Documentos de Académico
Documentos de Profesional
Documentos de Cultura
EDICIONES UNIVERSIDAD
TECNOLGICA
METROPOLITANA
1
UNIVERSIDAD TECNOLGICA METROPOLITANA
Casilla 9845 Santiago de Chile
Derechos Reservados
Inscripcin N 148.387 del 20 de Julio 2005
I.S.B.N.: 956-7359-45-8
Santiago de Chile, Octubre de 2005
DISEO Y DIAGRAMACIN
Programa de Tecnologa Educativa y Diseo Comunicacional DITEC
REPRESENTANTE LEGAL
Miguel ngel Avendao Berros
EDICIONES
Universidad Tecnolgica Metropolitana
Distribucin y ventas: www.utem.cl/ediciones/index.html
CONSEJO EDITORIAL
PRESIDENTE: Jssica Orellana Saavedra
Hctor Gmez Fuentes
Patricio Olivares Iribarren
Ana Gavilanes Bravo
Hugo Omar Inostroza Sez
LAS IDEAS Y OPINIONES CONTENIDAS EN ESTE LIBRO SON DE RESPONSABILIDAD EXCLUSIVA DEL AUTOR Y NO EX-
PRESAN NECESARIAMENTE EL PUNTO DE VISTA DE LA UNIVERSIDAD TECNOLGICA METROPOLITANA.
2
OPTIMIZACIN DE PROCESOS INDUSTRIALES
Y CONTROL DE CALIDAD
EDICIONES UNIVERSIDAD
TECNOLGICA
METROPOLITANA
3
a Isidora
4
Prlogo ............................................................................................................................ 7
Introduccin .................................................................................................................... 9
CAPTULO I.....................................................................................................................12
Mtodo de Control de Calidad mediante Sumas Acumuladas
1.1. El Mtodo SUMAC ..............................................................................................12
1.2 SUMAC para el control de la tendencia central ..................................................13
1.2.1 Acumulador superior...........................................................................................14
1.2.2 Acumulador inferior.............................................................................................14
1.3 SUMAC para el control de la dispersin .............................................................15
1.4 Longitud de Rfaga Media...................................................................................16
1.5 Obtencin de las tablas de LRM..........................................................................18
1.6 Anlisis de las LRM en funcin de los distintos parmetros .............................20
1.7 Los Grficos de Shewhart ...................................................................................21
1.8 Comparacin de las LRM del SUMAC con las de Shewhart...............................26
CAPTULO II....................................................................................................................29
Control por Medias Mviles Ponderadas Exponencialmente
Introduccin........................................................................................................29
2.1 MEMPE para la tendencia central........................................................................29
2.2 MEMPE para la tendencia central con lmites en funcin de t............................33
2.3 Longitud de Rfaga Media...................................................................................35
CAPTULO III...................................................................................................................36
MEMPE conjunto para controlar la tendencia central y la variabilidad
Introduccin........................................................................................................36
3.1 MEMPE para la variabilidad.................................................................................36
3.2 Longitud de Rfaga Media: Simulacin ..............................................................38
3.3 Anlisis de las LRM del esquema MEMPE conjunto univariable .......................49
3.4 Ejemplo ...............................................................................................................51
CAPTULO IV ..................................................................................................................54
4 MEMPE Multivariable...........................................................................................54
4.1 MEMPE Multivariable de la tendencia central ..................................................54
4.2 MEMPE Multivariable de la variabilidad............................................................60
4.3 Longitud de Rfaga Media .................................................................................63
CAPTULO V ...................................................................................................................80
5 Comparacin entre los Grficos de Shewhart, SUMAC y MEMPE .....................80
5.1 Proporcin de elementos defectuosos de un proceso.......................................80
5.2 Probabilidad de seal global y LRM por el mtodo de Shewhart.......................83
5.3 LRM global de Shewhart, SUMAC y MEMPE.......................................................84
5.4 Comparacin entre SUMAC y MEMPE conjuntos multivariables.......................89
CAPTULO VI ..................................................................................................................91
6.1 Comparacin entre los diferentes mtodos. Aplicacin ....................................91
5
CAPTULO VII ...............................................................................................................103
Caractersticas de un Proceso Industrial
Introduccin......................................................................................................103
7.1 Capacidad de Calidad de un Proceso .............................................................104
7.2 Ejemplos ...........................................................................................................106
7.3 Grficos de Control ..........................................................................................111
7.3.1 Grficos de Shewhart.......................................................................................112
7.4 Grficos de Shewhart con lmites probabilsticos .........................................118
Ejemplos ...........................................................................................................121
7.6 Ejercicios ..........................................................................................................128
7.7 Mtodo Seis Sigma...........................................................................................131
Introduccin......................................................................................................131
7.7.1 Los cambios que se requieren para implementar Seis Sigma ......................133
7.7.2 Lean Seis Sigma ...............................................................................................134
7.7.3 El funcionamiento del mtodo Seis Sigma.....................................................136
7.7.4 Interaccin entre Lean y Seis Sigma...............................................................138
Bibliografa ...................................................................................................................205
6
Prlogo
Aunque debiera ser prctica habitual entre los miembros de la comunidad univer-
sitaria global, participar en la reflexin de temas que afectan al quehacer comn
de las instituciones de educacin superior, resulta esta, la de prologar una nueva
monografa, una oportunidad singular que debe ser aprovechada con especial
empeo. Al fin y a la postre, es este un medio nico para poner de manifiesto lo
que de excepcional tiene la obra de un acadmico, al tiempo que se nos ofrece la
ocasin de realizar alguna reflexin de carcter ms general sobre aspectos hoy
controvertidos del papel y fines de la universidad.
El trabajo que el lector tiene en sus manos nace con la vocacin genuina del ma-
nual. Con la intencin de ayudar al alumno en el proceso de su propio aprendiza-
je. Pero es, al mismo tiempo, el resultado de un proceso que, de manera muchas
veces callada, se realiza en las universidades, el de la transferencia del conoci-
miento generado por los acadmicos al mundo productivo. Incorporando nuevas y
vivificadoras ideas que suponen la contribucin ms importante que realizan las
instituciones de educacin superior al desarrollo socioeconmico. Es, en definitiva,
el efecto de la ms precisa funcin del docente, la sistematizacin del conocimien-
to para su difusin. En este caso, con el valor aadido de la utilidad de ese cono-
cimiento.
Bajo esta perspectiva, este libro permite por una parte implantar sistemas de con-
trol de calidad en los procesos productivos, determinando la capacidad de calidad
de los procesos, como tambin, establecer mtodos de control de calidad usando
diferentes tcnicas, dependiendo del tipo de proceso.
Para generar un buen producto, insensible a los cambios que se pueden generar
en las variables que intervienen en el proceso, se emplean diseos de experimen-
tos factoriales a dos niveles y diseos factoriales fraccionales. Los que permiten
optimizar procesos industriales logrando determinar las variables significativas de
7
un proceso, y obtener modelos de regresin mltiple asociados, que a travs de
las superficies de respuesta y las curvas de nivel, permiten determinar en que ni-
vel deben fijarse las variables para lograr el valor tcnico deseado, y a la vez mi-
nimizar los costos de los procesos.
En este libro, el lector podr conocer los diferentes mtodos de calidad existentes,
para procesos productivos, los que han sido ilustrados convenientemente con di-
versos ejemplos, aplicados en diferentes reas productivas, y complementados
con ejercicios de aplicacin.
8
Introduccin
Tambin, debe tenerse en cuenta, que las tendencias actuales estn dirigidas
hacia la automatizacin y robotizacin de los procesos industriales, lo que acenta la
importancia de los problemas de calidad, pues, esta robotizacin obtendr resulta-
dos eficientes slo si los niveles de calidad de las partes y piezas con las que se tra-
baja son altos. En estos ltimos aspectos, la industria japonesa es la que ha tenido
los mejores resultados, introduciendo en los mercados internacionales muchos pro-
ductos similares a los ya existentes, pero, la mayora de ellos de mejor calidad, lo-
grando tambin una reduccin significativa en los costes de produccin y venta, y un
aumento del ciclo de vida de muchos de ellos.
Se explica el mtodo Seis Sigmas y Lean Seis Sigma para optimizar procesos
productivos en cuanto a atender las expectativas del cliente, mejorar los procesos,
reducir los costos y minimizar las no conformidades.
11
CAPTULO I
S0 puede tomar cualquier valor entre 0 y H; se considera que el proceso est fuera
de control si el valor del acumulador St supera el lmite o intervalo de decisin H.
S = Ln[f1 ( x j ) / f0 ( x j )] mn k t Ln[f1 ( x j ) / f0 ( x j )] H
t t
1.1.1
j =1 j =1
S t = mx { 0 , S t 1 + Ln[f1 ( x t ) / f0 ( x t )] } 1.1.2
12
Para mejorar la respuesta en el arranque, tanto en la implantacin como des-
pus de una accin correctiva, Lucas y Crosier (1982), recomiendan iniciar el control
con una Rpida Respuesta Inicial (FIR), para ello sugieren tomar S0=H/2, as, si el
proceso est descentrado en el inicio es posible detectarlo con mayor celeridad,
mientras que si est correctamente centrado, St decrecer prontamente a cero.
Es importante hacer notar que la expresin del acumulador (1.1.2) por estar
basada en la razn de verosimilitudes es nica, cualquiera sea la degradacin que
se desee detectar, ya sea un aumento o una disminucin de la caracterstica de ten-
dencia central, o bien, un aumento de la variabilidad del proceso; si bien se trasfor-
mar dependiendo de la caracterstica y degradacin que se desee detectar.
f1 ( x ) ( x m1 ) 2 n ( x m 0 ) 2 n
= EXP +
f0 ( x ) 2 2
0 2 2 0
f1 ( x ) xn(m1 m 0 ) (m 2 0 m 21 )n
Ln = 20
+
2 2 0
f0 ( x )
n(m1 m 0 ) m + m0
= x 1
02
2
13
luego
f ( x ) n(m1 m 0 ) x m 0 m1 m 0
Ln 1 = 1.2
f0 ( x ) 0 0 2 0
f (x ) D
Ln 1 t = nDL Yt L
f0 ( x t ) 2
D
Ut = mx 0 , Ut 1 + Yt L 1.2.1
2
se considera que el proceso est fuera de control cuando Ut es mayor que el lmite o
intervalo de decisin HM para la media del proceso.
Si se desea detectar una disminucin del valor medio del proceso, es decir, m1
< m0, entonces: m1 m0=(-1)m1-m0 y
f ( x ) n( 1) m1 m 0 x m 0 m m0
Ln 1 = ( 1) 1
f0 ( x ) 0 0 2 0
n m1 m 0 x m 0 m1 m 0
=
0 0 2 0
14
siendo ahora DL=m1-m0/0 , el desplazamiento inferior absoluto reducido, y Lt el
acumulador, se tiene que :
D
L t = mx 0 , L t 1 Yt L 1.2.2
2
U t = mx{ 0 , U t 1 + Yt Q}
L t = mx{ 0 , L t 1 Yt Q} 1.2.3
Como bajo H0, (n-1)S2/ 20 se distribuye 2 con parmetro =n -1, y bajo H1,
(n-1)S2/(A220) se distribuye con parmetro =n -1.
2
dg n 1
= 2
dS 2
15
(n 1)S 2 2 1 / 2 1
1 / 2 1 S (n 1)S 2
(n 1) 2 exp 2 2
2
por tanto :
h(S ) =
2
2 / 2
2
luego :
/2
h1 (S 2 ) 1 (n 1)S 2 1
= exp 1 2
h 0 (S 2 ) A 2 2 0 A
2
1 (n 1)S 2 A 2 1
= exp
A n1 2 0 A
2 2
por tanto
h (S 2 ) (n 1)S 2 A 2 1
Ln 1 2 = (n 1)Ln A +
2 0 A
2 2
h 0 (S )
1 (n 1)S 2 A 2 1
= Ln A +
2
2 0 A
2 2
2
(n 1)( A 2 1) S 2 A 2
= 2 2 Ln A 2
0 A 1
2
2A
S 2t A2
W t = mx 0 , W t 1 + 2 2 2
Ln A 1.3
0 A 1
16
recibe la denominacin de Longitud de Rfaga (LR), y que, dependiendo del azar del
muestreo, es una variable aleatoria.
17
SUMAC en cero, S0=0, que siendo el menor valor posible implica que esas LRM son
conservadoras, en el sentido que las reales son ligeramente inferiores.
Debido a esto, otros autores han definido la LRM estabilizada como promedio
ponderado de las LRM, dado el valor inicial del SUMAC, utilizan como elemento
ponderador la distribucin de los valores del SUMAC. Dichos autores, han evaluado
dos tipos de LRM estabilizadas: las condicionales y las cclicas. El procedimiento
consiste en generar M valores SUMAC antes de la degradacin del proceso y, se-
guidamente, los necesarios hasta advertir dicha degradacin, siendo estos ltimos
los promediados para determinar la LRM condicional. Sin embargo, durante la gene-
racin de esos M valores, el SUMAC puede superar el intervalo de decisin H en
cuyo caso el mtodo condicional descarta esa secuencia (de ah el nombre, pues la
evaluacin de la LRM queda condicionada al hecho que el SUMAC no haya supera-
do a H). Si se produce esa circunstancia, el mtodo cclico restablece el SUMAC a
cero, y no descarta ninguna secuencia.
20
A2 20
A2 L 20
m0 m0+D0 m0+DL0
D
Ut = mx 0 , Ut 1 + Yt L
2
D
L t = mx 0 , L t 1 Yt L
2
S2 t A 2L 2
Wt = mx 0 , Wt 1 + 2 2 Ln A L
0 A L 1
Fijando el tamao de la muestra en n=4, Pepi y Polo (1988) han obtenido ta-
blas para DL=0.5, 1, 1.5, 2 y 2.5; AL=1.25, 1.5, 2 y 2.5, HM=1, 2, 3, 4 y 5, HS=4, 6, 8
y 10, cuando el proceso est bajo control (D=0; A=1), para el caso lmite (D=DL;
A=AL) y en otras situaciones intermedias de D con A=AL, uno de estos casos se pre-
senta en la Tabla 2.8.1.
19
Cada simulacin da lugar a dos estadsticos muestrales Y, y S2/20, con los
que se procede a calcular los respectivos acumuladores, repitiendo el proceso hasta
que su valor supera el del intervalo de decisin, ya sea por desplazamiento, ya por
dispersin, momento en que se restituyen todos los acumuladores a sus valores ini-
ciales, U0 , L0 , W0 , y se acumula una rfaga, los valores medios de las longitudes de
rfaga, se han obtenido como promedio de un nmero de rfagas comprendidas
entre 1000 y 10000, segn fuese la variabilidad.
En la Tabla 1.6.1 se detecta que, para todo estado real del proceso, un incre-
mento de cualquiera de los valores de decisin, HM o HS , provoca un aumento en
la LRM; hecho plenamente justificable ya que estos incrementos representan un plan
de control menos estricto, necesitando mayores valores de los acumuladores para
tener alguna seal de fuera de control y, por tanto, sern necesarias, en promedio,
ms muestras hasta superar el lmite de decisin.
Esta situacin presenta el problema que cuando el proceso est bajo control
(D=0 ; A=1), cualquier seal de intervencin es una falsa alarma, luego, indeseable;
siendo conveniente obtener LRM lo ms elevadas posibles, tericamente infinito. Por
estas consideraciones, se optara por un control con HM y HS muy grandes. Sin
embargo, a estos niveles, cuando el proceso se degrade (D>0 A>1), las LRM re-
sultarn excesivamente altas, pues ahora, se deseara que la aparicin de seal
fuese inmediata, tericamente uno. Luego, la solucin estar en adoptar un com-
promiso en cuanto a la seleccin de HM y HS, que sin dar lugar a demasiadas falsas
seales cuando el proceso est correcto, sea suficientemente potente para detectar
degradaciones.
Para estudiar el efecto de DL y AL sobre las LRM, hay que distinguir entre los
casos de proceso bajo control y degradado. En el primero, la LRM aumenta con DL y
AL, ello es lgico, puesto que si el proceso est bajo control y la situacin lmite es
poco estricta (DL AL elevados), los valores de referencia, respecto a los que se
acumulan las discrepancias, son grandes y es poco probable tener falsas seales,
pues es muy difcil que el estadstico de control supere el valor de referencia; efecto
tanto ms acusado cuanto menos exigentes sean los lmites de intervencin, es de-
cir, cuanto mayores sean los valores de HM y HS; en el segundo, cuando el proceso
no est bajo control, la LRM disminuye al aumentar el desplazamiento o la amplifica-
cin reales, ya que, al ser sto un indicio de una mayor degradacin, son ms fre-
cuentes las seales de fuera de control; seales tanto ms deseables cuando mayo-
res sean D A. Para procesos igualmente desplazados la LRM aumenta con DL,
reflejando la menor exigencia sobre una situacin lmite.
Pepi y Polo (1988) para determinar las LRM asociadas a un grfico de Shew-
hart, por no corresponder a los perodos intermuestrales, consideran que las mues-
tras adicionales requeridas por las seales de atencin, no se contabilizan para de-
terminar la longitud de rfaga. Sobre esta base, las LRM de ambos mtodos son
totalmente equiparables.
1
obteniendo que : LRM = E( y ) =
p
Para un proceso preciso, Pepi y Polo (1988) definen MII y MIS como los lmites de
intervencin inferior y superior, MAI y MAS como los lmites de atencin inferior y
superior, MI y MS son las medias de los procesos que presentan una proporcin
defectuosa del uno por mil por defecto y por exceso. Sean D el desplazamiento re-
22
ducido, A la amplificacin de la desviacin tipo y m la media del proceso, luego se
tiene que:
MAS = MS + 1.96 , MIS = MS + 3.09
n n
,
MAI = MI 1.96 MII = MI 3.09
n n
o LR=y
I+R
I o LR=y
o o
y y+1
TS m 3Cp D TI m 3C p D
ZS = = y ZI = = +
A A A A A A
23
A su vez, se requiere obtener las probabilidades de sobrepasar las lneas de
atencin y de intervencin, por sus valores centrados y reducidos
m CT = D , TS CT = 3Cp ,
,
MAS = CT + 1.96 MIS = CT + 3.09
n n
,
MAI = CT 1.96 MII = CT 3.09
n n
3C p D 3C p + D
ZS = y ZI =
A A
24
3.09 D n 1.96 D n
Z IS = Z AS =
A A
3.09 D n 1.96 + D n
Z II = Z AI =
A A
obtenindo as I, R, B y p.
Li La
SIS = y SAS =
n 1 n 1
Luego I = P(S > Si ) = P(S2 > S2i) = P(nS2 / (A)2 > nS2i / (A)2 ) = P( 2 > Li / A2 )
26
DL=0.5 AL=1.25 Cp=0.833 A=1.25
D 0 0.25 0.50 1.0 1.5 2.0
LRM SHEW 20.04 15.77 8.89 2.68 1.36 1.06
HM HS LRM (SUMAC)
1 4 3.70 3.17 2.36 1.42 1.12 1.01
5 4 9.10 7.38 5.77 3.29 3.34 1.90
3 6 11.16 8.32 5.25 2.59 1.74 1.35
5 6 11.82 10.06 6.94 3.63 2.48 1.99
1 10 5.36 4.22 2.76 1.51 1.13 1.02
3 10 15.68 11.67 6.02 6.69 1.81 1.35
5 10 50.47 14.60 8.57 3.93 2.59 2.02
PD (%) 4.55 6.30 11.76 21.25 34.47
Tabla 1.8.2 LRM Shewhart y SUMAC conjunto, respecto a D y PD, A=1.25, n=4, Pepi y Polo (1990)
Las Tablas 1.8.1-1.8.2 se han complementado con las LRM globales de Shew-
hart y el tanto por ciento de elementos defectuosos asociados (PD%), para procesos
cuyo Cp=0.833, A=1 y A=1.25.
