Documentos de Académico
Documentos de Profesional
Documentos de Cultura
Modulo Academico Condecal-1 PDF
Modulo Academico Condecal-1 PDF
PRÓLOGO
Hemos procurado a lo largo del desarrollo de este modulo ilustrar con los
ejemplos suficientes los cuales van en orden de dificultad y así los estudiantes
practiquen con modelos tipo parcial y tengan en claro todos los aspectos que
cada capitulo acarrea, finalmente es importante mencionar que están presentes
algunas notas y conceptos referentes a estadística con el fin de recordar ciertos
aspectos.
2
CONTENIDO
TABLA DE CONTENIDO
1. INTRODUCCIÓN 5
1.1. GENERALIDADES 5
1.2. HISTORIA DE LA CALIDAD 8
1.3. FILOSOFIA DE LA CALIDAD 9
1.4. COSTOS ASOCIADOS A LA CALIDAD 13
2. HERRAMIENTAS ESTADÍSTICAS 20
2.1. DEFINICIONES BÁSICAS 21
2.2. TEORÍA DE LA PROBABILIDAD 24
2.3. PRUEBA DE BONDAD DE AJUSTE 34
2.4. HERRAMIENTAS PARA EL CONDECAL 40
2.4.1. HISTOGRAMA 41
2.4.2. DIAGRAMA DE PARETO 44
2.4.3. DIAGRAMA DE DISPERSION 47
2.4.4. CARTA DE VERIFICACION 49
2.4.5. DIAGRAMA DE CONCENTRACION DE EFECTOS 50
2.4.6. CASITA DE LA CALIDAD 51
2.4.7. CARTAS DE CONTROL 52
4. CARTAS DE CONTROL 79
4.1. GENERALIDADES 80
4.2. PROCEDIMIENTO 88
4.3. TIPOS DE CARTAS DE CONTROL 95
4.4. EJERCICIOS PROPUESTOS 126
5. MUESTREO DE ACEPTACIÓN 132
5.1. GENERALIDADES 133
5.2. TIPOS DE PLANES DE MUESTREO 134
5.3. CURVA DE OPERACIÓN OC 139
5.4. DISEÑO DE PLANES DE MUESTREO 144
5.5. INSPECCIÓN CON RECTIFICACIÓN 146
5.6. MUESTREO CONTINUO 148
3
5.7. EJEMPLOS 149
5.8. EJERCICIOS PROPUESTOS 150
6. HERRAMIENTAS INFORMATICAS 166
APÉNDICE
4
1
INTRODUCCIÓN A LA
CALIDAD.
5
1. DEFINICIÓN DE CALIDAD1
1.1. GENERALIDADES
6
de aseguramiento de la calidad, y la motivación de la fuerza de trabajo
para alcanzar la calidad.
Hay quien opina que la Calidad es un concepto básico, que no puede ser
definido a partir de otro, y que su significado únicamente puede demostrarse de
forma práctica, sin embargo existen algunas definiciones de su significado,
entre las que destacan las siguientes:
2
Conjunto de actividades operativas, administrativas y de ingeniería que emplea una
compañía a fin de asegurar que las características de la calidad de un producto se
encuentran en los niveles nominales o requeridos.
7
La totalidad de funciones y características de un producto o servicio
dirigidas a su capacidad para satisfacer las necesidades de un cierto
usuario; estas funciones o características son las que engloban el
concepto de calidad.
La calidad es el grado en que las características de los productos cubren
las necesidades del cliente.
DIMENSIONES DE LA CALIDAD
3
Autor de la obra “Competing in the Eight Dimensions of Quality”, en Harvard Business
Review.
8
Estados Unidos pudo desarrollar una calidad a través de un bajo costo pero de
gran calidad y utilidad en artículos de guerra creando así sus estándares y
normas de calidad; poco después la Gran Bretaña también desarrollo el control
de la calidad. Gracias a los estándares de calidad que pudo desarrollar los
Estados Unidos en la guerra, genero una gran aportación económica en
términos cuantitativos y cualitativos para su país dando inicio al control total
estadístico moderno, esta situación estimulo los avances tecnológicos.
W. Eduwards Deming
9
2. Adoptar la nueva filosofía de rechazar la mano de obra deficiente, los
productos defectuosos o los malos servicios.
8. Sacudirse el miedo.
12. Eliminar las barreras que desalientan a los empleados a realizar sus
trabajos.
14. Crear una estructura en la alta gerencia que propugne con decisión por
los 13 primeros puntos.
Uno de los padres fundadores del control estadístico de calidad. Fue invitado a
dar pláticas a líderes de la industria japonesa cuando iniciaron su
transformación industrial a principios de los años 1950. Es coautor (con Frank
M. Gryna) de Quality Control Handbook, una referencia obligada para los
métodos y el mejoramiento de calidad desde su publicación original en 1957.
10
Dr. Armand Feigenbaum
12. Capacitación.
11
Seis Sigma
12
Gestión De Calidad Total (TQM)
13
CLASIFICACIÓN DE LOS COSTOS DE LA CALIDAD
COSTOS DE CONFORMIDAD
Costos de prevención
Costos de evaluación
COSTOS DE NO CONFORMIDAD
Costo de falla interna
Costo de falla externa
COSTOS DE CONFORMIDAD
14
Análisis de mercado
Documentación
Ingeniería de materiales
Encuestas
COSTOS DE NO CONFORMIDAD
Reparación posventa
Obsolescencia debida a cambios de
diseño Costos de distribución de productos
Horas extras (sobresueldos) devueltos
15
Repetición de análisis diseño
16
EL MODELO TRADICIONAL DE LOS COSTOS DE LA CALIDAD
Se observa en la figura que existe un punto mínimo para los costos totales de la
calidad. Ese extremo se verifica para algún valor de la calidad de conformidad menor
que el 100%. Para valores bajos de calidad de conformidad, ésta se puede
incrementar significativamente con pequeñas inversiones en prevención y
evaluación. Sin embargo, al acercarse la conformidad al 100%, los costos de
prevención y evaluación tienden a infinito. Por el contrario, los costos de falla
disminuyen gradualmente, hasta alcanzar un valor nulo, cuando la conformidad se
acerca al 100%.
MODELOS ALTERNATIVOS
El modelo emergente
17
2. Los costos de prevención y evaluación son relativamente proporcionales
al nivel de conformidad y no se disparan cuando éste se aproxima al 100%.
3. La caída de los costos de falla interna y externa también es menos abrupta que
en caso del modelo tradicional, debido a un aumento en la fiabilidad de los
nuevos materiales y procesos de fabricación.
4. El menor costo de la calidad se obtiene cuando la conformidad se acerca al
100%.
Ejemplo de costos:
En la fabricación de una determinada pieza con una producción de 200 piezas días y
un costo de fabricación de $25000 la pieza se detectó que el 80% de las piezas
cumplían con las especificaciones de calidad y el 20% tenían alguna no conformidad o
defecto. De este 20% el 70% eran re procesables a un costo de $5000 la pieza.
Mediante de la implementación de un nuevo control estadístico de calidad se consiguió
reducir el porcentajes de piezas no conformes o defectuosas al 5 %, un 70% de las
cuales eran re procesables. El nuevo sistema de control estadístico del proceso se
evalúa en $50000 el día. $29000 por pieza fabricada.
Antes
Costo total:
18
Producción: ( )
( ) ( )
Despues
10 piezas 70% 7piezas*5.000= 35.000
197*29.000=5.713.000
19
2
HERRAMIENTAS
ESTADÍSTICAS PARA LA
CALIDAD.
20
Es importante recordar que la Estadística es la ciencia encargada de la
recolección, organización e interpretación de datos, para obtener conclusiones
de una población.
21
experimento de lanzar un dado, si el interés se centra en el número que
muestra la cara superior, el espacio muestral sería:
{ }
{ }
LA MEDIA ARITMÉTICA
22
población, este indicador será µ; en el caso de que estemos trabajando con
una muestra, el símbolo será ̅ .
LA MEDIANA
Valor que divide una serie de datos en dos partes iguales. La cantidad de
datos que queda por debajo y por arriba de la mediana son iguales.
AC = CB
Formula:
LA MODA
Indica el valor que más se repite, o la clase que posee mayor frecuencia. En el
caso de que dos valores presenten la misma frecuencia, decimos que existe un
conjunto de datos bimodal.
( ) ( )
MEDIDAS DE DISPERSIÓN
23
Las medidas de dispersión permiten reconocer que tanto se dispersan los
datos alrededor de un punto central; es decir, nos indican cuanto se dispersan
o separan las observaciones alrededor de su valor central. Las medidas de
dispersión más importantes y las más utilizadas son la Varianza y la Desviación
estándar.
Desviación Estándar
Población
∑( ̅)
√
Muestral
∑( ̅)
√
Leyes de probabilidad
( ) ( )
24
Eventos Independientes: A y B son dos eventos independientes cuando la
ocurrencia o no ocurrencia de uno de ellos no afecta la probabilidad de
ocurrencia o no ocurrencia del otro.
En estos casos,
( ⁄ ) ( ) ( ⁄ ) ( )
Teorema de la Adición:
( )
( )
( ) ( ) ( )
( ) ( ) ( )
( ) ( ) ( )
( ) (
Y se tiene que:
( ) ( ) ( )
Teorema de la multiplicación:
( ) ( ) ( ⁄ )
( ⁄ ) ( )
( ⁄ )
( ) ( )
25
( ), el cual se constituye como nuevo universo o espacio muestral por la
condicionalidad expresada de que A ya ocurrió.
Ahora,
( ) ( )⁄ ( )
( ⁄ )
( ) ( )⁄ ( )
Y se obtiene que: ( ) ( ) ( ⁄ )
( ) ( ) ( ⁄ )
( ) ( ) ( )
Formula de Bayes:
( ) ( ) ( ⁄ )
( ⁄ )
( ) ( ) ( ) ( )
( ) ( ⁄ )
( ⁄ )
∑ ( )
26
Una variable aleatoria es una función que asigna un numero real a cada
resultado en el espacio muestral de un experimento aleatorio 4.
Se dice que X es aleatoria porque involucra la probabilidad de los resultados
del espacio muestral, y X es una función definida sobre el espacio muestral, de
manera que transforme todos los posibles resultados del espacio muestral en
cantidades numéricas5.
Distribución Uniforme
Es la más simple de todas las distribuciones de probabilidad discreta pues la
variable aleatoria discreta X puede tomar una cantidad finita de n valores X 1,
X2, X3,…, Xn, cada uno de estos con una probabilidad idéntica 1/n, es decir, con
probabilidad uniforme.
La distribución de probabilidad o función de masa de esta variable aleatoria es:
( ) ( )
Su media y varianza son:
4
MONTGOMERY, Douglas. Probabilidad y Estadística aplicada a la Ingeniería, 2° Edición.
México D.F: Limusa. 2005. Pág. 100.
5
CANAVOS, George. Probabilidad y Estadística, Aplicaciones y métodos. México D.F: McGraw
Hill. 1998. Pág. 53.
27
∑ ∑ ( )
( ) ( )
Distribución Binomial6
Un experimento aleatorio que consta de n ensayos repetidos, tales que:
1) Los ensayos son independientes, es decir el resultado de cada ensayo
no depende del resultado de ensayos anteriores.
2) Cada ensayo produce únicamente dos resultados posibles, etiquetados
como “éxito” y “fracaso”.
3) La probabilidad de un “éxito” en cada ensayo, denotada como p,
permanece constante.
Se llama experimento Binomial.
La variable aleatoria X que es igual al número de ensayos nque producen un
éxito tiene una distribución binomial con parámetros py n = 1, 2,…
La función de masa de probabilidad de X es:
( ) ( ) ( )
Su media y varianza son:
( ) ( ) ( )
Donde:
p = Probabilidad de éxito.
1 - p = Probabilidad de fracaso
x = Número de éxitos deseados
n = Número de ensayos efectuados
Ejemplo:
Se tiene una línea de producción de cilindros para gas natural vehicular. Se
sabe que la probabilidad de que un cilindro sea defectuoso es de 0,02.
