Documentos de Académico
Documentos de Profesional
Documentos de Cultura
Control de Calidad: Control Estadístico de Procesos: Elodia Vives Besalduch Diseño de Experimentos, 4º
Control de Calidad: Control Estadístico de Procesos: Elodia Vives Besalduch Diseño de Experimentos, 4º
= = O 1 1 ) (
I
P P
En estas condiciones, si A= ), ,... , (
2 1 Ir I I
w w w se tiene
=
ij
p A P ) (
Llamaremos espacios maestrales simples a los espacios maestrales finitos en los
que todos los resultados son equiprobables (tienen la misma probabilidad).
Si ) ,..., , (
2 1 n
w w w = O , entonces P (
I
w )=1/n, para todo i=1,..., n
En estos espacios maestrales simples, dado un suceso ) ,..., , (
2 1 k
w w w A = con k<n
se tiene:
n
k
les casosposib
ables casosfavor
A P = = ) (
Esto est estrechamente relacionado con la Frmula de Laplace:
les casosposib
ables casosfavor
ementosde nmerodeel
emenotsdeS nmerodeel
A P =
O
= ) (
Siendo S un suceso cualquiera.
10
3. Control estadstico de procesos
Para que un producto cumpla con los requerimientos del cliente generalmente
deber fabricarse con un proceso que sea estable o repetible, es decir que el proceso
tenga poca variabilidad en las dimensiones objetivo o nominales de las caractersticas de
la calidad del producto.
El control estadstico de procesos (SPC) se utiliza para resolver problemas para
conseguir estabilidad y mejorar la capacidad del mismo proceso mediante la reduccin
de la variabilidad.
El SPC puede aplicarse a cualquier proceso. Sus siete herramientas principales son:
- El histograma o el diagrama de tallo y hoja: tambin se llaman diagramas de
barras. Representan grficamente la variabilidad existente entre los datos (Figura
2). Para construir un histograma ( Colomer, 1997):
- Se contarn el nmero de datos y se dividirn en 10 grupos
aproximadamente.
- Se sealar el valor mximo (
S
X ) y el valor mnimo (
I
X ) y se calcular
el rango de datos
I S
X X R =
.
- Se calcula la amplitud de los intervalos
K
X X
h
I S
= , donde k es el nmero
de intervalos que va en funcin del nmero de datos que tengamos. K se
encuentra tabulada.
Figura 2: Ejemplo de histograma (www.cesma.usb.ve, 2008)
11
- Plantilla de recogida de datos: su objetivo es facilitar la recogida de datos y
ofrecer una presentacin sencilla de los datos (Figura 3). La recogida de datos
tiene que ser sistemtica y ordenada. El diseo de la plantilla es variable, tipos
de plantilla ( Colomer, 1997):
- Para conocer la distribucin de un proceso.
- Para localizar defectos en el producto.
- Para determinar las causas de los productos defectuosos.
- Para la verificacin de productos.
- Para seguir la marcha de un proceso.
Figura 3: Ejemplo de plantilla para localizar los defectos que
tiene un guante, (www.cesma.usb.ve, 2008)
- La grfica de Pareto: son representaciones grficas en las que se observa cuales
son los factores que ms influyen en una determinada respuesta en estudio. Los
diagramas Pareto se clasifican en dos tipos:
- Por categoras o conceptos: calidad, coste, plazo de entrega y seguridad.
- Por causas: mano de obra, maquinaria, mtodo de trabajo.
Para la realizacin del diagrama:
Seala la
parte
defectuosa
del guante
12
- Se decide el problema que se investiga, los datos que se necesitan y como
se van a clasificar.
- Se determina el mtodo de recogida de datos y el perodo durante el que
se van a recoger.
- Se disea el formulario para tabular los datos recogidos donde se rellenan
los datos por importancia (de mayor a menor), (Tabla 1).
- Se dibujarn dos ejes verticales y uno horizontal, en el eje vertical
izquierdo se colocar una escala que ir des de 0 al nmero total de
observaciones realizadas (Figura 4). En el eje vertical derecho, la escala
ira del 0% al 100%, el eje horizontal se dividir en tantas causas o factores
que hay en el formulario.
- Se construir el diagrama de barras y el polgono de porcentajes
acumulados.
