Documentos de Académico
Documentos de Profesional
Documentos de Cultura
DEL PROCESO
Pgina 1
CONTENIDO
Contenido
1. IMPORTANCIA DE LA MEJORA CONTINUA 6
1.1 CALIDAD Y MEJORAMIENTO 6
1.2 HISTORIA DEL CONTROL ESTADSTICO DEL PROCESO 8
Antecedentes
8
CEP en occidente 11
CEP en Japn
12
Desarrollo del Control Estadstico del Proceso
14
Teorema del lmite central
15
Interpretacin
16
1.3 LAS 7 HERRAMIENTAS BSICAS PARA LA SOLUCIN DE PROBLEMAS
Hoja de verificacin o registro 18
Diagrama de Pareto
20
Diagrama de Dispersin 24
Histogramas 31
Lluvia de ideas (Brainstorming) 32
Diagrama de Causa efecto
33
Carta de tendencias
38
Diagrama de flujo 39
Pasos para la elaboracin de un diagrama de flujo 40
Diagrama de flujo de tiempo valor agregado
44
Diagrama de Flujo Fsico 45
Estratificacin
46
Las cartas de control
46
1.4 MTODOS LEAN PARA LA MEJORA 47
Los 7 desperdicios o Muda
47
Mtodos Lean para la mejora
48
Mapeo de la cadena de valor
48
Las 5 Ss y la administracin visual
51
Preparaciones rpidas (SMED) 52
Poka Yokes o A prueba de error 53
Trabajo estandarizado
54
1.5 LAS SIETE HERRAMIENTAS ADMINISTRATIVAS 55
Diagrama de Afinidad
56
Fig. 1.26 ejemplos de diagrama de interrelacionesDiagrama de rbol 60
Diagrama de rbol 61
Diagrama Matricial 64
Matrices de Prioridades o prioritizacin
68
1.6 MTODOS ESTADSTICOS PARA LA MEJORA DE CALIDAD
78
Cartas de control 78
Diseo de experimentos 79
Muestreo de aceptacin 80
1.7 ADMINISTRACIN POR CALIDAD TOTAL 82
Costos de calidad 83
2. MTODOS Y FILOSOFA DEL CONTROL ESTADSTICO DEL PROCESO (CEP)
Concepto de variacin
85
2.1 DISTRIBUCIN NORMAL
85
Estandarizacin de valores reales
91
2.2 PRUEBA DE NORMALIDAD 93
Pgina 2
18
85
X R
95
116
128
135
Pgina 3
Pgina 4
Pgina 5
Pgina 6
EUA
JAPON
LIE
Objetivo
LSE
Fig. 1.1 Enfoques de conformancia
Como los mtodos estadsticos tienen un papel importante en el mejoramiento
de la calidad, son objeto de estudio de la Ingeniera de calidad. Los datos
relacionados con la calidad se clasifican en atributos y en variables. Los de
atributos son discretos, enteros. Los de variables corresponden a mediciones
con valores reales como longitud, voltaje, etc. Existen diferentes herramientas
estadsticas para tratar con ambos tipos de datos.
Los productos no conformes o defectivos son los que no cumplen una o varias
especificaciones.
Un tipo especfico de no cumplimiento de especificaciones es llamado defecto o
no conformancia.
Caractersticas del producto: Son los elementos que en conjunto describen la
calidad del producto, evaluadas respecto a especificaciones, como son:
Fsicos: Longitud, peso, voltaje, viscosidad
Sensoriales: Gusto, apariencia, color
Relacionados con el tiempo: Confiabilidad, durabilidad, serviciabilidad.
Pgina 7
Pgina 8
Pgina 9
los aos 1920's y 1930's. Para evitar quejas y devoluciones de los clientes, los
productos se revisaban y separaban al final del proceso, identificando los
defectuosos por un departamento de Control de Calidad, sin embargo como la
inspeccin 100% realizada por personas tiene errores, se estableci un
departamento de Servicio para corregir los productos defectuosos en el
mercado.15 Se establecen despus planes de muestreo militares, asumiendo
que cualquier proceso producir defectos, los esfuerzos se enfocan a
detectarlos, no a prevenirlos. Los productos defectuosos, eran reprocesados o
desechados, incrementando los costos de produccin entre un 20 a 30% e
incrementando el precio final del producto al menos 20% 16, absorbiendo el
cliente las ineficiencias de la empresa. El departamento de Control de Calidad
se convierte en el "polica de la calidad" y se le responsabiliza de todos los
problemas de calidad en la empresa, est formado por especialistas y tcnicos
que se encargan principalmente de detectar defectos en el producto final.
Con objeto de reducir el costo de la no calidad se desarroll y aplic el Control
Estadstico del Proceso como una siguiente etapa.
Pgina 10
Pgina 11
Pgina 12
**
Distribucin de promedios
de las muestras
Universo
__
X
n
(1.1)
Pgina 13
X1
X-media 1
X2
X-media 2
X3
X-media 3
Frequency
10
8
6
4
2
0
Fig. 1.3
5
Promedios
Pgina 14
i 1
[y -
i 1
i ]
2
i
(2.5)
4
2
3
1
b)Proceso en control
en media y esv. est.
Pgina 15
H
Fig. 1.5 Las 7 herramientas estadsticas para la mejora y solucin de
problemas
Hoja de verificacin o registro
Se utiliza para reunir datos basados en la observacin del comportamiento de
un proceso con el fin de detectar tendencias, por medio de la captura, anlisis
y control de informacin relativa al proceso. Bsicamente es un formato que
facilita que una persona pueda tomar datos en una forma ordenada y de
acuerdo al estndar requerido en el anlisis que se est realizando. Las hojas
de verificacin tambin conocidas como de comprobacin o de chequeo
organizan los datos de manera que puedan usarse con facilidad ms adelante.
Pasos para la elaboracin de una hoja de verificacin:
Determinar claramente el proceso sujeto a observacin. Los integrantes deben
enfocar su atencin hacia el anlisis de las caractersticas del proceso.
Definir el perodo de tiempo durante el cul sern recolectados los datos. Esto
puede variar de horas a semanas.
Disear una forma que sea clara y fcil de usar. Asegrese de que todas las
columnas estn claramente descritas y de que haya suficiente espacio para
registrar los datos.
Obtener los datos de una manera consistente y honesta. Asegrese de que se
dedique el tiempo necesario para esta actividad.
Pgina 16
Pgina 17
25
25
35.71
35.71
B) Calibre fuera de
especificaciones
C) Material sucio y maltratado
23
48
32.85
68.56
55
10
78.56
61
8.57
87.13
E) Dimensiones fuera de
especificaciones
64
4.28
91.41
F) Inexactitud en cantidades
66
2..85
94.26
67
1.42
95.68
Pgina 18
68
1.42
97.7
I) Fallas en documentacin
69
1.42
98.52
70
1.4
99.94
DIAGRAMA PARETO
99.94
98.52
50
97.7
95.68
94.26
91.41
87.13
N
O
78.56
D
E
68.56
Q
U
25
E
23
J
A Figura 1.7a Diagrama de Pareto
7
S
35.71
6
Las quejas
A, B y C representan el 78.56%, siendo en estas en las que
debemos de enfocarnos primero a resolver.
Ejemplo:
Se tienen los gastos siguientes:
3
TIPO_G
2
TO 1
GASTO CANT
A
Pgina 19
%
A
C
U
M
U
L
A
D
O
Papele
ra
Toners
Vatico
s
Gasoli
na
Copiad
o
A
B
C
D
E
20
60
80
30
10
100
Count
60
100
40
50
0
C1
Count
Percent
Cum %
Percent
80
150
20
C
80
40.0
40.0
B
60
30.0
70.0
D
30
15.0
85.0
A
20
10.0
95.0
Other
10
5.0
100.0
Pgina 20
Frecuencia
Diagrama de Dispersin
Pgina 21
y x x xy
a
n x x
2
n xy x y
n x 2 x
Pgina 22
SCxy
SCx SCy
SCxy xy
SCx x
SCy y
x y
n
Donde:
r = Coeficiente de correlacin lineal
SCxy = Suma de cuadrados de xy
SCx = Suma de cuadrados de x
SCy = Suma de cuadrados de y
xy
x
y
n
Pgina 24
Diagrama de dispersion
tiempo de entrega ( y )
Pgina 25
Errores
20
12
36
28
44
25
32
5
Antiguedad
Conclusiones:
Pgina 26
Histogramas
17.87
18.03
18.69
19.94
20.20
20.31
24.19
28.75
30.36
30.63
33.51
33.76
34.58
35.58
35.93
36.08
36.14
36.80
36.92
37.23
38.65
39.02
39.64
40.41
40.58
40.64
43.61
44.06
44.52
45.01
45.70
45.91
46.50
47.09
47.21
47.56
47.93
48.02
48.31
48.55
49.36
49.95
50.02
50.10
50.10
50.72
51.40
51.41
51.77
52.43
55.08
55.23
55.56
55.87
56.04
56.29
58.18
59.03
59.37
59.61
62.53
62.78
62.98
63.03
64.12
64.29
65.44
66.18
66.56
67.45
70.37
71.05
71.14
72.46
72.77
74.03
74.10
76.26
76.69
77.91
81.21
82.37
82.79
83.31
85.83
88.67
89.28
89.58
94.07
94.47
2
3
4
5
6
18-35
36-53
54-71
72-89
90 en
adelante
Conclusiones:
Pgina 28
Pgina 29
Trace una lnea horizontal hacia la izquierda del cuadro que contiene la frase. A
esta lnea se le conoce como columna vertebral.
Coloque lneas inclinadas que incidan en la columna vertebral (causas
principales).
Dibuje lneas horizontales con flechas que incidan en las lneas inclinadas
conforme a la clasificacin de las causas (causas secundarias)
Dibuje lneas inclinadas que incidan en las lneas de las causas secundarias
(causas terciarias)
Clasifique las causas derivadas de la lluvia de ideas, de la siguiente manera:
Causas principales.
Causas secundarias.
Causas terciarias.
Jerarquice las causas por grado de importancia y defina aquellas que tengan un
efecto relevante sobre la caracterstica especfica.
Elabore y ejecute un programa de correccin de las causas relevantes.
Pgina 30
Mtodos
Materiales
Mediciones
Medio ambiente
Estas constituyen las causas primarias del problema y es necesario desafiarlas
para encontrar causas ms especficas secundarias y terciarias.
Se construye el diagrama espina de pescado con las causas primarias (Ms), a
partir de estas causas se agrupan las causas secundarias y terciarias derivadas
de la lluvia de ideas.
MEDICIONES
MAQUINAS
MANO DE OBRA
DIMENSIONES
INADECUADAS
FUERA DE
DIMENSIONES
ESPECIFICADS
VELOCIDAD DE
AVANCE
TEMPERATURA
ANGULO
INCORRECTO DE
LA FLAMA
FORMACION
HABILIDAD
PUNTA OXIDADA
FORMA
PUNTA
LIMITES
ERGONOMICOS
SOLDADURA DEFECTUOSA
UNION
SOLDADURA
SUPERFICIE
S CON
POLVO E
IMPUREZAS
SECUENCIA
SOLDADURA
TIEMPOS DE
ESPERA
LACA DE
PROTECCION
TERMINALES
DESOXIDANTE
CORTOS OXIDADOS
MEDIO AMBIENTE
MTODOS
MATERIALES
Pgina 31
Pgina 32
Carta de tendencias
Definicin:
Es una ayuda grfica para el control de las variaciones de los procesos
administrativos y de manufactura.
Usos:
Saber el comportamiento de un sistema o proceso durante el tiempo.
Tomar las acciones correctivas a tiempo si la tendencia afectar en forma
negativa.
Ejemplo: Se tienen los datos siguientes de errores de planeacin de la
produccin durante 15 semanas: Se puede hacer en Minitab con Stat, Quality
Tools, Run Chart, Subgroup size = 1
Pgina 33
Diagrama de flujo
Dentro de los sistemas de calidad resulta de gran utilidad representar la
estructura y relaciones de los sistemas mediante diagramas de flujo.
Ventajas de los diagramas de flujo
Proveen una secuencia grfica de cada uno de los pasos que componen una
operacin desde el inicio hasta el final. Permitiendo una mejor visualizacin y
comprensin del proceso.
Los diagramas de flujo pueden minimizar grandes volmenes de
documentacin, incluyendo la documentacin ISO 9000.
Facilitan el desarrollo de Procedimientos Estndar de Operacin.
Al tener un procedimiento de operacin estndar se reduce en gran medida la
variacin y el tiempo de ciclo.
Los diagramas de flujo permiten detectar reas de mejora en los procesos.
Pgina 34
Pgina 35
Pgina 36
SMBOL
O
TIEMP
O
(min.)
0.8
DISTANCI
A (pies)
50
0.4
Firmar el desprendible
0.1
0.3
0.2
10
0.4
1
0.2
0.8
50
Pgina 37
Pgina 38
Espera
Espera
Pgina 39
Edificio A
Edificio B
Figura 1.18 Ejemplo de diagrama de flujo fsico
EJERCICIO: Realizar un diagrama de flujo de un proceso
Pgina 40
Estratificacin
Figura 1.20 Carta de control con sus lmites de control y lnea central
Pgina 41
Pgina 42
Servicios no requeridos
Movimientos excesivos
e innecesarios
Transportes innecesarios
Inventarios innecesarios
Esperas o firmas innecesarios
Errores
Retrabados o reinspecciones
Pgina 43
Se identifican las actividades que representan Muda y que son actividades que
no agregan valor y se reducen o eliminan, quedando el proceso mejorado
como sigue:
Pgina 44
Pgina 45
Pgina 46
etc. ahora las mercancas clave estn cerca del mostrador y no se pierde
tiempo. Otro ejemplo es la obtencin de pasaportes en 40 minutos o un
trmite en las oficinas de hacienda.
Ejercicio: Identificar reas de oportunidad para implementar cambios
rpidos.
_______________________________________________________________.
_______________________________________________________________.
_______________________________________________________________.
Poka Yokes o A prueba de error
Pgina 47
Pgina 48
Diagrama de afinidad:
Organiza grandes cantidades de informacin
Diagrama doble de interrelaciones:
Muestra los enlaces de causas y efectos entre aspectos relacionados
Diagrama de rbol:
Diagrama los niveles de destalle para alcanzar un objetivo principal y los
objetivos secundarios relacionados
Diagrama Matricial:
Muestra las relaciones y correlaciones entre ideas
Matrices de prioridad:
Asigna prioridades a asuntos, tareas o posibles opciones con base en
criterios conocidos
Carta de Programa de Decisin de Procesos (CPDP):
Revela cadenas de eventos y planes de contingencia
Diagrama de redes y actividades:
Desarrolla u programa para tareas complejas
APLICACIONES
Las herramientas para la mejora continua se emplean de manera ideal
en los casos siguientes:
Dividir un requerimiento general de detalles especficos
Identificar y eliminar las causas raz de un problema
Programar actividades complejas
Planeacin de contingencia
Ayudar a una organizacin a pasar de la manera antigua de pensar a
otras formas ms novedosas de hacerlo
Realizar una seleccin final de una lista de opciones
Evaluar opciones de diseo de producto
Pgina 49
Diagrama de Afinidad
Pgina 50
Pgina 51
FUENTE
HTTP://WWW.SAPDESIGNGUILD.ORG/RESOURCES/GLOSSARY_USAB/IMAGES/AFFINITYE
E1.JPG
FUENTE:
HTTP://WWW.MEX.OPSOMS.ORG/DOCUMENTOS/TUBERCULOSIS/MEJORA/4_DIAGRAMA_AFINIDAD.PDF
Pgina 52
Pgina 53
1.25
Pgina 54
WWW.QUALITY
FUENTEHTTP://WWW.CALIDADEDUCATIVA.ORG/CONGRESO2008/MEMORIA/
TUFINO_COMPLEMENTARIO/TUFINO_INTERRELACION.PDF
Pgina 55
Pgina 56
Pgina 57
FUENTE:
HTTP://WWW.PROGRAMAEMPRESA.COM/EMPRESA/EMPRESA.NSF/PAGINAS/B274A80F363DE0
39C12570290041808D?OPENDOCUMENT
FUENTE
HTTP://DGPLADES.SALUD.GOB.MX/2006/HTDOCS/HG/NUEVAS/HESTRA7.PD
F
Pgina 58
FIG.
1.27
Pgina 59
FIG.
1.28
Pgina 60
Diagrama Matricial
FIG.
1.29
Pgina 61
Pgina 62
1.30
DIAGRAMAS MATRICIALES
27
FIG.
DIAGRAMA
FIG.
Pgina 63
FIG.
FIG.
Pgina 64
Ma
trices de Prioridades o prioritizacin
Pgina 66
Pgina 67
Banquete no disponible
= Seleccionado
Pgina 68
Pgina 69
Pgina 70
FUENTE
HTTP://SYQUE.COM/QUALITY_TOOLS/TOOLS/TOOLS12.HTM
Pgina 71
PASOS
Reunir el equipo apropiado.
Los miembros del equipo debern conocer a fondo las tareas y subtareas
Identificar todas las tareas que requiere el proyecto.
Determinar la secuencia de actividades.
Calcular el tiempo que se requiere cada actividad.
Calcular la ruta crtica del proyecto.
Calcular la fecha ms tarda de inicio y ms temprana de conclusin de
cada subtarea.
Calcular la holgura total.
Disear el diagrama de redes de actividades.
Pgina 72
Pgina 73
Pgina 75
Pgina 76
Pgina 77
CARACT.DE
PROCESO
Materias primas,
Componentes, etc.
Z1
Z2
ZQ
ENTRADAS NO CONTROLABLES
Fig. 1.42 Proceso de produccin, entradas y salidas
El principal mtodo para disear experimentos es el diseo factorial, en el cual
los factores son variados de tal forma de probar todas las posibles
combinaciones de los niveles de los factores.
El diseo de experimentos es una herramienta fuera de lnea es decir se utiliza
durante el desarrollo de los productos o procesos, ms que durante su
fabricacin.
Una vez que se han identificado las variables que afectan el desempeo del
proceso, normalmente es necesario modelar la relacin entre estas variables y
la caracterstica de calidad de inters. Para lo cual se puede utilizar el anlisis
de regresin.
El monitoreo en el proceso de las variables relevantes que afectan las
caractersticas de calidad se hace por medio de cartas de control.
Muestreo de aceptacin
Est relacionado con la inspeccin y prueba del producto, donde se selecciona
e inspecciona una muestra aleatoria de un lote mayor, resultando en una
aceptacin o rechazo de ese lote mayor, esto ocurre en la recepcin de
materias primas y componentes y en el producto terminado.
Tiene las siguientes ventajas:
El costo de evaluacin es menor que con la inspeccin al 100%
Se puede aplicar ms fcilmente cuando se trata de realizar pruebas
destructivas.
Se puede aplicar presin sobre la calidad de los lotes de proveedores ya que
con una pequea muestra puede ser rechazado el total de us lote.
Entre sus desventajas se encuentran:
Se pueden cometer errores al aceptar lotes defectivos, dada la probabilidad
finita de encontrar productos defectivos en la muestra.
Si los lotes no son uniformes, el muestreo no es una tcnica confiable.
No se garantiza que los lotes aceptados estn libres de defectivos.