Del anlisis de la Tabla 1.8.1, se puede decir, que el SUMAC de HM=3 y HS=6
es ms potente que Shewhart para desplazamientos inferiores o iguales a 1; cuando
D=0 la LRM SUMAC supera a la clsica, sin embargo, para desplazamientos pe-
queos es inferior, lo que indica una deteccin ms rpida de la degradacin. Para
desplazamientos superiores o iguales a 1.5 el SUMAC es menos potente que Shew-
hart al dar LRM mayores. Sin embargo, en procesos reales, salvo situaciones catas-
trficas, estos se degradan progresivamente y antes de llegar a desplazamientos
superiores o iguales a 1.5, pasan por otros valores previos que sern detectados con
mayor facilidad por el mtodo SUMAC. El SUMAC de HM =1 y HS =10 resulta ser el
ms potente toda vez que el desplazamiento es mayor que cero, pero cuando no
hay desplazamiento presenta LRM muy bajas, lo cual es un inconteniente, ya que
estando el proceso perfectamente centrado el nmero de falsas seales ser muy
alto.
27
0.5; cuando D=0 la LRM SUMAC supera a la clsica, para desplazamientos peque-
os es inferior, lo que indica una deteccin ms rpida de la degradacin. Para des-
plazamientos superiores o iguales a 1 el SUMAC es menos potente que Shewhart al
dar LRM mayores.
28
CAPTULO II
Introduccin
conjuntamente con los lmites de control superior e inferior para este estadstico, se
denomina constante de suavizado, las observaciones secuencialmente registradas,
Yt, pueden ser valores individualmente observados a partir del proceso, o bien, pue-
den ser el promedio de los valores de una muestra, Z0 usualmente se define como el
valor nominal.
29
Xt m0
Yt =
0
luego
X t m 0 m 0 + D 0 m 0
E( Yt ) = E = =D
0 0
V( X t ) A 2 2 0 / n A2 m0 m0
V( Yt ) = = = , con z 0 = =0
2
0 2
0 n 0
t
E( Z t ) = (1 ) t j
E( Yj ) + (1 )t E( Z 0 )
j=1
1 (1 )t
= D = [1 (1 ) ] D
t
1 (1 )
E( Z t ) = 0 2.1.3
t
y V( Z t ) = (1 ) t j
V( Yj ) + (1 ) t V( Z 0 )
j =1
1 (1 )2 t A 2
= 2
2
1 (1 ) n
( 1 (1 ) 2 t ) A 2
= n
2
30
bajo H0, A2 =1 , luego
V( Z t ) =
[1 (1 ) ]
2t
2.1.4
(2 )n
2a = 2Y 2.1.5
(2 )
Los lmites de control para el estadstico Zt, se definen simtricos al valor no-
minal; varios autores los definen basados en la desviacin estndar asinttica del
estadstico de control por:
LM=nominal K Y 2.1.6
2
Los valores de las constantes y K deben ser escogidos por el usuario, consi-
derando que cuando el proceso est bajo control (D=0, A=1), cualquier seal de in-
tervencin es una falsa alarma, siendo conveniente obtener LRM lo ms grande po-
sible, tericamente infinito, ello se conseguira con y K elevados, pues los lmites
de control estaran bastante alejados del valor nominal obtenindose as LRM mayo-
res, sin embargo, fijando y K a estos niveles, cuando el proceso se degrade (D > 0
A > 1), las LRM resultaran excesivamente altas, ya que en estos casos, se desea
que la aparicin de la seal de intervenir fuese casi inmediata. La solucin estar en
adoptar un compromiso referente a la eleccin de y K, que sin dar luar a demasia-
31
das falsas seales cuando el proceso est correcto, sea suficientemente potente
para detectar cualquier degradacin que se produzca en el proceso.
Paso 1.- Escoger la LRM menor aceptable para el caso en el cual el cambio
del proceso es cero. Esto corresponde a fijar la razn de falsa alarma (error tipo I)
Paso 4.- Desarrollar un anlisis de sensitividad para comparar las LRM de fue-
ra de control (error tipo II) para combinaciones ptimas de ( , K) con otras eleccio-
nes de (, K) produciendo la misma LRM que bajo control (error tipo I)
32
Si el proceso es correcto, lo ideal es trabajar con valores pequeos de , en el
sentido que si por azar del muestreo aparecen valores anmalos, estos sern ate-
nuados por , en cambio, al usar valores altos de se producirn demasiadas osci-
laciones aumentando con ello el nmero de falsas seales. Si el proceso se degrada
lo ideal ser tener valores altos de , ya que la deteccin ser casi inmediata, en
cambio, valores pequeos de atenuarn esta degradacin.
Dado que el estadstico de control Zt, bajo las condiciones impuestas a Yt, tiene
distribucin normal con esperanza y varianza (que vara en el tiempo) conocidas, se
considera que los lmites de control deben definirse respecto a la desviacin estn-
dar real del estadstico Zt, como lo sugieren MacGregor y Harris (1990), lo que pro-
porciona los verdaderos lmites de control para Zt, definidos por:
LM=nominal K Y
[1 (1 ) ]
2t
2.2.1
2
Cuando t tiende a infinito, los lmites reales definidos en 2.2.1 convergen asin-
tticamente a los lmites definidos en 2.1.6.
En la Fig 2.2.1, para K=3.5, Y=1, nominal=0, se presentan los lmites superio-
res de 2.1.6, lneas paralelas al eje t, y los lmites de 2.2.1.
=0.90
=0.75
=0.50
=0.25
=0.10
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20
34
2.3.- Longitud de Rfaga Media
Las LRM publicadas por diversos autores slo se refieren al MEMPE de la ten-
dencia central, y consideran que la varianza del proceso se mantiene constante. Al-
gunos de los mtodos propuestos son:
1 LCS
{ y (1 )}u
L(u) = 1 + L( y )f dy
LCI
LCI y LCS son los lmites de control inferior y superior definidos en trminos de la
desviacin estndar asinttica del estadstico MEMPE, simtricos al valor nominal,
f(x) es la funcin de densidad de una N(,2/n), es la media verdadera del proceso,
es la desviacin estndar nominal (se supone que es constante, y por tanto no
es controlada durante el proceso), n es el tamao de cada una de las muestras.
35
CAPTULO III
Introduccin
Sea {x1, ... ,xn } una muestra aleatoria de tamao n, proveniente de una distribucin
N(m0,20), la media y la varianza muestral de la t-sima muestra estn dadas por :
n n
xj
j =1
(x j x t )2
x t = M( x ) = y S2 t =
j=1
n n 1
S2 t
Wt = 2 (1 )Wt 1 , 0 < 1 , t = 1,2,... 3.1.1
0
t
S2 j
Wt = (1 ) 2 + (1 ) t W0
tj
3.1.2
j =1 0
j =1 0
1 (1 ) t
= + (1 ) t
1 (1 )
por tanto
E( Wt ) = 1 3.1.3
t
S2 j
V( Wt ) = 2 (1 )2( t j ) V 2 + (1 ) t V( W0 )
j =1 0
1 (1 )2 t 2
= 2 2
1 (1 ) n 1
(1 (1 ) 2 t ) 2
V( W t ) = n 1 3.1.4
2
2
2a = 3.1.5
2 n 1
(1 (1 ) 2 t ) 2
LS = 1+ R n 1 3.1.6
2
37
el valor de las constantes y R son escogidos por el usuario, con criterios similares
a los expuestos en el Captulo II para el control de la media, el proceso estar fuera
de control si Wt > LS .
En la Tabla 3.2.1 se presenta la evolucin de las LRM para =0.25, A=1, dis-
tintos desplazamientos y distintos valores de K y R. Se observa que para desplaza-
mientos mayores o iguales a uno, y dado que el proceso no presenta amplificacin,
el aumento de R no es relevante ya que prcticamente casi todas las seales de
fuera de control obtenidas son debidas a la media, por ello se aprecia una estabiliza-
cin de la LRM para un mismo valor de K. Al aumentar K las LRM crecen hecho ple-
namente justificado, pues en general, al aumentar ya sea K o R el esquema MEMPE
es menos estricto al crecer los intervalos definidos por los lmites de control, tanto
para la tendencia central como para la variabilidad. Cada vez que aumenta el des-
plazamiento las LRM decrecen, comportamiento deseable en todo proceso de con-
trol. Para K=3 y distintos valores de R, cuando el proceso se degrada por desplaza-
miento las LRM decrecen rpidamente, sin embargo, cuando el proceso no est de-
gradado las LRM no son lo suficientemente grandes como se quisiera.
En cambio para K=3.5, cuando el proceso est descentrado, las LRM son un
poco ms grandes que para el caso de K=3, pero, cuando D=0 el incremento de la
LRM al pasar de R=4 a R=6 es bastante acusado. Para K=4 y distintos valores de R,
se observa que cuando el proceso se degrada (D > 0) las LRM son muy superiores
que la de los casos anteriores para desplazamientos inferiores o iguales a uno.
38
una fuerte asimetra, este comportamiento es muy similar en todas las situaciones
estudiadas.
Este mismo comportamiento fue descrito por Pepi y Polo (1990a) en el SU-
MAC conjunto univariable.
En la Tabla 3.2.2 se observa que cuando el proceso est bajo control las
LRM tienden a disminuir al aumentar , en cambio, cuando el proceso no est de-
gradado por variabilidad y se produce un desplazamiento, las LRM crecen cuando
aumenta, este comportamiento para estas condiciones, es similar al descrito por Ro-
binson y Ho (1978). Para un valor fijo de , las LRM decrecen sistemticamente al
39
aumentar el desplazamiento; al ser esto un indicio de una mayor degradacin, y co-
mo es deseable, son ms frecuentes las seales de fuera de control. Una evolucin
similar se observa en las Tablas 3.2.3 a 3.2.5, para distintas situaciones, el mismo
comportamiento se aprecia para los diferentes tamaos de muestra.
41
n=6 = 0.10 = 0.25 = 0.50 = 0.75 = 0.90
D A LRM LRM LRM LRM LRM
0 1 4401.57 2944.40 2697.61 2264.58 2375.16
0 1.25 52.49 60.97 65.21 68.80 71.07
0 1.5 8.76 9.31 10.13 12.16 13.44
0 2 2.60 2.5 2.52 2.53 2.81
Tabla 3.2.4.b LRM en procesos sin desplazamiento (D=0)
42
0.5 1 7.53 8.54 14.30 27.29 47.46
0.5 1.25 6.90 7.46 9.47 13.87 16.09
0.5 1.5 4.96 4.64 5.42 5.92 6.86
0.5 2 2.05 2.02 1.99 1.98 2.04
1 1 2.36 2.39 2.60 3.14 4.14
1 1.25 2.41 2.37 2.51 2.78 3.36
1 1.5 2.25 2.24 2.32 2.54 2.81
1 2 1.64 1.60 1.62 1.67 1.67
1.5 1 1.36 1.34 1.36 1.35 1.43
1.5 1.25 1.40 1.38 1.40 1.44 1.52
1.5 1.5 1.44 1.46 1.42 1.46 1.49
1.5 2 1.27 1.31 1.30 1.29 1.29
Tabla 3.2.5.c LRM en procesos con amplificacin y desplazamiento
43
En un proceso sin desplazamiento, para detectar una amplificacin de A=1.5,
se puede lograr ya sea tomando =0.10 y n=4, o bien, =0.90 y n=6, ya que las LRM
son del mismo orden. En general, es posible para distintos tipos de situaciones, en-
contrar pares de valores (n,) que presenten LRM del mismo orden para detectar
idnticas degradaciones, ello, presenta una ventaja al usuario con respecto a poder
elegir alguna combinacin que por las caractersticas de su proceso le sea ms favo-
rable, ya sea desde el punto de vista del control como econmica.
= 0.10
D A n=4 n=5 n=6 n=7
0 0 4315.86 4184.98 4401.57 4215.61
0 1.25 84.13 65.08 52.49 40.60
0 1.5 13.25 10.78 8.76 7.79
0 2 3.30 2.94 2.60 2.13
0.5 1 12.72 10.30 9.09
7.53
1 1 3.69 3.15 2.69
2.36
1.5 1 1.98 1.66 1.50
1.03
2 1 1.33 1.17 1.08
a)
= 0.25
D A n=4 n=5 n=6 n=7
0 1 2640.04 2848.25 2944.40 2998.43
0 1.25 83.52 72.36 60.97 52.48
0 1.5 13.18 10.94 9.31 7.96
0 2 3.42 2.77 2.50 2.13
0.5 1 16.09 12.98 10.11 8.54
1 1.25 3.86 3.14 2.69 2.39
1.5 1.5 1.95 1.63 1.50 1.34
2 2 1.35 1.18 1.07 1.04
b)
= 0.50
D A n=4 n=5 n=6 n=7
0 1 1797.50 2316.18 2697.61 2812.94
0 1.25 69.51 66.76 65.21 63.67
0 1.5 14.50 11.43 10.13 9.12
0 2 3.31 2.70 2.52 2.15
0.5 1 34.76 23.93 19.09 14.30
1 1.25 4.53 3.66 2.99 2.60
1.5 1.5 2.03 1.75 1.49 1.36
2 2 1.35 1.18 1.08 1.04
c)
44
= 0.75
D A n=4 n=5 n=6 n=7
0 1 1301.28 1673.32 2264.58 2709.70
0 1.25 68.50 64.78 68.80 68.73
0 1.5 14.36 12.25 12.16 10.46
0 2 3.44 2.76 2.53 2.21
0.5 1 78.75 53.40 41.16 27.29
1 1.25 7.23 5.06 3.89 3.14
1.5 1.5 2.35 1.88 1.56 1.35
2 2 1.38 1.18 1.08 1.05
d)
= 0.90
D A n=4 n=5 n=6 n=7
0 1 1418.56 1283.06 2375.16 2832.42
0 1.25 72.52 68.85 71.07 69.42
0 1.5 15.34 14.41 13.44 11.73
0 2 3.78 2.76 2.81 2.16
0.5 1 123.29 91.89 64.30 47.46
1 1.25 10.73 6.78 5.14 4.14
1.5 1.5 2.73 2.08 1.67 1.43
2 2 1.42 1.19 1.07 1.04
e)
Tabla 3.2.6.- Evolucin de las LRM segn n, , D y A
45
n=4 = 0.10 = 0.25 = 0.50 = 0.75 = 0.90
D A LRM LRM LRM LRM LRM
0.5 1 7.64 8.22 11.07 14.74 19.69
0.5 1.25 6.42 6.14 6.30 6.93 7.43
0.5 1.5 4.19 3.84 3.60 4.04 4.33
0.5 2 1.95 1.93 1.97 1.86 1.91
1 1 2.62 2.53 2.75 3.11 3.91
1 1.25 2.58 2.47 2.53 2.80 2.94
1 1.5 2.28 2.28 2.27 2.37 2.49
1 2 1.60 1.63 1.62 1.63 1.67
1.5 1 1.47 1.45 1.47 1.54 1.59
1.5 1.25 1.54 1.51 1.51 1.61 1.63
1.5 1.5 1.51 1.59 1.55 1.58 1.64
1.5 2 1.38 1.35 1.37 1.38 1.38
46
n=5 = 0.10 = 0.25 = 0.50 = 0.75 = 0.90
D A LRM LRM LRM LRM LRM
0.5 1 6.34 6.65 8.18 11.11 15.14
0.5 1.25 5.44 5.33 5.45 6.00 6.64
0.5 1.5 3.21 3.22 3.20 3.33 3.17
0.5 2 1.84 1.77 1.78 1.83 1.76
1 1 2.12 2.14 2.3 2.49 2.91
1 1.25 2.16 2.14 2.16 2.40 2.55
1 1.5 1.84 1.91 1.85 2.01 2.11
1 2 1.50 1.43 1.50 1.53 1.52
1.5 1 1.32 1.31 1.33 1.33 1.32
1.5 1.25 1.33 1.34 1.37 1.42 1.42
1.5 1.5 1.34 1.34 1.32 1.37 1.40
1.5 2 1.27 1.28 1.26 1.25 1.28
48
En las Tablas 3.2.7-3.2.10 se presentan la evolucin de las LRM para distin-
tos valores de D, A, n, y , con K=2.75 y R=4. Con estos valores de K y R, los lmites
de control estn ms prximos al valor objetivo, por ello el esquema MEMPE es ms
exigente, obtenindose as LRM ms pequeas cuando el proceso est degradado,
ya sea por la media o por la variabilidad, pudiendo as, detectar con mayor presteza
esta anomala, sin embargo, cuando el proceso no est degradado (D=0, A=1), tam-
bin se produce una disminucin de la LRM, con lo cual, aumentan las seales de
intervencin, que son falsas seales, esto ltimo, es un inconveniente, pero, se tiene
la certeza que si el proceso realmente se degrada, ser detectado rpidamente. El
comportamiento de las LRM, con estas condiciones es similar al descrito para K=3.5
y R=6.
Con respecto a la Tabla 3.2.7.b, Tabla 3.2.8.b y Tabla 3.2.9.b, en las cuales
se presentan la evolucin de las LRM del esquema MEMPE conjunto univariable,
para un proceso sin desplazamiento (D=0), con K=2.75, R=4, respecto a y de la
amplificacin A, para distintos tamaos de muestra, valores obtenidos de las simula-
ciones, se puede apreciar que:
49
las LRM decrecen para cada valor de cada vez que la amplificacin aumen-
ta.
para amplificaciones mayores o iguales a 1.25 las LRM tienden a estabilizar-
se a medida que aumenta el valor de .
Para las LRM para procesos no degradados por variabilidad (A=1), con
K=2.75, R=4, respecto a y al desplazamiento D, para distintos tamaos de mues-
tra, se observa que:
cuando los procesos no presentan variabilidad (A=1), las LRM tienden a cre-
cer con el aumento de .
para amplificaciones mayores o iguales a 1.25, las LRM tienden a estabilizar-
se al aumentar .
Para las LRM de procesos sin degradacin (D=0, A=1), con respecto a distin-
tos valores de y tamaos de muestra, se tiene que:
50
para una LRM dada, por ejemplo, LRM=170 tomar un valor de =0.25 y n=4,
es mejor desde el punto de vista prctico, que elegir un valor de =0.4 y n=7
para obtener la misma LRM.
Para las LRM de procesos con desplazamiento D=0.5 y sin degradacin por
variabilidad (A=1), para distintos tamaos de muestra y valores de , se tiene que:
3.4 Ejemplo
51
Muestra X
1 20,11 19,99 19,98 20,00 20,00
2 20,01 19,98 20,05 20,00 20,00
3 20,03 20,01 19,99 20,01 20,01
4 20,02 20,01 19,99 20,05 20,02
5 20,01 20,02 19,97 19,98 20,02
6 19,97 20,01 19,99 20,06 20,02
7 19,98 20,00 20,01 20,01 19,97
8 19,99 20,07 20,00 20,01 20,03
9 19,98 20,01 19,98 20,01 20,03
10 19,99 20,01 20,05 19,98 20,02
11 19,95 20,01 20,07 19,98 20,03
12 20,01 20,03 19,95 19,97 20,04
13 20,01 19,99 19,97 19,96 20,04
14 19,99 20,05 20,11 19,90 20,02
15 20,03 20,01 20,01 19,95 20,01
16 20,00 20,03 20,01 19,99 19,98
17 20,00 20,02 20,00 20,00 19,98
18 19,98 19,95 20,01 20,07 19,98
19 19,98 20,01 20,03 20,05 19,98
20 19,98 20,01 19,99 19,97 19,98
Tabla 3.4.2 Estadsticos y lmites para el esquema MEMPE con =0.25, K=2,5 y R=4
Zt
0,5
0,4
0,3
0,2
0,1
0
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20
-0,1
-0,2
-0,3
-0,4
-0,5
53
Wt
2,5
1,5
0,5
0
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20
Fig 3.4.2
Control MEMPE para la varianza con =0.25, R=4
En la Fig 3.4.1, si bien el proceso en todo momento est bajo control, se pue-
de apreciar claramente que a partir de la muestra 5 en adelante se inicia un despla-
zamiento sostenido del valor medio del proceso hacia la tolerancia inferior, en este
caso, los ingenieros del proceso deben determinar la o las posibles causas que pro-
ducen esta degradacin. Sin embargo, en la Fig 3.4.2, de las medias de los pesos,
no es posible detectar que el proceso se est degradando hacia la tolerancia inferior.