Tabla 1: Ejemplo de ordenacin de las causas (www.cesma.usb.ve, 2008)
Nmero de paradas Tiempo de Parada
Turno1 Turno 2 Total Turno1 Turno 2 Total
Rotura de hilo 18 24 42 20 31 51
Cinta 15 10 25 12 10 22
Vibrador 92 88 180 62 68 130
Tornillos sin fin 1 6 7 2 8 10
Apelmazamiento 0 1 1 0 1 1
Rotura de saco 2 1 3 4 1 5
Otros 1 0 1 8 0 8
13
C A B D F E G
Causas
N
u
m
e
r
o
d
e
P
a
r
a
d
a
s
0
25
50
75
100
125
150
175
200
225
250
0.0
0.1
0.2
0.3
0.4
0.5
0.6
0.7
0.8
0.9
1.0
Figura 4: Ejemplo de grfica de Pareto que muestra las observaciones
de la causa (www.cesma.usb.ve, 2008)
- El diagrama de causa y efecto: Presenta las relaciones existentes entre las
caractersticas de la calidad (efectos) y los factores (causas). Para construir un
diagrama causa-efecto:
- Se identifican las causas o factores que influyan en la calidad. Se renen
un grupo de personas conocedoras del problema las cuales van diciendo
las posibles causas que originan el problema (Figura 5).
Figura 5: Ejemplo de un diagrama causa-efecto (www.cesma.usb.ve, 2008)
14
- El diagramas bivariantes: Su finalidad es el estudio de la relacin entre dos
variables:
- Una caracterstica de la calidad y un factor que pueda afectarla
- Dos caractersticas de calidad relacionadas.
- Dos factores ligados a una misma caracterstica de calidad.
Los pasos a seguir en la construccin de un diagrama bivariante:
- Recoger las dos variables, X e Y que se deseen estudiar y tabularlos
(aconsejable tener 30 pares).
- Buscar valores mximos y mnimos de ambas variables. Decidir las
escalas en ele eje horizontal y vertical de modo que ambos ejes tengan una
longitud igual. Si una variable es una caracterstica de calidad y la otra un
factor, se aconseja situar la primera en el eje vertical.
- Estratificacin: la estratificacin de los datos segn su origen es muy importante
para obtener soluciones correctas. Sirve para evitar que se mezclen datos de dos
procedencias distintas.
- Grficos de control: es la forma ms habitual de controlar estadsticamente un
proceso. Sirven para controlar que el proceso o servicio funcione correctamente
dentro de sus posibilidades. Un grfico de control no es ms que una prueba de
hiptesis. Existen grficos para medias, desviaciones y rangos, segn los casos:
- Hiptesis nula
H
0
Proceso bajo control
H
1
= Proceso fuera de control
- Grfico de medias
H
0
: =
0
H
1
:
0
- Desviaciones
H
0
: =
0
H
1
: >
0
En cualquier proceso de produccin independientemente de su diseo o de la atencin
que se preste a su fase de mantenimiento, existir una cantidad de variabilidad natural.
15
Esta variabilidad natural es el efecto acumulado de muchas causas pequeas y en
esencia inevitable (Montgomery, 2004). En cambio las causas asignables o atribuibles,
son las que podemos investigar hasta dar con la razn especfica que las produce y
suelen ocasionar desviaciones relativamente grandes en el resultado del proceso (Prez,
1998)
En el control estadstico de procesos, es fundamental saber si se puede producir dentro
de los lmites deseados, es decir, que el producto sea satisfactorio. Si el proceso no es
capaz de determinar la cantidad de producto defectuoso y buscar posibles soluciones
para mejorarlo.
Los pasos a seguir en el estudio de la capacidad de un proceso son:
- Paso1. Tomar una muestra de tamao n cada k intervalos regulares de tiempo (es
aconsejable que kn>100), al menos kn>80).
- Paso 2. Calcular X y S (sesgada) para cada muestra.
- Paso 3. Calcular
K
X
X
= y
K
S
S
=
- Paso 4. Estimar y , partiendo de X y S . Se estiman respectivamente como
sigue:
X = ,
C
S
= o siendo C un valor tabulado.
La ecuacin
c
s
= o , es vlida siempre que todas las muestras tomadas sean del
tamao y la distribucin sea normal (Colomer, 1997).
