MSA Español-4ta. Edicion PDF

1
ANÁLISIS DE SISTEMAS DE MEDICIÓN
Manual de Referencia
Cuarta Edición
Primera Edición, Octubre 1990 • Segunda Edición, Febrero, 1995; Segunda Impresión, Junio 1998 • Tercera
Edición, Marzo, 2002; Segunda Impresión, Mayo, 2003; Cuarta Edición, Junio, 2010
Derechos Reservados © 1990, © 1995, © 2002 © 2010 Chrysler Group LLC, Ford Motor Company, General
Motors Corporation
Este documento consiste sólo de una interpretación al español, y es una copia libre del Manual de Referencia de MSA-4:
2010 publicado por AIAG, y sólo debe considerarse como una consulta. El único documento oficial es el publicado
originalmente en Ingles por AIAG mismo.
i
ii
PREFACIO
Este manual de referencia fue desarrollado por el Grupo de Trabajo de Análisis de Sistemas
de Medición (MSA), autorizado por el grupo de fuerza de trabajo para los Requerimientos de
Calidad de Proveedores de Chrysler Group LLC, Ford Motor Company y General Motors
Corporation, y bajo los auspicios del Grupo de Acciones de la Industria Automotriz (AIAG). El
grupo de trabajo responsable por esta Cuarta edición fue Michael Down (General Motors
Corporation), Frederick Czubak (Chrysler Group LLC), Gregory Gruska (Omnex), Steve
Stahley (Cummins, Inc.) y David Benham.
El manual es una introducción al análisis de sistemas de medición. No tiene la intención de

limitar la evolución de métodos de análisis adecuados a procesos o géneros de
productos particulares. Aún y cuando estos lineamientos se pretende cubran normalmente
situaciones de sistemas de medición que ocurren, puede haber preguntas que surjan. Estas
preguntas debieran dirigirse a sus representantes autorizados de los clientes.
Este manual cuenta con derechos de copia por Chrysler Group LLC, Ford Motor Company y
General Motors Corporation, con todos los derechos reservados, 2010. Manuales adicionales
pueden ordenarse en AIAG en www.aiag.org. El permiso para reproducir porciones de este
manual para uso dentro de organizaciones proveedores puede obtenerse en AIAG en
www.aiag.org.
Junio, 2010
iii
Guía Rápida de 4ª Edición de MSA
Tipo de Sistema de
Métodos MSA Capítulo
Medición
Rango, Promedios y Rangos, ANOVA, Sesgo,
Variables Básicas Ill
Linealidad, Gráficas de Control
Detección de Señales, Análisis de Pruebas de
Atributos Básicos Ill
Hipótesis
No Replicables (ej.,
Enfoques Alternativos IV
Pruebas Destructivas)
Rango, Promedios y Rangos, ANOVA, Sesgo,
Variables Complejas III, IV
Linealidad, Gráficas de Control
Sistemas Múltiples,
Gages ó Stands de Gráficas de Control, ANOVA, Análisis de Regresión III, IV
Pruebas
Misceláneos Enfoques Alternativos IV
Artículos disponibles en el
Otros
sitio web de AIAG (www.aiag.org)
NOTA: En relación al uso de la desviación estándar para RRGs.
Históricamente y en forma convencional se ha usado una amplitud del 99% para representar
la amplitud “total” del error de las mediciones, representado por el factor de multiplicación de
5.15 (donde σ RRG es multiplicado por 5.15 para representar la amplitud total del 99%).
Una amplitud de 99.73% es representada por el multiplicador de 6.0, el cual es + 3σ y

representa la amplitud total de la curva “normal”.
Si el lector elige incrementar el nivel de cobertura o amplitud de una variación total de las
mediciones del 99.73%, usar el 6.0 como un multiplicador en lugar de 5.15 en los cálculos.
Nota: El enfoque usado en la 4ª. Edición es para comparar desviaciones estándar. Esto es
equivalente a usar el multiplicador de 6 en el enfoque histórico.
El conocimiento del factor multiplicador que se use es crucial en la integridad de las

ecuaciones y cálculos resultantes. Esto es especialmente importante si se hace una
comparación entre la variabilidad y tolerancia de los sistemas de medición.
Consecuentemente, si se usa un enfoque distinto al descrito en este manual, una declaración
como tal debe ser claramente establecida en cualquier resultado ó resumen (particularmente
a aquellos ofrecidos a clientes).
iv
TABLA DE CONTENIDO
MSA 4th Edition Quick Guide ......................................................................................................................... iv
TABLA DE CONTENIDO .................................................................................................................................. v
Lista de Tablas................................................................................................................................................. vii
Lista de Figuras ............................................................................................................................................... viii
CAPÍTULO I – Guías y Lineamientos Generales para Sistemas de Medición ........................................... 1
Sección A Introducción, Propósito y Terminología............................................................................................ 3
Introducción .................................................................................................................................................. 3
Propósito....................................................................................................................................................... 4
Tecnología .................................................................................................................................................... 4
Sección B El Proceso de Medición.................................................................................................................... 13
Sistemas de Medición .................................................................................................................................. 13
Los efectos de la variabilidad de Sistemas de Medición.............................................................................. 18
Sección C Planeación y Estrategia de las Mediciones ..................................................................................... 25
Sección D Desarrollo de las Fuentes de Medición............................................................................................ 29
Proceso de Selección de Fuentes de Gages ............................................................................................... 31
Sección E Aspectos Clave en las Mediciones................................................................................................... 41
Sección F Incertidumbre en las Mediciones...................................................................................................... 63
Sección G Análisis de Problemas de Mediciones ............................................................................................. 65
CAPÍTULO II – Conceptos Generales para la Evaluación de Sistemas de Medición ............................... 67
Sección A Antecedentes.................................................................................................................................... 69
Sección B Selección/Desarrollo de Procedimientos de Prueba........................................................................ 71
Sección C Preparación para un Estudio de Sistemas de Medición .................................................................. 73
Sección D Análisis de Resultados..................................................................................................................... 77
CAPÍTULO III – Prácticas Recomendadas para Sistemas de Medición Replicables ................................ 81
Sección A Ejemplos de Procedimientos de Prueba .......................................................................................... 83
Sección B Guías y Lineamientos – Estudio de Sistemas de Medición de Variables ........................................ 85
Guías y Lineamientos para Determinación de la Estabilidad....................................................................... 85
Guías y Lineamientos para Determinación del Sesgo – Método de Muestras Independientes .................. 87
Guías y Lineamientos para Determinación del Sesgo – Método por Gráficas de Control........................... 92
Guías y Lineamientos para Determinación de la Linealidad........................................................................ 96
Guías y Lineamientos para Determinación de la Repetibilidad y Reproducibilidad..................................... 101
Método de Rangos ....................................................................................................................................... 102
Método de Rangos y Promedios .................................................................................................................. 103
Método de Análisis de Varianzas (ANOVA) ................................................................................................. 123
Sección C Estudio se Sistemas de Medición por Atributos............................................................................... 131
Métodos de Análisis de Riesgos .................................................................................................................. 131
Enfoque de Detección de Señales ............................................................................................................... 143
Método Analítico ........................................................................................................................................... 145
CAPÍTULO IV – Otras Prácticas y Conceptos de Medición......................................................................... 151
Sección A Prácticas para Sistemas de Medición No Replicables..................................................................... 153
Sistemas de medición destructivos .............................................................................................................. 153
Sistemas donde las partes cambian en el uso/prueba ................................................................................ 153
Sección B Estudios de Estabilidad .................................................................................................................... 155
Sección C Estudios de Variabilidades............................................................................................................... 161
Sección D Reconocimiento de los Efectos de una Excesiva Variación Dentro de las Partes .......................... 167
Sección E Método de Promedios y Rangos – Tratamiento Adicional ............................................................... 169
Sección F Curva de Desempeño de Gages ...................................................................................................... 177
Sección G Reducción de Variación a Través de Lecturas Múltiples................................................................. 183
Sección H Enfoque de la Desviación Estándar Combinada a los GRRs.......................................................... 185
APÉNDICES ...................................................................................................................................................... 193
v
Apéndice A ....................................................................................................................................................... 195
Conceptos de Análisis de Varianza.............................................................................................................. 195
Apéndice B ....................................................................................................................................................... 199
Impacto del GRR en el Índice de Habilidad Cp ............................................................................................ 199
Fórmulas:...................................................................................................................................................... 199
Análisis: ........................................................................................................................................................ 199
Análisis Gráfico:............................................................................................................................................ 199
Apéndice C ....................................................................................................................................................... 203
Apéndice D ....................................................................................................................................................... 205
Estudio R de Gages ..................................................................................................................................... 205
Apéndice E ....................................................................................................................................................... 207
Cálculo Alternativo de PV Usando un Término de Corrección de Errores................................................... 207
Apéndice F........................................................................................................................................................ 209
Modelo de Errores P.I.S.M.O.E.A................................................................................................................. 209
Glosario ............................................................................................................................................................ 213
Lista de Referencias........................................................................................................................................ 219
Formatos Muestra............................................................................................................................................ 223
Índice................................................................................................................................................................. 227
vi
Lista de Tablas
Tabla I-B 1: Filosofía de Control e Interés Guía ................................................................................................ 18

Tabla II-D 1: Criterios de GRRs......................................................................................................................... 78
Tabla III-B 1: Datos para un Estudio de Sesgo ................................................................................................. 90
Tabla III-B 2: Estudio de Sesgo – Análisis de un Estudio de Sesgo................................................................. 92
Tabla III-B 3: Estudio de Sesgo – Análisis de un Estudio de Estabilidad para Sesgo...................................... 95
Tabla III-B 4: Datos para un Estudio de Linealidad........................................................................................... 99
Tabla III-B 5: Estudio de Linealidad – Resultados Intermedios ........................................................................ 99
Tabla III-B 6: Estudio de Gages (Método de Rangos) ...................................................................................... 103
Tabla III-B 6a: Hoja de Recolección de Datos de Repetibilidad y Reproducibilidad de Gages........................ 105
Tabla III-B 7: Tabla ANOVA............................................................................................................................... 127
Tabla III-B 8: % de Variación y Contribución de un Análisis ANOVA................................................................ 127
Tabla III-B 9: Comparación de los Métodos de ANOVA y Promedios y Rangos .............................................. 129
Tabla III-B 10: Reporte del Método ANOVA para GRRs................................................................................... 129
Tabla III-C 1: Conjunto de Datos para un Estudio de Atributos ........................................................................ 134
Tabla III-C 2: Resultados de un Estudio con Tablas Cruzadas......................................................................... 136
Tabla III-C 3: Resumen Kappa .......................................................................................................................... 137
Tabla III-C 4: Comparación de los Evaluadores con la Referencia................................................................... 138
Tabla III-C 5: Tabla de Efectividad del Estudio ................................................................................................. 139
Tabla III-C 6: Ejemplo de Lineamientos de Criterios de Efectividad ................................................................. 140
Tabla III-C 7: Resumen de Efectividad del Estudio ........................................................................................... 140
Tabla III-C 8: Tabla III-C 1 clasificada por Valor de Referencia ........................................................................ 143
Tabla IV-A 1: Métodos Basados en el Tipo de Sistema de Medición ............................................................... 154
Tabla IV-H 1: Conjunto de Datos para Análisis de la Desviación Estándar Combinada .................................. 189
Tabla A 1: Estimativo de los Componentes de la Varianza .............................................................................. 195
Tabla A 2: Extensión 6 Sigma ........................................................................................................................... 196
Tabla A 3: Análisis de Varianzas (ANOVA)....................................................................................................... 197
Tabla A 4: Resultados de ANOVA en Tablas.................................................................................................... 198
Tabla A 5: Resultados de ANOVA en Tablas.................................................................................................... 198
Tabla B 1: Comparación del Cp Observado con el Actual................................................................................. 201
*
Tabla C 1: Tabla d 2
......................................................................................................................................... 203
Tabla F 1: Ejemplo del Modelo PISMOEA ........................................................................................................ 211
vii
Lista de Figuras
Figura I-A 1: Ejemplo de una Cadena de Rastreabilidad para la Medición de una Longitud ........................... 10
Figura I-B 1: Diagrama de Causas y Efectos de la Variabilidad de un Sistema de Medición........................... 17
Figura I-E 2: Discriminación............................................................................................................................... 46
Figura I-E 3: Impacto del Número de Categorías Distintas (NCD) de la Distribución del Proceso en
Actividades de Análisis y Control. ..................................................................................................................... 47
Figura I-E 4: Gráficas de Control de Proceso.................................................................................................... 49
Figura I-E 5: Características de la Variación de un Proceso de Medición........................................................ 50
Figura I-E 6: Relaciones entre Sesgo y Repetibilidad....................................................................................... 62
Figura III-B 1: Análisis de Gráficas de Control para Estabilidad ....................................................................... 86
Figura III-B 2: Estudio de Sesgo – Histograma de un Estudio de Sesgo.......................................................... 91
Figura III-B 3: Estudio de Linealidad – Análisis Gráfico .................................................................................... 100
Figura III-B 4: Gráfica de Promedios – “Estancada” ......................................................................................... 107
Figura III-B 5: Gráfica de Promedios “No Estancada”....................................................................................... 107
Figura III-B 6: Gráfica de Rangos – “Estancada” .............................................................................................. 108
Figura III-B 7: Gráfica de Rangos – “No estancada” ......................................................................................... 109
Figura III-B 8: Gráfica de Corridas por Parte..................................................................................................... 109
Figura III-B 9: Diagrama de Dispersión ............................................................................................................. 110
Figura III-B 10: Gráfica de Whiskers ................................................................................................................. 111
Figura III-B 11: Gráficas de Errores................................................................................................................... 112
Figura III-B 12: Histograma Normalizado .......................................................................................................... 113
Figura III-B 13: Gráfica X-Y de Promedios por Medida ..................................................................................... 114
Figura III-B 14: Comparación de Gráficos X-Y .................................................................................................. 115
Figura III-B 15: Hoja de Recolección de Datos Completa para R&RG ............................................................. 118
Figura III-B 16: Reporte de Repetibilidad y Reproducibilidad de Gages........................................................... 119
Figura III-B 18: Gráfica de Residuales .............................................................................................................. 126
Figura III-C 1: Proceso Ejemplo con Pp = Ppk = 0.50......................................................................................... 132
Figura III-C 2: Las Áreas “Grises” Asociadas con el Sistema de Medición....................................................... 132
Figura III-C 3: Proceso Ejemplo con Pp = Ppk = 1.33......................................................................................... 141
Figura III-C 4: Curva de Desempeño de un Gage de Atributos Graficada en Papel de Probabilidad Normal . 149
Figura III-C 5: Curva de Desempeño de un Gage de Atributos ........................................................................ 150
Figura IV-E 1: Gráfica de Control de Evaluación de Mediciones ( X & R) - 1 .................................................. 172
Figura IV-E 2: Gráfica de Control de Evaluación de Mediciones ( X & R) - 2 .................................................. 173
Figura IV-E 3: Cálculos Alternativos para la Evaluación de un Proceso de Medición (Parte 1 de 2) ............... 174
Figura IV-E 4: Cálculos Alternativos para la Evaluación de un Proceso de Medición (Parte 2 de 2) ............... 175
Figura IV-F 1: Curva de Desempeño de un Gage Sin Errores.......................................................................... 180
Figura IV-F 2: Curva de Desempeño de un Gage - Ejemplo ............................................................................ 181
Figura IV-F 3: Curva de Desempeño de un Gage Graficada en Papel de Probabilidad Normal...................... 182
Figura IV-H 1: Análisis Gráfico de un Estudio de Desviación Estándar Combinada ........................................ 188
Figura IV-H 2: Diagrama de Puntos de valores h.............................................................................................. 191
Figura IV-H 3: Diagrama de Puntos de valores k .............................................................................................. 192
Figura B 1: Cp Observado vs. Actual (basado en el proceso)........................................................................... 201
Figura B 2: Cp Observado vs. Actual (basado en la tolerancia) ........................................................................ 202
viii
Capítulo I
Guías y Lineamientos Generales para Sistemas de Medición
Capítulo I
Guías y Lineamientos Generales para

Sistemas de Medición
1
Capítulo I – Sección A
Introducción, Propósito y Terminología
2
Sección A
Introducción
Los datos de mediciones son usados más a menudo y en más formas que antes. Por
ejemplo, la decisión de ajustar un proceso de manufactura o no, comúnmente se
basa ahora en datos de mediciones. Los datos de mediciones, o alguna estadística
calculada de éstos, son comparados con los límites de control estadísticos del
proceso, y si loa comparación indica que el proceso está fuera del control
estadístico, entonces se hace un ajuste de algún tipo. De lo contrario, al proceso se
le permite trabajar sin ajustes. Otro uso de datos de mediciones es para determinar
si existe una relación significativa entre dos o más variables. Por ejemplo, puede
sospecharse que una dimensión crítica de una parte plástica moldeada se relaciona
con la temperatura del material de alimentación. Esa posible relación puede ser
estudiada usando un procedimiento estadístico llamado análisis de regresión para
comparar las medicines de la dimensión crítica con las mediciones de la
temperatura del material de alimentación.
Los estudios que exploren tales relaciones son ejemplos de lo que el Dr. W.E.
Deming llamó estudios analíticos. En general, un estudio analítico es aquel que
incrementa el conocimiento del sistema de causas que afectan el proceso. Los
estudios analíticos son unos de los más importantes que usan datos de mediciones
porque se dirigen finalmente a un mejor entendimiento de los procesos.
El beneficio de usar un procedimiento basado en datos es ampliamente determinado

por la calidad de los datos de medición usados. Si la calidad de los datos es baja, es
muy probable que el beneficio del procedimiento sea muy bajo. Igualmente, si la
calidad de los datos es alta, es muy probable que también el beneficio sea alto.
Para asegurar que el beneficio derivado de los datos de medición usados sea
altamente suficiente para garantizar el costo de su obtención, se requiere enfocar
atención en la calidad de los datos.
La calidad de los datos de medición es definida por las propiedades estadísticas de

Calidad de los las múltiples mediciones obtenidas del sistema de medición operando bajo
Datos de condiciones estables. Por ejemplo, suponer que un sistema de medición, operando
Medición bajo condiciones estables, es usado para obtener varias mediciones de una cierta
característica. Si las mediciones están todas “cerca” al valor master de la
característica, entonces se dice que la calidad de los datos es “alta”. Igualmente, si
algunas o todas de las mediciones están “lejos” del valor master, entonces se dice
que la calidad de los datos es “baja”.
Las propiedades estadísticas más comúnmente usadas para caracterizar la calidad

de los datos son el sesgo y varianza del sistema de medición. La propiedad llamada
sesgo se refiere a la localización de los datos en relación al valor de referencia
(master), y la propiedad llamada varianza se refiere a la dispersión de los datos.
Una de las razones más comunes para datos de baja calidad es demasiada variación.
Mucha de la variación en un conjunto de mediciones, puede ser debida a la
interacción entre el sistema de medición y su medio ambiente. Por ejemplo, un
3
sistema de medición usado para medir el volumen de líquido en un tanque puede

ser sensible a la temperatura ambiental del medio ambiente en el cual es usado. En
tal caso, la variación de los datos puede ser debida a cambios en el volumen o en la
temperatura ambiente. Esto hace la interpretación de datos más difícil y
consecuentemente el sistema de medición menos deseable.
Si la interacción genera demasiada variación, entonces la calidad de los datos puede

ser muy baja y tal que los datos no sean útiles. Por ejemplo, un sistema de medición
con una gran cantidad de variación puede no ser apropiado para uso en el análisis
de un proceso de manufactura porque la variación del sistema de medición puede
encubrir la variación del proceso de manufactura. Mucho del trabajo de administrar
un sistema de medición es dirigido al monitoreo y control de la variación. Entre
otras cosas, esto significa que se requiere énfasis en aprender como los sistemas de
medición interactúan con su medio ambiente de forma tal que se generen solo datos
de calidad aceptable.
Propósito
El propósito de este documento es presentar los lineamientos para evaluar la

calidad de un sistema de medición. Aunque los lineamientos son generales y
suficientes para ser usados en cualquier sistema de medición, se pretende sean
usados principalmente para sistemas de medición en el mundo industrial. No se
pretende que este documento sea un compendio de análisis para todos los sistemas
de medición. Su enfoque principal es en sistemas de medición donde puedan
replicarse lecturas de cada parte. Muchos de los análisis son útiles con otros tipos
de sistemas de medición y el manual contiene referencias y sugerencias. Se
recomienda que sean consultadas fuentes estadísticas competentes para situaciones
más complejas o inusuales no discutidas aquí. No se cubre en este manual la
aprobación requerida por los clientes para métodos de análisis de sistemas de
medición.
Terminología
La discusión del análisis de los sistemas de medición puede ser confusa y ambigua
sino se establece un conjunto de términos para referirse a propiedades estadísticas
comunes y elementos relativos a los sistemas de medición. Esta sección ofrece un
resumen de tales términos que son usados en este manual.
En este documento, son usados los siguientes términos:
• Medición es definida como “la asignación de números [o valores] a cosas

materiales que representen relaciones entre ellas con respecto a
propiedades particulares”. Esta definición se ofreció primero por C.
Eisenhart (1963). El proceso de asignar números es definido como
proceso de medición, y el valor asignado es definido como valor de
medición.
4
• Gage es cualquier dispositivo usado para obtener mediciones;

frecuentemente usado para referirse específicamente a dispositivos usados
en el piso de producción; incluye dispositivos pasa / no pasa.
• Sistema de Medición es el conjunto de instrumentos o gages, patrones,

operaciones, métodos, dispositivos, software, personal, medio ambiente y
supuestos usados para cuantificar una unidad de medida o preparar la
evaluación de una característica o propiedad a ser medida; el proceso
completo usado para obtener mediciones.
De estas definiciones se obtiene que un proceso de medición puede ser visto como
un proceso de manufactura que produce números (datos) para sus resultados. El ver
un sistema de medición de esta manera es útil porque nos permite traer todos los
conceptos, filosofía y herramientas que han sido ya demostradas ser útiles en el
área de control estadístico de los procesos.
_____________________________________________________________________________________________
Resumen de Términos1
Patrón/Estándar
• Bases aceptadas para comparación

• Criterios para aceptación
• Valor conocido, dentro de límites de incertidumbre establecidos y aceptado
como un valor verdadero
• Valor de referencia
Un patrón debiera tener una definición operacional: una definición que produzca
los mismos resultados cuando se aplique por el proveedor o el cliente, con el
mismo significado ayer, hoy y mañana.
Equipo Básico
• Discriminación, facilidad de lectura, resolución
9 Alias: unidad de lectura más pequeña, resolución en las mediciones,

límite de escala o límite de detección
9 Propiedad inherente dispuesta por diseño
9 Escala de unidad de medición más pequeña o resultado de un
instrumento
9 Siempre reportada como una unidad de medida
9 Regla empírica 10 a 1
• Resolución Efectiva
9 La sensibilidad del sistema de medición con la variación del proceso

para una aplicación particular
1
Ver Capítulo I, Sección E para terminología, definiciones y discusión.
5
9 Entrada más pequeña generada de una señal de resultado y útil de

medición
9 Siempre reportada como una unidad de medición
• Valor de Referencia
9 Valor aceptado de un artefacto

9 Requiere una definición operacional
9 Usado como el equivalente para un valor verdadero
• Valor Verdadero
9 Valor actual de un artefacto.

9 Desconocido e irreconocible.
Variación de la localización
• Exactitud
9 “Cercanía” con el valor verdadero o con un valor de referencia

aceptable
9 ASTM incluye el efecto en los errores de localización y amplitud
• Sesgo
9 Diferencia entre el promedio de las mediciones observado y el valor de

referencia
9 Un componente de error sistemático del sistema de medición
• Estabilidad
9 El cambio de sesgo en el tiempo

9 Un proceso estable de mediciones está en control estadístico con
respecto a la localización
9 Alias: cambio
• Linealidad
9 El cambio de sesgo sobre el rango de operación normal

9 La correlación de errores de sesgo múltiples e independientes sobre el
rango de operación
9 Un componente de error sistemático del sistema de medición
6
Variación de la amplitud
• Precisión2
9 “Cercanía” de lecturas repetidas una de otra

9 Un componente de error aleatorio del sistema de medición
• Repetibilidad
9 Variación de las mediciones obtenidas con un instrumento de medición

cuando se use varias veces por un usuario y midiendo la misma
característica y sobre la misma parte
9 La variación sobre intentos sucesivos (en el corto plazo) y bajo
condiciones de medición definidas y establecidas
9 Comúnmente referida como VE - Variación del Equipo
9 Habilidad o potencial de un instrumento (gage)
9 Variación dentro del sistema
• Reproducibilidad
9 Variación en el promedio de las mediciones hechas por diferentes

usuarios usando el mismo gage y midiendo una característica de una
parte
9 Para la calificación del producto y el proceso, el error puede ser el
usuario, el medio ambiente (tiempo) o el método
9 Comúnmente referido como VU - Variación de los Evaluadores
9 Variación (condiciones) entre sistemas
9 ASTM E456-96 incluye efectos de repetibilidad, laboratorios y medio
ambiente así como efectos de los evaluadores/usuarios
• R&R de Gages o RRGs
9 Repetibilidad y reproducibilidad de gages: estimativo combinado de la

repetibilidad y reproducibilidad de un sistema de medición
9 Capacidad de un sistema de medición; dependiendo del método usado,
pueden o no incluirse los efectos del tiempo
• Habilidad de los Sistemas de Medición
9 Estimativo en el corto plazo de la variación de los sistemas de medición

(ej., “RRGs” incluyendo gráficas)
2
En documentos de ASTM, no existe el concepto de precisión de un sistema de medición; ej., la precisión no puede
representarse por un sólo número.
7
• Desempeño del Sistema de Medición
9 Estimación en el largo plazo de la variación del sistema de medición

(ej., método de gráficas de control de largo plazo)
• Sensibilidad
9 La más pequeña entrada que resulte de una señal o resultado detectable

9 Respuesta de un sistema de medición a cambios en la propiedad
medida
9 Determinada por el diseño (discriminación) del gage, calidad inherente
(FEO-Fabricante de Equipo Original), mantenimiento en servicio y
condición de operación del instrumento y patrón
9 Siempre reportada como unidad de medida
•
LCS
• Consistencia
• •
• • • Promedio
• Rango
• • • 9 El grado del cambio de la repetibilidad en el tiempo
• •
• • LCI
9 Un proceso de medición consistente está en control estadístico con
respecto a la amplitud (variabilidad)
• Uniformidad
9 El cambio en repetibilidad sobre un rango de operación normal

9 Homogeneidad en la repetibilidad
Medic ión1 Medic ión N
Variación de los Sistemas
La variación de los sistemas de medición puede caracterizarse

como
• Habilidad
9 Variabilidad en las lecturas tomadas en un periodo de tiempo corto
• Desempeño
9 Variabilidad en las lecturas tomadas sobre un periodo de tiempo largo

9 Basado en la variación total
• Incertidumbre
9 Un rango estimado de valores acerca del valor medido en el cual el

valor verdadero se crea esté contenido
Todas las caracterizaciones de la variación total de un sistema de medición

El sistema de
asumen que el sistema es estable y consistente. Por ejemplo, los
medición debe ser componentes de variación pueden incluir cualquier combinación de
estable y consistente artículos mostrados en I-B 1.
8
Estándares, Patrones El Instituto Nacional de Patrones y Tecnología (NIST) es el Instituto Principal y

y Rastreabilidad Nacional de Mediciones (NMI) en los Estados Unidos ofreciendo servicios bajo el
departamento de comercio de EUA. NIST, previamente como Consejo Nacional de
Patrones (NBS), sirve como la más alta autoridad de metrología en EUA. La
responsabilidad Primaria de NIST es ofrecer servicios de medición y mantener
patrones de medición que ayuden a la industria en EUA a hacer las mediciones
rastreables y que ayuden finalmente en negociaciones de productos y servicios.
NIST ofrece estos servicios directamente a muchos tipos de industrias, pero
principalmente a aquellas industrias que requieran el más alto nivel de exactitud en
sus productos y que incorporen mediciones-de-última-tecnología en sus procesos.
Institutos Nacionales La mayoría de los países industrializados alrededor del mundo cuentan con su
de Mediciones propio NMI y un similar a un NIST, y éstos ofrecen un alto nivel de normas de
metrología o servicios de mediciones para sus respectivos países. NIST trabaja y
colabora con estos otros NMIs para que las mediciones que se hagan en un país no
difieran de aquellas hechas en otro. Esto se logra a través de acuerdos de
reconocimiento mutuo (MRAs) y ejecutando comparaciones entre laboratorios
entre NMIs. Una cosa a notar es que las habilidades de estos NMIs varían de país a
país y no todos los tipos de mediciones son comparados sobre bases regulares, de
forma tal que pueden existir diferencias. Por ésto es importante entender por quien
son rastreables las mediciones y que tan rastreables son.
Rastreabilidad Es un importante concepto en la negociación de bienes y servicios. Las mediciones

que son rastreables con los mismos patrones o similares acuerdan muy
estrechamente en comparación con aquellos que no son rastreables. Esto ayuda a
reducir la necesidad de repetir pruebas, el rechazo de producto bueno y la
aceptación de producto malo.
La rastreabilidad es definida por el Vocabulario Internacional de ISO de Términos

Básicos y Generales de Metrología (VIM), como:
“la propiedad de las mediciones o valores de un estándar o patrón, el cual puede

ser relacionado con referencias establecidas, usualmente patrones nacionales o
internacionales y a través de una cadena ininterrumpida de comparaciones y
todas con incertidumbres establecidas”.
La rastreabilidad de una medición es típicamente establecida a través de una
cadena de comparaciones hacia un NMI. Sin embargo, en muchos casos en la
industria, la rastreabilidad de las mediciones puede ser ligada hasta un valor de
referencia acordado o un “patrón de consenso entre un cliente y un proveedor. La
liga en la rastreabilidad de estos patrones de consenso con un NMI puede no
siempre ser clara y entendida, y finalmente es crítico que las mediciones sean
rastreables en un alcance que satisfaga a las necesidades del cliente. Con los
avances en la tecnología de las mediciones y el uso de los sistemas de medición de
última tecnología en la industria, la definición de dónde y cómo una medición sea
rastreable es un concepto de evolución permanente.
9
Patrón de
Longitud Comparador de
Patrón de Onda Interferencias
Nacional
Patrón Medidor de Bloque/Comparador de

de Referencia Interferencias Láser Gages de Referencia
Patrón de Trabajo MMC Bloques de Gages
Gages para
Gage para Producción Dispositivos
Micrómetros
Figura I-A 1: Ejemplo de una Cadena de Rastreabilidad para una Medición de una Longitud
Los NMIs trabajan estrechamente con diferentes laboratorios nacionales, proveedores

de gages, compañías fabricantes de última tecnología, etc. Para asegurar que sus
patrones de referencia sena apropiadamente calibrados y directamente rastreables con
los patrones mantenidos por el NMI. Las organizaciones de gobierno y de industria
privadas usan entonces sus patrones para ofrecer calibraciones y servicios de
medición a los laboratorios de metrología o gages de sus clientes y calibración de
patrones primarios u otros de trabajo. Esta liga o cadena de eventos determina
finalmente la forma en la cual se llega al piso de producción y ofrece por tanto las
bases para la rastreabilidad de las mediciones. Las mediciones pueden conectarse
hasta NIST a través de esta cadena ininterrumpida de mediciones y la cual se dice ser
rastreable con NIST.
No todas las organizaciones cuentan con laboratorios de metrología o gages dentro de

sus instalaciones y dependen de laboratorios externos comerciales / independientes
para ofrecer rastreabilidad en los servicios de calibración y mediciones. Reste es un
medio aceptable y apropiado de lograr rastreabilidad con NIST, siempre y cuando la
habilidad de los laboratorios comerciales / independientes pueda asegurarse a través
de procesos, tales como acreditamiento de laboratorios.
Sistemas de Un sistema de calibración es un conjunto de operaciones que establecen, bajo

Calibración condiciones especificadas, la relación entre un dispositivo de medición y un estándar
ó patrón rastreable con un valor de referencia e incertidumbre conocidos. La
calibración puede también incluir pasos para detectar, correlacionar, reportar ó
eliminar por ajuste alguna discrepancia en la exactitud del dispositivo de medición
que se está comparando.
El sistema de calibración determina la rastreabilidad en las mediciones de los

sistemas de medición a través del uso de métodos y estándares ó patrones de
calibración.
Rastreabilidad es la cadena de eventos de calibración que se crean con estándares ó

patrones de calibración de una capacidad metrológica ó incertidumbre en las
mediciones apropiados. Cada evento de calibración incluye todos los elementos
necesarios, incluyendo estándares ó patrones, equipo de medición y prueba siendo
verificado, los métodos y procedimientos de calibración, los registros y personal
calificado.
10
Una organización puede contar con un laboratorio de calibración interno ó una

organización que controle y mantenga los elementos de los eventos de calibración.
Estos laboratorios internos mantienen un alcance de sus laboratorios mismos y el
cual lista las calibraciones específicas que son capaces de ejecutar, así como el
equipo y métodos/procedimientos usados para ejecutar dichas calibraciones.
El sistema de calibraciones es parte del sistema de administración de calidad de una

organización y por tanto debiera estar incluido en los requerimientos de auditorias
internas.
Programas de Aseguramiento en las Mediciones (PAMs) pueden ser usados para

verificar la aceptación de los procesos de medición usados a través de los sistemas de
calibración. Generalmente los PAMs incluyen la verificación de los resultados de
sistemas de medición a través de mediciones independientes y secundarias de la
misma propiedad ó parámetro. Mediciones independientes implica que la
rastreabilidad del proceso de medición secundario se deriva de una cadena a parte de
eventos de calibración de aquellos usados para la medición inicial. Los PAMs
pueden incluir el uso del control estadístico de los procesos (SPC) para rastrear la
estabilidad de largo plazo de un proceso de medición.
Nota: ANSI/NCSL Z540.3 e ISO 10012 cada una ofrecen modelos para muchos de
los elementos de un sistema de calibración.
Cuando el evento de calibración es ejecutado por un proveedor independiente, extero

ó comercial de servicios de calibración, el sistema de calibración del proveedor de
servicios mismo puede (ó pudiera) estar verificado a través del acreditamiento en
ISO/IEC 17025. Cuando algún laboratorio calificado no esté disponible para un
cierto tipo de equipo, los servicios de calibración pueden ser ejecutados por el
fabricante del equipo mismo.
Valor Verdadero La META del proceso de medición es el valor “verdadero” de la parte. Es deseable
que cualquier lectura individual esté lo más cerca (y económicamente posible) con
este valor. Desafortunadamente, el valor verdadero nunca puede ser conocido con
certeza. Sin embargo, la incertidumbre puede minimizarse usando un valor de
referencia basado en la definición operacional bien definida de una característica, y
usando los resultados de un sistema de medición con una discriminación de alto
orden y rastreable con NIST. Debido a que el valor de referencia es usado como un
substituto del valor verdadero, estos términos se usan comúnmente y en forma
intercambiable. No se recomienda este uso.
11
12
Capítulo l – Sección B
El Proceso de Medición
Sección B
El Proceso de Medición3
Sistemas de Medición
A fin de administrar efectivamente la variación de cualquier proceso se requiere

tener conocimiento de
• Lo que el proceso debiera estar haciendo

• Lo que puede estar mal
• Lo que el proceso está haciendo
Los requerimientos de especificaciones e ingeniería definen lo que un proceso
debiera estar haciendo.
El propósito de un Análisis de Modos y Efectos de Fallas de un Proceso4

(AMEFPs) es definir los riesgos asociados con fallas potenciales del proceso
mismo y proponer acciones correctivas antes de que estas fallas puedan ocurrir. El
resultado de un AMEFP es transferido a un plan de control.
Se adquiere o logra conocimiento de lo que el proceso está haciendo evaluando los

parámetros o resultados del proceso mismo. Esta actividad, a menudo llamada
como inspección, es la acción de examinar los parámetros de un proceso, las partes
en proceso, los subsistemas ensamblados o los productos completos con la ayuda
de patrones adecuados y dispositivos de medición que permitan al observador
confirmar o negar la premisa de que el proceso está operando en forma estable y
con una variación aceptable con respecto a la meta designada por el cliente. Sin
embargo esta actividad de examen es en sí un proceso.
Proceso General
Entradas Operación Resultados
Proceso de Medición
Proceso Decisión
Mediciones Análisis
Administrativo
Valor
Desafortunadamente, la industria ha visto tradicionalmente la actividad de análisis y

mediciones como una “caja negra” el equipo ha sido el enfoque principal-la
característica más “importante, loo más caro de un gage. La utilidad de un
instrumento, su compatibilidad con el proceso y el medio ambiente y su facilidad de
uso fueron raramente cuestionados. Consecuentemente estos gages no fueron
usados apropiadamente o simplemente no eran usados.
3
Secciones de este capítulo se adaptaron con el permiso de Análisis de Sistemas de Medición – Un Tutorial por G.F.
Gruska y M.S. Heappy, La Tercer Generación, 1978, 1998.
4
Ver Manual de Referencia de Análisis de Modos y Efectos de Fallas Potenciales (AMEF) – 4a Edición.
13
La actividad de mediciones y análisis es un proceso - un proceso de medición.

Alguna o todas las técnicas de administración, estadísticas y lógicas del control del
proceso pueden aplicarse a dicha actividad.
Esto significa que los clientes y sus necesidades deben primero ser definidas.
El cliente, dueño del proceso, quiere tomar decisiones correctas y con el
mínimo de esfuerzo. La administración debe ofrecer recursos para compra de
equipo que sea necesario y suficiente para hacer esto. Aunque la compra de la
mejor o más reciente tecnología de medición no necesariamente garantiza
correctas decisiones en el control del proceso de producción.
El equipo es solo una parte del proceso de medición. El dueño del proceso debe
saber como usar correctamente dicho equipo y como analizar e interpretar
resultados. La administración debe también ofrecer claras definiciones
operacionales o patrones así como entrenamiento y soporte. El dueño del proceso
en turno tiene la obligación de monitorear y controlar el proceso de medición para
asegurar resultados estables y correctos y los cuales incluyan una perspectiva total
del análisis de los sistemas de medición – el estudio del gage, procedimiento,
usuario y medio ambiente; ej., condiciones normales de operación.
Propiedades Un sistema de medición ideal produciría solo mediciones “correctas” cada vez que
Estadísticas de los se usara. Cada medición acordaría siempre con alguna norma ó estándar.5 Un
sistema de mediciones que pudiera producir mediciones como tales sería aquel que
Sistemas de Medición tuviera propiedades estadísticas de varianza cero, sesgo cero y probabilidad cero
de clasificar incorrectamente cualquier producto medido. Desafortunadamente, los
sistemas de medición con tales propiedades deseables raramente existen, y los
gerentes de procesos, generalmente son forzados a usar sistemas de medición que
tienen menos propiedades estadísticas deseables. La calidad de un sistema de
medición es generalmente determinada solo por propiedades estadísticas de los
datos que produce en el tiempo. Otras propiedades, tales como costo, facilidad de
uso, etc., son también importantes y contribuyen a un buen sistema de medición
global. Aunque son las propiedades estadísticas de los datos producidos lo que
determina la calidad del sistema de medición.
Las propiedades estadísticas que son más importantes para un uso no son las más
importantes para otro. Por ejemplo, para algunos usos de las máquinas de medición
de coordenadas (MMC), las propiedades estadísticas más importantes son sesgo y
varianza “pequeños”. Una MMC con dichas propiedades genera mediciones que
son “cercanas” a los valores certificados de patrones rastreables. Los datos
obtenidos de tal máquina pueden ser muy útiles para analizar un proceso de
manufactura. Aunque no importa lo “pequeño” del sesgo y la varianza que la
maquina MMC pueda tener, el sistema de medición que use la MMC puede no ser
capaz de hacer un trabajo aceptable de discriminación entre productos buenos y
malos debido a fuentes adicionales de variación introducidas por otros elementos
del sistema de medición mismo.
5
Para una discusión más completa sobre el asunto de estándares ó normas, ver Out of the Crisis, W. Edwards Dreaming,
1982, 1986, p. 279-281.
14
La administración tiene la responsabilidad de identificar las propiedades

estadísticas más importantes para el uso final de los datos. La administración tiene
también la responsabilidad de asegurar que dichas propiedades sean usadas como
una base para la selección de un sistema de medición. Para lograr esto, se requieren
las definiciones operacionales de las propiedades estadísticas, así como métodos
aceptables de medición de éstas. Aunque cada sistema de medición puede requerir
contar con diferentes propiedades estadísticas, existen ciertas propiedades
fundamentales que definen un “buen” sistema de medición. Estas incluyen:
1) Discriminación y sensibilidad adecuados. Los incrementos de medición

debieran ser pequeños relativos a la variación del proceso o límites de
especificación para propósitos de mediciones. La comúnmente conocida como
regla 10 o regla 1 a 10, establece que la discriminación del instrumento debiera
dividir la tolerancia (o variación del proceso) en 10 partes o más. Esta regla
empírica tiene la intención de ser un punto mínimo inicial y práctico para
selección de gages.
2) El sistema de medición debe estar en control estadístico.6 Esto significa que

bajo condiciones repetidas, la variación en el sistema de medición es debida
solo a causas comunes y no a causas especiales. Esto puede referirse como
estabilidad estadística y es mejor evaluado por métodos gráficos.
3) Para control del producto, La variabilidad del sistema de medición debe ser
pequeña comparada con los límites de especificación. Evalúa el sistema de
medición con respecto a las tolerancias de la característica.
4) Para control del proceso, la variabilidad del sistema de medición debe

demostrar una resolución efectiva y ser pequeño comparado con la variación
del proceso de manufactura. Evalúa el sistema de medición con la variación de
un proceso 6- sigma y/o la variación total del estudio MSA.
Las propiedades estadísticas del sistema de medición pueden cambiar

conforme los artículos a ser medidos varíen. Si es así, entonces la variación
más grande (peor) del sistema de medición es pequeña en relación a lo más
pequeño de la variación del proceso o de los límites de especificación.
Fuentes de Variación Similar a todos los procesos, el sistema de medición es impactado por fuentes de
variación aleatorias y sistemáticas. Estas fuentes de variación son debidas a causas
comunes y especiales. A fin de controlar la variación de un sistema de medición:
1) Identifica las fuentes potenciales de variación.
2) Elimina (cuando sea posible) o monitorea estas fuentes de variación.
6
El analista de mediciones siempre debe considerar significancias prácticas y estadísticas.
15
Aunque las causas especiales dependen de la situación, pueden identificarse

algunas fuentes de variación típicas. Existen diferentes métodos para presentar y
categorizar estas fuentes de variación tales como diagramas de causas y efectos,
diagramas de árbol de falla, etc., aunque los lineamientos presentados aquí se
enfocan a elementos principales de un sistema de medición.
P Patrón El acrónimo PPIPM7 es usado para representar los seis elementos esenciales de un
P Pieza de Trabajo (ej., parte) sistema de medición en general para asegurar el logro de los objetivos requeridos.
I Instrumento P.P.I.P.M. significa Patrón, Pieza de Trabajo, Instrumento, Persona y
P Persona/Procedimiento Procedimiento y Medio Ambiente. Este puede tomarse como un modelo de
errores para un sistema de medición completo.8
M Medio Ambiente
Los factores que afectan estas seis áreas necesitan ser entendidos de manera que
puedan ser controlados o eliminados.
La figura I-B 1 despliega un diagrama de causas y efectos que muestra algunas de

las fuentes de variación potenciales. Dado que las fuentes actuales de variación
que afecten un sistema de medición son únicas a dicho sistema esta figura se
presenta como un punto inicial para desarrollar las fuentes de variación de
un sistema de medición.
7
Este acrónimo fue desarrollado inicialmente por Ms. Mary Hoskins, una metrologista asociada con Honeywell, el
laboratorio de metrología Eli Whitney y Bendix Corporation.
8
Ver apéndice F para un modelo alternativo de errores, P.I.S.M.O.E.A.
16
Pieza de Trabajo
(Parte) Instrumentos Diseño
Figura I-B 1: Diagrama de Causas y Efectos de la Variabilidad de un Sistema de Medición
Vías
(Gages) Uso
Características Amplificación
Interrelacionadas Variación de Robustercer
Construcción Contacto Geométrico
mass Limpieza Construcción Tolerancia de Estabilidad

Deformación Construcción
Efectos de Deformaciones
Elástica
Propiedades Linealidad
Elásticas
Soportes Futuros Decuación de Datos Validación del Diseño Sensibilidad Consistencia
- camping
- Localización
- Puntos de Mediciones Uniformidad
Geometría - Pruebas de Mediciones
Estabilidad
Calibración
Definición Operacional
Mantenimiento Repetibilidad
Coeficiente de Variabilidad
Expansión Térmica Rastreabilidad Reproducibilidad
Calibración
Propiedades Elásticas p.m.
Variabilidad en los
17
Sistemas de
Estándar Compatibilidad Medición
Geométrica Luz
Contaminación Educacional Experiencia
Sol
Caida deAire Artificial
de Aire Físico Entrenamiento
Expansión gente
Térmica Limitaciones
Vibración Definición
Componentes Operacional Habilidades
Patrones Visuales Experiencia
Igualación – Sistema de Iluminación Procedimiento Entrenamiento

Componentes Ciclos
Temperatura Estándar vs Ambiental Estrés

Actitud Entendimiento
Personal
Ambiental (Evaluador)
Ergonómicos
Efectos de la Variabilidad de los Sistemas de Medición

Debido a que un sistema de medición puede ser afectado por varias fuentes de
variación, lecturas repetidas sobre la misma parte no producen un mismo e idéntico
resultado. Las lecturas varían una de otra debido a causas comunes y especiales.
Los efectos de las diferentes fuentes de variación en un sistema de medición

debieran evaluarse en periodos de tiempo cortos y largos. La capacidad de un
sistema de medición es el error (aleatorio) del sistema de medición mismo en un
periodo de tiempo corto. La combinación de errores es cuantificada con la
linealidad, uniformidad, repetibilidad y reproducibilidad. El desempeño de un
sistema de medición, así como el desempeño de un proceso, es el efecto de todas
las fuentes de variación en el tiempo. Esto se logra determinando si nuestro proceso
está en control estadístico (ej., estable y consistente; variaciones debidas solo a
causas comunes), está sobre meta (sin sesgo) y tiene una variación aceptable
(repetibilidad y reproducibilidad de gages) (RRGs)) sobre un rango de resultados
esperados. Esto incrementa la estabilidad y consistencia a la capacidad de un
sistema de medición.
Debido a que los resultados de un sistema de medición son usados

para toma de una decisión acerca del producto y el proceso, el efecto
acumulativo de todas las fuentes de variación es a menudo error del
sistema de medición, o algunas veces solo “error”.
Efectos en las Después de medir una parte, una de las decisiones que pueden tomarse es
Decisiones determinar el status de dicha parte. Históricamente, se determinaría si la parte fue
aceptable (dentro de especificaciones) o no aceptable (fuera de especificaciones).
Otro escenario común es la clasificación de partes en categorías específicas (ej.,
tamaños de pistones).
Para el resto de la discusión, y como un ejemplo, la situación de las dos

categorías será usada: fuera de especificación (“malo”) y dentro de
especificaciones (“bueno”). Esto no restringe la aplicación de la
discusión a otras actividades de categorización.
Otras clasificaciones adicionales pueden ser retrabajable, recuperable o

desperdicio. Bajo la filosofía de control del producto esta actividad de clasificación
sería la razón principal para medir una parte. Aunque, con la filosofía de control
del proceso, El interés se orienta ya sea a la variación de la parte debida a causas
comunes o a causas especiales del proceso.
Filosofía Interés
Control del producto ¿Está la parte en una categoría
específica?
Control del proceso ¿Es la variación del proceso estable y
aceptable?
Tabla I-B1: Filosofía de Control e Interés Guía
18
La siguiente sección trata de los efectos de los errores en las mediciones en la decisión de
un producto. Posterior a ello existe una sección que aborda el impacto sobre decisiones
del proceso.
Efectos en las A fin de entender mejor el efecto de errores en los sistemas de medición sobre las
Decisiones de decisiones del producto, considerar el caso donde toda la variabilidad en las lecturas
múltiples de una sola parte es debida a la repetibilidad y reproducibilidad del gage. Esto
Productos es, el proceso de medición está en control estadístico y tiene un sesgo de cero.
Puede tomarse a veces una mala decisión cuando alguna parte de la distribución de la
medición arriba indicada se traslape sobre un límite de especificación. Por ejemplo, una
parte buena puede algunas veces declararse “mala” (error tipo I, riesgo del productor o
falsa alarma) si:
y, una parte mala algunas veces puede declararse como “buena” (error tipo II), riesgo del
consumidor o proporción perdida) si:
NOTA: Proporción de Falsa Alarma + Proporción de Perdida = Proporción de

