MSA 3 Español

Anlisis de Sistemas de Medicin
MSA
Tercera Edicin
ANLISIS DE SISTEMAS DE MEDICIN
Manual de Referencia Tercera Edicin
Copia para:
Primera Edicin, Octubre 1990 Segunda Edicin, Febrero, 1995; Segunda Impresin, Junio 1998 Tercera Edicin, Marzo, 2002, Derechos Reservados 1990, 1995, 2002 DaimlerChrysler Corporation, Ford Motor Company, General Motors Corporation
Este documento consiste slo de una interpretacin al espaol, y es una copia libre del Manual de Referencia de MSA-3: 2002 publicado por AIAG, y slo debe considerarse como una consulta. El nico documento oficial es el publicado originalmente en Ingles por AIAG mismo.
ii
PREFACIO
Este manual de referencia fue desarrollado por el grupo de trabajo de anlisis de sistemas de medicin (MSA), autorizado por el grupo de trabajo para requerimientos de calidad de proveedores de DaimlerChrysler Corporation/Ford Motor Company/General Motors Corporation, y bajo los auspicios de la Sociedad Americana para la Calidad (ASQ) y el Grupo de Acciones de la Industria Automotriz (AIAG). El grupo de trabajo responsable por esta tercera edicin fue David Benham (DaimlerChrysler Corporation), Michael Down (General Motors Corporation), Peter Cvetkovski (Ford Motor Company), Gregory Gruska (Tirad Generation, Inc.), Tripp Martn (Federal Mogul) and Steve Stahley (SRS Technical Services). En el pasado, Chrysler, Ford y General Motors tenan cada uno sus propios lineamientos y formatos para asegurar cumplimiento de los proveedores. Las diferencias entre estos lineamientos generaban demandas adicionales sobre los recursos de los proveedores mismos. Para mejorar esta situacin, el grupo de trabajo determin estandarizar manuales de referencia, procedimientos, formatos de reportes y nomenclatura tcnica usada por Chrysler, Ford y General Motors. Al mismo tiempo, Chrysler, Ford y General Motors acordaron en 1990 desarrollar y, a travs de AIAG, distribuir el manual de MSA. La primera edicin fue muy bien recibida por la comunidad de proveedores quienes ofrecieron datos valiosos en base a las experiencias de aplicacin. Estos datos han sido incorporados en la segunda y esta tercera edicin. Este manual, el cual es aprobado y endosado por DaimlerChrysler Corporation, Ford Motor Company, y General Motors Corporation, es un documento de referencia y suplemento a QS 9000. El manual es una introduccin al anlisis de sistemas de medicin. No se pretende que limite la evolucin de mtodos de anlisis adecuados a procesos o instalaciones particulares. An y cuando estos lineamientos se pretende cubran normalmente situaciones de sistemas de medicin que ocurren, puede haber preguntas que surjan. Estas preguntas debieran dirigirse al rea de aseguramiento de calidad de proveedores (SQA) de los clientes. Si usted no est seguro en cmo contactar al rea apropiada de SQA, el comprador de la oficina de compras de su cliente puede ofrecerle ayuda. El grupo de trabajo de MSA agradece y d reconocimiento: al liderazgo y compromiso de los vicepresidentes Tom Sidlik de DaimlerChrysler Corporation, Carlos Mazzorin de Ford Motor Company y Bo Anderson de General Motors Corporation; la asistencia de AIAG en el desarrollo, produccin y distribucin del manual; la gua de los directores del grupo de trabajo Hank Gryn (DaimlerChrysler Corporation, Russ Hopkins (Ford Motor Company), y Joe Bransky (General Motors Corporation), en asociacin con ASQ representado por Jackie Parkhurst (General Motors Corporations) y la American Society for Testing and Materials (ASTM International). Este manual fue desarrollado para cumplir con las necesidades especficas de la industria automotriz. Este manual cuenta con derechos de copia por DaimlerChrysler Corporation, Ford Motor Company y General Motors Corporation, con todos los derechos reservados, 2002. Manuales adicionales pueden ordenarse y/o permiso para copiar secciones de este manual para uso dentro de las organizaciones proveedoras puede obtenerse de AIAG en 248-358-3570. Marzo, 2002
iii
iv
PREFACIO
Este manual de referencia fue desarrollado por el grupo de trabajo de anlisis de sistemas de medicin (MSA), y autorizado por el grupo de trabajo de requerimientos de calidad de proveedores de Chrysler/Ford/General Motors, y bajo los auspicios de la divisin automotriz de la Sociedad Americana para el Control de Calidad (ASQC) y el Grupo de Acciones de la Industria Automotriz (AIAG). El grupo de trabajo responsable por esta segunda seccin fue Ray Daugherty (Chrysler), Victor Lowe, Jr. (Ford), Chaqirperson Michael H. Down (General Motors), y Gregory Gruska (The Third Generations, Inc.). En el pasado, Chrysler, Ford y General Motors tenan cada uno sus propios lineamientos y formatos para asegurar cumplimiento de los proveedores. Las diferencias entre estos lineamientos generaban demandas adicionales en los recursos de los proveedores. Para mejorar esta situacin, el grupo de trabajo determin estandarizar los manuales de referencia, procedimientos, formatos de reportes y la nomenclatura tcnica usada por Chrysler, Ford y General Motors. Al mismo tiempo, Chrysler, Ford y General Motors acordaron en 1990 desarrollar y, a travs de AIAG, distribuir el manual de MSA. La primera edicin fue muy bien recibida por la comunidad de proveedores quienes ofrecieron datos valiosos en base a las experiencias de aplicacin. Estos datos han sido incorporados en esta segunda edicin. Este manual, el cual es aprobado y endosado por Chrysler, Ford, y General Motors, debiera usarse por proveedores que implementen tcnicas de MSA en sus procesos de manufactura y en la satisfaccin de los requerimientos de QS 9000. El manual debiera ser considerado como una introduccin al anlisis de sistemas de medicin. No se pretende limite la evolucin de mtodos de anlisis adecuados a procesos o instalaciones particulares. An y cuando se pretende que estos lineamientos cubran situaciones donde normalmente ocurren sistemas de medicin, puede haber preguntas que surjan. Estas preguntas debieran dirigirse al rea de aseguramiento de calidad de proveedores (SQA) de los clientes. Si usted no est seguro en como contactar al rea apropiada de SQA, el comprador en la oficina de compras de sus clientes puede ofrecerle ayuda. El grupo de trabajo agradece y d reconocimiento: al liderazgo y compromiso de los vicepresidentes Thomas T. Stallkamp de Chrysler, Norman F. Ehlers de Ford, y Harold R. Kutner de General Motors; la asistencia de AIAG en el desarrollo, produccin y distribucin del manual; la gua de los presidentes del grupo de trabajo Russell Jacobs (Chrysler), Stephen Walsh (Ford), y Dan Reid (General Motors), e inadvertencias de ASQC. Por tanto, este manual fue desarrollado para cumplir con las necesidades especficas de la industria automotriz. Este manual cuenta con derechos de copia por AIAG, y todos los derechos reservados, 1994. Manuales adicionales pueden ordenarse de AIAG y/o permiso para copiar secciones de este procedimiento para uso dentro de las organizaciones de los proveedores puede obtenerse de AIAG en 810-358-3570. Febrero, 1995
Gua Rpida de 3 Edicin de MSA

Tipo de Sistema de Medicin Variable Bsica Atributos Bsicos Sin Replicas (ej., Pruebas No Destructivas) Variables Complejas Sistemas Mltiples, Gages y Stands de Pruebas Procesos Continuos Miscelneos Otros Mtodos MSA Rango, Promedios y Rangos, ANOVA, Sesgo, Linealidad, Grficas de Control Deteccin de Seales, Anlisis de Pruebas de Hiptesis Grficas de Control Rango, Promedios y Rangos, ANOVA, Sesgo, Linealidad, Grficas de Control Grficas de Control, ANOVA, Anlisis de Regresin Grficas de Control Enfoques Alternativos Artculos disponibles en http://www.aiag.org/publications/quality/msa3.html Captulo Ill Ill IV III, IV III, IV III V
NOTA: En relacin al uso de la desviacin estndar de RRGs. Histricamente y en forma convencional se ha usado una amplitud del 99% para representar la amplitud total del error de las mediciones, representado por el factor de multiplicacin de 5.15 (donde RRG es multiplicado por 5.15 para representar la amplitud total del 99%). Una amplitud de 99.73% es representada por el multiplicador de 6, el cual es + 3 y representa la amplitud total de la curva normal. Si el lector selecciona el nivel de cobertura o amplitud de una variacin total en las mediciones de 99.73%, favor de usar el 6 como un multiplicador en lugar de 5.15 en los clculos. La conciencia de cual factor de multiplicacin se use es crucial en la integridad de las ecuaciones y clculos resultantes. Esto es especialmente importante si se hace una comparacin entre la variabilidad y tolerancia de los sistemas de medicin.
vi
TABLA DE CONTENIDO
CAPITULO I - GUAS Y LINEAMIENTOS GENERALES PARA SISTEMAS DE MEDICIN.. CAPTULO I Seccin A........................................................................................................................................ Introduccin, Propsito y Terminologa................................................................................................................. Calidad de los Datos de Medicin...................................................................................................................... Propsito............................................................................................................................................................... Terminologa......................................................................................................................................................... Resumen de Trminos...................................................................................................................................... Valor Verdadero................................................................................................................................................. CAPITULO I Seccin B........................................................................................................................................ El Proceso de Medicin......................................................................................................................................... Propiedades Estadsticas de Sistemas de Medicin......................................................................................... Fuentes de Variacin......................................................................................................................................... Los Efectos de la Variabilidad de Sistemas de Medicin...................................................................................... Efectos en las Decisiones.................................................................................................................................. Efectos en las Decisiones de Productos............................................................................................................ Efectos en las Decisiones de Procesos............................................................................................................. Aceptacin de un Proceso Nuevo...................................................................................................................... Ajuste/Control del Proceso (Experimento del Embudo)..................................................................................... CAPITULO I Seccin C........................................................................................................................................ Planeacin y Estrategia de las Mediciones........................................................................................................... Complejidad....................................................................................................................................................... Identificacin del Propsito de un Proceso de Medicin................................................................................... Ciclo de Vida en las Mediciones........................................................................................................................ Criterios para Seleccin del Diseo de un Proceso de Medicin...................................................................... Investigacin de Varios Mtodos de Procesos de Medicin.............................................................................. Diseo y Desarrollo de Conceptos y Propuestas............................................................................................... CAPITULO I Seccin D........................................................................................................................................ Desarrollo de las Fuentes de Medicin................................................................................................................. Coordinacin de Datos....................................................................................................................................... Prerrequisitos y Supuestos................................................................................................................................ Proceso de Seleccin de Fuentes de Gages........................................................................................................ Concepto de Ingeniera Detallado...................................................................................................................... Consideraciones de Mantenimiento Preventivo................................................................................................. Especificaciones................................................................................................................................................. Evaluacin de Cotizaciones............................................................................................................................... Liberacin de Documentos................................................................................................................................ Calificacin con el Proveedor............................................................................................................................. Envos................................................................................................................................................................ Calificaciones con los Clientes........................................................................................................................... Envo de Documentacin................................................................................................................................... Elementos Sugeridos para un Checklist de Desarrollo de Sistemas de Medicin............................................. CAPTULO I Seccin E........................................................................................................................................ Aspectos Clave en las Mediciones........................................................................................................................ Tipos de Variaciones de los Sistemas de Medicin........................................................................................... Definiciones y Fuentes Potenciales de Variacin.............................................................................................. Variacin del Proceso de Medicin.................................................................................................................... Variacin de las Instalaciones............................................................................................................................ Variacin de Amplitud........................................................................................................................................ Variacin de los Sistemas de Medicin............................................................................................................. Comentarios....................................................................................................................................................... CAPTULO I Seccin F........................................................................................................................................ Incertidumbre en las Mediciones........................................................................................................................... Generalidades.................................................................................................................................................... 1 3 3 3 4 4 5 10 11 11 12 13 16 16 17 18 20 21 23 23 23 24 24 24 26 26 27 27 28 29 29 29 30 30 31 32 33 34 34 34 36 39 39 40 40 48 48 52 56 59 61 61 61
vii
Incertidumbre en las Mediciones y MSA............................................................................................................ Rastreabilidad en las Mediciones...................................................................................................................... Gua ISO para la Expresin de la Incertidumbre en las Mediciones.................................................................. CAPITULO I Seccin G........................................................................................................................................ Anlisis de Problemas de Mediciones.................................................................................................................. CAPITULO II CONCEPTOS GENERALES PARA LA ESTIMACIN DE SISTEMAS DE MEDICIN................................................................................................................................... CAPTULO II Seccin A....................................................................................................................................... Fundamentos......................................................................................................................................................... CAPTULO II Seccin B....................................................................................................................................... Seleccin/Desarrollo de Procedimientos de Prueba............................................................................................. CAPTULO II Seccin C....................................................................................................................................... Preparacin para un Estudio de un Sistema de Medicin..................................................................................... CAPTULO II Seccin D....................................................................................................................................... Anlisis de Resultados.......................................................................................................................................... CAPTULO III PRCTICAS RECOMENDADAS PARA SISTEMAS DE MEDICIN SIMPLES.................................................................................................................................. CAPTULO III Seccin A...................................................................................................................................... Ejemplos de Procedimientos de Prueba............................................................................................................... CAPTULO III Seccin B...................................................................................................................................... Guas y Lineamientos Estudio de Sistemas de Medicin de Variables.............................................................. Guas y Lineamientos para Determinacin de la Estabilidad............................................................................. Gua y Lineamiento para Determinacin del Sesgo Mtodos de Muestras Independientes................................................................................................................................................... Guas y Lineamientos para Determinacin del Sesgo Mtodo por Grficas de Control................................. Guas y Lineamientos para Determinacin de la Linealidad.............................................................................. Guas y Lineamientos para Determinacin de la Repetibilidad y Reprodusibilidad........................................... Mtodo de Rangos................................................................................................................................................ Mtodo de Rangos y Promedios........................................................................................................................... Grfica de Promedios......................................................................................................................................... Grfica de Rangos............................................................................................................................................. Grafica de Corridas............................................................................................................................................ Diagrama de Dispersin..................................................................................................................................... Grficas de Bigotes............................................................................................................................................ Grfica de Error.................................................................................................................................................. Histograma Normalizado.................................................................................................................................... Diagrama X Y de Promedios por Medida........................................................................................................ Comparacin de Grficas X Y......................................................................................................................... Clculos Numricos........................................................................................................................................... Anlisis de Resultados Numricos..................................................................................................................... Mtodo de Anlisis de Varianzas (ANOVA)....................................................................................................... Aleatoriedad e Independencia Estadstica......................................................................................................... CAPTULO III Seccin C...................................................................................................................................... Estudio de Sistemas de Medicin de Atributos..................................................................................................... Mtodos de Anlisis de Riesgos........................................................................................................................ Mtodo Analtico................................................................................................................................................. CAPTULO IV PRCTICAS PARA SISTEMAS DE MEDICIN COMPLEJOS................................................... CAPTULO IV Seccin A...................................................................................................................................... Prcticas para Sistemas de Medicin Complejos y Sin Replicas.......................................................................... CAPTULO IV Seccin B...................................................................................................................................... Estudios de Estabilidad......................................................................................................................................... S1: Una Parte, Medicin nica por Ciclo........................................................................................................... S2: n>3 Partes Medicin nica por Ciclo por Parte........................................................................................... S3: Muestra Larga de un Proceso Estable........................................................................................................ S4: Especimenes Divididos (General), Espcimen nico por Ciclo.................................................................. S5: Estantes de Prueba..................................................................................................................................... CAPITULO IV Seccin C...................................................................................................................................... Estudios de Variabilidad........................................................................................................................................ V1: Estudios Estndar RRG....................................................................................................................... .......
62 62 63 65 65 67 69 69 71 71 73 73 77 77 79 81 81 83 83 83 85 88 92 97 97 99 102 104 105 106 107 108 109 110 110 111 115 117 117 125 125 125 135 141 143 143 145 145 145 146 147 148 178 151 151 151
viii
151 152 153 153 154 154 155 155 157 159 159 161 161 169 169 175 175 177 177 185 187 187 191 191 191 191 193 195 * 195 Tabla d 2 ................................................................................................................................................................ APNDICE D............................................................................................................................................................ 197 Estudio R de Gages.............................................................................................................................................. 197 APNDICE E............................................................................................................................................................ 199 Clculo Alternativo de VP Usando Trminos de Correccin de Errores............................................................... 199 APNDICE F............................................................................................................................................................ 201 Modelo de Errores P.I.S.M.O.E.A.......................................................................................................................... 201 GLOSARIO............................................................................................................................................................... 205 LISTA DE REFERENCIA......................................................................................................................................... 211 FORMAS MUESTRA............................................................................................................................................... 215 INDICE...................................................................................................................................................................... 219 Proceso de Retroalimentacin del Usuario del Manual MSA............................................................................. 225 V2: Lecturas Mltiples con p>2 Instrumentos.................................................................................................... V3: Especimenes Divididos (m=2)..................................................................................................................... V4: Especimenes Divididos (General)............................................................................................................... V5: Igual que V1 con Partes Estabilizadas........................................................................................................ V6: Anlisis de Series de Tiempos.................................................................................................................... V7: Anlisis lineales........................................................................................................................................... V8: Tiempo contra Degradacin de Caractersticas (Propiedades)................................................................... V9: V2 con Lecturas Mltiples Simultaneas y p>3 Instrumentos....................................................................... CAPITULO V OTROS CONCEPTOS DE MEDICIN.......................................................................................... CAPTULO V Seccin A....................................................................................................................................... Reconocimiento de Efectos de Variaciones Excesivas dentro de las Partes....................................................... CAPTULO V Seccin B...................................................................................................................................... Mtodo de Promedios y Rangos Tratamiento Adicional.................................................................................... CAPTULO V Seccin C....................................................................................................................................... Curva de Desempeo de Gages........................................................................................................................... CAPTULO V Seccin D....................................................................................................................................... Reduccin de Variacin a Travs de Lecturas Mltiples...................................................................................... CAPTULO V Seccin E....................................................................................................................................... Enfoque de la Desviacin Estndar Combinada con RRG................................................................................... APENDICES............................................................................................................................................................. APNDICE A............................................................................................................................................................ Anlisis de Conceptos de Variacin...................................................................................................................... APNDICE B............................................................................................................................................................ Impacto de RRG sobre ndice de Habilidad Cp..................................................................................................... Frmulas............................................................................................................................................................... Anlisis.................................................................................................................................................................. Anlisis Grfico...................................................................................................................................................... APNDICE C............................................................................................................................................................
ix
LISTA DE TABLAS
No. 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 Ttulo Filosofa de Control e Inters Central............................................................................ Datos de Estudios de Sesgo......................................................................................... Estudios de Sesgo Anlisis del Estudio de Sesgo..................................................... Estudios de Sesgo Anlisis de Estudios de Estabilidad para Sesgo......................... Datos de Estudios de Linealidad................................................................................... Estudio de Linealidad Resultados Intermedios.......................................................... Estudio de Gages (Mtodo de Rangos)........................................................................ Tabla ANOVA................................................................................................................ Anlisis ANOVA % de Variacin y Contribucin........................................................ Comparacin de ANOVA y Mtodos de Promedios y Rangos..................................... Reporte de Mtodo de ANOVA en RRGs..................................................................... Conjunto de Datos para un Estudio de Atributos.......................................................... Ejemplos de Sistemas de Administracin..................................................................... Mtodos Basados en los Tipos de Sistemas de Medicin............................................ Conjunto de Datos de Anlisis de Desviacin Estndar Acumulado............................ Estimativo de los Componentes de la Varianza............................................................ Amplitud de 5.15 Sigma................................................................................................ Anlisis de Varianza...................................................................................................... Resultados Tabulados de ANOVA (Partes a y b)......................................................... Comparacin del CP actual del Observado.................................................................. Pag. 17 87 88 90 94 95 98 120 121 122 122 127 143 144 181 187 188 189 190 193
xi
LISTA DE FIGURAS
Nm. 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 31 32 33 34 35 36 37 38 39 40 Ttulo Pag. Ejemplo de una Cadena de Rastreabilidad para una Medicin de Longitud................ 10 Variabilidad de los Sistemas de Medicin Diagrama de Causas y Efectos............... 15 Relaciones entre los Diferentes Patrones..................................................................... 42 Discriminacin............................................................................................................... 44 Impacto del Nmero de Categoras Distintas (NDC) de la Distribucin del Proceso en actividades de Anlisis y Control............................................................................. 45 Grficas de Control de Proceso.................................................................................... 47 Caractersticas de la Variacin de un Proceso de Medicin......................................... 48 Relacin entre el Sesgo y Repetibilidad........................................................................ 60 Cuadro de Control del Anlisis de la Estabilidad.......................................................... 84 Estudios de Sesgo Histograma de Estudios de Sesgo.............................................. 87 Estudio de Linealidad Anlisis Grfico....................................................................... 95 Hoja de Recoleccin de Datos para la Repetibilidad y Reproducibilidad de Gages..... 101 Grficas de Promedios Estancada.......................................................................... 103 Grficas de Promedios No Estancada..................................................................... 103 Grficas de Rangos Estancada............................................................................... 104 Grficas de Rangos No Estancada.......................................................................... 105 Grficas de Corridas por Parte...................................................................................... 105 Grficas de Dispersin.................................................................................................. 106 Grficas de Bigotes....................................................................................................... 107 Grficas de Error........................................................................................................... 108 Histograma Normalizado............................................................................................... 109 Graficas X-Y de Promedios por Medida........................................................................ 110 Comparacin de Grficas X-Y....................................................................................... 111 Hoja de Recoleccin de Datos Completos para RRGs................................................. 113 Reporte de Repetibilidad y Reproducibilidad de Gages................................................ 114 Grfica de Interaccin................................................................................................... 119 Grfica de Residuales................................................................................................... 119 Ejemplo Proceso........................................................................................................... 126 Las reas Grises Asociadas con el Sistema de Medicin............................................ 126 Proceso de Ejemplo con Pp = Ppk = 1.33..................................................................... 133 Curva de Desempeo de Gages de Atributos Graficada en papel de Probabilidad 139 Normal........................................................................................................................... Curva de Desempeo de Gages de Atributos .............................................................. 140 (33 a & b) Grfica de Control para Evaluacin de Mediciones............................ 164& 167 (34 a & b) Clculos para el Mtodo de Grficas de Control en la Evaluacin de un Proceso de Medicin............................................................................................ 166& 167 Curva de Desempeo de Gages sin Error.................................................................... 172 Curva de Desempeo de Gages/Ejemplo..................................................................... 173 Curva de Desempeo de Gages Graficado en Papel de Probabilidad Normal............ 174 (38 a, b & c) Anlisis Grfico del Estudio de la Desviacin Estndar Combinada.......................................................................................................180,183 184 Cp Observado vs Actual (en base al proceso).............................................................. 193 Cp Observado vs Actual (en base a tolerancias).......................................................... 194
xii
RECONOCIMIENTOS
Se ha contado con muchos individuos responsables para la creacin de este documento en aos. Los siguientes han sido algunos cuantos que han ofrecido mucho de su tiempo y esfuerzo en el desarrollo de este manual. ASQ y AIAG han contribuido en tiempo e instalaciones para ayuda en el desarrollo de esta publicacin. Greg Gruska, como representante de la divisin automotriz de ASQ y John Katona como presidente anterior del grupo de trabajo de revisin han sido contribuidores principales en el desarrollo y publicaciones pasadas de este manual. Las tcnicas descritas en el captulo 3 de este documento fueron investigadas y desarrolladas primero por Kazem Mirkhani de aseguramiento del producto de Chevrolet y bajo la direccin y motivacin de Barney Flynn. Los estudios de variables de gages, basados en el artculo por R.W. Traver de General Electric (anuario de ASQC de 1962) fueron validados por Jim McCaslin. Los conceptos fueron extendidos para estudios de atributos y curvas de desempeo de gages por Jim McCaslin, Gregory Gruska y Tom Bruzell de Chevrolet (anuario de ASQC de 1976). Estas tcnicas fueron consolidadas y editadas por Bill Wiechec en Junio de 1978 generando la publicacin del libro de anlisis de sistemas de medicin de Chevrolet. En aos previos se desarrollaron materiales suplementarios. En particular, Sheryl Hansen y Ray Benner de Olds Mobile documentaron el enfoque e intervalos de confiabilidad de ANOVA. En 1980 Larry Marruffo y John Lazur de Chevrolet actualizaron el manual de Chevrolet. John Lazur y Kazem Mirkhani han organizado las secciones del manual y mejoraron algunos de los conceptos tales como estabilidad, linealidad y ANOVA. Jothi Shanker de EDS contribuy a la preparacin de la actualizacin para el staff de desarrollo de proveedores. Actualizaciones adicionales incluidas en el concepto de identificacin y calificacin de variaciones en las partes, as como una descripcin ms completa de estabilidad estadstica, ambos de los cuales fue contribucin del comit de revisin estadstica del corporativo de GM. Los mejoramientos ms recientes fueron actualizacin del formato para cumplir con la documentacin actual de QS 9000, mayor clarificacin y ejemplos para hacer el manual ms fcil al usuario, discusin del concepto de incertidumbre en las mediciones y reas adicionales que no fueron incluidas o no existieron cuando fue escrito el manual original. Esta actualizacin incluye tambin el concepto de ciclo de vida de los sistemas de medicin y se dirige al anlisis de mediciones similar al anlisis convencional de procesos. Secciones del manual interno de power train de GM procesos de medicin: planeacin, uso y mejoramiento, impreso en Abril 28, 1993, se incluyeron en esta revisin. El subcomit actual de reescritura es dirigido por Mike Down de General Motors Corporation y se integra con David Benham de DaimlerChrysler Corporation, Peter Cvetkovski de Ford Motor Company, Greg Gruzka, como representante de la divisin automotriz de ASQ, Tripp Martn de Federal Mogul y Steve Stahley de Servicios Tcnicos SRS. Tambin hubo contribuciones significativas de Yanling Zuo de Minitab, Neil Ullman de ASTM International y Gordon Skattum de la divisin de tecnologa de la Universidad Rock Valley. AIAG contribuy en tiempo e instalaciones para apoyar en el desarrollo de esta publicacin. Finalmente el consenso conjunto del contenido de este documento tuvo efecto a travs de los miembros representantes del grupo de trabajo de MSA de General Motors Corporation, DaimlerChrysler Corporation y Ford Motor Company.
Michael H. Down General Motors Corporation
David R. Benham DaimlerChrysler Corporation
Peter Cvetkovski Ford Motor Company
xiii
xiv
Captulo I Guas y Lineamientos Generales para Sistemas de Medicin
Captulo 1 GUAS Y LINEAMIENTOS GENERALES PARA SISTEMAS DE MEDICIN
Captulo I Seccin A Guas y Lineamientos Generales para Sistemas de Medicin
CAPTULO I Seccin A
Introduccin, Propsito y Terminologa
Introduccin
Los datos de mediciones son usados ms a menudo y en ms formas que antes. Por ejemplo, la decisin de ajustar un proceso de manufactura o no, comnmente se basa ahora en datos de mediciones. Los datos de mediciones, o alguna estadstica calculada de stos, son comparados con los lmites de control estadsticos del proceso, y si loa comparacin indica que el proceso est fuera del control estadstico, entonces se hace un ajuste de algn tipo. De lo contrario, al proceso se le permite trabajar sin ajustes. Otro uso de datos de mediciones es para determinar si existe una relacin significativa entre dos o ms variables. Por ejemplo, puede sospecharse que una dimensin crtica de una parte plstica moldeada se relaciona con la temperatura del material de alimentacin. Esa posible relacin puede ser estudiada usando un procedimiento estadstico llamado anlisis de regresin para comparar las medicines de la dimensin crtica con las mediciones de la temperatura del material de alimentacin. Los estudios que exploren tales relaciones son ejemplos de lo que el Dr. W.E. Deming llam estudios analticos. En general, un estudio analtico es aquel que incrementa el conocimiento del sistema de causas que afectan el proceso. Los estudios analticos son unos de los ms importantes que usan datos de mediciones porque se dirigen finalmente a un mejor entendimiento de los procesos. El beneficio de usar un procedimiento basado en datos es ampliamente determinado por la calidad de los datos de medicin usados. Si la calidad de los datos es baja, es muy probable que el beneficio del procedimiento sea muy bajo. Igualmente, si la calidad de los datos es alta, es muy probable que tambin el beneficio sea alto. Para asegurar que el beneficio derivado de los datos de medicin usados sea altamente suficiente para garantizar el costo de su obtencin, se requiere enfocar atencin en la calidad de los datos.
Calidad de los Datos de Medicin
La calidad de los datos de medicin es definida por las propiedades estadsticas de las mltiples mediciones obtenidas del sistema de medicin operando bajo condiciones estables. Por ejemplo, suponer que un sistema de medicin, operando bajo condiciones estables, es usado para obtener varias mediciones de una cierta caracterstica. Si las mediciones estn todas cerca al valor master de la caracterstica, entonces se dice que la calidad de los datos es alta. Igualmente, si algunas o todas de las mediciones estn lejos del valor master, entonces se dice que la calidad de los datos es baja.
Las propiedades estadsticas ms comnmente usadas para caracterizar la calidad de los datos son el sesgo y varianza del sistema de medicin. La propiedad llamada sesgo se refiere a la localizacin de los datos en relacin al valor de referencia (master), y la propiedad llamada referencia se refiere a la amplitud de los datos. Una de las razones ms comunes para datos de baja calidad es demasiada variacin. Mucha de la variacin en un conjunto de mediciones, puede ser debida a la interaccin entre el sistema de medicin y su medio ambiente. Por ejemplo, un sistema de medicin usado para medir el volumen de lquido en un tanque puede ser sensible a la temperatura ambiental del medio ambiente en el cual es usado. En tal caso, la variacin
1
Ver captulo 1, Seccin E para definiciones y discusin de la terminologa.
de los datos puede ser debida a cambios en el volumen o en la temperatura ambiente. Esto hace la interpretacin de datos ms difcil y consecuentemente el sistema de medicin menos deseable. Si la interaccin genera demasiada variacin, entonces la calidad de los datos puede ser muy baja y tal que los datos no sean tiles. Por ejemplo, un sistema de medicin con una gran cantidad de variacin puede no ser apropiado para uso en el anlisis de un proceso de manufactura porque la variacin del sistema de medicin puede encubrir la variacin del proceso de manufactura. Mucho del trabajo de administrar un sistema de medicin es dirigido al monitoreo y control de la variacin. Entre otras cosas, esto significa que se requiere nfasis en aprender como los sistemas de medicin interactan con su medio ambiente de forma tal que se generen solo datos de calidad aceptable.
Propsito
El propsito de este documento es presentar los lineamientos para evaluar la calidad de un sistema de medicin. Aunque los lineamientos son generales y suficientes para ser usados en cualquier sistema de medicin, se pretende sean usados principalmente para sistemas de medicin en el mundo industrial. No se pretende que este documento sea un compendio de anlisis para todos los sistemas de medicin. Su enfoque principal es en sistemas de medicin donde puedan replicarse lecturas de cada parte. Muchos de los anlisis son tiles con otros tipos de sistemas de medicin y el manual contiene referencias y sugerencias. Se recomienda que sean consultadas fuentes estadsticas competentes para situaciones ms complejas o inusuales no discutidas aqu. No se cubre en este manual la aprobacin requerida por los clientes para mtodos de anlisis de sistemas de medicin. La discusin del anlisis de los sistemas de medicin puede ser confusa y ambigua sino se establece un conjunto de trminos para referirse a propiedades estadsticas comunes y elementos relativos a los sistemas de medicin. Esta seccin ofrece un resumen de tales trminos que son usados en este manual. En este documento, son usados los siguientes trminos:
Terminologa
Medicin es definida como la asignacin de nmeros [o valores] a cosas materiales que representen relaciones entre ellas con respecto a propiedades particulares. Esta definicin se ofreci primero por C.Eisenhart (1963). El proceso de asignar nmeros es definido como proceso de medicin, y el valor asignado es definido como valor de medicin.
Gage es cualquier dispositivo usado para obtener mediciones; frecuentemente usado para referirse especficamente a dispositivos usados en el piso de produccin; incluye dispositivos pasa / no pasa. Sistema de Medicin es el conjunto de instrumentos o gages, patrones, operaciones, mtodos, dispositivos, software, personal, medio ambiente y supuestos usados para cuantificar una unidad de medida o preparar la evaluacin de una caracterstica o propiedad a ser medida; el proceso completo usado para obtener mediciones.
De estas definiciones se obtiene que un proceso de medicin puede ser visto como un proceso de manufactura que produce nmeros (datos) para sus resultados. El ver un sistema de medicin de esta manera es til porque nos permite traer todos los conceptos, filosofa y herramientas que han sido ya demostradas ser tiles en el rea de control estadstico de los procesos.
Resumen de Trminos1 Patrn

Bases aceptadas para comparacin Criterios para aceptacin Valor conocido, dentro de lmites de incertidumbre establecidos y aceptado como un valor verdadero Valor de referencia
Un patrn debiera tener una definicin operacional: una definicin que produzca los mismos resultados cuando se aplique por el proveedor o el cliente, con el mismo significado ayer, hoy y maana.
Equipo Bsico
Intervalo Completo
Discriminacin, facilidad de lectura, resolucin

9 Alias: unidad de lectura ms pequea, resolucin en las mediciones, lmite de escala o lmite de deteccin 9 Propiedad inherente dispuesta por diseo 9 Escala de unidad de medicin ms pequea o resultado de un instrumento 9 Siempre reportada como una unidad de medida 9 Regla emprica 10 a 1
Medio Intervalo
Resolucin Efectiva
9 La sensibilidad del sistema de medicin con la variacin del proceso para una aplicacin particular
Ver captulo 1, Seccin E para definiciones y discusin de la terminologa.
9 Entrada ms pequea generada de una seal de resultado y til de medicin 9 Siempre reportada como una unidad de medicin Valor de Referencia 9 Valor aceptado de un artefacto 9 Requiere una definicin operacional 9 Usado como el equivalente para un valor verdadero Valor Verdadero 9 Valor actual de un artefacto. 9 Desconocido y desconocible.
Variacin de la Localizacin
Exactitud
SESGO
9 Cercana con el valor verdadero o con un valor de referencia aceptable 9 ASTM incluye el efecto en los errores de localizacin y amplitud
Promedio del Sistema de Medicin
Valor Referencia
Sesgo
9 Diferencia entre el promedio de las mediciones observado y el valor de referencia 9 Un componente de error sistemtico del sistema de medicin
Tiempo
Estabilidad
9 El cambio de sesgo en el tiempo 9 Un proceso estable de mediciones est en control estadstico con respecto a la localizacin 9 Alias: cambio
Valor Referencia
SESGO SESGO
Linealidad
9 El cambio de sesgo sobre el rango de operacin normal 9 La correlacin de errores de sesgo mltiples e independientes sobre el rango de operacin 9 Un componente de error sistemtico del sistema de medicin
Medicin 1
Medicin N
Variacin de la Amplitud
Precisin2
9 Cercana de lecturas repetidas una de otra 9 Un componente de error aleatorio del sistema de medicin
Repetibilidad
9 Variacin de las mediciones obtenidas con un instrumento de medicin cuando se use varias veces por un usuario y midiendo la misma caracterstica y sobre la misma parte 9 La variacin sobre intentos sucesivos (en el corto plazo) y bajo condiciones de medicin definidas y establecidas 9 Comnmente referida como VE-Variacin del Equipo 9 Habilidad o potencial de un instrumento (gage) 9 Variacin dentro del sistema
Repetibilidad
Reproducibilidad
9 Variacin en el promedio de las mediciones hechas por diferentes usuarios usando el mismo gage y midiendo una caracterstica de una parte 9 Para la calificacin del producto y el proceso, el error puede ser el usuario, el medio ambiente (tiempo) o el mtodo 9 Comnmente referido como VU-Variacin de los Usuarios 9 Variacin (condiciones) entre sistemas 9 ASTM E456-96 incluye efectos de repetibilidad, laboratorios y medio ambiente as como efectos de los usuarios
Reproducibilidad
Evaluador
Valor Referencia
R&R de Gages o RRGs

9 Repetibilidad y reproducibilidad de gages: estimativo combinado de la repetibilidad y reproducibilidad de un sistema de medicin 9 Capacidad de un sistema de medicin; dependiendo del mtodo usado, pueden o no incluirse los efectos del tiempo
C RRG
Habilidad de los Sistemas de Medicin

9 Estimativo en el corto plazo de la variacin de los sistemas de medicin (ej., RRGs incluyendo grficas)
En documentos de ASTM, no existe el concepto de precisin de un sistema de medicin; ej., la precisin no puede representarse por un simple nmero.
Desempeo del Sistema de Medicin

9 Estimacin en el largo plazo de la variacin del sistema de medicin (ej., mtodo de grficas de control de largo plazo)
Sensibilidad
9 La ms pequea entrada que resulte de una seal o resultado detectable 9 Respuesta de un sistema de medicin a cambios en la propiedad medida 9 Determinada por el diseo (discriminacin) del gage, calidad inherente (FEO-Fabricante de Equipo Original), mantenimiento en servicio y condicin de operacin del instrumento y patrn 9 Siempre reportada como unidad de medida

LCS
Consistencia
9 El grado del cambio de la repetibilidad en el tiempo 9 Un proceso de medicin consistente est en control estadstico con respecto a la amplitud (variabilidad)
Promedio Rango
LCI
Uniformidad
9 El cambio en repetibilidad sobre un rango de operacin normal 9 Homogeneidad en la repetibilidad
Medic in1 Medic in N
Variacin de los Sistemas

La variacin de los sistemas de medicin puede caracterizarse como Habilidad
9 Variabilidad en las lecturas tomadas en un periodo de tiempo corto
Desempeo
9 Variabilidad en las lecturas tomadas sobre un periodo de tiempo largo 9 Basado en la variacin total
Incertidumbre
9 Un rango estimado de valores acerca del valor medido en el cual el valor verdadero se crea est contenido El sistema de medicin debe ser estable y consistente
Todas las caracterizaciones de la variacin total de un sistema de medicin asumen que el sistema es estable y consistente. Por ejemplo, los componentes de variacin pueden incluir cualquier combinacin de artculos mostrados en la figura 2, pgina 15.
Patrones y Rastreabilidad
El Instituto Nacional de Patrones y Tecnologa (NIST) es el Instituto Principal y Nacional de Mediciones (NMI) en los Estados Unidos ofreciendo servicios bajo el departamento de comercio de EUA. NIST, previamente como Divisin Nacional de Patrones (NBS), sirve como la ms alta autoridad de metrologa en EUA. La responsabilidad Primaria de NIST es ofrecer servicios de medicin y mantener patrones de medicin que ayuden a la industria en EUA a hacer las mediciones rastreables y que ayuden finalmente en negociaciones de productos y servicios. NIST ofrece estos servicios directamente a muchos tipos de industrias, pero principalmente a aquellas industrias que requieran el ms alto nivel de exactitud en sus productos y que incorporen mediciones-de-ltima-tecnologa en sus procesos. La mayora de los pases industrializados alrededor del mundo cuentan con su propio NMI y un similar a un NIST, y stos ofrecen un alto nivel de normas de metrologa o servicios de mediciones para sus respectivos pases. NIST trabaja y colabora con estos otros NMIs para que las mediciones que se hagan en un pas no difieran de aquellas hechas en otro. Esto se logra a travs de acuerdos de reconocimiento mutuo (MRAs) y ejecutando comparaciones entre laboratorios entre NMIs. Una cosa a notar es que las habilidades de estos NMIs varan de pas a pas y no todos los tipos de mediciones son comparados sobre bases regulares, de forma tal que pueden existir diferencias. Por sto es importante entender por quien son rastreables las mediciones y que tan rastreables son. Es un importante concepto en la negociacin de bienes y servicios. Las mediciones que son rastreables con los mismos patrones o similares acuerdan muy estrechamente en comparacin con aquellos que no son rastreables. Esto ayuda a reducir la necesidad de repetir pruebas, el rechazo de producto bueno y la aceptacin de producto malo. La rastreabilidad es definida por el Vocabulario Internacional de ISO de Trminos Bsicos y Generales de Metrologa (VIM), como: la propiedad de las mediciones o valores de un estndar o patrn, el cual puede ser relacionado con referencias establecidas, usualmente patrones nacionales o internacionales y a travs de una cadena ininterrrumpida de comparaciones y todas con incertidumbres establecidas. La rastreabilidad de una medicin es tpicamente establecida a travs de una cadena de comparaciones hacia un NMI. Sin embargo, en muchos casos en la industria, la rastreabilidad delas mediciones puede ser ligada hasta un valor de referencia acordado o un patrn de consenso entre un cliente y un proveedor. La liga en la rastreabilidad de estos patrones de consenso con un NMI puede no siempre ser clara y entendida, y finalmente es crtico que las mediciones sean rastreables en un alcance que satisfaga a las necesidades del cliente. Con los avances en la tecnologa de las mediciones y el uso de los sistemas de medicin de ltima tecnologa en la industria, la definicin de dnde y cmo una medicin sea rastreable es un concepto de evolucin permanente.
Institutos Nacionales de Mediciones
Rastreabilidad
Patrn Nacional
Patrn de Longitud de Onda Medidor de Interferencias Laser MMC
Comparador de Interferencias
Patrn de Referencia
Bloque/Comparador de Gages Referencia
Patrn de Trabajo
Bloques de Gages
Gage para Produccin
Gage para Dispositivos
Micrmetro
Figura 1: Ejemplo de una cadena de rastreabilidad para una medicin de longitud Los NMIs trabajan estrechamente con diferentes laboratorios nacionales, proveedores de gages, compaas fabricantes de ltima tecnologa, etc. Para asegurar que sus patrones de referencia sena apropiadamente calibrados y directamente rastreables con los patrones mantenidos por el NMI. Las organizaciones de gobierno y de industria privadas usan entonces sus patrones para ofrecer calibraciones y servicios de medicin a los laboratorios de metrologa o gages de sus clientes y calibracin de patrones primarios u otros de trabajo. Esta liga o cadena de eventos determina finalmente la forma en la cual se llega al piso de produccin y ofrece por tanto las bases para la rastreabilidad de las mediciones. Las mediciones pueden conectarse hasta NIST a travs de esta cadena ininterrumpida de mediciones y la cual se dice ser rastreable con NIST. No todas las organizaciones cuentan con laboratorios de metrologa o gages dentro de sus instalaciones y dependen de laboratorios externos comerciales / independientes para ofrecer rastreabilidad en los servicios de calibracin y mediciones. Reste es un medio aceptable y apropiado de lograr rastreabilidad con NIST, siempre y cuando la habilidad de los laboratorios comerciales / independientes pueda asegurarse a travs de procesos, tales como acreditamiento de laboratorios.
Valor Verdadero
La META del proceso de medicin es el valor verdadero de la parte. Es deseable que cualquier lectura individual est lo ms cerca (y econmicamente posible) con este valor. Desafortunadamente, el valor verdadero nunca puede ser conocido con certeza. Sin embargo, la incertidumbre puede minimizarse usando un valor de referencia basado en la definicin operacional bien definida de una caracterstica, y usando los resultados de un sistema de medicin con una alota discriminacin de orden y rastreable con NIST. Debido a que el valor de referencia es usado como un equivalente del valor verdadero, stos trminos se usan comnmente como intercambiables. No se recomienda este uso.
10
Captulo l Seccin B El Proceso de Medicin
CAPTULO I Seccin B
El Proceso de Medicin3
A fin de administrar efectivamente la variacin de cualquier proceso se requiere tener conocimiento de Lo que el proceso debiera estar haciendo Lo que puede estar mal Lo que el proceso est haciendo
Los requerimientos de especificaciones e ingeniera definen lo que un proceso debiera estar haciendo. El propsito de un Anlisis de Modos y Efectos de Fallas de un Proceso4 (AMEFPs) es definir los riesgos asociados con fallas potenciales del proceso mismo y proponer acciones correctivas antes de que estas fallas puedan ocurrir. El resultado de un AMEFP es transferido a un plan de control. Se adquiere o logra conocimiento de lo que el proceso est haciendo evaluando los parmetros o resultados del proceso mismo. Esta actividad, a menudo llamada como inspeccin, es la accin de examinar los parmetros de un proceso, las partes en proceso, los subsistemas ensamblados o los productos completos con la ayuda de patrones adecuados y dispositivos de medicin que permitan al observador confirmar o negar la premisa de que el proceso est operando en forma estable y con una variacin aceptable con respecto a la meta designada por el cliente. Sin embargo esta actividad de examen es en s un proceso.
Proceso General Entradas Operacin Resultados
Proceso de Medicin Proceso Administrativo Mediciones Valor

