Documentos de Académico
Documentos de Profesional
Documentos de Cultura
Curso CEP2
Curso CEP2
CONTROL ESTADSTICO
DEL PROCESO
Pgina 1
10
14
15
19
21
31
33
3.1 Introduccin
34
34
41
44
46
48
4.1 Introduccin
49
50
55
56
61
73
74
76
78
81
82
Pgina 2
84
91
96
97
6.1 Introduccin
97
104
110
113
119
7. DISEO DE EXPERIMENTOS
274
7 .1 Introduccin
137
138
Pgina 3
Mdulo 1. Introduccin
Pgina 4
Vid. Valdez, Luigi, Conocimiento es futuro, CONCAMIN, Mxico, 1995, pp. 122-123
Pgina 5
como una
Pgina 6
CEP en Japn
En 1950 el experto Edwards W. Deming inici el entrenamiento en mtodos
estadsticos en el Japn, incluyendo conferencias dirigidas a los lderes
industriales, en esta poca Kaoru Ishikawa experto japons en control de calidad
inici sus estudios sobre conceptos de control de calidad, describe su propia
motivacin como sigue:
En 1955, Kaouru Ishikawa introdujo las tcnicas de cartas de control en Japn, los
japoneses aprendieron el control de calidad de occidente, invitaron a Deming,
Pgina 7
Juran y otros eruditos a Japn para que les enseasen el control estadstico del
proceso. Sin embargo la implantacin de estas tcnicas fue posible despus de su
modificacin y adaptacin a las empresas japonesas, incluyendo la creacin de
varias herramientas tiles como refinamiento del control estadstico de calidad,
tales como las 7 herramientas estadsticas utilizadas normalmente por los crculos
de control de calidad y la aplicacin de tcnicas estadsticas avanzadas.
* * *
**
***
**
**
***
**
Distribucin de promedios
de las muestras
Universo
a las medias de la
Shewhart, W.A., Economic Control of Quality of Manufactured Product, Van Nostrand Reinhold Co., 1931,
p. 182
Pgina 8
__
(1.1)
b)Proceso en control
en media y esv. est.
Ford Motor Co., Continuing Process Control and Process Capability Improvement, Dearborn, Michigan,
1983
Pgina 9
LC
LIC
LSC = Lmite superior de control
LC
= Lnea central
1.3
Carta
de
control
de
Shewhart
sus
lmites
de
control
La carta de control es una tcnica muy til para el monitoreo de los procesos,
cuando se presentan variaciones anormales donde las medias o los rangos salen
de los lmites de control, es seal de que se debe tomar accin para remover esa
fuente de variabilidad anormal. Su uso sistemtico proporciona un excelente
medio para reducir la variabilidad.
Pgina 10
DISEO DE EXPERIMENTOS
Un experimento diseado es muy til para descubrir las variables clave que tienen
influencia en las caractersticas de calidad de inters del proceso. Es un mtodo
para variar en forma sistemtica los factores controlables del proceso y determinar
los efectos que tienen esos factores en los parmetros finales del producto.
Permite reducir la variabilidad en la caracterstica de calidad y en determinar los
niveles ms adecuados de los factores controlables que optimizen el desempeo
del proceso.
ENTRADAS CONTROLABLES
X1
X2
XP
CARACT.DE CALIDAD
PROCESO
Materias primas,
Componentes, etc.
Z1
Z2
ZQ
ENTRADAS NO CONTROLABLES
Pgina 11
Una vez que se han identificado las variables que afectan el desempeo del
proceso, normalmente es necesario modelar la relacin entre estas variables y la
caracterstica de calidad de inters. Para lo cual se puede utilizar el anlisis de
regresin.
El monitoreo en el proceso de las variables relevantes que afectan las
caractersticas de calidad se hace por medio de cartas de control.
MUESTREO DE ACEPTACIN
Est relacionado con la inspeccin y prueba del producto, donde se selecciona e
inspecciona una muestra aleatoria de un lote mayor, resultando en una aceptacin
o rechazo de ese lote mayor, esto ocurre en la recepcin de materias primas y
componentes y en el producto terminado.
Tiene las siguientes ventajas:
-
Pgina 12
DISEO DE
EXPERIMENTOS
0%
Tiempo
Pgina 13
Pgina 14
+3
Pgina 15
Fig. 2.2
Pgina 16
X1
X2
X-media 1
X-media 2
X3
X-media 3
Fig. 2.3
Pgina 17
Comprobacin en Minitab:
1. Abrir proyecto con File > Open Project > Datos > TeoremaLimiteCentral
COMPROBACIN DEL TEOREMA DEL LMITE CENTRAL
Paso 1. Hacer una sola columna de datos en Datos (C1)
1.
2.
3.
4.
Hacer comentarios
Hacer comentarios
4. OK
Hacer comentarios
Pgina 18
Fig. 2.4
Pgina 19
Pgina 20
Fig. 2.5
Tiempo
LIC
Fig. 2.6 Carta de control de Shewhart
Un punto que se encuentre fuera de los limites de control mostrar evidencia que
el proceso est fuera de control y ser necesario una investigacin de la causa
especial y la accin correctiva necesaria para eliminarla. Tambin se tendr un alto
riesgo de situacin fuera de control si los puntos se agrupan es forma sistemtica
dentro de los lmites de control o muestran una tendencia.
Por ejemplo, la carta de control de medias prueba la hiptesis de que la media del
proceso est en control y tiene un valor 0 si un valor de media muestral X i cae
Pgina 21
dentro de los lmites de control; de otra forma se concluye que el proceso est
fuera de control y que la media del proceso tiene un valor diferente del de 0, por
decir 1, donde 1 0.
Se puede decir que las probabilidades de los errores tipo I y tipo II de la carta de
control, son esquemas de prueba de hiptesis para analizar el desempeo de las
cartas de control.
La probabilidad del error tipo I o alfa de la carta de control se presenta cuando se
concluye que el proceso est fuera de control cuando en realidad no lo est.
La probabilidad de error tipo II o beta de la carta de control se presenta cuando se
concluye que el proceso est en control cuando en realidad est fuera de control.
Se puede definir un modelo general para una carta de control, si w es un
estadstico muestral que mide alguna caracterstica de calidad de inters y
asumiendo que su media es w con desviacin estndar w se tiene:
LSC = w + Lw
(2.1)
LC = w
LIC = w - Lw
Donde L es la distancia de los lmites de control a partir de la lnea central
expresada en unidades de desviacin estndar.
El uso ms importante de la carta de control es la mejora del proceso, a travs de
su monitoreo, al principio se observar que los procesos no estn en control
estadstico, sin embargo con las cartas de control se podrn identificar causas
especiales que al ser eliminadas, resulten en una reduccin de la variabilidad
mejorando el proceso.
Pgina 22
DISTRIBUCION
DE LOS VALORES
INDIVIDUALES =.01
DISTRIBUCION
DE LAS MEDIAS
X 0.0045
Pgina 23
ENTRADA
PROCESO
SALIDA
SISTEMA DE
EVALUACIN
Verificacin
Deteccin de causa
y seguimiento
asignable
Implantar
Identificar causa
Accin
Correctiva OCAP
Pgina 24
Pgina 25
de una media fija. En estos casos se estabiliza el desempeo de los procesos por
medio de control automtico por retroalimentacin.
Las cartas de control han sido muy populares por las siguientes razones:
1. Son una herramienta probada para mejorar la productividad. Su aplicacin
exitosa ayuda a reducir desperdicios y retrabajos, que son factores que
reducen la productividad (productos buenos por hora).