Un grfico de control es aquel cuyo comportamiento con respecto a variaciones es
estable en el tiempo.
La graficas de control se utilizan en la industria como tcnica de diagnsticos para
supervisar procesos de produccin e identificar inestabilidad y circunstancias
anormales.
Una grfica de control es una comparacin grfica de los datos de desempeo del
proceso con los lmites de control estadsticos calculados, dibujados como rectas
limitantes sobre la grfica. Los datos de desempeo de proceso por lo general consisten
16
en grupos de mediciones que vienen de la secuencia normal de produccin y preservan
el orden de los datos. Las grficas de control constituyen un mecanismo para detectar
situaciones donde las causas asignables pueden estar afectando de manera adversa la
calidad de un producto. Cuando una grfica indica una situacin fuera de control se
puede iniciar una investigacin para identificar causas y tomar medidas correctivas. Nos
permiten determinar cuando deben emprenderse acciones para ajustar un proceso que ha
sido afectado por una causa especial. Nos dicen cuando dejar un proceso trabaje por s
mismo, y no malinterpretar las variaciones debidas a causas comunes. Las causas
especiales se deben contrarrestar con acciones correctivas. Las causas comunes son el
centro de atencin de las actividades permanentes para mejorar el proceso. El objetivo
de una grfica de control no es lograr un estado de control estadstico como un fin, sino
reducir la variacin.
Un elemento bsico de las grficas de control es que las muestras del proceso de
inters se han seleccionado a lo largo de una secuencia de puntos en el tiempo.
Dependiendo de la etapa del proceso bajo investigacin, se seleccionara la estadstica
ms adecuada. Adems de los puntos trazados la grafica tiene un alinea central y dos
limites de control.
Establece una grfica de control requiere los siguientes pasos:
- Elegir la caracterstica que debe graficarse.
- Elegir el tipo de grfica de control
- Decidir la lnea central que deben usarse y la base para calcular los
lmites. La lnea central puede ser el promedio de los datos histricos.
- Seleccionar el subgrupo racional. Cada punto en una grfica de control
representa un subgrupo que consiste en varias unidades de producto.
- Proporcionar un sistema de recoleccin de datos si la grfica de control ha
de servir como una herramienta cotidiana en la planta.
- Calcular los lmites de control y proporcionar instrucciones especficas
sobre la interpretacin de los resultados y las acciones que debe tomar
cada persona en produccin.
- Graficar los datos e interpretar los resultados
Clasificacin de las grficas de control para atributos y para variables (Figura 6):
17
Figura 6: Grficas para el control de atributos y variables, (www.scribd.com,2008).
4. Grfico de control de atributos
Los diagramas de control por atributos constituyen la herramienta esencial utilizada
para controlar caractersticas de calidad cualitativas, caractersticas no cuantificables
numricamente. Son apropiados en casos en los que es necesario reducir el rechazo del
proceso (Verdoy et al., 2006).
El trmino atributos describe dos situaciones:
1. Cada pieza producida es defectuosa o no defectuosa (cumple las
especificaciones o no)
Tipo de datos
Datos de atributo-
conteo
Datos de variables-
mediciones
Faltas de
cumplimiento
Unidades
faltas de
cumplimiento
Tamao
fijo de
muestra
Tamao
variable
de
muestra
Oportu-
nidad
fija
Oportu
nidad
variable
Medicio
nes
individu
ales
Subgrupo
racionales
de tamao
fijo
Subgrupo
racionales
de tamao
variable
Grfica c Grfica u
Grfica np Grfica p
Grfica
MR
Grficas X
y S
Grficas
X y R
18
2. Una sola pieza puede tener uno o ms defectos y el nmero de estos es
determinado.
Tipos de grficos de control para variables atributos:
- Grficos de control de defectos: Cada unidad productiva tiene una probabilidad
p de ser defectuosa o de no cumplir especificaciones, y (1-p) de cumplir
requisitos exigidos. La variable aleatoria unidades defectuosas sigue una
distribucin binomial. La probabilidad de encontrar una pieza defectuosa debera
ser pequea por lo que la distribucin binomial se puede aproximar mediante
una distribucin de Poisson, si el tamao de la muestra que se toma es grande
(n30) se puede aceptar que la variable aleatoria piezas defectuosas sigue una
distribucin normal de parmetros.
np M =
) 1 (
2
p np = o
Se pueden crear dos tipos de grficos:
- Unidad de muestreo constante (muestras de tamao n) se puede realizar un
grfico basado en defectos por unidad de muestreo, grfico d.
