Documentos de Académico
Documentos de Profesional
Documentos de Cultura
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.
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)
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%).
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.
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
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
1
Capítulo I – Sección A
Introducción, Propósito y Terminología
2
Capítulo I – Sección A
Introducción, Propósito y Terminología
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.
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.
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
Capítulo I – Sección A
Introducción, Propósito y Terminología
Propósito
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.
4
Capítulo I – Sección A
Introducción, Propósito y Terminología
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
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
• Resolución Efectiva
5
Capítulo I – Sección A
Introducción, Propósito y Terminología
• Valor de Referencia
• Valor Verdadero
Variación de la localización
• Exactitud
• Sesgo
• Estabilidad
• Linealidad
6
Capítulo I – Sección A
Introducción, Propósito y Terminología
Variación de la amplitud
• Precisión2
• Repetibilidad
• Reproducibilidad
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
Capítulo I – Sección A
Introducción, Propósito y Terminología
• Sensibilidad
•
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
• Habilidad
9 Variabilidad en las lecturas tomadas en un periodo de tiempo corto
• Desempeño
• Incertidumbre
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.
9
Capítulo I – Sección A
Introducción, Propósito y Terminología
Patrón de
Longitud Comparador de
Patrón de Onda Interferencias
Nacional
Gages para
Gage para Producción Dispositivos
Micrómetros
Figura I-A 1: Ejemplo de una Cadena de Rastreabilidad para una Medición de una Longitud
Nota: ANSI/NCSL Z540.3 e ISO 10012 cada una ofrecen modelos para muchos de
los elementos de un sistema de calibración.
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
Capítulo I – Sección A
Introducción, Propósito y Terminología
12
Capítulo l – Sección B
El Proceso de Medición
Sección B
El Proceso de Medición3
Sistemas de Medición
Proceso General
Entradas Operación Resultados
Proceso de Medición
Proceso Decisión
Mediciones Análisis
Administrativo
Valor
13
Capítulo l – Sección B
El Proceso de Medición
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
Capítulo l – Sección B
El Proceso de Medición
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.
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:
6
El analista de mediciones siempre debe considerar significancias prácticas y estadísticas.
15
Capítulo l – Sección B
El Proceso 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.
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
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
El Proceso de Medición
Capítulo l – Sección B
Personal
Ambiental (Evaluador)
Ergonómicos
Capítulo l – Sección B
El Proceso de Medición
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).
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
Capítulo l – Sección B
El Proceso de Medición
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:
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
Capítulo l – Sección B
El Proceso de Medición
LSL USL
I II III II I
Meta
donde:
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
20
Capítulo l – Sección B
El Proceso de Medición
σ2obs = σ2actual + σ2msa
donde
σ2obs = varianza observada del proceso
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:
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
Capítulo l – Sección B
El Proceso de Medición
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.
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
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
Capítulo l – Sección B
El Proceso de Medición
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.
Regla 1: No hacer ajustes o tomar acciones a menos que el proceso esté inestable.
12
Deming, W. Edwards, Out of the Crisis, Massachussets of Technology, 1982, 1986.
23
Capítulo l – Sección B
El Proceso de Medición
24
Capítulo l – Sección C
Planeación y Estrategia de las Mediciones
Sección C
25
Capítulo l – Sección B
El Proceso de Medición
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.
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:
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
Planeación y Estrategia de las Mediciones
Un plan de mediciones y una lista de tipos de mediciones se obtendría de esta
investigación.13
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.
• ¿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.
• ¿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?
• ¿Cuándo y dónde serán tomadas las mediciones? ¿La parte estará limpia,
con aceite, caliente, etc.?
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
Capítulo l – Sección B
El Proceso de Medición
28
Capítulo l – Sección D
Desarrollo de las Fuentes de Medición
Sección D
15
Ver Capítulo I, Sección B
29
Capítulo l – Sección D
Desarrollo de las Fuentes de Medición
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
Capítulo l – Sección D
Desarrollo de las Fuentes de Medición
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
Pl
r
ingeniería, etc.).
Ha
io
ce
r
Es
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
Capítulo l – Sección D
Desarrollo de las Fuentes de Medición
• Estándares de diseño
• Estándares construidos
32
Capítulo l – Sección D
Desarrollo de las Fuentes de Medición
Evaluación de Conforme se reciban las cotizaciones, el equipo debe integrarse para revisarlas y
Cotizaciones evaluarlas. Ciertos puntos pueden hacerse notar:
APROBACIÓN
33
Capítulo l – Sección D
Desarrollo de las Fuentes de Medición
• 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.