6
Síntesis tomada de: MONTGOMERY, Douglas, Probabilidad y estadística aplicadas a la ingeniería, Segunda edición,
México D.F: Limusa, c2005.Parte final del Capítulo 3 y Capítulo 4, Páginas 91-136.
28
Adicionalmente para el jefe de producción es conocido que el primer cilindro
que se fabrica al día es defectuoso debido a la calibración de la maquinaria.
Encuentre la probabilidad de obtener más de dos cilindros defectuosos en los
primeros dos cilindros que se fabrican en un día.
( ) ( ) ∑( ) ( )
( ) ( ) ∑( )( ) ( )
( ) [ ( ) ( ) ( )]
( ) ( )( ) ( )
( ) ( )( ) ( )
( ) ( )( ) ( )
( ) [ ]
Distribución Geométrica
Si en una serie de ensayos de Bernoulli independientes, con probabilidad
constante de éxito p, sea la variable aleatoria X el número de ensayos hasta la
obtención del primer éxito. Entonces X tiene una distribución geométrica con
parámetro p y
( ) ( )
Si X es una variable aleatoria geométrica con parámetros p, entonces la media
y la varianza de X son:
( ) ( )
( ) ⁄ ⁄
Distribución Hipergeométrica
Se emplea para calcular la probabilidad de obtener determinado número de
éxitos en un espacio muestral de n ensayos; pero que a diferencia de la
distribución binomial, aquí los ensayos no son independientes, dados que las
muestras se extraen sin reemplazo en una población finita; por esto es que el
resultado de una observación es afectado por el resultado de observaciones
anteriores.
Un conjunto de N objetos contiene
K objetos clasificados como éxitos
N-K objetos clasificados como fracasos
Se selecciona una muestra con tamaño de n objetos, al azar (sin reemplazo) de
entre los N objetos, donde y
29
Sea que la variable aleatoria X denote el número de éxitos en la muestra.
Entonces X tiene una distribución hipergeométrica, con:
( )( )
( ) ( )
( )
Si X es una variable aleatoria hipergeométrica con parámetros N, K y n,
entonces la media y la varianza de X son:
( ) ( ) ( )( )
Ejemplo:
Un lote contiene 100 piezas de un proveedor de tubería local y 200 unidades
de un proveedor de tuberías del estado vecino. Si se seleccionan cuatro piezas
al azar y sin reemplazo ¿Cuál es la probabilidad de que todas sean del
proveedor local?
Sea X igual al número al número de piezas de la muestra del proveedor local.
Entonces, X tiene una distribución hipergeométrica y la probabilidad pedida es
P(X=4). Por consiguiente:
( )( )
( )
( )
¿Cuál es la probabilidad de que dos o más piezas de la muestra sean del
proveedor local?
( )( ) ( )( ) ( )( )
( )
( ) ( ) ( )
¿Cuál es la probabilidad de que al menos una pieza de la muestra sea del
proveedor local?
( )( )
( ) ( )
( )
Distribución de Poisson
Siempre que la probabilidad que se produzca un suceso determinado sea muy
pequeña en cualquier instancia específica, pero a la vez, el número de
instancias posibles sea enormemente grande, la distribución de los sucesos se
realiza mediante la distribución de Poisson.
Dado un intervalo de números reales, suponga que el conteo de ocurrencias es
aleatorio en dicho intervalo. Si puede hacerse la partición del intervalo en
subintervalos con una longitud suficientemente pequeña tales que
1) La probabilidad de más de una ocurrencia en un subintervalo es cero.
30
2) La probabilidad de una ocurrencia en un subintervalo es la misma para
todos los subintervalos y proporcional a la longitud del subintervalo.
3) El conteo de ocurrencias en cada subintervalo es independiente de los
demás subintervalos.
Entonces el experimento aleatorio se denomina proceso de Poisson.
Si el número promedio de ocurrencias en el intervalo es la variable
aleatoria X, que es igual al número de ocurrencias en el intervalo, tiene una
distribución de Poisson con parámetro, y la función de masa de probabilidad
de X es
( )
Si X es una variable aleatoria de Poisson con parámetro entonces la media y
la varianza de X son:
( ) ( )
Ejemplo:
La contaminación constituye un problema en la fabricación de discos de
almacenamiento óptico. El número de partículas de contaminación que ocurre
en un disco óptico tiene una distribución de Poisson y el número promedio de
partículas por centímetro cuadrado de superficie del disco es 0.1. El área de un
disco bajo estudio es 100 cm2. Encuentre la probabilidad de que ocurran 12
partículas en el área del disco bajo estudio.
Sea que X denote el número de partículas en el área de un disco bajo estudio.
Puesto que el número promedio de partículas es 0.1 partículas por cm 2.
Por lo tanto,
( ) ⁄
( )
DISTRIBUCIÓN NORMAL7
El modelo de uso más generalizado para la distribución de una variable
aleatoria continua es la distribución normal. Siempre que se hace la repetición
de un experimento aleatorio, la variable aleatoria que es igual al resultado
promedio (o total) de las repeticiones tiende a tener una distribución normal,
cuando el número de repeticiones es grande. Una distribución Normal también
se conoce como distribución de Gauss o Gaussiana.
Una variable aleatoria X con función de densidad de probabilidad
( )
( )
√
7
Tomado de: MONTGOMERY, Douglas, Probabilidad y estadística aplicadas a la ingeniería, Segunda
edición, México D.F: Limusa, c2005.Pág. 157-171
31
Tiene una distribución normal con parámetros , donde y .
Además
( ) ( )
32
probabilidad bajo cualquier curva normal haciendo referencia a la distribución
normal estándar en las tablas correspondientes (Tabla normal estándar-
Anexos), dicha tabla proporciona la probabilidad de que la variable aleatoria
normal estándar Z tome un valor situado a la izquierda de un número z, P
(Z<z). En otras palabras, esta tabla nos da el valor del área encerrada por f(x)
entre -∞ y z.
Ejemplo:
Cierta máquina fabrica resistores eléctricos que tienen una resistencia
promedio de 25 ohmios y una desviación estándar de 3.2 ohmios. La
resistencia tiene una distribución normal.
a) ¿Qué porcentaje de los resistores tendrán una resistencia inferior a 16
ohmios?
( ) ( ) ( )
Lo que implica que el 0.25% de los resistores tienen una resistencia
inferior a 16 ohmios.
b) ¿Qué porcentaje de resistores tendrán una resistencia superior a 35
ohmios?
( ) ( ) ( ) ( )
d) ¿Por encima de qué valor está el 10% de los resistores con mayor
resistencia?
( )
33
2.5 PRUEBA DE BONDAD DE AJUSTE JI-CUADRADA
( )
∑
34
Dado un valor de (error deseado tipo I), aceptamos si ( )
y aceptamos si ( ) .
35
15,8 15,6 16,1 15,8 15,6 15,78 0,20493902
15,954 0,23877938
Pasos:
( )
INF SUP
1 15,3 15,475 1
2 15,475 15,65 13
3 15,65 15,825 20
4 15,825 16 29
5 16 16,175 26
6 16,175 16,35 20
36
7 16,35 16,525 4
8 16,525 16,7 1
̅
( ( ))
( ( )) ( )
( ( )) ( ( ))
( ) ( )
( ( )) ( ( ))
( ) ( )
37
k intervalos de clase Z probabilidad
acumulado
38
k intervalos de clase frecuencia esperada
INF SUP
1 15,3 15,475 1 2
2 15,475 15,65 13 8
3 15,65 15,825 20 19
4 15,825 16 29 28
5 16 16,175 26 25
6 16,175 16,35 20 13
7 16,35 16,525 4 4
8 16,525 16,7 1 1
suma 100
INF SUP
3 15,825 16 29 28 0,03571429
4 16 16,175 26 25 0,04
O sea:
( ) ( ) ( ) ( ) ( )
( )
( )
39
Chi de la tabla:
2.4.1 Histograma:
En muchos casos, si los datos han sido tomados de forma correcta, se puede
obtener conclusiones a partir de los mismos de forma inmediata; pero si no es
así, con frecuencia puede ser necesaria una adecuada representación gráfica
de los mismos. El histograma es una representación gráfica de los datos en la
que se puede observar:
1) Forma.
Simétrica
Asimétrica: sesgada a la derecha y sesgada a la izquierda
Multimodal: bimodal (2 picos), trimodal (3 picos), etc.
En peine: puntos anormales no definidos.
Plana: tendiendo a ser una distribución uniforme.
Sin distribución definida.
3) Dispersión o expansión.
40
Cuando la variabilidad de un proceso es muy amplia, se pueden
presentar un número de defectos, es decir, el no cumplimiento
con las especificaciones. Para saber si esto ocurrirá, se hace el
estudio de capacidad de los procesos.
<50 5-7
50-100 6-10
100-250 7-12
>250 10-20
O haciendo √
6) Determine la amplitud de los intervalos: y redondear el valor
obtenido a un múltiplo exacto de la precisión de los datos.
7) Fijar los límites de los intervalos (marca de clase). Se recomienda fijar el
valor del extremo mínimo la mitad de la amplitud.
8) Rellenar la tabla de frecuencias, indicando el número de veces que
aparecen datos dentro de cada uno de los intervalos definidos.
41
Intervalos Frecuencia ( ) (Marca
de los datos de clase)
por
intervalo
( )
1 ( ) A -2 -2A 4A2
2 ( ) ( ) B -1 -B B2 -
3 - C 0 0 0 -
4 - D 1 D D2 -
5 ( ( )) E 2 2E 4E2 -
N = número
de datos =
(∑ )
Cabe anotar que en Ui, si se tiene un k par, toma el valor de cero en el intervalo
de mayor frecuencia.
9) Construir el histograma.
10) Además se puede calcular la media y la varianza de los datos, utilizando
las siguientes fórmulas:
Para la media:
̅
Para la varianza:
∑
Donde es el promedio de las marcas de clase( ).
∑( )
42
Existen muchos aspectos de cualquier actividad industrial y no industrial
susceptibles de mejoras. En algunos casos, la mejora es obligada, pero el
problema a abordar es de tal envergadura que parece imposible de resolver.
43
Causa Núm. de veces Frecuencia Porcentaje Porcentaje
que se Acumulada acumulado
presenta la
causa
A 104 104 52 52
B 42 146 21 73
C 20 166 10 83
D 10 176 5 88
E 6 182 3 91
F 4 186 2 93
DIAGRAMA DE PARET0
200 100%
80%
150
60%
100
40%
50
20%
0 0%
A B C D E F Otras
44
procedió al cambio. Con estas medidas ya no se volvió a romper ningún perno,
pero empezaron a aparecer fracturas en la placa de hierro en la que estaba
situado el dispositivo, por tal motivo se procede a cambiar la placa de hierro por
otra más gruesa. Posteriormente con la realización de un estudio profundo se
puso en manifiesto que una vibración que llegaba al dispositivo era lo que
ocasionaba los fenómenos de ruptura y que si no se eliminaba terminaría
rompiendo la nueva placa metálica o inutilizando el dispositivo por graves
consecuencias.
En este caso lo que se estaba haciendo era intentar evitar el efecto del
problema, pero sin eliminar su causa y si la causa permanece el efecto vuelve
a manifestarse de forma aún más perjudicial.
Por tal razón, para solucionar un problema deben estudiarse sus causas y
eliminarlas, en el caso que planteaba Ishikawa la causa era la vibración,
aunque también debería haberse investigado el origen de la misma.
Para saber cuáles son las posibles causas que hay detrás de un efecto es
conveniente construir un diagrama de causa-efecto, para lo cual se sugiere
seguir los siguientes pasos:
45
Un Diagrama de Dispersión es la forma más sencilla de definir si existe o no
una relación causa efecto entre dos variables y que tan firme es esta relación,
2) Trazar los ejes. Decidir las escalas de forma que ambos ejes tengan
aproximadamente la misma longitud. Si una variable es una
característica de calidad y la otra un factor (de diseño o de producción),
se sitúa la primera en el eje vertical.
