Documentos de Académico
Documentos de Profesional
Documentos de Cultura
CONTROL ESTADÍSTICO
DEL PROCESO
Enero, 2006
Página 1
HERRAMIENTAS PARA LA SOLUCIÓN DE PROBLEMAS
Página 2
HERRAMIENTAS PARA LA SOLUCIÓN DE PROBLEMAS
Página 3
HERRAMIENTAS PARA LA SOLUCIÓN DE PROBLEMAS
Página 4
HERRAMIENTAS PARA LA SOLUCIÓN DE PROBLEMAS
Página 5
HERRAMIENTAS PARA LA SOLUCIÓN DE PROBLEMAS
productos y servicios.
EUA JAPON
Página 6
HERRAMIENTAS PARA LA SOLUCIÓN DE PROBLEMAS
Antecedentes
La teoría de la administración se desarrolló básicamente en los países
industrializados, en respuesta a los problemas que presentaron las grandes
empresas características del sistema capitalista.1 Sus primeros indicios se
observan con el economista Adam Smith con el concepto de división del trabajo
para aumentar la productividad en 1776.2
Smith notó que en una industria de fabricación de alfileres, diez personas, cada una
realizando una tarea específica, podrían producir 48,000 alfileres por día. Propuso que si
cada uno trabajara por separado y en forma independiente, los diez trabajadores tendrían
suerte en hacer 200 (o aún 10) alfileres al día.3
1
Simón, Nadima S., Evaluación Organizacional, SICCO, México, 1997, p. 7
2
Smith, Adam, An Inquiry into the Nature and Causes of the Wealth of Nations, A. Strahan and T. Cadell,
London, 1793, pp. 7-8
3
Robbins, Stephen P., Management: Concepts and Applications, Englewood Cliffs, Nueva Jersey, 1987, p.
31.
4
Ibidem, p. 31.
5
Simón, Nadima, op. cit., p. 9
6
Taylor, Frederick W., Principles of Scientific Management,, Harper & Bros., Nueva York, Estados Unidos
de América, 1911
Página 7
HERRAMIENTAS PARA LA SOLUCIÓN DE PROBLEMAS
7
Robbins, Stephen, op cit. p. 33.
8
Ibidem, p. 34 tomado de la obra de Frederick Taylor, Principles of Scientific Management, Nueva York,
Harper and Brothers, 1911, pp. 36-37.
9
Taylor, op. cit. 1911, p.20.
10
Hall, Richard, Organizaciones: Estructura y proceso. México, Prentice Hall Hispanoamericana, 1982, p.
304
11
Ibidem, p. 33
12
Koontz, Harold, op. cit. , p. 34.
13
Neffa, Julio Cesar, “Transformaciones del proceso del trabajo y de la relación salarial en el marco del nuevo
paradigma productivo. Sus repercuciones sobre la acción sindical”, en Sociología del Trabajo, Nueva época,
núm. 18, primavera de 1993, pp. 80-82
Página 8
HERRAMIENTAS PARA LA SOLUCIÓN DE PROBLEMAS
14
Ibidem, p. 83-84
15
Vid. Valdez, Luigi, Conocimiento es futuro, CONCAMIN, México, 1995, pp. 122-123
16
Ibidem, pp. 125-126
Página 9
HERRAMIENTAS PARA LA SOLUCIÓN DE PROBLEMAS
Según Duncan “Walter Shewhart de los Laboratorios Bell fue el primero en aplicar las cartas de
control en 1924 haciendo un esbozo de la carta de control ”17. Por otra parte “H. Dodge y H.
Romig desarrollaron las tablas de inspección por muestreo de Dodge-Romig” 18, como una
alternativa a la inspección 100% al producto terminado, sin embargo su adopción
en occidente fue muy lenta, Freeman, sugiere que esto se dio por “la tendencia de los
ingenieros americanos a eliminar la variación, y su desdén por las teorías probabilísticas, así como
muestreo”20. Se reduce el nivel de variación del proceso hasta los límites predecibles
y se identifican las oportunidades de mejora. Se establecen sistemas de medición
formales desde los proveedores hasta el producto final y el proceso se
"estandariza”. Hoy en día la herramienta de las cartas de control (CEP) es utilizada
por los círculos de control de calidad para la identificación de problemas.
17
Duncan, Acheson, op. cit.p. 16.
18
Ibidem, p. 1
19
Freeman, H.D., “Statistical Methods for Quality Control”, MechanicalEngineering, April 1937, p. 261.
20
Feigenbaum, A.V., op. cit., 1986, p. 16
Página 10
HERRAMIENTAS PARA LA SOLUCIÓN DE PROBLEMAS
CEP en Japón
En 1950 el experto Edwards W. Deming inició el entrenamiento en métodos
estadísticos en el Japón, incluyendo conferencias dirigidas a los líderes
industriales, en esta época Kaoru Ishikawa experto japonés en control de calidad
inició sus estudios sobre conceptos de control de calidad, describe su propia
motivación como sigue:
Yo desarrollé un gran respeto por el Dr. Shewhart por medio del estudio profundo
de sus conceptos en cartas de control y estándares... Sin embargo, me sorprendí
un poco que en EUA, donde efectué una visita de estudio, sus métodos casi no se
aplicaban. Yo deseo importar sus conceptos al Japón y asimilarlos para adaptarlos
Página 11
HERRAMIENTAS PARA LA SOLUCIÓN DE PROBLEMAS
En 1955, Kaouru Ishikawa introdujo las técnicas de cartas de control en Japón, los
japoneses aprendieron el control de calidad de occidente, invitaron a Deming,
Juran y otros eruditos a Japón para que les enseñasen el control estadístico del
proceso. Sin embargo la implantación de estas técnicas fue posible después de su
modificación y adaptación a las empresas japonesas, incluyendo la creación de
varias herramientas útiles como refinamiento del control estadístico de calidad,
tales como las 7 herramientas estadísticas utilizadas normalmente por los círculos
de control de calidad y la aplicación de técnicas estadísticas avanzadas.
Estas técnicas junto con las computadoras han alcanzado un alto nivel en Japón,
“todas las industrias japonesas confían en los métodos estadísticos avanzados para el diseño de
productos”,22 esto también ha permitido que los supervisores de las fábricas
japonesas utilicen estadística de alto nivel para analizar problemas. Por ejemplo
para el caso del diseño de experimentos se tiene: “ el diseño estadístico de experimentos
es el arreglo, bajo el cual se efectúa un programa experimental, incluye la selección de los niveles
óptimos de los factores que tienen influencia en la calidad del producto “ 23, ayuda a optimizar el
tiempo y los elementos de diseño, determinando los materiales más baratos de tal
forma que el producto cumpla las especificaciones, y todavía se asegure que el
producto se desempeñará en forma satisfactoria bajo condiciones variables.
Con la aplicación del Control Estadístico del Proceso, el trabajador tiene de nuevo
la oportunidad de controlar la calidad de su trabajo, no a través de inspección
21
Ishikawa, Kaouru, "Tributes to Walter A. Shewhart," Industrial Quality Control, Vol. 22, No. 12, 1967, pp.
115-116.
22
Amsden, R., op. cit. , p. 537.
23
Winer, B., Statistical Principles in Experimental Design, McGraw Hill, 1971. p. 5.
Página 12
HERRAMIENTAS PARA LA SOLUCIÓN DE PROBLEMAS
* * * *
** **
*** **
*** **
Distribución de promedios
Universo de las muestras
__ (1.1)
X n
24
Shewhart, W.A., Economic Control of Quality of Manufactured Product, Van Nostrand Reinhold Co.,
1931, p. 182
Página 13
HERRAMIENTAS PARA LA SOLUCIÓN DE PROBLEMAS
Hora 4
Hora 2
Hora 3
Hora 1
25
Ford Motor Co., Continuing Process Control and Process Capability Improvement, Dearborn, Michigan,
1983
Página 14
HERRAMIENTAS PARA LA SOLUCIÓN DE PROBLEMAS
CARTAS DE CONTROL
LSC
LC
LIC
La carta de control es una técnica muy útil para el monitoreo de los procesos,
cuando se presentan variaciones anormales donde las medias o los rangos salen
de los límites de control, es señal de que se debe tomar acción para remover esa
fuente de variabilidad anormal. Su uso sistemático proporciona un excelente
medio para reducir la variabilidad.
Página 15
HERRAMIENTAS PARA LA SOLUCIÓN DE PROBLEMAS
DISEÑO DE EXPERIMENTOS
Un experimento diseñado es muy útil para descubrir las variables clave que tienen
influencia en las características de calidad de interés del proceso. Es un método
para variar en forma sistemática los factores controlables del proceso y determinar
los efectos que tienen esos factores en los parámetros finales del producto.
Permite reducir la variabilidad en la característica de calidad y en determinar los
niveles más adecuados de los factores controlables que optimizen el desempeño
del proceso.
ENTRADAS CONTROLABLES
X1 X2 XP
Materias primas,
Componentes, etc.
Z1 Z2 ZQ
ENTRADAS NO CONTROLABLES
Página 16
HERRAMIENTAS PARA LA SOLUCIÓN DE PROBLEMAS
Una vez que se han identificado las variables que afectan el desempeño del
proceso, normalmente es necesario modelar la relación entre estas variables y la
característica de calidad de interés. Para lo cual se puede utilizar el análisis de
regresión.