- Grfico del nmero medio de defectos por unidad muestreada, d . Si n es
el tamao de la unidad de muestreo y de es el nmero de defectos hallados
en dicha unidad, se define
n
d
d =
- Grfico de control de defectos por unidad de muestreo (grfica c): El nmero de
defectos, de, en una unidad de muestreo de tamao mayor a 30, se puede aceptar
que sigue una distribucin normal de parmetros:
, np = ) 1 (
2
p np = o Siendo p la probabilidad de que una unidad sea
defectuosa.
En la realizacin del grfico de control se toman se toman las pautas de los grficos
Shewart el lmite de atencin (nivel de significacin de 0025) vendr dado por el valor:
19
(Lmite de atencin superior) )) 1 ( ( 96 ' 1 p np np LAS + =
El lmite de intervencin, fijado con un nivel de significacin del 0001 viene dado
por:
(Lmite de intervencin superior) 09 ' 3 + = np LIS )) 1 ( ( p np
Los lmites inferiores del grfico no tienen sentido, cuanto menor sea el valor de la
variable aleatoria (d) mejor ser el producto o servicio que est controlando.
- Grfico de control de porcentaje de defectos (grfica p): Trabaja con porcentajes
de piezas defectuosas (Figura 7). Si n es grande la variable aleatoria sigue
tambin una distribucin normal de parmetros:
np = = p,
) 1 (
2
p p = o
La realizacin del grfico control es igual que para el caso de caractersticas
variables. Cuando se trabaja con porcentajes el grfico de control que se construye se
denomina grfico de control de porcentajes. Se siguen las pautas de los grficos
Shewart (niveles de significacin del 0025 y 0001 para los lmites de atencin e
intervencin respectivamente) los lmites de los grficos vendrn dados por:
)) 1 ( ( 96 ' 1 p np np LAS + =
)) 1 ( ( 09 ' 3 p np np LIS + =
20
Dia
P
r
o
p
o
r
c
i
o
n
d
e
p
i
e
z
a
s
c
o
n
d
e
f
e
c
t
o
s
s
u
p
e
r
f
i
c
i
a
l
e
s
0 5 10 15 20 25 30
0
.
0
0
.
0
5
0
.
1
0
0
.
1
5
0
.
2
0
LSC=0.1323
LC=0.0606
LIC=0.0000
Figura 7: Ejemplo de grfico p, (webpages.ull.es,2008)
5. Grficos de control para caractersticas variables
Una caracterstica variable de calidad es aquella que se puede medir segn una
escala de valores variable.
Se dice que un proceso est bajo control cuando es capaz de ofrecer una proporcin
satisfactoria de elementos conformes con las especificaciones. Un proceso bajo control
implica que el modelo de variabilidad del proceso no cambio a lo largo del tiempo y que
adems es capaz de cumplir con las especificaciones. Un grfico de control sirve para
determinar si el modelo de probabilidad es estable o cambia con el tiempo. Cuando se
realiza un grfico de control no se pretende garantizar la calidad del producto, si es
bueno o mala, la finalidad que persigue es hacer mnima la variabilidad, mnima
variabilidad implica mxima calidad (Colomer, 1997).
Un ejemplo de grficos de control para caractersticas variables continuas del
producto o proceso podran ser como: contenido en cm3 de un lquido, peso de un saco
pienso, viscosidad de una resina, intensidad de una tinta, temperatura de un horno
(Verdoy et al., 2006).
Tipos de grficos:
- Grficos R X : Las cartas de control X y R se usan ampliamente para
monitorear la media y la variabilidad (Figura 8). El control del promedio del
proceso, o nivel de calidad medio, suele hacerse con la grfica de control para
medias X . La variabilidad del proceso puede monitorizar con una grfica de
control para el rango, llamada grfica R. Generalmente, se llevan grficas X y
21
R separadas para cada caracterstica de la calidad de inters (www.scribd.com,
2008)
Los lmites en los grficos se colocan en (Verdoy et al., 2006)
o Grfico X(-) - Lmite superior:
n
o
3
+ o R A x
2
+
- Lmite central: o x
- Lmite inferior:
n
o
3
+ o R A x
2
+
o Grfico R - Lmite superior: R D
4
- Lmite central R
- Lmite inferior R D
3
Donde los valores de A
2
, D
3
Y D
4
se pueden encontrar en la tabla de ndices
3.1.8 de Verdoy et al., 2006.