2. Son efectivas como herramientas de prevencin de defectos. Apoyan el
concepto de hacerlo bien a la primera vez, es ms costoso seleccionar
productos buenos en un lote con productos defectuosos, que fabricarlos bien
desde el principio.
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 slo se estn teniendo
variaciones aleatorias en el proceso.
4. Proporcionan informacin de diagnstico. Proporcionan un patrn de puntos
que permite la toma de decisiones para la mejora del proceso, al operador o al
ingeniero experimentado.
5. Proporcionan informacin acerca de la capacidad o habilidad del proceso.
Proporcionan informacin acerca de los parmetros importantes del proceso y
de su estabilidad con el tiempo, permitiendo la estimacin de la capacidad del
proceso para producir dentro de especificaciones.
SELECCIN DE LOS LMITES DE CONTROL
Abriendo los lmites de control decrece riesgo de error tipo I (falsa alarma) sin
embargo se incrementa el riego de error tipo II y viceversa. Con lmites de control
de 3-sigma la probabilidad de error tipo I es de 0.0027. Si se selecciona el nivel de
riesgo de error tipo I en 0.002 o 0.001 en cada lado, se tienen los lmites de control
Pgina 26
Fecha
9/10/2006
9/10/2006
Hora
9:15AM
10:15AM
Cambio
Cambio de turno
Apagn de energa
Pgina 27
SUBGRUPOS RACIONALES
La idea fundamental en las cartas de control es colectar los datos de la muestra de
acuerdo al concepto de subgrupo racional es decir que el subgrupo debe
seleccionarse de tal forma que si estn presentes causas asignables, la diferencia
entre los subgrupos sea maximizada, minimizando la diferencia dentro del
subgrupo.
El tiempo en que se tomen las muestras es una buena base para formar
subgrupos, evitando que algunas observaciones se tomen al final de un turno y las
restantes al inicio del siguiente ya que ocasiona diferencias dentro del subgrupo.
Por lo anterior en el caso de la manufactura se recomienda tomar de 4 a 6
productos consecutivos de produccin, minimizando diferencias dentro del
subgrupo. En los procesos qumicos o de procesos, es suficiente tomar una sola
unidad de producto como muestra, dado que existe homogeneidad.
ANALISIS DE PATRONES EN CARTAS DE CONTROL
Puntos fuera de control: Una carta de control indicar una condicin fuera de
control cuando uno o ms puntos caigan ms all de los lmites de control o
cuando los puntos graficados formen un patrn no aleatorio de comportamiento.
Pgina 28
Pgina 29
LIC
Fig. 2.15 Patrn de anormalidad con mezcla de lotes
Para reconocer un patrn de comportamiento no slo se requiere conocer las
tcnicas estadsticas, sino tambin es necesario tener un conocimiento profundo
del proceso.
En el libro de la Western Electric (1956) se recomiendan las reglas siguientes para
detectar patrones no aleatorios en las cartas de control:
Pgina 30
Pgina 31
Pgina 32
Pgina 33
Xi
= /
Z / 2 X Z / 2
(3.1)
Pgina 34
X
i 1
(3.2)
(3.3)
Si R1, R2, ....., Rm , son los rangos de los diferentes subgrupos, el rango promedio
es:
m
R
i 1
(3.4)
(3.5)
R
d2
(3.6)
Pgina 35
3R
d2 n
3R
d2 n
(3.7)
A2
Si de define a
3R
d2 n
LSC = X + A2 R
(3.8)
LIC = X - A2 R
El valor de A2 se encuentra tabulado en una tabla de constantes.
Para el caso de los rangos, la lnea central es R . El estimador para R puede
hallarse de la distribucin del rango relativo W = R / , si la desviacin estndar de
W es d3 en funcin de n, se tiene:
R=W
(3.9)
R
d2
(3.10)
(3.11)
d3
R
LIC = R - 3 R = R - 3 d 3
= R [ 1- 3
] = D3 R
d2
d2
Pgina 36
A2
1.88
1.023
0.729
0.577
0.483
0.419
0.373
0.337
0.308
D3
0
0
0
0
0
0.076
0.136
0.184
0.223
D4
3.267
2.574
2.282
2.115
2.004
1.924
1.864
1.816
1.777
d2
1.128
1.693
2.059
2.326
2.534
2.704
2.847
2.97
3.078
2
3
4
5
6
Eficiencia
1.000
0.992
0.975
0.955
0.930
0.850
Para n >= 10 el rango pierde eficiencia rpidamente ya que ignora los valores
intermedios entre xmax y xmin sin embargo para valores pequeos de n (4,5 o 6)
empleados en las cartas de control, es adecuado. Para cuando n>10 se utiliza la
desviacin estndar en vez del rango.
EQUIPO DE MEDICIN
La resolucin del equipo debe ser de al menos 1/10 de la tolerancia y debe tener
habilidad
para
realizar
la
medicin
con
un
error
por
Repetibilidad
Pgina 37
LIMITES PRELIMINARES
Siempre que un proceso este siendo analizado a travs de una carta de control, es
muy importante llevar una bitcora registrando todos los cambios (tiempo y
descripcin) conforme ocurran, por ejemplo: cambio de turno, cambio de
materiales, ajuste de mquina, interrupcin de energa, arranque de mquina, etc.
Con objeto de identificar las causas asignables en caso de presentarse para la
toma de acciones correctivas.
Al iniciar una carta de control tomando m subgrupos (20 a 25) se calculan y
grafican los lmites de control preliminares para determinar si el proceso estuvo en
control (ver procedimiento de Grficas de Control). Para probar esta hiptesis, se
analizan todos los puntos graficados y se hace un anlisis para identificar si hay
puntos fuera de los lmites de control o patrones anormales de comportamiento, si
as fuera, los lmites de control preliminares se pueden utilizar para el control
futuro del proceso.
Si no se prueba la hiptesis de que el proceso est en control, por algn patrn 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 patrn de anormalidad y se re-calculan o revisan los lmites 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 lmites de control ms 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
determinacin de los lmites de control revisados para el control futuro del proceso.
Carta X media Rango en Minitab:
0. File > Open Worksheet Cartas_variables
1. Stat > Control Charts > X bar R
2. Single column Supp2 Subgroup size 5
Pgina 38
Sample Mean
603
UCL=602.4
602
601
Mean=600.2
600
599
LCL=598.1
598
Sample Range
Subgroup
10
20
9
8
7
6
5
4
3
2
1
0
UCL=7.866
R=3.72
LCL=0
Sample Mean
602.5
UCL=602.1
601.5
600.5
Mean=599.9
599.5
598.5
LCL=597.7
597.5
Sample Range
Subgroup
10
20
9
8
7
6
5
4
3
2
1
0
UCL=8.106
R=3.833
LCL=0
Pgina 39
603.5
2
UCL=603.1
602.5
Sample Mean
601.5
Mean=600.7
600.5
599.5
598.5
LCL=598.2
597.5
Subgroup
Hora
Sample Range
10
10
20
6:00:00
4:00:00
2
UCL=9.008
R=4.26
LCL=0
Pgina 40
LSCs = c4 + 3 1 c 4 = B6
LSCX = + A
LCs
= c 4
(3.12)
LC =
LICs = c4 - 3 1 c 4 = B5
LICX = - A
Los valores para las constantes se encuentran tabuladas para diferentes valores
de n en la tabla de constantes.
En el caso de que no se conozca la desviacin estndar de la poblacin, se puede
estimar utilizando diversas muestras m con datos histricos, donde se obtenga la
desviacin estndar en cada una de ellas y se promedien.