46
2.4.5 CARTA DE VERIFICACIÓN:
Es común que con frecuencia sea necesario colectar datos de operación, sean
históricos o actuales, acerca del proceso bajo investigación, una hoja de
verificación puede ser de gran utilidad en esta actividad. En esta se resume
información en función del tiempo, lo cual es particularmente valioso para
buscar tendencias y otros patrones importantes. Por ejemplo, si muchos
defectos ocurren durante el verano, una posible causa que deba investigar es
la contratación de obreros eventuales durante un periodo vacacional.
47
Cuando se diseña una hoja de verificación, es importante especificar
claramente el tipo de datos que van obtenerse, el número de parte u operación,
la fecha, el analista y cualquier otra información útil para diagnosticar la causa
del desempeño pobre. Si la hoja de verificación es la base para realizar
cálculos adicionales, o si se usa como hoja de trabajo para capturar datos en
una computadora, entonces es importante asegurarse de que la hoja de
verificación adecuada para este propósito antes de que se inviertan esfuerzos
considerables en la obtención real de los datos.
48
HOJA DE VERIFICACIÓN
Nº de parte TAX
Lugar Bellevue
Defecto 1 2 3 4 5 6 7 8 9 10 11 12 1 2 3 4 5 Total
Partes Dañadas 1 3 1 2 1 10 3 2 2 7 2 34
Problemas de Maquinado 3 3 1 8 3 8 3 29
Obturación Insuficiente 3 6 4 3 1 17
Soldadura desalineada 2 2
Estructura aerodinámica no 3 3
determinada
Falla de adherencia 1 1 2 1 1 6
Alodino en polvo 1 1
Compuesto deslaminado 2 2
Dimensiones incorrectas 13 7 13 1 1 1 36
Procedimiento de prueba 1 1
inadecuado
4 5 14 12 5 9 9 6 10 14 20 7 29 7 7 6 2 166
49
2.4.5. DIAGRAMA DE CONCENTRACIÓN DE DEFECTOS
Parte Superior
Parte inferior
50
trabajo apropiados y el manejo mejorado de los materiales probablemente
mejorarán este proceso sustancialmente.
51
2.4.7. CARTAS DE CONTROL
Se dice que un proceso está bajo Control Estadístico cuando presenta causas
comunes únicamente. Cuando ocurre esto tenemos un proceso estable y
predecible. Cuando existen causas especiales el proceso está fuera de Control
Estadístico; las gráficas de control detectan la existencia de estas causas en el
momento en que se dan, lo cual permite que podamos tomar acciones al
momento.
52
3
CAPACIDAD DEL PROCESO.
53
ANÁLISIS DE CAPACIDAD DEL PROCESO
estado de control:
Un proceso se dice que se encuentra bajo control estadístico
si sólo se ve afectado por un conjunto de causas aleatorias de
variación
Si el proceso se encuentra afectado por causas asignables de
variación, se dice que está fuera de control
54
fabricadas pero que no se obtiene, aunque todo funcione correctamente,
debido a la existencia de la variabilidad natural.
cuantificar la variabilidad
analizar la variabilidad respecto a las especificaciones del producto.
Reducir en lo posible la variabilidad(revisando o modificando el proceso)
55
La estimación de la capacidad del proceso puede estar en la condición de una
distribución de probabilidad que tenga una forma, centro (media) y dispersión
(desviación estándar) especificados.
56
diseñado esté. Esta variabilidad natural es denominada causas comunes
o aleatorias de variabilidad, es decir:
Inherentes al proceso. Siempre existen.
Esta variación es el efecto de varias pequeñas causas y no puede ser
totalmente eliminada.
Cuando la variación es pequeña se dice que el sistema está en estado
estable de causas comunes bajo control estadístico.
Ejemplos:
Ejemplos:
Proceso controlado
57
Capacidad: Esta palabra se usa en el sentido de posibilidad basada en realizaciones
contrastadas y lograr resultados mensurables.
Medida: Se refiere al hecho de que la capacidad del proceso sea cuantificada con los
datos que, a su vez, son el resultado de la medición del trabajo realizado por el
proceso.
Producto: La medición se hace sobre el producto dado que la variación del producto
es el resultado final.
TIPOS DE PROCESOS
El concepto de capacidad del proceso puede ser comprendido mejor con la exposición
de algunos de los conceptos más frecuentes. La figura siguiente presenta el caso ideal
de un proceso en estado de control estadístico, pero esta no será siempre la condición
que se presente cotidianamente.
X - AXIS
58
e. Cambios en la dispersión y en la cota debido a cambios en las condiciones de
operación o cambios en la materia prima.
b.
a.
c. d.
e.
59
La mayor parte de los procesos industriales, especialmente en las industrias de
procesos químicos, funcionan bajo estado e control estadístico. Para estos
procesos, la capacidad del proceso calculada de 6 σ puede ser comparada
diferente a las especificaciones y se puede hacer juicio sobre su adecuación.
Sin embargo la mayoría de los procesos industriales muestran desviaciones y
cambios repentinos. Estas desviaciones de lo ideal son un hecho real y deben
tenerse en cuenta en el momento de calcularse los índices de capacidad del
proceso.
CAPACIDAD DE PROCESO
¿Qué es?
Es un conjunto de indicadores que definen que tan capaz es un proceso de
cumplir las especificaciones establecidas por el cliente. Se puede decir
también que es una forma cuantitativa simple para expresar la capacidad del
proceso. Su valor está dado a partir de una relación entre la Tolerancia de las
especificaciones del proceso, determinadas por petición del cliente, y la
variabilidad natural del proceso, para este caso seis sigma ( ).
¿Qué hace?
• Ayuda al a responder a la pregunta “¿El proceso es capaz de satisfacer al
cliente?”
• Ayuda a determinar si ha habido un cambio en el proceso
• Ayuda a determinar el porcentaje del producto o servicio que no satisface los
requisitos de los clientes.
¿Cómo lo hago?
60
En este orden de ideas, de acuerdo al valor que tome el índice de capacidad
, los procesos pueden clasificarse de la siguiente manera:
• Modificar el proceso.
• Modificar las tolerancias o especificaciones.
• Inspeccionar el 100% de los productos.
61
la media del proceso no coincide con la media de las especificaciones (Valor
Nominal), es muy probable que se encuentre arrojando productos fuera de
especificaciones, o sea, no conformes, ya sea por el límite superior o por el
inferior. Esta situación se puede apreciar en la siguiente distribución de datos:
62
Donde Capacidad de proceso teniendo en cuenta únicamente la
especificación superior del proceso.
63
b. Proceso cuyo centro esta desplazado y el proceso esta en peligro de
generar producto fuera de la especificación, sin embargo la amplitud del
proceso indica que este puede cumplir la tolerancia demarcada por las
especificaciones.
c. En este caso ya se han presentado productos fuera de las
especificaciones, generando no conformidades del proceso
Promedio Aceptable
Especificaciones
Frecuencias
a.
Desviación estándar
Medidas
Aceptable. Cpk > 1
Frecuencias
b.
Promedio aun aceptable Especificaciones
Desviación estándar
aceptable. Cpk = 1
Medidas
Frecuencias
Especificaciones
Promedio muy alto
c.
Desviación estándar
potencialmente aceptable
Medidas
Cpk = Cpu < 1
Frecuencias
Especificaciones
Promedio aceptable
d.
Desviación estándar
muy grande
64
Frecuencias
Promedio muy alto Especificaciones
e.
Desviación estándar muy
grande
Medidas
Cpk = Cpu < 1
C
LIE Pro LS LIE
𝝁 ces E
𝝁
o A:
En general: CP
k=
1. Proceso Capaz y centrado ( )
1
2. Proceso potencialmente capaz pero descentrado ( )
65
Esquema general para implementación de un programa de control
estadístico o para el mejoramiento de los procesos con base en esta
herramienta
Inicio
Definir plan de
mediciones
Evaluar el comportamiento
con gráficos de control
Identificar Eliminar
No
Proceso C. causas causas
estadístico asignables de asignables de
variación variación
Si
No
ICP>1
?
Si
No Verificar Programas de
ICP>1.33 centrado del mejoramiento
proceso del proceso
? Si
Decisión
gerencial
66
¿Cómo buscar porcentaje de productos no conformes?
Luego,
( ) ( ) ( )
Luego,
( ) ( )
Pro LSE
ces
Reducir la desviación estándar
67
LIE LSE
LIE LSE
LIE LSE
68
n (Para este caso, 4) ̅
k
1 2 3 4
1 3,4 5,3 2,1 3,8 3,65 3,2
2 - - - - - -
3 - - - - - -
4 - - - - - -
5 - - - - - -
∑̅ ̅ ∑ ̅
Los valores utilizados para realizar el análisis de la capacidad del proceso son
̅ y ̅.
EJEMPLOS:
1)
Después de verificar si el proceso está bajo control estadístico y que los datos
se comportan como una distribución normal, se tienen los siguientes datos.
69
b) Obtenga la proporción esperada fuera de especificación unilateral y de
manera total.
c) Calcular el inciso a) y b) con el proceso centrado
d) Entre que valores debe oscilar ̅ , de tal manera que la fracción de no
conformes sea a lo sumo de 1% (Ventana de Operación).
SOLUCIÓN
a) Índices de Capacidad
̅
( )
( )
b) %PNC
̅
( )
( )
70
Para reducir la cantidad de productos no conformes arrojados por el proceso,
incurriendo en el menor costo, lo recomendable es centrar el proceso, es decir,
hacer que coincida la media del proceso con el valor nominal. Esta técnica
resulta más económica que la reducción de la variabilidad, que sería lo ideal,
aunque muy costosa, pues requiere un análisis riguroso de las 6M de
producción (Maquinaria, Mano de Obra, Mediciones, Medio Ambiente, Métodos
y Materiales).
̅
( )
Pero como se sale por los dos lados por estar centrado %PNC= 0,003*2
=0,006
%PNC = 0,6%
d) La Ventana de Operación son los valores entre los que puede oscilar ,
para arrojar a lo sumo una proporción de productos no conformes especificada.
En este caso esa proporción de productos es de 1%.
( )
( )
̅ ( )
( )
71
̅
̅ ( )
2)
Un proceso productivo tiene un , y está centrado.
Solución
%PNC
( ) ( )
72
[ ]
[ ]
[ ]⁄
[ ]⁄
73
4
CARTAS DE CONTROL.
74
4 CARTAS DE CONTROL
a. GENERALIDADES:
Se dice que un proceso está bajo Control Estadístico cuando presenta causas
comunes únicamente, cuando ocurre esto tenemos un proceso estable y
predecible. Cuando existen causas especiales el proceso está fuera de Control
Estadístico; las gráficas de control detectan la existencia de estas causas en el
momento en que se dan, lo cual permite que se puedan tomar acciones al
momento.
TIPOS DE CAUSAS
75
Por otra parte estas variaciones dentro de ciertos límites pueden ser totalmente
tolerables y no causan reales disminuciones en la calidad del producto. Estas
variaciones se aceptan y se les consideran inherentes al proceso.
Principios básicos
La carta contiene, una línea central (LC), que representa el valor promedio de
la característica de calidad que corresponde al estado bajo control(es decir
cuando únicamente están presentes causas fortuitas.) También se muestran
dos líneas horizontales, llamadas límite de control superior (LCS) y limite de
control inferior (LCI). Estos límites de control se eligen de tal modo que si el
proceso está bajo control, casi todos los puntos muéstrales se localizan entre
ellos. En tanto los puntos graficados se localicen dentro de los límites de
control, se supone que el proceso está bajo control y no es necesaria ninguna
acción. Sin embargo, puede ocurrir que todos los puntos se encuentran dentro
de los límites de control, pero si su comportamiento ocurre de manera
sistemática o no aleatoria, podría ser un indicio de que el proceso se encuentra
fuera de control. Estos y otros comportamientos se estudiaran más adelante.
76
b. OBJETIVOS DE LAS CARTAS DE CONTROL.
: 𝑗 í
1: 𝑗 í
Por otro lado en las cartas de control, pueden ocurrir dos tipos de riesgo o
errores.
77
potencia que tiene la carta para detectar puntos por fuera de los límites de
especificación.