34
Capítulo l – Sección D
Desarrollo de las Fuentes de Medición
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:
9 Criterios de aceptación
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
Capítulo l – Sección D
Desarrollo de las Fuentes de Medición
• Instrucciones de calibración
36
Capítulo l – Sección D
Desarrollo de las Fuentes de Medición
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.
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.
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
Capítulo l – Sección D
Desarrollo de las Fuentes de Medición
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).
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.
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.
¿Se han abordado las fuentes de variación identificadas en el diseño del sistema? Revisiones de diseño; verificaciones
y validaciones.
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
Capítulo l – Sección D
Desarrollo de las Fuentes de Medición
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
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
Capítulo l – Sección D
Desarrollo de las Fuentes de Medición
40
Capítulo l – Sección E
Aspectos Clave de las Mediciones
Sección E
41
Capítulo l – Sección E
Aspectos Clave de las Mediciones
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.
17
Ver Capítulo V, Sección C.
42
Capítulo l – Sección E
Aspectos Clave de las Mediciones
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.
Estándar de Calibración
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
Capítulo l – Sección E
Aspectos Clave de las Mediciones
Estándar de Transferencia
Un estándar para comparar un estándar por separado de un valor conocido con una
unidad que ha sido calibrada.
Master
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.
PATRON DE TRANSFERENCIA
PATRON DE TRANSFERENCIA
PATRON DE TRABAJO
Patrón de Chequeo
44
Capítulo l – Sección E
Aspectos Clave de las Mediciones
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.
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.
20
Ver también ASTM: E177-90a.
45
Capítulo l – Sección E
Aspectos Clave de las Mediciones
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.
46
Capítulo l – Sección E
Aspectos Clave de las Mediciones
Figura I-E 3: Impacto del Número de Categorías Distintas (NCD) de la Distribución del Proceso en
Actividades de Análisis y Control.
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
Capítulo l – Sección E
Aspectos Clave de las Mediciones
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.
48
Capítulo l – Sección E
Aspectos Clave de las Mediciones
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
Capítulo l – Sección E
Aspectos Clave de las Mediciones
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.
Sesgo
50
Capítulo l – Sección E
Aspectos Clave de las Mediciones
51
Capítulo l – Sección E
Aspectos Clave de las Mediciones
Estabilidad
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
Capítulo l – Sección E
Aspectos Clave de las Mediciones
53
Capítulo l – Sección E
Aspectos Clave de las Mediciones
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
54
Capítulo l – Sección E
Aspectos Clave de las Mediciones
Reproducibilidad
55
Capítulo l – Sección E
Aspectos Clave de las Mediciones
56
Capítulo l – Sección E
Aspectos Clave de las Mediciones
Sensibilidad
Consistencia
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
Capítulo l – Sección E
Aspectos Clave de las Mediciones
Uniformidad
• Paralelismo en la lectura
Hay dos puntos esenciales para entender y aplicar correctamente la habilidad de las
mediciones:
58
Capítulo l – Sección E
Aspectos Clave de las Mediciones
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.
Desempeño
• 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:
59
Capítulo l – Sección E
Aspectos Clave de las Mediciones
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.
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.
22
Lo medido es entonces definido por VIM como “la cantidad particular sujeta a medición”.
60
Capítulo l – Sección E
Aspectos Clave de las Mediciones
• El sesgo y la repetibilidad son independientes una de otra (ver Figura I-E 6).
23
Ver también Capítulo I, Sección B.
61
Capítulo l – Sección E
Aspectos Clave de las Mediciones
62
Capítulo l – Sección F
Incertidumbre en las Mediciones
Sección F
Incertidumbre en las Mediciones
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.
U = kuc
u = σ2desempeño + σ
2 2
C otros
63
Capítulo l – Sección F
Incertidumbre en las Mediciones
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.
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
Análisis de Problemas de Mediciones
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.
65
Capítulo I – Sección G
Análisis de Problemas de Mediciones
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
apropiada.
Ha
dio
ce
tu
r
Es
S D
Paso 6 Posible Solución y Prueba de las Corrección
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:
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.
¿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
• ¿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.