1 m
Si
m i 1
(3.13)
Pgina 41
__
S
c4
(3.14)
S
c4
1 c 42 = B4 S
(3.15)
LCs = S
LICs = S 3
S
c4
1 c 42 = B3 S
Para el caso de la carta X , cuando S /c4 se una para estimar los lmites de
control para esta carta son:
S
LSCx = X + 3
= X + A3 S
c4 n
(3.16)
LCx = X
S
LICx = X - 3
= X - A3 S
c4 n
Todas las constantes c4, As y Bs se encuentran tabuladas en funcin de n en la
tabla de constantes, como sigue:
Tabla 3.2 Constantes para lmites de control en cartas X-S
n
5
6
7
8
9
10
11
12
13
14
15
16
17
c4
0.9400
0.9515
0.9594
0.9650
0.9693
0.9727
0.9754
0.9776
0.9794
0.9810
0.9823
0.9835
0.9845
A
1.3420
1.2250
1..134
1.0610
1.0000
0.9490
0.9050
0.8660
0.8320
0.8020
0.7750
0.7500
0.7280
A3
1.4270
1.2870
1.1820
1.0990
1.0320
0.9750
0.9270
0.8860
0.8500
0.8170
0.7890
0.7630
0.7390
Pgina 42
B3
0.0000
0.0300
0.1180
0.1850
0.2390
0.2840
0.3210
0.3540
0.3820
0.4060
0.4280
0.4480
0.4660
B4
2.0890
1.9700
1.8820
1.8150
1.7610
1.7160
1.6790
1.6460
1.6180
1.5940
1.5720
1.5520
1.5340
B5
0.0000
0.0290
0.1130
0.1790
0.2320
0.2760
0.3130
0.3460
0.3740
0.3990
0.4210
0.4400
0.4580
B6 .
1.9640
1.8740
1.8060
1.7510
1.7070
1.6690
1.6370
1.6100
1.5850
1.5630
1.5440
1.5260
1.5110
0.9854
0.9862
0.9869
0.9876
0.9882
0.9887
0.9892
0.9896
0.7070
0.6880
0.6710
0.6550
0.6400
0.6260
0.6120
0.6000
0.4820
0.4970
0.5100
0.5230
0.5340
0.5450
0.5550
0.5650
1.5180
1.5030
1.4900
1.4770
1.4660
1.4550
1.4450
1.4350
0.4750
0.4900
0.5040
0.5160
0.5280
0.5390
0.5490
0.5590
1.4960
1.4830
1.4700
1.4590
1.4480
1.4380
1.4290
1.4200
Sample Mean
602
601
UCL=600.6
600
Mean=599.8
599
Subgroup
LCL=599.0
0
Sample StDev
10
2
UCL=1.443
1
S=0.8409
LCL=0.2386
Pgina 43
Sample Mean
602
601
UCL=600.1
600
Mean=599.5
599
Subgroup
LCL=599.0
0
Hora
Sample StDev
10
0:00:00 10:00:00 7:00:00 4:00:00 1:00:00 11:00:00 8:00:00 5:00:00 2:00:00 12:00:00
2
1
UCL=0.9137
S=0.5323
LCL=0.1510
X i X i 1
LSCx = X 3
MR
d2
Pgina 44
__
LCx
LICx = X 3
(3.17)
MR
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 habr (m 1) rangos en total. Con m =
nmero de subgrupos.
I and MR Chart for X-ind.
Individual Value
35
UCL=34.80
34
Mean=33.52
33
LCL=32.24
32
Moving Range
Subgroup
10
15
UCL=1.571
1.5
1.0
0.5
R=0.4807
0.0
LCL=0
Ejercicio 3.3 Hacer una corrida de carta I-MR en Minitab con Supp2
Ejercicio 3.4 Hacer cartas de control con datos reales de las plantas
generadoras.
Pgina 45
Pgina 46
Pgina 47
Pgina 48
Pgina 49
pi
Di
ni
(4.1)
(4.2)
2p
p(1 p )
n
(4.3)
de control son:
LSC = w + Lw
LC = w
(4.4)
LIC = w - Lw
Donde L es la distancia de la lnea central hasta los lmites de control, es comn
usar L = 3.
Pgina 50
__
LSCp = p 3 p (1 p )
n
__
__
LCp = p
(4.5)
__
__
LICp = p 3 p (1 p )
n
__
i = 1, 2, 3,....., m
(4.6)
Di
i 1
mn
p
i 1
(4.7)
Una vez hecha la grfica trazando los lmites anteriores, cualquier punto que se
encuentre fuera de control debe ser investigado, si se encuentra una causa
asignable o especial, deben tomarse medidas correctivas para prevenir su
Pgina 51
No
conformes
Servicio
No
conformes
Servicio
No
conformes
1
2
3
4
5
6
7
8
9
10
12
15
8
10
4
7
16
9
14
10
11
12
13
14
15
16
17
18
19
20
5
6
17
12
22
8
10
5
13
11
21
22
23
24
25
26
27
28
29
30
20
18
24
15
9
12
7
13
9
6
Como
en
total
se
conformes, se estima
m
encontraron
p
347
quejas
como sigue:
Di
i 1
mn
p
i 1
347
= 0.2313
(30)(50)
= 0.2313
LICp
= 0.0524
Corrida en Minitab
1. Stat > Control Charts > P
2. Variable No conformes Subgroup size 50
3. OK
Esta en control estadstico?
Si no eliminar puntos fuera de control y recalcular lmites de control
Pgina 52
servicios
no
0.5
1
UCL=0.4102
Proportion
0.4
0.3
P=0.2313
0.2
0.1
LCL=0.05243
0.0
0
10
20
30
Sample Number
causas
anteriores
calculando
nuevos
lmites
= 0.2150
Pgina 53
LICp
= 0.0407
0.4
UCL=0.3893
Proportion
0.3
P=0.215
0.2
0.1
LCL=0.04070
0.0
0
10
20
30
Sample Number
UCL=0.3804
Proportion
0.3
P=0.2081
0.2
0.1
LCL=0.03590
0.0
0
10
20
30
Sample Number
(4.12)
LIC np np 3 np (1 p )
Sample Count
20
UCL=19.02
NP=10.41
10
LCL=1.795
0
0
10
20
30
Sample Number
Pgina 55
n-var
nodef
Fra-def
LSC
100
80
80
12
8
6
0.12
0.1
0.075
0.183686
0.194093
0.194093
100
0.09
0.183686
110
10
0.090909
0.179582
110
12
0.109091
0.179582
100
11
0.11
0.183686
100
16
0.16
0.183686
90
10
0.111111
0.188455
90
0.066667
0.188455
110
20
0.181818
0.179582
120
15
0.125
0.176003
120
0.075
0.176003
120
110
8
6
0.066667
0.054545
0.176003
0.179582
Pgina 56
LIC
0.007334
7
-0.003073
-0.003073
0.007334
7
0.011438
2
0.011438
2
0.007334
7
0.007334
7
0.002565
1
0.002565
1
0.011438
2
0.015017
3
0.015017
3
0.015017
3
0.011438
0.0293918
0.0328611
0.0328611
0.0293918
0.028024
0.028024
0.0293918
0.0293918
0.0309817
0.0309817
0.028024
0.026831
0.026831
0.026831
0.028024
80
80
80
8
10
7
0.1
0.125
0.0875
0.194093
0.194093
0.194093
90
0.055556
0.188455
100
0.08
0.183686
100
0.05
0.183686
100
0.08
0.183686
100
10
0.1
0.183686
90
0.066667
0.188455
2
-0.003073
-0.003073
-0.003073
0.002565
1
0.007334
7
0.007334
7
0.007334
7
0.007334
7
0.002565
1
0.0328611
0.0328611
0.0328611
0.0309817
0.0293918
0.0293918
0.0293918
0.0293918
0.0309817
D
i 1
25
n
i 1
234
0.096
2450
(0.096)(0.904)
ni
LC = 0.096
LICp= p 3 p 0.096 3
(0.096)(0.904)
ni
Pgina 57
Proportion
0.2
UCL=0.1882
0.1
P=0.09534
0.0
LCL=0.002468
0
10
15
20
25
Sample Number
n
i 1
2450
98
25
(0.096)(0.904)
0.185
98
LC = 0.096
Pgina 58
LICp= p 3 p 0.096 3
(0.096)(0.904)
0.007
98
Proportion
UCL=0.1848
0.1
P=0.09566
LCL=0.006529
0.0
0
10
15
20
25
Sample Number
Zi
pi p
p (1 p )
ni
(4.13)
Pgina 59
donde p (o
nodef
12
8
6
9
10
12
11
16
10
6
20
15
9
8
6
8
10
7
5
8
5
8
10
6
9
Frac.def
0.12
0.1
0.075
0.09
0.090909
0.109091
0.11
0.16
0.111111
0.066667
0.181818
0.125
0.075
0.066667
0.054545
0.1
0.125
0.0875
0.055556
0.08
0.05
0.08
0.1
0.066667
0.1
LSC
0.183686
0.194093
0.194093
0.183686
0.179582
0.179582
0.183686
0.183686
0.188455
0.188455
0.179582
0.176003
0.176003
0.176003
0.179582
0.194093
0.194093
0.194093
0.188455
0.183686
0.183686
0.183686
0.183686
0.188455
0.188455
Pgina 60
LIC
0.0073347
-0.003073
-0.003073
0.0073347
0.0114382
0.0114382
0.0073347
0.0073347
0.0025651
0.0025651
0.0114382
0.0150173
0.0150173
0.0150173
0.0114382
-0.003073
-0.003073
-0.003073
0.0025651
0.0073347
0.0073347
0.0073347
0.0073347
0.0025651
0.0025651
Desv-est.
