los límites de control en desviaciones estándar, por
tanto,
Página 170
_______________FACULTAD DE INGENIRIA
2
L
n p(1 p) (4.9)
Ejemplo 4.3, si p = 0.01 y se desea que la probabilidad de detectar un corrimiento a p = 0.05 sea de
0.50, entonces = 0.05 – 0.01 = 0.04 y si L = 3-sigma, se tiene:
2
3
n= (0.01)(0.99) 56
0.04
Método 3.
Otro método a usar si la fracción p en control es pequeña, consiste en seleccionar n tan grande de
tal forma que el límite inferior tenga un valor positivo, para poder investigar la causa de
generación de muy bajas cantidades de artículos defectuosos con objeto de identificar errores de
inspección o de los equipos de medición. Se tiene:
p(1 p)
LIC p p L 0 (4.10)
n
Implica que,
(1 p) 2
n L (4.11)
p
Ejemplo 4.4, si p = 0.05 y se tienen límites de control a 3-sigma, el tamaño de muestra será:
0.95 2
n (3) 171
0.05
Es importante notar que la carta de control p se basa en la distribución normal, es decir que la
probabilidad de ocurrencia de artículos defectivos es constante y que las unidades producidas son
Página 171
_______________FACULTAD DE INGENIRIA
independientes. Si no es el caso, se debe desarrollar una carta de control basada en el modelo de
probabilidad adecuado.
Ejemplo 4.3 Para un servicio de mantenimiento se tomaron datos de 30 muestras de 50
servicios contabilizando las quejas en cada uno como sigue:
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
Como en total se encontraron 347 quejas o servicios no conformes, se estima p como
sigue:
m m
D i p i
347
p i 1
i 1
= = 0.2313
mn m (30)(50)
Los límites de control usando Minitab son:
LSCp = 0.4102 LCp = 0.2313 LICp = 0.0524
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
Página 172
_______________FACULTAD DE INGENIRIA
Página 173
_______________FACULTAD DE INGENIRIA
Página 174
_______________FACULTAD DE INGENIRIA
Página 175
_______________FACULTAD DE INGENIRIA
4.3 CARTA DE CONTROL np
LSCnp np 3 np(1 p)
LCnp np (4.12)
LICnp np 3 np(1 p)
Ejemplo 4.5, con los últimos 39 datos de las cajas de concentrado de jugo de naranja, se tiene:
NP Chart of Defectos
20
UCL=19.02
15
Sample Count
__
10 NP=10.41
LCL=1.80
0
1 4 7 10 13 16 19 22 25
Sample
Figura 4.5 Carta de control np en control estadístico con límites de control constantes
Página 176
_______________FACULTAD DE INGENIRIA
En algunas aplicaciones para la fracción defectiva, la muestra es la inspección 100% de los lotes
producidos en un periodo de tiempo, por tanto la muestra será variable. Se tiene varios métodos
para llevar una carta de control:
Se calculan límites de control para cada muestra en base en la fracción defectiva promedio p y su
Ejemplo 4.6, Se tomaron datos del resultado de la inspección diaria, registrando la producción
total y los defectivos del día.
Página 177
_______________FACULTAD DE INGENIRIA
90 5 0.055556 0.188455 0.002565 0.0309817
100 8 0.08 0.183686 0.007335 0.0293918
100 5 0.05 0.183686 0.007335 0.0293918
100 8 0.08 0.183686 0.007335 0.0293918
100 10 0.1 0.183686 0.007335 0.0293918
90 6 0.066667 0.188455 0.002565 0.0309817
25
D i
234
p i 1
25
0.096
n
2450
i
i 1
(0.096)(0.904)
LSCp= p 3 p 0.096 3
ni
LC = 0.096
(0.096)(0.904)
LICp= p 3 p 0.096 3
ni
Página 178
_______________FACULTAD DE INGENIRIA
NP Chart of nodef
1
20
UCL=16.94
15
Sample Count
10 __
NP=8.58
0 LCL=0.22
1 3 5 7 9 11 13 15 17 19 21 23
Sample
Tests performed with unequal sample sizes
Figura 4.6 Carta de control np en control estadístico con límites de control variables
n i
2450
n i 1
98
m 25
Página 179
_______________FACULTAD DE INGENIRIA
Con límites de control basados en n 98 :
(0.096)(0.904)
LSCp= p 3 p 0.096 3 0.185
98
LC = 0.096
(0.096)(0.904)
LICp= p 3 p 0.096 3 0.007
98
Otra vez de la gráfica se observa que el punto 11 está fuera de control.
En este método, los puntos se grafican en unidades de desviación estándar. En la carta de control
estandarizada, la línea central es cero y los límites de control están a +3 y –3 respectivamente, la
variable a graficar en la carta es:
pi p
Zi (4.13)
p(1 p)
ni
Ejemplo 4.7 Con los 25 datos anteriores se obtiene una carta estandarizada, por medio de Minitab.
Página 180
_______________FACULTAD DE INGENIRIA
n-var nodef Frac.-def LSC LIC Media Z-Estand
100 12 0.12 3 -3 0 0.81655
80 8 0.1 3 -3 0 0.12172
80 6 0.075 3 -3 0 -0.63905
100 9 0.09 3 -3 0 -0.20414
110 10 0.090909 3 -3 0 -0.18166
110 12 0.109091 3 -3 0 0.46713
100 11 0.11 3 -3 0 0.47632
100 16 0.16 3 -3 0 2.17748
90 10 0.111111 3 -3 0 0.48774
90 6 0.066667 3 -3 0 -0.94679
110 20 0.181818 3 -3 0 3.06231
120 15 0.125 3 -3 0 1.08084
120 9 0.075 3 -3 0 -0.78268
120 8 0.066667 3 -3 0 -1.09326
110 6 0.054545 3 -3 0 -1.47925
80 8 0.1 3 -3 0 0.12172
80 10 0.125 3 -3 0 0.8825
80 7 0.0875 3 -3 0 -0.25866
90 5 0.055556 3 -3 0 -1.30543
100 8 0.08 3 -3 0 -0.54437
100 5 0.05 3 -3 0 -1.56506
100 8 0.08 3 -3 0 -0.54437
100 10 0.1 3 -3 0 0.13609
90 6 0.066667 3 -3 0 -0.94679
1.5
_
0.0 X=-0.028
-1.5
-3.0 LC L=-2.926
1 3 5 7 9 11 13 15 17 19 21 23
O bser vation
1
4
U C L=3.560
3
M oving Range
2
__
1 M R=1.090
0 LC L=0
1 3 5 7 9 11 13 15 17 19 21 23
O bser vation
Página 181
_______________FACULTAD DE INGENIRIA
Esta carta tiene la ventaja de poder identificar patrones de anormalidad e identificar curva
característica de operación, lo que no puede hacerse con la carta de límites de control variables.
Una aplicación diferente de la manufactura sería el control de órdenes de compra erróneas para
cada semana.
La probabilidad de error tipo II para la carta de control de fracción defectiva o no conforme es:
Como D es una variable aleatoria binomial con parámetros n y p, el error puede ser obtenido de
la función de distribución acumulativa (la distribución de Poisson se puede utilizar como una
aproximación).
Ejemplo 4.8 Si n = 50, LIC = 0.0303 y LSC = 0.3697, el error tipo II se calcula como sigue:
P{D 18 p} P{D 1 p}
La curva OC se construyó utilizando Excel y Minitab.
Página 182
_______________FACULTAD DE INGENIRIA
NOTA: Se debe usar la distribución de Poisson para np <=5 y distribución Normal en caso contrario.
A continuación se muestran curvas OC con 3 distribuciones.
Página 183
_______________FACULTAD DE INGENIRIA
Para esta carta de control, también se puede calcular la longitud de corrida media ARL.
ARL0 = 1 /
ARL1 = 1 / (1 - )
Ejemplo 4.9, suponiendo que el proceso se corre a p1 = 0.3, siendo su valor nominal p0 = 0.2. De la
curva OC se observa que en este caso es 0.9973 estando en control, en este caso = 1 - =
0.0027 y el valor de ARL0 es:
Indicando que cada 370 puntos se puede tener una falsa alarma.
Página 184
_______________FACULTAD DE INGENIRIA
4.6 CARTAS DE CONTROL PARA NO CONFORMIDADES (DEFECTOS) – c y u
Una no conformidad o defecto es una característica específica que no cumple con la especificación
del producto. Las no conformidades pueden tener una gravedad diferente desde menores hasta
críticas. Se pueden desarrollar cartas de control para el número total de no conformidades en una
unidad o el número promedio de no conformidades por unidad.
Estas cartas asumen que la ocurrencia de no conformidades en muestras de tamaño constante son
modeladas bien por la distribución de Poisson, es decir implica que las oportunidades o
localizaciones potenciales para las no conformidades sea muy infinitamente grande y que la
probabilidad de ocurrencia de una no conformidad en cualquier localización sea pequeña y
constante. Además cada unidad de inspección debe representar una “área de oportunidad”
idéntica para la ocurrencia de no conformidades. Si estas condiciones no se cumplen, el modelo de
Poisson no es apropiado.
Una unidad de inspección es simplemente una entidad para la cual es conveniente registrar el
número de defectos, puede formarse con 5 unidades de producto, 10 unidades de producto, etc.
Suponiendo que los defectos o no conformidades ocurren en la unidad de inspección de acuerdo a
la distribución de Poisson, o sea:
e c c x
p( x ) (4.15)
x!
Donde la media y la desviación estándar tienen valor c; para x = 0, 1, 2, .......
Por tanto considerando L = 3-sigma, los límites de control para la carta de no conformidades son:
Página 185
_______________FACULTAD DE INGENIRIA
LSCc = c + 3 c
LCc = c (4.16)
LSCc = c + 3 c
LCc = c (4.17)
Donde,
LSC = 33.22
LC = 516 / 26 = 19.85 = c
Página 186
_______________FACULTAD DE INGENIRIA
LIC = 6.48
De la carta de control preliminar, se observa que hay 2 puntos fuera de control, el 6 y el 20.
C Chart of NoConform
40 1
UCL=33.21
30
Sample Count
_
20 C=19.85
10
LCL=6.48
1
0
1 4 7 10 13 16 19 22 25
Sample
Una investigación reveló que el punto 6 fue debido a que un inspector nuevo calificó los circuitos
impresos pero no tenía la suficiente experiencia, fue entrenado. El punto 20 fue causado por una
falla en el control de temperatura de la soldadora de ola, lo cual fue reparado. Por lo anterior se
toman acciones para evitar recurrencia, se eliminan y se recalculan los límites de control.
Página 187
_______________FACULTAD DE INGENIRIA
C Chart of NoConform
35
UCL=32.97
30
25
Sample Count
_
20 C=19.67
15
10
LCL=6.36
5
1 3 5 7 9 11 13 15 17 19 21 23
Sample
Como el proceso ya se encuentra en control estadístico, estos límites se tomarán como base para
el siguiente periodo, donde se tomaron 20 unidades de inspección adicionales.
No Conformidades 1
16 18
18 21
12 16
15 22
24 19
21 12
28 14
20 9
25 16
19 21
Se observa en la gráfica que no se tienen puntos fuera de control, sin embargo el promedio de
defectos es alto, requiere la acción de la administración.
Página 188
_______________FACULTAD DE INGENIRIA
C Chart of C4
35
UCL=32.98
30
25
Sample Count
_
20 C=19.67
15
10
LCL=6.36
5
1 3 5 7 9 11 13 15 17 19
Sample
Figura 4.10 Carta de control C dentro de control estadístico para otras 20 muestras – muy alta c
Haciendo un análisis de Pareto de los principales defectos se observó que el principal defecto de
soldadura insuficiente y soldadura fría, acumulan el 69% del total, por lo que se deben enfocar los
esfuerzos a resolver estos problemas.
Página 189
_______________FACULTAD DE INGENIRIA
Página 190
_______________FACULTAD DE INGENIRIA
Puede ser necesario estratificar el problema identificando en que modelo de circuito impreso se
presentan los defectos principalmente.
Otra forma de análisis es el diagrama de causa efecto para identificar las diferentes fuentes de no
conformidades.
Método 1. Con nc
Página 191
_______________FACULTAD DE INGENIRIA
En este caso tanto la línea central como los límites de control se modifican por el factor n,
quedando como sigue ( c es la media de las no conformidades observada en la unidad de
inspección anterior):
LSCnc nc 3 nc
LCnc nc (4.18)
LICnc nc 3 nc
Por ejemplo si se deciden utilizar 2.5 unidades de inspección para el caso de los circuitos impresos
(es decir inspeccionar 250 tarjetas) con n=2.5, se tiene:
Como c es una variable aleatoria que sigue la distribución de Poisson, los parámetros de la carta u
de número de no conformidades o defectos por unidad son:
u
LSCu u 3
n
LCu u (4.20)
Página 192
_______________FACULTAD DE INGENIRIA
u
LSCu u 3
n
No conformidades
en cada 5 unidades – carta u
10 9
12 5
8 7
14 11
10 12
16 6
11 8
7 10
10 7
15 5
__
Suma.de.no.conformidades
u
Suma.de.unidades .inspeccion adas
u =38.60 / 20 = 1.93
LSC = 3.79
LIC = 0.07
Página 193
_______________FACULTAD DE INGENIRIA
U Chart of C6
4
UCL=3.794
3
Sample Count Per Unit
_
2 U=1.93
0 LCL=0.066
1 3 5 7 9 11 13 15 17 19
Sample
Figura 4.13 Carta de control de defectos por unidad U con tamaño de muestra constante en
control estadístico
En la carta de control no se observa falta de control estadístico, por tanto los límites preliminares
se pueden utilizar en corridas futuras.
En algunos casos las cartas de control para no conformidades se utilizan en la inspección 100% de
la producción o lotes de producto, por tanto las unidades de inspección no son constantes. En esta
carta se tiene una línea central constante y los límites de control varían inversamente con la raíz
cuadrada del tamaño de muestra n.
Página 194
_______________FACULTAD DE INGENIRIA
u
LSCui u 3
ni
LCu u (4.21)
u
LSCui u 3
ni
Ejemplo 4.11 En una planta textil, se inspeccionan defectos por cada 50m 2 los datos se muestran a
continuación.
Unidades No conform
10 14
8 12
13 20
10 11
9.5 7
10 10
12 21
10.5 16
12 19
12.5 23
153
La línea central es u 1.42
107.5
Donde u = Total de defectos observados / Total de unidades de inspección
De la gráfica no se observan puntos fuera de control.
Página 195
_______________FACULTAD DE INGENIRIA
U Chart of No conform
3.0
2.5 UCL=2.436
Sample Count Per Unit
2.0
_
1.5
U=1.423
1.0
0.5
LCL=0.411
0.0
1 2 3 4 5 6 7 8 9 10
Sample
Tests performed with unequal sample sizes
Figura 4.14 Carta de control para defectos por unidad con tamaño de muestra variable
m
ni
n (4.22)
i 1 m
2. Usando una de control estandarizada (opción preferida). Se grafica Z i con límites de control en
+3 y –3, línea central cero.
ui u
Zi (4.23)
u
ni
Página 196
_______________FACULTAD DE INGENIRIA
U prom 1.423256
I Chart of Zu
3 UCL=3
1
Individual Value
_
0 X=0
-1
-2
-3 LCL=-3
1 2 3 4 5 6 7 8 9 10
Observation
Página 197
_______________FACULTAD DE INGENIRIA
Sistema de demeritos
Con productos complejos, se identifican diversos tipos de defectos, desde los que se consideran
menores hasta los que ponen en riesgo la salud del usuario. Por lo cual es necesario dar una
ponderación a esos diversos tipos de defectos de acuerdo a su gravedad, un esquema posible es el
siguiente:
Defectos tipo A – Muy serios: La unidad no puede funcionar o fallará en el campo, o puede causar
daño al usuario.
Defectos tipo B – Serios: La unidad tendrá menos vida útil, o puede causar una falla de
funcionamiento mayor.
Defectos tipo C – Poco serios: La unidad puede tener fallas pero continuar funcionando, o puede
incrementar los costos de mantenimiento, o tener una mala apariencia como usada.
Defectos tipo D – Menores: La unidad no fallará en servicio pero tiene defectos de apariencia,
terminados o calidad de trabajo.