MUESTREO DE ACEPTACIÓN
Página 17
HERRAMIENTAS PARA LA SOLUCIÓN DE PROBLEMAS
b) INSPECCION DE RECIBO
ENVIO
PROCESO INSPECCION CLIENTE
CLIENTE
PROCESO INSPECCION
RECHAZO
SCRAP RETRA
BAJO
DISPOSICIÓN DE LOTES
En el transcurso del tiempo, las tres técnicas estadísticas anteriores han tenido la
evolución siguiente:
Página 18
HERRAMIENTAS PARA LA SOLUCIÓN DE PROBLEMAS
100%
MUESTREO DE
ACEPTACION
CONTROL DE PROCESO
DISEÑO DE
EXPERIMENTOS
0%
Tiempo
1.4 ADMINISTRACIÓN POR CALIDAD TOTAL
Para que sean efectivas las herramientas estadísticas, su aplicación debe ser
parte de un programa mayor de Calidad Total (Total Quality Management en EUA,
Company Wide Quality Control en Japón, Seis Sigma de Motorola, Modelo de
Dirección por Calidad de México (PNC), Malcolm Baldrige de EUA, QS 9000, VDA
6.1 VW, ISO 9000:2000, etc.), donde la alta dirección lleve el liderazgo por la
calidad, no funcionarán como elementos aislados.
Deming impulso el uso del CEP y los métodos estadísticos en Japón para la
reducción de la variabilidad y mejora continua de calidad, con sus 14
recomendaciones a la dirección.
COSTOS DE CALIDAD
Son costos asociados con producir, identificar, evitar o reparar productos que no
cumplan especificaciones. Normalmente se clasifican en cuatro categorías:
Página 19
HERRAMIENTAS PARA LA SOLUCIÓN DE PROBLEMAS
Costos de prevención
Son los costos asociados con los esfuerzos de diseño y manufactura enfocados a
la prevención de defectos, de tal forma de hacer bien las cosas a la primera vez.
Costos de apreciación
Son los costos asociados con la medición, evaluación, o auditoría a productos,
componentes y materiales comprados para asegurar su conformancia a los
estándares establecidos.
Página 20
HERRAMIENTAS PARA LA SOLUCIÓN DE PROBLEMAS
Página 21
HERRAMIENTAS PARA LA SOLUCIÓN DE PROBLEMAS
CONCEPTO DE VARIACIÓN
Los métodos estadísticos se basan en que no existen dos productos
EXACTAMENTE iguales de un proceso de manufactura, por tanto la VARIACIÓN
es inevitable, su análisis se hace con el apoyo de la estadística.
DISTRIBUCION NORMAL
La notación para una variable aleatoria que se distribuye normalmente es x N (
, 2 ), la forma de la distribución es simétrica, unimodal y en forma de campana.
Las áreas entre diferentes desviaciones estándar son:
1 68.26%
2 95.46%
3 99.73%
-3 +3
Página 22
HERRAMIENTAS PARA LA SOLUCIÓN DE PROBLEMAS
68.26%
95.46%
99.73%
X
La desviación estándar
sigma representa la
distancia de la media al
punto de inflexión de la
curva normal
X
x-3 x-2 x- x x+ x+2 x+3
z
-3 -2 -1 0 1 2 3
Página 23
HERRAMIENTAS PARA LA SOLUCIÓN DE PROBLEMAS
El valor de z
Determina el número de desviaciones estándar entre algún valor X y la media
de la población . Para calcular el valor de Z usamos la siguiente fórmula.
X
Z (2.1)
F(z)
1
NOTA: Cuando las tablas acumulativas de distribución normal sólo dan valores a
la izquierda de valores positivos de z, utilizando la propiedad de simetría se
pueden evaluar probabilidades o áreas a la izquierda de valores negativos de z.
P (x >= a) = 1 – P (x <= a) (2.2)
P (x <= -a) = P (x >= a) y
P (x >= -a) = P (x <= a)
Página 24
HERRAMIENTAS PARA LA SOLUCIÓN DE PROBLEMAS
X 500 485
Z = 0.5
30
485
3 0 .8 5 %
Z. 0 5
Ejemplo 2.2:
Encuentre las probabilidad siguiente usando la tabla Z,
P(-1.23 < Z > 0).
Página 25
HERRAMIENTAS PARA LA SOLUCIÓN DE PROBLEMAS
-1.23 Z
Solución: Buscamos el valor Z1.23 en las tablas siendo este = .89065. restando .
89065-.05 = .3905, este valor es la probabilidad de 0 a 1.23 que es
exactamente la misma de –1.23 a 0 por simetría. Por lo tanto la probabilidad es
.3905
Página 26
HERRAMIENTAS PARA LA SOLUCIÓN DE PROBLEMAS
Página 27
HERRAMIENTAS PARA LA SOLUCIÓN DE PROBLEMAS
La distribución es la siguiente:
Página 28
HERRAMIENTAS PARA LA SOLUCIÓN DE PROBLEMAS
Página 29
HERRAMIENTAS PARA LA SOLUCIÓN DE PROBLEMAS
n n
[y -
i 1
i ] i
2
(2.5)
i 1
Página 30
HERRAMIENTAS PARA LA SOLUCIÓN DE PROBLEMAS
PRUEBAS DE HIPÓTESIS
Página 31
HERRAMIENTAS PARA LA SOLUCIÓN DE PROBLEMAS
Tomando como estadístico de prueba Zc, y asumiendo que sigue una distribución
normal N(0,1).
Z c X 0
n
(2.6)
Para encontrar la probabilidad de error tipo II, se debe asumir que Ho es falsa y
entonces hallar la distribución de Zc. Suponiendo que la media de la distribución
realmente es:
1 = 0 + con > 0
Zc N ,1
n
BAJO H0 BAJO H1
Página 32
HERRAMIENTAS PARA LA SOLUCIÓN DE PROBLEMAS
n n
Z / 2 Z / 2
(2.7)
Z 0 X 16 0 .1
9
n n
Z / 2 Z / 2
0.1 9 0.1 9
1.96 1.96
0.1 0.1
Página 33
HERRAMIENTAS PARA LA SOLUCIÓN DE PROBLEMAS
= (- 1.4 ) - ( -4.96 )
= 0.1492
Página 34
HERRAMIENTAS PARA LA SOLUCIÓN DE PROBLEMAS
Las cartas de control fueron desarrolladas por el Dr. Walter A. Shewhart de los
Bell Telephone Labs., se denominan Cartas de Control de Shewhart y se usan
para el monitoreo del proceso en línea. A continuación se explica la teoría de
variabilidad de Shewhart.
Existen otras fuentes de variabilidad que pueden ser causadas por máquinas,
errores de operadores o materiales defectuosos. Esta variabilidad es muy grande
en relación con la variabilidad natural y es originada por causas especiales o
asignables haciendo que el proceso opere fuera de control estadístico (ver página
siguiente).
Página 35
HERRAMIENTAS PARA LA SOLUCIÓN DE PROBLEMAS
Página 36
HERRAMIENTAS PARA LA SOLUCIÓN DE PROBLEMAS
LSC
LC
LIC Tiempo
Un punto que se encuentre fuera de los limites de control mostrará evidencia que
el proceso está fuera de control y será necesario una investigación de la causa
especial y la acción correctiva necesaria para eliminarla. También se tendrá un
alto riesgo de situación fuera de control si los puntos se agrupan es forma
sistemática dentro de los límites de control o muestran una tendencia.
Por ejemplo, la carta de control de medias prueba la hipótesis de que la media del
proceso está en control y tiene un valor 0 si un valor de media muestral X i cae
dentro de los límites de control; de otra forma se concluye que el proceso está
fuera de control y que la media del proceso tiene un valor diferente del de 0, por
decir 1, donde 1 0.
Página 37
HERRAMIENTAS PARA LA SOLUCIÓN DE PROBLEMAS
Se puede decir que las probabilidades de los errores tipo I y tipo II de la carta de
control, son esquemas de prueba de hipótesis para analizar el desempeño de las
cartas de control.
Página 38
HERRAMIENTAS PARA LA SOLUCIÓN DE PROBLEMAS
74.0135
74
74.9865 Tiempo
Página 39
HERRAMIENTAS PARA LA SOLUCIÓN DE PROBLEMAS
estadístico, sin embargo con las cartas de control se podrán identificar causas
especiales que al ser eliminadas, resulten en una reducción de la variabilidad
mejorando el proceso.
Página 40
HERRAMIENTAS PARA LA SOLUCIÓN DE PROBLEMAS
SISTEMA DE
EVALUACIÓN
Las cartas de control pueden ser clasificadas en dos clases: por atributos y por
variables dependiendo de cómo se evalúe la característica de calidad.
Página 41
HERRAMIENTAS PARA LA SOLUCIÓN DE PROBLEMAS
1. Procesos estacionarios: los datos del proceso varían alrededor de una media
fija de una manera fija y estable. Es decir se tiene un proceso en control de
acuerdo a Shewhart es el área de aplicación de las cartas de control más efectivo.
Página 42
HERRAMIENTAS PARA LA SOLUCIÓN DE PROBLEMAS
Las cartas de control han sido muy populares por las siguientes razones:
Página 43
HERRAMIENTAS PARA LA SOLUCIÓN DE PROBLEMAS
Abriendo los límites de control decrece riesgo de error tipo I (falsa alarma) sin
embargo se incrementa el riego de error tipo II y viceversa. Con límites de control
de 3-sigma la probabilidad de error tipo I es de 0.0027. Si se selecciona el nivel de
riesgo de error tipo I en 0.002 o 0.001 en cada lado, se tienen los límites de control
a una distancia de 3.09-sigmas y los límites de control serán:
+3.09
+3.0
LC
-3.00
-3.09
Página 44
HERRAMIENTAS PARA LA SOLUCIÓN DE PROBLEMAS
1
ARL (2.9)
p
En el ejemplo si se toman muestras cada hora, se genera una falsa alarma cada
370 horas.
Página 45
HERRAMIENTAS PARA LA SOLUCIÓN DE PROBLEMAS
Para evaluar que tan efectiva es la carta para detectar corrimientos en la media
del proceso, se utilizan las curvas características de operación. Por ejemplo, si
n=5 y la media se corre de 74.015mm, la probabilidad de que un punto caiga
dentro de los límites de control es aproximadamente 0.50, por tanto utilizando
p=0.50, se puede calcular el ARL1 para una situación fuera de control como sigue:
1 1
ARL1 2
p 0.5
Diseño 1 Diseño 2
n=5 n = 10
Frec. Cada ½ hora Frec. cada hora.