0.0293918
0.0328611
0.0328611
0.0293918
0.028024
0.028024
0.0293918
0.0293918
0.0309817
0.0309817
0.028024
0.026831
0.026831
0.026831
0.028024
0.0328611
0.0328611
0.0328611
0.0309817
0.0293918
0.0293918
0.0293918
0.0293918
0.0309817
0.0309817
Z-Estand
0.81655
0.12172
-0.63905
-0.20414
-0.18166
0.46713
0.47632
2.17748
0.48774
-0.94679
3.06231
1.08084
-0.78268
-1.09326
-1.47925
0.12172
0.8825
-0.25866
-1.30543
-0.54437
-1.56506
-0.54437
0.13609
-0.94679
0.12911
Individual Value
UCL=3
2
1
0
Mean=0
-1
-2
-3
LCL=-3
-4
0
10
15
20
25
Observation Number
4.6
(DEFECTOS) c y u
Una no conformidad o defecto es una caracterstica especfica que no cumple con
la especificacin del producto. Las no conformidades pueden tener una gravedad
diferente desde menores hasta crticas. Se pueden desarrollar cartas de control
para el nmero total de no conformidades en una unidad o el nmero promedio de
no conformidades por unidad.
Estas cartas asumen que la ocurrencia de no conformidades en muestras de
tamao constante son modeladas bien por la distribucin de Poisson, es decir
implica que las oportunidades o localizaciones potenciales para las no
Pgina 61
e c c x
x!
(4.15)
Donde la media y la desviacin estndar tienen valor c; para x = 0, 1, 2, .......
Por tanto considerando L = 3-sigma, los lmites de control para la carta de no
conformidades son:
LSCc =
c +3
c
LICc = c - 3
LCc =
(4.16)
c
LCc = c
LICc = c - 3
(4.17)
c
Pgina 62
unidades
de
inspeccin
sucesivas
de
100
muestras
de
Defectos
21
24
16
12
15
5
28
20
31
25
20
24
15
16
19
10
17
13
22
18
39
30
24
16
19
17
Donde,
LSC = 33.22
LC =
516 / 26 = 19.85 = c
LIC = 6.48
De la carta de control preliminar, se observa que hay 2
puntos fuera de control, el 6 y el 20.
Corrida en Minitab:
1. Stat > Control Charts > C
2. Variable Defectos
3. OK
Esta en control estadstico?
Si no eliminar puntos fuera de control y recalcular lmites de control
Pgina 63
40
Sample Count
UCL=33.21
30
20
C=19.85
10
LCL=6.481
1
0
0
10
20
Sample Number
Sample Count
UCL=32.97
25
C=19.67
15
LCL=6.363
5
0
10
15
20
25
Sample Number
Pgina 64
Defectos
16
18
12
15
24
21
28
20
25
19
18
21
16
22
19
12
14
9
16
21
Sample Count
UCL=31.84
25
C=18.82
15
LCL=5.808
5
0
10
15
20
25
30
35
Sample Number
sin
embargo
el
promedio
de
Pgina 65
defectos
es
alto,
Pgina 66
LC nc nc
(4.18)
LIC nc nc 3 nc
Pgina 67
Por ejemplo si se deciden utilizar 2.5 unidades de inspeccin para el caso de los
circuitos impresos (es decir inspeccionar 250 tarjetas) con n=2.5, se tiene:
LSC nc nc 3 nc = (2.5)(19.67) + 3
( 2.5)(19.67 ) 70.22
LC nc nc = (2.5)(19.67) = 49.18
LIC nc nc 3 nc = (2.5)(19.67) - 3
( 2.5)(19.67) 28.14
Mtodo 2. Carta u
Si se encuentra un total de c no conformidades en la muestra de n unidades de
inspeccin, entonces el promedio de no conformidades por unidad de inspeccin u
es:
u
c
n
(4.19)
LSC u u 3
u
n
LC u u
LSC u u 3
(4.20)
u
n
Pgina 68
DefectosU
10
12
8
14
10
16
11
7
10
15
9
5
7
11
12
6
8
10
7
5
Suma.de.no.conformidades
Suma.de.unidades.inspeccionadas
u =38.60 / 20 = 1.93
LSC = 3.79
LIC = 0.07
La carta de control queda como sigue:
U Chart for Defectos
4
UCL=3.794
Sample Count
U=1.93
LCL=0.06613
0
0
10
20
Sample Number
la
carta
de
control
no
se
observa
falta
de
control
Pgina 69
u
ni
LC u u
LSC ui u 3
(4.21)
u
ni
UnidadesInsp
10
8
13
10
9.5
10
12
10.5
12
12.5
No
Conf.