20,03
20,02
20,02
20,01
20,01
20,00
20,00
19,99
19,99
19,98
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20
54
CAPTULO IV
4 MEMPE Multivariable
~
{
Sea X T = X ,..., X ,..., X
~ 1 ~j n
} una n-muestra, X es una matriz pxn, X
T
~ j
vector
X ~ j
n
j =1
(X X) (X X)
~ j ~
T
~ j ~
X=
j =1
y matriz de dispersin S =
~
n n 1
T = M1 M0 n V 1 X
~ ~
~
55
obtenida basada en el logaritmo neperiano de la razn de verosimilitudes.
m0x m1x x
M = , M = , X~ =
~ 0 m
0y
~ 1 m
1y y
2x x y 1 2y x y
V = V 1 =
x y y
2
(1 ) 2 x 2 y
2
x y
2 x
2y x y x
T=
n
(m1x m0 x m1y m 0 y )
2 x y
(1 2 ) 2 x 2 y x y
por tanto
m m0 y m1x m 0 x m1y m 0 y
T=
n m1x m 0 x x 1y x + y + y
(1 2 ) 2 x 2
x y x y y
( )
T t
m = E(T )= M1 M0 n V 1 M y 2
0 = V(T )= M1 M0 n 2 V 1 M M
~ ~
~ ~ ~
~ 1 ~ 0
se tiene que
56
T
T
T
T = M1 M 0 n V X ~ N M1 M 0 n V M , M 1 M 0 n V 1 M1 M 0
1
1
~ ~ ~
~ ~ ~ ~ ~ ~ ~
sean
T
m 0 = E (T / M = M ) = M 1 M 0 n V 1 M
~ ~ 0 ~ ~ ~ 0
m1 = E( T / M = M )= M1 M0 n V 1 M
~ ~ 1 ~ ~
~ 1
T T
M M n V 1 M M M M n V 1 M M
m m0 0 0 1 0 ~ 0
D= = ~
1
~ ~
~
= ~ ~ ~ por
0 T n V M M
1/ 2
DL
M M
~ 1 ~0
2 1
~ 1 ~ 0
tanto, D puede interpretarse como la fraccin que el descentramiento real trans-
formado representa respecto al crtico.
57
T T T
1 1
M1 M 0 n V X M1 M 0 n V 1 M 0 M1 M 0 n V X M0
T t m0 ~ ~ t ~ ~ ~ t ~ luego,
Yt = = ~ ~ ~
= ~
0 T
1/ 2
nDL
2 1
M1 M 0 n V M1 M 0
~ ~ ~ ~
T
M M V 1 X t M
1 0 ~ 0
Yt = ~ ~ ~
4.1.1
DL
por tanto
T T
1 1
M1 M 0 V E X~ t M 0 M1 M 0 V M M0
E (Yt ) = ~ ~ ~
= ~ ~ ~ ~
=D 4.1.2
DL DL
T V 1 V V 1 M M T
M M 0 0 M1 M0 V 1 M1 M0
Var ( Yt ) = 2 ~ ~ ~ ~
1 1
n
1
1 ~ ~ ~ ~
= T
DL DL n M M V 1 M M
~ 1 ~ 0 ~ 1 ~ 0
1
Var( Yt ) = 4.1.3
n
T 1
M~ 1 M~ 0 V X~ t M~ 0
Zt = + (1 ) Z t 1 ,0 < 1 4.1.4
DL
58
T 1
M1 M0 V X t M0
Z t = (1 ) t j ~ ~ ~ ~
t
+ (1 ) Z 0
t
j =1 DL
T
M M V 1 M M
1 0 0 0
Z0 = ~ ~ ~ ~
=0
DL
T V 1 X M
~M M t 0
~ ~
t 1 0
E( Z t ) = (1 ) E
t j ~
+ (1 ) E( Z 0 )
t
j =1 DL
luego
E( Z t ) = [1 (1 ) t ] D 4.1.5
A su vez,
T 1
M1 M0 V X t M0
Var ( Z t ) = 2 (1 ) 2( t j ) Var ~ ~ ~ ~
t
+ (1 ) Var ( Z 0 )
2t
j =1 DL lue-
2 1 (1 ) 1
2t
=
(2 ) n
go
59
(1 (1 )2 t ) 1
Var( Z t ) = 4.1.6
2 n
(1 (1 )2 t ) 1
L M = K Z = K 4.1.7
2 n
tr[V 1 (n 1)S t ]
Qt
p(n 1)
2x x S2 x RS x S y
como V = y
y
S =
x y
2y RS x S y S 2 y
60
luego
1 2 x S 2 x x y RS x S y 2 y RS x S y x y S 2 y
V S=1
2
(1 ) 2 x 2 y
2 x RS S S 2 x 2 x S 2 y x y RS x S y
x y x y
n 1 S 2 x S S y S2 y
tr( V 1 (n 1)S) = 2
2 R x + 2
y
1 x 2
x y
1 S2 x S S y S 2 y
Qt = 2 R x + 2
2
p(1 ) x
x y y
2
tr ( V 1 (n 1)S t )
E[tr( A 2 A 2 V 1 (n 1)S t )]
1
E(Q t ) = E =
p( n 1) p(n 1)
A
E[tr( A 2 V 1 (n 1)S t )]
2
=
p(n 1)
= A2
tr ( V 1 (n 1)S t )
Var [tr ( A 2 A 2 V 1 (n 1)S t )]
1
Var (Q t ) = Var = 2
p(n 1) p (n 1)
2
A4 2
= 2 Var [tr ( A V (n 1)S t )]
2 1
p (n 1)
2A 4
=
p(n 1)
bajo H0 se considera que el proceso no tiene amplificacin, es decir, A2=1 por tan-
to :
61
2
E(Q t ) = 1 y Var (Q t ) =
p(n 1)
tr( V 1 (n 1)S t )
Wt = + (1 )W t 1 4.2.1
p ( n 1)
tr( V 1 (n 1)S j )
t
Wt = (1 ) t j
+ (1 ) W0
t
j =1
p(n 1)
t tr( V 1 (n 1)S j )
E( Wt ) = (1 ) E t j
+ (1 ) E( W0 )
t
j =1
p(n 1)
= [1 (1 ) ] A + (1 )
t 2 t
E( Wt ) = 1 4.2.2
t tr (V 1 ( n 1)S j )
Var ( W t ) = ( 1 )
2 2( t j )
Var + ( 1 ) Var ( W 0 )
2t
j =1 p( n 1)
1 ( 1 ) 2 A
2t 4
= 2 2
1 ( 1 ) p( n 1)
{1 (1 ) 2 t } 2
Var ( Wt ) = p(n 1)
4.2.3
2
{1 (1 ) 2 t } 2
LS = 1 + R p(n 1) 4.2.4
2
En las Tablas 4.3.1a,b,c, n=3, p=2, K=3.5, R=6, para distintos valores de ,
D y A se observa que:
para los procesos sin degradacin (D=0, A=1), las LRM decrecen al au-
mentar , ya que un valor extremo lo toma como seal de fuera de control
63
tanto ms pronto cuanto mayor es .
en procesos sin degradacin por variabilidad, para cada valor de las LRM
decrecen al aumentar el desplazamiento.
para la misma situacin del punto anterior, para desplazamientos mayores
o iguales a 0.50 las LRM tienden a crecer a medida que aumenta, debi-
do a que el intervalo definido por los lmites de control aumenta.
para un determinado valor de las LRM decrecen al aumentar el despla-
zamiento.
en un proceso sin desplazamiento, para un determinado valor de las LRM
decrecen al aumentar la variabilidad.
en procesos degradados mientras mayor sean el desplazamiento y la am-
plificacin, las LRM tienden a estabilizarse independientemente del valor de
que se elija.
en estos procesos degradados, si el desplazamiento y la amplificacin son
pequeos las LRM tienden a crecer con el aumento de .
64
n=3, p=2 =0.10 =0.25 =0.50 =0.75 =0.90
D A LRM LRM LRM LRH LRH
0 1 4398.85 2801. 43 2357.43 1744.09 1351.46
0.5 1 17.50 24.36 57.04 128.32 177.15
1 1 4.69 5.00 6.70 11.55 18.11
1.5 1 2.52 2.47 2.57 3.28 4.11
2 1 1. 59 1. 61 1. 63 1. 76 1. 88
65
n=4, p=2 =0.10 =0.25 =0.50 =0.75 =0.90
D A LRM LRM LRM LRM LRM
0 1 4198.64 2877.47 2776.93 2905.55 2689.93
0.5 1 13.09 16.31 34.66 75.79 128.12
1 1 3.72 3.87 4.43 6.83 10.88
1.5 1 1.93 2.02 2.11 2.33 2.67
2 1 1. 2 1.33 1.34 1.34 1.48
66
n=4, p=3 =0.10 =0.25 =0.50 =0.75 A.=0.90
D A LRM LRM LRM LRM LRM
0 1 4022.10 2993.74 2938.91 3681.20 3719.81
0.5 1 12.94 16.82 34.26 86.01 128.54
1 1 3.78 3.82 4.57 6.98 10.97
1.5 1 1.97 1.97 2.03 2.23 2.73
2 1 1.34 1.31 1.32 1.37 1.38
67
n=5, p=2 =0.10 =0.25 =0.50 =0.75 =0.90
D A LRM LRM LRM LRM LRM
0 1 4159.42 3026.24 3020.90 3502.98 3682.34
0.5 1 10.28 12.61 24.64 55.77 90.25
1 1 3.05 3.13 3.63 4.86 6.84
1.5 1 1.62 1.67 1.73 1.89 2.05
2 1 1.16 1.17 1.21 1.19 1.20
68
n=5, p=3 =0.10 =0.25 =0.50 =0.75 =0.90
D A LRM LRM LRM LRM LRM
0 1 4573.46 2942.54 2914.35 3689.91 3888.32
0.5 1 10.49 12.31 24.77 57.60 93.65
1 1 3.05 3.11 3.76 5.10 7.19
1.5 1 1.66 1.65 1.69 1.79 2.07
2 1 1.15 1.16 1.16 1.18 1.19
p=2 =0.10
LRM LRM LRM
D A
n=3 n=4 n=5
0 1 1398.85 4198.64 4159.42
0 1.25 65.76 42.10 31.06
0 1.5 7.61 7.73 5.89
0 2 2.72 2.21 1.99
0.5 1 17.50 13.09 10.28
1 1 4.69 3.72 3.05
1.5 1 2.52 1.93 1.62
2 1 1.59 1.32 1.16
70
p=2 =0.25
LRM LRM LRM
D A
n=3 n=4 n=5
0 1 2801.43 2877.47 3026.24
0 1.25 72.90 54.15 45.43
0 1.5 7.68 7.62 6.23
0 2 2.63 2.05 1. 92
0.5 1 24.36 16.31 12.61
1 1 5.00 3.87 3.13
1.5 1 2.47 2.02 1. 67
2 1 1. 61 1.33 1.17
71
n=3, p=2
0.03 0.05 0.10 0.20 0.25 0.50 0.75 0.90
D A LRM LRM LRM LRM LRM LRM LRM LRM
0 0.75 945.9 639.9 346.4 219.0 194.5 131.7 98.4 100.8
1 1 33.4 32.6 33.0 37.1 38.3 46.8 55.7 61.6
0.25 1 10.1 9.7 9.8 10.3 10.7 14.7 20.2 24.4
1 1 5.2 5.0 4.8 5.0 5.2 5.9 7.5 10.7
0.5 1.25 3.1 3.1 3.2 3.2 3.2 3.5 4.5 5.2
1 1 2.3 2.3 2.3 2.2 2.3 2.4 2.8 3.2
n=3, p=2
0.03 0.05 0.10 0.20 0.25 0.50 0.75 0.90
D A LRM LRM LRM LRM LRM LRM LRM LRM
0 1 945.9 639.9 346.4 219.0 194.5 131.7 98.4 100.8
0 1.25 19.0 18.0 17.1 16.2 15.5 13.9 13.9 13.2
0 1.5 4.8 5.2 4.8 4.7 4.8 4.4 4.5 4.3
0 1.75 2.8 2.8 2.8 2.6 2.6 2.6 2.7 2.6
n=3, p=2
0.03 0.05 0.10 0.20 0.25 0.50 0.75 0.90
D A LRM LRM LRM LRM LRM LRM LRM LRM
0.25 1 33.4 32.6 33.0 37.1 38.3 46.8 55.7 61.6
0.25 1.25 14.5 13.5 12.1 12.0 12.0 11.2 11. 5 11.4
0.25 1.5 4.9 4.9 4.7 4.4 4.3 4.2 4.2 3.7
0.25 1.75 2.6 2.8 2.7 2.6 2.6 2.5 2.5 2.6
0.5 1 10.1 9.7 9.8 10.3 10.7 14.7 20.2 24.4
0.5 1.25 7.5 7.7 7.2 6.6 7.0 7.1 8.0 8.4
0.5 1.5 3.9 3.8 3.8 3.6 3.6 3.4 3.5 3.5
0.5 1.75 2.5 2.4 2.4 2.5 2.5 2.4 2.3 2.5
0.75 1 5.2 5.0 4.8 5.0 5.2 5.9 7.5 10.7
0.75 1.25 4.4 4.6 4.4 4.4 4.3 4.5 4.9 5.8
0.75 1.5 3.2 3.1 3.0 2.9 2.9 2.9 3.1 2.9
0.75 1.75 2.2 2.3 2.3 2.1 2.1 2.2 2.1 2.2
72
1 1 3.1 3.1 3.2 3.2 3.2 3.5 4.5 5.2
1 1.25 3.0 3.0 3.0 3.0 3.0 3.1 3.4 3.6
1 1.5 2.5 2.4 2.4 2.3 2.4 2.5 2.4 2.4
1 1.75 2.0 2.0 2.0 1.9 1.9 1.9 1.9 2.1
1.25 1 2.3 2.3 2.3 2.2 2.3 2.4 2.8 3.2
1.25 1.25 2.3 2.3 2.2 2.2 2.3 2.3 2.5 2.6
1.25 1.5 2.1 2.1 2.0 2.0 1.9 2.0 2.0 2.0
1.25 1.75 1.8 1.8 1.8 1.8 1.8 1.7 1.8 1.8
n=4, p=2
0.03 0.05 0.10 0.20 0.25 0.50 0.75 0.90
D A LRM LRM LRM LRM LRM LRM LRM LRM
0 1 1002.2 608.6 372.8 225.8 199.5 149.5 119.5 101.1
0.25 1 25.9 25.6 25.7 29.7 30.3 42.1 53.5 55.3
0.5 1 7.8 7.9 7.6 8.0 7.9 10.8 15.8 20.0
0.75 1 4.1 4.0 3.9 4.0 4.1 4.6 5.9 7.3
1 1 2.6 2.6 2.5 2.5 2.6 2.8 3.2 3.8
1.25 1 1.9 1.8 1.8 1.9 1.9 1.9 2.1 2.3
n=4
73
n=4, p=2
0.03 0.05 0.10 0.20 0.25 0.50 0.75 0.90
D A LRM LRM LRM LRM LRM LRM LRM LRM
0.25 1 25.9 25.6 25.7 29.7 30.3 42.1 53.5 55.3
0.25 1.25 10.4 10.5 10.1 9.9 9.2 10.0 9.8 10.7
0.25 1.5 3.7 3.5 3.8 3.4 3.5 3.5 3.8 3.8
0.25 1.75 2.2 2.1 2.0 2.1 2.1 2.0 2.1 2.1
0.5 1 7.8 7.9 7.6 8.0 7.9 10.8 15.8 20.0
0.5 1.25 6.1 6.4 5.8 5.9 5.1 5.9 6.5 7.3
0.5 1.5 3.3 3.2 3.1 2.9 3.0 2.9 3.1 3.3
0.5 1.75 2.0 2.0 1.9 1.9 1.9 1.9 1.9 2.0
0.75 1 4.1 4.0 3.9 4.0 4.1 4.6 5.9 7.3
0.75 1.25 3.7 3.7 3.6 3.5 3.5 3.8 4.1 4.6
0.75 1.5 2.6 2.5 2.5 2.6 2.4 2.5 2.6 2.8
0.75 1.75 1.8 1.9 1.8 1.8 1.8 1.8 1.8 1.8
1 1 2.6 2.6 2.5 2.5 2.6 2.8 3.2 3.8
1 1.25 2.6 2.4 2.5 2.5 2.5 2.6 2.8 3.2
1 1.5 2.1 2.1 2.0 2.1 2.0 2.0 2.1 2.2
1 1.75 1.6 1.6 1.6 1.7 1.6 1.6 1.6 1.7
1.25 1 1.9 1.8 1.8 1.9 1.9 1.9 2.1 2.3
1.25 1.25 1.9 1.9 1.9 1.8 1.8 1.9 2.0 2.1
1.25 1.5 1.7 1.7 1.7 1.7 1.7 1.7 1.7 1.7
1.25 1.75 1.4 1.3 1.4 1.4 1.3 1.3 1.4 1.4
n=4, p=3
0.03 0.05 0.10 0.20 0.25 0.50 0.75 0.90
D A LRM LRM LRM LRM LRM LRM LRM LRM
0 1 938.7 651.2 397.5 245.0 222.4 161.2 149.0 145.6
0.25 1 26.7 26.1 27.4 29.5 29.9 42.4 54.4 65.4
0.5 1 7.7 7.8 7.9 7.8 8.1 10.1 15.5 19.5
0.75 1 4.0 4.0 4.0 3.9 4.0 4.6 6.0 7.8
1 1 2.6 2.6 2.5 2.6 2.6 2.8 3.1 3.7
1.25 1 1.9 1.8 1.8 1.8 1.8 1.9 2.0 2.2
74
n=4, p=3
0.03 0.05 0.10 0.20 0.25 0.50 0.75 0.90
D A LRM LRM LRM LRM LRM LRM LRM LRM
0 1 938.7 651.2 397.5 245.0 222.4 161.2 149.0 145.6
0 1.25 9.7 10.1 9.4 9.4 9.9 10.5 11.2 12.7
0 1.5 3.0 3.2 3.0 3.0 3.0 3.1 3.2 3.3
0 1.75 1.7 1.7 1.7 1.7 1.7 1.7 1.7 1.8
n=4, p=3
0.03 0.05 0.10 0.20 0.25 0.50 0.75 0.90
D A LRM LRM LRM LRM LRM LRM LRM LRM
0.25 1 26.7 26.1 27.4 29.5 29.9 42.4 54.4 65.4
0.25 1.25 8.4 8.5 8.1 8.0 8.0 8.6 9.4 10.6
0.25 1.5 3.0 2.9 2.9 2.9 2.9 2.9 3.0 3.2
0.25 1.75 1.7 1.6 1.7 1.7 1.7 1.7 1.7 1.7
0.5 1 7.7 7.8 7.9 7.8 8.1 10.1 15.5 19.5
0.5 1.25 5.7 5.4 5.3 5.3 5.3 5.4 6.1 7.4
0.5 1.5 2.6 2.6 2.7 2.6 2.6 2.6 2.8 3.0
0.5 1.75 1.7 1.6 1.6 1.6 1.7 1.6 1.7 1.7
0.75 1 4.0 4.0 4.0 3.9 4.0 4.6 6.0 7.8
0.75 1.25 3.6 3.6 3.4 3.4 3.5 3.6 3.7 4.4
0.75 1.5 2.3 2.2 2.3 2.3 2.2 2.3 2.4 2.4
0.75 1.75 1.6 1.6 1.6 1.6 1.5 1.5 1.5 1.6
1 1 2.6 2.6 2.5 2.6 2.6 2.8 3.1 3.7
1 1.25 2.5 2.5 2.4 2.6 2.4 2.5 2.6 2.9
1 1.5 2.0 1.9 1.9 1.9 2.0 1.9 2.1 2.0
1 1.75 1.4 1.5 1.4 1.5 1.5 1.5 1.5 1.4
1.25 1 1.9 ] .8 1.8 1.8 1.8 1.9 2.0 2.2
1.25 1.25 1.9 1.9 1.9 1.8 1.8 1.9 2.0 2.1
1.25 1.5 1.7 1.7 1.7 1.7 1.7 1.7 1.7 1.7
1.25 1.75 1.4 1.3 1.4 1.4 1.3 1.3 1.4 1.4
Tabla 4.3.9.c LRM para distintos D, A y , K=2.75, R=4
75
n=5, p=2
0.03 0.05 0.10 0.20 0.25 0.50 0.75 0.90