Figura 8: Ejemplo de diagrama R X ,(www.gigawiz.com, 2008)
- Grfico S X : Este grfico de control (Figura 9) va a representar la media X i
de cada submuestra midiendo la variabilidad a travs de las desviaciones tpicas
maestrales. Primero se calculara la media y desviacin tpica de cada muestra:
=
n
X
X
ij
i
2
) ( ) 17 (
i ij
X X n s
=
22
El grfico de control para las medias maestrales tiene una lnea central = LC y
nos lmites de control iguales a n 3 . La media y la desviacin tpica son
desconocidas se estiman con los datos.
Figura 9: Ejemplo de diagrama S X , (support.sas.com,2008)
6. Procedimientos especiales del control de procesos
Grficos de control con tamao submultiple: Siempre que sea posible es
conveniente tener un tamao de subgrupo constante. Si esto no puede hacerse los
lmites en los grficos X y R deben ser variables.
Una vez que se ha estimado estos lmites para diversos tamaos de muestran pueden
obtenerse utilizando los factores y frmulas. En donde los datos utilizados para estimar
incluyen subgrupos de diversos tamao.
Grficos R o Grficos donde los grficos X no son apropiados: En algunos
casos los subgrupos pueden ser comparables en su dispersin aunque no sean
comparables en sus medias. Si se analizan muestras que tienen contenido qumico algo
diferente, los promedios de los subgrupos no son comparables. Sin embargo, la
dispersin de los subgrupos refleja la capacidad de un analista y un procedimiento
analtico para reproducir resultados por medio de varias determinaciones similares. El
grfico de control de R o proporciona una base para juzgar esta dispersin parece
estar influida por un sistema de causas constantes.
23
Grficos X y con subgrupos grandes: Algunas veces sucede que se supone de
datos sobre medias y desviaciones estndar de alguna varible media, procedentes de
diferentes fuentes. Puede ser conveniente aplicar una prueba homogeneidad a estas
cifras para ver si hay una clara evidencia de que las diferentes fuentes representan
diferentes sistemas de causas. Los grficos de control X y constituyen un
procedimiento simple de prueba para este propsito.
Grficos para las mediciones individuales: Cuando el personal del taller no
entiende los grficos de medias una forma de evitar interpretaciones errneas consiste
en no presentar las medias, sino las mediciones individuales. En estos se dibujan
correctamente los lmites de la especificacin que debe aplicarse a las mediciones
individuales.
Este tipo de grfico puede ser mejor que nada, pero es mucho menos satisfactorio que
un grfico X convencional, basado en un tamao de subgrupo de 4 o 5. En general este
tipo de grfico es inferior a los grficos de control convecionales porque no ofrecen una
panormica clara de los cambios que tienen lugar en el proceso, ni siquiera a una prueba
rpida de la existencia de causas atribuibles de variacin.
7. Diagrama de control de suma acumulativa
El diagrama de control de suma acumulativa CUSUM (Cumulative Sum), incorpora
directamente al representar el estadstico relativo a cada punto, toda la informacin
muestral de la sucesin de puntos anteriores. Se representan para cada punto las sumas
acumuladas para el subgrupo actual y todos los anteriores de las desviaciones del
estadstico en que se basa el grfico de control (Verdoy et al., 2006).
Un grfico de sumas acumuladas muestra las sumas acumuladas de las desviaciones
de cada valor muestral con respecto al valor objetivo. El grfico puede estar basado en
medias muestrales o en observaciones individuales.
Cuando estamos trabajando con procesos bajo control, los diagramas CUSUM son
buenos para detectar cambios con respecto al objetivo ya que dichos grficos incorporan
informacin procedente de la secuencia de valores muestrales. Los puntos que
representamos son las sumas acumuladas de las desviaciones de los valores muestrales
24
con respecto al objetivo. Dichos puntos deberan fluctuar de forma aleatoria alrededor
del cero. Si detectamos una tendencia, ya sea hacia arriba o hacia abajo, sta debera ser
considerada como una evidencia de que la media muestral se ha desplazado.