Error.
RIESGO es la probabilidad de tomar una decision que sera en detrimiento a un

individuo ó proceso
Esto es, con respecto a los límites de especificación, el potencial de tomar decisiones
equivocadas para una parte existe solo cuando el error de los sistemas de medición
interfecta a los límites de especificación. Esto ofrece tres diferentes áreas:
19
LSL USL
I II III II I
Meta
donde:
I Partes malas siempre serán declaradas como malas
II Potencial de tomar una decisión equivocada
III Partes buenas siempre serán declaradas como buenas
Dado que el objetivo es maximizar las CORRECTAS decisiones relativas al status del
producto, existen dos opciones:
1) Mejorar el proceso de producción: reducir la variabilidad del proceso de forma tal
que las partes no se fabriquen en las áreas II.
2) Mejorar el sistema de medición: reducir el error del sistema de medición para reducir
el tamaño de las áreas II de tal forma que todas las partes que sean fabricadas caigan
dentro del área III y por tanto minimicen el riesgo de tomar una mala decisión.
Esta discusión asume que el proceso de medición está en control estadístico y en meta. Si
alguno de estos supuestos es violado entonces existe una pequeña probabilidad de que un
valor observado conduzca a una correcta decisión.
Efecto en las Con el proceso en control, las siguientes necesidades deben establecerse:
Decisiones del • Control estadístico
Proceso • En meta
• Variabilidad aceptable
Como se explicó en la sección previa, el error en las mediciones puede generar

decisiones incorrectas acerca de un producto. El impacto en las decisiones del proceso
sería como sigue:
• Llamar a una causa común como una causa especial

• Llamar a una causa especial como una causa común
La variabilidad de los sistemas de medición puede afectar las decisiones en relación a la

estabilidad, meta y variación de un proceso. La relación básica entre la variación del
proceso actual y observada es:
20
σ2obs = σ2actual + σ2msa
donde
σ2obs = varianza observada del proceso
σ2actual = varianza del proceso actual
σ2msa = varianza del sistema de medición
El índice de habilidad9 Cp es definido como
Rango de Tolerancia
Cp = 6σ
La relación entre el índice Cp del proceso observado y los índices Cp del proceso actual y
el sistema de medición se deriva sustituyendo en la ecuación por Cp en la ecuación de la
varianza observada de arriba:
(Cp)-2obs = (Cp)-2actual + (Cp)-2msa
Asumiendo que el sistema de medición está en control estadístico y en meta, el Cp actual

del proceso puede compararse gráficamente con el Cp observado.10
Por tanto la habilidad del proceso observada es una combinación de la habilidad del
proceso actual más la variación debida al proceso de medición. Para alcanzar un objetivo
de habilidad de un proceso específico se requeriría factorizar la variación de las
variaciones.
Por ejemplo, si el índice Cp del sistema de medición fuera 2, el proceso actual requeriría
un índice de Cp mayor o igual que 1.79 a fin de lograr que el índice calculado
(observado) sea 1.33. Si el índice Cp del sistema de medición fuera en sí 1.33, el proceso
requeriría no contar con variación si el resultado final tuviera que ser 1.33 – que es
claramente una situación imposible.
9
Aunque esta discusión es usando Cp, los resultados se mantienen también para el índice de desempeño Pp.
10
Ver apéndice B para fórmulas y gráficas.
21
Aceptación de un Cuando un nuevo proceso tal como, maquinado, manufactura, estampado, manejo de
Proceso Nuevo material, tratamiento térmico o ensamble es comprado, existe a menudo una serie de
pasos que tienen que completarse como parte de la actividad de compra misma. Esto
involucra a menudo algunos estudios hechos en el equipo en la localización del
proveedor y luego en la localización del cliente.
Si el sistema de medición usado en cada localización no es consistente con el sistema de

medición con el que el equipo será usado y bajo circunstancias normales, entonces puede
generarse alguna confusión. La situación más común que involucra el uso de
instrumentos diferentes es el caso donde el instrumento usado con el proveedor cuenta
con un orden de discriminación mayor que el del instrumento de producción (gage). Por
ejemplo, las partes medidas con una maquina de coordenadas durante la compra y luego
con un gage de alturas durante la producción; las muestras medidas (ponderadas) en una
escala electrónica o en una escala de laboratorio mecánica durante la compra y luego
sobre una escala mecánica simple durante la producción.
En el caso donde el sistema de medición (de orden mayor) usado durante la compra
cuente con un RRG de 10% y el Cp actual del proceso sea de 2.0, el Cp observado del
proceso durante la compra será de 1.96.11
Cuando este proceso es estudiado en la producción y con el gage de producción, se

observará una mayor variación (ej., un Cp más pequeño). Por ejemplo, si el RRG del
gage de producción es del 30% y el Cp del proceso actual es todavía 2.0 entonces el Cp
del proceso observado será de 1.71.
El peor escenario será que el gage de producción no esté calificado pero sea usado. Si el
RRG del sistema de medición es actualmente del 60% (aunque tal hecho no sea conocido)
entonces el Cp observado sería de 1.28. La diferencia en el Cp observado de 1.96 versus
1.28 es debida al sistema de medición diferente. Sin este conocimiento puede haber
esfuerzos en vano en buscar ver lo que está mal del nuevo proceso.
11
Para esta discusión, asuma que no existe variación en el muestreo. En la realidad 1.96 será el valor esperado aunque los
resultados actuales varien alrededor de este valor.
22
Ajuste / Control del Con frecuencia las operaciones de manufactura utilizan una pieza en el comienzo
Proceso del día para verificar que el proceso esté sobre meta. Si la pieza medida está fuera
de meta, el proceso es entonces ajustado. Más tarde y el algunos casos otra pieza es
(Experimento del medida y otra vez el proceso puede ajustarse. El Dr. Deming se refiere a este tipo
Embudo) de mediciones y toma de decisiones como titubeo.
Considerar la situación donde el peso del acabado de un metal precioso sobre una
pieza esta siendo controlado sobre una meta de 5.00 gr. Suponer que los resultados
de la escala usados para determinar el peso varían en +0.20 gr pero esto no se sabe
dado que nunca fue hecho el análisis del sistema de medición. Las instrucciones de
operación requieren que el operador verifique el peso y haga ajustes cada hora en
base a una muestra. Si los resultados están fuera del intervalo de 4.90 a 5.10 gr
entonces el operador ajusta el proceso otra vez.
En el ajuste, suponer que el proceso está operando a 4.95 gr pero por el error en las
mediciones el operador observa 4.85 gr. De acuerdo a las instrucciones del
operador éste debe intentar ajustar el proceso hacia arriba por 0.15 gr. Ahora el
proceso está corriendo en 5.10 gr para una meta. Cuando el operador cheque el
ajuste ésta vez, observa 5.08 gr. de manera que permita al proceso trabajar. El
sobreajuste del proceso a agregado variación y continuará haciéndolo así.
Este es un ejemplo del experimento de embudo que el Dr. Deming usó para
describir los efectos del titubeo.12 El error en las mediciones complica el problema.
Cuatro reglas del experimento de embudo son:
Regla 1: No hacer ajustes o tomar acciones a menos que el proceso esté inestable.
Regla 2: Ajustar el proceso en una cantidad igual y en una dirección opuesta de

donde el proceso fue medido al último.
Regla 3: Restablecer el proceso hacia la meta. Luego ajustar el proceso en una
cantidad igual y en una dirección opuesta de la meta.
Regla 4: Ajustar el proceso al punto de la última medición.
Las instrucciones de ajuste para procesos de metales preciosos es un ejemplo de la

regla 3. Las reglas 2,3 y 4 agregan mayor variación en forma progresiva. La regla 1
es la mejor opción para provocar una variación mínima.
12
Deming, W. Edwards, Out of the Crisis, Massachussets of Technology, 1982, 1986.
23
Otros ejemplos del experimento de embudo son:
• Recalibración de gages en base a límites arbitrarios – ej., los límites no reflejan

la variabilidad del sistema de medición (regla 3).
• Restablecimiento de un patrón para el sistema de medición del control del

proceso después de un número arbitrario de usos sin alguna indicación o
historia de algún cambio (causa especial) (regla 3).
• Autocompensaciones que ajustan al proceso en base a las últimas partes

fabricadas (regla 2).
• En el entrenamiento del trabajo donde el operador A entrena al operador B y

quien más tarde entrena al operador C... sin material de entrenamiento estándar.
Similar al juego del “teléfono descompuesto” (regla 4).
• Las partes son medidas, y se encuentran fuera de meta, aunque al graficarse

sobre la gráfica de control el proceso se muestra estable – luego entonces no se
toma ninguna acción (Regla 1).
24
Capítulo l – Sección C
Planeación y Estrategia de las Mediciones
Sección C

La planeación es clave antes de diseñar o comprar un equipo o sistemas de
medición. Muchas decisiones hechas durante la etapa de planeación pudieran
afectar la dirección y selección de un equipo de medición. ¿Cuál es el propósito y
cómo será usado el resultado de una medición?. La etapa de planeación
establecerá el curso y tiene un efecto significativo en qué tan bien el proceso de
medición opere y puede reducir posibles problemas y errores de medición en el
futuro.
En algunos casos y debido al riesgo involucrado en los componentes a

ser medidos o por el costo y complejidad del dispositivo de medición el
cliente del FEO (Fabricante de Equipo Original) puede usar el proceso
APQP y decidir una estrategia de medición con el proveedor.
No todas las características del producto y proceso requieren sistemas de

medición y cuyo desarrollo cae en este tipo de escrutinio. Herramientas simples
de medición estándar como micrómetro o calibradores pueden no requerir ésta
estrategia de planeación a profundidad. Una regla empírica básica es si la
característica a medir en el componente o subsistema ha sido identificada en el
plan de control o es importante en la determinación de la aceptación del producto
o proceso. Otra guía sería el nivel de tolerancia asignado a una dimensión
específica. Sentido común es la guía en cualquier caso.
Complejidad El tipo, complejidad y propósito de un sistema de medición puede conducir a

diferentes niveles de administración de un programa, planeación estratégica,
análisis de sistemas de medición u otra consideración especial para la selección,
evaluación y control de las mediciones. Instrumentos y dispositivos simples de
medición (ej., reglas, cintas para medir, gages de atributos o límites ajustados)
pueden no requerir el nivel de administración, planeación o análisis que
demanden otros sistemas de medición complejos o críticos (ej., masters de
referencia, máquinas de coordenadas, stands de prueba, sistemas de gages en
línea y automatizados, etc.). Cualquier sistema de medición puede requerir
mayor o menor planeación estratégica y el escrutinio depende de la situación de
un producto o proceso dado. La decisión del nivel apropiado debe recaer en el
equipo APQP para el proceso de medición y los clientes. El grado actual de
involucramiento o implementación en muchas de las actividades abajo indicadas
debiera ser dirigido por el sistema de medición particular, las consideraciones
para el control de gages y el sistema de calibración de soporte, la profundidad en
el conocimiento del proceso y el sentido común.
25
Identificación del El primer paso es establecer el propósito de las mediciones y cómo serán
Propósito de un utilizadas. Un equipo multifuncional organizado en las etapas iniciales del
desarrollo del proceso de medición es crítico en el logro de esta tarea. Se hacen
Proceso de Medición consideraciones específicas en relación a auditorias, control del proceso, desarrollo
del producto y el proceso y análisis del “Ciclo de Vida de las Mediciones”.
Ciclo de Vida de las El concepto de Ciclo de Vida de las Mediciones expresa la creencia de que los
Mediciones métodos de medición pueden cambiar en el tiempo conforme uno aprende y mejora
el proceso. Por ejemplo, la medición puede iniciar en la característica de un
producto para establecer estabilidad y habilidad del proceso. Esto puede conducir
al entendimiento de características críticas para el control del proceso que
directamente afecten las características de una parte. La dependencia en la
información de la característica de una parte llega a ser menor y el plan de
muestreo puede reducirse para dar significado a este entendimiento (de 5 parte por
hora a una parte por turno). También, el método de medición puede cambiar en la
medición de una máquina de coordenadas a una forma de gage por atributos.
Eventualmente puede encontrarse que una pequeña parte del monitoreo puede
requerirse siempre y cuando el proceso se mantenga o la medición y monitoreo del
mantenimiento y el herramental pueda ser todo lo que se necesite. Al nivel de
mediciones le siguen el nivel de entendimiento del proceso.
La mayoría de las mediciones y monitoreos pudieran terminar eventualmente con

los proveedores de los materiales de recibo. La misma medición, sobre la misma
característica, en la misma área del proceso y sobre un periodo extenso de tiempo
es evidencia de una falta de aprendizaje o un proceso de medición estancado.
Criterios para Antes de que un sistema de medición pueda ser comprado, un detallado concepto
selección del Diseño de ingeniería del proceso de medición es desarrollado. Usando el propósito arriba
desarrollado, un equipo multifuncional de individuos desarrollará un plan y
de un Proceso de concepto para el sistema de medición requerido para el diseño. Aquí se presentan
Medición algunos lineamientos:
El equipo necesita evaluar el diseño del subsistema o componente e identificar

características importantes. Estas se basan en los requerimientos de los clientes y la
funcionalidad del subsistema o componente del sistema total. Si las dimensiones
importantes ya han sido identificadas, evaluar la capacidad para medir dichas
características. Por ejemplo, si la característica importante de un componente
plástico moldeado por inyección estuviera en una línea de moldeo de partes, el
chequeo dimensional sería difícil y la variación de las mediciones alta.
Un método para capturar aspectos clave similares a éstos sería el uso de AMEFPs
para analizar áreas de riesgos en el diseño de gages, tanto de su habilidad para
medir la parte como el gage de funcionalidad (AMEFDs y AMEFPs). Esto
ayudaría en el desarrollo de planes de mantenimiento y calibración.
Desarrolla un diagrame de flujo que muestre los pasos críticos del proceso en la
manufactura o ensamble de la parte o subsistema. Identifica las entradas y salidas
clave de cada paso en el proceso. Esto ayudara en el desarrollo de los criterios y
requerimientos del equipo de medición afectados por la localización en el proceso.
26
Capítulo l – Sección C
Un plan de mediciones y una lista de tipos de mediciones se obtendría de esta
investigación.13
Para sistemas de medición complejos, se hace un diagrama de flujo del proceso

de medición mismo. Esto incluiría el envío de la parte o subsistema a ser medido,
la medición en sí y el regreso de la parte o subsistema al proceso.
Luego utiliza algún método de tormenta de ideas con el grupo para desarrollar
criterios generales para cada medición requerida. Uno de los métodos simples a
usar es el diagrama de causas y efectos.14 Ver el ejemplo en figura 2 como un
punto inicial de pensamiento.
Algunas preguntas adicionales a considerar en relación a la

planeación de las mediciones:
• ¿Quién debe estar involucrado en el análisis de las “necesidades”? el

diagrama de flujo y la discusión inicial facilitarán la identificación de los
individuos clave.
• ¿Por qué debe tomarse la medición y cómo será utilizada? ¿Los datos
deberán usados para control, clasificación, calificación, etc.? La forma en
que las mediciones serán usadas puede cambiar el nivel de sensibilidad del
sistema de medición mismo.
• ¿Qué nivel de sensibilidad se requiere? ¿Cuál es la especificación del

producto? ¿Cuál es la variabilidad esperada del proceso? ¿Qué tanta
diferencia entre las partes necesitará detectar el gage?
• ¿Qué tipo de información será ofrecida con el gage (ej., manuales –

operación, mantenimiento, etc.) y qué habilidades básicas del operador son
requeridas? ¿Quién realizará el entrenamiento?
• ¿Cómo son tomadas las mediciones? ¿Serán hechas en forma manual, sobre
un transportador en movimiento, fuera de línea, en forma automática, etc.?
¿La localización de las partes y los posibles dispositivos son fuentes de
variación? ¿Es con o sin contacto?
• ¿Cómo serán calibradas las verificaciones y éstas serán comparadas con

otros procesos de medición? ¿Quién será responsable por los patrones de
calibración?
• ¿Cuándo y dónde serán tomadas las mediciones? ¿La parte estará limpia,
con aceite, caliente, etc.?
Recordar el uso de datos para sustentar supuestos comunes acerca del

proceso de medición. Es mejor estar seguros y recolectar datos del medio
ambiente, más que tomar decisiones en base a información equivocada y
tener un sistema desarrollado que no sea robusto en aspectos clave
ambientales.
13
Esto puede considerarse en un plan de control preliminar.
14
Ver Guía para el Control de Calidad, Kaoru Ishikawa, publicado por la organización asiática de productividad, 1986.
27
Investigación de Los métodos de medición actuales debieran investigarse previo a la inversión en

Varios Métodos de nuevo equipo. Los métodos de medición probados pueden ofrecer una operación
más confiable. Cuando sea posible, usa equipo de medición que cuente con
Procesos de registros de rastreo probados.
Medición
Diseño y Desarrollo Hacer referencia a “elementos sugeridos para un checklist de desarrollo de un

de Conceptos y sistema de medición” al final del capítulo I, sección D, cuando se desarrollen y
diseñen conceptos y propuestas.
Propuestas
Durante y después de la fabricación del equipo de medición y el desarrollo del
proceso de medición (métodos, entrenamiento, documentación, etc.) serán
realizados estudios experimentales y recolección de datos. Estos estudios y datos
serán usados para entender este proceso de medición de forma tal que dicho
proceso y procesos futuros puedan mejorarse.
28
Capítulo l – Sección D
Desarrollo de las Fuentes de Medición
Sección D
Introducción Esta sección aborda el esquema de tiempo para cotizaciones / suministros de la

vida de un proceso de medición se ha desarrollado para que sea una discusión
acerca del procesos de desarrollar un paquete de cotización del proceso de
PROCESO DE medición, obteniendo respuestas a dicho paquete, otorgando el proyecto,
MEDICIÓN
completando el diseño final, desarrollando el proceso de mejoramiento y,
ENTRADAS SALIDAS
finalmente, casando el proceso de medición con el proceso de producción para el
cual fue creado. Se recomienda fuertemente que este capitulo no sea usado sin la
lectura y entendimiento de la discusión completa acerca de los procesos de
medición. Para obtener el máximo beneficio de un proceso de medición, estudiarlo
y abordarlo como si fuera un proceso con entradas y salidas.15
Este capítulo fue escrito con la filosofía de equipo en mente. No es una

descripción de trabajo para el comprador o agente de compras. Las actividades
descritas aquí requieren del involucramiento de un equipo para completarse
exitosamente y debiera ser administrado dentro del esquema global de un equipo
de Planeaciones Avanzadas de Calidad de Productos (APQPs). Esto puede resultar
en un saludable juego entre varias funciones de equipos – conceptos que se
deriven del proceso de planeación pueden modificarse antes de que el proveedor
de gages llegue al diseño final que satisfaga los requerimientos del sistema de
medición.
Generalmente, el “proceso de adquisición” comienza con la comunicación formal

entre el cliente y el proveedor para un proyecto dado. La comunicación anticipada
es crucial para el éxito del proyecto. Dado que el trabajo básico y necesario para
una efectiva y futura relación se hace en esta etapa. El proceso de adquisición
comienza con la presentación formal del cliente del intento del proyecto en forma
de una Solicitud Para Cotización (SPC) seguida por la explicación formal del
proveedor de su propuesta para cumplir con este intento (Cotización). El cliente y
proveedores necesitan entender totalmente los requerimientos del proyecto, lo que
se tiene que entregar y los métodos con los cuales debe lograrse. Este
entendimiento se deriva de la comunicación oportuna y precisa entre las dos
partes.
Una vez que se ha acordado un concepto y se ha establecido una relación cliente /

proveedor para el proyecto en puerta, las actividades de diseño en detalle,
fabricación del proceso de medición y desarrollo pueden empezar. La
comunicación entre el cliente y el proveedor en este punto es especialmente
importante. Dado que puede haber varios niveles de aprobaciones de conceptos a
realizarse, y posibles cambios ambientales así como el potencial de cambio de los
miembros del equipo, el proyecto del proceso de medición pudiera ser titubeante a
aún fallar. Este riesgo se reduce si se mantiene una comunicación detallada y
frecuente y documentada entre el cliente y el proveedor y se designa la
responsabilidad formal (un individuo)por ambas partes para mantener
comunicación. El foro y formato ideal para esta actividad es el proceso APQP.
15
Ver Capítulo I, Sección B
29
Después de que el proceso de medición ha sido diseñado conceptualmente, las

actividades alrededor de la adquisición del proceso / sistema pueden empezar.
Coordinación de Idealmente con la prevalencia actual en el uso de Tolerancias y Dimensionamiento

Datos (Datum) Geométrico (GD&T) los datos necesitan ser coordinados (ej., hacerse idénticos) a
lo largo del proceso de manufactura y el sistema de medición, y esto necesita
establecerse muy anticipadamente en el proceso de APQP. La responsabilidad
inicial para esto puede dejarse en el ingeniero de diseño del producto, en el control
dimensional, etc. dependiendo de la organización específica. Cuando los esquemas
de datos no cuadren a lo largo del proceso de manufactura, particularmente en los
sistemas de medición, pueden medirse cosas equivocadas, puede haber problemas
de ajuste, etc., conduciendo a un control inefectivo del proceso de manufactura.
Puede haber ocasiones en que un esquema de datos usado en un ensamble final no

pueda cuadrar posiblemente con el usado en un proceso de manufactura de un
subcomponente. Cuando tal sea el caso, esto puede determinarse lo antes posible
en el proceso APQP, de forma tal que los miembros del equipo entiendan posibles
dificultades y conflictos que puedan aparecer adelante y cuenten con oportunidades
para hacer algo al respecto. Durante este proceso, diferentes esquemas de datos
pueden necesitar ser explorados a fin de entender el impacto de las diferencias.
Ciertas mercancías presentan propiedades que pueden producir más problemas que
otras, tal como, el centrado de un árbol de levas o alguna otra característica de
redondeo, cilíndrica o tubular. Por ejemplo, un árbol de levas debe ser
manufacturado sobre centros pero las propiedades importantes del producto están
en sus lóbulos. Un método o esquema de datos puede requerirse para la
manufactura mientras que otro esquema es requerido para la medición de un
producto final.
30
Prerrequisitos y Antes de discutir el desarrollo con el proveedor del gage, se asume que aspectos
Supuestos críticos tales como, diseño (GD&T) de ingeniería del producto “correcto” y el
diseño del proceso “correcto” (aquel que permita las mediciones en el tiempo y
localización en el proceso apropiados) se hallan resuelto. Sin embargo ésto no
debiera demeritar la consideración de éstos aspectos críticos con los miembros
del equipo apropiados y en forma anticipada en el proceso APQP.
Se asume que el proveedor del gage será involucrado en el proceso APQP con el
enfoque de equipo. El proveedor de gages desarrollará una clara apreciación del
A P proceso de producción global y el uso del producto de manera que se rol es
r
ea
Ac
an
entender no solo por él sino por otros en el quipo (manufactura, calidad,

tua
Pl
r
ingeniería, etc.).
Ha
io
Existe un pequeño traslape en algunas actividades o en el orden de estas

tud
ce
r
Es
S D actividades dependiendo del programa / proyecto particular u otras restricciones.

Por ejemplo, el equipo de APQP sin muchas entradas de una fuente de gages
puede desarrollar ciertos conceptos de gages. Otros conceptos pueden requerir la
pericia de la fuente de gages. Esto puede ser dirigido por la complejidad del
sistema de medición y una decisión del equipo acerca de lo que hace sentido.
Proceso de Selección de Fuentes de Gages
Desarrollo del Paquete de Cotización
Concepto de Antes de que el paquete de solicitud para cotización de un proceso de medición

Ingeniería Detallado pueda ser suministrado al proveedor potencial para propuestas formales, necesita
desarrollarse un concepto de ingeniería detallado del proceso de medición
mismo. El equipo de individuos que se emplee y sea responsable por el
mantenimiento y mejoramiento continuo del proceso de medición tiene
responsabilidades directas para desarrollar el concepto detallado. Esto puede ser
parte del equipo de APQP. Para desarrollar mejor este concepto, necesitan
responderse varias preguntas.
El equipo puede investigar varios aspectos críticos para ayudar a decidir que
dirección o camino será seguido para el diseño del proceso de medición. Algunos
pueden ser dictados o pesadamente implicados por el diseño del producto.
Ejemplos de multitudes de posibles aspectos críticos que necesiten ser abordados
por el equipo cuando se desarrolle un concepto detallado pueden encontrarse en
los “Elementos Sugeridos por el Checklist del Desarrollo de un Sistema de
Mediciones” al final de esta sección.
31
Todos los clientes a menudo confían fuertemente en proveedores para

soluciones. Antes de que un cliente aun proveedor sugiera soluciones
para problemas del proceso, los fundamentos e intento del proceso
necesitan ser totalmente entendidos y anticipados por el equipo que sea
dueño del proceso. Luego entonces el proceso es propiamente usado,
apoyado y mejorado.
Consideraciones de ¿Qué actividades debieran programarse para el mantenimiento preventivo (ej.,

Mantenimiento lubricación, análisis de vibraciones, integridad del medio de prueba, reemplazo de
partes, etc.)?. Muchas de estas actividades dependen de la complejidad del sistema
Preventivo de medición y el dispositivo o aparato. Gages simples pueden solo requerir una
inspección en intervalos regulares, mientras que sistemas más complejos pueden
requerir análisis estadísticos detallados y continuos y un equipo de ingenieros para
mantenerlos en un estado predictivo.
Las actividades del mantenimiento preventivo planeado debieran coincidir con la

iniciación de la planeación del proceso de medición. Muchas actividades tales
como drenado de filtros de aire diariamente, lubricado de piezas después de un
número designado de horas de operación, etc., pueden planearse antes de que el
sistema de medición se construya totalmente, y se desarrolle e implemente. De
hecho esto se prefiere y mejora la planeación anticipada y los costos en las
mediciones. Los métodos de recolección de datos y recomendaciones para
mantenimiento relacionadas con estas actividades pueden obtenerse del fabricante
original o desarrolladas por personal de ingeniería de planta, manufactura y
calidad. Después de que el proceso de medición es implementado y puesto en uso,
los datos que pertenezcan a la función del proceso de medición necesitan ser
recolectados y graficados en el tiempo. Métodos analíticos simples (gráficas de
corridas y análisis de tendencias) pueden realizarse para determinar la estabilidad
del sistema. Eventualmente, conforme el juicio de la estabilidad del sistema lo
dicte, pueden programarse rutinas de mantenimiento preventivo. La conducción
del mantenimiento preventivo sobre un sistema estable, y en base a información de
series de tiempo, será de menos desperdicio que la conducción del mantenimiento
preventivo sobre un sistema con técnicas tradicionales.
Especificaciones Las especificaciones sirven como lineamiento pare el cliente y el proveedor en el

diseño y construcción de un proceso. Estos lineamientos sirven para comunicar
estándares aceptables. Los estándares o patrones aceptables pueden considerarse
en dos categorías.
• Estándares de diseño
• Estándares construidos
El formato de los estándares de diseño puede ser diferente dependiendo de quien

está pagando el proyecto. Aspectos clave de costos pueden afectar el formato.
32
Generalmente es una buena idea contar con un diseño documentado y en detalle

suficiente de manera que el diseño mismo pueda ser construido o reparado para su
intento original por cualquier constructor calificado – sin embargo, esta decisión
puede ser dirigida por costo y criticalidad. El formato requerido del diseño final
puede estar en forma de CAD o dibujos de ingeniería en papel. Puede involucrar
normas de ingeniería seleccionadas de FEOs, SAE, ASTM u otra organización, y el
proveedor de gages debe tener acceso al más reciente nivel y entender estas
normas. Los FEOs pueden requerir el uso de normas particulares en las fases de
diseño o construcción y pueden aún requerir aprobaciones formales antes de que el
sistema de medición pueda ser liberado para su uso.
Las normas de diseño detallarán el método de comunicar el diseño mismo (CAD –

ej., CATIA, Unigrafics, IGES, copia manual, etc.) para el fabricante. Puede
también cubrir normas de desempeño para un sistema de medición más complejo.
Las normas o estándares construidos cubren tolerancias en las cuales el sistema de

medición debe ser construido. Las tolerancias de construcción deben basarse en la
combinación de las habilidades del proceso usado para fabricar el gage o
componente del gage y la criticalidad de la medición esperada. La tolerancia
construida no debe ser ofrecida solo como un porcentaje de la tolerancia del
producto mismo.
Si se requieren dispositivos o sistemas por duplicado, una apropiada

planeación y estandarización pueden conducir a la intercambiabilidad y
flexibilidad.
El uso de componentes o subensambles estandarizados también conduce a

intercambiabilidad, flexibilidad, reducción de costos y, generalmente amenos
errores en las mediciones de largo plazo.
Evaluación de Conforme se reciban las cotizaciones, el equipo debe integrarse para revisarlas y
Cotizaciones evaluarlas. Ciertos puntos pueden hacerse notar:
C C 9 ¿Se cumplen los requerimientos básicos?

O O 9 ¿Existen algunos aspectos sobresalientes?
N T 9 ¿Alguno de los proveedores exhiben una condición excepcional y por qué?
C I (una condición excepcional pudiera ser una disparidad significativa con
E Z respecto al precio o envío – esto no necesariamente sería descontado como un
P A factor negativo – un proveedor pudo haber detectado un artículo de otros no
T C previsto).
O I 9 ¿Los conceptos promueven simplicidad y facilidad de mantenimiento?
O
N
APROBACIÓN
33
La documentación es algunas veces no-tomada en cuenta cuando se adquiere un

proceso de medición. La significancia que toma la documentación con respecto a
cualquier proyecto es a menudo mal entendida. La estrategia usual atrás de la
documentación es ofrecer un conjunto original de diseños mecánicos y eléctricos
(CAD o dibujos en papel) para el hardware del proceso de medición en el tiempo
del envío. Esto puede satisfacer los requerimientos iniciales de implementación,
aunque esta documentación no hace nada con respecto a definir puntos potenciales
para el montaje, sugerir posibles áreas problemáticas o describir como usar el
proceso. Por tanto, la documentación requerida para cualquier proceso debe incluir
más que el ensamble y dibujos detallados del equipo de medición.
La documentación efectiva de cualquier sistema sirve para el mismo propósito que

un buen mapa en un viaje. Por ejemplo, sugiere al usuario cómo llegar de un punto
a otro (instrucciones del usuario o gage). Ofrece al usuario rutas alternativas
posibles para alcanzar los puntos de destino deseados (guías de solución de
problemas o árboles de diagnóstico) si la ruta principal es bloqueada o cerrada.
Un paquete completo de documentación puede incluir:
• Conjunto reproducible de dibujos de ensamble y mecánicos detallados (CAD

o copia en papel) (incluyendo cualquier master requerido).
• Conjunto reproducible del cableado eléctrico, lógica y software.
• Lista de refacciones sugeridas de uso pesado o de puntos / detalles de

desgaste. Esta lista debiera incluir puntos que pueden requerir tiempos de
anticipación considerables para adquisición.
• Manuales de mantenimiento con dibujos de los equipos y los pasos para

ensamblar y desensamblar adecuadamente los componentes del equipo
mismo.
• Manuales definiendo los requerimientos de servicios para ajuste, puesta a

punto y operación y requerimientos de transporte del equipo.
• Guías de árboles de diagnóstico y solución de problemas.
• Reportes de certificación (rastreabilidad con NIST cuando aplique).
• Instrucciones de calibración.
• Manuales del usuario que puedan ser usados por el personal de soporte
técnico, el operador del sistema y el personal de mantenimiento.
La lista anterior puede ser usada como un cheklist al organizar un paquete de

cotización; sin embargo no necesariamente incluye todo.
El tema central aquí es comunicación. Dado que la documentación es una forma de

comunicación, el equipo y otros deben estar involucrados en cada nivel del
desarrollo del paquete de documentación del proceso de medición.
34
Calificación con el El gage o sistema de medición debiera ofrecer un layout dimensional y pruebas de
Proveedor funcionalidad completas, cuando aplique, con el proveedor del sistema de
medición antes del envío. Obviamente, el proveedor seleccionado debe contar con
equipo de medición y personal calificado en planta a fin de lograr esto. Si no,
debieran hacerse prearreglos para que se haga este trabajo en un laboratorio
independiente y externo calificado. Los resultados de tal layout dimensional y/o de
pruebas debieran obtenerse de acuerdo con el diseño del cliente y los estándares
construidos y ser completamente documentados y disponibles para revisión por el
cliente.
Después de un exitoso layout dimensional, el proveedor debiera ejecutar un
análisis del sistema de medición preliminar y formal. Esto otra vez requiere
nuevamente que el proveedor cuente con personal, conocimientos y experiencia
para lograr los análisis apropiados. El cliente debiera predeterminar con el
proveedor (y quizás con el FEO) exactamente que tipo de análisis se requiere en
este punto y debiera estar conciente de algún lineamiento que se requiera para el
proveedor. Algunos aspectos clave que puedan requerir discusión, negociación o
acuerdo común son:
• Objetivo del estudio MSA preliminar:
9 Repetibilidad del Gage (RG16) versus repetibilidad y reproducibilidad

(RRG)
9 Evaluación del sesgo y/o linealidad
9 Evaluación del propósito del cliente para las mediciones
• Cantidad de piezas, intentos y operadores en estudio
9 Criterios de aceptación
• Uso de personal del proveedor versus personal suministrado por el cliente
• Entrenamiento necesario para el personal

9 ¿Está calificado?
9 ¿Entiende la intención?
9 ¿Qué software pudiera utilizarse? Cualquier resultado que se logre en
este punto en el tiempo, debiera hacerse notar que este es meramente
preliminar y puede ser necesario un juicio para la aceptabilidad de los
resultados.
Envíos CHECKLIST
• ¿Cuándo debiera ser enviado el equipo?
• ¿Cómo debiera enviarse?
• ¿Quién retira el equipo del camión o vagón?
• ¿Se requieren seguros?
• ¿La documentación debiera enviarse con el hardware?
• ¿El cliente cuenta con el equipo apropiado para descargar el hardware?
• ¿Dónde será almacenado el sistema hasta el envío?
16 Ver Apéndice D
35
• ¿Dónde será almacenado el sistema hasta su implementación?
• ¿La documentación de envío está completa y fácilmente entendible para el

cargador, transportador, descargador y cuadrilla de instalación?
Generalmente, lo que se ha hecho para calificar el sistema de medición

Calificaciones con el
anteriormente con el proveedor y antes del envío debiera repetirse de alguna forma
Cliente con el cliente una vez que el envío se ha completado. Dado que ésta llega a ser la
primera oportunidad real para estudiar el sistema de medición en su ambiente
esperado, estándares de aceptación y métodos de análisis usados aquí debieran ser
considerados seriamente. La atención a detalle por todas las partes involucradas es
vital para el éxito eventual de un sistema de medición y el uso de datos que genere.
Antes de que cualquier análisis de mediciones comience después del recibo, el

sistema de medición debiera ejecutársele un layout dimensional completo para
confirmar que cumple con los requerimientos / normas de construcción. El alcance
de este layout puede balancearse contra el trabajo de layout hecho previamente con
el proveedor del sistema de medición y previo al envío, y la confiabilidad en la
calidad de los resultados de layout hechos con el proveedor así como la falta de
algún daño potencial por envío. Cuando se comparen los resultados antes y
después del envío, estar concientes de que es probable alguna diferencia en las
mediciones por la diferencia en los sistemas de medición.
Envío de La información que se requiere, como mínimo, para ayuda en la implementación y

Documentación arranque de cualquier sistema es la siguiente: (esta información debe ser enviada al
cliente previo al envío)
• Dibujos de CAD o en papel, si se requieren por el equipo
• Diagrama de flujo del proceso del sistema, cuando aplique.
• Manuales del usuario
9 Manual de servicio / mantenimiento

9 Lista de refacciones
9 Guía para solución de problemas
• Instrucciones de calibración
• Cualquier consideración especial
En principio, la documentación enviada necesita ser identificada como preliminar.

La documentación original o reproducible no necesita ser enviada en este tiempo
porque puede ser necesaria una revisión potencial después de su implementación.
De hecho, es una idea inteligente no tener el paquete de documentación original
enviado hasta después de que el sistema completo es implementado –
generalmente los proveedores son más eficientes en la actualización de la
documentación que los clientes.
36
Elementos Sugeridos para un Checklist del Desarrollo de un Sistema de

Medición
Esta lista debiera modificarse en base a la situación y tipo del sistema de medición. El
desarrollo del checklist final debiera ser el resultado de la colaboración entre el cliente y el
proveedor.
Aspectos clave del diseño y desarrollo de un sistema de medición:
¿Qué es lo qué se mide? ¿Qué tipo de característica es?
¿Es una propiedad mecánica? ¿Es dinámica o estática? ¿Es una propiedad eléctrica? ¿Existe una variación dentro de las
partes significativa?
¿Para qué propósito los resultados (salidas) del proceso de medición serán usados? ¿El mejoramiento de la
producción, monitoreo de la producción, estudios de laboratorio, auditorias de proceso, inspección de embarque e
inspección recibo responden a DOEs?
¿Quién usará el proceso? ¿operadores, ingenieros, técnicos, inspectores, auditores?
Entrenamiento requerido: Operador, personal de mantenimiento, ingenieros; salón de clases, aplicación práctica, periodo
de aprendizaje.
¿Se han identificado las fuentes de variación? Construir un modelo de errores (S.W.I.P.E. o P.I.S.M.O.E.A.) usando
equipos,, tormenta de ideas, conocimiento profundo del proceso, diagramas de causas y efectos o matrices.
¿Se ha desarrollado un AMEF para el sistema de medición?
Sistemas de medición flexibles vs dedicados: Los sistemas de medición pueden ser permanentes y dedicados o pueden
ser flexibles y tener la habilidad de medir diferentes tipos de partes; ej., gages, dispositivos de gages, máquinas de
medición por coordenadas, etc. Los gages flexibles serán más caros pero pueden ahorrar dinero en el largo plazo.
Contacto vs No Contacto: Confiabilidad, tipo de propiedad, plan muestra, costo, mantenimiento, calibración, habilidades
del personal requeridas, compatibilidad, medio ambiente, velocidad, tipos de probadores, deflexión de las partes,
procesamiento de imágenes. Esto puede determinarse con los requerimientos del plan de control y la frecuencia de las
mediciones (gages de contacto total pueden conseguir ajustes excesivos durante muestreos continuos). probadores de
superficie de contacto total, tipo de probador, jets de retroalimentación por aire, procesamiento de imágenes, MMC vs
comparador óptico, etc.
Medio Ambiente: ¿Polvo, humedad, temperatura, vibración, ruido, interferencia electromagnética (IEM), movimiento de
aire en el ambiente, contaminantes de aire, etc. el laboratorio, el piso de producción, oficina, etc.? El medio ambiente llega
a ser un aspecto clave con tolerancias bajas y ajustadas y en el nivel de micrones. También, en los casos en que MMC, los
sistemas de visiones, ultrasónico, etc. Esto podría ser un factor de auto-retroalimentación en proceso en los tipos de
mediciones. Aceite para corte, escombros para corte y temperaturas extremas pudieran llegar también a ser aspectos clave.
¿Se requiere que el área esté limpia?
Puntos de medición y localización: Define claramente, usando GD&T, la localización de los dispositivos y puntos de
sujeción y donde las mediciones de la parte sean tomadas.
Método de Arreglo: En estado libre vs parte sostenida y sujetada.
Orientación de la Parte: Posición del cuerpo contra otro.
Preparación de la Parte: La parte debiera estar limpia, sin aceite, con temperatura estabilizada, etc. Antes de la medición.
Localización del Transductor: Orientación angular, distancia de los localizadores primarios o redes.
37
Aspecto # 1 de Correlación – Gages Duplicados: ¿Se requieren los gages por duplicado (o más) dentro o entre plantas
para soportar los requerimientos? Consideraciones de construcción, de errores de medición y de mantenimiento. ¿Cuál es
considerado el estándar? ¿Cómo será calificado cada uno?
Aspecto #2 de Correlación- Divergencia en Métodos: La variación en las mediciones resulta de diferentes diseños de
sistemas de medición ejecutándose en el mismo producto / proceso y dentro de una práctica y límites de operación
aceptables (ej., resultados de mediciones de MMC vs manual o ajuste abierto).
Automatizado vs Manual: En línea, fuera de línea, dependencia del operador.
Mediciones de Pruebas Destructivas vs No Destructivas (PND): Ejemplos: prueba de tensión, prueba de cámara salina,
espesor de cubierta de pintura / acabado, dureza, medición dimesnional, procesamiento de imagen, análisis químico, estrés,
durabilidad, impacto, torsión, torque, fuerza de soldado, propiedades eléctricas, etc.
Rango Potencial de Medición: Tamaño y rango esperado de las mediciones concebidas.
Resolución Efectiva: ¿La medición es sensible a los cambios físicos (habilidad para detectar variación del proceso o
producto) para una aplicación particular y aceptable?
Sensibilidad: ¿La señal de entrada es la más pequeña en medida y la cual resulta en una señal de salida detectable
(discernible) y aceptable para la aplicación del dispositivo de medición). La sensibilidad se determina por el diseño y
calidad (FEO) inherente del gage, el mantenimiento en servicio y las condiciones de operación.
Aspectos Clave de Construcción de un Sistema de Medición (equipo, patrón, estandar, instrumento):
¿Se han abordado las fuentes de variación identificadas en el diseño del sistema? Revisiones de diseño; verificaciones
y validaciones.
Sistema de Control y Calibración: Programa de calibración recomendado y auditoria al equipo y documentación.

Frecuencia, interno o externo, parámetros, chequeos de verificación en proceso.
Requerimientos de Entradas: Mecánicos, eléctricos, hidráulicos, neumáticos, supresores de pico, secadores, filtros,
aspectos clave de ajuste y operación, aislamiento, discriminación y sensibilidad.
Requerimientos de Salidas / Resultados: Análogos o digitales, documentación y registros, archivo, almacenamiento,

recuperación, soporte.
Costo: Factores de presupuesto para el desarrollo, compra, instalación, operación y entrenamiento.
Mantenimiento Preventivo: Tipo, programa, costo, personal, entrenamiento, documentación.
Facilidad de Servicio: Interno y externo, localización, nivel de soporte, tiempo de respuesta, disponibilidad de partes para
servicio, lista de partes estándar.
Ergonomía: Habilidad de cargar y operar el equipo sin daños en el tiempo. La necesidad de discusiones sobre los
dispositivos de medición para orientarse en aspectos clave en cómo el sistema de medición es interdependiente con el
operador.
Consideraciones de Seguridad: Personal, operación, medio ambiente, protegido.
Almacenamiento y Localización: Establece los requerimientos alrededor del almacenamiento y localización del equipo
de medición. Aspectos clave de cubiertas, medio ambiente, seguridad, disponibilidad (proximidad).
Tiempo de Ciclo de la Medición: ¿Cuánto tiempo llevará medir una parte o característica? Ciclo de medición integrado al
control del proceso y el producto.
¿Habrá alguna interrupción al flujo del proceso, integridad del lote, para capturar, medir y devolver la parte?
38
Manejo de Materiales: ¿Existen racks especiales, dispositivos de sostén, equipo de transporte u otro equipo de manejo de
materiales necesarios para las partes a ser medidas o el sistema de medición mismo?
Aspectos Ambientales: ¿Existen algunos requerimientos ambientales especiales, condiciones, limitaciones, que afecten el
proceso de medición o procesos vecinos? ¿Se requiere que sea exhausto? ¿Es necesario el control de temperatura o
humedad? Humedad, vibración, ruido, IEM, limpieza.
¿Existen algunos requerimientos o condiciones de confiabilidad especiales? ¿Se mantiene el equipo en el tiempo?
¿Esto necesita verificarse antes del uso para producción?
Refacciones: Lista común, suministros adecuados y un sistema para ordenamiento en piso, disponibilidad, tiempos de
anticipación entendidos y tomados en cuenta. ¿Es adecuado y seguro el almacenamiento disponible (refacciones,
mangueras, cinturones, switches, solenoides, válvulas, etc.)?
Instrucciones del Usuario: Secuencia de sujeción, procedimientos de limpieza, interpretación de datos, gráficas, ayudas
visuales amplias. Disponibles y desplegadas apropiadamente.
Documentación: Dibujos de ingeniería, árboles de documentación, manuales del usuario, lenguaje, etc.
Calibración: Comparación con patrones aceptables. Disponibilidad y costo de patrones aceptables. Frecuencia
recomendada, requerimientos de entrenamiento. ¿Se requiere tiempo muerto?
Almacenamiento: ¿Se requieren requerimientos o consideraciones especiales relativos al almacenamiento del dispositivo
de medición? Cubiertas, medio ambiente, seguridad para daños / robos, etc.
A Prueba de Errores: ¿Errores del proceso de medición pueden conocerse para ser corregidos fácilmente (muy fácil) por
el usuario? Entradas de datos, uso incorrecto del equipo, aprueba de fallas o errores
Aspectos Clave de Implementación del Sistema de Medición (Proceso):
Soporte: ¿Quién dará apoyo al proceso de medición? Técnicos de laboratorio, ingenieros, producción mantenimiento,
servicios contratados y externos?
Entrenamiento: ¿Qué entrenamiento será necesario para los operadores / inspectores / técnicos, ingenieros para usar y
mantener el proceso de medición? Aspectos de tiempo, recursos y costo. ¿Quién entrenará? ¿Dónde se realizará el
entrenamiento? ¿Requerimientos para tiempos de anticipación? Coordinado con el uso actual del proceso de medición.
Administración de Datos: ¿Cómo serán administrados los resultados de datos del proceso de medición? Manuales,
computarizados, métodos de resumen, frecuencia en los resúmenes, métodos de revisión, frecuencia de revisiones,
requerimientos de los clientes, requerimientos internos. Disponibilidad, almacenamiento, recuperación, soporte, seguridad.
Interpretación de datos.
Personal: ¿Se requiere contratar personal para soportar el proceso de medición? Aspectos de costo, tiempo y
disponibilidad. Actual o nuevo.
Métodos de Mejoramiento: ¿Quién mejorará el proceso de medición en el tiempo? ¿Ingenieros o personal de producción,
mantenimiento, calidad? ¿Qué métodos de evaluación serán usados? ¿Existe un sistema para identificar mejoramientos
necesarios?
Estabilidad de Largo Plazo: Métodos de evaluación, formato, frecuencia, y necesidad de estudios de largo plazo.
Cambios, ajustes, contaminación, integridad operacional. ¿Estos errores de largo plazo pueden ser medidos, controlados,
entendidos y pronosticados?
Consideraciones Especiales: Atributos del inspector, limitaciones físicas o aspectos de salud: ceguera en color, visión,
esfuerzo, fatiga, ergonomía.
39
40
Capítulo l – Sección E
Aspectos Clave de las Mediciones
Sección E
Aspectos Clave en las Mediciones

Tres aspectos clave fundamentales deben abordarse en la evaluación de un sistema de
medición:
1) El sistema de medición debe demostrar sensibilidad adecuada.
9 Primero, ¿el instrumento (y patrón) cuentan con una discriminación adecuada?