Supóngase que para los defectos anteriores se tengan los números ciA, ciB, ciC, ciD respectivamente
en la i-ésima unidad inspeccionada. Se asume que cada clase de defectos es independiente y que
la ocurrencia de defectos de cada clase es modelada bien con la distribución de Poisson. Entonces
se puede definir el número de deméritos en la unidad de inspección por ejemplo como:
inspección):
Página 198
_______________FACULTAD DE INGENIRIA
n
d
i 1
i
ui = D / n = (4.25)
n
Como u es una combinación lineal de variables aleatorias independientes de Poisson, el estadístico
ui puede ser graficado en una carta de control con los parámetros siguientes:
LSC = u + 3 u
LC = u (4.26)
LIC = u + 3 u,
Donde,
u 100u A 50u B 10u C 1u D (4.27)
1/ 2
(100) 2 u A (50) 2 u B (10) 2 u C (1) 2 u D
y u (4.28)
n
Los números u A, u B, u C , u D, representan el número promedio de defectos de la clase A, clase B,
clase C y clase D respectivamente. Se determina a partir de datos preliminares tomados cuando el
proceso está en control estadístico.
La curva característica de operación (OC) puede ser obtenida tanto para la carta c como para la
carta u a partir de la distribución de Poisson.
Para la carta c, la curva OC muestra la probabilidad del error tipo II contra la media real del
numero de defectos c, se expresa como sigue:
Ejemplo 4.12, para el caso de la carta c anterior con LSC = 33.22, LIC = 6.48, se tiene:
Página 199
_______________FACULTAD DE INGENIRIA
P{x 33.22 c} P{x 6.48 c}
cómo las cantidades deben ser enteras, esto es equivalente a:
P{x 33 c} P{x 7 c}
La curva OC se obtiene con la distribución de Poisson como sigue:
Página 200
_______________FACULTAD DE INGENIRIA
Página 201
_______________FACULTAD DE INGENIRIA
P{nLIC u c nLSC u}
Las cartas por atributos c y u no son convenientes en estos casos ya que tendrían ceros la mayor
parte del tiempo, una alternativa es graficar los intervalos de tiempo entre ocurrencias de los
defectos o “eventos”.
Nelson, sugiere una alternativa transformando la variable aleatoria exponencial a una variable
aleatoria de Weibull de tal forma que sea una buena aproximación a la normal. Si y representa la
variable aleatoria exponencial original, la transformación adecuada es:
Por tanto se construye una carta de control para x, asumiendo que x sigue una distribución
normal.
Por ejemplo para el monitoreo de fallas de una válvula importante, se usará el número de horas
entre fallas como la variable a monitorear. En la página siguiente se muestra este ejemplo.
Página 202
_______________FACULTAD DE INGENIRIA
5. OTRAS CARTAS DE CONTROL ESPECIALES
Se pueden utilizar cartas de medias-rangos en situaciones las corridas de producción sean cortas,
tomando las desviaciones respecto a la media de especificaciones en lugar del valor como tal.
Página 203
_______________FACULTAD DE INGENIRIA
Xbar-R Chart of D1, ..., D3
3.0 U C L=2.929
1.5
Sample M ean
_
_
0.0 X=0.167
-1.5
LC L=-2.596
-3.0
1 2 3 4 5 6 7 8 9 10
Sample
U C L=6.950
6.0
Sample Range
4.5
_
3.0
R=2.7
1.5
0.0 LC L=0
1 2 3 4 5 6 7 8 9 10
Sample
Si la desviación estándar para las diferentes partes es diferente, se usan estas cartas. Sean
R i .....Ti el rango medio y el valor nominal de x para un número de parte específico. Para todas las
muestras de este número de parte, graficar,
R
RS (5.1)
Ri
Se toman de datos históricos o de especificaciones para el rango, o se puede estimar de con
Sd 2
Ri sus límites de control son D3 y D4. Para la media graficar,
c4
x Ti
x
S
(5.2)
Ri
Página 204
_______________FACULTAD DE INGENIRIA
La línea central para la carta x estandarizada es cero, y sus límites de control son LSC = A2 y LIC = -
A2 .
Se utilizan cartas de control estandarizadas con límites de control LSC=+3 y LIC=-3. Los estadísticos
a graficar son:
pi p
Carta p Zi
p(1 p) / n
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
La carta de control modificada X esta diseñada para detectar sólo si la media verdadera del
proceso , está localizada de tal forma que el proceso genere una fracción de productos no
conformes mayor de algún valor especificado .
Se permite que varíe entre I y S de tal forma que no se exceda la fracción defectiva . Se
asume que el proceso está normalmente distribuido y que sea conocida y esté en control.
Página 205
_______________FACULTAD DE INGENIRIA
LIEsp. |--- 6 ---| LSEsp.
LIE I S LSE Z
Z
/ n
LIC LSC
Z
n
Donde:
I LIE Z (5.4)
S LSE Z
Página 206
_______________FACULTAD DE INGENIRIA
Donde Z es el punto superior 100(1-) de la distribución normal, si se especifica un error , los
límites de control superior e inferior son:
Z Z
LSC S LSE Z (5.5)
n n
Z Z
LIC I LIE Z
n n
En las cartas modificadas, es una fracción no conforme que se acepta con una probabilidad (1-).
Si la variabilidad del proceso cambia, éstas cartas no son apropiadas, de tal forma que se
recomienda siempre usar en forma adicional una carta R o S, de donde incluso se estime la
inicial.
En este caso se toma en cuenta ambos errores tipo I y tipo II, ya sea de rechazar un proceso que
opera en forma satisfactoria o de aceptarlo si opera en forma insatisfactoria.
Los límites de control para este caso se basan en una n especificada y una fracción no conforme
del proceso que nos gustaría rechazar con una probabilidad (1-), por tanto:
Z Z
LSC S LSE Z (5.5)
n n
Z Z
LIC I LIE Z
n n
Es posible también seleccionar un tamaño de muestra de tal forma que se obtengan los
requerimientos para , , y . Igualando los límites de control superiores:
Página 207
_______________FACULTAD DE INGENIRIA
Z Z
LSC LSE Z = LSE Z
n n
Se obtiene
Z Z
2
n (5.6)
Z Z
Ejemplo 5.2 Si delta = 0.01, alfa = 0.00135, gama = 0.05 y beta = 0.20, haciendo los cálculos se
obtiene una n = 31.43 32.
3.00 0.84
2
n
2.33 1.645
LSE =0.025
LSE-1.96
LIE+1.96
LIE =0.025
29
Duncan A., Control de Calidad y Estadística Industrial, Alfaomega, México, 1989, pp. 527-530
Página 208
_______________FACULTAD DE INGENIRIA
En la figura si suponemos que =0.025 y = 0.10, asumiendo un proceso normal, los límites para la
carta de control de aceptación estarán en:
Cuando un desgaste natural ocurre, se presenta una tendencia natural en la carta de control, la
distancia entre los límites de especificación debe ser mucho mayor que 6X, por lo que se puede
usar el concepto de la carta de control modificada (X = R/d2).
El ajuste inicial de la herramienta se inicia a 3x arriba del límite inferior de especificación, y el
máximo que se le permite variar es hasta 3x abajo del límite superior de especificación. Esto
minimiza los ajustes a realizar durante las corridas de producción. Se puede utilizar un valor
diferente de Z = 3 si se requiere una mayor protección en la fracción defectuosa. Para este
problema también se puede utilizar la carta de regresión.
LSE
_
X
LSE-3x
Amplitud dentro de la cual
se espera encontrar las 6 _
X
medias de las piezas Distribución de x
_
X
LIE+3x
LIE
Página 209
_______________FACULTAD DE INGENIRIA
Como se puede observar, sólo se puede emplear ésta carta si la amplitud de los límites de
especificación es suficiente mayor a 6x para alojar la carta de control.
La pendiente b de la línea central y límites de control se pueden calcular por los métodos
siguientes:
1. Dibujando una línea central que pase por los puntos graficados y estimando en forma gráfica
la pendiente.
2. Utilizando la técnica de mínimos cuadrados, donde si se tienen un total de m muestras con el
número de muestra i = 1,2,3…..m la pendiente b es (los datos se pueden codificar para
facilidad):
2 LSE 3 x LSE 3R / d 2
M* = ( 1, - 2 ) / b (5.9)
Es importante considerar que antes de llevar una carta de medias para desgaste es indispensable
asegurarse que la carta de rangos está en control estadístico. En caso de que la media en lugar de
crecer, decrezca, las 1, , 2 se invierten:
_
Los límites de control se encuentran a una distancia vertical A2 R de la línea central.
Página 210
_______________FACULTAD DE INGENIRIA
Página 211
_______________FACULTAD DE INGENIRIA
Ejemplo 5.4 El diámetro exterior de una válvula tiene una especificación de 1.1555 0.0005”. Se
han tomado 13 muestras de 5 piezas cada una sin ajustar la herramienta de corte, en intervalos de
media hora. Los resultados son:
Muestra i
1 2 3 4 5 6 7 8
_
X i 1.15530, 1.15540,1.15544, 1.15546, 1.15550, 1.15556, 1.15568, 1.15570,
Muestra 9 10 11 12 13
_
X i 1.15576, 1.15578, 1.15580, 1.15586, 1.15590
Ri 0.00010, 0.00020, 0.00020, 0.00010, 0.00020
b = 0.0000492
Es decir que tienen que pasar 11 puntos o 5.5 horas para reajustar el proceso
LSE
2
Pendiente b
LSC
1,
LIC
LIE
Página 212
_______________FACULTAD DE INGENIRIA
Es una técnica usada para detectar irregularidades en el proceso, que pueden resultar en la
producción de unidades fuera de especificaciones. Pre-control, principalmente se presta para el
uso de aparatos de medición hechos previamente sobre los límites de las especificaciones. El uso
de éstos aparatos de medición permite seleccionar fácilmente las unidades que proceden de las
que no. Pre-control es usado con frecuencia para determinar los valores de las variables del
proceso durante el período de arranque de la producción.
En la carta de pre – control hay un 1/14 de probabilidad de que una parte caiga en la zona amarilla
y de 1/196 de que caigan dos consecutivas en ésta zona, en este caso se considera que el proceso
se salió de control.
Página 213
_______________FACULTAD DE INGENIRIA
Ventajas:
Pre-control es una técnica simple que a diferencia con el control estadístico del proceso (CEP) no
requiere de gráficas de control, ni de cómputos.
Desventajas:
No existen gráficas de control, por lo tanto, las reglas y procedimientos para reconocer patrones
de fallas no pueden ser usados. Dado que se requiere una cantidad muy pequeña de muestras, es
riesgoso inferir sobre la totalidad del proceso. Finalmente, Pre-control no proporciona información
suficiente para someter el proceso bajo control o para reducir la variabilidad. Asume que el
proceso es hábil y que es normal.
Recomendaciones:
Pre-control sólo debe ser usado cuando la capacidad del proceso (Cp)30 es mayor que uno (algunos
textos recomiendan como mínimo Cp=2)31, y cuando se han alcanzado cero defectos en el
proceso.
0 1 1 3 1
4 2 4
30
C p USL LSL , donde USL = Upper Specification Limit y LSL = Lower Specification Limit.
6
31
Montogomery, Douglas C. “Statistical Quality Control”, John Wiley & Sons, Inc., 1991, pp. 332-
334.
Página 214
_______________FACULTAD DE INGENIRIA
Figura 5.8 Distribución de áreas de probabilidad para la carta de pre-control
Dentro de
Fuera de Especificaciones
Especificaciones Fuera de límites
De Pre-control
A
Continuar el proceso.
Dentro de
Dentro de Detener sólo si DOS
Inicie el Verifique Especificaciones Verifique
de límites Unidades consecutivas
proceso 1a. Unidad Fuera de límites 2a. Unidad
De Pre-control Estan fuera de los
De Pre-control
Límites de
Pre-control
Dentro de
Especificaciones
Fuera de EL OTRO
límite de Pre-control
¡!
Variabilidad del
Proceso fuera de
Control.
Página 215
_______________FACULTAD DE INGENIRIA
Página 216
_______________FACULTAD DE INGENIRIA
Notas:
1. Si cinco unidades están dentro de los límites de Pre-control, cambie a verificación
intermitente.
2. Cuando se encuentre en verificación intermitente, no ajuste el proceso hasta que una unidad
exceda algún límite de Pre-control. Examine la siguiente unidad, y proceda en A.
3. Si se reinicia el proceso, al menos cinco unidades consecutivas deben caer dentro de los
límites de pre-control para cambiar a verificación intermitente.
4. Si el operador toma más de 25 muestras sin reiniciar el proceso, reduzca la frecuencia de las
verificaciones.
Se utiliza para procesos con muchas fuentes de producción, por ejemplo diversos husillos que en
principio producen piezas similares. El usar una carta de control para cada husillo por separado
sería prohibitivo, sin embargo se tiene la alternativa de ésta carta de control siempre que la
producción entre husillos no esté correlacionada.
Para establecer una carta de este tipo, se toman n 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
habrán tomado 20 x 6 = 120 medias y rangos de n = 4 observaciones. De éstos se calculan la media
_
de medias X y el R , los límites 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 (5.10)
_ _
LSCX = X + A2 R LSCR = D4 R
Con los límites de control trazados, se grafica después sólo la mayor y la menor de las 6 lecturas
promedio considerando todas las salidas o en este caso husillos de la máquina, si se encuentran en
control, se asume que las demás están en control. Para el rango se grafica sólo el mayor de todos
los rangos. Cada punto es identificado por el número de husillo o salida que lo produjo. El proceso
Página 217
_______________FACULTAD DE INGENIRIA
se encuentra fuera de control si se algún punto excede los límites de 3-sigma. No se pueden
aplicar pruebas de rachas a estas cartas.
Es útil 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 número de veces
consecutivas que se repite como el mayor o el menor, el ARL para este evento es:
s r 1
ARL 0 (5.11)
s 1
Para el caso de que s = 6 y r = 4, el ARL será de 259, es decir que si el proceso está en control, se
esperará que una salida repita un valor extremo 4 veces en la carta una vez de cada 259 muestras.
Si esto sucede con más frecuencia se debe sospechar que la salida es diferente a las demás.
Algunos de los pares adecuados de (s,r) son (3,7), (4,6), (5-6,5), 7-10,4), todas las combinaciones
dan ARLo adecuados.
Las cartas de control de Shewart utilizan sólo información acerca del proceso con los últimos datos
del subgrupo, e ignoran la información de la secuencia completa de puntos, esto hace que estas
cartas de control sean insensibles a pequeños corrimientos de la media del proceso, de 1.5 o
menos. Los límites preventivos y criterios múltiples de prueba de corridas o tendencias toman en
cuenta otros puntos de la carta, sin embargo esto reduce la simplicidad de interpretación de la
carta así como reducir el ARL en control lo cual es indeseable.
Página 218
_______________FACULTAD DE INGENIRIA
Cusum normal
Para pequeños 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
información 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 tamaño n >= 1 siendo x j el valor
promedio de la muestra j-ésima. La carta de sumas acumuladas se forma graficando para cada
muestra i la cantidad siguiente que representa la suma acumulada hasta la muestra i,
i
Ci ( x j 0 ) (5.12)
j 1
Como esta carta es eficiente para n=1, es una buena alternativa para el control de procesos
químicos y el C.E.P. automatizado. Si la media tiene un corrimiento hacia arriba, la carta mostrará
una tendencia ascendente y viceversa.
La carta Cusum no tiene límites de control, sin embargo tiene un mecanismo similar ya sea en
forma tabular o por medio de una mascara en V, como la mostrada en el ejemplo de las páginas
siguientes.
Ejemplo
Suponiendo que la Posición de una parte (A) se mueve hacia arriba y hacia abajo una cierta
distancia de la posición ideal de referencia (B). AtoBDist es esta distancia. Para asegurar la calidad,
se toman 5 mediciones al día durante el primer periodo de tiempo y después 10 al día en un
siguiente periodo de tiempo.