Entonces:
La potencia: 𝛽; es 𝛽= { h 0| 0 }
La confiabilidad: 𝛼; es 𝛼= { h 0| 0 }
Una carta de control puede indicar una condición fuera de control aún cuando
ningún punto particular se localice fuera de los límites de control, cuando el
patrón que forman los puntos graficados muestra un comportamiento no
aleatorio o sistemático.
Un punto único fuera de los límites de control casi siempre se produce por una
causa especial.
Una razón común por la que un punto cae por fuera de un límite de control, es
un error en el cálculo de para la muestra. Cada vez que esto ocurra, se
deberán revisar los cálculos. Otras causas posibles son una interrupción de
energía repentina, una herramienta descompuesta, un error en la medición o
una operación incompleta u omitida del proceso.
78
Tendencias: Se pueden presentar tendencias hacia arriba o hacia abajo en las
cartas de control (ascendentes o descendentes), se considera que 7 puntos o
más indican una situación fuera de control. Las tendencias suelen deberse al
desgaste o deterioro gradual de una herramienta o de algún otro componente
crítico del proceso, también pueden ser resultado de causas humanas, tales
como fatiga del operador o la presencia del supervisor así como resultar de
influencias estacionales, como la temperatura.
79
Estratificación: ocurre cuando casi todos los puntos caen cerca de la línea
central y se muestra como una adhesión a la media. Esto puede ser causado
por límites mal calculados, tomar piezas de procesos diferentes o falta de
resolución del equipo de medición.
Patrones cíclicos: los ciclos son patrones cortos repetidos, que alternan
crestas elevadas y valles bajos. Son el resultado de causas que vienen y van
en forma regular.
80
Para reconocer un patrón de comportamiento no sólo se requiere conocer las
técnicas estadísticas, sino también tener un conocimiento profundo del
proceso.
El proceso está regido por una función de probabilidad cuyos parámetros
permanecen constantes a lo largo del tiempo. Este sería el caso de un proceso
normal de media constante y desviación típica constante. Este es el caso ideal
y al que se pueden aplicar los gráficos de control para detectar la presencia de
causas asignables.
81
El proceso está regido por una función de probabilidad alguno de cuyos
parámetros varía ligeramente a lo largo del tiempo. Este sería el caso de un
proceso normal cuya media varía a lo largo del tiempo (por ejemplo, una
herramienta de corte que va desgastando la cuchilla de corte).
Cuando se trata con una característica de la calidad que es una variable, por lo
general es necesario monitorear tanto el valor medio de la característica de
calidad como su variabilidad. El control del promedio del proceso, o nivel de
calidad medio, suele hacerse con la carta de control para medias, o carta .
Por su parte la variabilidad del proceso puede monitorearse con una carta de
control para la desviación estándar, llamada carta S, o bien con una carta de
control para el rango, llamada carta R. Por lo que tenemos:
𝐺
𝐺
𝐺
Cartas de Medias/Rangos ( ; )
82
El conjunto de estos dos gráficos es el procedimiento de control estadístico de
proceso más utilizado. Su uso es demandado cuando se tiene una
característica en particular que se desea controlar, puesto que estos gráficos
se utilizan cada vez para una sola característica.
R = X mayor – X menor
R=
83
̅
𝝈
̅ | |
√
̅
𝝈
̅ | |
√
̅ ̅
̅ ̅
Donde, ( )
√
84
Estructura de una carta de control
85
Análisis de la carta ;
Algo que debe tenerse muy claro es que no hay ninguna relación entre los
límites de control de la carta y los límites de especificación del proceso.
Pues los limites de control están regidos por la variabilidad natural del proceso
(medida por la desviación estándar del proceso), es decir, por los limites de
tolerancia natural del proceso.
86
relación matemática o estadística entre los límites de control y los limites de
especificación.
Por otro lado, la potencia o capacidad que tiene la carta para detectar un
cambio en la media del proceso se calcula de la siguiente manera. Si el
corrimiento fue hacia el límite superior, se tiene:
𝛽=( > 2 )
𝛽=( < + 2 )
2=
( )=1–𝛽
De la misma manera, si se desea conocer el valor esperado de productos no
conformes generados hasta llegar a una muestra k, se puede hallar,
inicialmente, determinando la cantidad generada en el tiempo que se toman las
muestras para el monitoreo (PNC), y se aplica la siguiente ecuación:
87
= (1 – 𝛽) + 2 𝛽 (1 – 𝛽) + 3 𝛽2 (1 – 𝛽) 𝛽 1 (1 – 𝛽)
=[ ]
𝐷 = ;𝐷 ( ) = 2𝛼
( )
𝐷 = ;𝐷 ( )=𝛼
( )
Cartas de Medias/Desviaciones (; )
88
√∑ ( ̅̅̅̅)
=
=( )
= ̅+ 1
= ̅
= ̅ 1
=( )
√
= 4 ̅
= ̅
= 3 ̅
∴ 3; 4 4, 𝑞 ñ .
EJEMPLOS:
Ejemplo 1
89
Datos:
= 12,7
= 15,7
= 9,7
Para la carta ̅ ,
=5
𝛼 𝛼 = 0,988
= 14,5
= 12,5
SOLUCION:
Datos
a) ̅ = = = 13,5
NOTA: Siempre es recomendable trabajar con 𝛼/2 pues la carta se hace más
potente, ya que los límites de la misma se tornan más estrechos, no obstante
es opción del estudiante trabajar con alfa.
( ̅) √
̅ | | | |
√ | |
( ) √
| |
( )
̅ ̅
{ } { }
{ } { }
( ) ( )
90
Ahora procedemos a determinar el porcentaje de PNC.
̅
% = ( > ) ( < )= ( )
% = ( ) ( )
% = 0,0068 = 0,68%
b) Si: % , 𝛼 = 0,10 y = 9;
= 0,88 = 1,175
̅
̅
̅ ( ) ̅
𝛼 |̅ ̅| | |
𝛽=( 𝛽> 𝛼 2 √ ); | 𝛼| = | |= | |
𝛽 = 0,9952
c) =
| | | |
=[ ] | | √ | | √ | |
91
| 𝛼| | 𝛼| = 𝛼= 2,57
𝛼 𝛼 = 0,0051
Ejemplo 2
FIBRAS S.A. está en capacidad de producir 25000 piezas por jornada laboral.
Se trabaja durante 3 turnos las 24 horas del día, y las muestras para el
monitoreo se toman cada 30 minutos.
92
b) Hay una disminución en la media del proceso en 0,8 uf. Diseñe una
carta X barra que detecte con una probabilidad del 90%, el cambio en
alguna de las 3 muestras consecutivas a partir del cual el cambio tuvo
lugar y con riesgo tipo 1 de 0,06.
SOLUCION:
Datos:
= 7,5
= 12,5
=5
= 10,2
= 1,93
𝛼 = 0,95
= 25000 /𝑗
𝐽 =3 24
= 30
=7
̅̅̅ = 11,1
a)
̅
> 1, 𝑞 .
{ }
= = 0,9240
93
̅
> 1, 𝑞 .
{ }
= = 0,5624
( > ) ( < )=
( > I )= ( < )=
𝛽= ( | 𝛼| √ )
94
| 𝛼 |= | |=| |= 1,645
𝛼 | |
𝛽= ( 𝛽 √ )
𝛽=1–( 𝛽 )
𝛽 𝛽 = 0,1103
𝛽 = 0,9999
Pero: =% , entonces:
= (1 – 𝛽) ( 1 + 2𝛽 + 3𝛽 + 4𝛽 + 5𝛽 )
Tenemos que:
% = 4,6%
= 25000
=( ) ( ) ( )[ ( )
( ) ( ) ( )]
𝛽 = 0,90
𝛼 = 0,06
2= = = 0,9642
𝛽 𝛽= √ 𝛽 = 0,5359
| | | | | | | |
[ ] [ ] [ ]
95
Ahora si podemos calcular los límites de control de la carta ̅ :
= ̅̅̅̅= 10,3
̅̅̅̅ | | | |
√ √ √
̅̅̅̅ | | | |
√ √ √
( > )
̅̅̅̅
Ejemplo 3
96
1 2 3 4
1 50,2 49,9 49 50,1
2 50,3 50,2 50 49,3
3 49,8 50 50 49,7
4 50 49,4 50,1 50,5
Numero de Replicas
a) Realice una carta de control X-R y analice los resultados. ¿El proceso está
bajo control estadístico?
b) ¿Cuál es la capacidad del proceso? ¿Se están generando productos no
conformes?
Solución
Datos:
a)
97
Numero de Muestras ( )
1 2 3 4 ̅ R
1 50,2 49,9 49 50,1 49,8 1,2
2 50,3 50,2 50 49,3 49,95 1
3 49,8 50 50 49,7 49,875 0,3
4 50 49,4 50,1 50,5 50 1,1
Numero de Replicas
Para realizar los cálculos debemos conocer primero el valor de la media del
proceso y el rango promedio, para ello es necesario hacer el siguiente
procedimiento:
Donde:
[∑ ]
̅
̅̅̅ [∑ ̅]
Rango Promedio
[∑ ̅]
̅
Sabemos que
98
Antes de hallar los límites de control de las cartas debemos conocer el estado
del proceso.
( )
̅̅̅
̅̅̅
( )
̅̅̅
( )
̅̅̅ | | | |
√ √
̅̅̅ | | | |
√ √
Límites de la carta ̅
Para calcular los límites de la carta ̅ se deben conocer los valores de las
constantes de la tabla de constantes (sección 8).
Con
𝐷
99
𝐷
̅𝐷
̅𝐷
= = 1,0933
La carta de control nos muestra que hay un punto por encima del límite de
control superior, es decir, que el proceso no está bajo control estadístico. Para
procurar hacer que el proceso esté bajo control es necesario eliminar la causa
que ocasiona la alteración (cepillar) y diseñar una nueva carta.
100
Volvemos a calcular los parámetros y posteriormente los límites de
control de las cartas ̅ y R:
Donde:
[∑ ]
̅
̅̅̅ [∑ ̅]
Rango Promedio
101
[∑ ̅]
̅
Sabemos que
̅̅̅ | | | |
√ √
̅̅̅ | | | |
√ √
Límites de la carta ̅
Para calcular los límites de la carta ̅ se deben conocer los valores de las
constantes de la tabla de constantes (sección 8) Con
𝐷
𝐷
̅𝐷
̅𝐷
= = 1,12143
102
Carta de Control actualizada
En las graficas podemos ver que ningún punto está por fuera de los límites de
control. Por consiguiente podemos decir que el proceso está bajo control
estadístico.
( )
̅̅̅
̅̅̅
( )
̅̅̅
( )
103
̅̅̅
( )
El proceso está arrojando 1,34% de PNC por el límite superior y 7,28% de PNC
por el límite inferior. Decimos entonces que el proceso no es capaz, no está
centrado y arroja 8,62% de productos no conformes.
Ejemplo 4
∑̅
Como puede observarse, el torque promedio está por debajo del requerido.
Una investigación demostró que esto ha ocurrido para remediar las demandas
de la planta de ensamble, con respecto al esfuerzo para obtener un alto torque.
104
Al mismo tiempo, también hubo demandas acerca del bajo torque. Además, las
preguntas que se expusieron mostraron que el método de comprobación del
torque varió entre los departamentos de producción e inspección. Cuando se
examinaron las cartas en forma crítica, se comprendió el por qué la planta de
ensamble malinterpretó el método de comprobación. Se habló con el
departamento de ingeniería y este estuvo de acuerdo en emitir nuevas cartas
para aclarar el método apropiado.
∑̅
105
3. Para el gerente de la planta sería grave que el cambio no se detectara a
tiempo, por lo que realiza un análisis del proceso y obtiene que se
requiere un 99% de probabilidad de detectar el cambio a lo sumo en la
segunda muestra después de que el cambio ocurre para evitar
inconvenientes a posteriori. Le solicita a usted como ingeniero que le
recomiende un tamaño de muestra para monitorear el proceso. ¿Qué
tamaño de muestra le recomendaría usted?