La discriminación (o clase) es arreglada por diseño y sirve como el punto inicial
básico para seleccionar un sistema de medición. Típicamente, se aplica la regla
10, la cual establece que la discriminación del instrumento debiera dividir la
tolerancia o variación del proceso en 10 partes o más.
9 Segundo, ¿el sistema de medición demuestra una resolución efectiva? En
relación a la discriminación, determina si el sistema de medición tiene la
sensibilidad para detectar cambios en la variación del producto o proceso para la
aplicación y condiciones dadas.
2) El sistema de medición debe ser estable.
9 Bajo condiciones de repetibilidad, la variación del sistema de medición es

debida solo a causas comunes y no especiales (caóticas).
9 El analista de las mediciones debe considerar siempre significancias prácticas y
estadísticas.
3) Las propiedades estadísticas (errores) son consistentes sobre un rango esperado y

adecuadas para el propósito de las mediciones (control del producto o proceso).
La tradición de reportar los errores en las mediciones solo como un porcentaje de la

tolerancia es inadecuado para los retos del mercado, que ponen énfasis en
mejoramientos estratégicos y continuos del proceso mismo. Conforme los procesos
cambien y mejoren, el sistema de medición debe ser revaluado para su propósito
esperado. Es esencial para la organización (administración, planeador de las
mediciones, operador de producción y analista de calidad) entender el propósito de las
mediciones y aplicar evaluaciones apropiadas.
41
Tipos de Variaciones A menudo se asume que las mediciones son exactas, y frecuentemente los análisis
de los Sistemas de y conclusiones se basan en esta suposición. Un individuo puede fallar en
determinar si hay variación en el sistema de medición el cual afecta las mediciones
Medición individuales, y consecuentemente, las decisiones se basan en datos. El error de un
sistema de medición puede ser clasificado en 5 categorías: sesgo, repetibilidad,
reproducibilidad, estabilidad y linealidad.
Uno de los objetivos de un estudio de un sistema de medición es obtener

información relativa a la cantidad y tipos de variaciones de medición asociadas con
un sistema de medición cuando este interactúa con su medio ambiente. Esta
información es valiosa, dado que para el promedio del proceso de producción, es
mucho más práctico reconocer la repetibilidad y el sesgo en la calibración y
establecer límites razonables para estos, que ofrecer gages extremadamente exactos
con una muy alta repetibilidad. Las aplicaciones de tal estudio ofrecen lo siguiente:
• Un criterio para aceptar equipo de medición nuevo.
• Una comparación de un dispositivo de medición contra otro.
• Una base para evaluar un gage que se sospecha está deficiente.
• Una comparación para equipo de medición antes y después de su reparación.
• Un componente requerido para calcular la variación del proceso y el nivel de

aceptabilidad para el proceso de producción.
• Información necesaria para desarrollar una Curva de Desempeño de un gage

(CDG)17, el cual indica la probabilidad de aceptar una parte de un valor
verdadero.
Las siguientes definiciones ayudan a describir los tipos de errores o variaciones

asociados con un sistema de medición, de forma tal que cada término sea
claramente entendido para discusiones posteriores. Para cada definición se ofrece
una ilustración la cual despliega gráficamente el significado del término en
cuestión.
17
Ver Capítulo V, Sección C.
42
Definiciones y Definición Operacional

Fuentes Potenciales
de Variación “Una definición Operacional es aquella con la que la gente puede hacer negocios.
Una definición operacional con seguridad, redondeo, confiable o alguna otra
[característica]de calidad debe ser comunicable, con el mismo significado al
vendedor que al comprador, y el mismo significado que ayer y hoy para el
operador de producción. Ejemplo:
1) Una prueba específica de una pieza de material o ensamble.
2) Un criterio (o criterios) para juicio.
3) Una decisión: si o no, de si el objeto o material cumplió o no cumplió con

el criterio (o criterios)” 18
Estándar / Patrón
Un estándar es cualquier cosa que se tome por consenso general como una base
para comparación, un modelo aceptado. Puede ser un artefacto conjunto
(instrumentos, procedimientos, etc.) ajustado y establecido por una autoridad como
una regla para medición de cantidad, peso, alcance, valor o calidad.
El concepto de conjunto fue formalizado en la norma de ANSI/ASQC M1-1996 19.

Este término fue usado para enfatizar el hecho de que todas las influencias que
afecten las incertidumbres en las mediciones necesitan tomarse en cuenta; ej.,
medio ambiente, procedimiento, personal, etc. “un elemento simple de un conjunto
sería un grupo para la calibración de blocks de gages que consiste de un block
estándar de gages, un comparador, un operador, medio ambiente y el
procedimiento de calibración”.
Estándares / Patrones de Referencia
Un estándar generalmente de la más alta calidad metrológica disponible en una

cierta localización, de la cual se derivan las mediciones hechas en dicha
localización.
Equipo de Medición y Prueba (EMyP)
Todos los instrumentos de medición, estándares de medición, materiales de

referencia y aparatos auxiliares que sean necesarios para ejecutar una medición.
Estándar de Calibración
Un estándar que sirva como referencia en el desempeño de las calibraciones de

rutina. Con la intención de que actúe como un pulido entre la carga de calibración
y los estándares de referencia del laboratorio.
18
W. E. Deming, Out of the Crisis (1982, 1986) pag. 277.
19
Esta definición fue después actualizada como Equipo de Medición y Prueba ó EMyP por Estándares y Normas
Militares subsecuentes.
43
Estándar de Transferencia
Un estándar para comparar un estándar por separado de un valor conocido con una
unidad que ha sido calibrada.
Master
Un estándar usado como referencia en el proceso de calibración. También puede

ser definido como estándar de referencia o calibración.
Estándar de Trabajo
Un estándar cuya intención de uso sea ejecutar mediciones de rutina dentro del
laboratorio, no como un estándar de calibración, pero que puede ser usado como un
estándar de transferencia.
Se requiere dar una especial consideración a los materiales

seleccionados para un estándar. Los materiales empleados deben
reflejar el uso y alcance del sistema de medición, así como fuentes de
variación en base a tiempo tales como, factores de montaje y
ambientales (temperatura, humedad, etc.).
PATRON DE REFERENCIA Master

Equipo de Medición y Prueba
PATRON DE TRANSFERENCIA
PATRON DE CALIBRACION Master
PATRON DE TRANSFERENCIA
PATRON DE TRABAJO
Patrón de Chequeo
Figura I-E 1: Relación Entre los Diferentes Estándares
44
Estándar de Chequeo
Un artefacto de medición que reagrupa de una forma muy similar lo que el
proceso está diseñado para medir, pero que es inherentemente más estable que el
proceso de medición a ser evaluado.
Valor de Referencia
Un valor de referencia, también conocido cono valor de referencia aceptable o
valor master, es el valor de un artefacto o conjunto que sirve como una referencia
acordada para comparación. Los valores de referencia aceptables se basan en lo
siguiente:
• Se determinan por el promedio de varias mediciones con un equipo de
medición de más alto nivel (ej., laboratorio de metrología o equipo para
layout).
• Valores legales: definidos y obligados por la ley.
• Valores teóricos: basados en principios científicos.
• Valores asignados: basados en el trabajo experimental (y soportados por una

teoría razonable) de alguna organización nacional o internacional.
• Valores de consenso: basado en trabajo experimental colaborativo y bajo los

auspicios de un grupo científico o de ingeniería; definido por el consenso de
usuarios tales como organizaciones profesionales y de negocio y de
comercio.
• Valores por acuerdo: valores expresamente acordados por las partes

afectadas.
En todos los casos el valor de referencia requiere ser basado en una definición
operacional y en los resultados de un sistema de medición aceptable; para lograr
esto, el sistema de medición usado para determinar el valor de referencia debiera
incluir:
• Instrumentos con una resolución de mayor orden y con un error del sistema
de medición menor que los sistemas usados para evaluaciones normales.
• Estar calibrados con estándares rastreables con NIST u otro INM.

Valor Verdadero
El valor verdadero es la medida “actual” de una parte. Aunque este valor es
desconocido e irreconocible, es la meta del proceso de medición. Cualquier
lectura individual debe estar lo más cerca (y económicamente) posible a este
valor. Desafortunadamente, el valor verdadero nunca puede ser conocido con
certeza. El valor de referencia es usado como el mejor aproximado del valor
verdadero en todos los análisis. Dado que el valor de referencia es usado como
un equivalente como el valor verdadero, comúnmente estos términos son usados
en forma intercambiable. No se recomienda este uso20.
20
Ver también ASTM: E177-90a.
45
Discriminación
Discriminación es la cantidad de cambio de un valor de referencia que un

instrumento puede detectar y fielmente indicar. Esto es también referido como
facilidad de lectura o resolución.
La medida de esta habilidad típicamente es el valor de la graduación más

pequeña sobre la escala del instrumento. Si el instrumento cuenta con
graduaciones “toscas”, entonces puede usarse media graduación. Una regla
empírica general es que la discriminación del instrumento de medición debe
contar con al menos una décima del rango a medir.
Tradicionalmente este rango se ha tomado como una especificación del producto.

Recientemente la regla 10 a 1 se ha interpretado para significar que el equipo de
medición es capaz de discriminar al menos una décima de variación del proceso.
Esto es consistente con la filosofía de la mejora continua (ej., el enfoque del
proceso es una meta designada por el cliente).
Figura I-E 2: Discriminación
La regla empírica arriba indicada puede considerarse como un punto inicial para
determinar la discriminación dado que no incluye cualquier otro elemento de a
variabilidad de un sistema de medición.
Debido a las limitaciones económicas y físicas, el sistema de medición no percibe todas

las partes de la distribución de un proceso como si fueran características medidas por
separado o diferentes. En lugar de ello, las características medidas serán agrupadas por
los valores medidos en categorías de datos. Todas las partes de la misma categoría de
datos tendrán el mismo valor para la característica medida.
Si el sistema de medición no cuenta con una discriminación (sensibilidad o resolución

efectiva), puede no ser un apropiado sistema para identificar la variación del proceso o
cuantificar los valores de las características individuales de una parte. Si tal es el caso,
debieran usarse mejores técnicas de medición.
La discriminación es inaceptable para análisis si no puede detectarse la variación del

proceso, e inaceptable para control si no puede detectarse la variación por causas
especiales (ver Figura I-E 3).
46
Numero de Categorías Control Análisis

Puede ser usado solo para
control si:
• La variación del proceso es
• No Aceptable para estimar
pequeña comparada con las
índices y parámetros del
especificaciones.
proceso.
• La función de pérdida es
• Sólo indica si el proceso está
plana sobre la variación del
fabricando partes conformes
proceso esperada.
o no conformes.
• La fuente de variación
principal provoca un cambio
en el promedio.
• Puede ser usado con

técnicas de control de semi- • Generalmente no aceptable
variables basadas en la para estimar parámetro e
distribución del proceso. índices del proceso dado que
• Puede producir gráfica de sólo ofrece estimativos
control de variables no “burdos”.
sensibles.
• Puede ser usada con

gráficas de control para • Recomendable
variables.
Figura I-E 3: Impacto del Número de Categorías Distintas (NCD) de la Distribución del Proceso en
Actividades de Análisis y Control.
Síntomas de una discriminación inadecuada pueden aparecer en las gráficas de rangos.

La figura I-E 4 contiene dos conjuntos de gráficas de control derivadas de los mismos
datos. La gráfica de control (a) muestra la medición original con la más cercana
milésima de pulgada. La gráfica de control (b) muestra éstos datos redondeados a la más
próxima centésima de una pulgada. La gráfica de control (b) parece estar fuera de
control debido a los supuestos límites ajustados. Los rangos cero son más un producto
de redondeo que una indicación de la variación de un subgrupo.
Una buena indicación de una discriminación adecuada puede verse en la variación del
proceso para gráficas de rangos con SPC. En particular, cuando las gráficas de rangos
muestran solo uno, dos o tres posibles valores para el rango dentro de límites de control,
las mediciones se hacen con una discriminación inadecuada. También, si la gráfica de
rangos muestra cuatro posibles valores para el rango dentro de límites de control y más
de un cuarto de los rangos son cero, entonces las mediciones se han hecho con una
discriminación inadecuada. Otra buena indicación de una discriminación inadecuada es
sobre una gráfica de probabilidad normal donde los datos son estancados en paquetes en
lugar de fluir a lo largo de la línea de 45 grados.
47
Regresando a la figura I-E 4, la gráfica de control (b), existen solo dos posibles
valores para el rango dentro de límites de control (valores de 0.00 y 0.01). Por
tanto, la regla identifica correctamente la razón de falta de control por la
discriminación inadecuada (sensibilidad o resolución efectiva).
Este problema puede ser resuelto, por supuesto, cambiando la habilidad de detectar
la variación dentro de los subgrupos incrementando la discriminación de las
mediciones. Un sistema de medición cuenta con una discriminación adecuada si la
resolución aparente es pequeña relativa a la variación del proceso. Por tanto una
recomendación para una adecuada discriminación sería para una resolución
aparente tener a lo mucho una décima parte de seis sigma de desviación estándar
del proceso total en lugar de la regla tradicional la cual con una resolución aparente
sería a lo mucho una décima de la extensión de la tolerancia.
Eventualmente, existen situaciones que llegan a un proceso estable y altamente

hábil usando un sistema de medición estable y el “mejor en su clase” y en los
límites prácticos de tecnología. La resolución efectiva puede ser inadecuada y un
mejoramiento adicional del sistema de medición llega a ser impráctico. En estos
casos especiales, la planeación de las mediciones puede requerir técnicas
alternativas para el monitoreo del proceso. La aprobación por el cliente típicamente
es requerida en técnicas alternativas para el monitoreo del proceso.
48
Figura I-E 4: Gráficas de Control de Proceso21
21
La figura I-E 4 fue desarrollada usando datos de Evaluación de los Procesos de Medición, por Wheeler y Lyday,
derechos de copia 1989, SPC Press, Inc., Knoxville, Tennessee.
49
Variación del Para la mayoría de los procesos de medición, la variación total de las mediciones
Proceso de es usualmente descrita como una distribución normal. La probabilidad normal es
un supuesto de los métodos estándar para análisis de sistemas de medición. De
Medición hecho existen sistemas de medición que no son distribuidos normalmente. Cuando
esto pasa, y se asume normalidad, el método MSA puede sobre estimar el error del
sistema medición. El analista de mediciones debe reconocer y corregir
evaluaciones para sistemas con mediciones no normales.
Figura I-E 5: Características de la Variación de un Proceso de Medición
Variación de las Exactitud

Instalaciones
Un concepto genérico de lo exacto en relación a qué tan cerca se ha acordado entre
el promedio de uno o más resultados medidos y un valor de referencia. El proceso
de medición debe estar en estado de control estadístico, de lo contrario la exactitud
del proceso no tiene significado.
En algunas organizaciones la exactitud se usa en forma intercambiable con el

sesgo. La ISO (Organización Internacional para la Estandarización) y la ASTM
(American Society for Testing and Materials) se usa el término exactitud para
cubrir tanto el sesgo como la repetibilidad. A fin de evitar confusión que pudiera
resultar del uso de la palabra exactitud ASTM recomienda que se use el término
sesgo solo como un descriptor del error de localización. Esta política se seguirá en
este texto.
Sesgo
El sesgo es a menudo referido como “exactitud”. Debido a que la “exactitud” tiene

varios significados en la literatura, no se recomienda su uso como una alternativa
para “sesgo”.
50
Sesgo es la diferencia entre el valor verdadero (valor referencia) y el promedio

observado de las mediciones sobre la misma característica y la misma parte.
Sesgo es la medida del error sistemático del sistema

de medición. Es la contribución del error total
integrado por los efectos combinados de todas las
fuentes de variación, conocidas o no conocidas, cuya
contribución al error total tiende a compensar en
forma consistente y predecible todos los resultados de
aplicaciones repetidas del mismo proceso de
medición para el tiempo de las mediciones mismas.
Posibles causas para un sesgo excesivo son:
• El instrumento necesita calibración

• Instrumento, equipo o dispositivo desgastado
• Master dañado o desgastado, error en el master
• Calibración o uso de un master de ajuste inapropiados
• Instrumento de baja calidad – diseño o conformancia
• Error de linealidad
• Gage equivocado para la aplicación
• Diferente método de medición – ajuste, carga, sujeción, técnica
• Medición de característica equivocada
• Distorsión (del gage o la parte)
• Medio ambiente – temperatura, humedad, vibración, limpieza
• Violación a algún supuesto, error en la aplicación de una constante
• Aplicación – tamaño de la parte, posición, habilidad del operador, fatiga, error
de observación (facilidad de lectura, paralelismo)
El procedimiento de medición empleado en el proceso de calibración (ej., usando

“masters”) debiera ser lo más idéntico posible al procedimiento de medición de la
operación normal.
51
Estabilidad
Estabilidad (o cambio) es la variación total en las mediciones obtenida con un

sistema de medición sobre el mismo master o partes cuando se mida una
característica misma sobre un periodo de tiempo extenso. Esto es, la estabilidad
es un cambio en sesgo en el tiempo.
Posibles causas para inestabilidad incluyen:
• El instrumento necesita calibración, reducir el intervalo de calibración

• Desgaste normal u obsolescencia
• Mantenimiento deficiente – aire, energía eléctrica, hidráulico, filtros,
corrosión, oxidación, limpieza
• Master desgastado o dañado, error en el master
• Calibración o uso del master para ajuste inapropiados
• Instrumento de calidad deficiente – diseño o conformancia
• Falta de robustez en el diseño del instrumento o método
• Método de medición diferente – ajuste, carga, sujeción, técnica
• Distorsión (del gage o la parte)
• Cambio ambiental- temperatura, humedad, vibración, limpieza
• Violación a un supuesto, error en la aplicación de una constante
Linealidad
La diferencia de sesgo a través del rango (de medición) de operación esperado
del equipo es llamada linealidad. La linealidad puede tomarse como un cambio de
sesgo con respecto al tamaño.
52
Notar que la linealidad inaceptable puede venir en una variedad de sabores. No

asuma un sesgo constante.
Posibles causas para errores de linealidad incluyen:
• El instrumento necesita calibración, reducir el intervalo de calibración

• Mantenimiento deficiente – aire, energía eléctrica, hidráulica, filtros,
corrosión, oxidación, limpieza
• Masters desgastados o dañados, error en los masters – mínimo / máximo
53
• Calibración (no cubriendo el rango de operación) o uso de los masters de

ajuste inapropiados
• Calidad deficiente del instrumento – diseño o conformancia
• Falta de robustez del diseño del instrumento o método
• Diferente método de medición – ajuste, carga, sujeción, técnica
• Cambios de distorsión (del gage o la parte) con el tamaño de las partes
• Medio ambiente – temperatura, humedad, vibración, limpieza
• Violación a algún supuesto, error en la aplicación de una constante

Variación de Precisión
Amplitud
Tradicionalmente, la precisión describe el efecto neto de la discriminación,
sensibilidad y repetibilidad sobre un rango de operaciones (tamaño, rango y
tiempo) del sistema de medición. En algunas organizaciones la precisión se usa en
forma intercambiable con la repetibilidad. De hecho, la precisión es muy a menudo
usada para describir la variación esperada de las mediciones repetidas sobre el
rango de medición; tal rango puede ser tamaño o tiempo (ej., “un dispositivo es tan
preciso en el rango bajo como en el rango alto de medición”, o “tan preciso hoy
como ayer”). Uno podría decir que la precisión es qué tan repetible la linealidad es
con respecto al sesgo (aunque el primero es aleatorio y los otros son errores
sistemáticos). ASTM define la precisión en un sentido amplio para incluir la
variación de diferentes lecturas, gages, gente, laboratorios o condiciones.
Repetibilidad
Este es tradicionalmente referido como variabilidad “dentro del mismo evaluador”.

Repetibilidad es la variación en las mediciones obtenida con un instrumento de
medición cuando se use varias veces por un evaluador y midiendo la misma
característica y sobre la misma parte. Esta es la variación o habilidad inherente
del equipo mismo. Repetibilidad es comúnmente referida como la variación del
equipo (EV), aunque esto puede ser dudoso. De hecho, repetibilidad es una
variación de causa común (error aleatorio) de intentos sucesivos y bajo
condiciones definidas de medición. El mejor término para repetibilidad es
variación dentro del sistema cuando las condiciones de medición están ajustadas y
definidas – parte ajustada, instrumento, estándar, método, operador, medio
ambiente y supuestos. Adicional a la variación dentro del equipo, la repetibilidad
incluye todas las variaciones internas (ver más adelante) de cualquier condición en
el modelo de errores.
54
Posibles causas para una repetibilidad deficiente incluyen:
• Dentro de la parte (muestra): forma, posición, acabado en la superficie, cerilla,

consistencia de la muestra
• Dentro del instrumento: reparación, montaje, falla en el equipo o dispositivo,

calidad o mantenimiento deficiente
• Dentro del estándar: calidad, clase, montaje
• Dentro del método: variación en ajuste, técnica, restablecimiento a cero,

fijación, sujeción, densidad de punto
• Dentro del evaluador: técnica, posición, falta de experiencia, habilidad de

manejo o entrenamiento, sentimiento, fatiga
• Dentro del medio ambiente: fluctuaciones de ciclo corto en temperatura,

humedad, vibración, iluminación, limpieza
• Violación a algún supuesto – estable, operación apropiada
• Falta de robustez en el diseño del instrumento o método, uniformidad

deficiente
• Distorsión (del gage o la parte), falta de rigidez
• Aplicación – tamaño de la parte, posición, error de observación (facilidad de

lectura, paralelismo)
Reproducibilidad
Este tradicionalmente se refiere a la variabilidad “entre evaluadores”. La

reproducibilidad es típicamente definida como la variación en el promedio de las
mediciones hechas por diferentes evaluadores usando el mismo equipo de
medición cuando se mide la misma característica y sobre la misma parte. Esto a
menudo es verdad para instrumentos manuales influenciados por la habilidad del
operador. Esto no es verdad, sin embargo, para procesos de medición (ej., sistemas
automatizados) donde el operador no es una fuente principal de variación. Por esta
razón, la reproducibilidad se refiere a la variación promedio entre sistemas o entre
condiciones de medición.
La definición de ASTM v más allá de
esto para incluir potencialmente no
también diferentes: gages, laboratorios
y medio ambiente (temperatura,
humedad), así como el incluir la
repetibilidad en el cálculo de la
reproducibilidad.
55
Fuentes potenciales de errores en la reproducibilidad incluyen:
• Entre las partes (muestras): el promedio de las diferencias cuando se miden

tipos de partes A, B, C, etc. Usando el mismo instrumento, operadores y
método.
• Entre instrumentos: el promedio de las diferencias usando instrumentos A, B,

C, etc. Para las mismas partes, operadores y medio ambiente. NOTA: en el
estudio de error de reproducibilidad, éste a menudo se confunde con el método
y/u operador.
• Entre estándares: la influencia promedio de los diferentes estándares de ajuste

en el proceso de medición.
• Entre métodos: el promedio de las diferencias causado por cambiar las

densidades de punto, sistemas manuales vs automatizados, restablecimiento a
cero, métodos de sostenimiento o sujeción, etc.
• Entre evaluadores (operadores): la diferencia promedio entre operadores A, B,

C, etc. Causada por entrenamiento, técnica, habilidades y experiencia. Este es
un estudio recomendado para calificación del producto y el proceso y con un
instrumento de medición manual.
• Entre el medio ambiente: la diferencia promedio en las mediciones en el

tiempo 1, 2, 3, etc. Causado por ciclos ambientales; este es el estudio más
común para sistemas altamente automatizados en la calificación del producto y
el proceso.
• Violación de un supuesto en el estudio.
• Falta de robustez en el diseño del instrumento o método.
• Efectividad en el entrenamiento del operador.
• Aplicación – tamaño de la parte, posición, error de observación (facilidad de

lectura, paralelismo).
Como se mencionó en las dos definiciones anteriores, existen

diferencias en las definiciones usadas por ASTM y las usadas por este
manual. La literatura de ASTM se enfoca a evaluaciones entre
laboratorios con el interés de las diferencias de laboratorio a laboratorio
incluyendo el potencial por diferentes operadores, gages y medio
ambiente así como la repetibilidad dentro del laboratorio. Por tanto, sus
definiciones necesitan abarcar estas diferencias. Por normas de ASTM,
repetibilidad es lo mejor que el equipo estará bajo condiciones actuales
(un operador, un gage, corto periodo de tiempo) y reproducibilidad
representa más típicamente condiciones de operación cuando haya
variaciones de fuentes múltiples.
R&R de Gages o RRGs

El R&R de una gage es un estimativo de la variación combinada de la repetibilidad
y la reproducibilidad. Establecido de otra manera, el RRG es la varianza e igual a la
suma de las varianzas dentro y entre los sistemas.
56
σ2RRG = σ2reproducibilidad + σ2repetibilidad
Sensibilidad
Sensibilidad es la entrada más pequeña que resulte en una señal o resultado

detectable (usable). Es la respuesta del sistema de medición a cambios en la
propiedad medida. La sensibilidad es determinada por el diseño del gage
(discriminación), su calidad inherente (FEO), el mantenimiento en servicio y las
condiciones de operación del instrumento y estándar. Siempre es reportada como
una unidad de medida.
Los factores que afectan la sensibilidad incluyen:

• La habilidad para humedecer un instrumento
• Habilidad del operador
• Repetibilidad del dispositivo de medición
• La habilidad para ofrecer un cambio libre en la operación en el caso de gages
electrónicos o neumáticos
• Condiciones bajo las cuales el instrumento es usado tales como ambiente, aire,
polvo, humedad.
Consistencia
Consistencia es la diferencia en la variación de las mediciones tomadas en el

tiempo. Puede ser vista como repetibilidad en el tiempo.
UCL
•
• •
• • • • Promedio
•
• • • Rango
• •
• •
LCL
Los factores que impactan la consistencia son variaciones de causas especiales tales
como:
• Temperatura de las partes
• Calentamiento requerido para equipo electrónico
• Equipo desgastado
57
Uniformidad
Uniformidad es la diferencia en la variación a lo largo del rango de operación del

gage. Puede considerarse que existe homogeneidad (similitud) de la repetibilidad en
el tamaño.
Los factores que impactan la uniformidad incluyen:
• El dispositivo permite medidas más pequeñas / grandes para una posición

diferente
• Deficiente facilidad de lectura en la escala
• Paralelismo en la lectura
Variación de los Habilidad / Capacidad

Sistemas de
Medición La habilidad de un sistema de medición es un estimativo de la variación combinada
de los errores de medición (aleatorios y sistemáticos) y basados en una evaluación
de corto plazo. La habilidad simple incluye los componentes de:
• Sesgo o linealidad no corregidos
• Repetibilidad y reproducibilidad (RRG), incluyendo consistencia de corto plazo

Hacer referencia al capítulo III para métodos típicos y ejemplos para cuantificar
cada componente.
Un estimativo de habilidad de las mediciones, por tanto, es una expresión del error
esperado para condiciones definidas, alcance y rango del sistema de medición (a
diferencia de la incertidumbre en las mediciones, el cual es una expresión del rango
esperado del error o valores asociados con un resultado de medición). La expresión
de habilidad de variaciones combinadas (varianza) cuando los errores de las
mediciones no están correlacionados (aleatorios e independientes) puede
cuantificarse como:
σ2habilidad = σ2sesgo (linealidad) + σ2RRG
Hay dos puntos esenciales para entender y aplicar correctamente la habilidad de las
mediciones:
Primero, un estimativo de la habilidad siempre está asociado con un alcance de las

mediciones definido – condiciones, rango y tiempo. Por ejemplo, para decir que la
habilidad de un micrómetro de 25 mm es 0.1 mm es incompleta sin calificar el
alcance y rango de las condiciones de medición. Otra vez, esto es porque un modelo
de errores para definir un proceso de medición es muy importante. El alcance para
un estimativo de habilidad en las mediciones pudiera ser muy específico o una
declaración general de operación, sobre una porción limitada o un rango entero de
medición. En el corto plazo pudiera significar: la habilidad sobre una serie de ciclos
de mediciones, el tiempo para completar la evaluación RRG, un periodo
especificado de producción o el tiempo representado para la frecuencia de
58
calibración. Una declaración de habilidad en las mediciones no solo necesita ser
completo sino replicar en forma razonable las condiciones y rango de medición. Un
plan de control documentado pudiera servir para este propósito.
Segundo, la consistencia y uniformidad (errores de repetibilidad) de corto plazo

sobre el rango de las mediciones son incluidos en el estimativo de la habilidad. Para
un instrumento simple, tal como un micrómetro de 25 mm., la repetibilidad sobre el
rango completo de las mediciones usando operadores con habilidades se espera sea
consistente y uniforme. En este ejemplo, el estimativo de habilidad puede incluir el
rango completo de las mediciones para múltiples tipos de propiedades y bajo
condiciones generales. Los sistemas de mediciones de mayor rango o más
complejos (ej., una MMC) pueden demostrar errores en las mediciones de linealidad
(no corregida), uniformidad y consistencia de corto plazo sobre un rango o medida.
Debido a que estos errores se correlacionan no pueden combinarse usando la simple
fórmula lineal anteriormente mostrada. Cuando la linealidad (no corregida),
uniformidad o consistencia varían significativamente sobre un rango, el planeador
de las mediciones y analista tienen solo dos opciones prácticas:
1) Reportar la habilidad máxima (peor de los casos) para las condiciones

completas y definidas y el alcance y rango del sistema de medición o
2) Determinar y reportar evaluaciones múltiples de la habilidad para

porciones definidas del rango de medición (ej., rango bajo, medio, alto).
Desempeño
Así como en el desempeño del proceso, el desempeño del sistema de medición es el

efecto neto de todas las fuentes de variación significativas y determinables en el
tiempo. El desempeño cuantifica una evaluación de largo plazo de los errores
(aleatorios y sistemáticos) combinados de las mediciones. Por tanto, el desempeño
incluye componentes de error de largo plazo de:
• Habilidad (errores de corto plazo)
• Estabilidad y consistencia
Hacer referencia al capítulo III para métodos y ejemplos típicos para cuantificar
cada componente.
Un estimativo del desempeño en las mediciones es una expresión del error esperado
para condiciones definidas, alcance y rango del sistema de medición (a diferencia de
la incertidumbre en las mediciones, la cual es una expresión del error esperado del
rango o valores asociados con un resultado de medición). La expresión del
desempeño de la variación (varianza) combinada cuando los errores de las
mediciones no se correlacionan (aleatorios e independientes) puede cuantificarse
como:
σ2performance = σ2habilidad + σ2estabilidad + σ2consistencia
59
Otra vez, justo como en la habilidad de corto plazo, el desempeño de largo plazo
está siempre asociado con un alcance definido de las mediciones – condiciones,
rango y tiempo. El alcance para un estimativo del desempeño en las mediciones
pudiera ser muy específico o una declaración general de operación, sobre una
porción limitada o el rango completo de medición. En el largo plazo pudiera
significar: el promedio de evaluaciones de varias habilidades en el tiempo, el error
promedio en el largo plazo de una gráfica de control de mediciones, una evaluación
de los registros de calibración o estudios de linealidad múltiple, un promedio del
error de varios estudios RRG sobre la vida y rango del sistema de medición en
cuestión. Una declaración del desempeño en las mediciones necesita ser lo más
completo y razonable para representar las condiciones y rango de la medición.
La consistencia y uniformidad (errores de repetibilidad) de largo plazo sobre un

rango de mediciones está incluido en el estimativo de desempeño, El analista de las
mediciones debe estar conciente de la correlación potencial de errores a fin de no
sobreestimar el estimativo del desempeño. Esto depende de cómo los errores
componentes fueron determinados. Cuando la linealidad (no corregida),
uniformidad o consistencia de largo plazo varíen significativamente y sobre el
rango, el planeador de las mediciones y analista cuentan solo con dos opciones
prácticas:
1) Reportar el desempeño máximo (peor de los casos) para las condiciones

definidas completas, y el alcance y rango del sistema de medición, o
2) Determinar y reportar evaluaciones múltiples de desempeño para una

porción definida del rango de medición (ej., rango bajo, medio, alto).
Incertidumbre
La incertidumbre de las mediciones es definida por VIM como un “parámetro,
asociado con el resultado de una medición, que caracteriza la dispersión de los
valores que pudieran ser razonablemente atribuibles a lo medido”.22 Ver
capítulo 1, sección F, para más detalles.
Comentarios De los parámetros de un sistema de medición, la exactitud y la precisión son las

más familiares para el personal de operación, dado que éstos se usan en la vida
diaria así como en discusiones técnicas y de ventas. Desafortunadamente, estos
términos son también los menos claros dado que a menudo se toman como
intercambiables. Por ejemplo, si un gage es certificado por una agencia
independiente como exacto, o si el instrumento está garantizado para tener una alta
precisión por el vendedor, entonces se piensa incorrectamente que todas las
lecturas caerán muy cerca de los valores actuales. Esto no está conceptualmente
equivocado pero sí puede conducir a decisiones equivocadas acerca del producto y
proceso.
Esta ambigüedad afecta al sesgo y a la repetibilidad (como medidas de exactitud y

precisión). Es importante hacer notar que:
22
Lo medido es entonces definido por VIM como “la cantidad particular sujeta a medición”.
60
• El sesgo y la repetibilidad son independientes una de otra (ver Figura I-E 6).
• El controlar una de estas fuentes de error no garantiza el control de las otras.

Consecuentemente los programas de control de los sistemas de medición
(tradicionalmente referidos como Programas de Control de Gages) deben
cuantificar y rastrear todas las fuentes de variación relevantes.23
23
Ver también Capítulo I, Sección B.
61
Figura I-E 6: Relación entre Sesgo y Repetibilidad
62
Capítulo l – Sección F
Incertidumbre en las Mediciones
Sección F
La incertidumbre en las mediciones es un término usado internacionalmente para
describir la calidad de un valor de medición. Aún y cuando este término ha sido
tradicionalmente reservado para muchas de las mediciones de alta exactitud
ejecutadas en laboratorios de metrología o gages, muchos clientes y estándares ó
normas de sistemas de calidad requieren que la incertidumbre en las mediciones
sea conocida y consistente con la habilidad requeridas de las mediciones de
cualquier equipo de inspección, medición o prueba.
En esencia, la incertidumbre es el rango asignado a los resultados de las

mediciones que describe, dentro de un nivel de confiabilidad definido, el rango
esperado para contener los resultados de mediciones verdaderos. La
incertidumbre en las mediciones es normalmente reportada como una cantidad
bilateral. La incertidumbre es una expresión cuantificada de la confiabilidad en
las mediciones. Una expresión simple de este concepto es:
Medición verdadera = medición observada (resultado) + U
U es el término para la “incertidumbre expandida” de lo medido y el resultado de

la medición. La incertidumbre expandida es el error estándar combinado (uc), o
desviación estándar de los errores (aleatorios y sistemáticos) combinados en el
proceso de medición multiplicado por un factor de cobertura (k) que representa el
área de la curva normal para un nivel de confiabilidad deseado. Recordar que una
distribución normal a menudo se aplica como un supuesto o principio para los
sistemas de medición. La Guía para la Incertidumbre en las Mediciones de
ISO/IEC establece el factor de cobertura como suficiente para reportar la
incertidumbre al 95% de una distribución normal. Esto a menudo se interpreta
como k=2.
U = kuc
El error estándar combinado (uc) incluye todos los componentes significativos de

la variación del proceso de medición. En la mayoría de los casos, los métodos de
análisis de sistemas de medición ejecutados de acuerdo con este manual pueden
ser usados como una herramienta para cuantificar muchas de las fuentes de
incertidumbre en las mediciones. A menudo, el componente de error más
significativo puede ser cuantificado por σ2desempeño. Otras fuentes de error
significativas pueden aplicarse en base a la aplicación de las mediciones mismas.
Una declaración de incertidumbre debe incluir un alcance adecuado que

identifique todos los errores significativos y permita que las mediciones se
repliquen. Algunas declaraciones de incertidumbre construyen en el largo plazo,
otras en el corto plazo, el error del sistema de medición. Sin embargo, la
expresión simple puede ser cuantificada como:
u = σ2desempeño + σ
2 2
C otros
63
Capítulo l – Sección F
Es importante recordar que la incertidumbre en las mediciones es simplemente un

estimativo de que tanto puede variar una medición en el tiempo de la medición
misma. Debiera considerar todas las fuentes significativas de variación en las
mediciones en el proceso de medición además de los errores significativos de
calibración, patrones master, método, medio ambiente y otros no considerados
previamente en el proceso de medición. En muchos casos, este estimativo usa
métodos de MSA y RRG para cuantificar estos errores estándar significativos. Es
apropiado re-evaluar periódicamente la incertidumbre, relacionada ésta a un
proceso de medición para asegurar la exactitud continua del estimativo.
Incertidumbre en las La diferencia principal entre incertidumbre y MSA es que el MSA se enfoca a
Mediciones y MSA entender el proceso de medición, determinando la cantidad de error en el proceso
mismo, y evaluando la adecuación del sistema de medición para control del
producto y proceso. MSA promueve el entendimiento y mejoramiento (reducción
de la variación). La incertidumbre es el rango de los valores de medición,
definidos para un intervalo de confiabilidad y asociados con un resultado de
medición y esperados para incluir el valor verdadero de las mediciones.
Rastreabilidad en las La rastreabilidad es la propiedad de una medición o el valor de un estándar, tal

Mediciones que puede relacionarse con referencias establecidas, usualmente patrones
nacionales o internacionales, a través de una cadena ininterrumpida de
comparaciones y todas con incertidumbres establecidas. Por tanto el
entendimiento de la incertidumbre en las mediciones de cada enlace en la cadena
es esencial. Incluyendo las fuentes de variación de las mediciones de corto y largo
plazo que sean introducidas por el proceso de medición y la cadena de
rastreabilidad, la incertidumbre de las mediciones en le sistema de medición
pueden evaluarse asegurando que todos los efectos de rastreabilidad se tomen en
cuenta. Este, por tanto, puede reducir aspectos clave de correlación en las
mediciones.
Guía ISO para la La Guía para la Expresión de la Incertidumbre en las Mediciones (GIM) es una
Expresión de la guía de cómo la incertidumbre de las mediciones puede evaluarse y expresarse.
Aún y cuando ofrece al usuario un entendimiento de la teoría y establece
Incertidumbre en las lineamientos de cómo la incertidumbre en las fuentes de medición puede
Mediciones clasificarse y combinarse, y debiera ser considerado un documento de
referencia de alto nivel, no un manual tipo “como”. Ofrece una guía o
lineamiento al usuario en algunos de los tópicos más avanzados tales como,
independencia estadística de las fuentes de variación, análisis de sensibilidad,
grados de libertad, etc. que son críticos cuando se evalúan sistemas de medición
más complejos y/o de parámetros múltiples.
64
Capítulo I – Sección G
Análisis de Problemas de Mediciones
Sección G
El entendimiento de la variación de las mediciones y su contribución a lo que hace una
variación total necesita ser un paso fundamental en la solución básica del problema.
Cuando la variación en el sistema de medición excede todas las demás variables, llega a
ser necesario analizar y resolver aquellos aspectos clave antes de trabajar con el resto
del sistema. En algunos casos la contribución de la variación del sistema de medición es
pasada por alto o ignorada. Esto puede causar pérdida de tiempo y recursos conforme el
enfoque se hace al proceso mismo, cuando la variación reportada es actualmente
causada por el dispositivo de medición.
En esta sección se hace una revisión a los pasos básicos para solución de problemas y
se muestra como se relacionan al entendimiento de aspectos clave en un sistema de
medición. Cada compañía puede usar un proceso de solución de problemas y el cual el
cliente le haya aprobado.
Si el sistema de medición fue desarrollado usando métodos de este manual, la mayoría

de los pasos iniciales ya existen. Por ejemplo, un diagrama de causas y efectos puede ya
existir ofreciendo lecciones valiosas aprendidas del proceso de medición. Estos datos
deben ser recolectados y evaluados previo a cualquier solución formal de algún
problema.
Paso 1 Identifica los Aspectos Clave

Cuando se esté trabajando con sistemas de medición, como cualquier proceso, es
importante definir claramente el problema o aspecto clave. En el caso de aspectos clave
de mediciones, esto puede tomar forma de exactitud, variación, estabilidad, etc. El
aspecto importante a ser es tratar de aislar la variación de las mediciones y su
contribución, de la variación del proceso (la decisión puede ser trabajar en el proceso
más que trabajar en el dispositivo de medición). La declaración del aspecto clave
necesita ser una definición operacional que cualquiera entienda y sea capaz de actuar en
el aspecto en cuestión.
Paso 2 Identifica el Equipo

El equipo para solución de un problema, en este caso, depende de la complejidad del
sistema de medición y el aspecto clave. Un sistema de medición simple puede requerir
solo un par de gente. Pero conforme el sistema y aspecto clave lleguen a ser más
complejos el equipo puede crecer en tamaño (el máximo tamaño de un equipo debe
limitarse a diez miembros). Los miembros del equipo y la función que ellos representan
necesitan ser identificados en la hoja de solución de problemas.
Paso 3 Diagrama de Flujo del Sistema de Medición y el Proceso

El equipo revisaría cualquier diagrama de flujo histórico del sistema de medición y el
proceso. Esto llevaría a la discusión de información conocida y no conocida a cerca de
las mediciones y su interrelación con el proceso. El proceso de graficar el flujo puede
identificar miembros adicionales a agregar al equipo.
65
Capítulo I – Sección G
Paso 4 Diagrama de Causas y Efectos
El equipo revisaría cualquier diagrama de causas efectos histórico sobre el sistema de

medición. Esto podría, en algunos casos, generar una solución total o parcial. Esto
también llevaría a una discusión de información conocida y no conocida. El equipo
utilizaría conocimientos del tema en cuestión para identificar inicialmente aquellas
variables con la más grande contribución del aspecto clave. Estudios adicionales
pueden hacerse para sustentar las decisiones.
Paso 5 Plan-Hacer-Estudiar-Actuar (PHEA) 24
A P Esto llevaría al esquema de planear – hacer – estudiar – actuar, el cual es una forma de
estudio científico. Se planean experimentos, se recolectan datos, se determina la
r
ea
Ac
n
Pla
tu
estabilidad, se hacen hipótesis y se prueban hasta que se alcance una solución

ar
apropiada.
Ha
dio
ce
tu
r
Es
S D
Paso 6 Posible Solución y Prueba de las Corrección
Los pasos y solución son documentados para registrar la decisión. Un estudio

preliminar es ejecutado para validar la solución. Esto puede hacerse usando alguna
forma de diseño de experimentos para validar la solución. También, pueden ejecutarse
estudios adicionales en el tiempo incluyendo variaciones ambientales y de materiales.
Paso 7 Institucionaliza el Cambio
La solución final se documenta en un reporte; luego el departamento y funciones

apropiadas cambian el proceso de manera que el problema no sea recurrente en el
futuro. Esto puede requerir cambios en procedimientos, estándares o patrones y
materiales de entrenamiento. Este es uno de los pasos más importantes en el proceso.
La mayoría de los aspectos clave y problemas han ocurrido en algún punto en el tiempo
u otro.
24
W. Edwards Deming, The New Economics for Industry, Government, Education, The MIT Press, 1994, 2000
66
Capítulo II
Conceptos Generales para Evaluaciones de Sistemas de Medición
Capítulo II
Conceptos Generales para Evaluaciones
de Sistemas de Medición
67
Capítulo II
Conceptos Generales para Evaluaciones de Sistemas de Medición
68
Capítulo II - Sección A
Antecedentes
Sección A
Antecedentes
Dos áreas importantes que necesitan ser evaluadas son:
1) Verifica que la variable correcta está siendo medida y en la localización

apropiada para la característica. Verifica los dispositivos y sujeción si aplica.
Identifica también cualquier aspecto clave y crítico ambiental que sea
interdependiente con las mediciones. Si la variable equivocada está siendo
medida, entonces no importa que tan exacto o preciso es el sistema de
medición, y simplemente consumirá recursos sin ofrecer beneficios.
2) Determina que propiedades estadísticas del sistema de medición necesitan

determinarse a fin de ser aceptable. A fin de determinar esto, es importante
saber como son usados los datos, que sin tal conocimiento, las propiedades
estadísticas apropiadas no puedan determinarse. Después de que las
propiedades estadísticas se han determinado, el sistema de medición debe ser
evaluado para saber si actualmente cuenta o no con dichas propiedades.
Etapa 1 & 2 La prueba de la Etapa 1 es una evaluación para verificar que la variable correcta
está siendo medida y en la localización para la característica apropiada con base
en la especificación del diseño del sistema de medición. (Verifica dispositivos y
sujeción si aplica) También si existen aspectos ambientales críticos que sean
Entendimiento del
interdependientes con la medición. La etapa 1 pudiera usar un experimento
proceso de medición y diseñado estadísticamente para evaluar el efecto del ambiente operativo en los
¿satisface los parámetros del sistema de medición (ej., sesgo, linealidad, repetibilidad y
requerimientos? reproducibilidad). La etapa 1 prueba los resultados para indicar que el ambiente
de operación no contribuya significativamente a la variación global del sistema
de medición. Adicionalmente, la variación atribuible al sesgo y linealidad del
dispositivo de medición debiera ser pequeña comparada con los componentes de
repetibilidad y reproducibilidad.
El conocimiento logrado durante las pruebas e la etapa 1 debiera ser una entrada
para el desarrollo del programa de mantenimiento del sistema de medición así
como el tipo de prueba que debiera usarse durante la etapa 2. Los aspectos
ambientales pueden conducir a un cambio en localización o a un ambiente
controlado para el dispositivo de medición.
Por ejemplo, si existe un impacto significativo de la repetibilidad y

reproducibilidad sobre la variación total del sistema de medición, un
experimento estadístico y simple de dos factores pudiera realizarse
periódicamente como la prueba de la etapa 2.
¿El proceso de La prueba de la Etapa 2 ofrece un monitoreo continuo de las fuentes clave de
medición satisface los variación para una confiabilidad continua del sistema de medición (y los datos
requerimientos en el generados) y/o una señal de que el sistema de medición se haya degradado en el
tiempo? tiempo.
69
Capítulo Il – Sección A
Antecedentes
70
Capítulo II - Sección B
Selección/Desarrollo de Procedimientos de Prueba
Sección B
Selección / Desarrollo de Procedimientos de Prueba
“Cualquier técnica puede ser útil si sus limitaciones son entendidas y observadas”.25
Muchos procedimientos apropiados están disponibles para evaluación de

sistemas de medición. La selección de cual procedimiento usar depende de
muchos factores, la mayoría de los cuales necesita determinarse sobre la base de
caso por caso para cada sistema de medición ase revaluado. En algunos casos,
pueden requerirse pruebas preliminares para determinar si un procedimiento es
apropiado o no para un sistema de medición particular. Dichas pruebas
preliminares deben ser una parte integral de las pruebas de la etapa 1 discutidas
en la sección anterior.
Los aspectos clave y generales a considerar cuando se seleccione o desarrolle un

procedimiento de evaluación incluyen:
• ¿Los estándares o normas tales como, los rastreables con NIST, debieran ser
usados en las pruebas, y si es así, qué nivel de estándar o patrón es
apropiado? Los estándares son frecuentemente esenciales para evaluar la
exactitud de un sistema de medición. Si no se usan estándares o patrones, la
variabilidad del sistema de medición puede aún ser evaluada, aunque puede
no ser posible evaluar su exactitud con una credibilidad razonable. La falta
de tal credibilidad puede ser un aspecto clave, por ejemplo, en la intención
de resolver una diferencia aparente entre el sistema de medición de un
fabricante y el sistema de medición de un cliente.
• Para pruebas continuas en la etapa 2, puede considerarse el uso de

mediciones a ciegas. Las mediciones a ciegas son mediciones obtenidas en
el ambiente de medición actual por un operador que no sepa que tal
evaluación del sistema de medición se está conduciendo. Pruebas
apropiadamente administradas y basadas en mediciones a ciegas
generalmente no son contaminadas por el bien conocido Efecto
Hawthorne.26
• El costo de las pruebas.
• El tiempo requerido para las pruebas.
• Cualquier otro término para el cual no haya una definición comúnmente

aceptada debiera ser definido operacionalmente. Ejemplos de tales términos
incluyen exactitud, precisión, repetibilidad, reproducibilidad, etc.
25
W. Edwards Deming, The Logic of Evaluation, The Handbook of Evaluation Research, Vol. 1, Elmer L. Struening y
Marcia Guttentag, Editores
26
El “Efecto Hawthorne” se refiere a los resultados de una serie de experimentos industriales, ejecutados en los trabajos
de Hawthorne de Western Electric entre Noviembre 1924 y Agosto 1932. En los experimentos, los investigadores
modifican sistemáticamente las condiciones de trabajo de cinco ensambladores y monitorean los resultados.
Conforme las condiciones se mejoran, la producción se incrementa. Sin embargo, cuando las condiciones de trabajo
se degradan, la producción continúa mejorándose. Se pensó que esto trajo resultados a los trabajadores para
desarrollar una actitud mas positiva hacia el trabajo en si, como resultado de ser ellos parte del estudio, mas que el
resultado de cambiar las condiciones de trabajo. Ver Una Historia de los Experimentos Hawthorne, por Richard
Gillespie, Cambridge University Press, New York, 1991.
71
Capítulo Il – Sección B
Selección/Desarrollo de Procedimientos de Prueba
• ¿Las mediciones tomadas por el sistema de medición se comparan con las