AtoBDist
-0.44025 4.52023 4.75466 4.90024 3.81341 -1.15453 5.03945
5.90038 3.95372 1.1424 1.28079 -3.78952 2.29868 1.96583
2.08965 7.99326 0.9379 2.87917 -3.81635 5.15847 -0.21026
0.09998 4.98677 -7.30286 1.83867 -4.8882 0.08558 0.27517
2.01594 -2.03427 -5.22516 -0.75614 -3.24534 -3.09574 -5.32797
4.83012 3.89134 -4.06527 3.72977 -0.27272 5.16744
3.78732 1.99825 -1.91314 3.77141 -4.33095 0.29748
Página 219
_______________FACULTAD DE INGENIRIA
4.99821 0.01028 2.0459 -4.04994 -1.83547 -4.66858
6.91169 -0.24542 4.93029 3.89824 -3.98876 -2.13787
1.93847 2.08175 0.03095 1.76868 -4.97431 -0.0045
-3.09907 -4.86937 -2.80363 2.2731 -5.1405 0.18096
-3.18827 -2.69206 -3.12681 -3.82297 -0.10379 4.30247
5.28978 -3.02947 -4.57793 -2.26821 2.21033 -2.21708
0.56182 2.99932 -3.17924 -2.07973 5.13041 7.17603
-3.1896 3.50123 -2.44537 0.01739 -1.89455 5.86525
7.93177 -1.99506 1.36225 3.71309 0.95119 0.95699
3.72692 -1.62939 0.92825 1.72573 -5.15414 -4.03441
3.83152 2.14395 -0.24151 3.07264 4.82794 -2.05086
-2.17454 -1.90688 -0.83762 0.15676 0.13001 -3.10319
2.81598 8.02322 -1.99674 -0.05666 -0.09911 -1.83001
Al llevar una carta X – R en el subgrupo no se encontró una causa asignable, ahora se desea tratar
de detectar corridas pequeñas en la media.
Corrida en Minitab
1. File > Open Worksheet > Data > CRANKSH.MTW.
2. Stat > Control Charts > Time weighted charts > CUSUM.
In Single column, seleccionar AtoBDist. In Subgroup size, poner 5.
3. OK.
5 UCL=4.802
Sample Mean
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
Página 220
_______________FACULTAD DE INGENIRIA
Se puede observar que no detecta ninguna situación anormal
CUSUM Chart for AtoBDist
Upper CUSUM
10
Cumulative Sum
5.67809
5
-5
Low er CUSUM
-5.67809
0 5 10 15 20 25
Subgroup Number
Se puede observar que detecta una situación anormal debido a un corrimiento lento de la media
del proceso.
Página 221
_______________FACULTAD DE INGENIRIA
16 9.37 -0.63 -0.37
17 10.62 0.62 0.25
18 10.31 0.31 0.56
19 8.52 -1.48 -0.92
20 10.84 0.84 -0.08
Media = 11 21 10.9 0.9 0.82
Sigma = 1 22 9.33 -0.67 0.15
23 12.29 2.29 2.44
24 11.5 1.5 3.94
25 10.6 0.6 4.54
26 11.08 1.08 5.62
27 10.38 0.38 6
28 11.62 1.62 7.62
29 11.31 1.31 8.93
30 10.52 0.52 9.45
12
Individual V alue
_
10 X=10
LC L=7
3 6 9 12 15 18 21 24 27 30
O bser vation
4
U C L=3.686
3
M oving Range
2
__
1 M R=1.128
0 LC L=0
3 6 9 12 15 18 21 24 27 30
O bser vation
Página 222
_______________FACULTAD DE INGENIRIA
CUSUM Chart of Xi
5.0
UCL=4
2.5
Cumulative Sum
0.0 0
-2.5
LCL=-4
-5.0
1 4 7 10 13 16 19 22 25 28
Sample
Figura 5.13 Carta Cusum muestra un corrimiento lento de la media del proceso
Con parámetros Media objetivo (Target) =10, S = 1
La carta tabular Cusum trabaja con derivaciones acumuladas de 0 sobre el objetivo con un
estadístico C+ o debajo de este con un estadistico C-, también llamados Cusums de lado superior o
inferior respectivamente. Se calculan como sigue:
Ci max 0, xi ( 0 K ) Ci1 (5.13)
Página 223
_______________FACULTAD DE INGENIRIA
Ci max 0, xi 10.5 Ci1
Ci max0,9.5 x i Ci1
Si N+ y N- indican los periodos en que las sumas no han sido cero, se obtiene la tabla de
siguiente:
a b
Muestra Xi xi - 10.5 Ci+ N+ 9.5 - xi Ci- N
1 9.45 -1.05 0.00 0 0.05 0.05 1
2 7.99 -2.51 0.00 0 1.51 1.56 2
3 9.29 -1.21 0.00 0 0.21 1.77 3
4 11.66 1.16 1.16 1 -2.16 0.00 0
5 12.16 1.66 2.82 2 -2.66 0.00 0
6 10.18 -0.32 2.50 3 -0.68 0.00 0
7 8.04 -2.46 0.04 4 1.46 1.46 1
8 11.46 0.96 1.00 5 -1.96 0.00 0
9 9.20 -1.30 0.00 0 0.30 0.30 1
Página 224
_______________FACULTAD DE INGENIRIA
10 10.34 -0.16 0.00 0 -0.84 0.00 0
11 9.03 -1.47 0.00 0 0.47 0.47 1
12 11.47 0.97 0.97 1 -1.97 0.00 0
13 10.51 0.01 0.98 2 -1.01 0.00 0
14 9.40 -1.10 0.00 0 0.10 0.10 1
15 10.08 -0.42 0.00 0 -0.58 0.00 0
16 9.37 -1.13 0.00 0 0.13 0.13 1
17 10.62 0.12 0.12 1 -1.12 0.00 0
18 10.31 -0.19 0.00 0 -0.81 0.00 0
19 8.52 -1.98 0.00 0 0.98 0.98 1
20 10.84 0.34 0.34 1 -1.34 0.00 0
21 10.90 0.40 0.74 2 -1.40 0.00 0
22 9.33 -1.17 0.00 0 0.17 0.17 1
23 12.29 1.79 1.79 1 -2.79 0.00 0
24 11.50 1.00 2.79 2 -2.00 0.00 0
25 10.60 0.10 2.89 3 -1.10 0.00 0
26 11.08 0.58 3.47 4 -1.58 0.00 0
27 10.38 -0.12 3.35 5 -0.88 0.00 0
28 11.62 1.12 4.47 6 -2.12 0.00 0
29 11.31 0.81 5.28 7 -1.81 0.00 0
30 10.52 0.02 5.30 8 -1.02 0.00 0
Corrida en Minitab
1. File > Open Worksheet > Data > CRANKSH.MTW.
2. Stat > Control Charts > Time weighted charts > CUSUM.
In Single column, seleccionar Xi. In Subgroup size, poner 1 Target 10.
3. Cusum Options: Standar deviation 1 Plan Type h 5 k 0.5 OK.
6.00
5.00
4.00
Ci+
3.00
Ci-
2.00
1.00
0.00
1 3 5 7 9 11 13 15 17 19 21 23 25 27 29
Página 225
_______________FACULTAD DE INGENIRIA
5.0 UCL=5
2.5
Cumulative Sum
0.0 0
-2.5
-5.0 LCL=-5
3 6 9 12 15 18 21 24 27 30
Sample
De la tabla de Cusum Tabular se observa que en el periodo 29 su C29+ fue de 5.28, lo que sugiere
una situación fuera de control, usando el contador N+ cuyo valor es 7, indica que el último punto
en control fue el 29 – 7 = 22, de tal forma que el corrimiento ocurrió entre el periodo 22 y 23.
También se puede obtener una presentación gráfica de esta carta, denominada Carta de Estatus
de Cusum, graficando Ci+ y Ci- contra el número de muestra. Esto da una idea gráfica al operador
del desempeño del proceso.
En forma similar a las cartas Cusum, se debe detener el proceso, identificar la causa asignable o
especial, tomar acción correctiva e iniciar de nuevo la Cusum Tabular.
C i
0 K , si Ci H (5.16)
N
Ci
0 K , si Ci H (5.17)
N
Página 226
_______________FACULTAD DE INGENIRIA
En el ejemplo, en el periodo 29 con C 29 = 5.28, la nueva media del proceso es,
5.28
10 0.5 11.25
7
Esto es importante saberlo, por si el proceso tiene alguna forma de ajuste.
Cuando se utiliza un tamaño de subgrupo mayor a 1, en las fórmulas anteriores se debe remplazar
a xi por xi y por la x = , aunque se recomienda usar un tamaño de muestra 1 con
n
frecuencia de muestreo mayor que para el equivalente de Shewart.
La carta Cusum tabular también se puede utilizar para un solo lado con C + o C-.
EL PROCEDIMIENTO DE LA MASCARILLA EN V
Un procedimiento alterno al uso del método tabular Cusum, es la mascarilla en V propuesta por
Barnard (1959), esta mascarilla es aplicada a valores sucesivos del estadístico,
i
Ci y j yi Ci 1 (5.18)
j 1
Ci
O d P
2A
1A
1 2 3 4 5 ............................................. i
Página 227
_______________FACULTAD DE INGENIRIA
El procedimiento consiste en colocar la mascarilla en V sobre la carta Cusum, con el punto O sobre
el último valor de Ci y la línea OP paralela al eje horizontal. Si todos los puntos anteriores C 1,
C2,....,Cj se encuentran dentro de los dos brazos de la mascarilla, el proceso está en control, sin
embargo si cualquier punto de las sumas acumuladas se encuentra fuera de los brazos de la
mascarilla, se considera al proceso fuera de control.
En la práctica, la mascarilla en V se debe colocar a cada punto tan pronto como es graficado, los
brazos de la mascarilla se asumen extendidos hasta el origen.
Página 228
_______________FACULTAD DE INGENIRIA
25
20
Cumulative Sum
15
10
0 Target=0
2 4 6 8 10 12 14 16 18 20 22 24
Sample
Figura 5.17 Ejemplo de carta de control Cusum con mascarilla en V para AtoBDist
Stat > Control Charts > Time weighted charts > CUSUM.
In Single column, seleccionar Xi. In Subgroup size, poner 1 Target 10.
Cusum Options: Standar deviation 1
Plan Type Seleccionar Two sided (V Mask) h 4 k 0.5
OK.
Página 229
_______________FACULTAD DE INGENIRIA
Vmask Chart of Xi
30
20
Cumulative Sum
10
0 Target=0
-10
1 4 7 10 13 16 19 22 25 28
Sample
Johnson y Leone han sugerido un método para diseñar una mascarilla en V, con las fórmulas
siguientes:
tan 1 (5.21)
2A
y
2 1
d 2 ln (5.22)
Donde 2 es la máxima probabilidad de una falsa alarma cuando el proceso está en control y es
la probabilidad de no detectar un corrimiento de magnitud .
ln( )
d cuando es muy pequeño.
Página 230
_______________FACULTAD DE INGENIRIA
2 1 0.05
d 2 ln
1 0.05 = 5.888
1
tan 1 26.56
2
Página 231
_______________FACULTAD DE INGENIRIA
z i xi (1 ) zi 1 (5.23)
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
zi2
1 (1 )
2i
(5.24)
2
Por tanto los límites de control de zi versus el número de muestra o tiempo i, son:
LSC 0 L
1 (1 )
2i
(5.25)
2
LC 0 (5.26)
LIC 0 L
1 (1 )
2i
(5.27)
2
Página 232
_______________FACULTAD DE INGENIRIA
Note que el término [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 límites de control se
estabilizan en:
LSC 0 L (5.28)
2
LC 0 (5.29)
LSC 0 L (5.30)
2
Ejemplo Utilizando los datos de la carta Cusum con = 0.10, L = 2.7, 0 = 0 y = 3.5, se tiene la
carta EWMA mostrada en la página siguiente.
Para x1= 9.45, calculando z1 = 9.945; LSC = 10.27 y LIC = 9.73 con la fórmulas anteriores.
Para x2= 7.99, calculando z2 = 9.7495; LSC = 10.36 y LIC = 9.64, conforme se incrementa i los límites
se estabilizan en LSC = 10.62 LIC = 9.38.
La carta EWMA tiene un ARL0 500 y una ARL1 14.3 equivalente a la Cusum con h=5 y k=1/2.
Esta carta no reacciona a cambios grandes de la media tan rápido como la hace la carta de
Shewart, este mismo comportamiento lo tienen tiene la carta Cususm.
Corrida en Minitab:
1. File > Open Worksheet > Data > CRANKSH.MTW.
2. Stat > Control Charts > Time weighted charts > EWMA
3. In Single column, seleccionar AtoBDist. In Subgroup size, poner 5.
4. Weight of EWMA 0.1
5. EWMA Options > Parameters Mean 0.0 Standar Deviation 3.5
S Limits These multiples of the estándar deviation 2.7
6. OK.
Página 233
_______________FACULTAD DE INGENIRIA
1.0 +2.7SL=0.967
0.5
EWMA
_
_
0.0 X=0
-0.5
-1.0 -2.7SL=-0.967
1 3 5 7 9 11 13 15 17 19 21 23 25
Sample
Muestra Xi EWMA, Zi
1 9.45 9.945
2 7.99 9.7495
3 9.29 9.7036
4 11.66 9.8992
5 12.16 10.1253
6 10.18 10.1307
7 8.04 9.9217
8 11.46 10.0755
9 9.20 9.9880
10 10.34 10.0232
11 9.03 9.9238
12 11.47 10.0785
13 10.51 10.1216
14 9.40 10.0495
15 10.08 10.0525
16 9.37 9.9843
17 10.62 10.0478
Página 234
_______________FACULTAD DE INGENIRIA
18 10.31 10.0740
19 8.52 9.9186
20 10.84 10.0108
21 10.90 10.0997
22 9.33 10.0227
23 12.29 10.2495
24 11.50 10.3745
25 10.60 10.3971
26 11.08 10.4654
27 10.38 10.4568
28 11.62 10.5731
29 11.31 10.6468
30 10.52 10.6341
Página 235
_______________FACULTAD DE INGENIRIA
28 11.62 10.5731 10.6186 9.3814
29 11.31 10.6468 10.6187 9.3813
30 10.52 10.6341 10.6189 9.3811
10.8
10.6
10.4
10.2
10
EWMA, Zi
9.8
LSC
9.6
LIC
9.4
9.2
9
8.8
8.6
1 3 5 7 9 11 13 15 17 19 21 23 25 27 29
Página 236
_______________FACULTAD DE INGENIRIA
10.25
EWMA
_
_
10.00 X=10
9.75
9.50
-2.7SL=9.381
3 6 9 12 15 18 21 24 27 30
Sample
Utilizada como un intermedio entre la carta de Shewart y la EWMA para detectar pequeñas
corridas de la media. Asumiendo que se define un rango de observaciones w en el tiempo i, su
media móvil es:
xi xi 1 ..... xi w1
Mi (5.31)
w
Los límites de control son:
3
LSC 0 (5.32)
w
LC 0 (5.33)
3
LIC 0 (5.34)
w
Por ejemplo usando los datos anteriores con w = 5. Graficando el estadístico Mi para
periodos i 5.
xi xi 1 ....xi 4
Mi (5.35)
5
Para periodos i<5 se grafica el promedio de las observaciones para los periodos 1, 2, 3, ...i.
