Documentos de Académico
Documentos de Profesional
Documentos de Cultura
Capacidad de Procesos Iso 9000 Arvelo PDF
Capacidad de Procesos Iso 9000 Arvelo PDF
DE UN PROCESO INDUSTRIAL
Ingeniero Industrial
Estudios realizados:
Ingeniero Industrial. UCAB Caracas 1968
Mster en Estadstica Matemtica CIENES , Universidad de Chile 1972
Cursos de Especializacin en Estadstica No Paramtrica Universidad de
Michigan 1982
Doctorado en Gestin Tecnolgica: Universidad Politcnica de Madrid 2006 al
Presente
PROLOGO
La actual crisis econmica por la que atraviesa nuestro pas , con la consecuente
prdida en la capacidad de compra de los consumidores, ha trado como
consecuencia que muchas empresas industriales vean en la exportacin una
salida para su desarrollo.
Sin embargo, adems de los planes de muestreo, otra evaluacin muy importante
en las auditoras de calidad, son los llamados estudios de capacidad o de
habilidad de procesos, los cuales requieren de una metodologa estadstica.
5
Capacidad de Procesos segn ISO 9000
o
Ing Angel Francisco Arvelo
A los procesos de produccin se les debe verificar su capacidad para producir de acuerdo
con las especificaciones establecidas para el producto. Deben ser identificadas las
operaciones asociadas con las caractersticas del producto o proceso, que puedan tener
efectos significativos sobre la calidad del producto. Se debe establecer un control
apropiado para asegurar la permanencia de estas caractersticas dentro de las
especificaciones y que se hayan realizado los cambios y modificaciones apropiadas.
Si por el contrario, el proceso es muy preciso, y fabrica piezas con poco margen
de variabilidad, entonces con calibraciones adecuadas, se podr lograr que la
totalidad de las piezas caigan dentro de las especificaciones exigidas, y el
proceso se denominar capaz. Un proceso "capaz" es entonces, aquel que
puede cumplir a cabalidad con los requisitos de calidad impuestos por las
especificaciones.
Para conciliar estos dos aspectos decid dividir el trabajo en cinco captulos; los
cuatro primeros se refieren exclusivamente a aspectos de carcter prctico que
constituyen la esencia de la metodologa, y en el quinto captulo se da el
fundamento terico de la misma.
EL AUTOR
7
Capacidad de Procesos segn ISO 9000
o
Ing Angel Francisco Arvelo
(x - ) 2
1 - 2
f ( x) e 2 ; - <x<
2
- << >0
Para verificar esta propiedad, basta con calcularle a la muestra agrupada, estos
tres estadsticos muestrales, y comprobar que el resultado de estos clculos dan
cifras muy cercanas.
11
Para una mayor explicacin sobre estos conceptos estadsticos bsicos, y su metodologa de clculo, el
lector puede consultar algunos textos de Estadstica tales como : Estadstica de Murray R. Spiegel, o
Estadstica para las Ciencias Administrativas de Lincoln L. Chao , ambos de la Editorial Mac. Graw Hill .
10
Capacidad de Procesos segn ISO 9000
o
Ing Angel Francisco Arvelo
Contenido ( cc ) Frecuencia
190 - 195 9
195 - 200 29
200 - 205 47
205 - 210 72
210 - 215 51
215 - 220 30
220 - 225 12
Para hacer un tratamiento descriptivo de estos datos procedemos como sigue:
En donde:
Li* = Marca de Clase del intervalo "i"
fi = Frecuencia del intervalo "i" .
k= Nmero de intervalos .
i k
n= f i = Nmero total de datos
i 1
Es conveniente organizar los clculos en la siguiente tabla:
Intervalo Li* fi Li* fi (Li*)2.fi
190 - 195 192.50 9 1732.50 333506.25
195 - 200 197.50 29 5727.50 1131181.25
200 - 205 202.50 47 9517.50 1927293.75
205 - 210 207.50 72 14940.00 3100050.00
210 - 215 212.50 51 10837.50 2302968.75
215 - 220 217.50 30 6525.00 1419187.50
220 - 225 222.50 12 2670.00 594075.00
Totales 250 51950.00 10808262.5
51950
. ,00
Sustituyendo obtenemos: = X = = 207,80
250
2 (10.808.262,50) (250)(207,80)2
2= S = = 52,21 = S = 7,23
249
2
Es un estimador Insesgado. Vanse textos de Inferencia Estadstica .
12
Capacidad de Procesos segn ISO 9000
o
Ing Angel Francisco Arvelo
Como la diferencia en la estimacin, entre uno y otro es realmente muy pequea especialmente
2
para muestras grandes y adems S c es mejor estimador por ser insesgado2, muchos autores
2
definen de una vez a S c como varianza muestral y omiten definir al otro. Tal es el caso del
control estadstico de calidad en donde ha hecho ya costumbre definir a la varianza muestral
i n
(x i X)2
2 i 1
como S
n 1
250 50
85
100
Mediana = P50 = 205 72
5 = 207,78
1
El clculo de la moda se hace por la expresin siguiente: Moda = Li c
1 2
13
Capacidad de Procesos segn ISO 9000
o
Ing Angel Francisco Arvelo
4) Para verificar que se cumplen los porcentajes tericos dados por la curva
normal , se procede a definir los intervalos ( ) , ( 2 ) y ( 3 ) , en
base a las estimaciones obtenidas .
Intervalo ( ) = 207,80 7,23 = [200,57 ; 215,03]
Intervalo ( 2 ) = 207,80 2 (7,23 ) = [193,34 ; 222,26]
Intervalo ( 3 ) = 207,80 3 (7,23) = [186,11 ; 229,49]
Para calcular el porcentaje de observaciones muestrales que caen en cada uno
de estos intervalos, se aplica la frmula del Puesto Percentil "p" , que da el
porcentaje de observaciones menores o iguales que un lmite Pp.
100 Pp Li 1
p Fi 1 fi
n c
129 0.52
Por tanto: m3 = = -0.52 , y a3 = = - 0.001
250 (7.23)3
Contenido Li* fi 4
Li*- X (Li*- X ) fi
250 1707479.43
1707
. .479,43
En consecuencia : m4 = = 6.829,92
250
6.829,92
y el coeficiente momento de curtosis: a 4 = = 2.50
(7.23)4
1
(Q3 Q1)
Coeficiente Percentlico de Curtosis = = 2
P90 P10
1
(212.99 202.61)
Reemplazando: = 2 = 0.2586
217.83 197.76
de los tericos dados por la Curva Normal , y de all la importancia de las Pruebas
de Ajuste a la Normalidad , que se analizan en el captulo siguiente, a fin de
evaluar si tales diferencias son o no significativas.
Para poder controlar la calidad deben existir unas especificaciones, que son los
lmites entre los cuales debe caer una determinada caracterstica cuantitativa para
que se considere que el producto satisface los requisitos de calidad; as por
ejemplo, cuando se exige que un eje debe tener un dimetro de (100.00 0.25)
mm , esto significa que su dimetro debe caer en el intervalo (99.75 ; 100.25) mm
para que cumpla con este requisito de calidad. Estos lmites del intervalo definen
lo que se denominan las especificaciones, y sus extremos, reciben el nombre de
"lmite inferior de especificacin" y "lmite superior de especificacin" , que
en lo sucesivo se designaran por "Li " y "LS " respectivamente .
Hemos visto, que cuando un proceso est bajo control estadstico, los productos
que fabrica se comportan segn un modelo normal, y que entre los lmites "-3 "
y "+3 " , debe caer entonces el 99.73% de la produccin. De all entonces, que
resulte conveniente que un proceso trate de ubicarse entre estos lmites, a fin de
garantizar que la casi totalidad de la produccin va a cumplir con la
especificacin.
Por otra parte, hay que tener en cuenta que los parmetros "" y " " del proceso
constituyen una caracterstica propia del mismo . Su media "" generalmente
puede ser fijada a voluntad, segn ciertos ajustes y calibraciones que se le hagan
18
Capacidad de Procesos segn ISO 9000
o
Ing Angel Francisco Arvelo
a las mquinas, pero su desviacin tpica " " es mucho ms difcil de modificar,
puesto que depende de las causas comunes que lo afectan, tales como precisin
de las mquinas, destreza de los operarios, etc.
Cuando la media "" del proceso coincide con el punto medio de las
especificaciones, se dice que el proceso est centrado.
El hecho de que un proceso sea capaz no significa sin embargo, que no deba ser
controlado, pues si aparecen circunstancias externas que provoquen un
corrimiento de la media y lo descentran, van a aparecer entonces un cierto
porcentaje de defectuosas, en caso de que la distancia de la nueva media a uno
de los lmites de especificacin sea inferior a 3 , tal como se muestra en la figura:
Para detectar a tiempo estos corrimientos en la media, es por lo que los "Grficos
de Control" constituyen una herramienta muy til en el Control de Procesos .
La tabla normal permite calcular la probabilidad de que una observacin sea igual
o menor que una determinada abscisa "x" (Funcin de distribucin), para unos
parmetros "" y " " dados. Dicha probabilidad viene dada por el rea bajo la
curva, a la izquierda de la abscisa "x" , tal como se muestra en la figura:
La abscisa tipificada "z" representa la distancia entre la abscisa "x" y la media ""
, expresada en funcin de la desviacin tpica " " . As por ejemplo, una abscisa
tipificada z=2, representa que la abscisa "x" se halla a dos desviaciones tpicas de
la media "".
El signo de "Z" , indica la posicin de la abscisa 'x" con respecto a la media "" , y
as cuando "Z" es negativo la abscisa "x" es menor que la media "" ; mientras
que cuando "Z" es positiva , la abscisa "x" es mayor que la media "".
Ejemplo 1 : Supongamos que un proceso fabrica piezas cuya longitud sigue una
Distribucin Normal con media 72.50 mm y desviacin tpica de 0.20 mm.
Calcular las siguientes probabilidades:
a) Que una pieza mida menos de 72.80 mm .
b) Que una pieza mida menos de 72.10 mm .
c) Que una pieza mida ms de 72.60 mm
d) Que una pieza caiga en el intervalo (72.15 ; 72.75) mm .
e) Que una pieza caiga en el intervalo (72.50 0.35) mm .
Solucin :
Designando como X la longitud de una pieza, se tiene : X N ( 72.50 ; 0.202)
72.80 72.50
P(X 72.80 ) = P ( Z < ) = P ( Z < 1.50) = (1.50) = 0.9322
0.20
7210
. 72.50
P ( X 72.10 ) = P ( Z < ) = P ( Z < -2) = (-2) = 0.0228
0.20
72.60 72.50
P ( X > 72.60 ) = P ( Z > ) = P ( Z > 0.50) =1- (0.50) =
0.20
1 - 0.6915 = 0.3085
7215. 72.50 72.75 72.50
P( 72.15 < X < 72.75) = P( <Z< )=
0.20 0.20
P ( -1.75 < Z < 1.25) = ( 1.25) - (-1.75) = 0.8944 - 0.0401 = 0.8543
7215
. 72.50 72.85 72.50
P ( 72.15 < X < 72.85) = P ( <Z< )=
0.20 0.20
P ( -1.75 < Z < 1.75 ) = D ( 1.75 ) = 0.9199 ( Por ser un intervalo simtrico)
Ntese que en todos estos casos, las lecturas fueron hechas en la tabla 3.a ,
puesto que se daban abscisa para encontrar una probabilidad , la cual se mide
por el rea bajo la curva .
Solucin :
En este ejemplo, tenemos que: X = Duracin de una batera N(100 ; 122) .
a) La garanta se cumple cuando la duracin de la batera es igual o mayor que
el plazo de garanta, de forma que si designamos por "t" al plazo de garanta, lo
que se quiere es : P ( X t ) = 0.99 , o grficamente :
P(X t ) = 0.99
t 100
P(Z ) = 0.99
12
EJERCICIOS PROPUESTOS
Solucin: 2.33 %
3) El espesor de las lminas metlicas producidas por una cierta mquina sigue
una Distribucin Normal, con media 10 mm., y desviacin tpica de 0,02mm .