mediciones tomadas por otro sistema? Si es así, debiera considerarse el uso
de procedimientos de prueba que se soporten en el uso de estándares o
patrones tales como los discutidos en la etapa 1 arriba indicada. Si no se
usan estándares o patrones, puede ser posible determinar si los dos sistemas
de medición están trabajando bien juntos o no. Sin embargo, si los sistemas
no están trabando bien juntos, entonces puede no ser posible, sin el uso de
estándares o patrones, determinar que sistema necesita mejoramiento.
• ¿Con qué frecuencia debieran ejecutarse las pruebas de la etapa 2? Esta

decisión puede basarse en las propiedades estadísticas del sistema de
medición individual y en las consecuencias con la instalación, y los clientes
de la instalación de un proceso de manufactura que de hecho, no sea
monitoreado debido a que el sistema de medición no esté operando
apropiadamente.
Adicional a estos aspectos clave y generales, otros aspectos clave que son
específicos al sistema de medición particular a ser probados pueden ser también
importantes. El encontrar los aspectos clave específicos que sean importantes a
un sistema de medición particular es uno de los dos objetivos de las pruebas de la
etapa 1.
72
Capítulo II Sección C
Preparación para un Estudio de un Sistema de Medición
Sección C
Como en cualquier estudio o análisis, la planeación y preparación suficiente debe
ser hecha previo a la conducción de un estudio de un sistema de medición. La
preparación típica y previa para conducir el estudio es como sigue:
1) El enfoque a usar debiera planearse. Por ejemplo, determinar usando juicio

de ingeniería, observaciones visuales o un estudio de un gage, si existe la
influencia de un evaluador en la calibración o uso del instrumento. Existen
algunos sistemas de medición donde el efecto de la reproducibilidad puede
ser considerado como insignificante; por ejemplo, cuando se oprime un
botón y se imprime un número.
2) El número de evaluadores, número de partes de la muestra y número de

lecturas repetidas debiera determinarse por anticipado. Algunos factores a
considerar en esta selección son:
(a) Criticalidad de la dimensión – las dimensiones críticas requieren más

partes y/o intentos. La razón es el grado de confiabilidad deseado
para estimaciones del estudio de un gage.
(b) Configuración de la parte – las partes a granel o pesadas pueden

determinar el que sean pocas muestras y más intentos.
3) Dado que el propósito es evaluar el sistema de medición total, los

evaluadores elegidos debieran ser seleccionados de aquellos que
normalmente operen el instrumento.
4) La selección de las partes de una muestra es crítico para un análisis

apropiado y depende totalmente del diseño del estudio MSA, del propósito
del sistema de medición y de la disponibilidad de las muestras de las partes
que representen el proceso de producción.
Para situaciones de control de los productos donde resulten las

mediciones y se determinen criterios de decisión, “el cumplimiento o
incumplimiento con la especificación de una característica” (ej.,
inspección 100% o muestreo), deben seleccionarse muestras (o
estándares), aunque no necesitan cubrir el rango completo del proceso.
La evaluación del sistema de medición se basa en las tolerancias de la
característica (ej., % de RRG con la TOLERANCIA).
Para situaciones del control del proceso, donde resulten las mediciones y
se determinen criterios de decisión, “la estabilidad del proceso, la
dirección y cumplimiento con la variación natural del proceso” (ej., SPC,
monitoreo del proceso, habilidad y mejoramiento del proceso), la
disponibilidad de muestras sobre el rango de operación completo llega a
ser muy importante. Un estimativo independiente de la variación del
proceso (estudio de habilidad del proceso) es recomendable al evaluar la
adecuación del sistema de medición para control del proceso (ej., % de
RRG con la variación del proceso).
73
Capítulo Il – Sección C
Cuando un estimativo independiente de la variación del proceso no esté
disponible, O para determinar la dirección del proceso y la adecuación
continua del sistema de medición para el control del proceso, las partes de la
muestra deben ser seleccionadas del proceso y representar el rango de
operación de producción completo. La variación en las partes de la muestra
(PV) seleccionadas para el estudio MSA es usada para calcular la Variación
Total (TV) del estudio mismo. En índice TV (ej., % de RRG del TV) es un
indicador de la dirección del proceso y estabilidad continua del sistema de
medición para el control del proceso. Si las partes de la muestra NO
representan el proceso de producción, el TV debe ser ignorado den la
evaluación. El ignorar el TV no afecta las evaluaciones usando la tolerancia
(control del producto) o un estimativo independiente de la variación del
proceso (control del proceso).
Las muestras pueden seleccionarse tomando una muestra por día por varios
días. Otra vez, esto es necesario porque las partes serán tratadas en el análisis
como si representaran el rango de variación de la producción en el proceso.
Dado que cada parte será medida varias veces, cada parte debe numerarse
para identificación.
5) El instrumento debiera contar con una discriminación tal que permita al
menos un décimo de la variación del proceso esperado de la característica
sea leído directamente. Por ejemplo, si la variación de la característica es
0.001, el equipo debiera ser capaz de “leer” un cambio de 0.0001.
6) Asegura que el método de medición (ej., evaluador e instrumento) está
midiendo la dimensión de la característica y siguiendo un procedimiento de
medición definido.
La manera en la cual se conduce un estudio es muy importante. Todos los análisis
presentados en este manual asumen independencia estadística de las lecturas
individuales 27. Para minimizar la probabilidad de resultados no confiables,
necesitan tomarse los siguientes pasos:
1) Las mediciones debieran tomarse en un orden aleatorio 28 para asegurar
cualquier impulso o cambio que pudiera ocurrir y hacer un estudio
totalmente aleatorio. Los evaluadores no debieran ser advertidos de cuál
número de parte está siendo checada a fin de evitar cualquier posible sesgo
por conocimiento. Sin embargo, la persona que conduce el estudio debiera
saber cuál es la parte numerada que está siendo checada y registrar los datos
como tales, esto es, Evaluador A, parte 1, primer intento; Evaluador B, parte
4, segundo intento, etc.
2) En la lectura del equipo, los valores de mediciones debieran registrarse en
un límite práctico con la discriminación del instrumento. Los dispositivos
mecánicos deben leerse y registrarse con las unidades más pequeñas de la
discriminación de la escala. Para lecturas electrónicas, el plan de mediciones
debe establecer una política común para registrar el dígito de la derecha más
significativo del display. Los dispositivos análogos debieran registrar en un
medio de la graduación más pequeña o el límite de sensibilidad o resolución.
Para dispositivos análogos si la más pequeña de la escala es 0.0001”,
entonces los resultados de las mediciones debieran registrarse en 0.00005”.
27
No existe correlación entre las lecturas.
28
Ver Capítulo III, Sección B, “Aleatoriedad e Independencia Estadística”
74
Capítulo II Sección C
3) El estudio debiera ser administrado y observado por una persona que

entienda la importancia de conducir un estudio confiable.
Cuando se desarrollen programas de pruebas de etapa 1 o etapa 2 existen varios

factores que necesitan ser considerados:
• ¿Qué efecto tiene el evaluador en el proceso de medición? Si es posible, los

evaluadores que normalmente usen el dispositivo de medición debieran ser
incluidos en el estudio.
Cada evaluador debiera usar el procedimiento – incluyendo todos

los pasos – que ellos usen normalmente para obtener las lecturas.
El efecto de las diferencias entre los métodos que los evaluadores
usen será reflejado en la reproducibilidad del sistema de medición.
• ¿Es la calibración del evaluador del equipo de medición muy probable una
causa significativa de variación? Si es así, los evaluadores debieran
recalibrar el equipo antes de cada grupo de lecturas.
• ¿Cuántas partes de la muestra y lecturas repetidas son requeridas? El

número de partes requeridas depende de la significancia de la característica
a ser medida y del nivel de confiabilidad requerido en el estimativo de
variación del sistema de medición.
Aunque el número de evaluadores, intentos y partes puede ser

variable cuando se usen las prácticas recomendadas y discutidas
en este manual, el número de evaluadores, intentos y partes
debiera mantenerse constante entre programas de pruebas de
etapa 1 y etapa 2 o entre pruebas secuenciales de la etapa 2 para
sistemas de medición comunes. El mantener condiciones comunes
entre programas de pruebas y pruebas secuenciales mejorará las
comparaciones entre los diferentes resultados de pruebas.
75
Capítulo Il – Sección C
76
Capítulo II Sección D
Análisis de Resultados
Sección D
Los resultados debieran evaluarse para determinar si el dispositivo de medición
es aceptable para su aplicación esperada. Un sistema de medición debiera ser
estable antes de ser válido cualquier análisis adicional.
Error por Ensamble Criterios de Aceptación – Error por Ensamble ó Dispositivo de

ó Dispositivo Gages
Un gage inapropiado en el diseño de sus dispositivos ó ensamblado pobremente
incrementa el error en las mediciones. Esto se encuentra normalmente cuando las
mediciones indican ó despliegan alguna inestabilidad en el proceso ó condiciones
fuera de control. Esto puede ser debido a variaciones del gage excesivas ó una
repetibilidad pobre y valores de RRG pobres.
En general, la primer cosa a hacer cuando existe algún aspecto clave aparente en
las mediciones es revisar el ensamble y las instrucciones de ajuste, para estar
seguros de que el gage fue apropiadamente ensamblado, (NOTA: esto no estaría en
las instrucciones) y, por ejemplo, los sujetadores/probadores estén correctamente
posicionados y tengan la carga correcta. También, para mediciones automatizadas,
verificar que el programa sigue el protocolo requerido ó esperado.
Si se encuentran problemas en alguna de estas áreas, se resetea ó repara el gage y
los dispositivos, y entonces se vuelve a correr la evaluación de las mediciones.
Criterios de Aceptación – Error de Localización

Error de Localización
El error de la localización es normalmente definido analizando el sesgo y la
linealidad.
En general, el sesgo o error de linealidad de un sistema de medición es inaceptable
si es significativamente diferente de cero o excede el máximo error permisible
establecido por el procedimiento de calibración de gages. En tales casos, el sistema
de medición debiera recalibrarse o aplicarse una corrección de compensación para
minimizar este error.
Error de Amplitud Criterios de Aceptación – Error de Amplitud

Los criterios para saber si la variabilidad de un sistema de medición es satisfactoria
dependen del porcentaje de la variabilidad del proceso de manufactura / producción
o de la tolerancia de la parte que es consumida por la variación del sistema de
medición. Los criterios de aceptación final para sistemas de medición específicos
dependen del medio ambiente y propósito del sistema de medición y debieran ser
acordados con el cliente. (Ver Capítulo I Sección B – “Los Efectos en la
Variabilidad de los Sistemas de Medición”)
Cuando se inicia la evaluación de sistemas de medición por una
organización, puede ser útil establecer prioridades en cuáles sistemas de
medición enfocarse. Dado que la variación final (total) se basa en una
combinación de la variación del proceso y las mediciones,
, cuando el SPC ha sido aplicado

para control del proceso ó recolección de datos del proceso mismo, y
las gráficas de control indican que el proceso es estable, el sistema de
medición puede ser considerado como aceptable para dicho uso y no
77
Capítulo Il – Sección D
requiere alguna re evaluación por separado 29. Si alguna condición ó no
conformancia fuera de control se encuentra en esta situación, la primera
cosa que debiera hacerse es evaluar el sistema de medición.
Para sistemas de medición cuyo propósito es analizar un proceso, los lineamientos

y guías generales para la aceptación de un sistema de medición son como sigue:
GRR Decision Comentarios

Abajo del 10 Generalmente considerado como Recomendado, especialmente útil cuando se trate de
porciento un sistema de medición separar ó clasificar partes ó cuando se requiere cerrar el
aceptable. control del proceso.
Del 10 al 30 Puede ser acceptable para La decision debiera basarse en, por ejemplo, importancia
porciento algunas aplicaciones de las mediciones en la aplicación, costos de
dispositivos de medición, costos de retrabajos ó
reparaciones.
Debiera ser aprobado por el cliente.

Arriba del Se considera inaceptable Debiera hacerse todo esfuerzo por mejorar el sistema de
30 porciento medición.
Esta condición puede ser abordada por el uso de una

estrategia de mediciones apropiada; por ejemplo, usando
el resultado promedio de varias lecturas sobre la misma
característica de la parte, a fin de reducir la variación
final en las mediciones.
Tabla II-D 1: Criterios RRG
Métrico Adicional para el Error de Amplitud
Otro estadístico de la variabilidad de un sistema de medición es el número de

categorías distintas (ndc) 30. Este estadístico indica el número de categorias en las
cuales el proceso de medición puede dividirse. Este valor debiera ser mayor ó igual
a 5.
Precaución:
El uso de guías y lineamientos para RRG como un todo per se NO es una

práctica aceptable para determinar la aceptabilidad de un sistema de medición.
29
Si el proceso total está en control estadístico por ambas gráficas de promedios y variaciones y la variación total es
aceptable, entonces puede asumirse que (1) ambas variabilidades actuales del proceso y las mediciones son
aceptables, ó (2) la variación de las mediciones no es aceptable con respecto a la variación del proceso (la cual es
extremadamente pequeña) aunque ambos estén en control estadístico. En ambos casos el proceso está fabricando
producto aceptable. En el caso (2) la existencia de una no conformancia ó una condición fuera de control podría ser una
falsa alarma (ej., el producto es aceptable pero la evaluación dice que no lo es) y la cual causaría una evaluación de
ambos sistema de medición y proceso.
30
Ver Capítulo I, Sección E, “Aspectos Clave en las Mediciones”.
78
Capítulo II Sección D
La aplicación de guías y lineamientos de inicio asume que la estadística calculada

son estimativos determinantes de la variabilidad del sistema de medición (los cuales
no lo son). Especificando las guías y lineamientos como criterios de inicio pueden
llevar a un comportamiento equivocado. Por ejemplo, el proveedor puede ser
creativo en lograr un bajo RRG eliminando fuentes de variación en la vida real (ej.,
interacciones de la parte con el gage) ó manipulando el estudio de las mediciones
(ej., produciendo partes fuera de la variación esperada del proceso).
Comentarios en la Aplicación y Aceptabilidad de Gages
Cuando se ve un RRG y la variación de las mediciones es importante ver cada

aplicación en lo individual, para ver que se requiere y cómo van a ser usadas las
mediciones. Por ejemplo: la precisión requerida de una medición de temperatura
puede ser diferente para aplicaciones no similares. El termostato de un cuarto puede
regular la temperatura para confort humano y a un precio muy económico, pero
pudiera tener un RRG arriba de 30%. Es aceptable para esta aplicación. Pero en un
laboratorio, donde pequeñas variaciones en la temperatura pueden impactar en
resultados de pruebas, se requiere una más sofisticada medición y control de
temperatura. Este termostato sería más caro y se requiere que cuente con una menor
variabilidad (ej., para tener un más bajo RRG).
La aceptación final de un sistema de medición no debiera concretarse a

un solo conjunto de índices. El desempeño de largo plazo del sistema de
medición debiera ser también revisado usando análisis gráficos en el
tiempo.
79
Capítulo Il – Sección D
80
Capítulo III
Prácticas Recomendadas para Sistemas de Medición Replicables
Capítulo III
PRACTICAS RECOMENDADAS PARA SISTEMAS DE
MEDICIÓN REPLICABLES
81
Capítulo IIl – Sección A
Ejemplos de Procedimientos de Prueba
82
Capítulo III – Sección A
Sección A
Ejemplos de procedimientos de prueba específicos son presentados en este
capítulo. Los procedimientos son simples de usar y pueden aplicarse en un
ambiente de producción. Como se discutió previamente, el procedimiento de
prueba que debiera usarse para entender un sistema de medición y cuantificar su
variabilidad depende de las fuentes de variación que pudieran afectar el sistema
de medición mismo. En muchas situaciones las fuentes principales de medición
son debidas al instrumento (gages/equipo), la persona (evaluador) y el método
(procedimiento de medición). Los procedimientos de prueba en este capítulo son
suficientes para este tipo de análisis de sistemas de medición.
Los procedimientos son apropiados de usar cuando:
9 Solo dos factores o condiciones de medición (ej., evaluadores y partes)

más la repetibilidad del sistema de medición están siendo estudiados.
9 El efecto de la variabilidad dentro de cada parte es insignificante.
9 No existe interacción estadística entre los evaluadores y las partes.
9 Las partes no cambian dimensionalmente durante el estudio.
Un diseño estadístico de experimentos puede conducirse y/o conocimientos del

tema en cuestión pueden aplicarse para determinar si estos procedimientos son
apropiados para cualquier sistema de medición específico.
83
Capítulo IIl – Sección A
84
Capítulo III – Sección B
Guías y Lineamientos – Estudios de Sistemas de Medición de Variables
Sección B
Guías y Lineamientos – Estudio de Sistemas de Medición de Variables
Esta sección contiene lineamientos de implementación para técnicas de sistemas de
medición descritas en el capitulo 1, sección E. Una completa revisión de la sección
E es recomendable para asegurar una apropiada aplicación de estos lineamientos.
GUÍAS Y LINEAMIENTOS PARA DETERMINACIÓN DE LA ESTABILIDAD
Conducción de un Estudio
1) Obtén una muestra y establece sus valores de referencia en relación a un

estándar rastreable. Si no existe alguno disponible, seleccionar una parte de
producción 31 que caiga en el rango medio de las mediciones de producción y
desígnala como la muestra master para el análisis de estabilidad. No se
requiere un valor de referencia conocido para rastrear la estabilidad del
Puede ser deseable contar con muestras master para valores mínimos, altos y
de rango medio de las mediciones esperadas. Se recomiendan por separado
las mediciones y gráficas de control.
2) Sobre una base periódica (diariamente, semanalmente), mide la muestra

master de 3 a 5 veces. El tamaño de la muestra y frecuencia debieran basarse
en el conocimiento del sistema de medición. Algunos factores pudieran incluir
que tan frecuente sea requerido la recalibración o reparación, que tan
frecuente sea usado el sistema de medición y que tan extremas son las
condiciones de operación. Las lecturas necesitan tomarse en diferentes
tiempos para representar cuando el sistema de medición está realmente siendo
usado. Esto tomará en cuenta calentamientos, medio ambiente u otros factores
que pudieran cambiar durante el día.
3) Graficar los datos en una gráfica de control X & R o X & s bajo el orden de
tiempo.
Análisis de Resultados - Gráfico
4) Establecer límites de control y evaluar condiciones fuera de control o

inestables usando el análisis estándar de gráficas de control.
31
Debiera tomarse precaución cuando el master de producción pudiera experimentar un excesivo desgaste debido al uso,
material o manejo. Esto puede requerir el modificar la parte de producción tal como el acabado, para extender la vida del
master mismo.
85
Capítulo IIl – Sección B
Análisis de Resultados – Numérico
Además del análisis normal de gráficas de control, no existe un análisis numérico y

específico o índice para estabilidad. 32
Si el proceso de medición es estable, los datos pueden usarse para determinar el

sesgo del sistema de medición.
También, la desviación estándar de las mediciones puede usarse como una

aproximación de la repetibilidad del sistema de medición mismo. Esta puede
compararse con la del proceso para determinar si la repetibilidad del sistema de
medición es adecuada para la aplicación.
El diseño de experimentos u otras técnicas analíticas de solución de

problemas pueden requerirse para determinar los contribuidores
primarios de la falta de estabilidad del sistema de medición.
Ejemplo – Estabilidad
Para determinar si la estabilidad de un nuevo instrumento de medición es aceptable,

el equipo de proceso selecciona una parte próxima al punto medio del rango del
proceso de producción. Esta parte es enviada al laboratorio de medición para
determinar el valor de referencia el cual es 6.01. El equipo mide esta parte 5 veces
una vez al turno por cuatro semanas (20 subgrupos). Después de que todos los datos
son recolectados, las gráficas XR son desarrolladas (ver Figura III-B 1).
Gráfica Xbarra/R para Estabilidad
Figura III-B 1: Análisis de la Gráfica de Control para Estabilidad

El análisis de las gráficas de control indica que el proceso de medición es
estable dado que no hay efectos de causas especiales obvias ó visibles.
32
Ver Manual de Referencia del SPC.
86
GUÍAS Y LINEAMIENTOS PARA DETERMINACIÓN DEL SESGO 33 – Método de Muestras
Independientes
Conducción del Estudio
El método de muestras independientes para determinar si el sesgo es aceptable usa
la Prueba de Hipótesis:
Ho sesgo = 0
H1 sesgo ≠ 0
El sesgo promedio calculado es evaluado para determinar si el sesgo pudiera ser
debido a variaciones aleatorias (muestreo).
En general, el error del sesgo y la linealidad de un sistema de medición es
aceptable si no es significativamente diferente de cero, cuando se compare con la
repetibilidad. Consecuentemente, la repetibilidad debe ser aceptable cuando se
compare con la variación del proceso a fin de que este análisis sea útil.
1) Obtén una muestra y establece su valor de referencia en relación aun

estándar o patrón rastreable. Si no existe alguno disponible, selecciona
una parte de producción que caiga en el rango medio de las mediciones
de producción y desígnala como la muestra master para el análisis de
sesgo. Mide la parte n >10 veces en el cuarto de herramientas y calcula el
promedio de las lecturas n. Usa este promedio como el “valor de
referencia”.
Puede ser deseable contar con muestras master para valores mínimos,
altos y de rango medio de las mediciones esperadas. Si esto se hace,
analiza los datos usando un estudio de linealidad.
2) Cuenta con un solo evaluador para que mida la muestra n >10 veces de
una forma normal.
Resultados de Análisis – Gráfico

3) Determina el sesgo de cada lectura:
sesgoi = xi – valor Referencia
4) Grafica los datos como histograma en relación al valor de referencia.

Revisa el histograma, usando el conocimiento del tema en cuestión, para
determinar si causas especiales o anomalías están presentes. Si no,
continúa con el análisis. Precaución especial debe tenerse para alguna
interpretación o análisis cuando n < 30.
33
Ver Capítulo I, Sección E, para una definición operacional y discusión de causas potenciales.
87
Resultados de Análisis – Numérico

5) Calcula el sesgo promedio de las n lecturas
n
∑ sesgo i
sesgo promedio = i =1
n
6) Calcula la desviación estándar de la repetibilidad (ver también Estudios
de Gages, Método de Rangos, mostrado adelante).
(
∑ X i− X )
2
σ repetibilidad
=σ r = i =1
n −1
Si está disponible un estudio RRG (y válido) el cálculo de la desviación

estándar de la repetibilidad debiera basarse en los resultados del estudio.
7) Determine si la repetibilidad es aceptable calculando el

%EV = 100 [EV/TV] = 100[ σ repetibilidad/TV]
Cuando la variación total (TV) se base en la variación esperada del proceso (se
prefiere) ó el rango de especificación dividido por 6 (ver también el estudio RRG
abajo).
Si el %EV es largo (ver Capítulo II, Sección D), entonces la variación del
sistema de medición puede ser inaceptable. Dado que el análisis de sesgo asume
que la repetibilidad es aceptable, la continuación del análisis del sistema de
medición con un %EV largo podría conducir a resultados que se malinterpreten ó
confusos. Nota TF: ¿Qué específicamente suponemos ver en Sección D que ligue
con EV?
8) Determina el estadístico t para el sesgo: 34
σ =σ b r
n
sesgo promedio
estadístic o t = t sesgo =
σ b
9) El sesgo es aceptable (estadísticamente cero) en un nivel α si
• el valor p asociado con t bias

es más que α ; ó
34
La incertidumbre para el sesgo es dada con σb
88
• Cero cae dentro de los límites de confiabilidad de 1 − α basados

en el valor de sesgo:
Sesgo − ⎡σ b ⎛⎜ tv ,1−α ⎞⎟⎤ ≤ cero ≤ Sesgo + ⎡σ b ⎛⎜ tv ,1−α ⎞⎟⎤

⎢⎣ ⎝ 2 ⎠⎥
⎦ ⎢⎣ ⎝ 2 ⎠⎥
⎦
donde v = n − 1 y
t v ,1−α es encontrado usando las tablas estándar de t.

2
El nivel α usado depende del nivel de sensibilidad, el cual es necesario

para evaluar / controlar el proceso y es asociado con la función de pérdida
(curva de sensibilidad) del producto / proceso. Debiera obtenerse un
acuerdo con el cliente si se utiliza un nivel α diferente al valor por defaul de
0.05 (confiabilidad del 95%).
Ejemplo – Sesgo
Un ingeniero de manufactura estaba evaluando un nuevo sistema de medición para

monitorear un proceso. Un análisis del equipo de medición indicó que no debiera
ver aspectos clave de linealidad, de manera que el ingeniero tuviera solo el sesgo del
sistema de medición evaluado. Es seleccionada una sola parte dentro del rango de
operación del sistema de medición y basada en la variación documentada del
proceso. Esta parte fue medida por una inspección de layout para determinar su
valor referencia. La parte fue entonces medida quince veces por el operador líder.
89
Valor de Referencia = 6.00 Sesgo

1 5.8 -0.2
2 5.7 -0.3
I 3 5.9 -0.1
N 4 5.9 -0.1
T 5 6.0 0.0
E 6 6.1 0.1
N 7 6.0 0.0
T 8 6.1 0.1
O 9 6.4 0.4
S 10 6.3 0.3
11 6.0 0.0
12 6.1 0.1
13 6.2 0.2
14 5.6 -0.4
15 6.0 0.0
Tabla III-B 1: Datos de Estudio de Sesgo
Usando una hoja de cálculo y software estadístico, el supervisor generaría el

histograma y análisis numérico (ver Figura III-B 2 y Tabla III-B 2).
3
Frecuencia
5.6 5.7 5.8 5.9 6.0 6.1 6.2 6.3 6.4

Valor de las Mediciones
90
Histograma del Estudio - sesgo

(With Ho and 95% t-confidence interval for the mean)
Frecuencia
Estudio - sesgo
Tabla III-B 2: Estudio de Sesgo - Histograma del Estudio de Sesgo
El histograma no mostraba alguna anomalía ó punto más allá de sus límites que
requiriera análisis y revisión adicional.
La repetibilidad de 0.2120 se compare contra la variación del proceso esperada

(desviación estándar) de 2.5. Dado que el %EV = 100(.212/2.5) = 8.5%, la
repetibilidad es aceptable y el análisis de sesgo puede continuar.
Dado que el cero cae dentro del intervalo de confiabilidad del sesgo (-0.1107,
0.1241), el ingeniero puede asumir que el sesgo de las mediciones es aceptable
asumiendo que el uso actual no introduce fuentes adicionales de variación.
91
Error
Desviación
n Promedio Estándar de
Estándar, σr
la Media, σb
Valor Medido 15 6.0067 0.2120 0.0547
Valor de Referencia = 6.00, α = 0.05

Valor t Intervalo de Confianza del
Estadístico Sesgo
df Significativo 95% del Sesgo
t Promedio
(2 – colas) Inferior Superior
Valor
0.12 14 2.14479 0067 -0.1107 0.1241
Medido
Tabla III-B 2: Estudio de Sesgo – Análisis del Estudio de Sesgo 35
GUÍAS Y LINEAMIENTOS PARA DETERMINACIÓN DEL SESGO – Método por Gráficas de Control
Si se usa una gráfica X & R para medir la estabilidad, los datos pueden también
usarse para evaluar el sesgo. El análisis de la gráfica de control debiera indicar
que el sistema d medición es estable antes de que el sesgo se evaluado.
1) Obtén una muestra y establece su valor de referencia en relación a un

estándar o patrón rastreable. Si no existe uno disponible, selecciona una
parte de producción que caiga en el rango medio de las mediciones de
producción y desígnala como la muestra master para el análisis del sesgo.
Mide la parte n >10 veces en el cuarto de herramientas y calcula el
promedio de las n lecturas. Usa este promedio como el “valor de
referencia”.
2) Conduce el estudio de estabilidad con g (subgrupos) ≥ 20 subgrupos de

tamaño m.
35
Aun y cuando los datos son ofrecidos con un dígito después del punto decimal, los resultados son mostrados por un
programa estadístico típico usando doble precisión; ej., con dígitos decimales múltiples.
92
Análisis de Resultados – Gráfico
3) Si la gráfica de control indica que el proceso es estable y m = 1,usa el

análisis descrito para el método de muestras independientes (ver arriba).
4) Si m ≥ 2, grafica los datos en un histograma relativos al valor de referencia.

Revisa el histograma, usando conocimientos del asunto ó tema en cuestión,
para determinar si están presentes causas especiales ó anomalías. Si no,
continua con el análsis.
Análisis de Resultados – Numérico
5) Obtén la X de la gráfica de control.
6) Calcula el sesgo restando el valor de referencia de X .
sesgo = X - valor de referencia
7) Calcula la desviación estándar de la repetibilidad usando el promedio de los

rangos.
R
σrepetibilidad =
d 2*
donde d*2 se basa en el tamaño (m) de los subgrupos y el número de

subgrupos en la gráfica (g). (ver Apéndice C).
8) Determina si la repetibilidad es aceptable calculando el
%EV = 100[EV/TV] = 100 [ σrepetibilidad /TV]
Cuando la variación total (TV) se base en la variación del proceso esperada

(preferida) ó el rango de especificación se divida por 6 (ver también el
studio RRG abajo).
Si el %EV es grande (ver Capítulo II, sección D), entonces la variación

del sistema de medición puede ser inaceptable. Dado que el análisis de
sesgo asume que la repetibilidad es acceptable, el continuar el análisis con
un sistema de medición con un %EV grande conduciría a resultados que
podrían mal interpretarse ó confusos; ej., el análisis puede indicar que el
sesgo es estadísticamente cero, mientras que la magnitud absoluta del
sesgo excede a los valores aceptables del equipo.
93
9) Determina el estadístico t para el sesgo: 36
σb = σr
gm
sesgo
estadístico t = t sesgo =
σb
10) El sesgo es aceptable (estadísticamente cero) en el nivel α si el cero cae

dentro de los límites de confiabilidad de 1 – α y alrededor del valor del
sesgo:
Sesgo − ⎡σ b ⎛⎜ tv ,1−α ⎞⎟⎤ ≤ cero ≤ Sesgo + ⎡σ b ⎛⎜ tv ,1−α ⎞⎟⎤

⎢⎣ ⎝ 2 ⎠⎥
⎦ ⎢⎣ ⎝ 2 ⎠⎥
⎦
donde v se encuentra en el Apéndice C

y t α se encuentra usando las tablas estándar para t.
v ,1−
2
El nivel de α usado depende del nivel de sensibilidad que sea necesario para
evaluar / controlar el proceso y es asociado con la función de pérdida (curva de
sensibilidad) del producto / proceso. Debiera obtenerse un acuerdo con el cliente si
se usa un nivel de α diferente al valor por defaul de 0.05 (confiabilidad del 95%).
Ejemplo – Sesgo
En referencia a la Figura III-B 1 el estudio de estabilidad fue realizado sobre una parte
que tenía un valor de referencia de 6.01. El promedio global de todas las muestras (20
subgrupos de tamaño 5 para n = 100 muestras) fue de 6.021. El sesgo calculado es por
tanto 0.011.
Usando una hoja de cálculo y software estadístico, el supervisor generaría un análisis

numérico (Tabla III-B 3).
Dado que el cero cae dentro del intervalo de confiabilidad del sesgo (-0.0299, 0.0519),
el equipo de procesos puede asumir que el sesgo de las mediciones es aceptable
asumiendo que el uso actual no introduce fuentes de variación adicionales.
36
La incertidumbre para el sesgo es dada por σb .
94
Error
Desviación
n X , Media Estándar de
Estándar σ
la Media σb
Valor Medido 100 6.021 0.2048 0.02048
Valor de Referencia = 6.01, α = 0.05, m=5, g = 20, d 2* = 2.326, d2 = 2.326

Valor Intervalo de Confianza del
Estadístico
df Significativo de t Sesgo 95% del Sesgo
t
(2 – colas) Inferior Superior
Valor
0.5371 72.7 1.993 0.011 -0.0299 0.0519
Medido
Tabla III-B 3: Estudio de Sesgo – Análisis de un Estudio de Estabilidad para Sesgo
Análisis de Estudios de Sesgo
Si el sesgo es estadísticamente no cero, investigar las siguientes posibles causas:
• Error en el master o valor de referencia. Procedimiento de chequeo del

master.
• Instrumento desgastado. Esto puede mostrarse en el análisis de estabilidad

y sugeriría un programa de mantenimiento o reconstrucción.
• Instrumento hecho para dimensiones equivocadas.
• Instrumento midiendo la característica equivocada.
• Instrumento no calibrado apropiadamente. Revisar el procedimiento de

calibración.
• Instrumento usado en forma inapropiada por el evaluador. Revisar las

instrucciones de medición.
• Algoritmo incorrecto para la corrección del instrumento.
Si el sistema de medición cuenta con un sesgo no cero, donde debiera ser posible
recalibrarse para lograr un sesgo de cero a través de la modificación del
hardware, software o ambos. Si el sesgo no puede ajustarse a cero, todavía puede
usarse a través de un cambio en el procedimiento (ej., ajustando cada lectura por
el sesgo). Dado que esto cuenta con un alto riesgo de error del evaluador, debiera
usarse solo con la concurrencia del consumidor.
95
GUÍAS Y LINEAMIENTOS PARA DETERMINACIÓN DE LA LINEALIDAD 37
La linealidad puede evaluarse usando los siguientes lineamientos:
1) Selecciona g > 5 partes cuyas mediciones, debido a la variación del proceso,

cubren el rango de operación del gage.
2) Mide cada parte con una inspección de layout para determinar su valor de
referencia y confirmar que el rango de operación del gage en cuestión está
cubierto.
3) Mide cada parte m >10 veces sobre el gage en cuestión por uno de los
operadores quien normalmente use el gage mismo.
9 Selecciona las partes al azar para minimizar algún sesgo del evaluador
en las mediciones.
Análisis de Resultados – Gráfico
4) Calcula el sesgo de la parte por cada medición y el promedio de los sesgos

para cada parte.
Sesgoi,j = Xi,j – (valor de Referencia)i
∑ Sesgo
j =1
i, j
Sesgoi =
m
5) Grafica los sesgos individuales y loa promedios de los sesgos con respecto a
los valores de referencia sobre una gráfica lineal. (ver Figura III-B 3)
6) Calcula y grafica la mejor línea ajustada y la banda de confiabilidad de la

línea misma usando las ecuaciones siguientes.
Para el mejor ajuste de la línea, usar: yi = axi + b
donde
xi = valor de Referencia
yi = Promedio de los sesgos
37
Ver Capítulo I, Sección E, para una definición operacional y discusión de causas potenciales.
96
⎛ 1 ⎞
∑ xy − ⎜⎜ gm ∑ x∑ y ⎟⎟
a= ⎝ ⎠ = pendiente
∑ x 2 − gm (∑ x )
1 2
b = y − a x = int ercepción
Para un dado x0, los límites para el nivel de confianza 38 α son:
donde s =
∑y 2
i − b∑ yi − a ∑ xi yi
gm − 2
⎡ 2 ⎞ 2 ⎤
1
⎛ 1
inferior: b + ax0 − ⎢⎢t gm, −2,1−α ⎜ +
(x 0 − x ) ⎟ s ⎥
⎜
∑ (xi − x ) ⎟⎠ ⎥⎥⎦
2
2 gm
⎢⎣ ⎝
⎡ 1
2 ⎤
⎢
superior: b + ax0 + t gm , −2,1−α
⎛ 1
⎜ +
( x0 − x ) ⎟ ⎥
2 ⎞
s
⎢
⎢⎣
2 ⎜ gm
⎝ ∑ (x j − x )2
⎟ ⎥
⎠ ⎥⎦
7) La desviación estándar de la variabilidad de la repetibilidad.

σ repetibilidad
=s
Determina si la repetibilidad es aceptable calculando el

σ
%EV = 100 [EV/TV] = 100 [ repetibilidad /TV]
Donde la variación total (TV) se basa en al variación del proceso

esperada (preferida) ó el rango de especificación dividido por 6 (ver
también el estudio RRG abajo).
Si el %EV es largo (ver Capítulo II, Sección D), entonces la variación

del sistema de medición puede ser inaceptable. Dado que el análisis de
sesgo asume que la repetibilidad es aceptable, la continuación del
análisis del sistema de medición con un %EV largo podría conducir a
resultados que se malinterpreten ó confusos.
8) Graficar la línea de “sesgo = 0” y revisar la gráfica para indicaciones de

causas especiales y aceptación de la linealidad. (ver ejemplo de la Figura III-
B 3).
38
Ver la nota para la selección del nivel α en el área de “Guías y Lineamientos para Determinar el Sesgo”, en Capítulo III,
Sección B.
97
Para que la linealidad del sistema de medición sea aceptable, la línea de

“sesgo = 0” debe extenderse totalmente dentro de las bandas de
confiabilidad de la línea ajustada.
Análisis de Resultados - Numérico
9) Si el análisis gráfico indica que la linealidad del sistema de medición es

aceptable entonces la siguiente hipótesis debiera ser verdad:
H0: a = 0 inclinación = 0
no rechazar si
a
t = ≤ tgm − 2,1 − α 2
⎡ ⎤
⎢ s ⎥
⎢
∑ (x j − x ) ⎦
2 ⎥
⎣
Si la hipótesis anterior es verdad entonces el sistema de medición tiene el mismo

sesgo para todos los valores de referencia. Para que la linealidad sea aceptable
este sesgo debe ser 0.
H0 : b = 0 intersección (sesgo) = 0
No rechazar si
b
t = ≤ tgm − 2,1 − α 2
⎡ 1 x
2 ⎤
⎢ + ⎥s
⎢⎣ gm ∑ (xi − x ) ⎥⎦
2
Ejemplo - Linealidad
Un supervisor de planta estaba presentando un nuevo sistema de medición para un

proceso. Como parte de un PPAP 39, la linealidad del sistema de medición necesitaba
ser evaluada. Se seleccionaron 5 partes alrededor del rango de operación del sistema de
medición y en base a la variación del proceso documentado. Cada arte fue medida por
una inspección de layout para determinar su valor de referencia. Cada parte fue
entonces medida 12 veces por el operador titular. Las partes fueron seleccionadas al
azar durante el estudio.
39
Manual del Proceso de Aprobación de Partes para Producción, 4ª. Edición, 2006
98
Valor de 1 2 3 4 5
Referencia
de la Parte 2.00 4.00 6.00 6.00 8.00
1 2.70 5.10 5.80 7.60 9.10
I 2 2.50 3.90 5.70 7.70 9.30
N 3 2.40 4.20 5.90 7.80 9.50
T 4 2.50 5.00 5.90 7.70 9.30
E 5 2.70 3.80 6.00 7.80 9.40
N 6 2.30 3.90 6.10 7.80 9.50
T 7 2.50 3.90 6.00 7.80 9.50
O 8 2.50 3.90 6.10 7.70 9.50
S 9 2.40 3.90 6.40 7.80 9.60
10 2.40 4.00 6.30 7.50 9.20
11 2.60 4.10 6.00 7.60 9.30
12 2.40 3.80 6.10 7.70 9.40
Tabla III-B 4: Datos del Estudio de Linealidad
Usando una hoja de cálculo y software estadístico, el supervisor generó la gráfica

de linealidad (Figura III-B 3).
Parte 1 2 3 4 5
Valor de
Referencia 2.00 4.00 6.00 6.00 8.00
1 0.7 1.1 -0.2 -0.4 -0.9
2 0.5 -0.1 -0.3 -0.3 -0.7
S 3 0.4 0.2 -0.1 -0.2 -0.5
4 0.5 1.0 -0.1 -0.3 -0.7
E 5 0.7 -0.2 -0.0 -0.2 -0.6
6 0.3 -0.1 0.1 -0.2 -0.5
S 7 0.5 -0.1 0.0 -0.2 -0.5
8 0.5 -0.1 0.1 -0.3 -0.5
G 9 0.4 -0.1 0.4 -0.2 -0.4
10 0.4 0.0 0.3 -0.5 -0.8
O 11 0.6 0.1 0.0 -0.4 -0.7
12 0.4 -0.2 0.1 -0.3 -0.6
Promedio del 0.491667 0.125 0.025 -0.29167 -0.61667
Sesgo
Tabla III-B 5: Estudio de Linealidad – Resultados Intermedios
99
Ejemplo de Linealidad
Y = 0.736667 – 0.131667X
R-Sq = 71.4 %
Valores de Referencia
Figura III-B 3: Estudio de Linealidad – Análisis Gráfico
El análisis gráfico indica que las causas especiales pueden estar influenciando al
sistema de medición. Los datos para el valor de referencia 4 parecen ser
bimodales.
Aún si los datos para el valor de referencia 4 no fueran considerados, el análisis

gráfico muestra claramente que este sistema de medición tiene un problema de
linealidad. El valor de R2 indica que un modelo lineal puede no ser un modelo
apropiado para estos datos.40 Aún si el modelo lineal fuera aceptado, la línea de
“sesgo = 0” intersecta los límites de confiabilidad más que estar contenido
dentro de éstos.
En este punto, el supervisor debe empezar el análisis y resolución del problema

del sistema de medición, dado que el análisis numérico no ofrecerá ningún
aspecto adicional. Sin embargo, queriendo estar seguro que el trabajo en papel no
se deja pendiente, el supervisor calcula el estadístico t para la inclinación e
intersección:
ta = -12.043
tb= 10.158
Tomando el defaul α = 0.05 y yendo a las tablas t con (gm – 2) = 58 grados de
libertad y una proporción de 0.975, el supervisor llega al valor crítico de:
40
Ver textos estándar de estadística sobre el análisis de qué tan apropiado es usar un modelo lineal para describir las
relaciones entre dos variables.
100
t58,.975= 2.00172
Dado que valor absoluto de t a > t 58,,975 , el resultado obtenido del análisis
gráfico es reforzado con el análisis numérico- existe un problema de linealidad
con este sistema de medición.
En este caso, no importa que relación tenga tb con t58,.975 dado que existe un
problema de linealidad. Las posibles causas para problemas de linealidad pueden
encontrarse en el capítulo I, sección E, “Variación de la Localización”.
Si el sistema de medición tiene un problema de linealidad, necesita ser

recalibrado para lograr un sesgo de 0 a través de la modificación del hardware,
software o ambos.
Si el sesgo no puede ser ajustado a cero a través del rango del sistema de
medición, todavía puede ser usado para control del producto / proceso, pero sin
análisis hasta que el sistema de medición llegue a ser estable.
Dado que esto cuenta con un alto riesgo de error del evaluador,
debiera ser usado solo con la concurrencia del cliente.
Guías y Lineamientos para Determinar la Repetibilidad y Reproducibilidad 41
El Estudio de Gages de variables puede ser ejecutado usando un diferente

número de diferentes técnicas. Tres métodos aceptables serán discutidos en
detalle en esta sección. Estos son:
• Método de los Rangos
• Método de los Promedios y Rangos (incluyendo el método de las
Gráficas de Control)
• Método de ANOVA
Excepto para el método de los Rangos, el diseño de los datos para el estudio es
muy similar para cada uno de estos métodos. Se prefiere el método ANOVA
porque mide el error del gage por la interacción entre el operador y las partes,
mientras que los métodos de los Rangos y los Promedios y los Rangos no
incluyen esta variación. Como se presentó, todos los métodos ignoran las
variaciones entre las partes (tales como, redondeado, adelgazamiento
diamétrico, planicidad, etc. como se discute en el Capítulo IV, Sección D en sus
análisis.
El enfoque de ANOVA puede identificar la interacción entre las partes y el

evaluador, aunque también puede evaluar otras fuentes de variación lo cual
es la razón de porqué se incluyó. Históricamente, se hacia el supuesto de que
la interacción es cero, en cuyo caso los resultados de ambos enfoques eran
equivalentes. Con esto dicho, el enfoque de ANOVA se prefiere por su
flexibilidad si es que el usuario tiene acceso a un apropiado programa de
computadora. Si no, el enfoque de X barra y R es apropiado y puede hacerse
manualmente ó vía un programa de computadora.
41
Ver Capítulo I, Sección E, para una definición operacional y discusión de las causas potenciales.
101
Sin embargo, el sistema de medición total incluye no solo el gage mismo y su sesgo
respectivo, repetibilidad, etc., sino también puede incluir la variación de las partes a
ser checadas. La determinación de cómo manejar la variación dentro de las partes
necesita basarse en un entendimiento racional del uso esperado de la parte y el
propósito de las mediciones.
Finalmente, todas las técnicas en esta sección están sujetas al prerrequisito de

estabilidad estadística.
Aunque la reproducibilidad es usualmente interpretada como la

variación del evaluador, existen situaciones donde esta variación es
debida a otras fuentes de variación misma. Por ejemplo, con algunos
sistemas de medición en proceso no existen evaluadores humanos. Si
todas las partes son manejadas, ajustada y medidas por el mismo
equipo, entonces la reproducibilidad es cero; ej., solo es necesario un
estudio de repetibilidad. Sin embargo, si se usan dispositivos
múltiples, entonces la reproducibilidad es la variación entre los
dispositivos.
Método de los Rangos
El método de rangos es un estudio de gages de variables modificado el cual ofrece

una aproximación rápida de la variabilidad de las mediciones. Este método ofrece
solo una gráfica global del sistema de medición. No secciona la variabilidad en
repetibilidad y reproducibilidad. Es típicamente usada como un chequeo rápido para
verificar que la RRG no haya cambiado.
Este enfoque tiene el potencial de detectar un sistema de medición no

aceptable 42 el 80% del tiempo con un tamaño de muestra de 5 y el
90% del tiempo con un tamaño de muestra de 10.
El método de rangos típicamente utiliza dos evaluadores y 5 partes para el estudio.