Es posible representar dos tipos de grficos CUSUM (Figura 10): el diagrama por
defecto representa dos CUSUM unilaterales. El CUSUM superior detecta desviaciones
hacia arriba en el nivel del proceso, el CUSUM inferior detecta desviaciones hacia
abajo. Este tipo de grfico utiliza lmites de control para determinar cuando estamos
ante un proceso fuera de control.
Los grficos CUSUM vienen definidos por dos parmetros, h y k (Tabla 2):
Tabla 2: Definicin de los parmetros h y k (www.uoc.edu, 2008)
Tipo de
grfico
CUSUM
h representa k representa
Unilateral El nmero de desviaciones estndar
entre la lnea central y los lmites de
control
El tamao del posible
desplazamiento que queremos
detectar
Bilateral
(mscara V)
Parte de la ecuacin que se utiliza
en el clculo de la mscara V
La pendiente de los lados de la
mscara V
Figura 10: Ejemplo del diagrama de sumas acumulativas, (webpages.ull.es,2008).
8. Propiedades de los grficos de control
Los grficos de control se emplean para vigilar procesos generalmente de
produccin. Por lo que deben cumplir dos propiedades contradictorias:
25
- Si el proceso est fuera de control lo debe manifestar lo antes posible. Fuerza de
la prueba.
- Si el proceso funciona correctamente no debe dar seales de alarma. Recorrido
de la prueba.
Un grfico de control debe permitir que un proceso que funciona correctamente
opere durante largo tiempo sin producir seales falsas.
- Caracterstica operativa de un grficos de control: La curva caracterstica
operativa (curva OC) de una prueba es un grfico que muestra (error tipo
II) como funcin de la diferencia entre la hiptesis nula y la alternativa, en
el caso de control de procesos, proceso bajo control y fuera de control.
La funcin de potencia de una prueba es un grfico que muestra la
potencia (1-) como funcin de la diferencia de los valores de la
hiptesis nula y alternativa. A la funcin potencia se le llama funcin de
fuerza del grfico de control (Colomer, 1997).
9. Anlisis de la capacidad de un proceso
La capacidad del proceso es la forma en que se compara la variabilidad inherente de
un proceso con las especificaciones o requerimientos del producto.
Las tcnicas estadsticas pueden ser tiles en el ciclo de un producto, incluyendo las
actividades de desarrollo previas a la manufacturas, para cuantificar la variabilidad del
proceso, para analizar esta variabilidad respecto de los requerimientos o
especificaciones del producto y para ayudar la personal de desarrollo y manufactura a
eliminar o reducir en gran medida esta variabilidad. A esta actividad general se le llama
anlisis de capacidad del proceso.
Evidentemente, la variabilidad del proceso es una medida de la uniformidad de la
salida. Hay dos formas de conceptuar esta variabilidad:
1. La variabilidad natural o inherente en un tiempo especificad; la variabilidad
instantnea.
2. La variabilidad con el tiempo.
El anlisis de capacidad del proceso se define como el estudio de ingeniera para
estimar la capacidad del proceso. La estimacin de la capacidad del proceso puede estar
26
en la condicin de una distribucin de probabilidad que tenga una forma, centro (media)
y dispersin (desviacin estndar) especificados. De manera alternativa, la capacidad
del proceso puede expresarse como un porcentaje fuera de lasa especificaciones. Sin
embargo, las especificaciones son necesarias para realizar el anlisis de capacidad del
proceso.
El anlisis de capacidad del proceso es una parte vital de un programa integral de
mejoramiento de calidad. Entre los usos principales de los datos de un anlisis de
capacidad del proceso se encuentran los siguientes:
- Predecir el grado de variabilidad que exhibirn los procesos. Esta
informacin de capacidad proporcionar la informacin importante para
establecer lmites de especificacin realistas.
- Seleccionar, entre procesos que compiten, el proceso ms adecuado para
que las tolerancias se cumplan.
- Planear la interrelacin entre procesos secuenciales. La cuantificacin de
las capacidades respectivas del proceso con frecuencia seala el camino
para encontrar una solucin.