Establezca una especificacin para el espesor de estas lminas, de forma que:
a) El 95 % de las lminas cumplan con la especificacin.
b) El 99% de las lminas cumplan con la especificacin.
Solucin: a) (10.0000 0.0392) mm b) (10.00000 0.05152) mm
4) Las especificaciones para una cierta pieza mecnica son (20.00 0.50) cms.,
y la mquina que se dispone para producirlas tiene una desviacin tpica de 0.30
cms.
Las piezas que resulten por encima del lmite superior pueden ser reprocesadas
y corregidas, pero las que resulten por debajo del lmite inferior son
consideradas como desperdicio.
a) Cual debe ser la media del proceso, si se quiere a lo ms un 1% de
desperdicios ? .
b) Para esa media del proceso. Cul ser el porcentaje de piezas
reprocesadas? .
Solucin: a) = 20.1978 b) 15.62
5) Si se quiere que un proceso produzca dentro de las especificaciones (10.00
0.15 ) cms, con a lo ms 2% de piezas defectuosas . En qu valor debe
25
Capacidad de Procesos segn ISO 9000
o
Ing Angel Francisco Arvelo
6) Hay que producir unas piezas cuyo dimetro debe caer dentro de la
especificacin (190 15) mms ; pero sin embargo , la mquina que se dispone
para fabricarlas, las saca segn un dimetro aleatorio que sigue una Distribucin
Normal con media 200 mm, y desviacin tpica de 10 mms .
Cual es la probabilidad de producir una pieza defectuosa ? .
Solucin : 0.3147 .
7) Una mquina cortadora puede ser calibrada para cortar alambres que tengan
una media determinada . Suponiendo que la longitud de los alambres obtenidos
sigue una Distribucin Normal con media el valor calibrado, y desviacin tpica
de 0,2 cms. ; determine el valor en que debe calibrarse la media , si se quiere
que solamente el 5% de los alambres, tengan una longitud mayor de 10,40 cms .
Solucin : = 10.071 cms .
26
Capacidad de Procesos segn ISO 9000
o
Ing Angel Francisco Arvelo
En este captulo analizaremos tres pruebas de ajuste , las cuales son unas
pruebas muy rigurosas, y que proporcionan una respuesta definitiva a la pregunta
anterior.
Otro mtodo de ajuste que analizaremos en este captulo es el uso del papel
probabilstico , que es de una sencillez extraordinaria , pero con la desventaja de
los mtodos descriptivos, que no permite establecer hasta qu punto son
tolerables las diferencias entre los resultados muestrales y el modelo normal
terico.
Al final del captulo se incluyen tambin otras pruebas estadsticas, cuyo objetivo
no es probar el ajuste, pero que son de gran utilidad en el control de procesos
pues sirven para controlar alguno de sus parmetros, y en consecuencia sirven
para detectar a tiempo algn desajuste, como por ejemplo un corrimiento de su
media , o un incremento en su desviacin tpica.
27
Capacidad de Procesos segn ISO 9000
o
Ing Angel Francisco Arvelo
Aplicada al caso que nos ocupa que es el de normalidad, dicha prueba sirve para
contrastar la Hiptesis Nula H0 : El proceso se ajusta a una normal , contra la
Hiptesis Alternativa H1: El proceso no se ajusta a una normal.
Dicha tabla debe ser construida tomando muestras al azar del proceso, y aunque
no existe una regla fija acerca de cuantas observaciones tomar, es recomendable
que tenga por lo menos 100 observaciones, clasificadas en por lo menos 6
intervalos.
Paso 1 : Estimar los parmetros "" y " 2 " , de la distribucin mediante la media
"X" , y la varianza muestral "S2 ", que como bien sabemos se calculan por:
i n
Xi
= Media Muestral = X = i 1
n
i k i k
(L*i X)2 fi (L*i )2 fi nX 2
2
2 =Varianza Muestral = S = i 1
= i 1
i k i k
fi 1 fi 1
i 1 i 1
28
Capacidad de Procesos segn ISO 9000
o
Ing Angel Francisco Arvelo
En donde:
Li* = Marca de Clase del intervalo "i"
fi = Frecuencia del intervalo "i" .
k = Nmero de intervalos.
i k
n= f i = Nmero total de datos
i 1
Paso 2 : Con los parmetros estimados , calcular las probabilidades de cada uno
de los intervalos, mediante la tabla normal .
Li 1 Li Li Li 1
pi = P ( Li-1 X < Li) = P ( Z < )= ( )- ( )
i k
ei = n . pi ; siendo n= fi
i 1
2
El valor de " " , mide la diferencia entre las frecuencias observadas y las
esperadas; cuanto ms grande sea su valor , mayor es la diferencia entre la
realidad observada y el modelo terico normal , mientras que cuanto ms
pequeo sea su valor, mejor es el ajuste del modelo terico normal a la realidad
observada en la muestra.
En este paso, hay que cuidar el detalle de que todas las frecuencias esperadas
deben ser iguales o mayores que "5" .En caso de que este requisito no se cumpla,
29
Capacidad de Procesos segn ISO 9000
o
Ing Angel Francisco Arvelo
es necesario fundir ese intervalo con cualquiera de sus vecinos, hasta alcanzar
una frecuencia esperada de 5 ms.
2
Paso 5: Una vez calculado el valor de " ", el ltimo paso es ir a las tablas de la
distribucin chi-cuadrado, con un nivel de nivel de significacin " " previamente
seleccionado ( usualmente 5%) , con (k -3) grados de libertad *3 , y leer la abscisa
2
" " que deja a la derecha un rea " " .
2 2
Si: Aceptar H0 , es decir es aceptable el ajuste a la Normal .
2 2
Si: > Rechazar H0 , es decir, no es aceptable el ajuste a la Normal .
Contenido ( cc ) Frecuencia
190 - 195 9
195 - 200 29
200 - 205 47
205 - 210 72
3
En general , el nmero de grados de libertad es: k-1-r ; siendo r el nmero de parmetros estimados ,
que en el caso de la Distribucin Normal es r=2.
30
Capacidad de Procesos segn ISO 9000
o
Ing Angel Francisco Arvelo
210 - 215 51
215 - 220 30
220 - 225 12
Esta estimacin ya fue hecha en el captulo anterior con los siguientes resultados:
= X= 207,80
2
2 = S = 52,21
= S = 7, 23
195 - 207.80
P( X < 195) = P ( Z < )= ( -1.77 ) = 0.0384
7.23
220 - 207.80
P( X 220) = P ( Z ) = P(Z 1.69) = 1 - (1.69) =
7.23
1 - 0.9545 = 0.0455
Contenido ( cc ) fi pi ei
En este caso ,todas las frecuencias esperadas resultaron ser mayores que 5 , y
por tanto no hay necesidad de fundir intervalos .
k = nmero de intervalos = 7
33
Capacidad de Procesos segn ISO 9000
o
Ing Angel Francisco Arvelo
grados de libertad = k - 3 = 4
2
En la tabla encontramos: 0.05 ; 4 = 9.49 > 1.90 Aceptar H0
Peso Frecuencia
2.7- 3.1 19
3.1- 3.5 67
4.3-,4.7 94
4.7- 5.1 22
2 2
Solucin: = 1.1774 < 0.05 ; 3 = 7.81 Se acepta el ajuste a la normal.
Esta prueba al igual que la anterior, es una prueba de ajuste, que se utiliza
exclusivamente para distribuciones continuas, y en donde la hiptesis a probar es
que una determinada muestra proviene de una poblacin con una funcin de
distribucin dada.
Esta prueba no requiere que los datos estn agrupados en intervalos, pues es
aplicable an para muestras con datos puntuales, pero su principal limitacin es
que la distribucin a la cual se quiere probar el ajuste, debe estar plenamente
definida, es decir que no puede tener parmetros a estimar.
34
Capacidad de Procesos segn ISO 9000
o
Ing Angel Francisco Arvelo
Para el caso de ajuste a la normalidad, esta limitante hace que la prueba solo
pueda aplicarse para parmetros especificados, que en el caso de control de
procesos suelen ser:
Ls - LI
= (Posicin lmite de un proceso capaz).
6
De all, que esta prueba resulte particularmente til, cuando un proceso tiene una
desviacin tpica conocida, y deba ser sometido a algunas calibraciones, para
colocar su media en un cierto valor especificado, y se quiera verificar que estas
calibraciones fueron correctamente realizadas.
Para el caso de ajuste a la normal , este clculo se hace con la ayuda de las
tablas normales:
x - x -
F(x) = P ( X x)=P(Z )= ( )
Dn Dn Aceptar H0.
El valor crtico " Dn " depende del nivel de significacin " " de la prueba , y del
tamao de muestra "n" .
Ejemplo con datos puntuales: Supongamos que para que un proceso opere
correctamente, debe ajustarse a una Distribucin Normal con media 26.000 mm ,
y desviacin tpica 2.000 mm , y que una muestra aleatoria de 20 observaciones
dio el siguiente resultado:
Luego se calcula H (x) , frecuencia relativa acumulada para cada uno de los
veinte valores , es decir , la proporcin de observaciones iguales o menores que
l.
1
As por ejemplo : H (23.285) = = 0,05
20
2
H (23.382) = = 0,10 , y as sucesivamente.
20
23.285 26.000
F (23.285) = P ( X 23.285 ) = P ( Z )= (-1.36) =0.0869
2
23.382 26.000
F (23.382) = P ( X 23.382 ) = P ( Z )= (-1.31) =0.0951
2
D = | F(xi) - H(xi) | .
Los pasos a seguir son los mismos , con la nica diferencia de que la funcin
terica en lugar de calcularla para cada valor muestral como se hizo
anteriormente, se calcula para los lmites superiores de cada intervalo; as por
ejemplo:
3.1 4
F (3,1) = P ( X 3,1 ) = P ( Z )= (-1.80) = 0.0359
0.5
3.5 4
F (3,5) = P ( X 3,5 ) = P ( Z )= (-1.00) = 0.1587
0.5
39
Capacidad de Procesos segn ISO 9000
o
Ing Angel Francisco Arvelo
Ejercicios propuestos
5 13 13 14 17 12 15 7 4
PRUEBA DE GEARY
i=n
(X i - X) 2
2) La raz cuadrada del estimador insesgado para " 2" : 2 i=1
n 1
i=n
Xi - X
i=1
2 n
El estadstico muestral utilizado en esta prueba es: u
i=n
(X i - X) 2
i=1
n
U 1
Es decir , Z = n N (0,1) , y si para la muestra - z z +z
0.2661 2 2
Paso 1 : Calcular la media muestral , que para este caso resulta X = 25.971 .
i n
( Xi X )2
Paso 3: Calcular la desviacin tpica muestral : S = = i 1
n
El resultado del clculo es : S= 1.673 , que representa una primera estimacin del
parmetro " " .
Paso 4 : Calcular la desviacin media de la muestra , para lo cual hay que hallar
i=n
Xi - X
i=1
la media de las desviaciones absolutas del paso 2 . D.M
n
43
Capacidad de Procesos segn ISO 9000
o
Ing Angel Francisco Arvelo
Paso 5 : Hacer la segunda estimacin de " " , mediante el uso del estimador :
i=n
Xi - X
3 i=1
. El resultado de esta nueva estimacin es : 3 = 0.1594 .
2 n
Paso 6: Calcular el valor del estadstico U , que representa la razn entre las
1594
.
dos estimaciones . u = = 0.953
1673
.
u 1 0.953 1
z= n = 20 = -0.794
0.2661 0.2661
PAPEL PROBABILISTICO
Recordemos que la tabla normal da para cada abscisa tipificada "z" , un rea a la
izquierda (z) , que representa la probabilidad de que el valor tipificado de la
variable aleatoria "X" sea igual o menor que "z" .
normal F(x) , y por la tipificacin de la normal , se tiene entonces que: H(x) = F(x)
x
= P ( X x) = P(Z ) = P ( Z z ) = (z)
Para representar los datos muestrales en el papel probabilstico, hay que seguir el
siguiente procedimiento:
Paso 3 : Sobre el eje horizontal del papel probabilstico elegimos una escala
adecuada de acuerdo con el orden de magnitud de los datos , de la misma forma
47
Capacidad de Procesos segn ISO 9000
o
Ing Angel Francisco Arvelo
como se utiliza un papel milimetrado corriente, y sobre el margen derecho del eje
vertical se leen los porcentajes acumulados de frecuencia.