14
12
20
11
7
10
21
16
19
23
La lnea central es u
Donde
153
1.42
107.5
de inspeccin
Pgina 70
Total de unidades
Sample Count
UCL=2.436
2
U=1.423
1
LCL=0.4110
0
0
10
Sample Number
Fig. 4.16 Carta de Control U con Unidades de insp. variables
Existen otras dos alternativas para el manejo de la carta u con n variable:
1. Usando un promedio de tamaos de muestra.
m
n
i 1
ni
m
(4.22)
Zi
ui u
u
ni
(4.23)
NoConUv Sigmau
Z
14
0.37417 -0.0535
Pgina 71
DUvar
1.4
8
13
10
9.5
10
12
10.5
12
12.5
12
20
11
7
10
21
16
19
23
0.43301
0.34401
0.33166
0.2785
0.31623
0.38188
0.38095
0.36324
0.38367
0.18475
0.34435
-0.9648
-2.453
-1.3282
0.86414
0.2725
0.44965
1.0947
1.5
1.53846
1.1
0.73684
1
1.75
1.52381
1.58333
1.84
I Chart for Z
3
UCL=3
Individual Value
2
1
0
Mean=0
-1
-2
-3
LCL=-3
0
10
Observation Number
Pgina 72
Pgina 73
M1
50
49
48
9
24
25
27
25
24
26
M2
51
50
49
53
27
27
26
24
25
24
M3
52
51
52
51
26
24
23
23
25
25
D1
0
-1
-2
-1
-1
0
2
0
-1
1
D2
1
0
-1
3
2
2
1
-1
0
-1
D3
2
1
2
1
1
-1
-2
-2
0
0
Media
1
0
-0.33
1
0.67
0.33
0.33
-1
-0.33
0
Rango
2
2
4
4
2
2
4
2
1
2
Pgina 74
Sample Mean
UCL=2.929
2
1
Mean=0.1667
0
-1
-2
LCL=-2.596
-3
Sample Range
Subgroup
8
7
6
5
4
3
2
1
0
10
UCL=6.950
R=2.7
LCL=0
Pgina 75
RS
R
Ri
(5.1)
Sd 2
graficar,
S
x Ti
Ri
(5.2)
Zi
Carta np
Zi
pi p
p (1 p ) / n
npi n p
n p(1 p )
(5.3)
Carta c
Zi
Carta u
Zi
ci c
c
ui u
u/n
Pgina 76
5.5
Se utiliza para procesos con muchos flujos, por ejemplo diversas vlvulas que en
principio producen suponen flujos similares. El usar una carta de control
para cada flujo por separado sera prohibitivo, sin embargo se tiene la
alternativa de sta carta de control siempre que la produccin entre
husillos no est correlacionada.
Suponiendo un proceso con 6 flujos de salida donde cada flujo tiene el mimo valor
objetivo y la misma variabilidad inherente. Para establecer una carta de
control grupal, el muestreo se realiza como si se fueran a establecer
cartas separadas para cada flujo. Por ejemplo si de cada flujo s = 6 se
toman n = 4 partes de cada salida, hasta completar 20 o 25 subgrupos,
por ejemplo si se toman muestras de
n = 4 de 6 husillos repetido en 20 subgrupos, se habrn tomado 20 x 6 = 120
medias y rangos de n = 4 observaciones. De stos se calculan la media
LICX = X - A2 R
LICR = D3 R
_
LSCX = X + A2 R
LSCR = D4 R
Pgina 77
(5.4)
ARL0
s r 1
s 1
(5.5)
Las cartas de control de Shewart utilizan slo informacin acerca del proceso con
los ltimos datos del subgrupo, e ignoran la informacin de la secuencia completa
de puntos, esto hace que estas cartas de control sean insensibles a pequeos
corrimientos de la media del proceso, de 1.5 o menos. Los lmites preventivos y
criterios mltiples de prueba de corridas o tendencias toman en cuenta otros
Pgina 78
Ci ( x j 0 )
(5.6)
j 1
Como esta carta es eficiente para n=1, es una buena alternativa para el control de
procesos qumicos y el CEP automatizado. Si la media tiene un corrimiento hacia
arriba, la carta mostrar una tendencia ascendente y viceversa.
Ejemplo 5.1
Suponiendo que la Posicin de una parte (A) se mueve hacia arriba y hacia abajo
una cierta distancia de la posicin ideal de referencia (B). AtoBDist es esta
distancia. Para asegurar la calidad, se toman 5 mediciones al da durante el
primer periodo de tiempo y despus 10 al da en un siguiente periodo de tiempo.
Pgina 79
Sample Mean
UCL=4.802
Mean=0.4417
LCL=-3.918
-5
Sample Range
Subgroup
10
15
20
25
UCL=15.98
15
10
R=7.559
5
0
LCL=0
Upper CUSUM
Cumulative Sum
10
5.67809
-5
-5.67809
Low er CUSUM
10
15
20
Subgroup Number
Pgina 80
25
5.7
CARTA
DE
CONTROL
DE
MEDIAS
MOVILES
(5.7)
donde 0<<=1 es una constante y su valor inicial es el valor objetivo del proceso,
de tal forma que:
z 0 0 a veces igual a x
2i
1 (1 )
2
zi2
(5.8)
Por tanto los lmites de control de zi versus el nmero de muestra o tiempo i, son:
2i
1 (1 )
2
LSC 0 L
(5.9)
LC 0
(5.10)
2i
1 (1 )
2
LIC 0 L
(5.11)
Pgina 81
LSC 0 L
(5.12)
LC 0
(5.13)
LSC 0 L
(5.14)
Los valores adecuados de Lambda son 0.05, 0.1 y 0.2. Para Lamda de 0.2 los
lmites a L= 3 sigma funcionan bien y para Lamda de 0.1 es mejor poner los
lmites entre L = 2.6 y 2.8.
Ejemplo 5.2 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 pgina siguiente.
Corrida en Minitab:
1.
2.
3.
4.
5.
6.
EWMA
2.7SL=0.9670
Mean=0
-2.7SL=-0.9670
-1
0
10
15
20
25
Sample Number
Pgina 82
xi xi 1 ..... xi w1
w
(5.15)
3
w
(5.16)
LC 0
LIC 0
(5.17)
3
w
(5.18)
xi xi 1 ....xi 4
5
(5.19)
Para periodos i<5 se grafica el promedio de las observaciones para los periodos 1,
2, 3, ...i.
Ejemplo 5.3 La carta de media mvil para los datos del ejemplo
anterior con un tamao de corrida de 5 es la siguiente:
Corrida en Minitab:
1.
2.
3.
4.
5.
Pgina 83
Moving Average
4
3
UCL=2.346
2
1
Mean=0.4417
0
-1
LCL=-1.463
-2
-3
-4
-5
0
10
15
20
25
Sample Number
Pgina 84
Wt
Tanque con volumen V y flujos de entrada y de salida
Xt
Si se toman muestras en intervalos t, entoces observamos las xt:
x t awt (1 a ) x t 1
T V / f ;V volumen; f flujo
a 1 e t / T
Pgina 85
*
*
Correlacin positiva
*
* *
* **
*
Cov ( x t , x i k x)
k
, k 0,1,....
V ( xt )
rk
( x t x)( x t k x)
i 1
(x
t 1
x)
, k 0,1,....K
Pgina 86
195
189
195
192
196
194
196
199
197
197
192
195
190
196
199
203
199
207
204
207
204
207
209
205
202
200
208
214
205
211
212
214
210
208
208
209
209
206
200
203
202
195
196
203
196
197
197
203
205
194
199
201
198
202
207
204
210
197
189
189
196
193
193
198
194
198
199
204
200
203
197
196
202
200
202
202
207
206
211
205
210
210
198
194
192
189
188
189
194
194
194
198
196
Regression Plot
Concentr = 52.906 + 0.7356 Conc_1
S = 4.37364
R-Sq = 53.9 %
R-Sq(adj) = 53.4 %
Concentr
210
200
190
190
200
210
Conc_1
Pgina 87
Se observa que hay una cierta correlacin entre las mediciones distanciadas en un
periodo.
La autocorrelacin de una serie de observaciones con una orientacin en el
tiempo (series de tiempo) se mide con la funcin de Autocorrelacin:
k = Cov(Xi, Xi-k) / V(Xi) para K = 0, 1, 2, ..
Donde Cov(Xi, Xi-k) es la covarianza de las observaciones que estn separadas k
periodos de tiempo en el supuesto que las observaciones tienen la misma
varianza, por lo general los valores de Ro se estiman con la funcin de
autocorrelacin muestral.