SUBGRUPOS RACIONALES
Página 46
HERRAMIENTAS PARA LA SOLUCIÓN DE PROBLEMAS
El tiempo en que se tomen las muestras es una buena base para formar
subgrupos, evitando que algunas observaciones se tomen al final de un turno y las
restantes al inicio del siguiente ya que ocasiona diferencias dentro del subgrupo.
Una carta de control indicará una condición fuera de control cuando uno o más
puntos caigan más allá de los límites de control o cuando los puntos graficados
formen un patrón no aleatorio de comportamiento.
Dado que una corrida de 8 o más puntos tiene una probabilidad de ocurrencia muy
baja, se considera que una racha o corrida con una longitud de 8 puntos indica
una condición fuera de control.
Página 47
HERRAMIENTAS PARA LA SOLUCIÓN DE PROBLEMAS
Página 48
HERRAMIENTAS PARA LA SOLUCIÓN DE PROBLEMAS
1. HOJA DE VERIFICACIÓN
2. DIAGRAMA DE PARETO
3. LLUVIA DE IDEAS
4. DIAGRAMA DE ISHIKAWA
5. CARTA DE TENDENCIAS
6. DIAGRAMA DE FLUJO
7. DIAGRAMA DE DISPERSIÓN
Página 49
HERRAMIENTAS PARA LA SOLUCIÓN DE PROBLEMAS
DIA
DEFECTO 1 2 3 4 TOTAL
Tamaño erróneo IIIII I IIIII IIIII III IIIII II 26
Forma errónea I III III II 9
Depto. Equivocado IIIII I I I 8
Peso erróneo IIIII IIIII I IIIII III IIIII III IIIII IIIII 37
Mal Acabado II III I I 7
TOTAL 25 20 21 21 87
Página 50
HERRAMIENTAS PARA LA SOLUCIÓN DE PROBLEMAS
Página 51
HERRAMIENTAS PARA LA SOLUCIÓN DE PROBLEMAS
Página 52
HERRAMIENTAS PARA LA SOLUCIÓN DE PROBLEMAS
Ejes verticales:
- Eje izquierdo: Marque este eje con una escala desde 0 hasta el total
general
- Eje derecho: Marque este eje con una escala desde 0 hasta 100%
Eje horizontal:
- Divida este eje en un número de intervalos igual al número de
categorías clasificadas.
8. Dibuje la curva acumulada (curva de Pareto), Marque los valores acumulados
(porcentaje acumulado) en la parte superior, al lado derecho de los intervalos
de cada categoría, y conecte los puntos con una línea continua.
9. Escriba en el diagrama cualquier información que considere necesaria para el
mejor entendimiento del diagrama de Pareto.
Página 53
HERRAMIENTAS PARA LA SOLUCIÓN DE PROBLEMAS
Página 54
HERRAMIENTAS PARA LA SOLUCIÓN DE PROBLEMAS
DIAGRAMA PARETO
50 99.94
98.52
97.7
95.68
94.26
91.41
87.13
N %
O 78.56
A
D C
68.56
E U
M
Q U
U L
25 35.71
E A
J
23 D
A O
S 7
6
3
2
1
A B C D E F G H I J
Página 55
HERRAMIENTAS PARA LA SOLUCIÓN DE PROBLEMAS
Las quejas A,B y C representan el 78.56%, siendo en estas en las que debemos
de enfocarnos primero a resolver.
PARETO CHART
70 100
60
80
50
Percent
60
Count
40
30 40
20
20
10
0 0
rs
Defect A B C D E F G
Ot
he
Count 25 23 7 6 3 2 1 3
Percent 35.7 32.9 10.0 8.6 4.3 2.9 1.4 4.3
Cum % 35.7 68.6 78.6 87.1 91.4 94.3 95.7 100.0
Página 56
HERRAMIENTAS PARA LA SOLUCIÓN DE PROBLEMAS
Página 57
HERRAMIENTAS PARA LA SOLUCIÓN DE PROBLEMAS
La técnica tormenta de ideas puede ser aplicada con gran frecuencia al llevar a
cabo otras herramientas, como por ejemplo, diagramas causa-efecto (Ishikawa),
Diseño de experimentos, pruebas de confiabilidad, etc.
Página 58
HERRAMIENTAS PARA LA SOLUCIÓN DE PROBLEMAS
Constituye una buena base de trabajo para poner en marcha la búsqueda de las
verdaderas causas de un problema.
Los pasos para elaborar el diagrama de causa- efecto son los siguientes:
Página 59
HERRAMIENTAS PARA LA SOLUCIÓN DE PROBLEMAS
5. Jerarquice las causas por grado de importancia y defina aquellas que tengan
un efecto relevante sobre la característica específica.
6. Elabore y ejecute un programa de corrección de las causas relevantes.
Ejemplo 2.1526
Máquinas
Mano de obra
Métodos
Materiales
Mediciones
Medio ambiente
26
Tomado de: Alberto Galgano, Los siete instrumentos de la Calidad Total, ediciones Díaz de Santos,1995
Página 60
HERRAMIENTAS PARA LA SOLUCIÓN DE PROBLEMAS
DIMENSIONES
VELOCIDAD DE
INADECUADAS FORMACION
FUERA DE AVANCE
DIMENSIONES
TEMPERATURA HABILIDAD
ESPECIFICADS
ANGULO LIMITES
INCORRECTO DE PUNTA OXIDADA ERGONOMICOS
FORMA
LA FLAMA
PUNTA
SOLDADURA DEFECTUOSA
UNION
SUPERFICIE SOLDADURA
S CON LACA DE
POLVO E SECUENCIA PROTECCION
IMPUREZAS SOLDADURA
TIEMPOS DE TERMINALES
ESPERA DESOXIDANTE
CORTOS OXIDADOS
MEDIO AMBIENTE MÉTODOS MATERIALES
Página 61
HERRAMIENTAS PARA LA SOLUCIÓN DE PROBLEMAS
Página 62
HERRAMIENTAS PARA LA SOLUCIÓN DE PROBLEMAS
Definición:
• Es una ayuda gráfica para el control de las variaciones de los procesos
administrativos y de manufactura.
Usos:
• Saber el comportamiento de un sistema o proceso durante el tiempo.
• Tomar las acciones correctivas a tiempo si la tendencia afectará en forma
negativa.
Ejemplo 2.18:
Se tienen los datos siguientes de errores de planeación de la
producción durante 15 semanas: Se puede hacer en Minitab con Stat,
Semana
Quality Tools, Run Chart, Subgroup size =1 % errores Semana % errores
1 0.15 9 0.04
2 0.04 10 0.05
3 0.08 11 0.07
4 0.07 12 0.04
5 0.04 13 0.02
6 0.05 14 0.03
7 0.01 15 0.01
Permite observar el comportamiento de los
8 datos durante
0.03 un periodo de tiempo
determinado. Ejercicio 2.19: hacer una carta de tendencias con
datos reales de alguna situación particular.
Fig. 2.12 carta de tendencias
Página 63
HERRAMIENTAS PARA LA SOLUCIÓN DE PROBLEMAS
Proveen una secuencia gráfica de cada uno de los pasos que componen una
operación desde el inicio hasta el final. Permitiendo una mejor visualización y
comprensión del proceso.
Los diagramas de flujo pueden minimizar grandes volúmenes de
documentación, incluyendo la documentación ISO 9000.
Facilitan el desarrollo de Procedimientos Estándar de Operación.
Al tener un procedimiento de operación estándar se reduce en gran medida la
variación y el tiempo de ciclo.
Los diagramas de flujo permiten detectar áreas de mejora en los procesos.
Descripción de símbolos
En la construcción de diagramas de flujo de procesos se utilizan los símbolos
descritos a continuación:
Página 64
HERRAMIENTAS PARA LA SOLUCIÓN DE PROBLEMAS
Página 65
HERRAMIENTAS PARA LA SOLUCIÓN DE PROBLEMAS
5. Mejoras del proceso: Una vez que se contestan las preguntas mediante
tormenta de ideas se realizan mejoras. Definiendo los pasos que agregan
valor y los que no agregan se puede llevar a cabo una simplificación
sustancial del proceso.
Las mejoras son priorizadas y se llevan a cabo planes de acción.
Página 66
HERRAMIENTAS PARA LA SOLUCIÓN DE PROBLEMAS
Es utilizado para detectar cuales son las actividades que agregan valor al proceso
y las que no agregan valor.
27
Adaptado de Hamid Noori/Russell Radford, Administración de Operaciones y producción, Ed. Mc.Graw
Hill Pp.282
Página 67
HERRAMIENTAS PARA LA SOLUCIÓN DE PROBLEMAS
Ventajas:
• Delinea gráficamente la cantidad de tiempo sin valor que se usa en el proceso.
• Ayuda a reducir el tiempo sin valor y eliminar pasos innecesarios.
Ejemplo 2.21
me
s
esi
ny n
ón
Pe guí
Sa
ó
so nea
n
Espera Espera
Sa gar
Ll enf
Ca a de a
Se istr
Pa inar
Ca inar
Ca
Re
am er m
nt a r
lir
la
m
nt ars
ar
m
g
de
ad
ar e
se
se
lc
o
ul
to
rio
Página 68
HERRAMIENTAS PARA LA SOLUCIÓN DE PROBLEMAS
Ventajas
• Muestra el número de movimientos para completar el proceso.
• Muestra la complejidad del flujo y las curvas.
• Puede añadir tiempo a cada paso, para mostrar cuellos de botella y tiempo sin
valor agregado Vs tiempo con valor agregado.