Paso 4: Una vez ubicados los puntos, procedemos a ajustarles una recta. El
trazado de esta recta es totalmente subjetivo, y debe hacerse sin que exista una
mayor influencia de puntos de uno u otro lado de la recta .
Si los puntos caen razonablemente sobre una recta , concluimos que los datos se
ajustan a una Distribucin Normal .
1
1
P1 2 .100% = 3,1250%
16
Para usar papel milimetrado, es necesario recordar que el fundamento del papel
probabilstico es la relacin lineal entre "x" y "z" , dada por la ecuacin
Este procedimiento sin embargo, hoy en da est en desuso pues todos los
paquetes estadsticos proporcionan la grfica en papel probabilstico.
Contenido ( cc ) Frecuencia
190 - 195 9
195 - 200 29
200 - 205 47
205 - 210 72
210 - 215 51
215 - 220 30
220 - 225 12
Contenido ( cc ) fi H(Li)
Para concluir este captulo , el autor ha considerado oportuno incluir algunas otras
pruebas de hiptesis relativas a la Distribucin Normal , donde a diferencia de las
anteriores lo que se quiere probar no es el ajuste a la Distribucin Normal el cual
ya se da por vlido, sino el valor de alguno de sus parmetros.
Ho : = 0
H1 : 0
51
Capacidad de Procesos segn ISO 9000
o
Ing Angel Francisco Arvelo
Como la varianza poblacinal " 2 " es desconocida, la prueba debe ser hecha
con la Distribucin t-Student, calculando el valor del estadstico "t" dado por:
X
t= 0
n
S
en donde:
X = Media de la muestra .
i n
(Xi X)2
S = Desviacin tpica muestral = i 1
n 1
n = Tamao de la muestra .
Se aceptar H0, en caso de que el valor del estadstico "t" resulte comprendido
entre - t y + t ; caso contrario se rechazar, es decir:
; n-1 ; n-1
2 2
- t t t Aceptar Ho
; n-1 ; n-1
2 2
la derecha un rea .
2
52
Capacidad de Procesos segn ISO 9000
o
Ing Angel Francisco Arvelo
10.2 , 9.7 ,10.1 , 10.3 , 10.1 , 9.8 , 9.9 , 10.4 , 10.3 y 9.8 .
H 0: = 10 ( Calibracion correcta)
Solucin: Las hiptesis a probar son:
H1 : 10 ( Calibracion incorrecta)
10.06 10
El valor del estadstico t = 10 = 0.77
0.2459
1990 - 2000 2
2000 - 2010 1
53
Capacidad de Procesos segn ISO 9000
o
Ing Angel Francisco Arvelo
Solucin: t= -7.36 < -2.09 Rechazar H0. Existe evidencia significativa de que
no cumple con la especificacin.
Otro aspecto muy importante con relacin a esta prueba, es del tamao de
muestra requerido.
Toda prueba estadstica est sujeta a dos posibles errores conocidos como error
del tipo I y error del tipo II, que en este caso son rechazar una calibracin correcta
y no detectar una calibracin mal hecha, respectivamente.
(z /2
z )2 2
n=
( 1 0 )2
Ejemplo : Una mquina llenadora debe ser calibrada para que llene con un
contenido medio de exactamente 222 cm3.
Se quiere disear una prueba de calidad que detecte con una probabilidad de
0.90, ,una media de llenado de 213 cm3.
Solucin: Por ser una prueba con varianza conocida, ya no es necesario aplicar la
Distribucin t-Student .
(z /2
z )2 2
El tamao de muestra se calcula por: n=
( 1 0 )2
X - 0
La hiptesis nula H0 es aceptada cuando: - z n +z
2 2
14.2
222.00 1.96 = 222.00 5.36 = [ 216.64 ; 227.36 ]
27
Lo anterior llevado a la prctica, significa que una vez que el tcnico haya hecho
la calibracin del proceso de llenado para que llene con una media de 222 cm3 , el
responsable de calidad , deber verificar la calibracin tomando una muestra de
27 envases , y en caso de que la media de esa muestra caiga en el intervalo
[216.64 , 227.36 ], se considerar la calibracin como correctamente realizada ;
caso contrario, se rechazar .
2 2
H0 : 0
Las Hiptesis son :
2 2
H1: > 0
2
Las prueba de varianza se hace mediante el estadstico , definido por:
2 (n-1) S2
2
0
siendo 2
0
el , el valor especificado para la varianza del proceso, y S 2 la varianza
i n
(Xi X)2
2
muestral calculada como : S = i 1
n 1
2 2 2 2
La decisin es aceptar Ho si ;n 1
, o rechazarla si > ; n-1
2
; n-1 =Abscisa que en una Distribucin chi- cuadrado con (n-1) grados de
2
H0 : 252 No detener el proceso
Solucin: Las hiptesis a probar son:
2
H1 : > 252 Detener el proceso
2 11 (30)2
para esta muestra es : = = 15,84
625
En cuanto al valor lmite que puede tomar la desviacin tpica muestral sin detener
2 11 S2
el proceso , tenemos que no se detiene cundo: = 19.68
625
S2 1118,18 S 33,44 ..
Este valor representa el valor crtico para la desviacin tpica muestral, o lo que es
lo mismo, en el momento que una muestra arroje una desviacin tpica muestral
por encima del valor 33.44, existe una evidencia significativa para detener al
proceso.
EJERCICIOS DE RECAPITULACION
Frecuencia 8 19 32 23 16 6
2) El peso medio de las bolsas de cemento debe ser de 40 Kgs. Una muestra
aleatoria de 11 bolsas arroja una media de 39.30 Kgs., con una desviacin tpica
de 1,5 Kgs . Puede concluirse de esta muestra, que la empresa no cumple con
lo especificado ? . Asuma normalidad . = 0.05
3) Una mquina cortadora debe ser debe ser calibrada para que corte tubos con
una longitud media de 40 cms . En caso de que la calibracin est correcta, se
quiere tener una probabilidad de 0.95 de aceptarla , y en caso de que est
corrida en 0.05 cms , se quiere tener una probabilidad de 0.90 de rechazarla .
Asumiendo normalidad ,y que la desviacin tpica en la longitud de los tubos es
de 0.15 cms qu tamao de muestra se necesita ? .
Solucin: n= 95
58
Capacidad de Procesos segn ISO 9000
o
Ing Angel Francisco Arvelo
Un proceso puede dejar de estar bajo control estadstico por dos razones no
excluyentes, por un corrimiento de la media, por una variacin en su desviacin, o
por ambas.
Por otro lado, cuando la prueba de ajuste es rechazada, existen entonces algunas
observaciones muestrales que fueron tomadas bajo condiciones atpicas de
operacin .
Por las razones antes expuestas, se hace necesario entonces desarrollar una
metodologa que alcance los siguientes objetivos:
Las Grficas de Control por variables vienen a ser la herramienta que permite
alcanzar estos objetivos.
Es importante aclarar que existen dos tipos de Grficas de Control: por variables y
por atributos. Las grficas por atributos se utilizan para controlar el porcentaje de
defectuosas, o el nmero de defectos, dentro de sus lmites naturales, y detectar
a tiempo cualquier incremento significativo de cualquiera de ellos. Estas grficas
no son de utilidad para los estudios de capacidad del proceso.
La grfica est formada por dos zonas ; la de arriba se refiere a los lmites de
control para la media , la cual tiene dos bandas una superior y otra inferior, debido
a que la prueba de hiptesis para la media es bilateral , y por lo tanto se rechaza
cuando la muestra cae por debajo del lmite inferior L.C.L (Abreviatura del ingls
Lower Control Limit) , o por arriba del lmite superior U.C.L (Upper Control Lmit) .
La lnea central representa el punto en donde se estima que est ubicada la
media del proceso.
Cuando una muestra arroja un valor de la media muestral que se sale de sus
lmites de control , la grfica nos advierte sobre la presencia de alguna causa
asignable que ha provocado un corrimiento de la media.
Cuando la muestra arroja una desviacin fuera de sus lmite de control, la grfica
detecta una causa asignable que ha modificado la desviacin del proceso . Una
modificacin por encima del lmite superior debe ser motivo de preocupacin,
pues hace al producto mas heterogneo y debe ser erradicada ; mientras que
una modificacin por debajo del lmite inferior (en caso de que exista) es
beneficiosa para el proceso , pues lo hace ms homogneo, y de all que sea
importante detectar la causa asignable, para convertirla en un factor permanente
dentro del proceso.
Como toda prueba de hiptesis, la grfica de control est sujeta a dos posibles
errores:
Error tipo I : Rechazar una hiptesis verdadera , que este caso significa concluir
que el proceso est fuera de control cuando en realidad no lo est.
Error tipo II : Aceptar una hiptesis falsa, que en este caso significa concluir que el
proceso esta bajo control cuando en realidad no es as.
La razn por la cual las grficas se disean para una probabilidad tan baja de
error tipo I , es porque se considera que este error es muy grave para la
produccin, pues ocasionara la paralizacin del proceso sin que exista un motivo
real para ello ; y por este argumento se quiere tener la casi absoluta certeza de
que cuando la muestra se salga de alguno de los lmites de control es debido a
que existe una evidencia muy significativa de que una causa asignable lo est
perturbando.
Como la probabilidad de error tipo I es muy baja, la del tipo II puede resultar
relativamente alta , especialmente cuando la muestra es pequea, y por ello
ocasionalmente puede ser til representar la curva de operacin , para saber la
probabilidad que tiene el diagrama de control de detectar cambios en el proceso.
Para una mayor informacin acerca del procedimiento para construir esta curva
OC para los diagramas de control por variables , el lector puede consultar el
Cap.21 del texto "Control de Calidad y Estadstica Industrial" , del autor Acheson
J. Duncan .
Otro estimador del parmetro " " de una Distribucin Normal, que no fue
mencionado en aquella oportunidad, es el basado en el Rango Muestral .
R
E(R) = R = d2 =
d2
El uso del "Rango Medio" para estimar " " tiene la ventaja de su sencillez de
clculo , ya que para calcular el rango solo hace falta localizar en la muestra el
mayor y el menor valor.
n 2 3 4 5 6 10
Para n > 10 , la estimacin de " 2" a partir del "Rango Medio" , pierde
rpidamente su eficiencia , pues el "Rango muestral" no es un estimador
suficiente , al no tomar en consideracin toda la informacin muestral
comprendida entre el mnimo y el mximo valor .
Estas dos formas de estimacin dan lugar a dos tipos de Grficas de Control por
variables, que se conocen como ( X , R) y ( X , S) segn se utilice el rango
64
Capacidad de Procesos segn ISO 9000
o
Ing Angel Francisco Arvelo
CONSTRUCCION DE LA GRAFICA ( X , R )
Existen varios razones que justifican el uso de subgrupos , en lugar de tomar una
sola muestra aleatoria ms grande , digamos de 80, en instantes al azar.
proceso a lo largo del tiempo, son detectadas con mayor facilidad mediante la
variacin entre las medias de los diferentes subgrupos .
b) Es preferible tomar muestras pequeas varias veces, que tomar una muestra
grande rara vez, pues cuando la muestra cae "fuera de control", se puede
identificar ms fcilmente la causa asignable que actu.
El objetivo final es no solamente detectar las dificultades sino tambin encontrarlas, y tal
descubrimiento naturalmente implica clasificacin. El ingeniero que tiene xito al dividir
sus datos inicialmente en subgrupos racionales, lo estar haciendo mejor inherentemente, a
largo plazo, que quien no realice esto convenientemente.