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
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
Preparación para un Estudio de un Sistema de Medición
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:
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
Preparación para un Estudio de un Sistema de Medición
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
Preparación para un Estudio de un 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.
75
Capítulo Il – Sección C
Preparación para un Estudio de un Sistema de Medición
76
Capítulo II Sección D
Análisis de Resultados
Sección D
Análisis de Resultados
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.
Precaución:
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
Análisis de Resultados
79
Capítulo Il – Sección D
Análisis de Resultados
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
Ejemplos de Procedimientos de Prueba
Sección A
Ejemplos de Procedimientos de Prueba
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.
83
Capítulo IIl – Sección A
Ejemplos de Procedimientos de Prueba
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.
Conducción de un Estudio
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.
3) Graficar los datos en una gráfica de control X & R o X & s bajo el orden de
tiempo.
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
Guías y Lineamientos – Estudios de Sistemas de Medición de Variables
Ejemplo – Estabilidad
32
Ver Manual de Referencia del SPC.
86
Capítulo III – Sección B
Guías y Lineamientos – Estudios de Sistemas de Medición de Variables
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.
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.
33
Ver Capítulo I, Sección E, para una definición operacional y discusión de causas potenciales.
87
Capítulo IIl – Sección B
Guías y Lineamientos – Estudios de Sistemas de Medición de Variables
∑ 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
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?
σ =σ b r
n
sesgo promedio
estadístic o t = t sesgo =
σ b
34
La incertidumbre para el sesgo es dada con σb
88
Capítulo III – Sección B
Guías y Lineamientos – Estudios de Sistemas de Medición de Variables
donde v = n − 1 y
Ejemplo – Sesgo
89
Capítulo IIl – Sección B
Guías y Lineamientos – Estudios de Sistemas de Medición de Variables
3
Frecuencia
90
Capítulo III – Sección B
Guías y Lineamientos – Estudios de Sistemas de Medición de Variables
Frecuencia
Estudio - sesgo
El histograma no mostraba alguna anomalía ó punto más allá de sus límites que
requiriera análisis y revisión adicional.
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
Capítulo IIl – Sección B
Guías y Lineamientos – Estudios de Sistemas de Medición de Variables
Error
Desviación
n Promedio Estándar de
Estándar, σr
la Media, σb
Valor Medido 15 6.0067 0.2120 0.0547
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.
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
Capítulo III – Sección B
Guías y Lineamientos – Estudios de Sistemas de Medición de Variables
93
Capítulo IIl – Sección B
Guías y Lineamientos – Estudios de Sistemas de Medición de Variables
σb = σr
gm
sesgo
estadístico t = t sesgo =
σb
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.
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
Capítulo III – Sección B
Guías y Lineamientos – Estudios de Sistemas de Medición de Variables
Error
Desviación
n X , Media Estándar de
Estándar σ
la Media σb
Valor Medido 100 6.021 0.2048 0.02048
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
Capítulo IIl – Sección B
Guías y Lineamientos – Estudios de Sistemas de Medición de Variables
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.
∑ 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)
donde
xi = valor de Referencia
37
Ver Capítulo I, Sección E, para una definición operacional y discusión de causas potenciales.
96
Capítulo III – Sección B
Guías y Lineamientos – Estudios de Sistemas de Medición de Variables
⎛ 1 ⎞
∑ xy − ⎜⎜ gm ∑ x∑ y ⎟⎟
a= ⎝ ⎠ = pendiente
∑ x 2 − gm (∑ x )
1 2
b = y − a x = int ercepción
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
⎟ ⎥
⎠ ⎥⎦
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
Capítulo IIl – Sección B
Guías y Lineamientos – Estudios de Sistemas de Medición de Variables
H0: a = 0 inclinación = 0
no rechazar si
a
t = ≤ tgm − 2,1 − α 2
⎡ ⎤
⎢ s ⎥
⎢
∑ (x j − x ) ⎦
2 ⎥
⎣
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
39
Manual del Proceso de Aprobación de Partes para Producción, 4ª. Edición, 2006
98
Capítulo III – Sección B
Guías y Lineamientos – Estudios de Sistemas de Medición de Variables
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
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
Capítulo IIl – Sección B
Guías y Lineamientos – Estudios de Sistemas de Medición de Variables
Ejemplo de Linealidad
Y = 0.736667 – 0.131667X
R-Sq = 71.4 %
Valores de Referencia
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.
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
Capítulo III – Sección B
Guías y Lineamientos – Estudios de Sistemas de Medición de Variables
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 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.