Solución
Datos
106
1. Capacidad del proceso antes del reprocesamiento de la matriz.
̅
Sabemos que
Luego
( )
( )
̅
( )
Productos no conformes/día=4800*0,6736=3233,28≈3234productos no
conformes por día
( ) ( ) ( ) ( )
( ) 254354,1/dia
107
Capacidad del proceso después del reprocesamiento de la matriz.
̅
Sabemos que
Luego
( )
( )
̅
( )
̅
( )
( )
( )
108
Productos no conformes/día por bajo torque =4800*0,1762= 845,76 ≈ 846
productos no conformes por día
( ) ( ) ( ) ( )
( ) 66537,9/día
( )
( )
( ) 0,9741 0,0259
̅
( )
109
Entonces se dice que el proceso no es capaz, no está centrado y arroja 25,71%
de productos no conformes.
a) Potencia de la carta.
b)
Con
𝛽 ( √ )
𝛽 ( √ )
𝛽 ( )
( 𝛽 ) 𝛽
( 𝛽 )
𝛽 √
𝛽
| | | |
[ ]
| | | |
[ ]
110
4. .3. CARTAS DE CONTROL PARA ATRIBUTOS
Dado que los atributos son características de calidad no medibles, los gráficos
de control por atributos se basaran en la determinación de la cantidad o
porcentaje de unidades defectuosas en una población de productos obtenidos
de un proceso.
Las cartas de control por atributos se pueden clasificar de la siguiente manera:
𝐺
𝐺
𝐺
𝐺
Grafico o carta p
111
defectuosos-no defectuosos, enfermo-sano, conforme-no conforme, etc., y se
desea controlar la proporción p de individuos en uno de estos grupos.
( )
̅
̅( ̅)
̅ √
112
̅( ̅)
̅ √
Grafico Np
113
defectuosos es igual a np y la varianza igual a np(1-p). Como en el apartado
anterior, sólo se realiza un gráfico y éste controlará el número promedio de
unidades defectuosas en n.
̅ √ ̅( ̅)
̅ √ ̅( ̅)
𝐷 ( )
( ) ( ̅ )
∑ ̅
( ) ( )
( ) ( ∑ ̅ )
Por último se llevan los valores del número de defectuosos por grupo al gráfico,
y se comprueba que durante la obtención de las muestras, el proceso ha
estado bajo control.
Si existe evidencia de que alguna causa asignable ha entrado en el proceso,
antes de continuar es necesario identificar tal causa y tomar las medidas
pertinentes.
Carta C
114
En muchas ocasiones la característica que nos interesa controlar no es el
número de individuos defectuosos sino el número de defectos que aparecen en
un individuo. Este tipo de control puede ser más completo que los presentados
anteriormente, puesto que:
Los pasos que se deben seguir en la construcción del gráfico C son los
siguientes:
̅ √ ̅
̅ √ ̅
∑
Donde = = =
115
3) Acomodar los datos obtenidos en y seguir las mismas reglas de control
que con los gráficos anteriores.
Carta U
En efecto si
= ° e
=
= / á ú ,
116
ó :
∑
̅
∑
̅ ̅⁄
√
̅ ̅⁄
√
Para interpretar los gráficos de control por atributos debe atenderse a los
siguientes aspectos:
Puntos por fuera de los límites de control
Tendencias o tramos
Distribución de los puntos en el área de control.
Si más del 90% de los puntos están cerca de la media, puede ser debido a:
Errores de cálculo o trazado.
Muestreo estratificado.
Datos modificados (eliminando o cambiando valores que se alejan mucho
de la media)
118
5
MUESTREO DE ACEPTACIÓN.
El muestreo de aceptación se
En este capítulo podrás ocupa de la inspección y la toma
de decisiones respecto de los
encontrar y aprender todo lo productos, uno de los aspectos
relacionado con los más antiguos del aseguramiento
conceptos y demás aspectos de la calidad. Consiste en tomar
de los distintos tipos de una muestra de un lote de
artículos (productos o partes en
muestreo e inspección, con proceso, o terminados),
las cuales se puede detectar inspeccionar alguna característica
unidades defectuosas por de calidad de las unidades de la
medio de procesos llevados a muestra, y con base en esta
cabo tanto por el productor información, tomar una decisión
acerca del destino del lote.
como por el cliente.
119
1.5. GENERALIDADES
Es útil en situaciones en que el proceso del proveedor es tan bueno que casi
nunca se encuentran unidades defectuosas o cuando no existen justificaciones
económicas para encontrar unidades defectuosas. Por ejemplo, si la capacidad
real del proceso se estima entre 3 o 4, es poco probable que en un muestreo
de aceptación se descubra alguna unidad defectuosa.
3) El muestreo de aceptación
120
Cuando son muchos los artículos por inspeccionar y la tasa de los
errores de inspección es tan elevada que la inspección del 100% podría
hacer que se aprobara un porcentaje más alto de unidades defectuosas
que con la aplicación de un plan de muestreo.
Cuando el proveedor tiene un historial de calidad excelente, y se desea
cierta reducción en la inspección del 100%, pero la capacidad del
proceso del proveedor es lo suficientemente baja para hacer que la
cancelación de la inspección no sea una alternativa satisfactoria.
Cuando existen riesgos de responsabilidad legal del producto
potencialmente serios y, aún cuando el proceso del proveedor sea
satisfactorio, se necesita un programa de monitoreo continuo del
producto.
Suele tener costos más bajos, debido a que hay menos inspección.
Hay menos manejo del producto y, en consecuencia, se reducen los
daños.
Puede aplicarse en las pruebas destructivas
Menos personal participa en las actividades de inspección
Con frecuencia reduce en gran medida la cantidad de errores de
inspección
El rechazo de lotes completos, por oposición a la simple devolución de
las unidades defectuosas, con frecuencia proporciona una motivación
mayor para que el proveedor atienda el mejoramiento de calidad.
Sin embargo, el muestreo de aceptación también presenta varias desventajas.
Entre ellas se encuentran:
121
Plan de muestreo simple
( )(𝑵 )
( ) ∑
( 𝑵)
( ) ∑( )( ) ( )
Ejemplo
122
( ) ∑( )( ) ( )
( )( )
( ) ∑
( )
se acepta el lote
se rechaza el lote
se pasa a una segunda muestra
se rechaza el lote
se acepta el lote
Ejemplo
123
Este ejercicio puede resolverse utilizando un árbol de decisión. Inicialmente, se
analizan los valores que pueden tomar , teniendo en cuenta las
restricciones dadas para este tipo de plan.
𝑿𝟏 𝟎
𝑿𝟐 𝟎
𝑿𝟏 𝟏 𝑿𝟐 𝟏
𝑿𝟐 𝟐
𝑿𝟐 𝟎
𝑿𝟏 𝟐
𝑿𝟐 𝟏
𝑿𝟏 𝟑 𝑿𝟐 𝟎
La probabilidad para cada uno de los casos encontrados son las siguientes:
( )( )
( )
( )
( )( )
( )
( )
( )( )
( )
( )
124
( )( )
( )
( )
( )( )
( )
( )
( ) { ( ) [ ( ) ( ) ( )]}
{ ( ) [ ( ) ( )]} [ ( ) ( )]
( ) ( )
Un plan de muestreo múltiple es una extensión del muestreo doble por cuanto
pueden requerirse más de dos muestras para dictaminar un lote.
El muestreo secuencial es una extensión del concepto del muestreo doble y del
muestreo múltiple. En el muestreo secuencial se toma una secuencia de
muestras del lote y se deja que el número de muestras lo determinen por
completo los resultados del proceso de muestreo. En teoría, el muestreo
secuencial puede continuar de manera indefinida, hasta que se hace la
inspección del 100% del lote. En la práctica, los planes de muestreo secuencial
suelen truncarse después de que el número inspeccionado es igual a tres
veces el número que se habría inspeccionado utilizando el plan de muestreo
simple correspondiente. Si el tamaño de la muestra seleccionado en cada
etapa es mayor que 1, al proceso suele llamársele muestreo secuencial grupal.
Si el tamaño de la muestra inspeccionado en cada etapa es 1, al procedimiento
suele llamársele muestreo secuencial artículo por artículo.
125
5.3. LA CURVA DE OPERACIÓN (OC)
Como se puede apreciar, las curvas de operación son más estrictas conforme
aumenta el tamaño de la muestra. Gráficamente, este hecho se puede apreciar
por la disminución del área bajo la curva, lo que muestra un plan de muestreo
estricto.
126
punto en el cual la curva cae verticalmente a una probabilidad de aceptación
igual a cero.
Para graficar una curva de operación, basta solo con darle valores a , y
teniendo en cuenta el tamaño de la muestra y número de aceptación dado para
el plan, se hallan diferentes valores para .
Ejemplo
Utilizando la distribución de probabilidad Binomial para determinar se tiene:
0,02 0,9945
0,04 0,8988
0,06 0,6521
0,08 0,3750
0,1 0,1769
0,12 0,0709
0,14 0,0248
0,16 0,0077
0,18 0,0021
0,2 0,0005
127
De esta manera la gráfica resulta de la siguiente forma:
128
puntos NAC y LTPD para este fin. Cuando los niveles de calidad del lote
especificados son 𝐷, suele hacerse referencia a los puntos
correspondientes en la curva OC como el riesgo del producto y el punto del
riesgo del consumidor. Por tanto, 𝛼 se llamaría el riesgo del productor y 𝛽 se
llamaría el riesgo del consumidor. Gráficamente, se puede apreciar esta
relación en la figura 21, donde para el ejemplo se trabaja con un NAC de 2% y
un LTPD de 7%.
𝑵
𝑵
∑( )( ) ( )
𝜷 ∑( )( ) ( )
129
5.4. DISEÑO DE PLANES DE MUESTREO
Procedimiento
130
2. Elegir el nivel de inspección
Ejemplo
Solución.
Haciendo uso del tamaño del lote, se determina la letra código, para este caso
es N.
Luego, utilizando la tabla MIL STD para nivel general II, y un NAC de 2,5%, se
puede apreciar que el tamaño de la muestra es de 500 y el número de
aceptación de 21.
| | 𝜷√ ⁄
⁄
⁄
[ ]
131
√ 𝜷√
132
Por tanto, los lotes en la etapa de salida de la inspección tienen un número
esperado de unidades defectuosas igual a ( ), que puede expresarse
como una fracción defectuosa promedio, llamada la calidad de salida promedio:
(𝑵 )
𝑵
Cuando el tamaño del lote se hace grande en comparación al tamaño de la
muestra, esta ecuación puede escribirse como:
133
sea la fracción defectuosa en los lotes de entrada, los lotes de salida nunca
tendrán un nivel de calidad peor que el AOQL.
5.6.1. CSP-1
5.6.2. CSP-2
5.6.3. CSP-3
Este plan es muy similar al CSP-2 pero está diseñado para brindar protección
adicional contra la producción irregular. Requiere que después de que se ha
encontrado una unidad defectuosa, se restablece de inmediato la inspección al
100%. Si no se encuentran unidades defectuosas, el plan continúa bajo el
CSP-2.
134
Ejemplo
Solución
a) Probabilidad de aceptación
Como se utiliza el valor del AOQL, puesto que es la proporción real de
productos no conformes después de rectificación.
( ) ∑( )( ) ( )
b) Riesgo Tipo II
Puesto que El riesgo tipo II se calcula a partir del LTPD, el cual debería ser el
mayor porcentaje de productos no conformes aceptados, pero se realizó una
rectificación, esta proporción nunca será mayor al AOQL, por lo tanto, el riesgo
tipo II es cero (0).
135
6
HERRAMIENTAS INFORMATICAS.
El muestreo de aceptación se
En este capítulo podrás ocupa de la inspección y la toma
de decisiones respecto de los
encontrar y aprender todo lo productos, uno de los aspectos
relacionado con los más antiguos del aseguramiento
conceptos y demás aspectos de la calidad. Consiste en tomar
de los distintos tipos de una muestra de un lote de
artículos (productos o partes en
muestreo e inspección, con proceso, o terminados),
las cuales se puede detectar inspeccionar alguna característica
unidades defectuosas por de calidad de las unidades de la
medio de procesos llevados a muestra, y con base en esta
cabo tanto por el productor información, tomar una decisión
acerca del destino del lote.
como por el cliente.