D A LRM LRM LRM LRM LRM LRM LRM LRM
0 1 955.6 656.6 355.7 246.7 218.8 155.2 142.9 136.4
0.25 1 21.3 21.2 21.4 21.7 25.0 34.1 48.3 55.8
0.5 1 6.7 6.6 6.6 6.9 6.8 8.6 11.6 14.9
0.75 1 3.4 3.4 3.3 3.3 3.4 3.8 4.7 6.0
1 1 2.1 2.2 2.2 2.2 2.2 2.3 2.5 2.9
1.25 1 1.6 1.6 1.6 1.6 1.6 1.7 1.7 1.8
Tabla 4.3.10.a LRM para distintos D y , A=1, K=2.75, R=4
n=5, p=2
0.03 0.05 0.10 0.20 0.25 0.50 0.75 0.90
D A LRM LRM LRM LRM LRM LRM LRM LRM
0 1 955.6 656.6 355.7 246.7 218.8 155.2 142.9 136.4
0 1.25 11.0 11.0 11.0 10.5 11. 1 11. 1 11.4 12.5
0 1.5 3.4 3.2 3.3 3.1 3.2 3.2 3.6 3.6
0 1.75 1.7 1.7 1.7 1.7 1.6 1.6 1.7 1.8
n=5, p=2
0.03 0.05 0.10 0.20 0.25 0.50 0.75 0.90
D A LRM LRM LRM LRM LRM LRM LRM LRM
0.25 1 21.3 21.2 21.4 21.7 25.0 34.1 48.3 55.8
0.25 1.25 8.9 8.8 8.5 8.0 9.0 8.1 9.1 11.0
0.25 1.5 3.1 3.1 3.1 3.0 3.1 3.0 3.1 3.3
0.25 1.75 1.8 1.7 1.8 1.7 1.7 1.7 1.8 1.8
0.5 1 6.7 6.6 6.6 6.9 6.8 8.6 11.6 14.9
0.5 1.25 5.2 5.1 5.0 4.8 4.4 5.0 5.8 6.5
0.5 1.5 2.6 2.8 2.9 2.7 2.6 2.6 2.7 3.0
0.5 1.75 1.6 1.7 1.7 1.6 1.6 1.7 1.7 1.6
0.75 1 3.4 3.4 3.3 3.3 3.4 3.8 4.7 6.0
0.75 1.25 3.2 3.2 3.0 3.0 3.0 3.1 3.5 4.0
0.75 1.5 2.3 2.2 2.2 2.2 2.2 2.2 2.3 2.4
0.75 1.75 1.5 1.6 1.5 1.6 1.6 1.5 1.6 1.6
76
1 1 2.1. 2.2 2.2 2.2 2.2 2.3 2.5 2.9
1 1.25 2.1 2.1 2.2 2.1 2.1 2.2 2.3 2.5
1 1.5 1.8 1.8 1.8 1.9 1.8 1.8 1.9 2.0
1 1.75 1.4 1.4 1.4 1.4 1.4 1.4 1.5 1.4
1.25 1 1.6 1.6 1.6 1.6 1.6 1.7 1.7 1.8
1.25 1.25 1.6 1.6 1.6 1.6 1.6 1.7 1.7 1.8
1.25 1.5 1.5 1.5 1.5 1.5 1.5 1.5 1.6 1.6
1.25 1.75 1.3 1.3 1.3 1.3 1.3 1.3 1.3 1.3
n=5, p=3
0.03 0.05 0.10 0.20 0.25 0.50 0.75 0.90
D A LRM LRM LRM LRM LRM LRM LRM LRM
0 1 1025.1 642.0 398.9 253.9 224.9 169.8 156.9 162.5
0.25 1 21.6 20.7 21.6 24.7 23.8 33.5 47.3 57.1
0.5 1 6.3 6.6 6.7 6.7 6.8 8.0 12.6 15.4
0.75 1 3,4 3.3 3.3 3.4 3.3 3.9 4.7 5.8
1 1 2:2 2.2 2.2 2.2 2.1 2.3 2.6 3.0
1.25 1 1.6 1.6 1.6 1.6 1.6 1.6 1.7 1.8
n=5, p=3
0.03 0.05 0.10 0.20 0.25 0.50 0.75 0.90
D A LRM LRM LRM LRM LRM LRM LRM LRM
0 1 1025.1 642.0 398.9 253.9 224.9 169.8 156.9 162.5
0 1.25 8.2 8.3 8.0 8.1 8.0 8.7 9.5 10.2
0 1.5 2.6 2.5 2.5 2.5 2.5 2.5 2.6 2.8
0 1.75 1.5 1.6 1.5 1.5 1.5 1.5 1.5 1.5
77
n=5, p=3
0.03 0.05 0.10 0.20 0.25 0.50 0.75 0.90
D A LRM LRM LRM LRM LRM LRM LRM LRM
0.25 1 21.6 20.7 21.6 24.7 23.8 33.5 47.3 57.1
0.25 1.25 6.8 7.1 6.8 6.6 6.5 7.1 8.2 9.5
0.25 1.5 2.4 2.5 2.4 2.4 2.4 2.5 2.6 2.6
0.25 1.75 1.5 1.5 1.5 1.5 1.5 1.5 1.5 1.5
0.5 1 6.3 6.6 6.7 6.7 6.8 8.0 12.6 15.4
0.5 1.25 4.7 4.6 4.6 4.4 4.3 4.8 5.3 6.2
0.5 1.5 2.3 2.2 2.2 2.2 2.1 2.2 2.4 2.5
0.5 1.75 1.5 1.4 1.4 1.4 1.5 1.5 1.5 1.5
0.75 1 3.4 3.3 3.3 3.4 3.3 3.9 4.7 5.8
0.75 1.25 3.1 3.0 2.9 2.9 3.1 3.0 3.4 3.7
0.75 1.5 1.9 2.0 1.9 1.9 1.9 1.9 1.9 2.1
0.75 1.75 1.4 1.4 1.4 1.4 1.4 1.4 1.4 1.4
1 1 2.2 2.2 2.2 2.2 2.1 2.3 2.6 3.0
1 1.25 2.2 2.1 2.1 2.1 2.1 2.1 2.4 2.5
1 1.5 1.7 1.7 1.6 1.7 1.7 1.7 1.7 1.7
1 1.75 1.3 1.3 1.3 1.3 1.3 1.3 1.3 1.3
1.25 1 1.6 1.6 1.6 1.6 1.6 1.6 1.7 1.8
1.25 1.5 1.7 1.6 1.7 1.7 1.6 1.6 1.8 1.8
1.25 1.5 1.4 1.4 1.4 1.5 1.4 1.4 1.5 1.5
1.25 1.75 1.2 1.2 1.3 1.2 1.2 1.2 1.2 1.2
n=5, p=4
0.03 0.05 0.10 0.20 0.25 0.50 0.75 0.90
D A LRM IJRM LRM LRM LRM LRM LRM LRM
0 1 950.7 666.1 395.5 253.5 250.1 161.9 164.8 163.5
0.25 1 21.7 21.2 20.9 24.0 24.0 36.0 48.8 59.8
0.5 1 6.5 6.7 6.6 6.6 6.8 8.4 11.8 15.2
0.75 1 3.4 3.4 3.4 3.3 3.4 3.8 4.6 5.7
1 1 2.2 2.2 2.2 2.2 2.1 2.3 2.6 2.8
1.25 1 1.6 1.6 1.6 1.6 1.6 1.6 1.7 1.8
78
Tabla 4.3.12.a LRM para distintos D y , A=1, K=2.75, R=4
n=5, p=4
0.03 0.05 0.10 0.20 0.25 0.50 0.75 0.90
D A LRM LRM LRM LRM LRM LRM LRM LRM
0 1 950.7 666.1 395.5 253.5 250.1 161.9 164.8 163.5
0 1.25 6.7 6.1 6.1 6.2 6.3 7.1 8.5 8.1
0 1.5 2.1 2.1 2.0 2.1 2.1 2.0 2.2 2.4
0 1.75 1.3 1.3 1.3 1.3 1.4 1.3 1.3 1.4
n=5, p=4
0.03 0.05 0.10 0.20 0.25 0.50 0.75 0.90
D A LRM LRM LRM LRM LRM LRM LRM LRM
0.25 1 21.7 21.2 20.9 24.0 24.0 36.0 48.8 59.8
0.25 1.25 5.6 5.5 5.5 5.3 5.6 6.0 7.0 7.1
0.25 1.5 2.0 2.0 2.0 2.0 2.0 2.0 2.1 2.1
0.25 1.75 1.4 1.3 1.3 1.3 1.3 1.3 1.3 1.3
0.5 1 6.5 6.7 6.6 6.6 6.8 8.4 11.8 15.2
0.5 1.25 4.3 1.1 4.0 3.9 3.9 4.2 4.6 5.4
0.5 1.5 1.9 1.9 1.8 1.9 1.9 1.9 1.9 2.0
0.5 1.75 1.3 1.3 1.3 1.3 1.3 1.3 1.3 1.3
0.75 1 3.4 3.4 3.4 3.3 3.4 3.8 4.6 5.7
0.75 1.25 2.7 2.7 2.9 2.8 2.8 2.8 3.2 3.4
0.75 1.5 1.7 1.8 1.7 1.7 1.7 1.7 1.8 1.8
0.75 1.75 1.3 1.3 1.2 1.2 1.3 1.2 1.2 1.3
1 1 2.2 2.2 2.2 2.2 2.1 2.3 2.6 2.8
1 1. 25 2.0 2.1 2.0 2.0 2.0 2.0 2.3 2.4
1 1.5 1.6 1.6 1.5 1.5 1.5 1.5 1.5 1.6
1 1. 75 1.2 1.2 1.2 1.3 1.2 1.2 1.2 1.2
1.25 1 1.6 1.6 1.6 1.6 1.6 1.7 1.7 1.8
1.25 1.25 1.6 1.6 1.5 1.6 1.6 1.6 1.7 1.8
1.25 1.5 1.4 1.4 1.4 1.3 1.4 1.4 1.4 1.4
1.25 1.75 1.2 1.2 1.2 1.2 1.2 1.2 1.2 1.2
79
CAPTULO V
Sea cual sea el esquema para establecer el control, el usuario debe selec-
cionar el tamao de muestra, n, los valores de desplazamiento y amplificacin res-
pecto de los cuales quiere proteccin, y dependiendo de cual sea la capacidad de
calidad de su proceso, llevar implcito un determinado valor de proporcin defec-
tuosa contra la que se desea estar protegido.
m m0
D=
0
TS TI
Cp = TS TI = 6C p 0
6 0
luego
TS CT = 3C p 0 TS = m 0 + 3C p 0
TI CT = 3Cp 0 TI = m 0 3Cp 0
m CT = D 0 m = m 0 + D 0
80
0 A 2 0
pi ps
TI CT=m0 m TS
TS m m0 + 3Cp 0 m 0 D 0 3Cp D
zs = = =
A 0 A 0 A A
TI m m 0 3Cp 0 m 0 D 0 3C D
zi = = = p
A 0 A 0 A A
Cp=0.833
D A=1.0 A=1.25 A=1.5 A=2.0
0 0.01242 0.04550 0.09558 0.21130
0.5 0.02410 0.06300 0.11396 0.22546
1 0.06704 0.11762 0.16847 0.26669
1.5 0.15869 0.21254 0.25632 0.33129
2 0.30856 0.34474 0.37079 0.41352
81
Cp=1
D A=1.0 A=1.25 A=1.5 A=2.0
0 0.00270 0.01640 0.04550 0.13361
0.5 0.00644 0.02164 0.05761 0.14571
1 0.02278 0.05549 0.09504 1.18141
1.5 0.06681 0.11523 0.16001 1.23885
2 0.15866 0.21189 0.25292 0.31475
Cp=1.166
D A=1.0 A=1.25 A=1.5 A=2.0
0 0.00046 0.00511 0.01963 0.08012
0.5 0.00138 0.00888 0.02658 0.08956
1 0.00621 0.02291 0.04914 0.11787
1.5 0.02275 0.05483 0.09164 0.16486
2 0.06681 0.11507 0.15878 0.22961
Cp=1.333
D A=1.0 A=1.25 A=1.5 A=2.0
0 0.00006 0.00137 0.00766 0.04550
0.5 0.00024 0.00271 0.01117 0.05228
1 0.00135 0.00823 0.02318 0.07302
1.5 0.00621 0.02276 0.04791 0.10863
2 0.02275 0.05480 0.09124 0.16001
82
5.2 Probabilidad de seal global y LRM por el mtodo de Shewhart
D p LRM p LRM
D p LRM p LRM
0 0.17280 5.79 0.49 2.01
0.5 0.23821 4.20 0.53614 1.87
1 0.44817 2.23 0.54196 1.56
1.5 0.72307 1.38 0.77656 1.29
2 0.90857 1.10 0.88925 1.12
83
5.3 LRM global de Shewhart, SUMAC y MEMPE
84
DL=0.5 AL=1.25 A=1 n=4
D 0 0.25 0.50 1.0 1.5 2.0
LRM SHEW 166.84 80.58 21.90 2.99 1.26 1.02
HM HS LRM (SUMAC)
1 4 12.14 6.62 3.09 1.40 1.06 1.01
5 4 90.21 69.90 9.99 3.82 2.50 1.99
3 6 578.87 33.49 7.24 2.67 1.77 1.29
5 6 1277.73 82.67 10.78 3.95 2.56 2.01
1 10 14.85 7.04 3.15 1.42 1.07 1.01
3 10 1181.64 36.38 7.25 2.73 1.73 1.31
5 10 2651.31 88.90 11.54 3.97 2.60 2.02
LRM (MEMPE) K=3.5 R=6
0.10 4315.86 62.73 12.72 3.69 1.98 1.33
0.25 2640.04 124.58 16.09 3.86 1.95 1.35
0.50 1997.50 259.88 34.76 4.53 2.03 1.35
0.75 1301.28 439.25 78.75 7.23 2.35 1.38
0.90 1418.56 633.99 123.29 10.73 2.73 1.42
LRM (MEMPE) K=2.75 R=4
0.10 350.11 25.24 7.64 2.62 1.47 1.11
0.25 171.94 30.03 8.20 2.53 1.45 1.11
0.50 121.83 35.78 11.07 2.75 1.47 1.09
0.75 100.93 48.58 14.74 3.11 1.54 1.13
0.90 98.90 61.36 16.69 3.91 1.59 1.11
LRM (MEMPE) K=2.75 R=3
0.10 200.46 24.04 7.35 2.50 1.45 1.12
0.25 97.09 26.79 8.25 2.50 1.46 1.11
0.50 67.17 30.15 10.02 2.72 1.50 1.12
0.75 50.76 33.24 12.83 3.16 1.49 1.10
0.90 47.20 34.74 16.19 3.66 1.56 1.12
PD (%) Cp=0.833 1.24 1.52 2.41 6.70 15.87 30.85
Tabla 5.3.1 LRM de Shewhart, SUMAC y MEMPE, para distintos D, A, PD, Cp=0.8333, A=1, n=4
Tabla 5.3.2 LRM de Shewhart, SUMAC y MEMPE, para distintos D, A, PD, C=0.8333, A=1.25, n=4
87
se presentan procesos degradados por variabilidad y se estudia el comportamiento
de las LRM para distintos desplazamientos, se puede afirmar que:
con las excepciones del MEMPE K=2.75, R=4, =0.10 y el SUMAC HM=5,
HS=10, todos los dems MEMPE y SUMAC son ms potentes que Shewhart
para detectar cambios en el desplazamiento inferiores a 10.
para desplazamientos mayores a 10 el mtodo de Shewhart es ms eficiente
que los MEMPE presentados. Se reitera que los procesos generalmente se
degradan en forma gradual, y por tanto, el esquema MEMPE detectar con
mayor facilidad estas degradaciones en sus inicios.
para desplazamientos mayores o iguales a 0.50 las LRM del esquema
MEMPE tienden a estabilizarse independientemente del valor de que se eli-
ja.
para un mismo desplazamiento en este tipo de procesos las LRM del esque-
ma MEMPE tienden a disminuir con el aumento de . Esta tendencia es simi-
lar a la observada en la Tabla 5.3.1.
en esta situacin especfica, por tratarse de un proceso degradado, las LRM
tienden a decrecer con el aumento de , pues, mientras mayor sea , mayor
es el peso que le asignan los estadsticos del MEMPE a esta ltima observa-
cin, y como se trata de una observacin degradada, los estadsticos sobre-
pasarn con mayor facilidad los lmites de control disminuyendo as la LRM.
existen MEMPE ms potentes que algn SUMAC para detectar estas degra-
daciones (por ejemplo: MEMPE K=2.75, R=3, =0.90 respecto a los SUMAC
HM=5 , HS=4 ; HM=5 , HS=6; HM=5 , HS=10 y HM=3 , HS=10. MEMPE
K=2.75, R=4, =0.90 respecto al SUMAC HM=5 , HS=10)
existen varios MEMPE y SUMAC que presentan un comportamiento similar
para detectar las degradaciones de estos procesos.
los SUMAC con HM=1 , HS=4 , y HM=1 , HS=10, son los ms eficientes para
detectar cualquier desplazamiento, debiendo tenerse en cuenta que en este
caso, el proceso se encuentra degradado al tener una amplificacin A=1.25.
al pie de la tabla se incluye la proporcin defectuosa, PD, correspondiente a
cada desplazamiento, para una capacidad de calidad Cp=0.8333, con A=1.25.
89
te que cuando el proceso no est degradado, la LRM es muy pequea, lo que
producir un elevado nmero de falsas seales.
DL=0.5 AL=1.25
n=3 A=1 A=1.25
90
CAPTULO VI
Para determinar los valores de las LRM, sea cual fuere el procedimiento
de clculo utilizado, se parte de un proceso degradado hasta un determinado pun-
to, representado por un desplazamiento D y una amplificacin A, en el cual se
mantiene constantemente todo el tiempo que se precise hasta detectar una seal
de fuera de control.
91
sistemtica de unas pautas de control deben enfrentarse a una degradacin, si se
produce, muy pequea pero sostenida.
20
m0
(i 1) i 1
Di = = i=1,2,3,...
25 25
92
por la velocidad de desplazamiento considerada, al crtico se llega en el octavo
perodo muestral.