41
Ver Capítulo I, Sección E, para una definición operacional y discusión de las causas potenciales.
101
Capítulo IIl – Sección B
Guías y Lineamientos – Estudios de Sistemas de Medición de Variables
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.
42
ej., %RRG > 30%
102
Capítulo III – Sección B
Guías y Lineamientos – Estudios de Sistemas de Medición de Variables
⎛ RRG ⎞
% RRG = 100 * ⎜ ⎟ = 75.7%
⎝ DesviaciónEstándardel Pr oceso ⎠
⎛ RRG ⎞
% RRG = 100 * ⎜ ⎟ = 75.7%
⎝ DesviaciónEstándar Pr oceso ⎠
43
El método ANOVA puede ser usado para determiner la interacción entre el gage y los evaluadores, si existe tal.
103
Capítulo IIl – Sección B
Guías y Lineamientos – Estudios de Sistemas de Medición de Variables
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.
104
Capítulo III – Sección B
Guías y Lineamientos – Estudios de Sistemas de Medición de Variables
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=
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
Capítulo IIl – Sección B
Guías y Lineamientos – Estudios de Sistemas de Medición de Variables
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.
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
Capítulo III – Sección B
Guías y Lineamientos – Estudios de Sistemas de Medición de Variables
Promedio
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.
47
Con el enfoque ANOVA, esta es también referida como gráfica de interacción de evaluadores – por - partes
107
Capítulo IIl – Sección B
Guías y Lineamientos – Estudios de Sistemas de Medición de Variables
Graficas de Rangos
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 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.
Parte
Figura III-B 6: Gráfica de Rangos – “Estancada”
108
Capítulo III – Sección B
Guías y Lineamientos – Estudios de Sistemas de Medición de Variables
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:
La revisión de la gráfica anterior no indica algún punto más allá de los límites o partes
inconsistentess.
109
Capítulo IIl – Sección B
Guías y Lineamientos – Estudios de Sistemas de Medición de Variables
Diagrama de Las lecturas individuales son graficadas por parte y por evaluador (ver Figura III-B 9)
Dispersión para obtener detalles de:
110
Capítulo III – Sección B
Guías y Lineamientos – Estudios de Sistemas de Medición de Variables
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:
• Indicación de irregularidades.
Evaluador
Parte
111
Capítulo IIl – Sección B
Guías y Lineamientos – Estudios de Sistemas de Medición de Variables
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:
Esto depende de si los valores de referencia de los datos a ser medidos están disponibles
o no.
112
Capítulo III – Sección B
Guías y Lineamientos – Estudios de Sistemas de Medición de Variables
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.
De lo contrario:
48
Hacer notar que el “0.0” de cada uno de los histogramas están alineados cada uno con respecto a los otros.
113
Capítulo IIl – Sección B
Guías y Lineamientos – Estudios de Sistemas de Medición de Variables
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).
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
114
Capítulo III – Sección B
Guías y Lineamientos – Estudios de Sistemas de Medición de Variables
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
115
Capítulo IIl – Sección B
Guías y Lineamientos – Estudios de Sistemas de Medición de Variables
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.
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
Capítulo III – Sección B
Guías y Lineamientos – Estudios de Sistemas de Medición de Variables
117
Capítulo IIl – Sección B
Guías y Lineamientos – Estudios de Sistemas de Medición de Variables
Notas:
118
Capítulo III – Sección B
Guías y Lineamientos – Estudios de Sistemas de Medición de Variables
= (0.20188 2
+ 0.229632 ) Partes K3
=
[0.30575/1.14610]
100
TV = RRG 2 + PV 2 8 0.3375
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
Capítulo IIl – Sección B
Guías y Lineamientos – Estudios de Sistemas de Medición de Variables
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.
(X DIFF × K 2 )2 − (EV )
2
AV =
nr
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
Capítulo III – Sección B
Guías y Lineamientos – Estudios de Sistemas de Medición de Variables
4) tolerancia de la especificación
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
Capítulo IIl – Sección B
Guías y Lineamientos – Estudios de Sistemas de Medición de Variables
y PV = (TV ) − (GRR )
2 2
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”.