Se obtiene ahora la funcin de autocorrelacin muestral para los datos de
concentracin en Minitab como sigue:
Stat > Time series > Autocorrelation Series Concentracin Default Number of Lags OK
Autocorrelation
Lag Corr
1
2
3
4
0.73
0.63
0.51
0.41
LBQ
7.47 57.47
4.48 100.71
3.08 129.38
2.28 148.12
15
Lag Corr
8
9
10
11
0.08
0.06
-0.02
0.01
LBQ
0.42
0.30
-0.08
0.06
161.31
161.71
161.75
161.76
Lag Corr
15
16
17
18
-0.09
-0.11
-0.14
-0.19
25
LBQ
-0.44
-0.54
-0.72
-0.98
163.68
165.10
167.63
172.41
Lag Corr
22
23
24
25
-0.17
-0.18
-0.08
-0.08
LBQ
-0.85
-0.88
-0.39
-0.36
189.22
193.68
194.59
195.38
Pgina 88
Las lneas discontinuas son los lmites de dos sigmas para el parmetro de
autocorrelacin Ro con el desfasamiento de K periodos de tiempo. En este caso
r1 = 0.8 suficientemente grande para distorsionar el desempeo de la carta de
control, un muestreo menos frecuente eliminara la autocorrelacin pero se
perdera informacin. A continuacin se muestran las cartas I-MR y EWMA:
Individual Value
215
UCL=210.1
205
Mean=200.0
195
1 11
185
Subgroup
11
50
LCL=189.9
100
15
Moving Range
111
UCL=12.36
10
5
R=3.784
LCL=0
EWMA
205
2.7SL=203.0
200
Mean=200.0
-2.7SL=197.0
195
50
100
Sample Number
Concentr
210
200
190
10
20
30
40
50
60
70
80
90
100
Time
Frequency
20
10
0
-10
-8
-6
-4
-2
Residual
Pgina 90
Individual Value
20
UCL=14.43
10
0
Mean=-0.04792
-10
LCL=-14.53
-20
Subgroup
50
100
Moving Range
20
UCL=17.79
10
R=5.443
0
LCL=0
S = 4.37364
R-Sq = 53.9%
4
3
EWMA
2
1
0
Mean=-0.04792
-1
-2
-3
-4
-2.7SL=-4.391
-5
0
50
100
Sample Number
Pgina 91
02
__
__
__
n
2 __
2
2
2
2
2
2
(
X
(
X
(
X
)
(
X
2
1
1
1
2
2
12
1
1
2 2 )
2 2
2
1 2 12
El Lmite Superior de Control LSC = 2.2 que es el punto superior para el rea (1). Si al menos una media se sale de control, la probabilidad de que el estadstico
2 salga de control se incrementa. Si 12 = 0, indicando que las medias muestrales
__
__
__
__
__
Hotelling,H. (1947). Multivariate Quality Control,, Techniques of Statistical Analysis, Eisenhart, McGraw
Hill, NY, USA, 1947.
Pgina 92
Regin de control
***
X1
*****
*****
Fig.
5.14
Elipse
de
control
para
variables
independientes
X2
__
__
Pgina 93
2
Para evitar las dificultades anteriores, es usual graficar los valores de 0
LSC = 2.2
20
chi-cuadrada
para
La carta de control T2
T 2 n( x X )'
( x X )
Se utilizan 2 fases para el uso de esta carta; la fase 1 es para establecer control
del proceso, probando con los primeros m subgrupos, aqu se establecen los
lmites de control para la fase 2, con los cuales se monitorea la produccin.
Pgina 94
LSC
p ( m 1)(n 1)
F , p , mn m p 1
mn m p 1
LIC 0
LSC
p ( m 1)( n 1)
F , p , mn m p 1
mn m p 1
LIC 0
Es comn usar el Lmite Superior de Control LSC = 2.2 para ambas fases, si se
usa m20 o 25 los lmites de control coinciden para ambas fases. Se recomienda
tomar siempre m mayor de 20 con ms de 50 muestras.
0.0106" ;S
T2
__
__
__
10
2
2
2
2
(
0
.
83
)(
X
115
.
59
)
1
.
23
(
X
1
.
06
)
2
(
0
.
79
)(
X
115
.
59
)
(
X
1
2
1
2 1.06)
(1.23)(0.83) 0.79
LSC
2( 20 1)(10 1)
342
F0.001, 2, 20 (10 ) 20 2 1
F0.001, 2,179 (1.91)(17.18) 13.72
( 20)(10) 20 2 1
179
LSC = 13.72
T2
del estadstico para todas las variables excepto la (i-sima), por tanto:
di = (T2 - T(i ) )
T 2 ( x x )' S 1 ( x x )
p ( m 1)(n 1)
F , p , m p
m 2 mp
LIC 0
p ( m 1)(n 1)
F , p , m p ;
m p
LSC = 2.2
LIC 0
Individual Value
Subgroup
Moving Range
0.6
0.5
UCL=1.188
Mean=0.8075
LCL=0.4266
11
0
10
20
30
40
50
60
1
1
0.4
UCL=0.4679
0.3
0.2
R=0.1432
0.1
0.0
LCL=0
Pgina 97
Pgina 98
Variabilidad natural: Los productos fabricados nunca son idnticos sino que
presentan cierta variabilidad, cuando el proceso est bajo control, solo
actan las causas comunes de variacin en las caractersticas de calidad.
Pgina 99
(6.1)
LTNI = - 3
Para un proceso normal, los lmites de tolerancia naturales incluyen 99.73% de la
variable, slo el 0.27% (2700 ppm) de la salida del proceso se encontrar 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:
Pgina 100
.00135 LTNI
LTNS .00135
Pgina 101
J.M. Juran, Anlisis y planeacin de la Calidad, Tercera Edicin Mc. Graw Hill, Pp.404
Pgina 102
Variacin a corto plazo (Zst) Los datos son recogidos durante un periodo de
tiempo suficientemente corto para que sea improbable que haya cambios y otras
causas especiales.
Las familias de variacin han sido restringidas
considerados, slo son los que se obtuvieron del subgrupo racional. Ayuda a
determinar subgrupos racionales importantes.
Pgina 103
(6.1)
dnde:
Zst = variacin a corto plazo.
nom = Valor nominal u objetivo
Zlt = variacin a largo plazo.
Z shift.- A largo plazo los procesos tienen un desplazamiento natural de 1.5
desviaciones estndar.
Zlt = Zst-1.5shift
Pgina 104
Cp PCR
LSE LIE
6
(6.2)
74.05mm
R
0.0099
d2
el
LIE=
73.95mm
de
la
carta
se
estim
= 1.68
(6.3)
Pgina 105
LSE
3
Cpi PCR I
LIE
3
Ejemplo 6.2
(6.4)
Cp PCR I
264 200 64
0.67
3(32)
96
ZI
32
P(x <= ZI) = 0.0228 o 2.28% por debajo del lmite inferior de
especificaciones
Algunos de los ndices de capacidad potencial Cp y las piezas defectivas en
partes por milln (ppm) que estn fuera de especificaciones se muestran a
continuacin:
Cp
1-lado
2-lados
0.25
226,628
453,255
0.50
66,807
133,614
0.60
35,931
71,861
0.70
17,865
35,729
0.80
8,198
16,395
1.00
1,350
2,700
Pgina 106
1.10
484
967
1.20
159
318
1.30
48
96
1.40
14
27
1.50
1.60
1.70
0.17
0.34
2.00
0.0009
0.0018
(6.5)
donde,
Cps PCR S
LSE
3
Cpi PCR I
LIE
3
Pgina 107
(6.6)
Ejemplo
6.3
Para
un
proceso
donde
los
lmites
de
Cps PCRS
62 53
1.5 para el lmite superior
32
Cpi PCR I
53 38
2.5 para el lmite inferior
32
Pgina 108
Frec.
a)
Microdureza
Se puede transformar cada valor x con su inverso o sea con y=1/x de esta forma
la distribucin transformada es la siguiente (ver mtodo de Box Cox con Lamda
ptima en Minitab):
Frec.
b)
Y=1/x
LIE
LSE
PROCESO A: Cpk = 1
LIE
LSE
PROCESO B: Cpk =1
Si T
1
( LSE LIE )
2
(6.7)
2 ( T ) 2
(6.8)
(6.9)
Se tiene,
Cp km PCRkm
LSE LIE
LSE LIE
LSE LIE
2
2
6
6 ( T )
1 2
(6.10)
Una condicin necesaria para que Cpkm sea mayor de uno es:
1
( LSE LIE )
6
T = 50
1
1.0
1 0
2
1 (3) 2
0.63
Pgina 110
Cpk
(6.11)
1 2
?