En este estudio, ambos evaluadores miden cada parte una a la vez. El rango para
cada parte es la diferencia absoluta entre la medición obtenida por el evaluador A y
la medición obtenida por el evaluador B. La suma de rangos es encontrada y el
promedio de rangos R es calculado. La variación total de las mediciones es
1
encontrada multiplicando el promedio de los rangos por donde d 2* es
d 2*
encontrado en el apéndice C, con m = 2 y g = número de partes.
Partes Evaluador A Evaluador B Rango (A,B)

1 0.85 0.80 0.05
2 0.75 0.70 0.05
3 1.00 0.95 0.05
4 0.45 0.55 0.10
5 0.50 0.60 0.10
42
ej., %RRG > 30%
102
Promedio de los Rangos (R ) =

∑R i
=
0.35
= 0.07
5 5
⎛ R ⎞ ⎛ R ⎞ ⎛ 0.07 ⎞
RRG = ⎜⎜ * ⎟⎟ = ⎜⎜ ⎟⎟ = ⎜ ⎟ = 0.0588
⎝ d 2 ⎠ ⎝ 1.19 ⎠ ⎝ 1.19 ⎠
(Desviación Estándar del Proceso = 0.0777 del Estudio Previo)
⎛ RRG ⎞
% RRG = 100 * ⎜ ⎟ = 75.7%
⎝ DesviaciónEstándardel Pr oceso ⎠
Tabla III-B 6: Estudio de Gages (Método de los Rangos)
Para determinar qué porcentaje de la desviación estándar del proceso consume la

variación de las mediciones, convertir el RRG a un porcentaje multiplicando por
100 y dividiendo entre la desviación estándar del proceso. En el ejemplo (ver tabla
III-B 6), la desviación estándar del proceso para esta característica es 0.0777, por
tanto,
⎛ RRG ⎞
% RRG = 100 * ⎜ ⎟ = 75.7%
⎝ DesviaciónEstándar Pr oceso ⎠
Ahora que el porcentaje del RRG para el sistema de medición es determinado,

debiera darse una interpretación de los resultados. En la tabla III-B 6, se determina
que el porcentaje de RRG es 77.5% y la conclusión es que el sistema de medición
necesita mejoramientos.
Métodos de los Promedios y Rangos
El método de los promedios y rangos ( X & R) es un enfoque el cual ofrece un

estimativo de la repetibilidad y reproducibilidad para un sistema de medición. A
diferencia del método de rangos, este enfoque permite que la variación del sistema
de medición sea seccionada en dos componentes por separado, repetibilidad y
reproducibilidad.43 Si embargo, la variación debida a la interacción entre el
evaluador y las partes/gage no es tomada en cuenta para el análisis.
43
El método ANOVA puede ser usado para determiner la interacción entre el gage y los evaluadores, si existe tal.
103

Aunque el número de evaluadores, intentos y partes puede variar, la discusión
subsecuente representa las condiciones óptimas para conducir el estudio. Hacer
referencia a la hoja de datos RRG en III-B 6a. El procedimiento detallado es como
sigue:
44
1) Obtén una muestra de n > 5 partes que represente el rango actual o esperado
de la variación del proceso.
2) Haz referencia a los evaluadores como A, B, C, etc. y al número de partes 1
hasta n de manera que los números no sean visibles a los evaluadores.
Ver Capítulo II, Sección C
3) Calibra el gage si esto es parte de los procedimientos normales del sistema de

medición. Permite al evaluador A medir n partes en un orden aleatorio 45 y
registra los resultados en el renglón 1.
4) Permite a los evaluadores B y C medir las mismas partes n sin ver las lecturas de
uno con otro; entonces registra los resultaos en los renglones 6 y 11
respectivamente.
5) Repite el ciclo usando un orden aleatorio diferente de las mediciones. Registra

los datos en los renglones 2,7 y 12. Registra los datos en la columna apropiada.
Por ejemplo si la primer pieza media es la parte 7 entonces registra el resultado
en la columna etiquetada como parte 7. Si son necesarios tres intentos, repite el
ciclo y registra los datos en los renglones 3, 8 y 13.
6) Los pasos 4 y 5 pueden cambiar a lo siguiente cuando el tamaño de las partes es
grande o no hay disponibilidad de partes simultáneamente, lo cual hace
necesario:
9 Permita que el evaluador A mida la primer parte y registre la lectura en el
renglón 1. Luego el evaluador B mide la primer parte y registra la lectura en
el renglón 6. Luego el evaluador C mide la primer parte y registra la lectura
en el renglón 11.
9 Permite que el evaluador A repita la lectura de la primer parte y registren
dicha lectura en el renglón 2, el evaluador B registra la lectura repetida en el
renglón 7 y el evaluador C registra la lectura repetida en el renglón 12. Repite
este ciclo y registra los resultados en los renglones 3, 8 y 13 si se aplican 3
intentos.
7) Un método alternativo puede usarse si los evaluadores son de diferentes turnos.
Permite que el evaluador A mida todas las 10 partes y registre las lecturas en el
renglón 1. Luego el mismo evaluador A repite las lecturas en un orden diferente
y registra los resultados en los renglones 2 y 3. Haz lo mismo con los
evaluadores B y C.
44
El número total de “rangos” generados debe ser > 15 para un nivel mínimo de confiabilidad en los resultados. Aunque
la forma fue diseñada para un máximo de 10 partes, este enfoque no se limita a ese número. Como en cualquier
técnica estadística, mientras más grande es el tamaño de muestra, es menor la variación del muestreo y menor el riesgo
resultante será presente.
45
Ver Capítulo III, Sección B, “Aleatoriedad e Independencia Estadística”
104
Hoja de Recolección de Datos de Repetibilidad y Reproducibilidad de Gages
Evaluador Parte
Promedio
/Intento # 1 2 3 4 5 6 7 8 9 10
1 A 1 0.29 -0.56 1.34 0.47 -0.80 0.02 0.59 -0.31 2.26 -1.36
2 2 0.41 -0.68 1.17 0.50 -0.92 -0.11 0.75 -0.20 1.99 -1.25
3 3 0.64 -0.58 1.27 0.64 -0.84 -0.21 0.66 -0.17 2.01 -1.31
4 Promedio
Xa =
5 Rango
Ra =
6 B 1 0.08 -0.47 1.19 0.01 -0.56 -0.20 0.47 -0.63 1.80 -1.68
7 2 0.25 -1.22 0.94 1.03 -1.20 0.22 0.55 0.08 2.12 -1.62
8 3 0.07 -0.68 1.34 0.20 -1.28 0.06 0.83 -0.34 2.19 -1.50
9 Promedio
Xb =
10 Rango Rb =
11 C 1 0.04 -1.38 0.88 0.14 -1.46 -0.29 0.02 -0.46 1.77 -1.49
12 2 -0.11 -1.13 1.09 0.20 -1.07 -0.67 0.01 -0.56 1.45 -1.77
13 3 -0.15 -0.96 0.67 0.11 -1.45 -0.49 0.21 -0.49 1.87 -2.16
14 Promedio
Xc =
15 Rango
Rc =
16 Promedio X=
por Parte
Rp =
17
R = ([(Ra = )] + [Rb = ] + [R c = ]) [# deEvaluadores = ]= R=
X DIFF = [X Max = ] − [X Min = ]=

18
19 *
[
LCSR = R = ]× [D 4 = ]=
* * D 4 = 3.27 para 2 intentos y 2.58 para 3 intentos. UCLR representa el límite de las lecturas
individuales Rs. Circular aquellas que estén fuera de éste límite. Identificar las causas y
corregirlas. Repetir estas lecturas usando el mismo evaluador y unidad como originalmente
se usó o descartar los valores y recalcular el promedio y R y el valor del límite de las
observaciones restantes.
Notas:
Figura III-B 6a: Hoja de Recolección de Datos de Repetibilidad y Reproducibilidad de Gages
105
Análisis de Resultados – Grafico 46
El uso de herramientas gráficas es muy importante. Las herramientas gráficas

específicas usadas dependen del diseño experimental empleado para recolectar los datos.
Un esquema sistemático de los datos para variaciones aparentes por causas especiales y
usando herramientas gráficas debiera anteceder a un análisis estadístico.
Las siguientes son algunas de las técnicas que se ha probado son útiles. (ver también el
Método de Análisis de Varianzas).
Los datos del análisis del sistema de medición pueden ser desplegados gráficamente con
gráficas de control. La idea de usar gráficas de control para responder preguntas
relativas a un sistema de medición ha sido aplicada por Western Electric (Ver Manual
de Control Estadístico de la Calidad de AT&T de la Lista de Referencias).
Gráfica de Los promedios de las lecturas múltiples por cada evaluador y en cada parte son
Promedios graficados por evaluador con el número de arte como un índice. Esto puede ayudar a
determinar la consistencia entre evaluadores.
El gran promedio y los límites de control determinados usando el promedio de los

rangos también son graficados. La gráfica de promedios resultante ofrece una indicación
de la “facilidad de uso” del sistema de medición.
El área dentro de los límites de control representa la sensibilidad (“ruido”) de las

mediciones. Dado que el grupo de partes usado en el estudio representa la variación del
proceso, aproximadamente una mitad o más de los promedios debiera caer fuera de los
límites de control. Si los datos muestran este patrón, el sistema de medición debiera ser
adecuado para detectar variaciones de parte a parte, y el sistema de medición mismo
puede ofrecer información útil para analizar y controlar el proceso. Si menos de la mitad
cae fuera de los límites de control entonces el sistema de medición carece de una
resolución efectiva y adecuada o la muestra no representa la variación esperada del
proceso.
46
Descripciones detalladas de estos análisis están fuera del alcance de este documento. Para mayor información, ver
referencias y buscar asistencia de fuentes estadísticas competentes.
106
Promedio
Figura III-B 4: Gráfica de Promedios – “Estancada” 47
Revisar que todas las gráficas indiquen que el sistema de medición parece tener una
suficiente discriminación para los procesos con la variación descrita por las partes de la
muestra. No existen diferencias aparentes entre evaluador a evaluador.
Figura III-B 5: Gráfica de Promedios “No Estancada”
47
Con el enfoque ANOVA, esta es también referida como gráfica de interacción de evaluadores – por - partes
107
Graficas de Rangos
La gráfica de control de rangos es usada para determinar si el proceso está en control. La

razón es que no importa que tan grande sea el error de las mediciones pero los límites de
control permitirán tal error. Esto es porque las causas especiales necesitan ser
identificadas y retiradas antes de que el estudio de las mediciones sea relevante.
Los rangos de las lecturas múltiples por cada evaluador y en cada parte son graficadas en
una gráfica estándar de rangos incluyendo los rangos promedios y los límites de control.
Del análisis de datos graficados pueden darse varias interpretaciones. Si todos los rangos
están en control, los evaluadores están haciendo el mismo trabajo.
Si un evaluador está fuera de control, el método usado difiere de los otros.
Si todos los evaluadores están fuera de los rangos de control, el sistema de medición es
sensible a la técnica del evaluador y requiere mejoramientos para obtener datos útiles.
Ninguna gráfica debiera desplegar patrones en los datos relativos a los

evaluadores o partes.
Los rangos no son datos ordenados. El análisis de tendencias normales de la

gráfica de control no debe usarse aún y cuando los puntos graficados sean
conectados por líneas.
La estabilidad se determina por un punto o puntos fuera de límites de

control; patrones dentro del evaluador o dentro de las partes. El análisis de la
estabilidad debiera considerar la significancia practica y estadística.
La gráfica de rangos puede ayudar a determinar:
• El control estadístico con respecto a la repetibilidad.

• La consistencia del proceso de medición entre los evaluadores para cada parte.
Rango
Parte
Figura III-B 6: Gráfica de Rangos – “Estancada”
108
Figura III-B 7: Gráfica de Rangos – “No estancada”
La revisión de las gráficas anteriores indica que no hay diferencias entre la variabilidad de
los evaluadores.
Gráfica de Corridas Las lecturas individuales son graficas por parte para todos los evaluadores (ver Figura
III-B 8) para obtener detalles de:
• El efecto de las partes individuales sobre la consistencia de la variación

• La indicación de lecturas irregulares (ej., lecturas anormales)
Figura III-B 8: Gráfica de Corridas por Parte
La revisión de la gráfica anterior no indica algún punto más allá de los límites o partes
inconsistentess.
109
Diagrama de Las lecturas individuales son graficadas por parte y por evaluador (ver Figura III-B 9)
Dispersión para obtener detalles de:
• Consistencia entre los evaluadores
• Indicación de posibles anormalidades
• Interacciones parte – evaluador
La revisión de la Figura III-B 9 no indica alguna irregularidad significativa aunque

indica que el evaluador C pueda tener lecturas inferiores que los otros evaluadores.
Figura III-B 9: Diagrama de Dispersión
110
Gráficas de Bigotes En las gráficas de bigotes, los valores de datos altos y bajos y el promedio por parte –
por – evaluador son graficados (ver Figura III-B 10). Esto ofrece detalles de:
• Consistencia entre evaluadores.
• Indicación de irregularidades.
• Interacciones parte – evaluadores.

Valor
Evaluador
Parte
Figura III-B 10: Gráfica de Bigotes
La revisión de la Figura III-B 10 no indica que haya alguna irregularidad significativa

aunque muestra que el proveedor B puede contar con a mayor variabilidad.
111
Graficas de Errores Los datos del análisis del sistema de medición pueden ser analizados corriendo “gráficas
de errores” (ver Figura III-B 11) de las desviaciones individuales de los valores de
referencia aceptados. La desviación individual o error para cada parte es calculado como
sigue:
Error = Valor Observado - Valor de Referencia
Error = Valor Observado – Promedio de las mediciones de la parte
Esto depende de si los valores de referencia de los datos a ser medidos están disponibles
o no.
Figura III-B 11: Gráficas de Errores
La revisión de las gráficas anteriores indica que:
• El evaluador A cuenta con un sesgo positivo global
• El evaluador B cuenta con la mayor variabilidad pero sin sesgo aparente
• El evaluador C cuenta con un sesgo negativo global
112
Histograma La gráfica de histograma (Figura III-B 12) es una gráfica que despliega la distribución
Normalizado de frecuencias del error del gage de los evaluadores que participaron en el estudio.
También muestra su distribución de frecuencia combinada.
Si los valores de referencia están disponibles:
Error = Valor Observado – Valor de Referencia
De lo contrario:
Valor Normalizado = Valor Observado – Promedio de las Partes
La gráfica de los histogramas ofrece un bosquejo visual y rápido de cómo el error es

distribuido. Aspectos clave tales como si el sesgo o falta de consistencia existe en las
mediciones tomadas por los evaluadores, puede identificarse aún antes de que los datos
sean analizados.
El análisis de los histogramas (Figura III-B 12) refuerza a las gráficas de errores. Estas
también indican que solo el evaluador B tiene una forma simétrica. Esto puede indicar
que los evaluadores A y C están introduciendo una fuente de variación sistemática que
está resultando en los sesgos.
Figura III-B 12: Histograma Normalizado 48

- - - -
48
Hacer notar que el “0.0” de cada uno de los histogramas están alineados cada uno con respecto a los otros.
113
Diagrama X-Y de Los promedios de las lecturas múltiples por cada evaluador y en cada parte son
Promedios por graficados con el valor de referencia o los promedios globales de las partes como
índice (ver Figura III-B 13). Esta gráfica puede ayudar a determinar:
Medida
• La Linealidad (sí se usa el valor de referencia).
• La Consistencia en la linealidad entre evaluadores.
3 3
2 •• 2 ••
•• • •
• • ••
1 1
•
•• •• • Ev. B •
• •• •• •• •
Ev. 0A 0
•
•• • ••
-1 •• •
• -1 • •• •
• • ••
-2 -2
-3 -3
-3 -2 -1 0 1 2 3 -3 -2 -1 0 1 2 3
Referencia Referencia
3
2
••
1 •
••
Ev. C
0
•
•• •• ••
•
• •• • ••
-1
••
-2
••
-3
•
-3 -2 -1 0 1 2 3
Referencia
Figura III-B 13: Diagramas X-Y de Promedios por Medida
114
Comparación de Los promedios de las lecturas múltiples por cada evaluador y en cada parte son
graficados uno con otro de los evaluadores como índices. Esta gráfica compara los
Gráficas X-Y
valores obtenidos por un evaluador contra los demás (ver Figura III-B 14). Si
hubiera un acuerdo perfecto entre proveedores, los puntos graficados describirían
una línea recta a través del origen y un eje a 45o.
Ev. A
Ev. B
Ev. C
Figura III-B 14: Comparación de Diagramas X - Y
115
Cálculos Numéricos Los cálculos de la Repetibilidad y Reproducibilidad de Gages son mostrados en las
Figuras III-B 15 y III-B 16. La Figura III-B 15 muestra la hoja de recolección de
datos en la cual se registran todos los resultados del estudio. La Figura III-B 16
despliega un reporte en el cual toda la información identificada es registrada y se
hacen todos los cálculos de acuerdo con las fórmulas prescritas.
Formatos en blanco y reproducibles se encuentran disponibles en la

sección de formatos muestra. El procedimiento para realizar los cálculos
después de que los datos se ha recolectado es como sigue:
(Lo siguiente se refiere a la Figura III-B 15)
1) Restar la lectura más pequeña de la lectura más larga en los renglones 1, 2 y

3; registrar el resultado en el renglón 5. Hacer lo mismo para renglones 6, 7
y 8; y 11, 12 y 13, y registrar los resultados en los renglones 10 y 15
respectivamente.
2) Los registros en los renglones 5, 10 y 15 son rangos y por tanto siempre ser
valores positivos.
3) Totaliza el renglón 5 y divide el total por el número de las partes
muestreadas para obtener el promedio de los rangos para los primeros
intentos de los evaluadores R a . Hacer lo mismo para renglones 10 y 15 y
obtener R b y R c .
4) Transfiere los promedios de los renglones 5, 10 y 15 ( R a , R b , R c ) al

renglón 17. Súmalos y divídelos por el número de los evaluadores y registra
el resultado (promedio de todos los rangos).
5) Registra (valor promedio) en el renglón 19 y multiplícalo por D4 49 para
obtener el límite superior de control. Notar que D4 es 3.27 si se realizan dos
intentos. El valor del Límite Superior de Control (UCLR) de los rangos
individuales es registrado en el renglón 19. NOTA: El valor del Límite
Inferior de Control (LCLR) para menos de 7 intentos es igual a cero.
6) Repite las lecturas que se produzcan en un rango mayor que el UCLR
calculado usando el mismo evaluador y parte como originalmente se aplicó,
o descarta dichos valores y recalcula el promedio y y el valor del límite
UCLR en base al tamaño de muestra revisado. Corrige las causas especiales
que generaron la condición fuera de control. Si los datos fueran graficados y
analizados usando una gráfica de control como se discutió previamente, esta
condición se habría ya corregido y no ocurriría aquí.
7) Suma los renglones (renglones 1, 2, 3, 6, 7, 8, 11, 12 y 13). Divide la suma
en cada renglón por el número de partes muestreadas y registra estos valores
en la columna que está más a la derecha titulada como promedio”.
49
Ver Manual de Referencia del Control Estadístico de los Procesos (SPC), 1995, u otra fuente de referencia
estadística para una tabla de factores.
116
8) Suma los promedios de los renglones 1, 2 y 3 y divide el total por el número

de intentos y registra el valor en el renglón 4 en la celda de X a . Repite esto
para los renglones 6,7 y 8; y 11, 12 y 13 y registra los resultados en las
celdas para X b y X c en los renglones 9 y 14, respectivamente.
9) Registra los promedios máximo y mínimo de los renglones 4, 9 y 14 en el
espacio apropiado en el renglón 18 y determina la diferencia. Registra esta
diferencia en el espacio titulado como X DIFF en el renglón 18.
10) Suma las mediciones para cada intento, para cada parte, y divide el total por
el número de mediciones (número de intentos por número de evaluadores).
Registra los resultados en el renglón 16 en los espacios provistos para el
promedio de las partes.
11) Resta el promedio de las partes más pequeño del promedio de las partes más
largo y registra el resultado en el espacio titulado RP en el renglón 16. RP es
el rango de los promedios de las partes.
(Lo siguiente se refiere a la Figura III-B 16)
12) Transfiere los valores calculados de , X DIFF y RP a los espacios en blanco
provistos en el reporte adicional.
13) Ejecuta los cálculos bajo la columna titulada “Análisis de las Unidades de
Medición” en el lado izquierdo del formato.
14) Ejecuta los cálculos bajo la columna titulada “ % de la Variación Total ” en
el lado derecho del formato.
15) Checa los resultados para asegurarse de que no haya errores.
117
Hoja de Recolección de Datos para Repetibilidad y Reproducibilidad de Gages

Evaluador Parte
Promedio
/Intento # 1 2 3 4 5 6 7 8 9 10
1 A 1 0.29 -0.56 1.34 0.47 -0.80 0.02 0.59 -0.31 2.26 -1.36 0.194
2 2 0.41 -0.68 1.17 0.50 -0.92 -0.11 0.75 -0.20 1.99 -1.25 0.166
3 3 0.64 -0.58 1.27 0.64 -0.84 -0.21 0.66 -0.17 2.01 -1.31 0.211
4 Promedio
0.447 -0.607 1.260 0.537 -0.853 0.100 0.667 -0.227 2.087 -1.307 X a = 0.1903
5 Rango
0.35 0.12 0.17 0.17 0.12 0.23 0.16 0.14 0.27 0.11 Ra = 0.184
6 B 1 0.08 -0.47 1.19 0.01 -0.56 -0.20 0.47 -0.63 1.80 -1.68 0.001
7 2 0.25 -1.22 0.94 1.03 -1.20 0.22 0.55 0.08 2.12 -1.62 0.115
8 3 0.07 -0.68 1.34 0.20 -1.28 0.06 0.83 -0.34 2.19 -1.50 0.089
9 Promedio
0.133 -0.790 1.157 0.413 -1.013 0.027 0.617 -0.297 2.037 -1.600 X b = 0.0683
10 Rango
0.18 0.75 0.40 1.02 0.72 0.42 0.36 0.71 0.39 0.18 Rb = 0.513
11 C 1 0.04 -1.38 0.88 0.14 -1.46 -0.29 0.02 -0.46 1.77 -1.49 -0.223
12 2 -0.11 -1.13 1.09 0.20 -1.07 -0.67 0.01 -0.56 1.45 -1.77 -0.256
13 3 -0.15 -0.96 0.67 0.11 -1.45 -0.49 0.21 -0.49 1.87 -2.16 -0.284
14 Promedio -0.073 -1.157 0.880 0.150 -1.327 0.483 0.080 -0.503 1.697 -1.807 X c = -0.2543
15 Rango
0.19 0.42 0.42 0.09 0.39 0.38 0.20 0.10 0.42 0.67 Rc = 0.328
16 Promedio X = .0014
por Parte 0.169 -0.851 1.099 0.367 -1.064 -0.186 0.454 -0.342 1.940 -1.571
Rp = 3.511
17
R = ([(Ra = 0.184 )] + [Rb = 0.513] + [Rc = 0.328]) [# deEvaluadores = 3] = 0.3417 R = 0.3417
18
[ ] [ ]
X DIFF = X Max = 0.1903 − X Min = −0.2543 = X DIFF = 0.4446
19 *
[ ]
LCSR = R = 0.3417 × [D 4 = 2.58] = LCSR = 0.8816
* * D 4 = 3.27 para 2 intentos y 2.58 para 3 intentos. UCLR representa el límite de las lecturas
individuales Rs. Circular aquellas que estén fuera de éste límite. Identificar las causas y corregirlas.
Repetir estas lecturas usando el mismo evaluador y unidad como originalmente se usó o descartar
los valores y recalcular el promedio y R y el valor del límite de las observaciones restantes.
Notas:
Figura III-B 15: Hoja de Recolección de Datos Completada para R&RG
118
Reporte de Repetibilidad y Reproducibilidad de Gages

Nombre y No. De Parte: Nombre del gage: Fecha:
Características: No. De gage: Revisado por:
Especificaciones:
Tipo de Gage:
Dato : R = 0.3417 X DIFF = 0.4446 Rp=3.511

Análisis de Medición Unitaria % de Variación Total (TV)
Repetibilidad – Variación del Equipo (EV)
EV = R × K 1 %EV = 100[EV/TV]
=0.3417x0.5908 Intentos K1 = 100 [0.20188/1.14610]
= 0.20188 2 0.8862 =17.62%
3 0.5908
Reproducibilidad – Appraiser Variación (AV)
AV = (X DIFF × K 2 )2 − (EV 2 nr ) %AV =100 [AV/TV]
= (0.4446 × 0.5231)2 − (0.201882 (10 × 3)) =100 [0.22963/1.14610]
=0.22963 Evaluadores 2 3 = 20.04%

K2 0.7071 0.5231
Repetibilidad y Reproducibilidad (RRG)
RRG = EV 2 + AV 2 %RRG = 100 [RRG/TV]
= (0.20188 2
+ 0.229632 ) Partes K3
=
[0.30575/1.14610]
100
= 0.30575 2 0.7071 = 26.68%

3 0.5231
Variación de Parte (PV) 4 0.4467 %PV = 100 [PV/TV]
PV = Pp × K 3 5 0.4030 = 100 [1.10456/1.14610]
=1.10456 6 0.3742 =96.38%
Variación Total (TV) 7 0.3534
TV = RRG 2 + PV 2 8 0.3375
= (0.30575 + 1.104562 ) 9 0.3249 (

ndc = 1.41 PV
RRG
)
= 1.41 (1.10456/0.30575)
= 1.14610 10 0.3146
= 5.094~5
Para información sobre la teoría y constantes usadas en el formato ver Manual de Referencia MSA, 4ª. edición
Figura III-B 16: Reporte de Repetibilidad y Reproducibilidad de Gages
119
Análisis de Los formatos de hoja y reporte de recolección de datos de la repetibilidad y

Resultados - reproducibilidad de gages, Figuras III-B 15 y III-B 16, ofrecen un método para el
análisis numérico de los datos de un estudio.50 El análisis estima la variación y
Numéricos porcentaje de la variación del proceso para el sistema de medición total, y sus
componentes de repetibilidad, reproducibilidad y variación de la parte. Esta
información necesita ser comparada y complementada con los resultados del análisis
gráfico.
En el lado izquierdo del formato (Figura III-B 16) con Análisis de las Unidades de
Medición se calcula la desviación estándar para cada componente de variación.
La repetibilidad o variación del equipo (EV o σ E ) se determina multiplicando el

promedio de los rangos ( ) por una constante (K1). K1 depende del número de intentos
aplicados en el estudio del gage y es igual al inverso de d 2* , el cual se obtiene del
apéndice C. d 2* depende del número de intentos (m) y el número de partes por el
número de evaluadores (g) (se asume que es mayor que 15 al calcular el valor de K1).
La reproducibilidad o variación de los evaluadores (AV o σA) se determina

multiplicando la máxima diferencia promedio entre los evaluadores ( X DIFF ) por una
constante (K2). K2 depende del número de evaluadores usados en el estudio del gage y
es el inverso de d 2* el cual se obtiene del apéndice C. d 2* depende del número de
evaluadores (m) y g =1, dado que solo existe el cálculo de un rango. Dado que la
variación del evaluador es contaminada pro la variación del equipo, debe ajustarse
restando una fracción de la variación del equipo. Por tanto, la variación de los
valuadores (AV) es calculada por
(X DIFF × K 2 )2 − (EV )
2
AV =
nr
Donde n = número de partes y r = número de intentos.
Si se calcula un valor negativo bajo el símbolo de la raíz cuadrada, la variación de los

evaluadores (AV) es cero por defaul.
La variación del sistema de medición para repetibilidad y reproducibilidad (RRG o σM)

se calcula sumando el cuadrado de la variación del equipo y el cuadrado de la variación
de los evaluadores, y sacando la raíz cuadrada como sigue:
RRG = (EV )2 + ( AV )2
Generalmente, existen cuatro diferentes enfoques para determinar la variación del
proceso, la cual es usada para analizar la aceptación de la variación de las mediciones:
50
Los resultados numéricos en el ejemplo fueron desarrollados como si fueran calculados manualmente; ej., los resultados
fueron realizados y redondeados a un digito decimal adicional. El análisis con programas de computadora debiera mantener
los valores intermedios con una máxima precisión con el lenguaje de programación / computadora. Los resultados de un
programa de computadora válido pueden diferir de los resultados del ejemplo en el lugar del segundo decimal o mayor pero
el análisis final se mantendrá igual.
120
1) usando la variación del proceso
o variación del proceso, tomada de las partes en el studio RRG mismo

o uso cuando la muestra seleccionada representa la variación del proceso
esperada (opción preferida)
2) sustitución de la variación del proceso
o uso cuando muestras suficientes para representar el proceso no están

disponible aunque un proceso existente con una variación del proceso
similiar está disponible
3) valor meta de Pp (ó Ppk)
o uso cuando muestras suficientes para representar el proceso no están

disponible y un proceso existente con una variación del proceso
similiar no está disponible ó se espera que el nuevo proceso cuente con
una menor variabilidad que algún proceso existente
4) tolerancia de la especificación
o cuando el sistema de medición es usado para clasificar el proceso y el

proceso cuenta con Pp < 1.0
La variación de las partes (parte – a – parte; variación de las partes sin variación de las
mediciones) (PV o σP) se determina multiplicando el rango de los promedios de las
partes (RP) por una constante K3). K3 depende del número de partes usadas en el estudio
del gage y es el inverso de d 2* el cual se obtiene del apéndice C. d 2* depende del
número de partes (m) y (g). En este caso g = 1 dado que solo existe el cálculo de un
rango.
La variación total (TV o σT) del estudio se calcula entonces sumando el cuadrado de las
variaciones de repetibilidad y reproducibilidad y la variación de las partes (PV) y
aplicando la raíz cuadrada como sigue:
TV = (RRG )2 + (PV )2
Usando Información Histórica de las Variaciones
Para usar este enfoque, la información debe venir de un proceso que esté en control
estadístico. Si la variación del proceso es conocida y su valor se basa en 6σ, entonces
puede ser usado en lugar de la variación total del estudio (TV) calculada de los datos del
estudio del gage. Esto se logra ejecutando los siguientes dos cálculos:
Variación Pr oceso
1) TV =
6.00
2) PV = (TV )2 − (RRG )2
121
Usando el valor meta de Pp (ó Ppk)
Para usar la opción de Pp, usar la siguiente TV en el análisis de RRG:
Dado que USL − LSL USL − LSL USL − LSL

TV = = =
6σ p
6s 6TV
entonces USL − LSL

TV =
6p p
y PV = (TV ) − (GRR )
2 2
Usando la Tolerancia (Rango de la Especificación)

Cuando se compara el error de las mediciones de un estudio RRG con la tolerancia, esto
es lo mismo que compararlo con el proceso de producción con un Pp de 1.00. Los
clientes FEO (Fabricantes de Equipo Original) raramente esperan una variación del
proceso tan baja como un Pp(k) de 1.00, ni aceptan un proceso con tan bajo nivel de
desempeño. Puede hacer más sentido comparar la variación de las mediciones con un
nivel de desempeño meta del proceso de producción que cumpla con los requerimientos
del cliente. 51
Para usar esta opción, use la siguiente TV en el análisis de RRG:
USL − LSL
TV =
6
y PV = (TV ) − (GRR )
2 2
Índices
Una vez que la variabilidad para cada factor en el estudio del gage se determina, puede
comparase con la variación total (TV). Esto se logra ejecutando los cálculos del lado
derecho del formato de reporte del gage (Figura III-B 16) con el título “Porcentaje de la
Variación Total”.
El porcentaje de la variación del equipo (% de EV) consume el total de la variación

(TV) y es calculado por 100 [EV / TV ] . Los porcentajes de los otros factores de
consumo de la variación total pueden ser calculados igualmente como sigue:
% AV = 100[AV TV ]
% RRG = 100[RRG TV ]
% PV = 100[PV TV ]
LA SUMA DEL PORCENTAJE CONSUMIDO POR CADA FACTOR

NO SERA IGUAL AL 100%.
Los resultados de este porcentaje de variación total necesitan ser evaluados para
determinar si el sistema de medición es aceptable para su aplicación esperada.
51
Por ejemplo, ver Manual de PPAP de Chrysler, Ford, y GM.
122
Si el análisis se basa en las tolerancias en lugar de la variación del proceso,

entonces el formato del Reporte de Repetibilidad y Reproducibilidad de Gages
(Figura III-B 16) puede ser modificado de manera que el lado derecho del formato
represente el porcentaje de la tolerancia en lugar del porcentaje de la variación
total. En tal caso, %EV, %AV, %RRG y %PV son calculados sustituyendo el valor
de la tolerancia dividida por seis en el denominador de los cálculos en lugar de la
variación total (TV). Ambos enfoques pueden tomarse dependiendo del uso
esperado de sistema de medición y los deseos del cliente.
El paso final en el análisis numérico es determinar el número de categorías distintas que

pudieran ser distinguidas confiadamente por el sistema de medición. Este es el número
de los intervalos de confianza no traslapados en un 97%, los cuales se extienden en la
variación esperada del producto. 52
(
ndc = 1.41 PV
RRG
)
Dado que el análisis gráfico no ha indicado alguna variación por causas especiales, la
regla empírica para la repetibilidad y reproducibilidad del gage (porcentaje RRG) puede
encontrarse en el capítulo II, sección D.
Para análisis, el ndc es el máximo de uno ó de los valores calculados, truncado a un

entero. Este resultado debiera ser mayor ó igual a 5.
Para evitar un ndc = 0, lo cual es posible con el truncado en sí, algunos programas de
computadora redondean el resultado calculado. Esto puede resultar en diferencias en los
reportes finales cuando los mismos datos son evaluados por diferentes programas
Cuando se use el enfoque de Pp para TV, el cálculo para ndc es:
TV2 = PV2 + RRG2

ó PV2 = TV2 - RRG2
entonces
TV − RRG
2 2
PV
ndc = 1.41 = 1.41
RRG RRG
Método de Análisis de Varianzas (ANOVA)

El análisis de varianzas (ANOVA) es una técnica estadística y estándar y puede ser
utilizada para analizar los errores den las mediciones y otras fuentes de variabilidad de
los datos en un estudio de sistemas de medición. En el análisis de varianza, la varianza
puede ser seccionada en cuatro categorías: partes, evaluadores, interacción entre las
partes y evaluadores y error de replicación debida al gage.
52
La importancia del número de categorías distintas (ndc) en actividades de análisis y control es discutida en el
Capítulo I, Sección E, “Aspectos Clave de Mediciones” (especialmente Figura I-E 3). El cálculo de ndc es revisado
en Capítulo II, Sección B, “Análisis de Resultados Numéricos”.
123
Las ventajas de las técnicas ANOVA, comparadas con los métodos de promedios y
rangos, son que:
• Son capaces de manejar cualquier ajuste experimental
• Pueden estimar las varianzas en forma más exacta
• Extractan más información (tal como el efecto de la interacción de las partes y los
evaluadores) de datos experimentales
Las desventajas son que los cálculos numéricos son más complejos y los usuarios
requieren un cierto grado de conocimiento estadístico para interpretar los resultados. El
método ANOVA como se describe en las siguientes secciones es aconsejable,
especialmente si existe disponible una computadora.
Aleatoriedad e El método para recolectar los daros es importante en un método ANOVA. Si los datos
Independencia no son recolectados en forma aleatoria, esto puede conducir a fuentes de valores de
sesgo. Una forma simple para asegurar un diseño balanceado para (n) partes, (k)
Estadística evaluadores y (r) intentos es a través de la aleatoriedad. Un enfoque común para
aleatoriedad es escribir A1 en una tira de papel para denotar las mediciones del primer
evaluador sobre la primera parte.
Hacer esto hasta A(n) para las mediciones del primer evaluador en las n partes. Sigue el
mismo procedimiento para el siguiente evaluador hasta incluir los k evaluadores.
Símbolos similares son usados donde B1, C1 denotan las mediciones para los
evaluadores A y B de la primera parte. Una vez que todas las combinaciones nk son
escritas, entonces las tiras de papel son puestas en un recipiente. Una tira de papel es
seleccionada a la vez. Estas combinaciones (A1, B2, ...) son el orden de medición en el
cual el estudio de gages será ejecutado. Una vez que todas las combinaciones nk son
seleccionadas, estas son puestas de regreso en el recipiente y el procedimiento se sigue
otra vez. Esto se hace para un total de r veces para determinar el orden de experimentos
para cada repetición.
“La generación de
números aleatorios es
Existen enfoques alternativos para generar una muestra aleatoria. Debiera ponerse
demasiado importante
cuidado para diferenciar entre el muestreo aleatorio, arbitrario y conveniente. 53
para dejarlo a la
suerte.”
En general todos los esfuerzos necesitan tomarse para asegurar independencia
Robert R. Covevou 54
estadística dentro del estudio.
Los datos pueden recolectarse de una forma aleatoria usando una forma similar a la
Tabla III-B 6a. Para nuestro ejemplo, existen 10 partes y 3 evaluadores, y el
experimento ha sido ejecutado en forma aleatoria y tres veces por cada combinación
parte y evaluador.
53
Ver Wheeler y Lyday, Evaluating the Measurement Process, Segunda Edición, 1989, p. 27.
54
Robert R. Coveyou (1915 – 20 Feb 1996) was an American mathematician who was a health physicist with the
Manhattan Project from 1943 during WW II. He became a recognized expert in pseudo-random number generators.
124
Análisis Gráfico
Cualquier método gráfico ofrecido en la discusión de análisis gráfico anterior puede ser
usado en el análisis gráfico mismo de los datos recolectados, como parte de un estudio
ANOVA. Estos métodos pueden ser usados para confirmar y ofrecer algún detalle
adicional de los datos mismos (ej., tendencias, ciclo, etc.)
Un método gráfico que se sugiere es el llamado gráfico de interacción. Este gráfico

confirma los resultados de la prueba F de si la interacción es o no significativa. En esta
gráfica de interacción particular, el promedio de las mediciones por evaluador por parte
vs por número de parte (1, 2, ... etc.) son graficados en la Figura III-B 17. Los puntos
para el promedio de las mediciones de cada evaluador por parte son conectados a las
líneas (número de evaluadores) k del formato. La forma de interpretar la gráfica es que
si las líneas k son paralelas no existe interacción. Cuando las líneas son no paralelas, la
interacción puede ser significativa. Mientras más grande es el ángulo de intersección,
más grande es la interacción. Debieran tomarse medidas apropiadas para eliminar
causas de la interacción. En el ejemplo en la Figura III-B 17, las líneas son
cercanamente paralelas, indicando que no existe una interacción significativa.
Promedio
Figura III-B 17: Gráfico de Interacción
Otra gráfica que algunas veces es de interés es la gráfica de residuales. Esta gráfica no
es más que un chequeo para la validez de los supuestos. Uno de los supuestos es que el
(error del) gage es una variable aleatoria de una distribución normal. Los residales, los
cuales son las diferencias entre las lecturas observadas y los valores pronosticados, son
graficados. El valor pronosticado es el promedio de las lecturas repetidas por cada
evaluador y para cada parte. Si los residuos no son dispersos aleatoriamente arriba y
abajo de cero (línea horizontal de referencia), pudiera ser porque los supuestos son
incorrectos y lo cual sugiere una investigación adicional de los datos.
125
Residuales Versus los Valores Ajustados

(la respuesta es valor)
Residual
Valor Ajustado
Figura III-B 18: Gráfico de Residuales
Cálculos Numéricos
Aunque los valores pueden calcularse manualmente, la mayoría de la gente usa
programas de computadora para generar lo que se llama tabla de Análisis de Varianzas
(ANOVA) (ver apéndice A).
La tabla ANOVA aquí se compone de 5 columnas (ver Tabla III-B 7).
• La columna de Fuentes es la causa de la variación.
• La columna de DF que son los grados de libertad asociados con la fuente.
• La columna de SS o suma de cuadrados es la desviación alrededor del promedio de

la fuente.
• La columna de MS o promedios al cuadrado es la suma de los cuadrados dividido

por los grados de libertad.
• La columna de la razón o proporción F, calculada para determinar la significancia

estadística del valor de la fuente.
La tabla de ANOVA es usada para seccionar la variación total en cuatro componentes:

partes, evaluadores, interacción de los evaluadores y las partes y repetibilidad debida al
instrumento.
Para propósitos de análisis, los componentes de varianzas negativas se fijan en cero.
Esta información es usada para determinar las características del sistema de medición
como en el Método de Promedios y Rangos.
126
Fuente DF SS MS F
Evaluadores 2 3.1673 1.58363 34.44*
Partes 9 88.3619 9.81799 213.52
Evaluador por Parte 18 0.3590 0.01994 0.434
Equipo 60 2.7589 0.04598
Total 89 94.6471
*Nivel de Significancia de α=0.05

Tabla III-B 7: Tabla ANOVA
La Tabla III-B 7 muestra los cálculos de ANOVA para los datos del ejemplo de la Figura
III-B 15 asumiendo un modelo de efectos arreglados. La Tabla III-B 9 muestra la
comparación del método ANOVA con el método de promedios y rangos. La Tabla III-B
10 muestra el reporte RRG para el método de ANOVA.
Estimativo de la Desviación Estándar % Variación Total

% Contribución
Varianza (σ)
τ = 0.039973
2
EV = 0.199933 18.4 3.4
(Repetibilidad)
ω 2 = 0.051455 AV = 0.226838 20.9 4.4
(Evaluador)
γ2 =0
0 0
(Interacción) INT = 0
Sistema = 0.09143
(τ 2 +γ 2 +ω2 ) RRG = 0.302373 27.9 7.8
σ 2 = 1.086446 PV = 1.042327 96.0 92.2
Variación Total (Partes) TV =1.085 100
Tabla III-B 8: % de Variación y Contribución del Análisis de ANOVA

(El estimativo de la varianza se basa en el modelo sin interacciones)
127
(
ndc = 1.41 1.04233
0.30237
) = 4.861 ≅ 5
Variación Total (VT ) = RRG 2 + PV 2
⎛ σ (componentes ) ⎞
% de la Variación Total = 100⎜ ⎟
⎝ σ (total ) ⎠
⎛ σ 2 (componentes ) ⎞
% de la Contribución (con la Varianza Total) = 100⎜⎜ ⎟⎟
⎝ σ (total ) ⎠
2
Análisis de Estudios RRG

Los métodos de promedios y rangos y ANOVA ofrecen información relativa a las
causas de la variación de un sistema de medición o gages.
Por ejemplo, si la repetibilidad es grande comparada con la reproducibilidad, las

razones pueden ser:
• El instrumento necesita mantenimiento.
• El gage puede requerir ser rediseñado para ser más rígido.
• La sujeción o localización del gage necesita mejorarse.
• Existe una variación dentro de la parte excesiva.
Si la reproducibilidad es grande comparada con la repetibilidad, entonces las

posibles causas podrían ser:
• El evaluador necesita ser mejor entrenado en como usar y leer el instrumento

del gage.
• Las calibraciones del gage no son claras.
El dispositivo de algún tipo puede requerir el ayudar al evaluador a usar el

gage más consistentemente.
128
LC 55 Desviación LC % de la
Método
Inferior 90% Estándar Superior 90% Variación Total
RRG* 0.202 0.240 17.06
EV 0.175 0.230 1.016 20.1
AV 0.133 NA -- NA
INTERACCIÓN -- 0.306 0.363 26.7
RRG 0.266 1.104 96.4
PV
ANOVA
EV 0.177 0.200 0.231 18.4
AV 0.129 0.227 1.001 20.9
INTERACCIÓN -- 0 -- 0
RRG 0.237 0.302 1.033 27.9
PV 1.042 96.0
* En el método de promedios y rangos, el componente de interacción no puede estimarse.
Tabla III-B 9: Comparación de los Métodos ANOVA y Promedios y Rangos
Nombre y No. de la Parte: Nombre del Gage: Fecha:

Característica: No. de Gage: Hecho por:
Especificaciones: Tipo de Gage:
% de la Variación Porcentaje de
Desviación Estándar
Total Contribución
Repetibilidad (EV) 0.200 18.4 3.4
Reproducibilidad (AV) 0.227 20.9 4.4
Evaluador por Parte (INT) 0 0 0
RRG 0.302 27.9 7.9
Parte – a - Parte (PV) 1.042 96.0 92.2
El sistema de medición es aceptable para Análisis y Control del Proceso
Nota:
Tolerancia = N.A. Variación Total (TV) = 1.085
Número de categorías distintas de datos (ndc) = 4
Tabla III-B 10: Reporte de método ANOVA RRG
55
CL = Límite de Confiabilidad
129
130
Capítulo III – Sección C
Estudio de Sistemas de Medición de Atributos
Sección C
Los sistemas de medición de atributos son los tipos de sistemas de medición donde los
LSL USL valores de mediciones mismas son una de un número finito de categorías. Esto es en
I II III II I contraste con los sistemas de medición de variables los cuales pueden resultar en un
Tarjeta
infinito de valores. Los más comunes de éstos son el gage pasa/no pasa el cual cuenta
solo con dos posibles resultados. Otros sistemas de atributos, por ejemplo los
Introducción estándares visuales, pueden resultar en 5 a 7 categorías distintas tales como, muy
bueno, bueno, aceptable, pobre y muy pobre. Los análisis descritos en los capítulos
posteriores no pueden usarse para evaluar tales sistemas.
Como se discutió en el Capítulo I, Sección B, existe un riesgo cuantificable cuando se

estén usando sistemas de medición en la toma de decisiones. Dado que el riesgo
mayor está en los límites de la categoría, el análisis más apropiado sería la
cuantificación de la variación del sistema de medición con la curva de desempeño de
un gage. (Ver Capítulo IV Sección F)
MÉTODOS DE ANÁLISIS DE RIESGOS
En algunas situaciones de atributos no es factible obtener suficientes partes con valores

de referencia variables. En tales casos, los riesgos en tomar decisiones equivocadas o
inconsistentes 56 pueden evaluarse usando:
• Análisis de Pruebas de Hipótesis
• Teoría de Detección de Señales
Dado que estos métodos no cuantifican la variabilidad de los sistemas de medición,

solo debieran usarse bajo consentimiento del cliente. La selección y uso de tales
técnicas debiera basarse en buenas prácticas estadísticas, un entendimiento de las
fuentes de variación potenciales que afecten el producto y los procesos de medición, y
el efecto de una decisión incorrecta en los procesos restantes y el cliente final.
Las fuentes de variación de los sistemas de atributos debieran minimizarse usando los
resultados de investigaciones sobre factores humanos y ergonomía.
Posibles Enfoques Escenario

El proceso de producción está en control estadístico y cuenta con índices de
desempeño de Pp = Ppk = 0.5 el cual es inaceptable. Debido a que el proceso está
fabricando producto no conforme, se requieren acciones de contención para sacrificar
las partes no aceptables del flujo de producción.
56
Esto incluye la comparación de evaluadores múltiples
131
Figura III-C 1: Proceso Ejemplo con Pp = Ppk = 0.50
Para actividades de contención, el equipo de procesos selecciona un gage de atributos

que compare cada parte con un conjunto de límites específicos y acepte la parte si los
límites se satisfacen; de lo contrario rechaza la parte (conocido como gage pasa / no
pasa). La mayoría de los gages de este tipo son ajustados para aceptar y rechazar en
base a un conjunto de partes master. A diferencia de un gage de variables, este gage de
atributos no puede indicar que tan bien o mal está una parte, si no solo que la parte se
acepta o se rechaza (ej., 2 categorías). Como en todos los gages, este gage de atributos
tiene areas “Grises” donde pueden tomarse decisiones equivocadas (ver Figura III-C 2
abajo y Capítulo II, Sección B).
Figura III-C 2: Las Áreas “Grises” Asociadas con el Sistema de Medición
Dado que esto no se ha documentado por el equipo, se necesita estudiar el sistema de

medición. Sin embargo, para abordar las áreas de riesgo alrededor de los límites de
especificación, el equipo selecciona aproximadamente 25% de las partes en ó cerca
del límite superior de especificación. En algunos casos donde es difícil hacer tales
partes, el equipo puede decidir usar un porcentaje inferior, reconociendo que esto
puede incrementar la variabilidad de los resultados. Si no es posible hacer partes cerca
de los límites de especificación, el equipo debiera reconsiderar el uso de gages de
atributos para este proceso. Conforme sea apropiado para cada carácterística, las
partes debieran ser medidas en forma independiente con un gage de variables y con
una variación aceptable (ej., una CMM). Cuando se mida un atributo verdadero que no
pueda ser medido con un gage de variables, usense otros medios tales como, expertos
para predeterminar cuáles muestras son buenas ó defectuosas.
132
Se usan tres evaluadores, con cada evaluador tomando tres decisions en cada parte.
Una decision aceptable fué designada con un uno (1) y una decision no aceptable con
un cero (0). La decision de referencia y los valores de referencia de la variable
mostrados en la Tabla III-C 1 inicialmente no fueron determinados. La tabla también
indica en la columna de “Codificado” si la parte está en el area I, area II ó area III
indicado por “-”, “x”, y “+” respectivamente.
Análisis de Pruebas de Hipótesis – Método Tabular Cruzado
Dado que el equipo no sabía las decisiones de referencia para las partes, ellos
desarrollaron tabulaciones ó tablas cruzadas comparándo cada uno de los evaluadores
con los otros.
El proceso de tables cruzadas analiza los datos de la distribución para dos ó más
variables categóricas. Los resultados – presentados en un formato de una matriz –
forman una tabla de contingencia que ilustra la interdependencia entre las variables. 57
57
Las tabulaciones ó tablas cruzadas están disponibles en muchos paquetes de software de análisis estadísticos y son usadas en
tablas de funciones como pivote en hojas de datos.
133
Valor de
Parte A -1 A -2 A -3 B -1 B -2 B -3 C -1 C -2 C -3 Referencia Código
Referencia
1 1 1 1 1 1 1 1 1 1 1 0.476901 +
2 1 1 1 1 1 1 1 1 1 1 0.509015 +
3 0 0 0 0 0 0 0 0 0 0 0.576459 -
4 0 0 0 0 0 0 0 0 0 0 0.566152 -
5 0 0 0 0 0 0 0 0 0 0 0.570360 -
6 1 1 0 1 1 0 1 0 0 1 0.544951 x
7 1 1 1 1 1 1 1 0 1 1 0.465454 x
8 1 1 1 1 1 1 1 1 1 1 0.502295 +
9 0 0 0 0 0 0 0 0 0 0 0.437817 -
10 1 1 1 1 1 1 1 1 1 1 0.515573 +
11 1 1 1 1 1 1 1 1 1 1 0.488905 +
12 0 0 0 0 0 0 0 1 0 0 0.559918 x
13 1 1 1 1 1 1 1 1 1 1 0.542704 +
14 1 1 0 1 1 1 1 0 0 1 0.454518 x
15 1 1 1 1 1 1 1 1 1 1 0.517377 +
16 1 1 1 1 1 1 1 1 1 1 0.531939 +
17 1 1 1 1 1 1 1 1 1 1 0.519694 +
18 1 1 1 1 1 1 1 1 1 1 0.484167 +
19 1 1 1 1 1 1 1 1 1 1 0.520496 +
20 1 1 1 1 1 1 1 1 1 1 0.477236 +
21 1 1 0 1 0 1 0 1 0 1 0.452310 x
22 0 0 1 0 1 0 1 1 0 0 0.545604 x
23 1 1 1 1 1 1 1 1 1 1 0.529065 +
24 1 1 1 1 1 1 1 1 1 1 0.514192 +
25 0 0 0 0 0 0 0 0 0 0 0.599581 -
26 0 1 0 0 0 0 0 0 1 0 0.547204 x
27 1 1 1 1 1 1 1 1 1 1 0.502436 +
28 1 1 1 1 1 1 1 1 1 1 0.521642 +
29 1 1 1 1 1 1 1 1 1 1 0.523754 +
30 0 0 0 0 0 1 0 0 0 0 0.561457 x
31 1 1 1 1 1 1 1 1 1 1 0.503091 +
32 1 1 1 1 1 1 1 1 1 1 0.505850 +
33 1 1 1 1 1 1 1 1 1 1 0.487613 +
34 0 0 1 0 0 1 0 1 1 0 0.449696 x
35 1 1 1 1 1 1 1 1 1 1 0.498698 +
36 1 1 0 1 1 1 1 0 1 1 0.543077 x
37 0 0 0 0 0 0 0 0 0 0 0.409238 -
38 1 1 1 1 1 1 1 1 1 1 0.488184 +
39 0 0 0 0 0 0 0 0 0 0 0.427687 -
40 1 1 1 1 1 1 1 1 1 1 0.501132 +
41 1 1 1 1 1 1 1 1 1 1 0.513779 +
42 0 0 0 0 0 0 0 0 0 0 0.566575 -
43 1 0 1 1 1 1 1 1 0 1 0.462410 x
44 1 1 1 1 1 1 1 1 1 1 0.470832 +
45 0 0 0 0 0 0 0 0 0 0 0.412453 -
46 1 1 1 1 1 1 1 1 1 1 0.493441 +
47 1 1 1 1 1 1 1 1 1 1 0.486379 +
48 0 0 0 0 0 0 0 0 0 0 0.587893 -
49 1 1 1 1 1 1 1 1 1 1 0.483803 +
50 0 0 0 0 0 0 0 0 0 0 0.446697 -
Tabla III-C 1: Conjunto de Datos para un Estudio de Atributos
134
El primer paso es sumarizar los datos observados. Revisando Tabla III-C1, el equipo
examinó los datos por pares de observadores, contando cuando ellos acordaron y
desacordaron para cada conjunto de evaluaciones. Esto es, par alas evaluaciones, hay
34 veces donde A-1 = 1 y B-1 = 1; hay 32 veces donde A-2 = 1 y B-2 = 1; y hay 31
veces donde A-3 = 1 y B-3 = 1 para un acuerdo total de 97. La tabla de abajo se
construyó para sumarizar la distribución de los datos para el par de observadores
A*B. Se prepararon tablas similares para pares de observadores B*C y A*C.
B
.00 1.00 Total
A 0.00 44 6 50
(acuerdan) (desacuerdan)
1.00 3 97 100
(desacuerdan) (acuerdan)
Total 47 103 150
El Segundo paso es estimar la distribución de datos esperada. ¿Cuál es la probabilidad

de que un par de observadores acuerde ó desacuerde en alguna observación,
puramente por suerte? En 150 observaciones el Observador A rechazó la parte 50
veces y el Observador B rechazó la parte 47 veces:
PA0 = 47/150 = 0.313