% AV = 100[AV TV ]
% RRG = 100[RRG TV ]
% PV = 100[PV TV ]
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
Capítulo III – Sección B
Guías y Lineamientos – Estudios de Sistemas de Medición de Variables
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
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
Capítulo IIl – Sección B
Guías y Lineamientos – Estudios de Sistemas de Medición de Variables
Las ventajas de las técnicas ANOVA, comparadas con los métodos de promedios y
rangos, son que:
• 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
Capítulo III – Sección B
Guías y Lineamientos – Estudios de Sistemas de Medición de Variables
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.)
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
Capítulo IIl – Sección B
Guías y Lineamientos – Estudios de Sistemas de Medición de Variables
Residual
Valor Ajustado
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).
Esta información es usada para determinar las características del sistema de medición
como en el Método de Promedios y Rangos.
126
Capítulo III – Sección B
Guías y Lineamientos – Estudios de Sistemas de Medición de Variables
Fuente DF SS MS F
Evaluadores 2 3.1673 1.58363 34.44*
Total 89 94.6471
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.
127
Capítulo IIl – Sección B
Guías y Lineamientos – Estudios de Sistemas de Medición de Variables
(
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
128
Capítulo III – Sección B
Guías y Lineamientos – Estudios de Sistemas de Medición de Variables
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
55
CL = Límite de Confiabilidad
129
Capítulo IIl – Sección B
Guías y Lineamientos – Estudios de Sistemas de Medición de Variables
130
Capítulo III – Sección C
Estudio de Sistemas de Medición de Atributos
Sección C
Estudio de Sistemas de Medición de Atributos
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.
Las fuentes de variación de los sistemas de atributos debieran minimizarse usando los
resultados de investigaciones sobre factores humanos y ergonomía.
56
Esto incluye la comparación de evaluadores múltiples
131
Capítulo III – Sección C
Estudio de Sistemas de Medición de Atributos
132
Capítulo III – Sección C
Estudio de Sistemas de Medición de Atributos
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.
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
Capítulo III – Sección C
Estudio de Sistemas de Medición de Atributos
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
Capítulo III – Sección C
Estudio de Sistemas de Medición de Atributos
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
Dado que los dos observadores son independientes, la probabilidad de que ellos
acuerden el que la parte está mala está dada por:
El equipo hace estimaciones similares para cada par de categorías y para cada par de
observadores para completar las siguientes tablas:
135
Capítulo III – Sección C
Estudio de Sistemas de Medición de Atributos
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
Cuenta Esperada 47.0 103.0 150.0
Tabulación Cruzada B * C
C
0.00 1.00 Total
B 0.00 Cuenta 42 5 47
Cuenta Esperada 16.0 31.0 47.0
1.00 Cuenta 9 94 103
Cuenta Esperada 35.0 68.0 103.0
Total Cuenta 51 99 150
Cuenta Esperada 51.0 99.0 150.0
Tabulación Cruzada A * C
C
0.00 1.00 Total
A 0.00 Cuenta 43 7 50
Cuenta Esperada 17.0 33.0 50.0
1.00 Cuenta 8 92 100
Cuenta Esperada 34.0 66.0 100.0
Total Cuenta 51 99 150
Cuenta Esperada 51.0 99.00 150.0
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
Capítulo III – Sección C
Estudio de Sistemas de Medición de Atributos
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
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.
Calculando las medidas de kappa para los evaluadores, el equipo concluye con lo
siguiente:
Kappa A B C
A -- 0.86 0.78
B 0.86 -- 0.79
C 0.78 0.79 --
Este 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.
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
Capítulo III – Sección C
Estudio de Sistemas de Medición de Atributos
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
Capítulo III – Sección C
Estudio de Sistemas de Medición de Atributos
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.
Las pruebas múltiples de hipótesis entre cada par de evaluadores puede conducirse con
la hipótesis nula:
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
Capítulo III – Sección C
Estudio de Sistemas de Medición de Atributos
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
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
Capítulo III – Sección C
Estudio de Sistemas de Medición de Atributos
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.
Con esta nueva situación, se concluiría que todos los evaluadores son aceptables
dado que no habría errores de medición.
141
Capítulo III – Sección C
Estudio de Sistemas de Medición de Atributos
Para determinar ésto de los datos anteriores, debe usarse el Teorema de Bayes.
Estos resultados indican que si la parte es llamada mala existe una probabilidad de 1 en
10 de que sea verdaderamente mala.