Ejemplo 5.9 Los límites de control son con 0 =10 y =1, se tiene:
Página 237
_______________FACULTAD DE INGENIRIA
LSC = 10 + 3 (1.0) / 51/2 = 11.34
LSC = 10 - 3 (1.0) / 51/2 = 8.66
Ejemplo La carta de media móvil para los datos del ejemplo anterior con un tamaño de corrida de
5 es la siguiente:
Corrida en Minitab:
1. File > Open Worksheet > Data > CRANKSH.MTW.
2. Stat > Control Charts > Time Weighted 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
Página 238
_______________FACULTAD DE INGENIRIA
Instrucciones de Minitab
1. Open worksheet EXH_QC.MTW.
2. Seleccionar Stat > Control Charts > Time-weighted charts > Moving Average.
3. Seleccionar All observations for a chart are in one column, poner Weight.
4. En Subgroup sizes, poner 1. Click OK.
La carta de promedio móvil es:
Página 239
_______________FACULTAD DE INGENIRIA
1000
UCL=979.6
975
Moving Average
950 _
_
X=936.9
925
900
LCL=894.1
875
850
4 8 12 16 20 24 28 32 36 40 44
Sample
1000
950 _
X=936.9
900
LC L=862.8
850 1 1
4 8 12 16 20 24 28 32 36 40 44
O bser vation
100
U C L=91.0
M oving Range
75
50
__
25 M R=27.8
0 LC L=0
4 8 12 16 20 24 28 32 36 40 44
O bser vation
Página 240
_______________FACULTAD DE INGENIRIA
Usando los datos siguientes con M = 5, con desviación estándar = 1 y media = 10:
Página 241
_______________FACULTAD DE INGENIRIA
14.00
13.00
12.00
11.00 Xi
Mi
10.00
LSC
9.00 LIC
8.00
7.00
6.00
1 3 5 7 9 11 13 15 17 19 21 23 25 27 29
Página 242
_______________FACULTAD DE INGENIRIA
6.1 INTRODUCCIÓN
Las técnicas estadísticas ayudan durante el ciclo del producto a reducir la variabilidad y a mejorar
la capacidad de los procesos.
Ancho 9´
Nigel´s Trucking Co.
Definiciones básicas.
Proceso: Éste se refiere a alguna combinación única de máquinas, herramientas, métodos,
materiales y personas involucradas en la producción.
Capacidad o habilidad: Esta palabra se usa en el sentido de aptitud, basada en el
desempeño probado, para lograr resultados que se puedan medir.
Página 243
_______________FACULTAD DE INGENIRIA
Capacidad del proceso: Es la aptitud del proceso para producir productos dentro de los
límites 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 medición 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 estadístico, es decir, en ausencia de causas
especiales o atribuibles de variación.
Variabilidad natural: Los productos fabricados nunca son idénticos sino que presentan
cierta variabilidad, cuando el proceso está bajo control, solo actúan las causas comunes de
variación en las características de calidad.
Valor Nominal: Las características de calidad tienen un valor ideal óptimo que es el que
desearíamos que tuvieran todas las unidades fabricadas pero que no se obtiene, aunque
todo funcione correctamente, debido a la existencia de la variabilidad natural.
La aplicación del análisis de capacidad de los procesos tiene los objetivos siguientes:
Página 244
_______________FACULTAD DE INGENIRIA
Es usual tomar 6-sigma de la población como la dispersión en la distribución de la característica
de calidad del producto como medida de la capacidad del proceso.
Los límites de tolerancia natural del proceso, superior (LTNS) e inferior (LTNI) , se encuentran en
3 , o sea:
LTNS = + 3 (6.1)
LTNI = - 3
Para un proceso normal, los límites de tolerancia naturales incluyen 99.73% de la variable, sólo el
0.27% (2700 ppm) de la salida del proceso se encontrará fuera de estos limites de tolerancia
naturales. Sin embargo, si el proceso no es normal, el porcentaje puede diferir grandemente. Esto
se esquematiza en la figura siguiente:
Existen diversas técnicas para evaluar la capacidad del proceso, entre las que se encuentran:
Histogramas o papel de probabilidad, cartas de control y experimentos diseñados.
LIE LSE
s _
xi
p X
Página 245
_______________FACULTAD DE INGENIRIA
Fig. 6.2 Fracción defectiva fuera de especificaciones
Para realizar un estudio de capacidad es necesario que se cumplan los siguientes supuestos32:
El proceso se encuentre bajo control estadístico, es decir sin la influencia de fuerzas externas o
cambios repentinos. Si el proceso está fuera de control la media y/o la desviación estándar del
32
J.M. Juran, Análisis y planeación de la Calidad, Tercera Edición Mc. Graw Hill, Pp.404
Página 246
_______________FACULTAD DE INGENIRIA
proceso no son estables y, en consecuencia, su variabilidad será mayor que la natural y la
capacidad potencial estará infravalorada, en este caso no es conveniente hacer un estudio de
capacidad.
Se recolectan suficientes datos durante el estudio de habilidad para minimizar el error de
muestreo para los índices de habilidad. Si los datos se componen de menos de 100 valores,
entonces deben calcularse los límites de confianza inferiores.
Los datos se recolectan durante un periodo suficientemente largo para asegurar que las
condiciones del proceso presentes durante el estudio sean representativos de las condiciones
actuales y futuras.
El parámetro analizado en el estudio sigue una distribución de probabilidad normal, de otra
manera, los porcentajes de los productos asociados con los índices de capacidad son
incorrectos.
Variación 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 variación han sido restringidas de tal manera que los datos considerados, sólo son
los que se obtuvieron del subgrupo racional. Ayuda a determinar subgrupos racionales
importantes.
Página 247
_______________FACULTAD DE INGENIRIA
Variación a Largo Plazo(Zlt) – Los datos son recogidos durante un periodo de tiempo
suficientemente largo y en condiciones suficientemente diversas para que sea probable que
contenga algunos cambios de proceso y otras causas especiales. Aquí todas las familias de
variación exhiben su contribución en la variación del proceso general.
Z st
límite especif . nom. (6.1)
desv.std ST
límite especif . media
Z LT
desv.std LT
dónde:
Z shift.- A largo plazo los procesos tienen un desplazamiento natural de 1.5 desviaciones estándar.
Zlt = Zst-1.5shift
Página 248
_______________FACULTAD DE INGENIRIA
Índice de capacidad potencial Cp
El índice de capacidad potencial Cp = PCR compara la amplitud de variación permitida por las
especificaciones entre la amplitud de variación entre los límites de tolerancia naturales del
proceso.
LSE LIE
Cp PCR (6.2)
6
Ejemplo 6.1 para el caso de anillos de pistones, donde el LSE = 74.05mm y el LIE= 73.95mm y de la
R
carta R se estimó 0.0099 por tanto se tiene:
d2
Cp = PCR = (LSE – LIE) / 6
= (74.05 – 73.95) / 6 (0.0099) = 1.68
1
P 100 (6.3)
Cp
Página 249
_______________FACULTAD DE INGENIRIA
LIE
Cpi PCR I para el límite inferior
3
Ejemplo 6.2 Para el caso de la resistencia de las botellas de vidrio, si el LIE = 200psi,
264 200 64
Cp PCR I 0.67
3(32) 96
Lo cual indica falta de habilidad, la fracción abajo del límite inferior es:
Algunos de los índices de capacidad potencial Cp y las piezas defectivas en partes por millón (ppm)
que están fuera de especificaciones se muestran a continuación:
Cp 1-lado 2-lados
0.25 226,628 453,255
0.5 66,807 133,614
0.6 35,931 71,861
0.7 17,865 35,729
0.8 8,198 16,395
1 1,350 2,700
1.1 484 967
1.2 159 318
1.3 48 96
1.4 14 27
1.5 4 7
1.6 1 2
1.7 0.17 0.34
2 0.0009 0.0018
Página 250
_______________FACULTAD DE INGENIRIA
Se recomienda que para procesos existentes el mínimo Cp sea de 1.33 y de 1.67 para procesos
críticos, el ideal es 2.0 para procesos nuevos como es el caso de Motorola en su programa 6-sigma.
Este índice no toma en cuenta la localización relativa de la media del proceso respecto a los límites
de especificaciones. Por lo que es necesario otro índice adicional.
Este índice si toma en cuenta el centrado del proceso respecto a las especificaciones, en este caso
se denomina Cpk o PCRk, y se evalúa tomando el mínimo entre los Cp’s correspondientes a cada
lado de la media, como sigue,
LIE
Cpi PCR I para el límite inferior
3
Ejemplo 6.3 Para un proceso donde los límites de especificación sean LSE=62, LIE=38, la media del
proceso sea =53 y su desviación estándar =2, se tiene:
62 53
Cps PCR S 1.5 para el límite superior
32
53 38
Cpi PCR I 2.5 para el límite inferior
32
Página 251
_______________FACULTAD DE INGENIRIA
Cpk PCRk min( PCRS , PCRI ) min(1.5,2.5) 1.5
Note que el PCR a considerar corresponde al límite de especificación más cercano a la media del
proceso. Siempre se cumple que,
Cpk <= Cp
Frec.
a)
Microdureza
Se puede transformar cada valor x con su inverso o sea con y=1/x de esta forma la distribución
transformada es la siguiente (ver método de Box Cox con Lamda óptima en Minitab):
Frec.
b)
Y=1/x
Página 252
_______________FACULTAD DE INGENIRIA
Página 253
_______________FACULTAD DE INGENIRIA
Índice de capacidad potencial Cpm o PCRm y Cpkm o PCRkm
Dos procesos pueden tener un Cpk igual a uno, pero sin embargo no necesariamente están
centrados respecto a la media de las especificaciones como se muestra a continuación:
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 m PCR km (6.10)
6 6 ( T )
2 2
1 2
Una condición necesaria para que Cpm sea mayor de uno es:
1
T ( LSE LIE)
6
Página 254
_______________FACULTAD DE INGENIRIA
Ejemplo 6.4 Para los procesos A y B ilustrados anteriormente se tiene:
1
Entonces Cpm (A) = 1.0
1 0
2
Cpm (B) = 0.63
1 (3) 2
Por tanto es mejor el proceso A, centrado en la media.
Cpk
Cp pmk PCR pmk (6.11)
1 2
Cuando T es igual a X media del proceso, Cpkm = Cpk
Ejemplo:
De una carta de control X - R (con subgrupos de n = 5), después de que el proceso se estabilizó
quedando sólo con causas comunes, se obtuvo lo siguiente:
Xmedia de medias = 264.06 Rmedio = 77.3
Página 255
_______________FACULTAD DE INGENIRIA
Página 256
_______________FACULTAD DE INGENIRIA
Ejercicio:
De una carta de control X - R (con tamaño de subgrupo n = 5), después de que el proceso se
estabilizó quedando sólo con causas comunes (LIE = 36, LSE = 46) se obtuvo lo siguiente:
d) Determinar el Cp
e) Determinar el Cpk
f) Determinar el Cpm
g) Determinar el Cpkm
Histograma
Para el estudio se requieren alrededor de 100 o más observaciones para permitir que el proceso
se estabilice, deben seguirse los pasos previos siguientes:
Página 257
_______________FACULTAD DE INGENIRIA
Procedimiento:
1. Seleccionar un proceso específico para realizar el estudio
2. Seleccionar las condiciones de operación del proceso
3. Seleccionar un operador entrenado
4. El sistema de medición debe tener habilidad (error R&R < 10%)
5. Cuidadosamente recolectar la información
6. Construir un histograma de frecuencia con los datos
7. Calcular la media y desviación estándar del proceso
8. Calcular la capacidad del proceso
Ejemplo 6.4 Se tiene la resistencia de botellas de vidrio de 1-litro en psi. Los datos se muestran se
muestran a continuación.
HIST
265 346 265 221 261
205 317 254 176 248
263 242 281 248 260
307 258 294 263 274
220 276 223 231 337
268 300 260 334 250
260 208 308 280 278
234 187 235 265 254
299 264 283 272 274
215 271 277 283 275
197 280 200 265 278
286 242 235 262 250
274 260 246 271 265
243 321 328 245 270
231 228 296 301 298
267 250 276 280 257
281 299 264 274 210
265 258 269 253 280
214 267 235 287 269
318 293 290 258 251
Página 258
_______________FACULTAD DE INGENIRIA
M ean 264.06
S tDev 32.02
V ariance 1025.15
S kew ness -0.129448
Kurtosis 0.518454
N 100
M inimum 176.00
1st Q uartile 248.00
M edian 265.00
3rd Q uartile 280.00
180 210 240 270 300 330 M aximum 346.00
95% C onfidence Interv al for M ean
257.71 270.41
95% C onfidence Interv al for M edian
260.00 271.00
95% C onfidence Interv al for S tDev
9 5 % C onfidence Inter vals
28.11 37.19
Mean
Median
X 264.06 S = 32.02
Es una herramienta que permite evaluar la capacidad aproximada del proceso con resultados
parecidos a los del histograma pero con un número menor de muestras y sin las operaciones del
histograma, a continuación se muestra un ejemplo de esta herramienta.
Página 259
_______________FACULTAD DE INGENIRIA
Ventajas
1. Se puede observar el comportamiento del proceso sin tomar tantos datos como en el
histograma, 10 son suficientes
2. El proceso es más sencillo ya que no hay que dividir el rango de la variable en intervalos de clase
como en el histograma.
3. Visualmente se puede observar la normalidad de los datos, si se apegan a la línea de ajuste
4. Permite identificar la media y la desviación estándar aproximada del proceso. Así como la
fracción defectiva, el porcentaje de datos entre cierto rango, el Cp y el Cpk.
Procedimiento
Página 260
_______________FACULTAD DE INGENIRIA
Ejemplo 6.5 .-Se tomaron los datos siguientes (Xj) ordenamos los datos y, calculamos la
probabilidad de su posición (Pj)
Con ayuda del gráfico podemos obtener la media, la desviación estándar y el porcentaje de valores
que se encuentran fuera de especificaciones.
Pj
0.84
0.5
Desv. Estándar
Fracción
Defectiva
LIE X Media Xj
Página 261
_______________FACULTAD DE INGENIRIA
Si los datos son normales, la frecuencia de ocurrencias en varios valores Xi, puede predecirse
usando una línea sólida como modelo. Por ejemplo, sólo más del 20% de los datos del proceso
serían valores de 225 o inferiores.
Datos
271 197
275 200
277 215
278 221
280 231
283 242
290 245
301 258
318 265
346 265
60
50
40
30
20
10
1
150 200 250 300 350
Datos
Página 262
_______________FACULTAD DE INGENIRIA
Note que los valores no difieren mucho de los del histograma con media 264.06 y desviación
estándar S = 32.02.
Con esta gráfica se pueden estimar también los porcentajes de partes fuera de las
especificaciones, por ejemplo si se traza el Límite Inferior de Especificación LIE en 200 psi, se
observa que se tiene un 5% aproximadamente fuera de especificaciones.
Nota: Es muy importante que el proceso sea normal, de lo contrario se obtendrán resultados
inexactos. Cuando los procesos son ligeramente anormales se pueden utilizar los métodos de
Pearson, transformar los datos por Box Cox o usar Weibull.
Se puede observar que cuando el proceso está en control, no existen causas asignables que
puedan ser corregidas, y la única alternativa para reducir la variabilidad es con la intervención de
la administración.
Página 263
_______________FACULTAD DE INGENIRIA
En casos especiales como estos donde las variaciones presentes son totalmente inesperadas
tenemos un proceso inestable ó impredecible.
Página 264
_______________FACULTAD DE INGENIRIA
?
? ?
? ?
? ?
Si las variaciones presentes son iguales, se dice que se tiene un proceso “estable”. La distribución
será “predecible” en el tiempo.
Predicción
Tiempo
R S
ó (Para cartas de control X-R y X-S respectivamente)
d2 C4
Donde,
Página 265
_______________FACULTAD DE INGENIRIA
El factor C4 = 4(n-1)/(4n – 3), con esta desviación estándar se determinan los índices de
desempeño Pp y Ppk.
En una carta por individuales, d2 se toma para n = 2 y Rango Medio = Suma rangos / (n -1)
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 especificaciones.
3 33.23
Página 266
_______________FACULTAD DE INGENIRIA
x 100
s 1.05
= 1.117
C 4 .094
El C pk
105 100 1.492
3 1.117
El C p
105 85 2.984
6 1.117
Generar 100 datos aleatorios en Minitab con Media = 264.6 y Desviación estándar S = 32.02 con
Nos aseguramos que los datos se distribuyan normalmente con la prueba de Ryan como sigue:
Página 267
_______________FACULTAD DE INGENIRIA
El P value debe ser mayor a 0.05 para que los datos se distribuyan normalmente
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
distribución.
60
50
40
30
20
10
5
0.1
150 200 250 300 350 400
Datos
Página 268
_______________FACULTAD DE INGENIRIA
Fig. 6.13 Datos normales – Pvalue mayor a 0.05
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 *
Interpretación:
Página 269
_______________FACULTAD DE INGENIRIA
La desviación estándar Within se determina en base al Rango medio y d2 (1.128 para n = 2), con
esta se determinan los índices de capacidad potencial Cp y real Cpk, lo cual es adecuado para un
proceso en control o normal.