Edificio A
Edificio B
Página 69
HERRAMIENTAS PARA LA SOLUCIÓN DE PROBLEMAS
Por otro lado se puede observar que los puntos en un diagrama de dispersión
pueden estar muy cerca de la línea recta que los atraviesa, o muy dispersos o
alejados con respecto a la misma. El índice que se utiliza para medir ese grado de
cercanía de los puntos con respecto a la línea recta es la correlación. En total
existen cinco grados de correlación: positiva evidente, positiva, negativa evidente,
negativa y nula.
Página 70
HERRAMIENTAS PARA LA SOLUCIÓN DE PROBLEMAS
Accidentes laborales
• • •
•
•
•
• Correlación
• •
• •
•
• • positiva,
•
•
•
•
•
•
posible
• • •
• • •
•
• •
Página 71
HERRAMIENTAS PARA LA SOLUCIÓN DE PROBLEMAS
15 15
10
Y
Y
10
5
5
0
0 5 10 15 20 25 Sin Correlación 0
0 5 10 15 20 25
X 25 X
20
15
Correlación 10
Y
5
Correlación
25
Positiva 0 Negativa
0 5 10 15 20 25 25
20
X 20
15
15
Y
10
Y
10
5
5
0
0 5 10 15 20 25 0
0 5 10 15 20 25
X
X
Página 72
CONTROL ESTADÍSTICO DEL PROCESO Dr. P. Reyes / Enero 2006
a
y x 2
x xy
n x x
2 2
n xy x y
b
n x 2 x
2
SCxy
r
SCx SCy
xy
xy
SCxy
n
SCx x 2
x 2
SCy y 2
y 2
n
Donde:
r = Coeficiente de correlación lineal
SCxy = Suma de cuadrados de xy
SCx = Suma de cuadrados de x
SCy = Suma de cuadrados de y
Página 73
CONTROL ESTADÍSTICO DEL PROCESO Dr. P. Reyes / Enero 2006
x 2
Sumatoria de los valores de la variable x al cuadrado
y 2
Sumatoria de los valores de la variable y al cuadrado
xy Sumatoria del producto de xy
x 2
Cuadrado de la sumatoria de la variable x
y 2
Cuadrado de la sumatoria de la variable y
SCxy = 2027.71
SCx = 698.56
SCy = 6105.94
r = 0.98
Página 75
CONTROL ESTADÍSTICO DEL PROCESO Dr. P. Reyes / Enero 2006
Diagrama de dispersion
80.00
70.00
tiempo de entrega ( y )
60.00
50.00
40.00
30.00
20.00
10.00
-
- 5.00 10.00 15.00 20.00 25.00
Numero de latas (x)
Página 76
CONTROL ESTADÍSTICO DEL PROCESO Dr. P. Reyes / Enero 2006
5. Para realizar algún cambio, por ejemplo en la escala haga clic en la escala
de valores y aparecerá un menú que le permitirá realizarlos.
Página 77
CONTROL ESTADÍSTICO DEL PROCESO Dr. P. Reyes / Enero 2006
1. Liderazgo gerencial
2. Un enfoque de grupo de trabajo
3. Educación y entrenamiento de empleados en todos los niveles
4. Énfasis en la mejora continua
5. Un mecanismo para reconocer el éxito y comunicación hacia la organización.
Página 78
CONTROL ESTADÍSTICO DEL PROCESO Dr. P. Reyes / Enero 2006
3.1 INTRODUCCIÓN
Una característica que se mide en una escala numérica se denomina una variable.
Por ejemplo temperaturas, dimensiones, volumen, tiempo, etc. Las cartas de
control de X R son ampliamente utilizadas para monitorear la media y la
variabilidad de las variables, con objeto de evitar o minimizar que se tengan
productos fuera de especificaciones y estabilizar los procesos.
Ahora como las medias de las muestras están normalmente distribuidas con
Página 79
CONTROL ESTADÍSTICO DEL PROCESO Dr. P. Reyes / Enero 2006
Z / 2 X Z / 2 (3.1)
n
y
Z / 2 X Z / 2
n
X i
(3.2)
X i 1
m
Representa la línea central de la carta de medias.
Para estimar la del proceso, se pueden utilizar los rangos de los subgrupos, para
cada uno de los subgrupos el rango es calculado como:
Si R1, R2, ....., Rm , son los rangos de los diferentes subgrupos, el rango promedio
es:
R i
(3.4)
R i 1
Página 80
CONTROL ESTADÍSTICO DEL PROCESO Dr. P. Reyes / Enero 2006
W=R/ (3.5)
3R
LSC X Límite superior de control (LSC)
d2 n
3R
LIC X Límite inferior de control (LIC) (3.7)
d2 n
3R
Si de define a A2 se tienen las ecuaciones siguientes:
d2 n
LSC = X + A2 R (3.8)
LIC = X - A2 R
Página 81
CONTROL ESTADÍSTICO DEL PROCESO Dr. P. Reyes / Enero 2006
R=W (3.9)
La desviación estándar de R es:
R = d3
Como es desconocida, se puede estimar de = R / d2, resultando:
R
R d3 (3.10)
d2
R d3
LSC = R + 3 R = R + 3 d 3 = R [ 1+ 3 ] = D4 R
d2 d2
(3.11)
R d3
LIC = R - 3 R = R - 3 d 3 = R [ 1- 3 ] = D3 R
d2 d2
Página 82
CONTROL ESTADÍSTICO DEL PROCESO Dr. P. Reyes / Enero 2006
Eficiencia
n Relativa
2 1.000
3 0.992
4 0.975
5 0.955
6 0.930
10 0.850
Para n >= 10 el rango pierde eficiencia rápidamente ya que ignora los valores
intermedios entre xmax y xmin sin embargo para valores pequeños de n (4,5 o 6)
empleados en las cartas de control, es adecuado. Para cuando n>10 se utiliza la
desviación estándar en vez del rango.
EQUIPO DE MEDICIÓN
La resolución del equipo debe ser de al menos 1/10 de la tolerancia y debe tener
habilidad para realizar la medición con un error por Repetibilidad y
Reproducibilidad (R&R) menor al 10% (ver procedimiento de estudios R&R).
LIMITES PRELIMINARES
Siempre que un proceso este siendo analizado a través de una carta de control, es
muy importante llevar una bitácora registrando todos los cambios (tiempo y
descripción) conforme ocurran, por ejemplo: cambio de turno, cambio de
materiales, ajuste de máquina, interrupción de energía, arranque de máquina, etc.
Con objeto de identificar las causas asignables en caso de presentarse para la
toma de acciones correctivas.
Página 83
CONTROL ESTADÍSTICO DEL PROCESO Dr. P. Reyes / Enero 2006
Página 84
CONTROL ESTADÍSTICO DEL PROCESO Dr. P. Reyes / Enero 2006
LSC
LC
LIC
Fig. 3.2 Patrón de anormalidad cíclico
LSC
LC
LIC
Corrimiento en la media del proceso. Esto puede ser generado por un cambio en
métodos, operadores, materias primas, métodos de inspección, etc.
LSC
LC
LIC
Página 85
CONTROL ESTADÍSTICO DEL PROCESO Dr. P. Reyes / Enero 2006
LSC
LC
LIC
Estratificación: Se muestra como una adhesión a la media, puede ser causado por
límites mal calculados, tomar piezas de procesos diferentes o falta de resolución
del equipo de medición.
LSC
LC
LIC
Página 86
CONTROL ESTADÍSTICO DEL PROCESO Dr. P. Reyes / Enero 2006
Página 87
CONTROL ESTADÍSTICO DEL PROCESO Dr. P. Reyes / Enero 2006
Página 88
CONTROL ESTADÍSTICO DEL PROCESO Dr. P. Reyes / Enero 2006
Página 89
CONTROL ESTADÍSTICO DEL PROCESO Dr. P. Reyes / Enero 2006
Página 90
CONTROL ESTADÍSTICO DEL PROCESO Dr. P. Reyes / Enero 2006
Página 91
CONTROL ESTADÍSTICO DEL PROCESO Dr. P. Reyes / Enero 2006
Página 92
CONTROL ESTADÍSTICO DEL PROCESO Dr. P. Reyes / Enero 2006
Página 93
CONTROL ESTADÍSTICO DEL PROCESO Dr. P. Reyes / Enero 2006
Página 94
CONTROL ESTADÍSTICO DEL PROCESO Dr. P. Reyes / Enero 2006
Página 95
CONTROL ESTADÍSTICO DEL PROCESO Dr. P. Reyes / Enero 2006
Página 96
CONTROL ESTADÍSTICO DEL PROCESO Dr. P. Reyes / Enero 2006
.
CAPACIDAD O HABILIDAD DEL PROCESO
LIE = 73.950
Página 97
CONTROL ESTADÍSTICO DEL PROCESO Dr. P. Reyes / Enero 2006
LSE = 74.0500
LSE LIE
Cp = (3.12)
6
Página 98
CONTROL ESTADÍSTICO DEL PROCESO Dr. P. Reyes / Enero 2006
Caso 1. Si Cp es menor que 1, implica que la banda entre los límites de tolerancia
naturales es mayor que la banda permitida por los límites de especificación.
Caso 2. Si Cp es igual a 1, implica que las bandas para los límites de tolerancia
natural y de especificaciones coinciden (aunque para el caos de 3-sigma aun
hayan 2700 ppm fuera de especificaciones).
LIE LSE
LNTI LNTS
Caso 3. Si Cp es mayor que 1, implica que la banda entre los límites de tolerancia
natural del proceso, es menor que la banda permitida por las especificaciones.
Página 99
CONTROL ESTADÍSTICO DEL PROCESO Dr. P. Reyes / Enero 2006
Página 100
CONTROL ESTADÍSTICO DEL PROCESO Dr. P. Reyes / Enero 2006
Página 101
CONTROL ESTADÍSTICO DEL PROCESO Dr. P. Reyes / Enero 2006
Página 102
CONTROL ESTADÍSTICO DEL PROCESO Dr. P. Reyes / Enero 2006
Los límites de control calculados como límites preliminares, deben ser revisados
en forma periódica que puede ser por semana, mes o cada 25, 50 o 100 puntos
dependiendo del proceso en particular.
