Documentos de Académico
Documentos de Profesional
Documentos de Cultura
Calidad
Conceptos básicos y
variabilidad.
c) No establecen claramente la
relación apropiada entre deseos,
necesidades, expectativas del
cliente y la función del producto.
Un producto se puede vender por
un atributo pero perderá mercado
por su función, por su calidad.
Se comporta de forma
exponencial en las
pérdidas
Valor nominal
Características de calidad
Tendencia
Pérdidas ($)
• Actualmente la tendencia de
control de calidad es la reducción
de variabilidad
Pérdida de calidad
Característica de calidad
Valor nominal
µ̂
Línea central (LC)
µˆ − 3σˆ x
Límite inferior de control (LIC)
tiemp
o
A
B
C
LC
C
B
A
LIC
tiempo
Característica de calidad
Característica de calidad
A
A
B
B
C
C LC
LC C
C
B
B
A
A
LIC
LIC
tiempo
tiempo
Carlos Viesca González 27
Gráficas de control
Prueba # 4: Prueba # 5:
Característica de calidad
Característica de calidad
A
A
B
B
C
C LC
LC C
C
B
B
A
A
LIC
LIC
tiempo
tiempo
Carlos Viesca González 28
Gráficas de control
Prueba # 6: Prueba # 7:
Característica de calidad
Característica de calidad
A
A
B
B
C
C LC
LC C
C
B
B
A
A
LIC
LIC
tiempo
tiempo
Carlos Viesca González 29
Gráficas de control
Prueba # 8:
Ocho puntos consecutivos que no caigan en la zona C
LSC
Característica de calidad
A
B
C
LC
C
B
A
LIC
tiempo
x − µx σ
Z= σx =
σx n
LSC
La media cambia
LIC
1
ARL =
α
Entre más grande sea el ARL es mejor, ya que no se
tienen muchas falsas alarmas.
1
ARL =
1− β
Entre más pequeño sea el ARL necesito
menos muestras para calcular el error tipo II
Donde:
( x − R)
Carlos Viesca González 46
Gráficas de medias y
rangos
LC = R
LSC = D4 R
LSC = D3 R
Carlos Viesca González 48
Gráficas de medias y
rangos
Gráfica de medias: antes de calcular
los límites es necesario que esté bajo
control la gráfica de rangos.
L C= x
LSC = x + A2 R
LSC = x − A2 R
Carlos Viesca González 49
Gráficas de medias y
rangos
σ = se puede obtener a partir de
los datos recopilados, pero
generalmente se obtiene de la
información proporcionada por la
gráfica de un proceso bajo control.
R
σˆ =
d2
Carlos Viesca González 50
Interpretación de
gráfica de rangos
Esta gráfica se debe analizar primero,
ya que el comportamiento de los
promedios y de los rangos de los
subgrupos depende de la variabilidad
estimada de las piezas.
Se deben verificar las ocho pruebas
Verificar que no haya tendencias
Carlos Viesca González 51
Interpretación de
gráfica de medias
Si la gráfica de rangos está bajo control, la dispersión del
proceso está estable y por lo tanto se puede analizar la
gráfica de los promedios; los límites de control de esta
gráfica se basan en la cantidad de variación de los
rangos. Con la gráfica de medias se determina si el
centro del proceso está cambiando con el tiempo y si ese
es el caso, entonces existen causas especiales de
variación que están ocasionando esos problemas.
(x − S)
Carlos Viesca González 53
Procedimiento para
elaborar una gráfica x -
S
1. Defina cuál será la característica de la
calidad: Otorgar la máxima prioridad a
aquellas variables o características medibles y
expresables mediante números y que causen
problemas en producción o costos.
2. Escoja el subgrupo racional: Los elementos
que conformen cada subgrupo deberán de
haberse producido básicamente dentro de las
mismas condiciones.
=
x
∑ i
( x − x ) 2
S= i =1
n −1
7. Calcular : dividiendo el total de las S de
cada subgrupo por el número de subgrupos.
S
S
c4
Carlos Viesca González 58
Procedimiento para
elaborar una gráfica x -
S
Gráfica x :
LC = x
Línea central:
LSC = x + A3 S
Límite superior de control:
Límite inferior de control:LIC = x − A3 S
LITN = x − 3σ LIE
x LSE LSTN = x + 3σ
Carlos Viesca González 71
Índices de capacidad
del proceso
Dónde:
LSTN = límite superior de tolerancia natural
R
( x − R)
d 2
S =
S
( x − S)
c4
Carlos Viesca González 75
Límites de
especificación o
tolerancias
Son característicos de una parte o
artículo determinado.