Una vez tomadas las muestras de cada subgrupo, el paso siguiente es determinar
los lmites de control aplicando el siguiente procedimiento:
X1 X 2 X 3 Xk R1 R2 Rk
Gran Media = X = ; Rango Medio = R =
k k
Para la media:
Lnea Central = X
66
Capacidad de Procesos segn ISO 9000
o
Ing Angel Francisco Arvelo
El valor de A2 depende del tamao "n" del subgrupo, y se lee en la tabla del
Anexo.
Para el Rango:
Lnea Central = R
N 1 2 3 4 5 6 7 8 9 10
Media 5.10 4.98 5.02 4.96 4.96 5.04 4.94 4.92 4.92 4.98
Rango 0.3 0.4 0.2 0.4 0.1 0.1 0.8 0.5 0.3 0.5
N 11 12 13 14 15 16 17 18 19 20
Media 5.10 5.00 4.86 4.88 4.92 4.84 4.98 5.00 5.14 5.00
Rango 0.4 0.2 0.2 0.3 0.1 0.5 0.2 0.3 0.3 0.6
En la tabla de coeficientes para los lmites de control, se lee que para n=5 como
tamao del subgrupo:
L. C.LR = D3 R = 0
ANALISIS DE LA GRAFICA ( X , R )
Una vez que el diagrama ha sido construido, pueden ocurrir una de las siguientes
dos situaciones:
1) Que todos los puntos muestrales , tanto del grfico para la media , como
del grfico para el rango , caigan dentro de los lmites de control .
Para hacer este anlisis tendremos que estimar los parmetros del proceso a
partir del grfico, y compararlos con las especificaciones del producto, con el
objeto de determinar si es capaz de cumplirlas.
b) Existencia de patrones cclicos, que revelen que cada cierto tiempo se produce
un cambio en la ubicacin de los puntos con respecto a la lnea central.
Tal comportamiento puede ser el reflejo de situaciones cclicas, tales como fatiga
o rotacin de los operarios , cambios de turno , encendido y apagado de
maquinarias , ciclos de mantenimiento, de inspeccin, de produccin , etc.
Cuando el proceso est bajo control, el valor de la media y el rango para una
misma muestra son independientes. Por lo tanto , si ambos valores para una
misma muestra se ubican siempre a un mismo lado de su respectiva lnea central,
podra inferirse que no existe tal independencia, y que alguna causa asignable
est actuando.
Por esta razn, entre otras, las grficas de medias y la de rangos no pueden ser
analizadas en forma aislada, sino conjuntamente.
2
Lmite de Advertencia Superior: X + A2 R
3
71
Capacidad de Procesos segn ISO 9000
o
Ing Angel Francisco Arvelo
2
Lmite de Advertencia Inferior : X - A2 R
3
Una vez que la investigacin logre identificar la causa por la cual , una
determinada muestra se sali de alguno de los lmites de control, esa muestra
puede ser excluida del conjunto de datos , y de nuevo hay que recalcular los
nuevos lmites de control con los datos restantes , hasta lograr que el proceso
quede bajo control estadstico .
Suponiendo que se logr identificar la causa asignable que ocasion tal situacin,
podemos eliminar la muestra N7 , y recalcular la " Gran Media" , y el "Rango
Medio" para las 19 muestras restantes, encontrando :
L. C.LR = D3 R = 0
CONSTRUCCION DE LA GRAFICA ( X , S )
i n i n
( Xi X) 2
( Xi X )2
i 1 i 1
S2 = S=
n 1 n 1
Los objetivos de un diagrama ( X , S ) son los mismos que los de un ( X , R), con
la nica diferencia que utiliza la desviacin tpica muestral "S" como medida de la
dispersin del proceso, en lugar de utilizar al rango muestral "R".
Su construccin parte tambin de "k" muestras cada una de tamao "n", y para
cada una es necesario calcular su media y su desviacin tpica muestral.
Para la media:
Lnea Central = X
El valor de A3 depende del tamao "n" del subgrupo, y se lee en la tabla del
Anexo .
Lnea Central = S
En caso de calcular " S2" con denominador "n" en lugar de "n-1" , los coeficientes
A3, B3 y B4 cambian por A1 , B1 y B2 respectivamente .
Cada muestra fue tomada en diferentes das , y se quiere analizar mediante una
grfica ( X , S ), si el proceso se encuentra bajo control.
76
Capacidad de Procesos segn ISO 9000
o
Ing Angel Francisco Arvelo
Muestra N X S Muestra N X S
13 532.89 5.27
Por ltimo se traza la grfica , y se procede a ubicar dentro de ella a cada una de
los 25 puntos muestrales
Por los resultados obtenidos se infiere que el proceso se encuentra bajo control ,
y podemos iniciar la estimacin de capacidad.
79
Capacidad de Procesos segn ISO 9000
o
Ing Angel Francisco Arvelo
El lapso de tiempo que sirvi para construir la grfica de control, se suele llamar
"Perodo base o de referencia ", y la grfica de control se usa para detectar
cambios en el comportamiento del proceso con relacin a ese perodo.
La diferencia principal entre uno y otro concepto radica en que , los lmites del
proceso se aplican a muestras provenientes del proceso, y sirven para detectar
cambios significativos en su comportamiento ; mientras que los lmites de
especificacin se aplican para cada pieza individualmente, y representan las
dimensiones que debe cumplir para satisfacer los requerimientos de calidad.
L S LI
Proceso Centrado : Aquel donde =
2
L S LI
Proceso corrido o Descentrado : Aquel donde :
2
En donde:
" LS " y " LI " son evidentemente valores conocidos, pues vienen dados por las
especificaciones ; pero los parmetros poblaciones "" y " " para el proceso son
desconocidos , pues no es posible examinar a todas las piezas.
La media poblacional "" afecta la capacidad del proceso (vase Pag. 11) , pues
el porcentaje de piezas que cumplirn con la especificacin no es el mismo en
cuando el proceso est centrado , que en el caso de un proceso con media
desplazada o corrida .
La desviacin tpica poblacional " " , afecta la capacidad del proceso pues
cuanto menor sea su valor, menor ser el margen de variabilidad de las piezas
, y mayor la probabilidad de cumplir con la especificacin, en caso de que el
proceso est centrado.
El valor numrico del coeficiente c4, para distintos tamaos de muestra se lee
tambin en la misma Tabla de "Constantes para las Grficas de Control" .
82
Capacidad de Procesos segn ISO 9000
o
Ing Angel Francisco Arvelo
El origen de estos coeficientes "d2 " y "c4 " , as como la justificacin del mtodo
de estimacin, se encuentra en el Captulo V de Fundamentos Tericos .
4.65
estimados del proceso son : = 530.85 , = = 4.78.
0.9727
Ejemplos Propuestos :
b) Suponiendo que el proceso est bajo control , estime la desviacin tpica del
proceso .
b) = 24.62 ; = 0.35 .
Una vez que el proceso se encuentra bajo control , y que sus parmetros han
sido estimados, por el procedimiento explicado anteriormente , el paso siguiente
es comparar el resultado de esta estimacin con las especificaciones .
Para los estadsticos muestrales, como la media, el rango, etc., aplican los
lmites de control, y jams los lmites de especificacin .
Otro concepto que suele crear confusin, es el que se refiere a que un proceso
bajo control puede producir piezas que no cumplan con la especificacin , pues
si su media no est correctamente centrada , o si su desviacin es considerable
, un porcentaje importante de la produccin puede salirse de la especificacin .
En nuestro caso , los parmetros "" y " " han sido estimados por el
procedimiento sealado en la Pgina 64 , y tenemos entonces:
Situacin N3 : Ninguno de los dos intervalos est incluido dentro del otro.
87
Capacidad de Procesos segn ISO 9000
o
Ing Angel Francisco Arvelo
Para realizar dicha estimacin solo se necesitan los parmetros estimados del
proceso , las especificaciones , y las tablas normales explicadas en el primer
captulo.
15350 41140
.
X = = 614.00 ; R = = 16.46
25 25
Para un tamao de subgrupo n=4 , encontramos que las constantes para las
grficas de control ( X , R ) son : A2= 0.729 , D3=0 , D4= 2.282 , y por tanto los
lmites de control son :
L. C.LR = D3 R = 0
L.C.L R = D3 R = 0
595 - 614
P( X < 595) = P( Z < ) = P ( Z < -2.38) = ( -2.38) = 0.0087
7.99
625 614
P ( X > 625) = P (Z > ) = P ( Z > 1.38) = 1 - (1.38) = 0.0838
7.99
menos que se tomen medidas radicales tales como cambiar la maquinaria, etc.
Ejercicios Propuestos:
i 50 i 50
Despus de analizar 50 subgrupos , se tiene que: Xi = 1000 , Si = 75 .
i 1 i 1
b) Suponiendo que todos los puntos en ambas grficas , caen entre los lmites
de control , cuales son los lmites naturales de variacin del proceso ? .
L s Li Tolerancia
CP= =
6 6
" Dada una Distribucin Normal con desviacin tpica " " , y un intervalo fijo [a,b] , el
rea bajo la curva en el intervalo ser mxima cuando la media de la distribucin
coincida con el punto medio del intervalo " .
Por las consideraciones anteriores , "CP " "Coeficiente de capacidad bsica del
proceso " representa tambin la capacidad potencial o mxima del proceso , y si
CP< 1 , no es posible garantizar que la totalidad de las piezas producidas
satisfacen la especificacin .
El coeficiente "CP " tiene tambin otra interpretacin muy importante, pues su
1
inverso 100% representa el porcentaje de la banda de tolerancia que
Cp
abarca los lmites naturales de variacin del proceso, cuando ste est centrado.
p L s Li
En caso de haber utilizado un grfico ( X , S ): C c4
6S
94
Capacidad de Procesos segn ISO 9000
o
Ing Angel Francisco Arvelo
A partir del valor estimado de "CP " , y con la ayuda de las tablas normales, se
puede estimar el nmero esperado de piezas defectuosas que producir el
proceso , segn la siguiente tabla:
Si la menor de las diferencias es " - LI", la media est corrida hacia la izquierda,
y de resultar "LS - " la menor , entonces el corrimiento es a la derecha .
Ls - Li
CPK = mnimo entre ;
3 3
1
CPK = del menor valor entre { z1 , z2 ]
3
96
Capacidad de Procesos segn ISO 9000
o
Ing Angel Francisco Arvelo
- Li Ls
Siendo : z1 = ; z2 =
Entre los coeficientes CP y CPK , existe una relacin matemtica dada por:
Siendo "k" un parmetro que se define como "ndice de localizacin " , cuyo
valor depende del corrimiento que haya sufrido la media del proceso .
2
El clculo de "k" se hace a travs de las expresin : k =
T
= Corrimiento de la media = - 0
T = Tolerancia = LS - LI
El ndice de localizacin "k" es una medida relativa del corrimiento, debido a que
1
compara el corrimiento " " , con el radio de especificacin " T " .
2
Esta es la gran diferencia entre estos dos coeficientes, "CP" representa el valor
mximo de la capacidad del proceso y no puede ser mejorado a menos que se
apliquen medidas radicales o se cambien las especificaciones; mientras que
"CPK" es una medida de la capacidad actual , susceptible de mejoras con
simples ajustes a las maquinarias que centren el proceso.
Ls - Li
Dado que : CPK = mnimo entre ; ; Si = LS CPK = 0
3 3
Ls - Li
Dado que : CPK = mnimo entre ; ; Si > LS CPK < 0
3 3
La capacidad potencial "CP " no existe en estos casos , debido a que no hay un
valor mximo para la capacidad del proceso . Cuanto ms se aleje la media del
proceso del lmite nico de especificacin , mayor ser su capacidad .