Desafortunadamente, la industria ha visto tradicionalmente la actividad de anlisis y mediciones como una caja negra el equipo ha sido el enfoque principal-la caracterstica ms importante, loo ms caro de un gage. La utilidad de un instrumento, su compatibilidad con el proceso y el medio ambiente y su facilidad de uso era raramente cuestionado. Consecuentemente estos gages no fueron usados apropiadamente o simplemente no eran usados.
3 4
Anlisis
Decisin
Partes de este captulo adaptadas con el permiso de Anlisis de Sistemas de Medicin un tutorial por G.F.Gruska y MS Heaphy, The Tirad Generation, 1987, 1998. Ver el manual de referencia de anlisis de modos y efectos de fallas potenciales (AMEF)-tercera edicin.
11
La actividad de anlisis y mediciones es un proceso- un proceso de medicin. Alguna o todas las tcnicas de administracin, estadsticas y lgicas del control del proceso pueden aplicarse a dicha actividad. Esto significa que los clientes y sus necesidades deben primero ser definidas. El cliente, dueo del proceso, quiere tomar decisiones correctas y con el mnimo de esfuerzo. La administracin debe ofrecer recursos para compra de equipo que sea necesario y suficiente para hacer esto. Aunque la compra de la mejor o ms reciente tecnologa de medicin no necesariamente garantiza correctas decisiones en el control del proceso de produccin. El equipo es solo una parte del proceso de medicin. El dueo del proceso debe saber como usar correctamente dicho equipo y como analizar e interpretar resultados. La administracin debe tambin ofrecer claras definiciones operacionales o patrones as como entrenamiento y soporte. El dueo del proceso en turno tiene la obligacin de monitorear y controlar el proceso de medicin para asegurar resultados estables y correctos y los cuales incluyan una perspectiva total del anlisis de los sistemas de medicin el estudio del gage, procedimiento, usuario y medio ambiente; ej., condiciones normales de operacin.
Propiedades Estadsticas de Sistemas de Medicin
Un sistema de medicin ideal producira solo mediciones correctas cada vez que se usara. Cada medicin acordara siempre con un patrn.5 Un sistema de mediciones que pudiera producir mediciones como tales sera aquel que tuviera propiedades estadsticas de varianza cero, sesgo cero y probabilidad cero de clasificar incorrectamente cualquier producto medido. Desafortunadamente, los sistemas de medicin con tales propiedades deseables raramente existen, y los gerentes de procesos, generalmente son forzados a usar sistemas de medicin que tienen menos propiedades estadsticas deseables. La calidad de un sistema de medicin es generalmente determinada solo por propiedades estadsticas de los datos que produce en el tiempo. Otras propiedades, tales como costo, facilidad de uso, etc., son tambin importantes y contribuyen a un buen sistema de medicin global. Aunque son las propiedades estadsticas de los datos producidos lo que determina la calidad del sistema de medicin.
Las propiedades estadsticas que son ms importantes para un uso no son las ms importantes para otro. Por ejemplo, para algunos usos de las mquinas de medicin de coordenadas (MMC), las propiedades estadsticas ms importantes son sesgo y varianza pequeos. Una MMC con dichas propiedades genera mediciones que son cercanas a los valores certificados de patrones rastreables. Los datos obtenidos de tal mquina pueden ser muy tiles para analizar un proceso de manufactura. Aunque no importa lo pequeo del sesgo y la varianza que la maquina MMC pueda tener, el sistema de medicin que use la MMC puede no ser capaz de hacer un trabajo aceptable de discriminacin entre productos buenos y malos debido a fuentes adicionales de variacin introducidas por otros elementos del sistema de medicin mismo.
Para una discusin ms completa del tema de patrones o normas, ver fuera de crisis, W.Edwards Deming, 1982, 1986, p. 279-281
12
La administracin tiene la responsabilidad de identificar las propiedades estadsticas ms importantes para el uso final de los datos. La administracin tiene tambin la responsabilidad de asegurar que dichas propiedades sean usadas como una base para la seleccin de un sistema de medicin. Para lograr esto, se requieren las definiciones operacionales de las propiedades estadsticas, as como mtodos aceptables de medicin de stas. Aunque cada sistema de medicin puede requerir contar con diferentes propiedades estadsticas, existen ciertas propiedades fundamentales que definen un buen sistema de medicin. Estas incluyen: 1) Discriminacin y sensibilidad adecuados. Los incrementos de medicin debieran ser pequeos relativos a la variacin del proceso o lmites de especificacin para propsitos de mediciones. La comnmente conocida como regla 10 o regla 1 a 10, establece que la discriminacin del instrumento debiera dividir la tolerancia (o variacin del proceso) en 10 partes o ms. Esta regla emprica tiene la intencin de ser un punto mnimo inicial y prctico para seleccin de gages. 2) El sistema de medicin debe estar en control estadstico.6 Esto significa que bajo condiciones repetidas, la variacin en el sistema de medicin es debida solo a causas comunes y no a causas especiales. Esto puede referirse como estabilidad estadstica y es mejor evaluado por mtodos grficos. 3) Para control del producto, La variabilidad del sistema de medicin debe ser pequea comparada con los lmites de especificacin. Evala el sistema de medicin con respecto a las tolerancias de la caracterstica.
6
El analista de las mediciones siempre debe considerar significancias prcticas y estadsticas.
4) Para control del proceso, la variabilidad del sistema de medicin debe demostrar una resolucin efectiva y ser pequeo comparado con la variacin del proceso de manufactura. Evala el sistema de medicin con la variacin de un proceso 6sigma y/o la variacin total del estudio MSA.
Las propiedades estadsticas del sistema de medicin pueden cambiar conforme los artculos a ser medidos varen. Si es as, entonces la variacin ms grande (peor) del sistema de medicin es pequea en relacin a lo ms pequeo de la variacin del proceso o de los lmites de especificacin.
Fuentes de Variacin
Similar a todos los procesos, el sistema de medicin es impactado por fuentes de variacin aleatorias y sistemticas. Estas fuentes de variacin son debidas a causas comunes y especiales. A fin de controlar la variacin de un sistema de medicin: 1) Identifica las fuentes potenciales de variacin. 2) Elimina (cuando sea posible) o monitorea estas fuentes de variacin.
El analista de las mediciones siempre debe considerar significancias prcticas y estadsticas.
13
Aunque las causas especiales dependen de la situacin, pueden identificarse algunas fuentes de variacin tpicas. Existen diferentes mtodos para presentar y categorizar estas fuentes de variacin tales como diagramas de causas y efectos, diagramas de rbol de falla, etc., aunque los lineamientos presentados aqu se enfocan a elementos principales de un sistema de medicin.
P P I P M
Patrn Pieza de Trabajo Instrumento

Persona/Procedimiento
Medio Ambiente
El acrnimo PPIPM7 es usado para representar los seis elementos esenciales de un sistema de medicin en general para asegurar el logro de los objetivos requeridos. P.P.I.P.M. significa Patrn, Pieza de Trabajo, Instrumento, Persona y Procedimiento y Medio Ambiente. Este puede tomarse como un modelo de errores para un sistema de medicin completo.8 Los factores que afectan estas seis reas necesitan ser entendidos de manera que puedan ser controlados o eliminados.
La figura 2 despliega un diagrama de causas y efectos que muestra algunas de las fuentes de variacin potenciales. Dado que las fuentes actuales de variacin que afecten un sistema de medicin son nicas a dicho sistema esta figura se presenta como un punto inicial para desarrollar las fuentes de variacin de un sistema de medicin.
7 8
Este acrnimo fue desarrollado inicialmente por Ms. Mary Hoskins, una metrologista asociada con Honeywell, el laboratorio de metrologa Eli Whitney y Bendix Corporation. Ver apndice F para un modelo alternativo de errores, P.I.S.M.O.E.A.
14
Pieza de Trabajo (Parte)

Caractersticas Interrelacionadas mass Limpieza
Instrumentos (Gages)
Variacin de Construccin
Vas Robustercer Estabilidad
Diseo
Uso Amplificacin Contacto Geomtrico
Figura 2: Diagrama de Causas y Efectos de la Variabilidad de los Sistemas de Medicin
Deformacin Elstica
Propiedades Elsticas Soportes Futuros
Construccin
Tolerancia de Construccin
Efectos de Deformaciones Linealidad
Decuacin de Datos
Validacin del Diseo

camping Localizacin Puntos de Mediciones Pruebas de Mediciones
Sensibilidad
Consistencia Uniformidad
Calibracin
Estabilidad
Geometra
Definicin Operacional
Coeficiente de Expansin Trmica Propiedades Elsticas
Mantenimiento Rastreabilidad
Calibracin p.m.
Repetibilidad Reproducibilidad
Variabilidad
Estndar
Compatibilidad Geomtrica
Caida deAire Artificial Sol
Variabilidad en los Sistemas de Medicin

Luz
15
Contaminacin de Aire Vibracin

Iluminacin Ciclos
Educacional Fsico
Experiencia Entrenamiento
Expansin Trmica
gente
Limitaciones
Patrones Visuales
Componentes Igualacin Sistema de Componentes
Experiencia
Habilidades
Procedimiento
Actitud
Entrenamiento
Temperatura
Estndar vs Ambiental
Estrs
Ambiental
Ergonmicos
Personal (Evaluador)
Entendimiento
Efectos de la Variabilidad de los Sistemas de Medicin

Debido a que un sistema de medicin puede ser afectado por varias fuentes de variacin, lecturas repetidas sobre la misma parte no producen un mismo e idntico resultado. Las lecturas varan una de otra debido a causas comunes y especiales. Los efectos de las diferentes fuentes de variacin en un sistema de medicin debieran evaluarse en periodos de tiempo cortos y largos. La capacidad de un sistema de medicin es el error (aleatorio) del sistema de medicin mismo en un periodo de tiempo corto. La combinacin de errores es cuantificada con la linealidad, uniformidad, repetibilidad y reproducibilidad. El desempeo de un sistema de medicin, as como el desempeo de un proceso, es el efecto de todas las fuentes de variacin en el tiempo. Esto se logra determinando si nuestro proceso est en control estadstico (ej., estable y consistente; variaciones debidas solo a causas comunes), est sobre meta (sin sesgo) y tiene una variacin aceptable (repetibilidad y reproducibilidad de gages) (RRGs)) sobre un rango de resultados esperados. Esto incrementa la estabilidad y consistencia a la capacidad de un sistema de medicin.
Debido a que los resultados de un sistema de medicin son usados para toma de una decisin acerca del producto y el proceso, el efecto acumulativo de todas las fuentes de variacin es a menudo error del sistema de medicin, o algunas veces solo error.
Efectos en las Decisiones
Despus de medir una parte, una de las decisiones que pueden tomarse es determinar el status de dicha parte. Histricamente, se determinara si la parte fue aceptable (dentro de especificaciones) o no aceptable (fuera de especificaciones). Otro escenario comn es la clasificacin de partes en categoras especficas (ej., tamaos de pistones).
Para el resto de la discusin, y como un ejemplo, la situacin de las dos categoras ser usada: fuera de especificacin (malo) y dentro de especificaciones (bueno). Esto no restringe la aplicacin de la discusin a otras actividades de categorizacin.
Otras clasificaciones adicionales pueden ser retrabajable, recuperable o desperdicio. Bajo la filosofa de control del producto esta actividad de clasificacin sera la razn principal para medir una parte. Aunque, con la filosofa de control del proceso, El inters se orienta ya sea a la variacin de la parte debida a causas comunes o a causas especiales del proceso.
16
Filosofa
Inters
Control del producto Control del proceso
Est la parte en una categora especfica? Es la variacin del proceso estable y aceptable?
Tabla 1: Filosofa de Control e Inters Central
La siguiente seccin trata de los efectos de los errores en las mediciones en la decisin de un producto. Posterior a ello existe una seccin que aborda el impacto sobre decisiones del proceso.
Efectos en las Decisiones de Productos
A fin de entender mejor el efecto de errores en los sistemas de medicin sobre las decisiones del producto, considerar el caso donde toda la variabilidad en las lecturas mltiples de una sola parte es debida a la repetibilidad y reproducibilidad del gage. Esto es, el proceso de medicin est en control estadstico y tiene un sesgo de cero. Puede tomarse a veces una mala decisin cuando alguna parte de la distribucin de la medicin arriba indicada se traslape sobre un lmite de especificacin. Por ejemplo, una parte buena puede algunas veces declararse mala (error tipo I, riesgo del productor o falsa alarma) si:
LSL O
USL
y, una parte mala algunas veces puede declararse como buena (error tipo II), riesgo del consumidor o proporcin perdida) si:
LSL O USL
17
Esto es, con respecto a los lmites de especificacin, el potencial de tomar malas decisiones para una parte existe solo cuando el error de los sistemas de medicin intersectan los lmites de especificacin. Esto ofrece tres diferentes reas:
LSL
USL
I
donde: I II III
II
III
Tarjeta
II
Partes malas siempre sern declaradas como malas Potencial de tomar una decisin equivocada Partes buenas siempre sern declaradas como buenas
Dado que el objetivo es maximizar las CORRECTAS decisiones relativas al status del producto, existen dos opciones: 1) Mejorar el proceso de produccin: reducir la variabilidad del proceso de forma tal que las partes no se fabriquen en las reas II. 2) Mejorar el sistema de medicin: reducir el error del sistema de medicin para reducir el tamao de las reas II de tal forma que todas las partes que sean fabricadas caigan dentro del rea III y por tanto minimicen el riesgo de tomar una mala decisin. Esta discusin asume que el proceso de medicin est en control estadstico y en meta. Si alguno de estos supuestos es violado entonces existe una pequea probabilidad de que un valor observado conduzca a una correcta decisin.
Efecto en las Decisiones del Proceso
Con el proceso en control, las siguientes necesidades deben establecerse: Control estadstico En meta Variabilidad aceptable
Como se explic en la seccin previa, el error en las mediciones puede generar decisiones incorrectas acerca de un producto. El impacto en las decisiones del proceso sera como sigue: Llamar a una causa comn como una causa especial Llamar a una causa especial como una causa comn
18
La variabilidad de los sistemas de medicin puede afectar las decisiones en relacin a la estabilidad, meta y variacin de un proceso. La relacin bsica entre la variacin del proceso actual y observada es: 2obs = 2actual + 2msa donde 2obs = varianza observada del proceso 2actual = varianza del proceso actual 2msa = varianza del sistema de medicin El ndice de habilidad9 Cp es definido como
Cp =
Rango de Tolerancia 6
Esto puede sustituirse en la ecuacin de arriba para obtener la relacin entre los ndices del proceso observados y actuales,: (Cp)-2obs = (Cp)-2actual + (Cp)-2msa Asumiendo que el sistema de medicin est en control estadstico y en meta, el Cp actual del proceso puede compararse grficamente con el Cp observado.10 Por tanto la habilidad del proceso observada es una combinacin de la habilidad del proceso actual ms la variacin debida al proceso de medicin. Para alcanzar un objetivo de habilidad de un proceso especfico se requerira factorizar la variacin de las variaciones. Por ejemplo, si el ndice Cp del sistema de medicin fuera 2, el proceso actual requerira un ndice de Cp mayor o igual que 1.79 a fin de lograr que el ndice calculado (observado) sea 1.33. Si el ndice Cp del sistema de medicin fuera en s 1.33, el proceso requerira no contar con variacin si el resultado final tuviera que ser 1.33 que es claramente una situacin imposible.
9 10
Aunque esta discusin es usando Cp, los resultados se mantienen tambin para el ndice de desempeo Pp. Ver apndice B para frmulas y grficas.
19
Aceptacin de un Proceso Nuevo
Cuando un nuevo proceso tal como, maquinado, manufactura, estampado, manejo de material, tratamiento trmico o ensamble es comprado, existe a menudo una serie de pasos que tienen que completarse como parte de la actividad de compra misma. Esto involucra a menudo algunos estudios hechos en el equipo en la localizacin del proveedor y luego en la localizacin del cliente. Si el sistema de medicin usado en cada localizacin no es consistente con el sistema de medicin con el que el equipo ser usado y bajo circunstancias normales, entonces puede generarse alguna confusin. La situacin ms comn que involucra el uso de instrumentos diferentes es el caso donde el instrumento usado con el proveedor cuenta con un orden de discriminacin mayor que el del instrumento de produccin (gage). Por ejemplo, las partes medidas con una maquina de coordenadas durante la compra y luego con un gage de alturas durante la produccin; las muestras medidas (ponderadas) en una escala electrnica o en una escala de laboratorio mecnica durante la compra y luego sobre una escala mecnica simple durante la produccin. En el caso donde el sistema de medicin (de orden mayor) usado durante la compra cuente con un RRG de 10% y el Cp actual del proceso sea de 2.0, el Cp observado del proceso durante la compra ser de 1.96.11
Variacin de la Corrida de las Partes
Variacin de MMC
Cuando este proceso es estudiado en la produccin y con el gage de produccin, se observar una mayor variacin (ej., un Cp ms pequeo). Por ejemplo, si el RRG del gage de produccin es del 30% y el Cp del proceso actual es todava 2.0 entonces el Cp del proceso observado ser de 1.71. El peor escenario ser que el gage de produccin no est calificado pero sea usado. Si el RRG del sistema de medicin es actualmente del 60% (aunque tal hecho no sea conocido) entonces el Cp observado sera de 1.28. La diferencia en el Cp observado de 1.96 versus 1.28 es debida al sistema de medicin diferente. Sin este conocimiento puede haber esfuerzos en vano en buscar ver lo que est mal del nuevo proceso.
11
Para esta discusin, asuma que no existe variacin en el muestreo. En la realidad 1.96 ser el valor esperado aunque los resultados actuales varien alrededor de este valor.
20
Variacin Actual del Proceso Variacin Observada del Proceso
Variacin del Gage de Produccin
Ajuste / Control del Proceso (Experimento del Embudo)
Con frecuencia las operaciones de manufactura utilizan una pieza en el comienzo del da para verificar que el proceso est sobre meta. Si la pieza medida est fuera de meta, el proceso es entonces ajustado. Ms tarde y el algunos casos otra pieza es medida y otra vez el proceso puede ajustarse. El Dr. Deming se refiere a este tipo de mediciones y toma de decisiones como titubeo. Considerar la situacin donde el peso del acabado de un metal precioso sobre una pieza esta siendo controlado sobre una meta de 5.00 gr. Suponer que los resultados de la escala usados para determinar el peso varan en +0.20 gr pero esto no se sabe dado que nunca fue hecho el anlisis del sistema de medicin. Las instrucciones de operacin requieren que el operador verifique el peso y haga ajustes cada hora en base a una muestra. Si los resultados estn fuera del intervalo de 4.90 a 5.10 gr entonces el operador ajusta el proceso otra vez. En el ajuste, suponer que el proceso est operando a 4.95 gr pero por el error en las mediciones el operador observa 4.85 gr. De acuerdo a las instrucciones del operador ste debe intentar ajustar el proceso hacia arriba por 0.15 gr. Ahora el proceso est corriendo en 5.10 gr para una meta. Cuando el operador cheque el ajuste sta vez, observa 5.08 gr. de manera que permita al proceso trabajar. El sobreajuste del proceso a agregado variacin y continuar hacindolo as. Este es un ejemplo del experimento de embudo que el Dr. Deming us para describir los efectos del titubeo.12 El error en las mediciones complica el problema. Cuatro reglas del experimento de embudo son: Regla 1: No hacer ajustes o tomar acciones a menos que el proceso est inestable.
12
Deming, W. Edwards, Out of the Crisis, Massachussets of Technology, 1982, 1986.
21
Regla 2: Ajustar el proceso en una cantidad igual y en una direccin opuesta de donde el proceso fue medido al ltimo. Regla 3: Restablecer el proceso hacia la meta. Luego ajustar el proceso en una cantidad igual y en una direccin opuesta de la meta. Ajustar el proceso al punto de la ltima medicin.
Regla 4:
Las instrucciones de ajuste para procesos de metales preciosos es un ejemplo de la regla 3. Las reglas 2,3 y 4 agregan mayor variacin en forma progresiva. La regla 1 es la mejor opcin para provocar una variacin mnima. Otros ejemplos del experimento de embudo son: Recalibracin de gages en base a lmites arbitrarios ej., los lmites no reflejan la variabilidad del sistema de medicin (regla 3). Restablecimiento de un patrn para el sistema de medicin del control del proceso despus de un nmero arbitrario de usos sin alguna indicacin o historia de algn cambio (causa especial) (regla 3). Autocompensaciones que ajustan al proceso en base a las ltimas partes fabricadas (regla 2). En el entrenamiento del trabajo donde el operador A entrena al operador B y quien ms tarde entrena al operador C... sin material de entrenamiento estndar. Similar al juego del telfono descompuesto (regla 4). Las partes son medidas, y se encuentran fuera de meta, aunque al graficarse sobre la grfica de control el proceso se muestra estable luego entonces no se toma ninguna accin (Regla 1).
22
Captulo l Seccin C Planeacin y Estrategia de las Mediciones
CAPTULO I Seccin C
Planeacin y Estrategia de las Mediciones
Introduccin
La planeacin es clave antes de disear o comprar un equipo o sistemas de medicin. Muchas decisiones hechas durante la etapa de planeacin pudieran afectar la direccin y seleccin de un equipo de medicin. Cul es el propsito y cmo ser usado el resultado de una medicin?. La etapa de planeacin establecer el curso y tiene un efecto significativo en qu tan bien el proceso de medicin opere y puede reducir posibles problemas y errores de medicin en el futuro.
En algunos casos y debido al riesgo involucrado en los componentes a ser medidos o por el costo y complejidad del dispositivo de medicin el cliente del FEO (Fabricante de Equipo Original) puede usar el proceso APQP y decidir una estrategia de medicin con el proveedor.
No todas las caractersticas del producto y proceso requieren sistemas de medicin y cuyo desarrollo cae en este tipo de escrutinio. Herramientas simples de medicin estndar como micrmetro o calibradores pueden no requerir sta estrategia de planeacin a profundidad. Una regla emprica bsica es si la caracterstica a medir en el componente o subsistema ha sido identificada en el plan de control o es importante en la determinacin de la aceptacin del producto o proceso. Otra gua sera el nivel de tolerancia asignado a una dimensin especfica. Sentido comn es la gua en cualquier caso.
Complejidad
El tipo, complejidad y propsito de un sistema de medicin puede conducir a diferentes niveles de administracin de un programa, planeacin estratgica, anlisis de sistemas de medicin u otra consideracin especial para la seleccin, evaluacin y control de las mediciones. Instrumentos y dispositivos simples de medicin (ej., reglas, cintas para medir, gages de atributos o lmites ajustados) pueden no requerir el nivel de administracin, planeacin o anlisis que demanden otros sistemas de medicin complejos o crticos (ej., masters de referencia, mquinas de coordenadas, stands de prueba, sistemas de gages en lnea y automatizados, etc.). Cualquier sistema de medicin puede requerir mayor o menor planeacin estratgica y el escrutinio depende de la situacin de un producto o proceso dado. La decisin del nivel apropiado debe recaer en el equipo APQP para el proceso de medicin y los clientes. El grado actual de involucramiento o implementacin en muchas de las actividades abajo indicadas debiera ser dirigido por el sistema de medicin particular, las consideraciones para el control de gages y el sistema de calibracin de soporte, la profundidad en el conocimiento del proceso y el sentido comn.
23
Identificacin del Propsito de un Proceso de Medicin Ciclo de Vida de las Mediciones
El primer paso es establecer el propsito de las mediciones y cmo sern utilizadas. Un equipo multifuncional organizado en las etapas iniciales del desarrollo del proceso de medicin es crtico en el logro de esta tarea. Se hacen consideraciones especficas en relacin a auditorias, control del proceso, desarrollo del producto y el proceso y anlisis del Ciclo de Vida de las Mediciones. El concepto de Ciclo de Vida de las Mediciones expresa la creencia de que los mtodos de medicin pueden cambiar en el tiempo conforme uno aprende y mejora el proceso. Por ejemplo, la medicin puede iniciar en la caracterstica de un producto para establecer estabilidad y habilidad del proceso. Esto puede conducir al entendimiento de caractersticas crticas para el control del proceso que directamente afecten las caractersticas de una parte. La dependencia en la informacin de la caracterstica de una parte llega a ser menor y el plan de muestreo puede reducirse para dar significado a este entendimiento (de 5 parte por hora a una parte por turno). Tambin, el mtodo de medicin puede cambiar en la medicin de una mquina de coordenadas a una forma de gage por atributos. Eventualmente puede encontrarse que una pequea parte del monitoreo puede requerirse siempre y cuando el proceso se mantenga o la medicin y monitoreo del mantenimiento y el herramental pueda ser todo lo que se necesite. Al nivel de mediciones le siguen el nivel de entendimiento del proceso. La mayora de las mediciones y monitoreos pudieran terminar eventualmente con los proveedores de los materiales de recibo. La misma medicin, sobre la misma caracterstica, en la misma rea del proceso y sobre un periodo extenso de tiempo es evidencia de una falta de aprendizaje o un proceso de medicin estancado.
Criterios para seleccin del Diseo de un Proceso de Medicin
Antes de que un sistema de medicin pueda ser comprado, un detallado concepto de ingeniera del proceso de medicin es desarrollado. Usando el propsito arriba desarrollado, un equipo multifuncional de individuos desarrollar un plan y concepto para el sistema de medicin requerido para el diseo. Aqu se presentan algunos lineamientos: El equipo necesita evaluar el diseo del subsistema o componente e identificar caractersticas importantes. Estas se basan en los requerimientos de los clientes y la funcionalidad del subsistema o componente del sistema total. Si las dimensiones importantes ya han sido identificadas, evaluar la capacidad para medir dichas caractersticas. Por ejemplo, si la caracterstica importante de un componente plstico moldeado por inyeccin estuviera en una lnea de moldeo de partes, el chequeo dimensional sera difcil y la variacin de las mediciones alta. Un mtodo para capturar aspectos clave similares a stos sera el uso des AMEFPs para analizar reas de riesgos en el diseo de gages, tanto de su habilidad para medir la parte como el gage de funcionalidad (AMEFDs y AMEFPs). Esto ayudara en el desarrollo del mantenimiento y plan de calibracin.
24
Captulo l Seccin C Planeacin y Estrategia de las Mediciones
Desarrolla un diagrame de flujo que muestre los pasos crticos del proceso en la manufactura o ensamble de la parte o subsistema. Identifica las entradas y salidas clave de cada paso en el proceso. Esto ayudara en el desarrollo de los criterios y requerimientos del equipo de medicin afectados por la localizacin en el proceso. Un plan de mediciones y una lista de tipos de mediciones se obtendra de esta investigacin.13 Para sistemas de medicin complejos, se hace un diagrama de flujo del proceso de medicin mismo. Esto incluira el envo de la parte o subsistema a ser medido, la medicin en s y el regreso de la parte o subsistema al proceso. Luego utiliza algn mtodo de tormenta de ideas con el grupo para desarrollar criterios generales para cada medicin requerida. Uno de los mtodos simples a usar es el diagrama de causas y efectos.14 Ver el ejemplo en figura 2 como un punto inicial de pensamiento.
Algunas preguntas adicionales a considerar en relacin a la planeacin de las mediciones:

Quin debe estar involucrado en el anlisis de las necesidades? el diagrama de flujo y la discusin inicial facilitarn la identificacin de los individuos clave. Por qu debe tomarse la medicin y cmo ser utilizada? Los datos debern usados para control, clasificacin, calificacin, etc.? La forma en que las mediciones sern usadas puede cambiar el nivel de sensibilidad del sistema de medicin mismo. Qu nivel de sensibilidad se requiere? Cul es la especificacin del producto? Cul es la variabilidad esperada del proceso? Qu tanta diferencia entre las partes necesitar detectar el gage? Qu tipo de informacin ser ofrecida con el gage (ej., manuales operacin, mantenimiento, etc.) y qu habilidades bsicas del operador son requeridas? Quin realizar el entrenamiento? Cmo son tomadas las mediciones? Sern hechas en forma manual, sobre un transportador en movimiento, fuera de lnea, en forma automtica, etc.? La localizacin de las partes y los posibles dispositivos son fuentes de variacin? Es con o sin contacto? Cmo sern calibradas las verificaciones y stas sern comparadas con otros procesos de medicin? Quin ser responsable por los patrones de calibracin? Cundo y dnde sern tomadas las mediciones? La parte estar limpia, con aceite, caliente, etc.?
13 14
Recordar el uso de datos para sustentar supuestos comunes acerca del proceso de medicin. Es mejor estar seguros y recolectar datos del medio ambiente, ms que tomar decisiones en base a informacin equivocada y tener un sistema desarrollado que no sea robusto en aspectos clave ambientales.
Esto puede considerarse en un plan de control preliminar. Ver Gua para el Control de Calidad, Kaoru Ishikawa, publicado por la organizacin asitica de productividad, 1986. 25
Investigacin de Varios Mtodos de Procesos de Medicin Diseo y Desarrollo de Conceptos y Propuestas
Los mtodos de medicin actuales debieran investigarse previo a la inversin en nuevo equipo. Los mtodos de medicin probados pueden ofrecer una operacin ms confiable. Cuando sea posible, usa equipo de medicin que cuente con registros de rastreo probados. Hacer referencia a elementos sugeridos para un checklist de desarrollo de un sistema de medicin al final del captulo I, seccin D, cuando se desarrollen y diseen conceptos y propuestas. Durante y despus de la fabricacin del equipo de medicin y el desarrollo del proceso de medicin (mtodos, entrenamiento, documentacin, etc.) sern realizados estudios experimentales y recoleccin de datos. Estos estudios y datos sern usados para entender este proceso de medicin de forma tal que dicho proceso y procesos futuros puedan mejorarse.
26
Captulo l Seccin D Desarrollo de las Fuentes de Medicin
CAPTULO I Seccin D
Desarrollo de las Fuentes de Medicin
Introduccin
PROCESO DE MEDICIN ENTRADAS SALIDAS
Esta seccin aborda el esquema de tiempo para cotizaciones / suministros de la vida de un proceso de medicin se ha desarrollado para que sea una discusin acerca del procesos de desarrollar un paquete de cotizacin del proceso de medicin, obteniendo respuestas a dicho paquete, otorgando el proyecto, completando el diseo final, desarrollando el proceso de mejoramiento y, finalmente, casando el proceso de medicin con el proceso de produccin para el cual fue creado. Se recomienda fuertemente que este capitulo no sea usado sin la lectura y entendimiento de la discusin completa acerca de los procesos de medicin. Para obtener el mximo beneficio de un proceso de medicin, estudiarlo y abordarlo como si fuera un proceso con entradas y salidas.15 Este captulo fue escrito con la filosofa de equipo en mente. No es una descripcin de trabajo para el comprador o agente de compras. Las actividades descritas aqu requieren del involucramiento de un equipo para completarse exitosamente y debiera ser administrado dentro del esquema global de un equipo de Planeaciones Avanzadas de Calidad de Productos (APQPs). Esto puede resultar en un saludable juego entre varias funciones de equipos conceptos que se deriven del proceso de planeacin pueden modificarse antes de que el proveedor de gages llegue al diseo final que satisfaga los requerimientos del sistema de medicin. Generalmente, el proceso de adquisicin comienza con la comunicacin formal entre el cliente y el proveedor para un proyecto dado. La comunicacin anticipada es crucial para el xito del proyecto. Dado que el trabajo bsico y necesario para una efectiva y futura relacin se hace en esta etapa. El proceso de adquisicin comienza con la presentacin formal del cliente del intento del proyecto en forma de una Solicitud Para Cotizacin (SPC) seguida por la explicacin formal del proveedor de su propuesta para cumplir con este intento (Cotizacin). El cliente y proveedores necesitan entender totalmente los requerimientos del proyecto, lo que se tiene que entregar y los mtodos con los cuales debe lograrse. Este entendimiento se deriva de la comunicacin oportuna y precisa entre las dos partes. Una vez que se ha acordado un concepto y se ha establecido una relacin cliente / proveedor para el proyecto en puerta, las actividades de diseo en detalle, fabricacin del proceso de medicin y desarrollo pueden empezar. La comunicacin entre el cliente y el proveedor en este punto es especialmente importante. Dado que puede haber varios niveles de aprobaciones de conceptos a realizarse, y posibles cambios ambientales as como el potencial de cambio de los miembros del equipo, el proyecto del proceso de medicin pudiera ser titubeante a an fallar. Este riesgo se reduce si se mantiene una comunicacin detallada y frecuente y documentada entre el cliente y el proveedor y se designa la responsabilidad formal (un individuo)por ambas partes para mantener comunicacin. El foro y formato ideal para esta actividad es el proceso APQP.
13
Ver captulo I, SECCION B
27
Despus de que el proceso de medicin ha sido diseado conceptualmente, las actividades alrededor de la adquisicin del proceso / sistema pueden empezar.
Coordinacin de Datos
Idealmente con la prevalencia actual en el uso de Tolerancias y Dimensionamiento Geomtrico (GD&T) los datos necesitan ser coordinados (ej., hacerse idnticos) a lo largo del proceso de manufactura y el sistema de medicin, y esto necesita establecerse muy anticipadamente en el proceso de APQP. La responsabilidad inicial para esto puede dejarse en el ingeniero de diseo del producto, en el control dimensional, etc. dependiendo de la organizacin especfica. Cuando los esquemas de datos no cuadren a lo largo del proceso de manufactura, particularmente en los sistemas de medicin, pueden medirse cosas equivocadas, puede haber problemas de ajuste, etc., conduciendo a un control inefectivo del proceso de manufactura. Puede haber ocasiones en que un esquema de datos usado en un ensamble final no pueda cuadrar posiblemente con el usado en un proceso de manufactura de un subcomponente. Cuando tal sea el caso, esto puede determinarse lo antes posible en el proceso APQP, de forma tal que los miembros del equipo entiendan posibles dificultades y conflictos que puedan aparecer adelante y cuenten con oportunidades para hacer algo al respecto. Durante este proceso, diferentes esquemas de datos pueden necesitar ser explorados a fin de entender el impacto de las diferencias. Ciertas mercancas presentan propiedades que pueden producir ms problemas que otras, tal como, el centrado de un rbol de levas o alguna otra caracterstica de redondeo, cilndrica o tubular. Por ejemplo, un rbol de levas debe ser manufacturado sobre centros pero las propiedades importantes del producto estn en sus lbulos. Un mtodo o esquema de datos puede requerirse para la manufactura mientras que otro esquema es requerido para la medicin de un producto final.
28
Prerrequisitos y Supuestos
Antes de discutir el desarrollo con el proveedor del gage, se asume que aspectos crticos tales como, diseo (GD&T) de ingeniera del producto correcto y el diseo del proceso correcto (aquel que permita las mediciones en el tiempo y localizacin en el proceso apropiados) se hallan resuelto. Sin embargo sto no debiera demeritar la consideracin de stos aspectos crticos con los miembros del equipo apropiados y en forma anticipada en el proceso APQP. Se asume que el proveedor del gage ser involucrado en el proceso APQP con el enfoque de equipo. El proveedor de gages desarrollar una clara apreciacin del proceso de produccin global y el uso del producto de manera que se rol es entender no solo por l sino por otros en el quipo (manufactura, calidad, ingeniera, etc.). Existe un pequeo traslape en algunas actividades o en el orden de estas actividades dependiendo del programa / proyecto particular u otras restricciones. Por ejemplo, el equipo de APQP sin muchas entradas de una fuente de gages puede desarrollar ciertos conceptos de gages. Otros conceptos pueden requerir la pericia de la fuente de gages. Esto puede ser dirigido por la complejidad del sistema de medicin y una decisin del equipo acerca de lo que hace sentido.
tud io
Pl r ce Ha
PROCESO DE SELECCIN DE FUENTES DE GAGES

Desarrollo del Paquete de Cotizacin
Es
an ea r
Concepto de Ingeniera Detallado
Ac r tua
Antes de que el paquete de solicitud para cotizacin de un proceso de medicin pueda ser suministrado al proveedor potencial para propuestas formales, necesita desarrollarse un concepto de ingeniera detallado del proceso de medicin mismo. El equipo de individuos que se emplee y sea responsable por el mantenimiento y mejoramiento continuo del proceso de medicin tiene responsabilidades directas para desarrollar el concepto detallado. Esto puede ser parte del equipo de APQP. Para desarrollar mejor este concepto, necesitan responderse varias preguntas. El equipo puede investigar varios aspectos crticos para ayudar a decidir que direccin o camino ser seguido para el diseo del proceso de medicin. Algunos pueden ser dictados o pesadamente implicados por el diseo del producto. Ejemplos de multitudes de posibles aspectos crticos que necesiten ser abordados por el equipo cuando se desarrolle un concepto detallado pueden encontrarse en los Elementos Sugeridos para el Checklist del Desarrollo de un Sistema de Mediciones al Final de esta Seccin
29
Todos los clientes a menudo confan fuertemente en proveedores para soluciones. Antes de que un cliente aun proveedor sugiera soluciones para problemas del proceso, los fundamentos e intento del proceso necesitan ser totalmente entendidos y anticipados por el equipo que sea dueo del proceso. Luego entonces el proceso es propiamente usado, apoyado y mejorado.
Consideraciones de Mantenimiento Preventivo
Qu actividades debieran programarse para el mantenimiento preventivo (ej., lubricacin, anlisis de vibraciones, integridad del medio de prueba, reemplazo de partes, etc.)?. Muchas de estas actividades dependen de la complejidad del sistema de medicin y el dispositivo o aparato. Gages simples pueden solo requerir una inspeccin en intervalos regulares, mientras que sistemas ms complejos pueden requerir anlisis estadsticos detallados y continuos y un equipo de ingenieros para mantenerlos en un estado predictivo. Las actividades del mantenimiento preventivo planeado debieran coincidir con la iniciacin de la planeacin del proceso de medicin. Muchas actividades tales como drenado de filtros de aire diariamente, lubricado de piezas despus de un nmero designado de horas de operacin, etc., pueden planearse antes de que el sistema de medicin se construya totalmente, y se desarrolle e implemente. De hecho esto se prefiere y mejora la planeacin anticipada y los costos en las mediciones. Los mtodos de recoleccin de datos y recomendaciones para mantenimiento relacionadas con estas actividades pueden obtenerse del fabricante original o desarrolladas por personal de ingeniera de planta, manufactura y calidad. Despus de que el proceso de medicin es implementado y puesto en uso, los datos que pertenezcan a la funcin del proceso de medicin necesitan ser recolectados y graficados en el tiempo. Mtodos analticos simples (grficas de corridas y anlisis de tendencias) pueden realizarse para determinar la estabilidad del sistema. Eventualmente, conforme el juicio de la estabilidad del sistema lo dicte, pueden programarse rutinas de mantenimiento preventivo. La conduccin del mantenimiento preventivo sobre un sistema estable, y en base a informacin de series de tiempo, ser de menos desperdicio que la conduccin del mantenimiento preventivo sobre un sistema con tcnicas tradicionales.
Especificaciones
Las especificaciones sirven como lineamiento pare el cliente y el proveedor en el diseo y construccin de un proceso. Estos lineamientos sirven para comunicar estndares aceptables. Los estndares o patrones aceptables pueden considerarse en dos categoras. Estndares de diseo Estndares construidos
El formato de los estndares de diseo puede ser diferente dependiendo de quien est pagando el proyecto. Aspectos clave de costos pueden afectar el formato.
30
Generalmente es una buena idea contar con un diseo documentado y en detalle suficiente de manera que el diseo mismo pueda ser construido o reparado para su intento original por cualquier constructor calificado sin embargo, esta decisin puede ser dirigida por costo y criticalidad. El formato requerido del diseo final puede estar en forma de CAD o dibujos de ingeniera en papel. Puede involucrar normas de ingeniera seleccionadas de FEOs, SAE, ASTM u otra organizacin, y el proveedor de gages debe tener acceso al ms reciente nivel y entender estas normas. Los FEOs pueden requerir el uso de normas particulares en las fases de diseo o construccin y pueden an requerir aprobaciones formales antes de que el sistema de medicin pueda ser liberado para su uso. Las normas de diseo detallarn el mtodo de comunicar el diseo mismo (CAD ej., CATIA, Unigrafics, IGES, copia manual, etc.) para el fabricante. Puede tambin cubrir normas de desempeo para un sistema de medicin ms complejo. Las normas o estndares construidos cubren tolerancias en las cuales el sistema de medicin debe ser construido. Las tolerancias de construccin deben basarse en la combinacin de las habilidades del proceso usado para fabricar el gage o componente del gage y la criticalidad de la medicin esperada. La tolerancia construida no debe ser ofrecida solo como un porcentaje de la tolerancia del producto mismo.
Si se requieren dispositivos o sistemas por duplicado, una apropiada planeacin y estandarizacin pueden conducir a la intercambiabilidad y flexibilidad.
El uso de componentes o subensambles estandarizados tambin conduce a intercambiabilidad, flexibilidad, reduccin de costos y, generalmente amenos errores en las mediciones de largo plazo.
Evaluacin de Cotizaciones
C O N C E P T O C O T I Z A C I O N
Conforme se reciban las cotizaciones, el equipo debe integrarse para revisarlas y evaluarlas. Ciertos puntos pueden hacerse notar: 9 Se cumplen los requerimientos bsicos? 9 Existen algunos aspectos sobresalientes? 9 Alguno de los proveedores exhiben una condicin excepcional y por qu? (una condicin excepcional pudiera ser una disparidad significativa con respecto al precio o envo sto no necesariamente sera descontado como un factor negativo un proveedor pudo haber detectado un artculo de otros no previsto). 9 Los conceptos promueven simplicidad y facilidad de mantenimiento?
APROBACIN
31
Liberacin de Documentos
La documentacin es algunas veces no-tomada en cuenta cuando se adquiere un proceso de medicin. La significancia que toma la documentacin con respecto a cualquier proyecto es a menudo mal entendida. La estrategia usual atrs de la documentacin es ofrecer un conjunto original de diseos mecnicos y elctricos (CAD o dibujos en papel) para el hardware del proceso de medicin en el tiempo del envo. Esto puede satisfacer los requerimientos iniciales de implementacin, aunque esta documentacin no hace nada con respecto a definir puntos potenciales para el montaje, sugerir posibles reas problemticas o describir como usar el proceso. Por tanto, la documentacin requerida para cualquier proceso debe incluir ms que el ensamble y dibujos detallados del equipo de medicin. La documentacin efectiva de cualquier sistema sirve para el mismo propsito que un buen mapa en un viaje. Por ejemplo, sugiere al usuario cmo llegar de un punto a otro (instrucciones del usuario o gage). Ofrece al usuario rutas alternativas posibles para alcanzar los puntos de destino deseados (guas de solucin de problemas o rboles de diagnstico) si la ruta principal es bloqueada o cerrada. Un paquete completo de documentacin puede incluir: Conjunto reproducible de dibujos de ensamble y mecnicos detallados (CAD o copia en papel) (incluyendo cualquier master requerido). Conjunto reproducible del cableado elctrico, lgica y software. Lista de refacciones sugeridas de uso pesado o de puntos / detalles de desgaste. Esta lista debiera incluir puntos que pueden requerir tiempos de anticipacin considerables para adquisicin. Manuales de mantenimiento con dibujos de los equipos y los pasos para ensamblar y desensamblar adecuadamente los componentes del equipo mismo. Manuales definiendo los requerimientos de servicios para ajuste, puesta a punto y operacin y requerimientos de transporte del equipo. Guas de rboles de diagnstico y solucin de problemas. Reportes de certificacin (rastreabilidad con NIST cuando aplique). Instrucciones de calibracin. Manuales del usuario que puedan ser usados por el personal de soporte tcnico, el operador del sistema y el personal de mantenimiento.
La lista anterior puede ser usada como un cheklist al organizar un paquete de cotizacin; sin embargo no necesariamente incluye todo.
32
El tema central aqu es comunicacin. Dado que la documentacin es una forma de comunicacin, el equipo y otros deben estar involucrados en cada nivel del desarrollo del paquete de documentacin del proceso de medicin.
Calificacin con el Proveedor
El gage o sistema de medicin debiera ofrecer un layout dimensional y pruebas de funcionalidad completas, cuando aplique, con el proveedor del sistema de medicin antes del envo. Obviamente, el proveedor seleccionado debe contar con equipo de medicin y personal calificado en planta a fin de lograr esto. Si no, debieran hacerse prearreglos para que se haga este trabajo en un laboratorio independiente y externo calificado. Los resultados de tal layout dimensional y/o de pruebas debieran obtenerse de acuerdo con el diseo del cliente y los estndares construidos y ser completamente documentados y disponibles para revisin por el cliente. Despus de un exitoso layout dimensional, el proveedor debiera ejecutar un anlisis del sistema de medicin preliminar y formal. Esto otra vez requiere nuevamente que el proveedor cuente con personal, conocimientos y experiencia para lograr los anlisis apropiados. El cliente debiera predeterminar con el proveedor (y quizs con el FEO) exactamente que tipo de anlisis se requiere en este punto y debiera estar conciente de algn lineamiento que se requiera para el proveedor. Algunos aspectos clave que puedan requerir discusin, negociacin o acuerdo comn son: Objetivo del estudio MSA preliminar: 9 9 9 Repetibilidad del Gage (RG16) versus repetibilidad y reproducibilidad (RRG) Evaluacin del sesgo y/o linealidad Evaluacin del propsito del cliente para las mediciones
Cantidad de piezas, intentos y operadores en estudio 9 Criterios de aceptacin
Uso de personal del proveedor versus personal suministrado por el cliente Entrenamiento necesario para el personal 9 Est calificado? 9 Entiende la intencin? 9 Qu software pudiera utilizarse?
Cualquier resultado que se logre en este punto en el tiempo, debiera hacerse notar que este es meramente preliminar y puede ser necesario un juicio para la aceptabilidad de los resultados.
16
Ver apndice D
33
Envos
CHECKLIST
Cundo debiera ser enviado el equipo? Cmo debiera enviarse? Quin retira el equipo del camin o vagn? Se requieren seguros? La documentacin debiera enviarse con el hardware? El cliente cuenta con el equipo apropiado para descargar el hardware? Dnde ser almacenado el sistema hasta el envo? Dnde ser almacenado el sistema hasta su implementacin? La documentacin de envo est completa y fcilmente entendible para el cargador, transportador, descargador y cuadrilla de instalacin?
Calificaciones con los Generalmente, lo que se ha hecho para calificar el sistema de medicin anteriormente con el proveedor y antes del envo debiera repetirse de alguna forma con el cliente una Clientes
vez que el envo se ha completado. Dado que sta llega a ser la primera oportunidad real para estudiar el sistema de medicin en su ambiente esperado, estndares de aceptacin y mtodos de anlisis usados aqu debieran ser considerados seriamente. La atencin a detalle por todas las partes involucradas es vital para el xito eventual de un sistema de medicin y el uso de datos que genere. Antes de que cualquier anlisis de mediciones comience despus del recibo, el sistema de medicin debiera ejecutrsele un layout dimensional completo para confirmar que cumple con los requerimientos / normas de construccin. El alcance de este layout puede balancearse contra el trabajo de layout hecho previamente con el proveedor del sistema de medicin y previo al envo, y la confiabilidad en la calidad de los resultados de layout hechos con el proveedor as como la falta de algn dao potencial por envo. Cuando se comparen los resultados antes y despus del envo, estar concientes de que es probable alguna diferencia en las mediciones por la diferencia en los sistemas de medicin.
Envo de Documentacin
La informacin que se requiere, como mnimo, para ayuda en la implementacin y arranque de cualquier sistema es la siguiente: (esta informacin debe ser enviada al cliente previo al envo) Dibujos de CAD o en papel, si se requieren por el equipo Diagrama de flujo del proceso del sistema, cuando aplique.
34
Manuales del usuario 9 9 9 Manual de servicio / mantenimiento Lista de refacciones Gua para solucin de problemas
Instrucciones de calibracin Cualquier consideracin especial
En principio, la documentacin enviada necesita ser identificada como preliminar. La documentacin original o reproducible no necesita ser enviada en este tiempo porque puede ser necesaria una revisin potencial despus de su implementacin. De hecho, es una idea inteligente no tener el paquete de documentacin original enviado hasta despus de que el sistema completo es implementado generalmente los proveedores son ms eficientes en la actualizacin de la documentacin que los clientes.
35
Elementos Sugeridos para un Checklist del Desarrollo de un Sistema de Medicin