Están basados en consideraciones
funcionales.
Están relacionados con una
medición de una sola parte.
Carlos Viesca González 76
Límites de control de
una gráfica de control
Son característicos de un proceso determinado.
LSE − LIE
Cp =
6σ̂
± 3σ 2700 ppm
± 4σ 64 ppm
± 5σ 6 partes en 10 millones
± 6σ Menos de 1 parte en 10
millones
* Considerando un proceso centrado y media fija
LSE − µˆ µˆ − LIE
Cpk = mínimo ,
3σˆ 3σˆ
( x − Rm )
Carlos Viesca González 85
Gráfica de observaciones
individuales y rangos
móviles
LC = R
LSC = D4 R
LIC = D3 R
Carlos Viesca González 87
Gráficas de observaciones
individuales y rangos
móviles
Gráfica de observaciones individuales:
para ser interpretada necesita estar bajo
control.
R
LC = x LSC = x + 3
d2
R
LIC = x − 3
d2
Carlos Viesca González 88
CAPÍTULO 2.2
Gráficas para atributos:
p, np
C, U
Gráfica p
LC = p
p (1 − p )
LSC = p + 3
n
p (1 − p )
LIC = p − 3
n
Carlos Viesca González 97
Gráfica para la
proporción de piezas
defectuosas
Para muestras variables:
LC = p =
∑ d i
∑n i
p (1 − p )
LSC = p + 3
n
p (1 − p )
LIC = p − 3
n
Carlos Viesca González 98
Interpretación
Para interpretar la gráfica p, se hace de la misma
manera que las otras gráficas, se debe:
Verificar que los puntos no excedan los límites de control.
Los puntos se deben distribuir aleatoriamente dentro de
los límites de control.
No deben mostrar tendencias
Los puntos debe apareceren orden aleatorio en el tiempo.
Gráfica np
LIC = np − 3 np (1 − p )
Gráfica C
LC =
∑ c i
=c
k
LSC = c + 3 c
LIC = c − 3 c
Carlos Viesca González 108
Gráfica de número de
defectos por unidad
Gráfica U
u LIC = u − 3 u
LC = u LSC = u + 3
ni ni
Carlos Viesca González 112
CAPÍTULO 2.3
Gráficas CUSUM y EWMA
Ci = ∑ ( x j − µ o )
i
j =1
donde :
x j = media de una muestra u
observación individual.
µ o = valor objetivo
i
+
{
C = max 0, xi − ( µ o + k ) + C +
i −1 }
C i
−
= max{0, ( µ o − k ) − xi + C −
i −1 }
Carlos Viesca González 116
Construcción de una
gráfica CUSUM
El procedimiento se inicia haciendo:
+ −
C =C =0
o o
K es un valor de referencia o de
holgura y frecuentemente se
determina como:
µ1 − µ o
k=
2
Carlos Viesca González 117
Construcción de una
gráfica CUSUM
El proceso está fuera de control si
C+ o C- exceden el valor de H, un
valor razonable para H es .5σ .
Para esta gráfica no se realizan las
8 pruebas, ya que los datos
dependen unos de otros.
Carlos Viesca González 118
Construcción de una
gráfica CUSUM
Cuando el ajuste que se debe hacer en el
proceso tiene por objetivo hacer que la media
regrese al valor objetivo puede ser útil estimar
la media actual del proceso.
Ci+
µ o + k + + ,
+
si C > H
i
Ni
µˆ = +
µ o − k − Ci , si C > H−
Ni+ i
zi = λxi + (1 − λ ) zi −1
donde:
0< λ ≤ 1 es una constante
El valor de inicio (que se requiere con la primera
muestra cuando i = 1) es el objetivo del proceso, con lo
cual z0 = µ 0
En ocasiones z0 = promedio de los datos preliminares
LC = µ0
LIC = µ0 − Lσ
λ
2−λ
[1 − (1 − λ ) ]
2i
Errores de inspección:
En la implantación de un muestreo de
aceptación se supone que el inspector
sigue el plan de muestreo que debe
aplicar y que la inspección se hace sin
errores.