Es importante hacer notar que no existe ninguna relación matemática entre los
límites de especificación y los de control o los de tolerancia natural.
SUBGRUPOS RACIONALES
Para el caso de la carta de medias-rangos, los subgrupos se seleccionan de tal
forma de minimizar la variabilidad entre muestras individuales, observando sólo su
Página 103
CONTROL ESTADÍSTICO DEL PROCESO Dr. P. Reyes / Enero 2006
Página 104
CONTROL ESTADÍSTICO DEL PROCESO Dr. P. Reyes / Enero 2006
LIM.SUP.NVO
LIMITES
ANTERIORES CARTA X
LIM.INF.NVO.
CARTA R
Página 105
CONTROL ESTADÍSTICO DEL PROCESO Dr. P. Reyes / Enero 2006
incremente el ancho de los límites de control en la carta X (porque es más
n
pequeño con n=5 que con n=3) y se reduzca la media de R y su límite superior en
la carta R.
Página 106
CONTROL ESTADÍSTICO DEL PROCESO Dr. P. Reyes / Enero 2006
+
LSC ( ZLSC, x)
Xi
LC
( ZLIC, x)
LIC
-
LSC ( 0 k ) LIC ( 0 k )
Entonces = -
/ n / n
0 L / n ( 0 k ) L / n ( 0 k )
= - 0 (3.18)
/ n / n
= ( 3 – 2 5 ) - ( - 3 – 2 5 )
= (-1.47) - (-7.37)
= 0.0708
Página 107
CONTROL ESTADÍSTICO DEL PROCESO Dr. P. Reyes / Enero 2006
1
ARL = (3.20)
1
Por ejemplo si = 2 con n=5, sólo se tienen una probabilidad del 40% de detectar
este corrimiento en cada muestra subsecuente. Por tanto la carta R tiene poca
Página 108
CONTROL ESTADÍSTICO DEL PROCESO Dr. P. Reyes / Enero 2006
ARL1 = 1 / ( 1 - ) (3.22)
Página 109
CONTROL ESTADÍSTICO DEL PROCESO Dr. P. Reyes / Enero 2006
desviación estándar de S es 1 c 4 .
1/ 2
2 ( n / 2)
c4 (3.18)
n 1 ((n 1) / 2)
CASO DE n CONSTANTE
Con esta información se pueden establecer los límites de control para la carta X
y S, cuando se conoce el valor de dado que existe un historial.
Página 110
CONTROL ESTADÍSTICO DEL PROCESO Dr. P. Reyes / Enero 2006
Los valores para las constantes se encuentran tabuladas para diferentes valores
de n en la tabla de constantes.
1 m
S Si
m i 1
(3.21)
__
S
(3.22)
c4
S
LSCs = S 3 1 c 42 = B4 S (3.23)
c4
LCs = S
S
LICs = S 3 1 c 42 = B3 S
c4
Para el caso de la carta X , cuando S /c4 se una para estimar los límites de
control para esta carta son:
S
LSCx = X + 3 = X + A3 S
c4 n
(3.24)
LCx = X
Página 111
CONTROL ESTADÍSTICO DEL PROCESO Dr. P. Reyes / Enero 2006
S
LICx = X - 3 = X - A3 S
c4 n
n c4 A A3 B3 B4 B5 B6 .
CASO DE n VARIABLE
Página 112
CONTROL ESTADÍSTICO DEL PROCESO Dr. P. Reyes / Enero 2006
n X i i
X i 1
m (3.25)
n
i 1
i
1/ 2
2
(ni 1) S i
S m (3.26)
ni m
i 1
Ejemplo 3.4 Para una carta X-S con límites variables, se
tomaron los datos siguientes, corriendo en Minitab:
X21 Subíndice
74.030 1
74.002 1
74.019 1
73.992 1
74.008 1
73.995 2
73.992 2
74.001 2
73.998 3
74.024 3
74.021 3
74.005 3
74.002 3
74.002 4
73.996 4
73.993 4
74.015 4
74.009 4
73.992 5
74.007 5
74.015 5
73.998 5
74.014 5
74.009 6
73.994 6
73.997 6
73.985 6
73.995 7
74.006 7
73.994 7
74.000 7
73.985 8
74.003 8
73.993 8
74.015 8
Página 113
CONTROL ESTADÍSTICO DEL PROCESO Dr. P. Reyes / Enero 2006
73.998 8
74.008 9
73.995 9
74.009 9
74.005 9
73.998 10
74.000 10
73.990 10
74.007 10
73.995 10
73.994 11
73.998 11
73.994 11
73.995 11
73.990 11
74.004 12
74.000 12
74.007 12
74.000 12
73.996 12
73.983 13
74.002 13
73.998 13
74.006 14
73.967 14
73.994 14
74.000 14
73.984 14
74.012 15
74.014 15
73.998 15
74.000 16
73.984 16
74.005 16
73.998 16
73.996 16
73.994 17
74.012 17
73.986 17
74.005 17
74.006 18
74.010 18
74.018 18
74.003 18
74.000 18
73.984 19
74.002 19
74.003 19
74.005 19
73.997 19
74.000 20
74.010 20
74.013 20
73.998 21
74.001 21
74.009 21
74.005 21
Página 114
CONTROL ESTADÍSTICO DEL PROCESO Dr. P. Reyes / Enero 2006
73.996 21
74.004 22
73.999 22
73.990 22
74.006 22
74.009 22
74.010 23
73.989 23
73.990 23
74.009 23
74.014 23
74.015 24
74.008 24
73.993 24
74.000 24
74.010 24
73.982 25
73.984 25
73.995 25
74.017 25
74.13 25
.
Test Results for S Chart
TEST 1. One point more than 3.00 sigmas from center line.
Test Failed at points: 22 Debe identificarse la causa y tomar acción preventiva.
Página 115
CONTROL ESTADÍSTICO DEL PROCESO Dr. P. Reyes / Enero 2006
LSCX = 74.015
LCX = 74.001
LICX = 73.987
Para la carta S
LSCS = 0.020
LCS = 0.0098
LICS = 0
ESTIMACIÓN DE
S
c4
Para el ejemplo:
S
= 0.0094 / 0.94 = 0.01, tomando el valor de c 4 para
c4
n=5.
Página 116
CONTROL ESTADÍSTICO DEL PROCESO Dr. P. Reyes / Enero 2006
MR
LSCx = X 3
d2
__
LCx = X (3.27)
MR
LICx = X 3
d2
n=2
Página 117
CONTROL ESTADÍSTICO DEL PROCESO Dr. P. Reyes / Enero 2006
. X-ind. No.Lote
33.75 1
33.05 2
34.00 3
33.81 4
33.46 5
34.02 6
33.68 7
33.27 8
33.49 9
33.20 10
33.62 11
33.00 12
33.54 13
33.12 14
33.84 15
Página 118
CONTROL ESTADÍSTICO DEL PROCESO Dr. P. Reyes / Enero 2006
Las cartas por atributos tiene la ventaja que consideran varias características a la
vez clasificando la unidad como conforme o no conforme, si no cumple alguna de
esas características. Por otra parte si esas características se controlan como
variables, debe llevarse una carta de control para cada una de esas
características, lo cual es más laborioso, otra alternativa es el C.E.P. multivariado.
Las cartas por variables proporcionan mayor información del proceso que las de
atributos, tal como la media del proceso y su variabilidad, también proporcionan
información para realizar estudios de capacidad de los procesos.
Las cartas por variables permiten tomar acciones cuando se presentan situaciones
fuera de control, antes de que se produzcan artículos no conformes, lo que no
sucede con las cartas por atributos hasta que el proceso genere más
disconformes.
LIE 1 2 3 LSE
Reacción de carta X-R Reacción de carta p
Tal vez la ventaja más importante de la carta X-R es que proporciona un indicador
de inicio de problemas y permite al personal operativo tomar acciones correctivas
antes que se produzcan defectivos realmente, de esta forma las cartas X-R son
indicadores guía de falla, mientras que las cartas p (o c o u) no reaccionan a
menos que el proceso haya cambiado tanto que se produzcan más defectivos.
Página 119
CONTROL ESTADÍSTICO DEL PROCESO Dr. P. Reyes / Enero 2006
3(2)
50 52
n
donde n=9,
Página 120
CONTROL ESTADÍSTICO DEL PROCESO Dr. P. Reyes / Enero 2006
2
k
n p(1 p )
n = 79.23 80
Se sugiere lo siguiente:
1. Determinar cual es la característica a controlar.
2. Seleccionar un tipo de carta de control.
3. Identificar el proceso donde se implantarán las cartas de control.
4. Tomar acciones para mejorar el proceso, como resultado de la aplicación de la
carta de control.
5. Seleccionar el sistema de colección de datos y software de C.E.P.
Página 121
CONTROL ESTADÍSTICO DEL PROCESO Dr. P. Reyes / Enero 2006
Página 122
CONTROL ESTADÍSTICO DEL PROCESO Dr. P. Reyes / Enero 2006
Página 123
CONTROL ESTADÍSTICO DEL PROCESO Dr. P. Reyes / Enero 2006
Página 124
CONTROL ESTADÍSTICO DEL PROCESO Dr. P. Reyes / Enero 2006
Página 125
CONTROL ESTADÍSTICO DEL PROCESO Dr. P. Reyes / Enero 2006
Di
pi (4.1)
ni
__
p (4.2)
p (1 p )
2p (4.3)
n
que mide una característica de calidad, con media w y varianza w , los límites
2
de control son:
LSC = w + Lw
LC = w (4.4)
LIC = w - Lw
Página 126
CONTROL ESTADÍSTICO DEL PROCESO Dr. P. Reyes / Enero 2006
__ __
LSCp = p 3 p (1 p )
__
n
__
LCp = p (4.5)
__ __
LICp = p 3 p (1 p )
__
pi = D i / n i = 1, 2, 3,....., m (4.6)
m m
Di p i
(4.7)
p i 1
i 1
mn m
Página 127
CONTROL ESTADÍSTICO DEL PROCESO Dr. P. Reyes / Enero 2006
p (1 p )
LSC p p 3 (4.5) anterior
n
LC p p
p (1 p)
LIC p p 3
n
Una vez hecha la gráfica trazando los límites anteriores, cualquier punto que se
encuentre fuera de control debe ser investigado, si se encuentra una causa
asignable o especial, deben tomarse medidas correctivas para prevenir su
recurrencia, los puntos correspondientes a la situación fuera de control se eliminan
y se calculan de nuevo los límites de control preliminares.