Esta lista debiera modificarse en base a la situacin y tipo del sistema de medicin. El desarrollo del checklist final debiera ser el resultado de la colaboracin entre el cliente y el proveedor. Aspectos clave del diseo y desarrollo de un sistema de medicin:

Qu es lo qu se mide? Qu tipo de caracterstica es? Es una propiedad mecnica? Es dinmica o esttica? Es una propiedad elctrica? Existe una variacin dentro de las partes significativa? Para qu propsito los resultados (salidas) del proceso de medicin sern usados? El mejoramiento de la produccin, monitoreo de la produccin, estudios de laboratorio, auditorias de proceso, inspeccin de embarque e inspeccin recibo responden a DOEs? Quin usar el proceso? operadores, ingenieros, tcnicos, inspectores, auditores? Entrenamiento requerido: Operador, personal de mantenimiento, ingenieros; saln de clases, aplicacin prctica, periodo de aprendizaje. Se han identificado las fuentes de variacin? Construir un modelo de errores (S.W.I.P.E. o P.I.S.M.O.E.A.) usando equipos,, tormenta de ideas, conocimiento profundo del proceso, diagramas de causas y efectos o matrices. Se ha desarrollado un AMEF para el sistema de medicin? Sistemas de medicin flexibles vs dedicados: Los sistemas de medicin pueden ser permanentes y dedicados o pueden ser flexibles y tener la habilidad de medir diferentes tipos de partes; ej., gages, dispositivos de gages, mquinas de medicin por coordenadas, etc. Los gages flexibles sern ms caros pero pueden ahorrar dinero en el largo plazo. Contacto vs No Contacto: Confiabilidad, tipo de propiedad, plan muestra, costo, mantenimiento, calibracin, habilidades del personal requeridas, compatibilidad, medio ambiente, velocidad, tipos de probadores, deflexin de las partes, procesamiento de imgenes. Esto puede determinarse con los requerimientos del plan de control y la frecuencia de las mediciones (gages de contacto total pueden conseguir ajustes excesivos durante muestreos continuos). probadores de superficie de contacto total, tipo de probador, jets de retroalimentacin por aire , procesamiento de imgenes, MMC vs comparador ptico, etc. Medio Ambiente: Polvo, humedad, temperatura, vibracin, ruido, interferencia electromagntica (IEM), movimiento de aire en el ambiente, contaminantes de aire, etc. el laboratorio, el piso de produccin, oficina, etc.? El medio ambiente llega a ser un aspecto clave con tolerancias bajas y ajustadas y en el nivel de micrones. Tambin, en los casos en que MMC, los sistemas de visiones, ultrasnico, etc. Esto podra ser un factor de auto-retroalimentacin en proceso en los tipos de mediciones. Aceite para corte, escombros para corte y temperaturas extremas pudieran llegar tambin a ser aspectos clave. Se requiere que el rea est limpia? Puntos de medicin y localizacin: Define claramente, usando GD&T, la localizacin de los dispositivos y puntos de sujecin y donde las mediciones de la parte sean tomadas. Mtodo de Arreglo: En estado libre vs parte sostenida y sujetada. Orientacin de la Parte: Posicin del cuerpo contra otro. Preparacin de la Parte: La parte debiera estar limpia, sin aceite, con temperatura estabilizada, etc. Antes de la medicin.
36

Localizacin del Transductor: Orientacin angular, distancia de los localizadores primarios o redes. Aspecto # 1 de Correlacin Gages Duplicados: Se requieren los gages por duplicado (o ms) dentro o entre plantas para soportar los requerimientos? Consideraciones de construccin, de errores de medicin y de mantenimiento. Cul es considerado el estndar? Cmo ser calificado cada uno? Aspecto #2 de Correlacin- Divergencia en Mtodos: La variacin en las mediciones resulta de diferentes diseos de sistemas de medicin ejecutndose en el mismo producto / proceso y dentro de una prctica y lmites de operacin aceptables (ej., resultados de mediciones de MMC vs manual o ajuste abierto). Automatizado vs Manual: En lnea, fuera de lnea, dependencia del operador. Mediciones de Pruebas Destructivas vs No Destructivas (PND): Ejemplos: prueba de tensin, prueba de cmara salina, espesor de cubierta de pintura / acabado, dureza, medicin dimesnional, procesamiento de imagen, anlisis qumico, estrs, durabilidad, impacto, torsin, torque, fuerza de soldado, propiedades elctricas, etc. Rango Potencial de Medicin: Tamao y rango esperado de las mediciones concebidas. Resolucin Efectiva: La medicin es sensible a los cambios fsicos (habilidad para detectar variacin del proceso o producto) para una aplicacin particular y aceptable? Sensibilidad: La seal de entrada es la ms pequea en medida y la cual resulta en una seal de salida detectable (discernible) y aceptable para la aplicacin del dispositivo de medicin). La sensibilidad se determina por el diseo y calidad (FEO) inherente del gage, el mantenimiento en servicio y las condiciones de operacin.
Aspectos de Construccin de un Sistema de Medicin (equipo, patrones e instrumento):
Se han abordado las fuentes de variacin identificadas en el diseo del sistema? Revisiones de diseo; verificaciones y validaciones. Sistema de Control y Calibracin: Programa de calibracin recomendado y auditoria al equipo y documentacin. Frecuencia, interno o externo, parmetros, chequeos de verificacin en proceso. Requerimientos de Entradas: Mecnicos, elctricos, hidrulicos, neumticos, supresores de pico, secadores, filtros, aspectos clave de ajuste y operacin, aislamiento, discriminacin y sensibilidad. Requerimientos de Salidas / Resultados: Anlogos o digitales, documentacin y registros, archivo, almacenamiento, recuperacin, soporte. Costo: Factores de presupuesto para el desarrollo, compra, instalacin, operacin y entrenamiento. Mantenimiento Preventivo: Tipo, programa, costo, personal, entrenamiento, documentacin. Facilidad de Servicio: Interno y externo, localizacin, nivel de soporte, tiempo de respuesta, disponibilidad de partes para servicio, lista de partes estndar. Ergonoma: Habilidad de cargar y operar el equipo sin daos en el tiempo. La necesidad de discusiones sobre los dispositivos de medicin para orientarse en aspectos clave en cmo el sistema de medicin es interdependiente con el operador. Consideraciones de Seguridad: Personal, operacin, medio ambiente, protegido. Almacenamiento y Localizacin: Establece los requerimientos alrededor del almacenamiento y localizacin del equipo de medicin. Aspectos clave de cubiertas, medio ambiente, seguridad, disponibilidad (proximidad). Tiempo de Ciclo de la Medicin: Cunto tiempo llevar medir una parte o caracterstica? Ciclo de medicin integrado al control del proceso y el producto.
37

Habr alguna interrupcin al flujo del proceso, integridad del lote, para capturar, medir y devolver la parte? Manejo de Materiales: Existen racks especiales, dispositivos de sostn, equipo de transporte u otro equipo de manejo de materiales necesarios para las partes a ser medidas o el sistema de medicin mismo? Aspectos Ambientales: Existen algunos requerimientos ambientales especiales, condiciones, limitaciones, que afecten el proceso de medicin o procesos vecinos? Se requiere que sea exhausto? Es necesario el control de temperatura o humedad? Humedad, vibracin, ruido, IEM, limpieza. Existen algunos requerimientos o condiciones de confiabilidad especiales? Se mantiene el equipo en el tiempo? Esto necesita verificarse antes del uso para produccin? Refacciones: Lista comn, suministros adecuados y un sistema para ordenamiento en piso, disponibilidad, tiempos de anticipacin entendidos y tomados en cuenta. Es adecuado y seguro el almacenamiento disponible (refacciones, mangueras, cinturones, switches, solenoides, vlvulas, etc.)? Instrucciones del Usuario: Secuencia de sujecin, procedimientos de limpieza, interpretacin de datos, grficas, ayudas visuales amplias. Disponibles y desplegadas apropiadamente. Documentacin: Dibujos de ingeniera, rboles de documentacin, manuales del usuario, lenguaje, etc. Calibracin: Comparacin con patrones aceptables. Disponibilidad y costo de patrones aceptables. Frecuencia recomendada, requerimientos de entrenamiento. Se requiere tiempo muerto? Almacenamiento: Se requieren requerimientos o consideraciones especiales relativos al almacenamiento del dispositivo de medicin? Cubiertas, medio ambiente, seguridad para daos / robos, etc. A Prueba de Errores: Errores del proceso de medicin pueden conocerse para ser corregidos fcilmente (muy fcil) por el usuario? Entradas de datos, uso incorrecto del equipo, aprueba de fallas o errores
Aspectos de Implementacin del Sistema de Medicin (Proceso):
Soporte: Quin dar apoyo al proceso de medicin? Tcnicos de laboratorio, ingenieros, produccin mantenimiento, servicios contratados y externos? Entrenamiento: Qu entrenamiento ser necesario para los operadores / inspectores / tcnicos, ingenieros para usar y mantener el proceso de medicin? Aspectos de tiempo, recursos y costo. Quin entrenar? Dnde se realizar el entrenamiento? Requerimientos para tiempos de anticipacin? Coordinado con el uso actual del proceso de medicin. Administracin de Datos: Cmo sern administrados los resultados de datos del proceso de medicin? Manuales, computarizados, mtodos de resumen, frecuencia en los resmenes, mtodos de revisin, frecuencia de revisiones, requerimientos de los clientes, requerimientos internos. Disponibilidad, almacenamiento, recuperacin, soporte, seguridad. Interpretacin de datos. Personal: Se requiere contratar personal para soportar el proceso de medicin? Aspectos de costo, tiempo y disponibilidad. Actual o nuevo. Mtodos de Mejoramiento: Quin mejorar el proceso de medicin en el tiempo? Ingenieros o personal de produccin, mantenimiento, calidad? Qu mtodos de evaluacin sern usados? Existe un sistema para identificar mejoramientos necesarios? Estabilidad de Largo Plazo: Mtodos de evaluacin, formato, frecuencia, y necesidad de estudios de largo plazo. Cambios, ajustes, contaminacin, integridad operacional. Estos errores de largo plazo pueden ser medidos, controlados, entendidos y pronosticados? Consideraciones Especiales: Atributos del inspector, limitaciones fsicas o aspectos de salud: ceguera en color, visin, esfuerzo, fatiga, ergonoma.
38
Captulo l Seccin E Aspectos Crticos de Mediciones
CAPTULO I Seccin E
Aspectos Clave en las Mediciones
Introduccin
Tres aspectos fundamentales deben abordarse en la evaluacin de un sistema de medicin: 1) El sistema de medicin debe demostrar sensibilidad adecuada. 9 Primero, el instrumento (y patrn) cuentan con una discriminacin adecuada? La discriminacin (o clase) es arreglada por diseo y sirve como el punto inicial bsico para seleccionar un sistema de medicin. Tpicamente, se aplica la regla 10, la cual establece que la discriminacin del instrumento debiera dividir la tolerancia o variacin del proceso en 10 partes o ms. 9 Segundo, el sistema de medicin demuestra una resolucin efectiva? En relacin a la discriminacin, determina si el sistema de medicin tiene la sensibilidad para detectar cambios en la variacin del producto o proceso para la aplicacin y condiciones dadas. 2) El sistema de medicin debe ser estable. 9 Bajo condiciones de repetibilidad, la variacin del sistema de medicin es debida solo a causas comunes y no especiales (caticas). 9 El analista de las mediciones debe considerar siempre significancias prcticas y estadsticas. 3) Las propiedades estadsticas (errores) son consistentes sobre un rango esperado y adecuadas para el propsito de las mediciones (control del producto o proceso). La tradicin de reportar los errores en las mediciones solo como un porcentaje de la tolerancia es inadecuado para los retos del mercado, que ponen nfasis en mejoramientos del proceso estratgicos y continuos. Conforme los procesos cambien y mejoren, el sistema de medicin debe ser revaluado para su propsito esperado. Es esencial para la organizacin (administracin, planeador de las mediciones, operador de produccin y analista de calidad) entender el propsito de las mediciones y aplicar evaluaciones apropiadas.
39
Tipos de Variaciones de los Sistemas de Medicin
A menudo se asume que las mediciones son exactas, y frecuentemente los anlisis y conclusiones se basan en esta suposicin. Un individuo puede fallar en determinar si hay variacin en el sistema de medicin el cual afecta las mediciones individuales, y consecuentemente, las decisiones se basan en datos. El error de un sistema de medicin puede ser clasificado en 5 categoras: sesgo, repetibilidad, reproducibilidad, estabilidad y linealidad. Uno de los objetivos de un estudio de un sistema de medicin es obtener informacin relativa a la cantidad y tipos de variaciones de medicin asociadas con un sistema de medicin cuando este interacta con su medio ambiente. Esta informacin es valiosa, dado que para el promedio del proceso de produccin, es mucho ms prctico reconocer la repetibilidad y el sesgo en la calibracin y establecer lmites razonables para estos, que ofrecer gages extremadamente exactos con una muy alta repetibilidad. Las aplicaciones de tal estudio ofrecen lo siguiente: Un criterio para aceptar equipo de medicin nuevo. Una comparacin de un dispositivo de medicin contra otro. Una base para evaluar un gage que se sospecha est deficiente. Una comparacin para equipo de medicin antes y despus de su reparacin. Un componente requerido para calcular la variacin del proceso y el nivel de aceptabilidad para el proceso de produccin. Informacin necesaria para desarrollar una Curva de Desempeo de un gage (CDG)17, el cual indica la probabilidad de aceptar una parte de un valor verdadero.
Las siguientes definiciones ayudan a describir los tipos de errores o variaciones asociados con un sistema de medicin, de forma tal que cada trmino sea claramente entendido para discusiones posteriores. Para cada definicin se ofrece una ilustracin la cual despliega grficamente el significado del trmino en cuestin.
Definiciones y Fuentes Potenciales de Variacin
Una definicin Operacional es aquella con la que la gente puede hacer negocios. Una definicin operacional con seguridad, redondeo, confiable o alguna otra [caracterstica]de calidad debe ser comunicable, con el mismo significado al vendedor que al comprador, y el mismo significado que ayer para el operario de produccin, ejemplos: 1. Una prueba especfica de una pieza de material o ensamble. 2. Un criterio (o criterios) para juicio. Una decisin: si o no, de si el objeto o material cumpli o no cumpli con el criterio (o criterios)18.
17 18
Ver captulo V, seccin c. W.E.Deming, Out off the Crisis (1982, 1986) pag. 277
40
Estndar / Patrn Un estndar es cualquier cosa que se tome por consenso general como una base para comparacin, un modelo aceptado. Puede ser un artefacto conjunto (instrumentos, procedimientos, etc.) ajustado y establecido por una autoridad como una regla para medicin de cantidad, peso, alcance, valor o calidad. El concepto de conjunto fue formalizado en la norma de ANSI / ASQC M1-199619. Este trmino fue usado para enfatizar el hecho de que todas las influencias que afecten las incertidumbres en las mediciones necesitan tomarse en cuenta; ej., medio ambiente, procedimiento, personal, etc. un elemento simple de un conjunto sera un grupo para la calibracin de blocks de gages que consiste de un block estndar de gages, un comparador, un operador, medio ambiente y el procedimiento de calibracin. Estndares / patrones de Referencia Un estndar generalmente de la ms alta calidad metrolgica disponible en una cierta localizacin, de la cual se derivan las mediciones hechas en dicha localizacin. Equipo de Medicin y Pruebas EMIGATOP Todos los instrumentos de medicin, estndares de medicin, materiales de referencia y aparatos auxiliares que sean necesarios para ejecutar una medicin. Estndar de Calibracin Un estndar que sirva como referencia en el desempeo de las calibraciones de rutina. Con la intencin de que acte como un pulido entre la carga de calibracin y los estndares de referencia del laboratorio. Estndar de Transferencia Un estndar para comparar un estndar por separado de un valor conocido con una unidad que ha sido calibrada. Master Un estndar usado como referencia en el proceso de calibracin. Tambin puede ser definido como estndar de referencia o calibracin. Estndar de Trabajo Un estndar cuya intencin de uso sea ejecutar mediciones de rutina dentro del laboratorio, no como un estndar de calibracin, pero que puede ser usado como un estndar de transferencia.
Se requiere dar una especial consideracin a los materiales seleccionados para un estndar. Los materiales empleados deben reflejar el uso y alcance del sistema de medicin, as como fuentes de variacin en base a tiempo tales como, factores de montaje y ambientales (temperatura, humedad, etc.).
19
Esta definicin fue actualizada posteriormente como Equipo de Medicin y Prueba o M&TE por estndares militares.
41
PATRON DE REFERENCIA
Master
Equipo de Medicin y Prueba
PATRON DE TRANSFERENCIA
PATRON DE CALIBRACION
Master
PATRON DE TRANSFERENCIA
PATRON DE TRABAJO
Patrn de Chequeo Figura 3: Relacin Entre los Diferentes Estndares
Estndar de Chequeo
Un artefacto de medicin que reagrupa de una forma muy similar lo que el proceso est diseado para medir, pero que es inherentemente ms estable que el proceso de medicin a ser evaluado.
Valor de Referencia
Un valor de referencia, tambin conocido cono valor de referencia aceptable o valor master, es el valor de un artefacto o conjunto que sirve como una referencia acordada para comparacin. Los valores de referencia aceptables se basan en lo siguiente: Se determinan por el promedio de varias mediciones con un equipo de medicin de ms alto nivel (ej., laboratorio de metrologa o equipo para layout). Valores legales: definidos y obligados por la ley. Valores tericos: basados en principios cientficos. Valores asignados: basados en el trabajo experimental (y soportados por una teora razonable) de alguna organizacin nacional o internacional. Valores de consenso: basado en trabajo experimental colaborativo y bajo los auspicios de un grupo cientfico o de ingeniera; definido por el consenso de usuarios tales como organizaciones profesionales y de negocio y de comercio.
42
Valores por acuerdo: valores expresamente acordados por las partes afectadas.
En todos los casos el valor de referencia requiere ser basado en una definicin operacional y en los resultados de un sistema de medicin aceptable; para lograr sto, el sistema de medicin usado para determinar el valor de referencia debiera incluir: Instrumentos con una resolucin de mayor orden y con un error del sistema de medicin menor que los sistemas usados para evaluaciones normales. Estar calibrados con estndares rastreables con NIST u otro INM.
Valor Verdadero
El valor verdadero es la medida actual de una parte. Aunque este valor es desconocido y desconocible, es la meta del proceso de medicin. Cualquier lectura individual debe estar lo ms cerca (y econmicamente) posible a este valor. Desafortunadamente, el valor verdadero nunca puede ser conocido con certeza. El valor de referencia es usado como el mejor aproximado del valor verdadero en todos los anlisis. Dado que el valor de referencia es usado como un equivalente como el valor verdadero, comnmente estos trminos son usados en forma intercambiable. No se recomienda este uso21.
Discriminacin
Discriminacin es la cantidad de cambio de un valor de referencia que un instrumento puede detectar y fielmente indicar. Esto es tambin referido como facilidad de lectura o resolucin. La medida de esta habilidad tpicamente es el valor de la graduacin ms pequea sobre la escala del instrumento. Si el instrumento cuenta con graduaciones toscas, entonces puede usarse media graduacin. Una regla emprica general es que la discriminacin del instrumento de medicin debe contar con al menos una dcima del rango a medir. Tradicionalmente este rango se ha tomado como una especificacin del producto. Recientemente la regla 10 a 1 se ha interpretado para significar que el equipo de medicin es capaz de discriminar al menos una dcima de variacin del proceso. Esto es consistente con la filosofa de la mejora continua (ej., el enfoque del proceso es una meta designada por el cliente).
21
Ver Tambin ASTM: E177-90.
43
Figura 4: Discriminacin
La regla emprica arriba indicada puede considerarse como un punto inicial para determinar la discriminacin dado que no incluye cualquier otro elemento de a variabilidad de un sistema de medicin. Debido a las limitaciones econmicas y fsicas, el sistema de medicin no percibe todas las partes de la distribucin de un proceso como si fueran caractersticas medidas por separado o diferentes. En lugar de ello, las caractersticas medidas sern agrupadas por los valores medidos en categoras de datos. Todas las partes de la misma categora de datos tendrn el mismo valor para la caracterstica medida. Si el sistema de medicin no cuenta con una discriminacin (sensibilidad o resolucin efectiva), puede no ser un apropiado sistema para identificar la variacin del proceso o cuantificar los valores de las caractersticas individuales de una parte. Si tal es el caso, debieran usarse mejores tcnicas de medicin. La discriminacin es inaceptable para anlisis si no puede detectarse la variacin del proceso, e inaceptable para control si no puede detectarse la variacin por causas especiales (ver figura 5).
44
Numero de Categoras
Categora 1 Dato
Categoras 2 - 4 Datos
Control Puede ser usado solo para control si: La variacin del proceso es pequea comparada con las especificaciones. La funcin de prdida es plana sobre la variacin del proceso esperada. La fuente de variacin principal provoca un cambio en el promedio. Puede ser usado con tcnicas de control de semivariables basadas en la distribucin del proceso. Puede producir grfica de control de variables no sensibles.
Anlisis
No Aceptable para estimar ndices y parmetros del proceso. Slo indica si el proceso est fabricando partes conformes o no conformes.
Generalmente no aceptable para estimar parmetro e ndices del proceso dado que slo ofrece estimativos burdos.
Puede ser usada con grficas de control para variables.
Recomendable
Categoras 5 o ms Datos
Figura 5: Impacto del Nmero de Categoras Distintas (NCD) de la Distribucin del Proceso en Actividades de Anlisis y Control.
Sntomas de una discriminacin inadecuada pueden aparecer en las grficas de rangos. La figura 6 contiene dos conjuntos de grficas de control derivadas de los mismos datos. La grfica de control (a) muestra la medicin original con la ms cercana milsima de pulgada. La grfica de control (b) muestra stos datos redondeados a la ms prxima centsima de una pulgada. La grfica de control (b) parece estar fuera de control debido a los supuestos lmites ajustados. Los rangos cero son ms un producto de redondeo que una indicacin de la variacin de un subgrupo. La mejor indicacin de una discriminacin adecuada puede verse en la variacin del proceso para grficas de rangos con SPC. En particular, cuando las grficas de rangos muestran solo uno, dos o tres posibles valores para el rango dentro de lmites de control, las mediciones se hacen con una discriminacin inadecuada. Tambin, si la grfica de rangos muestra cuatro posibles valores para el rango dentro de lmites de control y ms de un cuarto de los rangos son cero, entonces las mediciones se han hecho con una discriminacin inadecuada.
45
Regresando a la figura 6, la grfica de control (b), existen solo dos posibles valores para el rango dentro de lmites de control (valores de 0.00 y 0.01). Por tanto, la regla identifica correctamente la razn de falta de control por la discriminacin inadecuada (sensibilidad o resolucin efectiva). Este problema puede ser resuelto, por supuesto, cambiando la habilidad de detectar la variacin dentro de los subgrupos incrementando la discriminacin de las mediciones. Un sistema de medicin cuenta con una discriminacin adecuada si la resolucin aparente es pequea relativa a la variacin del proceso. Por tanto una recomendacin para una adecuada discriminacin sera para una resolucin aparente tener a lo mucho una dcima parte de seis sigma de desviacin estndar del proceso total en lugar de la regla tradicional la cual con una resolucin aparente sera a lo mucho una dcima de la extensin de la tolerancia. Eventualmente, existen situaciones que llegan a un proceso estable y altamente hbil usando un sistema de medicin estable y mejor en su clase y con lmites prcticos de tecnologa. La resolucin efectiva puede ser inadecuada y un mejoramiento adicional del sistema de medicin llega a ser imprctico. En estos casos especiales, la planeacin de las mediciones puede requerir tcnicas alternativas para el monitoreo del proceso. Solo personal tcnico y calificado y familiar con el sistema de medicin y el proceso debiera documentar y tomar tales decisiones. La aprobacin por el cliente debe requerirse y documentarse en el plan de control.
46
Grfica Xbarra/R Discriminacin = .001

0.145 Media Simple
0.140

15 20
LCS = 0.1444

LCI = 0.1350 25
Media = 0.1397
0.135 Subgrupo 0 5 10
0.02 Rango Simple
LCS = 0.01717
0.01
Media = 0.00812
0.00
LCI = 0
Grfica Xbarra/R Discriminacin = .01

0.145 Media Simple
LCS = 0.1444 Media = 0.1398 LCI = 0.1359
0.140
0.135 Subgrupo 0 5 10
*
15 20 25
0.02 Rango Simple
LCS = 0.01717 Media = 0.00812

LCI = 0
0.01
0.00
Figura 6: Grficas de Control de Proceso22
22
La figura 6 fue adaptada de Evaluacin de los Procesos de Medicin, por Wheeler y Lidia, derechos de copia 1989, SPC
47
Variacin del Proceso Para la mayora de los procesos de medicin, la variacin total de las mediciones es usualmente descrita como una distribucin normal. La probabilidad normal es un de Medicin
supuesto de los mtodos estndar para anlisis de sistemas de medicin. De hecho existen sistemas de medicin que no son distribuidos normalmente. Cuando esto pasa, y se asume normalidad, el mtodo MSA puede sobre estimar el error del sistema medicin. El analista de mediciones debe reconocer y corregir evaluaciones para sistemas con mediciones no normales.
Localizacin Amplitud
Figura 7: Caractersticas de la Variacin de un Proceso de Medicin
Variacin de las Instalaciones
Exactitud
Un concepto genrico de lo exacto en relacin a qu tan cerca se ha acordado entre el promedio de uno o ms resultados medidos y un valor de referencia. El proceso de medicin debe estar en estado de control estadstico, de lo contrario la exactitud del proceso no tiene significado. En algunas organizaciones la exactitud se usa en forma intercambiable con el sesgo. La ISO (Organizacin Internacional para la Estandarizacin) y la ASTM (American Society for Testing and Materials) se usa el trmino exactitud para cubrir tanto el sesgo como la repetibilidad. A fin de evitar confusin que pudiera resultar del uso de la palabra exactitud ASTM recomienda que se use el trmino sesgo solo como un descriptor del error de localizacin. Esta poltica se seguir en este texto.
48
Sesgo
El sesgo es a menudo referido como exactitud. Debido a que la exactitud tiene varios significados en la literatura, no se recomienda su uso como una alternativa para sesgo. Sesgo es la diferencia entre el valor verdadero (valor referencia) y el promedio observado de las mediciones sobre la misma caracterstica y la misma parte.
SESGO
Valor Referencia
Sesgo es la medida del error sistemtico del sistema de medicin. Es la contribucin del error total integrado por los efectos combinados de todas las fuentes de variacin, conocidas o no conocidas, cuya contribucin al error total tiende a compensar en forma consistente y predecible todos los resultados de aplicaciones repetidas del mismo proceso de medicin para el tiempo de las mediciones mismas.
Posibles causas para un sesgo excesivo son: El instrumento necesita calibracin Instrumento, equipo o dispositivo desgastado Master daado o desgastado, error en el master Calibracin o uso de un master de ajuste inapropiados Instrumento de baja calidad diseo o conformancia Error de linealidad Gage equivocado para la aplicacin Diferente mtodo de medicin ajuste, carga, sujecin, tcnica Medicin de caracterstica equivocada Distorsin (del gage o la parte) Medio ambiente temperatura, humedad, vibracin, limpieza Violacin a algn supuesto, error en la aplicacin de una constante Aplicacin tamao de la parte, posicin, habilidad del operador, fatiga, error de observacin (facilidad de lectura, paralelismo)
El procedimiento de medicin empleado en el proceso de calibracin (ej., usando masters) debiera ser lo ms idntico posible al procedimiento de medicin de la operacin normal.
49
Estabilidad
Estabilidad (o cambio) es la variacin total en las mediciones obtenida con un sistema de medicin sobre el mismo master o partes cuando se mida una caracterstica misma sobre un periodo de tiempo extenso. Esto es, la estabilidad es un cambio en sesgo en el tiempo.
Tiempo
Valor Referencia
Posibles causas para inestabilidad incluyen: El instrumento necesita calibracin, reducir el intervalo de calibracin Instrumento, equipo o dispositivo desgastado Desgaste normal u obsolescencia Mantenimiento deficiente aire, energa elctrica, hidrulico, filtros, corrosin, oxidacin, limpieza Master desgastado o daado, error en el master Calibracin o uso del master para ajuste inapropiados Instrumento de calidad deficiente diseo o conformancia Falta de robustez en el diseo del instrumento o mtodo Mtodo de medicin diferente ajuste, carga, sujecin, tcnica Distorsin (del gage o la parte) Cambio ambiental- temperatura, humedad, vibracin, limpieza Violacin a un supuesto, error en la aplicacin de una constante Aplicacin tamao de la parte, posicin, habilidad del operador, fatiga, error de observacin (facilidad de lectura, paralelismo)
Linealidad
La diferencia de sesgo a travs del rango (de medicin) de operacin esperado del equipo es llamada linealidad. La linealidad puede tomarse como un cambio de sesgo con respecto al tamao.
50
SESGO SESGO
Medicin 1
Medicin N
Lineabilidad - Sesgo No Constante
Notar que la linealidad inaceptable puede venir en una variedad de sabores. No asuma un sesgo constante.
Sesgo Constante
Observado
Ln
ea
de
Ce
ro
Se sg o
Observado - Referencia
Valores de Referencia
Sesgo Constante Lineabilidad - Sesgo No Constante
Sesgo Positivo Sesgo Cero Sesgo Negativo
Posibles causas para errores de linealidad incluyen: El instrumento necesita calibracin, reducir el intervalo de calibracin Instrumento, equipo o dispositivo desgastado Mantenimiento deficiente aire, energa elctrica, hidrulica, filtros, corrosin, oxidacin, limpieza Masters desgastados o daados, error en los masters mnimo / mximo
51
Calibracin (no cubriendo el rango de operacin) o uso de los masters de ajuste inapropiados Calidad deficiente del instrumento diseo o conformancia Falta de robustez del diseo del instrumento o mtodo Gage equivocado para la aplicacin Diferente mtodo de medicin ajuste, carga, sujecin, tcnica Cambios de distorsin (del gage o la parte) con el tamao de las partes Medio ambiente temperatura, humedad, vibracin, limpieza Violacin a algn supuesto, error en la aplicacin de una constante Aplicacin tamao de la parte, posicin, habilidad del operador, fatiga, error de observacin (facilidad de lectura, paralelismo)
Variacin de Amplitud Precisin

Tradicionalmente, la precisin describe el efecto neto de la discriminacin, sensibilidad y repetibilidad sobre un rango de operaciones (tamao, rango y tiempo) del sistema de medicin. En algunas organizaciones la precisin se usa en forma intercambiable con la repetibilidad. De hecho, la precisin es muy a menudo usada para describir la variacin esperada de las mediciones repetidas sobre el rango de medicin; tal rango puede ser tamao o tiempo (ej., un dispositivo es tan preciso en el rango bajo como en el rango alto de medicin, o tan preciso hoy como ayer). Uno podra decir que la precisin es qu tan repetible la linealidad es con respecto al sesgo (aunque el primero es aleatorio y los otros son errores sistemticos). ASTM define la precisin en un sentido amplio para incluir la variacin de diferentes lecturas, gages, gente, laboratorios o condiciones.
Repetibilidad
Valor de Referencia
Repetibilidad
Este es tradicionalmente referido como variabilidad dentro del mismo evaluador. Repetibilidad es la variacin en las mediciones obtenida con un instrumento de medicin cuando se use varias veces por un evaluador y midiendo la misma caracterstica y sobre la misma parte. Esta es la variacin o habilidad inherente del equipo mismo. Repetibilidad es comnmente referida como la variacin del equipo (EV), aunque esto puede ser dudoso. De hecho, repetibilidad es una variacin de causa comn (error aleatorio) de intentos sucesivos y bajo condiciones definidas de medicin. El mejor trmino para repetibilidad es variacin dentro del sistema cuando las condiciones de medicin estn ajustadas y definidas parte ajustada, instrumento, estndar, mtodo, operador, medio ambiente y supuestos. Adicional a la variacin dentro del equipo, la repetibilidad incluye todas las variaciones internas (ver ms adelante) de cualquier condicin en el modelo de errores.
52
Posibles causas para una repetibilidad deficiente incluyen: Dentro de la parte (muestra): forma, posicin, acabado en la superficie, cerilla, consistencia de la muestra Dentro del instrumento: reparacin, montaje, falla en el equipo o dispositivo, calidad o mantenimiento deficiente Dentro del estndar: calidad, clase, montaje Dentro del mtodo: variacin en ajuste, tcnica, restablecimiento a cero, fijacin, sujecin, densidad de punto Dentro del evaluador: tcnica, posicin, falta de experiencia, habilidad de manejo o entrenamiento, sentimiento, fatiga
Dentro del medio ambiente: fluctuaciones de ciclo corto en temperatura, humedad, vibracin, iluminacin, limpieza Violacin a algn supuesto estable, operacin apropiada Falta de robustez en el diseo del instrumento o mtodo, uniformidad deficiente Gage equivocado para la aplicacin Distorsin (del gage o la parte), falta de rigidez Aplicacin tamao de la parte, posicin, error de observacin (facilidad de lectura, paralelismo)
Reproducibilidad
Este tradicionalmente se refiere a la variabilidad entre evaluadores. La reproducibilidad es tpicamente definida como la variacin en el promedio de las mediciones hechas por diferentes evaluadores usando el mismo equipo de medicin cuando se mide la misma caracterstica y sobre la misma parte. Esto a menudo es verdad para instrumentos manuales influenciados por la habilidad del operador. Esto no es verdad, sin embargo, para procesos de medicin (ej., sistemas automatizados) donde el operador no es una fuente principal de variacin. Por esta razn, la reproducibilidad se refiere a la variacin promedio entre sistemas o entre condiciones de medicin.
Reproducibilidad
Evaluador
La definicin de ASTM v ms all de esto para incluir potencialmente no solo diferentes evaluadores pero tambin diferentes: gages, laboratorios y medio ambiente (temperatura, humedad), as como el incluir la repetibilidad en el clculo de la reproducibilidad.
53
Fuentes potenciales de errores en la reproducibilidad incluyen: Entre las partes (muestras): el promedio de las diferencias cuando se miden tipos de partes A, B, C, etc. Usando el mismo instrumento, operadores y mtodo. Entre instrumentos: el promedio de las diferencias usando instrumentos A, B, C, etc. Para las mismas partes, operadores y medio ambiente. NOTA: en el estudio de error de reproducibilidad, ste a menudo se confunde con el mtodo y/u operador. Entre estndares: la influencia promedio de los diferentes estndares de ajuste en el proceso de medicin. Entre mtodos: el promedio de las diferencias causado por cambiar las densidades de punto, sistemas manuales vs automatizados, restablecimiento a cero, mtodos de sostenimiento o sujecin, etc. Entre evaluadores (operadores): la diferencia promedio entre operadores A, B, C, etc. Causada por entrenamiento, tcnica, habilidades y experiencia. Este es un estudio recomendado para calificacin del producto y el proceso y con un instrumento de medicin manual. Entre el medio ambiente: la diferencia promedio en las mediciones en el tiempo 1, 2, 3, etc. Causado por ciclos ambientales; este es el estudio ms comn para sistemas altamente automatizados en la calificacin del producto y el proceso. Violacin de un supuesto en el estudio. Falta de robustez en el diseo del instrumento o mtodo. Efectividad en el entrenamiento del operador. Aplicacin tamao de la parte, posicin, error de observacin (facilidad de lectura, paralelismo).
Como se mencion en las dos definiciones anteriores, existen diferencias en las definiciones usadas por ASTM y las usadas por este manual. La literatura de ASTM se enfoca a evaluaciones entre laboratorios con el inters de las diferencias de laboratorio a laboratorio incluyendo el potencial por diferentes operadores, gages y medio ambiente as como la repetibilidad dentro del laboratorio. Por tanto, sus definiciones necesitan abarcar estas diferencias. Por normas de ASTM, repetibilidad es lo mejor que el equipo estar bajo condiciones actuales (un operador, un gage, corto periodo de tiempo) y reproducibilidad representa ms tpicamente condiciones de operacin cuando haya variaciones de fuentes mltiples.
54
R&R de Gages o RRGs

El R&R de una gage es un estimativo de la variacin combinada de la repetibilidad y la reproducibilidad. Establecido de otra manera, el RRG es la varianza e igual a la suma de las varianzas dentro y entre sistemas.
2RRG = 2reproducibilidad + 2repetibilidad
Valor Referencia
A
Sensibilidad
C RRG
Sensibilidad es la entrada ms pequea que resulte en una seal o resultado detectable (usable). Es la respuesta del sistema de medicin a cambios en la propiedad medida. La sensibilidad es determinada por el diseo del gage (discriminacin), su calidad inherente (FEO), el mantenimiento en servicio y las condiciones de operacin del instrumento y estndar. Siempre es reportada como una unidad de medida. Los factores que afectan la sensibilidad incluyen: La habilidad para humedecer un instrumento Habilidad del operador Repetibilidad del dispositivo de medicin La habilidad para ofrecer un cambio libre en la operacin en el caso de gages electrnicos o neumticos Condiciones bajo las cuales el instrumento es usado tales como ambiente, aire, polvo, humedad.
55
UCL
Consistencia
es la diferencia en la variacin de las mediciones tomadas en el tiempo. Puede ser vista como repetibilidad en el tiempo. Los factores que impactan la consistencia son variaciones de causas especiales tales como: Temperatura de las partes Calentamiento requerido para equipo electrnico Equipo desgastado
Promedio Rango Consistencia LCL
Uniformidad
Uniformidad es la diferencia en la variacin a lo largo del rango de operacin del gage. Puede considerarse que existe homogeneidad (similitud) de la repetibilidad en el tamao. Los factores que impactan la uniformidad incluyen: El dispositivo permite medidas ms pequeas / grandes para una posicin diferente Deficiente facilidad de lectura en la escala Paralelismo en la lectura
Habilidad / Capacidad Variacin de los Sistemas de Medicin
La habilidad de un sistema de medicin es un estimativo de la variacin combinada de los errores de medicin (aleatorios y sistemticos) y basados en una evaluacin de corto plazo. La habilidad simple incluye los componentes de: Sesgo o linealidad no corregidos
Repetibilidad y reproducibilidad (RRG), incluyendo consistencia de corto plazo Hacer referencia al captulo III para mtodos tpicos y ejemplos para cuantificar cada componente. Un estimativo de habilidad de las mediciones, por tanto, es una expresin del error esperado para condiciones definidas, alcance y rango del sistema de medicin (a diferencia de la incertidumbre en las mediciones, el cual es una expresin del rango esperado del error o valores asociados con un resultado de medicin). La expresin de habilidad de variaciones combinadas (varianza) cuando los errores de las mediciones no estn correlacionados (aleatorios e independientes) puede cuantificarse como:
56
2habilidad = 2sesgo (linealidad) + 2RRG

Hay dos puntos esenciales para entender y aplicar correctamente la habilidad de las mediciones: Primero, un estimativo de la habilidad siempre est asociado con un alcance de las mediciones definido condiciones, rango y tiempo. Por ejemplo, para decir que la habilidad de un micrmetro de 25 mm es 0.1 mm es incompleta sin calificar el alcance y rango de las condiciones de medicin. Otra vez, esto es porque un modelo de errores para definir un proceso de medicin es muy importante. El alcance para un estimativo de habilidad en las mediciones pudiera ser muy especfico o una declaracin general de operacin, sobre una porcin limitada o un rango entero de medicin. En el corto plazo pudiera significar: la habilidad sobre una serie de ciclos de mediciones, el tiempo para completar la evaluacin RRG, un periodo especificado de produccin o el tiempo representado para la frecuencia de calibracin. Una declaracin de habilidad en las mediciones no solo necesita ser completo sino replicar en forma razonable las condiciones y rango de medicin. Un plan de control documentado pudiera servir para este propsito. Segundo, la consistencia y uniformidad (errores de repetibilidad) de corto plazo sobre el rango de las mediciones son incluidos en el estimativo de la habilidad. Para un instrumento simple, tal como un micrmetro de 25 mm., la repetibilidad sobre el rango completo de las mediciones usando operadores con habilidades se espera sea consistente y uniforme. En este ejemplo, el estimativo de habilidad puede incluir el rango completo de las mediciones para mltiples tipos de propiedades y bajo condiciones generales. Los sistemas de mediciones de mayor rango o ms complejos (ej., una MMC) puede demostrar errores en las mediciones de linealidad (no corregida) uniformidad y consistencia de corto plazo sobre un rango o medida. Debido a que estos errores se correlacionan no pueden combinarse usando la simple frmula lineal anteriormente mostrada. Cuando la linealidad (no corregida), uniformidad o consistencia varan significativamente sobre un rango, el planeador de las mediciones y analista tienen solo dos opciones prcticas: 1) Reportar la habilidad mxima (peor de los casos) para las condiciones completas y definidas y el alcance y rango del sistema de medicin o 2) Determinar y reportar evaluaciones mltiples de la habilidad para porciones definidas del rango de medicin (ej., rango bajo, medio, alto).
Desempeo
As como en el desempeo del proceso, el desempeo del sistema de medicin es el efecto neto de todas las fuentes de variacin significativas y determinables en el tiempo. El desempeo cuantifica una evaluacin de largo plazo de los errores (aleatorios y sistemticos) combinados de las mediciones. Por tanto, el desempeo incluye componentes de error de largo plazo de: Habilidad (errores de corto plazo) Estabilidad y consistencia
Hacer referencia al captulo III para mtodos y ejemplos tpicos para cuantificar cada componente. 57
Un estimativo del desempeo en las mediciones es una expresin del error esperado para condiciones definidas, alcance y rango del sistema de medicin (a diferencia de la incertidumbre en las mediciones, la cual es una expresin del error esperado del rango o valores asociados con un resultado de medicin). La expresin del desempeo de la variacin (varianza) combinada cuando los errores de las mediciones no se correlacionan (aleatorios e independientes) puede cuantificarse como:
2performance = 2habilidad + 2estabilidad + 2consistencia