Ls
CPK = ( Solo la especificacin superior)
3
LI
CPK = ( Solo la especificacin inferior )
3
Con relacin al valor mnimo que pueden tomar estos coeficientes para los fines
de aprobacin de una auditora de calidad , es conveniente aclarar que la Norma
ISO - 9000 es muy general y no los establece ; solamente consagra la
conveniencia de que el proceso de produccin sea capaz . ( Vase en la
"Introduccin" , el texto exacto de la norma. ) .Sin embargo , algunos autores ,
tales como Douglas C. Montgomery en su texto "Control Estadstico de Calidad "
del Grupo Editorial Iberoamericana, Pag. 242, recomienda algunos valores
mnimos para el coeficiente "CPK " , en funcin del tipo de proceso , y de la
incidencia que tenga la caracterstica de calidad en la seguridad del usuario o en
la calidad del producto terminado.
Los valores mnimos para "CPK " , recomendados por el Dr. Douglas Montgomery
son
ESPECIFICACIONES ESPECIFICACIONES
BILATERALES UNILATERALES
Parmetro de seguridad, de
Parmetro de seguridad, de
Se entiende por parmetro crtico aquel cuya falta de cumplimiento ocasiona que
el producto terminado sea declarado como inservible .
Los valores dados en la tabla siguiente son los tres ltimos dgitos de las
mediciones ; esto es, 34.2 se lee como 0.50342
Muestra 1 2 3 4 5 6 7 8 9 10
X 34.2 31.6 31.8 33.4 35.0 32.1 32.6 33.8 34.8 38.6
R 3 4 4 5 4 2 7 9 10 4
Muestra 11 12 13 14 15 16 17 18 19 20
X 35.4 34.0 36.0 37.2 35.2 33.4 35.0 34.4 33.9 34.0
R 8 6 4 7 3 10 4 7 8 4
Los lmites de control tentativos son: U. C.L X = 34.32 + 0.577 ( 5.65 ) = 37.58
L.C.L R = 0
L.C.L R = 0
5.74
b) Los parmetros estimados del proceso son : X = 34.09 ; = =
2.326
2.47
CPK = Menor valor entre { 1.23 ; 1.47 } = 1.23 A pesar de estar la media
corrida hacia la izquierda , la especificaciones le resultan tan cmodas , que el
proceso sigue siendo capaz.
2 2 (0.91)
K= = = 0.091
T 20.0
Una vez calculado "k" , se tiene : CPK= CP( 1- k) = 1.35 ( 1 - 0.091) = 1.23
25 34.09 45 34.09
P ( 25 X 45 ) = P ( Z ) = P ( -3.68 Z 4.42)
2.47 2.47
EJERCICIOS PROPUESTOS :
i 25 i 25
Xi = 367.00 ; Ri = 8.60
i 1 i 1
i 18 i 18
Los resultados obtenidos dan: Xi = 595.8 ; Si = 8.24 .
i 1 i 1
Por otro lado , dado que el grfico de control se aplica para promedios , X , R ,
S , etc., la normalidad de estos promedios no garantiza la normalidad de las
observaciones individuales, pues en la teora estadstica se estudia un teorema
conocido como " Teorema Central del lmite " , el cual garantiza la normalidad de
los promedios , sea cual fuere la distribucin de las observaciones individuales .
2
8
P(|X-| 3 ) 1- 2
= = 88.89 %
9 9
Sin embargo ,el problema que se presenta ahora es el de cmo garantizar que
estas 100 ms observaciones individuales , han sido tomadas bajo unas
condiciones estables de operacin del proceso ? ; pues si durante el desarrollo
del muestreo aparecen causas asignables , la estimacin de " " que se haga a
partir de ellas no ser realista , la hiptesis de normalidad resultar rechazada ,
la capacidad del proceso resultar subevaluada , y con el agravante de que
aquellas observaciones correspondientes a la accin de las causas asignables
no podrn ser identificadas.
Peso 4.5 4.6 4.7 4.8 4.9 5.0 5.1 5.2 5.3
frecuencia 1 1 2 13 20 30 18 7 3
107
Capacidad de Procesos segn ISO 9000
o
Ing Angel Francisco Arvelo
Teniendo en cuenta que se trata de una variable continua los lmites reales de
cada observacin son de 0,05.
Peso de la Pastilla fi pi ei
< 4.75 4 0.0582 5.53
4.75 - 4.85 13 0.1302 12.37
4.85 - 4.95 20 0.2330 22.13
4.95 - 5.05 30 0.2657 25.24
5.05 - 5.15 18 0.1926 18.29
5.15 - 5.25 7 0.0888 8.44
5.25 5.15 3 10 0.0315 =0.1203 2.99 11.43
108
Capacidad de Procesos segn ISO 9000
o
Ing Angel Francisco Arvelo
Siguiendo las reglas de la prueba chi- cuadrado (Capitulo II), como el ltimo
intervalo result con una frecuencia esperada menor que 5 , se fundi con el
anterior .
i=k
2 ( fi - e i ) 2
i=1 ei
2
Hechos los clculos, se obtiene : = 1.74 ; mientras que el valor crtico dado
por la tabla chi cuadrado con 6-1-2= 3 grados de libertad, a un nivel de
2
significacin del 5% , es : 0.05;3 = 7.81 , lo que evidentemente conlleva a la
aceptacin de la hiptesis de que el peso de cada pastilla individualmente sigue
una Distribucin Normal .
Una vez verificada la normalidad de los pesos individuales, y con los parmetros
estimados : = 4.98 ; = 0.1458 , que result ligeramente mayor que 0.1333,
estimacin a partir de R del grfico de control , se hace el anlisis de
especificaciones y de capacidad , a igual que como se explic en las secciones
respectivas .
109
Capacidad de Procesos segn ISO 9000
o
Ing Angel Francisco Arvelo
En opinin muy personal del autor, las razones que han prevalecido para la
escasa difusin de este mtodo, a pesar de ser muy completo, son las
siguientes:
En cuanto a la estimacin de " " , este mtodo dar siempre una estimacin
ligeramente mayor , pues la suma total de cuadrados para las observaciones se
ver ligeramente afectadas por las diferencias poco significativas entre los
subgrupos.
Tambin existe un mtodo conocido como " Lot Plot " , el cual puede ser
aplicado an cuando la distribucin no sea normal . Una explicacin detallada
de este mtodo puede encontrarse en el texto " Control de Calidad y Estadstica
Industrial" del autor Acheson J. Duncan , en el Cap. 23 de "Procesos y
procedimientos especiales " , y que se utiliza principalmente como plan de
muestreo por variables .
Hemos visto que la capacidad del proceso se mide a travs de tres indicadores:
El porcentaje de piezas defectuosas que produce , el cual debe ser
prcticamente cero para un proceso capaz , y los dos coeficientes de capacidad,
el potencial "CP " y el real "CPK" , los cuales deben ser ambos mayores que 1
para un proceso capaz .
Es decir , que si las normas exigieran por ejemplo , que para un determinado
proceso el valor mnimo del coeficiente de capacidad real debe ser de 1.33 ,
entonces la decisin de aprobacin o improbacin de la capacidad del proceso a
los fines de dar cumplimiento a lo exigido por la Norma ISO - 9000 , se hiciera
mediante la Prueba de Hiptesis:
Hasta la fecha , no ha sido desarrollada una metodologa para probar este tipo
de hiptesis , y segn algunas investigaciones realizadas por el autor , el
problema se encuentra en fase de investigacin .
H1 : CP < CP0
Una estimacin por intervalos para "CP" en base a una sola muestra , podra ser
obtenida a partir del intervalo de confianza para 2, que como se sabe de la
(n -1)S2 (n -1)S2
Inferencia Estadstica es : 2 ; 2
; lo que dara el siguiente
/ 2; n-1 1 / 2; n-1
2 2
1 / 2; n-1 L S-LI / 2; n-1 L S-LI
;
n 1 6S n 1 6S
2
En donde: 1 / 2; n-1 = Abscisa que en una Distribucin chi- cuadrado con (n-1)
2
/ 2; n-1 = Abscisa que en una Distribucin chi- cuadrado con (n-1)
Uno de los artculos titulados " How Reliable is your Capability Index ?" de A.F
Bissel, enfrenta el problema de la estimacin por intervalos para los coeficientes
de capacidad , mediante la introduccin de dos ndices bsicos que define como:
L S LI LS LI
I= ; IK= IK = ;y posteriormente analiza el nmero efectivo
Este artculo propone una metodologa para estimar por intervalos al coeficiente
CPK, por un mtodo denominado "Bootstrap " , que consiste en tomar una
muestra aleatoria de tamao "n" del proceso , y posteriormente tomar otra
muestra con reemplazamiento , tambin de tamao "n" , pero proveniente de la
muestra original, la cual denomina " muestra bootstrap" .
La estimacin por intervalos tanto para " CP " como para " CPK " , es sin embargo
demasiado reciente y an no ha sido incorporada en los textos de "Control
Estadstico de Calidad". No es de extraar que un futuro prximo, en las
114
Capacidad de Procesos segn ISO 9000
o
Ing Angel Francisco Arvelo
L.N.I = - 3 L.N.S = + 3
Supongamos que los del dimetro son (10.00 0.25 ) cms , y que los de la
altura son ( 18.00 0.30 ) cms . Cuales son los lmites naturales de variacin
para el volumen del envase ? .
Los lmites naturales de variacin para cada variable, se dan para un 99% de
probabilidad de cobertura , de manera que obtener un envase que tenga ambas
dimensiones dimetro y altura por debajo o por encima de su respectivo lmite
natural de variacin , tiene una probabilidad muy inferior al 1% ; suponiendo
independencia entre ambas variables esta probabilidad sera : 2x0.005 x 0.005 =
5 x 10-5.
Y = a0 + a1 X1 + a2 X2+ .... + an Xn
Y = a0 + a1 1 + a2 2+
.... + an n
2
Y = a12 2
1 + a22 2
2 + .... + an2 2
n
Aplicando este teorema para el ejemplo 2 , podemos hallar los lmites naturales
de variacin para el peso de la mezcla , procediendo como sigue:
Si los lmites naturales para el peso de las cajas tipo "A" son 420 y 438 ,
suponiendo normalidad tenemos : A= 429 , y 6 A = 438- 420 = 18 A = 3 y
2
por consiguiente XA N ( 429 ; 3 ) .
EJERCICICIOS DE RECAPITULACION
Muestra N Muestra N
1 265 205 263 307 220 11 268 260 234 299 215
2 197 286 274 243 231 12 267 281 265 214 318
3 346 317 242 258 276 13 300 208 187 264 271
4 280 242 260 321 228 14 250 299 258 267 293
5 265 254 281 294 223 15 260 308 235 283 277
6 200 235 246 328 296 16 276 264 269 235 290
7 221 176 248 263 231 17 334 280 265 272 283
8 265 262 271 245 301 18 280 274 253 287 258
9 261 248 260 274 337 19 250 278 254 274 275
10 278 250 265 270 298 20 257 210 280 269 251
b) Si las especificaciones exigen que las botellas para bebidas gaseosas deben
tener una resistencia interna mnima de 200 p.s.i . Analice si este proceso es
capaz de cumplir con esta especificacin .
d) 2.28 % .
Suponiendo que el proceso queda bajo control , y que existe una especificacin
inferior que establece que la resistencia de este hilo debe ser de 16 lb. como
mnimo, calcule el coeficiente de capacidad , y el porcentaje de piezas fuera de
especificacin .
Estimadores insesgados .
(x - ) 2
1 - 2
f ( x) e 2 ; - <x<
2
En primer lugar "" y " 2" son parmetros porque para cualquier valor que ellos
tomen, el rea bajo la curva es siempre igual a 1 , pues :
(x- ) 2
1 -
2 2
e dx = 1
2
x
En efecto, si en esta integral hacemos el cambio de variable : z =
z2 z2
1 -
2
1 -
2
se obtiene : e dz = 2 e dz
2 0 2
1 2 1
Haciendo la sustitucin: t = z dt = z dz dz = dt , resulta:
2 2t
1
2 1 1 1 ( )
e t
dt = e t
dt = 2 =1
2 0 2t 0 t
(x- ) 2
tX tx 1 -
2 2
MX(t) = E(e ) = e e dx
2
Para calcular esta integral es necesario sumar los exponentes que corresponden
a la base comn e, luego completar cuadrados , , y se llega al siguiente
1 2 2
t t
resultado: MX(t) = e 2
1
dMX ( t) 2 t
2
2 2
t dMX ( t)
=( t) e E(X) = =
dt dt t 0
d2MX ( t)
Derivando por segunda vez, y evaluando en t=0 : E(X2) = 2
= 2
+ 2
dt t 0
(x - ) 2
1 - 2
f ( x) e 2 ; no se altera cuando se sustituye ( x - ) , por su
2
simtrico respecto de la media que es [- (x-)] .