Página 128
CONTROL ESTADÍSTICO DEL PROCESO Dr. P. Reyes / Enero 2006
10 10 25 9
11 5 26 12
12 6 27 7
13 17 28 13
14 12 29 9
15 22 30 6
Di p i
=
347
= 0.2313
p i 1
i 1 (30)(50)
mn m
Los límites de control usando Minitab son:
LSCp = 0.4102
LCp = 0.2313
LICp = 0.0524
LSCp = 0.3893
LCp = 0.2150
Página 129
CONTROL ESTADÍSTICO DEL PROCESO Dr. P. Reyes / Enero 2006
LICp = 0.0407
Página 130
CONTROL ESTADÍSTICO DEL PROCESO Dr. P. Reyes / Enero 2006
Página 131
CONTROL ESTADÍSTICO DEL PROCESO Dr. P. Reyes / Enero 2006
H0: p1 = p2
H1: p1 > p2
m m
D i p i
=
133
133
0.1108
p2 i 31
i 31 (50)( 24) 1200
mn m
p1 p 2
Z0 n1 p1 n 2 p 2
n1 n 2 con p
p (1 p ) n1 n 2
n1n 2
por tanto:
(1400)(0.2150) (1200)(0.118)
p 0.1669
1400 1200
0.2150 0.1108
Z0 7.10
1 1
(0.1669)(0.8331)
1400 1200
Página 132
CONTROL ESTADÍSTICO DEL PROCESO Dr. P. Reyes / Enero 2006
Usando sólo los últimos 24 puntos para calcular nuevos límites se tiene:
LSCp = 0.2440
LCp = 0.1108
LICp = -0.0224 = 0
Página 133
CONTROL ESTADÍSTICO DEL PROCESO Dr. P. Reyes / Enero 2006
Es muy importante que para identificar fácilmente las causas asignables, se lleve
una bitácora de cambios, donde se anote cada cambio que ocurra,
independientemente que afecte o no al proceso.
Método 1.
El tamaño de muestra n se escoge de tal forma que la probabilidad de encontrar al
menos una unidad no conforme por muestra sea al menos .
Método 2.
Duncan sugiere que el tamaño de muestra debe ser tal que se tenga
aproximadamente un 50% de probabilidad de detectar el corrimiento de la media
de un proceso en una cierta cantidad.
Página 134
CONTROL ESTADÍSTICO DEL PROCESO Dr. P. Reyes / Enero 2006
p(1 p )
L (4.8)
n
2
L
n p (1 p ) (4.9)
2
3
n= (0.01)(0.99) 56
0.04
Método 3.
Otro método a usar si la fracción p en control es pequeña, consiste en seleccionar
n tan grande de tal forma que el límite inferior tenga un valor positivo, para poder
investigar la causa de generación de muy bajas cantidades de artículos
defectuosos con objeto de identificar errores de inspección o de los equipos de
medición. Se tiene:
p (1 p )
LIC p p L 0 (4.10)
n
Implica que,
(1 p ) 2
n L (4.11)
p
Página 135
CONTROL ESTADÍSTICO DEL PROCESO Dr. P. Reyes / Enero 2006
0.95
n (3) 2 171
0.05
Página 136
CONTROL ESTADÍSTICO DEL PROCESO Dr. P. Reyes / Enero 2006
LSC np np 3 np (1 p )
LC np np (4.12)
LIC np np 3 np (1 p )
Página 137
CONTROL ESTADÍSTICO DEL PROCESO Dr. P. Reyes / Enero 2006
Página 138
CONTROL ESTADÍSTICO DEL PROCESO Dr. P. Reyes / Enero 2006
25
D i
234
p i 1
25
0.096
2450
n
i 1
i
LC = 0.096
(0.096)(0.904)
LICp= p 3 p 0.096 3
ni
Página 139
CONTROL ESTADÍSTICO DEL PROCESO Dr. P. Reyes / Enero 2006
En este caso, se toma el promedio de los tamaños de muestra para calcular los
límites de control aproximados, se asume que los tamaños de muestra no diferirán
en forma apreciable de los observados, aquí los límites de control son constantes.
Si existen grandes diferencias mayores al promedio más o menos 25%, este
método no es adecuado.
m
n i
2450
n i 1
98
m 25
(0.096)(0.904)
LSCp= p 3 p 0.096 3 0.185
98
LC = 0.096
(0.096)(0.904)
LICp= p 3 p 0.096 3 0.007
98
Otra vez de la gráfica se observa que el punto 11 está fuera de control.
Página 140
CONTROL ESTADÍSTICO DEL PROCESO Dr. P. Reyes / Enero 2006
pi p
Zi
p (1 p) (4.13)
ni
Página 141
CONTROL ESTADÍSTICO DEL PROCESO Dr. P. Reyes / Enero 2006
Página 142
CONTROL ESTADÍSTICO DEL PROCESO Dr. P. Reyes / Enero 2006
P{D 18 p} P{D 1 p}
Página 143
CONTROL ESTADÍSTICO DEL PROCESO Dr. P. Reyes / Enero 2006
Página 144
CONTROL ESTADÍSTICO DEL PROCESO Dr. P. Reyes / Enero 2006
ARL0 = 1 /
ARL1 = 1 / (1 - )
Página 145
CONTROL ESTADÍSTICO DEL PROCESO Dr. P. Reyes / Enero 2006
Página 146
CONTROL ESTADÍSTICO DEL PROCESO Dr. P. Reyes / Enero 2006
LSCc = c +3 c
LCc = c (4.16)
LICc = c -3 c en el caso que sea negativo toma el valor cero.
LSCc = c + 3 c
LCc = c (4.17)
LICc = c - 3 c en el caso que sea negativo toma el valor cero
Donde,
LSC = 33.22
LC = 516 / 26 = 19.85 = c
Página 147
CONTROL ESTADÍSTICO DEL PROCESO Dr. P. Reyes / Enero 2006
LIC = 6.48
Página 148
CONTROL ESTADÍSTICO DEL PROCESO Dr. P. Reyes / Enero 2006
No Conformidades 1
16 18
18 21
12 16
15 22
24 19
21 12
28 14
20 9
25 16
19 21
Página 149
CONTROL ESTADÍSTICO DEL PROCESO Dr. P. Reyes / Enero 2006
Página 150
CONTROL ESTADÍSTICO DEL PROCESO Dr. P. Reyes / Enero 2006
Método 1. Con nc
En este caso tanto la línea central como los límites de control se modifican por el
factor n, quedando como sigue ( c es la media de las no conformidades
observada en la unidad de inspección anterior):
Página 151
CONTROL ESTADÍSTICO DEL PROCESO Dr. P. Reyes / Enero 2006
LSC nc nc 3 nc
LC nc nc (4.18)
LIC nc nc 3 nc
Por ejemplo si se deciden utilizar 2.5 unidades de inspección para el caso de los
circuitos impresos (es decir inspeccionar 250 tarjetas) con n=2.5, se tiene:
LC nc nc = (2.5)(19.67) = 49.18
Método 2. Carta u
Si se encuentra un total de c no conformidades en la muestra de n unidades de
inspección, entonces el promedio de no conformidades por unidad de inspección u
es:
c
u (4.19)
n
u
LSC u u 3
n
LC u u (4.20)
u
LSC u u 3
n
Página 152
CONTROL ESTADÍSTICO DEL PROCESO Dr. P. Reyes / Enero 2006
No conformindades
en cada 5 unidades – carta u
10 9
12 5
8 7
14 11
10 12
16 6
11 8
7 10
10 7
15 5
__
Suma.de.no.conformidades
u
Suma.de.unidades.inspeccionadas
u =38.60 / 20 = 1.93
LSC = 3.79
LIC = 0.07
Página 153
CONTROL ESTADÍSTICO DEL PROCESO Dr. P. Reyes / Enero 2006
LC u u (4.21)
u
LSC ui u 3
ni
Página 154
CONTROL ESTADÍSTICO DEL PROCESO Dr. P. Reyes / Enero 2006
Unid.Insp. No Conf.
10.0 14
8.0 12
13.0 20
10.0 11
9.5 7
10.0 10
12.0 21
10.5 16
12.0 19
12.5 23
153
La línea central es u 1.42
107.5
Donde u = Total de defectos observados / Total de unidades
de inspección
Página 155
CONTROL ESTADÍSTICO DEL PROCESO Dr. P. Reyes / Enero 2006
m
ni
n (4.22)
i 1 m
ui u
Zi
u (4.23)
ni
Página 156
CONTROL ESTADÍSTICO DEL PROCESO Dr. P. Reyes / Enero 2006
SISTEMA DE DEMERITOS
Con productos complejos, se identifican diversos tipos de defectos, desde los que
se consideran menores hasta los que ponen en riesgo la salud del usuario. Por lo
cual es necesario dar una ponderación a esos diversos tipos de defectos de
acuerdo a su gravedad, un esquema posible es el siguiente:
Página 157
CONTROL ESTADÍSTICO DEL PROCESO Dr. P. Reyes / Enero 2006
Supóngase que para los defectos anteriores se tengan los números ciA, ciB, ciC, ciD
respectivamente en la i-ésima unidad inspeccionada. Se asume que cada clase de
defectos es independiente y que la ocurrencia de defectos de cada clase es
modelada bien con la distribución de Poisson. Entonces se puede definir el
número de deméritos en la unidad de inspección por ejemplo como:
n
número de Deméritos por unidad es (con d
i 1
i número total de deméritos en
ui = D / n =
d
i 1
i
(4.25)
n
Como u es una combinación lineal de variables aleatorias independientes de
Poisson, el estadístico ui puede ser graficado en una carta de control con los
parámetros siguientes:
LSC = u + 3 u
LC = u (4.26)
LIC = u + 3 u,
Donde,
u 100u A 50u B 10u C 1u D (4.27)
1/ 2
(100) 2 u A (50) 2 u B (10) 2 u C (1) 2 u D
y u (4.28)
n
Página 158
CONTROL ESTADÍSTICO DEL PROCESO Dr. P. Reyes / Enero 2006
La curva característica de operación (OC) puede ser obtenida tanto para la carta c
como para la carta u a partir de la distribución de Poisson.