Pgina 78
LOTE
MUESTRA ALEATORIA
ENVIO
INSPECCION
PROCESO
CLIENTE
b) INSPECCION DE RECIBO
ENVIO
INSPECCION
PROCESO
c) INSPECCION RECTIFICADORA
PROCESO
CLIENTE
INSPECCION
RECHAZO
SCRAP
RETR
DISPOSICIN DEABAJO
LOTES
0%
Tiempo
CONTROL DE
PROCESO
Pgina 79 DISEO DE
EXPERIMENTOS
Pgina 80
Costos de apreciacin
Inspeccin y prueba en recibo
Inspeccin y prueba de productos
Materiales usados en pruebas
Mantenimiento de equipo de prueba
Costos de prevencin
Son los costos asociados con los esfuerzos de diseo y manufactura enfocados
a la prevencin de defectos, de tal forma de hacer bien las cosas a la primera
vez.
Costos de apreciacin
Son los costos asociados con la medicin, evaluacin, o auditora a productos,
componentes y materiales comprados para asegurar su conformancia a los
estndares establecidos.
Costos de falla interna
Son los costos incurridos cuando los productos, componentes o materiales y
servicios no cumplen los requerimientos de calidad, y los defectos son
descubiertos antes de embarcar al cliente.
Costos de falla externa
Son los costos incurridos cuando el desempeo del producto no es el adecuado
una vez que lo utiliza el cliente.
Pgina 81
Pgina 82
Pgina 83
LIE
LSE
Fig. 2.4 Distribuciones normales con varias medias y desviaciones estndar
Pgina 84
Existe una relacin del porcentaje de probabilidad o rea bajo la curva normal
a la desviacin estndar. En la figura observamos por ejemplo que el rea bajo
la curva para
3 99.73%
= 95.46% y
Pgina 85
Ejemplo 2.1
a) Determinar el rea bajo la curva de menos infinito a Z = - 1.
P(Z<= -1) = 0.1587
b) Determinar el rea bajo la curva de menos infinito a Z = - 2.
P(Z<= - 2) = 0.0228
c) Determinar el rea bajo la curva entre Z >= -2. hasta Z <= -1
Pgina 86
Ejemplo 2.2
a) Determinar el rea bajo la curva de menos infinito a Z = 1.
P(Z <= 1) = 0.8413
b) Determinar el rea bajo la curva de menos infinito a Z = 2.
P(Z <= 2) = 0.9772 8
c) Determinar el rea bajo la curva de menos Z = 1 a Z = 2
P(1 <= Z <= 2) = 0.9772 0.8413 = 0.1369
Pgina 87
EJERCICIO 2.1:
Qu porcentaje del rea bajo la curva normal estndar o probabilidad est
incluido dentro de los siguientes rangos?
a) P(1.2 <= Z <= 2.2) = P(Z <= 2.2) P(Z <= 1.2) =
b) P(-2.1 <= Z <= -0.4) = P(Z <= - 0.4) P(Z <= -2.1) =
c) P( -1.3 <= Z <= 2.7) = P(Z <= 2.7) P(Z <= -1.3) =
d) P( Z >= 2.4) = P(Z <= -2.4) =
e) P( Z<=-2.9) + P(Z>= 3.1) = P(Z <= -2.9) + P(Z <= -3.1) =
f) P(Z>= 1.9) = P(Z <= -1.9) =
Estandarizacin de valores reales
En la prctica, se tienen valores reales de promedio diferentes de cero y con
desviacin estndar diferentes de uno, para determinar la probabilidad o rea
bajo la curva, se determina el nmero de desviaciones estndar Z
entre algn
XX
s
s se consideran slo los datos de una muestra.
485
30
=
Buscamos el valor correspondiente Z en las tablas de distribucin normal
estndar o por medio de Excel =distr.norm.estand(0.5). Z 0.5 = 0.69146 =
69.146%. donde la probabilidad de que la calificacin sea menor a 500 es P (X
P ( X 500)
Pgina 88
485
3 0 .8 5 %
Z.0 5
Fig. 2.7 Clculo del rea bajo la curva normal sin requerir Z
El resultado de la frmula = 0.8413. , dado que esta es la probabilidad P(X
24), la probabilidad buscada es: P(X > 24) = 1 - 0.8413= 0.1587
Pgina 89
EJERCICIO 2.2:
Un producto tiene un peso promedio de 75 Kgs. con una desviacin estndar
de 10Kgs.
a) Cul es la probabilidad de que un producto pese ms de 85Kgs.?
b) Cul es la probabilidad de que un producto pese menos de 55Kgs.?
c) Cul es la probabilidad de que el producto pese entre 60 y 80 Kgs.?.
d) Cul es la probabilidad de que el producto pese entre 55 y 70 Kgs.?
e) Cul es la probabilidad de que el producto pese entre 85 y 100Kgs.?
2.2 PRUEBA DE NORMALIDAD
Para probar normalidad de datos, se pueden utilizar los mtodos de Anderson
Darling o Ryan si el tamao de muestra es mayor a 15 y se utiliza la prueba de
Kolmogorov Smirnov para 15 datos o menos de muestra, observando la grfica
de probabilidad normal.
a) En el mtodo de Anderson Darling o Ryan Joiner, si el valor de probabilidad P
de la prueba es mayor a 0.05, se considera que los datos son normales. Seguir
los siguientes pasos:
Generar 100 datos aleatorios en Minitab con Media = 264.6 y Desviacin
estndar S = 32.02 con:
1. Calc > Random data > Normal
2. Generate 100 Store in columns C1 Mean 264.06 Estandar deviation 32.02
OK
Nos aseguramos que los datos se distribuyan normalmente con la prueba de
Anderson Darling o Ryan Joiner como sigue:
Stat > Basic statistics > Normality Test
Variable C1 Seleccionar Ryan Joiner test OK
El P value debe ser mayor a 0.05 para que los datos se distribuyan
normalmente
Pgina 90
Pgina 91
Z c X 0
(2.6)
Para encontrar la probabilidad de error tipo II, se debe asumir que Ho es falsa y
entonces hallar la distribucin de Zc. Suponiendo que la media de la
distribucin realmente es:
1 = 0 +
con > 0
Zc N
,1
n
Pgina 92
BAJO H0
BAJO H1
- Z/2
0
Z/2
Fig. 2.9 La distribucin de Zc bajo Ho y H1
Zc =
n /
n
n
Z / 2
Z / 2
(2.7)
Ejemplo 2.5: si los estndares especifican que la media de una lata de caf es
de 16.0 oz., y de acuerdo a la experiencia se sabe que la desviacin estndar
del contenido es de 0.1 oz. Las hiptesis son:
Ho: = 16.0
Ho: 16.0
Asumiendo una probabilidad de error tipo I de 0.05 y tomando una muestra de
9 latas, se tiene que el estadstico de prueba es:
Z 0 X 16
0.1
9
n
n
Z / 2
Z / 2
0.1 9
0.1 9
1.96
1.96
0.1
0.1
= (- 1.4 ) - ( -4.96 )
Pgina 93
= 0.1492
Es decir que la probabilidad de no rechazar Ho si la media es 16.1 oz. Es de
0.1492, o que la potencia de la prueba es de 1 - = 1 0.1492 = 0.8508.
De la ecuacin anterior para , se observa que es una funcin de n, y de ,
tomando como 0.05 y graficando contra d = / , se obtienen las curvas
caractersticas de operacin (OC).
(ver grfica de curva OC)
En las curvas OC se observa que:
Entre mayor sea el valor de , se reduce la probabilidad de error tipo II para
una n y dadas. Es decir que la prueba detecta ms fcilmente grandes
diferencias.
Conforme se incrementa n, la probabilidad de error tipo II es ms pequeo para
una y dadas. Es decir que la prueba se hace ms potente si se incrementa
el tamao de muestra.
Las cartas de control fueron desarrolladas por el Dr. Walter A. Shewhart de los
Bell Telephone Labs., se denominan Cartas de Control de Shewhart y se usan
para el monitoreo del proceso en lnea. A continuacin se explica la teora de
variabilidad de Shewhart.
Causas comunes y causas especiales
La variabilidad natural siempre existe en cualquier proceso de produccin, no
importa que tan bien diseado est. Esta variabilidad natural es denominada
causas comunes o aleatorias de variabilidad, un proceso que opera en estas
condiciones se dice que est en control estadstico.
Existen otras fuentes de variabilidad que pueden ser causadas por mquinas,
errores de operadores o materiales defectuosos. Esta variabilidad es muy
grande en relacin con la variabilidad natural y es originada por causas
especiales o asignables haciendo que el proceso opere fuera de control
estadstico (ver pgina siguiente).
De la figura cuando el proceso est en control, la mayor parte de la produccin
se encuentra dentro de los lmites de control (LSC y LIC). Sin embargo cuando
el proceso est fuera de control, una gran proporcin del proceso se encuentra
fuera de estos lmites.
El Objetivo del CEP es la deteccin oportuna de la ocurrencia de causas
especiales para tomar acciones correctivas antes de que se produzcan
unidades defectivas o no conformes, para esto se utilizan las cartas de control
en lnea, permitiendo tambin la estimacin de la capacidad o habilidad del
proceso y la reduccin continua de la variabilidad hasta donde sea posible.
Pgina 94
LIC
Fig. 2.10 Carta de control de Shewhart
Xi
cae dentro de los lmites de control; de otra forma se concluye que el
proceso est fuera de control y que la media del proceso tiene un valor
diferente del de 0, por decir 1, donde 1 0.
Se puede decir que las probabilidades de los errores tipo I y tipo II de la carta
de control, son esquemas de prueba de hiptesis para analizar el desempeo
de las cartas de control.
La probabilidad del error tipo I de la carta de control se presenta cuando se
concluye que el proceso est fuera de control cuando en realidad no lo est.
La probabilidad de error tipo II de la carta de control se presenta cuando se
concluye que el proceso est en control cuando en realidad est fuera de
control. La curva caracterstica de operacin (OC), con en el eje vertical,
indica la capacidad de la carta para detectar corridas de la media o rango del
proceso de diferentes magnitudes.
Ejemplo 2.6: Para el caso de pistones, evaluando la caracterstica de calidad de
dimetro interno del anillo. Si la media del proceso es 74 y la desviacin
estndar es de 0.01mm, con un tamao de muestra de n=5, se tiene:
La desviacin estndar de las medias es:
Pgina 95
.01
0.0045
n
5
Xi
central se asume que las medias
se distribuyen normalmente, se debe
espera que el 100(1- )% se encuentren entre 74 Z/2 (0.0045).
Si se escoge arbitrariamente a Z/2 = 3, se obtienen los lmites de control a 3
sigma:
LSC = 74 + 3 (0.0045) = 74.0135
LIC = 74 3 (0.0045) = 73.9865
74.0135
74
74.9865
Tiempo
(2.8)
Pgina 96
DISTRIBUCION
PROCESO
DE LOS VALORES
73.9865
DISTRIBUCION
DE LAS MEDIAS
INDIVIDUALES =.01
COMPORTAMIENTO DEL
LSC = 74.0135, LC = 74, LIC =
X 0.0045
PROCESO
SALIDA
SISTEMA DE
EVALUACIN
Verificacin
seguimiento
Implantar
Accin
Correctiva
Deteccin de causa
asignable
Identificar causa
raz del problema
Pgina 97
Pgina 98
la media tiende a ser seguido por otro valor arriba de la media y viceversa,
esto produce corridas lentas y largas en algn lado de la media.
4. Procesos no estacionarios: ocurren en los procesos qumicos e industrias de
proceso, los procesos son muy inestables y tienen corridas inestables alrededor
de una media fija. En estos casos se estabiliza el desempeo de los procesos
por medio de control automtico por retroalimentacin.
Las cartas de control han sido muy populares por las siguientes razones:
Son una herramienta probada para mejorar la productividad. Su aplicacin
exitosa ayuda a reducir desperdicios y retrabajos, que son factores que
reducen la productividad (productos buenos por hora).
Son efectivas como herramientas de prevencin de defectos. Apoyan el
concepto de hacerlo bien a la primera vez, es ms costoso seleccionar
productos buenos en un lote con productos defectuosos, que fabricarlos bien
desde el principio.
Evitan que se hagan ajustes innecesarios en el proceso. Apoyan el concepto de
si no esta mal, no lo arregles, ya que identifican las causas comunes de las
especiales, evitan que se hagan ajustes cuando slo se estn teniendo
variaciones aleatorias en el proceso.
Proporcionan informacin de diagnstico. Proporcionan un patrn de puntos
que permite la toma de decisiones para la mejora del proceso, al operador o al
ingeniero experimentado.
Proporcionan informacin acerca de la capacidad o habilidad del proceso.
Proporcionan informacin acerca de los parmetros importantes del proceso y
de su estabilidad con el tiempo, permitiendo la estimacin de la capacidad del
proceso para producir dentro de especificaciones.
SELECCIN DE LOS LMITES DE CONTROL
Abriendo los lmites de control decrece riesgo de error tipo I (falsa alarma) sin
embargo se incrementa el riego de error tipo II y viceversa. Con lmites de
control de 3-sigma la probabilidad de error tipo I es de 0.0027. Si se selecciona
el nivel de riesgo de error tipo I en 0.002 o 0.001 en cada lado, se tienen los
lmites de control a una distancia de 3.09-sigmas y los lmites de control sern:
LSC = 74 + 3.09 (0.0045) = 74.0139
LIC = 74 3.09 (0.0045) = 73.9861
Estos lmites de control se denominan lmites probabilsticos a 0.001. A
continuacin se presenta una comparacin entre lmites.
+3.09
+3.0
LC
-3.00
-3.09
Pgina 99
ARL
1
p
(2.9)
ATS ARLh
(2.10)
ARL1
1
1
2
p 0 .5
Diseo 2
n = 10
Frec. cada hora.
Pgina 101
Pgina 102
variabilidad. Las cartas de control son una herramienta importante para esta
mejora.
El CEP no sirve si se implanta y despus no se mantiene, ya que la mejora
continua debe ser parte de la cultura de la organizacin.
Para su implantacin es necesario el liderazgo gerencia y el trabajo en equipo,
as como evaluar los avances y comunicarlos a la organizacin, lo cual puede
motivar a mejorar otros procesos.
Los elementos recomendados para un programa de CEP exitoso son:
Liderazgo gerencial
Un enfoque de grupo de trabajo
Educacin y entrenamiento de empleados en todos los niveles
nfasis en la mejora continua
Un mecanismo para reconocer el xito y comunicacin hacia la organizacin.
Pgina 103
X R
cartas de control de
son ampliamente utilizadas para monitorear la
media y la variabilidad de las variables, con objeto de evitar o minimizar que se
tengan productos fuera de especificaciones y estabilizar los procesos.
LIE
MEDIA
MEDIA
LSE
LSE
LIE
MEDIA CORRIDA
MEDIA
LSE
LIE
DESVIACION
MAYOR A LA
Xi
media
=/
, y siendo que la probabilidad 1- de que cualquier media
muestral caer entre los lmites:
Pgina 104
Z / 2 X Z / 2
n
(3.1)
Z / 2 X Z / 2
X
i 1
(3.2)
R
i 1
(3.4)
Pgina 105
(3.5)
R
d2
(3.6)
LSC X
3R
d2 n
Lmite superior de control (LSC)
LIC X
3R
d2 n
Lmite inferior de control (LIC)
(3.7)
A2
Si de define a
LSC =
LIC =
X
X
3R
d2 n
se tienen las ecuaciones siguientes:
+ A2
- A2
(3.8)
Pgina 106
R=W
La desviacin estndar de R es:
R = d3
(3.9)
R d3
/ d2, resultando:
R
d2
(3.10)
LSC =
(3.11)
R
+3
d3
d3
+3
R
d2
R
d2
=
d3
d2
[ 1+ 3
d3
d2
] = D4
LIC =
-3
= -3
= [ 1- 3
] = D3
Donde las constantes A2 , d2 D3 y D4 se encuentran tabuladas en funcin de n
para facilitar el clculo de los lmites de control como sigue:
Tabla 3.1 Constantes para lmites de control en cartas X-R
A2
D3
D4
d2
2
3
4
5
6
7
8
9
10
1.88
1.023
0.072
0.577
0.483
0.419
0.373
0.337
0.308
0
0
0
0
0
0.076
0.136
0.184
0.223
3.267
2.574
2.282
2.115
2.004
1.924
1.864
1.816
1.777
1.128
1.693
2.059
2.326
2.534
2.704
2.847
2.97
3.078
Eficiencia
Relativa
1.000
0.992
0.975
0.955
0.930
0.850
Pgina 107
Para n >= 10 el rango pierde eficiencia rpidamente ya que ignora los valores
intermedios entre xmax y xmin sin embargo para valores pequeos de n (4,5 o 6)
empleados en las cartas de control, es adecuado. Para cuando n>10 se utiliza
la desviacin estndar en vez del rango.
EQUIPO DE MEDICIN
La resolucin del equipo debe ser de al menos 1/10 de la tolerancia y debe
tener habilidad para realizar la medicin con un error por Repetibilidad y
Reproducibilidad (R&R) menor al 10% (ver procedimiento de estudios R&R).
LIMITES PRELIMINARES
Siempre que un proceso este siendo analizado a travs de una carta de control,
es muy importante llevar una bitcora registrando todos los cambios (tiempo y
descripcin) conforme ocurran, por ejemplo: cambio de turno, cambio de
materiales, ajuste de mquina, interrupcin de energa, arranque de mquina,
etc. Con objeto de identificar las causas asignables en caso de presentarse
para la toma de acciones correctivas.
Al iniciar una carta de control tomando m subgrupos (20 a 25) se calculan y
grafican los lmites de control preliminares para determinar si el proceso estuvo
en control (ver procedimiento de Grficas de Control). Para probar esta
hiptesis, se analizan todos los puntos graficados y se hace un anlisis para
identificar si hay puntos fuera de los lmites de control o patrones anormales de
comportamiento, si as fuera, los lmites de control preliminares se pueden
utilizar para el control futuro del proceso.
Si no se prueba la hiptesis de que el proceso est en control, por algn patrn
de anormalidad presente, se determina la causa especial de la anormalidad, se
toman acciones correctiva para que no vuelva a presentar, se eliminan los
puntos correspondientes al patrn de anormalidad y se re-calculan o revisan
los lmites de control. Se analiza la carta de control para observar un
comportamiento aleatorio, si aun no se tiene, se repite el proceso anterior
hasta lograrlo. Una vez teniendo todos los puntos en control, los nuevos
lmites de control ms cerrados que los originales se utilizan para el control
futuro del proceso.
Cuando no sea posible encontrar causas especiales para los patrones de
anormalidad o puntos fuera de control, no se eliminan y se consideran para la
determinacin de los lmites de control revisados para el control futuro del
proceso.
X R
Pgina 108
LSC
LC
LIC
Fig. 3.2 Patrn de anormalidad cclico
Mezclas de lotes: Se presenta cuando los puntos graficados se localizan cerca o
fuera de los lmites de control, con muy pocos puntos cerca de la lnea central,
puede ser causada por un sobre control de los operadores sobre el proceso o
cuando se toman productos de varias fuentes con diferente media.
Pgina 109
LSC
LC
LIC
Fig. 3.3 Patrn de anormalidad con mezcla de lotes
Corrimiento en la media del proceso. Esto puede ser generado por un cambio
en mtodos, operadores, materias primas, mtodos de inspeccin, etc.