Otra vez, justo como en la habilidad de corto plazo, el desempeo de largo plazo est siempre asociado con un alcance definido de las mediciones condiciones, rango y tiempo. El alcance para un estimativo del desempeo en las mediciones pudiera ser muy especfico o una declaracin general de operacin, sobre una porcin limitada o el rango completo de medicin. En el largo plazo pudiera significar: el promedio de evaluaciones de varias habilidades en el tiempo, el error promedio en el largo plazo de una grfica de control de mediciones, una evaluacin de los registros de calibracin o estudios de linealidad mltiple, un promedio del error de varios estudios RRG sobre la vida y rango del sistema de medicin en cuestin. Una declaracin del desempeo en las mediciones necesita ser lo ms completo y razonable para representar las condiciones y rango de la medicin. La consistencia y uniformidad (errores de repetibilidad) de largo plazo sobre un rango de mediciones est incluido en el estimativo de desempeo, El analista de las mediciones debe estar conciente de la correlacin potencial de errores a fin de no sobreestimar el estimativo del desempeo. Esto depende de cmo los errores componentes fueron determinados. Cuando la linealidad (no corregida), uniformidad o consistencia de largo plazo varen significativamente y sobre el rango, el planeador de las mediciones y analista cuentan solo con dos opciones prcticas: 1) Reportar el desempeo mximo (peor de los casos) para las condiciones definidas completas, y el alcance y rango del sistema de medicin, o 2) Determinar y reportar evaluaciones mltiples de desempeo para una porcin definida del rango de medicin (ej., rango bajo, medio, alto).
Incertidumbre
La incertidumbre de las mediciones es definida por VIM como un parmetro, asociado con el resultado de una medicin, que caracteriza la dispersin de los valores que pudieran ser razonablemente atribuibles a lo medido.24 Ver captulo 1, seccin F, para ms detalles.
58
Comentarios
De los parmetros de un sistema de medicin, la exactitud y la precisin son las ms familiares para el personal de operacin, dado que stos se usan en la vida diaria as como en discusiones tcnicas y de ventas. Desafortunadamente, estos trminos son tambin los menos claros dado que a menudo se toman como intercambiables. Por ejemplo, si un gage es certificado por una agencia independiente como exacto, o si el instrumento est garantizado para tener una alta precisin por el vendedor, entonces se piensa incorrectamente que todas las lecturas caern muy cerca de los valores actuales. Esto no est conceptualmente equivocado pero s puede conducir a decisiones equivocadas acerca del producto y proceso. Esta ambigedad afecta al sesgo y a la repetibilidad (como medidas de exactitud y precisin). Es importante hacer notar que: El sesgo y la repetibilidad son independientes una de otra (ver figura 8). El controlar una de estas fuentes de error no garantiza el control de las otras. Consecuentemente los programas de control de los sistemas de medicin (tradicionalmente referidos como Programas de Control de Gages) deben cuantificar y rastrear todas las fuentes de variacin relevantes.25
24 25
Lo medido es definido por VIM como la cantidad particular sujeta a medicin. Ver tambin Captulo I, Seccin B.
59
Repetibilidad
Aceptable No Aceptable
Aceptable
Sesgo
No Aceptable
Figura 8: Relacin entre Sesgo y Repetibilidad
60
Captulo I Seccin F Incertidumbre en las Mediciones
Captulo I Seccin F
Incertidumbre en las Mediciones
Generalidades
La incertidumbre en las mediciones es un trmino usado internacionalmente para describir la calidad de un valor de medicin. An y cuando este trmino ha sido tradicionalmente reservado para muchas de las mediciones de alta exactitud ejecutadas en laboratorios de metrologa o gages, las normas de sistemas de calidad tales como, QS-9000 o ISO/TS 16949 requieren que, la incertidumbre en las mediciones sea conocida y consistente con la habilidad requeridas de las mediciones de cualquier equipo de inspeccin, medicin o prueba.26 En esencia, la incertidumbre es el rango asignado a los resultados de las mediciones que describe, dentro de un nivel de confiabilidad definido, el rango esperado para contener los resultados de mediciones verdaderos. La incertidumbre en las mediciones es normalmente reportada como una cantidad bilateral. La incertidumbre es una expresin cuantificada de la confiabilidad en las mediciones. Una expresin simple de este concepto es: Medicin verdadera = medicin observada (resultado) + U U es el trmino para la incertidumbre expandida de lo medido y el resultado de la medicin. La incertidumbre expandida es el error estndar combinado (uc), o desviacin estndar de los errores (aleatorios y sistemticos) combinados en el proceso de medicin multiplicado por un factor de cobertura (k) que representa el rea de la curva normal para un nivel de confiabilidad deseado. Recordar que una distribucin normal a menudo se aplica como un supuesto o principio para los sistemas de medicin. La Gua para la Incertidumbre en las Mediciones de ISO/IEC establece el factor de cobertura como suficiente para reportar la incertidumbre al 95% de una distribucin normal. Esto a menudo se interpreta como k=2.
U = kuc
El error estndar combinado (uc) incluye todos los componentes significativos de la variacin del proceso de medicin. En la mayora de los casos, los mtodos de anlisis de sistemas de medicin ejecutados de acuerdo con este manual pueden ser usados como una herramienta para cuantificar muchas de las fuentes de incertidumbre en las mediciones. A menudo, el componente de error ms significativo puede ser cuantificado por 2desempeo. Otras fuentes de error significativas pueden aplicarse en base a la aplicacin de las mediciones mismas.
26
QS-9000 3 edicin, Seccin 4.11.1
61
Captulo l Seccin F
Una declaracin de incertidumbre debe incluir un alcance adecuado que identifique todos los errores significativos y permita que las mediciones se repliquen. Algunas declaraciones de incertidumbre construyen en el largo plazo, otras en el corto plazo, el error del sistema de medicin. Sin embargo, la expresin simple puede ser cuantificada como:
U2C = 2performance +
2 Otros
Es importante recordar que la incertidumbre en las mediciones es simplemente un estimativo de que tanto puede variar una medicin en el tiempo de la medicin misma. Debiera considerar todas las fuentes significativas de variacin en las mediciones en el proceso de medicin adems de los errores significativos de calibracin, patrones master, mtodo, medio ambiente y otros no considerados previamente en el proceso de medicin. En muchos casos, este estimativo usa mtodos de MSA y RRG para cuantificar estos errores estndar significativos. Es apropiado re-evaluar peridicamente la incertidumbre, relacionada sta a un proceso de medicin para asegurar la exactitud continua del estimativo.
Incertidumbre en las Mediciones y MSA
La diferencia principal entre incertidumbre y MSA es que el MSA se enfoca a entender el proceso de medicin, determinando la cantidad de error en el proceso mismo, y evaluando la adecuacin del sistema de medicin para control del producto y proceso. MSA promueve el entendimiento y mejoramiento (reduccin de la variacin). La incertidumbre es el rango de los valores de medicin, definidos para un intervalo de confiabilidad y asociados con un resultado de medicin y esperados para incluir el valor verdadero de las mediciones. La rastreabilidad es la propiedad de una medicin o el valor de un estndar, tal que puede relacionarse con referencias establecidas, usualmente patrones nacionales o internacionales, a travs de una cadena ininterrumpida de comparaciones y todas con incertidumbres establecidas. Por tanto el entendimiento de la incertidumbre en las mediciones de cada enlace en la cadena es esencial. Incluyendo las fuentes de variacin de las mediciones de corto y largo plazo que sean introducidas por el proceso de medicin y la cadena de rastreabilidad, la incertidumbre de las mediciones en le sistema de medicin pueden evaluarse asegurando que todos los efectos de rastreabilidad se tomen en cuenta. Este, por tanto, puede reducir aspectos clave de correlacin en las mediciones.
Rastreabilidad en las Mediciones
62
Captulo I Seccin F Incertidumbre en las Mediciones
Gua ISO para la Expresin de la Incertidumbre en las Mediciones
La Gua para la Expresin de la Incertidumbre en las Mediciones (GIM) es una gua de cmo la incertidumbre de las mediciones puede evaluarse y expresarse. An y cuando ofrece al usuario un entendimiento de la teora y establece lineamientos de cmo la incertidumbre en las fuentes de medicin puede clasificarse y combinarse, y debiera ser considerado un documento de referencia de alto nivel, no un manual tipo como. Ofrece una gua o lineamiento al usuario en algunos de los tpicos ms avanzados tales como, independencia estadstica de las fuentes de variacin, anlisis de sensibilidad, grados de libertad, etc. que son crticos cuando se evalan sistemas de medicin ms complejos y/o de parmetros mltiples.
63
Captulo l Seccin F
64
Captulo I Seccin G Anlisis de Problemas de Mediciones
Captulo I Seccin G
Anlisis de Problemas de Mediciones
Introduccin
El entendimiento de la variacin de las mediciones y su contribucin a lo que hace una variacin total necesita ser un paso fundamental en la solucin bsica del problema. Cuando la variacin en el sistema de medicin excede todas las dems variables, llega a ser necesario analizar y resolver aquellos aspectos clave antes de trabajar con el resto del sistema. En algunos casos la contribucin de la variacin del sistema de medicin es pasado por alto o ignorada. Esto puede causar prdida de tiempo y recursos conforme el enfoque se hace al proceso mismo, cuando la variacin reportada es actualmente causada por el dispositivo de medicin. En esta seccin se hace una revisin a los pasos bsicos para solucin de problemas y se muestra como se relacionan al entendimiento de aspectos clave en un sistema de medicin. Cada compaa puede usar un proceso de solucin de problemas y el cual el cliente le haya aprobado. Si el sistema de medicin fue desarrollado usando mtodos de este manual, la mayora de los pasos iniciales ya existen. Por ejemplo, un diagrama de causas y efectos puede ya existir ofreciendo lecciones valiosas aprendidas del proceso de medicin. Estos datos deben ser recolectados y evaluados previo a cualquier solucin formal de algn problema.
Paso 1
Identifica los Aspectos Clave

Cuando se est trabajando con sistemas de medicin, como cualquier proceso, es importante definir claramente el problema o aspecto clave. En el caso de aspectos clave de mediciones, esto puede tomar forma de exactitud, variacin, estabilidad, etc. El aspecto importante a ser es tratar de aislar la variacin de las mediciones y su contribucin, de la variacin del proceso (la decisin puede ser trabajar en el proceso ms que trabajar en el dispositivo de medicin). La declaracin del aspecto clave necesita ser una definicin operacional que cualquiera entienda y sea capaz de actuar en el aspecto en cuestin.
Paso 2
Identifica el Equipo
El equipo para solucin de un problema, en este caso, depende de la complejidad del sistema de medicin y el aspecto clave. Un sistema de medicin simple puede requerir solo un par de gente. Pero conforme el sistema y aspecto clave lleguen a ser ms complejos el equipo puede crecer en tamao (el mximo tamao de un equipo debe limitarse a diez miembros). Los miembros del equipo y la funcin que ellos representan necesitan ser identificados en la hoja de solucin de problemas.
65
Captulo l Seccin F
Paso 3
Diagrama de Flujo del Sistema de Medicin y el Proceso

El equipo revisara cualquier diagrama de flujo histrico del sistema de medicin y el proceso. Esto llevara a la discusin de informacin conocida y no conocida a cerca de las mediciones y su interrelacin con el proceso. El proceso de graficar el flujo puede identificar miembros adicionales a agregar al equipo.
Paso 4
Diagrama de Causas y Efectos

El equipo revisara cualquier diagrama de causas efectos histrico sobre el sistema de medicin. Esto podra, en algunos casos, generar una solucin total o parcial. Esto tambin llevara a una discusin de informacin conocida y no conocida. El equipo utilizara conocimientos del tema en cuestin para identificar inicialmente aquellas variables con la ms grande contribucin del aspecto clave. Estudios adicionales pueden hacerse para sustentar las decisiones.
Paso 5
Plan-Hacer-Estudiar-Actuar (PHEA) 27
dio
Es tu
Pla n
Esto llevara al esquema de planear hacer estudiar actuar, el cual es una forma de estudio cientfico. Se planean experimentos, se recolectan datos, se determina la estabilidad, se hacen hiptesis y se prueban hasta que se alcance una solucin apropiada.
ea Ha r ce
r tu Ac ar
D
Posible Solucin y Prueba de las Correccin Los pasos y solucin son documentados para registrar la decisin. Un estudio preliminar es ejecutado para validar la solucin. Esto puede hacerse usando alguna forma de diseo de experimentos para validar la solucin. Tambin, pueden ejecutarse estudios adicionales en el tiempo incluyendo variaciones ambientales y de materiales.
Paso 6
Paso 7
Instituye el Cambio La solucin final se documenta en un reporte; luego el departamento y funciones apropiadas cambian el proceso de manera que el problema no sea recurrente en el futuro. Esto puede requerir cambios en procedimientos, estndares o patrones y materiales de entrenamiento. Este es uno de los pasos ms importantes en el proceso. La mayora de los aspectos clave y problemas han ocurrido en algn punto en el tiempo u otro.
27
W. Edwards Deming, The New Economics for Industry, Government, Education, The MIT Press, 1994, 2000 W. Edwards Deming, The New Economics for Industry, Government, Education, The MIT Press, 1994, 2000
27
66
Captulo II Conceptos Generales para la Estimacin de Sistemas de Medicin
Captulo II CONCEPTOS GENERALES PARA ESTIMACIONES DE SISTEMAS DE MEDICIN
67
Captulo Il Seccin A
Fundamentos
68
Captulo II - Seccin A Fundamentos
Captulo II Seccin A
Fundamentos
Introduccin
Dos reas importantes que necesitan ser evaluadas son: 1) Verifica que la variable correcta est siendo medida y en la localizacin apropiada para la caracterstica. Verifica los dispositivos y sujecin si aplica. Identifica tambin cualquier aspecto clave y crtico ambiental que sea interdependiente con las mediciones. Si la variable equivocada est siendo medida, entonces no importa que tan exacto o preciso es el sistema de medicin, y simplemente consumir recursos sin ofrecer beneficios. 2) Determina que propiedades estadsticas del sistema de medicin necesitan determinarse a fin de ser aceptable. A fin de determinar esto, es importante saber como son usados los datos, que sin tal conocimiento, las propiedades estadsticas apropiadas no puedan determinarse. Despus de que las propiedades estadsticas se han determinado, el sistema de medicin debe ser evaluado para saber si actualmente cuenta o no con dichas propiedades.
Etapa 1 & 2
Entendimiento del proceso de medicin y satisface los requerimientos?
La prueba de la Etapa 1 es una evaluacin para verificar que la variable correcta est siendo medida y en la localizacin para la caracterstica apropiada con base en la especificacin del diseo del sistema de medicin. (Verifica dispositivos y sujecin si aplica) Tambin si existen aspectos ambientales crticos que sean interdependientes con la medicin. La etapa 1 pudiera usar un experimento diseado estadsticamente para evaluar el efecto del ambiente operativo en los parmetros del sistema de medicin (ej., sesgo, linealidad, repetibilidad y reproducibilidad). La etapa 1 prueba los resultados para indicar que el ambiente de operacin no contribuya significativamente a la variacin global del sistema de medicin. Adicionalmente, la variacin atribuible al sesgo y linealidad del dispositivo de medicin debiera ser pequea comparada con los componentes de repetibilidad y reproducibilidad. El conocimiento logrado durante las pruebas e la etapa 1 debiera ser una entrada para el desarrollo del programa de mantenimiento del sistema de medicin as como el tipo de prueba que debiera usarse durante la etapa 2. Los aspectos ambientales pueden conducir a un cambio en localizacin o a un ambiente controlado para el dispositivo de medicin. Por ejemplo, si existe un impacto significativo de la repetibilidad y reproducibilidad sobre la variacin total del sistema de medicin, un experimento estadstico y simple de dos factores pudiera realizarse peridicamente como la prueba de la etapa 2.
El proceso de medicin satisface los requerimientos en el tiempo?
La prueba de la Etapa 2 ofrece un monitoreo continuo de las fuentes clave de variacin para una confiabilidad continua del sistema de medicin (y los datos generados) y/o una seal de que el sistema de medicin se haya degradado en el tiempo.
69
Captulo Il Seccin A Fundamentos
70
Captulo II - Seccin B Seleccin/Desarrollo de Procedimientos de Prueba
Captulo II Seccin B
Seleccin / Desarrollo de Procedimientos de Prueba
Cualquier tcnica puede ser til si sus limitaciones son entendidas y observadas.28 Muchos procedimientos apropiados estn disponibles para evaluacin de sistemas de medicin. La seleccin de cual procedimiento usar depende de muchos factores, la mayora de los cuales necesita determinarse sobre la base de caso por caso para cada sistema de medicin ase revaluado. En algunos casos, pueden requerirse pruebas preliminares para determinar si un procedimiento es apropiado o no para un sistema de medicin particular. Dichas pruebas preliminares deben ser una parte integral de las pruebas de la etapa 1 discutidas en la seccin anterior. Los aspectos clave y generales a considerar cuando se seleccione o desarrolle un procedimiento de evaluacin incluyen: Los estndares o normas tales como, los rastreables con NIST, debieran ser usados en las pruebas, y si es as, qu nivel de estndar o patrn es apropiado? Los estndares son frecuentemente esenciales para evaluar la exactitud de un sistema de medicin. Si no se usan estndares o patrones, la variabilidad del sistema de medicin puede an ser evaluada, aunque puede no ser posible evaluar su exactitud con una credibilidad razonable. La falta de tal credibilidad puede ser un aspecto clave, por ejemplo, en la intencin de resolver una diferencia aparente entre el sistema de medicin de un fabricante y el sistema de medicin de un cliente. Para pruebas continuas en la etapa 2, puede considerarse el uso de mediciones a ciegas. Las mediciones a ciegas son mediciones obtenidas en el ambiente de medicin actual por un operador que no sepa que tal evaluacin del sistema de medicin se est conduciendo. Pruebas apropiadamente administradas y basadas en mediciones a ciegas generalmente no son contaminadas por el bien conocido Efecto Hawthorne.29 El costo de las pruebas. El tiempo requerido para las pruebas.
28 29
W. Edwards Deming, The Logic of Evaluation, The Handbook of Evaluation Research, Vol. 1, Elmer L. Struening and Marcia Guttentag, Editors El Efecto Hawthorne se refiere a los resultados de una serie de experimentos industriales, ejecutados en los trabajos de Hawthorne de Western Electric entre Noviembre 1924 y Agosto 1932. En los experimentos, los investigadores modifican sistemticamente las condiciones de trabajo de cinco ensambladores y monitorean los resultados. Conforme las condiciones se mejoran, la produccin se incrementa. Sin embargo, cuando las condiciones de trabajo se degradan, la produccin continua mejorndose. Se pens que esto trajo resultados a los trabajadores para desarrollar una actitud mas positiva hacia el trabajo en si, como resultado de ser ellos parte del estudio, mas que el resultado de cambiar las condiciones de trabajo. Ver Una Historia de los Experimentos Hawthorne, por Richard Gillespie, Cambridge University Press, New York, 1991.
71
Captulo Il Seccin B Seleccin/Desarrollo de Procedimientos de Prueba
Cualquier otro trmino para el cual no haya una definicin comnmente aceptada debiera ser definido operacionalmente. Ejemplos de tales trminos incluyen exactitud, precisin, repetibilidad, reproducibilidad, etc. Las mediciones tomadas por el sistema de medicin se comparan con las mediciones tomadas por otro sistema? Si es as, debiera considerarse el uso de procedimientos de prueba que se soporten en el uso de estndares o patrones tales como los discutidos en la etapa 1 arriba indicada. Si no se usan estndares o patrones, puede ser posible determinar si los dos sistemas de medicin estn trabajando bien juntos o no. Sin embargo, si los sistemas no estn trabando bien juntos, entonces puede no ser posible, sin el uso de estndares o patrones, determinar que sistema necesita mejoramiento. Con qu frecuencia debieran ejecutarse las pruebas de la etapa 2? Esta decisin puede basarse en las propiedades estadsticas del sistema de medicin individual y en las consecuencias con la instalacin, y los clientes de la instalacin de un proceso de manufactura que de hecho, no sea monitoreado debido a que el sistema de medicin no est operando apropiadamente.
Adicional a estos aspectos clave y generales, otros aspectos clave que son especficos al sistema de medicin particular a ser probados pueden ser tambin importantes. El encontrar los aspectos clave especficos que sean importantes a un sistema de medicin particular es uno de los dos objetivos de las pruebas de la etapa 1.
72
Captulo II Seccin C Preparacin para un Estudio de un Sistema de Medicin
Captulo II Seccin C
Preparacin para un Estudio de un Sistema de Medicin
Como en cualquier estudio o anlisis, la planeacin y preparacin suficiente debe ser hecha previo a la conduccin de un estudio de un sistema de medicin. La preparacin tpica y previa para conducir el estudio es como sigue: 1) El enfoque a usar debiera planearse. Por ejemplo, determinar usando juicio de ingeniera, observaciones visuales o un estudio de un gage, si existe la influencia de un evaluador en la calibracin o uso del instrumento. Existen algunos sistemas de medicin donde el efecto de la reproducibilidad puede ser considerado como insignificante; por ejemplo, cuando se oprime un botn y se imprime un nmero. 2) El nmero de evaluadores, nmero de partes de la muestra y nmero de lecturas repetidas debiera determinarse por anticipado. Algunos factores a considerar en esta seleccin son: (a) Criticalidad de la dimensin las dimensiones crticas requieren ms partes y/o intentos. La razn es el grado de confiabilidad deseado para estimaciones del estudio de un gage. (b) Configuracin de la parte las partes a granel o pesadas pueden determinar el que sean pocas muestras y ms intentos. 3) Dado que el propsito es evaluar el sistema de medicin total, los evaluadores elegidos debieran ser seleccionados de aquellos que normalmente operen el instrumento. 4) La seleccin de las partes de una muestra es crtico para un anlisis apropiado y depende totalmente del diseo del estudio MSA, del propsito del sistema de medicin y de la disponibilidad de las muestras de las partes que representen el proceso de produccin.
Para situaciones de control de los productos donde resulten las mediciones y se determinen criterios de decisin, el cumplimiento o incumplimiento con la especificacin de una caracterstica (ej., inspeccin 100% o muestreo), deben seleccionarse muestras (o estndares), aunque no necesitan cubrir el rango completo del proceso. La evaluacin del sistema de medicin se basa en las tolerancias de la caracterstica (ej., % de RRG con la TOLERANCIA). Para situaciones del control del proceso, donde resulten las mediciones y se determinen criterios de decisin, la estabilidad del proceso, la direccin y cumplimiento con la variacin natural del proceso (ej., SPC, monitoreo del proceso, habilidad y mejoramiento del proceso), la disponibilidad de muestras sobre el rango de operacin completo llega a ser muy importante. Un estimativo independiente de la variacin del proceso (estudio de habilidad del proceso) es recomendable al evaluar la adecuacin del sistema de medicin para control del proceso (ej., % de RRG con la variacin del proceso).
73
Captulo Il Seccin C Preparacin para un Estudio de un Sistema de Medicin
Cuando un estimativo independiente de la variacin del proceso no est disponible, O para determinar la direccin del proceso y la adecuacin continua del sistema de medicin para el control del proceso, las partes de la muestra deben ser seleccionadas del proceso y representar el rango de operacin de produccin completo. La variacin en las partes de la muestra (PV) seleccionadas para el estudio MSA es usada para calcular la Variacin Total (TV) del estudio mismo. En ndice TV (ej., % de RRG del TV) es un indicador de la direccin del proceso y estabilidad continua del sistema de medicin para el control del proceso. Si las partes de la muestra NO representan el proceso de produccin, el TV debe ser ignorado den la evaluacin. El ignorar el TV no afecta las evaluaciones usando la tolerancia (control del producto) o un estimativo independiente de la variacin del proceso (control del proceso). Las muestras pueden seleccionarse tomando una muestra por da por varios das. Otra vez, esto es necesario porque las partes sern tratadas en el anlisis como si representaran el rango de variacin de la produccin en el proceso. Dado que cada parte ser medida varias veces, cada parte debe numerarse para identificacin. 5) El instrumento debiera contar con una discriminacin tal que permita al menos un dcimo de la variacin del proceso esperado de la caracterstica sea ledo directamente. Por ejemplo, si la variacin de la caracterstica es 0.001, el equipo debiera ser capaz de leer un cambio de 0.0001. 6) Asegura que el mtodo de medicin (ej., evaluador e instrumento) est midiendo la dimensin de la caracterstica y siguiendo un procedimiento de medicin definido. La manera en la cual se conduce un estudio es muy importante. Todos los anlisis presentados en este manual asumen independencia estadstica de las lecturas individuales30. Para minimizar la probabilidad de resultados no confiables, necesitan tomarse los siguientes pasos: 1) Las mediciones debieran tomarse en un orden aleatorio31 para asegurar cualquier impulso o cambio que pudiera ocurrir y hacer un estudio totalmente aleatorio. Los evaluadores no debieran ser advertidos de cul nmero de parte est siendo checada a fin de evitar cualquier posible sesgo por conocimiento. Sin embargo, la persona que conduce el estudio debiera saber cual es la parte numerada que est siendo checada y registrar los datos como tales, esto es, Evaluador A, parte 1, primer intento; Evaluador B, parte 4, segundo intento, etc. 2) En la lectura del equipo, los valores de mediciones debieran registrarse en un lmite prctico con la discriminacin del instrumento. Los dispositivos mecnicos deben leerse y registrarse con las unidades ms pequeas de la discriminacin de la escala. Para lecturas electrnicas, el plan de mediciones debe establecer una poltica comn para registrar el dgito de la derecha ms significativo del display. Los dispositivos anlogos debieran registrar en un medio de la graduacin ms pequea o el lmite de sensibilidad o resolucin. Para dispositivos anlogos si la ms pequea de la escala es 0.0001, entonces los resultados de las mediciones debieran registrarse en 0.00005.
30 31
No existe correlacin entre las lecturas. Ver Captulo III, Seccin B, Aleatoriedad e Independencia Estadstica
74
Captulo II Seccin C Preparacin para un Estudio de un Sistema de Medicin
3) El estudio debiera ser administrado y observado por una persona que entienda la importancia de conducir un estudio confiable. Cuando se desarrollen programas de pruebas de etapa 1 o etapa 2 existen varios factores que necesitan ser considerados: Qu efecto tiene el evaluador en el proceso de medicin? Si es posible, los evaluadores que normalmente usen el dispositivo de medicin debieran ser incluidos en el estudio.
Cada evaluador debiera usar el procedimiento incluyendo todos los pasos que ellos usen normalmente para obtener las lecturas. El efecto de las diferencias entre los mtodos que los evaluadores usen ser reflejado en la reproducibilidad del sistema de medicin.
Es la calibracin del evaluador del equipo de medicin muy probable una causa significativa de variacin? Si es as, los evaluadores debieran recalibrar el equipo antes de cada grupo de lecturas. Cuntas partes de la muestra y lecturas repetidas son requeridas? El nmero de partes requeridas depende de la significancia de la caracterstica a ser medida y del nivel de confiabilidad requerido en el estimativo de variacin del sistema de medicin.
Aunque el nmero de evaluadores, intentos y partes puede ser variable cuando se usen las prcticas recomendadas y discutidas en este manual, el nmero de evaluadores, intentos y partes debiera mantenerse constante entre programas de pruebas de etapa 1 y etapa 2 o entre pruebas secuenciales de la etapa 2 para sistemas de medicin comunes. El mantener condiciones comunes entre programas de pruebas y pruebas secuenciales mejorar las comparaciones entre los diferentes resultados de pruebas.
75
Captulo Il Seccin D Anlisis de Resultados
76
Captulo II Seccin D Anlisis de Resultados
Captulo II Seccin D
Anlisis de Resultados
Los resultados debieran evaluarse para determinar si el dispositivo de medicin es aceptable para su aplicacin esperada. Un sistema de medicin debiera ser estable antes de ser vlido cualquier anlisis adicional.
Error de Localizacin
Criterios de Aceptacin Error de Localizacin

El error de la localizacin es normalmente definido analizando el sesgo y la linealidad. En general, el sesgo o error de linealidad de un sistema de medicin es inaceptable si es significativamente diferente de cero o excede el mximo error permisible establecido por el procedimiento de calibracin de gages. En tales casos, el sistema de medicin debiera recalibrarse o aplicarse una correccin de compensacin para minimizar este error.
Error de Amplitud
Criterios de Aceptacin Error de Amplitud

Los criterios para saber si la variabilidad de un sistema de medicin es satisfactoria dependen del porcentaje de la variabilidad del proceso de manufactura / produccin o de la tolerancia de la parte que es consumida por la variacin del sistema de medicin. Los criterios de aceptacin final para sistemas de medicin especficos dependen del medio ambiente y propsito del sistema de medicin y debieran ser acordados con el cliente. Para sistemas de medicin cuyo propsito es analizar un proceso, una regla emprica y general para la aceptacin de un sistema de medicin es como sigue: Debajo de un error del 10% - generalmente considerado como un sistema de medicin aceptable. Entre el 10 y el 30% de error puede ser aceptable y en base a la importancia de la aplicacin, costo del dispositivo de medicin, costos de reparacin, etc. Arriba del 30% - considerado como no aceptable debieran hacerse esfuerzos por mejorar el sistema de medicin.
Adems, el nmero de categoras distintas (ndc)32 el proceso puede dividirse por el sistema de medicin y ste debe ser mayor o igual a 5.
La aceptacin final de un sistema de medicin no debiera concretarse a un solo conjunto de ndices. El desempeo de largo plazo del sistema de medicin debiera ser tambin revisado usando anlisis grficos en el tiempo.
32
Ver Captulo III, Seccin B, Anlisis de Resultados Numrico.
77
Captulo Il Seccin D Anlisis de Resultados
78
Captulo III Prcticas Recomendadas para Sistemas de Medicin Simple
Captulo III PRACTICAS RECOMENDADAS PARA SISTEMAS DE MEDICIN SIMPLES
79
Captulo IIl Seccin A Ejemplos de Procedimientos de Prueba
80
Captulo III Seccin A Ejemplos de Procedimientos de Prueba
Captulo III Seccin A

Ejemplos de Procedimientos de Prueba
Introduccin
Ejemplos de procedimientos de prueba especficos son presentados en este captulo. Los procedimientos son simples de usar y pueden aplicarse en un ambiente de produccin. Como se discuti previamente, el procedimiento de prueba que debiera usarse para entender un sistema de medicin y cuantificar su variabilidad depende de las fuentes de variacin que pudieran afectar el sistema de medicin mismo. En muchas situaciones las fuentes principales de medicin son debidas al instrumento (gages / equipo), la persona (evaluador) y el mtodo (procedimiento de medicin). Los procedimientos de prueba en este captulo son suficientes para este tipo de anlisis de sistemas de medicin. Los procedimientos son apropiados de usar cuando: 9 Solo dos factores o condiciones de medicin (ej., evaluadores y partes) ms la repetibilidad del sistema de medicin estn siendo estudiados. 9 El efecto de la variabilidad dentro de cada parte es insignificante. 9 No existe interaccin estadstica entre los evaluadores y las partes. 9 Las partes no cambian dimensionalmente durante el estudio. Un diseo estadstico de experimentos puede conducirse y/o conocimientos del tema en cuestin pueden aplicarse para determinar si estos procedimientos son apropiados para cualquier sistema de medicin especfico.
81
Captulo IIl Seccin A Ejemplos de Procedimientos de Prueba
82
Captulo III Seccin B Guas y Lineamientos Estudios de Sistemas de Medicin de Variables
Captulo III Seccin B

Guas y Lineamientos Estudio de Sistemas de Medicin de Variables
Introduccin
Esta seccin contiene lineamientos de implementacin para tcnicas de sistemas de medicin descritas en el capitulo 1, seccin E. Una completa revisin de la seccin E es recomendable para asegurar una apropiada aplicacin de estos lineamientos.
GUAS Y LINEAMIENTOS PARA DETERMINACIN DE LA ESTABILIDAD

Conduccin de un Estudio
1) Obtn una muestra y establece sus valores de referencia en relacin a un estndar rastreable. Si no existe alguno disponible, seleccionar una parte de produccin33 que caiga en el rango medio de las mediciones de produccin y desgnala como la muestra master para el anlisis de estabilidad. No se requiere un valor de referencia conocido para rastrear la estabilidad del sistema de medicin. Tiempo Puede ser deseable contar con muestras master para valores mnimos, altos y de rango medio de las mediciones esperadas. Se recomiendan por separado las mediciones y grficas de control. 2) Sobre una base peridica (diariamente, semanalmente), mide la muestra master de 3 a 5 veces. El tamao de la muestra y frecuencia debieran basarse en el conocimiento del sistema de medicin. Algunos factores pudieran incluir que tan frecuente sea requerido la recalibracin o reparacin, que tan frecuente sea usado el sistema de medicin y que tan extremas son las condiciones de operacin. Las lecturas necesitan tomarse en diferentes tiempos para representar cuando el sistema de medicin est realmente siendo usado. Esto tomar en cuenta calentamientos, medio ambiente u otros factores que pudieran cambiar durante el da. 3) Graficar los datos en una grfica de control X & R o X & s bajo el orden de tiempo.
Valor Referencia
Anlisis de Resultados - Grfico

4) Establecer lmites de control y evaluar condiciones fuera de control o inestables usando el anlisis estndar de grficas de control.
33
Debiera tomarse precaucin cuando el master de produccin pudiera experimentar un excesivo desgaste debido al uso, material o manejo. Esto puede requerir el modificar la parte de produccin tal como el acabado, para extender la vida del master mismo.
83
Captulo IIl Seccin B Guas y Lineamientos Estudios de Sistemas de Medicin de Variables
Anlisis de Resultados Numrico

Adems del anlisis normal de grficas de control, no existe un anlisis numrico y especfico o ndice para estabilidad.34 Si el proceso de medicin es estable, los datos pueden usarse para determinar el sesgo del sistema de medicin. Tambin, la desviacin estndar de las mediciones puede usarse como una aproximacin de la repetibilidad del sistema de medicin mismo. Esta puede compararse con la del proceso para determinar si la repetibilidad del sistema de medicin es adecuada para la aplicacin.
El diseo de experimentos u otras tcnicas analticas de solucin de problemas pueden requerirse para determinar los contribuidores primarios de la falta de estabilidad del sistema de medicin.
Ejemplo Estabilidad
Para determinar si la estabilidad de un nuevo instrumento de medicin es aceptable, el equipo de proceso selecciona una parte prxima al punto medio del rango del proceso de produccin. Esta parte es enviada al laboratorio de medicin para determinar el valor de referencia el cual es 6.01. El equipo mide esta parte 5 veces una vez al turno por cuatro semanas (20 subgrupos). Despus de que todos los datos son recolectados, las grficas XR son desarrolladas (ver figura 9).
Grfica X-Barra para Estabilidad

6.3 Medicin Simple 6.2 6.1 6.0 5.9 5.8 5.7 0 1.0 Rango Simple LCS = 6.297

10
Media = 6.021
LCI = 5.746
20 LCS = 1.010 Media = 0.4779
0.5
0.0
LCI = 0
Figura 9: Cuadro de Control del Anlisis de la Estabilidad
34
Ver Manual de Referencia del SPC.
84
GUAS Y LINEAMIENTOS PARA DETERMINACIN DEL SESGO35 Mtodo de Muestras Independientes
Conduccin del Estudio

SESGO
Valor Referencia
1) Obtn una muestra y establece su valor de referencia en relacin aun estndar o patrn rastreable. Si no existe alguno disponible, selecciona una parte de produccin que caiga en el rango medio de las mediciones de produccin y desgnala como la muestra master para el anlisis de sesgo. Mide la parte n >10 veces en el cuarto de herramientas y calcula el promedio de las lecturas n. Usa este promedio como el valor de referencia.
Puede ser deseable contar con muestras master para valores mnimos, altos y de rango medio de las mediciones esperadas. Si esto se hace, analiza los datos usando un estudio de linealidad.
2) Cuenta con un solo evaluador para que mida la muestra n >10 veces de una forma normal.
Resultados de Anlisis Grfico

3) Grafica los datos como histograma en relacin al valor de referencia. Revisa el histograma, usando el conocimiento del tema en cuestin, para determinar si causas especiales o anomalas estn presentes. Si no, continua con el anlisis. Precaucin especial debe tenerse para alguna interpretacin o anlisis cuando n < 30.
Resultados de Anlisis Numrico

4) Calcula el promedio de las n lecturas
n
X = x
i =1
n
5) Calcula la desviacin estndar de la repetibilidad (ver tambin Estudios de Gages, Mtodo de Rangos, mostrado adelante.
repetibilidad =
max( xi ) min( xi ) d *2
* es tomado del Apndice C donde d 2 con g = 1 y m = n
35
Ver Captulo I, Seccin E, para una definicin operacional y discusin de causas potenciales.
85
Si est disponible un estudio RRG (y vlido) el clculo de la desviacin estndar de la repetibilidad debiera basarse en los resultados del estudio.
6) Determina el estadstico t para el sesgo:36 Sesgo = a la medicin de los promedios observados valor referencia37
b = r
t=
sesgo
7) El sesgo es aceptable en el nivel de si cero cae dentro de los lmites de confiabilidad 1- alfa y alrededor del valor del sesgo:
d 2b d 2b Sesgo * t v ,1 t v ,1 0 sesgo + * 2 2 d2 d2
donde d2, d2* y v son encontrados en el Apndice C con g=1 y m=n y
t v ,1
es encontrado usando las tablas estndar de t.

2
El nivel usado depende del nivel de sensibilidad, el cual es necesario para evaluar / controlar el proceso y es asociado con la funcin de prdida (curva de sensibilidad) del producto / proceso. Debiera obtenerse un acuerdo con el cliente si se utiliza un nivel diferente al valor por defaul de 0.05 (confiabilidad del 95%).
Ejemplo Sesgo
Un ingeniero de manufactura estaba evaluando un nuevo sistema de medicin para monitorear un proceso. Un anlisis del equipo de medicin indic que no debiera ver aspectos clave de linealidad, de manera que el ingeniero tuviera solo el sesgo del sistema de medicin evaluado. Es seleccionado una sola parte dentro del rango de operacin del sistema de medicin y basada en la variacin documentada del proceso. Esta parte fue medida por una inspeccin de layout para determinar su valor referencia. La parte fue entonces medida 15 veces por el supervisor lder.
36
37
Este enfoque utiliza el promedio de rangos para obtener un aproximado de la desviacin estndar del proceso de medicin. Debido a que la eficiencia de ste uso del rango cae rpidamente conforme el tamao de muestra se incrementa, se recomienda que si el tamao de muestra total excede en 20, seccionar la muestra en subgrupos mltiples y usar el enfoque de las grficas de control, o usar el clculo de la raz de los promedios al cuadrado (RMS) de la desviacin estndar con la prueba tradicional de t de una muestra. La incertidumbre para el sesgo es dada con b
86
I N T E N T O S
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15
Valor de Referencia = 6.00 5.8 5.7 5.9 5.9 6.0 6.1 6.0 6.1 6.4 6.3 6.0 6.1 6.2 5.6 6.0 Tabla 2: Datos de Estudio de Sesgo
Sesgo -0.2 -0.3 -0.1 -0.1 0.0 0.1 0.0 0.1 0.4 0.3 0.0 0.1 0.2 -0.4 0.0
Usando una hoja de clculo y software estadstico, el superviso generara el histograma y anlisis numrico (ver figura 10 & tabla 3).
4 3
Frecuencia
1 0 5.6 5.7 5.8
Valor de las Mediciones
5.9
6.0
6.1
6.2
6.3
6.4
Figura 10: Estudio de Sesgo Histograma de Estudio de Sesgo
Dado que el 0 cae dentro del intervalo de confiabilidad del sesgo (menos 0.1185, 0.1319), el ingeniero puede asumir que el sesgo de las mediciones es aceptable asumiendo que el uso actual no introduce fuentes adicionales de variacin).
87
n(m) Valor Medido 15
X , Media
6.0067
r Desviacin Estndar 0.22514
b Error Estndar de la Media 0.05813
Estadstico t Valor Medido 0.1153
* Valor de Referencia = 6.00, = 0.05, g = 1, d 2 = 3.55 Valor t Intervalo de Confianza del df Significativo Sesgo 95% para el Sesgo (2 Colas) Inferior Superior
10.8
2.206
0.0067
-0.1185
0.1319
Tabla 3: Estudio de Sesgo Anlisis del Estudio de Sesgo
GUAS Y LINEAMIENTOS PARA DETERMINACIN DEL SESGO Mtodo por Grficas de Control
Si se usa una grfica X & R o X & s para medir la estabilidad, los datos pueden tambin usarse para evaluar el sesgo. El anlisis de la grfica de control debiera indicar que el sistema d medicin es estable antes de que el sesgo se evaluado. 1) Obtn una muestra y establece su valor de referencia en relacin a un estndar o patrn rastreable. Sino existe uno disponible, selecciona una parte de produccin que caiga en el rango medio de las mediciones de produccin y desgnala como la muestra master para el anlisis del sesgo. Mide la parte n >10 veces en el cuarto de herramientas y calcula el promedio de las n lecturas. Usa este promedio como el valor de referencia.
Anlisis de Resultados Grafico

2) Grafica los datos como un histograma relativo al valor referencia. Revisa el histograma, usando conocimientos del tema en cuestin, para determinar si est presente alguna causa especial o anomala. Si no contina con el anlisis.
88
SESGO
Anlisis de Resultados Numrico

3) 4) Obtn la X de la grfica de control. Calcula el sesgo restando el valor de referencia de X . Sesgo = X - valor de referencia Calcula la desviacin estndar de la repetibilidad usando el promedio de los rangos. R repetibilidad = * d2 donde d*2 se basa en el tamao (m) de los subgrupos y el nmero de subgrupos en la grfica (g). (Ver Apndice C). Determina el estadstico t para el sesgo:38
Valor Referencia
5)
6)
b = r
t=
sesgo
7)
El sesgo es aceptable en el nivel alfa si el 0 cae dentro de los lmites de confiabilidad de 1 alfa y alrededor del valor del sesgo.
d 2b d 2b Sesgo * t v ,1 0 sesgo + * t v ,1 2 2 d2 d2
donde d2, d2* y v son encontrados en el Apndice C y t es encontrado usando las tablas estndar para t. v ,1
2
El nivel de usado depende del nivel de sensibilidad que sea necesario para evaluar / controlar el proceso y es asociado con la funcin de prdida (curva de sensibilidad) del producto / proceso. Debiera obtenerse un acuerdo con el cliente si se usa un nivel de diferente al valor por defaul de 0.05 (confiabilidad del 95%).
38
La incertidumbre para el sesgo es dada por
b .
89
Ejemplo Sesgo
En referencia a la figura 9 el estudio de estabilidad fue realizado sobre una parte que tena un valor de referencia de 6.01. El promedio global de todas las muestras (20 subgrupos) fue de 6.021. El sesgo calculado es por tanto 0.011. Usando una hoja de clculo y software estadstico, el supervisor generara un anlisis numrico (tabla 4). Dado que el cero cae dentro del intervalo de confiabilidad del sesgo (menos 0.0800, 0.1020), el equipo de procesos puede asumir que el sesgo de las mediciones es aceptable asumiendo que el uso actual no introduce fuentes de variacin adicionales.
n Valor Medido 100
X , Media
6.021
Error Desviacin Estndar de Estndar la Media b 0.2048 0.0458
* Valor de Referencia = 6.01, = 0.05, m=5, g = 20, d 2 = 2.326 Valor t Intervalo de Confianza del Estadstico df Sesgo Significancia 95% del Sesgo t (2 Tailed) Inferior Superior
Valor Medido
0.2402
72.7
1.993
0.011
-0.0800
0.1020
Tabla 4: Estudio de Sesgo Anlisis de Estudios de Estabilidad para Sesgo
90
Anlisis de Estudios de Sesgo

Si el sesgo es estadsticamente no cero, investigar las siguientes posibles causas: Error en el master o valor de referencia. Procedimiento de chequeo del master. Instrumento desgastado. Esto puede mostrarse en el anlisis de estabilidad y sugerira un programa de mantenimiento o reconstruccin. Instrumento hecho para dimensiones equivocadas. Instrumento midiendo la caracterstica equivocada. Instrumento no calibrado apropiadamente. Revisar el procedimiento de calibracin. Instrumento usado inapropiadamente por el evaluador. Revisar las instrucciones de medicin. Algoritmo incorrecto para la correccin del instrumento.
Si el sistema de medicin cuenta con un sesgo no cero, donde debiera ser posible recalibrarse para lograr un sesgo de cero a travs de la modificacin del hardware, software o ambos. Si el sesgo no puede ajustarse a cero, todava puede usarse a travs de un cambio en el procedimiento (ej., ajustando cada lectura por el sesgo). Dado que sto cuenta con un alto riesgo de error del evaluador, debiera usarse solo con la concurrencia del consumidor.
91
GUAS Y LINEAMIENTOS PARA DETERMINACIN DE LA LINEALIDAD39

La linealidad puede evaluarse usando los siguientes lineamientos:
SESGO SESGO
1) Selecciona g > 5 partes cuyas mediciones, debido a la variacin del proceso, cubren el rango de operacin del gage. 2) Mide cada parte con una inspeccin de layout para determinar su valor de referencia y confirmar que el rango de operacin del gage en cuestin est cubierto. 3) Mide cada parte m >10 veces sobre el gage en cuestin por uno de los operadores quien normalmente use el gage mismo. 9 Selecciona las partes al azar para minimizar algn sesgo del evaluador en las mediciones.
Medicin 1
Medicin N
Anlisis de Resultados Grafico

4) Calcula el sesgo de la parte por cada medicin y el promedio de los sesgos para cada parte.
Sesgoi,j = Xi,j (valor de Referencia)i
Sesgoi =
Sesgo
j =1
i, j
5) Grafica los sesgos individuales y loa promedios de los sesgos con respecto a los valores de referencia sobre una grfica lineal. (Ver figura 11) 6) Calcula y grafica la mejor lnea ajustada y la banda de confiabilidad de la lnea misma usando las ecuaciones siguientes. Para el mejor ajuste de la lnea, usar:
yi = axi + b
donde xi = Valor de Referencia

yi = Promedio de los sesgos
Y
39
Ver Captulo I, Seccin E, para una definicin operacional y discusin de causas potenciales.
92
a=
xy gm x y
2 1 x 2 gm ( x )
b = y a x = int erceptado
Para un dado x0, los lmites para el nivel de confianza40 son: donde s =
2 i
b yi a xi yi gm 2
1 2 2 1 (x 0 x ) inferior: b + ax0 t gm, 2,1 2 gm + (x x )2 s i 1 2 1 2 ( ) x x 0 s superior: b + ax0 + t gm , 2,1 + 2 2 gm (x j x )
7) Graficar la lnea de sesgo = 0 y revisar la grfica para indicaciones de causas especiales y aceptacin de la linealidad (ver ejemplo de la figura 11). Para que la linealidad del sistema de medicin sea aceptable, la lnea de sesgo = 0 debe extenderse totalmente dentro de las bandas de confiabilidad de la lnea ajustada.
Anlisis de Resultados - Numrico

8) Si el anlisis grfico indica que la linealidad del sistema de medicin es aceptable entonces la siguiente hiptesis debiera ser verdad:
H0: a = 0
inclinacin = 0
no rechazar si
t =
a s 2 (x j x )
tgm 2,1 2
40
Ver la nota para la seleccin del nivel en el rea de Lineamientos para Determinar el Sesgo en Captulo III, Seccin B.
93
Si la hiptesis anterior es verdad entonces el sistema de medicin tiene el mismo sesgo para todos los valores de referencia. Para que la linealidad sea aceptable este sesgo debe ser 0.
H0 : b = 0 No rechazar si
t = b
2 1 x s + gm (xi x )2
interseccin (sesgo) = 0
tgm 2,1 2
Ejemplo - Linealidad
Un supervisor de planta estaba presentando un nuevo sistema de medicin para un proceso. Como parte de un PPAP41, la linealidad del sistema de medicin necesitaba ser evaluada. Se seleccionaron 5 partes alrededor del rango de operacin del sistema de medicin y en base a la variacin del proceso documentado. Cada arte fue medida por una inspeccin de layout para determinar su valor de referencia. Cada parte fue entonces medida 12 veces por el operador titular. Las partes fueron seleccionadas al azar durante el estudio.
I N T E N T O S
Valor de Referencia de la Parte 1 2 3 4 5 6 7 8 9 10 11 12
1 2.00 2.70 2.50 2.40 2.50 2.70 2.30 2.50 2.50 2.40 2.40 2.60 2.40
2 4.00 5.10 3.90 4.20 5.00 3.80 3.90 3.90 3.90 3.90 4.00 4.10 3.80
3 6.00 5.80 5.70 5.90 5.90 6.00 6.10 6.00 6.10 6.40 6.30 6.00 6.10
4 6.00 7.60 7.70 7.80 7.70 7.80 7.80 7.80 7.70 7.80 7.50 7.60 7.70
5 8.00 9.10 9.30 9.50 9.30 9.40 9.50 9.50 9.50 9.60 9.20 9.30 9.40
Tabla 5: Datos del Estudio de Linealidad