Página 159
CONTROL ESTADÍSTICO DEL PROCESO Dr. P. Reyes / Enero 2006
Página 160
CONTROL ESTADÍSTICO DEL PROCESO Dr. P. Reyes / Enero 2006
Las cartas por atributos c y u no son convenientes en estos casos ya que tendrían
ceros la mayor parte del tiempo, una alternativa es graficar los intervalos de
tiempo entre ocurrencias de los defectos o “eventos”.
Por tanto se construye una carta de control para x, asumiendo que x sigue una
distribución normal.
Página 161
CONTROL ESTADÍSTICO DEL PROCESO Dr. P. Reyes / Enero 2006
Página 162
CONTROL ESTADÍSTICO DEL PROCESO Dr. P. Reyes / Enero 2006
R
RS (5.1)
Ri
Página 163
CONTROL ESTADÍSTICO DEL PROCESO Dr. P. Reyes / Enero 2006
Sd 2
estimar de con R i c 4 sus límites de control son D3 y D4. Para la media
graficar,
S x Ti
x (5.2)
Ri
npi n p
Carta np Zi
n p (1 p )
(5.3)
ci c
Carta c Zi
c
ui u
Carta u Zi
u/n
Página 164
CONTROL ESTADÍSTICO DEL PROCESO Dr. P. Reyes / Enero 2006
LIEsp. |--- 6 ---| LSEsp.
LIE I S LSE
Z Z
/ n
LIC LSC
Z
n
Página 165
CONTROL ESTADÍSTICO DEL PROCESO Dr. P. Reyes / Enero 2006
Donde:
I LIE Z (5.4)
S LSE Z
Z Z
LSC S LSE Z (5.5)
n n
Z Z
LIC I LIE Z
n n
En las cartas modificadas, es una fracción no conforme que se acepta con una
probabilidad (1-). Si la variabilidad del proceso cambia, éstas cartas no son
apropiadas, de tal forma que se recomienda siempre usar en forma adicional una
carta R o S, de donde incluso se estime la inicial.
En este caso se toma en cuenta ambos errores tipo I y tipo II, ya sea de rechazar
un proceso que opera en forma satisfactoria o de aceptarlo si opera en forma
insatisfactoria.
Los límites de control para este caso se basan en una n especificada y una
fracción no conforme del proceso que nos gustaría rechazar con una
probabilidad (1-), por tanto:
Página 166
CONTROL ESTADÍSTICO DEL PROCESO Dr. P. Reyes / Enero 2006
Z Z
LSC S LSE Z (5.5)
n n
Z Z
LIC I LIE Z
n n
Z Z
LSC LSE Z = LSE Z
n n
Se obtiene
2
Z Z
n (5.6)
Z Z
2
3.00 0.84
n
2.33 1.645
Página 167
CONTROL ESTADÍSTICO DEL PROCESO Dr. P. Reyes / Enero 2006
LSE =0.025
LSE-1.96
0.10
LIE+1.96
LIE =0.025
28
Duncan A., Control de Calidad y Estadística Industrial, Alfaomega, México, 1989, pp. 527-530
Página 168
CONTROL ESTADÍSTICO DEL PROCESO Dr. P. Reyes / Enero 2006
LSE
_
X
LSE-3x
Amplitud dentro de la cual
se espera encontrar las 6 _
X
medias de las piezas Distribución de x
_
X
LIE+3x
LIE
Como se puede observar, sólo se puede emplear ésta carta si la amplitud de los
límites de especificación es suficiente mayor a 6x para alojar la carta de control.
Página 169
CONTROL ESTADÍSTICO DEL PROCESO Dr. P. Reyes / Enero 2006
1. Dibujando una línea central que pase por los puntos graficados y estimando en
forma gráfica la pendiente.
2. Utilizando la técnica de mínimos cuadrados, donde si se tienen un total de m
muestras con el número de muestra i = 1,2,3…..m la pendiente b es (los datos
se pueden codificar para facilidad):
(5.7)
2 LSE 3 x LSE 3R / d 2
M* = ( 1, - 2 ) / b (5.9)
Es importante considerar que antes de llevar una carta de medias para desgaste
es indispensable asegurarse que la carta de rangos está en control estadístico. En
caso de que la media en lugar de crecer, decrezca, las 1, , 2 se invierten:
_
Los límites de control se encuentran a una distancia vertical A2 R de la línea
central.
Página 170
CONTROL ESTADÍSTICO DEL PROCESO Dr. P. Reyes / Enero 2006
Muestra i 1 2 3 4 5 6 7
8
_
1.15530, 1.15540,1.15544, 1.15546, 1.15550, 1.15556, 1.15568,
Xi
1.15570,
Muestra 9 10 11 12 13
_
X i 1.15576, 1.15578, 1.15580, 1.15586, 1.15590
Ri 0.00010, 0.00020, 0.00020, 0.00010, 0.00020
b = 0.0000492
Pendiente b
LSC
1,
LIC
LIE
Página 171
CONTROL ESTADÍSTICO DEL PROCESO Dr. P. Reyes / Enero 2006
En la carta de pre – control hay un 1/14 de probabilidad de que una parte caiga en
la zona amarilla y de 1/196 de que caigan dos consecutivas en ésta zona, en este
caso se considera que el proceso se salió de control.
Página 172
CONTROL ESTADÍSTICO DEL PROCESO Dr. P. Reyes / Enero 2006
Ventajas:
Pre-control es una técnica simple que a diferencia con el control estadístico del
proceso (CEP) no requiere de gráficas de control, ni de cómputos.
Desventajas:
No existen gráficas de control, por lo tanto, las reglas y procedimientos para
reconocer patrones de fallas no pueden ser usados. Dado que se requiere una
cantidad muy pequeña de muestras, es riesgoso inferir sobre la totalidad del
proceso. Finalmente, Pre-control no proporciona información suficiente para
someter el proceso bajo control o para reducir la variabilidad. Asume que el
proceso es hábil y que es normal.
Recomendaciones:
Pre-control sólo debe ser usado cuando la capacidad del proceso (Cp) 29 es mayor
que uno (algunos textos recomiendan como mínimo Cp=2) 30, y cuando se han
alcanzado cero defectos en el proceso.
29
C p USL LSL , donde USL = Upper Specification Limit y LSL = Lower Specification Limit.
6
30
Montogomery, Douglas C. “Statistical Quality Control”, John Wiley & Sons, Inc., 1991, pp. 332-334.
Página 173
CONTROL ESTADÍSTICO DEL PROCESO Dr. P. Reyes / Enero 2006
0 1 1 3 1
4 2 4
Página 174
CONTROL ESTADÍSTICO DEL PROCESO Dr. P. Reyes / Enero 2006
Dentro de
Fuera de Especificaciones
Especificaciones Fuera de límites
De Pre-control
A
Continuar el proceso.
Dentro de
Dentro de Detener sólo si DOS
Inicie el Verifique Especificaciones Verifique
de límites Unidades consecutivas
proceso 1a. Unidad Fuera de límites 2a. Unidad
De Pre-control Estan fuera de los
De Pre-control
Límites de
Pre-control
Dentro de
Especificaciones
Fuera de EL OTRO
límite de Pre-control
¡!
Variabilidad del
Proceso fuera de
Control.
Notas:
1. Si cinco unidades están dentro de los límites de Pre-control, cambie a
verificación intermitente.
2. Cuando se encuentre en verificación intermitente, no ajuste el proceso hasta
que una unidad exceda algún límite de Pre-control. Examine la siguiente
unidad, y proceda en A.
3. Si se reinicia el proceso, al menos cinco unidades consecutivas deben caer
dentro de los límites de pre-control para cambiar a verificación intermitente.
4. Si el operador toma más de 25 muestras sin reiniciar el proceso, reduzca la
frecuencia de las verificaciones.
Página 175
CONTROL ESTADÍSTICO DEL PROCESO Dr. P. Reyes / Enero 2006
Se utiliza para procesos con muchas fuentes de producción, por ejemplo diversos
husillos que en principio producen piezas similares. El usar una carta de control
para cada husillo por separado sería prohibitivo, sin embargo se tiene la
alternativa de ésta carta de control siempre que la producción entre husillos no
esté correlacionada.
Para establecer una carta de este tipo, se toman n partes de cada salida, hasta
completar 20 o 25 subgrupos, por ejemplo si se toman muestras de n = 4 de 6
husillos repetido en 20 subgrupos, se habrán tomado 20 x 6 = 120 medias y
rangos de n = 4 observaciones. De éstos se calculan la media de medias X y el
_
R , los límites de control se calculan como en una carta de medias-rangos
convencional con n = 4, en este caso A2 = 0.729, D3 = 0, D4 = 2.282:
_ _
LICX = X - A2 R LICR = D3 R (5.10)
_ _
LSCX = X + A2 R LSCR = D4 R
Con los límites de control trazados, se grafica después sólo la mayor y la menor
de las 6 lecturas promedio considerando todas las salidas o en este caso husillos
de la máquina, si se encuentran en control, se asume que las demás están en
control. Para el rango se grafica sólo el mayor de todos los rangos. Cada punto es
identificado por el número de husillo o salida que lo produjo. El proceso se
encuentra fuera de control si se algún punto excede los límites de 3-sigma. No se
pueden aplicar pruebas de rachas a estas cartas.