PB0= 50/150 = 0.333
Dado que los dos observadores son independientes, la probabilidad de que ellos
acuerden el que la parte está mala está dada por:
p( A0I B0) = p p = 0.104

A0 B0
El número esperado de veces que el Observador A y el Observador B acuerden el que

la parte está mala es estima multiplicando la probabilidad combinada por el número
de observaciones:
150 x (pA0 pB0) = 150 x (47/150) x (50/150) = 15.7
El equipo hace estimaciones similares para cada par de categorías y para cada par de
observadores para completar las siguientes tablas:
135
Tabulación Cruzada A * B
B
0.00 1.00 Total
A 0.00 Cuenta 44 6 50
Cuenta Esperada 15.7 34.3 50.0
1.00 Cuenta 3 97 100
Cuenta Esperada 31.3 68.7 100
Total Cuenta 47 103 150
Tabulación Cruzada B * C
C
0.00 1.00 Total
B 0.00 Cuenta 42 5 47
1.00 Cuenta 9 94 103
Tabulación Cruzada A * C
C
0.00 1.00 Total
A 0.00 Cuenta 43 7 50
1.00 Cuenta 8 92 100
Tabla III-C 2: Resultados del Estudio de Tablas Cruzadas
Para determinar el nivel de este acuerdo, el equipo utiliza el kappa (de Cohen) el cual
mide el acuerdo entre las evaluaciones de dos evaluadores cuando están evaluando el
mismo objeto. Un valor de 1 indica que el acuerdo es perfecto. Un valor de 0 indica
que el acuerdo no es mejor que una mera probabilidad. El kappa solo está disponible
en las tablas en las cuales ambas variables usen los mismos valores de las categorías y
cuenten con el mismo número de categorías mismas. 58
58
Existe un cierto número de estadísticos que puede ser usado para determiner el acuerdo entre evaluadores. Diferentes
estadísticos son apropiados para diferentes tipos de mediciones. Ver la Lista de Referencias incluyendo: Bland, J. M., y Altman,
D.G. (1986); Cohen, J. (1960); Everitt, B. (1996); Fleiss, j.L. (1971); Krippendorf, K. (2004); Saal, F.E. Downey, R.G. y Lahey,
M.A. (1980); Shrout, P. y Fleiss, J.L. (1979); y Uebersax, John S. (1987)
136
Kappa es una medida de acuerdo entre estimadores que prueba si las cuentas en las
celdas diagonales (las partes que reciben la misma estimación) difieren de aquellas
esperadas solo por probabilidad.
Hacer
po= la suma de las proporciones observadas en las celdas diagonales.
pe= la suma de la proporción esperada en las celdas diagonales.
Entonces
po − pe
Kappa =
1 − pe
Kappa es una medida más que una prueba59. La medida es juzgada usando un error
estándar asintótico para construir el estadístico t. Una regla empírica general es que
los valores de kappa mayores que 0.75 indican u n acuerdo bueno a excelente (con
un máximo de kappa = 1). Valores menores que 0.4 indican un acuerdo pobre.
Kappa no toma en cuenta el tamaño del desacuerdo entre los

estimadores, solo si ellos acuerdan o no. 60
Calculando las medidas de kappa para los evaluadores, el equipo concluye con lo
siguiente:
Kappa A B C
A -- 0.86 0.78
B 0.86 -- 0.79
C 0.78 0.79 --
Tabla III-C 3: Resumen de Kappa
Este análisis indica que todos los evaluadores muestran un buen acuerdo cada uno
con los otros.
Este análisis es necesario para determinar si existen diferencias entre los evaluadores
aunque no nos dice que tan bien el sistema de medición clasifica partes buenas de las
malas. Para este análisis el equipo tiene las partes evaluadas usando un sistema de
evaluación por variables y usa los resultados para determiner la decision de
referencia.
Con esta nueva información otro grupo de tables cruzadas es desarrollado

comparando cada evaluador con la decision de referencia.
59
Como en todas las evaluaciones por categorías, un número grande de partes que cubran el espectro completo
de posibilidades es necesario.
60
Cuando las observaciones son medidas en una escala ordinaria y por categorías un Kappa ponderado puede
usarse para un mejor acuerdo de medición. El acuerdo entre dos estimadores es tratado como Kappa aunque
los desacuerdos son medidos por el número de categorías con los cuales los estimadores difieren.
137
Tabulación Cruzada A * REF

REF
.00 1.00 Total
A 0.00 Cuenta 45 5 50
1.00 Cuenta 3 97 100
Cuenta Esperada 32.0 68.0 100
Tabulación Cruzada B * REF

REF
0.00 1.00 Total
B 0.00 Cuenta 45 2 47
1.00 Cuenta 3 100 103
Tabulación Cruzada C * REF

REF
0.00 1.00 Total
C 0.00 Cuenta 42 9 51
1.00 Cuenta 6 93 99
Tabla III-C 4: Comparaciones de los Evaluadores con la Referencia
El equipo también calcula la medida kappa para determinar el acuerdo de cada

evaluador con el valor de referencia.
A B C
Kappa .88 .92 .77
Estos valores pueden interpretarse como que cada uno de los evaluadores tiene
un buen acuerdo con el estándar.
138
El equipo de proceso calcula entonces la efectividad del sistema de medición.

No.DecisionesCorrectas
Efectividad =
TotaldeOpertunidadesporDecision
% del Evaluador1 % del Score vs Atributo2

Fuente Ev. A Ev. B Ev. C Ev. A Ev. B Ev. C
Total 50 50 50 50 50 50
Inspeccionado
# Iguales 42 45 40 42 45 40
Negativos Falsos (Evaluador Sesgado hacia el Rechazo) 0 0 0
Positivos Falsos (Evaluador Sesgado hacia la Aceptación) 0 0 0
Mezclado 8 5 10
95% del UCI 93% 97% 90% 93% 97% 90%
Score 84% 90% 80% 84% 90% 80%
Calculado
95% del LCI 71% 78% 66% 71% 78% 66%
Score del % Efectivo del Sistema3 Score del % Efectivo del Sistema vs
Referencia4
Total Inspeccionado 50 50
# en Acuerdo 39 39
95% del UCI 89% 89%
Score Calculado 78% 78%
95% del LCI 64% 64%
Notas
(1) El evaluador acuerda con el mismo en todos los intentos.
(2) El evaluador acuerda en todos los intentos con el estándar conocido.
(3) Todos los evaluadores acuerdan dentro y entre ellos mismos.
(4) Todos los evaluadores acuerdan dentro y entre ellos mismos y con la referencia.
(5) UCI y LCI son los límites de intervalos de confianza superior e inferior, respectivamente.
Tabla III-C 5: Tabla de Estudio de Efectividad
Las pruebas múltiples de hipótesis entre cada par de evaluadores puede conducirse con
la hipótesis nula:
Ho: La efectividad de ambos evaluadores es la misma.
Dado que el score calculado de cada evaluador cae dentro del intervalo de confiabilidad
de los otros, el equipo concluye que no pueden rechazar la hipótesis nula. Esto refuerza
las conclusiones de las medidas de Kappa.
Para análisis adicionales, uno de los miembros del equipo obtiene la siguiente tabla la
cual ofrece lineamientos para los resultados de cada evaluador.
139
Decisión
Proporción Proporción de
Sistema de Efectividad
Perdida Falsa Alarma
Medición
Aceptable para el
evaluador ≥ 90% ≤ 2% ≤ 5%
Marginalmente
aceptable para el
evaluador – puede ≥ 80% ≤ 5% ≤ 10%
requerirse
mejoramiento
No aceptable para
el evaluador –
requiere
mejoramiento < 80% > 5% > 10%
Tabla III-C 6: Ejemplo de Guías y Lineamientos para Criterios de Efectividad
Resumiendo toda la información que ya se tiene, el equipo concluye con esta tabla.
Proporción Proporción de
Efectividad
Perdida Falsa Alarma
A 84% 6.3% 4.9%
B 90% 6.3% 2.0%
C 80% 12.5% 8.8%
Tabla III-C 7: Resumen del Estudio de Efectividad
Estos resultados muestran que el sistema de medición tenía diferentes niveles de

desempeño en Efectividad, Proporción Perdida y Proporción de Falsa Alarma,
dependiendo del evaluador. Ningún evaluador contaba con resultados aceptables en
todas las tres categorías. Ningún evaluador contaba con resultados inaceptables en todas
las tres categorías. ¿Los lineamientos de aceptación necesitaban ser modificados para
éste proceso? ¿Son éstos riesgos aceptables? ¿Los evaluadores requerían un mejor
entrenamiento? ¿Podría ser mejorado el ambiente de las mediciones? y más importante
¿Qué piensa el cliente acerca del sistema de medición y estos resultados? - ¿Cuáles eran
sus expectativas?
¿Los clientes aceptan éstos niveles de riesgo?
Tamaño de Muestra
La pregunta siempre se crea: ¿Cuantas muestras debieran ser usadas en el estudio? Para
desmayo de la mayoría de la gente, la respuesta es “suficientes”. El propósito de
cualquier studio de mediciones (variables ó atributos) es entender las propiedades del
sistema de medición. Un número suficiente de muestras debiera ser seleccionado para
cubrir el rango de operación esperado (ver también Capítulo II Sección C). Con los
sistemas de mediciones por atributos, las áreas de interés son las
140
áreas Tipo II (ver Capítulo I, Sección B). Si la habilidad inherente del proceso es buena
(ej., Cp, Cpk ó Ppk grandes) entonces una muestra aleatoria pequeña puede no tener
muchas (ó algunas) muestras en esta área. Esto significa que conforme se mejora la
habilidad del proceso, la muestra aleatoria requerida para el estudio de atributos debiera
llegar a ser más grande.
En el ejemplo anterior, los índices fueron Pp, Ppk = 0.5 (ej., un desempeño de proceso
esperado de aproximadamente del 13% de no conformancia), la muestra seleccionada
fue 50.
Un ejemplo alternativo a las muestras grandes es la “muestra salteada” donde las partes
son seleccionadas específicamente de las áreas del Tipo II para incrementar la muestra
aleatoria para asegurar que el efecto de la variabilidad del evaluador sea vista.
Aspectos a Considerar
1) No existen criterios de decisión basados en la teoría para un riesgo aceptable. Los
lineamientos anteriores son heurísticos y desarrollados en base a “creencias”
individuales acerca de lo que pasa como “aceptable”. Los criterios de decisión
finales debieran basarse en el impacto (ej., riesgo) de mantener el proceso y el
cliente final. Este es un tema de decisiones y no estadístico.
2) El análisis anterior depende de los datos. Por ejemplo, si los índices del proceso
son Pp = Ppk = 1.33, entonces todas las decisiones serían correctas dado que
ninguna parte caería en la región II (las áreas “grises”) del sistema de medición.
Figura III-C 3: Proceso de Ejemplo con Pp = Ppk = 1.33
Con esta nueva situación, se concluiría que todos los evaluadores son aceptables
dado que no habría errores de medición.
141
3) Generalmente existe un concepto equivocado de lo que realmente los resultados

de tablas cruzadas significan. Por ejemplo, los resultados del evaluador B de la
Tabla III-C 4 son:
Tablas Cruzadas B* REF

REF
0.00 1.00 Total
B 0.00 Cuenta 45 2 47
% dentro de Ref. 93.8% 2.0% 31.3%
1.00 Cuenta 3 100 103
% dentro de Ref. 6.3% 98.0% 68.7%
% dentro de Ref. 100.0% 100.0% 100.0%
Dado que el propósito de la inspección es encontrar todas las partes no conformes, la

mayoría de la gente ve la esquina superior izquierda como una medida de la efectividad
de encontrar partes malas. Este % es la probabilidad de decir que una parte es mala
dado que es mala:
Pr (llamar la parte mala │una parte mala)
Asumiendo que el proceso es mejorado a un Pp = Ppk = 1.00, la probabilidad de interés

hacia el fabricante es:
Pr (la parte es mala │es llamada mala)
Para determinar ésto de los datos anteriores, debe usarse el Teorema de Bayes.
Pr (l lamadomalo malo )* Pr (malo )

Pr (malo llamadomalo ) =
Pr (llamadomalo malo ) * Pr (malo ) + Pr (llamadomalo bueno )* Pr (bueno )
.938 * (.0027 )
Pr (malo llamadomalo ) =
.938 * (.0027 ) + .020 * (.9973)
Pr (malo llamadomalo ) = .11
Estos resultados indican que si la parte es llamada mala existe una probabilidad de 1 en
10 de que sea verdaderamente mala.
4) El análisis no utiliza información de datos de variables ni información de orden

relativo, la cual estuviera disponible cuando los valores de referencia de
decisiones se determinaron.
142
Enfoque de Detección de Señales
Un enfoque alternativo es usar la teoría de Detección de

Señales 61 para determinar una aproximación de la amplitud
del área de la región II y de esto, el RRG del sistema de
medición. Esto requiere que cada una de las partes de la
muestra puedan ser evaluadas fuera de línea por sistemas de
medición de variables. Este valor de referencia es mostrado
en la columna de Valor Ref en la Tabla III-C1.
Pasos:
1) Determina la Tolerancia (rango de la especificación); de

la Figura III-C 1:
USL = .550
LSL = .450
Entonces la Tolerancia = USL-LSL = .100. Este valor

usado es usado para calcular el RRG.
Guías y Lineamientos:
Si Ppk>1, comparar el sistema de medición con el proceso.

Si Ppk<1, comparar el sistema de medición con la tolerancia.
Tabla III-C 8: Tabla III-C 1 clasificada por Valor Ref
Para los datos en la Tabla III-C 1.
2) Ordenar por rango los datos (y celdas adyacentes) de la más alta a la más
baja en base en los Valores de Referencia individuales (ver Tabla III-C 8;
Nota: esta tabla ha sido dividida en dos columnas para ahorrar espacio.).
3) Identifica los puntos inicial y final de las dos áreas IIs. En Tabla III-C 8 esto
se muestra en la columna de Code (ó Código):
+ = aceptado con acuerdo total

- = rechazado con acuerdo total (en Tabla III-C 1)
X = desacuerdo
La amplitud estas zonas es lo que estamos tratando de determinar, y la

amplitud promedio de estas zonas es usada para comparar el
61
Ver Lista de Referencia: Baker 1975
143
sistema de medición con la tolerancia de la especificación, ó con la

amplitude 6 sigma del proceso (dependiendo de la situación)s.
4) Haciendo referencia a la gráfica de arriba, hacer que dUSL = distancia entre la
última parte aceptada por todos los evaluadores y la primera parte rechazada
por todos. Esta distancia es equivalente a la zona II gris alrededor de USL
Zone I = partes acordadas arriba, limitada por la zona I superior a la derecha, y la zona III a la
por todos los evaluadores izquierdas. Note los valores circulados en la Tabla III-C 8 arriba.
para ser rechazadas.
Zone III = partes acordadas

por todos los evaluadores
para ser aceptadas.
Zone II = partes Meta

cuestionables sin un 100%
de acuerdo, alrededor de
5) Hacer que dLSL = la distancia entre la última parte aceptada por todos los
cada límite de
evaluadores en Zona III y la primer parte rechazada por todos los
especificación.
evaluadores en la Zona I.
Hacer que di = distancia entre la última parte aceptada por todos los
evaluadores y la primer parte rechazada por todos (para cacad
especificación).
Entonces,
d = promedio (di)
es un estimativo 62 de la amplitud de las áreas de la región II y, por tanto,

un estimativo de RRG = 6 *σ RRG
En este ejemplo (p. 126) where the tolerance is 0.100,

dLSL = 0.470832-0.446697 = 0.024135
dUSL = 0.566152-0.542704=0.023448
d = 0.0237915
ó el %RRG estimado es,
%RRG = 24%
Dado que este ejemplo fue generado por un sistema de medición con
un %RRG = 25% actual, este estimativo conduciría a la misma
evaluación del sistema de medición.
Si solo la información de los datos ordenados estuviera disponible,
esta técnica puede todavía usarse aunque requiere conocimiento del
asunto ó tema para cuantificart d’s.
62
La “bondad” de este estimativo depende del tamaño de la muestra y de que tan cerca la muestra represente al
proceso. Mientras más grande es la muestra, mejor es el estimativo.
144
METODO ANALITICO 63
Como en cualquier sistema de medición, la estabilidad del proceso debiera verificarse
y, si es necesario, monitorearse. Para sistemas de medición de atributos, las gráficas de
control de atributos con muestras constantes en el tiempo es una forma común de
verificar la estabilidad. 64
Para un sistema de medición de atributos, el concepto de la Curva de Desempeño de un

Gage (ver capítulo V, sección C) es usado para desarrollar un estudio de un sistema de
medición, el cual se use para evaluar la cantidad de repetibilidad y sesgo del sistema de
medición en cuestión. Este análisis puede usarse en sistemas de medición de 1 y 2
límites. Para un sistema de medición de dos límites, solo un límite necesita ser
examinado con los supuestos de linealidad y error de uniformidad. Por conveniencia, el
límite inferior es usado para discusión.
En general, el estudio de los sistemas de medición de atributos consiste en la obtención

de valores referencia para varias partes seleccionadas. Estas partes son evaluadas un
cierto número de veces, (m), con el número total de aceptadas (a), para cada parte
registrada. De los resultados, puede evaluarse la repetibilidad y el sesgo.
La primera etapa de un estudio de atributos es la selección de las partes. Es esencial que

el valor de referencia sea conocido para cada parte usada en el estudio. Debieran
seleccionarse 8 partes en intervalos equidistantes y lo más cerca y práctico posibles.
Los valores máximo y mínimo debieran representar el rango del proceso. Aunque esta
selección no afecta la confiabilidad en los resultados, si afecta el número total de partes
necesarias para completar el estudio del gage. Las 8 partes deben correrse a través del
gage, m = 20 veces y registrarse el número de aceptadas, (a).
Para el estudio total, la parte más pequeña debe contar con el valor a = 0; la parte más
grande, a = 20; y las otras 6 partes, 1< a < 19. Si estos criterios no son satisfechos, más
partes con valores de referencia conocidos, (X) deben correrse a través del gage hasta
que las condiciones anteriores se cumplan. Si para el valor más pequeño a ≠ 0,
entonces mas y mas partes pequeñas son tomadas y evaluadas hasta que a = 0. Si para
el valor más grande a ≠ 20, entonces más y más partes grandes son tomadas hasta que
a = 20. Si 6 de las partes no cuentan con 1< a < 19, pueden tomarse partes adicionales
en puntos seleccionados a lo largo del rango. Estos puntos son tomados como puntos
medios de las mediciones de las partes ya medidas en el estudio. El primer intervalo
con el final a = 0 empieza desde la más grande medición donde a = 0. Para el final con
a = 20, el primer intervalo comienza en la medición más pequeña donde a = 20. Para
mejores resultados, debieran tomarse muestras para finales con a = 0 y a = 20 y
trabajarse hacia el punto medio del rango de la parte. Si es necesario, el procedimiento
puede repetirse hasta que se cumplan los criterios.
Una vez que los criterios de recolección de datos han sido satisfechos, las
probabilidades de aceptación deben calcularse para cada parte usando las siguientes
ecuaciones:
63
Adaptada con el permiso de “Análisis de Sistemas de Gages por Atributos” por J. McCaslin & G.Gruska, ASQC, 1976.
64
Caveat: np > 4
145
a + 0.5 a
if < 0.5, a≠0
m m
a − 0.5 a
P’a if > 0.5, a ≠ 20
m m
a
0.5 if = 0.5
m
Los ajustes cubren los casos donde 1 ≤ a ≤ 19 . Para los casos donde a = 0 fijar P'a =0
excepto para el valor de referencia más grande con a = 0, en el cual P'a =0.025. Para los
casos donde a = 20 entonces P'a =1 excepto para el valor de referencia más pequeño con
a = 20 y en el cual P'a =0.975.
Una vez que el P'a ha sido calculado para cada XT, la Curva de Desempeño del Gage
(CDG) puede desarrollarse. Aunque la CDG puede presentarse gráficamente (ver Figura
III-C 5), el uso del papel de distribución normal (ver Figura III-C 4) produce estimativos
más exactos de la repetibilidad y el sesgo.
Las probabilidades calculadas son graficadas en papel de probabilidad normal y una

línea de mejor ajuste es trazada a través de estos puntos. El sesgo es igual al límite
inferior menos la medición del valor referencia que corresponda a P'a =0.5,
Sesgo = Límite Inferior de Especificación - XT(en P’a = 0.5)
La repetibilidad es determinada encontrando las diferencias de las mediciones del valor

referencia correspondientes a P'a=0.995 P'a=0.005 y dividiendo por un factor de ajuste
de 1.08. 65
XT (a P' a = 0.995) − XT (a P ' a = 0.005)

Re petibilidad =
1.08
Para determinar si el sesgo es significativamente diferente de cero, el siguiente

estadístico es usado:
6.078 × Sesgo
t=
σ Re petibilidad
Si este valor calculado es mayor que 2.093 (t025,19), entonces el sesgo es
significativamente diferente de cero.
Un ejemplo clarificará la recolección de datos de un estudio de atributos y el cálculo de
la repetibilidad y sesgo.
65
El factor de ajuste (sin sesgo) de 1.08 es específico para un tamaño de muestra de 20 y fue determinado a través de una
simulación de éste enfoque con un rango de repetibilidad del 99%. Para convertir el resultado a un rango de 6 sigma, se
divide por 5.15 y se multiplica por 6.
146
Ejemplo
Un gage de atributos está siendo usado para medir una dimensión que tiene una
tolerancia de + 0.010. El gage es un dispositivo de inspección al 100% automático y de
final de línea que es afectado por la repetibilidad y sesgo. Para ejecutar el estudio de
atributos, se corren 8 partes con valores de referencia en intervalos de 0.002 desde –
0.016 hasta – 0.002, a través del gage 20 veces cada parte. El número de aceptados para
cada parte es
XT a
-0.016 0
-0.014 3
-0.012 8
-0.010 20
-0.008 20
-0.006 20
-0.004 20
-0.002 20
Dado que existen dos valores de referencia con 1 ≤ a ≤ 19 , al menos cuatro partes más
deben ser encontradas. Entonces, es necesario correr partes con valores de referencia en
los puntos medios de los valores existentes. Estos valores de referencia y el número de
aceptados es:
-0.015 1
-0.013 5
-0.011 16
Ahora existen 5 valores de referencia con 1 ≤ a ≤ 19 . El procedimiento requiere que

una parte más se encuentre con 1 ≤ a ≤ 19 . Entonces, la siguiente parte es evaluada.
-0.0105 18
Ahora que los criterios de recolección de datos se han satisfecho, las probabilidades de
aceptación pueden calcularse usando los ajustes binomiales mostrados abajo.
XT a P’a
-0.016 0 0.025
-0.015 1 0.075
-0.014 3 0.175
-0.013 5 0.275
-0.012 8 0.425
-0.011 16 0.775
-0.0105 18 0.875
-0.010 20 0.975
-0.008 20 1.000
147
Estas probabilidades son graficadas en un papel de probabilidad normal como se

muestra en la Figura III-C 4. Graficando una línea de mejor ajuste a través de estos
puntos, pueden determinarse el sesgo y la repetibilidad. El sesgo es igual al límite
inferior menos la medición del valor referencia que corresponda a P'a=0.5.
De la Figura III-C 4:
Sesgo = -0.010 - (-0.0123) = 0.0023
La repetibilidad se determina encontrando las diferencias de las mediciones del valor

referencia correspondientes a P'a=0.995 y P'a=0.005 y dividiendo por 1.08. De la Figura
III-C 4:
0.0084(0.0163)
R=
1.08
0.0079
= = 0.0073
1.08
R
Then σ repetibilidad
=
5.15
= 0.00142 and the associated GRR range is 0.0085
Para determinar si el sesgo es significativamente diferente de cero, calcular:
6.078 × Sesgo
t=
σ repetibilidad
6.078 × 0.0023
= = 9.84
0.00142
Dado que t0.025,19=2.093, el sesgo es significativamente diferente de cero.
Como en la Curva de Desempeño de un Gage para variables mostrada en el Capítulo IV,

Sección F, la CDG de atributos puede también ser graficada en papel de escala normal
(ver Figura III-C 5). Esto puede lograrse en una de dos formas. Un enfoque sería correr
el estudio de la muestra en otro límite de la especificación. En el ejemplo, el método
largo para el estudio de atributos también tendría que conducirse en el límite más alto
de la especificación y calcularse los valores graficados.
Sin embargo y debido a los supuestos mencionados previamente, no sería necesario
correr el estudio otra vez. Dado que la forma de la curva en el límite superior debiera ser
una “imagen de espejo” de la curva misma en el límite inferior, la única consideración
necesaria es la localización de la curva con respecto a los valores XT. Esta localización
se determina por el sesgo.
La posición correcta de la curva sería definida en el punto donde la P'a = 0.5, y el valor
de XT es igual al límite de la especificación menos el sesgo. En el ejemplo, este punto
sería XT= 0.010 - 0.0023 = 0.0077. La CDG graficada en esta forma se muestra en la
Figura III-C 4.
148
Repetibilidad = 0.0079
♦
Desajustada ♦
99.8 0.2
99.5 0.5
♦ ♦
99.0 1.0
98.0 ♦
♦ ♦ 2.0
95.0 5.0
♦ ♦
90.0 10.0
♦
♦ ♦
80.0 20.0
♦
70.0 ♦ ♦ 30.0
60.0 40.0
♦
50.0 50.0
40.0
♦
60.0
♦ ♦
30.0 70.0
♦
20.0 80.0
♦ ♦ ♦
10.0 90.0
♦ ♦ ♦
5.0 95.0
2.0 ♦ ♦ ♦ 98.0
1.0 99.0
♦ ♦
0.5 99.5
0.2 ♦ ♦ 99.8
-0.016 -0.014 -0.012 -0.01
Sesgo = -0.010 - (-0.0123) = 0.0023
Tabla III-C 4: Curva de Desempeño de Gage de Atributos Graficada en Papel de Probabilidad

Normal
149
LSL USL
p
1 .0
0 .9
Probabilidad de Aceptación
0 .8
0 .7
0 .6
0 .5
0 .4
0 .3
0 .2
0 .1
0 .0
-0 .0 2 0 -0 .0 1 5 -0 .0 1 0 -0 .0 0 5 0 .0 0 .0 0 5 0 .0 1 0 0 .0 1 5 0 .0 2 0
V a lo r d e R e fe re n c ia d e la s P a rte s M e d id a s
Sesgo=0.0023 RRG=0.0085
Figura III-C 5: Curva de Desempeño de Gages de Atributos
150
Capítulo IV
Otras Prácticas y Conceptos de Medición
CAPÍTULO IV
Otras Prácticas y Conceptos de Mediciones
151
Capítulo IV
152
Capítulo IV – Sección A
Prácticas para Sistemas de Medición Complejos ó No Replicables
Sección A
Prácticas para Sistemas de Medición No Replicables

El enfoque de este manual de referencia es sistemas de medición donde las lecturas
puedan replicarse para cada parte. No todos los sistemas de medición tienen esta
característica; por ejemplo:
• Sistemas de mediciones destructivas

• Sistemas donde la parte cambia en el uso / prueba; ej., pruebas de dinamómetro
en motores o transmisiones
Lo siguiente son ejemplos de enfoques para análisis de sistemas de

medición, incluyendo aquellos no discutidos previamente en este manual.
No se pretende que sea una lista completa cubriendo cada tipo de sistema
de medición si no solo ejemplos de varios enfoques. Si un sistema de
medición no se ajusta al enfoque del manual, se recomienda ayuda y
consulta de fuentes estadísticas competentes.
Sistemas de medición destructivos
Cuando la parte (característica) a ser medida es destruida por el acto mismo de

medición el proceso es conocido como medición destructivas. Esto incluye la
clase completa de sistemas de medición conocidos como “sistemas de medición
destructivos”; por ejemplo, pruebas de soldadura destructivas, pruebas de acabado
metálico destructivas, pruebas de cámara de humedad/salina, pruebas de impacto
(gravelometro) ó de espectrometría de masas y otros procesos de pruebas de
características de materiales.
Estos son los ejemplos “clásicos” de sistemas de medición no replicables dado

que lecturas repetitivas no pueden tomarse para una misma parte.
Sistemas donde la parte cambia en el uso/prueba
Sin embargo, existen otros sistemas de medición los cuales son no replicables, y
donde la parte misma no es dañada por el proceso de medición aunque la
característica a ser medida cambia. Ejemplos de esto son: pruebas de fuga con
datos cualitativos, pruebas usando stands de prueba de máquinas, stands de
pruebas de transmisión, dinamómetros de vehículos, etc.
El análisis de estos sistemas depende de si
1) Un conjunto de partes homogéneas (variación pequeña entre partes)

puede encontrarse para representar una sola parte;
2) La vida de anaquel de la característica (propiedad) es conocida y se

extiende más allá de la duración esperada del estudio – ej., la
característica medida no cambia dentro de un período esperado de uso; ó
3) Las propiedades dinámicas (cambiantes) pueden ser estabilizadas
153
Capítulo IV
El mapeo de los estudios descritos en este capítulo y los diferentes escenarios es

como sigue:
Estudios de Estabilidad
Escenario S1 S2 S3 S4 S5
La parte no cambia por el proceso de medición, ej., los sistemas
de medición que no son destructivos (replicables) y serán usados
con partes (especimenes) con:
• Propiedades estáticas, o
• Propiedades dinámicas (cambiantes) as cuales han sido
estabilizadas
La vida de anaquel de la característica (propiedad) es conocida y
se extiende más allá de la duración esperada del estudio; ej., la
característica medida no cambia durante el periodo esperado de
uso.
Sistemas de medición destructivos.
Otros sistemas de medición no replicables.
Sistemas de medición con características dinámicas: ej., stands de

prueba
Estudios de Variabilidad
Escenario V1 V2 V3 V4 V5 V6 V7 V8 V9
La parte no cambia por el proceso de
medición; ej., lo sistemas de
medición que son no destructivos y
serán usados con partes
(especimenes) con:
• Propiedades estáticas, o
• Propiedades dinámicas
(cambiantes) las cuales han sido
estabilizadas
Lo anterior con p>2 instrumentos.
Sistemas de medición destructivos.
Otros sistemas de medición no

replicables.
Sistemas de medición con
características dinámicas: ej., stands
de prueba
Sistemas de medición con
características dinámicas con p>3
instrumentos
Tabla IV-A 1: Métodos Basados en los Tipos de Sistemas de Medición.
154
Capítulo IV – Sección B
Sección B
S1: Una Parte 66, Medición Única por Ciclo
Aplicación:
a) Sistemas de medición en los cuales la parte no cambia por el proceso de
medición; ej., sistemas de medición que no son destructivos y serán usados con
partes (especimenes) con:
9 Propiedades estáticas, o
9 Propiedades dinámicas (cambiantes) que han sido estabilizadas
b) La vida de anaquel de la característica (propiedad) es conocida y se extiende

más allá de la duración del estudio; ej., la característica medida no cambia
durante el periodo esperado de uso.
Supuestos:
• El sistema de medición es conocido (documentado) para una respuesta lineal
sobre un periodo esperado de la característica (propiedad).
• Las partes (especimenes) cubren el rango esperado de la variación del proceso

de la característica.
Analiza usando las gráficas X & mR
• Determina la estabilidad del sistema de medición:
9 Compara los puntos graficados con los límites de control
9 Checa tendencias (solo la gráfica x)

• Compara σe = R (error total de las mediciones) con el estimativo de la
d 2*
repetibilidad σE de un estudio de variabilidad (ver siguiente sección).
• Determina el sesgo si el valor de referencia es conocido:

sesgo = x - valor de referencia
66
Puede usarse un estándar o patrón de referencia si es apropiado para el proceso.
155
S2: ≥ 3 Partes n > 3 67, Medición Única por Ciclo por Parte
Aplicación:
medición; ej., sistemas de medición que no son destructivos y serán usados con
9 Propiedades estáticas, o
9 Propiedades dinámicas (cambiantes) que han sido estabilizadas.
b) La vida de anaquel de la característica (propiedad) es conocida y se extiende

más allá de la duración del estudio; ej., la característica medida no cambia
durante el periodo esperado de uso.
Supuestos:
• El sistema de medición es conocido (documentado) para una respuesta lineal
sobre un periodo esperado de la característica (propiedad).

Analiza usando una gráfica [z, R]: donde zi = xi − μi

Y μi es el valor estándar (de referencia), o determinado por el promedio de un
número grande de lecturas sucesivas de la parte (espécimen).
• Determine la estabilidad del sistema de medición:
9 Compare los puntos graficados con los límites de control
9 Cheque tendencias (solo en gráfica z)

• Compare 68
σe = R con el estimativo de la repetibilidad σE de un estudio
d 2*
de variabilidad.
• Determine el sesgo si los valores de referencia son conocidos.

sesgo = x - valor de referencia
• Determina la linealidad si se usan n > 3 partes:
9 Las partes (especimenes) deben cubrir el rango esperado de la propiedad

9 Cada parte (espécimen) debiera ser analizada por separado para el sesgo y
la repetibilidad
9 Cuantifica la linealidad usando el análisis de linealidad discutido en el

capítulo III, sección B.
67
Puede usarse un estándar o patrón de referencia si es apropiado para el proceso.
Si se involucra a más de un evaluador en la recolección de datos, entonces σ E (estimativo de la
68
repetibilidad) es afectada también por la reproducibilidad del sistema de medición. Cuantifica la

reproducibilidad con gráficas de correlación y bigotes e indexadas por evaluador (ver capítulo III,
sección B).
156
Si se usa más de un instrumento es este estudio, determina la consistencia

(homogeneidad de la variación) entre los instrumentos; ej., uso de la prueba F,
prueba de Bartlett, prueba de Levene 69, etc.
S3: Muestra Grande de un Proceso Estable
Aplicación:
El sistema de medición debe estar evaluando una muestra (recolectada y aislada)
homogénea y distribuida e idénticamente independiente (“dii”). Las mediciones de
las partes individuales (especimenes) no son replicadas por lo que este estudio
puede usarse con sistemas de medición destructivos y no replicables.
Supuestos:
• La vida de anaquel de la característica (propiedad) es conocida y se extiende
más allá de la duración esperada del estudio; ej., la característica medida no
cambia durante el periodo esperado de uso y/o almacenamiento.

de la característica (propiedad).
• La linealidad del sistema de medición es conocida (documentada) sobre el

rango esperado de la característica (propiedad). (Si la respuesta es no lineal, las
lecturas deben ajustarse).
Analiza:
• Determinando la variabilidad total a través de un estudio de habilidad con n>30
partes. (Este estudio preliminar debiera también ser usado para verificar la
consistencia de la muestra: ej., todas las partes (especimenes) vienen de una
distribución unimodal).
• σ total
2
= σ Pr2 oceso + σ sistemamed
2
iciones
• Midiendo una o más lecturas individuales de la muestra aislada en periodos de

tiempo, use gráficas x & R o x & mR con límites de control determinados por
el estudio de habilidad.
• Compare los puntos graficados con los límites de control.
• Cheque tendencias.
• Dado que las partes (especimenes) no cambian (una muestra aislada), cualquier
indicación de inestabilidad sería atribuida a un cambio en el sistema de
medición.
69
Dataplot, National Institute of Standars and Technology, Statistical Engineering División (www.itl.nist.gov)
157
S4: Especimenes Divididos (General), Espécimen Único por Ciclo

Aplicación:
Las mediciones de pociones de partes (especimenes) individuales no son replicadas
de forma tal que el estudio puede ser usado con sistemas de medición destructivos
y no replicables.
Supuestos:

• Los especimenes son divididos en m porciones. Con m=2 porciones, este a

menudo es llamado estudio de prueba – volver a probar.
Analiza usando:
• La gráfica de rangos para rastrear la consistencia de las mediciones

(confundida con la consistencia “dentro del lote”).
• Compara σ e = R con el estimativo de la repetibilidad σ E de un estudio de

d 2*
variabilidad.
• Este es un estudio de límite superior: σ e2 = σ E2 + σ btwn

2
• Gráfica para rastrear la consistencia del proceso de producción.
S4 con Pares de Partes Consecutivas (Homogéneas) de Diferentes Lotes – S4a
Este estudio es el mismo que S4 con partes homogéneas de diferentes lotes. Es un

estudio de límite superior, dado que σ e2 = σ E2 + σ btwn
2
+ σ lots
2
158
S5: Stands de Prueba

En esta situación, instrumentos de medición múltiple (stands de prueba) evalúan
las mismas características de un flujo continuo del producto. El flujo del producto
es asignado aleatoriamente a stands individuales.
S5a: Respuestas de Atributos

Analiza usando las gráficas p:
• Determina la consistencia (de las decisiones) entre los stands: una gráfica
simple incluyendo los resultados de todos los stands.
• Determina la estabilidad dentro de los stands individuales: gráficas separadas

para cada stand.
Analiza la estabilidad total del sistema con una gráfica p & mR, donde p es el
promedio de todos los stands de prueba en un cierto día.
S5b: Respuestas de Datos de Variables

Analiza usando ANOVA y técnicas gráficas: 70
• Calcula x & s para cada stand de prueba (por característica), en el periodo de
tiempo.
• Determina la consistencia entre los stands: una gráfica simple x & s incluyendo
los resultados de todos los stands.
• Determina la estabilidad dentro de los stands individuales: gráfica x & s por

separado para cada stand.
• Cuantifica la consistencia (homogeneidad de variación) entre los stands; ej., usa

la prueba F, de Bartlett, de Levene, etc.
• Determina si todos los stands cuentan con la misma meta comparando los
promedios de los stands; ej., usando un análisis ANOVA de un sentido. Si existe
alguna diferencia, aísla los diferentes stands usando, por ejemplo, la prueba T
de Tukey.
70
Ver también James, P.D., “Graphical Displays of Gages R&R Data”, AQC transaction, ASQC, 1991
159
160
Capítulo IV – Sección C
Estudios de Variabilidades
Sección C
Todos los estudios descriptivos son enumerativos por naturaleza y describen el
sistema de medición (incluyendo los efectos del medio ambiente) durante el
estudio. Dado que los sistemas de medición son usados para toma de decisiones
futuras acerca de los productos, proceso o servicios, es necesaria una conclusión
analítica acerca del sistema de medición. La transición de resultados enumerativos
analíticos requiere conocimientos del tema y pericia para:
• Asegurar que todas las fuentes de variación de las mediciones son consideradas
en el diseño y en la ejecución del estudio.
• Analizar los resultados (datos) a la luz del uso esperado, medio ambiente,
control, mantenimiento, etc.
V1: Estudios Estándar RRG
Estos estudios están contenidos dentro de este manual de referencia. Estos

estudios incluyen análisis gráficos y numéricos.
V1a – Método de Rangos (R&R)

V1b – Método de Rangos (R&R y dentro de las partes)
V1c – Método ANOVA
V1d – Método de Rangos/ANOVA Modificado
V2: Lecturas Múltiples con p>2 Instrumentos

Esto permite la comparación de instrumentos múltiples.
Aplicación:
medición; ej., sistemas de medición que son no destructivos y serán basados con
1) Propiedades estáticas, o
2) Propiedades dinámicas (cambiantes) las cuales han sido estabilizadas.
Supuestos:
más allá de la duración esperada del estudio; ej.,la característica medida no
cambia durante el periodo esperado de uso.
• Partes (especimenes) cubren el rango esperado de la variación del proceso de la

característica.
161
Analiza usando los estimativos de Grubbs 71 (o Thompson) 72 :
• La variabilidad del proceso
• La variabilidad del instrumento = repetibilidad
• Los cálculos de la región de confiabilidad están disponibles.
V3: Especímenes Divididos (m = 2)
Aplicación:
Las mediciones de porciones individuales de las partes (especimenes) no son
replicadas de manera que este estudio puede ser usado en sistemas de medición
destructivos y no replicables y puede ser usado para analizar sistemas de medición
con características dinámicas.
Supuestos:
• Las partes (especímenes) cubren el rango esperado de la variación del proceso

• Los especímenes son divididos en m porciones. Con m=2 porciones, este es a

menudo llamado estudio de prueba – volver a probar.
Analiza usando técnicas de regresión:
• Estima la repetibilidad con el término del error: σ E = σ e
• Linealidad (comparando la línea estimada con la línea a 45º)
V3a - V3 con Pares de Partes Consecutivas
Este estudio es el mismo que V3 pero usando pares consecutivos de partes más que
especimenes divididos. Este estudio es usado en situaciones donde la parte no
puede ser dividida sin destruir la propiedad a ser medida.
Este es un estudio de límites superior: σ E ≤ σ e + σ btwn
71
Ver lista de referencias, Grubbs, F.E., 1973.
72 Ver lista de referencias, Thompson, W.A., Jr., 1963.
162
V4: Especimenes Divididos (General)
Aplicación:
Las mediciones de porciones individuales de partes (especimenes) no son
replicadas de manera que el estudio puede usarse para sistemas de medición
destructivos y no replicables y puede ser usado para analizar sistemas de medición
con características dinámicas.
Supuestos:

• Dividir los especimenes en m porciones donde m=0 mod 2 o 3; m > 2 (ej., m=3,
4, 6, 9, ...).
Analiza usando:
• Técnicas RRG estándar incluyendo gráficas
• ANOVA – Diseño de Bloques Aleatorio (ANOVA en dos sentidos)
V4a - V4 con Pares de Partes Consecutivas (homogéneas) de

Diferentes Lotes
Este estudio es el mismo que V4 usando pares consecutivos de partes más que
especimenes divididos. Este estudio es usado en situaciones donde la parte no
puede ser dividida sin destruir la propiedad a ser medida.
Este es un estudio de límite superior: σ E ≤ σ e + σ partes + σ lotes

Los siguientes estudios asumen que la característica (propiedad) de la
parte (espécimen) es dinámica.
V5: Igual que V1 con Partes Estabilizadas
Las partes usadas en el estudio son estabilizadas usando un proceso en base a

conocimientos de ingeniería y pericia; Ej., motores que son “fracturados” vs
motores “verdes”.
163
V6: Análisis de Series de Tiempo
Supuestos:
• Lecturas repetidas son tomadas sobre periodos especificados de tiempo.


Analiza determinando el modelo de degradación para cada parte de la

muestra:
• σE = σe
• Consistencia de degradación (si n>2)
V7: Análisis Lineal
Supuestos:
• Lecturas repetidas son tomadas en periodos de tiempo especificados.
• Degradación en el sistema de medición es conocida (documentada) para contar

con una respuesta lineal en periodos de tiempo especificados.