La desviación estándar Overall se determina con la desviación estándar de todos los datos de la
muestra dividido entre el factor C4 = 4(n-1)/(4n – 3), con esta desviación estándar se determinan
los índices de desempeño Pp y Ppk así como el desempeño Overall, no importando si el proceso
está en control o no, en este último caso los valores no tienen significado práctico.
Página 270
_______________FACULTAD DE INGENIRIA
Process Capability Sixpack of Datos
I C har t C apability H istogr am
UCL=361.8
Individual Value
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
En este caso de la gráfica de probabilidad normal, los datos siguen una distribución normal.
Cuando los datos provienen de poblaciones no normales una opción para realizar el estudio de
capacidad de procesos es mediante la distribución Weibull.
Ejemplo en Minitab
En una compañía se manufacturan losetas para piso, el problema que se tiene es referente a la
deformación en las mismas. Se toman 100 mediciones durante 10 días. El límite superior de
especificación (USL) = 3.5 mm Realice un estudio de capacidad con la ayuda de Minitab e
interprete los resultados.
Generar 100 datos aleatorios en Minitab con Factor de forma = 1, Factor de escala = 1 con
Página 271
_______________FACULTAD DE INGENIRIA
6. Calc > Random data > Weibull
7. Generate 100 Store in columns C1 Shape parameter 1.2 Scale parameter 1 Threshold
parameter 0 OK
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
Página 272
_______________FACULTAD DE INGENIRIA
Fig. 6.16 Determinación de la capacidad del proceso por Weibull - Datos no normales
El índice Ppk y Ppu33 = 0.85 lo cual nos dice que el desempeño del proceso no es capaz ya que
0.85<.1.33
También observamos que PPM > USL 3,795 lo cual significa que aproximadamente 3,795 PPM
estarán fuera de los límites de especificaciones.
total
2
2producto equipo
2
.medición (6.13)
Ejemplo 6.8 Tomando 20 partes y evaluándolas 2 veces por un mismo operador con el mismo
instrumento de medición, se obtienen los resultados mostrados a continuación:
33
Los índices Pp y Ppk son similares a los índices Cp y Cpk , se refieren a la capacidad del proceso a
largo plazo.
Página 273
_______________FACULTAD DE INGENIRIA
1 21 20 20.5 1
2 24 23 23.5 1
3 20 21 20.5 1
4 27 27 27 0
5 19 18 18.5 1
6 23 21 22 2
7 22 21 21.5 1
8 19 17 18 2
9 24 23 23.5 1
10 25 23 24 2
11 21 20 20.5 1
12 18 19 18.5 1
13 23 25 24 2
14 24 24 24 0
15 29 30 29.5 1
16 26 26 26 0
17 20 20 20 0
18 19 21 20 2
19 25 26 25.5 1
20 19 19 19 0
1
Sample M ean
1
1
25
U C L=24.18
_
_
X=22.3
20 LC L=20.42
1 1
1
1 1
1
1 3 5 7 9 11 13 15 17 19
Sample
U C L=3.267
3
Sample Range
_
1 R=1
0 LC L=0
1 3 5 7 9 11 13 15 17 19
Sample
Página 274
_______________FACULTAD DE INGENIRIA
Figura 6.17 Cartas de control X-R de las mediciones del operador en sus dos intentos
Notar que la carta X indica muchos puntos fuera de control, lo cual es normal ya que se espera que
el instrumento distinga las diferentes unidades de producto. La carta R representa las
diferencias entre mediciones de la misma unidad con el mismo instrumento. En este caso la carta
R está en control, indicando que el operador no tiene dificultad para realizar las mediciones en
forma consistente. Si hubiera puntos fuera de control, indica que el operador tiene dificultad para
utilizar el instrumento.
R 1.0
instrumento 0.887
d 2 1.128
En este caso, 6instrumento = 6 (0.887) = 5.32, de tal forma que 2.66 de error de medición se puede
asignar al error del instrumento de medición.
P 6 instrumento
(6.14)
T LSE LIE
P 6(0.887) 5.32
0.097
T 60 5 55
Los valores de P/T menores a 0.1 implican una capacidad adecuada del instrumento de medición.
Basado en su precisión debe ser al menos de 0.1 de la tolerancia de la característica evaluada.
Página 275
_______________FACULTAD DE INGENIRIA
La variabilidad total de los datos de las mediciones incluyen la variabilidad del producto y las del
instrumento de medición. Por tanto,
total
2
S2
2producto total
2
instrument
2
o
total
2
S 2 = 3.17 x 3.17 = 10.0615
2producto total
2
instrument
2
o = 10.0615 – 0.7867 = 9.2748
= 3.045
instrumento
x100 (6.15)
producto
Página 276
_______________FACULTAD DE INGENIRIA
Se pueden determinar los componentes del error debidos a diferentes operadores (repetibilidad)
y debidos al instrumento de medición en sí (reproducibilidad).
error
2
.medición repetibilidad reproducibilidad
2 2
(6.16)
Ejemplo 6.9 Se tienen los datos de mediciones de 20 partes por 3 operadores, haciendo 2 intentos
cada uno como sigue.
PARTS OP1IN1 OP1IN2 RANGO1 OP2IN1 OP2IN2 RANGO2 OP3IN1 OP3IN2 RANGO3
1 21 20 1 20 20 0 19 21 2
2 24 23 1 24 24 0 23 24 1
3 20 21 1 19 21 2 20 22 2
4 27 27 0 28 26 2 27 28 1
5 19 18 1 19 18 1 18 21 3
6 23 21 2 24 21 3 23 22 1
7 22 21 1 22 24 2 22 20 2
8 19 17 2 18 20 2 19 18 1
9 24 23 1 25 23 2 24 24 0
10 25 23 2 26 25 1 24 25 1
11 21 20 1 20 20 0 21 20 1
12 18 19 1 17 19 2 18 19 1
13 23 25 2 25 25 0 25 25 0
14 24 24 0 23 25 2 24 25 1
15 29 30 1 30 28 2 31 30 1
16 26 26 0 25 26 1 25 27 2
17 20 20 0 19 20 1 20 20 0
18 19 21 2 19 19 0 21 23 2
19 25 26 1 25 24 1 25 25 0
20 19 19 0 18 17 1 19 17 2
1 1
R ( R1 R 2 R 3 ) (1.0 1.25 1.20) 1.15
3 3
Página 277
_______________FACULTAD DE INGENIRIA
R 1.15
repetibilidad 1.02 tomando d2 para n=2 lecturas
d 2 1.128
x max max( x1 , x 2 , x 3 )
x min min( x1 , x 2 , x 3 )
R x max x min
x
Rx
reproducibilidad considerando el número de operadores.
d2
instrument
2
.medición repetibilidad reproducibilidad = 1.02 + 0.19 = 1.08
2 2 2 2
instrumento.medición = 1.04
Por otra parte utilizando el paquete Minitab se obtuvieron las respuestas siguientes (tomando
5.15 sigmas):
Página 278
_______________FACULTAD DE INGENIRIA
Gage name: DISPOSITIVO DE PRUEBA
Date of study: 20 JULIO 2000
Reported by: P. REYES
Tolerance: 5
Misc:
%Contribution
Source Variance (of Variance)
Página 279
_______________FACULTAD DE INGENIRIA
6.6.3 R&R Capacidad de los sistemas de medición -
AIAG
En muchas ocasiones las organizaciones no consideran el impacto de no
tener sistemas de medición de calidad, el hecho de que las mediciones no
sean exactas puede llevar a cometer errores en el cálculo, y en los análisis y
conclusiones de los estudios de capacidad de los procesos.
Cuando los operadores no miden una pieza de manera consistente, se puede caer en el riesgo de
rechazar artículos que están en buen estado o aceptar artículos que están en mal estado. Por otro
lado si los instrumentos de medición no están calibrados correctamente también se pueden
cometer errores. Cuando sucede lo mencionado anteriormente tenemos un sistema de medición
deficiente que puede hacer que un estudio de capacidad parezca insatisfactorio cuando en
realidad es satisfactorio. Lo anterior puede tener como consecuencia gastos innecesarios de
reproceso al reparar un proceso de manufactura o de servicios, cuando la principal fuente de
variación se deriva del sistema de medición.
Posibles Fuentes de la Variación del Proceso
Variación
Variación deldel proceso,
proceso, real
real Variación de la medición
Calibración
Página 280
_______________FACULTAD DE INGENIRIA
Definiciones
Reproducibilidad: Es la variación, entre promedios de las mediciones hechas por diferentes
operadores que utilizan un mismo instrumento de medición cuando miden las mismas
características en una misma parte.
Operador-B
Operador-C
Operador-A
Reproducibilidad
REPETIBILIDAD
Página 281
_______________FACULTAD DE INGENIRIA
Valor verdadero: Valor correcto teórico / estándares NIST34
Precisión: Es la habilidad de repetir la misma medida cerca o dentro de una misma zona
- Estabilidad: es la variación total de las mediciones obtenidas con un sistema de medición, hechas
sobre el mismo patrón o sobre las mismas partes, cuando se mide una sola de sus características,
durante un período de tiempo prolongado.
Tiempo 2
Tiempo 1
34
·En EUA se tiene el NIST (National Institute of Standards ando Technology),En México
se tiene el CENEAM o el Centro Nacional de Metrología
Página 282
_______________FACULTAD DE INGENIRIA
Linealidad: diferencia en los valores de la escala, a través del rango de operación esperado del
instrumento de medición.
Valor Valor
verdadero verdadero
Sesgo Sesgo
Menor mayor
Valor
Verdadero
Sesgo
Página 283
_______________FACULTAD DE INGENIRIA
<10% Aceptable
10-30%. Puede ser aceptable, para características no críticas.
>30%. ¡Inaceptable!
En otras industrias fuera de la automotriz se acepta un error total de R&R del 25% como máximo.
En cualquier problema que involucre mediciones, algunas de las variaciones observadas son
debidas al proceso y otras son debidas al error o variación en los sistemas de medición. La
variación total es expresada de la siguiente manera:
Es un método que proporciona un valor aproximado del error R&R sin que muestre las diferencias
entre errores por el equipo y por los operadores.Se usan dos evaluadores y cinco partes. Cada
evaluador mide cada parte una sola vez.Se calcula el rango de la medición de cada parte y al final
el rango promedio.
La desviación estándar de R&R se aproxima con la formula de rango medio entre d2*. El % de R&R
se calcula comparando la desv. Estándar de R&R con la del proceso
Página 284
_______________FACULTAD DE INGENIRIA
Página 285
_______________FACULTAD DE INGENIRIA
Estudio de R&R Método largo
• Generalmente intervienen de dos a tres operadores
• Generalmente se toman 10 unidades
• Cada unidad es medida por cada operador, 2 ó 3 veces.
La resolución del equipo de medición debe ser de al menos el 10% del rango de tolerancia o
del rango de variación 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 variación)
Página 286
_______________FACULTAD DE INGENIRIA
6. Repita los pasos 3-4 hasta completar el número requerido de ensayos
7. Determine las estadísticas del estudio R&R
Repetibilidad
Reproducibilidad
% R&R
Desviaciones estándar de cada uno de los conceptos mencionados
Análisis del porcentaje de tolerancia
8. Analice los resultados y determine las acciones a seguir si las hay.
Página 287
ESTUDIO DE REPETIBILIDAD Y REPRODUCIBILIDAD ( R & R )
MÉTODO LARGO
Aseguramiento de Calidad
RECOLECCIÓN DE DATOS
Página 288
8 0.0050 0.0050 0.0050 - 0.0050 0.0050 0.0050 0.0050 - 0.0050 0.0060 0.0050 0.0050 0.0010 0.0053 0.005111
9 0.0050 0.0045 0.0050 0.0005 0.0048 0.0045 0.0045 0.0050 0.0005 0.0047 0.0055 0.0045 0.0045 0.0010 0.0048 0.004778
10 0.0040 0.0040 0.0040 - 0.0040 0.0040 0.0040 0.0040 - 0.0040 0.0045 0.0045 0.0045 - 0.0045 0.004167
Totales 0.0470 0.0475 0.0455 0.0035 0.0467 0.0485 0.0465 0.0465 0.0040 0.0472 0.0500 0.0470 0.0460 0.0050 0.0477 Xp= 0.004717
Suma 0.1400 RA : 0.00035 Suma 0.1415 RB : 0.0004 Suma 0.1430 RC : 0.0005 Rp = 0.000944
XA : 0.004666667 XB : 0.004716667 XC : 0.004766667
Nota : Las constantes y las formulas estan establecidas para 3 intentos y 3 operadores
_______________FACULTAD DE INGENIRIA
_______________FACULTAD DE INGENIRIA
Página 289
ESTUDIO DE REPETIBILIDAD Y REPRODUCIBILIDAD ( R & R )
MÉTODO LARGO
RECOLECCIÓN DE DATOS
Página 290
9
10
Totales X p=
Suma RA : Suma RB : Suma RC : Rp =
XA : XB : XC :
Nota : Las constantes y las formulas estan establecidas para 3 intentos y 3 operadores
_______________FACULTAD DE INGENIRIA
_______________FACULTAD DE INGENIRIA
Página 291
_______________FACULTAD DE INGENIRIA
R= X Diff = Rp =
2 4.56 % EV vs Tol. =
3 3.05
Reproducibilidad - Variación del Operador (AV) % AV = 100 [AV/TV]
2 2 1/2
AV = [(XDiff x K2) - (EV /nr)] % AV =
AV =
AV = % AV vs Tol =
AV =
AV = n= 10
AV = r= 3
OPERADOR 2 3 n= Numero de Partes
K2 3.65 2.7 r = Numero de Intentos
Repetibilidad y Reproducibilidad ( R & R ) % de R & R = 100 [ R & R /TV ]
2 2 1/2
R & R = [EV + AV ] % de R & R =
2
R&R = 0 PARTES K3 % de R & R vs Tol =
R&R= 2 3.65
Variación de la Parte ( PV ) 3 2.7 % PV = 100 [ PV/TV ]
PV = RP x K3 4 2.3 % PV =
PV = 5 2.08
6 1.93
7 1.82
VARIACIÓN TOTAL ( TV ) 8 1.74 Categoria de Datos
2 2 1/2
TV = ( R & R + PV ) 9 1.67 d2 = 1.693
TV = 0 10 1.62 PV / R&R x d2=
TV =
Observaciones : Se toma la dimención de menor valor FIRMA DE AUTORIZACIÓN
Página 292
_______________FACULTAD DE INGENIRIA
Una vez colectados los datos proceder a realizar la carta de rango R y observar que esté en control,
de otra forma repetir las mediciones para ese operador y parte específica errónea.
Ahora revisar la carta X media, debe tener al menos el 50% de puntos fuera de control indicando
que identifica las variaciones en las diferentes partes presentadas:
LSCX = 0.005143 X= 0.004717 LICX = 0.004290417
LS
CX
X
LICX
Se procede posteriormente a determinar los errores o variabilidad del sistema de medición con la
hoja de trabajo siguiente, calculando los campos con sombra gris:
Página 293
_______________FACULTAD DE INGENIRIA
Página 294
_______________FACULTAD DE INGENIRIA
Interpretación de los resultados
1. El porcentaje de error R&R no debe exceder del 10%, si el equipo se usa para liberar producto
terminado la referencia es la tolerancia del cliente; si el equipo se usa para control del proceso, la
referencia es la variación total del proceso.
2. El número de categorías debe ser de al menos 4 indicando que el equipo distingue las partes
que son diferentes.
Ejemplo 2 (MINITAB)
Primero se visualizan las mediciones replicadas de cada operador en cada parte como sigue:
0.6
Response
0.4
6 7 8 9 10
1.0
0.8 Mean
0.6
0.4
Operator
Panel variable: Part 34
Figura 6.27 Gráfica que muestra el comportamiento de las mediciones de los operadores
Método X Barra - R
Se seleccionan 10 muestras de un proceso de manufactura, cada parte es medida dos veces por
tres operadores. Realice un estudio R&R mediante el método Xbar-R.