Usando una hoja de clculo y software estadstico, es supervisor gener la grfica de linealidad (figura 11).
41
Manual del Proceso de Aprobacin de Partes para Produccin , 3. Edicin, 2000
94
Parte Valor de Referencia 1 2 3 S 4 5 E 6 7 S 8 9 G 10 11 O 12 Promedio del Sesgo
1 2.00 0.7 0.5 0.4 0.5 0.7 0.3 0.5 0.5 0.4 0.4 0.6 0.4 0.491667
2 4.00 1.1 -0.1 0.2 1.0 -0.2 -0.1 -0.1 -0.1 -0.1 0.0 0.1 -0.2 0.125
3 6.00 -0.2 -0.3 -0.1 -0.1 -0.0 0.1 0.0 0.1 0.4 0.3 0.0 0.1 0.025
4 6.00 -0.4 -0.3 -0.2 -0.3 -0.2 -0.2 -0.2 -0.3 -0.2 -0.5 -0.4 -0.3 -0.29167
5 8.00 -0.9 -0.7 -0.5 -0.7 -0.6 -0.5 -0.5 -0.5 -0.4 -0.8 -0.7 -0.6 -0.61667
Tabla 6: Estudio de Linealidad Resultados Intermedios
Ejemplo de Linealidad
Y=0.736667-0.131667X R-Sq=71.4% 1
Sesgo
Sesgo = 0
* *
8 9 10
Regresin CI 95%
-1 2 3 4
Sesgo Promedio
Figura 11: Estudio de Linealidad Anlisis Grfico
95
El anlisis grfico indica que las causas especiales pueden estar influenciando al sistema de medicin. Los datos para el valor de referencia 4 parecen ser bimodales. An si los datos para el valor de referencia 4 no fueran considerados, el anlisis grfico muestra claramente que este sistema de medicin tiene un problema de linealidad. El valor de R2 indica que un modelo lineal puede no ser un modelo apropiado para estos datos.42 An si el modelo lineal fuera aceptado, la lnea de sesgo = 0 intersecta los lmites de confiabilidad ms que estar contenido dentro de stos. En este punto, el supervisor debe empezar el anlisis y resolucin del problema del sistema de medicin, dado que el anlisis numrico no ofrecer ningn aspecto adicional. Sin embargo, queriendo estar seguro que el trabajo en papel no se deja pendiente, el supervisor calcula el estadstico t para la inclinacin e interseccin:
ta = -12.043 tb= 10.158

Tomando el defaul = 0.05 y yendo a las tablas t con (gm 2) = 58 grados de libertad y una proporcin de 0.975, el supervisor llega al valor crtico de:
t58,.975= 2.00172
Dado que valor absoluto de t a > t 58,,975 , el resultado obtenido del anlisis grfico es reforzado con el anlisis numrico- existe un problema de linealidad con este sistema de medicin. En este caso, no importa que relacin tenga tb con t58,.975 dado que existe un problema de linealidad. Las posibles causas para problemas de linealidad pueden encontrarse en el captulo I, seccin E, Variacin de la Localizacin. Si el sistema de medicin tiene un problema de linealidad, necesita ser recalibrado para lograr un sesgo de 0 a travs de la modificacin del hardware, software o ambos. Si el sesgo no puede ser ajustado a cero a travs del rango del sistema de medicin, todava puede ser usado para control del producto / proceso, pero sin anlisis hasta que el sistema de medicin llegue a ser estable.
Dado que sto cuenta con un alto riesgo de error del evaluador, debiera ser usado solo con la concurrencia del cliente.
42
Ver textos estadsticos estndar sobre anlisis de lo apropiado en usar el modelo lineal para describir la relacin entre dos variables.
96
LINEAMIENTOS PARA DETERMINAR REPETIBILIDAD Y REPRODUCIBILIDAD 43

Valor Referencia
El estudio de gages para variables puede ejecutarse usando un nmero de diferentes tcnicas. Tres mtodos aceptables sern discutios en detalle en esta seccin. Estos son:
A C RRG B
Mtodo de rangos Mtodo de promedios y rangos (incluyendo el mtodo de la grfica de control) Mtodo ANOVA
Excepto para el mtodo de rangos, el diseo de los datos de estudio es muy similar para cada uno de estos mtodos. Como se presentan, los mtodos ignoran la variacin dentro de las partes (tal como, redondeo, planicidad, etc., como es discutido en el captulo V, seccin A) en sus anlisis. Sin embargo, el sistema de medicin total incluye no solo el gage mismo y su sesgo respectivo, repetibilidad, etc., sino tambin puede incluir la variacin de las partes a ser checadas. La determinacin de cmo manejar la variacin dentro de las partes necesita basarse en un entendimiento racional del uso esperado de la parte y el propsito de las mediciones. Finalmente, todas las tcnicas en esta seccin estn sujetas al prerrequisito de estabilidad estadstica.
Aunque la reproducibilidad es usualmente interpretada como la variacin del evaluador, existen situaciones donde esta variacin es debida a otras fuentes de variacin misma. Por ejemplo, con algunos sistemas de medicin en proceso no existen evaluadores humanos. Si todas las partes son manejadas, ajustada y medidas por el mismo equipo, entonces la reproducibilidad es cero; ej., solo es necesario un estudio de repetibilidad. Sin embargo, si se usan dispositivos mltiples, entonces la reproducibilidad es la variacin entre los dispositivos.
Mtodo de Rangos
El mtodo de rangos es un estudio de gages de variables modificado el cual ofrece una aproximacin rpida de la variabilidad de las mediciones. Este mtodo ofrece solo una grfica global del sistema de medicin. No secciona la variabilidad en repetibilidad y reproducibilidad. Es tpicamente usada como un chequeo rpido para verificar que la RRG no haya cambiado.
Este enfoque tiene el potencial de detectar un sistema de medicin no aceptable44 el 80% del tiempo con un tamao de muestra de 5 y el 90% del tiempo con un tamao de muestra de 10.
43
44
Ver Captulo I, Seccin E, para una definicin operacional y discusin de las causas potenciales. Ej., % de RRG > 30%
97
El mtodo de rangos tpicamente utiliza dos evaluadores y 5 partes para el estudio. En este estudio, ambos evaluadores miden cada parte una a la vez. El rango para cada parte es la diferencia absoluta entre la medicin obtenida por el evaluador A y la medicin obtenida por el evaluador B. La suma de rangos es encontrada y el promedio de rangos R es calculado. La variacin total de las mediciones es encontrada multiplicando el promedio de los rangos por g = nmero de partes.
1 * donde d 2 es encontrado en el apndice C, con m = 2 y * d2
Evaluador A Evaluador B Rango (A,B) 0.85 0.80 0.05 0.75 0.70 0.05 1.00 0.95 0.05 0.45 0.55 0.10 0.50 0.60 0.10 Ri = 0.35 = 0.07 Promedio de los Rangos (R ) = 5 5 R R 0.07 RRG = = = 0.0588 d* = 2 1.19 1.19 (Desviacin Estndar del Proceso = 0.0777 del Estudio Previo)
Partes 1 2 3 4 5
RRG % RRG = 100 * = 75.7% DesviacinEstndar Pr oceso

Tabla 7: Estudio de Gages (Mtodo de Rangos)
Para determinar que porcentaje de la desviacin estndar del proceso consume la variacin de las mediciones, convertir el RRG a un porcentaje multiplicando por 100 y dividiendo entre la desviacin estndar del proceso. En el ejemplo (ver tabla 7), la desviacin estndar del proceso para esta caracterstica es 0.0777, por tanto,
RRG % RRG = 100 * = 75.7% DesviacinEstndar Pr oceso
Ahora que el porcentaje del RRG para el sistema de medicin es determinado, debiera darse una interpretacin de los resultados. En la tabla 7, se determina que el porcentaje de RRG es 77.5% y la conclusin es que el sistema de medicin necesita mejoramientos.
98
Mtodos de Rangos y Promedios

El mtodo de promedios y rangos ( X & R) es un enfoque el cual ofrece un estimativo de la repetibilidad y reproducibilidad para un sistema de medicin. A diferencia del mtodo de rangos, este enfoque permite que la variacin del sistema de medicin sea seccionada en dos componentes por separado, repetibilidad y reproducibilidad, pero no su interaccin.45

Aunque el nmero de evaluadores, intentos y partes puede variar, la discusin subsecuente representa las condiciones ptimas para conducir el estudio. Hacer referencia a la hoja de datos RRG en la figura 12. El procedimiento detallado es como sigue: 1) Obtn una muestra de n > 5 partes46 que represente el rango actual o esperado de la variacin del proceso.
2) Haz referencia a los evaluadores como A, B, C, etc. y al nmero de partes 1 hasta n

de manera que los nmeros no sean visibles a los evaluadores.
Ver Captulo 2, Seccin C
3) Calibra el gage si esto es parte de los procedimientos normales del sistema de medicin. Permite al evaluador A medir n partes en un orden aleatorio47 y registra los resultados en el rengln 1. 4) Permite a los evaluadores B y C medir las mismas partes n sin ver las lecturas de uno con otro; entonces registra los resultaos en los renglones 6 y 11 respectivamente.
5) Repite el ciclo usando un orden aleatorio diferente de las mediciones. Registra los
datos en los renglones 2,7 y 12. Registra los datos en la columna apropiada. Por ejemplo si la primer pieza media es la parte 7 entonces registra el resultado en la columna etiquetada como parte 7. Si son necesarios tres intentos, repite el ciclo y registra los datos en los renglones 3, 8 y 13. 6) Los pasos 4 y 5 pueden cambiar a lo siguiente cuando el tamao de las partes es grande o no hay disponibilidad de partes simultneamente, lo cual hace necesario: 9 Permita que el evaluador A mida la primer parte y registre la lectura en el rengln 1. Luego el evaluador B mide la primer parte y registra la lectura en el rengln 6. Luego el evaluador C mide la primer parte y registra la lectura en el rengln 11.
45 46
47
El mtodo ANOVA puede usarse para determinar la interaccin entre el gage y los evaluadores, si existe tal. El nmero total de rangos generado debe ser > 15 para un nivel mnimo de confiabilidad en los resultados. Aunque la forma fue diseada para un mximo de 10 partes, este enfoque no se limita a ese nmero. Como en cualquier tcnica estadstica, mientras ms grande es el tamao de muestra, es menor la variacin del muestreo y menor el riesgo resultante ser presente. Ver Captulo III, Seccin B, Aleatoriedad y Independencia Estadstica.
99
9 Permite que el evaluador A repita la lectura de la primer parte y registren dicha lectura en el rengln 2, el evaluador B registra la lectura repetida en el rengln 7 y el evaluador C registra la lectura repetida en el rengln 12. Repite este ciclo y registra los resultados en los renglones 3, 8 y 13 si se aplican 3 intentos. 7) Un mtodo alternativo puede usarse si los evaluadores son de diferentes turnos. Permite que el evaluador A mida todas las 10 partes y registre las lecturas en el rengln 1. Luego el mismo evaluador A repite las lecturas en un orden diferente y registra los resultados en los renglones 2 y 3. Haz lo mismo con los evaluadores B y C.
100
Hoja de Recoleccin de Datos de Repetibilidad y Reproducibilidad de Gages

Evaluador /Intento #
1 2 3 4 5 6 7 8 9 10 11 12 13
A 2 3 Promedio Rango B 2 3 Promedio Rango C 2 3 1 0.04 -0.11 -0.15 -1.38 -1.13 -0.96 0.88 1.09 0.67 0.14 0.20 0.11 -1.46 -1.07 -1.45 -0.29 -0.67 -0.49 0.02 0.01 0.21 -0.46 -0.56 -0.49 1.77 1.45 1.87 -1.49 -1.77 -2.16 1 0.08 0.25 0.07 -0.47 -1.22 -0.68 1.19 0.94 1.34 0.01 1.03 0.20 -0.56 -1.20 -1.28 -0.20 0.22 0.06 0.47 0.55 0.83 -0.63 0.08 -0.34 1.80 2.12 2.19 -1.68 -1.62 -1.50 1
Parte
1
0.29 0.41 0.64
2
-0.56 -0.68 -0.58
3
1.34 1.17 1.27
4
0.47 0.50 0.64
5
-0.80 -0.92 -0.84
6
0.02 -0.11 -0.21
7
0.59 0.75 0.66
8
-0.31 -0.20 -0.17
9
2.26 1.99 2.01
10
-1.36 -1.25 -1.31
Promedio
Xa =
Ra =
Xb =
Rb =
14 Promedio 15
Rango
Xc = Rc = X= Rp =
16 Promedio
por Parte
17 18 19
R = ([(Ra =
)] + [Rb =
] + [R
]=
]) [# deEvaluadores =
]=
]=
R=
X DIFF = [X Max =
*
] [X Min =
LCSR = R =
] [D
* * D 4 = 3.27 para 2 intentos y 2.58 para 3 intentos. UCLR representa el lmite de las lecturas individuales Rs. Circular aquellas que estn fuera de ste lmite. Identificar las causas y corregirlas. Repetir estas lecturas usando el mismo evaluador y unidad como originalmente se us o descartar los valores y recalcular el promedio y R y el valor del lmite de las observaciones restantes. Notas:
Figura 12: Hoja de Recoleccin de Datos de Repetibilidad y Reproducibilidad de Gages
101
Anlisis de Resultados Grafico 48

El uso de herramientas grficas es muy importante. Las herramientas grficas especficas usadas dependen del diseo experimental empleado para recolectar los datos. Un esquema sistemtico de los datos para variaciones aparentes por causas especiales y usando herramientas grficas debiera anteceder a un anlisis estadstico. Las siguientes son algunas de las tcnicas que se ha probado son tiles. (ver tambin el Mtodo de Anlisis de Varianzas). Los datos del anlisis del sistema de medicin pueden ser desplegados grficamente con grficas de control. La idea de usar grficas de control para responder preguntas relativas a un sistema de medicin ha sido aplicada por Western Electric (Ver Manual de Control Estadstico de la Calidad de AT&T en la lista de referencias).
Grfica de Promedios
Los promedios de las lecturas mltiples por cada evaluador y en cada parte son graficados por evaluador con el nmero de arte como un ndice. Esto puede ayudar a determinar la consistencia entre evaluadores. El gran promedio y los lmites de control determinados usando el promedio de los rangos tambin son graficados. La grfica de promedios resultante ofrece una indicacin de la facilidad de uso del sistema de medicin. El rea dentro de los lmites de control representa la sensibilidad (ruido) de las mediciones. Dado que el grupo de partes usado en el estudio representa la variacin del proceso, aproximadamente una mitad o ms de los promedios debiera caer fuera de los lmites de control. Si los datos muestran este patrn, el sistema de medicin debiera ser adecuado para detectar variaciones de parte a parte, y el sistema de medicin mismo puede ofrecer informacin til para analizar y controlar el proceso. Si menos de la mitad cae fuera de los lmites de control entonces el sistema de medicin carece de una resolucin efectiva y adecuada o la muestra no representa la variacin esperada del proceso.
48
Descripciones detalladas de estos anlisis estn fuera del alcance de este documento. Para mayor informacin, ver referencias y buscar asistencia de fuentes estadsticas competentes.
102
Promedio
Figura 13: Grfica de Promedios Estancada 49

Revisar que todas las grficas indiquen que el sistema de medicin parece tener una suficiente discriminacin para los procesos con la variacin descrita por las partes de la muestra. No existen diferencias aparentes entre evaluador a evaluador.
2

Promedio
0 -1 -2
UCL

LCL
Ev. A
Ev. B
Ev. C
Figura 14: Grfica de Promedios No Estancada
49
Con el enfoque ANOVA, esta es tambin referida como grfica de interaccin del evaluador-por-parte
103
Graficas de Rangos
La grfica de control de rangos es usada para determinar si el proceso est en control. La razn es que no importa que tan grande sea el error de las mediciones pero los lmites de control permitirn tal error. Esto es porque las causas especiales necesitan ser identificadas y retiradas antes de que el estudio de las mediciones sea relevante. Los rangos de las lecturas mltiples por cada evaluador y en cada parte son graficadas en una grfica estndar de rangos incluyendo los rangos promedios y los lmites de control. Del anlisis de datos graficados pueden darse varias interpretaciones. Si todos los rangos estn en control, los evaluadores estn haciendo el mismo trabajo. Si un evaluador est fuera de control, el mtodo usado difiere de los otros. Si todos los evaluadores estn fuera de los rangos de control, el sistema de medicin es sensible a la tcnica del evaluador y requiere mejoramientos para obtener datos tiles.
Ninguna grfica debiera desplegar patrones en los datos relativos a los evaluadores o partes. Los rangos no son datos ordenados. El anlisis de tendencias normales de la grfica de control no debe usarse an y cuando los puntos graficados sean conectados por lneas. La estabilidad se determina por un punto o puntos fuera de lmites de control; patrones dentro del evaluador o dentro de las partes. El anlisis de la estabilidad debiera considerar la significancia practica y estadstica.
La grfica de rangos puede ayudar a determinar: El control estadstico con respecto a la repetibilidad. La consistencia del proceso de medicin entre los evaluadores para cada parte.
Rango
Parte
Figura 15: Grfica de Rangos Estancada
104
1.0
UCL

Rango
0.5

0.0
Ev. A
Ev. B
Ev. C
Figura 16: Grfica de Rangos No Estancada
La revisin de las grficas anteriores indica que no hay diferencias entre la variabilidad de los evaluadores.
Grfica de Corridas
Las lecturas individuales son graficas por parte para todos los evaluadores (ver figura 17) para obtener detalles de:
El efecto de las partes individuales sobre la consistencia de la variacin La indicacin de lecturas irregulares (ej., lecturas anormales)
Valor Parte
Figura 17: Grfica de Corridas por Parte

La revisin de la grfica anterior no indica alguna anormalidad o parte inconsistente.
105
Diagrama de Dispersin
Las lecturas individuales son graficadas por parte y por evaluador (ver figura 18) para obtener detalles de: Consistencia entre los evaluadores Indicacin de posibles anormalidades Interacciones parte evaluador
La revisin de la figura 18 no indica alguna irregularidad significativa aunque indica que el evaluador C pueda tener lecturas inferiores que los otros evaluadores.
2 1

g g
g
g g

g
g g
Valor
0 -1 -2

g g g

g g
Parte
2 1
4
g g

g g g

g
Valor
0 -1 -2

g g g

g g
Parte
8

9
g
10
Evaluador
Figura 18: Diagrama de Dispersin
106
Grficas de Bigotes
En las grficas de bigotes, los valores de datos altos y bajos y el promedio por parte A evaluador son graficados (ver figura 19). Esto ofrece detalles de: Consistencia entre evaluadores. Indicacin de irregularidades. Interacciones parte evaluador.
3 2 1
3 2 1
Ev. A
0 -1 -2 -3 1 2 3 4
Ev. B
0 -1 -2 -3
Parte
3 2 1
10
Parte
10
Ev. C
0 -1 -2 -3 1
Parte Figura 19: Grfica de Bigotes
10
La revisin de la figura 19 no indica que haya alguna irregularidad significativa aunque muestra que el proveedor B puede contar con a mayor variabilidad.
107
Graficas de Errores
Los datos del anlisis del sistema de medicin pueden ser analizados corriendo grficas de errores (ver figura 20) de las desviaciones individuales de los valores de referencia aceptados. La desviacin individual o error para cada parte es calculado como sigue: Error = Valor Observado - Valor de Referencia Error = Valor Observado Promedio de las mediciones de la parte Esto depende de si los valores de referencia de los datos a ser medidos estn disponibles o no.
0.5

g g g
g g g

Error
0.0 -0.5

g

g
Parte 0.5
1
g
3
g
Error
0.0 -0.5

g
g g

g g

g

g g
Parte
4

Evaluador
Figura 20: Grfica de Error

La revisin de las grficas anteriores indica que: El evaluador A cuenta con un sesgo positivo global El evaluador B cuenta con la mayor variabilidad pero sin sesgo aparente El evaluador C cuenta con un sesgo negativo global
108
Histograma Normalizado
La grfica de histograma (figura 21) es una grfica que despliega la distribucin de frecuencias del error del gage de los evaluadores que participaron en el estudio. Tambin muestra su distribucin de frecuencia combinada. Si los valores de referencia estn disponibles: Error = Valor Observado Valor de Referencia De lo contrario: Valor Normalizado = Valor Observado Promedio de las Partes La grfica de los histogramas ofrece un bosquejo visual y rpido de cmo el error es distribuido. Aspectos clave tales como si el sesgo o falta de consistencia existe en las mediciones tomadas por los evaluadores, puede identificarse an antes de que los datos sean analizados.
7 6 5
El anlisis de los histogramas (figura 21) refuerza a las grficas de errores. Estas tambin indican que solo el evaluador B tiene una forma simtrica. Esto puede indicar que los evaluadores A y C estn introduciendo una fuente de variacin sistemtica que est resultando en los sesgos.
Frecuencia
4 3 2 1 0
0.00 0.05 0.10 0.15 0.20
Ev. A
0.25
0.30
0.35
0.40
0.45
Frecuencia
4 3 2 1 0
-0.4 -0.3 -0.2 -0.1 0.0
Ev. B
0.1
0.2
0.3
0.4
0.5
0.6
7 6 5
Frecuencia
4 3 2 1 0
-0.7 -0.6 -0.5
Ev.C
-0.4
-0.3
-0.2
-0.1
0.0
Linea de Error = 0
Figura 21: Histograma Normalizado50

50
Hacer notar que el 0.0 de cada uno de los histogramas estn alineados cada uno con respecto a los otros.
109
Los promedio de las lecturas mltiples por cada evaluador y en cada parte son Diagrama X-Y de Promedios por Medida graficados con el valor de referencia o los promedios globales de las partes como ndice (ver figura 22). Esta grfica puede ayudar a determinar:
3 2 1
Linealidad (s se usa el valor de referencia). Consistencia en la linealidad entre evaluadores.

3
Ev. A
0 -1 -2 -3
-3 -2
Ev. B
2 1 0 -1 -2 -3
-1
-3
-2
-1
Referencia
3 2 1
Referencia
Ev. C
0 -1
-2 -3
-3 -2
-1
Referencia Figura 22: Diagrama X-Y de Promedios por Medida
Comparacin de Grficas X-Y
Los promedios de las lecturas mltiples por cada evaluador y en cada parte son graficados uno con otro de los evaluadores como ndices. Esta grfica compara los valores obtenidos por un evaluador contra los dems (ver figura 23). Si hubiera un acuerdo perfecto entre proveedores, los puntos graficados describiran una lnea recta a travs del origen y un eje a 45o.
110
Ev. A
1.25
-1.25

1.2 5
Ev. B
1.25
-1.25

-1 .25

-1 .25 1.2 5
Ev. C
Figura 23: Comparacin de Grficas X-Y
Clculos Numricos
Los clculos de la RRG son mostrados en las figuras 24 y 25. La figura 24 muestra la hoja de recoleccin de datos en la cual se registran todos los resultados del estudio. La figura 25 despliega un reporte en el cual toda la informacin identificada es registrada y se hacen todos los clculos de acuerdo con las frmulas prescritas.
Formatos en blanco y reproducibles se encuentran en la seccin de formatos muestra. El procedimiento para realizar los clculos despus de que los datos se ha recolectado es como sigue:
(Lo siguiente se refiere a la figura 24) 1) Restar la lectura ms pequea de la lectura ms larga en los renglones 1, 2 y 3; registrar el resultado en el rengln 5. Hacer lo mismo para renglones 6, 7 y 8; y 11, 12 y 13, y registrar los resultados en los renglones 10 y 15 respectivamente. 2) Los registros en los renglones 5, 10 y 15 son rangos y por tanto siempre ser valores positivos. 3) Totaliza el rengln 5 y divide el total por el nmero de las partes muestreadas para obtener el promedio de los rangos para los primeros intentos de los evaluadores R a . Hacer lo mismo para renglones 10 y 15 y obtener R b y R c . 4) Transfiere los promedios de los renglones 5, 10 y 15 ( R a , R b , R c ) al rengln 17. Smalos y divdelos por el nmero de los evaluadores y registra el resultado R (promedio de todos los rangos).
111
5) Registra R (valor promedio) en el rengln 19 y multiplcalo por D4 51 para obtener el lmite superior de control. Notar que D4 es 3.27 si se realizan dos intentos. El valor del Lmite Superior de Control (UCLR) de los rangos individuales es registrado en el rengln 19. NOTA: El valor del Lmite Inferior de Control (LCLR) para menos de 7 intentos es igual a cero. 6) Repite las lecturas que se produzcan en un rango mayor que el UCLR calculado usando el mismo evaluador y parte como originalmente se aplic, o descarta dichos valores y recalcula el promedio y R y el valor del lmite UCLR en base al tamao de muestra revisado. Corrige las causas especiales que generaron la condicin fuera de control. Si los datos fueran graficados y analizados usando una grfica de control como se discuti previamente, esta condicin se habra ya corregido y no ocurrira aqu. 7) Suma los renglones (renglones 1, 2, 3, 6, 7, 8, 11, 12 y 13). Divide la suma en cada rengln por el nmero de partes muestreadas y registra estos valores en la columna que est ms a la derecha titulada como promedio. 8) Suma los promedios de los renglones 1, 2 y 3 y divide el total por el nmero de intentos y registra el valor en el rengln 4 en la celda de X a . Repite esto para los renglones 6,7 y 8; y 11, 12 y 13 y registra los resultados en las celdas para X b y X c en los renglones 9 y 14, respectivamente. 9) Registra los promedios mximo y mnimo de los renglones 4, 9 y 14 en el espacio apropiado en el rengln 18 y determina la diferencia. Registra esta diferencia en el espacio titulado como X DIFF en el rengln 18. 10) Suma las mediciones para cada intento, para cada parte, y divide el total por el nmero de mediciones (nmero de intentos por nmero de evaluadores). Registra los resultados en el rengln 16 en los espacios provistos para el promedio de las partes. 11) Resta el promedio de las partes ms pequeo del promedio de las partes ms largo y registra el resultado en el espacio titulado RP en el rengln 16. RP es el rango de los promedios de las partes. (Lo siguiente se refiere a la figura 25)
12) Transfiere los valores calculados de R , X DIFF y RP a los espacios en blanco

provistos en el reporte adicional. 13) Ejecuta los clculos bajo la columna titulada Anlisis de las Unidades de Medicin en el lado izquierdo del formato. 14) Ejecuta los clculos bajo la columna titulada Porcentaje de la Variacin Total en el lado derecho del formato. 15) Checa los resultados para asegurarse de que no haya errores.
51
Ver Manual de Referencia del Control Estadstico de los Procesos (SPC), 1995, u otra fuente de referencia estadstica para una tabla de factores.
112
Hoja de Recoleccin de Datos para Repetibilidad y Reproducibilidad de Gages

Evaluador /Intento #
1 2 3 4 5 6 7 8 9
A 2 3 Promedio Rango B 2 3 Promedio 1 1
Parte
1
0.29 0.41 0.64
2
-0.56 -0.68 -0.58
3
1.34 1.17 1.27
4
0.47 0.50 0.64
5
-0.80 -0.92 -0.84
6
0.02 -0.11 -0.21
7
0.59 0.75 0.66
8
-0.31 -0.20 -0.17
9
2.26 1.99 2.01
10
-1.36 -1.25 -1.31
Promedio
0.194 0.166 0.211
0.447 -0.607 1.260
0.537 -0.853 0.100
0.667 -0.227 2.087 -1.307
X a = 0.1903
0.35
0.08 0.25 0.07
0.12
-0.47 -1.22 -0.68
0.17
1.19 0.94 1.34
0.17
0.01 1.03 0.20
0.12
-0.56 -1.20 -1.28
0.23
-0.20 0.22 0.06
0.16
0.47 0.55 0.83
0.14
-0.63 0.08 -0.34
0.27
1.80 2.12 2.19
0.11
-1.68 -1.62 -1.50
Ra = 0.184
0.001 0.115 0.089
0.133 -0.790 1.157
0.413 -1.013 0.027
0.617 -0.297 2.037 -1.600 X b = 0.0683
10 Rango 11 C 12 2 13 3 14 Promedio 15 Rango 16 Promedio

por Parte 1
0.18
0.04 -0.11 -0.15
0.75
-1.38 -1.13 -0.96
0.40
0.88 1.09 0.67
1.02
0.14 0.20 0.11
0.72
-1.46 -1.07 -1.45
0.42
-0.29 -0.67 -0.49
0.36
0.02 0.01 0.21
0.71
-0.46 -0.56 -0.49
0.39
1.77 1.45 1.87
0.18
-1.49 -1.77 -2.16
Rb = 0.513
-0.223 -0.256 -0.284
-0.073 -1.157 0.880
0.150 -1.327 0.483
0.080 -0.503 1.697 -1.807
X c = -0.2543
Rc = 0.328 X = .0014 Rp = 3.511 R = 0.3417
0.19
0.42
0.42
0.09
0.39
0.38
0.20
0.10
0.42
0.67
0.169 -0.851 1.099
0.367 -1.064 -0.186 0.454 -0.342 1.940 -1.571
17 18 19
R = ([(Ra = 0.184)] + [Rb = 0.513] + [Rc = 0.328]) [# deEvaluadores = 3] = X DIFF = [X Max = 0.1903] [X Min = 0.2543] = X DIFF = 0.4446
*
LCSR = R = 0.3417 [D 4 = 2.58] = LCSR = 0.8816
* * D 4 = 3.27 para 2 intentos y 2.58 para 3 intentos. UCLR representa el lmite de las lecturas individuales Rs. Circular aquellas que estn fuera de ste lmite. Identificar las causas y corregirlas. Repetir estas lecturas usando el mismo evaluador y unidad como originalmente se us o descartar los valores y recalcular el promedio y R y el valor del lmite de las observaciones restantes. Notas:
Figura 24: Hoja de Recoleccin de Datos Completo para R&RG

113
Reporte de Repetibilidad y Reproducibilidad de Gages

Nombre y No. De Parte: Caractersticas: Especificaciones:
Nombre del gage: No. De gage: Tipo de Gage:
Fecha: Revisado por: Rp=3.511 % de Variacin Total (TV) %EV = 100[EV/TV]
Dato : R = 0.3417 X DIFF = 0.4446 Anlisis de Medicin Unitaria Repetibilidad Variacin del Equipo (EV)
EV = R K 1
=0.3417x0.5908 = 0.20188 Reproducibilidad Appraiser Variacin (AV)

AV =
Intentos
2 3
K1 0.8862 0.5908
= 100 [0.20188/1.14610] =17.62%
(0.4446 0.5231)2 (0.201882 (10 3))

Evaluadores
K2
(X DIFF K 2 )2 (EV 2
nr
%AV =100 [AV/TV] =100 [0.22963/1.14610]
=0.22963
2
0.7071
3
0.5231
= 20.04%
Repetibilidad y Reproducibilidad (RRG)
RRG = EV 2 + AV 2
%RRG = 100 [RRG/TV]
(0.20188
+ 0.229632
Partes
2 3
K3 0.7071 0.5231
= [0.30575/1.14610] = 26.68%
100
= 0.30575
Variacin de Parte (PV)
4 5 6 7 8
0.4467 %PV = 100 [PV/TV] 0.4030 0.3742 0.3534 0.3375 0.3249 0.3146 = 100 [1.10456/1.14610] =96.38%
PV = Pp K 3
=1.10456 Variacin Total (TV)
TV = RRG 2 + PV 2
(0.30575
+ 1.10456 2
9 10
ndc = 1.41 PV
= 1.14610
RRG = 1.41 (1.10456/0.30575) = 5.094~5
Para informacin sobre la teora y constantes usadas en el formato ver Manual de Referencia MSA, 3. Edicin
Figura 25: Reporte de Repetibilidad y Reproducibilidad de Gages
114
Anlisis de Resultados Numricos
Los formatos de hoja y reporte de recoleccin de datos de la repetibilidad y reproducibilidad de gages, figuras 24 y 25, ofrecen un mtodo para el anlisis numrico de los datos de un estudio.52 El anlisis estima la variacin y porcentaje de la variacin del proceso para el sistema de medicin total, y sus componentes de repetibilidad, reproducibilidad y variacin de la parte. Esta informacin necesita ser comparada y complementada con los resultados del anlisis grfico. En el lado izquierdo del formato (figura 25) con Anlisis de las Unidades de Medicin se calcula la desviacin estndar para cada componente de variacin. La repetibilidad o variacin del equipo (EV o E ) se determina multiplicando el promedio de los rangos ( R ) por una constante (K1). K1 depende del nmero de * intentos aplicados en el estudio del gage y es igual al inverso de d 2 , el cual se obtiene
* depende del nmero de intentos (m) y el nmero de partes por el del apndice C. d 2 nmero de evaluadores (g) (se asume que es mayor que 15 al calcular el valor de K1).
La reproducibilidad o variacin de los evaluadores (AV o A) se determina multiplicando la mxima diferencia promedio entre los evaluadores ( X DIFF ) por una constante (K2). K2 depende del nmero de evaluadores usados en el estudio del gage y * * es el inverso de d 2 el cual se obtiene del apndice C. d 2 depende del nmero de evaluadores (m) y g =1, dado que solo existe el clculo de un rango. Dado que la variacin del evaluador es contaminada pro la variacin del equipo, debe ajustarse restando una fraccin de la variacin del equipo. Por tanto, la variacin de los valuadores (AV) es calculada por
AV =
(X DIFF K 2 )2 (EV )
nr
Donde n = nmero de partes y r = nmero de intentos. Si se calcula un valor negativo bajo el smbolo de la raz cuadrada, la variacin de los evaluadores (AV) es cero por defaul. La variacin del sistema de medicin para repetibilidad y reproducibilidad (RRG o M) se calcula sumando el cuadrado de la variacin del equipo y el cuadrado de la variacin de los evaluadores, y sacando la raz cuadrada como sigue:
RRG =
(EV )2 + ( AV )2
52
Los resultados numricos en el ejemplo fueron desarrollados como si fueran calculados manualmente; ej., los resultados fueron realizados y redondeados a un digito decimal adicional. El anlisis con programas de computadora debiera mantener los valores intermedios con una mxima precisin con el lenguaje de programacin / computadora. Los resultados de un programa de computadora pueden diferir de los resultados del ejemplo en el lugar del segundo decimal o mayor pero el anlisis final se mantendr igual.
115
La variacin parte a parte (PV o P) se determina multiplicando el rango de los promedios de las partes (RP) por una constante K3). K3 depende del nmero de partes * usadas en el estudio del gage y es el inverso de d 2 el cual se obtiene del apndice C.
* depende del nmero de partes (m) y (g). En este caso g = 1 dado que solo existe el d2
clculo de un rango. La variacin total (TV o T) del estudio se calcula sumando el cuadrado de las variaciones de repetibilidad y reproducibilidad y la variacin parte a parte (PV) y aplicando la raz cuadrada como sigue:
TV =
(RRG )2 + (PV )2
Si la variacin del proceso es conocida y su valor se basa en 6, entonces puede ser usado en lugar de la variacin total del estudio (TV) calculada de los datos del estudio del gage. Esto se logra ejecutando los siguientes dos clculos:
1) TV = 2)
Variacin Pr oceso 6.00
PV =
(TV )2 (RRG )2
Ambos valores (TV y PV) reemplazaran a los calculados previamente. Una vez que la variabilidad para cada factor en el estudio del gage se determina, puede comparase con la variacin total (TV). Esto se logra ejecutando los clculos del lado derecho del formato de reporte del gage (figura 25) con el ttulo Porcentaje de la Variacin Total. El porcentaje de la variacin del equipo (% de EV) consume el total de la variacin (TV) y es calculado por 100 [EV / TV ] . Los porcentajes de los otros factores de consumo de la variacin total pueden ser calculados igualmente como sigue:
% AV = 100[AV TV ] % RRG = 100[RRG TV ] % PV = 100[PV TV ]
LA SUMA DEL PORCENTAJE CONSUMIDO POR CADA FACTOR NO SERA IGUAL AL 100%.
Los resultados de este porcentaje de variacin total necesitan ser evaluados para determinar si el sistema de medicin es aceptable para su aplicacin esperada.
Si el anlisis se basa en las tolerancias en lugar de la variacin del proceso, entonces el formato del reporte RRG (figura 25) puede modificarse de manera que el lado derecho del formato mismo represente el porcentaje de la tolerancia en lugar del porcentaje de la variacin total. En tal caso, los %EV, %AV, %RRG y %PV son calculados sustituyendo el valor de la tolerancia dividida por 6 en el denominador de los clculos en lugar de la variacin total (TV).
116
Ambos enfoques pueden tomarse dependiendo del uso esperado de sistema de medicin y los deseos del cliente.
El paso final en el anlisis numrico es determinar el nmero de categoras distintas que pudieran ser distinguidas confiadamente por el sistema de medicin. Este es el nmero de los intervalos de confianza no traslapados en un 97%, los cuales se extienden en la variacin esperada del producto.53
ndc = 1.41 PV
RRG
Dado que el anlisis grfico no ha indicado alguna variacin por causas especiales, la regla emprica para la repetibilidad y reproducibilidad del gage (porcentaje RRG) puede encontrarse en el captulo II, seccin D. Adems, el ndc es truncado a enteros y debe ser mayor o igual a 5.
Mtodo de Anlisis de Varianzas (ANOVA)

El anlisis de varianzas (ANOVA) es una tcnica estadstica y estndar y puede ser utilizada para analizar los errores den las mediciones y otras fuentes de variabilidad de los datos en un estudio de sistemas de medicin. En el anlisis de varianza, la varianza puede ser seccionada en cuatro categoras: partes, evaluadores, interaccin entre las partes y evaluadores y error de replicacin debida al gage. Las ventajas de las tcnicas ANOVA, comparadas con los mtodos de promedios y rangos, son que: Son capaces de manejar cualquier ajuste experimental Pueden estimar las varianzas en forma ms exacta Extractan ms informacin (tal como el efecto de la interaccin de las partes y los evaluadores) de datos experimentales
Las desventajas son que los clculos numricos son ms complejos y los usuarios requieren un cierto grado de conocimiento estadstico para interpretar los resultados. El mtodo ANOVA como se describe en las siguientes secciones es aconsejable, especialmente si existe disponible una computadora. El mtodo para recolectar los daros es importante en un mtodo ANOVA. Si los datos no son recolectados en forma aleatoria, esto puede conducir a fuentes de valores de sesgo. Una forma simple para asegurar un diseo balanceado para (n) partes, (k) evaluadores y (r) intentos es a travs de la aleatoriedad. Un enfoque comn para aleatoriedad es escribir A1 en una tira de papel para denotar las mediciones del primer evaluador sobre la primera parte.
Aleatoriedad e Independencia Estadstica
53
Ndc es lo mismo que Razn / Proporcin de Clasificacin de Wheeler, definida en la 1. Edicin de Evaluacin de los Procesos de Medicin, Wheeler and Lidia, 1984. Para un mtodo alternativo (Razn de Discriminacin) para determinar la resolucin efectiva ver la segunda edicin de este libro publicada en 1989.
117
Hacer esto hasta A(n) para las mediciones del primer evaluador en las n partes. Sigue el mismo procedimiento para el siguiente evaluador hasta incluir los k evaluadores. Smbolos similares son usados donde B1, C1 denotan las mediciones para los evaluadores A y B de la primera parte. Una vez que todas las combinaciones nk son escritas, entonces las tiras de papel son puestas en un recipiente. Una tira de papel es seleccionada a la vez. Estas combinaciones (A1, B2, ...) son el orden de medicin en el cual el estudio de gages ser ejecutado. Una vez que todas las combinaciones nk son seleccionadas, estas son puestas de regreso en el recipiente y el procedimiento se sigue otra vez. Esto se hace para un total de r veces para determinar el orden de experimentos para cada repeticin. Existen enfoques alternativos para generar una muestra aleatoria. Debiera ponerse cuidado para diferenciar entre el muestreo aleatorio, arbitrario y conveniente.54 En general todos los esfuerzos necesitan tomarse para asegurar independencia estadstica dentro del estudio.