LSC
LC
LIC
Fig. 3.4 Patrn de anormalidad con corrimiento en media
Una tendencia ascendente o descendente: Son causadas por deterioracin
gradual de herramientas u otro componente crtico del proceso, en los procesos
qumicos puede deberse a la separacin de algn componente.
LSC
LC
LIC
Fig. 3.5 Patrn de anormalidad de tendencia ascendente
Estratificacin: Se muestra como una adhesin a la media, puede ser causado
por lmites mal calculados, tomar piezas de procesos diferentes o falta de
resolucin del equipo de medicin.
LSC
LC
LIC
Fig. 3.6 Patrn de anormalidad de estratificacin
Por lo general la carta R es ms sensible a cambios en la normalidad de los
procesos, por ejemplo cuando n = 4 el error tipo I no es 0.00027 sino 0.00461.
En resumen los patrones de anormalidad ms comunes son:
Un punto fuera de los lmites de control
Siete puntos formando una tendencia ascendente o descendente
Dos de tres puntos a ms de dos sigma de la lnea central en el mismo lado
Pgina 110
Cuatro de cinco puntos a ms de una sigma de la lnea central del mismo lado.
Siete puntos en secuencia sobre o bajo la lnea central
Catorce puntos alternndose arriba y debajo de la media
Quince puntos dentro de una sigma de la lnea central en ambos lados
Cualquier otro patrn de anormalidad
Ejemplo 3.1 Para el caso de anillos de pistones de automvil, se desea
establecer un control estadstico para el dimetro interno de los anillos, a
travs de una carta de medias-rangos. Se toman 25 subgrupos de 5 piezas
cada uno.
LICR =
de 0.023mm (ver
D3 = 0.023 (0) = 0
LSCR =
LSC =
LIC =
X
X
+ A2
- A2
es 74.001
X11
X12
X13
X14
X15
Media
s
138.1
149.3
110.8
142.1
138.7
105.0
137.4
134.0
125.4
92.3
130.1
124.5
Pgina 111
Rango Desv.
s
Est.
27.9
57.0
12.1
24.7
115.9
118.5
108.2
102.8
120.4
132.7
136.4
135.0
139.6
125.3
145.7
138.6
110.1
145.2
125.9
129.7
123.4
144.8
135.6
116.5
123.8
112.0
84.3
151.1
126.2
115.4
127.9
160.2
101.8
139.0
114.6
101.0
135.3
97.3
150.0
138.3
124.2
130.2
117.1
135.0
112.8
124.0
154.7
149.1
151.1
130.4
149.5
131.9
165.1
154.6
121.5
130.5
161.6
119.6
155.0
122.6
142.4
135.0
118.5
123.9
127.1
138.3
143.7
152.4
113.3
140.2
113.8
120.2
147.9
109.0
148.4
151.8
117.4
100.2
150.9
145.8
119.3
105.1
173.2
130.4
110.5
165.1
151.8
141.1
139.6
117.3
105.0
150.5
154.2
142.7
129.6
117.6
128.5
126.1
111.1
127.4
143.5
133.6
134.6
146.7
132.4
138.2
128.6
127.7
127.1
123.4
147.5
139.4
39.1
30.0
42.7
43.0
36.1
46.0
47.0
33.7
40.6
39.8
50.0
9.2
55.0
53.6
42.9
53.2
38.2
32.2
16.2
11.1
17.7
17.9
15.2
16.7
20.2
12.3
15.9
17.9
23.2
3.6
23.5
21.8
16.0
20.7
14.4
12.1
150
140
__
X=130.88
130
120
110
LCL=107.31
1
11
Sample
13
15
17
19
UCL=86.40
Sample Range
80
60
_
R=40.86
40
20
0
LCL=0
1
11
Sample
13
15
17
19
Sample Mean
180
1
1
1
1
UCL=169.04
165
__
X=144.26
150
135
120
LCL=119.47
1
1
10
13
16
Sample
19
22
25
28
UCL=90.9
Sample Range
80
60
_
R=43.0
40
20
0
LCL=0
1
10
13
16
Sample
19
22
25
28
Pgina 113
129.8
145.2
114.6
125.2
145.9
123.6
85.8
107.4
98.3
132.8
111.0
86.4
109.5
114.0
156.3
148.7
134.0
106.1
108.8
64.4
84.9
135.4
119.7
127.4
105.1
131.0
177.5
137.1
129.8
83.2
96.2
125.0
133.1
99.2
121.6
117.5
110.6
107.6
153.0
127.2
120.1
122.9
126.7
106.1
116.1
112.8
122.2
127.1
35.7
46.0
68.7
72.7
61.0
52.2
70.5
41.3
Sample Mean
UCL=153.18
140
__
X=127.06
120
LCL=100.95
100
1
10
13
16
Sample
19
22
25
28
Sample Range
100
UCL=95.7
75
_
R=45.3
50
25
0
LCL=0
1
10
13
16
Sample
19
22
25
28
HORA
X1
X2
X3
X4
X5
Medias
Rangos
1
2
3
4
5
6
7
8
9
-30
0
-50
-10
20
0
0
70
0
50
50
10
-10
-40
0
0
-30
0
-20
-60
20
30
50
40
20
30
20
10
-20
30
-20
20
-40
-20
-10
-20
30
30
20
50
10
20
-10
0
10
8
0
6
8
12
4
-2
12
2
80
110
80
70
90
80
40
100
40
Pgina 114
10
11
12
13
14
15
16
17
18
19
20
10
40
30
30
30
10
0
20
10
50
50
20
0
20
-30
-10
-10
0
20
-20
-10
0
30
20
30
0
50
50
30
30
50
40
0
10
0
10
10
-10
40
-10
30
30
20
30
50
20
40
10
-30
0
0
-20
10
0
10
24
16
26
4
6
18
4
16
16
20
18
40
40
30
60
80
60
40
50
70
60
50
40
20
__
X=10.9
0
-20
LCL=-25.73
1
11
Sample
13
15
17
19
150
Sample Range
UCL=134.3
100
_
R=63.5
50
LCL=0
1
11
Sample
13
15
17
19
Pgina 115
Mean
StDev
N
AD
P-Value
95
90
10.9
8.065
20
0.355
0.425
Percent
80
70
60
50
40
30
20
10
5
-10
10
Medias
20
30
Mean
StDev
N
AD
P-Value
95
90
63.5
22.54
20
0.478
0.210
Percent
80
70
60
50
40
30
20
10
5
20
40
60
Rangos
80
100
120
e
Por las pruebas de normalidad de rangos y medias, se deduce que el proceso
est en Control Estadstico (en ambos casos el P value es mayor a 0.05).
Pgina 116
Subgrup
o1
2
4
3
5
1
09:00
a.m.
3
4
Subgrup
o2
5
3
6
7
4
10:00
a.m.
5
4
Subgrup
om
3
4
1
5
2
11:00
a.m.
3
4
+ 0.577x
R
X
LIC =
- 0.577x
Pgina 117
Sample Mean
602
601
_
_
X=599.938
600
599
598
LCL=597.629
2
10
Sample
12
14
16
18
UCL=8.465
Sample Range
8
6
_
R=4.003
4
2
0
LCL=0
2
10
Sample
12
14
16
18
Ejercicio Hacer una carta X-R utilizando las fichas de ejemplo por
equipos.
Pgina 118
PROMEDIOS
RANGOS
INICIALES
SUMA
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
INSTRUCCIONES
% Z Inf.:
CPK:
0.58 2.11
0.73 2.28
1.02 2.57
D3
B4
2.33 2.09
2.06 2.27
1.70 2.57
1.13 3.27
d2
CONSTANTES
D4
1.88 3.27
A2
F) Otro (indicar)
E) Fin de turno
D) Cambio de modelo
B3
B) Falta de material
produccin
A) Fin de corrida de
de graficar de acuerdo a la
falla.
acciones realizadas o
del comportamiento en la
Manufactura.
supervisor o Ing. de
no es posible llame a su
patrones anormales de
% NC:
% Z Sup.:
Cp. :
L.I.C. R
TIPO DE EVALUACIN
L.S.C. R
FRECUENCIA
MUESTRA
L.I.C.x
CALIBRADOR
L.S.C.x
CARACTERSTICA
MAQUINA
FECHA DE TERMINO
L.I.E.
OPERACIN
FECHA DE INICIO
L.S.E.
REA
No. DE GRAFICA
NOMINAL
No. DE PARTE
CAUSAS DE NO
FECHA
LECTURAS
UNIDADES
NOMBRE DE PARTE
HORA
Pgina 119
R
d2
0.023
2.326
=
=
= 0.0099
Donde el valor de d2 se encuentra en las tablas de constantes para una n=5. Si
la especificacin de los anillos de pistones es de 74.000 0.05 mm, se tienen
como lmites inferior y superior de especificaciones los siguientes:
LIE = 73.950
LSE = 74.0500
Los lmites de tolerancia naturales del proceso inferior y superior (LTNI y LTNS)
se encuentran a 3-sigma del proceso por abajo y por arriba de la media del
proceso, o sea en:
LTNS =
LTNI =
X
X
LIE LTNI
MEDIA
LTNS LSE
Fig. 3.14 Localizacin de Lmites de especificaciones y naturales
Se observa que los lmites de tolerancia naturales del proceso se encuentran
dentro de los lmites de especificacin, por tanto en principio no se observa
que haya partes fuera de especificaciones.
Otra forma de expresar lo anterior es con el ndice de habilidad potencial Cp (o
PCR) siendo:
Cp =
LSE LIE
6
(3.12)
74.05 73.95
0.10
1.68
6(0.0099)
0.05984
Cp =
Pgina 120
LTNI LIE
LSE
LTNS
Caso 2. Si Cp es igual a 1, implica que las bandas para los lmites de tolerancia
natural y de especificaciones coinciden (aunque para el caos de 3-sigma aun
hayan 2700 ppm fuera de especificaciones).
LIE
LNTI
LSE
LNTS
Pgina 121
LIE LTNI
LTNS LSE
73.950 74.001
74.050 74.001
0.0099
0.0099
=
= (-5.15) + 1 - (4.04)
0 + 1 0.99998
0.00002
Por lo anterior alrededor de 0.002% o 20 partes por milln (ppm) de los anillos
producidos estarn fuera de especificaciones.
Pgina 122
USL
Within
Overall
Process Data
LSL
85
Target
*
USL
175
Sample Mean
127.063
Sample N
150
StDev(Within) 19.4626
StDev(Overall) 19.8965
60
Observed Performance
PPM < LSL 26666.67
PPM > USL
6666.67
PPM Total
33333.33
80
100
120
140
160
Pgina 123
180
0.75
0.70
0.80
0.70
*
Ejemplo 3.3. Para las cartas X-R se tiene el clculo de la capacidad o habilidad
del proceso, una vez estable (considerando que los lmites de especificacin
son -80 y +80):
USL
Within
Overall
Process Data
LSL
-80
Target
*
USL
80
Sample Mean
10.9
Sample N
100
StDev(Within) 27.3001
StDev(Overall) 25.2301
-60
Observed Performance
PPM < LSL 0.00
PPM > USL 0.00
PPM Total
0.00
-30
30
1.06
1.20
0.91
0.91
*
60
Pgina 124
como en la
carta R y recalcular los lmites de control, para usarse en el control futuro del
proceso.
LMITES DE CONTROL, DE ESPECIFICACIN Y DE TOLERANCIA NATURAL
Es importante hacer notar que no existe ninguna relacin matemtica entre los
lmites de especificacin y los de control o los de tolerancia natural.
Los lmites de especificacin son establecidos externamente al proceso por
ingenieros de manufactura, el cliente o por los diseadores del producto.
SUBGRUPOS RACIONALES
Para el caso de la carta de medias-rangos, los subgrupos se seleccionan de tal
forma de minimizar la variabilidad entre muestras individuales, observando
slo su variabilidad aleatoria y maximizando la posibilidad de detectar corridas
en la media del proceso en funcin del tiempo.
R ant
R nuevo
X
X
R ant
+ A2 [d2 nuevo / d2 ant ]
(3.14)
R ant
- A2 [d2 nuevo / d2 ant ]
R ant
LSCR = D4 [d2 nuevo / d2 ant ]
(3.15)
Pgina 125
LCR =
R nuevo
R ant
[d2 nuevo / d2 ant ]
R ant
LICR = max { 0, D3 [d2 nuevo / d2 ant ]
CARTA
LIM.INF.NVO.
LIMITE SUP. ANT.
LIMITE SUP.NVO.
CARTA R
0
Fig. 3.17 Revisin de lmites de control cambiando de n=5 a 3
Como se puede observar el efecto de reducir el tamao de muestra hace que
Pgina 126
X R
Si en la carta para
se conoce la desviacin estndar del proceso y es
constante, cuando la media del proceso 0 cambia a otro valor 1 = 0 + k , la
probabilidad de no detectar el cambio en la primera muestra subsecuente es el
riesgo , donde:
= P { LIC <=
<= LSC 1 = 0 + k }
(3.16)
dado que
n
LSC = 0 + L /
(3.17)
n
LIC = 0 - L /
Xi
LC
( ZLIC, x)
LIC
-
Fig. 3.18 Clculo del error Beta o tipo II
LSC ( 0 k )
/ n
Entonces =
LIC ( 0 k )
/ n
0 L / n ( 0 k )
/ n
0 L / n ( 0 k )
/ n
Pgina 127
(3.18)
n
=(Lk
(3.19)
n
)-(-Lk
X R
5
=(32
)-(-32
= (-1.47) - (-7.37)
= 0.0708
5
)
1
1
ARL =
(3.20)
En este caso
ARL = 1 / 0.25 = 4. Es decir que el se requieren tomar
cuatro muestras antes de detectar un corrimiento de 1.0 con n = 5.
Para construir la curva OC para la carta de rangos, se utiliza la distribucin del
rango relativo W=R/. Si el valor de la desviacin estndar cuando el proceso
est en control es 0, entonces la curva OC muestra la probabilidad de no
detectar un corrimiento a un nuevo valor 1, donde 1>0 , en la primera
muestra despus del corrimiento. Se grafica contra = 1/0.
Por ejemplo si = 2 con n=5, slo se tienen una probabilidad del 40% de
detectar este corrimiento en cada muestra subsecuente. Por tanto la carta R
Pgina 128
(3.22)
yS
Pgina 129
40
20
__
X=10.9
0
-20
LCL=-25.11
1
11
Sample
13
15
17
19
60
Sample StDev
UCL=52.71
45
30
_
S=25.23
15
0
LCL=0
1
11
Sample
13
15
17
19
1 c4
la desviacin estndar de S es
2
c4
n 1
1/ 2
(n / 2)
(( n 1) / 2)
(3.18)
CASO DE n CONSTANTE
Con esta informacin se pueden establecer los lmites de control para la carta
1 c4
LSCs = c4 + 3
(3.20)
LCs
= c 4
= B6
LSCX = + A
LC =
1 c4
LICs = c4 - 3
= B5
LICX = - A
Pgina 130
1 m
Si
m i 1
(3.21)
__
S
c4
(3.22)
S 3
S
1 c 42
c4
LSCs =
S
= B4
(3.23)
S
LCs =
S 3
S
1 c 42
c4
LICs =
S
= B3
Pgina 131
LSCx =
(3.24)
LCx =
c4 n
S
+ A3
X
3
LICx =
S
c4 n
S
- A3
c4
A3
B3
B4
B5
B6
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
0.94
0.9515
0.9594
0.965
0.9693
0.9727
0.9754
0.9776
0.9794
0.981
0.9823
0.9835
0.9845
0.9854
0.9862
0.9869
0.9876
0.9882
0.9887
0.9892
0.9896
1.342
1.225
1..134
1.061
1
0.949
0.905
0.866
0.832
0.802
0.775
0.75
0.728
0.707
0.688
0.671
0.655
0.64
0.626
0.612
0.6
1.427
1.287
1.182
1.099
1.032
0.975
0.927
0.886
0.85
0.817
0.789
0.763
0.739
0.718
0.698
0.68
0.663
0.647
0.633
0.619
0.606
0
0.03
0.118
0.185
0.239
0.284
0.321
0.354
0.382
0.406
0.428
0.448
0.466
0.482
0.497
0.51
0.523
0.534
0.545
0.555
0.565
2.089
1.97
1.882
1.815
1.761
1.716
1.679
1.646
1.618
1.594
1.572
1.552
1.534
1.518
1.503
1.49
1.477
1.466
1.455
1.445
1.435
0
0.029
0.113
0.179
0.232
0.276
0.313
0.346
0.374
0.399
0.421
0.44
0.458
0.475
0.49
0.504
0.516
0.528
0.539
0.549
0.559
1.964
1.874
1.806
1.751
1.707
1.669
1.637
1.61
1.585
1.563
1.544
1.526
1.511
1.496
1.483
1.47
1.459
1.448
1.438
1.429
1.42
CASO DE n VARIABLE
En el caso de tamao de muestra variable, se utiliza el promedio ponderado de
las medias y de las desviaciones estndar como sigue:
Pgina 132
n X
i
i 1
m
i 1
(n
(3.25)
1/ 2
1) S
2
i
ni m
i 1
5
6
6
6
74.007
74.000
73.996
73.983
12
12
12
13
74.003
74.005
73.997
74.000
(3.26)
variables, se tomaron los datos
Muestra
14
14
14
15
15
15
16
16
16
16
16
17
17
17
17
18
18
18
18
18
19
19
19
19
19
20
Pgina 133
Datos
74.009
74.005
73.996
74.004
73.999
73.990
74.006
74.009
74.010
73.989
73.990
74.009
74.014
74.015
74.008
73.993
74.000
74.010
73.982
73.984
73.995
74.017
74.13
Muestra
21
21
21
22
22
22
22
22
23
23
23
23
23
24
24
24
24
24
25
25
25
25
25
73.985
73.995
74.006
73.994
6
7
7
7
74.002
73.998
74.006
73.967
13
13
14
14
74.010
74.013
73.998
74.001
20
20
21
21
Sample Mean
74.02
74.01
__
X=74.0009
74.00
73.99
LCL=73.98134
73.98
1
11
13
Sample
15
17
19
21
23
25
Sample StDev
0.024
UCL=0.02403
0.018
0.012
_
S=0.00736
0.006
0.000
LCL=0
1
11
13
Sample
15
17
Pgina 134
19
21
23
25
S
= 74.001 y la
= 0.0098, por
LSCX = 74.015
LCX = 74.001
LICX = 73.987
Para la carta S
LSCS = 0.020
LCS = 0.0098
LICS = 0
n
Como mtodo alterno para n variable se puede utilizar la
si no hay mucha
n
variacin entre los diferentes tamaos de muestra (dentro de
25%).
ESTIMACIN DE
S
como
S
c4
Para el ejemplo:
S
c4
= 0.0094 / 0.94 = 0.01, tomando el valor de c 4 para n=5.
Pgina 135
MR i
X i X i 1
=
.