Página 295
_______________FACULTAD DE INGENIRIA
Capture los datos en la hoja de trabajo de Minitab en tres columnas C1, C2, C3
Página 296
_______________FACULTAD DE INGENIRIA
10 1 0.004 10 2 0.004 10 3 0.0045
1 1 0.0045 1 2 0.0045 1 3 0.0045
2 1 0.0045 2 2 0.0045 2 3 0.0045
3 1 0.0045 3 2 0.0045 3 3 0.004
4 1 0.0045 4 2 0.005 4 3 0.005
5 1 0.0045 5 2 0.004 5 3 0.004
6 1 0.0045 6 2 0.005 6 3 0.005
7 1 0.0045 7 2 0.005 7 3 0.005
8 1 0.005 8 2 0.005 8 3 0.005
9 1 0.005 9 2 0.005 9 3 0.0045
10 1 0.004 10 2 0.004 10 3 0.0045
%Contribution
Source VarComp (of VarComp)
Total Gage R&R 0.0000001 41.00
Repeatability 0.0000001 40.52
Reproducibility 0.0000000 0.48
Part-To-Part 0.0000001 59.00
Total Variation 0.0000001 100.00
Página 297
_______________FACULTAD DE INGENIRIA
Por otro lado el número de categorías es sólo de 1 cuando debe ser al menos 4 indicando que el
instrumento discrimina las diversas partes diferentes.
% 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
1 2 3
Datos by Operadores
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
La gráfica X barra sólo presenta 5 de 30 puntos fuera de control, lo cual debería ser al menos el
50%, indicando que el equipo no discrimina las diferentes partes.
Página 298
_______________FACULTAD DE INGENIRIA
Seleccione en el menú de la barra de herramientas STAT>QUALITY TOOLS>GAGE STUDY >
Gage R&R (Crossed)
Seleccione C1 (parte), C2 (operador), C3 (Medición)
Método de Análisis ANOVA
En Options Seleccionar: Staudy variation 5.15 Process tolerante 0.006 Alfa to remove
interaction 0.25
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
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
Study Var %Study Var
%Tolerance
Página 299
_______________FACULTAD DE INGENIRIA
Source StdDev (SD) (5.15 * SD) (%SV)
(SV/Toler)
Total Gage R&R 0.0003150 0.0016222 71.36
27.04
Repeatability 0.0003150 0.0016222 71.36
27.04
Reproducibility 0.0000000 0.0000000 0.00
0.00
Operadores 0.0000000 0.0000000 0.00
0.00
Part-To-Part 0.0003092 0.0015923 70.05
26.54
Total Variation 0.0004414 0.0022731 100.00
37.88
% 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
1 2 3
Datos by Operadores
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
Página 300
_______________FACULTAD DE INGENIRIA
Estudios de R&R por atributos
Ejemplo 4.
Se utiliza el análisis de acuerdo por atributos para evaluar las calificaciones nominales u ordinales
proporcionadas por varios evaluadores. Las mediciones son calificaciones subjetivas de la gente
en vez de mediciones físicas. Algunos ejemplos incluyen:
Calificaciones de desempeño de los automóviles
Clasificación de calidad de las fibras como “buena” o “mala”.
Calificaciones de color, aroma y gusto del vino en una escala de 1 a 10.
En estos casos la característica de calidad es difícil de definir y evaluar. Para obtener clasificaciones
significativas, más de un evaluador debe calificar la medición de respuesta. Si los evaluadores
están de acuerdo, existe la posibilidad de que las apreciaciones sean exactas. Si hay
discrepancias, la utilidad de la evaluación es limitada.
Los datos pueden ser texto o numéricos. Las calificaciones asignadas pueden ser Nominales u
ordinales.
Los datos nominales son variables categóricas que tienen dos o más niveles sin orden natural. Por
ejemplo, los niveles en un estudio de gustación de comida que puede incluir dulce, salado o
picoso.
Los datos ordinales son variables categóricas que tienen tres o más niveles con ordenamiento
natural, tales como: en desacuerdo total, en desacuerdo, neutral, de acuerdo, y completamente
de acuerdo.
Página 301
_______________FACULTAD DE INGENIRIA
4. Ingresa los datos en el archivo Attribute Gage R&R.xls para cuantificar la efectividad del sistema
de medición.
Muestra Atributo Persona 1A Persona 1B Persona 2A Persona 2B
1 G G G G G
2 G G G G G
3 G G G G G
4 G G G G G
5 G G G G G
6 G NG G G G
7 G G G G G
8 G G G G G
9 NG G G NG NG
10 NG NG NG G G
11 G G G G G
12 G G G G G
13 NG NG NG NG NG
14 G G G G G
15 G G G G G
16 G G G G G
17 NG NG NG NG NG
18 G G G G G
19 G G G G G
20 G G G G G
Página 302
_______________FACULTAD DE INGENIRIA
Attribute Agreement Analysis Persona 1A, Persona 1B, Persona 2A,
Persona 2B
Within Appraisers
Appraiser # Inspected # Matched Percent 95 % CI
1 20 19 95.00 (75.13, 99.87)
2 20 20 100.00 (86.09, 100.00)
# Matched: Appraiser agrees with him/herself across trials.
Fleiss' Kappa Statistics
Appraiser Response Kappa SE Kappa Z P(vs > 0)
1 G 0.82684 0.223607 3.69774 0.0001
NG 0.82684 0.223607 3.69774 0.0001
2 G 1.00000 0.223607 4.47214 0.0000
NG 1.00000 0.223607 4.47214 0.0000
Each Appraiser vs Standard
Appraiser # Inspected # Matched Percent 95 % CI
1 20 18 90.00 (68.30, 98.77)
2 20 19 95.00 (75.13, 99.87)
Between Appraisers
# Inspected # Matched Percent 95 % CI
20 17 85.00 (62.11, 96.79)
Fleiss' Kappa Statistics
Response Kappa SE Kappa Z P(vs > 0)
G 0.663222 0.0912871 7.26524 0.0000
NG 0.663222 0.0912871 7.26524 0.0000
All Appraisers vs Standard
# Inspected # Matched Percent 95 % CI
20 17 85.00 (62.11, 96.79)
# Matched: All appraisers' assessments agree with the known standard.
Fleiss' Kappa Statistics
Response Kappa SE Kappa Z P(vs > 0)
G 0.792005 0.111803 7.08391 0.0000
NG 0.792005 0.111803 7.08391 0.0000
Página 303
_______________FACULTAD DE INGENIRIA
Date of study:
Assessment Agreement
Reported by:
Name of product:
Misc:
95 95
90 90
Percent
Percent
85 85
80 80
75 75
70 70
1 2 1 2
Appraiser Appraiser
Figura 6.30 Resultados del estudio de R&R comparativo por atributos por avaluador
Interpretación de Resultados
% del Evaluador es la consistencia de una persona.
% Evaluador vs Atributo es la medida de el acuerdo que hay entre la evaluación del
operador y la del “experto”.
% de Efectividad de Selección es la medida de el acuerdo que existe entre los operadores.
% de Efectividad de Selección vs. el Atributo es una medida general de la consistencia
entre los operadores y el acuerdo con el “experto”.
Página 304
_______________FACULTAD DE INGENIRIA
Ejemplo 5.
Una empresa está entrenando a cinco evaluadores para la porción escrita de un examen estándar
de doceavo grado. Se requiere determinar la habilidad de los evaluadores para calificar el examen
de forma que sea consistente con los estándares. Cada uno de los evaluadores califica 15
exámenes en una escala de cinco puntos (-2, -1, 0, 1, 2):
1 Abrir el archivo File > Openworksheet > ESSAY.MTW.
2 Seleccionar Stat > Quality Tools > Attribute Agreement Analysis.
3 En Attribute column, poner Rating.
4 En Samples, poner Sample.
5 En Appraisers, poner Appraiser.
6 En Known standard/attribute, poner Attribute.
7 Checar Categories of the attribute data are ordered y poner OK
Página 305
_______________FACULTAD DE INGENIRIA
Duncan 4 -2 -2 Montgomery 12 0 0
Hayes 4 -2 -2 Holmes 12 0 0
Simpson 5 0 0 Duncan 12 -1 0
Montgomery 5 0 0 Hayes 12 0 0
Holmes 5 0 0 Simpson 13 2 2
Duncan 5 -1 0 Montgomery 13 2 2
Hayes 5 0 0 Holmes 13 2 2
Simpson 6 1 1 Duncan 13 2 2
Montgomery 6 1 1 Hayes 13 2 2
Holmes 6 1 1 Simpson 14 -1 -1
Duncan 6 1 1 Montgomery 14 -1 -1
Hayes 6 1 1 Holmes 14 -1 -1
Simpson 7 2 2 Duncan 14 -1 -1
Montgomery 7 2 2 Hayes 14 -1 -1
Holmes 7 2 2 Simpson 15 1 1
Duncan 7 1 2 Montgomery 15 1 1
Hayes 7 2 2 Holmes 15 1 1
Simpson 8 0 0 Duncan 15 1 1
Montgomery 8 0 0 Hayes 15 1 1
Holmes 8 0 0
Página 306
_______________FACULTAD DE INGENIRIA
Between Appraisers
Assessment Agreement
Coef Chi - Sq DF P
0.966317 67.6422 14 0.0000
Assessment Agreement
Página 307
_______________FACULTAD DE INGENIRIA
Date of study :
Assessment Agreement
Reported by :
Name of product:
Misc:
Appraiser vs Standard
100 95.0% C I
P ercent
80
60
Percent
40
20
0
Duncan Hayes Holmes Montgomery Simpson
Appraiser
Interpretación de resultados
Minitab muestra tres tablas como sigue: Cada evaluador vs el estándar, Entre evaluadores y Todos
los evaluadores vs estándar. Los estadísticos de Kappa y Kendall también se incluyen en cada una
de las tablas. En general estos estadísticos sugieren buen acuerdo.
El coeficiente de Kendall entre evaluadores es 0.966317 (p = 0.0); para todos los evaluadores vs
estándar es 0.958192 (p = 0.0). Sin embargo la observación del desempeño de Duncan y Haues
indica que no se apegan al estándar.
La gráfica de Evaluadores vs. Estándar proporciona una vista gráfica de cada uno de los
evaluadores vs el estándar, pudiendo comparar fácilmente la determinación de acuerdos para los
cinco evaluadores.
Método sencillo
Página 308
_______________FACULTAD DE INGENIRIA
Tomar 50 piezas, 40 de las cuales dentro de especificaciones y 10 fuera de especificaciones
Si no coinciden todos los operadores en al menos el 90%, los dispositivos o gages “pasa, no pasa”
no son confiables
Página 309
_______________FACULTAD DE INGENIRIA
Se ha estado utilizando para calificar los lotes de proveedores, sin embargo ha estado siendo
desplazado por métodos preventivos como el CEP y el diseño de experimentos.
Muestra n
Lote N
Página 310
_______________FACULTAD DE INGENIRIA
Página 311
_______________FACULTAD DE INGENIRIA
Existen diversas clasificaciones de estos planes, una de ellas es la de variables y atributos. Una
característica se expresa en variables si se puede medir, o en atributos si se califica como “pasa no
pasa”.
Un plan de muestreo doble implica que después de tomar una muestra e inspeccionar, se toma
una decisión de (1) rechazar, (2) aceptar o (3) tomar una segunda muestra, si esto sucede, se
combina la información de la primera y de la segunda para tomar una decisión.
Un plan de muestreo múltiple es una extensión del doble, en el cual más de dos muestras pueden
ser necesarias antes de tomar una decisión. Los tamaños de estas muestras son más pequeños
que en el muestreo doble.
El muestreo secuencial implica la selección de unidades del lote, una por una, tomando decisiones
de aceptar o rechazar el lote después de un cierto número de unidades.
Se pueden desarrollar planes de muestreo que produzcan resultados similares con cualquiera de
las modalidades anteriores.
FORMACIÓN DE LOTES
1. Deben ser homogéneos, las unidades deben ser producidas por las mismas corridas de
producción, en condiciones similares. Es difícil tomar acciones correctivas para lotes
mezclados.
2. Lotes grandes son preferibles a lotes pequeños, dado que la inspección es más eficiente.
Página 312
_______________FACULTAD DE INGENIRIA
3. Los lotes deben manejarse en forma similar con el proveedor y con el cliente, las partes deben
estar empacadas adecuadamente para evitar riesgos de daño y permitir la selección de
muestra en forma sencilla.
MUESTREO ALEATORIO
Las muestras deben ser representativas del lote, no deben tomarse sólo partes de las capas
superiores, sino de preferencia numerar las partes con un número y seleccionar con tablas de
números aleatorios o también se puede estratificar el lote.
Procedimiento Procedimiento
Objetivos por atributos por Variables
Página 313
_______________FACULTAD DE INGENIRIA
Los clientes están enfocados a mejorar la calidad de sus proveedores, seleccionando a los mejores
y trabajando en forma cercana para reducir su variabilidad, con técnicas de control estadístico del
proceso. El muestreo de aceptación se utiliza mientras se mejora la calidad con el proveedor.
La curva OC
Pa
1 Curva característica de
0.8 Operación dado una
0.5 Tamaño de muestra n
0.3 y un criterio de aceptación c
0.1
0.05 0.1 0.15 0.2 0.25 0.3 p Prov.
Página 314
_______________FACULTAD DE INGENIRIA
Esto mismo se puede aproximar por la distribución de Poisson para efectos prácticos.
Se puede usar Excel para los cálculos, un ejemplo utilizando la distribución binomial acumulada
(opción VERDADERA en Excel) se muestra a continuación:
0.05 0.279
0.7
0.06 0.190
0.6
0.07 0.126
0.08 0.083 0.5
0.1 0.034
0.3
0.11 0.021
0.2
0.12 0.013
0.13 0.008 0.1
0.14 0.005 0
0.01
0.02
0.03
0.04
0.05
0.06
0.07
0.08
0.09
0.11
0.12
0.13
0.14
0.15
0.16
0.17
0.18
0.19
0.1
0.2
0.15 0.003
0.16 0.002 p
0.17 0.001 Traza la curva OC Tipo B para el plan de muestreo ùnico n=50 y c=1.
0.18 0.001
0.19 0.000
0.2 0.000
Página 315
_______________FACULTAD DE INGENIRIA
En este caso si los lotes tienen un 2% de defectivo, su probabilidad de aceptación es de 0.74.
Significa que de cada 100 lotes recibidos, se aceptarán 74 y se rechazarán 26.
Pa
c=0, 1,
2
n =
n = 50, 100, c n = 200,
p c=2 =2 c=2
0.005 0.997944 0.9859 0.920161
0.01 0.986183 0.9206 0.676679
Página 316
_______________FACULTAD DE INGENIRIA
0.02 0.921572 0.6767 0.235148
0.03 0.810798 0.4198 0.059291
0.04 0.676714 0.2321 0.012489
0.05 0.540533 0.1183 0.002336
0.06 0.416246 0.0566 0.0004
0.07 0.310789 0.0258 6.40E-05
0.08 0.225974 0.0113 9.66E-06
0.09 0.16054 0.0048 1.39E-06
Pa
n=50, 100,
200 2
Por otra parte el consumidor quiere rechazar los lotes en la mayoría de los casos cuando tengan
una fracción defectiva de a lo más un porcentaje defectivo tolerable en el lote (LTPD),
normalmente esta fracción defectiva corresponde a una probabilidad de aceptación del 10% o
rechazo del 90% de las veces. También se el denomina Nivel de Calidad Rechazable.
CURVAS OC TIPO A y B.
Página 317
_______________FACULTAD DE INGENIRIA
La curva OC tipo B utiliza la distribución binomial o de Poisson cuando n/N < 0.1, sin embargo en
los niveles donde n/N=0.1 ambas curvas A o B son muy parecidas.
En este método se especifican 2 puntos por los que debe pasar la curva OC, uno de ellos tiene
coordenadas (p1, 1-) y el otro (p2 , ), con p1 > p2 . Se utiliza el nomograma Binomial para
encontrar los valores de n y c para el plan.
En el nomograma se hacen coincidir con una línea recta el valor de p1 en el eje vertical izquierdo
con 1- en el eje vertical derecho, y con otra línea recta se hace coincidir p2 en el eje vertical
izquierdo con en el eje vertical derecho. En el punto de cruce se encuentra el valor de n y de c
del plan de muestreo simple. Ver nomograma y ejemplo en la página siguiente.