136
6. HERRAMIENTAS INFORMÁTICAS PARA EL CONTROL DE CALIDAD
Ejemplo
Solución
1
Capitulo
Gráfica de probabilidad de C1
Normal
99
Media 265,4
Desv.Est. 29,30
95 N 50
AD 0,495
90
Valor P 0,206
80
70
Porcentaje
60
50
40
30
20
10
1
200 220 240 260 280 300 320 340 360
C1
2
Posterior a esto y centrándonos en la capacidad del proceso procedemos con
la siguiente ruta Estadísticas < Herramientas de calidad < Análisis de
capacidad < Normal.
Luego
HER
2. CLI
C
1. CLIC
3. CLIC
4. Se
define el
Al igual que con otros comandos de Minitab, usted puede modificar el análisis
de capacidad al especificar información en el cuadro de diálogo principal o al
hacer clic en uno de los botones del cuadro de diálogo, para esto deberá dar
clic al recuadro opciones que está en la parte superior derecha de la imagen
anterior.
3
Capacidad de proceso de C1
LIE LSE
P rocesar datos Dentro de
LIE 220 General
O bjetiv o *
LS E 350 C apacidad (dentro) del potencial
M edida de la muestra 265,435 Cp 0,76
C PL 0,53
N úmero de muestra 50
C P U 0,99
Desv .E st. (Dentro) 28,3796
Desv .E st. (G eneral) 29,304 C pk 0,53
C apacidad general
Pp 0,74
PPL 0,52
PPU 0,96
P pk 0,52
C pm *
Aquí se puede ver claramente que el proceso no es capaz porque todas las
estadísticas de potencial son menores que 1, además se observa claramente
que se están generando productos no conformes en mayor proporción por el
límite inferior.
4
6.2 CARTAS DE CONTROL
Ejercicio 1
5
Para realizarlos por MINITAB es necesario hacer el siguiente procedimiento:
6
3) Después de esto aparecerá una ventana, en donde escogeremos del
submenú la opción las observaciones para un subgrupo están en
una fila de columnas:
7
5) Finalmente y después de hacer lo anterior, se genera una grafica como
se muestra a continuación.
8,50
M edia de la muestr a
1
1
8,25 1 1 1
U C L=8,174
_
_
8,00 X=8
LC L=7,826
7,75
1 1
1
7,50 1 1
1
1 3 5 7 9 11 13 15 17 19
M uestr a
1
0,60
U C L=0,5447
Rango de la muestr a
0,45
0,30 _
R=0,2387
0,15
0,00 LC L=0
1 3 5 7 9 11 13 15 17 19
M uestr a
Análisis
Por su parta el grafico R nos muestra que el proceso es variable, y hay muchas
observaciones cerca del límite de control inferior, lo que indica que la mayoría
de los cortes están por debajo del promedio de cortes adecuados. De la misma
manera podemos ver claramente un punto por encima del límite superior que
se debe investigar.
8
6) Si se quiere realizar una prueba del comportamiento de los datos en
Minitab, se debe seguir la siguiente ruta:
herramienta<opciones<graficas de control y herramientas de
calidad<pruebas. Como lo muestra la imagen:
9
Para la grafica P
3. Se hace clic en
el espacio junto a
Tamaño de los
subgrupos
5. Clic en
aceptar
En una
columna se
consignan los
tamaños de
2. Clic sobre la columna que los subgrupos
contiene el número de no
y junto a
conformidades 6. CLIC
10
Para la grafica Np
3. Se hace clic en el
espacio junto a
Tamaño de los
subgrupos y se
consigna el tamaño
de estos
(constante)
4. clic en
Aceptar
En una
columna se
consignan el
numero de
no
conformida
des (NP)
4. Clic sobre la encontrado
columna que
11
Para la grafica C
3. Clic en
ACEPTAR
En una
columna se
consignan el
número de
defectos para
cada muestra
(C)
1. Se hace clic en el
espacio debajo de
Variables
12
Para la grafica U
3. Se hace clic
en el espacio
junto a Tamaño
En una de los
columna se
1. Se hace clic en el
consignan
espacio debajo de
los tamaños Variables
2. Clic sobre la
columna que 1. Se hace clic en el
contienen el número espacio debajo de
de defectos
13
PARA EL MUESTREO DE ACEPTACIÓN POR ATRIBUTOS
Ejemplo
Solución:
14
4) En Nivel de calidad aceptable (AQL), ingrese 1.5. En Nivel de calidad
rechazable (RQL o LTPD), ingrese 10.
5) En Riesgo del productor (alfa), ingrese 0.05. En Riesgo del
consumidor (beta), ingrese 0.10.
6) En Tamaño del lote, ingrese 5000.
2,4
1,0
1,8
1,2
0,8
0,6
Probabilidad de aceptación
0,0
0,6 0 5 10 15 20
Pct. elementos defect. en lote entrante
0,2 3000
1000
0,0
0 5 10 15 20 0 5 10 15 20
Porcentaje de defectuosos en el lote Porcentaje de defectuosos en el lote
15
Análisis
16
Diagrama de Pareto
17
1. Se escoge la
opción Tabla de
defectos de
gráfica
18
Ejercicios propuestos resueltos
19
EJERCICIOS PROPUESTOS CAPÍTULO 3:
0,20
0,15
0,10
0,05
0,00
70 72 75 80 85 88 90
LIE X LSE
{ }
( )
( )
Entonces,
( )
Pero:
Buscando en tablas:
21
c) Cambiando la media del proceso por del valor nominal, es decir,
centrándolo, se tiene:
( )
0,20
0,15
0,10
0,05
0,00
70 72 75 80 85 88 90
LIE X LSE
22
2) Una fábrica de herbicidas tiene un reactor donde fabrica un producto, el
Tx-100. El TX-100 es un ingrediente selectivo que tiene un ingrediente
activo el cual al entrar en contacto con la maleza, se libera y la ataca
alterando el fenómeno de la fotosíntesis. Ello conduce a que la maleza
muera y que el cultivo quede libre.
INTERVALO Fi
[30,6433-31,0382) 1
[31,0382-31,4331) 0
[31,4331-31,8280) 4
[31,8280-32,2229) 14
[32,2229-32,6178) 43
[32,6178-33,0127) 51
[33,0127-33,4078) 44
[33,4078-33,8025) 25
[33,8025-34,1974) 14
[34,1974-34,5923) 4
[34,5923-34,9872] 0
Total 200
Solución:
23
El histograma es:
Histograma
Media 6,32
50 Desv .Est. 1,543
N 200
40
Frecuencia
30
20
10
0
2 4 6 8 10
Especificaciones
Intervalo Marca ( )
1 30,84075 1 -5 -5 25
2 31,23565 0 -4 0 0
3 31,63055 4 -3 -12 144
4 32,02545 14 -2 -28 784
5 32,42035 43 -1 -43 1849
6 32,81525 51 0 0 0
7 33,21025 44 1 44 1936
8 33,60515 25 2 50 2500
9 33,99995 14 3 42 1764
10 34,39485 4 4 16 256
11 34,78975 0 5 0 0
32,81527 200 64 9258
Para calcular la media y la desviación se utilizan las siguientes fórmulas:
√ ( )
Pero:
24
∑
∑( )
Entonces:
√ ( )
0,16
0,14
0,12
0,10
0,08
0,06
0,04
0,02
0,00
25,0 27,5 30,0 32,5 35,0 37,5 40,0 42
42,5
LIE LSE
X
25
( )
{ }
Se sabe que:
Reemplazando valores:
( )
( )
Entonces:
( ) ( )
̅
( )
( )
( )
26
̅
( )
( )
( ) ( ) ( )
( )
Entonces,
̅
̅ ̅
( ) ̅
( )
Entonces,
̅
̅ ( ) ̅
( ) ̅
27
( ) ( )
[ ] ( ) ( )
Solución:
0,08
0,07
0,06
0,05
0,04
0,03
0,02
0,01
0,00
60 65 70 75 80 85 90
LIE X LSE
28
Para que a lo sumo se presente un 4% de productos no conformes, se
presenta lo siguiente:
( ) ( ) ( )
( )
Entonces,
̅
̅ ̅ ( )
̅
( )
Entonces,
̅
̅ ( ) ̅ ( )
̅
( ) ( )
̅
( )
( )
29
Entonces el costo de producir un lote conforme será:
( ) ( )
̅
̅
30
Capacidad del proceso
0,006
0,005
0,004
0,003
0,002
0,001
0,000
900 1000 1100 1160 1200 1240 1300 1400
LIE X LSE
( )
Es un proceso que debe ser cambiado por completo, pues la forma en cómo
está funcionando está arrojando muchos productos no conformes por ambos
límites.
{ }
Se sabe que:
31
Y
Reemplazando valores:
( )
( )
Entonces:
( ) ( )
̅
( )
( )
( )
̅
( )
( )
0,006
0,005
0,004
0,003
0,002
0,001
0,000
1000 1100 1160 1200 1240 1300 1400
LIE LSE
X
( )
Entonces:
( )
̅
( )
( )
Se sabe que:
33
Entonces:
( )( )( ) ( )( )( ) ( )( )( )
( )( )( ) ( )( )( ) ( )( )( )
( ) ( ) ( )
( )
Entonces,
̅
̅ ̅
( ) ̅
( )
Entonces,
̅
̅ ( ) ̅
( ) ̅
34
por lo que se debe realizar un análisis de las 6M para poder buscar una forma
de que se reduzca la desviación estándar del proceso.
Solución
( ) ( )
[ ( )] ( )
Ahora,
̅ ( )
( )
( ) ( )
Calculamos ;
Pero se determina,
35
Entonces;
( )
Por tabla;
( )
Como la media del proceso esta después del LSE, para calcular el porcentaje
de productos conforme real le restamos él %PC del límite superior al %PC del
límite inferior, obteniendo
36
Calculamos el porcentaje de productos no conforme por el límite superior;
( )
Donde ;
Por tabla;
( ) ( )
Por lo tanto;
( )
Donde ;
Por tabla
( ) ( )
( )
Donde ;
37
Por tabla;
( ) ( )
Por lo tanto;
( )
Por tabla
̅
̅ ̅ ( )
( )
Por tabla;
̅
̅ ̅ ( )
Por lo tanto el intervalo que se puede mover la media del proceso si sobrepasar
el 8% el %PNC es; [ ]
38
Ahora la capacidad real del proceso;
( )
Por lo tanto
La gráfica es la siguiente;
39
Producto
Conforme 250 * 0,9431 = 235.775 u.m.
( )
Solución:
Gráficamente se ve así:
0,3
0,2
0,1
0,0
85 90 95 100 105
LIE X
LSE
{ }
( )
( )
41
Entonces:
( ) ( )
̅
( )
( )
( )
̅
( )
( )
0,4
0,3
0,2
0,1
0,0
85 90 95 100 105
LIE X LSE
42
El porcentaje de PNC será:
( )
̅
( )
( )
Solución:
43
Entonces por el límite superior tenemos:
( ) ( ) ( )
( )
̅
̅
(̅ ) (̅ ) ̅ ̅
{ }
Se sabe que:
̅ ̅
̅ (̅ ) ̅ ̅
Entonces:
44
c) Si por cada uno de los límites se arroja la misma proporción de PNC,
entonces se deduce que el proceso está centrado, por tanto:
( ) ( ) ( )
( )
̅
̅
(̅ ) (̅ ) ̅ ̅
45
EJERCICIOS PROPUESTOS CAPITULO 4
CARTAS DE CONTROL
Solución
̅
̅̅̅
̅
El valor de para un n = 7
46
Proceso potencialmente capaz. Luego se calculan las capacidades reales.
( )
̅ ̅
( )
( )
( ) ( )
( )
( )
( )
( )
( )
47
Conocido el porcentaje de no conformes, se pasa a conocer el valor de estos
que se obtiene durante el tiempo en que no se ha detectado el cambio.