Para la Normal, los dos primeros momentos respecto al origen ya son conocidos
pues: E ( X ) = ; E (X2) = 2 + 2, y el tercero puede ser obtenido a partir de
la tercera derivada de funcin generadora de momentos, en t=0:
d 3M X (t)
E (X3) = 3
= 3
+3 2
.
dt t 0
Reemplazando resulta :
E( X - E(X) )3= 3
+3 2
-3( 2
+ 2
) +2 3
= 0 =0.
1
P(X ) + P (X > ) = 1 P(X ) = P (X > ) = " " es la mediana .
2
E( X E( X))4
=
( Var( X))2
d 4 M X (t)
E(X4) = 4
= 4
+6 2 2
+3 4
dt t 0
E( X - E(X) )4 = 4
+6 2 2
+3 4
-4( 3
+3 2
) +6( 2
+ 2
) 2
-3 4
=
4
3
4
2 3
y como Var (X) = = 2 2
= 3
( )
1
(Q3 Q1)
Coeficiente percentlico de curtosis = = 2
P90 P10
Para estimar los parmetros de una distribucin cualquiera, existen dos mtodos
importantes : el de mxima verosimilitud y el de momentos .
i n i n
Xi (Xi X )2
= Media Muestral = X = i 1
; 2 =Varianza Muestral = S2= i 1
n n
( x1 ) 2
( xn ) 2 ( xi )2
1 2 1 2 1 i 1
2
L(X1, X2 , ...., Xn) = e 2 e 2 = n n e 2
2 2 ( 2 )
Los estimadores son aquellos valores de los parmetros que le dan a la muestra
mxima verosimilitud, y para obtenerlos hay que maximizar a la funcin de
verosimilitud L(X1, X2 , ...., Xn), para lo que resulta ms cmodo maximizar su
logaritmo, puesto que los productos se transforman en sumas lo que facilita la
derivacin ,y por ser el logaritmo una funcin creciente , en donde ste alcance
su mximo , la funcin tambin .
i n
( xi )2
n i 1
Tomando logaritmos : ln L = - n ln - ln(2 ) - ; y luego derivando
2 2 2
parcialmente para hallar los valores que maximizan resulta:
i n
i n
( xi )
ln L i 1 ( xi ) = 0
= 2 2 = 0 i 1
2
; simplificando: i n
i n
2 ( xi )2
( xi ) i 1
ln L n i 1 -n + 2 = 0
= - + 2 3 = 0
2
129
Capacidad de Procesos segn ISO 9000
o
Ing Angel Francisco Arvelo
i n
xi
i 1
= X
n
y al resolver el sistema, se obtienen los estimadores:
i n
( xi X) 2
2 = i 1
= S2
n
Segn este mtodo , los momentos muestrales se utilizan para estimar a sus
correspondientes poblacionales , y partir de esa estimacin se obtiene la de los
parmetros .
E( X )
Para la Normal , los momentos poblacionales son :
E( X 2 ) 2 2
m1 X
i n
mientras que los momentos muestrales son:
xi2
i 1
m2
n
X
i n i n
cuya solucin es: xi2 ( xi X) 2
2
2 i 1
X = i 1
= S2
n n
130
Capacidad de Procesos segn ISO 9000
o
Ing Angel Francisco Arvelo
Esto demuestra que los dos mtodos proporcionan los mismos estimadores,
pero sin embargo, el de 2 no es ptimo por la razn siguiente:
a) Ser insesgado.
b) Ser consistente.
c) Ser suficiente.
Para suplir esta deficiencia , se han propuesto otros estimadores , entre los
i n
( xi X)2
cuales el ms importante es : 2 = Cuasivarianza Muestral = S 2c = i 1
n 1
i n
xi X
Otro estimador para " " es : = i 1
2 n
Sea: X N( ; 2) , y sea: Y = | X - |.
(X ) ; si X
Como Y = | X - | , se tiene : Y =
(X ) ; si X
131
Capacidad de Procesos segn ISO 9000
o
Ing Angel Francisco Arvelo
Una de las propiedades del valor esperado establece que si Y = (X) , y "X" es
una variable aleatoria continua con funcin densidad f(x) , entonces el valor
esperado de la variable Y viene dado por : ( x)f( x)dx .
( x )2 ( x )2
1 2 2 dx
1 2 2 dx =
E(Y) = (x ) e + (x ) e
2 2
( x )2
1 2 2 dx
Por simetra: E(Y) = 2 (x ) e
2
z2
x 1 2
Con el cambio de variable: z = se obtiene : E(Y) = 2 z e dz
0 2
z2
2 2
2
E(Y) = - e =
2
0
i n i n
Xi Yi
Por tanto, si se define el estimador de " " como: = i 1
=
i 1
2 n 2 n
i n
E( Yi )
2
se concluye que : E( )= i 1
= = ; lo que demuestra que
2 n 2
el estimador es insesgado .
Otros estimadores para " " son los basados en la grfica de control (Pag. 64),
que son los que realmente se utilizan para estimar la capacidad del proceso:
132
Capacidad de Procesos segn ISO 9000
o
Ing Angel Francisco Arvelo
R R
= Grfico ( X , R) ; = Grfico ( X , S)
d2 c4
Si se resolviera la integral para valores particulares de los parmetros "" y " " ,
nos encontraramos con el problema de que las tablas seran incompletas , pues
su uso estara limitado a aquellas aplicaciones en donde los parmetros tomen
valores contenidos en la tabla .
x
1) Haciendo en la integral el cambio de variable: z =
b z2
1 -2
P (a X b) = a e dz
2
133
Capacidad de Procesos segn ISO 9000
o
Ing Angel Francisco Arvelo
Con relacin al uso de la tablas, es fcil ver por simetra las siguientes
relaciones entre las lecturas :
(-z) = 1 - (z)
P(- X + ) = P ( -1 Z 1 ) = D ( 1 ) = 0.6827 .
P(-2 X + 2 ) = P ( -2 Z 2 ) = D ( 2 ) = 0.9545.
P(-3 X + 3 ) = P ( -3 Z 3 ) = D ( 3 ) = 0.9973 .
X-
En efecto si X N( ; 2), y se define la variable Z =
X X X
tZ
t t t t t
MZ(t) = E(e ) = E( e )= E( e e )= e E( e )
134
Capacidad de Procesos segn ISO 9000
o
Ing Angel Francisco Arvelo
X t 1 2 t2 t 1 2
t t 2 t
E( e ) = Mx ( ( ) ) = e 2 = e 2 ; y por lo tanto :
t 1 2 1 2
t t t
MZ(t) = e e = 2 e 2
; que corresponde a la funcin generatriz de
momentos de una Distribucin Normal con =0 y =1 , lo que demuestra que la
X-
transformacin Z = convierte a una Distribucin Normal cualquiera en la
PROCESOS CENTRADOS
" Dada una Distribucin Normal con desviacin tpica " " , y un intervalo fijo [a,b], el
rea bajo la curva en el intervalo ser mxima cuando la media de la distribucin
coincida con el punto medio del intervalo " .
(x- ) 2 b z2
b 1 -
2 2
1 -2 b- a-
( )= e dx = a e dz = ( )- ( )
a 2 2
135
Capacidad de Procesos segn ISO 9000
o
Ing Angel Francisco Arvelo
Se busca aquel valor de " " que maximiza el rea bajo la curva en el intervalo
1 b 1 a
[a, b] , para lo cual hay que derivar ( ) : ( ) = ( )+ ( )= 0
z2
1 -
(z)= f(z) = e 2 La primera derivada de la funcin ( ) igualada a
2
cero proporciona entonces la siguiente ecuacin:
a b
b- = - ( a- ) = La primera derivada ( ) se anula en el punto
2
central del intervalo [a ,b] .
a b
= se cumple: ( ) < 0 ,lo comprueba que en l se alcanza un mximo.
2
Supongamos tambin que una pieza defectuosa puede ser corregida y llevada a
los lmites de especificacin, pero que debido al costo de la correccin el
beneficio disminuye .
Sea K1< K , el beneficio obtenido por una pieza que se encuentre por debajo del
lmite inferior , y sea K2< K el beneficio obtenido por una pieza por encima del
lmite superior . Estos valores se obtienen restando del precio de venta de una
pieza buena el costo de producirla y el costo de corregirla.
En caso de que la pieza no se pueda corregir por alguno de los dos extremos,
entonces K1 K2 sern negativos, y representan la prdida por producir una
pieza defectuosa , que es su costo de produccin .
Designando por "Y" al beneficio por producir una pieza, tenemos que su valor
esperado ser :
LI LI LS LS
( ) = K1 P ( Z < )+ KP( X ) + K2 P ( X > )
LI LS LI LS
( ) = K1 ( )+ K[ ( )- ( )]+ K2 [1- ( )] =
LI LS
( ) = (K1 -K) ( ) + ( K- K2 ) ( ) + K2
1 LI 1 LS
( ) = (K1 -K) (- ) ( ) + ( K- K2 ) (- ) ( )=0
(LS - ) 2 (LI - ) 2
ln( K- K2 )( - 2
) = ln(K -K1) ( - 2
)
2 2
2
LI L S K K1
Al despejar de esta expresin, se obtiene : = + ln
2 L S LI K K2
Esta frmula es muy importante, pues permite determinar el punto donde debe
ubicarse la media del proceso para obtener el mximo beneficio esperado , y en
ella puede verse que cuando K1 = K2 , es decir cuando el beneficio o la prdida
es el mismo a ambos lados de la distribucin , el proceso debe estar centrado.
Ho: 0
En una prueba de hiptesis del tipo :
H1: 0
2 X 0
con varianza conocida , la zona de aceptacin es : z /2 n z /2
es decir : 0 z /2 X 0 z /2
n n
Teniendo en cuenta para tipificar , que la varianza de la media muestral " X " es
2 0 z /2 1
, se obtiene : n =- z .
n
n
(z /2
z )2 2
Al despejar n , se llega a la frmula: n =
( 1 0 )2
u u
P(X u) = f ( x)dx G(u) = ( f ( x)dx)n
u
g(u) = n f (u) ( f ( x)dx)n 1
u n 2
(u,v) du dv = n (n-1) [ f(u) du ] [ f(v) dv] ( f ( x) dx) .
v
u n 2
y en consecuencia : (u,v) = n (n-1) f(u) f(v) ( f ( x) dx) .; v u
v
v r
Q(r)= n(n 1) f(u) f(v) ( F(u) - F(v)) n-2 du dv
v
v r
Q( r ) = n (n -1) f ( v)dv f (u) ( F(u) - F(v)) n-2 du
v
F( v r )
Q( r ) = n (n -1) f ( v)dv ( y F(v))n 2
dy
F( v )
q( r ) = n ( n -1 ) f ( v)(F(v r ) F(v))n 2
f ( v r )dv ; r 0
( 83 z 351) z 562
703
1 z
165
(z) 1- e ; 0 < z < 5.5
2
x
Teniendo en cuenta que F(x) = ( ) , y mediante el uso de frmulas
El valor esperado del Rango Muestral resulta proporcional a " " ; sta
constante de proporcionalidad , es la que se designa por el coeficiente "d 2" en
las respectivas tablas , y su valor obviamente depende de "n" .
R
E(R) = R = d2 =
d2
A partir de " q(r) " se obtiene tamben la "Desviacin Tpica del Rango Muestral",
que se necesitar luego para determinar los lmites de control correspondientes
a "R", que tambin resulta proporcional a " " , siendo "d3" la constante de
proporcionalidad .
142
Capacidad de Procesos segn ISO 9000
o
Ing Angel Francisco Arvelo
R=|Y|.