Etapa de madurez
tiempo
3. Etapa de reemplazo.
1.- 2.- Etapa de 3.-
periodo madurez envejecimiento
inicial
tiempo
∫ f (t )dt = 1
−∞
Carlos Viesca González 182
Tiempo entre fallas
F(t)= función de probabilidad o
densidad acumulada (probabilidad de
que un producto falle hasta antes del
tiempo t) t
F (t ) = P( T < t ) = ∫ f (t )dt
−∞
∞
R(t ) = 1 − f (t ) = P (T > t ) = ∫ f (t )dt
t
∞
µ = E (t ) = MTTF o MTBF = ∫ t ( f (t ))dt
−∞
Z (t ) = f (t )
= 1 − F ( z)
− λt 1 −t µ
f (t ) = λe = e ; t >0
µ
Carlos Viesca González 188
Funciones de
probabilidad
exponencial
λ = número de fallas por ud. de tiempo.
µ = tiempo medio por fallas (MTBF) o
tiempo medio para fallas.
1 1
λ= ⇒ µ=
µ λ
tasa de fallas = z (t ) = λ
Carlos Viesca González 189
Funciones de
probabilidad
exponencial
Esta distribución es útil para representar la tasa
de fallas en la etapa de madurez en la gráfica
similar a la tina de baño.
λ 1
f(t) R(t)
tiempo tiempo
R (t ) = 1 − F (t ) = P (T > t )
Carlos Viesca González 191
Funciones de
probabilidad
exponencial
Tasa de fallas
Z(t)
tiempo
t t t
−1
P(T ≤ t ) = ∫ f (t )dt = ∫ λe −λt dt = λ e −λt
0 0 λ 0
[ ]
F (t ) = P (T ≤ t ) = −1 e −λt − 1 = 1 − e −λt prob. falla
∞
[ ]
R(t ) = P (T > t ) = ∫ λe −λt dt = 1 − 1 − e −λt = e −λt confiabilidad
t
Carlos Viesca González 192
Funciones de
probabilidad
Normal:
Esta distribución puede representar
situaciones en las cuales no se presentan
fallas durante un periodo de tiempo, y
repentinamente muchas o todas las pzas.
comienzan a fallar, alrededor de cierto
tiempo que coincide con la media µ .
f(t) f(t)
tiempo tiempo
(t − µ )2
−. 5
σ
e
f (t ) = ; t > 0, µ > 0, σ > 0
σ 2π
Carlos Viesca González 195
Funciones de
probabilidad
normal
Tasa de fallas
Z(t)
tiempo
t−µ
R (t ) = 1 − f ( z ) ; z=
σ
Carlos Viesca González 196
Funciones de
probabilidad
Weibull:
Esta distribución es la más utilizada en
estudios de confiabilidad, ya que puede
modelar casi cualquier situación ya sea
en periodos con tasa creciente,
constante o decreciente.
m −1
m t − to
Z (t ) =
θ θ
Carlos Viesca González 198
Funciones de
probabilidad
weibull
Confiabilidad:
− ( t −t o ) m
θ
R (t ) = e
La media es:
1
µ = MTTF = MTBF = to + θ Γ1 +
m
Γ(v) = función gamma de v
Γ(v) = vΓ(v − 1)
Carlos Viesca González 199
Funciones de
probabilidad
weibull
Los parámetros de la distribución son:
m: representa la forma de la distribución
θ : representa la magnitud de la media
m =.5
m =1
f(t)
m =2
m =4
θ 2θ
m =.5
m =1
R(t)
m =2
m =4
θ 2θ
m =.5
m =1
Z(t)
m =2
m =4
θ 2θ
n
λs = ∑λi
i =1
1
MTBF = n
∑λ
i =1
i
( )
n
−λi t
R p (t ) = 1 − Π 1 − e
i =1
si toda λi es igual ∨ λi entonces :
(
R p (t ) = 1 − 1 − e −λt n
)
1 1 1 1
MTBF = 1 + + + +
λ 2 3 n
Carlos Viesca González 206
Pruebas de vida
fallas observadas
En base a fallas observadas se selecciona de un
lote una muestra aleatoria de n pzas y es
sometida a pruebas bajo condiciones
ambientales determinadas, observándose los
tiempos de falla de los componentes
individuales, los tiempos de falla observados
son:
t1 ≤ t 2 ≤ t3 ≤ ≤ t r
Carlos Viesca González 207
Pruebas de vida
fallas observadas
Si el tamaño de la muestra es n, la vida
acumulada por las uds probadas hasta
la falla r, sera Tr. Si en la prueba se
reemplazan los elementos que fallan,
entonces:
Tr = nt r
Carlos Viesca González 208
Pruebas de vida
fallas observadas
Si las piezas que fallan no se
reemplazan, entonces:
r
Tr = ∑ ti + ( n − r )t r
i =1
Tk = nT
β −1 1−γ
β
β t −γ
f (t ) = e α
, t ≥γ
α α
1 −t α
f (t ) = e ; α=µ
α