(X ij X i ) , n=5
1 n 1 n
X ij
2
Xi = y S 2i =
n j =1 n 1 j =1
2
i D X X S
1 0.00 -0,20919 0,30386 -0,94935 0,05627 -0,80804 -0,32129 0,29433
2 0.04 0,55825 -0,89092 -1,37213 1,54899 -0,09186 -0,04953 1,34592
3 0.08 0,72446 0,48732 0,10207 0,64965 0,41522 0,47574 0,05888
4 0.12 2,21280 -0,58787 1,15394 0,56152 -1,91850 0,28438 2,54133
5 0.16 1,26214 -0,15815 1,72211 -0,19074 1,62557 0,85219 0,90785
6 0.20 0,47182 0,95213 1,76494 -0,09373 -0,58873 0,50128 0,83578
7 0.24 0,57864 -0,44186 1,36830 -1,20215 0,42224 0,14503 0,98014
8 0.28 0,06369 3,30768 0,72406 -0,45697 1,17271 0,96224 2,10591
8* 0.28 -1,16279 -0,18181 0,07880 0,14768 0,57358 -0,10891 0,42071
9 0.32 -1,06634 -0,82406 0,06685 -1,02262 -0,94259 -0,75775 0,22098
10 0.36 -0,67277 0,59276 -0,39706 0,09260 1,58150 0,23941 0,79620
11 0.40 0,16473 -0,10821 1,17412 2,15002 -0,98213 0,47971 1,46350
12 0.44 0,35056 -1,12726 0,80609 1,52741 0,92073 0,49551 0,99912
13 0.48 0,46555 0,92266 -0,36901 0,95667 2,26720 0,84862 0,91473
14 0.52 0,55628 2,59979 1,21360 2,22507 0,12419 1,34379 1,11968
14* 0.52 1,57570 -0,16077 0,27303 0,58313 1,01022 0,54705 0,61187
15 0.56 0,63662 0,20663 0,46744 1,60982 -2,07640 0,16881 1,85680
16 0.60 0,65208 0,28672 0,85416 1,01636 0,62465 0,68679 0,07544
17 0.64 0,92887 0,65226 1,33353 2,26342 1,15762 1,26714 0,37537
17* 0.64 -0,00395 0,75339 0,85892 0,11327 0,40296 0,37961 0,19001
18 0.68 0,90893 1,35281 -0,25285 1,66809 0,70096 0,87559 0,54020
19 0.72 0,81783 0,78959 1,31671 1,06117 -0,08753 0,77956 0,28031
20 0.76 1,27825 -0,17092 -0,65213 2,26899 0,62814 0,67047 1,34592
21 0.80 1,16426 0,59254 0,56676 1,70544 1,84743 1,17529 0,36071
93
21* 0.80 1,78649 -0,71960 1,64567 0,13667 1,78823 0,15823 2,37722
22 0.84 -0,17231 1,52105 0,86125 -0,91817 1,28645 0,51565 1,06339
23 0.88 0,21162 1,43987 1,82224 -0,15366 0,12011 0,68804 0,77741
24 0.92 0,53969 0,09359 -0,18733 0,39351 0,23807 0,21551 0,07861
25 0.96 -0,25849 0,14589 1,66228 -0,55565 1,84334 0,56747 1,23695
26 1.00 0,20689 1,93246 0,85749 0,11146 1,95907 1,01348 0,80680
26* 1.00 1,18810 1,08361 3,55195 1,85348 0,10229 1,55589 1,63603
2
Tabla 6.1.1 Desplazamientos, observaciones, medias y varianzas, para 0=1
x
MIS
MAS
S
CT
MAI
MII
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 t
SIS
SAS
95
Si se aplica un control de Shewhart con seales, como el sugerido por Capilla
y Romero (1991), el proceso se debe intervenir en la muestra 16 (siete puntos
seguidos por encima de la media). En el grfico de la Fig 6.1.2 esta situacin se
seala con una S, la cuenta de estos siete puntos se inicia a partir de la muestra
10. Est claro que este proceso, mejora la eficacia del mtodo de Shewhart clsi-
co, conduciendo en este caso, a detectar la degradacin en la muestra nmero
16, la cual corresponde a una situacin real de un desplazamiento igual a
15/25=0.6. En este caso ha transcurrido un tiempo de 16 8 = 8 perodos inter-
muestrales de fabricacin fuera de los lmites de aceptacin sin que el sistema de
control lo haya detectado.
i D X X S
2
Zt Lm Wt Ls
1 0 -0,209 0,3039 -0,949 0,0563 -0,808 -0,3213 0,2943 -0,016 0,056 0,965 1,141
2 0,04 0,5583 -0,891 -1,372 1,549 -0,092 -0,0495 1,3459 -0,018 0,077 0,984 1,195
3 0,08 0,7245 0,4873 0,1021 0,6497 0,4152 0,4757 0,0589 0,007 0,092 0,938 1,233
4 0,12 2,2128 -0,588 1,1539 0,5615 -1,919 0,2844 2,5413 0,021 0,104 1,018 1,263
5 0,16 1,2621 -0,158 1,7221 -0,191 1,6256 0,8522 0,9079 0,062 0,121 1,012 1,307
6 0,2 0,4718 0,9521 1,7649 -0,094 -0,589 0,5013 0,8358 0,084 0,128 1,003 1,324
7 0,24 0,5786 -0,442 1,3683 -1,202 0,4222 0,1450 0,9801 0,087 0,134 1,002 1,339
8 0,28 0,0637 3,3077 0,7241 -0,457 1,1727 0,9622 2,1059 0,131 0,139 1,057 1,352
9 0,32 -1,066 -0,824 0,0669 -1,023 -0,943 -0,7578 0,2210 0,087 0,147 1,016 1,373
10 0,36 -0,673 0,5928 -0,397 0,0926 1,5815 0,2394 0,7962 0,094 0,151 1,005 1,381
11 0,4 0,1647 -0,108 1,1741 2,15 -0,982 0,4797 1,4635 0,114 0,154 1,028 1,389
12 0,44 0,3506 -1,127 0,8061 1,5274 0,9207 0,4955 0,9991 0,133 0,156 1,026 1,395
13 0,48 0,4656 0,9227 -0,369 0,9567 2,2672 0,8486 0,9147 0,168 0,159 1,021 1,401
Tabla 6.1.2 Estadsticos y lmites para la media y varianza con =0.05, K=2.5 y R=4
En la Fig 6.1.3a, el MEMPE con =0.05, K=2.5 para la media, se observa que
en la muestra 13 detecta que el proceso est fuera de control, situacin bastante
mejor que el mtodo de Shewhart y Shewhart con seales. En la Fig 6.1.3b, el
MEMPE con =0.05, R=4 para la de variabilidad, muestra un comportamiento
acorde con que sta no cambia.
0,2
0,15
0,1
0,05
0
1 2 3 4 5 6 7 8 9 10 11 12 13
-0,05
-0,1
-0,15
-0,2
Wt
1,6
1,4
1,2
0,8
0,6
0,4
0,2
0
1 2 3 4 5 6 7 8 9 10 11 12 13
97
i D X X S2 Zt Lm Wt Ls
1 0 -0,209 0,3039 -0,949 0,0563 -0,808 -0,3213 0,2943 -0,080 0,280 0,824 1,707
2 0,04 0,5583 -0,891 -1,372 1,549 -0,092 -0,0495 1,3459 -0,073 0,349 0,954 1,884
3 0,08 0,7245 0,4873 0,1021 0,6497 0,4152 0,4757 0,0589 0,064 0,383 0,730 1,969
4 0,12 2,2128 -0,588 1,1539 0,5615 -1,919 0,2844 2,5413 0,119 0,401 1,183 2,014
5 0,16 1,2621 -0,158 1,7221 -0,191 1,6256 0,8522 0,9079 0,303 0,416 1,114 2,052
6 0,2 0,4718 0,9521 1,7649 -0,094 -0,589 0,5013 0,8358 0,352 0,419 1,045 2,059
7 0,24 0,5786 -0,442 1,3683 -1,202 0,4222 0,1450 0,9801 0,300 0,420 1,029 2,064
8 0,28 0,0637 3,3077 0,7241 -0,457 1,1727 0,9622 2,1059 0,466 0,421 1,298 2,066
Tabla 6.1.3 Estadsticos y lmites para la media y varianza con =0.25, K=2.5 y R=4
En la Fig 6.1.4a, para un MEMPE con =0.25, K=2.5, R=4, al darle mayor pe-
so al ltimo valor promedio que ingresa, como el proceso se est degradando
hacia la tolerancia superior, es posible detectar este desplazamiento en la mues-
tra 8, situacin mejor que la obtenida en la Fig 6.1.3a.
Zt
0,6
0,5
0,4
0,3
0,2
0,1
0
1 2 3 4 5 6 7 8
-0,1
-0,2
-0,3
-0,4
-0,5
98
Wt
2,5
1,5
0,5
0
1 2 3 4 5 6 7 8
Ut Wt
0 0
0,075466 0,10622921
0,67621 0
1,085584 1,30164694
2,06277 0,96981713
2,689056 0,56591296
2,95909 0,30637314
4,046324 1,17260306
Tabla 6.1.4 Estadsticos SUMAC
99
Ut
4,5
3,5
2,5
1,5
0,5
0
1 2 3 4 5 6 7 8
Wt
0
1 2 3 4 5 6 7 8
100
miento de un proceso, y su eficiencia es similar. Se reitera en destacar, que de
todas maneras el esquema MEMPE es ms verstil que el SUMAC y de una apli-
cacin ms sencilla.
Mtodo i* D* t* p* ()
Shewhart 26 1 18 18.31
Shewhart
16 0.60 8 6.39
Con seales
MEMPE =0.05
13 0.48 5 4.71
K=2.5 R=4
MEMPE =0.25
8 0.28 0 2.84
K=2.5 R=4
SUMAC
8 0.28 0 2.84
HM=3 , HS=6
102
CAPTULO VII
Introduccin
a)
b)
c)
d)
e)
Defectuoso TI CT TS Defectuoso
103
Tambin, puede mantenerse centrado en CT, pero, presentar un aumen-
to en su variabilidad (d), lo cual genera un incremento en la proporcin de de-
fectuosos, y, si adems de aumentar la variabilidad se produce un desplaza-
miento, la proporcin de defectuosos puede llegar a niveles inaceptables. Como
se ver, los mtodos de control de calidad permiten vigilar una determinada ca-
racterstica del comportamiento del proceso, logrando detectar ya sea los des-
plazamientos hacia las tolerancias TI TS, los aumentos de variabilidad.
TS TI
Cp =
6
que permite medir, cuantas unidades de 6 estn contenidas en el intervalo de
tolerancias definido para el producto.
a) b)
TI TS TI TS
6
6
c)
TI TS
6
104
En la Fig 7.1.1a, como 6 est contenida ms de una vez entre toleran-
cias, el ndice de variabilidad Cp ser mayor a 1, lo que implica que el proceso
produce una proporcin de piezas defectuosas inferior al 2. En la Fig 7.1.1b,
Cp es inferior a 1, por tanto, la proporcin de piezas defectuosas que se fabrica-
r ser superior al 2. En la Fig 7.1.1c, aunque el Cp sera bastante superior a
1, claramente, la proporcin de piezas defectuosas tendr valores inaceptables,
dado el desplazamiento que muestra el proceso, por ello, el ndice Cp por s s-
lo no basta, se requiere de otro estadstico que detecte si el proceso se descen-
tra respecto del valor nominal CT.
TS m
3 si m es proxima a TS
C pk =
m TI
3 si m es proxima a TI
Si el proceso est centrado se verifica que Cp=Cpk, si un proceso presen-
ta desplazamiento hacia cualquiera de las tolerancias Cpk ser menor o igual a
Cp. El ideal es que Cp Cpk, es decir, que el proceso est lo ms centrado posi-
ble; tanto mejor, si ambos valores son superiores a uno.
x
j =1
j
1 t
=x= = S 2 = Sj
2
m y
t t j =1
105
En la Fig 7.1.2, se puede apreciar que para un proceso centrado, Cp=Cpk,
a medida que Cp aumenta la proporcin de piezas defectuosas disminuye ex-
ponencialmente a cero. Las curvas de defectuosos para procesos que presen-
tan desplazamiento respecto de CT de 0.25 y 0.5, muestran que mientras ma-
yor es el desplazamiento mayor es la proporcin de defectuosos que ellas pre-
sentan respecto de un proceso centrado.
7.2 Ejemplos
106
7 4,88 5.00 5,05 4,95 5,01 4,98 0,00427
8 5.00 4,96 4,97 5.00 5,04 4,99 0,00098
9 4,95 4,95 4,97 5,30 5,02 5,04 0,02227
10 4,99 5,01 4,87 5,01 4,94 4,96 0,00358
11 5.00 4,99 4,97 4,98 4,97 4,98 0,00017
12 4,95 4,99 4,97 5,15 4,99 5,01 0,0064
13 5,02 4,99 5,03 5,04 4,94 5.00 0,00163
14 5,01 5.00 4,92 4,85 5,03 4,96 0,00567
15 4,99 5,01 4,80 5,07 5.00 4,97 0,01043
16 5.00 4,99 4,97 4,99 4,94 4,98 0,00057
17 4,95 4,99 5,02 5.00 4,99 4,99 0,00065
18 4,95 4,98 5,10 4,92 5,19 5,03 0,01287
19 4,9 5,04 4,90 5,03 4,96 4,97 0,00458
20 5,05 5.00 4,98 5,01 5.00 5,01 0,00067
21 5,01 4,87 4,99 5,02 5.00 4,98 0,00377
m 4,994 0,005
5,06
5,04
5,02
4,98
4,96
4,94
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21
107
s
0,16
0,14
0,12
0,1
0,08
0,06
0,04
0,02
0
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21
108
9 5,94 6,07 5,92 5,96 5,97 0,00603
10 5,92 5,98 6,07 5,88 5,96 0,00903
11 5,98 6,05 5,97 6,03 6,01 0,00173
12 5,95 5,98 6,02 5,97 5,98 0,00070
13 6,01 5,94 6,01 5,98 5,99 0,00123
14 6,01 5,92 5,94 6,09 5,99 0,00863
15 6,03 6,07 5,97 6,10 6,04 0,00463
16 6,02 5,94 5,87 6,08 5,98 0,01143
17 5,91 5,97 6,14 6,03 6,01 0,00743
18 5,93 6,11 6,03 6,11 6,05 0,00213
19 6,05 5,99 6,14 5,98 6,04 0,00803
20 5,98 6,14 5,94 6,05 6,03 0,01003
21 6,03 6,07 5,87 5,95 5,98 0,01013
22 5,98 6,13 6,05 5,94 6,03 0,00910
23 5,97 6,08 6,15 5,98 6,05 0,00730
24 5,97 6,05 6,14 5,99 6,04 0,00570
25 5,98 5,95 5,96 6,02 5,98 0,00143
26 6,02 5,99 6,01 6,05 6,02 0,00093
27 5,98 6,02 5,94 6,15 6,02 0,01123
109
x
6,06
6,04
6,02
6
CT
5,98
5,96
5,94
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
0,12
0,1
0,08
0,06
0,04
0,02
0
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
110
35
30
25
20
No of obs
15
10
0
5,75 5,80 5,85 5,90 5,95 6,00 6,05 6,10 6,15 6,20 6,25
111
7.3.1 Grficos de Shewhart
H 0 : = 0 = x H 0 : 2 2 0
H : = x H : 2 > 2 0
1 0 1
y, para realizar la dcima para la tendencia central define dos lmites de control
simtricos al promedio de los promedios, m estimada, de las muestras obteni-
das para realizar el estudio de la capacidad de calidad, y alejados tres desvia-
ciones estndar estimadas a partir de m , es decir,
+ 3
LCS = m
3
LCI = m
Este mtodo, para ser aplicado requiere que previamente se realice un estu-
dio del comportamiento del proceso, dado que el control de una caracterstica de-
be realizarse respecto del valor nominal o centro de tolerancia definida a ella, CT,
y no, realizar el control respecto del promedio de los promedio. Puesto que, cuan-
do se hace el estudio de la capacidad de calidad, si el proceso presenta degrada-
ciones o anomalas, el promedio de los promedios puede compensar valores ex-
tremos del proceso y no detectar posibles tendencias o rachas. Este tipo de anli-
sis se debe realizar antes de definir stos los lmites de control, de lo contrario, se
puede llegar a instaurar un mtodo de control de calidad errneo. Para mostrar
algunas de estas situaciones, se desarrollan los siguientes ejemplos, en los cua-
les se ilustrar que el uso del promedio de los promedios puede no tener sentido.
112
a) En la fabricacin de una pieza, su longitud est especificada por 1.5 0.5
m.m, se toman 30 muestras de tamao n=4, a intervalos regulares de
tiempo.
113
De acuerdo a Shewhart, los lmites de control de x para este proceso es-
tn dados por:
En la Fig 7.3.1, se puede apreciar que existe una causa asignable que
hace que el proceso se degrade hacia la tolerancia superior a intervalos regulares
de tiempo, en que todas las primeras muestras los promedios estn bajo el lmite
de control inferior, y los valores de las ltimas diez medias, superan el lmite supe-
rior, por lo cual, los lmites definidos, por una parte no controlan el proceso respec-
to de su valor nominal y tampoco tienen validez puesto que han sido definido a
partir de un proceso que est fuera de control en su etapa de estudio.
2,000
1,800
1,600
1,400
CT
1,200
1,000
0,800
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
114
18
16
14
12
No of obs
10
0
0,7 0,8 0,9 1,0 1,1 1,3 1,5 1,6 1,8 1,9 2,1
Es importante, sealar que los puntos de la Fig 7.3.1, como los de cual-
quier grfico de control de ste tipo, no se pueden unir por lneas, como apa-
rece en la mayora de los textos de control de calidad. Para realizar el control,
se efecta una dcima puntual a intervalos regulares de tiempo, y por tanto, no
se conoce el comportamiento del proceso cuando no se est realizando mues-
treo. Se debe recordar, que estos procesos tienen un comportamiento aleato-
rio, por tanto, entre dos perodos de toma de muestras no se conoce el com-
portamiento real del proceso. En la Fig 7.3.1a, se muestran un posible compor-
tamiento entre los perodos j y k mientras no se realiza muestreo, esta situa-
cin ilustra que no tiene sentido unir estos puntos.
1,5
1,45
1,4
1,35
1,3
1,25
1 2 3 4 5 6 7 8
j k
116
x
1,800
1,700
1,600
1,500 CT
1,400 x
1,300
1,200
1,100
1,000
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30 31
70
60
50
40
No of obs
30
20
10
0
1,1 1,2 1,3 1,4 1,5 1,6 1,7 1,8
117
Se puede apreciar que si bien las medias muestran un comportamiento
aleatorio, el proceso presenta un descentramiento de 0.949 hacia la tolerancia
inferior.
Por las razones anteriores, antes de definir los lmites de control, es ne-
cesario construir un histograma, con todos los datos con lo que se realiza el
estudio de capacidad de calidad, un grfico con las medias y otro con las des-
viaciones estndar de estas muestras, para detectar cualquier posible tendencia
que el proceso presente, y, que pueda ser encubierta por el promedio de los
promedios.
118
Para un proceso poco preciso, las lneas de control probabilstico, Pepi
y Polo (1988) las definen por:
x x
TI CT TS
MAI = CT 1.96 MAS = CT + 1.96
n n
MII = CT 3.09 MIS = CT + 3.09
n n
119
Lneas de Atencin (Riego del 5%)
MAI = TI + 3.09 1.96 MAS = TS 3.09 + 1.96
n n
MII = TI + 3.09 3.09 MIS = TS 3.09 + 3.09
n n
en la Fig 7.4.2 m1 y m2 son las posibles medias verdaderas del proceso depen-
diendo de la direccin del desplazamiento
SAS SIS
Lneas de Atencin
2 0.025 , =n 1
SAS =
n 1
Lneas de Intervencin
2 0.001 , =n 1
SIS =
n 1
n -1 2 3 4 5 6 7 8 9 10
0.001 13.81 16.27 18.51 20.52 22.46 24.32 26.12 27.98 29.689
2
2 0.025 7.38 9.35 11.14 12.83 14.45 16.01 17.53 19.04 20.50
120
Ejemplos
0.29580399
MAI = CT 1.96 = 150 1.96 = 149 .74
n 5
121
MAS = CT + 1.96 = 150 + 1.96 0.29580399 = 150.259
n 5
0.29580399
MII = CT 3.09 = 150 3.09 = 149.591
n 5
MIS = CT + 3.09 = 150 + 3.09 0.29580399 = 150 .408
n 5
26
24
22
20
18
16
No of obs
14
12
10
0
148,8 149,0 149,2 149,4 149,6 149,8 150,0 150,2 150,4 150,6 150,8 151,0 151,2
x
150,8
150,6
150,4
150,2
150
149,8
149,6
149,4
149,2
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20
122
S
0,6
0,5
0,4
0,3
0,2
0,1
0
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20
20.001 ; 4 18.51
SIS = = 0.29580399 = 0.63632
4 4
20.025 ; 4 11.14
SAS = = 0.29580399 = 0.4936
4 4
123
9 149,5 149,9 150,2 149,6 150,5
10 150,1 149,8 149,8 149,4 149,8
124
La media estimada del proceso es 32.47 m.m y la desviacin estndar
estimada es =0.05391 m.m, luego, el ndice de variabilidad es Cp=1.855 y el
ndice de descentramiento es Cpk=1.797, se trata por tanto de un proceso preci-
so con un desplazamiento de 0.185 hacia la tolerancia inferior.