Para este caso, los lmites de control para la carta X son:
X 3
MR
d2
LSCx =
__
LCx =
(3.27)
X 3
MR
d2
LICx =
n=2
Viscocida
d
33.75
33.05
34.00
33.81
33.46
34.02
33.68
33.27
Pgina 136
9
10
11
12
13
14
15
33.49
33.20
33.62
33.00
33.54
33.12
33.84
I ndividual Value
UCL=34.802
34.5
34.0
_
X=33.523
33.5
33.0
32.5
LCL=32.245
1
7
8
9
Observation
10
11
12
13
14
15
Moving Range
1.6
UCL=1.571
1.2
0.8
__
MR=0.481
0.4
0.0
LCL=0
1
7
8
9
Observation
10
11
12
13
14
15
Pgina 137
Por ejemplo:
Valores
individuales
23
15
11
24
38
19
Rango
8
4
13
14
19
LICr 0
LICx X (2.66 * R )
LSCr 3.27 * R
y para la carta R:
I-MR Chart of Supp1
1
UCL=601.176
I ndividual Value
601
600
_
X=599.548
599
598
LCL=597.920
1
10
20
30
40
50
60
Observation
70
80
90
100
Moving Range
2.4
1
UCL=2.000
1.8
1.2
__
MR=0.612
0.6
0.0
LCL=0
1
10
20
30
40
50
60
Observation
70
80
90
100
Pgina 138
RANGOS
INICIALES
LECTURAS
UNIDADES
10
11
12
13
14
L.S.C.x
15
16
17
L.I.C.x
18
19
CARACTERSTICA
20
21
22
23
24
25
T. MUESTRA
L.S.C. R
CALIBRADOR
26
L.I.C. R
27
28
29
30
INSTRUCCIONES
% Z Inf.:
CPK:
CONSTANTES
F) Otro (indicar)
E) Fin de turno
D) Cambio de modelo
B) Falta de material
adhesiones, etc).
% NC:
% Z Sup.:
Cp. :
3.27
2.67 1.13 0
MAQUINA
L.I.E.
OPERACIN
FECHA DE TERMINO
E2 D2 D3 D4
REA
FECHA DE INICIO
No. DE GRAFICA
L.S.E.
No. DE PARTE
NOMINAL
NOMBRE DE PARTE
FECHA
VALORES
HORA
Pgina 139
LIE
1
2
Reaccin de carta X-R
3
LSE
Reaccin de carta p
Suponiendo que la media del proceso del proceso se corre a 52, la fraccin
defectiva producida ser aproximadamente 0.0202, si se desea que la
probabilidad de detectar este corrimiento en la siguiente muestra subsecuente
sea del 0.50, entonces el tamao de muestra en la carta
cumpla que el LSC sea 52 o sea:
50
3( 2)
52
n
donde n=9,
Si se utiliza una carta p entonces el tamao de muestra requerido para tener la
misma probabilidad de detectar el corrimiento es:
p(1 p)
es ms
A2
D3
D4
d2
2
3
4
5
6
7
1.88
1.023
0.072
0.577
0.483
0.419
0
0
0
0
0
0.076
3.267
2.574
2.282
2.115
2.004
1.924
1.128
1.693
2.059
2.326
2.534
2.704
Pgina 142
8
9
10
0.373
0.337
0.308
0.136
0.184
0.223
1.864
1.816
1.777
2.847
2.97
3.078
c4
A3
B3
B4
B5
B6
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
0.94
0.9515
0.9594
0.965
0.9693
0.9727
0.9754
0.9776
0.9794
0.981
0.9823
0.9835
0.9845
0.9854
0.9862
0.9869
0.9876
0.9882
0.9887
0.9892
0.9896
1.342
1.225
1..134
1.061
1
0.949
0.905
0.866
0.832
0.802
0.775
0.75
0.728
0.707
0.688
0.671
0.655
0.64
0.626
0.612
0.6
1.427
1.287
1.182
1.099
1.032
0.975
0.927
0.886
0.85
0.817
0.789
0.763
0.739
0.718
0.698
0.68
0.663
0.647
0.633
0.619
0.606
0
0.03
0.118
0.185
0.239
0.284
0.321
0.354
0.382
0.406
0.428
0.448
0.466
0.482
0.497
0.51
0.523
0.534
0.545
0.555
0.565
2.089
1.97
1.882
1.815
1.761
1.716
1.679
1.646
1.618
1.594
1.572
1.552
1.534
1.518
1.503
1.49
1.477
1.466
1.455
1.445
1.435
0
0.029
0.113
0.179
0.232
0.276
0.313
0.346
0.374
0.399
0.421
0.44
0.458
0.475
0.49
0.504
0.516
0.528
0.539
0.549
0.559
1.964
1.874
1.806
1.751
1.707
1.669
1.637
1.61
1.585
1.563
1.544
1.526
1.511
1.496
1.483
1.47
1.459
1.448
1.438
1.429
1.42
Pgina 143
Fig. 4.1 El producto puede ser funcional pero puede tener defectos o no
conformidades, que pueden ser corregidas con retrabajo o no se pueden
corregir y ser desperdicio.
Pgina 144
pi
Di
ni
(4.1)
p
(4.2)
2p
p(1 p )
n
(4.3)
w2
que mide una caracterstica de calidad, con media w y varianza
lmites de control son:
LSC = w + Lw
LC = w
LIC = w - Lw
, los
(4.4)
__
p(1 p )
p 3
n
__
LSCp =
__
LCp =
(4.5)
Pgina 145
__
__
p(1 p )
p 3
n
__
LICp =
Durante la operacin, se toman muestras de n unidades, se calcula la fraccin
pi
defectiva
pi
anormal y
se localice dentro de lmites de control, se puede concluir que el
proceso est en control, de otra forma, se concluir que la fraccin no
conforme se ha desplazado de su valor original y el proceso se encuentra fuera
de control.
Cuando la fraccin defectiva del proceso es desconocida, se estima de los
datos observados en m muestras iniciales, cada una de tamao n , por lo
general se toman 20 a 25 de estas. As si Di son unidades no conformes en la
muestra i , la fraccin defectiva de la muestra i - sima estar dada como:
pi = D i / n
i = 1, 2, 3,....., m
(4.6)
Di
i 1
mn
p
i 1
(4.7)
p
El estadstico
control son:
LSC p p 3
p (1 p )
n
(4.5) anterior
LC p p
LIC p p 3
p(1 p )
n
Una vez hecha la grfica trazando los lmites anteriores, cualquier punto que se
encuentre fuera de control debe ser investigado, si se encuentra una causa
asignable o especial, deben tomarse medidas correctivas para prevenir su
Pgina 146
p
Como en total se encontraron 347 cajas no conformes, se estima
sigue:
m
D
i 1
mn
p
i 1
347
(30)(50)
=
= 0.2313
Los lmites de control usando Minitab son:
LSCp = 0.4102
LCp = 0.2313
LICp = 0.0524
Pgina 147
como
P Chart of Defectos
0.5
1
1
UCL=0.4102
Proportion
0.4
0.3
_
P=0.2313
0.2
0.1
LCL=0.0524
0.0
1
10
13
16
Sample
19
22
25
28
Pgina 148
P Chart of Defectos
1
0.4
UCL=0.3893
Proportion
0.3
_
P=0.215
0.2
0.1
LCL=0.0407
0.0
1
10
13
16
Sample
19
22
25
28
Pgina 149
P Chart of Defectos
0.4
UCL=0.3804
Proportion
0.3
_
P=0.2081
0.2
0.1
LCL=0.0359
0.0
1
10
13
16
Sample
19
22
25
Pgina 150
p1 = p 2
p1 > p 2
p1
(p1 =
= 0.2182) y p2 es la fraccin no conforme del periodo actual. Para
estimar p2 se toman las ltimas 24 muestras o sea:
m
p2
i 31
mn
133
133
0.1108
(50)( 24) 1200
i 31
Z0
p1 p 2
n1 n 2
p (1 p )
n1n 2
n1 p1 n2 p 2
n1 n 2
con
por tanto:
(1400)(0.2150) (1200)(0.118)
0.1669
1400 1200
Z0
0.2150 0.1108
1
1
(0.1669)( 0.8331)
1400 1200
7.10
Continuando con el ejemplo, usando los nuevos lmites de control, para las
siguientes 40 muestras se observa una mejora del proceso, dentro de control.
Es muy importante que para identificar fcilmente las causas asignables, se
lleve una bitcora de cambios, donde se anote cada cambio que ocurra,
independientemente que afecte o no al proceso.
Pgina 152
p(1 p )
n
(4.8)
L
n
p(1 p)
(4.9)
n=
(0.01)( 0.99) 56
0.04
Pgina 153
Mtodo 3.
Otro mtodo a usar si la fraccin p en control es pequea, consiste en
seleccionar n tan grande de tal forma que el lmite inferior tenga un valor
positivo, para poder investigar la causa de generacin de muy bajas cantidades
de artculos defectuosos con objeto de identificar errores de inspeccin o de los
equipos de medicin. Se tiene:
LIC p p L
p (1 p )
0
n
(4.10)
Implica que,
(1 p ) 2
L
p
(4.11)
0.95 2
(3) 171
0.05
No
conformes
Servicio
No
conformes
Servicio
No
conformes
1
2
3
4
5
6
7
8
9
10
12
15
8
10
4
7
16
9
14
10
11
12
13
14
15
16
17
18
19
20
5
6
17
12
22
8
10
5
13
11
21
22
23
24
25
26
27
28
29
30
20
18
24
15
9
12
7
13
9
6
Pgina 154
Di
i 1
mn
p
i 1
347
(30)(50)
=
= 0.2313
Los lmites de control usando Minitab son:
LSCp = 0.4102
LCp = 0.2313
LICp = 0.0524
Pgina 155
Pgina 156
LSC np np 3 np (1 p)
LC np np
(4.12)
LIC np np 3 np (1 p)
p
Si no se conoce el valor de p, se puede estimar con la .
El nmero de defectivos o no conformes es un entero, por tanto es ms fcil de
graficar e interpretar por los operadores que llevan el C.E.P.
Ejemplo 4.5, con los ltimos 39 datos de las cajas de concentrado de jugo de
naranja, se tiene:
NP Chart of Defectos
20
UCL=19.02
Sample Count
15
__
NP=10.41
10
5
LCL=1.80
0
1
10
13
16
Sample
19
22
25
Pgina 157
p 3 p (1 p) / ni
defectiva promedio p y su tamao de muestra con
. La
amplitud de los lmites es inversamente proporcional a la raz cuadrada del
tamao de muestra.
Ejemplo 4.6, Se tomaron datos del resultado de la inspeccin diaria,
registrando la produccin total y los defectivos del da.
n-var
nodef
Fradef
100
12
0.12
80
0.1
80
0.075
100
110
10
110
12
0.09
0.0909
09
0.1090
91
100
11
0.11
100
16
90
10
90
110
20
0.16
0.1111
11
0.0666
67
0.1818
18
120
15
0.125
120
120
110
0.075
0.0666
67
0.0545
45
LSC
LIC
Des-est
80
80
10
80
90
100
100
100
100
10
90
i 1
25
234
0.096
2450
i 1
p 3 p 0.096 3
(0.096)( 0.904)
ni
LSCp=
LC = 0.096
p 3 p 0.096 3
(0.096)(0.904)
ni
LICp=
Pgina 159
NP Chart of nodef
1
20
UCL=16.94
Sample Count
15
10
__
NP=8.58
LCL=0.22
0
1
11
13 15
Sample
17
19
21
23
n
i 1
2450
98
25
p 3 p 0.096 3
n 98
(0.096)(0.904)
0.185
98
LSCp=
LC = 0.096
Pgina 160
p 3 p 0.096 3
(0.096)(0.904)
0.007
98
LICp=
Otra vez de la grfica se observa que el punto 11 est fuera de control.
Mtodo 3. Carta de control estandarizada.
En este mtodo, los puntos se grafican en unidades de desviacin estndar. En
la carta de control estandarizada, la lnea central es cero y los lmites de
control estn a +3 y 3 respectivamente, la variable a graficar en la carta es:
pi p
p (1 p )
ni
Zi
(4.13)
p
donde p (o si no hay estndar) es la fraccin defectiva media del proceso en
su condicin de control estadstico; pi , ni son datos de la muestra.
Ejemplo 4.7 Con los 25 datos anteriores se obtiene una carta estandarizada,
por medio de Minitab.
Pgina 161
I ndividual Value
3.0
UCL=2.871
1.5
_
X=-0.028
0.0
-1.5
LCL=-2.926
-3.0
1
11
13
Observation
15
17
19
21
23
4
Moving Range
UCL=3.560
3
2
__
MR=1.090
1
0
LCL=0
1
11
13
Observation
15
17
Pgina 162
19
21
23
p
conforme del proceso, desde su valor nominal
P{ p LSC p} P{ p LIC p}
(4.14)
P{D 18 p} P{D 1 p}
La curva OC se construy utilizando Excel y Minitab.
NOTA: Se debe usar la distribucin de Poisson para np <=5 y distribucin
Normal en caso contrario.
A continuacin se muestran curvas OC con 3 distribuciones.
Pgina 163
P(d<=18|p)
P(d<=1|p)
Beta=dif
0.910564687 0.089435313
0.555279873 0.444720127
0.279431752 0.720568248
0.03378586 0.966214001
0.002905453 0.997034965
0.000192678 0.997296118
1.0005E-05 0.971256835
4.0337E-07
0.85943972
1.2349E-08 0.621587038
2.7751E-10 0.335613263
4.36961E-12 0.127345115
4.52971E-14 0.032454324
2.84312E-16 0.005296752
np
0.01
0.03
0.05
0.1
0.15
0.2
0.25
0.3
0.35
0.4
0.45
0.5
0.55
1
1
1
0.99999986
0.999940418
0.997488797
0.97126684
0.859440124
0.621587051
0.335613264
0.127345115
0.032454324
0.005296752
0.01
0.03
0.05
0.1
0.15
0.2
0.25
0.3
0.35
0.4
0.45
0.5
0.55
0.5
1.5
2.5
5
7.5
10
12.5
15
17.5
20
22.5
25
27.5
P(d<=18|p)
1
1
1
0.999998598
0.999697003
0.992813495
0.948148253
0.819471712
0.608934016
0.381421949
0.202192955
0.092040859
0.036606283
Beta
0.074558435
0.495039094
0.738638167
0.949792486
0.991109116
0.997299184
0.97452355
0.858907423
0.614875519
0.33093135
0.126865425
0.032684871
0.005193524
P(d<=1|p) Beta=dif
0.90979599 0.090204
0.5578254 0.442175
0.2872975 0.712703
0.04042768 0.959571
0.00470122 0.994996
0.0004994 0.992314
5.031E-05 0.948098
4.8944E-06 0.819467
4.6453E-07 0.608934
4.3284E-08 0.381422
3.976E-09 0.202193
3.6109E-10 0.092041
3.249E-11 0.036606
COMPARACION DE LAS
BETAS CON 3 DECIMALES
np
BINOM POISSON NORMAL
0.5
0.089
0.090
0.075
1.5
0.445
0.442
0.495
2.5
0.721
0.713
0.739
5
0.966
0.960
0.950
7.5
0.997
0.995
0.991
10
0.997
0.992
0.997
12.5
0.971
0.948
0.975
15
0.859
0.819
0.859
17.5
0.622
0.609
0.615
20
0.336
0.381
0.331
22.5
0.127
0.202
0.127
25
0.032
0.092
0.033
27.5
0.005
0.037
0.005
Pgina 164
Pgina 165
p( x )
e c c x
x!
(4.15)
Donde la media y la desviacin estndar tienen valor c; para x = 0, 1, 2, .......
Por tanto considerando L = 3-sigma, los lmites de control para la carta de no
conformidades son:
Pgina 166
c
LSCc =
+3
LCc =
(4.16)
c
LICc =
-3
c
observadas en una muestra preliminar inspeccionada, o sea con
caso los parmetros de la carta son:
c
LSCc =
, en este
+3
c
LCc =
(4.17)
c
LICc =
-3
c
LC = 516 / 26 = 19.85 =
LIC = 6.48
Pgina 167
C Chart of NoConform
1
40
UCL=33.21
Sample Count
30
_
C=19.85
20
10
LCL=6.48
1
0
1
10
13
16
Sample
19
22
25
Pgina 168
C Chart of NoConform
35
UCL=32.97
Sample Count
30
25
_
C=19.67
20
15
10
LCL=6.36
5
1
11
13 15
Sample
17
19
21
23
Pgina 169
C Chart of C4
35
UCL=32.98
Sample Count
30
25
_
C=19.67
20
15
10
LCL=6.36
5
1
11
Sample
13
15
17
19
Pgina 170
nc
Mtodo 1. Con
En este caso tanto la lnea central como los lmites de control se modifican por
c
el factor n, quedando como sigue ( es la media de las no conformidades
observada en la unidad de inspeccin anterior):
LSC nc nc 3 nc
LC nc nc
(4.18)
LIC nc nc 3 nc
Pgina 171
LSC nc nc 3 nc
(2.5)(19.67) 70.22
= (2.5)(19.67) + 3
LC nc nc
= (2.5)(19.67) = 49.18
LIC nc nc 3 nc
(2.5)(19.67) 28.14
= (2.5)(19.67) - 3
c
n
(4.19)
LSC u u 3
u
n
LC u u
(4.20)
LSC u u 3
u
n
u
Donde representa el nmero promedio de no conformidades por unidad en
un conjunto de datos preliminar. Los lmites anteriores se consideran lmites
preliminares.
Ejemplo 4.10 Para un fabricante de computadoras registrando los defectos en
su lnea de ensamble final. La unidad de inspeccin es una computadora y se
toman 5 unidades de inspeccin a un tiempo.
No conformidades
en cada 5 unidades carta u
10
9
12
5
Pgina 172
8
14
10
16
11
7
10
15
7
11
12
6
8
10
7
5
Suma.de.no.conformidades
Suma.de.unidades.inspeccion adas
u
=38.60 / 20 = 1.93
LSC = 3.79
LIC = 0.07
U Chart of C6
UCL=3.794
_
U=1.93
LCL=0.066
0
1
11
Sample
13
15
17
19
Figura 4.13 Carta de control de defectos por unidad U con tamao de muestra
constante en control estadstico
En la carta de control no se observa falta de control estadstico, por tanto los
lmites preliminares se pueden utilizar en corridas futuras.
Pgina 173
Pgina 174
LSC ui u 3
u
ni
LC u u
(4.21)
LSC ui u 3
u
ni
Ejemplo 4.11 En una planta textil, se inspeccionan defectos por cada 50m 2 los
datos se muestran a continuacin.
Unidade
s
10
8
13
10
9.5
10
12
10.5
12
12.5
No
conform
14
12
20
11
7
10
21
16
19
23
u
La lnea central es
153
1.42
107.5
u
Donde = Total de defectos observados / Total de unidades de inspeccin
De la grfica no se observan puntos fuera de control.