Inspección rectificadora
Los programas de aceptación por muestreo normalmente requieren acción correctiva cuando los
lotes son rechazados, de tal forma que el proveedor los selecciona al 100% remplazando los
artículos defectivos por buenos. Esta actividad se denomina inspección rectificadora por su
impacto en la calidad de salida final hacia la planta.
9 lotes son
Entrada de 100 aceptados a pesar
n =200
lotes de cierto de tener un 2%
proveedor con Pa c=1
defectivo:
N=10,000 y
Es decir ingresan
p = 0.02
P=0.02 88,820 piezas OK
AOQ
Y 1800 piezas KO
Fig. 7.6 Inspección rectificadora (las piezas malas son reemplazadas y reintegradas al lote)
Suponiendo que los lotes que llegan tienen una fracción defectiva p0 , después de la actividad de
inspección bajo un plan de muestreo, algunos lotes serán aceptados y otros serán rechazados. Los
lotes rechazados serán seleccionados al 100% por el proveedor remplazando los artículos
defectuosos por buenos después se integran a los lotes que ingresan a la planta obteniéndose una
fracción defectiva p1 menor a la original, denominada calidad promedio de salida AOQ, en lotes de
tamaño N se tiene:
Así los lotes después del proceso rectificador, contienen un núemro esperado de defectivos igual a
Pap(N-n) con la cual se puede expresar una fracción defectiva media AOQ como sigue,
Pa p( N n)
AOQ (7.2)
N
Ejemplo 7.1 Suponiendo que N=10,000, c=2 y que la calidad de entrada p=0.01.
Como en la curva característica de operación (para n=89, c=2) cuando p=0.01, Pa = 0.9397,
entonces el AOQ es:
Pa p( N n) (0.9397)(0.01)(10000 89)
AOQ 0.0093
N 10000
AOQ 0.93% en lugar del 1% entrante.
Página 319
_______________FACULTAD DE INGENIRIA
AOQ Pa p (7.3)
Página 320
_______________FACULTAD DE INGENIRIA
CURVA AOQ
p P(A<x<X) AOQ
n=89, c=2
Figura 7.7 Curva de calidad de salida promedio (AOQ)
De la gráfica anterior se observa que la curva AOQ tiene un valor máximo o la peor fracción
defectiva de salida hacia la planta o proceso, que se denomina límite de calidad de salida
promedio AOQL el cual es aproximadamente 0.0155 o 1.55% defectivo.
ATI n (1 Pa )( N n) (7.4)
Ejemplo 7.2 Con N=10000, n=89, c=2 y p=0.01. Como Pa = 0.9397 se tiene:
ATI = 89 + (1-0-9397)(10000 – 89) = 687
Siendo este el total de piezas que en promedio se inspeccionarán por lote, algunas por el cliente
(n) y otras por el proveedor (N-n) en base al plan de muestreo.
Página 321
_______________FACULTAD DE INGENIRIA
Las curvas ATI para diferentes tamaños de lote se muestra a continuación, para n = 89 y c = 2:
ATI
N=10000
N=5000
N=1000
Figura 7.8 Curvas de número de muestras inspeccionadas promedio por el cliente y por el
proveedor
Los planes de Dodge-Romig minimizan el ATI para un AOQL dado, haciendo más eficiente la
inspección por muestreo.
Página 322
_______________FACULTAD DE INGENIRIA
Estos tipos de muestreo son extensiones del muestreo simple, se pueden diseñar curvas CO
equivalentes.
Suponiendo que:
n1 = 50
c1 = 1
n2 = 100
c2 = 3
En la primera muestra de n=50 artículos, se acepta el lote si el total de defectivos d1 <= c1=1,
rechazándose si d1 >c2=3.
Página 323
_______________FACULTAD DE INGENIRIA
En ambas muestras la primera y segunda, la inspección se continua hasta inspeccionar todos los
artículos, por eso se denomina inspección completa, el número promedio de artículos
inspeccionados por muestra ASN es,
ASN n1 n2 (1 P1 ) (7.5)
ASN
Insp. completa
n = cte.
Insp. recortada
Figura 7.9 Diferencias en muestras inspeccionadas por el cliente promedio con inspección
completa y recortada
Por tanto el muestreo doble es más económico que el simple sólo para ciertos valores de p, ya que
si p tiene valores intermedios el ASN es mayor implicando mayores costos de inspección.
Página 324
_______________FACULTAD DE INGENIRIA
La inspección recortada si es más económica sin embargo proporciona menos información acerca
del lote.
Pa
Pa total
Pa
1ª muestra
Pa 2ª muestra
p
Página 325
_______________FACULTAD DE INGENIRIA
Figura 7.10 Probabilidad de aceptar en la primera o en la segunda muestra en muestreo doble
Página 326
_______________FACULTAD DE INGENIRIA
INSPECCIÓN RECTIFICADORA
Cuando se usa el esquema de inspección rectificadora, la curva AOQ está dada por,
{PaI ( N n1 ) PaII ( N n1 n2 )} p
AOQ (7.9)
N
Asumiendo que todos los defectivos son remplazados por artículos buenos en los lotes
rechazados, la curva de inspección total promedio es,
Un muestreo múltiple es una extensión del doble, donde pueden requerirse más de dos muestras
para calificar el lote, por ejemplo un plan de 5 etapas es el siguiente:
Muestra
acumulada Aceptar Rechazar
20 0 3
40 1 4
60 3 5
80 5 7
100 8 9
Una ventaja que tiene es que el tamaño de muestra es más pequeño que en el caso del simple o
del doble, con una mejor eficiencia de inspección. Sin embargo es más complejo de administrar.
Página 327
_______________FACULTAD DE INGENIRIA
MUESTREO SECUENCIAL
Es una extensión de los planes anteriores, aquí se toma una secuencia de muestras del lote, cuya
magnitud será determinada por los resultados del proceso de muestreo. Si el tamaño del subgrupo
inspeccionado en cada etapa es mayor que uno, se denomina muetreo secuencial de grupo, si es
uno, como es nuestro caso, se denomina muestreo secuencial artículo por artículo, basado en
Wald (1947).
En este caso se tienen 2 líneas, una de aceptación y otra de rechazo, teniendo como dato las
coordenadas de la curva OC (p1, 1-) y (p2, ), las ecuaciones de las líneas son:
X RECHAZO h2 sn
1
h1 log k
1
h2 log k (7.12)
p 2 (1 p1 )
k log
p1 (1 p 2 )
1 p1
s log k
1 p2
Ejemplo 7.3 Si p1=0.01, p2=0.06, =0.05, =0.10, se tiene al substituir valores en las ecuaciones
anteriores:
k = 0.80066
h1=1.22
h2=1.57
s=0.028
Página 328
_______________FACULTAD DE INGENIRIA
Haciendo una tabla de valores donde el número de aceptación es el entero más próximo menor
que o igual a XA y el número de rechazo es el entero más próximo superior que o igual a XR.
MUESTREO SECUENCIAL
n Xa Xr Xa Xr n Xa Xr Xa Xr
1 -1.192 1.598 -1 2 24 -0.548 2.242 -1 3
2 -1.164 1.626 -1 2 25 -0.52 2.27 -1 3
3 -1.136 1.654 -1 2 26 -0.492 2.298 -1 3
4 -1.108 1.682 -1 2 27 -0.464 2.326 -1 3
5 -1.08 1.71 -1 2 28 -0.436 2.354 -1 3
6 -1.052 1.738 -1 2 29 -0.408 2.382 -1 3
7 -1.024 1.766 -1 2 30 -0.38 2.41 -1 3
8 -0.996 1.794 -1 2 31 -0.352 2.438 -1 3
9 -0.968 1.822 -1 2 32 -0.324 2.466 -1 3
10 -0.94 1.85 -1 2 33 -0.296 2.494 -1 3
11 -0.912 1.878 -1 2 34 -0.268 2.522 -1 3
12 -0.884 1.906 -1 2 35 -0.24 2.55 -1 3
13 -0.856 1.934 -1 2 36 -0.212 2.578 -1 3
14 -0.828 1.962 -1 2 37 -0.184 2.606 -1 3
15 -0.8 1.99 -1 2 38 -0.156 2.634 -1 3
16 -0.772 2.018 -1 3 39 -0.128 2.662 -1 3
17 -0.744 2.046 -1 3 40 -0.1 2.69 -1 3
18 -0.716 2.074 -1 3 41 -0.072 2.718 -1 3
19 -0.688 2.102 -1 3 42 -0.044 2.746 -1 3
20 -0.66 2.13 -1 3 43 -0.016 2.774 -1 3
21 -0.632 2.158 -1 3 44 0.012 2.802 0 3
22 -0.604 2.186 -1 3 45 0.04 2.83 0 3
23 -0.576 2.214 -1 3 46 0.068 2.858 0 3
Página 329
_______________FACULTAD DE INGENIRIA
En este caso no se puede tomar una decisión de aceptación hasta que hayan transcurrido las
suficientes muestras, que hagan que la línea de aceptación tenga valores positivos en Xa, 44 en
este caso, y no se puede rechazar hasta en la 2ª. Muestra.
Página 330
_______________FACULTAD DE INGENIRIA
No. de
defectos Línea de
acumulado aceptación
s
3
2 Línea de
Rechazo
1
Número
0 20 40 60 de
-1 muestras
CURVA OC y ASN
Para esta curva se incluyen 3 puntos, (p1, 1-), (p2, ) y el punto medio de la curva en p=s y Pa = h2
/(h1+h2). Las muestras inspeccionadas promedio son:
A B
ASN Pa (1 Pa ) (7.13)
C C
Donde,
A log
1
1
B log
p 1 p2
C p log 2 (1 p) log
p1 1 p1
INSPECCIÓN RECTIFICADORA
La calidad media de salida AOQ Pap y el número promedio de muestras inspeccionadas total es:
Página 331
_______________FACULTAD DE INGENIRIA
A
ATI Pa (1 Pa ) N (7.14)
C
Página 332
_______________FACULTAD DE INGENIRIA
7.4 TABLAS DE MUESTREO MIL-STD-105E (ANS Z1.4, ISO 2859)
Descripción de la norma
Esta norma se desarrolló durante la segunda guerra mundial emitiéndose en 1950 con la versión
A. La versión D se publicó en 1963 y en 1971 fue adoptada por la ANSI con pequeños cambios
como la Z1.4 y en 1973 fue adoptada por la ISO como la norma ISO 2859. En 1989 se liberó la
versión E.
- Inspección normal.
- Inspección estricta.
- Inspección reducida.
Se inicia con la inspección normal, se pasa a estricta cuando se observa mala calidad del
proveedor y se usa la reducida cuando la calidad del proveedor es buena, reduciendo los
tamaños de muestra.
El punto focal de la norma es el AQL (nivel de calidad aceptable entre 0.1% y 10%),
negociado entre cliente y proveedor. Los valores típicos de AQL para defectos mayores es
de 1%, 2.5% para defectos menores y 0% para defectos críticos. Cuando se utiliza para
planes de defectos por unidad se tienen 10 rangos adicionales de AQLs hasta llegar a 1000
defectos por cada 100 unidades, los noveles pequeños de AQL se pueden utilizar tanto
para controlar fracción defectiva como defectos por unidad.
Página 333
_______________FACULTAD DE INGENIRIA
El tamaño de muestra en el estándar está determinado por el tamaño del lote y por la
selección del nivel de inspección. Se proporcionan tres niveles de inspección, donde el
nivel II se considera normal; el nivel I requiere alrededor de la mitad de la inspección del
nivel II y se usa cuando se requiere menos discriminación; el nivel III requiere alrededor del
doble de inspección del nivel II, y se usa cuando se requiere más discriminación. Hay
también cuatro niveles especiales de inspección, S-1, S-2, S-3 y S-4, estos usan tamaños de
muestra muy pequeños y sólo deben usarse cuando los riesgos grandes del muestreo sean
aceptables.
Para un AQL específico, un nivel de inspección y un tamaño de lote dado, el estándar MIL-
STD-105E proporciona un plan de muestreo normal que se utilizará conforme el proveedor
produzca productos con calidad AQL o mejor. También proporciona un mecanismo de
cambio de cambio a inspección estricta o reducida como se ilustra en la figura y se
describe a continuación.
Página 334
_______________FACULTAD DE INGENIRIA
4. Reducida a normal. Cuando se tiene inspección reducida, la inspección normal se instituye
cuando se cumple cualquiera de las condiciones siguientes:
a. Un lote es rechazado.
b. Cuando el procedimiento de muestreo termina sin decisión de aceptación o rechazo, el
lote se acepta pero se cambia a inspección normal en el próximo lote.
c. La producción es irregular o se retarda en entregas.
d. Otras condiciones que fuercen a cambiar a la inspección normal.
10 lotes aceptados
Producción regular
2 de 5.
Aprobado por la autoridad Lotes consecutivos.
responsable. No aceptados.
Se rechaza un Lote
Lotes aceptados con no
5 consecutivos.
conformidades encontrándose entre
Lotes aceptados
Ac y Re del plan, o
Producción irregular
Otras condiciones de detección.
10 Lotes consecutivos aceptados
Página 335
_______________FACULTAD DE INGENIRIA
1.2
0.8
0.6
0.4
0.2
0
0.00 0.01 0.01 0.01 0.02 0.02 0.02 0.03 0.03 0.03 0.04 0.04 0.04 0.05 0.05
PROCEDIMIENTO
Los pasos a seguir para el uso de las normas es el siguiente:
Página 336
_______________FACULTAD DE INGENIRIA
Para el caso de muestreo doble con los datos anteriores, la letra código es K y de las III-A, III-B y
III-C se obtienen los planes de inspección normal (n1= n2=80, c1a=0, cir=3, c2a=3), estricta (mismas
que n1 y n2, c1a=0, cir=2, , c2a=1, c2r=2) y reducida (n1= n2=32, c1a= c2a=0, c2r=3, c2r=4).
DISCUSIÓN
Todas las curvas OC son tipo B, también se proporcionan curvas para el ASN y datos del AOQL.
El estándar MIL-STD-105E está orientado al AQL, se enfoca al lado de riesgo del productor de la
curva OC, la parte restante de la curva depende de la selección del nivel de inspección. Los
tamaños de muestra seleccionados son 2, 3, 5, 8, 13, 20, 32, 50, 80, 125, 200, 315, 500, 800, 1250
y 2000.
Si se grafica el tamaño medio del rango de lotes contra el logaritmo del tamaño de muestra se
obtiene una recta hasta n=80 y después una recta con una pequeña pendiente. Como la razón de
N a n es decreciente conforme aumenta N se economiza en la inspección.
El estándar civil ANSI/ASQC Z1.4 o ISO 2859 es la contraparte del estándar MIL-STD-105E,
difiriendo en que:
Página 337
_______________FACULTAD DE INGENIRIA
4. Hay una descripción detallada de los planes de muestreo simples.
5. Se proporciona un esquema ilustrando las reglas de cambio en inspección.
Página 338
_______________FACULTAD DE INGENIRIA
NOTA: Si se ha excedido el número de aceptación, sin alcanzar el número de rechazo, aceptar el lote pero regresar a la inspección normal
.
Figura 7.14 Tablas de muestreo simple por atributos
Página 339
_______________FACULTAD DE INGENIRIA
Los planes anteriores basados en AQL no son adecuados para el caso del ensamble de productos
complejos. La tabla siguiente muestra la fracción defectiva en ppm dependiendo del AQL
“aceptable”.
AQL ppm
10% 100,000
1% 10,000
0.10% 1,000
0.01% 100
0.00% 10
0.00% 1
Ejemplo 7.5 Un equipo que tiene 100 componentes y que sus componentes tienen en promedio
un AQL = 0.5% , por tanto la probabilidad de que el equipo trabaje es de:
Por tanto es obvio que se requieran planes de protección del LTPD, aun cuando el AQL sea muy
bajo. Para esto se utilizan los planes de Dodge-Romig principalmente para inspección de sub-
ensambles.
Los planes de Dodge-Romig de AOQL y LTPD están diseñados para minimizar la inspección total
promedio (ATI).
Para ambos se tiene una tabla de muestreo doble y simple. Son útiles cuando el rechazo medio
del proceso es bajo (alrededor de 100 ppm).