Al ser la variable "Y" una normal de media "0" y varianza 2 2, podemos aplicar la
propiedad ya demostrada, y obtenemos:
2 2
E(R) = 2 =
Se defini "d2" como la constante de proporcionalidad entre E(R) y " " , por tanto
2
, para el caso n=2 se tiene: d2 = = 1.128 ; tal como aparece en las tablas .
E(R2) = E(X2- X1)2= E(Y2) = Var (Y) ; por tener "Y" valor esperado igual a cero.
2
Pero Var (Y) = 2 E(R2) = 2 2
y por tanto :
2 4 2 4 2
Var ( R ) =2 - = (2 )
143
Capacidad de Procesos segn ISO 9000
o
Ing Angel Francisco Arvelo
aceptada cuando : 0 z /2 X 0 z /2
n n
Los dos extremos de este intervalo definen los lmites de control para la media
de la muestra , con las siguientes modificaciones :
Por las aproximaciones anteriores, se obtiene que los lmites del intervalo de
aceptacin para la Hiptesis son:
R
U. C.L X 0 z /2 = X + 3 = X + A2 R
n d2 n
144
Capacidad de Procesos segn ISO 9000
o
Ing Angel Francisco Arvelo
R
L. C.L X = z = X - 3 X - A2 R
d2 n =
0 /2
n
3
A2 =
d2 n
Con relacin a los lmites de control para el rango, lo que se hace es definir el
intervalo R 3 R, que en realidad no tiene una probabilidad de 99.73% para el
"Rango Muestral" , pues ste no sigue una Distribucin Normal .
R
Teniendo en cuenta que : R = d3 , y que el valor estimado de " " es = ,
d2
R
se obtiene que : R = d3 .
d2
R 3 d3
U. C.LR = R + 3 R = R + 3 d3 = (1 + ) R = D4 R
d2 d2
R 3 d3
L.C.LR = R - 3 R = R - 3 d3 = (1 - ) R = D3 R
d2 d2
3 d3 3 d3
D4= 1 + ; D3 = 1- 0
d2 d2
Para hallar esta Distribucin , partimos de una ya conocida que es la de "S 2 "*4.
145
Capacidad de Procesos segn ISO 9000
o
Ing Angel Francisco Arvelo
(n 1)S2 2
U= 2
(n-1)
U
S=
n 1
U n 1
G(s) = P ( S s) = P ( s )=P(U 2 s2 )
n 1
n 1 n 1 u
2 s2 1 2
1
G(s) = n 1 u e 2 du
0
n 1 2
( )2
2
n 1 2(n 1) 2(n 1) n 1
g ( s) = G (s) = F ( 2 s2 ) 2 s= 2 s f( 2 s2 )
146
Capacidad de Procesos segn ISO 9000
o
Ing Angel Francisco Arvelo
n 1 n 1 2
1 n 1 2 1 2 s 2(n 1)
g ( s) = n 1 ( 2 s ) 2 e 2 2 s
n 1 2
( )2
2
n 1 n 1 2
1 n 1 2 s
g(s)= n 3 ( 2 ) 2 e 2 sn 2
;s 0
n 1
( ) 2 2
2
n 1 n 1 2
1 n 1 2 s
E(S) = s n 3 ( 2 ) e 2
2 sn 2
ds
o
n 1
( ) 2 2
2
n 1
Esta integral puede ser resuelta mediante la sustitucin: y = 2 s2
2
n
La integral obtenida es justamente ( ) , y por lo tanto :
2
1 2 n
E(S) = ( ) = c4
n 1 n -1 2
( )
2
n
( ) 2
en donde el coeficiente c4 , viene dado por la expresin : c4 = 2
n 1 n -1
( )
2
147
Capacidad de Procesos segn ISO 9000
o
Ing Angel Francisco Arvelo
Las tablas lo que hacen es computar el valor de c4 , para diversos valores del
tamao de muestra "n" , y as por ejemplo :
(2) 1 2
Para n=2 c4 = 2 c4 = 2 = = 0.7979
1
( )
2
5 3 1
( ) 2 3
Para n=5 c4 = c4 = 2 2 2 = = 0.9400
(2) 4 2 4 2
Una vez encontrado E(S) , es necesario ahora hallar Var ( S) , a fin de poder
calcular los lmites de control para "S" .
Este camino es sin embargo muy complicado, y resulta mucho ms sencillo para
encontrar E (S2), aprovechar la demostracin que se hace en Inferencia
Estadstica , para comprobar que S2 , es un estimador insesgado para 2, y
segn la cual : E (S2) = 2 .
En conclusin : Var ( S ) = 2
- c 24 2
= (1 - c 24 ) 2
s 1 c24
la varianza " 2" del proceso fuera conocida , H0 resultara aceptada cuando :
0 z /2 X 0 z /2
n n
b) Z /2 = 3.
c) Como el valor de " " es desconocido, hay que estimarlo, y en dicha
estimacin es en donde se diferencia sta grfica con la ( X ,R).
Se demostr que : E(S) = c4 , y se sabe que la media de las desviaciones
tpicas muestrales S , es un estimador insesgado de E(S) . Por lo tanto :
S
E(S) = S = c 4 =
c4
S
U. C.L X 0 z /2 = X + 3 = X + A3 S
n c4 n
S
L. C.L X = z X - 3 X - A3 S
n = c4 n =
0 /2
3
A3
c4 n
S S
= , se obtiene que : s 1 c 24
c4 c4
S
U. C.L s S 3 s = S + 3 1 c 24 = B4 S
c4
S
L. C.L s S 3 s = S - 3 1 c 24 = B3 S
c4
3 1 c 24 3 1 c 24
B4 1 ; B3 1 0
c4 c4
EFECTOS DE LA NO NORMALIDAD
exponencial)] . Por ejemplo, tales investigadores informan que el riesgo " " real es de
0.014 menos, si n 4 para la distribucin gamma con r = 1/2 , en contraste con un
valor terico de 0.0027 para la distribucin normal.
Su demostracin es la siguiente:
2
"k" es el "ndice de localizacin " , definido por : K
T
LI L S
0 = Punto central de la especificacin = .
2
L s LI T 2
Por definicin : Cp T = 6 CP k (1*)
6 6 6 Cp 3 Cp
Ls - Li
Adems: CPK = mnimo entre ;
3 3
Ls
Si el proceso est corrido hacia la derecha: Cpk LS - =3 CPK
3
T T T
LS - = = 3 CPK 3 Cpk
2 2 2
T
3 Cpk 3 Cp 3 Cpk Cp Cpk
Sustituyendo en 1* resulta: k 2
3 Cp 3 Cp Cp
LI
Si el proceso est corrido hacia la izquierda: Cpk
3
Y = a0 + a1 X1 + a2 X2+ .... + an Xn
152
Capacidad de Procesos segn ISO 9000
o
Ing Angel Francisco Arvelo
Y = a0 + a1 1 + a2 2+
.... + an n
2
Y = a12 2
1 + a22 2
2 + .... + an2 2
n
Su demostracin es la siguiente:
1 2 1 2
tXi i t it
tai Xi i ai t i ai2 t2
MXi ( t) E(e ) e 2 MXi (a i t) E(e ) e 2
1 1 i n 1 in 2 2
at
1 1
2 2 2
1 1 at n an t 2
n an2 t2 ( a0 ai i ) t ( ai i ) t2
a0 t
MY ( t) e e 2 e 2 = e i 1 2 i1
La formacin de subgrupos debe hacerse de manera que cada uno de ellos sea
lo ms homogneo posible, y que exista una gran probabilidad de variacin de
un subgrupo a otro , para lo cual es recomendable tomar las muestras de cada
subgrupo a partir de la produccin de un perodo breve de tiempo , o de un
mismo lote.
Una evaluacin hecha por una sola de las metodologas, tiene el inconveniente
de estar basada en unos supuestos, de los cuales no se tiene una razonable
certeza, de que el proceso o la muestra los cumple.
COMENTARIO FINAL
1. Liderazgo gerencial.
2. Trabajo en equipo.
Por ltimo, es importante recordar que el contenido de esta obra slo considera
los aspectos relativos al estudio de capacidad, pero que esto es slo uno de los
muchos aspectos que evala la Norma ISO-9000, y que por lo tanto su
cumplimiento no garantiza la obtencin de la correspondiente certificacin de
calidad.
z ,00 ,01 ,02 ,03 ,04 ,05 ,06 ,07 ,08 ,09
0,0 0,0000 0,0040 0,0080 0,0120 0,0160 0,0199 0,0239 0,0279 0,0319 0,0359
0,1 0,0398 0,0438 0,0478 0,0517 0,0557 0,0596 0,0636 0,0675 0,0714 0,0753
0,2 0,0793 0,0832 0,0871 0,0910 0,0948 0,0987 0,1026 0,1064 0,1103 0,1141
0,3 0,1179 0,1217 0,1255 0,1293 0,1331 0,1368 0,1406 0,1443 0,1480 0,1517
0,4 0,1554 0,1591 0,1628 0,1664 0,1700 0,1736 0,1772 0,1808 0,1844 0,1879
0,5 0,1915 0,1950 0,1985 0,2019 0,2054 0,2088 0,2123 0,2157 0,2190 0,2224
0,6 0,2257 0,2291 0,2324 0,2357 0,2389 0,2422 0,2454 0,2486 0,2517 0,2549
0,7 0,2580 0,2611 0,2642 0,2673 0,2704 0,2734 0,2764 0,2794 0,2823 0,2852
0,8 0,2881 0,2910 0,2939 0,2967 0,2995 0,3023 0,3051 0,3078 0,3106 0,3133
0,9 0,3159 0,3186 0,3212 0,3238 0,3264 0,3289 0,3315 0,3340 0,3365 0,3389
1,0 0,3413 0,3438 0,3461 0,3485 0,3508 0,3531 0,3554 0,3577 0,3599 0,3621
1,1 0,3643 0,3665 0,3686 0,3708 0,3729 0,3749 0,3770 0,3790 0,3810 0,3830
1,2 0,3849 0,3869 0,3888 0,3907 0,3925 0,3944 0,3962 0,3980 0,3997 0,4015
1,3 0,4032 0,4049 0,4066 0,4082 0,4099 0,4115 0,4131 0,4147 0,4162 0,4177
1,4 0,4192 0,4207 0,4222 0,4236 0,4251 0,4265 0,4279 0,4292 0,4306 0,4319
1,5 0,4332 0,4345 0,4357 0,4370 0,4382 0,4394 0,4406 0,4418 0,4429 0,4441
1,6 0,4452 0,4463 0,4474 0,4484 0,4495 0,4505 0,4515 0,4525 0,4535 0,4545
1,7 0,4554 0,4564 0,4573 0,4582 0,4591 0,4599 0,4608 0,4616 0,4625 0,4633
1,8 0,4641 0,4649 0,4656 0,4664 0,4671 0,4678 0,4686 0,4693 0,4699 0,4706
1,9 0,4713 0,4719 0,4726 0,4732 0,4738 0,4744 0,4750 0,4756 0,4761 0,4767
158
Capacidad de Procesos segn ISO 9000
o
Ing Angel Francisco Arvelo
2,0 0,4772 0,4778 0,4783 0,4788 0,4793 0,4798 0,4803 0,4808 0,4812 0,4817
2,1 0,4821 0,4826 0,4830 0,4834 0,4838 0,4842 0,4846 0,4850 0,4854 0,4857
2,2 0,4861 0,4864 0,4868 0,4871 0,4875 0,4878 0,4881 0,4884 0,4887 0,4890
2,3 0,4893 0,4896 0,4898 0,4901 0,4904 0,4906 0,4909 0,4911 0,4913 0,4916