Pgina 175
U Chart of No conform
3.0
2.5
UCL=2.436
2.0
_
U=1.423
1.5
1.0
0.5
LCL=0.411
0.0
1
5
6
Sample
10
Figura 4.14 Carta de control para defectos por unidad con tamao de muestra
variable
Existen otras dos alternativas para el manejo de la carta u con n variable:
Usando un promedio de tamaos de muestra.
m
n
i 1
ni
m
(4.22)
Zi
ui u
u
ni
(4.23)
Pgina 176
14
12
13
20
10
11
9.5
10
10
12
21
10.5
16
12
19
12.5
23
U prom
1.4232
56
0.3772
61
0.4217
9
0.3308
79
0.3772
61
0.3870
61
0.3772
61
0.3443
9
0.3681
69
0.3443
9
0.3374
32
Zu
-0.02325581 -0.06164
0.07674419
0.181949
0.11520572
0.34818
-0.32325581 -0.85685
-0.68641371 -1.7734
-0.42325581 -1.12192
0.32674419
0.948761
0.10055371
0.273119
0.16007752
0.464814
0.41674419
1.235046
Pgina 177
I Chart of Zu
3
UCL=3
Individual Value
2
1
_
X=0
0
-1
-2
-3
LCL=-3
1
5
6
Observation
10
Pgina 178
(4.24)
d
i 1
d
i 1
ui = D / n =
(4.25)
Como u es una combinacin lineal de variables aleatorias independientes de
Poisson, el estadstico ui puede ser graficado en una carta de control con los
parmetros siguientes:
u
LSC =
+ 3 u
u
LC =
(4.26)
u
LIC =
+ 3 u,
Donde,
(4.27)
1/ 2
(4.28)
u A, u B , u C , u D ,
Los nmeros
representan el nmero promedio de defectos de la
clase A, clase B, clase C y clase D respectivamente. Se determina a partir de
datos preliminares tomados cuando el proceso est en control estadstico.
La curva caracterstica de operacin
La curva caracterstica de operacin (OC) puede ser obtenida tanto para la
carta c como para la carta u a partir de la distribucin de Poisson.
Para la carta c, la curva OC muestra la probabilidad del error tipo II contra la
media real del numero de defectos c, se expresa como sigue:
Pgina 179
Ejemplo 4.12, para el caso de la carta c anterior con LSC = 33.22, LIC = 6.48,
se tiene:
P{x 33 c} P{x 7 c}
La curva OC se obtiene con la distribucin de Poisson como sigue:
C
1
3
5
7
9
11
13
15
17
19
21
23
25
27
29
31
33
35
37
39
C
promedio
P(x<=3 P(x<=
3)
7)
Pa=Beta
1.000
1.000
1.000
1.000
1.000
1.000
1.000
1.000
1.000
0.999
0.994
0.981
0.950
0.892
0.801
0.682
0.546
0.410
0.289
0.191
1.000
0.988
0.867
0.599
0.324
0.143
0.054
0.018
0.005
0.002
0.000
0.000
0.000
0.000
0.000
0.000
0.000
0.000
0.000
0.000
0.000
0.012
0.133
0.401
0.676
0.857
0.946
0.982
0.994
0.997
0.994
0.981
0.950
0.892
0.801
0.682
0.546
0.410
0.289
0.191
19.67
Pgina 180
Pa=Beta
Pa=Beta
Pgina 181
P{nLIC u c nLSC u}
(4.31)
Por tanto se construye una carta de control para x, asumiendo que x sigue una
distribucin normal.
Por ejemplo para el monitoreo de fallas de una vlvula importante, se usar el
nmero de horas entre fallas como la variable a monitorear. En la pgina
siguiente se muestra este ejemplo.
Pgina 182
Muestra
Pieza
M1
M2
M3
D1
D2
D3
Media Rango
1
2
3
4
5
6
7
8
9
10
A
A
A
A
B
B
B
B
B
B
50
49
48
9
24
25
27
25
24
26
51
50
49
53
27
27
26
24
25
24
52
51
52
51
26
24
23
23
25
25
0
-1
-2
-1
-1
0
2
0
-1
1
1
0
-1
3
2
2
1
-1
0
-1
2
1
2
1
1
-1
-2
-2
0
0
1.00
0.00
-0.33
1.00
0.67
0.33
0.33
-1.00
-0.33
0.00
2
2
4
4
3
3
4
2
1
2
Pgina 183
Sample Mean
3.0
UCL=2.929
1.5
__
X=0.167
0.0
-1.5
LCL=-2.596
-3.0
1
10
Sample
UCL=6.950
Sample Range
6.0
4.5
_
R=2.7
3.0
1.5
0.0
LCL=0
1
10
Sample
R i .....Ti
cartas. Sean
el rango medio y el valor nominal de x para un nmero de
parte especfico. Para todas las muestras de este nmero de parte, graficar,
RS
R
Ri
(5.1)
Se toman de datos histricos o de especificaciones para el rango, o se puede
R i Sd 2
c4
estimar de con
graficar,
S
x Ti
Ri
(5.2)
x
La lnea central para la carta
son LSC = A2 y LIC = -A2 .
Pgina 184
Zi
Carta p
Zi
pi p
p (1 p ) / n
npi n p
n p (1 p )
Carta np
Zi
Carta c
Zi
(5.3)
ci c
c
ui u
u/n
Carta u
5.2 CARTAS DE CONTROL MODIFICADAS Y DE ACEPTACIN
Cartas de control modificadas
Las cartas de control modificadas se utilizan cuando la variabilidad es pequea
respecto a los lmites de especificaciones, es decir el Cp es mucho mayor que
1. En este caso la media del proceso puede variar sobre un rango permitido sin
afectar el desempeo del proceso.
Pgina 185
LIEsp.
|---
6 ---|
LSEsp.
LIE
LSE
n
/
LIC
LSC
Z Z Z
n
I LIE Z
(5.4)
S LSE Z
Donde Z es el punto superior 100(1-) de la distribucin normal, si se
especifica un error , los lmites de control superior e inferior son:
LSC S
LIC I
Z
Z
LSE Z
n
n
Z
Z
LIE Z
n
n
Pgina 186
(5.5)
LSC S
LIC I
LSE Z
n
n
(5.5)
LIE Z
n
n
LSC LSE Z
n
LSE Z
n
Se obtiene
Z Z
n
Z
(5.6)
Ejemplo 5.2 Si delta = 0.01, alfa = 0.00135, gama = 0.05 y beta = 0.20,
haciendo los clculos se obtiene una n = 31.43 32.
3.00 0.84
2.33 1.645
Pgina 187
LSE
=0.025
LSE-1.96
Amplitud de variacin
0.10
__
Aceptable para
0.10
LIE+1.96
LIE
=0.025
n
LSC = LSE 1.96 - 1.282/
n
LIC = LIE + 1.96 + 1.282/
5.3 CARTA DE CONTROL PARA DESGASTE DE HERRAMIENTA O MATERIAL
Cuando un desgaste natural ocurre, se presenta una tendencia natural en la
carta de control, la distancia entre los lmites de especificacin debe ser mucho
mayor que 6X, por lo que se puede usar el concepto de la carta de control
modificada (X = R/d2).
El ajuste inicial de la herramienta se inicia a 3x arriba del lmite inferior de
especificacin, y el mximo que se le permite variar es hasta 3x abajo del
lmite superior de especificacin. Esto minimiza los ajustes a realizar durante
las corridas de produccin. Se puede utilizar un valor diferente de Z = 3 si se
requiere una mayor proteccin en la fraccin defectuosa. Para este problema
tambin se puede utilizar la carta de regresin.
LSE
LSE-3x
Amplitud dentro de la cual
Pgina 188
se espera encontrar las
medias de las piezas
x
6
Distribucin de
LIE+3x
LIE
Fig. 5.5
(5.7)
1, 2
Los valores sugeridos de inicio y paro del proceso son
1 LIE 3 x LIE 3R / d 2
donde:
(5.8)
2 LSE 3 x LSE 3R / d 2
1, 2
El nmero de puntos que tienen que pasar para llegar de
1,
M* = (
es:
2
-
)/b
(5.9)
Pgina 189
1, 2
A2 R
Los lmites de control se encuentran a una distancia vertical
central.
Pgina 190
de la lnea
Xi
1.15530, 1.15540,1.15544, 1.15546, 1.15550, 1.15556, 1.15568, 1.15570,
Ri
0.00020, 0.00020, 0.00020, 0.00020, 0.00020, 0.00020, 0.00010, 0.00020
Muestra 9
10 11
12
13
Xi
1.15576, 1.15578, 1.15580, 1.15586, 1.15590
Ri
0.00010, 0.00020, 0.00020, 0.00010, 0.00020
Los resultados obtenidos son:
R-medio=0.0001769;
LSCR=0.000374, = 0.000076053;
b = 0.0000492
1, 2
,
A2 R
=
Es decir que tienen que pasar 11 puntos o 5.5 horas para reajustar el proceso
LSE
Pendiente b
LSC
1,
LIC
LIE
Pgina 191
Pgina 192
ZONA VERDE
ZONA AMARILLA
ZONA ROJA
Lmite inferior de especificaciones
Figura 5.7 Carta de Pre Control y sus zonas
En la carta de pre control hay un 1/14 de probabilidad de que una parte caiga
en la zona amarilla y de 1/196 de que caigan dos consecutivas en sta zona, en
este caso se considera que el proceso se sali de control.
Pre-control se basa en la hiptesis de que si el proceso est operando
correctamente, la probabilidad de encontrar dos unidades fuera de los lmites
de control consecutivamente es demasiado pequea. Por lo tanto si dos
unidades son encontradas consecutivamente fuera de los lmites de control, es
razn suficiente como para indicar una falla en el proceso.
Ventajas:
Pre-control es una tcnica simple que a diferencia con el control estadstico del
proceso (CEP) no requiere de grficas de control, ni de cmputos.
Desventajas:
No existen grficas de control, por lo tanto, las reglas y procedimientos para
reconocer patrones de fallas no pueden ser usados. Dado que se requiere una
cantidad muy pequea de muestras, es riesgoso inferir sobre la totalidad del
proceso. Finalmente, Pre-control no proporciona informacin suficiente para
someter el proceso bajo control o para reducir la variabilidad. Asume que el
proceso es hbil y que es normal.
Recomendaciones:
Pgina 193
Pre-control slo debe ser usado cuando la capacidad del proceso (Cp) 30 es
mayor que uno (algunos textos recomiendan como mnimo Cp=2) 31, y cuando
se han alcanzado cero defectos en el proceso.
Definicin de los lmites de Pre-control.
Existen dos lmites de Pre-control (PC): Upper Pre-control limit (UPCL) y Lower
Pre-control limit(LPCL). Cada uno representa de la distancia entre el lmite de
especificaciones inferior (LSL) y el lmite de especificaciones superior (USL). La
siguiente figura considera un proceso distribuido de acuerdo a la distribucin
normal.
Figura 5.8 Distribucin de reas de probabilidad para la carta de pre-control
LSL
LPCL
1
4
1
2
UPCL
3
4
USL
1
Pgina 194
Pgina 195
Notas:
Si cinco unidades estn dentro de los lmites de Pre-control, cambie a
verificacin intermitente.
Cuando se encuentre en verificacin intermitente, no ajuste el proceso hasta
que una unidad exceda algn lmite de Pre-control. Examine la siguiente
unidad, y proceda en A.
Si se reinicia el proceso, al menos cinco unidades consecutivas deben caer
dentro de los lmites de pre-control para cambiar a verificacin intermitente.
Si el operador toma ms de 25 muestras sin reiniciar el proceso, reduzca la
frecuencia de las verificaciones.
5.5 CARTAS DE CONTROL PARA PROCESOS DE SALIDA MLTIPLE
Se utiliza para procesos con muchas fuentes de produccin, por ejemplo
diversos husillos que en principio producen piezas similares. El usar una carta
de control para cada husillo por separado sera prohibitivo, sin embargo se
tiene la alternativa de sta carta de control siempre que la produccin entre
husillos no est correlacionada.
Para establecer una carta de este tipo, se toman n partes de cada salida, hasta
completar 20 o 25 subgrupos, por ejemplo si se toman muestras de n = 4 de 6
husillos repetido en 20 subgrupos, se habrn tomado 20 x 6 = 120 medias y
LICX =
- A2
LSCX =
LICR = D3
+ A2
(5.10)
LSCR = D4
Con los lmites de control trazados, se grafica despus slo la mayor y la menor
de las 6 lecturas promedio considerando todas las salidas o en este caso
husillos de la mquina, si se encuentran en control, se asume que las dems
estn en control. Para el rango se grafica slo el mayor de todos los rangos.
Cada punto es identificado por el nmero de husillo o salida que lo produjo. El
proceso se encuentra fuera de control si se algn punto excede los lmites de
3-sigma. No se pueden aplicar pruebas de rachas a estas cartas.
Es til observar que si una salida da el mayor o el menor valor varias en una
fila, puede ser evidencia de que es diferente a los otros. Si el proceso tiene s
salidas y si r es el nmero de veces consecutivas que se repite como el mayor
o el menor, el ARL para este evento es:
Pgina 196
ARL 0
s r 1
s 1
(5.11)
xj
valor objetivo 0. Si se colectan muestras de tamao n >= 1 siendo
el valor
promedio de la muestra j-sima. La carta de sumas acumuladas se forma
graficando para cada muestra i la cantidad siguiente que representa la suma
acumulada hasta la muestra i,
i
Ci ( x j 0 )
j 1
(5.12)
Como esta carta es eficiente para n=1, es una buena alternativa para el control
de procesos qumicos y el C.E.P. automatizado. Si la media tiene un corrimiento
hacia arriba, la carta mostrar una tendencia ascendente y viceversa.
La carta Cusum no tiene lmites de control, sin embargo tiene un mecanismo
similar ya sea en forma tabular o por medio de una mascara en V, como la
mostrada en el ejemplo de las pginas siguientes.
Pgina 197
Ejemplo
Suponiendo que la Posicin de una parte (A) se mueve hacia arriba y hacia
abajo una cierta distancia de la posicin ideal de referencia (B). AtoBDist es
esta distancia. Para asegurar la calidad, se toman 5 mediciones al da durante
el primer periodo de tiempo y despus 10 al da en un siguiente periodo de
tiempo.
AtoBDist
-0.44025
5.90038
2.08965
0.09998
2.01594
4.83012
3.78732
4.99821
6.91169
1.93847
-3.09907
-3.18827
5.28978
0.56182
-3.1896
7.93177
3.72692
3.83152
-2.17454
2.81598
4.52023
3.95372
7.99326
4.98677
-2.03427
3.89134
1.99825
0.01028
-0.24542
2.08175
-4.86937
-2.69206
-3.02947
2.99932
3.50123
-1.99506
-1.62939
2.14395
-1.90688
8.02322
4.75466
1.1424
0.9379
-7.30286
-5.22516
-4.06527
-1.91314
2.0459
4.93029
0.03095
-2.80363
-3.12681
-4.57793
-3.17924
-2.44537
1.36225
0.92825
-0.24151
-0.83762
-1.99674
4.90024
1.28079
2.87917
1.83867
-0.75614
3.72977
3.77141
-4.04994
3.89824
1.76868
2.2731
-3.82297
-2.26821
-2.07973
0.01739
3.71309
1.72573
3.07264
0.15676
-0.05666
3.81341
-3.78952
-3.81635
-4.8882
-3.24534
-0.27272
-4.33095
-1.83547
-3.98876
-4.97431
-5.1405
-0.10379
2.21033
5.13041
-1.89455
0.95119
-5.15414
4.82794
0.13001
-0.09911
-1.15453
2.29868
5.15847
0.08558
-3.09574
5.16744
0.29748
-4.66858
-2.13787
-0.0045
0.18096
4.30247
-2.21708
7.17603
5.86525
0.95699
-4.03441
-2.05086
-3.10319
-1.83001
5.03945
1.96583
-0.21026
0.27517
-5.32797
Pgina 198
Sample Mean
UCL=4.802
Mean=0.4417
LCL=-3.918
-5
Sample Range
Subgroup
10
15
20
25
UCL=15.98
15
10
R=7.559
5
0
LCL=0
Upper CUSUM
Cumulative Sum
10
5.67809
-5
-5.67809
Low er CUSUM
10
15
20
25
Subgroup Number
Media =
11
Sigma =
1
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
9.29
11.66
12.16
10.18
8.04
11.46
9.2
10.34
9.03
11.47
10.51
9.4
10.08
9.37
10.62
10.31
8.52
10.84
-0.71
1.66
2.16
0.18
-1.96
1.46
-0.8
0.34
-0.97
1.47
0.51
-0.6
0.08
-0.63
0.62
0.31
-1.48
0.84
-3.27
-1.61
0.55
0.73
-1.23
0.23
-0.57
-0.23
-1.2
0.27
0.78
0.18
0.26
-0.37
0.25
0.56
-0.92
-0.08
21
10.9
0.9
0.82
22
23
24
25
26
27
28
29
30
9.33
12.29
11.5
10.6
11.08
10.38
11.62
11.31
10.52
-0.67
2.29
1.5
0.6
1.08
0.38
1.62
1.31
0.52
0.15
2.44
3.94
4.54
5.62
6
7.62
8.93
9.45
Pgina 200
CUSUM Chart of Xi
5.0
Cumulative Sum
UCL=4
2.5
0.0
-2.5
LCL=-4
-5.0
1
10
13
16
Sample
19
22
25
28
Figura 5.13 Carta Cusum muestra un corrimiento lento de la media del proceso
Con parmetros Media objetivo (Target) =10, S = 1
Cusum en forma tabular
La carta tabular Cusum trabaja con derivaciones acumuladas de 0 sobre el
objetivo con un estadstico C+ o debajo de este con un estadistico C-, tambin
llamados Cusums de lado superior o inferior respectivamente. Se calculan
como sigue:
C i max 0, xi ( 0 K ) C i1
C max 0, ( 0 K ) xi C
i 1
(5.13)
(5.14)
(5.15)
Pgina 201
K = = 1/2
H = 5 = 5
C i max 0, xi 10.5 C i1
Ci max 0,9.5 xi C i1
N
1
2
3
0
0
0
1
0
1
0
1
0
0
1
0
1
0
0
1
0
0
1
0
0
0
26
27
28
29
30
11.08
10.38
11.62
11.31
10.52
0.58
-0.12
1.12
0.81
0.02
3.47
3.35
4.47
5.28
5.30
4
5
6
7
8
-1.58
-0.88
-2.12
-1.81
-1.02
0.00
0.00
0.00
0.00
0.00
Corrida en Minitab
1. File > Open Worksheet > Data > CRANKSH.MTW.
2. Stat > Control Charts > Time weighted charts > CUSUM.
In Single column, seleccionar Xi. In Subgroup size, poner 1 Target 10.
3. Cusum Options: Standar deviation 1 Plan Type h 5 k 0.5 OK.
Cumulative Sum
5.0
UCL=5
2.5
0.0
-2.5
-5.0
LCL=-5
3
12
15
18
Sample
21
24
27
30
Pgina 203
0
0
0
0
0
C i
0 K
N
C i
0 K
N
Ci H
, si
(5.16)
C i H
, si
(5.17)
29
10 0.5
5.28
11.25
7
xi
C i y j y i C i 1
j 1
(5.18)
donde yi = (xi - 0) / observacin estandarizada. Una mascarilla en V se
muestra a continuacin:
Pgina 204
Ci
2A
1A
1 2 3 4 5 ............................................. i
Figura 5.16 Carta de control Cusum con mascarilla en V
El procedimiento consiste en colocar la mascarilla en V sobre la carta Cusum,
con el punto O sobre el ltimo valor de C i y la lnea OP paralela al eje
horizontal. Si todos los puntos anteriores C1, C2,....,Cj se encuentran dentro de
los dos brazos de la mascarilla, el proceso est en control, sin embargo si
cualquier punto de las sumas acumuladas se encuentra fuera de los brazos de
la mascarilla, se considera al proceso fuera de control.