142
Capítulo III – Sección C
Estudio de Sistemas de Medición de Atributos
Pasos:
USL = .550
LSL = .450
Guías y Lineamientos:
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):
61
Ver Lista de Referencia: Baker 1975
143
Capítulo III – Sección C
Estudio de Sistemas de Medición de Atributos
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)
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
Capítulo III – Sección C
Estudio de Sistemas de Medición de Atributos
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 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
Capítulo III – Sección C
Estudio de Sistemas de Medición de Atributos
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.
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
Capítulo III – Sección C
Estudio de Sistemas de Medición de Atributos
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
-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
Capítulo III – Sección C
Estudio de Sistemas de Medición de Atributos
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
6.078 × Sesgo
t=
σ repetibilidad
6.078 × 0.0023
= = 9.84
0.00142
148
Capítulo III – Sección C
Estudio de Sistemas de Medición de Atributos
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
149
Capítulo III – Sección C
Estudio de Sistemas de Medición de Atributos
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
150
Capítulo IV
Otras Prácticas y Conceptos de Medición
CAPÍTULO IV
Otras Prácticas y Conceptos de Mediciones
151
Capítulo IV
Otras Prácticas y Conceptos de Medición
152
Capítulo IV – Sección A
Prácticas para Sistemas de Medición Complejos ó No Replicables
Sección A
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.
153
Capítulo IV
Otras Prácticas y Conceptos de Medición
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.
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
154
Capítulo IV – Sección B
Estudios de Estabilidad
Sección B
Estudios de Estabilidad
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
Supuestos:
• El sistema de medición es conocido (documentado) para una respuesta lineal
sobre un periodo esperado de la característica (propiedad).
66
Puede usarse un estándar o patrón de referencia si es apropiado para el proceso.
155
Capítulo IV – Sección B
Estudios de Estabilidad
S2: ≥ 3 Partes n > 3 67, Medición Única por Ciclo por Parte
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
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
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.
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
• 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
Capítulo IV – Sección B
Estudios de Estabilidad
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.
Analiza usando:
158
Capítulo IV – Sección B
Estudios de Estabilidad
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.
• Determina la consistencia entre los stands: una gráfica simple x & s incluyendo
los resultados de todos los stands.
• 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
Capítulo IV – Sección B
Estudios de Estabilidad
160
Capítulo IV – Sección C
Estudios de Variabilidades
Sección C
Estudios de Variabilidades
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.
Aplicación:
a) Sistemas de medición en los cuales la parte no cambia por el proceso de
medición; ej., sistemas de medición que son no destructivos y serán basados con
partes (especimenes) con:
1) Propiedades estáticas, o
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.
161
Capítulo IV – Sección C
Estudios de Variabilidades
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:
• 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.
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.
71
Ver lista de referencias, Grubbs, F.E., 1973.
72 Ver lista de referencias, Thompson, W.A., Jr., 1963.
162
Capítulo IV – Sección C
Estudios de Variabilidades
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:
• 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.
• Dividir los especimenes en m porciones donde m=0 mod 2 o 3; m > 2 (ej., m=3,
4, 6, 9, ...).
Analiza usando:
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.
163
Capítulo IV – Sección C
Estudios de Variabilidades
Supuestos:
• Lecturas repetidas son tomadas sobre periodos especificados de tiempo.
• σE = σe
Supuestos:
• Lecturas repetidas son tomadas en periodos de tiempo especificados.
164
Capítulo IV – Sección C
Estudios de Variabilidades
Analiza igual como V2 (ver también Lipson & Sheth, sec. 13.2).
165
Capítulo IV Sección C
Estudios de Variabilidades
166
Capítulo IV – Sección D
Cuantificando el Efecto de Variación Excesiva Dentro de las Partes
Sección D
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
Método de Promedios y Rangos – Tratamiento Adicional
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
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.
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.
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
Capítulo IV – Sección E
Método de Promedios y Rangos – Tratamiento Adicional
( )
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 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.
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):
( )
2) El promedio de los rangos de los subgrupos R se obtiene directamente de la
gráfica de control.
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.
171
Capítulo IV – Sección E
Método de Promedios y Rangos – Tratamiento Adicional
172
Capítulo IV – Sección E
Método de Promedios y Rangos – Tratamiento Adicional
173
Capítulo IV – Sección E
Método de Promedios y Rangos – Tratamiento Adicional
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
174
Capítulo IV – Sección E
Método de Promedios y Rangos – Tratamiento Adicional
= 7.289
Escribe el valor apropiado para σˆ m aquí: σˆ m = 7.289
CALCULOS PARA PROPORCIONES SEÑALES A RUIDO:
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
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).