- Proporcionar una base cuantitativa para establecer un programa de
verificacin de control peridico del proceso reajustes.
- Asignar mquinas a los tipos de trabajos para los cuales son ms
adecuadas.
- Probar las teoras de las causas de defectos durante los programas de
mejoramiento de calidad
- Servir como base para la especificacin de los requerimientos de calidad
para las mquinas compradas.
Por tanto, el anlisis de capacidad de un proceso es una tcnica que tiene aplicacin
en muchos segmentos del ciclo del producto, incluyendo el diseo de producto y
procesos, la fuente de proveedores, la planeacin de la produccin o la manufactura, y
la propia manufactura.
La frmula para la capacidad del proceso que ms se usa es:
Capacidad del proceso= ) 6 ( o
Donde c = la desviacin estndar del proceso cuando se encuentra en estado de control
estadstico, es decir si la influencia del fuerzas externas o cambios repentinos.
27
Una razn importante para cuantificar la capacidad del proceso es poder calcular la
capacidad del proceso de mantener las tolerancias del producto. Para procesos que se
encuentran un estado de control estadstico, una comparacin de la variacin entre 6
de la habilidad del proceso dentro de la amplitud de tolerancia. Una medida de esta
relacin es la tasa de capacidad:
Cp= Tasa de capacidad =
S
LEI LES
roceso Capacidadp
ificacion Rangoespec
6
=
Donde: - LES = Lmite de especificacin superior.
- LEI = Lmite de especificacin inferior.
Un proceso que cumple bien con los lmites de especificacin (rango de
especificacin = o 3 tiene un Cp de 1. Lo crtico de muchas aplicaciones y la realidad
de que el promedio del proceso no permanecer en el punto medio del rango de
especificacin sugiere que Cp debe ser al menos 133 (Tabla 3).
Tabla 3: ndices del estudio de la capacidad del proceso (www.scribd.com,2008)
ICP Decisin
133<ICP<222
Ms que adecuado, incluso puede exigirse
ms en trminos de su capacidad. Posee
capacidad de diseo.
1<ICP<133
Adecuado para lo que fue diseado.
Requiere control estrecho si se acerca al
valor 1.
067<ICP<1
No es adecuado para cumplir con el
diseo inicial. Requiere monitoreo
constante.
ICP<067
No es adecuado para cumplir con el
diseo inicial
28
La capacidad del proceso segn se mide con Cp, se refiere a la variacin en un
proceso alrededor del valor promedio.
As, el ndice Cp mide la capacidad potencial, suponiendo que el promedio del
proceso es igual al punto medio de los lmites de especificacin y que el proceso est
operando bajo control estadstico; como con frecuencia el promedio no se encuentra en
el punto medio, es til tener un ndice de habilidad que refleje ambas variaciones y la
localizacin del promedio del proceso. Tal ndice es Cpk.
El ndice de Cpk refleja la proximidad de la media actual del proceso al lmite de
especificacin superior (LES) o bien, al lmite de especificacin inferior (LEI). Cpk se
estima mediante:
pk=
)
`
S
X LES
s
LEI X
3
,
3
min
Si el promedio actual es igual al punto medio del rango de especificacin, entonces
Cpk= Cp. Entre ms alto sea el valor de Cpk, ms baja ser la cantidad de producto que
est fuera del los lmites de especificacin (www.scribd.com, 2008).
10. Fiabilidad del proceso de control
10.1 Introduccin a la fiabilidad
La fiabilidad es la capacidad de los productos o servicios de comportarse de forma
requerida bajo condiciones establecidas y durante un tiempo establecido. Es la
permanencia de la calidad en los servicios o productos. Saber si un producto funcionar
a lo largo del tiempo es cuestin de probabilidad. Es necesario el uso de la probabilidad
en el estudio de la fiabilidad para la observacin del patrn de los tiempos de fallo de
los productos (tiempo de vida). La estadstica de la fiabilidad se enmarca dentro del
anlisis de datos de supervivencia.
Se distinguir entre productos reparables y no reparables (Colomer, 1997):
- Productos no reparables: solo puede ocurrir un fallo. Por ejemplo bombillas de
luz, transistores, etc...