En la prctica, la mascarilla en V se debe colocar a cada punto tan pronto como
es graficado, los brazos de la mascarilla se asumen extendidos hasta el origen.
La operacin de la mascarilla en V est determinada por la distancia
al vrtice d y el ngulo .
La Cusum Tabular es equivalente a la mascarilla en V si,
k = A tan ()
(5.19)
y
h = A d tan () = d.k
(5.20)
Donde A es la distancia horizontal en la mascarilla en V, entre puntos sucesivos
en trminos de unidades de distancia de la escala vertical.
Ejemplo 5.6 Para la forma tabular con k = y h = 5, seleccionando A =1 se
tiene
o
o
k = A tan ()
= 26.57
de h = d.k
d =10
=>
= (1) tan ()
=> 5 = d (1/2)
Pgina 205
Cumulative Sum
20
15
10
Target=0
2
10
12 14
Sample
16
18
20
22
24
Cumulative Sum
20
10
Target=0
-10
1
10
13
16
Sample
19
22
25
28
Pgina 206
Johnson y Leone han sugerido un mtodo para disear una mascarilla en V, con
las frmulas siguientes:
2A
tan 1
(5.21)
y
2 1
ln
(5.22)
ln( )
2 1 0.05
ln
2
1 0.05
1
tan 1 26.56
2
= 5.888
Pgina 207
z i xi (1 ) z i 1
(5.23)
donde 0<<=1 es una constante y su valor inicial es el valor objetivo del
proceso, de tal forma que:
z0 0
x
a veces igual a
2i
1 (1 )
2
zi2
(5.24)
2i
1 (1 )
2
LSC 0 L
(5.25)
LC 0
(5.26)
2i
1 (1 )
2
LIC 0 L
(5.27)
LSC 0 L
(5.28)
LC 0
(5.29)
Pgina 208
LSC 0 L
(5.30)
+2.7SL=0.967
EWMA
0.5
__
X=0
0.0
-0.5
-2.7SL=-0.967
-1.0
1
11 13 15
Sample
17
19
21
23
Pgina 209
25
Con los datos del ejemplo anterior, considerando una Lamda de 0.1, L = 2.7,
0=10, y la desviacin estndar = 1, a continuacin se muestran los clculos
de la carta EWMA:
Muestra
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
Xi
9.45
7.99
9.29
11.66
12.16
10.18
8.04
11.46
9.20
10.34
9.03
11.47
10.51
9.40
10.08
9.37
10.62
10.31
8.52
10.84
10.90
9.33
12.29
11.50
10.60
11.08
10.38
11.62
11.31
10.52
EWMA, Zi
9.945
9.7495
9.7036
9.8992
10.1253
10.1307
9.9217
10.0755
9.9880
10.0232
9.9238
10.0785
10.1216
10.0495
10.0525
9.9843
10.0478
10.0740
9.9186
10.0108
10.0997
10.0227
10.2495
10.3745
10.3971
10.4654
10.4568
10.5731
10.6468
10.6341
Xi
9.45
7.99
9.29
11.66
12.16
10.18
8.04
11.46
9.20
EWMA, Zi
9.945
9.7495
9.7036
9.8992
10.1253
10.1307
9.9217
10.0755
9.9880
LSC
10.2700
10.3632
10.4240
10.4675
10.4999
10.5247
10.5440
10.5591
10.5710
Pgina 210
LIC
9.7300
9.6368
9.5760
9.5325
9.5001
9.4753
9.4560
9.4409
9.4290
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
10.34
9.03
11.47
10.51
9.40
10.08
9.37
10.62
10.31
8.52
10.84
10.90
9.33
12.29
11.50
10.60
11.08
10.38
11.62
11.31
10.52
10.0232
9.9238
10.0785
10.1216
10.0495
10.0525
9.9843
10.0478
10.0740
9.9186
10.0108
10.0997
10.0227
10.2495
10.3745
10.3971
10.4654
10.4568
10.5731
10.6468
10.6341
10.5805
10.5881
10.5942
10.5991
10.6030
10.6062
10.6087
10.6107
10.6124
10.6137
10.6148
10.6157
10.6164
10.6170
10.6174
10.6178
10.6181
10.6184
10.6186
10.6187
10.6189
9.4195
9.4119
9.4058
9.4009
9.3970
9.3938
9.3913
9.3893
9.3876
9.3863
9.3852
9.3843
9.3836
9.3830
9.3826
9.3822
9.3819
9.3816
9.3814
9.3813
9.3811
Pgina 211
EWMA
10.25
_
_
X=10
10.00
9.75
9.50
-2.7SL=9.381
3
12
15
18
Sample
21
24
27
30
Mi
xi xi 1 ..... xi w1
w
(5.31)
LSC 0
3
w
(5.32)
LC 0
LIC 0
(5.33)
3
w
(5.34)
Por ejemplo usando los datos anteriores con w = 5. Graficando el estadstico M i
para periodos i 5.
Mi
xi xi 1 ....xi 4
5
(5.35)
Para periodos i<5 se grafica el promedio de las observaciones para los
periodos 1, 2, 3, ...i.
Ejemplo 5.9 Los lmites de control son con 0 =10 y =1, se tiene:
LSC = 10 + 3 (1.0) / 51/2 = 11.34
LSC = 10 - 3 (1.0) / 51/2 = 8.66
Pgina 212
Ejemplo La carta de media mvil para los datos del ejemplo anterior con un
tamao de corrida de 5 es la siguiente:
Corrida en Minitab:
1. File > Open Worksheet > Data > CRANKSH.MTW.
2. Stat > Control Charts > Time Weighted charts > Moving Average
3. In Single column, seleccionar AtoBDist. In Subgroup size, poner 5.
4. Lenght of MA 5
5. OK.
Moving Average
4
3
UCL=2.346
2
1
Mean=0.4417
0
-1
LCL=-1.463
-2
-3
-4
-5
0
10
15
20
25
Sample Number
Pgina 213
915
925
860
905
925
925
905
915
930
890
940
860
965
940
900
920
980
950
955
970
970
1035
1040
Instrucciones de Minitab
1. Open worksheet EXH_QC.MTW.
2. Seleccionar Stat > Control Charts > Time-weighted charts > Moving
Average.
3. Seleccionar All observations for a chart are in one column, poner Weight.
4. En Subgroup sizes, poner 1. Click OK.
La carta de promedio mvil es:
Moving Average Chart of Weight
1025
Moving Average
1000
UCL=979.6
975
950
_
_
X=936.9
925
900
LCL=894.1
875
850
4
12
16
20
24
Sample
28
32
36
Pgina 214
40
44
1 1
I ndividual Value
UCL=1010.9
1000
_
X=936.9
950
900
850
12
LCL=862.8
16
20
24
Observation
28
32
36
40
44
Moving Range
100
UCL=91.0
75
50
__
MR=27.8
25
0
LCL=0
4
12
16
20
24
Observation
28
32
36
40
44
Xi
Mi
LSC
LIC
9.45
9.450
13.0000
7.0000
7.99
8.720
12.1213
7.8787
9.29
8.910
11.7321
8.2679
11.66
9.598
11.5000
8.5000
12.16
10.110
11.3416
8.6584
10.18
10.256
11.3416
8.6584
8.04
10.266
11.3416
8.6584
11.46
10.700
11.3416
8.6584
9.20
10.208
11.3416
8.6584
10
10.34
9.844
11.3416
8.6584
11
9.03
9.614
11.3416
8.6584
Pgina 215
12
13
11.47
10.51
10.300
10.110
14
9.40
10.150
15
10.08
10.098
16
9.37
10.166
17
10.62
9.996
18
10.31
9.956
19
8.52
9.780
20
10.84
9.932
21
10.90
10.238
22
9.33
9.980
23
12.29
10.376
24
11.50
10.972
25
10.60
10.924
26
11.08
10.960
27
10.38
11.170
28
11.62
11.036
29
11.31
10.998
30
10.52
10.982
11.3416
8.6584
11.3416
8.6584
11.3416
8.6584
11.3416
8.6584
11.3416
8.6584
11.3416
8.6584
11.3416
8.6584
11.3416
8.6584
11.3416
8.6584
11.3416
8.6584
11.3416
8.6584
11.3416
8.6584
11.3416
8.6584
11.3416
8.6584
11.3416
8.6584
11.3416
8.6584
11.3416
8.6584
11.3416
8.6584
11.3416
8.6584
Pgina 216
Pgina 217
Definiciones bsicas.
Proceso: ste se refiere a alguna combinacin nica de mquinas,
herramientas, mtodos, materiales y personas involucradas en la produccin.
Capacidad o habilidad: Esta palabra se usa en el sentido de aptitud, basada en
el desempeo probado, para lograr resultados que se puedan medir.
Capacidad del proceso: Es la aptitud del proceso para producir productos
dentro de los lmites de especificaciones de calidad.
Capacidad medida: Esto se refiere al hecho de que la capacidad del proceso se
cuantifica a partir de datos que, a su vez, son el resultado de la medicin del
trabajo realizado por el proceso.
Capacidad inherente: Se refiere a la uniformidad del producto que resulta de un
proceso que se encuentra en estado de control estadstico, es decir, en
ausencia de causas especiales o atribuibles de variacin.
Pgina 218
Variabilidad natural: Los productos fabricados nunca son idnticos sino que
presentan cierta variabilidad, cuando el proceso est bajo control, solo actan
las causas comunes de variacin en las caractersticas de calidad.
Valor Nominal: Las caractersticas de calidad tienen un valor ideal ptimo que
es el que desearamos que tuvieran todas las unidades fabricadas pero que no
se obtiene, aunque todo funcione correctamente, debido a la existencia de la
variabilidad natural.
La aplicacin del anlisis de capacidad de los procesos tiene los objetivos
siguientes:
Predecir que tanto cumplir las tolerancias especificadas el proceso.
Apoyar a los diseadores en la seleccin o modificacin de un proceso.
Soportar la determinacin de intervalos de muestreo para monitoreo del
proceso.
Determinar el desempeo de un equipo nuevo.
Planear la secuencia de procesos productivos cuando hay un efecto interactivo
de procesos o tolerancias.
Seleccionar de entre diversos proveedores.
Reducir la variabilidad de un proceso de manufactura.
La capacidad de los procesos para cumplir especificaciones se refiere a la
uniformidad de los procesos medida como la variabilidad del producto, hay dos
formas de pensar en esta variabilidad:
La variabilidad natural en un cierto tiempo (variabilidad instantnea).
La variabilidad en el tiempo.
Es usual tomar 6-sigma de la poblacin como la dispersin en la distribucin
de la caracterstica de calidad del producto como medida de la capacidad del
proceso.
Los lmites de tolerancia natural del proceso, superior (LTNS) e inferior (LTNI) ,
se encuentran en 3 , o sea:
LTNS = + 3
(6.1)
LTNI = - 3
Para un proceso normal, los lmites de tolerancia naturales incluyen 99.73% de
la variable, slo el 0.27% (2700 ppm) de la salida del proceso se encontrar
fuera de estos limites de tolerancia naturales. Sin embargo, si el proceso no es
normal, el porcentaje puede diferir grandemente. Esto se esquematiza en la
figura siguiente:
.00135 LTNI
LTNS .00135
Fig. 6.1 Localizacin de los lmites de tolerancia natural
Pgina 219
Existen diversas tcnicas para evaluar la capacidad del proceso, entre las que
se encuentran: Histogramas o papel de probabilidad, cartas de control y
experimentos diseados.
32 J.M. Juran, Anlisis y planeacin de la Calidad, Tercera Edicin Mc. Graw Hill,
Pp.404
Pgina 220
Pgina 221
Z st
Z LT
(6.1)
desv.std LT
dnde:
Zst = variacin a corto plazo.
nom = Valor nominal u objetivo
Zlt = variacin a largo plazo.
Z shift.- A largo plazo los procesos tienen un desplazamiento natural de 1.5
desviaciones estndar.
Zlt = Zst-1.5shift
6.2 NDICES DE CAPACIDAD
ndice de capacidad potencial Cp
El ndice de capacidad potencial Cp = PCR compara la amplitud de variacin
permitida por las especificaciones entre la amplitud de variacin entre los
lmites de tolerancia naturales del proceso.
Cp PCR
LSE LIE
6
(6.2)
R
0.0099
d2
Pgina 222
1
100
Cp
(6.3)
Cps PCRS
Cpi PCRI
LIE
3
LSE
3
(6.4)
Cp PCRI
264 200 64
0.67
3(32)
96
Lo cual indica falta de habilidad, la fraccin abajo del lmite inferior es:
ZI
32
P(x <= ZI) = 0.0228 o 2.28% por debajo del lmite inferior de especificaciones
Algunos de los ndices de capacidad potencial Cp y las piezas defectivas en
partes por milln (ppm) que estn fuera de especificaciones se muestran a
continuacin:
Cp 1-lado
0.25
226,628
0.5
0.6
0.7
0.8
1
1.1
66,807
35,931
17,865
8,198
1,350
484
2lados
453,25
5
133,61
4
71,861
35,729
16,395
2,700
967
Pgina 223
1.2
1.3
1.4
1.5
1.6
1.7
2
159
48
14
4
1
0.17
0.0009
318
96
27
7
2
0.34
0.0018
Cps PCRS
Cpi PCRI
LSE
3
LIE
3
(6.6)
Ejemplo 6.3 Para un proceso donde los lmites de especificacin sean LSE=62,
LIE=38, la media del proceso sea =53 y su desviacin estndar =2, se tiene:
Cps PCRS
Cpi PCRI
62 53
1 .5
32
53 38
2 .5
32
Pgina 224
Pgina 225
LIE
PROCESO A: Cpk = 1
LSE
LIE
LSE
PROCESO B: Cpk =1
T
Si
1
( LSE LIE )
2
( T )
2
(6.7)
(6.8)
Se tiene,
Cpm PCRkm
(6.9)
LSE LIE
LSE LIE
LSE LIE
2
2
6
6 ( T )
1 2
(6.10)
Una condicin necesaria para que Cpm sea mayor de uno es:
1
T ( LSE LIE )
6
Ejemplo 6.4 Para los procesos A y B ilustrados anteriormente se tiene:
Lmites de especificacin: LIE = 38, LSE = 62, T = 50
Proceso A: Media = 50, desv. estndar = 5
Proceso B: Media = 57.7, desv. estndar = 2.5
1
1.0
1 0
Entonces Cpm (A) =
Pgina 226
2
1 (3) 2
0.63
Cpm (B) =
Por tanto es mejor el proceso A, centrado en la media.
Cpk
1 2
(6.11)
Pgina 227
Ejercicio:
De una carta de control X - R (con tamao de subgrupo n = 5), despus de que
el proceso se estabiliz quedando slo con causas comunes (LIE = 36, LSE =
46) se obtuvo lo siguiente:
Xmedia de medias = 40
Rmedio = 5
205
263
307
220
268
260
234
299
215
197
286
274
243
231
267
281
265
214
318
317
242
258
276
300
208
187
264
271
280
242
260
321
228
250
299
258
267
293
254
281
294
223
260
308
235
283
277
200
235
246
328
296
276
264
269
235
290
176
248
263
231
334
280
265
272
283
265
262
271
245
301
280
274
253
287
258
248
260
274
337
250
278
254
274
275
278
250
265
270
298
257
210
280
269
251
180
210
240
270
300
330
A-Squared
P-Value
0.75
0.049
Mean
StDev
Variance
Skewness
Kurtosis
N
264.06
32.02
1025.15
-0.129448
0.518454
100
Minimum
1st Quartile
Median
3rd Quartile
Maximum
176.00
248.00
265.00
280.00
346.00
270.41
271.00
28.11
Mean
Median
258
260
262
264
266
268
270
Pgina 229
37.19
X 264.06
S = 32.02
X 3S
264
Pgina 230
Ejemplo 6.5
.-Se tomaron los datos siguientes (Xj) ordenamos los datos y, calculamos la
probabilidad de su posicin (Pj)
Pj
0.84
0.5
Desv. Estndar
Fraccin
Defectiva
LIE
X Media
Xj
Pgina 231
Datos
271
275
277
278
280
283
290
301
318
346
197
200
215
221
231
242
245
258
265
265
Mean
StDev
N
AD
P-Value
95
90
Percent
80
70
60
50
40
30
20
10
5
150
200
250
Datos
262.9
Pgina 232
300
350
262.9
38.13
20
0.262
0.667
Note que los valores no difieren mucho de los del histograma con media 264.06
y desviacin estndar S = 32.02.
Con esta grfica se pueden estimar tambin los porcentajes de partes fuera de
las especificaciones, por ejemplo si se traza el Lmite Inferior de Especificacin
LIE en 200 psi, se observa que se tiene un 5% aproximadamente fuera de
especificaciones.
Nota: Es muy importante que el proceso sea normal, de lo contrario se
obtendrn resultados inexactos. Cuando los procesos son ligeramente
anormales se pueden utilizar los mtodos de Pearson, transformar los datos
por Box Cox o usar Weibull.
Capacidad del proceso con cartas de control
La carta de control es un mejor instrumento para evaluar la capacidad del
proceso porque se puede observar que el proceso est en control ya sea en
forma instantnea o durante el tiempo antes de evaluar la capacidad.
Se puede observar que cuando el proceso est en control, no existen causas
asignables que puedan ser corregidas, y la nica alternativa para reducir la
variabilidad es con la intervencin de la administracin.
En casos especiales como estos donde las variaciones presentes son
totalmente inesperadas tenemos un proceso inestable impredecible.
Pgina 233
?
?
?
?
?
?
?
Prediccin
Tiempo
R
d2
S
C4
Pgina 234
= 64.06 ,
= 77.3
x media de medias
R
77.3
33.23
d 2 2.326
C pk
200 264.06
3 33.23
El
especificaciones.
x 100, s 1.05
x 100
s
C4
=
1.05
1.117
.094
Pgina 235
C pk
El
Cp
El
105 100
3 1.117
1.492
105 85 2.984
6 1.117
Pgina 237
Pgina 238
Pgina 240
(6.13)
Ejemplo 6.8 Tomando 20 partes y evalundolas 2 veces por un mismo operador
con el mismo instrumento de medicin, se obtienen los resultados mostrados a
continuacin:
OP1IN OP1I XPARTS 1
N2
media Rango
1
21
20
20.5
1
2
24
23
23.5
1
3
20
21
20.5
1
4
27
27
27
0
5
19
18
18.5
1
6
23
21
22
2
7
22
21
21.5
1
8
19
17
18
2
9
24
23
23.5
1
10
25
23
24
2
11
21
20
20.5
1
12
18
19
18.5
1
13
23
25
24
2
14
24
24
24
0
15
29
30
29.5
1
16
26
26
26
0
17
20
20
20
0
18
19
21
20
2
19
25
26
25.5
1
20
19
19
19
0
Figura 6.16 Cartas X-R del estudio
Pgina 241
Sample Mean
1
1
25
UCL=24.18
__
X=22.3
LCL=20.42
20
1
1
11
Sample
13
15
17
19
UCL=3.267
Sample Range
2
_
R=1
LCL=0
1
11
Sample
13
15
17
19
Figura 6.17 Cartas de control X-R de las mediciones del operador en sus dos
intentos
Notar que la carta X indica muchos puntos fuera de control, lo cual es normal
ya que se espera que el instrumento distinga las diferentes unidades de
producto.