Analiza por regresión lineal:

• σE = σe
• Consistencia de degradación (si n>2)
V7a - V7 con una Muestra Homogénea
Analiza por regresión lineal:
Este es un estudio de límite superior: σ E ≤ σ e + σ btwn
V8: Tiempo vs Degradación de la Característica (Propiedades)
V6 & V7 Pueden modificarse para determinar si la degradación es tiempo (ej., vida

de anaquel) o depende de la actividad.
164
V9: V2 con Lecturas Múltiples Simultaneas y p>3 Instrumentos
Analiza igual como V2 (ver también Lipson & Sheth, sec. 13.2).
165
Capítulo IV Sección C
166
Capítulo IV – Sección D
Cuantificando el Efecto de Variación Excesiva Dentro de las Partes
Sección D
Reconocimiento de Efectos de Variaciones Excesivas dentro de las Partes

El entendimiento de las fuentes de variación de un sistema de medición es
importante para todas las aplicaciones de las mediciones pero llega a ser más
crítico cuando existe una variación significativa dentro de las partes. La variación
dentro de las partes puede causar que la evaluación del sistema de medición
ofrezca resultados erróneos. Esto es porque la variación dentro de las partes no
tomada en cuenta afecta el estimativo de repetibilidad, reproducibilidad o ambos.
Esto es, la variación dentro de las partes puede aparecer como un componente
significativo de la variación del sistema de medición. El entendimiento de la
variación dentro de las partes presente en el producto resultará en un
entendimiento más significativo de la adecuación del sistema de medición para la
tarea en cuestión.
Ejemplos de variaciones dentro de las partes las cuales pueden encontrarse son:
redondeado, concentricidad, planicidad, perfil, cilindricidad, etc. 73 Es posible que
más de una de estas características pueda estar presente al mismo tiempo dentro de
la misma parte (error compuesto). La fuerza de cada característica y sus
interdependencias pueden componer los datos y el entendimiento resultante del
sistema de medición. El reconocimiento y análisis de estas fuentes de variación
adicionales durante el estudio de un sistema de medición es importante para
entender la variación actual del sistema de medición mismo. Un DOE, ANOVA u
otra técnica estadística más sofisticada puede requerirse para analizar esta
situación. Cual sea la metodología usada debiera ser aprobado por el representante
de la calidad del proveedor cliente.
También, las decisiones que los ingenieros de diseño de producto tomen pueden
inconcientemente afectar como una parte es medida, como un dispositivo puede
ser diseñado, y el resultado puede afectar los resultados del error en las
mediciones. Un ejemplo puede ser una parte plástica que tenga una característica
crítica sobre una línea de partido (una línea de partido típicamente tiene exceso de
material plástico y donde dos mitades de un molde se juntan, y por tanto es una
superficie no controlada). Estos factores deben ser considerados durante un AMEF
de diseño.
Una vez que los componentes de variación dentro de las partes son entendidos,
puede ser posible controlar estos factores dentro del sistema de medición (ej.,
rediseñando el gage, o usando diferentes métodos / equipo de dispositivos) de
manera que los datos futuros no sean confundidos.
73
Muchas de estas propiedades son controladas en el diseño a través de tolerancias y dimensionamiento geométrico
(T&DG). T&DG ofrece un método definido operacionalmente para checar partes de una manera funcional.
Generalmente, un chequeo funcional es un chequeo de atributos. Cuando se requieren datos de variables, aspectos
clave pueden derivarse como el usar un gage diseñado para un chequeo funcional que produzca datos de variables.
Esto algunas veces puede hacerse usando un gage funcional como un dispositivo de fijación para un estudio en MMC.
Sin embargo, cuando esto se hace es crítico que el dispositivo sostenga la parte firmemente y repetidamente en la
misma localización (si no, el estudio MSA resultante debiera generar este error).
167
Capítulo IV – Sección D
Cuantificando el Efecto de Variación Excesiva Dentro de las Partes
Una vez que los componentes de variación dentro de las partes son entendidos,
puede ser posible controlar estos factores dentro del sistema de medición (ej.,
rediseñando el gage ó usando diferentes métodos/equipo para dispositivos) de
manera que datos futuros no sean confundidos.
168
Capítulo IV – Sección E
Método de Promedios y Rangos – Tratamiento Adicional
Sección E
Existe una consideración inicial que vale la pena mencionar relativa al método de
Promedios y Rangos en la evaluación de un sistema de medición. 74
El propósito principal de este enfoque gráfico es el mismo que el de otros análisis

de sistemas de medición bien diseñados: para determinar si el proceso de medición
es adecuado para medir la variación del proceso de manufactura y/o evaluar el
cumplimiento del producto.
• ¿Todos los gages están haciendo el mismo trabajo?
• ¿Todos los evaluadores están haciendo el mismo trabajo?
• ¿La variación del sistema de medición es aceptable con respecto a la variación
del proceso?
• ¿Qué tan buenos son los datos obtenidos del proceso de medición o en cuántos
grupos o categorías no traslapados pueden los datos ser divididos?
Pasos del 1) Debiera tenerse cuidado en seguir la “Preparación para el Estudio de los
Procedimiento Sistemas de Medición”, capítulo II, sección C.
2) Hacer que cada evaluador cheque cada muestra para la característica a ser
estudiada. Registre los primeros chequeos en el renglón superior de los datos
de la gráfica de control (ver Figura IV-E 1 y 2).
3) Repetir los chequeos y registrar los datos en el segundo renglón de los datos de
la gráfica de control. (Nota: no permita que los evaluadores vean sus lecturas
originales cuando estén haciendo este segundo chequeo). Los datos debieran
mostrar ahora dos chequeos sobre la misma parte por cada evaluador.
4) Analice los datos calculando el promedio (X ) y el rango (R) para cada

subgrupo.
5) Grafique los valores de los rangos en la grafica de rangos y calcule el

promedio de rangos (R ) (incluya todos los rangos de los subgrupos (R) para
todos los evaluadores). Dibuje este rango promedio sobre la gráfica. Use el
factor D4 para n=2 para calcular el límite de control para la gráfica de rangos.
Dibuje este límite y determine si todos los valores están en control.
9 Si todos los rangos están en control, todos los evaluadores están haciendo el
mismo trabajo. Si un evaluador está fuera de control, su método difiere de
los otros.
9 Si todos los evaluadores cuentan con rangos fuera de control, el sistema de

medición es sensible a la técnica del evaluador y se requiere mejoramiento
para obtener datos útiles.
74
El ejemplo de la gráfica de control es tomado con el permiso de “Evaluación del Proceso de Medición” por Wheeler
y Lyday (ver Lista de Referencias).
169
( )
6) Luego, grafique el promedio para cada subgrupo X para todos los
evaluadores en la gráfica de promedios (ver Figura IV-E 1 y 2). Los valores
promedio representan la variación y la variación en las mediciones.
Calcule el promedio de promedios ( X ) (Incluya todos los promedios de los

( )
subgrupos X para todos los evaluadores. Dibuje este gran promedio ( X ) en la
gráfica.
Calcule ahora los límites de control para esta gráfica usando el factor A2 para n=2
( )
y el rango promedio R de la gráfica de rangos y dibuje estos limites sobre la
gráfica de promedios. Nótese en este estudio que la grafica de rangos contiene solo
la variación de las mediciones. Por tanto, el área entre los límites de control de los
promedios representa la cantidad de la variación de las mediciones en el sistema.
Si todos lo promedios caen dentro de los límites de control, la variación de las

mediciones eclipsa la variación del proceso. En otras palabras, el proceso de
mediciones tiene mayor variación que el proceso de manufactura, y no es de valor
en el monitoreo o control de dicho proceso.
Si menos de la mitad de los promedios cae fuera de los límites, el sistema de

medición es inadecuado para el control del proceso. Por otro lado, si la mayoría de
los promedios cae fuera de los límites de control, indica que las señales del proceso
de manufactura son mayores que la variación de las mediciones. Este sistema de
medición puede ofrecer datos útiles para el control del proceso.
Ejemplo de Hoja de Trabajo
La pregunta de “¿Qué tan buenos son los datos recolectados por el sistema de
medición?” puede responderse completando el ejemplo de la hoja de trabajo,
Figura IV-E 3 y 4. Todos los datos necesarios para la hoja de trabajo pueden
encontrarse en las gráficas de promedios y rangos descritas anteriormente.
Los siguiente pasos son usados para completar el ejemplo de la hoja de trabajo
(Figura IV-E 3 y 4):
1) Identifique las mediciones y la característica a ser evaluada, quién está

haciendo el estudio y la fecha del estudio mismo.
( )
2) El promedio de los rangos de los subgrupos R se obtiene directamente de la
gráfica de control.
3) El número de replicaciones (r) es el número de veces en que cada evaluador

checa la misma parte.
4) Calcule la desviación estándar estimada de la repetibilidad ( σˆ e ), como se

muestra en la Figura IV-E 3 y usando el valor d 2 para el correspondiente r.
5) Inserte el número de evaluadores (nA) en el espacio provisto.
6) Inserte el número de muestras (n) en el espacio provisto.

170
7) Calcule el promedio de cada evaluador promediando todas las muestras

obtenidas por cada evaluador y registre estos promedios en el espacio provisto
para cada evaluador (A, B, C).
8) Examine los promedios de cada evaluador (A, B, C) y determine el rango de

los promedios de los evaluadores restando el mínimo del máximo e insértelo en
el espacio para (RA).
9) Calcule la desviación estándar estimada de los proveedores ( σˆ A ) como se

muestra usando el valor d 2* para el valor correspondiente a n .
A
10) Calcule los promedios de las muestras promediando el valor obtenido de todos
los proveedores para cada muestra. Por ejemplo, (promedio de la muestra 1 del
evaluador A + promedio de la muestra 1 del evaluador B + promedio de la
muestra 1 del último evaluador y divida esta suma por el número de
evaluadores). Este es el mejor estimativo del valor verdadero de la muestra.
Coloque el valor para cada muestra en el espacio provisto (1, 2, 3...9, 10) en la
Figura IV-E 4.
11) Observe los promedios de las muestras (1, 2, 3...9, 10) y calcule el rango de los
promedios de las muestras (RP) restando el mínimo del máximo. Inserte este
valor en el espacio provisto.
12) Estime la desviación estándar muestra - a - muestra ( σˆ P ) como se muestra

usando el valor d 2* para el valor correspondiente de n.
13) Calcule la “Razón Señal - a - Ruido” (SN) dividiendo la desviación estándar

de la muestra por la desviación estándar de las mediciones e inserte en el
espacio provisto.
σp
SN =
σ RRG
14) Determine el número de categorías distintas de producto que pudieran
distinguirse por estas mediciones. Multiplique SN por 1.41 e inserte en el
espacio provisto (Figura IV-E 4).
Solo la parte entera de este número necesita considerarse dado

que está definiendo categorías distintas. (Elimine todas las
fracciones decimales) (ver figura 34b).
Si el número de categorías es menor que dos (2), el sistema de medición no tiene

valor en el control del proceso. Se puede decir que todo el ruido y una parte no son
diferentes uno de otro.
Si el número de categorías es dos (2), significa que los datos pueden dividirse solo
en grupos alto y bajo; sin embargo éste es solo el equivalente de datos de atributos.
Si el número de categorías es tres (3), los datos pueden dividirse en grupos alto,
medio y bajo. Este es ligeramente un mejor sistema de medición.
Un sistema de medición conteniendo cuatro (4) o más categorías será mucho mejor
que los primeros tres ejemplos.
171
Figura IV-E 1: Gráfica de Control ( X y R) - 1 para Evaluación de las Mediciones
172
Figura IV-E 2: Gráfica de Control ( X -R) - 2 para Evaluación de las Mediciones
173
Mediciones Hecho
Evaluadas LONGITUD DE AJUSTE por R.W.L. Fecha MM-DD-YY
r d2
ERROR DE REPLICACION: Rango Promedio de los Subgrupos = R = 7.6 2 1.128
Número de Replicaciones = Tamaño del Subgrupo = r = 2 3 1.693
Estima la Desviación Estándar de las 4
R 5 2.059
Replicaciones = σˆ e = 6.738
d2
5 2.326
6 2.534
7 2.704
8 2.847
9 2.970
10 3.078
CALCULO PARA EFECTO DE LOS EVALUADORES Escribe abajo los promedios de

los evaluadores:
nA d 2* Evaluadores Promedio
2 1.410 Numero de Evaluadores = nA = 3 A 103.1

3 1.906 B - lo 102.8
4 2.237 Numero de Muestras =n=5 C - hi 108.1
5 2.477 108.1-102.8 = RA D ----
6 2.669 Rango de los Promedios de los E ----
Evaluadores = RA = 5.3
7 2.827 F ----
8 2.961
9 3.076 5.3 R
= σ̂ A = σˆ A = 2.781
1.906 d 2*
10 3.178
Figura IV-E 3: Cálculos Alternativos para Evaluación de un Proceso de Medición (Parte 1

de 2)
174
CALCULOS PARA LA DESVIACIÓN ESTANDAR DEL ERROR DE LAS MEDICIONES

El Estimativo de la desviación estándar del error en las mediciones es:
σˆ m = σˆ e2 + σˆ A2
= (6.7376) + (2.7806)
2 2
= 7.289
Escribe el valor apropiado para σˆ m aquí: σˆ m = 7.289
CALCULOS PARA PROPORCIONES SEÑALES A RUIDO:
Escribe el promedio de cada pieza de la muestra o lote abajo:

n d 2*
113.67 – 83.0 = Rp Ejemplo Promedio
2 1.410
Rango para estos Promedios de Muestras = Rp = 30.67 1 111.17
3 1.906
Estima la Desviación Estándar de Muestra a Muestra: 2 113.33
4 2.237
30.67 Rp 3 - Lo 83.00
5 2.477
= 12.38 = σˆ p = 12.38
6 2.669
2.477 d 2* 4 102.17
5 - Hi 113.67
7 2.827
Proporción Señal a Ruido: 6 -----
8 2.961
12.38 σˆp 7 -----

9 3.076
= 1.698 = 1.698
10 3.178
7.289 σˆ m 8 -----
Por tanto el número de categorías distintas de productos que pueden ser confiablemente 9 -----
distinguidas para estas mediciones es 1.41 x 1.698
⎛ σˆ ⎞ 10 -----
1.41⎜⎜ p ⎟⎟ = 2.395 ó2
⎝ σˆ m ⎠
Este es el número de intervalos de confiabilidad del 97% no traslapados que extenderán el rango de la variación del
producto. (Un intervalo de confiabilidad del 97% y centrado en una medición única contendría el valor actual del
producto que es representado por dicha medición el 97% del tiempo).
Figura IV-E 4: Cálculos Alternativos para Evaluación de un Proceso de Medición (parte 2 de 2)
175
176
Capítulo IV – Sección F
Curva de Desempeño de Gages
Sección F
Curva de Desempeño de Gages 75
El propósito de desarrollar una Curva de Desempeño de Gages (CDG) es determinar
la probabilidad de aceptar o rechazar una parte a partir de un valor de referencia.
Idealmente, la CDG para una medición sin errores es mostrada en la Figura IV-F 1.
Sin embargo, esto es para sistemas de medición ideales más que lo que ocurra
normalmente.
Una vez que la cantidad de error ha sido determinada, es posible calcular la

probabilidad de aceptar una parte de algún valor de referencia cuando se use un
sistema.
Para lograr esto, se hace el supuesto de que el error del sistema de medición consiste
principalmente de falta de repetibilidad, reproducibilidad y sesgo. Además, la
repetibilidad y reproducibilidad son consideradas con una distribución normal con
una varianza σ 2 . Consecuentemente, el error del gage está distribuido normalmente
con una media de XT, el valor de referencia, más el sesgo, y cuenta con una varianza,
σ 2 . En otras palabras:
(
Valor Actual del Gage = N X T + b, σ 2 )
La probabilidad de aceptar una parte de algún valor de referencia es ofrecida por la
relación
∫ N (X )
UL
Pa = T + b, σ 2 dx
LL
Usando la tabla estándar normal
⎛ UL − ( X T + b ) ⎞ ⎛ LL − ( X T + b ) ⎞
Pa = φ ⎜ ⎟ − φ⎜ ⎟
⎝ σ ⎠ ⎝ σ ⎠
donde
⎛ UL − ( X T + b ) ⎞
( )
UL
φ⎜ ⎟ = ∫ N X T + b, σ dx
2
⎝ σ ⎠ −∞
⎛ LL − ( X T + b ) ⎞
∞
φ⎜
σ
(
⎟ = ∫ N X T + b, σ dx
2
)
⎝ ⎠ LL
75
Adaptado con el permiso de “Análisis de Sistemas de Atributos de Gages” por J.McCaslin & G.Gruska, ASQC, 1976.
177
Ejemplo:
Determine la probabilidad de aceptar una parte cuando el valor de referencia del
torque es 0.5 Nm, 0.7 Nm, 0.9 Nm.
Usando los datos de un estudio previamente conducido:
Especificación Superior = UL = 1.0 Nm

Especificación Inferior = LL = 0.6 Nm
sesgo = B = 0.05 Nm
σ RRG = 0.05 Nm
Aplicando lo anterior a las fórmulas de la página anterior:
⎛ UL − ( X T + b ) ⎞ ⎛ LL − ( X T + b ) ⎞
Pa = φ ⎜ ⎟ − φ⎜ ⎟
⎝ σ ⎠ ⎝ σ ⎠
⎛ 1.0 − (0.5 + 0.05) ⎞ ⎛ 0.6 − (0.5 + 0.05) ⎞
Pa = φ ⎜ ⎟ − φ⎜ ⎟
⎝ 0.05 ⎠ ⎝ 0.05 ⎠
Pa = φ (9.0 ) − φ (1.0)
= 1.0 - 0.84
= 0.16
Esto es, cuando la parte tiene un valor de referencia de 0.5 Nm será rechazada
aproximadamente 84% del tiempo.
Ejemplo de una Curva de Desempeño de Gages:
Para X T = 0.7 Nm
⎛ 1.0 − (0.7 + 0.05) ⎞ ⎛ 0.6 − (0.7 + 0.05) ⎞
Pa = φ ⎜ ⎟ − φ⎜ ⎟
⎝ 0.05 ⎠ ⎝ 0.05 ⎠
Pa = φ (5.0) − φ (− 3.0)
= 0.999
Si el valor de referencia de la parte es 0.7 Nm entonces se rechazará menos de

aproximadamente 0.1% del tiempo.
Para X T = 0.9 Nm
⎛ 1.0 − (0.9 + 0.05) ⎞ ⎛ 0.6 − (0.9 + 0.05) ⎞
Pa = φ ⎜ ⎟ − φ⎜ ⎟
⎝ 0.05 ⎠ ⎝ 0.05 ⎠
Pa = φ (1.0) − φ (− 7.0)
= 0.84
178
Si el valor de referencia de la parte es 0.9 Nm entonces será rechazado

aproximadamente menos del 16% del tiempo.
Si la probabilidad de aceptación es calculada para todos los valores de XT y graficada,

entonces la curva de desempeño del gage, como es mostrada en la Figura IV-F 2 se
obtendría.
Esta misma curva puede ser graficada más fácilmente en papel de probabilidad
normal, como se muestra en la Figura IV-F 3. Una vez graficada, la CDG ofrece la
probabilidad de aceptar una parte de cualquier tamaño.
Además, una vez desarrollada la CDG, puede usarse para calcular el error de
repetibilidad y reproducibilidad, y el error del sesgo. 76
El rango 6 RRG puede determinarse encontrando el valor de XT que corresponde a Pa

= 0.99865 (z = 3), y el valor de XT que corresponde a Pa = 0.00135 (z = -3) para los
dos límites. El RRG es la diferencia entre los dos valores de XT, como se muestra
gráficamente en la Figura IV-F 3.
Un estimativo del sesgo se determina encontrando para XT, los límites superior o
inferior que correspondan a Pa = 0.5 y calculando:
B = X T- LSL o BB = XT - USL
dependiendo de cual límite XT se seleccione. 77
76
Ver “Estudio de Atributos de Gages”, Capítulo III, Sección C.
77 Esto asume que el sistema de medición es lineal sobre el rango de operación.
179
LSL USL
1.0
0.9
0.8
0.7
0.6
0.5
0.4
0.3
0.2
0.1
0.0
0.3 0.4 0.5 0.6 0.7 0.8 0.9 1.0 1.1 1.2
Valor de Referencia de las Partes Medidas
Sesgo = 0.00 Rango RRG = 0.00
Figura IV-F 1: Curva de Desempeño del Gage Sin Error
180
LSL USL
1.0
0.9
0.8
0.7
0.6
0.5
0.4
0.3
0.2
0.1
0.0
0.4 0.5 0.6 0.7 0.8 0.9 1.0 1.1 1.2
Valor Valores de Referencia de las Partes Medidas
Sesgo = 0.05 RRG = 0.28
Figura IV-F 2: Curva de Desempeño del Gage - Ejemplo
181
Figura IV-F 3: Curva de Desempeño del Gage Graficada en Papel de Probabilidad Normal
182
Capítulo IV – Sección G
Reducción de la Variación a Través de Lecturas Múltiples
Sección G
Si la variación del presente sistema de medición no es aceptable (arriba del 30%),
existe un método que puede usarse para reducir la variación a un nivel aceptable
hasta que puedan hacerse mejoramientos al sistema de medición mismo. La
variación no aceptable puede reducirse tomando lecturas múltiples y
estadísticamente independientes (no correlacionadas) de la característica de la parte
a ser evaluada, determinando el promedio de estas mediciones y permitiendo que el
valor numérico del resultado sea sustituido por la medición individual. Este método,
por supuesto consumirá tiempo, pero es una alternativa hasta que se hagan
mejoramientos al sistema de medición (ej., rediseñando o comprando un nuevo
sistema). El procedimiento para este método alternativo es como sigue:
1) Determine el número de lecturas múltiples requeridas para cumplir con un

nivel de variación aceptable.
2) Siga el procedimiento de estudio de gages discutido previamente en estos

lineamientos.
Ejemplo:
En el ejemplo de la corporación XYZ, el porcentaje de la variación de la tolerancia

del RRG es 25.5%, con una amplitud 6 sigma igual a 0.24. El cliente quiere reducir
esta figura a al menos 15%, el cual sería un equivalente de amplitud de 6 sigma de
0.14. 78
Para determinar el número de lecturas múltiples requerido para cumplir el criterio

deseado del 15%, primero debe entenderse que la distribución de las medidas
individuales y el promedio tienen el mismo valor promedio numérico. Segundo, que
la varianza de la distribución de los promedios es igual a la varianza de la
distribución de las lecturas individuales dividida por el tamaño de la muestra.
Entendiendo esta relación como se muestra abajo, el número de lecturas múltiples
requerido puede entonces determinarse.
(6σ x )2 = (6σ )
2
Esto puede aproximarse por
(6s ) = (6s )
x
n
y
0.24
0.14 =
n
76
Ver nota en página vi.
183
Capítulo IV – Sección G
de manera que
n = 1.714
y
n = 3(redondeado al entero más próximo)
Por tanto, 3 lecturas múltiples sobre la característica de la parte reducirían la

variación total del sistema de medición a aproximadamente 0.14 y el %RRG a 15%.
Este método debiera ser considerado como un paso temporal hasta que se hagan
mejoramientos al sistema de medición. Este debiera usarse solo con concurrencia
del cliente.
184
Capítulo IV – Sección H
Enfoque de la Desviación Estándar Combinada con RRG
Sección H
Enfoque de la Desviación Estándar Combinada con RRG 79
El análisis de un sistema de medición generalmente asume que los datos replicados
de todas las partes / especimenes pueden obtenerse de todos los evaluadores en un
forma aleatoria. Esto no siempre puede ser posible. Si el análisis del sistema de
medición incluye localizaciones múltiples puede no ser factible logísticamente el
demandar un muestreo aleatorio. También algunas muestras, análisis notablemente
químicos y metalúrgicos (estudios entre e intra laboratorios) pueden requerir una
sección cruzada de las diversas muestras que no sean parte de un proceso
homogéneo y pueden no estar disponibles al mismo tiempo.
Estas situaciones pueden manejarse usando un DOE anidado. Un enfoque

alternativo es el estudio de la desviación estándar combinada del RRG el cual sigue
la metodología discutida en ASTM E691.
Este enfoque ve a cada parte como un material por separado y entonces calcula las
desviaciones estándar de la repetibilidad y reproducibilidad como en E691. Esto
producirá valores múltiples y por separado de repetibilidad y reproducibilidad.
Dado que las partes son consideradas como esencialmente idénticas, se asume que
estos estimativos por separado son efectivamente idénticos. Por supuesto nunca
serán exactamente los mismos, pero su promedio ofrecerá un buen estimativo del
nivel verdadero de repetibilidad y reproducibilidad similar.
Si este enfoque es usado para evaluar un grupo de

laboratorios, existe la preocupación de cual sería la naturaleza
de la reproducibilidad. Si esta es mayor que cero, la mayoría
del tiempo (esto es para la mayoría de los materiales) debiera
interpretarse como la aplicación de que existen diferencias
entre operadores, ej., en un programa interlaboratoiros ésto
sugeriría que existen diferencias reales entre laboratorios.
Aplicación Aunque el enfoque E691 es típicamente usado con una muestra completa, permite
Secuencial asimismo un enfoque secuencial. Este es útil cuando todas las muestras no están
disponibles al mismo tiempo. También puede ser utilizado como parte del proceso
de calibración para mantener información de la variabilidad del sistema de
medición.
La siguiente descripción del estudio asume que el estudio mismo será aplicado de
una forma secuencial.

Debiera tenerse cuidado en seguir la “Preparación para el Estudio de un Sistema de
Medición” mostrado en el capítulo II, sección C.
Continúe del paso 6 de la página 74:
79
Partes de esta sección incluyen todo lo de “Estadísticas de Consistencia” es contribución de Neil Ullman de la
American Society for Testing and Materials (ASTM International).
185
7) Hacer que cada uno de los m ≥ 2 evaluadores evalúen la parte para r ≥ 3

lecturas. Registre los datos en renglones apropiados de la hoja de recolección
de datos (ver formatos de ejemplo). (Nota: no permita que los evaluadores
vean sus lecturas originales al hacer estos chequeos múltiples).
( )
8) Calcule el promedio X y la desviación estándar (s) para la nueva parte para
cada evaluador.
9) Grafique los valores de desviación estándar sobre la gráfica de desviación

estándar y calcule el promedio de la desviación estándar misma (s ) (incluya la
desviación estándar de todos los subgrupos y para todos los evaluadores).
Dibuje este promedio de la desviación estándar sobre la gráfica. Use el factor
B4 con r muestras para calcular el límite superior de control para la gráfica de
la desviación estándar. Dibuje este límite y determine si todos los valores están
en control (ver Figura IV-H 1).
( )
10) Grafique el promedio X para cada subgrupo para todos los evaluadores
sobre la gráfica de promedios (ver Figura IV-H 1). Los valores promedio
representan la variación del proceso y la variación de las mediciones.
11) Calcule el promedio de promedios ( X ) (incluya los promedios de todos los

( )
subgrupos X para todos los evaluadores). Dibuje la línea de este gran
promedio ( X ) en la gráfica.
12) Calcule los límites de control para esta gráfica usando el factor A2 para un r y
una desviación estándar de los promedios (s ) de la gráfica de desviación
estándar; dibuje estos límites en la gráfica de promedios.
13) Analice los daros usando las gráficas de control y otras técnicas gráficas
discutidas en el método de promedios y rangos (ver Capítulo III).
14) Evalúe los parámetros del sistema de medición para cada parte combinando los
resultados de los evaluadores.
m
∑s 2
xi
sx = i =1
g
m
m
∑s 2
si
Re petibilidad g = s E g = i =1
m
s E2 g
Re producibilidad g = s A g = s x2g −
m
RRGg = s RRG g = s + s 2
Eg
2
Ag
186
E691 sigue el convencionalismo de que la reproducibilidad del
MSA se refiera como la variación de los evaluadores y el RRG
del MSA es llamado reproducibilidad. En este caso,
sr2
sappr = s x2 −
3
s R = sr2 + sappr
2
donde sr = sE = Repetibilidad y sR = RRG = Reproducibilidad

ASTM
15) Evalúe los parámetros globales del sistema de medición combinando o

acumulando los resultados de las partes donde g = número de partes.
g
∑s 2
Ei
Re petibilidad = s E = i =1
g
g
∑s 2
Ai
Re producibilidad = s A = i =1
g
g
∑s 2
RRGi
RRG = s RRG = i =1
g
Cuando se calcula el porcentaje de la variación total, la desviación estándar

histórica para el proceso debiera usarse.
Si las partes cubren una amplia variedad de los procesos, por

ejemplo diferentes especimenes metalúrgicos o químicos, la
evaluación del porcentaje de la variación total debiera basarse
en la variación del proceso de los especimenes específicos y no
de la variación total sobre todos los especimenes.
Debiera darse cuidado a la interpretación de los parámetros

del sistema de medición en el caso donde los evaluadores estén
localizados en diferentes instalaciones (ej., laboratorios).
La Repetibilidad incluiría variación entre los equipo así como

variación dentro de los equipos. Esto puede evaluarse
calculando y comparando la Repetibilidad dentro de cada
localización.
La Reproducibilidad incluiría variación entre localizaciones así

como variación entre evaluadores. Estos componentes no
pueden separase con este estudio.
187
Gráfica de Respuesta Xbarra-S
Promedio de las Muestras
Muestra
Desv. Est. de las Muestras
Muestra
Figura IV-H 1: Análisis Gráfico del Estudio de la Desviación Estándar Combinada 80
80
Límites de control basados en la desviación estándar combinada ó acumulada y ajustada por una constante de no sesgo
188
Capítulo iV – Sección H
Tabla IV-H 1: Conjunto de Datos de Análisis de Desviación Estándar Combinada
189
Estadísticas de
Consistencia
Los métodos de ASTM e ISO 81 sugieren que dos estadísticas de “consistencia”, h y

k, sean calculadas. Los valores de h se calculan por
x appr − x parte
h=
Sx
Para el evaluador A y la parte 1, el promedio ( x appr anterior) es 0.447y el promedio
de las partes ( x parte anterior) es 0.169. La desviación estándar entre los evaluadores
( s x anterior) es 0.262. Por tanto
0.447 − 0.167 0.278

h= = = 1.06
0.262 0.262
El valor de k es la razón de la desviación estándar para cada parte y cada evaluador

con la desviación estándar de la repetibilidad. En este caso (evaluador A y parte 1)
es:
desviación estándar ( EvualuadorA, Parte1) 0.178

k= = = 1.35
repetibilidad 0.132
Una razón por la que éstos se calculan es permitir comparaciones entre materiales
muy diferentes.
Aunque en este ejemplo no hay una colección de materiales ampliamente diferentes

y los cuales tengan diferentes niveles y posiblemente desviaciones estándar muy
diferentes, los cálculos h y k de E691 pueden todavía usarse para comparar la
desviación estándar de la repetibilidad y los valores respuesta por los evaluadores. La
siguiente tabla de h y k´s se listan por evaluador.
h Parte
Ev. 1 2 3 4 5 6 7 8 9 10 prom h “z”
A 1.06 0.87 0.82 0.86 0.88 0.32 0.65 0.80 0.69 1.05 0.80 2.53
B -0.14 0.22 0.29 0.24 0.21 0.80 0.50 0.32 0.46 -0.11 0.28 0.88
C -0.93 -1.09 -1.11 -1.10 -1.09 -1.12 -1.15 -1.12 -1.15 -0.94 -1.08 -3.41
mediana
“z”
k K
A 1.35 0.25 0.49 0.28 0.23 0.65 0.59 0.35 0.77 0.27 0.42 -3.20
B 0.77 1.50 1.15 1.70 1.50 1.20 1.40 1.68 1.07 0.45 1.30 3.14
C 0.76 0.82 1.20 0.14 0.84 1.07 0.83 0.24 1.13 1.65 0.84 -0.17
81
Ver ISO 5725
190
En las últimas dos columnas están los promedios y el valor de “el valor – z” para
ver si los evaluadores son significativamente diferentes. Los valores de h indican
que el evaluador A es significativamente alto y el evaluador C es significativamente
bajo en sus lecturas del tamaño de las partes. Es también esta significativa
diferencia lo que genera la desviación estándar del RRG.
Las desviaciones estándar de la repetibilidad pueden también ser evaluadas

observando los valores k. Para hacer esto, calcule la mediana k y luego un
aproximado del “score z”. Con este estudio, la mediana esperada es alrededor de
0.861 y con una desviación estándar de aproximadamente 0.439. La mediana k para
el evaluador A es entonces alrededor de –3.2 desviaciones estándar abajo del nivel
esperado y el evaluador B es significativamente alto. Por tanto vemos diferencias
muy grandes en el desempeño de solo 3 operadores.
Las gráficas de h (Figura IV-H 2) y k (Figura IV-H 3) también ayudan a ilustrar

estas diferencias. El evaluador C tiene los resultados mucho más bajos que los
otros. Similarmente, los valores k muestran que tan abajo la variación del evaluador
A es con respecto a la repetibilidad. Estos ciertamente son aspectos clave a ser
examinados acerca del desempeño del método de medición y como es realizado por
estos evaluadores.
Figura IV-H 2: Gráfica de Puntos de valores h
191
Figura IV-H 3: Gráfica de Puntos de valores k
192
Apéndices
APENDICES
193
194
Apéndice A
Análisis de Conceptos de Varianza
Apéndice A
El análisis numérico de las RRGs puede hacerse siguiendo las fórmulas de la
Tabla A 3. Esto es lo que se le llama Tabla de Análisis de Varianza (ANOVA). La
tabla de ANOVA se compone de 6 columnas:
• La columna de fuentes es la causa de variación.

• La columna DF es el grado de libertad asociado con la fuente.
• La columna SS o suma de cuadrados es la desviación alrededor de la media
de la fuente.
• La columna MS o cuadrado de la media es la suma de cuadrados dividida por
los grados de libertad.
• La columna EMS o cuadrado de la media esperado determina la combinación
lineal de los componentes de varianza para cada MS. La tabla ANOVA
sectoriza la fuente total de variación en cuatro componentes: partes,
evaluadores, interacción entre las partes y evaluadores y error replicado
debido a la repetibilidad del equipo / gage.
• La columna de proporción F se calcula solo por la interacción en una
ANOVA de MSA; se determina por la interacción de la media cuadrada
dividida por el error de la media cuadrada.
El estimativo de los componentes de varianza para cada fuente se ofrece en la

Tabla A 1. 82
Estimativo de Varianza
Equipo (EV) τ 2 = MSe83

MS AP − MSe
γ2 =
Interacción (INT) r
MS A − MS AP
Evaluador (AV) ω2 =
nr
MS P − MS AP
Parte (PV) σ2 =
kr
Tabla A 1: Estimativo de los Componentes de Varianza

Dado que cada media cuadrada es una cantidad muestra sujeta a la variación del
muestreo y los cálculos involucran diferencias de promedios al cuadrado, entonces
son posibles los estimativos de componentes de varianza negativos.
82
En esta tabla, se asume que todos los componentes de la variación son de efectos aleatorios.
83
En esta aplicación de ANOVA a los análisis de sistemas de medición, el término de error de ANOVA es equivalente a
la variación del equipo MSA, MSE
195
Este es un pequeño problema dado que los estimativos componentes de la varianza
“master” son iguales o tienden a cero o cuentan con un tamaño de muestra
pequeño. Para propósitos de análisis, los componentes de varianza negativos se
hacen cero.
La desviación estándar es más fácil de interpretar que la varianza por que tiene las
mismas unidades de medición de la observación original. En la práctica, la medida
básica de amplitud es dada por 6 veces la desviación estándar. 84 La Tabla A 2
muestra la extensión de 6 sigma para una medida de repetibilidad llamada
variación del equipo (EV) y una medida de reproducibilidad llamada variación del
evaluador (AV). Si la interacción entre las partes y los evaluadores es significativa,
entonces existe un modelo no adicional y por tanto se ofrece un estimativo de sus
componentes de varianza. El RRG en la Tabla A 2 es la variación total del sistema
de medición.
EV = 6 MS e Variación del Equipo = Repetibilidad

MS A − MS AP Variación del Evaluador = Reproducibilidad
AV = 6
nr
MS AP − MS e
I AP =6 Interacción del Evaluador por Parte
r
RRG = (EV )2 + ( AV )2 + (I AP )2 R&R del Gage
MS p − MS AP
PV = 6 Variación de las Partes
kr
Tabla A 2: Amplitud de 6 Sigma

En el modelo aditivo la interacción no es significativa y los componentes de
varianza para cada fuente se determinan como sigue: Primero, la suma de l
cuadrado del error del gage ( SS e de la Tabla A 3), se agrega a la suma del
cuadrado de la interacción del evaluador por parte ( SS AP de la Tabla A 3) y el
cual es igual a la suma de cuadrados acumulados (SS combinado ) con
(nkr − n − k + 1)85 grados de libertad. Por tanto el SS pool será dividido por
(nkr − n − k + 1) para calcular MS pool . Los límites de extensión 6 sigma serán
entonces:
EV = 6 MS pool
MS A − MS pool
AV = 6
nr
RRG = (EV ) 2
+ ( AV )
2
MS p − MS pool
PV = 6
kr
84
Este es el rango de 99.73%. Ver nota en página vi.
85
Donde n = número de partes, k = número de evaluadores y r = número de intentos.
A fin de determinar si la interacción es significativa, calcular el
196
Apéndice A
estadístico F de la interacción del evaluador por parte (ver Tabla A
3). Comparar este estadístico F en un punto de porcentaje alto con
la distribución F como numerador y grado de libertad como
denominador tomado de ANOVA (Tabla A 3).
A fin de reducir el riesgo de concluir falsamente de que no hay efectos de
interacción, seleccionar un nivel de significancia alto. Una vez que el RRG sea
determinado entonces el porcentaje del RRG puede calcularse en relación al
desempeño del proceso.
n
⎛ x2 ⎞ x2
SS p = ∑ ⎜⎜ i.. ⎟⎟ − ...
i =1 ⎝ kr ⎠ nkr
k ⎛ x2 ⎞ 2
SS A = ∑ ⎜
. j.
⎟ − x...
⎜
j =1 ⎝ nr ⎠
⎟ nkr
( ) x...2
n k r
TSS = ∑∑∑ x 2
ijm −
i =1 j =1 m =1 nkr
k ⎛ x2 ⎞
⎛ x 2 ⎞ k ⎛ x. j . ⎞ x...2
n n 2
SS AP = ∑∑ ⎜ ⎟ − ∑ ⎜⎜ i.. ⎟⎟ − ∑ ⎜ ⎟+
ij .
⎜ ⎟ i =1 kr ⎜ ⎟
i =1 j =1 ⎝ r ⎠ ⎝ ⎠ j =1 ⎝ nr ⎠ nkr
[
SS e = TSS − SS A + SS P + SS Ap ]
Fuente DF SS MS F EMS
Evaluador k −1 SS A SS A τ 2 + rγ 2 + nrω 2
MS A =
(k − 1)
Partes n −1 SS P SS P τ 2 + rγ 2 + krσ 2
MS P =
(n − 1)
Evaluador por (n − 1)(k − 1) SS AP SS AP MS AP τ 2 + rγ 2
MS AP =
parte (n − 1)(k − 1) MS e
Equipo nk (r − 1) SS E SS e 2
MS e = τ
nk (r − 1)
Total nkr − 1 TSS
Evaluador ∼N(0,ω2)
Partes ∼N(0,σ2)
Evaluador por parte
∼N(0, γ 2 )
Equipo ∼N( 0, τ 2 )
Tabla A 3: Análisis de Varianza (ANOVA)
Tablas A 4 y A 5 muestran los cálculos de ANOVA para los datos de nuestro

ejemplo de la Figura III-B 15.
197
Fuente DF SS MS F EMS
Evaluador 2 3.1673 1.58363 79.41* τ 2 + 3γ 2 + 30ω 2
Partes 9 88.3619 9.81799 492.29* τ 2 + 3γ 2 + 9σ 2
Evaluador por parte 18 0.3590 0.01994 0.434 τ 2 + 3γ 2
2
Equipo 60 2.7589 0.04598 τ
Total 89 94.6471
* Nivel de Significancia a α = 0.05
Tabla A 4: Resultados Tabulados de ANOVA
Dado que el valor F calculado para la interacción (0.434) es menor que el valor crítico de Fα ,18, 60, el término
interacción es acumulado ó combinado con el término (de error) del equipo. Esto es, el estimativo de la varianza se
basa en el modelo sin interacciones.
Estimativo de la Desv. Std. 5.15 (σ) % de la % de

Varianza (σ) Variación Total Contribución
τ = 0.039973
2 0.199933 EV = 1.199598 18.4 3.4
(Equipo)
ω 2 = 0.051455 0.226838 AV = 1.361028 20.9 4.4
(Evaluador)
γ2 =0 INT = 0 0 0
(Interacción)
RRG = 0.09143 0.302373 RRG = 1.814238 27.9 7.8
(τ 2
+ γ 2 +ω2 )
σ = 1.086447
2 1.042327 Pv = 6.253962 96.0 92.2
(Parte)
Variación Total 1.085 TV = 6.51 100.0
Tabla A 5: Resultados Tabulados de ANOVA
ndc = 1.41(PV RRG ) = 1.41(6.25 1.81) = 4.87 ≅ 4
Variación Total (TV) = RRG 2 + PV 2
⎟ = 100⎜ σ ( componentes ) ⎟
⎛ 6σ ( componentes ) ⎞ ⎛ ⎞
% de la Variación Total = 100⎜
⎜ 6σ ⎟ ⎜ σ ⎟
⎝ ( total ) ⎠ ⎝ ( total ) ⎠
⎛ 2 ⎞
⎛ 6σ 2 ( componentes ) ⎞
% de Contribución (de la Varianza Total) = 100⎜⎜
⎜
⎟⎟ = 100⎜
σ ( componentes ) ⎟
⎜ σ2 ⎟⎟
⎝ 6σ ( total ) ⎠
2
⎝ ( total ) ⎠
198
Apéndice B
Impacto de RRG sobre el Índice de Habilidad Cp
Apéndice B
Fórmulas:
σ Obs
2
= σ Act
2
+ σ Meas
2
⑴
Donde Obs = la variación del proceso observado
Act = la variación del proceso actual
Meas= la variación del sistema de medición
U −L
Cp x = ⑵
6σ x
donde U,L son los valores de especificación superior e inferior

x = 0bs o Act conforme es definido en (1)
% RRG = RRG p *100% ⑶
con base en la variación del proceso
kσ Meas
RRG p =
6σ Obs
Nota: RRG p ≤ 1 dado que desde σ Obs

2
≥ σ Meas
2
por la ecuación (1) ⑷
con base en el rango de tolerancia:
kσ Meas
RRG p =
U −L
En (4) y (5), normalmente k se toma como 6.
Análisis:
σ Act
Cp Obs = Cp Act *
σ Obs
σ Obs
2
− σ Meas
2
= Cp Act * usando (1)
σ Obs
con el RRG basado en la variación del proceso
σ Obs 1 − RRG 2
Cp Obs = Cp Act * usando (4)
σ Obs
= Cp Act * 1 − RRG 2 (6)
ó
199
Apéndice B
Cp Obs
Cp Act = (6’)
1 − RRG 2
con RRG basado en el rango de tolerancia
1 σ
RRG = * Meas usando (2) y (5)
Cp Obs σ Obs
consecuentemente
Cp Obs = Cp Act * 1 − (Cp Obs * RRG )

2
(7)
y
Cp Obs
Cp Act = (7’)
1 − (Cp Obs * RRG )
2
200
Apéndice B
Análisis Gráfico
Con base en (6) la familia de líneas para Cpobs con respecto a CpAct es:
Figura B 1: Cp Observados vs. Actual (basado en el proceso)
Actual RRG
10% 20% 30% 40% 50% 60% 70% 90%
Cp observado con el Cp en base al Rango del Proceso
1.3 1.29 1.27 1.24 1.19 1.13 1.04 0.93 0.57
Cp observado con el Cp en base a la Tolerancia
1.3 1.29 1.26 1.20 1.11 0.99 0.81 0.54 nada
Tabla B 1: Comparación del Cp Observado con el Cp Actual
201
Apéndice B
Con base en (7’), la familia de líneas para CpAct con respecto a CpObs es:
Figura B 2: Cp Observado vs. Actual (en base a la tolerancia)
202
Tabla de Apéndice C
Table C 1: d 2 Table
203
*
Entradas de la Tabla: 1er línea de cada celda son los grados de libertad (v) y la 2a línea de cada celda es d*2; d2 es el valor infinito de d*2 ; valores adicionales de v pueden
ser construidos de la diferencia de las constantes, cd.
Nota: La notación usada en esta tabla sigue la de Acheson Duncan, Quality Control and Industrial Statistics, 5a edición, McGraw-Hill, 1986.
Apéndice C
2
⎛R ⎞
⎜ ⎟
Tabla d2*
d 2* ⎠
v⎝ es distribuida aproximadamente como una distribución χ 2 con v grados de libertad y donde R es el rango promedio de los g subgrupos
σ t2
de tamaño m.
Apéndice D
Estudio R de Gages
204
Apéndice D
Estudio R de Gages
Apéndice D
Estudio R de Gages
Aplicación:
• Ofrece una determinación preliminar de la repetibilidad de un gage de corto
plazo solamente.
• Puede ser usado para chequeo antes de envío por el proveedor del gage.
• Puede ser usado en preproducción cuando la disponibilidad de partes es
mínima.
• Puede ser usado durante el desarrollo del gage – ej., para una comparación
rápida de las diferentes localizaciones de sujeción; comparación de diferentes
metodologías.
• Este método NO PUEDE ser usado para aceptación final de un gage sin
otros métodos MSA más completos y detallados.
Supuestos:
• La variación y estabilidad del proceso no pueden ser conocidas hasta este punto
en el tiempo.
• La linealidad y el sesgo no son aspectos críticos.
• La reproducibilidad no se considera aquí.
• El propósito es enfocarse solo a la repetibilidad del gage.
• La gráfica I/MR (Lecturas Individuales/Rangos Móviles) ofrece una evaluación

mínima de la estabilidad.
Análisis a través de:
Tomar una parte, por un operador; colocar la parte en el dispositivo, medir; quitar la
parte del dispositivo; repetir esto 9 veces más con la misma parte y el mismo
operador.
Graficar los datos con una gráfica IRM; evaluar la estabilidad. Si los datos aparecen
no estables, aplicar acciones correctivas. 86
Si aparecen estables, calcular el sigma de las lecturas individuales con s para todas
las lecturas o MR / d 2* ; multiplicar por 6; dividir este valor por la tolerancia de la
característica; multiplicar por 100%. Revisar el %Repetibilidad contra patrones de
aceptabilidad del gage previamente establecidos, o usarlo para propósitos
comparativos durante el desarrollo del gage.
86
Algo de juicio puede requerirse aquí, ya que 10 subgrupos de datos individuales son insuficientes para
determinar la estabilidad; sin embargo, obvias inestabilidades pueden todavía estimarse y ofrecer un valor
para el análisis.
205
Apéndice D
Estudio R de Gages
206
Apéndice E
Calculo Alternativo de PV Usando el Término de Corrección de Errores.
Apéndice E
Calculo Alternativo de PV Usando el Término de Corrección de Errores
PV ha sido definido aquí como TV 2 − RRG 2 . Dado que esta definición de las
partes puede incluir EV, puede haber ocasiones en que sea importante extraer la
influencia de EV sobre PV. Esto puede hacerse con la fórmula siguiente (nótese la
similitud con la fórmula de AV dónde las influencias de EV son extractadas).
⎡ EV 2 ⎤
PV = (R p × K 3 )2
− ⎢k ×r ⎥
⎣ ⎦
donde RP = rango de los promedios entre partes, k = # de evaluadores, r = # de

intentos.
El reconocimiento de este método para calcular PV fue publicado en 1997. 87 Este

método se presenta aquí como la alternativa estadísticamente más correcta para la
definición aceptada común e históricamente de PV usada en este manual.
Generalmente, cuando EV contamina a PV, lo hace en un alcance de solo un punto o
dos porcentuales.
.
87
“Datos Confiables es un Servicio ó Producto Importante”, Donald S. Ermer y Robin Yang E-Hok,
University of Wisconsin, Madison publicado en The Standard, ASQ Newsletter of the Measurement Quality
División, Vol 97-1, Invierno, 1997.
207
Apéndice E
Calculo Alternativo de PV Usando el Término de Corrección de Errores.
208
Apéndice F
Modelo de Errores P.I.S.M.O.E.A.
Apéndice F
Similar a todos los procesos, un sistema de medición es impactado por fuentes de
variación aleatorias y sistemáticas. Estas fuentes de variación son debidas a causas
comunes y especiales (caóticas). A fin de entender, controlar y mejorar un sistema
de medición, las fuentes potenciales de variación deben ser primero identificadas.
Aunque las causas específicas dependen de la situación, un modelo general de
errores puede ser usado para categorizar las fuentes de variación de un sistema de
medición. Existen varios métodos para presentar y categorizar estas fuentes de
variación, usando simples causas y efectos, matrices o diagramas de árbol.
El acrónimo P.I.S.M.O.E.A. 88 representa otro modelo útil para definir un sistema

de medición por sus fuentes de variación básicas. No es solo un modelo sino que
representa una aplicación de apoyo universal.
Fuente de Error Alias o Componente Factor o Parámetro

Parte de producción, muestra lo que se mide,
P Parte Unidad Bajo Prueba (UBP), artefacto y estándar de Desconocido
chequeo.
Gage, unidad de M&TE, gage master máquina de
I Instrumento Medios de comparación
medición, stand de prueba.
Escala, referencia, artefacto, estándar de chequeo, Valor conocido aceptado
estándar intrínseco, consenso, Materiales Estándar como verdadero*, valor
S Estándar/Patrón
de Referencia (MER), clase, criterios de de referencia o criterios
aceptación. de aceptación
Entrenamiento en el trabajo, verbal, instrucciones
M Método de trabajo, plan de control, plan de inspección, Cómo
programa de pruebas, programa de partes.
Evaluador, técnico de pruebas o calibraciones,
O Operador Quién
auditor, inspector.
Temperatura, humedad, contaminación, orden y
limpieza, iluminación, posición, vibración, energía Condiciones de la
E Medio Ambiente
eléctrica, Interferencia Electromagnética (IEM), medición, ruido
ruido, tiempo, aire.
Estadísticos, operacionales, de calibración, Criterios, constantes o
A Supuestos constantes, valores de manuales, estabilidad suposiciones para una
térmica, módulos de elasticidad, leyes de la ciencia. medición confiable
* Los valores verdaderos actuales o físicos son desconocidos.
La fuente de error del alias varía con la aplicación de las mediciones y la industria.
Estos son ejemplos comunes. Sin embargo, el efecto de los parámetros y
características siempre es el mismo.
88
P.I.S.M.O.E.A. fue originalmente desarrollado por Mr. Gordon Skattum, ASQ CQE Senior, metrologista y Director de
Manufactura Integrada en Rock Valley College Technology Center.
209
Apéndice F
Todos los métodos de Análisis de Sistemas de Medición son herramientas de

calidad. Todas las herramientas de calidad se basan en supuestos. Si se violan los
supuestos, la herramienta llega a ser impredecible al máximo y pudiera conducir a
una conclusión falsa en lo peor.
Los supuestos estadísticos típicos de un estudio R&R de gages incluyen: proceso

normal, intentos aleatorios e independientes, estabilidad y criterios de pruebas –
repruebas. Cuando uno o más supuestos se violen (ej., proceso de medición no
normal, sesgo del operador) la herramienta y análisis llega a ser finalmente no
estable, confusa y dudosa. Las evaluaciones del porcentaje de RRGs para el control
del producto y el proceso pueden ser sobreestimadas. Existen también supuestos no
estadísticos en relación a los sistemas de medición (ej., calibración, operacional,
coeficientes y proporciones de expansión, leyes físicas y constantes. El planeador
de las mediciones debiera ser capaz de identificar, controlar, corregir o modificar el
método MSA para ajustar violaciones significativas de los supuestos en el proceso
de medición.
La violación de los criterios de prueba – reprueba siempre es una consideración

para las pruebas destructivas o los sistemas de medición en proceso donde la
característica está cambiando. El planeador de las mediciones debe considerar
híbridos apropiados, con modificaciones o técnicas alternativas para el estudio del
sistema de edición estándar.
Los supuestos tienden a contribuir en una mayor proporción a la variación total de

las mediciones cuando: 1) se usen métodos o herramientas más poderosos (ej.,
ANOVA, análisis de regresión, diseños de experimentos, predicciones de
probabilidad y gráficas de control), y 2) se incremente la precisión de las
mediciones. Las aplicaciones de mediciones de alta precisión deben a menudo
planearse para la corrección de coeficientes y expansión térmica, deformación,
arrastres o deslizamientos u otros supuestos en el proceso de medición.
El gran peligro para un analista de calidad o planeador de las mediciones en

relación a los supuestos es que se asuma que sean insignificantes o constantes y por
tanto ignorados.
La Tabla F 1 demuestra ejemplos del modelo PISMOEA para tres diferentes

situaciones de medición.
210
Apéndice F
Fuente Producción típica, MSA Automatización del Calibración

de Error Automotriz Proceso o Stand de
Pruebas
Unidades de
producción, muestras Gages, UBP, muestra
Partes de producción aleatorias,
P de prueba, estándares de prueba, lo que se
rango completo del proceso
de chequeo, mide
artefactos
Tipo único para el gage de CCD, MMC, stand de
I Gage y equipo master
producción pruebas
Escala y geometría, Master, referencia,
Escala, estándar master, o clase;
S estándares de intrínseca o por
cumple con “la regla 1 a 10”
referencia de prueba consenso, artefacto
Procedimientos Operativos Sop documentado,
Documentado,
Estándar (sop), a menudo verbales, programa de CCD o
M procedimiento formal
pueden ser documentados; plan de ciclo de prueba
de calibración
control automatizado
Operador de pruebas
Técnico calificado,
restringido, y con
Típicos (2-3), entrenados, quienes evidencia de
O entrenamiento
normalmente operan competencia en ISO
especializado y
17025
habilidades
Límites de control
Producción y condiciones de
E A menudo controlado optimizados, fuentes
operación estables
de error principales
No puede asumirse,
Estadísticos, con
A Estadísticos, a menudo ignorados fuentes de error
aplicación específica
principales
Control del
Control del
producto,
Propósito Control Del Proceso (SPC) producto,
tolerancias de
inspección 100%
calibración
Tabla F 1 Ejemplos del Modelo PISMOEA
El grado de influencia y contribución a las variaciones de las mediciones para

fuentes de errores específicas depende de la situación. Una matriz, causas y efectos
o diagrama de árbol de fallas será una herramienta útil para identificar y entender
las fuentes dominantes de la variación de las mediciones para control y
mejoramiento.
El análisis de los sistemas de medición empieza entendiendo el propósito y proceso

de las mediciones mismas. Todas las fuentes de errores caóticas y no legítimas
deben ser retiradas. Un estudio de mediciones es un experimento planeado que
sigue los siguientes conceptos: DEFINE las fuentes de error significativas,
ARREGLA algo, permite uno o más factores de CONTROL a cambiar, MIDE
intentos múltiples, ANALIZA resultados y TOMA ACCIONES.
211
Glosario
212
Glosario
GLOSARIO
Ver el Manual de Referencia del Control Estadístico de los Procesos (SPC) para definiciones adicionales
del glosario.
5.15 vs 6 σ RRG Multiplying Ver nota de la página iv.