Los datos pueden recolectarse de una forma aleatoria usando una forma similar a la figura 12. Para nuestro ejemplo, existen 10 partes y 3 evaluadores, y el experimento ha sido ejecutado en forma aleatoria y tres veces por cada combinacin parte y evaluador.
Anlisis Grfico
Cualquier mtodo grfico ofrecido en la discusin de anlisis grfico anterior puede ser usado en el anlisis grfico mismo de los datos recolectados, como parte de un estudio ANOVA. Estos mtodos pueden ser usados para confirmar y ofrecer algn detalle adicional de los datos mismos (ej., tendencias, ciclo, etc.) Un mtodo grfico que se sugiere es el llamado grfico de interaccin. Este grfico confirma los resultados de la prueba F de si la interaccin es o no significativa. En esta grfica de interaccin particular, el promedio de las mediciones por evaluador por parte vs por nmero de parte (1, 2, ... etc.) son graficados en la figura 26. Los puntos para el promedio de las mediciones de cada evaluador por parte son conectados a las lneas (nmero de evaluadores) k del formato. La forma de interpretar la grfica es que si las lneas k son paralelas no existe interaccin. Cuando las lneas son no paralelas, la interaccin puede ser significativa. Mientras ms grande es el ngulo de interseccin, ms grande es la interaccin. Debieran tomarse medidas apropiadas para eliminar causas de la interaccin. En el ejemplo en la figura 26, las lneas son cercanamente paralelas, indicando que no existe una interaccin significativa.
54
Ver Wheeler y Lyday, Evaluacin del Proceso de Medicin, 2. Edicin, 1989, pag. 27
118
Figura 26: Grfica de Interaccin

Otra grfica que algunas veces es de inters es la grfica de residuos. Esta grfica no es ms que un chequeo para la validez de los supuestos. Uno de los supuestos es que el (error del) gage es una variable aleatoria de una distribucin normal. Los residuos, los cuales son las diferencias entre las lecturas observadas y los valores pronosticados, son graficados. El valor pronosticado es el promedio de las lecturas repetidas por cada evaluador y para cada parte. Si los residuos no son dispersos aleatoriamente arriba y abajo de cero (lnea horizontal de referencia), pudiera ser porque los supuestos son incorrectos y lo cual sugiere una investigacin adicional de los datos.
Valores ... Valores vs Residual (Valores de Respuesta)

(Es r...
0.5 Residual
0.0
-0.5
Operador -2 Subgrupo
-1
0
Valores Valor ...
Figura 27: Grfica Residuales Figurade 27:

119
Clculos Numricos
Aunque los valores pueden calcularse manualmente, la mayora de la gente usa programas de computadora para generar lo que se llama tabla de Anlisis de Varianzas (ANOVA) (ver apndice A). La tabla ANOVA aqu se compone de 5 columnas (ver tabla 8). La columna de Fuentes es la causa de la variacin. La columna de DF que son los grados de libertad asociados con la fuente. La columna de SS o suma de cuadrados es la desviacin alrededor del promedio de la fuente. La columna de MS o promedios al cuadrado es la suma de los cuadrados dividido por los grados de libertad. La columna de la razn o proporcin F, calculada para determinar la significancia estadstica del valor de la fuente.
La tabla de ANOVA es usada para seccionar la variacin total en cuatro componentes: partes, evaluadores, interaccin de los evaluadores y las partes y repetibilidad debida al instrumento. Para propsitos de anlisis, los componentes de varianzas negativas se fijan en cero. Esta informacin es usada para determinar las caractersticas del sistema de medicin como en el Mtodo de Promedios y Rangos. La tabla 8 muestra los clculos de ANOVA para los datos del ejemplo de la figura 24 asumiendo un modelo de efectos arreglados. La tabla 10 muestra la comparacin del mtodo ANOVA con el mtodo de promedios y rangos. La tabla 11 muestra el reporte RRG para el mtodo de ANOVA.
Fuente Evaluadores Partes Evaluador por Parte Equipo Total
DF 2 9 18 60 89
SS 3.1673 88.3619 0.3590 2.7589 94.6471 *Nivel de Significancia de =0.05 Tabla 8: Tabla ANOVA
MS 1.58363 9.81799 0.01994 0.04598
F 34.44* 213.52 0.434
120
Estimativo de la Varianza 2 = 0.039973 (Repetibilidad) 2 = 0.051455 (Evaluador) 2 =0 (Interaccin) Sistema = 0.09143 2 + 2 +2
Desviacin Estndar ( )
EV = 0.199933 AV = 0.226838 INT = 0 RRG = 0.302373 PV = 1.042327 TV =1.085
% Variacin Total
18.4 20.9 0 27.9 96.0 100
% Contribucin
3.4 4.4 0 7.8 92.2
2 = 1.086446
Variacin Total (Partes)
Tabla 9: % de Variacin y Contribucin del Anlisis de ANOVA (El estimativo de la varianza se basa en el modelo sin interacciones)
ndc = 1.41 1.04233
0.30237
) = 4.861 4
Variacin Total (VT ) = RRG 2 + PV 2
(componentes ) % de la Variacin Total = 100 (total )

2 (componentes ) % de la Contribucin (con la Varianza Total) = 100 2 (total )
121
Mtodo
RRG* EV AV INTERACCIN RRG PV
LC55 Inferior 90%

0.175 0.133 -0.266
Desviacin Estndar 0.202 0.230 NA 0.306 1.104
LC Superior 90% 0.240 1.016 -0.363
% de la Variacin Total 17.06 20.1 NA 26.7 96.4
ANOVA 0.177 0.200 0.231 EV 0.129 0.227 1.001 AV INTERACCIN -0 -RRG 0.237 0.302 1.033 1.042 PV * En el mtodo de promedios y rangos, el componente de interaccin no puede estimarse. Tabla 10: Comparacin de los Mtodos ANOVA y Promedios y Rangos
18.4 20.9 0 27.9 96.0
Nombre y No. de la Parte: Caracterstica: Especificaciones:
Nombre del Gage: No. de Gage: Tipo de Gage:
Fecha: Hecho por:
% de la Variacin Porcentaje de Total Contribucin Repetibilidad (EV) 0.200 18.4 3.4 Reproducibilidad (AV) 0.227 20.9 4.4 Evaluador por Parte (INT) 0 0 0 RRG 0.302 27.9 7.9 Parte a - Parte (PV) 1.042 96.0 92.2 El sistema de medicin es aceptable para Anlisis y Control del Proceso Desviacin Estndar
Nota: Tolerancia = N.A. Nmero de categoras distintas de datos (ndc) = 4 Variacin Total (TV) = 1.085
Tabla 11: Reporte de mtodo ANOVA RRG
55
CL = Lmite de Confiabilidad
122
Anlisis de Estudios RRG

Los mtodos de promedios y rangos y ANOVA ofrecen informacin relativa a las causas de la variacin de un sistema de medicin o gages. Por ejemplo, si la repetibilidad es grande comparada con la reproducibilidad, las razones pueden ser: El instrumento necesita mantenimiento. El gage puede requerir ser rediseado para ser ms rgido. La sujecin o localizacin del gage necesita mejorarse. Existe una variacin dentro de la parte excesiva.
Si la reproducibilidad es grande comparada con la repetibilidad, entonces las posibles causas podran ser: El evaluador necesita ser mejor entrenado en como usar y leer el instrumento del gage. Las calibraciones del gage no son claras.
El dispositivo de algn tipo puede requerir el ayudar al evaluador a usar el gage ms consistentemente.
123
124
Captulo III Seccin C Estudio de Sistemas de Medicin de Atributos
Captulo III Seccin C

Estudio de Sistemas de Medicin de Atributos
LSL USL
II
III
Tarjeta
II
Introduccin
Los sistemas de medicin de atributos son los tipos de sistemas de medicin donde los valores de mediciones mismas son una de un nmero finito de categoras. Esto es en contraste con los sistemas de medicin de variables los cuales pueden resultar en un infinito de valores. Los ms comunes de stos son el gage pasa/no pasa el cual cuenta solo con dos posibles resultados. Otros sistemas de atributos, por ejemplo los estndares visuales, pueden resultar en 5 a 7 categoras distintas tales como, muy bueno, bueno, aceptable, pobre y muy pobre. Los anlisis descritos en los captulos posteriores no pueden usarse para evaluar tales sistemas. Como se discuti en el Captulo I, Seccin G, existe un riesgo cuantificable cuando se estn usando sistemas de medicin en la toma de decisiones. Dado que el riesgo mayor est en los lmites de la categora, el anlisis ms apropiado sera la cuantificacin de la variacin del sistema de medicin con la curva de desempeo de un gage.
MTODOS DE ANLISIS DE RIESGOS

En algunas situaciones de atributos no es factible obtener suficientes partes con valores de referencia variables. En tales casos, los riesgos en tomar decisiones equivocadas o inconsistentes56 pueden evaluarse usando:57 Anlisis de Pruebas de Hiptesis Teora de Deteccin de Seales
Dado que estos mtodos no cuantifican la variabilidad de los sistemas de medicin, solo debieran usarse bajo consentimiento del cliente. La seleccin y uso de tales tcnicas debiera basarse en buenas prcticas estadsticas, un entendimiento de las fuentes de variacin potenciales que afecten el producto y los procesos de medicin, y el efecto de una decisin incorrecta en los procesos restantes y el cliente final. Las fuentes de variacin de los sistemas de atributos debieran minimizarse usando los resultados de investigaciones sobre factores humanos y ergonoma.
Posibles Enfoques
Escenario
El proceso de produccin est en control estadstico y cuenta con ndices de desempeo de Pp = Ppk = 0.5 el cual es inaceptable. Debido a que el proceso est fabricando producto no conforme, se requieren acciones de contencin para sacrificar las partes no aceptables del flujo de produccin.
56 57
Esto incluye la comparacin de evaluadores mltiples. Ver Lista de Referencias.
125
Captulo IIl Seccin C Estudio de Sistemas de Medicin de Atributos
LSL
USL
0.40 0.50 0.60 Figura 28: Proceso Ejemplo
Para actividades de contencin, el equipo de procesos selecciona un gage de atributos que compare cada parte con un conjunto de lmites especficos y acepte la parte si los lmites se satisfacen; de lo contrario rechaza la parte (conocido como gage pasa / no pasa). La mayora de los gages de este tipo son ajustados para aceptar y rechazar en base a un conjunto de partes master. A diferencia de un gage de variables, este gage de atributos no puede indicar que tan bien o mal est una parte, si no solo que la parte se acepta o se rechaza (ej., 2 categoras).
Figura 29: Las reas Asociadas con el Sistema de Medicin

El gage especfico que el equipo est usando cuenta con un %RRG = 25% de la tolerancia.58 Dado que esto todava no se ha documentado por el equipo, necesita ser estudiado el sistema de medicin. El equipo ha decidido tomar una muestra aleatoria de 50 partes del proceso a fin de obtener partes a lo largo del rango del proceso mismo. Se utilizan tres evaluadores, y cada evaluador toma tres decisiones sobre cada parte.
58
Dado que la variacin del proceso es mayor que la tolerancia, es apropiado comparar el sistema de medicin con la tolerancia ms que con la variacin del proceso.
126

Parte A -1 A -2 A -3 B -1 B -2 B -3 C -1 C -2 C -3 Referencia Valor de Referencia Cdigo
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 31 32 33 34 35 36 37 38 39 40 41 42 43 44 45 46 47 48 49 50
1 1 0 0 0 1 1 1 0 1 1 0 1 1 1 1 1 1 1 1 1 0 1 1 0 0 1 1 1 0 1 1 1 0 1 1 0 1 0 1 1 0 1 1 0 1 1 0 1 0
1 1 0 0 0 1 1 1 0 1 1 0 1 1 1 1 1 1 1 1 1 0 1 1 0 1 1 1 1 0 1 1 1 0 1 1 0 1 0 1 1 0 0 1 0 1 1 0 1 0
1 1 0 0 0 0 1 1 0 1 1 0 1 0 1 1 1 1 1 1 0 1 1 1 0 0 1 1 1 0 1 1 1 1 1 0 0 1 0 1 1 0 1 1 0 1 1 0 1 0
1 1 1 1 1 1 1 1 1 1 1 1 1 1 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 1 1 0 1 0 0 1 1 1 1 1 0 1 1 1 1 1 1 1 1 1 0 0 0 0 0 0 0 1 1 1 1 1 1 1 1 1 1 1 1 1 1 0 0 0 0 1 0 0 1 1 1 1 1 1 1 1 1 1 1 0 0 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 0 1 0 1 0 1 0 1 0 1 1 0 0 1 1 1 1 1 1 1 1 1 1 1 1 1 1 0 0 0 0 0 0 0 0 0 0 0 0 1 0 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 0 0 1 0 0 0 0 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 0 0 1 0 1 1 0 1 1 1 1 1 1 1 1 1 1 1 0 1 1 0 0 0 0 0 0 0 1 1 1 1 1 1 1 0 0 0 0 0 0 0 1 1 1 1 1 1 1 1 1 1 1 1 1 1 0 0 0 0 0 0 0 1 1 1 1 1 0 1 1 1 1 1 1 1 1 0 0 0 0 0 0 0 1 1 1 1 1 1 1 1 1 1 1 1 1 1 0 0 0 0 0 0 0 1 1 1 1 1 1 1 0 0 0 0 0 0 0 Tabla 12: Conjunto de Datos para un Estudio de Atributos
0.476901 0.509015 0.576459 0.566152 0.570360 0.544951 0.465454 0.502295 0.437817 0.515573 0.488905 0.559918 0.542704 0.454518 0.517377 0.531939 0.519694 0.484167 0.520496 0.477236 0.452310 0.545604 0.529065 0.514192 0.599581 0.547204 0.502436 0.521642 0.523754 0.561457 0.503091 0.505850 0.487613 0.449696 0.498698 0.543077 0.409238 0.488184 0.427687 0.501132 0.513779 0.566575 0.462410 0.470832 0.412453 0.493441 0.486379 0.587893 0.483803 0.446697
+ + x x + + + x + x + + + + + + x x + + x + + + x + + + x + x + + + x + + + + -
127
Una decisin aceptable es designada con un uno (1) y una decisin no aceptable con un cero (0). La decisin de referencia y los valores de referencia de la variable en la tabla 12 no fueron determinados inicialmente. La tabla tambin indica en la columna de codificado si la parte es rea I, rea II rea III y es indicada por -, x y + respectivamente.
Anlisis de Pruebas de Hiptesis Mtodo Tabular Cruzado

Dado que el equipo no conoca las decisiones de referencia para las partes, desarrollaron tablas cruzadas comparando cada uno de los evaluadores con otro.
0.00 1.00
Total
Tabulacin Cruzada A * B B 0.00 1.00 Cuenta 44 6 Cuenta Esperada 15.7 34.3 Cuenta 3 97 Cuenta Esperada 31.3 68.7 Cuenta 47 103 Cuenta Esperada 47.0 103.0 Tabulacin Cruzada B * C C 0.00 1.00 Cuenta 42 5 Cuenta Esperada 16.0 31.0 Cuenta 9 94 Cuenta Esperada 35.0 68.0 Cuenta 51 99 Cuenta Esperada 51.0 99.0 Tabulacin Cruzada A * C C 0.00 1.00 Cuenta 43 7 Cuenta Esperada 17.0 33.0 Cuenta 8 92 Cuenta Esperada 34.0 66.0 Cuenta 51 99 Cuenta Esperada 51.0 99.00
Total 50 50.0 100 100.0 150 150.0
Total 47 47.0 103 103.0 150 150.0
0.00 1.00
Total
Total 50 50.0 100 100.0 150 150.0
0.00 1.00
Total
128
El propsito de estas tablas es determinar el alcance de acuerdo entre loes evaluadores. Para determinar el nivel de este acuerdo, el equipo utiliza el kappa (de Cohen) el cual mide el acuerdo entre las evaluaciones de dos estimadores cuando estn evaluando el mismo objeto. Un valor de 1 indica que el acuerdo es perfecto. Un valor de 0 indica que el acuerdo no es mejor que una mera probabilidad. El kappa solo est disponible en las cuales ambas variables usen los mismos valores de las categoras y cuenten con el mismo nmero de categoras mismas. Kappa es una medida de acuerdo entre estimadores que prueba si las cuentas en las celdas diagonales (las partes que reciben la misma estimacin) difieren de aquellas esperadas solo por probabilidad. Hacer po= la suma de las proporciones observadas en las celdas diagonales. pe= la suma de la proporcin esperada en las celdas diagonales. Entonces
Kappa =
po pe 1 pe
Kappa es una medida ms que una prueba59. La medida es juzgada usando un error estndar asinttico para construir el estadstico t. Una regla emprica general es que los valores de kappa mayores que 0.75 indican u n acuerdo bueno a excelente (con un mximo de kappa = 1). Valores menores que 0.4 indican un acuerdo pobre.
Kappa no toma en cuenta el tamao del desacuerdo entre los estimadores, solo si ellos acuerdan o no. 60
Calculando las medidas de kappa para los evaluadores, el equipo concluye con lo siguiente:
Kappa A B C
A -0.86 0.78
B 0.86 -0.79
C 0.78 0.79 --
Este anlisis indica que todos los evaluadores muestran un buen acuerdo uno con otro. Este anlisis es necesario para determinar si existen diferencias entre los evaluadores aunque no nos dice que tan bien el sistema de medicin clasifica partes buenas de las malas.
59 60
Como en todas las evaluaciones por categoras, un nmero grande de partes que cubran el espectro completo de posibilidades es necesario. Cuando las observaciones son medidas en una escala ordinaria y por categoras un Kappa ponderado puede usarse para un mejor acuerdo de medicin. El acuerdo entre dos estimadores es tratado como Kappa aunque los desacuerdos son medidos por el nmero de categoras con los cuales los estimadores difieren.
129
Para este anlisis el equipo cuenta con las partes evaluadas usando u sistema de medicin de variables y usa los resultados para determinar la decisin de referencia. Con esta nueva informacin otro grupo de tablas cruzadas es desarrollado comparando cada evaluador con la decisin de referencia.
0.00 1.00
Total
Tabulacin Cruzada de A * REF REF 0.00 1.00 Cuenta 45 5 Cuenta Esperada 16.0 34.0 Cuenta 3 97 Cuenta Esperada 32.0 68.0 Cuenta 48 102 Cuenta Esperada 48.0 102.0 Tabulacin Cruzada B * REF REF 0.00 1.00 Cuenta 45 2 Cuenta Esperada 15.0 32.0 Cuenta 3 100 Cuenta Esperada 33.0 70.0 Cuenta 48 102 Cuenta Esperada 48.0 102.0 Tabulacin Cruzada C * Ref B 0.00 1.00 Cuenta 42 9 Cuenta Esperada 16.3 34.7 Cuenta 6 93 Cuenta Esperada 31.7 67.3 Cuenta 48 102 Cuenta Esperada 48.0 102.0
Total 50 50.0 100 100.0 150 150.0
Total 47 47.0 103 103.0 150 150.0
0.00 1.00
Total
Total 51 51.0 99 99.0 150 150.0
0.00 1.00
Total
130
El equipo tambin calcula la medida kappa para determinar el acuerdo de cada evaluador con el valor de referencia.
Kappa
A 0.88
B 0.92
C 0.77
Estos valores pueden interpretarse como que cada uno de los evaluadores tiene un buen acuerdo con el estndar. El equipo de proceso calcula entonces la efectividad del sistema de medicin.
Efectividad =
No.DecisionesCorrectas TotaldeOpertunidadesporDecision
% del Score vs Atributo2 Ev. A Ev. B Ev. C 50 50 50
42 0 0 8 93% 84% 71% 45 0 0 5 97% 90% 78% 40 0 0 10 90% 80% 66%
Fuente Ev. A Total 50 Inspeccionado # Iguales 42 45 Negativos Falsos (Evaluador Sesgado hacia el Rechazo) Positivos Falsos (Evaluador Sesgado hacia la Aceptacin) Mezclado 95% del UCI 93% 97% Score 84% 90% Calculado 95% del LCI 71% 78%
% del Evaluador1 Ev. B 50
Ev. C 50 40
90% 80% 66%
Score del % Efectivo del Sistema3

Total Inspeccionado # en Acuerdo 95% del UCI Score Calculado 95% del LCI Notas
50 39 89% 78% 64%
Score del % Efectivo del Sistema vs Referencia4 50 39 89% 78% 64%
(1) El evaluador acuerda con el mismo en todos los intentos. (2) El evaluador acuerda en todos los intentos con el estndar conocido. (3) Todos los evaluadores acuerdan dentro y entre ellos mismos. (4) Todos los evaluadores acuerdan dentro y entre ellos mismos y con la referencia. (5) UCI y LCI son los lmites de intervalos de confianza superior e inferior, respectivamente.
Las pruebas mltiples de hiptesis entre cada par de evaluadores puede conducirse con la hiptesis nula:
Ho: La efectividad de ambos evaluadores es la misma.
131
Dado que el score calculado de cada evaluador cae dentro del intervalo de confiabilidad de los otros, el equipo concluye que no pueden rechazar la hiptesis nula. Esto refuerza las conclusiones de las medidas de Kappa. Para anlisis adicionales, uno de los miembros del equipo obtiene la siguiente tabla la cual ofrece lineamientos para los resultados de cada evaluador.
Decisin Sistema de Medicin Aceptable para el evaluador Marginalmente aceptable para el evaluador puede requerirse mejoramiento No aceptable para el evaluador requiere mejoramiento
Efectividad
90% 80%
Proporcin Perdida
2%
Proporcin de Falsa Alarma

5% 10%
5%
< 80%
> 5%
> 10%
Resumiendo toda la informacin que ya se tiene, el equipo concluye con esta tabla.
Efectividad
A B C 84% 90% 80%
Proporcin Perdida 6.3% 6.3% 12.5%
Proporcin de Falsa Alarma 4.9% 2.0% 8.8%
Estos resultados muestran que el sistema de medicin tena diferentes niveles de desempeo en Efectividad, Proporcin Perdida y Proporcin de Falsa Alarma, dependiendo del evaluador. Ningn evaluador contaba con resultados aceptables en todas las tres categoras. Ningn evaluador contaba con resultados inaceptables en todas las tres categoras. Los lineamientos de aceptacin necesitaban ser modificados para ste proceso? Son stos riesgos aceptables? Los evaluadores requeran un mejor entrenamiento? Podra ser mejorado el ambiente de las mediciones? y mas importante Qu pensaba el cliente acerca del sistema de medicin y estos resultados? - Cules eran sus expectativas? Los clientes aceptan stos niveles de riesgos?.
Aspectos a Considerar
1) No existen criterios de decisin basados en la teora para un riesgo aceptable. Los lineamientos anteriores son heursticos y desarrollados en base a creencias individuales acerca de lo que pasa como aceptable. Los criterios de decisin finales debieran basarse en el impacto (ej., riesgo) de mantener el proceso y el cliente final. Este es un tema de decisiones y no estadstico.
132
2)
El anlisis anterior depende de los datos. Por ejemplo, si los ndices del proceso son Pp = Ppk = 1.33, entonces todas las decisiones seran correctas dado que ninguna parte caera en la regin II (las reas grises) del sistema de medicin.
Figura 30: Proceso de Ejemplo con Pp = Ppk = 1.33

Con esta nueva situacin, se concluira que todos los evaluadores son aceptables dado que no habra errores de medicin. 3) Generalmente existe un concepto equivocado de lo que realmente los resultados de tablas cruzadas significan. Por ejemplo, los resultados del evaluador B son:
0.00 1.00
Total
Tablas Cruzadas B* REF REF 0.00 1.00 Cuenta 45 2 % dentro de Ref. 93.8% 2.0% Cuenta 3 100 % dentro de Ref. 6.3% 98.0% Cuenta 48 102 % dentro de Ref. 100.0% 100.0%
Total 47 31.3% 103 68.7% 150 100.0%
Dado que el propsito de la inspeccin es encontrar todas las partes no conformes, la mayora de la gente ve la esquina superior izquierda como una medida de la efectividad de encontrar partes malas. Este % es la probabilidad de decir que una parte es mala dado que es mala:
Pr (llamar la parte mala una parte mala)

Asumiendo que el proceso es mejorado a un Pp = Ppk = 1.00, la probabilidad de inters hacia el fabricante es:
Pr (la parte es mala es llamada mala)

Para determinar sto de los datos anteriores, debe usarse el teorema de Bayes.
133
Pr (l lamadomalo malo ) * Pr (malo ) Pr (llamdomalo malo ) * Pr (malo ) + Pr (llamdomalo bueno) * Pr (bueno) .938 * (.0027 ) Pr (malo llamadomalo ) = .938 * (.0027 ) + .020 * (.9973) Pr (malo llamadomalo ) = .11 Pr (malo llamadomalo ) =
Estos resultados indican que si la parte es llamada mala existe una probabilidad de 1 en 10 de que sea verdaderamente mala. 4) El anlisis no utiliza informacin de datos de variables ni informacin relativa de orden la cual estuvo disponible cuando los valores de referencia de decisiones se determinaron.
Enfoque de Deteccin de Seales

Valor de Referencia Cdigo Valor de Referencia Cdigo + 0.503091 0.599581 + 0.502436 0.587893 + 0.502295 0.576459 + 0.501132 0.570360 + 0.498698 0.566575 + 0.493441 0.566152 + 0.488905 x 0.561457 + 0.488184 x 0.559918 + 0.487613 x 0.547204 + 0.486379 x 0.545604 + 0.484167 x 0.544951 + 0.483803 x 0.543077 + 0.477236 + 0.542704 + 0.476901 + 0.531939 + 0.470832 + 0.529065 x 0.465454 + 0.523754 x 0.462410 + 0.521642 x 0.454518 + 0.520496 x 0.452310 + 0.519694 x 0.449696 + 0.517377 0.446697 + 0515573 0.437817 + 0.514192 0.427687 + 0.513779 0.412453 + 0.509015 0.409238 + 0.505850
Un enfoque alternativo es el uso de la teora de deteccin de seales para determinar una aproximacin de la amplitud del rea de la regin II, y de esto, el RRG del sistema de medicin. Hacer di = la distancia entre la ltima parte aceptada por los evaluadores y la primera parte rechazada por todos (para cada especificacin).
Entonces, d= Promedio (di)

Es un estimativo61 de la amplitud de las reas de la regin II y, por tanto, un estimativo de RRG = 5.15 * RRG En este ejemplo,
dLSL = 0.470832 0.446697 = 0.024135 dUSL = 0.566152 0.542704 = 0.023448 d = 0.0237915

O el %RRG estimado es,
%RRG = 29%
El %RRG actual = 25%, de manera que este estimativo conducira a la misma evaluacin del sistema de medicin. Si solo informacin de datos ordenados estuviera disponible, esta tcnica puede an ser usada aunque requiere conocimientos del tema para cuantificar las ds.
61
La bondad de este estimativo depende del tamao de muestra y que tan cerca la muestra representa al proceso. Mientras ms grande es la muestra, es mejor el estimativo.
134
METODO ANALITICO62
Como en cualquier sistema de medicin, la estabilidad del proceso debiera verificarse y, si es necesario, monitorearse. Para sistemas de medicin de atributos, las grficas de control de atributos con muestras constantes en el tiempo es una forma comn de verificar la estabilidad.63 Para un sistema de medicin de atributos, el concepto de la Curva de Desempeo de un Gage (ver captulo V, seccin C) es usado para desarrollar un estudio de un sistema de medicin, el cual se use para evaluar la cantidad de repetibilidad y sesgo del sistema de medicin en cuestin. Este anlisis puede usarse en sistemas de medicin de 1 y 2 lmites. Para un sistema de medicin de dos lmites, solo un lmite necesita ser examinado con los supuestos de linealidad y error de uniformidad. Por conveniencia, el lmite inferior es usado para discusin. En general, el estudio de los sistemas de medicin de atributos consiste en la obtencin de valores referencia para varias partes seleccionadas. Estas partes son evaluadas un cierto nmero de veces, (m), con el nmero total de aceptadas (a), para cada parte registrada. De los resultados, puede evaluarse la repetibilidad y el sesgo. La primera etapa de un estudio de atributos es la seleccin de las partes. Es esencial que el valor de referencia sea conocido para cada parte usada en el estudio. Debieran seleccionarse 8 partes en intervalos equidistantes y lo ms cerca y prctico posibles. Los valores mximo y mnimo debieran representar el rango del proceso. Aunque esta seleccin no afecta la confiabilidad en los resultados, si afecta el nmero total de partes necesarias para completar el estudio del gage. Las 8 partes deben correrse a travs del gage, m = 20 veces y registrarse el nmero de aceptadas, (a). Para el estudio total, la parte ms pequea debe contar con el valor a = 0; la parte ms grande, a = 20; y las otras 6 partes, 1< a < 19. Si estos criterios no son satisfechos, ms partes con valores de referencia conocidos, (X) deben correrse a travs del gage hasta que las condiciones anteriores se cumplan. Si para el valor ms pequeo a 0, entonces mas y mas partes pequeas son tomadas y evaluadas hasta que a = 0. Si para el valor ms grande a 20, entonces ms y ms partes grandes son tomadas hasta que a = 20. Si 6 de las partes no cuentan con 1< a < 19, pueden tomarse partes adicionales en puntos seleccionados a lo largo del rango. Estos puntos son tomados como puntos medios de las mediciones de las partes ya medidas en el estudio. El primer intervalo con el final a = 0 empieza desde la ms grande medicin donde a = 0. Para el final con a = 20, el primer intervalo comienza en la medicin ms pequea donde a = 20. Para mejores resultados, debieran tomarse muestras para finales con a = 0 y a = 20 y trabajarse hacia el punto medio del rango de la parte. Si es necesario, el
62 63
Adaptada con el permiso de Anlisis de Sistemas de Gages por Atributos por J. McCaslin & G.Gruska, ASQC, 1976. Caveat: np > 4
135
procedimiento puede repetirse hasta que se cumplan los criterios. Una vez que los criterios de recoleccin de datos han sido satisfechos, las probabilidades de aceptacin deben calcularse para cada parte usando las siguientes ecuaciones:
Pa
a + 0.5 m a 0.5 m
0.5
if
a < 0.5, m a if > 0.5, m a if = 0.5 m
a0 a 20
Los ajustes cubren los casos donde 1 a 19 . Para los casos donde a = 0 fijar P'a =0 excepto para el valor de referencia ms grande con a = 0, en el cual P'a =0.025. Para los casos donde a = 20 entonces P'a =1 excepto para el valor de referencia ms pequeo con a = 20 y en el cual P'a =0.975. Una vez que el P'a ha sido calculado para cada XT, la Curva de Desempeo del Gage (CDG) puede desarrollarse. Aunque la CDG puede presentarse grficamente (ver figura 32), el uso del papel de distribucin normal (ver figura 31) produce estimativos ms exactos de la repetibilidad y el sesgo. Las probabilidades calculadas son graficadas en papel de probabilidad normal y una lnea de mejor ajuste es trazada a travs de estos puntos. El sesgo es igual al lmite inferior menos la medicin del valor referencia que corresponda a P'a =0.5,
o Sesgo = Lmite Inferior de Especificacin - XT(en Pa = 0.5)

La repetibilidad es determinada encontrando las diferencias de las mediciones del valor referencia correspondientes a P'a=0.995 P'a=0.005 y dividiendo por un factor de ajuste de 1.08.64
Re petibilidad =
XT (a P' a = 0.995) XT (a P ' a = 0.005) 1.08
Para determinar si el sesgo es significativamente diferente de cero, el siguiente estadstico es usado:
t=
31.3 Sesgo Re petibilidad
63
El factor de ajuste de 1.08 es especfico para un tamao de muestra de 20 y fue determinado a travs de una simulacin de ste enfoque.
136
Si este valor calculado es mayor que 2.093 (t025,19), entonces el sesgo es significativamente diferente de cero. Un ejemplo clarificar la recoleccin de datos de un estudio de atributos y clculo de la repetibilidad y sesgo.
Ejemplo
Un gage de atributos est siendo usado para medir una dimensin que tiene una tolerancia de + 0.010. El gage es un dispositivo de inspeccin al 100% automtico y de final de lnea que es afectado por la repetibilidad y sesgo. Para ejecutar el estudio de atributos, se corren 8 partes con valores de referencia en intervalos de 0.002 desde 0.016 hasta 0.002, a travs del gage 20 veces cada parte. El nmero de aceptados para cada parte es
XT -0.016 -0.014 -0.012 -0.010 -0.008 -0.006 -0.004 -0.002
a 0 3 8 20 20 20 20 20
Dado que existen dos valores de referencia con 1 a 19 , al menos cuatro partes ms deben ser encontradas. Entonces, es necesario correr partes con valores de referencia en los puntos medios de los valores existentes. Estos valores de referencia y el nmero de aceptados es:
-0.015 -0.013 -0.011
1 5 16
Ahora existen 5 valores de referencia con 1 a 19 . El procedimiento requiere que una parte ms se encuentre con 1 a 19 . Entonces, la siguiente parte es evaluada.
-0.0105
18
Ahora que los criterios de recoleccin de datos se han satisfecho, las probabilidades de aceptacin pueden calcularse usando los ajustes binomiales mostrados abajo.
XT -0.016 -0.015 -0.014 -0.013 -0.012 -0.011 -0.0105 -0.010 -0.008
a 0 1 3 5 8 16 18 20 20
137
Pa 0.025 0.075 0.175 0.275 0.425 0.775 0.875 0.975 1.000
Estas probabilidades son graficadas en un papel de probabilidad normal como se muestra en la figura 31. Graficando una lnea de mejor ajuste a travs de estos puntos, pueden determinarse el sesgo y la repetibilidad. El sesgo es igual al lmite inferior menos la medicin del valor referencia que corresponda a P'a=0.5. De la figura 31:
Sesgo = -0.010-(0.0123) = 0.0023

La repetibilidad se determina encontrando las diferencias de las mediciones del valor referencia correspondientes a P'a=0.995 y P'a=0.005 y dividiendo por 1.08. De la figura 31:
R=
0.0084(0.0163) 1.08 0.0079 = = 0.0073 1.08
Para determinar si el sesgo es significativamente diferente de cero, calcular:
t= =
31.3 Sesgo
R 31.3 0.0023
0.0073
= 9.86
Dado que t0.025,19=2.093, el sesgo es significativamente diferente de cero. Como en la Curva de Desempeo de un Gage para variables mostrada en el Captulo V, Seccin C, la CDG de atributos puede tambin ser graficada en papel de escala normal (ver figura 32). Esto puede lograrse en una de dos formas. Un enfoque sera correr el estudio de la muestra en otro lmite de la especificacin. En el ejemplo, el mtodo largo para el estudio de atributos tambin tendra que conducirse en el lmite ms alto de la especificacin y calcularse los valores graficados. Sin embargo y debido a los supuestos mencionados previamente, no sera necesario correr el estudio otra vez. Dado que la forma de la curva en el lmite superior debiera ser una imagen de espejo de la curva misma en el lmite inferior, la nica consideracin necesaria es la localizacin de la curva con respecto a los valores XT. Esta localizacin se determina por el sesgo. La posicin correcta de la curva sera definida en el punto donde la P'a = 0.5, y el valor de XT es igual al lmite de la especificacin menos el sesgo. En el ejemplo, este punto sera XT= 0.010 - 0.0023 = 0.0077. La CDG graficada en esta forma se muestra en la figura 31.
138
99.8 99.5 99.0
Repetibilidad = 0.0079 Desajustada
0.2 0.5 1.0
98.0 95.0
2.0
5.0
90.0
10.0
80.0 70.0 60.0 50.0 40.0 30.0 20.0

20.0
30.0
40.0
50.0 60.0 70.0 80.0
10.0
90.0
5.0 2.0 1.0 0.5

95.0
98.0
99.0 99.5
0.2
99.8
-0.016
-0.014
-0.012
-0.01
Sesgo = -0.010 - (-0.0123) = 0.0023

Figura 31: Curva de Desempeo de Gage de Atributos Graficada en Papel de Probabilidad Normal
139
Limite Inferior
Limite Superior
1.0 0.9
Probabilidad de Aceptacin
0.8 0.7 0.6 0.5 0.4 0.3 0.2 0.1 0.0

-0.020 -0.015 -0.010 -0.005 0.0 0.005 0.010 0.015 0.020
Valor de Referencia de las Partes Medidas

Sesgo = 0.0023 RRG = 0.0079
Figura 32: Curva de Desempeo de Gages de Atributos
140
Captulo IV Prcticas para Sistemas de Medicin Complejos
Captulo IV PRACTICAS PARA SISTEMAS DE MEDICIN COMPLEJOS
141
Captulo IV Seccin A Prcticas para Sistemas de Medicin Complejos
142
Captulo IV Seccin A Prcticas para Sistemas de Medicin Complejos y Sin Replicas
Captulo IV Seccin A
Prcticas para Sistemas de Medicin Complejos y Sin Replicas
Introduccin
El enfoque de este manual de referencia es sistemas de medicin donde las lecturas puedan replicarse para cada parte. No todos los sistemas de medicin tienen esta caracterstica; por ejemplo: Sistemas de mediciones destructivas Sistemas donde la parte cambia en el uso / prueba; ej., pruebas de dinammetro en motores o transmisiones
Lo siguiente son ejemplos de enfoques para anlisis de sistemas de medicin, incluyendo aquellos no discutidos previamente en este manual. No se pretende que sea una lista completa cubriendo cada tipo de sistema de medicin si no solo ejemplos de varios enfoques. Si un sistema de medicin no se ajusta al enfoque del manual, se recomienda ayuda y consulta de fuentes estadsticas competentes.
SISTEMAS DE MEDICION NO REPLICABLES Escenario Sistemas de Medicin No Destructivos Ejemplos

La parte no cambia por el proceso de medicin; ej., sistemas de medicin que son no destructivos y sern usados con partes (especimenes) con: propiedades estticas, o propiedades dinmicas (cambiantes) las cuales se hayan estabilizado. La vida de anaquel de la caracterstica (propiedad) es conocida y se extiende ms all de la duracin esperada del estudio ej., la caracterstica medida no cambia durante el periodo de uso esperado.
Dinammetros de vehculos usados en vehculos sin verde / powertrains Pruebas de Fuga con datos de variables
Espectrmetro de Masas con muestras de un solo lote de material
Escenario Sistemas de Medicin Destructivos

Stands de Pruebas
Ejemplos
Final de Lnea 9 Stands de prueba de motores 9 Stands de prueba de transmisiones 9 Dinammetros de Vehculos Pruebas de Fuga con datos cualitativos Camara salina/humedad Medidor de gravilla Sistemas de medicin en lnea donde la automatizacin no permite la replicacin Pruebas destructivas de soldadura Prubas destructivas de acabado
Otros sistemas de medicin no replicables
Tabla 13: Ejemplos de Sistemas de Medicin
143
Captulo IV Seccin A Prcticas para Sistemas de Medicin Complejos
El mapeo de los estudios descritos en este captulo y los diferentes escenarios es como sigue:
Estudios de Estabilidad Escenario

La parte no cambia por el proceso de medicin, ej., los sistemas de medicin que no son destructivos (replicables) y sern usados con partes (especimenes) con: Propiedades estticas, o Propiedades dinmicas (cambiantes) as cuales han sido estabilizadas La vida de anaquel de la caracterstica (propiedad) es conocida y se extiende ms all de la duracin esperada del estudio; ej., la caracterstica medida no cambia durante el periodo esperado de uso. Sistemas de medicin destructivos. Sistemas de medicin no replicables. Stands de prueba.
S1
S2
S3
S4
S5
Estudios de Variabilidad Escenario

La parte no cambia por el proceso de medicin; ej., lo sistemas de medicin que son no destructivos y sern usados con partes (especimenes) con: Propiedades estticas, o Propiedades dinmicas (cambiantes) las cuales han sido estabilizadas Lo anterior con p>2 instrumentos. Sistemas de medicin destructivos. Sistemas de medicin no replicables. Sistemas de medicin con caractersticas dinmicas: ej., stands de prueba. Lo anterior con p>3 instrumentos.
V1
V2
V3
V4
V5
V6
V7
V8
V9
Tabla 14: Mtodos Basados en los Tipos de Sistemas de Medicin.
144
Captulo IV Seccin B Estudios de Estabilidad
Captulo IV Seccin B
Estudios de Estabilidad
S1: Una Parte65, Medicin nica por Ciclo
Aplicacin:
a) Sistemas de medicin en los cuales la parte no cambia por el proceso de medicin; ej., sistemas de medicin que no son destructivos y sern usados con partes (especimenes) con: 9 Propiedades estticas, o 9 Propiedades dinmicas (cambiantes) que han sido estabilizadas b) La vida de anaquel de la caracterstica (propiedad) es conocida y se extiende ms all de la duracin del estudio; ej., la caracterstica medida no cambia durante el periodo esperado de uso.
Supuestos:
El sistema de medicin es conocido (documentado) para una respuesta lineal sobre un periodo esperado de la caracterstica (propiedad). Las partes (especimenes) cubren el rango esperado de la variacin del proceso de la caracterstica.
Analiza usando las grficas X & mR

Determina la estabilidad del sistema de medicin: 9 Compara los puntos graficados con los lmites de control 9 Checa tendencias (solo la grfica x) Compara e = R repetibilidad E de un estudio de variabilidad (ver siguiente seccin). Determina el sesgo si el valor de referencia es conocido: sesgo = x - valor de referencia
* d2
(error total de las mediciones) con el estimativo de la
65
Puede usarse un estndar o patrn de referencia si es apropiado para el proceso.
145
S2: n 3 Partes66, Medicin nica por Ciclo por Parte

Aplicacin:
a) Sistemas de medicin en los cuales la parte no cambia por el proceso de medicin; ej., sistemas de medicin que no son destructivos y sern usados con partes (especimenes) con: 9 Propiedades estticas, o 9 Propiedades dinmicas (cambiantes) que han sido estabilizadas. b) La vida de anaquel de la caracterstica (propiedad) es conocida y se extiende ms all de la duracin del estudio; ej., la caracterstica medida no cambia durante el periodo esperado de uso.
Supuestos:
El sistema de medicin es conocido (documentado) para una respuesta lineal sobre un periodo esperado de la caracterstica (propiedad). Las partes (especimenes) cubren el rango esperado de la variacin del proceso de la caracterstica.
Analiza usando una grfica [z, R]: donde zi = xi i
Y i es el valor estndar (de referencia), o determinado por el promedio de un nmero grande de lecturas sucesivas de la parte (espcimen). Determine la estabilidad del sistema de medicin: 9 Compare los puntos graficados con los lmites de control 9 Cheque tendencias (solo en grfica z) Compare67 e = R variabilidad. Determine el sesgo si los valores de referencia son conocidos. sesgo = x - valor de referencia Determina la linealidad si se usan n > 3 partes: 9 Las partes (especimenes) deben cubrir el rango esperado de la propiedad 9 Cada parte (espcimen) debiera ser analizada por separado para el sesgo y la repetibilidad
* d2
con el estimativo de la repetibilidad E de un estudio de
66 67
Puede usarse un estndar o patrn de referencia si es apropiado para el proceso. Si se involucra a ms de un evaluador en la recoleccin de datos, entonces (estimativo de la repetibilidad) es afectada tambin por la reproducibilidad del sistema de medicin. Cuantifica la reproducibilidad con grficas de correlacin y bigotes e indexadas por evaluador (ver captulo III, seccin B).
146
9 Cuantifica la linealidad usando el anlisis de linealidad discutido en el captulo III, seccin B. Si se usa ms de un instrumento es este estudio, determina la consistencia (homogeneidad de la variacin) entre los instrumentos; ej., uso de la prueba F, prueba de Bartlett, prueba de Levene68, etc.
S3: Muestra Grande de un Proceso Estable

Aplicacin:
El sistema de medicin debe estar evaluando una muestra (recolectada y aislada) homognea y distribuida e idnticamente independiente (dii). Las mediciones de las partes individuales (especimenes) no son replicadas por lo que este estudio puede usarse con sistemas de medicin destructivos y no replicables.
Supuestos:
La vida de anaquel de la caracterstica (propiedad) es conocida y se extiende ms all de la duracin esperada del estudio; ej., la caracterstica medida no cambia durante el periodo esperado de uso y/o almacenamiento. Las partes (especimenes) cubren el rango esperado de la variacin del proceso de la caracterstica (propiedad). La linealidad del sistema de medicin es conocida (documentada) sobre el rango esperado de la caracterstica (propiedad). (Si la respuesta es no lineal, las lecturas deben ajustarse).
Analiza:
Determinando la variabilidad total a travs de un estudio de habilidad con n>30 partes. (Este estudio preliminar debiera tambin ser usado para verificar la consistencia de la muestra: ej., todas las partes (especimenes) vienen de una distribucin unimodal).
2 2 2 total = Pr oceso + sistemamediciones
Midiendo una o ms lecturas individuales de la muestra aislada en periodos de tiempo, use grficas x & R o x & mR con lmites de control determinados por el estudio de habilidad. Compare los puntos graficados con los lmites de control. Cheque tendencias. Dado que las partes (especimenes) no cambian (una muestra aislada), cualquier indicacin de inestabilidad sera atribuida a un cambio en el sistema de medicin.
68
Dataplot, National Institute of Standars and Technology, Statistical Engineering Divisin (www.itl.nist.gov)
147
S4: Especimenes Divididos (General), Espcimen nico por Ciclo

Aplicacin:
Las mediciones de pociones de partes (especimenes) individuales no son replicadas de forma tal que el estudio puede ser usado con sistemas de medicin destructivos y no replicables.
Supuestos:
La vida de anaquel de la caracterstica (propiedad) es conocida y se extiende ms all de la duracin esperada del estudio; ej., la caracterstica medida no cambia durante el periodo esperado de uso y/o almacenamiento. Las partes (especimenes) cubren el rango esperado de la variacin del proceso de la caracterstica (propiedad). Los especimenes son divididos en m porciones. Con m=2 porciones, este a menudo es llamado estudio de prueba volver a probar.
Analiza usando:
La grfica de rangos para rastrear la consistencia de las mediciones (confundida con la consistencia dentro del lote). Compara e = R variabilidad.
2 2 Este es un estudio de lmite superior: e2 = E + btwn * d2
con el estimativo de la repetibilidad E de un estudio de
Grfica para rastrear la consistencia del proceso de produccin.
S4 con Pares de Partes Consecutivas (Homogneas) de Diferentes Lotes S4a

Este estudio es el mismo que S4 con partes homogneas de diferentes lotes. Es un 2 2 2 estudio de lmite superior, dado que e2 = E + btwn + lots
S5: Stands de Prueba

En esta situacin, instrumentos de medicin mltiple (stands de prueba) evalan las mismas caractersticas de un flujo continuo del producto. El flujo del producto es asignado aleatoriamente a stands individuales.
148
S5a: Respuestas de Atributos Analiza usando las grficas p:

Determina la consistencia (de las decisiones) entre los stands: una grfica simple incluyendo los resultados de todos los stands. Determina la estabilidad dentro de los stands individuales: grficas separadas para cada stand.
Analiza la estabilidad total del sistema con una grfica p & mR, donde promedio de todos los stands de prueba en un cierto da.
p es el
S5b: Respuestas de Datos de Variables Analiza usando ANOVA y tcnicas grficas: 69 Calcula x & s para cada stand de prueba (por caracterstica), en el periodo de
tiempo. Determina la consistencia entre los stands: una grfica simple x & s incluyendo los resultados de todos los stands. Determina la estabilidad dentro de los stands individuales: grfica x & s por separado para cada stand. Cuantifica la consistencia (homogeneidad de variacin) entre los stands; ej., usa la prueba F, de Bartlett, de Levene, etc. Determina si todos los stands cuentan con la misma meta comparando los promedios de los stands; ej., usando un anlisis ANOVA de un sentido. Si existe alguna diferencia, asla los diferentes stands usando, por ejemplo, la prueba T de Tukey.
69
Ver tambin James, P.D., Graphical Displays of Gages R&R Data, AQC transaction, ASQC, 1991
149
Captulo IV Seccin C Estudios de Variabilidad
150
Captulo IV Seccin C
Estudios de Variabilidad
Todos los estudios descriptivos son enumerativos por naturaleza y describen el sistema de medicin (incluyendo los efectos del medio ambiente) durante el estudio. Dado que los sistemas de medicin son usados para toma de decisiones futuras acerca de los productos, proceso o servicios, es necesaria una conclusin analtica acerca del sistema de medicin. La transicin de resultados enumerativos analticos requiere conocimientos del tema y pericia para: Asegurar que todas las fuentes de variacin de las mediciones son consideradas en el diseo y en la ejecucin del estudio. Analizar los resultados (datos) a la luz del uso esperado, medio ambiente, control, mantenimiento, etc.
V1: Estudios Estndar RRG

Estos estudios estn contenidos dentro de este manual de referencia. Estos estudios incluyen anlisis grficos y numricos. V1a Mtodo de Rangos (R&R) V1b Mtodo de Rangos (R&R y dentro de las partes) V1c Mtodo ANOVA V1d Mtodo de Rangos/ANOVA Modificado
V2: Lecturas Mltiples con p>2 Instrumentos

Esto permite la comparacin de instrumentos mltiples.
Aplicacin:
a) Sistemas de medicin en los cuales la parte no cambia por el proceso de medicin;
ej., sistemas de medicin que son no destructivos y sern basados con partes (especimenes) con: 1) Propiedades estticas, o 2) Propiedades dinmicas (cambiantes) las cuales han sido estabilizadas.
Supuestos:
La vida de anaquel de la caracterstica (propiedad) es conocida y se extiende ms all de la duracin esperada del estudio; ej.,la caracterstica medida no cambia durante el periodo esperado de uso. Partes (especimenes) cubren el rango esperado de la variacin del proceso de la caracterstica.
151
Analiza usando los estimativos de Grubbs 70 (o Thompson) 71 :

La variabilidad del proceso La variabilidad del instrumento = repetibilidad Los clculos de la regin de confiabilidad estn disponibles.
V3: Especimenes Divididos (m=2)

Aplicacin:
Las mediciones de porciones individuales de las partes (especimenes) no son replicadas de manera que este estudio puede ser usado en sistemas de medicin destructivos y no replicables y puede ser usado para analizar sistemas de medicin con caractersticas dinmicas.
Supuestos:
La vida de anaquel de la caracterstica (propiedad) es conocida y se extiende ms all de la duracin esperada del estudio; ej., la caracterstica medida no cambia durante el periodo esperado de uso y/o almacenamiento. Las partes (especimenes) cubren el rango esperado de la variacin del proceso de la caracterstica (propiedad). Los especimenes son divididos en m porciones. Con m=2 porciones, este es a menudo llamado estudio de prueba volver a probar.
Analiza usando tcnicas de regresin:

Estima la repetibilidad con el trmino del error: E = e Linealidad (comparando la lnea estimada con la lnea a 45)
V3a - V3 con Pares de Partes Consecutivas

Este estudio es el mismo que V3 pero usando pares consecutivos de partes ms que especimenes divididos. Este estudio es usado en situaciones donde la parte no puede ser dividida sin destruir la propiedad a ser medida. Este es un estudio de lmites superior: E e + btwn
70 71
Ver lista de referencias, no. 15. Ver lista de referencias, no. 38.
152
V4: Especimenes Divididos (General)

Aplicacin:
Las mediciones de porciones individuales de partes (especimenes) no son replicadas de manera que el estudio puede usarse para sistemas de medicin destructivos y no replicables y puede ser usado para analizar sistemas de medicin con caractersticas dinmicas.
Supuestos:
La vida de anaquel de la caracterstica (propiedad) es conocida y se extiende ms all de la duracin esperada del estudio; ej., la caracterstica medida no cambia durante el periodo esperado de uso y/o almacenamiento. Las partes (especimenes) cubren el rango esperado de la variacin del proceso de la caracterstica (propiedad). Dividir los especimenes en m porciones donde m=0 mod 2 o 3; m > 2 (ej., m=3, 4, 6, 9, ...).
Analiza usando:
Tcnicas RRG estndar incluyendo grficas ANOVA Diseo de Bloques Aleatorio (ANOVA en dos sentidos)
V4a - V4 con Pares de Partes Consecutivas (homogneas) de Diferentes Lotes