( 𝛽)
[ 𝛽 𝛽 𝛽 𝛽 𝛽 𝛽 𝛽
𝛽 𝛽 ]
Se calcula beta por el límite inferior, ya que este es el que está generando
productos no conformes.
( 𝛽) ( √ )
|̅ ̅| | |
( 𝛽) ( ( √ )
( 𝛽) ( )
( 𝛽)
Luego:
( 𝛽)
[ 𝛽 𝛽 𝛽 𝛽 𝛽 𝛽 𝛽
𝛽 𝛽 ]
( 𝛽)
( )
48
b) Tenemos;
( )
𝛼 ̅
Primero determinamos ;
Ahora calculamos ̅ ;
̅ ̅
Hallamos 𝛼;
( ) 𝛼 𝛼 𝑗 𝛼⁄
Determinamos ;
| | | | | | | | | | | |
[ ] [ ] [ ]
̅ | | | |
√ √
̅ | | | |
√ √
49
a) ¿Cuál es la capacidad del proceso? ¿Es engañosa esta?
b) ¿Cuál es el porcentaje de productos no conformes que genera el
proceso?
c) ¿Cuál es la probabilidad de cometer el error tipo I?
d) Después de haber examinado 40.000 muestras, ¿cuántos puntos
pueden estar por fuera de los límites de control?
e) ¿Cuál debe ser el corrimiento en la media para que el proceso produzca
a lo sumo el 12% de productos no conformes a las especificaciones del
fabricante?
f) ¿Cuál es la probabilidad que con una carta cuya confiabilidad sea del
99% con n=8 se detecte el corrimiento en la media del proceso del inciso
e) dado que este ha ocurrido y no fue detectado en las tres primeras
muestras consecutivas después que el cambio ocurrió?
g) Se desea que la carta del inciso anterior tenga una probabilidad de 0,12
de cometer el error tipo II, entonces ¿A qué nivel máximo de productos
no conformes ocurre esto?
h) ¿Con que tamaño de muestras se debe trabajar para que la carta del
inciso f) detecte el cambio en la media del proceso en al menos una de
las primeras cinco muestras consecutivas después que este ha ocurrido
con una probabilidad de 0,8, cuando se está produciendo el porcentaje
de productos no conformes dado en el inciso e)?
i) Debido a que la carta del inciso f) no detecto el cambio en la media del
inciso e) sino después de la segunda muestra consecutiva después que
este ocurrió, se produjeron 2 tubos no conformes con las
especificaciones. Si la tasa de producción es de 1.000 tubos cada 12
minutos, ¿a qué velocidad se toman las muestras aproximadamente?
j) ¿Que se debería mejorar en el proceso actual y en cuanto para que los
tubos se produzcan con un 1% de productos no conformes?
Solución
Para la carta ̅
Para la carta ̅
50
a) Se procede a calcular , ya que este valor es necesario para obtener los
Cp.
̅
𝐷
̅
𝐷
( )
( )
̅ ̅
( )
( )
( ) ( )
( )
Se sabe que:
( )
( )
De la ecuación,
̅ ( )
√
( ̅ )√ ( )√
𝛼
( ) ( )
𝛼 ( )
d) Tenemos
( ) 𝛼
e) Se tiene que;
Este valor de Z, por ser por el límite superior, debe ser tomado como el
complemento de esa probabilidad, osea, el 88%, para poder cumplir con lo que
la distribución normal establece. Por tabla se busca Z(0.88)
( )
Con ese Z, haciendo uso de la ecuación del LCI hallamos el nuevo valor de la
media del proceso.
̅ ( )
Se sabe que,
̅ ̅
Procediendo:
( 𝛽) ( | | √ )
Donde:
53
Luego:
( 𝛽) ( ( ( √ ))
( 𝛽) ( )
( 𝛽)
Luego,
( 𝛽 ) ( )
̅ ̅
̅ ̅
Procediendo,
| | | |
( )
Despejando
| | | |
√
Donde:
Luego de:
54
( )( )
( )
Luego;
( )
( )
( 𝛽 )
Luego;
𝛽 √
De la ecuación;
| | | |
( )
55
Donde
Reemplazando;
( )
Además,
De la fórmula:
( 𝛽)( 𝛽)
( 𝛽)( 𝛽) ( )) (
( )
Solución
57
̅
a) Luego;
( )
̅ ( )( )
( )
̅
( )
̅
( )
Luego:
𝛼
58
̅
̅ ( )
√
√ √
Se puede decir, que la media del proceso menos la mitad del rango, representa
el límite inferior de control.
̅ ( )
√
(̅ )√ ( )
De la tabla tenemos
b) Tenemos;
( 𝛽) ( √ )
̅
̅
59
|̅ ̅| | |
( 𝛽) ( ( ) √ )
( 𝛽) ( )
( 𝛽)
( 𝛽 )
( )
( )
( )
( )
( )
60
( 𝛽)( 𝛽 𝛽 )
Luego
( ) ( ) ( ) ( ( ) ( )
c) Tenemos;
( 𝛽 )
Se despeja beta…
𝛽 √
Luego:
61
| | | |
( )
Donde
Sustituyendo
( )
Se usa la ecuación del corrimiento para despejar la nueva media del proceso.
̅ ̅
̅ ̅
̅ ( )
√
̅ ( )
√
| |
√
| |
√
d) Tenemos;
62
̅
( )
e) Tenemos;
( )
63
En el cálculo del costo variable se tendrá en cuenta tanto lo que se produce,
como el costo generado por las unidades defectuosas.
( )
( )
( )
( )
Sustituyendo:
𝐺 𝐺
64
d) ¿Cuántas muestras se deben examinar para que la probabilidad de que
el cambio no sea detectado dado que ocurrió sea de 0,2, en un
corrimiento de un ?
e) Si el Cp del proceso es 1 y la media del proceso esta corrida un
respecto al valor nominal, ¿Cuántos productos no conformes adicionales
se producen cuando la media se corre un respecto a la media del
proceso y se han producido 1000 varillas?
f) Interprete el LDP del proceso.
Solución
a) Hallamos
| | | |
( )
| | | |
( )
√ ( )
( )
Con
( 𝛽) ( | | √ )
( 𝛽) ( √ )
( 𝛽) ( ) ( )
( 𝛽)
( 𝛽)
c) Tenemos
( 𝛽 ) ( )
d) Se tiene que:
66
| | | |
( )
Donde:
Sustituyendo:
( )
e) Se tiene que:
Hallando sigma:
̅ ̅
( )
̅
( )
67
( )
( )
( )
̅
( )
( )
( )
( )
̅ ̅
( )
̅
( )
( )
( )
68
Luego por el LSE
( )
̅
( )
( )
( )
( )
𝐷
( )
Se hace necesario tener alrededor de 435 muestras para encontrar puntos por
fuera de los límites de control.
69
5) Una siderúrgica es especialista en trabajo de metales mediante
procesos de troquelado y estirado. Está fabricando un nuevo producto,
cuya longitud debe cumplir con especificaciones de 30m y 34 m. Juan
Pérez es el ingeniero mecánico que está encargado de los procesos y
maneja una carta de control la cual es diseñada con tamaños de
muestra 4 y la cual indica que el proceso está bajo control estadístico
cuando las medias están entre 32m y 34m y los rangos entre 0 y 3,6m.
Usted ha sido contratado para estudiar el proceso actual y cambios que
se puedan presentar en él.
Solución
70
Para la carta de control ̅ , se sabe que:
𝐷 ̅ ̅ ∴ 𝐷 ( )
𝐷
Se calcula la desviación:
̅
∴ ( )
( )
a)
Por el límite superior
̅
( )
( )
( )
Por lo tanto 𝑵
̅
( )
( )
( )
Por lo tanto 𝑵
( )
71
̅
( )
̅
( )
√
̅ | ⁄ |( ) | ⁄ | ( ̅ )( ) ( )( )
√ √
𝛼
| ⁄ | 𝛼
( ) 𝛼
e) Para saber cuál debe ser el corrimiento en la media para que el proceso
produzca a lo sumo el 10% de productos no conformes se realiza
mediante el %PNC, se supondrá que el corrimiento es hacia la derecha,
pero éste también puede ser calculado por la izquierda:
̅
̅ ( )
𝛼
f)
72
̅
El corrimiento es:
̅ ̅
𝛽 { ( ) | | ( √ )}
𝛽 { ( ) | | ( √ )}
𝛽 { ( ) }
𝛽 𝛽
g) 𝛽
𝛽 { ( ) | | ( √ )}
𝛽 { ( ) | | ( √ )}
{| | √
73
Luego
̅ ̅ ̅ ̅
̅
( )
( )
( )
Por lo tanto
̅
( )
( )
( )
Por lo tanto
h) | |
𝛽 𝛽 𝛽 𝛽
| | | | | | | |
[ ] [ ]
i)
̅
74
𝛽 𝛽
( 𝛽) [ ( 𝛽)]
( ) ( ) [ ( )]
( )
75
detecte los corrimientos de la media antes de que la quinta muestra
consecutiva después que el cambio ocurra sea inspeccionada, además
se desea un error tipo I de 7%, cuando el corrimiento sea de .
g) ¿Cuál es la probabilidad de que la carta detecte el cambio en la media
del proceso cuando se está produciendo un 10% de productos no
conformes?
h) Para tener una probabilidad de 0,6 de detectar un cambio en la media
antes de la tercera muestra consecutiva sea inspeccionada, ¿qué
porcentaje de productos no conformes se está produciendo?
i) Z&B LTDA está pensando en adquirir una maquinaria para mejorar el
proceso. El costo de producción de un artículo es de $250 y el vendedor
de la maquina estima que este costo se puede reducir a $240. Si la
empresa trabaja 8 horas diarias, 5 días a la semana, 4 semanas al mes,
entonces ¿Cuál es la cantidad máxima que se puede pagar por el
alquiler de la maquina?
Solución
̅
̅
a) ̅
̅ ̅
76
𝛽 { ( ) | | ( √ )}
𝛽 { ( ) | | ( √ )}
𝛽 { ( ) | | ( √ )}
c) Para poder realizar éste análisis debemos calcular primero los límites de
control:
Límite superior
̅ | ⁄ |( ) | |
√ √
Límite inferior
̅ | ⁄ |( ) | |( )
√ √
( )
̅
( )
̅
( )
Si es posible, puesto que los límites de control son propios del productor y los
límites de especificación son propios del cliente, así que para el productor por
más que se encuentre bajo control, no cumple con los requerimientos del
cliente.
77
d) Se sabe que ( ) 𝛼 , por lo tanto:
𝐷
( )
f) Hallar
Tenemos
Entonces;
𝛽 ( | | √ )
Calculamos;
Entonces;
𝛽 ( | | √ )
𝛽 ( ) 𝛽 ( ) 𝛽
𝛽 𝛽
g) Hallar
Tenemos
78
( )
Despejamos ̅ ;
̅ ( )
Ahora calculamos;
𝛽 ( | | √ )
𝛽 (| | √ )
𝛽 ( )
Primero determinamos 𝛽
𝛽 𝛽
| | | | | | | | | | | |
Ahora
Pero
| ̅ ̅| ̅ ̅
79
Calculamos el
( ) ( )
( ) ( )
( )
( )
Por lo tanto el es
Primero hallamos el
( ) ( )
( ) ( )
( )
( )
Por lo tanto el es
80
Determinamos la cantidad de unidades producidas por min;
( ) ( )
Es decir;
Ahora calculamos el costo total de producción por mes con el costo antes y
después.