Factor
(Factor Multiplicativo 5.15 vs
6 σ RRG )
Accuracy Cercanía por acuerdo entre el valor observado y el valor aceptado como
(Exactitud) referencia.
Analysis of Variance Método estadístico (ANOVA) a menudo usado en el diseño de experimentos

(Análisis de Varianza) (DOE), para analizar datos de variables de grupos múltiples, a fin de
comparar promedios y analizar fuentes de variación.
Apparent Resolution El tamaño del incremento más pequeño en el instrumento de medición es la

(Resolución Aparente) resolución aparente. Este valor es típicamente usado en la literatura como
publicidad para clasificar el instrumento de medición. El número de categorías
de datos puede determinarse dividiendo el tamaño entre la extensión (6σ) de
la distribución esperada del proceso.
NOTA: El número de dígitos desplegados o reportados no siempre indican la

resolución del instrumento. Por ejemplo, las partes medidas como 29.075,
29.080, 29.095, etc., son registradas como mediciones de cinco (5) dígitos.
Sin embargo, el instrumento puede no tener una resolución de 0.001 sino de
0.005.
Appraiser Variation La variación en las mediciones promedio de la misma parte (lo medido) entre
(Variación del Evaluador) los diferentes evaluadores (operadores) usando el mismo instrumento de
medición y método y en un ambiente estable. La variación del evaluador (AV)
es una de las fuentes comunes de la variación (error) de los sistemas de
medición que resulta de las diferencias en las habilidades del operador o la
técnica usando el mismo sistema de medición. La variación del evaluador es
comúnmente asumida como “error de reproducibilidad” y asociada con un
sistema de medición; ésto no siempre es verdad (Ver Reproducibilidad)
Bayes’ Theorem Una formula matemática usada para calcular probabilidades condicionales.
(Teorema de Bayes)
La probabilidad de una hipótesis condicional G en un cuerpo de datos M dado
es la razón de la probabilidad incondicional de la conjunción de la hipótesis
con los datos de la probabilidad incondicional de los datos mismos.
La probabilidad del condicional G en M es definida como
PM(G)=P(GyM)/P(G), siempre y cuando ambos términos de esta razón
existan y P(G)>0
Bias La diferencia entre el promedio de las mediciones observadas (intentos sobre

(Sesgo) condiciones de repetibilidad) y el valor referencia; históricamente referido
como exactitud el sesgo es evaluado y expresado como un solo punto dentro
del rango de operación del sistema de medición.
Calibration Conjunto de operaciones que establecen, bajo condiciones especificadas, la

(Calibración) relación entre un dispositivo de medición y un estándar rastreable con un
valor de referencia e incertidumbre conocidos. La calibración puede también
incluir pasos para detectar, correlacionar, reportar o eliminar por ajustes
cualquier discrepancia en la exactitud del dispositivo de medición a ser
comparado.
213
Glosario
Calibration Interval Cantidad especificada de tiempo o conjunto de condiciones entre

(Intervalo de Calibración) calibraciones durante las cuales los parámetros de calibración de un
dispositivo de medición son considerados como válidos.
Capability Estimativo de la variación combinada de los errores (aleatorios y

(Desempeño) sistemáticos) de las mediciones y en base a evaluaciones de largo plazo del
Confidence Interval Intervalo ó rango de valores, calculado de datos de muestras, que contienen,
(Intervalo de Confiabilidad) con un (100 - α ) grado de certidumbre, el parámetro de interés de la
población, ej., el promedio verdadero de la población.
α , llamado el Nivel de Confiabilidad, es la probabilidad de cumplimiento del
error Tipo I.
Ver Montgomery (1997) ó Juran y Godfrey (1999) para métodos de cálculo.
Control Chart Gráfica de la característica de un proceso, basada en mediciones de una

(Gráfica de Control) muestra y con un orden en tiempo, usada para desplegar el comportamiento
de un proceso, identificar patrones de variación del proceso, evaluar
estabilidad e indicar la dirección del proceso mismo.
• Despliega los valores graficados de algún estadístico recolectados de
una característica, una línea central y uno ó dos límites de control.
• Minimiza la pérdida económica neta de los errores Tipo I y II.
• Tiene dos usos básicos: como un juicio para determinar si un proceso
está operando en control estadístico, y para ayuda en el mantenimiento
del control estadístico.
Data Recolección de observaciones bajo un conjunto de condiciones, que pueden

(Datos) ser variables (un valor cuantificado y unidad de medida) o discretas (atributo
o datos de conteo tales como, aceptado / rechazado, bueno / malo, pasa / no
pasa, etc.).
Disegned Experiment Estudio planeado que involucra análisis estadísticos de una serie de pruebas
(Experimento Diseñado) en el cual se hacen cambios a propósito a factores del proceso y a los efectos
observados, a fin de determinar la relación de las variables del proceso y
mejorar el proceso mismo.
Discrimination Alias unidad más pequeña y legible, discriminación es la resolución en las

(Discriminación) mediciones, límite de escala, o unidad detectable más pequeña del
dispositivo de medición y estándar / patrón. Es una propiedad inherente del
diseño de un gage y reportada como una unidad de medición o clasificación.
El número de categorías de datos es a menudo referido como razón de
discriminación dado que describe cuantas clasificaciones pueden
distinguirse confiablemente dada la variación observada del proceso.
Distinct Data Ctegories Número de clasificaciones de datos o categorías que pueden ser distinguidas
(Categorías de Datos confiablemente y determinadas por una resolución efectiva del sistema de
Distintos) medición y la variación de las partes de un proceso observado, para una
aplicación dada. Ver ndc.
Effective Resolution El tamaño de la categoría de datos cuando se considere que la variación total
(Resolución Efectiva) del sistema de medición sea la resolución efectiva. El tamaño se determina
por la longitud del intervalo de confiabilidad y en base a la variación del
sistema de medición. El número de categorías distintas, ndc, puede
determinarse dividiendo el tamaño entre la extensión esperada de la
distribución del proceso. Para una resolución efectiva, un estimativo estándar
de éste ndc (en un nivel de confiabilidad del 97%) es 1.41 (PV / RRG). Ver
Wheeler, 1989, para una interpretación alternativa.
214
Glosario
F ratio Estadístico que representa la proporción matemática del error del cuadrado
(Razón / Proporción F) de los promedios entre grupos y el error del cuadrado de los promedios
dentro de los grupos, para un conjunto de datos usado para determinar la
probabilidad de ocurrencia aleatoria en u nivel de confiabilidad seleccionado.
Gage R&R (GRR) Estimativo de la variación combinada de la repetibilidad y reproducibilidad

(R&R de Gages(RRG)) para un sistema de medición. La varianza de RRGs es igual a la suma de las
varianzas dentro del sistema y entre sistemas.
Histogram Representación gráfica (gráfica de barras) de la frecuencia de datos

(Histograma) agrupados para ofrecer una evaluación visual de la distribución de los datos.
In Control Estado de un proceso cuando solo muestra variaciones por causas aleatorias
(En Control) y comunes (en oposición a las caóticas, asignables o especiales). Un proceso
que opere solo con variaciones aleatorias es estadísticamente estable.
Independent La ocurrencia de un evento variable que no tiene efecto sobre la probabilidad

(Independiente) de otro evento variable que ocurra.
Independent and Identically Comúnmente referido como “dii”. Grupo homogéneo de datos que son
Distributed independientes y distribuidos aleatoriamente en una distribución común.
(Distribuido en forma
Independiente e Idéntica)
Interaction El efecto combinado o resultados de dos o más variables que es significativo.

(Interacción) No aditividad entre evaluadores y partes. Las diferencias de los evaluadores
dependen de la parte a ser medida.
Inter-Rater Agreement (También confiabilidad entre-evaluadores, ó concordancia). El grado de

(Acuerdo Entre- acuerdo entre evaluadores. Ofrece un resultado ó score de qué tanta
Evaluadores) homogeneidad, ó concenso, hay entre evaluaciones ofrecidas por los
evaluadores.
Existe un número de estadísticos que pueden ser usados para determinar la
confiabilidad entre evaluadores, y los cuales son apropiados para diferentes
tipos de mediciones. Algunas opciones son: probabilidad conjunta de
acuerdo, el kappa de Cohen y el kappa de Fleiss relacionado, la correlación
entre evaluadores, el coeficiente de correlación y concordancia y la
correlación intra-clases.
Kappa (Cohen’s) Una medida estadística de acuerdo entre evaluadores para artículos ó items
(El Kappa de Cohen) cualitativos (categóricos). Toma en cuenta el acuerdo que ocurre por
probabilidad.
Linearity La diferencia en errores de sesgos sobre el rango de operación esperado del

(Linealidad) sistema de medición. En otros términos, linealidad expresa la correlación de
errores de sesgos múltiples e independientes sobre el rango de operación.
Long-Term Capability Medida estadística de la variación dentro de los subgrupos exhibida para un
(Habilidad de Largo Plazo) proceso sobre un periodo largo de tiempo. Esta difiere del desempeño porque
no incluye la variación entre los subgrupos.
Measurand Cantidad o sujeto particular a medir bajo condiciones especificadas; un

(Lo que se Mide) conjunto definido de especificaciones par la aplicación de una medición.
Measurement System El conjunto de instrumentos o gages, estándares o patrones, operaciones,

(Sistema de Medición) métodos, dispositivos, software, personal, medio ambiente y supuestos
usados para cuantificar una unidad de medida o una evaluación de la
característica a ser medida; el proceso completo y usado para obtener
mediciones.
215
Glosario
Measurement Systerm Error Variación combinada y debida al sesgo del gage, repetibilidad,
(Error del Sistema de reproducibilidad, estabilidad y linealidad.
Medición)
Metrology
La ciencia de las mediciones.
(Metrología)
ndc (ndc) Número de categorías distintas. 1.41 PV ( RRG
)
Non- repicable Inhabilidad de tomar mediciones repetidas sobre la misma muestra o
(No Replicable) componente y debido a la naturaleza dinámica de lo que se mide.
Number of Distinct
Categories
(Número de Categorías Ver ndc.
Distintas)
Out-of-Control Estado de un proceso cuando exhibe variaciones por causas caóticas,

(Fuera de Control) asignables o especiales. Un proceso que está fuera de control es
estadísticamente no estable.
Part Variation Relativo al análisis de los sistemas de medición, la variación de las partes
(Variación de las Partes) (PV) representa la variación esperada de parte a parte y de tiempo a tiempo
para un proceso estable.
Part-to-Part Variation Variaciones pieza-a-pieza debidas a la medición de partes diferentes.

(Variación de Parte a Parte)
Performance Un estimativo de la variación combinada de los errores (aleatorios y

(Habilidad) sistemáticos) en las mediciones y basados en evaluaciones de largo plazo del
sistema de medición; incluye todas las fuentes de variación significativas y
determinables de variación en el tiempo.
Precision El efecto neto de la discriminación, sensibilidad y repetibilidad sobre el rango

(Precisión) (tamaño, rango y tiempo) de operación del sistema de medición. El algunas
organizaciones la precisión se usa en forma intercambiable con la
repetibilidad. De hecho, la precisión es más a menudo utilizada para describir
la variación esperada de mediciones repetidas sobre el rango de medición. El
rango puede ser tamaño o tiempo. El uso de términos componentes y más
descriptivos es generalmente preferido sobre el término “precisión”.
Probability Estimativo (en proporción o fracción) basado en una distribución particular de

(Probabilidad) los datos recolectados, describiendo la probabilidad de que ocurra un evento
específico. Los estimativos de probabilidad varían entre 0 (evento imposible)
y 1 (algo seguro). Conjunto de condiciones o causas trabajando juntas para
producir un resultado.
Process Control Estado operacional donde el propósito de las mediciones y los criterios de
(Control del Proceso) decisión aplican a la producción de tiempo real para evaluar la estabilidad del
proceso y lo que se mide o propiedad de la variación del proceso natural; el
resultado de una medición indica que el proceso es estable y “en control” o
“fuera de control”.
Product Control Estado operacional donde el propósito de las mediciones y los criterios de
(Control del Producto) decisión son evaluar lo que se mide o las propiedades para cumplir con una
especificación; el resultado de las mediciones es “dentro de tolerancias” o
“fuera de tolerancia”.
216
Glosario
Reference Value Valor de lo que se mide que sea reconocido y sirva como un valor master o
(Valor de Referencia) de referencia acordado para comparaciones:
• valor teórico o establecido y basado en principios científicos;
• valor asignado y basado en alguna organización nacional o

internacional;
• valor por consenso y basado en trabajo experimental colaborativo y bajo

los auspicios de un grupo científico o de ingeniería; o
• para una explicación específica, valor obtenido y acordad y usando un

método de referencia aceptable.
Valor consistente con la definición de una cantidad específica y aceptada,

algunas veces en forma convencional, como apropiada para un propósito
dado.
NOTA: Otros términos usados como sinónimos del valor referencia.

Valor referencia aceptable
Valor aceptable
Valor convencional
Valor verdadero y convencional
Valor asignado
El mejor estimativo del valor
Valor master
Medición del master
Regression Analysis Estudio estadístico de la relación entre dos o más variables. Cálculo para
(Análisis de Regresión) definir la relación matemática entre dos o más variables.
Repeatibility Variación aleatoria y por causas comunes que resulta de intentos sucesivos y
(Repetibilidad) bajo condiciones de medición definidas. A menudo referida como variación
del equipo (EV) aunque esto es dudoso. El mejor término para repetibilidad
es variación dentro de los sistemas cuando las condiciones de las mediciones
son arregladas y definidas – parte acordada, instrumento, estándar / patrón,
método, operador, medio ambiente y supuestos. Además de la variación
dentro de los equipos, la repetibilidad incluye toda la variación interna de las
condiciones en el modelo de errores en las mediciones.
Replicable La habilidad de tomar mediciones repetidas sobre la misma muestra o

(Replicable) componente, cuando no haya un cambio físico significativo de lo que se mide
o el ambiente de medición.
Replication Intentos de pruebas múltiples bajo condiciones de repetibilidad (idénticas).

(Replicado)
Reproducibility La variación en el promedio de las mediciones causada por un cambio en las

(Reproducibilidad) condiciones normales del proceso de medición. Típicamente, se ha definido
como la variación en el promedio de las mediciones de la misma parte entre
diferentes evaluadores (operadores), usando el mismo instrumento de
medición y método y en un medio ambiente estable. Esto a menudo es
verdad para instrumentos manuales influenciados por habilidades del
evaluador. No es verdad, sin embargo, para procesos de medición (ej.,
sistemas automatizados) donde el operador no es una fuente de variación
mayor. Por esta razón, la reproducibilidad es referida como el promedio de
las variaciones entre sistemas o entre condiciones de mediciones.
217
Glosario
Resolution Puede aplicarse a la resolución de las mediciones o a la resolución efectiva.

(Resolución) La habilidad o capacidad de un sistema de medición para detectar e indicar
fielmente si existen pequeños cambios sobre la característica medida. (Ver
también discriminación).
La resolución de un sistema de medición es δ si existe una probabilidad

igual de que el valor indicado de cualquier parte y el cual difiera de una parte
de referencia por menos que δ será el mismo que el valor indicado de la
parte de referencia. La resolución de un sistema de medición es impactada
por el instrumento de medición así como otras fuentes de variación del
sistema de medición total.
Scatter Diagram
(Diagrama de Dispersión) Gráfica X -Y de daros para evaluar la relación entre dos variables.
Sensitivity Señal de entrada más pequeña que resulta de la señal de un resultado

(Sensibilidad) detectable (discernible) para un dispositivo de medición. Un instrumento
debiera ser al menos tan sensible como sus unidades de discriminación. La
sensibilidad se determina por el diseño y calidad inherentes del gage, el
mantenimiento en servicio y las condiciones de operación. La sensibilidad es
reportada en unidades de medición.
Significance Level Nivel estadístico y seleccionado para probar la probabilidad de resultados

(Nivel de Significancia) aleatorios; también asociado con el riesgo, expresado como el riesgo alfa
( α ), que representa la probabilidad de un error en las decisiones.
Stability Se refiere a la estabilidad estadística de un proceso de medición y a la

(Estabilidad) estabilidad en las mediciones en el tiempo. Ambas son vitales para un
sistema de medición y adecuadas para su propósito esperado. Estabilidad
estadística implica un proceso predecible y bajo mediciones, operando dentro
de variaciones de causas comunes (en control). La estabilidad de las
mediciones (alias rumbo o dirección) aborda el cumplimiento necesario del
estándar o referencia de las mediciones sobre una vida (tiempo) de operación
del sistema de medición.
Tolerance Desviación permitida a partir de un valor estándar o nominal que mantiene la

(Tolerancia) función, adecuación y forma.
Ver también Especificación
Uncertainty Parámetro asociado con el resultado de una medición, que caracteriza la

(Incertidumbre) dispersión de los valores que pudiera estar razonablemente atribuida a los
que se mide (VIM); el rango asignado a un resultado de medición que
describe, dentro de un nivel de confiabilidad definido, los límites esperados
que contienen los resultados de mediciones verdaderos. Incertidumbre es
una expresión cuantificada de la confiabilidad de las mediciones.
Unimodal Grupo de datos contiguos que cuentan con una moda.

(Unimodal)
218
Lista de Referencias
1. ASTM E691-99, Standard Practice for Conducting an Interlaboratory Study to determine the
Precision of a Test Method, (www.astm.org).
2. ASTM E177-90ª, Standard Practice for Use of the Terms Precision and Bias in ASTM Test
Methods.
3. ASTM E456-96, Standard Terminology for Relating to Quality and Statistics.
4. AT&T Statistical Quality Control Handbook, Delmar Printing Company, Charlotte, N.
C, 1984.
5. Baker, E. “Signal Detection Theory of Quality Control Inspector Performance”, Journal of

Quality Technology, Vol. 7, No.2, April 1975.
6. Bland, J. M., and Altman, D.G. (1896). Statistical methods for assessing agreement between
two methods of clinical measurement. Lancet i. pp. 307-310.
7. Burdick, Richard K., y Larsen, Greg A., “Confidence Intervals on Measures of Variability in
R&R Studies, “Journal of Quality Technology, Vol. 29, No. 3, Julio 1997.
8. Cohen, J. (1960) “A coefficient for agreement for nominal scales” in Education ans
Psychological Measurement. Vol. 20, pp. 37-46.
9. Dataplot, National Institute of Standards and Technology, Statistical Engineering Davison

(www.itl.nist.gov).
10. Deming, W. E., Out of the Crisis, Massachusetts Institute of Technology, 1982, 1986.
11. Deming, W.E., The New Economics for Industry, Government, Education, The MIT Press
1994, 2000.
Duncan, A. J., Quality Control and Industrial Statistics, 5ª ed., Richard D. Irwin, Inc.,
12. Homewood, Illinois, 1986
Eagle, A. R:, “A Meted For Handling Errors in Testing and Measuring.” Industrial Quality
13. Control, Marzo, 1954, pp.10-14
Ermer, Donald S., y E-Hok, Robin Yang, “Reliable Data is an Important Commodity,”
14. University de Wisconsin, Madison; published in The Standard, ASQ Newsletter of the
Measurement Quality Division, Vol. 97-1, Winter 1997.
15. Everitt, B. (1996) Making Sense of Statistics in Psychology (Oxford University Press).
16. Fleiss, J. L. (1971) “Measuting nominal scale agreement among many raters” in Psychological
Buuletin. Vol. 76, No. 5, pp. 378-382.
17. Foster, Lowell W., GEO-METRICS: The Metric Application of Geometric Tolerancing, Addison-
Wesley Publishing Company, Massachusetts, 1993.
219
18. Gillespie; Richard, A History of the Hawthorne Experiments, Cambridge University Press, New
York , 1991.
19. Grubbs, F.E., “On Estimating Precision of Measuring Instruments and Product Variability,”
Journal of the American Statistical Association, Vol. 43, 1948, pp. 243-264.
20. Grubbs, F. E., “Errors of Measurement, Precision, Accuracy and the Statistical Comparison of
Measuring Instruments,” Technometrics, Vol. 15, February 1973, pp. 53-66.
21. Gruska, G. F., and Heaphy, M.S., “Measurement Systems Analysis,” TMI Conference
Workshop, Detroit, Michigan, 1987.
22. Guidance to the Expression of Uncertainty in Measurement, ISO/IEC Guide 98: 1995.
23. Hahn, J. H. and Nelson, W., “A Problem in the Statistical Comparison of Measuring Devices,”
Technometrics, Vol. 12., No. 1, Febrero 1970, pp. 95-102.
24. Hamada, Michaeln and Weerahandi, Sam, “Measurement System Assesment Via Generalized
Inference,” Journal of Quality Technology, Vol. 32, No. 3, Julio 2000.
25. Hayes, A. F. & Krippendorff, K. (2007). Answering the call for a standard reliability measure for
coding data. Communication Methods ans Measures, 1, 77-89.
26. Heaphy, M. S., et. al., “Measurement Systems Parameters,” Society of Manufacturing
Engineering-IQ81-154, Detroit, Michigan, 1981.
27. Hicks, Charles R. and Turner K.V. Jr. Fundamental Concepts in the Design of Experiments,
Osford University Press, New York, 1999.
28. International Vocabulary of Basic and General Terms in Metrology (abbr. VIM), ISO/IEC Guide
99: 2007.
29. Ishikawa, Kaoru, Guidance to Quality Control, Asian Productivity Organization, 1986.
30. Jaech, J.L., “Further Tests of Significance for Grubbs’ Estimators,” Biometrics, 27, December,
1971, pp. 1097-1101.
31. James, P. D. “Graphical Displays of Gages R&R Data,” AQC Transaction, ASQC, 1991.
32. Krippendorff, K. (2004). Content analysis: And introduction to its methodology. Thousand
Oaks, CA: Sage. pp. 219-250.
33. Lipson, C., and Sheth, N. J., Statistical Design & Analysis of Engineering Experiment, McGraw-
Hill, New York, 1973.
34. Maloney, C. J., and Rostogi, S. C., “Significance Test for Grubbs’ Estimators,” Biometrics, 26,
December, 1970. pp. 671-676.
35. Mandel, J., “Repeatability and Reproducibility,” Journal of Quality Technology, Vol. 4, No. 2,
April, 1972, pp. 74-85.
220
36. McCaslin, J. A., and Gruska, G. F., “Analysis of Attribute Gage Systems, “ ASQC Technical
Conference Transactions, 1976, pp. 392-399.
37. Measurement Systems Analysis Reference Manual, Third Edition, Chrysler, Ford, GM, Third
Printing, 2002.
38. Minitab User’s Guide: Guide to Minitab: Release 15 - Minitab, Minitab, Inc., 2007.
39. Montgomery, Douglas C., and Runger, George C., “Gauge Capability and Designed
Experiments. Part I: Basic Methods; Part II: Experimental Design Models and Variance
Component Estimation,” Quality Engineering, Marcel Dekker, Inc., 1993.
40. Nelson, L., “Use of the Range to Estimate Variability,” Journal of Quality Technology, Vol. 7,
No. 1, January, 1975, pp. 46-48.
41. Potential Failure Mode and Effects Analysis (FMEA) Reference manual, Fourth Edition,
DaimlerChrysler, Ford, GM, 2008.
42. Production Part Approval Process (PPAP), Fourth Edition, DaimlerChrysler, Ford, GM, 2008.
43. Saal, F.E. Downey, R.G. and Lahey, M.A (1980) “Rating the Ratings: Assessing the
Psychometric Quality of Rating Data” in Psycholgical Bulletin. Vol. 88, No. 2, pp. 413-428.
44. Shrout, P. and Fleiss, J. L. (1979) “Intraclass correlation: uses in assessing rater reliability” in
Psychological Bulletin. Vol. 86, No. 2, pp. 420-428.
45. Spiers, Beryl, “Analysis of Destructive Measuring Systems”, ASQC Quality Congress
Transactions, Toronto, 1989.
46. Statistical Process Control Reference Manual (SPC), Second Edition, Chrysler, Ford, GM,
2005.
47. Thompson, W. A., Jr., “The Problem of Negative Estimates of Variance Components,” Annals
Mathematical Statistics, No. 33, 1962, pp. 273-289.
48.. Thompson, W. A., Jr., “Precision of Simultaneous Measurement Procedures”, American
Statistical Association Journal, June, 1963, pp. 474-479.
49. Traver, R. W., “Measuring Equipment Repeatability – The Rubber Ruler,” 1962 ASQC
Convention Transactions, pp. 25-32.
50. Tsai, Pingfang, “Variable Gauge Repeatability and Reproducibility Study Using the Analysis of
Variance Method, Quality Engineering, Marcel Dekker, Inc. 1988.
51. Uebersax, John S. (1987). “Diversity of Decision making models and the measurement of
interrater agreement” in Psychological Bulletin. Vol. 101, pp. 140-146.
52. Vardeman, Stephen B., and Van Valkenburg, Enid S., “Two-Way Random-Effects Analyses
and Gauge R&R Studies,” Technometrics, Vol. 41, No. 3, August 1999.
53. Wheeler, D. J., “Evaluating the Measurement Process When the Testing is Destructive,”
TAPPI, 1990 Polymers Lamination & Coatings Conference Proceedings, (www.tappi.org
search for document plc90905).
221
54. Wheler, D.J., and Lyday, R. W., Evaluating the Measurement Process, SPC Press, Inc.,
Knoxville, Tennesse, 2006.
222
Formatos de Muestra
El lector cuenta con el permiso de reproducir los formatos de ésta sección para uso interno
solamente, y no para uso comercial ó reventa
Los formatos de ésta sección cada uno representa un posible formato para la recolección y reporte
datos de RRG. No son mutuamente excluyentes de otros tipos de formatos los cuales pueden
contener la misma información y lograr los mismos resultados.
223
Hoja de Recolección de Datos de Repetibilidad y Reproducibilidad de Gages
Evaluador/ PARTE
PROMEDIO
Intento # 1 2 3 4 5 6 7 8 9 10
A 1
2
3
Promedio Xa =
Rango Ra =
B 1
2
3
Promedio Xb =
Rango Rb =
C 1
2
3
Promedio Xc =
Rango Rc =
Promedio X =
de Parte Rp =
([(R a = )] + [R
b = ] + [R
c = ]) [# DE EVALUADORE S = ]= R=
X DIFF =
X DIFF = [X Max = ] − [X Min = ]=
*
[
LCS R = R = ]× [D 4 = ]=
*
D 4 = 3.27 para 2 intentos y 2.58 para 3 intentos. LCSR representa el límite de los R’s individuales. Circular aquellos
que estén fuera de éste límite. Identifica las causas y corrígelas. Repite estas lecturas usando el mismo evaluador y
unidad como se originalmente o descarta los valores y recalcula el promedio y R y el valor límite de las observaciones
restantes.
Notas: .
224
Reporte de Repetibilidad y Reproducibilidad de Gages (RRGs)
Nombre y No. de Parte: Nombre del Gage: Fecha:
Características: No. de Gage: Hecho por:
Especificaciones:
Tipo de Gage:
Dato : R = X DIFF = Rp =
Análisis de las Unidades de Medición % de Variación Total (TV)
Repetibilidad – Variación del Equipo (EV)
EV = R × K 1 %EV = 100[EV/TV]
= R ×K 1 Intentos K1 = 100 [ / ]
= x . 2 0.8862 = %
= . 3 0.5908
Reproducibilidad – Variación del Evaluador (AV)
AV = (X DIFF × K 2)2 − (EV 2 nr ) %AV =100 [AV/TV]
= ( × )2 − ( 2
( × )) = 100 [ / ]
= . Evaluadores 2 3 = %
K2 0.7071 0.5231
Repetibilidad y Reproducibilidad (RRG)
RRG = EV 2 + AV 2 %RRG = 100 [RRG/TV]
= ( 2
+
2
) Partes K3 = 100 [ / ]
= . 2 0.7071 = %
3 0.5231
Variación de Partes (PV) %PV = 100 [PV/TV]
4 0.4467
PV = Pp × K 3 5 0.4030 = 100 [ / ]
= x
6 0.3742 = %
= .
Variación Total (TV) 7 0.3534
TV = RRG 2 + PV 2 8 0.3375 (
ndc = 1.41 PV
RRG
)
= ( 2
+
2
) 9 0.3249 = 1.41 [ / ]
= . 10 0.3146
= .
Para información sobre teoría y constantes usadas en este formato, ver Manual de Referencia de MSA, Cuarta edición.
225
226
Índice
Índice
227
Índice
Acceptability Criteria (Criterios de Aceptabilidad), 79 Error Charts (Gráficas de Errores), 114
Accuracy (also see Bias) (Exactitud (ver también Error Rate (Proporción de Errores), 19
Sesgo)), 6,50,215, 222 EV (see Equipment Variation) (VE (ver Variación del
Analysis of Variance (ANOVA) (Análisis de Varianza Equipo), 54, 90, 93, 95, 99, 122, 124, 125, 129,
(ANOVA)), 103, 105, 109, 125, 126, 127, 128, 131, 197, 198, 200, 209, 219, 227
129, 130, 131, 161, 163, 165, 169, 197, 199, 200, False Alarm Rate (Proporción de Falsa Alarma), 19,
212, 215 142
Analytic Method (Método Analítico), 147 Fixturing (Dispositivos), 37
Apparent (Aparente), 215 FMEA (AMEF), 13, 26, 37, 169, 223
Appraiser Variation (AV) (Variación de los Gage (Gage), 5, 7, 31, 35, 42, 56, 61, 79, 81, 90, 103,
Evaluadores (AV)), 7, 122, 124, 125, 129, 131, 105, 107, 118, 121, 122, 125, 131, 147, 148, 150,
197, 198, 200, 212, 215 151, 152, 161, 179, 180, 181, 182, 183, 184, 198,
ASTM (American Society For Testing And Materials), 207, 211, 212, 213, 217, 222, 223, 226, 227
5, 6, 7, 33, 45, 50, 54, 55, 56, 187, 189, 192, 221 Gage Performance Curve (GPC) (Curva de
Attribute (Atributo), 133, 136, 147, 151, 152, 161, Desempeño de Gages (CDG)), 42, 147, 148, 150,
179, 181, 223 151, 152, 179, 180, 181, 182, 183, 184
Average (Promedio), 95, 103, 105, 108, 109, 114, Gage Repeatability (GR) (Repetibilidad de Gages
115, 119, 126, 128, 129, 130, 131, 171, 176, 177, (RG)), 35, 107, 118, 120, 121, 122, 125, 226, 227
188, 226 Gage Repeatability and Reproducibility (GRR)
Bias (Sesgo), 6, 50, 51, 61, 62, 89, 90, 91, 92, 93, (Repetibilidad y Reproducibilidad de Gages
94, 96, 97, 99, 215, 221 (RRG)), 7, 56, 107, 118, 121, 122, 125, 161, 198,
Calibration (Calibración), 10, 34, 36, 38, 39, 43, 213, 212, 217, 222, 226, 227
215, 216 Geometric Dimensioning and Tolerancing (GD&T)
Calibration Standard (Estándar de Calibración), 43 (Tolerancias y Dimensionamiento Geométrico
Capability Index (Índice de Habilidad), 201 (T&DG)), 169
Cause and Effect (Causas y Efectos), 17, 68 GPC (see Gage Performance Curve) (CDG (ver
Cause and Effect Diagram (Diagrama de Causas y Curva de Desempeño de Gages)), 42, 148, 150,
Efectos), 17, 68 179, 181
Charts, Error (Gráfica de Errores), 114 GRR (see Gage Repeatability and Reproducibility)
Check Standard (Estándar de Chequeo), 45 (RRG (ver Repetibilidad y Reproducibilidad de
Consistency (Consistencia), 8, 57, 110, 112, 113, Gages)), 7, 18, 22, 35, 56, 58, 60, 64, 75, 76, 79,
116, 187, 192 80, 81, 90, 95, 99, 104, 105, 106, 122, 123, 124,
Control Chart Analysis (Análisis de Gráficas de 125, 129, 130, 131, 145, 146, 150, 163, 165, 181,
Control), 88 185, 186, 187, 189, 193, 197, 198, 199, 200, 201,
Control Charts (Gráficas de Control), 49 202, 203, 212, 216, 217, 225, 227
Coordinate Measuring Machine (CMM) (Máquina de Guide to the Expression of Uncertainty in
Medición por Coordenadas (MMC)), 14, 25, 26, Measurement (Guía para la Expresión de la
37, 38, 59, 134, 169, 213 Incertidumbre en las Mediciones), 222
Cp (see Capability Index) (Cp (ver Índice de Histogram (Histogramas), 93, 115, 217
Habilidad)), 21, 22, 143, 201, 203, 204 Hypothesis Test Analyses (Análisis de Pruebas de
Cross-Tabulation (Tabulación Cruzada), 135 Hipótesis), 133, 135
Customer (Cliente), 4, 48, 91, 96, 233 Kappa (Kappa), 138, 139, 217
Designed Experiment (Diseño de Esperimentos), Linearity (Linealidad), 6, 51, 52, 98, 100, 101, 102,
216, 223 116, 164, 207, 217
Destructive Measurement Systems (Sistemas de Location Error (Error de Localización), 79
Medición Destructivos), 155, 156 Maintenance (Mantenimiento), 34, 36, 38
impact testing (gravelometer) (pruebas de Master (Master), 44, 213
impacto (gravelometro)), 155 Measurand (Lo Que se Mide), 60, 217
mass spectroscopy (espectroscopia de masas), Measurement Life Cycle (Ciclo de Vida de las
155 Mediciones), 26
plating testing (pruebas de acabado metálicos), Measurement system (Sistema de Medición), 1, 7, 8,
155 13, 17, 18, 28, 31, 37, 38, 39, 67, 68, 69, 75, 79,
material characteristic testing (pruebas de 83, 87, 131, 133, 134, 155, 156, 171, 187, 212,
características materiales), 155 218, 222, 223
weld testing (pruebas de soldadura), 155 Measurement System Performance (Desempeño del
Discrimination (Discriminación), 5, 41, 46, 216 Sistema de Medición), 8
Drift (see Stability) (Flujo (ver Estabilidad)), 6, 39 Measurement Uncertainty (Incertidumbre de las
Effective Resolution (Resolución Efectiva), 38, 216 Mediciones) , 63
Effectiveness (Efectividad), 141, 142 Miss Rate (Proporción de Pérdida), 19, 142
Environment (Medio Ambiente), 16, 37, 51, 54, 211 NIST (National Institute of Standards and
Equipment Variation (EV) (see also Repeatability) Technology) (NIST (National Institute of Standards
(Variación del Equipo (VE) (ver también and Technology)), 9, 159, 221
Repetibilidad)), 227
Ergonomics (Ergonomía), 38
Error (Error), 19, 39, 79, 80, 97, 114, 115, 182, 209,
211, 213, 218
NIST (see National Institute of Standards and Resolution Effective (Resolución Efectiva), 38, 216
228
Índice
Technology) (NIST (ver National Institute of Risk Analysis Methods (Métodos de Análisis de
Standards and Technology)), 9, 10, 11, 34, 45, Riesgos), 133
73 Rule of Tens (Regla de Diez), 15, 41
NMI (National Measurement Institute) (INM (Instituto Run Chart (Gráfica de Corridas), 111
Nacional de Mediciones)), 9, 10, 45 S.W.I.P.E., 16, 37
Non- replicable (No replicable), 218 Scatter Plot (Gráfico de Correlación), 112
Number of Distinct Categories (ndc) (Número de Sensitivity (Sensibilidad), 8, 38, 57, 220
Categorías Distintas (ncd)), 47, 80, 125, 131, 216, Signal Detection Approach (Enfoque de Detección
218, 227 de Señales), 145
Observed Value (Valor Observado), 114, 115 Standard (Estándar), 5, 16, 43, 44, 45, 105, 163,
Operational Definition (Definición Operacional), 43 165, 176, 177, 187, 190, 191, 198, 209, 211, 213,
P.I.S.M.O.E.A., 16, 37, 211 221
P.I.S.M.O.E.A. Error Model (Modelo de Errores Standard, Calibration (Calibración Estándar), 43
P.I.S.M.O.E.A.), 211 Standard, Check (Chequeo Estándar), 45
Performance Curve (Curva de Desempeño), 42, 147, Standard, Reference (Referencia Estándar), 43
148, 150, 151, 152, 179, 180, 181, 182, 183, 184 Standard,Transfer (Transferencia Estándar), 44
Pooled Standard Deviation (Desviación Estándar Standard, Working (Trabajo Standar), 44
Acumulada ó Combinada), 187, 190, 191 Statistical Process Control (SPC) (Control
Precision (Precisión), 7, 54, 218, 221, 222, 223 Estadístico de los Procesos (SPC)), 11, 47, 49,
Process Control (Control de Procesos), 49, 75, 131, 75, 79, 88, 118, 213, 215, 223, 224
215, 218, 223 Test Stands (Stands de Prueba), 155, 156, 161
Proces Failure Mode Effects Analysis (PFMEA) Tolerance (Tolerancia), 124, 131, 145, 203, 220
(Análisis de Modos y Efectos de Fallas de Proceso Total Variation (TV) (Variación Total (VT)), 15, 76,
(AMEFP)), 13 90, 95, 99, 119, 123, 124, 125, 129, 131, 200,
Product Control (Control del Producto), 75, 218 227
R&R (see Gage Repeatability and Reproducibility or Traceability (Rastreabilidad), 9, 10, 64
GRR) R&R (ver Repetibilidad y Reproducibilidad de Transfer Standard (Estándar de Transferencia), 44
Gage o RRG), 7, 56, 163, 198, 212, 217, 221, 222, True Value (Valor Verdadero), 45
223 Uncertainty (see Measurement Uncertainty)
Random (Aleatorio), 213, 223 (Incertidumbre (ver Incertidumbre en las
Randomization (Aleatoriedad) , 76, 106 Mediciones)), 8, 60, 63, 64, 65, 220, 222
Range (Rango), 38, 90, 95, 103, 104, 105, 110, 111, Uniformity (Uniformidad), 8, 58
124, 126, 128, 129, 130, 131, 160, 163, 171, 176, Variable Gage Study (Estudio de Gages de
177, 188, 203, 207, 223, 226 Variables), 103
Range Chart (Gráfica de Rangos), 110, 111 Variation (Variación), 7, 15, 50, 76, 103, 119, 123,
Range Method (Método de Rangos), 90, 104, 105, 129, 131, 169, 185, 198, 200, 215, 218, 227
128, 131, 163, 171, 188 Whiskers Chart (Gráfica de Bigotes) , 113
Reference Value (Valor de Referencia), 45, 92, 101, Width Error (Error de Amplitud), 79, 80
114, 115, 145, 219 Working Standard (Estándar de Trabajo), 44
Replicable (Replicable), 83, 155, 219
Reproducibility (Reproducibilidad), 7, 55, 77, 103,
107, 118, 121, 122, 125, 131, 189, 198, 207, 215,
219, 222, 223, 226, 227
Resolution (Resolución), 38, 215, 216, 220
Resolution Apparent (Resolución Aparente), 215
229
230
Retroalimentación
Proceso de Retroalimentación del Usuario del Manual MSA
Consistente con el proceso de mejoramiento continuo, este manual de análisis de sistemas de medición
(msa) de la industria automotriz está siendo sujeto a un proceso de revisiones periódicas y formales. En
conjunto con el concepto de satisfacción de los clientes, estas revisiones no solo acarrean
consideraciones sobre cambios en requerimientos que apliquen de fabricantes de vehículos y de año a
año, sino también de retroalimentación de usuarios del manual para propósitos de hacerlo de mas valor
agregado y efectivo a la industria automotriz y a las comunidades de usuarios. Al mismo tiempo, favor
de sentirse libre de ofrecer, por escrito, sus comentarios de retroalimentación, pros y cons, relativos a la
facilidad de entendimiento del manual, “facilidad hacia el usuario”, etc., en las áreas indicadas abajo. Por
favor indique los números de páginas específicos del manual cuando sea apropiado. Enviar su
retroalimentación a la dirección indicada abajo:
Su Nombre
Representando
Nombre de la Compañía/División
Dirección
Teléfono ( )
Por favor liste sus tres clientes automotrices mas importantes y su localización.
Localización del Cliente

Comentarios de Retroalimentación (anexar hojas adicionales si es necesario)
Enviar Comentarios a:
Automotive Industry Action Group
Suite 200
26200 Lahser Road
Southfield, Michigan 48033
MSA, 4a.
Por favor accese a www.aiag.org para emitir su retroalimentación electrónicamente.
231

MSA Español-4ta. Edicion PDF

Cargado por

Información del documento

Título original

Derechos de autor

Formatos disponibles

Compartir este documento

Compartir o incrustar documentos

Opciones para compartir

¿Le pareció útil este documento?

¿Este contenido es inapropiado?

Copyright:

Formatos disponibles

MSA Español-4ta. Edicion PDF

Cargado por

Copyright:

Formatos disponibles

1

ANÁLISIS DE SISTEMAS DE MEDICIÓN

El manual es una introducción al análisis de sistemas de medición. No tiene la intención de

NOTA: En relación al uso de la desviación estándar para RRGs.

Una amplitud de 99.73% es representada por el multiplicador de 6.0, el cual es + 3σ y

El conocimiento del factor multiplicador que se use es crucial en la integridad de las

Tabla I-B 1: Filosofía de Control e Interés Guía ................................................................................................ 18

Guías y Lineamientos Generales para

Introducción, Propósito y Terminología

El beneficio de usar un procedimiento basado en datos es ampliamente determinado

La calidad de los datos de medición es definida por las propiedades estadísticas de

Las propiedades estadísticas más comúnmente usadas para caracterizar la calidad

sistema de medición usado para medir el volumen de líquido en un tanque puede

Si la interacción genera demasiada variación, entonces la calidad de los datos puede

El propósito de este documento es presentar los lineamientos para evaluar la

En este documento, son usados los siguientes términos:

• Medición es definida como “la asignación de números [o valores] a cosas

• Gage es cualquier dispositivo usado para obtener mediciones;

• Sistema de Medición es el conjunto de instrumentos o gages, patrones,

• Bases aceptadas para comparación

• Discriminación, facilidad de lectura, resolución

9 Alias: unidad de lectura más pequeña, resolución en las mediciones,

9 La sensibilidad del sistema de medición con la variación del proceso

9 Entrada más pequeña generada de una señal de resultado y útil de

9 Valor aceptado de un artefacto

9 Valor actual de un artefacto.

9 “Cercanía” con el valor verdadero o con un valor de referencia

9 Diferencia entre el promedio de las mediciones observado y el valor de

9 El cambio de sesgo en el tiempo

9 El cambio de sesgo sobre el rango de operación normal

9 “Cercanía” de lecturas repetidas una de otra

9 Variación de las mediciones obtenidas con un instrumento de medición

9 Variación en el promedio de las mediciones hechas por diferentes

• R&R de Gages o RRGs

9 Repetibilidad y reproducibilidad de gages: estimativo combinado de la

• Habilidad de los Sistemas de Medición

9 Estimativo en el corto plazo de la variación de los sistemas de medición

• Desempeño del Sistema de Medición

9 Estimación en el largo plazo de la variación del sistema de medición

9 La más pequeña entrada que resulte de una señal o resultado detectable

9 El cambio en repetibilidad sobre un rango de operación normal

Medic ión1 Medic ión N

Variación de los Sistemas

La variación de los sistemas de medición puede caracterizarse

9 Variabilidad en las lecturas tomadas sobre un periodo de tiempo largo

9 Un rango estimado de valores acerca del valor medido en el cual el

Todas las caracterizaciones de la variación total de un sistema de medición

Estándares, Patrones El Instituto Nacional de Patrones y Tecnología (NIST) es el Instituto Principal y

Rastreabilidad Es un importante concepto en la negociación de bienes y servicios. Las mediciones

La rastreabilidad es definida por el Vocabulario Internacional de ISO de Términos

“la propiedad de las mediciones o valores de un estándar o patrón, el cual puede

Patrón Medidor de Bloque/Comparador de

Patrón de Trabajo MMC Bloques de Gages

Los NMIs trabajan estrechamente con diferentes laboratorios nacionales, proveedores

No todas las organizaciones cuentan con laboratorios de metrología o gages dentro de

Sistemas de Un sistema de calibración es un conjunto de operaciones que establecen, bajo

El sistema de calibración determina la rastreabilidad en las mediciones de los

Rastreabilidad es la cadena de eventos de calibración que se crean con estándares ó

Una organización puede contar con un laboratorio de calibración interno ó una

El sistema de calibraciones es parte del sistema de administración de calidad de una

Programas de Aseguramiento en las Mediciones (PAMs) pueden ser usados para

Cuando el evento de calibración es ejecutado por un proveedor independiente, extero

A fin de administrar efectivamente la variación de cualquier proceso se requiere