Página 340
_______________FACULTAD DE INGENIRIA
Página 341
_______________FACULTAD DE INGENIRIA
Planes de AOQL
Las tablas de Dodge-Romig (1959) tienen planes para valores de AOQL de 0.1%, 0.25%, 0.75%,
1%, 1.5%, 2.5%, 3%, 4%, 5%, 7% y 10% en cada una se especifican seis valores para medias de
proceso. Se tienen planes para muestreo simple y doble.
Ejemplo 7.5 De la tabla para AQOL=3%; para N= 5,000, AOQL= 3% y la fracción disconforme del
proveedor del 1%.
De la tabla 13.21 se obtiene n=65, c=3, LTPD=10.3%. Da una seguridad del 90% de que serán
rechazados los lotes que tengan desde un 10.3% defectuoso.
Planes de LTPD
Se diseñaron de tal forma que la probabilidad de aceptación del LTPD sea 0.1. Se proporcionan
tablas para valores de LTPD de 0.5%, 1%, 2%, 3%, 4%, 5% 7% y 10%.
Ejemplo 7.6 Suponiendo N=5,000 con fracción promedio de defectivos del proveedor de 0.25%
de productos no conformes y el LTPD=1%.
De la tabla 13.23, el plan obtenido es n=770 y c=4, si los lotes rechazados son seleccionados al
100% y los artículos defectuosos se reemplazan por artículos buenos, el AOQL=0.28%.
Página 342
_______________FACULTAD DE INGENIRIA
Cuando el promedio del proceso es mayor que la mitad del LTPD, la inspección 100% es mejor
económicamente.
Página 343
_______________FACULTAD DE INGENIRIA
8. MUESTREO DE ACEPTACIÓN POR VARIABLES
Ventajas y desventajas
La principal ventaja del muestreo por variables es que se puede obtener la misma curva
característica de operación con tamaño de muestra menor que el que requeriría un plan por
atributos. Otra ventaja es que los datos por variables proporcionan más información del proceso
que los atributos. Cuando los AQLs son muy pequeños (del orden de ppm), el tamaño de muestra
requerido en el caso de muestreo por atributos es muy grande y por variables muy pequeño.
Cuando la inspección es del tipo destructivo, los planes por variables si se aplican son más
económicos.
Como desventajas se tienen el probable alto costo de las mediciones versus juzgar por atributos, a
pesar de que el tamaño de muestra sea menor y que es necesario un plan de muestreo para cada
característica importante del producto.
Se debe conocer la distribución de la característica de calidad, la cual debe ser normal ya que de
otra forma se pueden cometer errores en la aplicación del plan de muestreo por variables. Esto es
más crítico cuando las fracciones defectivas son muy pequeñas.
Los planes especifican el número de artículos a muestrear en los cuales se hacen mediciones en la
característica de calidad seleccionada, y el criterio de aceptación de esos lotes.
Una comparación entre los diferentes tipos de muestreo se da a continuación, considerando una
p1 = 0.01, p2 = 0.08, = 0.05 y = 0.10:
Página 344
_______________FACULTAD DE INGENIRIA
Existen dos tipos de planes de muestreo por variables, los que controlan la fracción defectuosa del
lote y los que controlan un parámetro del proceso tal como la media.
Página 345
_______________FACULTAD DE INGENIRIA
Asumiendo que la desviación estándar del proceso es conocida, se desea tomar una muestra del
lote para determinar si o no el valor de la media es tal que la fracción defectiva p es aceptable.
Para esto se tienen dos métodos.
p
__
LIE X x
Procedimiento 1.
X LIE
Z LIE (8.1)
especificación LIE, entre mayor sea su valor, la media X de la muestra estará más alejada del LIE
y en consecuencia menor será la fracción defectiva p.
Si hay un valor crítico p que no deba ser excedido con una probabilidad establecida, se puede
traducir el valor de p en una distancia crítica por decir k para ZLIE. De esta forma si ZLIE <= k, se
aceptará el lote ya que automáticamente la fracción defectiva p es satisfactoria, en caso contrario
la fracción defectiva p es mayor que la aceptable y se rechazará el lote.
Página 346
_______________FACULTAD DE INGENIRIA
X LIE 82 100
Z LIE 1.8
10
LSE X
Z LSE (8.2)
Cuando se tiene un solo límite de especificación, la relación entre Z y la fracción defectiva (p) es:
p Zs ó Zi
0.25 0.6745
0.20 0.8416
0.15 1.0364
0.10 1.2816
0.05 1.6449
0.02 2.0537
0.01 2.3263
Procedimiento 2.
QLIE Z LIE n /( n 1) (más exacto) y se estima la fracción defectiva p como el área bajo
la curva normal debajo de ZLIE, si esta fracción estimada p, excede un valor máximo M, se
rechaza el lote, de otra forma se acepta.
Página 347
_______________FACULTAD DE INGENIRIA
Página 348
_______________FACULTAD DE INGENIRIA
X LIE
QLIE n /( n 1)
(8.3)
LSE X
QLSE n /( n 1)
Para diseñar un plan de muestreo por variables usando el procedimiento 1, el método de k, que
tiene una curva OC especificada por dos puntos (p1, 1-), (p2, ) donde p1 y p2 son las fracciones
defectivas que corresponden a niveles de calidad aceptables y rechazables respectivamente se
utiliza un nomograma.
L. J. Jacobson propuso un nomograma mostrando dos escalas diferentes (ver página siguiente),
para estimar n y k con sigma conocida y sigma desconocida.
Utilizando este nomograma podemos obtener la curva característica de operación CO, cambiando
los valores de las fracciones defectivas p y hallando sus probabilidades de aceptación si se
mantiene fijo n y k.
Página 349
_______________FACULTAD DE INGENIRIA
Ejemplo 8.2 Un embotellador ha establecido que la resistencia mínima para una botella de
plástico sea de LIE= 225 psi, si a lo más el 1% no pasa el límite, se aceptará el lote con una
probabilidad del 95% (p1=0.10 y 1-= 0.95), mientras que si el 6% o más están abajo del límite, el
embotellador rechazará el lote con una probabilidad de 90% (p2=0.06, = 0.10).
Para hallar el plan de muestreo por variables n, k, se traza una línea que une a el punto 0.01 en la
escala de fracción defectivas con el punto 0.95 en la escala de probabilidad de aceptación.
Después se traza una línea similar que conecta los puntos p2 = 0.06 y Pa=0.10, en la intersección de
esas líneas se lee, k=1.9 y n=40 para desconocida (siguiendo la línea curveada) o n=15 (bajando
una línea perpendicular) para conocida.
a) Procedimiento 1
Si se desconoce la desviación estándar, se toma una muestra aleatoria de n = 40 piezas calculando
la media y la desviación estándar s, se calcula ahora:
X LIE
Z LIE
b) Procedimiento 2.
Una vez obtenidas n 40 y k = 1.9, se obtiene el valor de M del nomograma de la fig. 14.3,
1 k n 1 1.9 40
0.35
2 2(n 1) 2 2(39)
Página 350
_______________FACULTAD DE INGENIRIA
Por ejemplo si se toma una muestra de n=40 partes y se observa que la media de la muestra
X 255 y s = 15, el valor de ZLIE es:
de las tablas para fracción defectiva al final de este capítulo se obtiene una p = 0.020, y siendo que
es menor que M = 0.030, se acepta el lote.
Se enfoca al AQL (entre 0.1% a 10%) con cinco niveles generales de inspección (el normal es el II),
el nivel III tiene una curva más abrupta que el nivel II. Se pueden usar niveles más bajos (S3 S4)
para reducir costos muestrales si se toleran riesgos mayores.
Página 351
_______________FACULTAD DE INGENIRIA
Variabilidad Variabilidad
Desconocida Conocida
Método de S
Especificación Especificaciones
Unilateral Bilaterales
Tienen 4 secciones:
Ejemplo 8.4 Para el caso del embotellador: Si el límite inferior LIE = 225 psi, suponiendo que el
nivel de calidad aceptable en este límite es AQL = 1% y que las botellas se embarcan en lotes de
N = 100,000, con sigma desconocida se tiene:
Página 352
_______________FACULTAD DE INGENIRIA
Procedimiento 1.
1. En la tabla A-2 se identifica el código de letra, en este caso, la N:
2. En la tabla B-1 se determina la n y k en este caso con la letra N y AQL= 1.00 negociado entre
proveedor y cliente, se obtiene k = 2.03. Para el caso de inspección severa (escala inferior) k =
2.18. Para el caso de inspección reducida k = 1.8 de la tabla B-2.
3. En la tabla B-3 se determina M en el renglón de N y columna de AQL= 1% obteniéndose M=
2.05%. Para inspección severa M = 1.42%. Para inspección reducida, de la tabla B-4 se obtiene
k = 3.44%.
4. La inspección estricta se usa cuando 2 de 5 lotes han sido rechazados
5. La inspección reducida se usa cuando los 10 lotes anteriores se han aceptado y su fracción
defectiva estimada es menor que un límite inferior especificado y la producción es estable.
6.La tabla B-6 se usa para obtener la desviación estándar máxima que se debe obtener en la
muestra con base a la tolerancia. Si el valor de s excede este valor, se rechaza el lote.
Nota:
Es posible pasar de planes de muestreo con sigma desconocida a planes con sigma conocida con
menor n si se demuestra estabilidad en una gráfica X -s para los lotes (al menos para 30). Los
planes específicos para este tipo de planes se deben consultar en el estándar.
Página 353
_______________FACULTAD DE INGENIRIA
d) Criterio de aceptación.
LSE - Límite superior de especificación.
LIE - Límite inferior de especificación.
Solución.
a) De tabla A2, se selecciona la letra D.
b) De la tabla B1, n = 5, k= 1.52
c) Suponiendo lecturas 197º, 188º, 184º, 205º y 201º.
X= 195 , s = 8.8
d) ( LSE - X ) / s = (209 – 195) / 8.8 = 1.59
e) 1.59 > k por tanto se acepta el lote.
Página 354
_______________FACULTAD DE INGENIRIA
a) De la tabla B3 se obtiene M = 3.33% para letra D, n = 5 y AQL = 1%.
b) De la taba B5 con QS= 1.59 se obtiene PS = 2.19%
c) Como PS M se acepta el lote.
Ejemplo 8.7 Se inspecciona un lote de 40 muestras con nivel de inspección II, inspección normal y
_
en base a temperaturas de los ejemplos anteriores, n = 5, X = 195; s= 8.8; considerando LIE=
180F; LSE= 209F; AQL= 1% donde de tabla
B-3 M = 3.32%
209 180
QS= 1.59 ; PS = 2.19% (de tabla B-5)
8.8
195 180
QI= 1.704; PI = 0.66% (de tabla B-5) por tanto la fracción defectiva total es de
8.8
p = 2.85%
Página 355
_______________FACULTAD DE INGENIRIA
Ejemplo 8.8 Si el AQLS= 1% y AQLI= 2.55% de tabla B3, MS= 3.32% , MI=9.8%
a) PS= 2.19% ; PI= 0.66% P = 2.85%
b) Comparando PS MS ; PI MI y P MI
Se acepta el lote.
VARIABILIDAD CONOCIDA
Ejemplo 8.9 Se toma un lote de 500 artículos para inspección. LIE= 58,000 psi. N= 500,
nivel II, inspección Normal. AQL= 1.5%. La variabilidad es conocida con valor 3,000 psi
Ejemplo 8.10 Sea LIE= 58,000 psi; tamaño del lote 500 artículos;AQL = 1.5%; Inspección
_
nivel II, normal. De los datos anteriores se obtuvo X = 63,000; n = 10 ; = 3,000. De tabla
A-2 se obtiene la letra I.
a) Obtención en tabla D3 de n, M y V como 10, 3.63%, 1.054 respectivamente.
Página 356
_______________FACULTAD DE INGENIRIA
b) Cálculo de QL =(63,000 - 58,000) * 1.054 / 3,000 = 1.756
c) Determinar PL de tabla D5 con QL= 1.756 es 3.92%
Como PL > M se rechaza el lote.
Ejemplo 8.11 La especificación para una colada de acero es de 67,000 y 58,000 psi
respectivamente. Un lote de 500 artículos se somete a inspección. El nivel de inspección es II,
inspección normal con AQL = 1.5%. La variabilidad conocida con valor 3,000 psi.
NOTA: Comparar Pestimada con M, si es menor o igual se acepta el lote, en caso contrario se rechaza.
Una consideración muy importante en el uso de las normas es que la población de donde se
obtienen las muestras debe ser normal. Es más crítico para pequeños valores de AQL.
Página 357
_______________FACULTAD DE INGENIRIA
Los ajustes que se hicieron en la norma ASQC Z1.9 (1980) e ISO 3951 (1981) son:
1. Los rangos de tamaño de lotes se ajustaron para corresponder con la MIL-STD-105E por
atributos.
2. Se ordenaron las letras código para tener la misma protección que con la MIL-STD-105E.
3. Los niveles de inspección originales I, II, III, IV y V se denominaron S3, S4, I, II y III.
4. En la ISO 3951 se eliminaron los planes que consideran a los rangos en vez de las desviaciones
estándar.
5. En la ISO 3951 y en la Z1.9 se eliminaron los AQLS de 0.04, 0.065 y 15%.
6. Cambios en las reglas de transferencia.
Se adoptan las mismas reglas que en la 105E para el paso de inspección normal a severa y
viceversa con ligeras modificaciones.
La norma Z1.9 permite el paso de inspección normal a reducida si:
10 lotes en inspección normal fueron aceptados.
La producción es continua.
La inspección reducida es aprobada.
La ISO 3951 permite el paso a inspección reducida si 10 lotes sucesivos han sido aceptados y:
El AQL es un paso menor.
El proceso está bajo control estadístico.
La inspección reducida es aprobada.
7. La ISO 3951 permite el paso de un método de sigma desconocida a sigma conocida, utilizando
como sigma el valor promedio estimado en la carta de control estable con al menos 30
subgrupos. Requiriendo la continuación de la carta s o R.
Su ventaja principal es que se puede iniciar con un esquema de muestreo por atributos con la
MIL-STD-105E, obtener información suficiente y después cambiar a un esquema por variables
manteniendo la misma combinación de letra para el AQL.
Página 358
_______________FACULTAD DE INGENIRIA
Es muy importante una prueba de normalidad a partir de los datos variables de cada lote.
Página 359
_______________FACULTAD DE INGENIRIA
8.4 OTROS PROCEDIMIENTOS DE MUESTREO POR VARIABLES
Ejemplo 8.12 Se considera aceptable un lote si tiene menos de 0.3 ppm de emisiones de
formaldeído en maderas. Se diseña un plan de muestreo con una probabilidad de aceptación del
95% si las emisiones son en promedio de 0.3 ppm, y los lotes con un 0.4 ppm tengan una
probabilidad de aceptación del 10%. Si por experiencia se sabe que la desviación estándar es 0.10
ppm, se tiene:
X A 0.3 X A 0.3
1.645 (8.4)
0.1
n n
En forma similar si los lotes que tienen un nivel de emisión de 0.40 ppm tienen una probabilidad
de 0.10 de aceptación, entonces,
X A 0.4 X A 0.4
1.282 (8.5)
0.1
n n
resolviendo para X A y n se obtiene:
X A = 0.355 n= 9
Página 360
_______________FACULTAD DE INGENIRIA
APÉNDICES
Página 361
_______________FACULTAD DE INGENIRIA
FORMULAS DE CARTAS DE CONTROL
LSC = X + A2 R
LIC = X - A2 R
LSC = D4 R
LIC = D3 R
CARTAS Xbarra-S
Límites de control para medias
LSCx = X + A3 S
LCx = X
LICx = X - A3 S
MR
LSCx = X 3
d2
__
LCx = X
Página 362
_______________FACULTAD DE INGENIRIA
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
D i 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
LCc = c
Página 363
_______________FACULTAD DE INGENIRIA
LICc = c - 3 c
CARTAS u
c
u
n
u
LSCu u 3
n
LCu u
u
LSCu u 3
n
Página 364
_______________FACULTAD DE INGENIRIA
Página 365
_______________FACULTAD DE INGENIRIA
Página 366