La carta R representa las diferencias entre mediciones de la
misma unidad con el mismo instrumento. En este caso la carta R est en
control, indicando que el operador no tiene dificultad para realizar las
mediciones en forma consistente. Si hubiera puntos fuera de control, indica
que el operador tiene dificultad para utilizar el instrumento.
La desviacin estndar del error de medicin, instrumento puede estimarse como:
instrumento
R
1.0
0.887
d 2 1.128
Pgina 242
P 6 instrumento
T LSE LIE
(6.14)
P 6(0.887) 5.32
0.097
T
60 5
55
Los valores de P/T menores a 0.1 implican una capacidad adecuada del
instrumento de medicin. Basado en su precisin debe ser al menos de 0.1 de
la tolerancia de la caracterstica evaluada.
La variabilidad total de los datos de las mediciones incluyen la variabilidad del
producto y las del instrumento de medicin. Por tanto,
2
total
S2
2
2
2producto total
instrument
o
N
40
Mean
Median
22.300
21.500
TrMean
22.167
StDev
3.172
SE Mean
0.502
2
total
S2
2
producto
2
total
2
instrument
o
instrumento
x100
producto
(6.15)
Para el ejemplo se tiene:
Pgina 243
instrumento
x100
producto
=
0.887
x100 29.13%
3.045
(6.16)
Ejemplo 6.9 Se tienen los datos de mediciones de 20 partes por 3 operadores,
haciendo 2 intentos cada uno como sigue.
PARTS OP1IN1
1
21
2
24
3
20
4
27
5
19
6
23
7
22
8
19
9
24
10
25
11
21
12
18
13
23
14
24
15
29
16
26
17
20
18
19
19
25
20
19
PARTS OP1IN1
OP3IN1
1
21
20
2
24
23
3
20
21
4
27
27
OP1I RANGO
N2
1
20
1
23
1
21
1
27
0
18
1
21
2
21
1
17
2
23
1
23
2
20
1
19
1
25
2
24
0
30
1
26
0
20
0
21
2
26
1
19
0
OP1IN2
OP3IN2
1
20
1
24
1
19
0
28
OP2IN1
20
24
19
28
19
24
22
18
25
26
20
17
25
23
30
25
19
19
25
18
RANGO1
RANGO3
20
0
24
0
21
2
26
2
RANGO
OP2IN2 2
OP3IN1
20
0
19
24
0
23
21
2
20
26
2
27
18
1
18
21
3
23
24
2
22
20
2
19
23
2
24
25
1
24
20
0
21
19
2
18
25
0
25
25
2
24
28
2
31
26
1
25
20
1
20
19
0
21
24
1
25
17
1
19
OP2IN1
OP2IN2
19
23
20
27
Pgina 244
21
24
22
28
2
1
2
1
RANGO
OP3IN2 3
21
2
24
1
22
2
28
1
21
3
22
1
20
2
18
1
24
0
25
1
20
1
19
1
25
0
25
1
30
1
27
2
20
0
23
2
25
0
17
2
RANGO2
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
19
23
22
19
24
25
21
18
23
24
29
26
20
19
25
19
18
21
21
17
23
23
20
19
25
24
30
26
20
21
26
19
1
2
1
2
1
2
1
1
2
0
1
0
0
2
1
0
19
24
22
18
25
26
20
17
25
23
30
25
19
19
25
18
18
21
24
20
23
25
20
19
25
25
28
26
20
19
24
17
1
3
2
2
2
1
0
2
0
2
2
1
1
0
1
1
18
23
22
19
24
24
21
18
25
24
31
25
20
21
25
19
21
22
20
18
24
25
20
19
25
25
30
27
20
23
25
17
3
1
2
1
0
1
1
1
0
1
1
2
0
2
0
2
1
1
R ( R 1 R 2 R 3 ) (1.0 1.25 1.20) 1.15
3
3
por tanto la desviacin estndar de la repetibilidad es:
repetibilidad
R
1.15
1.02
d 2 1.128
tomando d2 para n=2 lecturas
x max max( x 1 , x 2 , x 3 )
x min min( x 1 , x 2 , x 3 )
R x x max x min
reproducibilidad
d2
considerando el nmero de operadores.
2
2
2
instrument
. medicin repetibilidad reproducibilidad
DISPOSITIVO DE PRUEBA
20 JULIO 2000
P. REYES
5
Source
Variance
%Contribution
(of Variance)
1.0424
1.0394
0.0030
9.4801
10.5225
9.91
9.88
0.03
90.09
100.00
Source
StdDev
(SD)
Study Var
(5.15*SD)
%Study Var
(%SV)
%Tolerance
(SV/Toler)
1.02096
1.01950
0.05449
3.07898
3.24384
5.2579
5.2504
0.2806
15.8568
16.7058
31.47
31.43
1.68
94.92
100.00
9.56
9.55
0.51
28.83
30.37
Pgina 246
Variacin
proceso,
real
Variacin
deldel
proceso,
real
Variacin dentro de la
muestra
Repetibilidad
Variacin de la medicin
Variacin
originada
Equipo
de
medicin
por el calibrador
Reproducibilidad
Estabilidad
Linealidad
Sesgo
Calibracin
Figura 6.18 Diagrama de variabilidad observada en el proceso
Definiciones
Reproducibilidad: Es la variacin, entre promedios de las mediciones hechas
por diferentes operadores que utilizan un mismo instrumento de medicin
cuando miden las mismas caractersticas
en una misma parte.
O p e ra d o r -B
O p e ra d o r -C
Pgina 247
O p e ra d o r -A
R e p r o d u c ib i l id a d
Valor verdadero:
Valor correcto terico / estndares NIST 34
Precisin: Es la habilidad de repetir la misma medida cerca o dentro de una
misma zona
Exactitud :
Es la diferencia entre el promedio del nmero de medidas y el valor verdadero.
Resolucin: La medicin que tiene exactitud y precisin.
Pgina 248
Exacto y preciso
(resolucin)
i e
i e
Pgina 249
Valor
verdadero
Valor
verdadero
Sesgo
Menor
Sesgo
mayor
(rango inferior)
(rango superior)
V a lo r
V e rd a d e ro
S e s g o
Pgina 250
Pgina 251
La resolucin del equipo de medicin debe ser de al menos el 10% del rango
de tolerancia o del rango de variacin del proceso.
Las partes deben seleccionarse al azar, cubriendo el rango total del proceso. Es
importante que dichas partes sean representativas del proceso total (80% de la
variacin)
10 partes NO son un tamao de muestra significativo para una opinin slida
sobre el equipo de medicin a menos que se cumpla el punto anterior.
Procedimiento para realizar un estudio de R&R
Asegrese de que el equipo de medicin haya sido calibrado.
Marque cada pieza con un nmero de identificacin que no pueda ver la
persona que realiza la medicin.
Haga que el primer operador mida todas las muestras una sola vez, siguiendo
un orden al azar.
Haga que el segundo operador mida todas las muestras una sola vez,
siguiendo un orden al azar.
Contine hasta que todos los operadores hayan medido las muestras una sola
vez (Este es el ensayo 1).
Repita los pasos 3-4 hasta completar el nmero requerido de ensayos
Determine las estadsticas del estudio R&R
Repetibilidad
Reproducibilidad
% R&R
Desviaciones estndar de cada uno de los conceptos mencionados
Anlisis del porcentaje de tolerancia
Analice los resultados y determine las acciones a seguir si las hay.
Mtodos de estudio del error R&R:
I.
Mtodo de Promedios- Rango
Permite separar en el sistema de medicin lo referente a la Reproducibilidad y
a la
Repetibilidad.
Los clculos son ms fciles de realizar.
Pgina 252
Pgina 253
Pgina 254
Pgina 255
Pgina 256
Pgina 257
Una vez colectados los datos proceder a realizar la carta de rango R y observar
que est en control, de otra forma repetir las mediciones para ese operador y
parte especfica errnea.
X LS
LICX
Pgina 258
Pgina 259
OPERAD
OR
Muestra
A.colum
na 1
1er
Intento
10
Totales
colum
na 10
2do
Intento
colum
na 11
3er
Intento
Capture los datos en la hoja de trabajo de Minitab en tres columnas C1, C2, C3
Partes
1
2
3
4
5
6
7
8
9
10
1
2
3
4
5
Operador
es
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
Medici
n
0.0045
0.0045
0.0045
0.005
0.0045
0.005
0.005
0.005
0.005
0.004
0.0045
0.0055
0.0045
0.005
0.0045
Partes
1
2
3
4
5
6
7
8
9
10
1
2
3
4
5
Operador
es
2
2
2
2
2
2
2
2
2
2
2
2
2
2
2
Pgina 260
Medici
n
0.0045
0.0055
0.0045
0.005
0.004
0.006
0.0055
0.005
0.0045
0.004
0.0045
0.005
0.0045
0.005
0.0045
Partes
1
2
3
4
5
6
7
8
9
10
1
2
3
4
5
Operador
es
3
3
3
3
3
3
3
3
3
3
3
3
3
3
3
Medicin
0.005
0.0055
0.0045
0.005
0.0045
0.005
0.0045
0.006
0.0055
0.0045
0.0045
0.0045
0.0045
0.005
0.0045
6
7
8
9
10
1
2
3
4
5
6
7
8
9
10
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
0.0055
0.0045
0.005
0.0045
0.004
0.0045
0.0045
0.0045
0.0045
0.0045
0.0045
0.0045
0.005
0.005
0.004
6
7
8
9
10
1
2
3
4
5
6
7
8
9
10
2
2
2
2
2
2
2
2
2
2
2
2
2
2
2
0.005
0.0045
0.005
0.0045
0.004
0.0045
0.0045
0.0045
0.005
0.004
0.005
0.005
0.005
0.005
0.004
6
7
8
9
10
1
2
3
4
5
6
7
8
9
10
3
3
3
3
3
3
3
3
3
3
3
3
3
3
3
0.005
0.005
0.005
0.0045
0.0045
0.0045
0.0045
0.004
0.005
0.004
0.005
0.005
0.005
0.0045
0.0045
%Contribution
VarComp
(of VarComp)
0.0000001
41.00
0.0000001
40.52
0.0000000
0.48
0.0000001
59.00
0.0000001
100.00
Source
Total Gage R&R
Repeatability
Reproducibility
Part-To-Part
Total Variation
StdDev (SD)
0.0002476
0.0002461
0.0000269
0.0002970
0.0003867
Study Var
(5.15 * SD)
0.0012750
0.0012675
0.0001384
0.0015295
0.0019913
%Study Var
(%SV)
64.03
63.65
6.95
76.81
100.00
%Tolerance
(SV/Toler)
21.25
21.12
2.31
25.49
33.19
Pgina 261
Gage name:
Date of study:
Components of Variation
Datos by Partes
Percent
80
0.006
% Contribution
%StudyVar
% Tolerance
0.005
40
0.004
Gage R&R
Repeat
Reprod
Part-to-Part
R Chart by Operadores
Sample Range
0.006
0.0005
_
R=0.000417
0.005
0.0000
LCL=0
10
2
Operadores
Operadores
UCL=0.005143
0.0050
_
X=0.004717
Average
Sample Mean
0.004
5
6
Partes
Datos by Operadores
UCL=0.001073
0.0010
0.0045
LCL=0.004290
0.0050
2
3
0.0045
0.0040
0.0040
5
6
Partes
10
DF
9
2
18
60
SS
0.0000086
0.0000002
0.0000014
0.0000063
MS
0.0000010
0.0000001
0.0000001
0.0000001
Pgina 262
F
12.2885
0.9605
0.7398
P
0.000
0.401
0.757
Total
89
0.0000165
DF
9
2
78
89
SS
0.0000086
0.0000002
0.0000077
0.0000165
Source
Total Gage R&R
Repeatability
Reproducibility
Operadores
Part-To-Part
Total Variation
VarComp
0.0000001
0.0000001
0.0000000
0.0000000
0.0000001
0.0000002
MS
0.0000010
0.0000001
0.0000001
F
9.67145
0.75592
P
0.000
0.473
Gage R&R
%Tolerance
Source
(SV/Toler)
Total Gage R&R
27.04
Repeatability
27.04
Reproducibility
0.00
Operadores
0.00
Part-To-Part
26.54
Total Variation
37.88
%Contribution
(of VarComp)
50.93
50.93
0.00
0.00
49.07
100.00
Study Var
%Study Var
StdDev (SD)
(5.15 * SD)
(%SV)
0.0003150
0.0016222
71.36
0.0003150
0.0016222
71.36
0.0000000
0.0000000
0.00
0.0000000
0.0000000
0.00
0.0003092
0.0015923
70.05
0.0004414
0.0022731
100.00
Pgina 263
Gage name:
Date of study:
Components of Variation
Percent
80
Datos by Partes
% Contribution
0.006
%StudyVar
% Tolerance
40
0.005
0.004
Gage R&R
Repeat
Reprod
Part-to-Part
R Chart by Operadores
Sample Range
0.006
0.0005
_
R=0.000417
0.005
0.0000
LCL=0
10
2
Operadores
Operadores
UCL=0.005143
_
X=0.004717
0.0045
LCL=0.004290
Average
Sample Mean
0.0050
0.004
5
6
Partes
Datos by Operadores
UCL=0.001073
0.0010
0.0050
2
3
0.0045
0.0040
0.0040
5
6
Partes
10
Pgina 264
Pgina 265
Pgina 266
Figura 6.30 Resultados del estudio de R&R comparativo por atributos por
avaluador
Interpretacin de Resultados
Pgina 267
Ejemplo 5.
Una empresa est entrenando a cinco evaluadores para la porcin escrita de
un examen estndar de doceavo grado. Se requiere determinar la habilidad de
los evaluadores para calificar el examen de forma que sea consistente con los
estndares. Cada uno de los evaluadores califica 15 exmenes en una escala
de cinco puntos (-2, -1, 0, 1, 2):
1
2
3
4
5
6
7
1
1
2
2
2
1
2
-1
-1
-1
2
2
-1
-1
-1
Duncan
Hayes
Simpson
Montgomery
Holmes
2
2
3
3
3
-2
-1
1
0
0
-1
-1
0
0
0
Duncan
Hayes
Simpson
Montgomery
Holmes
3
3
4
4
4
0
0
-2
-2
-2
0
0
-2
-2
-2
Duncan
Hayes
Simpson
Montgomery
Holmes
Duncan
4
4
5
5
5
5
-2
-2
0
0
0
-1
-2
-2
0
0
0
0
Appraiser
Duncan
Hayes
Simpson
Montgomer
y
Holmes
Duncan
Hayes
Simpson
Montgomer
y
Holmes
Duncan
Hayes
Simpson
Montgomer
y
Holmes
Duncan
Hayes
Simpson
Montgomer
y
Holmes
Duncan
Hayes
Simpson
Montgomer
Pgina 268
Sampl
e
8
8
9
Rating
0
0
-1
Attribu
te
0
0
-1
9
9
9
9
10
-1
-1
-2
-1
1
-1
-1
-1
-1
1
10
10
10
10
11
1
1
0
2
-2
1
1
1
1
-2
11
11
11
11
12
-2
-2
-2
-1
0
-2
-2
-2
-2
0
12
12
12
12
13
13
0
0
-1
0
2
2
0
0
0
0
2
2
Hayes
Simpson
Montgomery
Holmes
5
6
6
6
0
1
1
1
0
1
1
1
Duncan
Hayes
Simpson
Montgomery
Holmes
6
6
7
7
7
1
1
2
2
2
1
1
2
2
2
Duncan
Hayes
Simpson
Montgomery
Holmes
7
7
8
8
8
1
2
0
0
0
2
2
0
0
0
y
Holmes
Duncan
Hayes
Simpson
Montgomer
y
Holmes
Duncan
Hayes
Simpson
Montgomer
y
Holmes
Duncan
Hayes
13
13
13
14
2
2
2
-1
2
2
2
-1
14
14
14
14
15
-1
-1
-1
-1
1
-1
-1
-1
-1
1
15
15
15
15
1
1
1
1
1
1
1
1
BetweenAppraisers
AssessmentAgreement
#Inspected#MatchedPercent95%CI
15640.00(16.34,67.71)
Pgina 269
#Matched:Allappraisers'assessmentsagreewitheachother.
Fleiss'KappaStatistics
ResponseKappaSEKappaZ
P(vs>0)
20.6803980.08164978.33310.0000
10.6027540.08164977.38220.0000
00.7076020.08164978.66630.0000
10.6424790.08164977.86870.0000
20.7365340.08164979.02070.0000
Overall0.6729650.041233116.32100.0000
Kendall'sCoefficientofConcordance
CoefChiSqDFP
0.96631767.6422140.0000
AllAppraisersvsStandard
AssessmentAgreement
#Inspected#MatchedPercent95%CI
15640.00(16.34,67.71)
#Matched:Allappraisers'assessmentsagreewiththeknown
standard.
Fleiss'KappaStatistics
ResponseKappaSEKappaZP(vs>0)
20.8425930.1154707.29710.0000
10.7960660.1154706.89410.0000
00.8509320.1154707.36930.0000
10.8029320.1154706.95360.0000
20.8473480.1154707.33830.0000
Overall0.8314550.05891114.11360.0000
Kendall'sCorrelationCoefficient
CoefSECoefZP
0.9581020.086066311.11000.0000
*NOTE*Singletrialwithineachappraiser.Nopercentageof
assessmentagreementwithinappraiserisplotted.
Pgina 270
Date of study:
Reported by:
Name of product:
Misc:
Assessment Agreement
Appraiser vs Standard
100
95.0% CI
Percent
Percent
80
60
40
20
0
Duncan
Hayes
Holmes
Appraiser
Montgomery
Simpson
Pgina 271
Pgina 272
Pgina 273
Procedimiento
por atributos
Procedimiento
por Variables
Plan especfico
en base a curva OC
Plan especfico
en base a
2. Mantener la calidad en el
objetivo
Sistema de AQL
MIL-STD-105E
3. Asegurar el nivel de
calidad de salida
6. Asegura la calidad no
con
menor que el objetivo
Planes LTPD de
de Dodge-Romig
Sistema de AQL
MIL-STD-414
Planes LTPD
prueba de hiptesis.
Pgina 274
n!
p d (1 p ) n d
d 0 d !( n d )!
Pa P{d c)
(7.1)
Esto mismo se puede aproximar por la distribucin de Poisson para efectos
prcticos.
Se puede usar Excel para los clculos, un ejemplo utilizando la distribucin
binomial acumulada (opcin VERDADERA en Excel) se muestra a continuacin:
Pgina 275
Pgina 276
Pa
c=0, 1,
2
n = 50,
p
c=2
0.9979
0.005 44
0.9861
0.01
83
0.9215
0.02
72
0.8107
0.03
98
0.6767
0.04
14
0.5405
0.05
33
0.4162
0.06
46
0.3107
0.07
89
0.2259
0.08
74
0.1605
0.09
4
n=
100,
c=2
0.985
9
0.920
6
0.676
7
0.419
8
0.232
1
0.118
3
0.056
6
0.025
8
0.011
3
0.004
8
n=
200, c
=2
0.9201
61
0.6766
79
0.2351
48
0.0592
91
0.0124
89
0.0023
36
0.0004
6.40E05
9.66E06
1.39E06
Pa
n=50, 100,
200 2
Pgina 277
Pgina 278
AOQ
Pa p ( N n)
N
(7.2)
AOQ
Pa p ( N n) (0.9397)(0.01)(10000 89)
0.0093
N
10000
AOQ Pa p
(7.3)
La curva de AOQ versus p se muestra a continuacin:
Pgina 279
CURVA AOQ
n=89, c=2
Figura 7.7 Curva de calidad de salida promedio (AOQ)
De la grfica anterior se observa que la curva AOQ tiene un valor mximo o la
peor fraccin defectiva de salida hacia la planta o proceso, que se denomina
lmite de calidad de salida promedio AOQL el cual es aproximadamente 0.0155
o 1.55% defectivo.