32,52
32,50
32,48
32,46
32,44
32,42
32,40
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
0,09
0,08
0,07
0,06
0,05
0,04
0,03
0,02
0,01
0
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
125
Lneas de control de calidad para la tendencia central:
0,05391
MAI = 32,18 + 3,09 0,05391 1,96 = 32 .313
10
0,05391
MAS = 32,78 3,09 0,05391 + 1,96 = 32,647
10
0,05391
MII = 32,18 + 3,09 0,05391 3,09 =32,294
10
0,05391
MIS = 32,78 3,09 0,05391 + 3,09 = 32,666
10
120
100
80
No of obs
60
40
20
0
32,25 32,30 32,35 32,40 32,45 32,50 32,55 32,60 32,65 32,70
27.98
SIS = 0.05391 = 0.09505
9
19.04
SAS = 0.05391 = 0.07841
9
aplicando estas lneas de control a los datos originales con los que se realiz el
estudio de capacidad de calidad se tiene:
126
x
32,7
32,65
32,6
32,55
32,5
32,45
32,4
32,35
32,3
32,25
32,2
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
0,1
0,09
0,08
0,07
0,06
0,05
0,04
0,03
0,02
0,01
0
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
Muestras
32,37 32,56 32,58 32,59 32,54 32,57 32,6 32,55 32,58 32,41
32,51 32,51 32,49 32,52 32,5 32,47 32,63 32,55 32,5 32,47
32,48 32,49 32,5 32,55 32,55 32,56 32,54 32,58 32,6 32,54
32,46 32,48 32,5 32,49 32,59 32,54 32,45 32,53 32,69 32,46
127
32,47 32,45 32,5 32,48 32,55 32,56 32,55 32,55 32,53 32,5
32,57 32,57 32,57 32,49 32,52 32,51 32,53 32,48 32,55 32,41
32,56 32,57 32,53 32,49 32,58 32,44 32,51 32,61 32,53 32,6
32,45 32,48 32,55 32,53 32,56 32,55 32,56 32,47 32,43 32,53
32,56 32,46 32,44 32,48 32,53 32,47 32,45 32,5 32,55 32,46
32,56 32,48 32,54 32,5 32,59 32,47 32,53 32,55 32,54 32,52
32,35 32,45 32,44 32,49 32,45 32,59 32,51 32,61 32,47 32,56
32,55 32,55 32,51 32,52 32,55 32,55 32,57 32,51 32,58 32,48
7.6 Ejercicios
N Observaciones muestrales
1 15.03 15.01 15.11 15.03 15.08
2 15.12 14.93 15.12 15.10 15.08
3 15.04 15.12 15.15 15.05 15.09
4 15.15 15.04 15.17 15.02 15.03
5 14.90 15.05 15.11 15.09 15.05
6 14.95 15.03 14.87 15.10 15.09
7 14.95 15.10 15.02 15.06 15.13
8 15.00 15.18 14.92 15.07 15.15
9 15.00 15.17 14.99 15.12 15.12
10 15.20 15.15 15.04 15.01 15.15
11 15.15 15.20 14.89 15.08 15.15
12 15.17 15.20 14.92 15.14 15.15
13 15.20 15.20 15.02 15.15 15.17
14 15.10 15.15 14.86 15.15 15.16
15 15.01 15.15 14.94 15.15 15.10
16 15.12 15.15 15.04 15.16 15.15
17 14.87 15.13 14.87 15.18 15.12
18 15.04 15.13 14.86 15.02 15.11
128
19 14.91 15.13 14.92 15.08 15.12
20 15.12 15.50 14.95 15.21 15.02
21 15.15 15.51 14.97 15.20 15.03
22 15.15 15.05 14.97 14.92 15.04
23 15.04 15.15 14.97 15.05 14.91
24 14.91 15.11 14.99 14.94 15.03
t Valores muestrales
1 14.85 14.93 15.03 15.02 14.96 14.94 15.04 14.98
2 14.82 14.97 15.01 15.05 14.83 14.97 15.02 14.93
3 15.11 15.04 15.09 14.96 15.05 15.06 14.97 15.06
4 14.92 14.88 15.11 14.93 15.12 15.09 15.06 15.02
5 14.96 15.07 15.03 14.99 15.07 14.94 15.03 14.98
6 15.02 15.12 14.96 15.03 15.11 14.97 15.12 14.94
7 15.01 15.08 15.07 15.07 15.06 15.09 15.06 14.96
8 14.97 15.01 15.01 15.01 15.02 15.03 14.95 15.02
9 14.89 14.97 15.03 15.08 14.98 14.96 15.08 14.95
10 15.12 15.03 15.04 14.97 15.04 15.03 14.94 15.03
11 14.98 14.89 15.01 14.93 15.12 15.07 15.05 15.08
12 14.95 15.02 15.07 14.98 15.05 14.94 15.03 14.94
13 15.06 15.11 14.98 15.04 15.13 14.98 15.13 14.96
14 15.02 15.06 15.05 15.06 15.06 15.04 15.02 14.93
15 14.97 15.03 15.02 15.03 15.04 15.03 14.96 15.07
129
exponencialmente, use al menos dos valores distintos de para comparar su
eficiencia.
Muestras
1 9,94 10,18 10,18 10,17 10,24 10,07 10,28 10,24
2 9,99 10,08 10,19 9,95 10,05 10,18 10,10 10,17
3 10,00 10,24 10,20 9,98 10,08 10,22 9,94 10,07
4 9,94 10,24 10,15 10,11 10,04 10,09 9,95 10,00
5 9,98 10,27 10,14 9,95 10,21 10,24 10,07 10,08
6 10,00 10,24 10,07 10,28 10,21 10,07 10,08 9,94
7 10,08 10,14 9,94 10,23 10,07 10,24 9,95 10,05
8 9,93 9,98 10,11 9,98 10,08 10,22 10,34 10,25
9 10,09 10,37 10,22 10,00 10,00 10,20 10,18 9,99
10 10,20 10,39 9,98 9,94 10,17 10,09 10,23 9,94
11 10,05 10,32 10,25 10,17 10,08 10,08 9,90 10,08
12 10,08 10,44 10,24 10,04 10,18 10,23 10,15 10,10
13 10,28 10,17 10,19 10,14 10,19 10,04 10,11 9,87
14 9,95 10,09 10,17 9,94 10,27 10,24 9,99 10,31
15 10,17 10,14 9,94 9,98 10,04 10,09 10,09 10,10
16 10,14 10,21 10,09 9,95 10,17 10,24 10,14 10,14
17 10,18 10,27 10,14 9,97 10,17 10,29 10,19 10,24
18 10,14 9,97 10,18 10,29 10,10 10,09 10,18 10,22
19 9,95 10,17 9,99 10,05 10,04 10,22 10,14 9,94
20 9,97 10,39 10,09 10,01 10,09 10,12 10,27 10,24
21 9,97 10,29 10,10 10,02 10,05 10,24 10,08 9,98
22 10,17 10,22 10,08 10,04 10,17 10,14 10,15 10,18
23 10,04 10,28 9,95 10,08 10,14 10,17 10,03 10,17
130
7.7 Mtodo Seis Sigma
Introduccin
Por ejemplo, si de los 3500 alumnos que entran a una universidad y se tie-
ne como norma aceptable que un 95% debe aprobar el mnimo de asignaturas
establecidas para continuar estudiando, 3325 de ellos estarn felices, pero, qu
suceder con los alumnos que caen dentro de la categora del error aceptable?
Cada semestre, 175 alumnos tendrn que ser eliminados. As pues, un rendi-
miento del 95% sera un alto promedio, pero, no muy admisible como porcentaje
de xito acadmico. Qu pasa si se obva esta norma de calidad y se establece
una ambiciosa meta del 99,9% de aprobacin mnima?, en este caso, slo 35
alumnos seran eliminados, con ello, se tendrn ms alumnos contentos, y al
mismo tiempo, menos problemas econmicos al disminuir el nmero de elimina-
dos.
131
de acceso a la misma de un nmero cada vez ms importante de personas, y la
gran demanda insatisfecha de los estudiantes que no pueden acceder a las uni-
versidades.
132
7.7.1 Los cambios que se requieren para implementar Seis Sigma
133
proceso productivo, sino tambin a todos los procesos administrativos involucra-
dos.
Segn Ansorena y Bab (2004), Lean es una metodologa que permite tra-
bajar sobre la cadena de valor del producto/servicio o de una familia de produc-
tos/servicios. Una empresa que utiliza los principios de Lean, busca sistemtica-
mente conocer aquello que el cliente reconoce como valor aadido y est dis-
puesto a pagar por ello, adems, en forma continua va detectando y eliminando
aquellas operaciones/pasos del proceso que no generan valor.
134
Cultural: menos personal, fortalecimiento y flexibilidad en las tareas que
realizan los trabajadores, bsqueda de organizaciones planas.
Los objetivos del mtodo Lean Seis Sigma respecto de un proceso, permi-
ten simplificar los procesos, cambiar el flujo de ejecucin de una tarea para au-
mentar el tiempo de trabajo que genere valor agregado, darles agilidad para fluir
de mejor manera, hacerlos ms rpidos y con menos costes para los clientes.
135
7.7.3 El funcionamiento del mtodo Seis Sigma
Consideran que ste mtodo est compuesto por cinco fases, Definir, Me-
dir, Analizar, Mejorar y Controlar, e incluyen las actividades que se deben llevan a
cabo en cada una de estas fases:
136
La mejora radical es necesaria para reducir drsticamente el coste de mala
calidad y el desperdicio crnico. sto, se lograr mediante las transformaciones
necesarias a travs de proyectos especficos.
LCI LCS
-6 -3 0 +3 +6
LCI LCS
-6 -3 0 +3 +6
137
ceso a 3 es 19.645 veces ms malo (genera ms defectos) que uno a 6. Cl-
culos realizados mediante Statistica (1995)
Ansorena y Bab (2004), explican que un proceso con 20 pasos que traba-
ja a niveles de rendimiento de 3 sigma, tan slo tiene un 25% libre de error a la
primera. No debe de extraar que empresas que trabajan de esta manera, tengan
problemas ms que significativos para colocar sus productos en mercados com-
petitivos. El rendimiento en la empresa decrece cuando la complejidad de los pro-
cesos aumenta. Si se consigue reducir el nmero de piezas de un producto o el
nmero de pasos de un proceso, y al mismo tiempo, se consigue disminuir el n-
mero de defectos (aumentando el valor sigma), el rendimiento del proceso au-
menta radicalmente. Concluyen que para explotar el potencial de mejora, es ne-
cesario trabajar en dos frentes: simplificar el proceso y reducir la variabilidad. Lean
Seis Sigma proporciona la estructura, los mtodos y las medidas que permiten
lograr este doble objetivo: disminuir el nmero de defectos al tiempo que se au-
menta la velocidad del proceso.
La teora esta muy bien, pero ahora, se debe tener claro como atacar los
problemas y los objetivos que persiguen los proyectos Lean Seis Sigma:
138
Reducir inventarios hasta un 90%
Mejorar la entrega a tiempo en ms de un 80%
Reducir el tiempo de ciclo de meses a das
Reducir exponencialmente el nmero de defectos; y la variabilidad
que genera el proceso (y que la empresa considera tradicionalmente
como algo natural).
Por ejemplo, si se aplica Lean Seis Sigma en una empresa que fabrica en-
vases en aluminio, donde la estructura de costes est directamente asociada al
precio del aluminio y a la cantidad de aluminio que se consume, bastara conside-
rar slo en la disminucin del grosor de la pared de la lata, para generar importan-
tes beneficios econmicos a la empresa. La existencia de variabilidad fuera de
tolerancias en el proceso de elaboracin del envase, puede suponer costes extra
al tener que aumentar el consumo de aluminio, por producir los envases con pa-
redes ms gruesas. Al mismo tiempo, se pueden producir envases con paredes
muy delgadas los que pueden romperse o explotar durante el trasporte o bodega-
je, lo que supondra costes en limpieza y prdida del contenido.
139
calibracin, u otras colas que se puedan generar, dado que estos tiempos slo
encarecen los procesos. El mtodo Lean, proporciona las herramientas necesa-
rias por lograr estos objetivos, est dirigido principalmente en aumentar la veloci-
dad de los procesos. El xito de la implantacin del mtodo depende fundamen-
talmente de la habilidad de los equipos para disear, coordinar y ejecutar los pro-
yectos en forma eficaz.
140
CAPTULO VIII
Diseo de Experimentos
y ij = + ai + b j + eij
Los diseos factoriales permiten estudiar dos variables a dos niveles cada
una, sean X1 y X2 las variables con dos niveles simtricos al valor nominal, se
141
designa al nivel bajo por 1 y al nivel alto por +1, sean y1, y2, y3, y4 las respuestas
obtenidas de los cuatro experimentos realizados, en la Tabla 8.2 se muestra la
posicin estndar del diseo, la que se representa en la Fig 8.2.
n X1 X2 y (*)
1 -1 -1 y1 4
2 +1 -1 y2 1
3 -1 +1 y3 3
4 +1 +1 y4 2
Tabla 8.2 Matriz del diseo para dos variables a dos niveles
X2 y3 y4
+1
-1
y1 y2
-1 +1 X1
y ij = 0 + 1 X 1 + 2 X 2 + 12 X 1 X 2 + ij , i = 1,2 ; j = 1,2
142
Para obtener las estimaciones de 0, 1 y 12 correspondientes a la
respuesta media, y de los efectos de X1, X2 y X1X2, se debe realizar la siguiente
operacin matricial
=( T
XX )-1 (
T
XY ) =
T
( 0 1 2 12 )
y1
1 - 1 - 1 + 1
y
1 + 1 - 1 - 1
Y =
2
donde X =
e es el vector de respuestas
y
1 - 1 + 1 - 1 3
1 + 1 + 1 + 1
y4
se debe destacar que la matriz X es ortogonal, por lo que TXX es una matriz
diagonal; y lo ms importante, que las estimaciones de los efectos y de la
interaccin son independientes, stas se obtienen como el producto punto entre
cada vector columna de la matriz X por el vector respuesta Y, dividido por un
factor de escala referido al nmero de niveles iguales o distintos, as :
y1+ y 2 + y 3 + y 4
y=
4
- y1+ y 2 - y 3 + y 4 y2+ y4 y1+ y 3
Efecto de A = = - = y A ( + ) y A( )
2 2 2
- y1 - y 2 + y 3 + y 4 y3+ y4 y1+ y 2
Efecto de B = = - = y B( + ) y B( )
2 2 2
+ y1 - y 2 - y 3 + y 4 y1+ y 4 y 2 + y 3
Inter AB = = -
2 2 2
para usar el esquema de la matriz del modelo X, es necesario codificar las varia-
bles mediante la siguiente transformacin :
143
unidad variablei - promedioi
Xi =
(amplitud intervaloi )/2
C - 70 (cc/5gr) - 250
por lo que, X1 = y X2 =
10 50
DOi DOf
IA = 100
DOi
Orden
A B AB aleatorio
1 - 1 - 1 + 1 71.75 (3)
1 + 1 - 1 - 1 86.25 (1)
X = Y =
1 - 1 + 1 - 1 73.25 (2)
1 + 1 + 1 + 1 88.75 (4)
por tanto
144
B 73.25 88.75
+1 15.5
1 .5 2.5
-1 14.5
71.75 86.25
-1 +1 A
Y
80 B(+1)
88.75 2.5
86.25 B(-1)
15.5 14.5
73.25
71.75 1.5
70
-1 +1 A
145
Analizando esta informacin, desde un punto de vista econmico, dado que
pasar de un nivel bajo a un nivel alto en la variable relacin de bao no es
significativo, se recomienda fijar la variable en su nivel bajo, es decir en 200
cc/5gr, produciendo un ahorro de 100 cc/5gr en el proceso lo que permite reducir
los costos de fabricacin.
X1 \ X2 -1 +1 n i.
-1 71.75 73.25 145
+1 86.25 88.75 175
n.i 158 162 320
para un riesgo del 5%, f0.05,1,1 = 161, se puede concluir que la variable X1,
temperatura, tiene influencia significativa sobre el agotamiento de la tintura en la
lana, la variable X2, relacin de bao, no es estadsticamente significativa.
146
f 2 = (Efecto de X1) 2 = (15) 2 = 225
c 2 = (Efecto de X2) 2 = ( 2) 2 = 4
t 2 = f 2 + c 2 + r 2 = 229.25
y i = 0 + 1 X 1i + 2 X 2i + 12 X 1i X 2i + ei
1 - 1 - 1 + 1 4 0 0 0
1 + 1 - 1 - 1 t
0 4 0 0
X = luego XX =
1 - 1 + 1 - 1 0 0 4 0
1 + 1 + 1 + 1 0 0 0 4
147
y1 y1 + y 2 + y 3 + y 4 4y
y - y + y - y + y 2 Efecto( )
X1
Y = luego XY = =
2 T 1 2 3 4
y - y - y + y + y 2 Efecto( )
3 1 2 X2
3 4
y y - y - y + y 2 Interc(
4 1 2 3 4 X1 X 2 )
y
y1 + y 2 + y 3 + y 4 Efecto X 1
1 0 0 0 0
2
1 0 0 - y1 + y 2 - y 3 + y 4
= 1
1 0
1 T
=( XX ) XY =
T
=
4 0 0 1 0 - y1 - y 2 + y 3 + y 4 Efecto X 2 2
0
0 0 1
y - y - y + y 2 12
1 2 3 4
Efecto X 1 X 2
2
320/4 80
15/2 7.5
= =
2/2 1
0.5 0.25
y i = 0 + 1 X 1i + 2 X 2i + ei
y i = 8 0 + 7.5 X 1i
148
la suma de cuadrados explicada por el modelo es
t XY ( y i ) 2 / 4 = t
SCEXP = t t XY 4( y ) 2
= 4( y ) 2 + ( Efecto( X 1 )) 2 + ( Efecto( X 2 )) 2 4( y ) 2
= ( Efecto( X 1 )) 2 + ( Efecto( X 2 )) 2
= 229 , con = 2
149
ellos. Por ejemplo, asumiendo un riesgo del 5% (probabilidad de considerar
significativo un trmino que no lo es) para una prueba aplicada a un modelo con 4
coeficientes adems del trmino constante, la probabilidad p(de considerar
significativo un trmino que no lo es) = 0.185 (18,5%).
132, 125, 165, 137, 152, 141, 163, 148, 127, 158
i 0 .5
Pi =
10
valores i Pi 99.9
125 1 0,05 99
127 2 0,15
95
cumulative percent
132 3 0,25
137 4 0,35 80
141 5 0,45 50
148 6 0,55 20
152 7 0,65
5
158 8 0,75
163 9 0,85 1
i - 0.5
Pi =
k
99.9
99
95
cumulative percent
80
50
20
0.1
-1.7 -1.2 -0.7 -0.2 0.3 0.8 1.3
standardized effects
Si los valores de los efectos son debidos nicamente al azar, bajo las
hiptesis del modelo, corresponderan a una muestra proveniente de una
151
poblacin N(0,2), y en teora, la recta que pasa por el punto (x=0, z=0.50)
recubrira razonablemente a todos los puntos, en este caso, se debe concluir que
ningn efecto o interaccin es estadsticamente significativo. En cambio, si existen
puntos alejados de esta recta, indica que los puntos correspondientes a dichos
efectos o interacciones son significativos.
En este grfico de seminormal, Fig 8.6.1, se traza una recta que parte del
origen y recubre el mayor nmero de puntos experimentales, partiendo por los
ms prximos al origen (los que determinan la pendiente de esta recta), todos
aquellos puntos que queden alejados de esta recta, representan a los efectos o
interacciones estadsticamente significativos.
1.6
standard deviations
1.2
0.8
0.4
0
0 1 2 3 4
standardized effects
152
Para el ejemplo de la tincin de lana se tiene:
1.5
Temperatura
1.2
standard deviations
0.9
0.6
0.3
0
0 3 6 9 12 15
standardized effects
153
seminormales para las situaciones ms usadas, algunas de ellas se presentan en
la siguiente tabla
X1 X2 X3 X1 X 2 X1 X 3 X2 X3 X1 X 2 X 3 y1
1 -1 -1 -1 +1 +1 +1 - 1 y
2
1 +1 -1 -1 -1 -1 +1 + 1 y
3
1 -1 +1 -1 -1 +1 -1 + 1
y4
X=1 +1 +1 -1 +1 -1 -1 - 1
respuesta Y =
1 y5
-1 -1 +1 +1 -1 -1 + 1
1 +1 -1 +1 -1 +1 -1 - 1 y6
1 -1 +1 +1 -1 -1 +1 - 1 y7
1 +1 +1 +1 +1 +1 +1 + 1 y
8
154
luego
y1 + y 2 + y 3 + y 4 + y 5 + y 6 + y7 + y 8
y=
8
y1 + y 2 y 3 + y 4 y 5 + y 6 y7 + y 8
Efecto de X 1 = = y X 1 ( +1 ) y X 1 ( 1 )
4
y1 y 2 + y 3 + y 4 y 5 y 6 + y 7 + y 8
Efecto de X 2 = = y X 2 ( +1) y X 2 ( 1)
4
y1 y 2 + y 3 y 4 + y 5 y 6 y 7 + y 8
Efecto de X 3 = = y X 3 ( +1) y X 3 ( 1)
4
y1 y 2 y 3 + y 4 + y 5 y 6 y 7 + y 8
Inter X 1 X 2 =
4
y1 y 2 + y 3 y 4 y 5 + y 6 y 7 + y 8
Inter X 1 X 3 =
4
y + y 2 y 3 y 4 y 5 y 6 + y7 + y 8
Inter X 2 X 3 = 1 .