Entonces
[ ⁄ ( ) ⁄ ]
[( ⁄ ) ⁄ ]
Ahora;
81
[ ⁄ ( ) ⁄ ]
[( ⁄ ) ⁄ ]
⁄ ⁄ ⁄
82
EJERCICIOS PROPUESTOS CAPITULO 5
MUESTREO DE ACEPTACIÓN
Solución:
( )
83
a) Se considerará que el NAC será igual al nivel actual de PNC en el
proceso ya que nos dicen que este es aceptable para las exigencias
del despacho, por tanto, calculando tenemos:
( )
( ) ( )
( ) ( )
( ) ( )
Ya teniendo los valores del NAC y LTDP se procede al diseño del plan
de muestreo empleando el método matemático, para lo cual se emplean
las siguientes fórmulas:
| | | |√ ⁄
⁄
[ ]
⁄
84
√ √
| | | |√ ⁄
[ ]
| | | |√ ⁄
[ ]
√ ⁄
[ ]
√ ( )√
√ ( )√
85
Ahora calculando la nueva media se tiene:
̅
( )
Despejando el LIE:
̅ ( ) ̅
̅
( )
̅
( )
̅
( )
Despejando a LSE
( ) ̅ ̅
86
̅ ( ̅ ) ̅ ̅
( ) ( )
( )
̅ ̅ ̅
( )
̅ ̅ ( ̅ ) ̅ ̅
( ) ( )
Solución:
𝐷
87
a) Por tabla tenemos que:
Código “N”
∑[( )( ) ( ) ]
𝛽 ∑ [( )( ) ( ) ]
𝛼 ∑ [( )( ) ( ) ]
88
b) Si el cliente no ha rechazado ningún lote ¿cuál ha sido la fracción
defectuosa de los lotes fabricados?
c) Si el cliente ha rechazado algún lote ¿cuál ha sido la fracción defectuosa
de los lotes fabricados?
Solución:
Se tienen los siguientes datos:
Y además:
Entonces:
̅
̅
̅
( )
( )
( )
Por tanto:
Ahora calculando la probabilidad de aceptación tenemos:
89
∑( ) ( )
∑( ) ( )
Sea
( ) ( ) ( )
( )
b) Si el cliente no ha rechazado ningún lote, entonces;
( )
Por lo tanto;
( ) ( ) ( ) ( )
( )
Ahora calculamos el
( ) ∑( ) ( )
( ) ( ) ( ) ( ) ( ) ( )
Por lo tanto;
( ) ∑( ) ( )
( ) ∑( ) ( )
Solución:
Se tienen los siguientes datos:
( )
( ) ( )
( ) ( ) [( ) ] ( )
Entonces:
̅
( )
92
̅
Ahora, reemplazando lo anterior en la fórmula de :
̅ ̅ ( ̅) ̅ ̅
En donde
( )
√
Solución:
( ) ( ) ( ) ( )
( ) ( ) ( )
94
d) La calidad de salida media será:
( )
Solución:
0,02 0,921572252
0,04 0,676714004
0,06 0,416246472
0,08 0,225974275
0,1 0,111728756
0,12 0,051264176
0,14 0,022082463
0,16 0,008996555
0,18 0,003483126
95
0,2 0,001285415
1,0
0,6
0,4
0,2
0,0
0 2 4 6 8 10 12 14 16 18
Porcentaje de defectuosos en el lote
𝛼 ∑( )( ) ( )
∑( )( ) ( )
∑( )( ) ( )
( ) ( )
( )
( ) ( )
( )
Por tanto para cumplir con dichas especificaciones se debe tener un plan de
muestreo con un tamaño de muestra igual a 22 con un criterio de
aceptación igual a 0
Trazando la curva de operación para este plan tenemos y comparando:
0,8
Probabilidad de aceptación
0,8
0,6
0,6
0,4
0,4
0,2
0,2
0,0
0 2 4 6 8 10 12 14 16 18 0,0
Porcentaje de defectuosos en el lote 0 2 4 6 8 10 12 14 16 18
Porcentaje de defectuosos en el lote
97
Solución:
1,0
Probabilidad de aceptación
0,8
0,6
0,4
0,2
0,0
0 2 4 6 8 10 12 14 16 18
Porcentaje de defectuosos en el lote
𝛼 ∑ ( )( ) ( )
𝛽 ∑ ( )( 𝐷 ) ( 𝐷 )
𝛼 ∑( )( ) ( )
𝑞 𝛼
𝛽 ∑( )( ) ( )
98
Para poder obtener un plan de muestreo que cumpla con las anteriores
especificaciones, el más acertado es el siguiente:
1,0
Probabilidad de aceptación
0,8
0,6
0,4
0,2
0,0
0 2 4 6 8 10
Porcentaje de defectuosos en el lote
Solución:
( ) (( )
99
( ) ∑( )( ) ( )
[ ( ) (( ) ( ) (( ) ( )]
[∑ ( )( ) ( ) ]
( ) ( )
Por tanto, el plan a seleccionar seria el simple, ya que se utilizan 200 muestras
mientras que para el plan de muestre doble se espera que se utilicen 220
muestras.
100
𝑥
𝑥
𝑥
𝑥 𝑥
𝑥 𝑥
𝑥
𝑥
𝑥 𝑥
( )
( )
( )
( )
( )
( )
( )
( )
( ) ( ) ( )
[ ( ) ( ) ( )] ( )
[ ( ) ( )] ( )[ ( )]
c) Para saber que plan resulta mas conveniente utilizar, nuestro objetivo es
hallar el (calidad de salida promedio) para ambos planes y
101
compararlos; el que menor porcentaje me arroje será el mas indicado
pues esta generando menor fracción defectuosa promedio.
( ) ∑( )( ) ( )
( )
( )
Solución:
Para el proveedor A
Con
102
( ) ∑( )( ) ( )
Para el proveedor B
Con
( ) ∑( )( ) ( )
Para el proveedor C
Con
( ) ∑( )( ) ( )
Para el proveedor A:
( )( )
( )( )
Para el proveedor B:
( )( )
Para el proveedor C:
( )( )
103
c) Si se tiene una calidad limite de 𝐷 entonces:
𝛽 ∑( )( 𝐷 ) ( 𝐷 )
Para el proveedor A:
𝛽 ∑( )( ) ( )
Para el proveedor B:
𝛽 ∑( )( ) ( )
Para el proveedor C:
𝛽 ∑( )( ) ( )
104
105
2. TABLAS (SPC)
106
TABLA 2. Tabla de Distribución Normal
107
108
109
110
TABLA 3. Tabla de Distribución Binomial
111
112
TABLA 4. Tabla de Distribución Poisson
113
TABLA 5. Letras de código para el tamaño de la muestra (MIL STD 105E)
114
TABLA 6. Tabla Maestra para la inspección Normal, Muestreo único (MIL STD 105, Tabla II-A)
110
TABLA 7. Tabla Maestra para la inspección Rigurosa, Muestreo único (MIL STD 105, Tabla II-B)
TABLA 8. Tabla Maestra para la inspección Reducida, Muestreo único (MIL STD 105, Tabla II-C)
111
112
TABLA 9. Valores de i para planes CSP-1.
AOQL (%)
f 0,018 0,033 0,046 0,074 0,113 0,143 0,198 0,33 0,53 0,79 1,22 1,9 2,9 4,94 7,12 11,46
⁄ 1540 840 600 375 245 194 140 84 53 36 23 15 10 6 5 3
⁄ 2550 1390 1000 620 405 321 232 140 87 59 38 25 16 10 7 5
⁄ 3340 1820 1310 810 530 420 303 182 113 76 49 32 21 13 9 6
⁄ 3960 2160 1550 965 630 498 360 217 135 91 58 38 25 15 11 7
⁄ 4950 2700 1940 1205 790 623 450 270 168 113 73 47 31 18 13 8
⁄ 6050 3300 2370 1470 965 762 550 335 207 138 89 57 38 22 16 10
⁄ 7390 4030 2890 1800 1180 930 672 410 255 170 108 70 46 27 19 12
⁄ 9110 4970 3570 2215 1450 1147 828 500 315 210 134 86 57 33 23 14
⁄ 11730 6400 4590 2855 1870 1477 1067 640 400 270 175 110 72 42 29 18
⁄ 14320 7810 5600 3485 2305 1820 1302 790 500 330 215 135 89 52 36 22
⁄ 17420 9500 6810 4235 2760 2178 1583 950 590 400 255 165 106 62 43 26
113
CONTROL Y ASEGURAMIENTO DE LA CALIDAD 2013-I
RESUMEN DE FORMULAS
Desviación
̅
Capacidad Real
( )
Estandarización
Probabilidad
( )
( )
CONTROL Y ASEGURAMIENTO DE LA CALIDAD 2013-I
Cartas de control
̅ ̅
∴ ( )
√
𝐷 ̅
̅
𝐷 ̅
∴ 𝐷 𝐷 𝑞
̅ ̅
̅
̅ ̅
∴ ( )
√
Limites de control Carta 𝝈
̅
̅
∴ 𝑞
De la muestra
Nota: un proceso está bajo control estadístico cuando las dos cartas están bajo control.
CONTROL Y ASEGURAMIENTO DE LA CALIDAD 2013-I
Cuando no se corrió.
𝜷 𝑞
Cambiado, cuando si cambio.
𝛽
𝛼
Monitoreo de un proceso
Corrimiento
| ̅ ̅|
Potencia para detectar un cambio en la media
Corrimiento hacia el límite superior
𝛽 ( | | √ )
Corrimiento hacia el límite inferior
𝛽 ( √ )
𝜷
Cambio dado que ocurra
𝜷
𝜷
Cambio en las primeras k muestras
𝜷 𝛽
Probabilidades
( ) 𝛽 ( 𝛽)
( ) ( )
( 𝛽 ) 𝛽
( ) 𝛽
( ) 𝛽
( ) ( )
( 𝛽 ) 𝛽
Calculo de n
| | | |
[ ]
( 𝛽) 𝛽( 𝛽)
𝛽 ( 𝛽) 𝛽 ( 𝛽)
Determinado tiempo.
[( 𝛽) 𝛽( 𝛽) 𝛽 ( 𝛽)]
PNC=%PNC*Tm
Longitud promedio de corrida (LDP): Numero de muestras que se necesitan analizar antes de
encontrar puntos por fuera.
Trabajando con alfa
𝐷 𝐷 ( ) 𝛼
( )
Trabajando con alfa medio
𝐷 𝐷 ( ) 𝛼
( )
( ) Fuera de los límites de control.
∑
̅
∑
̅
̅( ̅)
̅ √
̅ √ ̅ ( ̅)
̅
CONTROL Y ASEGURAMIENTO DE LA CALIDAD 2013-I
̅ √ ̅ ( ̅)
̅ √ ̅( ̅) ̅
𝛽
̅
√ ( ̅)
[ ]
√ ̅( ̅) √̅( ̅)
[ ̅ ]
̅
Calculo de LDP
Para la carta x
( ) ( ̅ )
̅ ̅
( ) ( )
⁄ ⁄
√ √
𝐷
( )
Para la carta p
( ) ( 𝐷 )
Condición
Cartas C
∑
̅ ̅
̅ √ ̅
̅
̅ √ ̅
Cartas U
∑
̅
∑
Por lo que los limites de control se obtendrán con las ecuaciones
̅ √ ̅⁄
̅ √ ̅⁄
¡Para Recordar!
Distribución Binomial
CONTROL Y ASEGURAMIENTO DE LA CALIDAD 2013-I
( ) ( ) ( )
( )
( ) ( )
Distribución de Poisson
Expresa la probabilidad que ocurra un determinado número de eventos durante cierto
periodo de tiempo.
( )
( ) ( )
𝛽
𝛽
MUESTREO DE ACEPTACION
Usando Binomial (La más usual y generalmente para lotes grandes)
Pa: Probabilidad de aceptación
( ) ∑( )( ) ( )
Usando Hipergeométrica.
( )(𝑵 )
( ) ∑ 𝑵
( )
∑( )( ) ( )
CONTROL Y ASEGURAMIENTO DE LA CALIDAD 2013-I
NAC: Nivel de calidad aceptable, es el nivel de calidad más pobre del proceso del proveedor.
𝜷 ∑( )( ) ( )
LTPD: Nivel de calidad más pobre que el consumidor está dispuesto a aceptar.
| | 𝜷√ ⁄
⁄
[ ]
⁄
| |√
| 𝜷 |√
(𝑵 )
𝑵
Cuando el tamaño del lote se hace grande en comparación con el tamaño de la muestra:
( )(𝑵 )
CONTROL Y ASEGURAMIENTO DE LA CALIDAD 2013-I
BIBLIOGRÁFIA