El nmero promedio de inspeccin total por lote es ATI, igual a:
ATI n (1 Pa)( N n)
(7.4)
Ejemplo 7.2 Con N=10000, n=89, c=2 y p=0.01. Como Pa = 0.9397 se tiene:
ATI = 89 + (1-0-9397)(10000 89) = 687
Siendo este el total de piezas que en promedio se inspeccionarn por lote,
algunas por el cliente (n) y otras por el proveedor (N-n) en base al plan de
muestreo.
Las curvas ATI para diferentes tamaos de lote se muestra a continuacin, para
n = 89 y c = 2:
Pa
ATIN=1000
0
0
0
1
1
1
98
144
329
ATIN=5000
ATIN=10000
140
385
1383
191
687
2700
Pgina 280
0
0
0
0
0
0
0
0
0
0
0
0
0
0
546
723
843
916
957
979
990
2552
3506
4155
4549
4770
4887
4947
5060
6985
8295
9089
9536
9772
9892
ATI
N=1000
0
N=500
0
N=100
p
Figura 7.8 Curvas de nmero de muestras inspeccionadas promedio por el
cliente y por el proveedor
Los planes de Dodge-Romig minimizan el ATI para un AOQL dado, haciendo
ms eficiente la inspeccin por muestreo.
Muestreo doble, mltiple y secuencial
Estos tipos de muestreo son extensiones del muestreo simple, se pueden
disear curvas CO equivalentes.
PLANES DE MUESTREO DOBLE
Un plan de muestreo doble es un procedimiento en el cual, bajo ciertas
circunstancias, se requiere una segunda muestra para calificar el lote. El plan
se define por los parmetros siguientes:
n1 = tamao de muestra en la primera muestra.
c1 = criterio de aceptacin en la primera muestra.
n2 = tamao de muestra en la segunda muestra.
c2 = criterio de aceptacin en la segunda muestra.
Al aplicar el plan el nmero de defectivos observados en la primera muestra es
d1 y los defectivos observados en la segunda muestra es d 2.
Suponiendo que:
n1 = 50
c1 = 1
n2 = 100
c2 = 3
Pgina 281
ASN n1 n 2 (1 P1 )
(7.5)
donde P1 es la probabilidad de tomar una decisin en la primera muestra o sea:
P1=P{el lote se acepta en la primera muestra} + P{el lote es rechazado en la
primera muestra}
Si por el contrario la inspeccin de los artculos se suspende cuando se
encuentra un nmero de defectivos mayor al criterio de aceptacin c 2 y no se
inspeccionan todos los artculos, el mtodo se denomina inspeccin recortada,
el comportamiento de ambos esquemas se muestra a continuacin,
ASN
Insp. completa
n = cte.
Insp. recortada
Pgina 282
Pa PaI PaII
(7.6)
P P (d1 1 n1 )
I
a
(7.7)
(7.8)
Fig. 7.7 Curva caracterstica de operacin bajo muestreo doble
p
0.005
0.01
0.02
0.03
0.04
0.05
0.06
0.07
0.08
0.09
Pa (1
muestra)
Pa(2a.mues
tra)
Pa Total
En 1a.
Muestra
0.974
0.911
0.736
0.555
0.400
0.279
0.190
0.126
0.083
0.053
0.023
0.060
0.083
0.056
0.027
0.011
0.004
0.001
0.000
0.000
0.976
0.929
0.877
0.908
0.971
1.022
1.047
1.052
1.046
1.036
0.997
0.971
0.819
0.611
0.428
0.290
0.194
0.128
0.083
0.053
Pa
Pa total
Pa
1 muestra
Pa 2 muestra
p
Figura 7.10 Probabilidad de aceptar en la primera o en la segunda muestra en
muestreo doble
DISEO DE PLANES DE MUESTREO DOBLE
Como en el caso del muestreo simple, es frecuentemente necesario disear un
plan de muestreo doble tomando como referencia las coordenadas de la curva
OC (p1, 1-) y (p2, ) ya sea con n1=n2 o con n2 = 2n1. Para lo que se emplean
las tablas de Grubbs (ver pginas siguientes).
Pgina 283
INSPECCIN RECTIFICADORA
Cuando se usa el esquema de inspeccin rectificadora, la curva AOQ est dada
por,
AOQ
{PaI ( N n1 ) PaII ( N n1 n 2 )} p
N
(7.9)
Asumiendo que todos los defectivos son remplazados por artculos buenos en
los lotes rechazados, la curva de inspeccin total promedio es,
Pa PaI PaII
donde
PLANES DE MUESTREO MLTIPLE
Un muestreo mltiple es una extensin del doble, donde pueden requerirse
ms de dos muestras para calificar el lote, por ejemplo un plan de 5 etapas es
el siguiente:
Muestra
acumul
ada
20
40
60
80
100
Aceptar
0
1
3
5
8
Rechazar
3
4
5
7
9
Pgina 284
X ACEPTACION h1 sn
(7.11)
X RECHAZO h2 sn
1
k
h1 log
h2 log
(7.12)
p 2 (1 p1 )
p1 (1 p 2 )
k log
1 p1
1 p2
s log
Lnea de aceptacin
Lnea de rechazo
Xa
Xr
1
2
-1.192
-1.164
1.598 -1
1.626 -1
Xa
Xr
Xa
Xr
2
2
24
25
-0.548
-0.52
2.242
2.27
Pgina 285
Xa
-1
-1
Xr
3
3
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
-1.136
-1.108
-1.08
-1.052
-1.024
-0.996
-0.968
-0.94
-0.912
-0.884
-0.856
-0.828
-0.8
-0.772
-0.744
-0.716
-0.688
-0.66
-0.632
-0.604
-0.576
1.654
1.682
1.71
1.738
1.766
1.794
1.822
1.85
1.878
1.906
1.934
1.962
1.99
2.018
2.046
2.074
2.102
2.13
2.158
2.186
2.214
-1
-1
-1
-1
-1
-1
-1
-1
-1
-1
-1
-1
-1
-1
-1
-1
-1
-1
-1
-1
-1
2
2
2
2
2
2
2
2
2
2
2
2
2
3
3
3
3
3
3
3
3
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
43
44
45
46
-0.492
-0.464
-0.436
-0.408
-0.38
-0.352
-0.324
-0.296
-0.268
-0.24
-0.212
-0.184
-0.156
-0.128
-0.1
-0.072
-0.044
-0.016
0.012
0.04
0.068
2.298
2.326
2.354
2.382
2.41
2.438
2.466
2.494
2.522
2.55
2.578
2.606
2.634
2.662
2.69
2.718
2.746
2.774
2.802
2.83
2.858
-1
-1
-1
-1
-1
-1
-1
-1
-1
-1
-1
-1
-1
-1
-1
-1
-1
-1
0
0
0
3
3
3
3
3
3
3
3
3
3
3
3
3
3
3
3
3
3
3
3
3
En este caso no se puede tomar una decisin de aceptacin hasta que hayan
transcurrido las suficientes muestras, que hagan que la lnea de aceptacin
tenga valores positivos en Xa, 44 en este caso, y no se puede rechazar hasta
en la 2. Muestra.
Pgina 286
No. de
defectos
acumula 3
2
1
0
-1
Lnea de
aceptaci
20
40
60
Lnea de
Rechazo
Nmero
de
B
A
(1 Pa )
C
C
ASN Pa
Donde,
A log
B log
p2
1 p2
(1 p) log
p1
1 p1
C p log
(7.13)
INSPECCIN RECTIFICADORA
La calidad media de salida AOQ Pap y el nmero promedio de muestras
inspeccionadas total es:
A
(1 Pa ) N
C
ATI Pa
(7.14)
Pgina 287
Pgina 288
Pgina 289
Pgina 290
DISCUSIN
Todas las curvas OC son tipo B, tambin se proporcionan curvas para el ASN y
datos del AOQL.
El estndar MIL-STD-105E est orientado al AQL, se enfoca al lado de riesgo del
productor de la curva OC, la parte restante de la curva depende de la seleccin
del nivel de inspeccin. Los tamaos de muestra seleccionados son 2, 3, 5, 8,
13, 20, 32, 50, 80, 125, 200, 315, 500, 800, 1250 y 2000.
Si se grafica el tamao medio del rango de lotes contra el logaritmo del
tamao de muestra se obtiene una recta hasta n=80 y despus una recta con
una pequea pendiente. Como la razn de N a n es decreciente conforme
aumenta N se economiza en la inspeccin.
El estndar civil ANSI/ASQC Z1.4 o ISO 2859 es la contraparte del estndar MILSTD-105E, difiriendo en que:
Se usa el trmino No conforme o no conformancia o porcentaje no
conforme.
Cambian ligeramente las reglas de cambio agregndose una opcin para
inspeccin reducida sin el uso de nmeros lmite.
Se agregan varias tablas que muestran el desempeo de los planes, como el
AOQL, fracciones defectivas para Pa = 0.1 y Pa = 0.95, curvas de ASN y OC.
Hay una descripcin detallada de los planes de muestreo simples.
Se proporciona un esquema ilustrando las reglas de cambio en inspeccin.
Pgina 291
Pgina 292
.
Figura 7.14 Tablas de muestreo simple por atributos
Pgina 293
AQL
ppm
10%
1%
0.10%
0.01%
0.00%
0.00%
100,000
10,000
1,000
100
10
1
Ejemplo 7.5 Un equipo que tiene 100 componentes y que sus componentes
tienen en promedio un AQL = 0.5% , por tanto la probabilidad de que el equipo
trabaje es de:
Pgina 294
Planes de AOQL
Las tablas de Dodge-Romig (1959) tienen planes para valores de AOQL de
0.1%, 0.25%, 0.75%, 1%, 1.5%, 2.5%, 3%, 4%, 5%, 7% y 10% en cada una se
especifican seis valores para medias de proceso. Se tienen planes para
muestreo simple y doble.
Ejemplo 7.5 De la tabla para AQOL=3%; para N= 5,000, AOQL= 3% y la
fraccin disconforme del proveedor del 1%.
De la tabla 13.21 se obtiene n=65, c=3, LTPD=10.3%. Da una seguridad del
90% de que sern rechazados los lotes que tengan desde un 10.3%
defectuoso.
Suponiendo que los lotes recibidos tengan un promedio de 1% de defectivo y la
probabilidad de aceptacin sea Pa=0.9957, se tiene:
ASN= n + (1-Pa)(N-n)= 65 +(1-0.9957)(5000-65)=86.22.
De esta forma se inspeccionarn 86 partes del lote en promedio.
Planes de LTPD
Se disearon de tal forma que la probabilidad de aceptacin del LTPD sea 0.1.
Se proporcionan tablas para valores de LTPD de 0.5%, 1%, 2%, 3%, 4%, 5% 7%
y 10%.
Ejemplo 7.6 Suponiendo N=5,000 con fraccin promedio de defectivos del
proveedor de 0.25% de productos no conformes y el LTPD=1%.
De la tabla 13.23, el plan obtenido es n=770 y c=4, si los lotes rechazados son
seleccionados al 100% y los artculos defectuosos se reemplazan por artculos
buenos, el AOQL=0.28%.
Cuando el promedio del proceso es mayor que la mitad del LTPD, la inspeccin
100% es mejor econmicamente.
ESTIMACIN DEL PROMEDIO DEL PROCESO
La utilizacin de los planes de Dodge-Romig depende del conocimiento de la
fraccin promedio no conforme del proveedor. Se puede estimar la fraccin
defectiva promedio del proceso por medio de carta de control p para los
primeros 25 lotes del proveedor, con las causas especiales eliminadas y el
proveedor haya tomado acciones para prevenir su reincidencia.
Pgina 295
Pgina 296
Tipo de muestreo
1. Muestreo simple por atributos
2. Muestreo doble por atributos
3. Muestreo mltiple por atributos
6. Muestreo simple por variables,
sigma desconocida, mtodo de s
7. Muestreo simple por variables
Sigma conocida
n ASN
n = 67.
ASN en p1 = 45
ASN en p1 = 41
n=27
n=10
p
__
LIE
Pgina 297
Z LIE
X LIE
(8.1)
de la muestra y el lmite
Z LIE
X LIE 82 100
1.8
10
Z LSE
LSE X
(8.2)
Zs Zi
0.6745
0.8416
1.0364
1.2816
1.6449
2.0537
2.3263
Procedimiento 2.
Pgina 298
QLIE Z LIE n /( n 1)
(ms exacto) y se estima la fraccin defectiva p como el
rea bajo la curva normal debajo de ZLIE, si esta fraccin estimada p, excede un
valor mximo M, se rechaza el lote, de otra forma se acepta.
Para el caso de lmites bilaterales se calculan ambos Q LIE y QLSE.
Pgina 299
QLIE
Q LSE
X LIE
n /( n 1)
LSE X
(8.3)
n /( n 1)
Pgina 300
Z LIE
X LIE
1
k n
1 1.9 40
0.35
2 2(n 1) 2 2(39)
Esto indica que M = 0.30.
Por ejemplo si se toma una muestra de n=40 partes y se observa que la media
de la muestra
Z LIE
X 255
2
s
15
de las tablas para fraccin defectiva al final de este captulo se obtiene una p =
0.020, y siendo que es menor que M = 0.030, se acepta el lote.
Para lmites bilaterales se obtienen ambas p i y ps en base a Zi y Zs, si pi + ps M
se acepta el lote, si no se cumple lo anterior, el lote se rechaza.
8.3 TABLAS ASQC Z1.9 1993
Originalmente se emitieron las tablas MIL-STD-414 sin embargo posteriormente
fueron homologadas con las tablas MIL-STD-105E (incluyendo inspeccin
normal, reducida y estricta y concordancia en las letras cdigo de los planes
para cada AQL) para su uso en la industria dando lugar a las tablas Z1.9 de la
ASQC.
Se enfoca al AQL (entre 0.1% a 10%) con cinco niveles generales de inspeccin
(el normal es el II), el nivel III tiene una curva ms abrupta que el nivel II. Se
Pgina 301
pueden usar niveles ms bajos (S3 S4) para reducir costos muestrales si se
toleran riesgos mayores.
Tiene la siguiente organizacin:
Pgina 302
Variabilidad
Desconocida
Mtodo de S
Variabilidad
Conocida
Especificacin
Unilateral
Procedimiento
(Mtodo de k)
Especificaciones
Bilaterales
Procedimiento 2
(Mtodo de M)
Procedimiento 2
(Mtodo de M)
Pgina 303
Pgina 304
QS=
209 180
8 .8
195 180
8 .8
QI=
total es de
p = 2.85%
Pgina 305
X 63,000
De las mediciones de las 10 muestras se obtuvo
Los ndices QS con QL son respectivamente 2.459 y 3.162 con fracciones
estimadas defectuosas 0.697% y 0.078% de la tabla D-5.
Como la fraccin defectiva total no excede el valor de M = 3.63%, se acepta el
lote.
NOTA: Comparar Pestimada con M, si es menor o igual se acepta el lote, en caso
contrario se rechaza.
DISCUSIN DE LA NORMA ASQC Z1.9 e ISO 3951 (1981)
Una consideracin muy importante en el uso de las normas es que la poblacin
de donde se obtienen las muestras debe ser normal. Es ms crtico para
pequeos valores de AQL.
Es muy importante realizar pruebas de normalidad en los extremos de la
distribucin para asegurar que la norma Z1.9 es aplicable sin modificaciones.
Los ajustes que se hicieron en la norma ASQC Z1.9 (1980) e ISO 3951 (1981)
son:
Los rangos de tamao de lotes se ajustaron para corresponder con la MIL-STD105E por atributos.
Se ordenaron las letras cdigo para tener la misma proteccin que con la MILSTD-105E.
Los niveles de inspeccin originales I, II, III, IV y V se denominaron S 3, S4, I, II y
III.
En la ISO 3951 se eliminaron los planes que consideran a los rangos en vez de
las desviaciones estndar.
En la ISO 3951 y en la Z1.9 se eliminaron los AQLS de 0.04, 0.065 y 15%.
Cambios en las reglas de transferencia.
Se adoptan las mismas reglas que en la 105E para el paso de inspeccin
normal a severa y viceversa con ligeras modificaciones.
La norma Z1.9 permite el paso de inspeccin normal a reducida si:
10 lotes en inspeccin normal fueron aceptados.
La produccin es continua.
La inspeccin reducida es aprobada.
La ISO 3951 permite el paso a inspeccin reducida si 10 lotes sucesivos han
sido aceptados y:
Pgina 307
Pgina 308
Si
A es la media muestral debajo de la cual se aceptar el lote, est
normalmente distribuida y tiene una probabilidad de 0.95 de aceptacin,
entonces,
X A 0 .3 X A 0 .3
1.645
0 .1
n
n
(8.4)
En forma similar si los lotes que tienen un nivel de emisin de 0.40 ppm tienen
una probabilidad de 0.10 de aceptacin, entonces,
X A 0.4 X A 0.4
1.282
0 .1
n
n
(8.5)
resolviendo para
X
A
y n se obtiene:
n= 9
A = 0.355
Muestreo secuencial por variables
Similar al de atributos graficando la suma acumulada de las mediciones de la
caracterstica de calidad. Las lneas para aceptacin del lote, rechazo del lote y
continuacin del muestreo se construyen en forma similar a las de atributos
(ver Duncan 1986).
Pgina 309
APNDICES
Pgina 310
LSC =
+ A2
LIC =
- A2
D3
CARTAS Xbarra-S
Lmites de control para medias
LSCx =
LCx =
S
+ A3
X
LICx =
S
- A3
S
LSCs = B4
S
LCs =
S
LICs = B3
CARTAS I-MR de valores individuales
Para los valores individuales n=2
X 3
MR
d2
LSCx =
__
LCx =
X 3
MR
d2
LICx =
Para el caso del rango se usan las mismas de la carta Xbarra-R con n=2
CARTAS DE CONTROL PARA ATRIBUTOS
Pgina 311
CARTA p
Di
ni
pi
Di
i 1
mn
p
i 1
m
__
__
p(1 p )
p 3
n
__
LSCp =
__
LCp =
__
__
p(1 p )
p 3
n
__
LICp =
CARTAS np
LSC np np 3 np (1 p)
LC np np
LIC np np 3 np (1 p)
CARTAS c
c
LSCc =
+3
c
LCc =
c
LICc =
-3
CARTAS u
c
n
Pgina 312
u
Donde representa el nmero promedio de no conformidades por unidad en
un conjunto de datos preliminar
LSC u u 3
u
n
LC u u
LSC u u 3
u
n
Pgina 313
Pgina 314
Pgina 315