?
?
?
?
?
?
Pgina 111
Tiempo
Prediccin
R
S
Donde,
S = Desviacin estndar de la poblacin
d2 = Factor que depende del tamao del subgrupo en la carta de control X - R
C4 = dem al anterior para una carta X - S
En una carta por individuales, d2 se toma para n = 2 y Rango Medio = Suma
rangos / (n -1)
siguiente,
despus
de
que
el
proceso
se
estabiliz
Pgina 112
R
77.3
33.23
d 2 2.326
El C pk
200 264.06
3 33.23
especificaciones.
Ejemplo 6.8 (carta X - S)
De una carta de control X - S (con subgrupo n = 5) se obtuvo
lo
siguiente,
despus
de
que
el
proceso
s
1.05
1.117
=
C4
.094
Pgina 113
se
estabiliz
El C pk
El C p
105 100
3 1.117
105 85
6 1.117
1.492
2.984
32.02 OK
Considerando Lmites de especificaciones LIE = 200 y LSE = 330
Nos aseguramos que los datos se distribuyan normalmente con la prueba de Ryan
como sigue:
3. Stat > Basic statistics > Normalita Test
4. Variable C1
El P value debe ser mayor a 0.05 para que los datos se distribuyan normalmente
Pgina 114
Pgina 115
Interpretacin:
La desviacin estndar Within se determina en base al Rango medio y d2
(1.128 para n = 2), con esta se determinan los ndices de capacidad potencial
Cp y real Cpk, lo cual es adecuado para un proceso en control o normal.
Pgina 116
Pgina 117
Pgina 118
observamos
que
PPM
>
USL
3,795
lo
cual
significa
que
Los ndices Pp y Ppk son similares a los ndices Cp y Cpk , se refieren a la capacidad del proceso a largo
plazo.
Pgina 119
2
2
total
2producto equipo
. medicin
(6.13)
Variacin de la medicin
Repetibilidad
Variacin
originada
Equipo
de
medicin
por el calibrador
Estabilidad
Pgina 120
Reproducibilidad
Linealidad
Calibracin
Sesgo
Definiciones
O p e ra d o r -B
O p e ra d o r -C
O p e ra d o r -A
R e p r o d u c ib i l id a d
Pgina 121
R E P E T I B IL I D A D
Valor verdadero:
Exactitud :
Exacto y preciso
(resolucin)
En EUA se tiene el NIST (National Institute of Standards ando Technology),En Mxico se tiene el
CENEAM o el Centro Nacional de Metrologa
Pgina 122
i e
i e
Valor
verdadero
Sesgo
Menor
Sesgo
mayor
(rango inferior)
(rango superior)
V a lo r
V e rd a d e ro
S e s g o
Pgina 123
con exactitud
conocida con otro instrumento para detectar, reportar o eliminar por medio del
ajuste, cualquier variacin en la exactitud del instrumento.
<10% Aceptable
10-30%. Puede ser aceptable, para caractersticas no crticas.
>30%. Inaceptable!
En otras industrias fuera de la automotriz se acepta un error total de R&R del 25%
como mximo.
Pgina 124
La resolucin del equipo de medicin debe ser de al menos el 10% del rango
de tolerancia o del rango de variacin del proceso.
Las partes deben seleccionarse al azar, cubriendo el rango total del proceso.
Es importante que dichas partes sean representativas del proceso total (80%
de la variacin)
Pgina 125
4. Haga que el segundo operador mida todas las muestras una sola vez,
siguiendo un orden al azar.
5. Contine hasta que todos los operadores hayan medido las muestras una sola
vez (Este es el ensayo 1).
6. Repita los pasos 3-4 hasta completar el nmero requerido de ensayos
7. Determine las estadsticas del estudio R&R
Repetibilidad
Reproducibilidad
% R&R
Desviaciones estndar de cada uno de los conceptos mencionados
Anlisis del porcentaje de tolerancia
8. Analice los resultados y determine las acciones a seguir si las hay.
Mtodos de estudio del error R&R:
I.
Mtodo de Promedios- Rango
Repetibilidad.
Pgina 126
Medicin 1
21
24
20
27
19
23
22
19
24
25
21
18
23
24
29
26
20
19
25
19
Medicin 2
20
23
21
27
18
21
21
17
23
23
20
19
25
24
30
26
20
21
26
19
Promedio
Media
20,5
23,5
20,5
27,0
18,5
22,0
21,5
18,0
23,5
24,0
20,5
18,5
24,0
24,0
29,5
26,0
20,0
20,0
25,5
19,0
22,3
Rango
1
1
1
0
1
2
1
2
1
2
1
1
2
0
1
0
0
2
1
0
1
x 22.3
R 1 .0
Ejemplo adaptado de: Statistical Quality Control. Douglas C. Montgomery. Willey. Second Edition
Pgina 127
medicin =
R
1
0.887
d 2 1.128
donde:
R = Rango promedio
d2 = Valor de tablas.
Para obtener una buena estimacin de la capacidad del error de medicin
utilizamos:
6 medicin 6(0.887) 5.32
T USL LSL
0.097 .