4
y1 + y 2 + y 3 y 4 + y 5 y 6 y 7 + y 8
Interaccion X 1 X 2 X 3 =
4
8.7.1 Ejemplo Sea desea minimizar la cantidad de contaminantes, que una planta
de celulosa vierte en un curso de agua. La norma establece que la concentracin
no puede ser superior a 0.05 mg/litro. Para optimizar este proceso se someten las
descargas a un proceso de filtrado, utlizando un diseo factorial considerando las
siguientes variables:
155
Al realizar los experimentos se obtuvieron los siguiente resultados
A B C contaminante (mg/litro)
-1 -1 -1 0.04
+1 -1 -1 0.013
-1 +1 -1 0.059
+1 +1 -1 0.15
-1 -1 +1 0.068
+1 -1 +1 0.049
-1 +1 +1 0.028
+1 +1 +1 0.12
156
Half-Normal Plot for contaminante
1.8 AB
1.5
standard deviations
1.2 B
0.9
A
0.6
BC
0.3
0
0 10 20 30 40
standardized effects
El modelo estimado es :
157
Predicted Response Plot for contaminante
0.028
0.12
1
0.068
agitacion 0.049
0.059
0.15
1
0.04
-1
0.013
-1 -1 temperatura
1
filtro
0.15
filtro=1
0.12
0.09
response
0.06
filtro=-1
filtro=-1
0.03 filtro=1
0
-1 1
temperatura
158
0.12
contaminante mg/litro
0.1
0.08
0.06
0.04
1
0.02 0.6
0.2
0 -0.2
-0.6
-1 -0.6 -0.2 -1 filtro
0.2 0.6 1
temperatura
0.0947251
0.6 0.0855751
0.0764251
0.2 0.0672751
Filtro
0.0581251
-0.2 0.048975
0.039825
-0.6 0.030675
0.021525
-1 0.012375
159
De acuerdo a estos resultados, de la superficie de respuesta Fig 8.7.1c, se
puede afirmar que para obtener la menor cantidad de gr/litro de contaminante, se
deben fijar las variables en los siguientes niveles, A = -1 B =+1 y C =+1, dado
que, bajo estas condiciones se obtiene el valor estimado mnimo de 0.012375
gr/litro y una mximo de 0.103875 gr/litro.
con ello, se logra una contaminacin mnima de 0.015375 gr/litro y una mxima de
0.150625 gr/litro, Fig 8.7.1e. Si se compara ambos mnimos existe poca diferencia
entre ellos, habra que analizar el ahorro que implica fijar C en -1.
0.16
contaminante gr/litro
0.12
0.08
0.04 1
0.6
0.2
0 -0.2
-0.6
-1 -0.6 -0.2 -1 filtro
0.2 0.6 1
temperatura
160
1
0.1371
0.6 0.123575
0.11005
0.2 0.096525
filtro
0.083
-0.2 0.069475
0.05595
-0.6 0.042425
0.0289
-1 0.015375
161
realizando los experimentos en forma aleatoria se obtienen los siguientes resul-
tados
i A B C D Impureza
1 -1 -1 -1 -1 0,15
2 1 -1 -1 -1 0,17
3 -1 1 -1 -1 0,04
4 1 1 -1 -1 0,07
5 -1 -1 1 -1 0,35
6 1 -1 1 -1 0,33
7 -1 1 1 -1 0,07
8 1 1 1 -1 0,09
9 -1 -1 -1 1 0,36
10 1 -1 -1 1 0,39
11 -1 1 -1 1 0,30
12 1 1 -1 1 0,27
13 -1 -1 1 1 0,56
14 1 -1 1 1 0,52
15 -1 1 1 1 0,30
16 1 1 1 1 0,31
162
Half-Normal Plot for % impurezas
2
temperatura
1.6 SO4(NH4)2
standard deviations
1.2 rpm
SO4(NH4)2 * RPM
0.8
0.4
0
0 4 8 12 16 20 24
standardized effects
163
0.4
0.3
% impurezas
0.2
0.1 1
0.6
0.2
0 -0.2
-0.6
-1 -0.6 -0.2 -1 rpm
0.2 0.6 1
SO4(NH4)2
Dado que las variables con las que se experimenta slo toman valores 1 o
+1, si se fija la variable D en 1, se obtendr la superficie de respuesta asociada a
un modelo en tres dimensiones, permite adems reducir el porcentaje de
impurezas, dejando en el modelo la interaccin BC que permitir analizar el
comportamiento de estas variables para determinar los valores en las que deben
ser fijadas para minimizar y , as, el modelo se reduce a :
164
0.27725 0.22325 0.16925 0.11525
0.30425 0.25025 0.19625 0.14225 0.08825
1
0.6
0.2
rpm
-0.2
-0.6
-1 0.06125
-1 -0.6 -0.2 0.2 0.6 1
SO4(NH4)2
rpm 17
C= = 0.85 rpm = 12.75
5
con ambos valores se reduce el costo del proceso, puesto que se usa el menor
porcentaje de SO4(NH4)2 y se reduce las rpm a 12.75.
165
Ejemplo 8.7.3 En un proceso de conformado de piezas mediante prensado a
una presin fija de 6000 toneladas sobre matrices de acero, Vinet y Vergara
(2003), intentan minimizar el ngulo de resorteo en las piezas. El ngulo de re-
sorteo se genera al quitar la presin dado que el metal tiende a volver a su po-
sicin inicial, generando una diferencia entre el valor objetivo y la posicin final.
La pieza conformada ser de mejor calidad cuanto menor sea este ngulo de
resorteo, en el proceso intervienen las siguientes variables :
166
19 -1 -1 -1 +1 +1 17,317
20 -1 -1 +1 -1 -1 1,033
21 -1 +1 -1 +1 -1 26,150
22 +1 +1 +1 -1 +1 5,783
23 +1 +1 -1 -1 +1 7,233
24 -1 +1 +1 -1 +1 22,567
25 -1 +1 +1 +1 -1 33,883
26 -1 -1 -1 -1 +1 0,930
27 +1 -1 -1 -1 -1 1,750
28 +1 +1 -1 +1 +1 9,550
29 -1 +1 +1 +1 +1 44,817
30 +1 -1 +1 -1 +1 8,917
31 -1 -1 +1 -1 +1 2,417
32 -1 +1 -1 +1 +1 31,350
Presin de mquina
ngulo de Resorteo
167
Half-Normal Plot for angulo de resorteo
2.4
E
2
standard deviations
D
1.6
DE
1.2 B
CD
0.8 C
0.4
0
0 2 4 6 8
standardized effects
168
7.9
Angulo de resorteo
5.9
3.9
1.9 1
0.6
0.2
-0.1 -0.2
-0.6
-1 -0.6 -0.2 -1 Espesor de la pieza
0.2 0.6 1
Radio de doblez
169
A B C D E F kilometros recorridos/10000
-1 -1 -1 -1 -1 -1 130
1 -1 -1 -1 1 -1 164
-1 1 -1 -1 1 1 145
1 1 -1 -1 -1 1 182
-1 -1 1 -1 1 1 136
1 -1 1 -1 -1 1 150
-1 1 1 -1 -1 -1 138
1 1 1 -1 1 -1 158
-1 -1 -1 1 -1 1 167
1 -1 -1 1 1 1 154
-1 1 -1 1 1 -1 121
1 1 -1 1 -1 -1 175
-1 -1 1 1 1 -1 152
1 -1 1 1 -1 -1 114
-1 1 1 1 -1 1 182
1 1 1 1 1 1 195
Rapidez de
i A B C D
corrosin
1 -1 -1 -1 -1 162
2 +1 -1 -1 -1 192
3 -1 +1 -1 -1 178
4 +1 +1 -1 -1 185
170
5 -1 -1 +1 -1 184
6 +1 -1 +1 -1 186
7 -1 +1 +1 -1 176
8 +1 +1 +1 -1 185
9 -1 -1 -1 +1 187
10 +1 -1 -1 +1 210
11 -1 +1 -1 +1 286
12 +1 +1 -1 +1 198
13 -1 -1 +1 +1 295
14 +1 -1 +1 +1 237
15 -1 +1 +1 +1 289
16 +1 +1 +1 +1 205
A los envases fabricados se les mide las dilatacin externa respecto del
valor nominal de la matriz, obteniendo los siguientes resultados:
i A B C D E F G H Dilatacin mm.
1 -1 -1 -1 -1 -1 -1 -1 -1 0.12
2 +1 -1 -1 -1 -1 +1 +1 +1 0.15
3 -1 +1 -1 -1 +1 -1 +1 +1 0.21
171
4 +1 +1 -1 -1 +1 +1 -1 -1 0.22
5 -1 -1 +1 -1 +1 +1 +1 -1 0.19
6 +1 -1 +1 -1 +1 -1 -1 +1 0.20
7 -1 +1 +1 -1 -1 +1 -1 +1 0.22
8 +1 +1 +1 -1 -1 -1 +1 -1 0.24
9 -1 -1 -1 +1 +1 +1 -1 +1 0.16
10 +1 -1 -1 +1 +1 -1 +1 -1 0.22
11 -1 +1 -1 +1 -1 +1 +1 -1 0.17
12 +1 +1 -1 +1 -1 -1 -1 +1 0.19
13 -1 -1 +1 +1 -1 -1 +1 +1 0.20
14 +1 -1 +1 +1 -1 +1 -1 -1 0.18
15 -1 +1 +1 +1 +1 -1 -1 -1 0.25
16 +1 +1 +1 +1 +1 +1 +1 +1 0.27
i A B C D % Impureza
1 -1 -1 -1 -1 0.041
2 +1 -1 -1 -1 0.039
3 -1 +1 -1 -1 0.030
4 +1 +1 -1 -1 0.029
5 -1 -1 +1 -1 0.060
6 +1 -1 +1 -1 0.059
172
7 -1 +1 +1 -1 0.033
8 +1 +1 +1 -1 0.034
9 -1 -1 -1 +1 0.061
10 +1 -1 -1 +1 0.063
11 -1 +1 -1 +1 0.054
12 +1 +1 -1 +1 0.051
13 -1 -1 +1 +1 0.081
14 +1 -1 +1 +1 0.074
15 -1 +1 +1 +1 0.055
16 +1 +1 +1 +1 0.056
173
8 +1 +1 +1 -1 1.19
9 -1 -1 -1 +1 1.26
10 +1 -1 -1 +1 1.29
11 -1 +1 -1 +1 1.40
12 +1 +1 -1 +1 1.31
13 -1 -1 +1 +1 1.36
14 +1 -1 +1 +1 1.42
15 -1 +1 +1 +1 1.20
16 +1 +1 +1 +1 1.71
8.8 Bloques
174
codificando las variables se tiene :
7
8
3
4
5
6
1
2
Box, Hunter y S. Hunter (1989), sealan que como los efectos principales
de los factores son contrastes entre las medias de las caras opuestas del cubo,
pero en cada cara hay dos respuestas obtenidas con la mezcla I y dos para la
mezcla II en sentidos opuestos, de manera que, cualquier efecto aditivo asociado
al tipo de mezcla se elimina al calcular los efectos principales y las interacciones,
175
debido a que esta disposicin balanceada compensa cualquier diferencia sistem-
tica entre los dos bloques.
1.6 Carbono
standard deviations
%Carbono * %Niquel
1.2
Bloque
0.8
0.4
0
0 4 8 12 16 20 24
standardized effects
176
Los efectos e interacciones estimados son : y = 82.5375, X1 = 1.025,
X2 = 20.575, X3 = -1.075, X1X2 = 0.125, X1X3 = -1.025, X2X3 = 6.225,
Bloque = -5.125
115
105
%flexibilidad
95
85
75
1
65 0.6
0.2
55 -0.2
-0.6
-1 -0.6 -0.2 -1 %carbono
0.2 0.6 1
%niquel
177
En la Fig 8.8.3, se puede observar que el mximo porcentaje de flexibilidad
se puede obtener al fijar la variable X2 a nivel +1 y la variable X3 a nivel +1. La
variable X1 al no ser significativa en el intervalo estudiando, se puede fijar a nivel
bajo para reducir el costo del proceso.
1
68.6 26.8 95.4
Niquel
-7.3 5.15
178
1
103.978
0.6 98.6179
93.2578
% carbono
0.2 87.8978
82.5377
-0.2 77.1777
71.8176
-0.6 66.4576
61.0976
55.7376
-1
-1 -0.6 -0.2 0.2 0.6 1
% niquel
179
8.9 Diseos factoriales fraccionales
Pepi y Polo (1990) consideran que se debe tener en cuenta que existe
una jerarquizacin que hace que los efectos principales tengan ms importancia
que las interacciones de orden dos, y estas a su vez, son ms importantes que las
interacciones de orden tres, etc., por tanto, al realizar un experimento completo
(con 2k experiencias) se gastan demasiados recursos para estimar interacciones o
efectos que no son relevantes o significativos en un determinado proceso, dado
que su presencia es necesaria pero no determinante.
Nmero de interacciones
(de orden)
Nmero de Nmero de Nmero de efectos
2 3 4 5 6 7
variables experimentos principales
2 4 2 1
3 8 3 3 1
4 16 4 6 4 1
5 32 5 10 10 5 1
6 64 6 15 20 15 6 1
7 128 7 21 35 35 21 7 1
180
factorial completo, pudiendo estimar los efectos principales y las interacciones de
bajo orden, suponiendo que las interacciones de orden elevado son nulas.
-1 -1 -1 +1 +1 +1 -1 y1
+1 -1 -1 -1 -1 +1 +1 y2
-1 +1 -1 -1 +1 -1 +1 y3
+1 +1 -1 +1 -1 -1 -1 y4
-1 -1 +1 +1 -1 -1 +1 y5
+1 -1 +1 -1 +1 -1 -1 y6
-1 +1 +1 -1 -1 +1 -1 y7
+1 +1 +1 +1 +1 +1 +1 y8
181
X1 X2 X3=X1X2 X1X2 X1X3 X2X3 y
-1 -1 +1 +1 -1 -1 y1
+1 -1 -1 -1 -1 +1 y2
-1 +1 -1 -1 +1 -1 y3
+1 +1 +1 +1 +1 +1 y4
1
1
a) Xi Xi = . = I b) X i I = X i
.
1
182
I = X 1 X 2 X 3 multiplicando por X1, X2 y X3 sucesivamente
I X1 = X1X 2 X 3 X1 X1 = X 2 X 3
I X 2 = X1 X 2 X 3 X 2 X 2 = X1 X 3
I X 3 = X1X 2 X 3 X 3 X 3 = X1X 2
luego
C X1 = X 1 + X 2 X 3
C X2 = X 2 + X 1 X 3
C X3 = X 3 + X 1 X 2
interaccin X2X3.
C * X1 = X * 1 X * 2 X * 3
C * X2 = X * 2 X * 1 X * 3
C * X3 = X * 3 X * 1 X * 2
183
1 1
para X 1 ( C X1 + C * X1 ) = ( X 1 + X * 1 )
2 2
1 1
para X 2 X 3 = ( C X 1 C * X 1 ) = ( X 2 X 3 + X * 2 X * 3 )
2 2
Para construir una media fraccin de un diseo 24, con las tres primeras
variables se genera un diseo completo y la cuarta variable se define como el
producto de las tres anteriores, es decir, X4=X1X2X3, por lo cual, la relacin de
definicin est dada por I= X1X2X3X4, se trata por tanto, de un diseo de
resolucin IV, y se denota por 24-1IV.
I X1 = X1 X 2 X 3 X 4 X1 X1 = X 2 X 3 X 4
I X 2 = X1 X 2 X 3 X 4 X 2 X 2 = X1X 3 X 4
I X 3 = X1X 2 X 3 X 4 X 3 X 3 = X1X 2 X 4
I X 4 = X1X 2 X 3 X 4 X 4 X 4 = X1X 2 X 3
C X1 = X 1 + X 2 X 3 X 4 C X2 = X 2 + X 1 X 3 X 4
C X3 = X 3 + X 1 X 2 X 4 C X4 = X 4 + X1X 2 X 3
C X 1X 2 = X 1 X 2 + X 3 X 4 C X1X 3 = X 1 X 3 + X 2 X 4
C X1X 4 = X 1 X 4 + X 2 X 3
184
media fraccin se obtiene que C * X = X * 2 X * 1 X * 3 X * 4 = 10.8 , se pueden
2
desconfundir los efectos obteniendo una estimacin para X2 y para X1X3X4 por:
1
Efecto de X2 = ( 12.0 10.8 ) = 11.4
2
1
Efecto de X1X3X4 = ( 12.0 + 10.8 ) = 0.6
2
4=12
8
4=12 5=13
4=12 5=13 6=23
4=123 5=13 6=23 7=123
25-1V 26-2IV 27-3IV 28-4IV 29-5III
5=123
16 5=234 6=234
5=123 6=134 7=134
5=123 6=234 7=123 8=124
5=1234 6=234 7=134 8=124 9=1234
26-1IV 27-2IV 28-3IV 29-4IV
32 6=2345
6=123 7=1345
6=1234 7=124 8=1245
6=12345 7=1245 8=2345 9=1235
185
En general, si se tiene k variables, la variable k-sima se define como el
producto de las (k-1) anteriores, es decir, Xk=X1X2...X(k-1), por tanto, la relacin de
definicin esta dada por I=X1X2...X(k-1)Xk , la resolucin del diseo ser (k-1), y se
denota por 2k-1k.
-
Indice de Agotamiento = DOi DOf 100
DOi
186
los generadores del diseo son E=ABC, F=BCD y G=ACD, luego, se tiene que
I1=ABCE, I2=BCDF E I3=ACDG. Para obtener la relacin de definicin, debe
realizarse todos los productos entre las combinaciones Ii, as:
I = CEFG (todas)
por tanto:
-1 -1 -1 -1 -1 -1 - 1 7.18
+ 1 -1 -1 -1 +1 -1 + 1 55.50
-1 +1 -1 -1 +1 +1 - 1 37.88
+ 1 +1 -1 -1 -1 +1 + 1 57.89
-1 22.54
-1 +1 -1 +1 +1 + 1
+ 1 -1 +1 -1 -1 +1 -1 13.01
-1 +1 +1 -1 -1 -1 + 1 16.67
+ 1 +1 +1 -1 +1 -1 - 1 54.55
M= Y =
-1 -1 -1 +1 -1 +1 + 1 28.89
+ 1
-1 -1 +1 +1 +1 - 1 46.83
-1 +1 -1 +1 +1 -1 + 1 72.78
+ 1 +1 -1 +1 -1 -1 - 1 71.35
-1 -1 +1 +1 +1 -1 - 1 53.40
+ 1 -1 +1 +1 -1 -1 + 1 49.43
-1 +1 +1 +1 -1 +1 - 1
47.52
+ 1 +1 +1 +1 +1 +1 + 1 55.47
187
interacciones de orden mayor o igual a tres despreciables, se tiene el siguiente
patrn de confusin:
CA = A ; CB = B ; CAB = AB + CE + FG ; CC = C ;
CAC = AC + BE + DG ; CBC = BC + AE + DF ; CD = D ; CE = E ;
CAD = AD + CG + EF ; CBD = BD + CF + EG ; CCD = CD + BF + AG ;
CF = F ; CG = G ; CDE = DE + AF + BG ;
para obtener la matriz del diseo, primero se construye un diseo completo con
las cuatro primeras variables, luego para las siguientes columnas se utilizan los
generadores E=ABC, F=BCD y G=ACD.