- Productos reparables: ms de un fallo puede ocurrir. En este caso es importante
29
considerar la disponibilidad del producto reparado (que depender de la
ocurrencia de fallos y del tiempo de mantenimiento. Ejemplos: automviles,
lavadoras, etc.
10.2 Frmulas de fiabilidad
1- Funcin de fiabilidad o supervivencia: denota la probabilidad de que un
componente funcione ms all de un instante.
}
= =
t
t F dt t f t R ) ( 1 ) ( ) (
2- Tasa de fallos o hazard rate: denota la probabilidad de fallo instantnea dado que
el componente funciona en el momento actual t.
t
t T t t T t p
t t h
A
> A + < s
A
) (
0 lim ) ( =
) (
) (
t R
t f
A travs de la observacin de la tasa de fallos se puede aprender a cerca de las
causas del fallo puede presentarse tres formas bsicas:
- Tasa de fallos creciente (IFR) surge por desgaste y fatiga del
componente ( envejecimiento), ( Figura 11)
Figura 11: ejemplo de grfico con curva creciente
(www.cesma.usb.ve,2008).
30
- Tasa de fallos decreciente (DFR) surge en materiales al principio de su
funcionamiento la probabilidad del fallo es alta debido a la existencia de
posibles efectos ocultos ( Figura 12)
Figura 12: ejemplo de grfico con curva decreciente
(www.cesma.usb.ve,2008).
- Tasa de fallos constantes (CFR) la probabilidad del fallo instantneo es
la misma a lo largo del tiempo, por tanto no tiene memoria (Figura 13).
Figura 13: ejemplo de grfico con curva constante
(www.cesma.usb.ve),2008.
Por tanto es de gran utilidad para decidir si su componente tiene IFR, DFR, CFR.
31
10.3 Modelos estadsticos utilizados en fiabilidad
- Modelo exponencial: Se usa como modelo del tiempo hasta la falta de un
componente o sistema. En estas aplicaciones, al parmetro se le llama el
ndice de falla del sistema, y a la media
1
de la distribucin se le llama tiempo
medio hasta una falla (Montgomery, 2004).
t
e t f
= ) ( 0 > x ,
t
e t R
= ) ( , = ) (t h
donde >0 es una constante. La media y la varianza de la distribucin
exponencial son
1
=
Tiempo medio de fallo o vida media= h T E / ) ( =
- Modelo Weibull: La distribucin de Weibull se ha usado como modelo del
tiempo hasta que ocurre una falla en componentes y sistema elctricos y
mecnicos ( Montgomery, 2004).
(
(
|
.
|
\
|
|
.
|
\
|
=
| |
u u u
| x x
t f exp ) (
1
0 > x
donde 0 > u es el parmetro de escala, y 0 > | es el parmetro de forma. La media y
la varianza de la distribucin de Weibull son
|
|
.
|
\
|
+ =
|
ut
1
1 y
(
(
|
|
.
|
\
|
+
|
|
.
|
\
|
+ =
2
2 2
1
1
2
1
|
t
|
t u o
Si =1, entonces es exponencial y presenta CFR.
Si <1, entonces presenta IFR.
Si >1, entonces presenta DFR.
32
11. Bibliografia
- Colomer Cugat, Ma. (1997); Estadstica en el control de calidad. Edicions de la
Universitat de Lleida. Lleida, p 195.
- Montgomery Douglas C. (2004); Control Estadstico de la Calidad. Ed. Limusa.
Mxico, p 797.
- Navarrete, E.(1998); Control estadstico de la calidad control estadstico de
procesos. Ed. Adhara. Granada, p 135.
- Pydek T. (1996); Manual de control de calidad en ingenieria. Ed. Mc Graw-Hill.
Mxico, p 617.
- Vandeville P.,(1990); Gestin y control de la calidad. Ed. AENOR. Madrid, p
295.
- Verdoy P., Mateu J., Sagasti S., Sirvent R.(2006); Manual estadstico de calidad:
Teora y aplicaciones. Publicacions de la Universitat Jaime I. Castell, p 341.
Pginas web:
www.cesma.usb.ve/~abel/co4311/SIM.ppt
www.monografias.com/trabajos30/control-estadistico-calidad/control-estadistico
www.scribd.com/word/download/16623?extension=txt - 61k
www.uoc.edu/in3/emath/docs/SPC_5.pdf
33
34