Este estudio es el mismo que V4 usando pares consecutivos de partes ms que especimenes divididos. Este estudio es usado en situaciones donde la parte no puede ser dividida sin destruir la propiedad a ser medida. Este es un estudio de lmite superior: E e + partes + lotes
Los siguientes estudios asumen que la caracterstica (propiedad) de la parte (espcimen) es dinmica.
V5: Igual que V1 con Partes Estabilizadas

Las partes usadas en el estudio son estabilizadas usando un proceso en base a conocimientos de ingeniera y pericia; Ej., motores que son fracturados vs motores verdes.
153
V6: Anlisis de Series de Tiempo

Supuestos:
Lecturas repetidas son tomadas sobre periodos especificados de tiempo. La vida de anaquel de la caracterstica (propiedad) es conocida y se extiende ms all de la duracin esperada del estudio; ej., la caracterstica medida no cambia durante el periodo esperado de uso. Las partes (especimenes) cubren el rango esperado de la variacin del proceso de la caracterstica.
Analiza determinando el modelo de degradacin para cada parte de la muestra:

E = e
Consistencia de degradacin (si n>2)
V7: Anlisis Lineal

Supuestos:
Lecturas repetidas son tomadas en periodos de tiempo especificados. Degradacin en el sistema de medicin es conocida (documentada) para contar con una respuesta lineal en periodos de tiempo especificados. La vida de anaquel de la caracterstica (propiedad) es conocida y se extiende ms all de la duracin esperada del estudio; ej., la caracterstica medida no cambia durante el periodo esperado de uso. Las partes (especimenes) cubren el rango esperado de la variacin del proceso de la caracterstica.
Analiza por regresin lineal:

E = e
Consistencia de degradacin (si n>2)
V7a - V7 con una Muestra Homognea Analiza por regresin lineal: Este es un estudio de lmite superior: E e + btwn
154
V8: Tiempo vs Degradacin de la Caracterstica (Propiedades)

V6 & V7 Pueden modificarse para determinar si la degradacin es tiempo (ej., vida de anaquel) o depende de la actividad.
V9: V2 con Lecturas Mltiples Simultaneas y p>3 Instrumentos

Analiza igual a V2 (ver tambin Lipsion & Sheth, sec. 13.2).
155
156
Captulo V Otros Conceptos de Medicin
Captulo V OTROS CONCEPTOS DE MEDICIN
157
Captulo V Otros Conceptos de Medicin
158
Captulo V Seccin A Reconocimiento de Efectos de Variaciones Excesivas dentro de las Partes
Captulo V Seccin A
Reconocimiento de Efectos de Variaciones Excesivas dentro de las Partes
El entendimiento de las fuentes de variacin de un sistema de medicin es importante para todas las aplicaciones de las mediciones pero llega a ser ms crtico cuando existe una variacin significativa dentro de las partes. La variacin dentro de las partes puede causar que la evaluacin del sistema de medicin ofrezca resultados errneos. Esto es porque la variacin dentro de las partes no tomada en cuenta afecta el estimativo de repetibilidad, reproducibilidad o ambos. Esto es, la variacin dentro de las partes puede aparecer como un componente significativo de la variacin del sistema de medicin. El entendimiento de la variacin dentro de las partes presente en el producto resultar en un entendimiento ms significativo de la adecuacin del sistema de medicin para la tarea en cuestin. Ejemplos de variaciones dentro de las partes las cuales pueden encontrarse son: redondeado, concentricidad, planicidad, perfil, cilindricidad, etc.72 Es posible que ms de una de estas caractersticas pueda estar presente al mismo tiempo dentro de la misma parte (error compuesto). La fuerza de cada caracterstica y sus interdependencias pueden componer los datos y el entendimiento resultante del sistema de medicin. El reconocimiento y anlisis de estas fuentes de variacin adicionales durante el estudio de un sistema de medicin es importante para entender la variacin actual del sistema de medicin mismo. Un DOE, ANOVA u otra tcnica estadstica ms sofisticada puede requerirse para analizar esta situacin. Cual sea la metodologa usada debiera ser aprobado por el representante de la calidad del proveedor cliente. Tambin, las decisiones que los ingenieros de diseo de producto tomen pueden inconcientemente afectar como una parte es medida, como un dispositivo puede ser diseado, y el resultado puede afectar los resultados del error en las mediciones. Un ejemplo puede ser una parte plstica que tenga una caracterstica crtica sobre una lnea de partido (una lnea de partido tpicamente tiene exceso de material plstico y donde dos mitades de un molde se juntan, y por tanto es una superficie no controlada). Estos factores deben ser considerados durante un AMEF de diseo. Una vez que los componentes de variacin dentro de las partes son entendidos, puede ser posible controlar estos factores dentro del sistema de medicin (ej., rediseando el gage, o usando diferentes mtodos / equipo de dispositivos) de manera que los datos futuros no sean confundidos.
72
Muchas de estas propiedades son controladas en el diseo a travs de tolerancias y dimensionamiento geomtrico (T&DG). T&DG ofrece un mtodo definido operacionalmente para checar partes de una manera funcional. Generalmente, un chequeo funcional es un chequeo de atributos. Cuando se requieren datos de variables, aspectos clave pueden derivarse como el usar un gage diseado para un chequeo funcional que produzca datos de variables. Esto algunas veces puede hacerse usando un gage funcional como un dispositivo de fijacin para un estudio en MMC. Sin embargo, cuando sto se hace es crtico que el dispositivo sostenga la parte firmemente y repetidamente en la misma localizacin (si no lo hace, el estudio MSA resultante debiera generar este error).
159
Captulo V Seccin A Reconocimientos de Efectos de Variaciones Excesivas dentro de las Partes
160
Captulo V Seccin B Mtodo de Promedios y Rangos Tratamiento Adicional
Captulo V Seccin B
Mtodo de Promedios y Rangos Tratamiento Adicional
Introduccin
Existe una consideracin inicial que vale la pena mencionar relativa al mtodo de promedios y rangos en la evaluacin del sistema de medicin. El ejemplo de la grfica de control se toma con el permiso de Evaluacin del Proceso de Medicin por Wheeler y Lyday (ver lista de referencias). El propsito principal de este enfoque grfico es el mismo que el de otros anlisis de sistemas de medicin bien diseados: para determinar si el proceso de medicin es adecuado para medir la variacin del proceso de manufactura y/o evaluar el cumplimiento del producto. Todos los gages estn haciendo el mismo trabajo? Todos los evaluadores estn haciendo el mismo trabajo? La variacin del sistema de medicin es aceptable con respecto a la variacin del proceso? Qu tan buenos son los datos obtenidos del proceso de medicin o en cuntos grupos o categoras no traslapados pueden los datos ser divididos?
Pasos del Procedimiento
1) Debiera tenerse cuidado en seguir la Preparacin para el Estudio de los Sistemas de Medicin, captulo II, seccin C. 2) Hacer que cada evaluador cheque cada muestra para la caracterstica a ser estudiada. Registre los primeros chequeos en el rengln superior de los datos de la grfica de control (ver figura 33). 3) Repetir los chequeos y registrar los datos en el segundo rengln de los datos de la grfica de control. (Nota: no permita que los evaluadores vean sus lecturas originales cuando estn haciendo este segundo chequeo). Los datos debieran mostrar ahora dos chequeos sobre la misma parte por cada evaluador. 4) Analice los datos calculando el promedio X y el rango (R) para cada subgrupo.
( )
5) Grafique los valores de los rangos en la grafica de rangos y calcule el promedio de rangos (R ) (incluya todos los rangos de los subgrupos (R) para todos los
evaluadores). Dibuje este rango promedio sobre la grfica. Use el factor D4 para n=2 para calcular el lmite de control para la grfica de rangos. Dibuje este lmite y determine si todos los valores estn en control. 9 Si todos los rangos estn en control, todos los evaluadores estn haciendo el mismo trabajo. 9 Si en evaluador est fuera de control, su mtodo difiere de los otros. 9 Si todos los evaluadores cuentan con rangos fuera de control, el sistema de medicin es sensible a la tcnica del evaluador y se requiere mejoramiento para obtener datos tiles.
161
6) Luego, grafique el promedio para cada subgrupo X para todos los evaluadores en la grfica de promedios (ver figura 33). Los valores promedio representan la variacin y la variacin en las mediciones. Calcule el promedio de promedios ( X ) (Incluya todos los promedios de los subgrupos
( )
(X ) para todos los evaluadores. Dibuje este gran promedio ( X ) en la grfica. ( )
Calcule ahora los lmites de control para esta grfica usando el factor A2 para n=2 y el rango promedio R de la grfica de rangos y dibuje estos limites sobre la grfica de promedios. Ntese en este estudio que la grafica de rangos contiene solo la variacin de las mediciones. Por tanto, el rea entre los lmites de control de los promedios representa la cantidad de la variacin de las mediciones en el sistema. Si todos lo promedios caen dentro de los lmites de control, la variacin de las mediciones eclipsa la variacin del proceso. En otras palabras, el proceso de mediciones tiene mayor variacin que el proceso de manufactura, y no es de valor en el monitoreo o control de dicho proceso. Si menos de la mitad de los promedios cae fuera de los lmites, el sistema de medicin es inadecuado para el control del proceso. Por otro lado, si la mayora de los promedios cae fuera de los lmites de control, indica que las seales del proceso de manufactura son mayores que la variacin de las mediciones. Este sistema de medicin puede ofrecer datos tiles para el control del proceso.
Ejemplo de Hoja de Trabajo

La pregunta de Qu tan buenos son los datos recolectados por el sistema de medicin? puede responderse completando el ejemplo de la hoja de trabajo, figura 34. Todos los datos necesarios para la hoja de trabajo pueden encontrarse en las grficas de promedios y rangos descritas anteriormente. Los siguiente pasos son usados para completar el ejemplo de la hoja de trabajo (figura 34): 1) Identifique las mediciones y la caracterstica a ser evaluada, quin est haciendo el estudio y la fecha del estudio mismo. 2) El promedio de los rangos de los subgrupos R se obtiene directamente de la grfica de control. 3) El nmero de replicaciones (r) es el nmero de veces en que cada evaluador checa la misma parte. 4) Calcule la desviacin estndar estimada de la repetibilidad ( e ), como se muestra en la figura 34a y usando el valor d 2 para el correspondiente r. 5) Inserte el nmero de evaluadores (nA) en el espacio provisto. 6) Inserte el nmero de muestras (n) en el espacio provisto.
( )
162
7) Calcule el promedio de cada evaluador promediando todas las muestras obtenidas por cada evaluador y registre estos promedios en el espacio provisto para cada evaluador (A, B, C). 8) Examine los promedios de cada evaluador (A, B, C) y determine el rango de los promedios de los evaluadores restando el mnimo del mximo e insrtelo en el espacio para (RA). 9) Calcule la desviacin estndar estimada de los proveedores ( A ) como se muestra
* usando el valor d 2 para el valor correspondiente a nA. 10) Calcule los promedios de las muestras promediando el valor obtenido de todos los proveedores para cada muestra. Por ejemplo, (promedio de la muestra 1 del evaluador A + promedio de la muestra 1 del evaluador B + promedio de la muestra 1 del ltimo evaluador y divida esta suma por el nmero de evaluadores). Este es el mejor estimativo del valor verdadero de la muestra. Coloque el valor para cada muestra en el espacio provisto (1, 2, 3...9, 10) en la figura 34b.
11) Observe los promedios de las muestras (1, 2, 3...9, 10) y calcule el rango de los promedios de las muestras (RP) restando el mnimo del mximo. Inserte este valor en el espacio provisto. 12) Estime la desviacin estndar muestra - a - muestra ( P ) como se muestra usando
* el valor d 2 para el valor correspondiente de n.
13) Calcule la Razn Seal - a - Ruido (SN) dividiendo la desviacin estndar de la muestra por la desviacin estndar de las mediciones e inserte en el espacio provisto.
SN =
p RRG
14) Determine el nmero de categoras distintas de producto que pudieran distinguirse por estas mediciones. Multiplique SN por 1.41 e inserte en el espacio provisto (figura 34b). Solo la parte entera de este nmero necesita considerarse dado que est definiendo categoras distintas. (Elimine todas las fracciones decimales) (ver figura 34b). Si el nmero de categoras es menor que dos (2), el sistema de medicin no tiene valor en el control del proceso. Se puede decir que todo el ruido y una parte no son diferentes uno de otro. Si el nmero de categoras es dos (2), significa que los datos pueden dividirse solo en grupos alto y bajo; sin embargo ste es solo el equivalente de datos de atributos. Si el nmero de categoras es tres (3), los datos pueden dividirse en grupos alto, medio y bajo. Este es ligeramente un mejor sistema de medicin. Un sistema de medicin conteniendo cuatro (4) o ms categoras ser mucho mejor que los primeros tres ejemplos.
163
Figura 33a: Grfica de Control ( X -R)-1 para Evaluacin de Mediciones
164
Figura 33b: Grfica de Control ( X -R)-2 para Evaluacin de Mediciones.

165
Mediciones Evaluadas LONGITUD DE AJUSTE
Hecho por R.W.L.
Fecha r 2 3 4 5 6 7 8 9 10
MM-DD-YY d2 1.128 1.693 2.059 2.326 2.534 2.704 2.847 2.970 3.078
ERROR DE REPLICACION: Rango Promedio de los Subgrupos = R = 7.6 Nmero de Replicaciones = Tamao del Subgrupo = r = 2 Estima la Desviacin Estndar de las Replicaciones
R = e = 6.738 d2
CALCULO PARA EFECTO DE LOS EVALUADORES

nA 2 3 4 5 6 7 8 9 10
* d2 1.410 1.906 2.237 2.477 2.669
Escribe abajo los promedios de los evaluadores: Evaluadores Promedio
Numero de Evaluadores
= nA = 3
=n=5 Numero de Muestras 108.1-102.8 = RA Rango de los Promedios de los Evaluadores
2.827 2.961 3.076 3.178
= RA = 5.3
A B - lo C - hi D E F
103.1 102.8 108.1 ----------
5.3 = A 1.906
R = A = 2.781 d2
Figura 34a: Clculos para Mtodos de Grficas de Control para Evaluacin de un Proceso de Medicin (Partes 1 de 2)
166
CALCULOS PARA LA DESVIACIN ESTANDAR DEL ERROR DE LAS MEDICIONES El Estimativo de la desviacin estndar del error en las mediciones es: 2 2 m = e + A
= (6.7376) + (2.7806) = 7.289

2
Escribe el valor apropiado para
aqu:
m = 7.289
Escribe el promedio de cada pieza de la muestra o lote abajo: 113.67 83.0 = Rp Ejemplo Promedio 1 2 3 - Lo 4 5 - Hi 111.17 113.33 83.00 102.17 113.67 ---------------------
CALCULOS PARA PROPORCIONES SEALES A RUIDO:

n 2 3 4 5 6 7 8 9 10
* d2
1.410 1.906 2.237 2.477 2.669 2.827 2.961 3.076 3.178
Rango para estos Promedios de Muestras = Rp = 30.67 Estima la Desviacin Estndar de Muestra a Muestra:
30.67 = 12.38 2.477
Rp = p = 12.38 * d2
Proporcin Seal a Ruido:
6 7 8 9 10
12.38 p = 1.698 = 1.698 7.289 m
Por tanto el nmero de categoras distintas de productos que pueden ser confiablemente distinguidas para estas mediciones es 1.41 x 1.698
p 1.41 = 2.395 m
o2
Este es el nmero de intervalos de confiabilidad del 97% no traslapados que extendern el rango de la variacin del producto. (Un intervalo de confiabilidad del 97% y centrado en una medicin nica contendra el valor actual del producto que es representado por dicha medicin el 97% del tiempo).
Figura 34b: Clculos para Mtodos de Grficas de Control en la Evaluacin de un Proceso de Medicin (partes 2 de 2)
167
168
Captulo V Seccin C Curva de Desempeo de Gages
Captulo V Seccin C
Curva de Desempeo de Gages73
El propsito de desarrollar una Curva de Desempeo de Gages (CDG) es determinar la probabilidad de aceptar o rechazar una parte a partir de un valor de referencia. Idealmente, la CDG para una medicin sin errores es mostrada en la figura 35. Sin embargo, esto es para sistemas de medicin ideales ms que lo que ocurra normalmente. Una vez que la cantidad de error ha sido determinada, es posible calcular la probabilidad de aceptar una parte de algn valor de referencia cuando se use un sistema. Para lograr esto, se hace el supuesto de que el error del sistema de medicin consiste principalmente de falta de repetibilidad, reproducibilidad y sesgo. Adems, la repetibilidad y reproducibilidad son consideradas con una distribucin normal con una varianza 2 . Consecuentemente, el error del gage est distribuido normalmente con una media de XT, el valor de referencia, ms el sesgo, y cuenta con una varianza, 2 . En otras palabras: Valor Actual del Gage = N X T + b, 2
La probabilidad de aceptar una parte de algn valor de referencia es ofrecida por la relacin
UL
Pa =
LL
N (X
+ B, 2 )dx
Usando la tabla estndar normal
UL ( X T + b ) LL ( X T + b ) Pa =
donde
UL UL ( X T + b ) = N X T + b, 2 dx LL ( X T + b ) 2 = N (X T + b, )dx LL
73
Adaptado con el permiso de Anlisis de Sistemas de Atributos de Gages por J.McCaslin & G.Gruska, ASQC, 1976.
169
Ejemplo: Determine la probabilidad de aceptar una parte cuando el valor de referencia del torque es 0.5 Nm, 0.7 Nm, 0.9 Nm.
Usando los datos de un estudio previamente conducido: Especificacin Superior Especificacin Inferior sesgo RRG = = = = UL LL B 0.05 Nm = 1.0 Nm = 0.6 Nm = 0.05 Nm
Aplicando lo anterior a las frmulas de la pgina anterior:
LL ( X T + b ) UL ( X T + b ) Pa = 1.0 (0.5 + 0.05) 0.6 (0.5 + 0.05) Pa = 0.05 0.05 Pa = (9.0) (1.0) = 1.0 - 0.84 = 0.16
Esto es, cuando la parte tiene un valor de referencia de 0.5 Nm ser rechazada aproximadamente 84% del tiempo.
Ejemplo de una Curva de Desempeo de Gages:

Para
X T = 0.7 Nm 1.0 (0.7 + 0.05) 0.6 (0.7 + 0.05) Pa = 0.05 0.05
Pa = (5.0) ( 3.0)
= 0.999 Si el valor de referencia de la parte es 0.7 Nm entonces se rechazar menos de aproximadamente 0.1% del tiempo. Para
X T = 0.9 Nm 1.0 (0.9 + 0.05) 0.6 (0.9 + 0.05) Pa = 0.05 0.05 Pa = (1.0) ( 7.0)
= 0.84
Si el valor de referencia de la parte es 0.9 Nm entonces ser rechazado aproximadamente menos del 16% del tiempo.
170
Si la probabilidad de aceptacin es calculada para todos los valores de XT y graficada, entonces la curva de desempeo del gage, como es mostrada en la figura 36 se obtendra. Esta misma curva puede ser graficada ms fcilmente en papel de probabilidad normal, como se muestra en la figura 37. Una vez graficada, la CDG ofrece la probabilidad de aceptar una parte de cualquier tamao. Adems, una vez desarrollada la CDG, puede usarse para calcular el error de repetibilidad y reproducibilidad, y el error del sesgo.74 El rango 5.15 RRG puede determinarse encontrando el valor de XT que corresponda a Pa = 0.995, y el valor de XT que corresponda a Pa = 0.005 para los dos lmites. El RRG es la diferencia entre los dos valores de XT, como se muestra grficamente en la figura 37. Un estimativo del sesgo se determina encontrando para XT, los lmites superior o inferior que correspondan a Pa = 0.5 y calculando: B=XT-LL o BB=XT-UL dependiendo de cual lmite XT se seleccione. 75
74 75
Ver Estudio de Atributos de Gages, Captulo III, Seccin C. Esto asume que el sistema de medicin es lineal sobre el rango de operacin.
171
Limite Inferior
Limite Superior
1.0 0.9
0.8 0.7 0.6 0.5 0.4 0.3 0.2 0.1 0.0

0.3 0.4 0.5 0.6 0.7 0.8 0.9 1.0 1.1 0.2
Valor de Referencia de las Partes Medidas

Sesgo = 0.00 Rango RRG = 0.00
Figura 35: Curva de Desempeo del Gage Sin Error
172
Limite Inferior
Limite Superior
1.0 0.9
0.8 0.7 0.6 0.5 0.4 0.3 0.2 0.1 0.0

0.4 0.5 0.6 0.7 0.8 0.9 1.0 1.1 0.2
Valor Valores de Referencia de las Partes Medidas

Sesgo = 0.05 RRG = 0.24
Figura 36: Curva de Desempeo de Gage - Ejemplo
173
Rango RRG = 0.24

99.8 99.5 99.0 98.0 ? 95.0
? ? ? ?
0.2 0.5 1.0
? 2.0
5.0 10.0
? ?
90.0
80.0 70.0 ? 60.0 50.0 40.0 30.0 20.0

? ? ? ? ?
20.0
? 30.0
40.0 50.0 60.0 70.0 80.0
10.0
? ?
90.0 95.0
? 98.0
5.0 2.0 ? 1.0 0.5

? ?
99.0 99.5
0.2 ?
? 99.8
0.4
0.5
0.6
0.7
0.8
0.9
1.1
Sesgo = 0.05
Figura 31: Curva de Desempeo del Gage Graficada en Papel de Probabilidad Normal
174
Captulo V Seccin D Reduccin de Variacin a Travs de Lecturas Mltiples
Captulo V Seccin D
Reduccin de la Variacin a Travs de Lecturas Mltiples
Si la variacin del presente sistema de medicin no es aceptable (arriba del 30%), existe un mtodo que puede usarse para reducir la variacin a un nivel aceptable hasta que puedan hacerse mejoramientos al sistema de medicin mismo. La variacin no aceptable puede reducirse tomando lecturas mltiples y estadsticamente independientes (no correlacionadas) de la caracterstica de la parte a ser evaluada, determinando el promedio de estas mediciones y permitiendo que el valor numrico del resultado sea sustituido por la medicin individual. Este mtodo, por supuesto consumir tiempo, pero es una alternativa hasta que se hagan mejoramientos al sistema de medicin (ej., rediseando o comprando un nuevo sistema). El procedimiento para este mtodo alternativo es como sigue: 1) Determine el nmero de lecturas mltiples requeridas para cumplir con un nivel de variacin aceptables. 2) Siga el procedimiento de estudio de gages discutido previamente en estos lineamientos.
Ejemplo:
En el ejemplo de la corporacin XYZ, el porcentaje de la variacin de la tolerancia del RRG es 25.5%, con una amplitud 6 sigma igual a 0.24. El cliente quiere reducir esta figura a al menos 15%, el cual sera un equivalente de amplitud de 6 sigma de 0.14.76 Para determinar el nmero de lecturas mltiples requerido para cumplir el criterio deseado del 15%, primero debe entenderse que la distribucin de las medidas individuales y el promedio tienen el mismo valor promedio numrico. Segundo, que la varianza de la distribucin de los promedios es igual a la varianza de la distribucin de las lecturas individuales dividida por el tamao de la muestra. Entendiendo esta relacin como se muestra abajo, el nmero de lecturas mltiples requerido puede entonces determinarse.
(6 x )2 = (6 )
n
Esto puede aproximarse por
(6s ) = (6s )
x
76
Ver nota en pgina vi.
175
Captulo V Seccin D Reduccin de Variacin a Travs de Lecturas Mltiples
0.14 =
0.24 n
de manera que
n = 1.714
y n = 3(redondeado al entero ms prximo)
Por tanto, 3 lecturas mltiples sobre la caracterstica de la parte reduciran la variacin total del sistema de medicin a aproximadamente 0.14 y el %RRG a 15%. Este mtodo debiera ser considerado como un paso temporal hasta que se hagan mejoramientos al sistema de medicin. Este debiera usarse solo con concurrencia del cliente.
176
Captulo V Seccin E Enfoque de la Desviacin Estndar Combinada con RRG
Captulo V Seccin E
Enfoque de la Desviacin Estndar Combinada con RRG77
El anlisis de un sistema de medicin generalmente asume que los datos replicados de todas las partes / especimenes pueden obtenerse de todos los evaluadores en un forma aleatoria. Esto no siempre puede ser posible. Si el anlisis del sistema de medicin incluye localizaciones mltiples puede no ser factible logsticamente el demandar un muestreo aleatorio. Tambin algunas muestras, anlisis notablemente qumicos y metalrgicos (estudios entre e intra laboratorios) pueden requerir una seccin cruzada de las diversas muestras que no sean parte de un proceso homogneo y pueden no estar disponibles al mismo tiempo. Estas situaciones pueden manejarse usando un DOE anidado. Un enfoque alternativo es el estudio de la desviacin estndar combinada del RRG el cual sigue la metodologa discutida en ASTM E691. Este enfoque ve a cada parte como un material por separado y entonces calcula las desviaciones estndar de la repetibilidad y reproducibilidad como en E691. Esto producir valores mltiples y por separado de repetibilidad y reproducibilidad. Dado que las partes son consideradas como esencialmente idnticas, se asume que estos estimativos por separado son efectivamente idnticos. Por supuesto nunca sern exactamente los mismos, pero su promedio ofrecer un buen estimativo del nivel verdadero de repetibilidad y reproducibilidad similar. Si este enfoque es usado para evaluar un grupo de laboratorios, existe la preocupacin de cual sera la naturaleza de la reproducibilidad. Si esta es mayor que cero, la mayora del tiempo (esto es para la mayora de los materiales) debiera interpretarse como la aplicacin de que existen diferencias entre operadores, ej., en un programa interlaboratoiros sto sugerira que existen diferencias reales entre laboratorios.
Aplicacin Secuencial Aunque el enfoque E691 es tpicamente usado con una muestra completa, permite
asimismo un enfoque secuencial. Este es til cuando todas las muestras no estn disponibles al mismo tiempo. Tambin puede ser utilizado como parte del proceso de calibracin para mantener informacin de la variabilidad del sistema de medicin.
La siguiente descripcin del estudio asume que el estudio mismo ser aplicado de una forma secuencial.

Debiera tenerse cuidado en seguir la Preparacin para el Estudio del Sistema de Medicin mostrado en el captulo II, seccin C.
77
Partes de esta seccin incluyen todo lo de Estadsticas de Consistencia es contribucin de Neil Ullman de la American Society for Testing and Materials (ASTM International).
177
Contine del paso 6 de la pgina 74:

7) Hacer que cada uno de los m 2 evaluadores evalen la parte para r 3 lecturas. Registre los datos en renglones apropiados de la hoja de recoleccin de datos (ver formatos de ejemplo). (Nota: no permita que los evaluadores vean sus lecturas originales al hacer estos chequeos mltiples). 8) Calcule el promedio X y la desviacin estndar (s) para la nueva parte para cada evaluador. 9) Grafique los valores de desviacin estndar sobre la grfica de desviacin estndar y calcule el promedio de la desviacin estndar misma (s ) (incluya la desviacin estndar de todos los subgrupos y para todos los evaluadores). Dibuje este promedio de la desviacin estndar sobre la grfica. Use el factor B4 con r muestras para calcular el lmite superior de control para la grfica de la desviacin estndar. Dibuje este lmite y determine si todos los valores estn en control (ver figura 38).
( )
10) Grafique el promedio X para cada subgrupo para todos los evaluadores sobre la grfica de promedios (ver figura 38). Los valores promedio representan la variacin del proceso y la variacin de las mediciones. 11) Calcule el promedio de promedios ( X ) (incluya los promedios de todos los subgrupos X para todos los evaluadores). Dibuje la lnea de este gran promedio
( )
( )
( X ) en la grfica. 12) Calcule los lmites de control para esta grfica usando el factor A2 para un r y una desviacin estndar de los promedios (s ) de la grfica de desviacin estndar; dibuje estos lmites en la grfica de promedios. 13) Analice los daros usando las grficas de control y otras tcnicas grficas discutidas en el mtodo de promedios y rangos (ver captulo 3). 14) Evale los parmetros del sistema de medicin para cada parte combinando los resultados de los evaluadores.
sx =
g
s
i =1
2 xi
Re petibilidad g = s E g =
s
i =1
2 si
m
2 xg 2 sE g
Re producibilidad g = s A g = s
2 2 RRGg = s RRG g = s E + sA g g
178
E691 sigue el convencionalismo de que la reproducibilidad del MSA se refiera como la variacin de los evaluadores y el RRG del MSA es llamado reproducibilidad. En este caso,
2 sappr = s x
sr2 3
2 s R = sr2 + sappr
donde sr = sE = Repetibilidad y sR = RRG = Reproducibilidad ASTM 15) Evale los parmetros globales del sistema de medicin combinando o acumulando los resultados de las partes.
Re petibilidad = s E =
s
i =1
2 Ei
Re producibilidad = s A =
s
i =1
2 Ai
RRG = s RRG =
s
i =1
2 RRGi
Cuando se calcula el porcentaje de la variacin total, la desviacin estndar histrica para el proceso debiera usarse. Si las partes cubren una amplia variedad de los procesos, por ejemplo diferentes especimenes metalrgicos o qumicos, la evaluacin del porcentaje de la variacin total debiera basarse en la variacin del proceso de los especimenes especficos y no de la variacin total sobre todos los especimenes. Debiera darse cuidado a la interpretacin de los parmetros del sistema de medicin en el caso donde los evaluadores estn localizados en diferentes instalaciones (ej., laboratorios). La Repetibilidad incluira variacin entre los equipo as como variacin dentro de los equipos. Esto puede evaluarse calculando y comparando la Repetibilidad dentro de cada localizacin. La Reproducibilidad incluira variacin entre localizaciones as como variacin entre evaluadores. Estos componentes no pueden separase con este estudio.
179
Grfica para Respuesta Xbarra/S

2 Medicin Simple 1 0 -1 -2
Operador Subgrupo
* *
1 * 1
* *
1
* *
1
1 *
* 1 * 1
* 1 * 1
1 * 1 * 1 *
UCL= 0.3492 Media = 0.001444 LCL = 0.3463
* 1
10 1
20 2
30 3
Desviacin Estandar Simple
0.6 0.5 0.4 0.3

*
LCL = 0 UCL = 0.4570
0.2 0.1 0.0
s = 0.1780
Figura 38a: Anlisis Grfico del Estudio de la Desviacin Estndar Combinada
180
C rucedeP artes T rial A 1 2 3 1 0.29 0.41 0.64 0.4467 0.1779 2 -0.56 -0.68 -0.58 -0.6067 0.0643 3 1.34 1.17 1.27 1.2600 0.0854 4 0.47 0.5 0.64 0.5367 0.0907 5 -0.8 -0.92 -0.84 -0.8533 0.0611 6 0.02 -0.11 -0.21 -0.1000 0.1153 7 0.59 0.75 0.66 0.6667 0.0802 8 -0.31 -0.2 -0.17 -0.2267 0.0737 9 2.26 1.99 2.01 2.0867 0.1504 10 -1.36 -1.25 -1.31 -1.3067 xdbbar 0.0551 appr sd
Tabla 15: Conjunto de Datos de Anlisis de Desviacin Estndar Combinada
B 1 2 3
0.19033333 0.10289153
C 1 2 3
0.08 0.25 0.07 0.1333 0.1012
-0.47 -1.22 -0.68 -0.7900 0.3869
1.19 0.94 1.34 1.1567 0.2021
0.01 1.03 0.2 0.4133 0.5424
-0.56 -1.2 -1.28 -1.0133 0.3946
-0.2 0.22 0.06 0.0267 0.2120
0.47 0.55 0.83 0.6167 0.1890
-0.63 0.08 -0.34 -0.2967 0.3570
1.8 2.12 2.19 2.0367 0.2079
-1.68 -1.62 -1.5 -1.6000 xdbbar 0.0917 appr sd
0.06833333 0.3017394
R epetibilidad pooled R eproducibilidad pooled R R G pooled
0.13153 0.25721 0.204274 0.25056 0.23743 0.244086 0.28299 0.35004 0.318285
0.17534 0.195107 0.16839 0.221744 0.24310 0.295359
0.31863 0.23223 0.07191 0.195372 0.32664 0.303481
0.26388 0.17736 0.13524 0.21252 0.19494 0.20385 0.238896 0.229787 0.218795 0.218021 0.215578 0.18644 0.24501 0.31573 0.07508 0.17991 0.22198 0.193619 0.203089 0.222696 0.209998 0.206871 0.32310 0.30247 0.34347 0.22540 0.26527 0.30138 0.307505 0.306671 0.312194 0.302708 0.29878
Sistema de Medicin
Resultados por Partes
181
sdxbar
0.04 -0.11 -0.15 -0.0733 0.1002
-1.38 -1.13 -0.96 -1.1567 0.2113
0.88 1.09 0.67 0.8800 0.2100
0.14 0.2 0.11 0.1500 0.0458
-1.46 -1.07 -1.45 -1.3267 0.2223
-0.29 -0.67 -0.49 -0.4833 0.1901
0.02 0.01 0.21 0.0800 0.1127
-0.46 -0.56 -0.49 -0.5033 0.0513
1.77 1.45 1.87 1.6967 0.2194
-1.49 -1.77 -2.16 -1.8067 xdbbar -0.25433333 0.3365 appr sd 0.19056058 P o o ledsd 's
0.26182 0.28005 0.19648 0.19751 0.24077
0.26555 0.32524 0.14385 0.21221 0.25125
0.21443466 0.20843064 0.29904106
Estadsticas de Consistencia
Los mtodos de ASTM e ISO78 sugieren que dos estadsticas de consistencia, h y k, sean calculadas. Los valores de h se calculan por
h=
x appr x parte Sx
Para el evaluador A y la parte 1, el promedio ( x appr anterior) es 0.447y el promedio de las partes ( x parte anterior) es 0.169. La desviacin estndar entre los evaluadores ( s x anterior) es 0.262. Por tanto
h=
0.447 0.167 0.278 = = 1.06 0.262 0.262
El valor de k es la razn de la desviacin estndar para cada parte y cada evaluador con la desviacin estndar de la repetibilidad. En este caso (evaluador A y parte 1) es:
k=
( EvualuadorA, Parte1)
repetibilidad
0.178 = 1.35 0.132
Una razn por la que stos se calculan es permitir comparaciones entre materiales muy diferentes. Aunque en este ejemplo no hay una coleccin de materiales ampliamente diferentes y los cuales tengan diferentes niveles y posiblemente desviaciones estndar muy diferentes, los clculos h y k de E691 pueden todava usarse para comparar la desviacin estndar de la repetibilidad y los valores respuesta por los evaluadores. La siguiente tabla de h y ks se listan por evaluador.
h Ev. A B C k A B C 1 1.06 -0.14 -0.93 2 0.87 0.22 -1.09 3 0.82 0.29 -1.11 4 0.86 0.24 -1.10
Parte 5 0.88 0.21 -1.09
6 0.32 0.80 -1.12
7 0.65 0.50 -1.15
8 0.80 0.32 -1.12
9 0.69 0.46 -1.15
10 1.05 -0.11 -0.94
avg h 0.80 0.28 -1.08
z 2.53 0.88 -3.41
1.35 0.77 0.76
0.25 1.50 0.82
0.49 1.15 1.20
0.28 1.70 0.14
0.23 1.50 0.84
0.65 1.20 1.07
0.59 1.40 0.83
0.35 1.68 0.24
0.77 1.07 1.13
0.27 0.45 1.65
mediana z K 0.42 -3.20 1.30 3.14 0.84 -0.17
78
Ver ISO 5725.
182
En las ltimas dos columnas estn los promedios y el valor de el valor z para ver si los evaluadores son significativamente diferentes. Los valores de h indican que el evaluador A es significativamente alto y el evaluador C es significativamente bajo en sus lecturas del tamao de las partes. Es tambin esta significativa diferencia lo que genera la desviacin estndar del RRG. Las desviaciones estndar de la repetibilidad pueden tambin ser evaluadas observando los valores k. Para hacer esto, calcule la mediana k y luego un aproximado del score z. Con este estudio, la mediana esperada es alrededor de 0.861 y con una desviacin estndar de aproximadamente 0.439. La mediana k para el evaluador A es entonces alrededor de 3.2 desviaciones estndar abajo del nivel esperado y el evaluador B es significativamente alto. Por tanto vemos diferencias muy grandes en el desempeo de solo 3 operadores. Las grficas de h (figura 38b) y k (figura 38 c) tambin ayudan a ilustrar estas diferencias. El evaluador C tiene los resultados mucho ms bajos que los otros. Similarmente, los valores k muestran que tan abajo la variacin del evaluador A es con respecto a la repetibilidad. Estos ciertamente son aspectos clave a ser examinados acerca del desempeo del mtodo de medicin y como es realizado por estos evaluadores.
183
184
Apndices
APENDICES
185
Apndice A Anlisis de Conceptos de Varianza
186
Apndice A
Anlisis de Conceptos de Varianza
El anlisis numrico de las RRGs puede hacerse siguiendo las frmulas de la tabla 18. Esto es lo que se le llama Tabla de Anlisis de Varianza (ANOVA). La tabla de ANOVA se compone de 6 columnas: La columna de fuentes es la causa de variacin. La columna DF es el grado de libertad asociado con la fuente. La columna SS o suma de cuadrados es la desviacin alrededor de la media de la fuente. La columna MS o cuadrado de la media es la suma de cuadrados dividida por los grados de libertad. La columna EMS o cuadrado de la media esperado determina la combinacin lineal de los componentes de varianza para cada MS. La tabla ANOVA sectoriza la fuente total de variacin en cuatro componentes: partes, evaluadores, interaccin entre las partes y evaluadores y error replicado debido a la repetibilidad del equipo / gage. La columna de proporcin F se calcula solo por la interaccin en una ANOVA de MSA; se determina por la interaccin de la media cuadrada dividida por el error de la media cuadrada.
El estimativo de los componentes de varianza para cada fuente se ofrece en la tabla 16.79
Estimativo de Varianza
Equipo (EV) Interaccin (INT) Evaluador (AV) Parte (PV)
2 = MSe80
MS AP MSe r MS A MS AP 2 = nr MS P MS AP 2 = kr Tabla 16: Estimativo de los Componentes de Varianza
2 =
Dado que cada media cuadrada es una cantidad muestra sujeta a la variacin del muestreo y los clculos involucran diferencias de promedios al cuadrado, entonces son posibles los estimativos de componentes de varianza negativos.
79 80
En esta tabla, se asume que todos los componentes de variacin son de efectos aleatorios. En esta aplicacin de ANOVA a los anlisis de sistemas de medicin, el trmino de error de ANOVA es equivalente a la variacin del equipo MSA, MSE
187
Este es un pequeo problema dado que los componentes de varianza master son iguales o tienden a cero o cuentan con un tamao de muestra pequeo. Para propsitos de anlisis, los componentes de varianza negativos se hacen cero. La desviacin estndar es ms fcil de interpretar que la varianza por que tiene las mismas unidades de medicin de la observacin original. En la prctica, la medida bsica de amplitud es dada por 5.15 veces la desviacin estndar.81 La tabla 17 muestra la extensin 5.15 sigma para una medida de repetibilidad llamada variacin del equipo (EV) y una medida de reproducibilidad llamada variacin del evaluador (AV). Si la interaccin entre las partes y los evaluadores es significativa, entonces existe un modelo no adicional y por tanto se ofrece un estimativo de sus componentes de varianza. El RRG en la tabla 17 es la variacin total del sistema de medicin.
EV = 5.15 MS e
AV = 5.15 I AP MS A MS AP nr MS AP MS e = 5.15 r
Variacin del Equipo = Repetibilidad Variacin del Evaluador = Reproducibilidad Interaccin del Evaluador por Parte R&R del Gage Variacin de las Partes
RRG =
(EV )2 + ( AV )2 + (I AP )2
MS p MS AP kr
PV = 5.15
Tabla 17: Amplitud 5.15 sigma

En el modelo aditivo la interaccin no es significativa y los componentes de varianza para cada fuente se determinan como sigue: Primero, la suma de l cuadrado del error del gage ( SS e de la Tabla 18), se agrega a la suma del cuadrado de la interaccin del evaluador por parte ( SS AP de la Tabla 18) y el cual es igual a la suma de cuadrados acumulados SS pool ser dividido por
(nkr n k + 1)
) con (nkr n k + 1)
82
82
grados de libertad. Por tanto el SS pool
para calcular MS pool . Los lmites de extensin
5.15 sigma sern entonces:
EV = 5.15 MS pool AV = 5.15 RRG = MS A MS pool nr

2
(EV )
+ ( AV )
PV = 5.15
MS p MS pool kr
81 82
Este es el rango del 99%. Ver nota en pgina vi. Donde n = nmero de partes, k = nmero de evaluadores y r = nmero de intentos.
188
Apndice A Anlisis de Conceptos de Varianza A fin de determinar si la interaccin es significativa, calcular el estadstico F de la interaccin del evaluador por parte (ver tabla 18). Comparar este estadstico F en un punto de porcentaje alto con la distribucin F como numerador y grado de libertad como denominador tomado de ANOVA (tabla 18).
A fin de reducir el riesgo de concluir falsamente de que no hay efectos de interaccin, seleccionar un nivel de significancia alto. Una vez que el RRG sea determinado entonces el porcentaje del RRG puede calcularse en relacin al desempeo del proceso.
2 n xi2.. x... SS p = nkr i =1 kr 2 k x2 . j. x... SS A = nkr j =1 nr
2 TSS = xijm i =1 j =1 m =1 n k r
( )
2 x... nkr
SS AP
2 2 xij n xi2.. k x.2j . x... . + = i =1 kr j =1 nr nkr i =1 j =1 r n k
SS e = TSS SS A + SS P + SS Ap
Fuente Evaluador Partes Evaluador por parte Equipo Total DF k 1
n 1
]
F EMS 2 + r 2 + nr 2
SS SS A
SS P SS AP
MS
MS A =
SS A (k 1)
SS P MS P = (n 1) MS AP = MS e = SS AP (n 1)(k 1)
MS AP MS e
2 + r 2 + kr 2 2 + r 2
2
(n 1)(k 1)
nk (r 1)
SS E TSS
SS e nk (r 1)
Tabla 18: Anlisis de Varianza (ANOVA) nkr 1
Evaluador N(0,2) Partes N(0,2) Evaluador por parte N(0, 2 ) Equipo N( 0, 2 )
Tabla 18: Anlisis de Varianza (ANOVA)
189
Tablas 19a y 19b muestran los clculos de ANOVA para los datos del ejemplo de la figura 24.
Fuente
Evaluador Partes
Evaluador por parte
DF
2 9 18 60 89
SS
3.1673 88.3619 0.3590 2.7589 94.6471
MS
1.58363 9.81799 0.01994 0.04598
F
79.41* 492.29* 0.434
EMS 2 + 3 2 + 30 2 2 + 3 2 + 9 2 2 + 3 2
Equipo Total
* Nivel de Significancia a =0.05

Tabla 19a: Resultados Tabulados de ANOVA Estimativo de la Varianza 2 = 0.039973 (Equipo) 2 = 0.051455 (Evaluador) 2 =0 (Interaccin) RRG = 0.09143 Desv. Std. ( ) 0.199933
0.226838
5.15 ()
EV = 1.029656 AV = 1.168213 INT = 0
% de la Variacin Total 18.4

20.9 0 27.9 96.0 100.0
% de Contribucin
3.4 4.4 0 7.8 92.2
+ +
2
0.302373 1.042327 1.085
RRG = 1.557213 Pv = 5.367987 TV = 5.589293
2 = 1.086447
(Parte) Variacin Total
Tabla 19b: Resultados Tabulados de ANOVA (el estimativo de la varianza se basa en el modelo sin interacciones)
ndc = 1.41(PV RRG ) = 1.41(5.37 1.56 ) = 4.85 4
Variacin Total (TV) = RRG 2 + PV 2

5.15 componentes % de la Variacin Total = 100 5.15 total
2 5.15 componente s % de Contribucin (de la Varianza Total) = 100 2 5.15 total
190
Apndice B Impacto de RRG sobre el ndice de Habilidad Cp
Apndice B
Impacto de RRG sobre el ndice de Habilidad CP Frmulas:
2 2 2 O =A +M
A = la variacin del proceso actual M = la variacin del sistema de medicin
Donde O = la variacin del proceso observado
Cp x =
U L 6 x
donde U,L son los valores de especificacin superior e inferior x =0 o a conforme es definido en (1)
% RRG = RRG p *100%

con base en la variacin del proceso
RRG p =
k M 6 O
2 2 Nota: RRG p 1 dado que desde O M por la ecuacin(1)
con base en el rango de tolerancia:
RRG p =
k M U L
En (4) y (5), normalmente k se toma como 5.15. Sin embargo, sin prdida de generalidad este anlisis toma k como 6 para simplificar la aritmtica.
Anlisis:
CpO = Cp A *
A O
Usando (1)
2 2 M O = Cp A * O
con el RRG basado en la variacin del proceso
CpO = Cp A *
O 1 RRG 2 usando (4) O