175
Capítulo IV – Sección E
Método de Promedios y Rangos – Tratamiento Adicional
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.
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
⎛ 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
Capítulo IV – Sección F
Curva de Desempeño de Gages
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.
⎛ 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.
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
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
Capítulo IV – Sección F
Curva de Desempeño de Gages
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
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
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
Capítulo IV – Sección F
Curva de Desempeño de Gages
LSL USL
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
0.3 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
Capítulo IV – Sección F
Curva de Desempeño de Gages
LSL USL
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
0.4 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
Capítulo IV – Sección F
Curva de Desempeño de Gages
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
Reducción de la Variación a Través de Lecturas Múltiples
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:
Ejemplo:
(6σ x )2 = (6σ )
2
(6s ) = (6s )
x
n
y
0.24
0.14 =
n
76
Ver nota en página vi.
183
Capítulo IV – Sección G
Reducción de la Variación a Través de Lecturas Múltiples
de manera que
n = 1.714
y
n = 3(redondeado al entero más próximo)
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.
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.
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.
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
Capítulo IV – Sección H
Enfoque de la Desviación Estándar Combinada con RRG
( )
8) Calcule el promedio X y la desviación estándar (s) para la nueva parte para
cada evaluador.
( )
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.
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
Capítulo IV – Sección H
Enfoque de la Desviación Estándar Combinada con RRG
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
∑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
187
Capítulo IV – Sección H
Enfoque de la Desviación Estándar Combinada con RRG
Muestra
Desv. Est. de las Muestras
Muestra
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
Enfoque de la Desviación Estándar Combinada con RRG
Tabla IV-H 1: Conjunto de Datos de Análisis de Desviación Estándar Combinada
189
Capítulo IV – Sección H
Enfoque de la Desviación Estándar Combinada con RRG
Estadísticas de
Consistencia
x appr − x parte
h=
Sx
de las partes ( x parte anterior) es 0.169. La desviación estándar entre los evaluadores
( s x anterior) es 0.262. Por tanto
Una razón por la que éstos se calculan es permitir comparaciones entre materiales
muy diferentes.
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
Capítulo IV – Sección H
Enfoque de la Desviación Estándar Combinada con RRG
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.
191
Capítulo IV – Sección H
Enfoque de la Desviación Estándar Combinada con RRG
192
Apéndices
APENDICES
193
194
Apéndice A
Análisis de Conceptos de Varianza
Apéndice A
Análisis de Conceptos de Varianza
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:
Estimativo de Varianza
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 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
Análisis de Conceptos de Varianza
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)
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.
⎟ = 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
kσ Meas
RRG p =
6σ Obs
kσ Meas
RRG p =
U −L
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
Impacto de RRG sobre el Índice de Habilidad Cp
Cp Obs
Cp Act = (6’)
1 − RRG 2
1 σ
RRG = * Meas usando (2) y (5)
Cp Obs σ Obs
consecuentemente
200
Apéndice B
Impacto de RRG sobre el Índice de Habilidad Cp
Análisis Gráfico
Con base en (6) la familia de líneas para Cpobs con respecto a CpAct es:
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
201
Apéndice B
Impacto de RRG sobre el Índice de Habilidad Cp
Con base en (7’), la familia de líneas para CpAct con respecto a CpObs es:
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.
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 ⎥
⎣ ⎦
.
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
Modelo de Errores P.I.S.M.O.E.A.
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.
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
Modelo de Errores P.I.S.M.O.E.A.
210
Apéndice F
Modelo de Errores P.I.S.M.O.E.A.
211
Glosario
212
Glosario
GLOSARIO
Ver el Manual de Referencia del Control Estadístico de los Procesos (SPC) para definiciones adicionales
del glosario.
Accuracy Cercanía por acuerdo entre el valor observado y el valor aceptado como
(Exactitud) referencia.
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
213
Glosario
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.
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.
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.
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 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)
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.
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.
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)
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.
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;
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.
217
Glosario
Scatter Diagram
(Diagrama de Dispersión) Gráfica X -Y de daros para evaluar la relación entre dos variables.
218
Lista de Referencias
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.
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.
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
Lista de Referencias
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
Lista de Referencias
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
Lista de Referencias
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 = %
= .
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
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.
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