T
55
Pgina 128
100 25.73%
total
3.07
DF
SS
MS
Partes
0.0000086
0.0000010
12.2885
0.000
Operadores
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
Pgina 129
89
0.0000165
DF
SS
MS
Partes
0.0000086
0.0000010
9.67145
0.000
Operadores
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)
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
StdDev (SD)
(5.15 * SD)
(%SV)
(SV/Toler)
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
Source
Total Gage R&R
Pgina 130
Gage name:
Date of study:
Components of Variation
Percent
80
Datos by Partes
% Contribution
0.006
%Study Var
% Tolerance
40
0.005
0.004
Gage R&R
Repeat
Reprod
Part-to-Part
R Chart by Operadores
Sample Range
0.006
0.0005
_
R=0.000417
0.005
0.0000
LCL=0
10
2
Operadores
Operadores
UCL=0.005143
_
X=0.004717
0.0045
Average
Sample Mean
0.0050
0.004
5
6
Partes
Datos by Operadores
UCL=0.001073
0.0010
LCL=0.004290
0.0040
0.0050
2
3
0.0045
0.0040
1
5
6
Partes
Pgina 131
10
Rating
2
2
2
1
2
-1
-1
-1
-2
-1
1
0
0
0
0
-2
-2
-2
-2
-2
0
0
0
-1
0
1
Attribute
2
2
2
2
2
-1
-1
-1
-1
-1
0
0
0
0
0
-2
-2
-2
-2
-2
0
0
0
0
0
1
Pgina 132
6
6
6
6
7
7
7
7
7
8
8
8
8
8
9
9
9
9
9
10
10
10
10
10
11
11
11
11
11
12
12
12
12
12
13
13
13
13
13
14
14
14
14
14
15
15
15
15
15
1
1
1
1
2
2
2
1
2
0
0
0
0
0
-1
-1
-1
-2
-1
1
1
1
0
2
-2
-2
-2
-2
-1
0
0
0
-1
0
2
2
2
2
2
-1
-1
-1
-1
-1
1
1
1
1
1
1
1
1
1
2
2
2
2
2
0
0
0
0
0
-1
-1
-1
-1
-1
1
1
1
1
1
-2
-2
-2
-2
-2
0
0
0
0
0
2
2
2
2
2
-1
-1
-1
-1
-1
1
1
1
1
1
Pgina 133
# Inspected
15
15
15
15
15
# Matched
8
13
15
15
14
Percent
53.33
86.67
100.00
100.00
93.33
95 % CI
(26.59, 78.73)
(59.54, 98.34)
(81.90, 100.00)
(81.90, 100.00)
(68.05, 99.83)
Coef
0.89779
0.96014
1.00000
1.00000
0.93258
SE Coef
0.192450
0.192450
0.192450
0.192450
0.192450
Z
4.61554
4.93955
5.14667
5.14667
4.79636
P
0.0000
0.0000
0.0000
0.0000
0.0000
Between Appraisers
Assessment Agreement
# Inspected
15
# Matched
6
Percent
40.00
95 % CI
(16.34, 67.71)
Chi - Sq
67.6422
DF
14
P
0.0000
# Inspected
15
# Matched
6
Percent
40.00
95 % CI
(16.34, 67.71)
Kappa
0.842593
0.796066
0.850932
0.802932
0.847348
0.831455
SE Kappa
0.115470
0.115470
0.115470
0.115470
0.115470
0.058911
Z
7.2971
6.8941
7.3693
6.9536
7.3383
14.1136
P(vs > 0)
0.0000
0.0000
0.0000
0.0000
0.0000
0.0000
Assessment Agreement
Appraiser vs Standard
100
95.0% CI
Percent
Percent
80
60
40
20
0
Duncan
Hayes
Holmes
Appraiser
Montgomery
Pgina 135
Simpson
Interpretacin de resultados
Minitab muestra tres tablas como sigue: Cada evaluador vs el estndar, Entre
evaluadores y Todos los evaluadores vs estndar. Los estadsticos de Kappa y
Kendall tambin se incluyen en cada una de las tablas. En general estos
estadsticos sugieren buen acuerdo.
El coeficiente de Kendall entre evaluadores es 0.966317 (p = 0.0); para todos los
evaluadores vs estndar es 0.958192 (p = 0.0). Sin embargo la observacin del
desempeo de Duncan y Haues indica que no se apegan al estndar.
La grfica de Evaluadores vs. Estndar proporciona una vista grfica de cada uno
de los evaluadores vs el estndar, pudiendo comparar fcilmente la determinacin
de acuerdos para los cinco evaluadores.
Se puede concluir que Duncan, Hayes y Simpson requieren entrenamiento
adicional.
Mtodo sencillo
Tomar 50 piezas, 40 de las cuales dentro de especificaciones y 10 fuera de
especificaciones
Probarlas con dispositivos pasa y no pasa por medio de 3 operadores
Si no coinciden todos los operadores en al menos el 90%, los dispositivos o gages
pasa, no pasa no son confiables
Pgina 136
Pgina 137
7. DISEO DE EXPERIMENTOS
7.1 Introduccin
En muchas industrias el uso efectivo del diseo de experimentos es la clave
para obtener altos rendimientos, reducir la variabilidad, reducir los tiempos de
entrega, mejorar los productos, reducir los tiempos de desarrollo de nuevos
productos y tener clientes ms satisfechos.
QU ES EL DISEO DE EXPERIMENTOS (DOE)?
Un diseo de experimentos es una prueba o serie de pruebas en las cuales se
hacen cambios a propsito en las variables de entrada de un proceso, de tal forma
que se puedan observar e identificar cambios en la respuesta de salida.
Los productos resultantes tienen una o ms caractersticas de calidad observables
o respuestas (Crticas para la calidad si el cliente reclama por su no cumplimiento
CTQs). Algunas de las variables del proceso X1, X2, X3,, Xp son
controlables o factores de control, mientras que otras Z1, Z2, Z3, .., Zq no son
controlables (a pesar de que pueden ser controladas durante el desarrollo de las
pruebas), y se denominan factores de ruido.
Los objetivos del diseo de experimentos son:
1. Determinar cules variables tienen ms influencia en la respuesta, y.
2. Determinar en donde ajustar las variables de influencia xs, de tal forma que y
se acerque al requerimiento nominal deseado.
3. Determinar donde ajustar las variables de influencia xs de tal forma que la
variabilidad en y sea pequea.
4. Determinar donde ajustar las variables de influencia xs de tal forma que los
efectos de las variables incontrolables z sean minimizados.
Con la aplicacin del DOE durante el desarrollo de los procesos podemos
obtener los beneficios siguientes:
1. Rendimiento mejorado.
Pgina 138
Pgina 139
B2
A1
20
30
A2
40
52
FACTOR A
40 52 20 30
21
2
2
30 52 20 40
11
2
2
Pgina 140
Respuesta
B2
B2
B1
A1
B1
A2
A1
a) Sin interaccin
A2
b) Con interaccin
AB
40 30 52 20
19
2
2
Pgina 141
NIVEL BAJO
20C
1 atmsfera
A
NIVEL ALTO
40C
4 atmsferas
B
Pgina 142
APNDICES
Pgina 143
+ A2 R
- A2 R
D3 R
CARTAS Xbarra-S
Lmites de control para medias
LSCx =
+ A3 S
LCx = X
LICx =
- A3 S
MR
d2
__
LCx = X
LICx = X 3
MR
d2
Pgina 144
Para el caso del rango se usan las mismas de la carta Xbarra-R con n=2
CARTAS DE CONTROL PARA ATRIBUTOS
CARTA p
pi
Di
ni
m
Di
i 1
mn
p
i 1
m
__
__
LSCp = p 3 p (1 p )
n
__
__
LCp = p
__
__
LICp = p 3 p (1 p )
n
__
CARTAS np
LSC np np 3 np (1 p )
LC np np
LIC np np 3 np (1 p )
CARTAS c
LSCc = c + 3
LCc = c
LICc = c - 3
CARTAS u
Pgina 145
c
n
LSC u u 3
u
n
LC u u
LSC u u 3
u
n
Pgina 146
A2
D3
D4
d2
1.880
0.000
3.267
1.128
1.023
0.000
2.574
1.693
0.729
0.000
2.282
2.059
0.577
0.000
2.115
2.326
0.483
0.000
2.004
2.534
0.419
0.076
1.924
2.704
0.373
0.136
1.864
2.847
0.337
0.184
1.816
2.970
10
0.308
0.223
1.777
3.078
c4
A3
B3
B4
B5
B6
0.9400
1.342
1.427
2.089
1.964
0.9515
1.225
1.287
0.030
1.970
0.029
1.874
0.9594
1..134 1.182
0.118
1.882
0.113
1.806
0.9650
1.061
1.099
0.185
1.815
0.179
1.751
0.9693
1.000
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
1.610
13
0.9794
0.832
0.850
0.382
1.618
0.374
1.585
14
0.9810
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
0.750
0.763
0.448
1.552
0.440
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
0.490
1.483
20
0.9869
0.671
0.680
0.510
1.490
0.504
1.470
21
0.9876
0.655
0.663
0.523
1.477
0.516
1.459
22
0.9882
0.640
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
0.600
0.606
0.565
1.435
0.559
1.420
Pgina 147