2,4 0,4918 0,4920 0,4922 0,4925 0,4927 0,4929 0,4931 0,4932 0,4934 0,4936
2,5 0,4938 0,4940 0,4941 0,4943 0,4945 0,4946 0,4948 0,4949 0,4951 0,4952
2,6 0,4953 0,4955 0,4956 0,4957 0,4959 0,4960 0,4961 0,4962 0,4963 0,4964
2,7 0,4965 0,4966 0,4967 0,4968 0,4969 0,4970 0,4971 0,4972 0,4973 0,4974
2,8 0,4974 0,4975 0,4976 0,4977 0,4977 0,4978 0,4979 0,4979 0,4980 0,4981
2,9 0,4981 0,4982 0,4982 0,4983 0,4984 0,4984 0,4985 0,4985 0,4986 0,4986
3,0 0,4987 0,4987 0,4987 0,4988 0,4988 0,4989 0,4989 0,4989 0,4990 0,4990
159
Capacidad de Procesos segn ISO 9000
o
Ing Angel Francisco Arvelo
grados libertad
v X0,005 X0,010 X0,025 X0,050 X0,100 X0,900 X0,950 X0,975 X0,990 X0,995
1 0,00 0,00 0,00 0,00 0,02 2,71 3,84 5,02 6,63 7,88
2 0,01 0,02 0,05 0,10 0,21 4,61 5,99 7,38 9,21 10,60
3 0,07 0,11 0,22 0,35 0,58 6,25 7,81 9,35 11,34 12,84
4 0,21 0,30 0,48 0,71 1,06 7,78 9,49 11,14 13,28 14,86
5 0,41 0,55 0,83 1,15 1,61 9,24 11,07 12,83 15,09 16,75
6 0,68 0,87 1,24 1,64 2,20 10,64 12,59 14,45 16,81 18,55
7 0,99 1,24 1,69 2,17 2,83 12,02 14,07 16,01 18,48 20,28
8 1,34 1,65 2,18 2,73 3,49 13,36 15,51 17,53 20,09 21,95
9 1,73 2,09 2,70 3,33 4,17 14,68 16,92 19,02 21,67 23,59
10 2,16 2,56 3,25 3,94 4,87 15,99 18,31 20,48 23,21 25,19
11 2,60 3,05 3,82 4,57 5,58 17,28 19,68 21,92 24,72 26,76
12 3,07 3,57 4,40 5,23 6,30 18,55 21,03 23,34 26,22 28,30
13 3,57 4,11 5,01 5,89 7,04 19,81 22,36 24,74 27,69 29,82
14 4,07 4,66 5,63 6,57 7,79 21,06 23,68 26,12 29,14 31,32
15 4,60 5,23 6,26 7,26 8,55 22,31 25,00 27,49 30,58 32,80
16 5,14 5,81 6,91 7,96 9,31 23,54 26,30 28,85 32,00 34,27
17 5,70 6,41 7,56 8,67 10,09 24,77 27,59 30,19 33,41 35,72
18 6,26 7,01 8,23 9,39 10,86 25,99 28,87 31,53 34,81 37,16
19 6,84 7,63 8,91 10,12 11,65 27,20 30,14 32,85 36,19 38,58
20 7,43 8,26 9,59 10,85 12,44 28,41 31,41 34,17 37,57 40,00
21 8,03 8,90 10,28 11,59 13,24 29,62 32,67 35,48 38,93 41,40
22 8,64 9,54 10,98 12,34 14,04 30,81 33,92 36,78 40,29 42,80
23 9,26 10,20 11,69 13,09 14,85 32,01 35,17 38,08 41,64 44,18
24 9,89 10,86 12,40 13,85 15,66 33,20 36,42 39,36 42,98 45,56
25 10,52 11,52 13,12 14,61 16,47 34,38 37,65 40,65 44,31 46,93
26 11,16 12,20 13,84 15,38 17,29 35,56 38,89 41,92 45,64 48,29
27 11,81 12,88 14,57 16,15 18,11 36,74 40,11 43,19 46,96 49,64
28 12,46 13,56 15,31 16,93 18,94 37,92 41,34 44,46 48,28 50,99
29 13,12 14,26 16,05 17,71 19,77 39,09 42,56 45,72 49,59 52,34
30 13,79 14,95 16,79 18,49 20,60 40,26 43,77 46,98 50,89 53,67
31 14,46 15,66 17,54 19,28 21,43 41,42 44,99 48,23 52,19 55,00
32 15,13 16,36 18,29 20,07 22,27 42,58 46,19 49,48 53,49 56,33
33 15,82 17,07 19,05 20,87 23,11 43,75 47,40 50,73 54,78 57,65
34 16,50 17,79 19,81 21,66 23,95 44,90 48,60 51,97 56,06 58,96
35 17,19 18,51 20,57 22,47 24,80 46,06 49,80 53,20 57,34 60,27
36 17,89 19,23 21,34 23,27 25,64 47,21 51,00 54,44 58,62 61,58
37 18,59 19,96 22,11 24,07 26,49 48,36 52,19 55,67 59,89 62,88
38 19,29 20,69 22,88 24,88 27,34 49,51 53,38 56,90 61,16 64,18
39 20,00 21,43 23,65 25,70 28,20 50,66 54,57 58,12 62,43 65,48
40 20,71 22,16 24,43 26,51 29,05 51,81 55,76 59,34 63,69 66,77
41 21,42 22,91 25,21 27,33 29,91 52,95 56,94 60,56 64,95 68,05
42 22,14 23,65 26,00 28,14 30,77 54,09 58,12 61,78 66,21 69,34
43 22,86 24,40 26,79 28,96 31,63 55,23 59,30 62,99 67,46 70,62
44 23,58 25,15 27,57 29,79 32,49 56,37 60,48 64,20 68,71 71,89
45 24,31 25,90 28,37 30,61 33,35 57,51 61,66 65,41 69,96 73,17
46 25,04 26,66 29,16 31,44 34,22 58,64 62,83 66,62 71,20 74,44
47 25,77 27,42 29,96 32,27 35,08 59,77 64,00 67,82 72,44 75,70
171
Capacidad de Procesos segn ISO 9000
o
Ing Angel Francisco Arvelo
48 26,51 28,18 30,75 33,10 35,95 60,91 65,17 69,02 73,68 76,97
49 27,25 28,94 31,55 33,93 36,82 62,04 66,34 70,22 74,92 78,23
50 27,99 29,71 32,36 34,76 37,69 63,17 67,50 71,42 76,15 79,49
51 28,73 30,48 33,16 35,60 38,56 64,30 68,67 72,62 77,39 80,75
52 29,48 31,25 33,97 36,44 39,43 65,42 69,83 73,81 78,62 82,00
53 30,23 32,02 34,78 37,28 40,31 66,55 70,99 75,00 79,84 83,25
54 30,98 32,79 35,59 38,12 41,18 67,67 72,15 76,19 81,07 84,50
55 31,73 33,57 36,40 38,96 42,06 68,80 73,31 77,38 82,29 85,75
56 32,49 34,35 37,21 39,80 42,94 69,92 74,47 78,57 83,51 86,99
57 33,25 35,13 38,03 40,65 43,82 71,04 75,62 79,75 84,73 88,24
58 34,01 35,91 38,84 41,49 44,70 72,16 76,78 80,94 85,95 89,48
59 34,77 36,70 39,66 42,34 45,58 73,28 77,93 82,12 87,17 90,72
60 35,53 37,48 40,48 43,19 46,46 74,40 79,08 83,30 88,38 91,95
61 36,30 38,27 41,30 44,04 47,34 75,51 80,23 84,48 89,59 93,19
62 37,07 39,06 42,13 44,89 48,23 76,63 81,38 85,65 90,80 94,42
63 37,84 39,86 42,95 45,74 49,11 77,75 82,53 86,83 92,01 95,65
64 38,61 40,65 43,78 46,59 50,00 78,86 83,68 88,00 93,22 96,88
65 39,38 41,44 44,60 47,45 50,88 79,97 84,82 89,18 94,42 98,11
66 40,16 42,24 45,43 48,31 51,77 81,09 85,96 90,35 95,63 99,33
67 40,94 43,04 46,26 49,16 52,66 82,20 87,11 91,52 96,83 100,55
68 41,71 43,84 47,09 50,02 53,55 83,31 88,25 92,69 98,03 101,78
69 42,49 44,64 47,92 50,88 54,44 84,42 89,39 93,86 99,23 103,00
70 43,28 45,44 48,76 51,74 55,33 85,53 90,53 95,02 100,43 104,21
71 44,06 46,25 49,59 52,60 56,22 86,64 91,67 96,19 101,62 105,43
72 44,84 47,05 50,43 53,46 57,11 87,74 92,81 97,35 102,82 106,65
73 45,63 47,86 51,26 54,33 58,01 88,85 93,95 98,52 104,01 107,86
74 46,42 48,67 52,10 55,19 58,90 89,96 95,08 99,68 105,20 109,07
75 47,21 49,48 52,94 56,05 59,79 91,06 96,22 100,84 106,39 110,29
76 48,00 50,29 53,78 56,92 60,69 92,17 97,35 102,00 107,58 111,50
77 48,79 51,10 54,62 57,79 61,59 93,27 98,48 103,16 108,77 112,70
78 49,58 51,91 55,47 58,65 62,48 94,37 99,62 104,32 109,96 113,91
79 50,38 52,72 56,31 59,52 63,38 95,48 100,75 105,47 111,14 115,12
80 51,17 53,54 57,15 60,39 64,28 96,58 101,88 106,63 112,33 116,32
81 51,97 54,36 58,00 61,26 65,18 97,68 103,01 107,78 113,51 117,52
82 52,77 55,17 58,84 62,13 66,08 98,78 104,14 108,94 114,69 118,73
83 53,57 55,99 59,69 63,00 66,98 99,88 105,27 110,09 115,88 119,93
84 54,37 56,81 60,54 63,88 67,88 100,98 106,39 111,24 117,06 121,13
85 55,17 57,63 61,39 64,75 68,78 102,08 107,52 112,39 118,24 122,32
86 55,97 58,46 62,24 65,62 69,68 103,18 108,65 113,54 119,41 123,52
87 56,78 59,28 63,09 66,50 70,58 104,28 109,77 114,69 120,59 124,72
88 57,58 60,10 63,94 67,37 71,48 105,37 110,90 115,84 121,77 125,91
89 58,39 60,93 64,79 68,25 72,39 106,47 112,02 116,99 122,94 127,11
90 59,20 61,75 65,65 69,13 73,29 107,57 113,15 118,14 124,12 128,30
91 60,00 62,58 66,50 70,00 74,20 108,66 114,27 119,28 125,29 129,49
92 60,81 63,41 67,36 70,88 75,10 109,76 115,39 120,43 126,46 130,68
93 61,63 64,24 68,21 71,76 76,01 110,85 116,51 121,57 127,63 131,87
94 62,44 65,07 69,07 72,64 76,91 111,94 117,63 122,72 128,80 133,06
95 63,25 65,90 69,92 73,52 77,82 113,04 118,75 123,86 129,97 134,25
96 64,06 66,73 70,78 74,40 78,73 114,13 119,87 125,00 131,14 135,43
97 64,88 67,56 71,64 75,28 79,63 115,22 120,99 126,14 132,31 136,62
98 65,69 68,40 72,50 76,16 80,54 116,32 122,11 127,28 133,48 137,80
172
Capacidad de Procesos segn ISO 9000
o
Ing Angel Francisco Arvelo
BIBLIOGRAFIA
1 - Arvelo L , Francisco .
525 Problemas de Estadstica .
Editorial Litextu.
2- Besterfield , Dale H.
Quality Control .
Prentice Hall Inc.
3- Blake , Ian F.
An Introduccion to Applied Probability .
John Wiley & Sons.
5- DeGroot , Morris H.
Probabilidad y Estadstica.
Addison-Wesley Iberoamericana .
6- Deming , W. Edwards
Calidad , Productividad y Competitividad . La salida de la crisis .
Ediciones Diaz de Santos , S.A .
7- Derenzo , Stephen E.
Approximations for Hand Calculators.
Manuales Hewlett - Packard.
8- Duncan , Acheson J.
Control de Calidad y Estadstica Industrial.
Editorial Alfaomega .
9- Grant , Eugene L.
Control de Calidad Estadstico .
Editorial CECSA .