(6) 191
= Cp A * 1 RRG 2 o
Cp A =
CpO 1 RRG 2
(6)
Con RRG basado en el rango de tolerancia
RRG =
1 M * usando (2) y (5) CpO O
Consecuentemente
CpO = Cp A * 1 (CpO * RRG )
2
(7) (7)
y
Cp A =
1 (CpO * RRG )
CpO
192
Anlisis Grfico
Con base en (6) la familia de lneas para Cpo con respecto a CpA es:
3.5 3 2.5
10% 30% 50% 70%
Cp Observado
2 1.5 1 0.5 0 0.5 1 1.5 2 2.5
90%
Figura 39: Cp Observado vs. Actual (basado en proceso)
Cp Actual
Actual 1.3 1.3
10%
RRG 20% 30% 40% 50% 60% 70% Cp observado con el Cp en base al Rango del Proceso 1.29 1.27 1.24 1.19 1.13 1.04 0.93 Cp observado con el Cp en base a la Tolerancia 1.29 1.26 1.20 1.11 0.99 0.81 0.54 Tabla 20: Comparacin del Cp Observado con el Cp Actual
90% 0.57 nada
193
Con base en (7), la familia de lneas para CpA con respecto a Cpo es:
6.0 5.0 4.0
70%
60%
50%
Cp Actual
3.0 2.0 1.0 0.0
40% 30% 10%
0.5 0.6 0.7 0.8 0.9 1.0 1.1 1.2 1.3 1.4 1.5 1.6 1.7 1.8 1.9 2.0
Figura 40: Cp Observado vs. Actual (en base a la tolerancia)
Cp Observado
194
Tabla de Apndice C d2*
Apndice C Tabla d2*
195
Apndice D Estudio R de Gages
196
Apndice D
Estudio R de Gages
Aplicacin:
Ofrece una determinacin preliminar de la repetibilidad de un gage de corto plazo solamente. Puede ser usado para chequeo antes de envo por el proveedor del gage. Puede ser usado en preproduccin cuando la disponibilidad de partes es mnima. Puede ser usado durante el desarrollo del gage ej., para una comparacin rpida de las diferentes localizaciones de sujecin; comparacin de diferentes metodologas. Este mtodo NO PUEDE ser usado para aceptacin final de un gage sin otros mtodos MSA ms completos y detallados.
Supuestos:
La variacin y estabilidad del proceso no pueden ser conocidas hasta este punto en el tiempo. La linealidad y el sesgo no son aspectos crticos. La reproducibilidad no se considera aqu. El propsito es enfocarse solo a la repetibilidad del gage. La grfica I/MR (Lecturas Individuales / Rangos Mviles) ofrece una evaluacin mnima de la estabilidad.
Anlisis a travs de:

Tomar una parte, por un operador; colocar la parte en el dispositivo, medir; quitar la parte del dispositivo; repetir esto 9 veces ms con la misma parte y el mismo operador. Graficar los datos con una grfica IRM; evaluar la estabilidad. Si los datos aparecen no estables, aplicar acciones correctivas.83 Si aparecen estables, calcular el sigma de las lecturas individuales con s para todas las * lecturas o MR / d 2 ; multiplicar por 6; dividir este valor por la tolerancia de la caracterstica; multiplicar por 100%. Revisar el %Repetibilidad contra patrones de aceptabilidad del gage previamente establecidos, o usarlo para propsitos comparativos durante el desarrollo del gage.
83
Algo de juicio puede requerirse aqu, ya que 10 subgrupos de datos individuales son insuficientes para determinar la estabilidad; sin embargo, obvias inestabilidades pueden todava estimarse y ofrecer un valor para anlisis.
197
198
Apndice E Calculo Alternativo de PV Usando el Trmino de Correccin de Errores.
Apndice E
Calculo Alternativo de PV Usando el Trmino de Correccin de Errores
PV ha sido definido aqu como TV 2 RRG 2 . Dado que esta definicin de las partes puede incluir EV, puede haber ocasiones en que sea importante extraer la influencia de EV sobre PV. Esto puede hacerse con la frmula siguiente (ntese la similitud con la frmula de AV dnde las influencias de EV son extractadas).
PV =
(R
EV 2 2 ) K p 3 k r
donde RP = rango de los promedios entre partes, k = # de evaluadores, r = # de intentos. El reconocimiento de este mtodo para calcular PV fue publicado en 1997.84 Este mtodo se presenta aqu como la alternativa estadsticamente ms correcta para la definicin aceptada comn e histricamente de PV usada en este manual. Generalmente, cuando EV contamina a PV, lo hace en un alcance de solo un punto o dos porcentuales.
84
Datos Confiables es una Mercanca Importante, Donald S. Ermer y Robin Yang E-Hok, University of Wisconsin, Madison publicado en The Standard, ASQ Newsletter of the Measurement Quality Divisin, Vol 971, invierno, 1997.
199
Apndice E Calculo Alternativo de PV Usando el Trmino de Correccin de Errores.
200
Apndice F Modelo de Errores P.I.S.M.O.E.A.
Apndice F
Modelo de Errores P.I.S.M.O.E.A.
Similar a todos los procesos, un sistema de medicin es impactado por fuentes de variacin aleatorias y sistemticas. Estas fuentes de variacin son debidas a causas comunes y especiales (caticas). A fin de entender, controlar y mejorar un sistema de medicin, las fuentes potenciales de variacin deben ser primero identificadas. Aunque las causas especficas dependen de la situacin, un modelo general de errores puede ser usado para categorizar las fuentes de variacin de un sistema de medicin. Existen varios mtodos para presentar y categorizar estas fuentes de variacin, usando simples causas y efectos, matrices o diagramas de rbol. El acrnimo P.I.S.M.O.E.A.85 representa otro modelo til para definir un sistema de medicin por sus fuentes de variacin bsicas. No es solo un modelo sino que representa una aplicacin de apoyo universal.
Fuente de Error P Parte I S
M O E
Alias o Componente Parte de produccin, muestra lo que se mide, Unidad Bajo Prueba (UBP), artefacto y estndar de chequeo. Gage, unidad de M&TE, gage master mquina de Instrumento medicin, stand de prueba. Estndar/Patrn Escala, referencia, artefacto, estndar de chequeo, estndar intrnseco, consenso, Materiales Estndar de Referencia (MER), clase, criterios de aceptacin. Entrenamiento en el trabajo, verbal, instrucciones Mtodo de trabajo, plan de control, plan de inspeccin, programa de pruebas, programa de partes. Evaluador, tcnico de pruebas o calibraciones, Operador auditor, inspector. Medio Ambiente Temperatura, humedad, contaminacin, orden y limpieza, iluminacin, posicin, vibracin, energa elctrica, Interferencia Electromagntica (IEM), ruido, tiempo, aire. Estadsticos, operacionales, de calibracin, Supuestos constantes, valores de manuales, estabilidad trmica, mdulos de elasticidad, leyes de la ciencia.
Factor o Parmetro Desconocido

Medios de comparacin Valor conocido aceptado como verdadero*, valor de referencia o criterios de aceptacin Cmo Quin Condiciones de la medicin, ruido Criterios, constantes o suposiciones para una medicin confiable
*Los valores verdaderos actuales o fsicos son desconocidos. La fuente de error del alias vara con la aplicacin de las mediciones y la industria. Estos son ejemplos comunes. Sin embargo, el efecto de los parmetros y caractersticas siempre es el mismo.
85
P.I.S.M.O.E.A. fue originalmente desarrollado por Mr. Gordon Skattum, Seor ASQ CQE, metrologista y Director de Manufactura Integrada en Rock Valley College Technology Center.
201
Todos los mtodos de Anlisis de Sistemas de Medicin son herramientas de calidad. Todas las herramientas de calidad se basan en supuestos. Si se violan los supuestos, la herramienta llega a ser impredecible al mximo y pudiera conducir a una conclusin falsa en lo peor. Los supuestos estadsticos tpicos de un estudio R&R de gages incluyen: proceso normal, intentos aleatorios e independientes, estabilidad y criterios de pruebas repruebas. Cuando uno o ms supuestos se violen (ej., proceso de medicin no normal, sesgo del operador) la herramienta y anlisis llega a ser finalmente no estable, confusa y dudosa. Las evaluaciones del porcentaje de RRGs para el control del producto y el proceso pueden ser sobreestimadas. Existen tambin supuestos no estadsticos en relacin a los sistemas de medicin (ej., calibracin, operacional, coeficientes y proporciones de expansin, leyes fsicas y constantes. El planeador de las mediciones debiera ser capaz de identificar, controlar, corregir o modificar el mtodo MSA para ajustar violaciones significativas de los supuestos en el proceso de medicin. La violacin de los criterios de prueba reprueba siempre es una consideracin para las pruebas destructivas o los sistemas de medicin en proceso donde la caracterstica est cambiando. El planeador de las mediciones debe considerar hbridos apropiados, con modificaciones o tcnicas alternativas para el estudio del sistema de edicin estndar. Los supuestos tienden a contribuir en una mayor proporcin a la variacin total de las mediciones cuando: 1) se usen mtodos o herramientas ms poderosos (ej., ANOVA, anlisis de regresin, diseos de experimentos, predicciones de probabilidad y grficas de control), y 2) se incremente la precisin de las mediciones. Las aplicaciones de mediciones de alta precisin deben a menudo planearse para la correccin de coeficientes y expansin trmica, deformacin, arrastres o deslizamientos u otros supuestos en el proceso de medicin. El gran peligro para un analista de calidad o planeador de las mediciones en relacin a los supuestos es que se asuma que sean insignificantes o constantes y por tanto ignorados. La tabla abajo muestra ejemplos del modelo P.I.S.M.O.E.A. para tres diferentes situaciones de medicin.
202
Fuente de Error P
I S M
E A Propsito
Automatizacin del Proceso o Stand de Pruebas Partes de produccin aleatorias, rango Unidades de completo del proceso produccin, muestras de prueba, estndares de chequeo, artefactos Tipo nico para el gage de produccin CCD, MMC, stand de pruebas Escala, estndar master, o clase; Escala y geometra, cumple con la regla 1 a 10 estndares de referencia de prueba Procedimientos Operativos Estndar Sop documentado, (sop), a menudo verbales, pueden ser programa de CCD o documentados; plan de control ciclo de prueba automatizado Tpicos (2-3), entrenados, quienes Operador de pruebas normalmente operan restringido, y con entrenamiento especializado y habilidades Produccin y condiciones de operacin A menudo controlado estables
Estadsticos, a menudo ignorados
Produccin tpica, MSA Automotriz
Calibracin
Gages, UBP, muestra de prueba, lo que se mide Gage y equipo master Master, referencia, intrnseca o por consenso, artefacto Documentado, procedimiento formal de calibracin Tcnico calificado, evidencia de competencia en ISO 17025
Control Del Proceso (SPC)
Lmites de control optimizados, fuentes de error principales Estadsticos, con No puede asumirse, aplicacin especfica fuentes de error principales Control del producto, Control del producto, inspeccin 100% tolerancias de calibracin
El grado de influencia y contribucin a las variaciones de las mediciones para fuentes de errores especficas depende de la situacin. Una matriz, causas y efectos o diagrama de rbol de fallas ser una herramienta til para identificar y entender las fuentes dominantes de la variacin de las mediciones para control y mejoramiento. El anlisis de los sistemas de medicin empieza entendiendo el propsito y proceso de las mediciones mismas. Todas las fuentes de errores caticas y no legtimas deben ser retiradas. Un estudio de mediciones es un experimento planeado que sigue los siguientes conceptos: DEFINE las fuentes de error significativas, ARREGLA algo, permite uno o ms factores de CONTROL a cambiar, MIDE intentos mltiples, ANALIZA resultados y TOMA ACCIONES.
203
Glosario
204
Glosario
GLOSARIO
Ver el Manual de Referencia del Control Estadstico de los Procesos (SPC) para definiciones adicionales del glosario.
Anlisis de Regresin
Estudio estadstico de la relacin entre dos o ms variables. Clculo para definir la relacin matemtica entre dos o ms variables. Mtodo estadstico (ANOVA) a menudo usado en el diseo de experimentos (DOE), para analizar datos de variables de grupos mltiples, a fin de comparar promedios y analizar fuentes de variacin. Conjunto de operaciones que establecen, bajo condiciones especificadas, la relacin entre un dispositivo de medicin y un estndar rastreable con un valor de referencia e incertidumbre conocidos. La calibracin puede tambin incluir pasos para detectar, correlacionar, reportar o eliminar por ajustes cualquier discrepancia en la exactitud del dispositivo de medicin a ser comparado. Nmero de clasificaciones de datos o categoras que pueden ser distinguidas confiablemente y determinadas por una resolucin efectiva del sistema de medicin y la variacin de las partes de un proceso observado, para una aplicacin dada. Ver ndc. Estado operacional donde el propsito de las mediciones y los criterios de decisin aplican a la produccin de tiempo real para evaluar la estabilidad del proceso y lo que se mide o propiedad de la variacin del proceso natural; el resultado de una medicin indica que el proceso es estable y en control o fuera de control. Estado operacional donde el propsito de las mediciones y los criterios de decisin son evaluar lo que se mide o las propiedades para cumplir con una especificacin; el resultado de las mediciones es dentro de tolerancias o fuera de tolerancia. Recoleccin de observaciones bajo un conjunto de condiciones, que pueden ser variables (un valor cuantificado y unidad de medida) o discretas (atributo o datos de conteo tales como, aceptado / rechazado, bueno / malo, pasa / no pasa, etc.). Estimativo de la variacin combinada de los errores (aleatorios y sistemticos) de las mediciones y en base a evaluaciones de largo plazo del sistema de medicin; incluye todas las fuentes de variacin significativas y definibles en el tiempo. Grfica X -Y de daros para evaluar la relacin entre dos variables. Alias unidad ms pequea y legible, discriminacin es la resolucin en las mediciones, lmite de escala, o unidad detectable ms pequea del dispositivo de medicin y estndar / patrn. Es una propiedad inherente del diseo de un gage y reportada como una unidad de medicin o clasificacin. El nmero de categoras de datos es a menudo referido como razn de discriminacin dado que describe cuantas clasificaciones pueden distinguirse confiablemente dada la variacin
Anlisis de Varianza
Calibracin
Categoras de Datos Distintos
Control del Proceso
Control del Producto
Datos
Desempeo Diagrama de Dispersin
Discriminacin
205
Glosario
observada del proceso.
Distribuido en Forma Independiente e Idntica
Comnmente referido como dii. Grupo homogneo de datos que son independientes y distribuidos aleatoriamente en una distribucin comn. Estado de un proceso cuando solo muestra variaciones por causas aleatorias y comunes (en oposicin a las caticas, asignables o especiales). Un proceso que opere solo con variaciones aleatorias es estadsticamente estable. Variacin combinada y debida al sesgo del gage, repetibilidad, reproducibilidad, estabilidad y linealidad. Se refiere a la estabilidad estadstica de un proceso de medicin y a la estabilidad en las mediciones en el tiempo. Ambas son vitales para un sistema de medicin y adecuadas para su propsito esperado. Estabilidad estadstica implica un proceso predecible y bajo mediciones, operando dentro de variaciones de causas comunes (en control). La estabilidad de las mediciones (alias rumbo o direccin) aborda el cumplimiento necesario del estndar o referencia de las mediciones sobre una vida (tiempo) de operacin del sistema de medicin. Cercana por acuerdo entre el valor observado y el valor aceptado como referencia. Estudio planeado que involucra anlisis estadsticos de una serie de pruebas en el cual se hacen cambios a propsito a factores del proceso y a los efectos observados, a fin de determinar la relacin de las variables del proceso y mejorar el proceso mismo. Ver nota de la pgina vi.
En Control
Error del Sistema de Medicin
Estabilidad
Exactitud
Experimento Diseado Factor Multiplicativo 5.15 vs 6 RRG
Fuera de Control
Estado de un proceso cuando exhibe variaciones por causas caticas, asignables o especiales. Un proceso que est fuera de control es estadsticamente no estable. Grfica de la caracterstica de un proceso, basad en mediciones de una muestra y con un orden en tiempo, usada para desplegar el comportamiento de un proceso, identificar patrones de variacin del proceso, evaluar estabilidad e indicar la direccin del proceso mismo. Un estimativo de la variacin combinada de los errores (aleatorios y sistemticos) en las mediciones y en base a evaluaciones de corto plazo del sistema de medicin. Representacin grfica (grfica de barras) de la frecuencia de datos agrupados para ofrecer una evaluacin visual de la distribucin de los datos. Medida estadstica de la variacin dentro de los subgrupos exhibida para un proceso sobre un periodo largo de tiempo. Esta difiere del desempeo porque no incluye la variacin entre los subgrupos.
Grfica de Control
Habilidad
Histograma
Habilidad de Largo Plazo
206
Glosario
Incertidumbre
Parmetro asociado con el resultado de una medicin, que caracteriza la dispersin de los valores que pudiera estar razonablemente atribuida a los que se mide (VIM); el rango asignado a un resultado de medicin que describe, dentro de un nivel de confiabilidad definido, los lmites esperados que contienen los resultados de mediciones verdaderos. Incertidumbre es una expresin cuantificada de la confiabilidad de las mediciones. La ocurrencia de un evento variable que no tiene efecto sobre la probabilidad de otro evento variable que ocurra. El efecto combinado o resultados de dos o ms variables que es significativo. No aditividad entre evaluadores y partes. Las diferencias de los evaluadores dependen de la parte a ser medida. Cantidad especificada de tiempo o conjunto de condiciones entre calibraciones durante las cuales los parmetros de calibracin de un dispositivo de medicin son considerados como vlidos. Rango de valores esperados para incluir (bajo una cierta probabilidad deseada llamada nivel de confiabilidad) el valor verdadero de un parmetro. La diferencia en errores de sesgos sobre el rango de operacin esperado del sistema de medicin. En otros trminos, linealidad expresa la correlacin de errores de sesgos mltiples e independientes sobre el rango de operacin. Cantidad o sujeto particular a medir bajo condiciones especificadas; un conjunto definido de especificaciones par la aplicacin de una medicin. La ciencia de las mediciones. Nmero de categoras distintas. 1.41 PV
Independiente
Interaccin
Intervalo de Calibracin
Intervalo de Confiabilidad
Linealidad
Lo que se Mide Metrologa ndc
RRG
Nivel de Significancia
Nivel estadstico y seleccionado para probar la probabilidad de resultados aleatorios; tambin asociado con el riesgo, expresado como el riesgo alfa ( ), que representa la probabilidad de un error en las decisiones. Inhabilidad de tomar mediciones repetidas sobre la misma muestra o componente y debido a la naturaleza dinmica de lo que se mide. Ver ndc.
No Replicable Nmero de Categoras Distintas
Precisin
El efecto neto de la discriminacin, sensibilidad y repetibilidad sobre el rango (tamao, rango y tiempo) de operacin del sistema de medicin. El algunas organizaciones la precisin se usa en forma intercambiable con la repetibilidad. De hecho, la precisin es ms a menudo utilizada para describir la variacin esperada de mediciones repetidas sobre el rango de medicin. El rango puede ser tamao o tiempo. El uso de trminos componentes y ms descriptivos es generalmente preferido sobre el trmino precisin.
207
Glosario
Probabilidad
Estimativo (en proporcin o fraccin) basado en una distribucin particular de los datos recolectados, describiendo la probabilidad de que ocurra un evento especfico. Los estimativos de probabilidad varan entre 0 (evento imposible) y 1 (algo seguro). Conjunto de condiciones o causas trabajando juntas para producir un resultado. Estimativo de la variacin combinada de la repetibilidad y reproducibilidad para un sistema de medicin. La varianza de RRGs es igual a la suma de las varianzas dentro del sistema y entre sistemas. Estadstico que representa la proporcin matemtica del error del cuadrado de los promedios entre grupos y el error del cuadrado de los promedios dentro de los grupos, para un conjunto de datos usado para determinar la probabilidad de ocurrencia aleatoria en u nivel de confiabilidad seleccionado. Variacin aleatoria y por causas comunes que resulta de intentos sucesivos y bajo condiciones de medicin definidas. A menudo referida como variacin del equipo (EV) aunque esto es dudoso. El mejor trmino para repetibilidad es variacin dentro de los sistemas cuando las condiciones de las mediciones son arregladas y definidas parte acordada, instrumento, estndar / patrn, mtodo, operador, medio ambiente y supuestos. Adems de la variacin dentro de los equipos, la repetibilidad incluye toda la variacin interna de las condiciones en el modelo de errores en las mediciones. La habilidad de tomar mediciones repetidas sobre la misma muestra o componente, cuando no haya un cambio fsico significativo de lo que se mide o el ambiente de medicin. Intentos de pruebas mltiples bajo condiciones de repetibilidad (idnticas). La variacin en el promedio de las mediciones causada por un cambio en las condiciones normales del proceso de medicin. Tpicamente, se ha definido como la variacin en el promedio de las mediciones de la misma parte entre diferentes evaluadores (operadores), usando el mismo instrumento de medicin y mtodo y en un medio ambiente estable. Esto a menudo es verdad para instrumentos manuales influenciados por habilidades del evaluador. No es verdad, sin embargo, para procesos de medicin (ej., sistemas automatizados) donde el operador no es una fuente de variacin mayor. Por esta razn, la reproducibilidad es referida como el promedio de las variaciones entre sistemas o entre condiciones de mediciones. Puede aplicarse a la resolucin de las mediciones o a la resolucin efectiva. La habilidad o capacidad de un sistema de medicin para detectar e indicar fielmente si existen pequeos cambios sobre la caracterstica medida. (Ver tambin discriminacin). La resolucin de un sistema de medicin es si existe una probabilidad igual de que el valor indicado de cualquier parte y el cual difiera de una parte de referencia por menos que ser el mismo que el valor indicado
R&R de Gages
Razn / Proporcin F
Repetibilidad
Replicable
Replicado
Reproducibilidad
Resolucin
208
Glosario
de la parte de referencia. La resolucin de un sistema de medicin es impactada por el instrumento de medicin as como otras fuentes de variacin del sistema de medicin total. El tamao del incremento ms pequeo en el instrumento de medicin es la resolucin aparente. Este valor es tpicamente usado en la literatura como publicidad para clasificar el instrumento de medicin. El nmero de categoras de datos puede determinarse dividiendo el tamao entre la extensin (6) de la distribucin esperada del proceso.
Resolucin Aparente
NOTA: El nmero de dgitos desplegados o reportados no siempre indican la resolucin del instrumento. Por ejemplo, las partes medidas como 29.075, 29.080, 29.095, etc., son registradas como mediciones de cinco (5) dgitos. Sin embargo, el instrumento puede no tener una resolucin de 0.001 sino de 0.005.
El tamao de la categora de datos cuando se considere que la variacin total del sistema de medicin sea la resolucin efectiva. El tamao se determina por la longitud del intervalo de confiabilidad y en base a la variacin del sistema de medicin. El nmero de categoras distintas, ndc, puede determinarse dividiendo el tamao entre la extensin esperada de la distribucin del proceso. Para una resolucin efectiva, un estimativo estndar de ste ndc (en un nivel de confiabilidad del 97%) es 1.41 (PV / RRG). Ver Wheeler, 1989, para una interpretacin alternativa. La diferencia entre el promedio de las mediciones observadas (intentos sobre condiciones de repetibilidad) y el valor referencia; histricamente referido como exactitud el sesgo es evaluado y expresado como un solo punto dentro del rango de operacin del sistema de medicin. Seal de entrada ms pequea que resulta de la seal de un resultado detectable (discernible) para un dispositivo de medicin. Un instrumento debiera ser al menos tan sensible como sus unidades de discriminacin. La sensibilidad se determina por el diseo y calidad inherentes del gage, el mantenimiento en servicio y las condiciones de operacin. La sensibilidad es reportada en unidades de medicin. El conjunto de instrumentos o gages, estndares o patrones, operaciones, mtodos, dispositivos, software, personal, medio ambiente y supuestos usados para cuantificar una unidad de medida o una evaluacin de la caracterstica a ser medida; el proceso completo y usado para obtener mediciones. Desviacin permitida a partir de un valor estndar o nominal que mantiene la funcin, adecuacin y forma. Grupo de datos contiguos que cuentan con una moda. Valor de lo que se mide que sea reconocido y sirva como un valor master o de referencia acordado para comparaciones:
Resolucin Efectiva
Sesgo
Sensibilidad
Sistema de Medicin
Tolerancia Unimodal
Valor de Referencia
valor terico o establecido y basado en principios cientficos; valor asignado y basado en alguna organizacin nacional o internacional;
209
Glosario
valor por consenso y basado en trabajo experimental colaborativo y bajo los auspicios de un grupo cientfico o de ingeniera; o para una explicacin especfica, valor obtenido y acordad y usando un mtodo de referencia aceptable.
Valor consistente con la definicin de una cantidad especfica y aceptada, algunas veces en forma convencional, como apropiada para un propsito dado.
NOTA: Otros trminos usados como sinnimos del valor referencia. Valor referencia aceptable Valor aceptable Valor convencional Valor verdadero y convencional Valor asignado El mejor estimativo del valor Valor master Medicin del master
La variacin en las mediciones promedio de la misma parte (lo medido) entre los diferentes evaluadores (operadores) usando el mismo instrumento de medicin y mtodo y en un ambiente estable. La variacin del evaluador (AV) es una de las fuentes comunes de la variacin (error) de los sistemas de medicin que resulta de las diferencias en las habilidades del operador o la tcnica usando el mismo sistema de medicin. La variacin del evaluador es comnmente asumida como error de reproducibilidad y asociada con un sistema de medicin; sto no siempre es verdad (Ver Reproducibilidad) Relativo al anlisis de los sistemas de medicin, la variacin de las partes (PV) representa la variacin esperada de parte a parte y de tiempo a tiempo para un proceso estable. Variaciones debidas a la medicin de partes diferentes.
Variacin del Evaluador
Variacin de las Partes Variacin de Parte a Parte
210
Lista de Referencias
LISTA DE REFERENCIAS
1. 2. 3. 4. 5. 6. 7. 8. 9. 10. 11. ASTM E691-99, Standard Practice for Conducting an Interlaboratory Study to determine the Precision of a Test Method, (www.astm.org). ASTM E177-90, Standard Practice for Use of the Terms Precision and Bias in ASTM Test Methods. ASTM E456-96, Standard Terminology for Relating to Quality and Statistics. AT&T Statistical Quality Control Handbook, Delmar Printing Company, Charlotte, NC, 1984. Burdick, Richard K., y Larsen, Greg A., Confidence Intervals on Measures of Variability in R&R Studies, Journal of Quality Technology, Vol. 29, No. 3, Julio 1997. Dataplot, National Institute of Standards and Technology, Statistical Engineering Davison (www.itl.nist.gov). Deming, W. E., Out of the Crisis, Massachusetts Institute of Technology, 1982, 1986. Deming, W.E., The New Economics for Industry, Government, Education, The MIT Press 1994, 2000. Duncan, A. J., Quality Control and Industrial Statistics, 5 ed., Richard D. Irwin, Inc., Homewood, Illinois, 1986 Eagle, A. R:, A Meted For Handling Errors in Testing and Measuring. Industrial Quality Control, Marzo, 1954, pp.10-14 Ermer, Donald S., y E-Hok, Robin Yang, Reliable Data is an Important Commodity, University de Wisconsin, Madison; published in The Standard, ASQ Newsletter of the Measurement Quality Division, Vol. 97-1, Winter 1997. Foster, Lowell W., GEO-METRICS: The Metric Application of Geometric Tolerancing, AddisonWesley Publishing Company, Massachusetts, 1974. Gillespie; Richard, A History of the Hawthorne Experiments, Cambridge University Press, New York , 1991. Grubbs, F.E., On Estimating Precision of Measuring Instruments and Product Variability, Journal of the American Statistical Association, Vol. 43, 1948, pp. 243-264. Grubbs, F. E., Errors of Measurement, Precision, Accuracy and the Statistical Comparison of Measuring Instruments, Technometrics, Vol. 15, February 1973, pp. 53-66. Gruska, G. F., and Heaphy, M.S., Measurement Systems Analysis, TMI Conference Workshop, Detroit, Michigan, 1987. Guidance to the Expression of Uncertainty in Measurement, ISO/TAG 4/WG 3/ (1995) 211
12. 13. 14. 15. 16. 17.
Glosario
18. 19. 20. 21. 22. 23. 24. 25. 26. 27. 28. 29. 30. 31. 32.
Hicks, Charles R., Fundamental Concepts in the Design of Experiments, Holt, Rinehart and Winston, New York, 1973. Hahn, J. H. and Nelson, W., A Problem in the Statistical Comparison of Measuring Devices, Technometrics, Vol. 12., No. 1, Febrero 1970, pp. 95-102. Hamada, Michaeln and Weerahandi, Sam, Measurement System Assesment Via Generalized Inference, Journal of Quality Technology, Vol. 32, No. 3, Julio 2000. Heaphy, M. S., et. al., Measurement Systems Parameters, Society of Manufacturing Engineering-IQ81-154, Detroit, Michigan, 1981. International Vocabulary of ISO/ISE/OIML/BIPM (1993). Basic and General Terms in Metrology (abbr. VIM),
Ishikawa, Kaoru, Guidance to Quality Control, Asian Productivity Organization, 1986. Jaech, J.L., Further Tests of Significance for Grubbs Estimators, Biometrics, 27, December, 1971, pp. 1097-1101. James, P. D. Graphical Displays of Gages R&R Data, AQC Transaction, ASQC, 1991. Lipson, C., and Sheth, N. J., Statistical Design & Analysis of Engineering Experiment, McGrawHill, New York, 1973. Maloney, C. J., and Rostogi, S. C., Significance Test for Grubbs Estimators, Biometrics, 26, December, 1970. pp. 671-676. Mandel, J., Repeatability and Reproducibility, Journal of Quality Technology, Vol. 4, No. 2, April, 1972, pp. 74-85. McCaslin, J. A., and Gruska, G. F., Analysis of Attribute Gage Systems, ASQC Technical Conference Transactions, 1976, pp. 392-399. Measurement Systems Analysis Reference Manual, Second Edition, Chrysler, Ford, GM, Second Printing, 1998. Minitab Users Guide 2: Data Analysis and Quality Tools, Release 13 for Windows, Minitab, Inc., February 2000. Montgomery, Douglas C., and Runger, George C., Gauge Capability and Designed Experiments. Part I: Basic Methods; Part II: Experimental Design Models and Variance Component Estimation, Quality Engineering, Marcel Dekker, Inc., 1993. Nelson, L., Use of the Range to Estimate Variability, Journal of Quality Technology, Vol. 7, No. 1, January, 1975, pp. 46-48.
33.
212
Lista de Referencias
34. 35. 36. 37. 38. 39. 40. 41. 42.
Potential Failure Mode and Effects Analysis (FMEA) Reference manual, Third Edition, DaimlerChrysler, Ford, GM, 2001. Production Part Approval Process (PPAP), Third Edition, DaimlerChrysler, Ford, GM, 2000. Statistical Process Control Reference Manual (SPC), DaimlerChrysler, Ford, GM, Second Printing, 1995. Thompson, W. A., Jr., The Problem of Negative Estimates of Variance Components, Annals Mathematical Statistics, No. 33, 1962, pp. 273-289. Thompson, W. A., Jr., Precision of Simultaneous Measurement Procedures, American Statistical Association Journal, June, 1963, pp. 474-479. Traver, R. W., Measuring Equipment Repeatability The Rubber Ruler, 1962 ASQC Convention Transactions, pp. 25-32. Tsai, Pingfng, Variable Gauge Repeatability and Reproducibility Study Using the Analysis of Variance Method, Quality Engineering, Marcel Dekker, Inc. 1988. Vardeman, Stephen B., and Van Valkenburg, Enid S., Two-Way Random-Effects Analyses and Gauge R&R Studies, Technometrics, Vol. 41, No. 3, August 1999. Wheeler, D. J., Evaluating the Measurement Process When the Testing is Destructive, TAPPI, 1990 Polymers Lamination & Coatings Conference Proceedings, pp. 805-807 (www.tappi.org; plc90905.PDF). Wheeler, D. J., and Lyday, R. W., Evaluating the Measurement Process, SPC Press, Inc. Knoxville, Tennessee, 1989.
43
213
214
Formatos de Muestra
El lector cuenta con el permiso de reproducir los formatos de sta seccin
Los formatos de sta seccin cada uno representa un posible formato para la recoleccin y reporte datos de RRG. No son mutuamente excluyentes de otros tipos de formatos los cuales puedan contener la misma informacin y se logren los mismos resultados.
215
Hoja de Recoleccin de Datos de Repetibilidad y Reproducibilidad de Gages

Evaluador/ Intento No. 1 A1 2 3 Promedio Rango B1 2 3 Promedio Rango C1 2 3 Promedio Rango Promedio de Parte
R = ([(Ra =
PARTE 6
10
PROMEDIO
Xa = Ra =
Xb = Rb =
Xc = Rc =
X = Rp =
b
)] + [R
] + [R
]=
]) [# deEvaluadores =
]=
]=
R=
X DIFF = [X Max =
*
] [X Min =
X DIFF =
LCS R = R =
] [D
D 4 = 3.27 para 2 intentos y 2.58 para 3 intentos. LCSR representa el lmite de los Rs individuales. Circular aquellos que estn fuera de ste lmite. Identifica las causas y corrgelas. Repite estas lecturas usando el mismo evaluador y
*
unidad como se originalmente o descarta los valores y recalcula el promedio y R y el valor lmite de las observaciones restantes.
Notas:
216
Reporte de Repetibilidad y Reproducibilidad de Gages (RRGs)

Nombre y No. de Parte: Caractersticas: Especificaciones:
Nombre del Gage: No. de Gage: Tipo de Gage:
Fecha: Hecho por:
Dato : R =
X DIFF = Anlisis de las Unidades de Medicin Repetibilidad Variacin del Equipo (EV)
Rp = % de Variacin Total (TV)

%EV = 100[EV/TV]
EV = R K 1
= R K 1
= = x . .
Intentos
2 3
K1
0.8862 0.5908
= 100 [ = %
Reproducibilidad Variacin del Evaluador (AV)
AV =
=
(X DIFF K 2 )2 (EV 2 nr )
)2 (
))
Evaluadores K2 2
0.7071
%AV =100 [AV/TV] = 100 [ / % ]
3
0.5231
Repetibilidad y Reproducibilidad (RRG)

RRG = EV 2 + AV 2
%RRG = 100 [RRG/TV]
=
=
+
.
Partes
2 3
K3
0.7071 0.5231
= 100 [ = %
Variacin de Partes (PV)
4 5
0.4467 %PV = 100 [PV/TV] 0.4030 0.3742 0.3534 0.3375 0.3249 0.3146 = 100 [ = % / ]
PV = Pp K 3
= x = .
6 7 8
Variacin Total (TV)

TV = RRG 2 + PV 2
=
=
+
.
9 10
ndc = 1.41 PV
= 1.41 [ =
RRG
.
)
/ ]
Para informacin sobre teora y constantes usadas en este formato, ver Manual de Referencia de MSA, Tercera Edicin
217
ndice
218
ndice
ndice
219
ndice
ndice A
Acuerdo por Reconocimiento Mutuo (ARM o MRA) 8. Aleatoriedad 116. Aleatorio 6, 16, 53, 57, 73, 88, 95, 116, 171. AMEF 11, 24. Anlisis de Varianza (ANOVA) 116. Artefacto- 5, 42. ASTM (American Society for Testing and Materials) ii, 6, 31, 49, 55. Atributo 122, 132, 146.
B, C
Calibracin 25, 37, 38 y 42. Causas y Efectos 15, 65. Ciclo de Vida de las Mediciones 24. Complejidad 23. Conjunto 42. Consistencia 7, 57. Control del Proceso 4, 12, 13, 16, 18, 22, 24,40, 48, 63, 72, 73, 92, 156, 196.. Control Estadstico 2, 5, 14, 16, 18, 49, 100, 122. Curva de Desempeo 41, 132, 133, 135, 135-138, 163-168.
D
Definicin Operacional 4, 5, 9, 12, 13, 41, 44, 65. Desempeo (de las Mediciones) 8, 16, 31, 41, 59-60, 76. Diagrama de Flujo 24, 25. Diseo de Experimentos 68. Dispositivos 36, 68.
E
Estndar de Calibracin 42. Estndar de Chequeo 43. Estndar (Patrn) de Trabajo 4. Estndar de un Master 63. Estable 4, 5, 7, 11, 12, 16, 21, 22, 13, 40, 43, 47, 76, 81, 85, 92, 143, 197. Estndar (Patrn o Norma) 4, 8, 11,12, 30, 31, 34, 39, 42-43, 53, 63, 70-71. Estndar (Patrn) de Transferencia 42. Ergonoma 38. Error Tipo I 17. Error Tipo II 17. Exactitud 5, 49 (ver tambin Sesgo)
220
ndice
Experimento del Embudo 21.
F
Facilidad de Lectura (ver Discriminacin o Resolucin) 5, 44, 50, 51, 54. Flexibilidad 31.
G
Gages 4. Grfica de Bigote 104, 143 (nota en pie). Grficas: Corridas 101. Errores 105. Promedios 98. Rangos 46, 100. Grfica de Correlacin 103. Grfica de Corridas 30, 101. Grficas de Control 7, 48, 81, 85. Grficas de Errores 105. Grficas X-Y 107, 108. Gua para la Expresin de la Incertidumbre de las Mediciones (GIM) 63.
H
Habilidad (de un Sistema de Medicin) 6, 7, 16. Habilidad de Largo Plazo 198. Histograma 82, 84, 106, 198.
I
Impulso (cambio) (ver Estabilidad) 5, 50. Incertidumbre 4, 8, 9, 42, 57, 60, 62-63. Interacciones 2, 3, 79, 103-4, 115-120, 180-184, 198.
J,K L
Lmites de especificacin 14, 17. Lmite Inferior de Control (LCL o LIC) 109. Lmite Inferior 132, 133, 135, 165. Lmite Superior de Control (LSC o UCL) 109, 171. Linealidad 6, 16, 50, 52, 76, 82, 88-91, 148, 198. Lo Medido 60, 62, 198.
221
ndice
M
Mantenimiento 7, 24, 25, 29, 30, 32, 35, 37, 51, 54, 56, 69, 87. Master 2, 23, 25, 29, 30, 32, 35, 42, 51, 54, 56, 68, 80, 82, 194. Meta 9, 18, 21. Medio Ambiente 36. Mtodo Analtico 132 MMC 13, 23, 58. Modelo Aditivo 181 Mtodo de Anlisis de Riesgos 122. Modelo de Errores P.I.S.M.O.E.A. Apndice F- 193.
N
NBS (Oficina Nacional de Estndares) 8. NIST (Instituto nacional de Estndares) 8, 9, 32, 44. NMI (Instituto Nacional de Mediciones) 8, 9, 44. No Replicable - 140, 141, 144, 145, 148, 199.
O, P
Planear-Hacer-Estudiar-Actuar (PHEA) 66. Precisin 6, 53, 60, 70, 199. Promedio 95, 98, 107, 155. Proporcin o Razn de Error, 17, 127, 129. Prueba Destructiva 140 141.
Q, R
R&R (ver Repetibilidad y Reproducibilidad de Gages o RRG). Rango 47. Rango de Operacin 5, 7, 51, 53, 72, 73, 84, 88, 90. Rango de Tolerancia 185, 189. Rastreabilidad 8, 9, 63. Regla 10 a 1 (10 a 1) 44. Regla del 10 ver Regla 10 a 1. Repetibilidad 6, 49, 53, 57, 60, 61 (y Sesgo), 81, 83, 92-115, 137, 142, 148, 173, 199. Repetibilidad de Gages (RG) Apndice D, 190. Repetibilidad y Reproducibilidad de Gages (RRGs) 6, 33, 56, 57, 63, 120, 147, 171. Replicable 140, 199. Reproducibilidad 6, 16, 54, 55, 56, 92-115, 163, 173, 200. Resolucin 5, 14, 40, 44, 45, 46, 74, 88, 200. Resolucin: Aparente 47, 200. Efectiva 5, 14, 37, 40, 45, 47, 200. Riesgo del Consumidor 17.
222
ndice
S
Sensibilidad 5, 7, 13, 37, 40, 45, 47, 53, 83, 87, 201. Sesgo 5, 49, 52, 61, 82 87. Sistema de Medicin iii, 2, 3, 4, 5, 7. S.W.I.P.E. 14.
T
Tolerancia 13, 23, 31, 40, 47, 72, 76, 115, 123, 201. Tolerancias y Dimensionamiento Geomtrico (T&DG) 29, 153.
U
Uniformidad 7, 16, 53, 57, 58, 59.
V
Valor de un Master 3, 43. Valor Observado 18, 105, 106. Valor de Referencia 4, 5, 8, 10, 43, 44, 49, 80, 81, 82, 105, 132-136, 142, 163, 201. Valor Verdadero 4, 5, 7, 10, 41, 44, 63, 157, 201. Variacin 5, 6, 7, 11, 13, 16, 18, 19, 24, 40, 46, 49, 51, 57, 65, 72. Variacin del Equipo (VE) 6, 53 (ver Repetibilidad). Variacin Dentro de las Partes 54, 93, 121, 153. Variacin de los Evaluadores (VU) 6, 107, 181. Varianza Observada del Proceso 18. VIM (Vocabulario Internacional de Trminos Bsicos y Generales de Metrologa) 8, 58.
W, X, Y, Z
223
ndice
224
Retroalimentacin
Proceso de Retroalimentacin del Usuario del Manual MSA

Consistente con el proceso de mejoramiento continuo, este manual de anlisis de sistemas de medicin (msa) de la industria automotriz est siendo sujeto a un proceso de revisiones peridicas y formales. En conjunto con el concepto de satisfaccin de los clientes, estas revisiones no solo acarrean consideraciones sobre cambios en requerimientos que apliquen de fabricantes de vehculos y de ao a ao, sino tambin de retroalimentacin de usuarios del manual para propsitos de hacerlo de mas valor agregado y efectivo a la industria automotriz y a las comunidades de usuarios. Al mismo tiempo, favor de sentirse libre de ofrecer, por escrito, sus comentarios de retroalimentacin, pros y cons, relativos a la facilidad de entendimiento del manual, facilidad hacia el usuario, etc., en las reas indicadas abajo. Por favor indique los nmeros de pginas especficos del manual cuando sea apropiado. Enviar su retroalimentacin a la direccin indicada abajo: Su Nombre Representando
Nombre de la Compaa/Divisin
Direccin
Telfono
Por favor liste sus tres clientes automotrices mas importantes y su localizacin. Localizacin del Cliente Localizacin del Cliente Localizacin del Cliente
Comentarios de Retroalimentacin (anexar hojas adicionales si es necesario)
Enviar Comentarios a: Automotive Industry Actino Group Suite 200 26200 Lahser Road Southfield, Michigan 48034 MSA, 3a Revisin. Por favor accese a www.aiag.org (o http://www.aiag.org/publications/quality/msa3.html) para emitir su retroalimentacin electrnicamente. 225

MSA 3 Español

Cargado por

Información del documento

Título original

Derechos de autor

Formatos disponibles

Compartir este documento

Compartir o incrustar documentos

Opciones para compartir

¿Le pareció útil este documento?

¿Este contenido es inapropiado?

Copyright:

Formatos disponibles

MSA 3 Español

Cargado por

Copyright:

Formatos disponibles

Anlisis de Sistemas de Medicin

ANLISIS DE SISTEMAS DE MEDICIN

Manual de Referencia Tercera Edicin

Gua Rpida de 3 Edicin de MSA

Michael H. Down General Motors Corporation

David R. Benham DaimlerChrysler Corporation

Peter Cvetkovski Ford Motor Company

Captulo I Guas y Lineamientos Generales para Sistemas de Medicin

Captulo 1 GUAS Y LINEAMIENTOS GENERALES PARA SISTEMAS DE MEDICIN

Captulo I Seccin A Guas y Lineamientos Generales para Sistemas de Medicin

Captulo I Seccin A Guas y Lineamientos Generales para Sistemas de Medicin

Calidad de los Datos de Medicin

Ver captulo 1, Seccin E para definiciones y discusin de la terminologa.

Captulo I Seccin A Guas y Lineamientos Generales para Sistemas de Medicin

Captulo I Seccin A Guas y Lineamientos Generales para Sistemas de Medicin

Resumen de Trminos1 Patrn

Discriminacin, facilidad de lectura, resolucin

Ver captulo 1, Seccin E para definiciones y discusin de la terminologa.

Captulo I Seccin A Guas y Lineamientos Generales para Sistemas de Medicin

Promedio del Sistema de Medicin

Captulo I Seccin A Guas y Lineamientos Generales para Sistemas de Medicin

R&R de Gages o RRGs

Habilidad de los Sistemas de Medicin

Captulo I Seccin A Guas y Lineamientos Generales para Sistemas de Medicin

Desempeo del Sistema de Medicin

Variacin de los Sistemas

Captulo I Seccin A Guas y Lineamientos Generales para Sistemas de Medicin

Institutos Nacionales de Mediciones

Captulo I Seccin A Guas y Lineamientos Generales para Sistemas de Medicin

Patrn de Longitud de Onda Medidor de Interferencias Laser MMC

Bloque/Comparador de Gages Referencia

Gage para Produccin

Gage para Dispositivos

Captulo l Seccin B El Proceso de Medicin

Proceso General Entradas Operacin Resultados

Proceso de Medicin Proceso Administrativo Mediciones Valor

Captulo l Seccin B El Proceso de Medicin

Propiedades Estadsticas de Sistemas de Medicin

Captulo l Seccin B El Proceso de Medicin

El analista de las mediciones siempre debe considerar significancias prcticas y estadsticas.

El analista de las mediciones siempre debe considerar significancias prcticas y estadsticas.

Captulo l Seccin B El Proceso de Medicin

Patrn Pieza de Trabajo Instrumento

Pieza de Trabajo (Parte)

Vas Robustercer Estabilidad

Figura 2: Diagrama de Causas y Efectos de la Variabilidad de los Sistemas de Medicin

Efectos de Deformaciones Linealidad

Validacin del Diseo

Coeficiente de Expansin Trmica Propiedades Elsticas

Variabilidad en los Sistemas de Medicin

Contaminacin de Aire Vibracin

Componentes Igualacin Sistema de Componentes

Captulo l Seccin B El Proceso de Medicin

Captulo l Seccin B El Proceso de Medicin

Efectos de la Variabilidad de los Sistemas de Medicin

Efectos en las Decisiones

Captulo l Seccin B El Proceso de Medicin

Control del producto Control del proceso

Tabla 1: Filosofa de Control e Inters Central

Efectos en las Decisiones de Productos

Captulo l Seccin B El Proceso de Medicin

Efecto en las Decisiones del Proceso

Captulo l Seccin B El Proceso de Medicin