2.4
D
2
B
standard deviations
1.6
A
1.2 E
AD
F
0.8 C
0.4
0
0 2 4 6 8
standardized effects
188
Los efectos e interacciones calculados son:
A B C D % monxido de carbono
-1 +1 +1 +1 0.83
-1 -1 +1 -1 0.18
-1 -1 -1 +1 0.61
+1 -1 -1 -1 0.32
+1 -1 +1 +1 0.69
189
+1 +1 +1 -1 0.49
-1 +1 -1 -1 0.36
+1 +1 -1 +1 0.95
2
Octanaje
1.6
standard deviations
1.2 Filtro
Cantidad combustible
0.8
0.4
0
0 0.1 0.2 0.3 0.4 0.5
standardized effects
190
0.57
% monoxido de carbono
0.47
0.37
0.27 1
0.6
0.2
0.17 -0.2
-0.6
-1 -0.6 -1 tipo de filtro
-0.2 0.2
0.6 1
cantidad de combustible
191
Ejercicio. En un proceso de fotograbado Vilches y Vergara (2003) consideran
las siguientes variables para obtener la tonalidad azul ms adecuada de la
emulsin fotosensibilizadora adherida a la superficie del aluminio, en la cual
queda trazada la figura de planimetra, para la fabricacin de piezas y partes de
aeronaves.
tiempo tiempo
experimento material potasio citrato agua tono
exposicin revelado
1 +1 +1 +1 +1 +1 +1 7.7
2 +1 -1 +1 -1 -1 -1 3.6
3 -1 +1 -1 +1 +1 +1 1.8
4 -1 +1 -1 +1 -1 -1 0.5
5 +1 -1 -1 +1 -1 -1 3.8
6 -1 +1 +1 +1 +1 -1 4.7
7 -1 +1 -1 -1 -1 +1 3.0
8 +1 +1 +1 -1 -1 +1 5.8
9 -1 -1 -1 -1 -1 -1 2.0
10 +1 -1 -1 -1 +1 -1 1.6
11 -1 +1 +1 -1 -1 -1 4.7
12 -1 -1 +1 -1 +1 -1 3.6
13 +1 +1 -1 -1 -1 -1 1.8
14 -1 -1 -1 -1 +1 +1 2.0
15 +1 +1 -1 +1 +1 -1 2.3
16 +1 -1 -1 -1 -1 +1 3.2
17 +1 -1 +1 -1 +1 +1 7.0
18 -1 -1 -1 +1 -1 +1 1.4
19 +1 +1 +1 -1 +1 -1 8.0
20 +1 +1 -1 +1 -1 +1 6.2
192
21 +1 -1 +1 +1 -1 +1 6.5
22 -1 +1 +1 +1 -1 +1 5.0
23 +1 -1 +1 +1 +1 -1 7.7
24 -1 -1 +1 -1 -1 +1 4.8
25 -1 +1 -1 -1 +1 -1 1.1
26 -1 +1 +1 -1 +1 +1 0.4
27 +1 -1 -1 +1 +1 +1 5.1
28 -1 -1 -1 +1 +1 -1 3.3
29 -1 -1 +1 +1 -1 -1 3.5
30 -1 -1 +1 +1 +1 +1 4.5
31 +1 +1 +1 +1 -1 -1 6.0
32 +1 +1 -1 -1 +1 +1 2.6
Ejercicio. Se utiliza un torno para fabricar una pieza metlica del rotor de un mo-
tor. Se requiere minimizar la cantidad de material utilizado para tornear esta
pieza. Las variables que intervienen en el proceso son:
se mide la cantidad de gramos de viruta que se enva a reciclaje por cada pieza,
obteniendo los siguientes resultados.
193
Desecho
i A B C D E F G H (gramos)
1 -1 -1 -1 -1 -1 -1 -1 -1 743,6
2 1 -1 -1 -1 -1 1 1 -1 683,1
3 -1 1 -1 -1 -1 1 1 1 652,9
4 1 1 -1 -1 -1 -1 -1 1 886,8
5 -1 -1 1 -1 -1 1 -1 1 666,8
6 1 -1 1 -1 -1 -1 1 1 908,9
7 -1 1 1 -1 -1 -1 1 -1 642,1
8 1 1 1 -1 -1 1 -1 -1 905,8
9 -1 -1 -1 1 -1 -1 1 1 1194,2
10 1 -1 -1 1 -1 1 -1 1 1111,8
11 -1 1 -1 1 -1 1 -1 -1 869,8
12 1 1 -1 1 -1 -1 1 -1 1023,8
13 -1 -1 1 1 -1 1 1 -1 1446,9
14 1 -1 1 1 -1 -1 -1 -1 1048,6
15 -1 1 1 1 -1 -1 -1 1 817,9
16 1 1 1 1 -1 1 1 1 795,9
17 -1 -1 -1 -1 1 -1 -1 1 710,8
18 1 -1 -1 -1 1 1 1 1 1496,4
19 -1 1 -1 -1 1 1 1 -1 600,9
20 1 1 -1 -1 1 -1 -1 -1 961,3
21 -1 -1 1 -1 1 1 -1 -1 691,6
22 1 -1 1 -1 1 -1 1 1 1460,7
23 -1 1 1 -1 1 -1 1 -1 565,2
24 1 1 1 -1 1 1 -1 -1 1133,8
25 -1 -1 -1 1 1 -1 1 1 1073,1
26 1 -1 -1 1 1 1 -1 1 883,5
27 -1 1 -1 1 1 1 -1 -1 922,3
28 1 1 -1 1 1 -1 1 -1 1166,7
29 -1 -1 1 1 1 1 1 -1 1105,2
30 1 -1 1 1 1 -1 -1 -1 988,3
31 -1 1 1 1 1 -1 -1 1 1196,7
32 1 1 1 1 1 1 1 1 919,6
194
8.10 Modelizacin Global
n n
n n r
Y ij = a ik k + ij y ln( X i ) = a ik k + i donde X i = ( y ij - y i )
2
k =1 k =1 j =1
i = 1,2,..., n ; j = 1,2,..., r
195
Dado que la estimacin de los coeficientes de localizacin k, dependiendo
si las varianzas 2i puedan considerarse o no estadsticamente iguales, es nece-
sario, estimar en primer lugar los coeficientes de dispersin y estudiar su significa-
cin.
Puesto que la matriz del modelo, que se utiliza en diseos factoriales a dos
niveles es ortogonal, los estimadores de los coeficientes son independientes, y se
obtienen, como el producto escalar de cada columna de la matriz del modelo por
el vector de respuestas. Para los efectos de dispersin, ser el logaritmo neperia-
no de las sumas de diferencias cuadrticas, afectados por el correspondiente divi-
sor.
Pepi y Polo (1991) estiman los efectos de dispersin y estiman las varian-
zas asociadas a cada tratamiento partiendo del modelo
k=1 i =1
n
exp aik k(mn- cuad)
X i = k =1
i =
2
r -1 r -1
Mediante los estimadores mnimo cuadrticos de los coeficientes de dis-
persin, se puede aumentar la eficiencia de la estimacin mediante los estimado-
res mximo verosmiles correspondientes.
Y ij = mi + i ij = aik k + i ij , j = 1,2,...,r
k =1
196
Si existen efectos o interacciones significativas en la modelizacin de la va-
riabilidad, para modelar la tendencia central es necesario aplicar un cambio de
variable, consistente en dividir cada valor de la respuesta por su correspondiente
desviacin estndar.
dado que yij ~ N(mi , 2i), resulta que Wij ~ N(mi/i , 1); el modelo lineal trasforma-
do, es tal, que trabaja con la matriz del modelo sin trasformar, y como sta matriz
es de componentes ortogonales, los estimadores de * son independientes al re-
sultar diagonal su matriz de varianzas-covarianzas.
8.10.1 Ejemplo. Se desea determinar el efecto que tienen las revoluciones por
minuto (A), el tipo de metal (B) y el ngulo de corte (C), para maximizar la dura-
cin en horas, de la cuchilla de un torno. Se realiza un diseo factorial 23 con tres
rplicas. Los resultados y la matriz del diseo se muestran en la Tabla 8.10.1.
A B C r1 r2 r3 yi Xi lnXi
-1 -1 -1 22 24 26 24,00 8,00 2,079442
1 -1 -1 32 34 29 31,67 12,67 2,538974
-1 1 -1 35 36 38 36,33 4,67 1,540445
1 1 -1 55 47 51 51,00 32,00 3,465736
-1 -1 1 44 45 38 42,33 28,67 3,355735
1 -1 1 34 37 36 35,67 4,67 1,540445
-1 1 1 60 50 54 54,67 50,67 3,925268
1 1 1 39 41 47 42,33 34,67 3,545779
197
ln X = 2.74898 ; A=0.04751 ; B=0.74066 (*) ; C=0.68566 (*) ; AB=0.72539 (*) ;
AC=-1.1449 (*) y BC=0.54677. Se indican con un asterisco los efectos e interac-
ciones estadsticamente significativos, segn Fig 8.10.1.
1.8
AC
1.5
standard deviations
1.2 B
0.9 AB
0.6 C
0.3
0
0 40 80 120 160
standardized effects
Fig 8.10.1 Grfico de semizetas para la dispersin
dado que hay tres repeticiones en cada punto experimental, la desviacin estn-
dar de cada tratamiento se estima por
198
para estimar la desviacin estndar i de cada tratamiento, se deben sustituir en
este modelo, los factores por sus respectivos valores codificados -1 +1. En la
Tabla 8.10.2, se presentan los resultados de i y los valores trasformados Wi.
Puesto que la varianza est en funcin de algunos factores del proceo, para mo-
delizar la tendencia central del proceso, se calculan los valores de Wi
i ^i Wi = yi /i
1 3,595268 6,675441
2 4,434317 7,142025
3 1,727359 21,032111
4 4,400589 11,589356
5 4,523285 9,358243
6 1,775520 20,089886
7 2,173228 25,156130
8 1,762016 24,023621
1.8
B
1.5
standard deviations
1.2 C
0.9
AB
0.6 AC
0.3
0
0 4 8 12 16 20
standardized effects
199
Con los valores de Wi de la tabla 8.10.2, se obtienen los siguientes estimadores:
200
160
duracion (hrs)
120
80
1
40 0.6
0.2
0 -0.2
-0.6
-1 -0.6 -0.2 -1 angulo corte
0.2 0.6 1
rpm
200
1
0.6
9.12915
angulo corte
0.2
29.6807
50.2322
-0.2 70.7838
91.3354
-0.6 111.887
132.438
-1 152.99
-1 -0.6 -0.2 0.2 0.6 1
rpm
luego, el modelo para la tendencia central del proceso est dado por :
y = (15.6334 + 4.8170B + 4.0236C 2.7217AB + 2.3219AC ) EXP(1.0279 0.1852B 0.1714C + 0.1813AB 0.02862AC)
201
Se puede afirmar que la modelizacin global, en la optimizacin de proce-
sos productivos, permite estudiar la forma de reducir los costos en el proceso de
fabricacin; mejorar la calidad del producto; minimizar la variabilidad del proceso;
ajustar la respuesta de la variable en estudio lo ms cerca de un valor objetivo a
una norma; obtener productos ms robustos, etc. Esta metodologa permiten ge-
nerar productos de una calidad intrnseca mayor, se pueden reducir los costos por
reprocesos de productos, por servicios tcnicos, por tiempos de demora en la
atencin, etc.
i A B C D E r1 r2 r3 r4
1 -1 -1 -1 -1 -1 95,48 95,47 95,46 95,49
2 1 -1 -1 -1 1 95,61 95,53 95,49 95,55
3 -1 1 -1 -1 1 95,44 95,45 95,44 95,46
4 1 1 -1 -1 -1 95,45 95,51 95,47 95,47
5 -1 -1 1 -1 1 95,43 95,52 95,49 95,49
6 1 -1 1 -1 -1 95,47 95,52 95,51 95,45
7 -1 1 1 -1 -1 95,46 95,44 95,43 95,47
8 1 1 1 -1 1 95,51 95,48 95,47 95,51
9 -1 -1 -1 1 1 95,48 95,42 95,39 95,46
10 1 -1 -1 1 -1 95,51 95,49 95,43 95,51
11 -1 1 -1 1 -1 95,46 95,47 95,44 95,47
12 1 1 -1 1 1 95,46 95,48 95,45 95,48
13 -1 -1 1 1 -1 95,43 95,42 95,43 95,44
202
14 1 -1 1 1 1 95,46 95,47 95,46 95,48
15 -1 1 1 1 1 95,41 95,39 95,41 95,43
16 1 1 1 1 -1 95,49 95,44 95,48 95,48
Aplique el mtodo de modelizacin global para lograr la mayor altura libre de las
hojas del resorte. Determine las condiciones que permitan lograr este objetivo.
Haga un anlisis para minimizar los costos del proceso.
Ejercicio. Se utiliza una aleacin acero con nquel y titanio, templados, en la fabri-
cacin de hlices de barcos. Se realizar un estudio para minimizar la longitud de
las fisuras que aparecen en la superficie en el proceso de enfriamiento. Se estu-
dian los factores, A: temperatura del horno, B: Contenido de titanio, C: Contenido
de nquel y D: Temperatura del bao de aceite. Se realizan cuatro rplicas de un
diseo 24, y se midieron las longitudes de las grietas (en mm), obteniendo los si-
guientes resultados:
i A B C D r1 r2 r3 r4
1 -1 -1 -1 -1 0,92 0,93 0,91 0,94
2 +1 -1 -1 -1 0,74 0,73 0,75 0,74
3 -1 +1 -1 -1 0,55 0,56 0,57 0,55
4 +1 +1 -1 -1 0,72 0,71 0,73 0,71
5 -1 -1 +1 -1 0,39 0,4 0,38 0,39
6 +1 -1 +1 -1 0,37 0,36 0,38 0,37
7 -1 +1 +1 -1 0,55 0,56 0,57 0,56
8 +1 +1 +1 -1 0,39 0,40 0,41 0,50
9 -1 -1 -1 +1 0,40 0,39 0,38 0,31
10 +1 -1 -1 +1 0,97 0,98 0,99 1,08
11 -1 +1 -1 +1 0,98 0,97 0,96 0,96
12 +1 +1 -1 +1 0,62 0,63 0,61 0,63
13 -1 -1 +1 +1 0,98 0,99 0,97 0,97
14 +1 -1 +1 +1 0,43 0,41 0,44 0,41
15 -1 +1 +1 +1 0,60 0,59 0,61 0,59
16 +1 +1 +1 +1 0,48 0,50 0,49 0,49
203
Aplique el mtodo de Modelizacin Global. Determine el modelo que permita mi-
nimizar la longitud de la grietas y minimizar la variabilidad. Fije las variables en los
niveles que adems permitan minimizar los costos del proceso, para ello, utilice
curvas de nivel.
204
Bibliografa
205
Harry, M., Lawson, R. 1992. Six Sigma producibility anlisis and process characterization.
Motorola University Press
Harry, M. 1997. The nature of Six Sigma Quality. Motorola University Press
Hidalgo, J. y Vergara, P. 2002. Calidad Total : Herramienta de Gestin para la competitivi-
dad. Implantacin en una empresa siderrgica. Universidad Jaume I de Castelln, Espaa
Hunter, J.S. (1986). The Exponetially Weigthed Moving Average. Journal of Quality Tech-
nology, 18, 203-210
Lawson, J., Madrigal, J. y Erjavex, J. 1992. Estrategias Experimentales para el Mejora-
miento de la Calidad en la Industria, Ed. Iberoamrica
Len, M.http://www.gestiopolis.com/recursos/documentos/fulldocs/ger1/parassiglefco.htm
Lucas, J.M. and Crosier, R.B. (1982). Fast Initial Response for CUSUM Quality Control
Schemes : Give Your CUSUM a Head Start. Technometrics, 24, 199-205
Lucas, J. and Saccucci, M. (1990). Exponentially Weigthed Moving Average Control
Schemes : Properties and Enhancements. Technometrics, 32, 1
MacGregor, J. and Harris, T. (1990). Discusin. Technometrics, 32, 1, 23-26
Montgomery, D. 1991. Diseo y Anlisis de Experimentos. Ed. Iberoamrica
Page, E.S. (1957) Biometrika, 44, 248-252
Pepi, M. y Polo, C. (1986). Esquemas de Control por Sumas Acumuladas. CEAM, 197,
23-28 Espaa
Pepi, M. y Polo, C. (1987). Control de Calidad por Sumas Acumuladas. ETSEIT-UPC I.I.
6/87 Barcelona, Espaa
Pepi, M. y Polo, C. (1988). Riesgos Globales Asociados a los Grficos de Control Clsi-
cos. Boletn CALIDAD, 2, Marzo-Abril Espaa
Pepi, M. y Polo, C. (1990a). Sumas Acumuladas Conjuntas. Tablas. Qesti, Vol 14, 1, 2,
3, 27-41 Barcelona, Espaa
Polo, C. y Pepi, M. (1990b). Modelizacin y Optimizacin de Procesos. Ed. Universidad
Politcnica de Catalua
Polo, C. y Pepi, M. (1990c). Diseo de Experiencias. Ed. Universidad Politcnica de Cata-
lua
Pepi, M., Polo, C. y Vergara, P. 1990. Anlisis Crtico de los Indices de Calidad Cp y Cpk.
Revista Triloga, Vol. 10/11, N 18, 10-23
Pepi, M., Polo, C. y Vergara, P. 1994. Control de Procesos mediante Estadsticos Ponde-
rados Exponencialmente. Actas del XXI Congreso de Estadstica e Investigacin Operati-
va. Calella, Espaa
Roberts, S. (1959). Control Chart Tests Based on Geometrics Moving Averages. Tech-
nometrics, 1, 239-250
Roberts, S. (1966). A Comparison of Some Control Chart Procedures. Technometrics, 8,
411-430
206
Shewhart, W. (1931). Economic Control of Quality of Manufactured Product. Princeton, N.J
: Van Nostrand
Statistica, 1995. Volumen III, StatSoft 2nd Edition
Statgraphics Plus, 1993. Manugistics, Inc.
Vergara, P. 1993. Control de Calidad mediante la Funcin de Prdida de Taguchi. Triloga
Vol 13, N21
Vergara, P. 1984. Eficiencia relativa asinttica de los rangos ponderados en diseos de
bloques incompletos balanceados. Escuela de Salud Pblica. Universidad de Chile
Vergara, P. 1992. Nuevas Tcnicas Acumulativas de Control de Calidad. Control Conjunto
por Medias Mviles Ponderadas Exponencialmente para la tendencia central y la variabili-
dad. Tesis Doctoral, ISBN: 84-7653-206-7, Depsito Legal :B.2.201-92 Universidad Poli-
tcnica de Catalua, Barcelona Espaa
Vergara, P. 1993. Control de Calidad por Medias Mviles Ponderadas Exponencialmente
para la tendencia central y la variabilidad. : Aplicacin. Actas del II Congreso Latinoameri-
cano de Sociedades de Estadstica (CLATSE II),Universidad Catlica de Buenos Aires.
Pg 344-359
Vergara, P. 1994. La Calidad : Un aporte a la Sociedad. Actas Primer Seminario Latinoa-
mericano Universidad y Sociedad : Mecanismos de Vinculacin. Universidad Tecnolgica
Metropolitana
Vergara, P. y Barrera, R. 1994. Comparacin de la Eficiencia entre Mtodos de Control de
Calidad. Actas del VI Congreso de Estadstica de la Zona Sur. Universidad de la Frontera,
Temuco
Vergara, P., Gonzlez, H., Seplveda, C. y Buccioni, R. 1994. Efectos de la introduccin de
Seales en un Mtodo de Control de Calidad Acumulativo. Actas del VI Congreso de Esta-
dstica de la Zona Sur. Universidad de la Frontera, Temuco
Vergara, P. 1994. Optimizacin de Procesos Industriales y Control de Calidad. XIII Jorna-
das Nacionales de Estadstica. Universidad de Concepcin
Vergara, P. 1994. Optimizacin de la Calidad de Procesos Modelizacin Global. Actas VI
Congreso Internacional de Biomatemticas ISBN 9977-64-718-6. Universidad Estatal a
Distancia. Costa Rica
Vergara, P. 1995. Control de Calidad mediante Medias Mviles Ponderadas Exponencial-
mente. Grficos con seales. Triloga Vol 14 N22 43-62
Vergara, P. 1995. Optimizacin de Procesos Industriales. Universidad Austral de Chile.
Vergara, P. 1997. Control Estadstico de Procesos. Universidad de La Frontera - Academia
Politecnica Aeronutica
Vergara, P. 1997. Diseo y Optimizacin de Procesos Industriales. Universidad de La
Frontera Academia Politcnica Aeronutica
207
Vilches, J. y Vergara, P. 2003. Optimizacin del Proceso de Fotograbado. Universidad de
La Frontera-Academia Politcnica Aeronutica
Vinet, G. y Vergara, P. 2003. Optimizacin del Diseo de Matrices a travs de un Diseo
Experimental. Universidad de La Frontera-Academia Politcnica Aeronutica
www.seis-sigma.com
208