Página 176
CONTROL ESTADÍSTICO DEL PROCESO Dr. P. Reyes / Enero 2006
Es útil observar que si una salida da el mayor o el menor valor varias en una fila,
puede ser evidencia de que es diferente a los otros. Si el proceso tiene s salidas y
si r es el número de veces consecutivas que se repite como el mayor o el menor,
el ARL para este evento es:
s r 1
ARL0 (5.11)
s 1
Las cartas de control de Shewart utilizan sólo información acerca del proceso con
los últimos datos del subgrupo, e ignoran la información de la secuencia completa
de puntos, esto hace que estas cartas de control sean insensibles a pequeños
corrimientos de la media del proceso, de 1.5 o menos. Los límites preventivos y
criterios múltiples de prueba de corridas o tendencias toman en cuenta otros
puntos de la carta, sin embargo esto reduce la simplicidad de interpretación de la
carta así como reducir el ARL en control lo cual es indeseable.
CUSUM NORMAL
Página 177
CONTROL ESTADÍSTICO DEL PROCESO Dr. P. Reyes / Enero 2006
i
Ci ( x j 0 ) (5.12)
j 1
Como esta carta es eficiente para n=1, es una buena alternativa para el control de
procesos químicos y el C.E.P. automatizado. Si la media tiene un corrimiento
hacia arriba, la carta mostrará una tendencia ascendente y viceversa.
C i max 0, xi ( 0 K ) Ci1 (5.13)
Página 178
CONTROL ESTADÍSTICO DEL PROCESO Dr. P. Reyes / Enero 2006
Página 179
CONTROL ESTADÍSTICO DEL PROCESO Dr. P. Reyes / Enero 2006
Ci
0 K , si Ci H (5.16)
N
Ci , si (5.17)
0 K Ci H
N
Página 180
CONTROL ESTADÍSTICO DEL PROCESO Dr. P. Reyes / Enero 2006
debe remplazar a xi por xi y por la x = , aunque se recomienda usar un
n
La carta Cusum tabular también se puede utilizar para un solo lado con C + o C-.
EL PROCEDIMIENTO DE LA MASCARILLA EN V
i
C i y j y i C i 1 (5.18)
j 1
Ci
O d P
2A
1A
1 2 3 4 5 ............................................. i
Página 181
CONTROL ESTADÍSTICO DEL PROCESO Dr. P. Reyes / Enero 2006
Página 182
CONTROL ESTADÍSTICO DEL PROCESO Dr. P. Reyes / Enero 2006
25
20
Cumulative Sum
15
10
0 Target=0
2 4 6 8 10 12 14 16 18 20 22 24
Sample
Johnson y Leone han sugerido un método para diseñar una mascarilla en V, con
las fórmulas siguientes:
tan 1 (5.21)
2A
y
2 1
d 2 ln (5.22)
ln( )
d cuando es muy pequeño.
Página 183
CONTROL ESTADÍSTICO DEL PROCESO Dr. P. Reyes / Enero 2006
2 1 0.05
d 2 ln = 5.888
1 0.05
1
tan 1 26.56
2
z i xi (1 ) z i 1
(5.23)
donde 0<<=1 es una constante y su valor inicial es el valor objetivo del proceso,
de tal forma que:
z 0 0 a veces igual a x
Página 184
CONTROL ESTADÍSTICO DEL PROCESO Dr. P. Reyes / Enero 2006
1 (1 )
zi2 2i
(5.24)
2
Por tanto los límites de control de zi versus el número de muestra o tiempo i, son:
LSC 0 L
2
1 (1 )
2i
(5.25)
LC 0 (5.26)
LIC 0 L
2
1 (1 )
2i
(5.27)
Página 185
CONTROL ESTADÍSTICO DEL PROCESO Dr. P. Reyes / Enero 2006
Esta carta no reacciona a cambios grandes de la media tan rápido como la hace la
carta de Shewart, este mismo comportamiento lo tienen tiene la carta Cususm.
1.5
1.0
_
EWMA
_
0.5 X=0.442
0.0
-0.5
-1.0 LCL=-0.978
2 4 6 8 10 12 14 16 18 20 22 24
Sample
Página 186
CONTROL ESTADÍSTICO DEL PROCESO Dr. P. Reyes / Enero 2006
xi xi 1 ..... xi w1
Mi (5.31)
w
Los límites de control son:
3
LSC 0 (5.32)
w
LC 0 (5.33)
3
LIC 0 (5.34)
w
xi xi 1 ....xi 4
Mi (5.35)
5
Para periodos i<5 se grafica el promedio de las observaciones para los periodos 1,
2, 3, ...i.
Ejemplo 5.9 Los límites de control son con 0 =10 y =1, se
tiene:
LSC = 10 + 3 (1.0) / 51/2 = 11.34
LSC = 10 - 3 (1.0) / 51/2 = 8.66
3 UCL=2.900
2
Moving Average
1 _
_
X=0.442
0
-1
-2 LCL=-2.017
-3
-4
2 4 6 8 10 12 14 16 18 20 22 24
Sample
Página 187
CONTROL ESTADÍSTICO DEL PROCESO Dr. P. Reyes / Enero 2006
6.1 INTRODUCCIÓN
Las técnicas estadísticas ayudan durante el ciclo del producto a reducir la
variabilidad y a mejorar la capacidad de los procesos.
Definiciones básicas.
Proceso: Éste se refiere a alguna combinación única de máquinas,
herramientas, métodos, materiales y personas involucradas en la
producción.
Capacidad o habilidad: Esta palabra se usa en el sentido de aptitud, basada
en el desempeño probado, para lograr resultados que se puedan medir.
Capacidad del proceso: Es la aptitud del proceso para producir productos
dentro de los límites de especificaciones de calidad.
Capacidad medida: Esto se refiere al hecho de que la capacidad del
proceso se cuantifica a partir de datos que, a su vez, son el resultado de la
medición del trabajo realizado por el proceso.
Capacidad inherente: Se refiere a la uniformidad del producto que resulta
de un proceso que se encuentra en estado de control estadístico, es decir,
en ausencia de causas especiales o atribuibles de variación.
Variabilidad natural: Los productos fabricados nunca son idénticos sino que
presentan cierta variabilidad, cuando el proceso está bajo control, solo
actúan las causas comunes de variación en las características de calidad.
Valor Nominal: Las características de calidad tienen un valor ideal óptimo
que es el que desearíamos que tuvieran todas las unidades fabricadas pero
que no se obtiene, aunque todo funcione correctamente, debido a la
existencia de la variabilidad natural.
Página 188
CONTROL ESTADÍSTICO DEL PROCESO Dr. P. Reyes / Enero 2006
Los límites de tolerancia natural del proceso, superior (LTNS) e inferior (LTNI) , se
encuentran en 3 , o sea:
LTNS = + 3 (6.1)
LTNI = - 3
Página 189
CONTROL ESTADÍSTICO DEL PROCESO Dr. P. Reyes / Enero 2006
Existen diversas técnicas para evaluar la capacidad del proceso, entre las que se
encuentran: Histogramas o papel de probabilidad, cartas de control y
experimentos diseñados.
Página 190
CONTROL ESTADÍSTICO DEL PROCESO Dr. P. Reyes / Enero 2006
31
J.M. Juran, Análisis y planeación de la Calidad, Tercera Edición Mc. Graw Hill, Pp.404
Página 191
CONTROL ESTADÍSTICO DEL PROCESO Dr. P. Reyes / Enero 2006
Las familias de variación han sido restringidas de tal manera que los datos
considerados, sólo son los que se obtuvieron del subgrupo racional. Ayuda a
determinar subgrupos racionales importantes.
Página 192
CONTROL ESTADÍSTICO DEL PROCESO Dr. P. Reyes / Enero 2006
Z st
límite especif . nom.
(6.1)
desv.std ST
límite especif . media
Z LT
desv.std LT
dónde:
Zlt = Zst-1.5shift
Página 193
CONTROL ESTADÍSTICO DEL PROCESO Dr. P. Reyes / Enero 2006
LSE LIE
Cp PCR (6.2)
6
R
0.0099 por tanto se tiene:
d2
1
P 100 (6.3)
Cp
Página 194
CONTROL ESTADÍSTICO DEL PROCESO Dr. P. Reyes / Enero 2006
LIE
Cpi PCR I para el límite inferior
3
264 200 64
Cp PCR I 0.67
3(32) 96
Cp 1-lado 2-lados
0.25 226,628 453,255
0.50 66,807 133,614
0.60 35,931 71,861
0.70 17,865 35,729
0.80 8,198 16,395
1.00 1,350 2,700
Página 195
CONTROL ESTADÍSTICO DEL PROCESO Dr. P. Reyes / Enero 2006
LIE
Cpi PCR I para el límite inferior
3
Página 196
CONTROL ESTADÍSTICO DEL PROCESO Dr. P. Reyes / Enero 2006
62 53
Cps PCR S 1.5 para el límite superior
32
53 38
Cpi PCR I 2.5 para el límite inferior
32
Página 197
CONTROL ESTADÍSTICO DEL PROCESO Dr. P. Reyes / Enero 2006
Frec.
a)
Microdureza
Se puede transformar cada valor x con su inverso o sea con y=1/x de esta forma
la distribución transformada es la siguiente (ver método de Box Cox con Lamda
óptima en Minitab):
Frec.
b)
Y=1/x
Página 198
CONTROL ESTADÍSTICO DEL PROCESO Dr. P. Reyes / Enero 2006
Dos procesos pueden tener un Cpk igual a uno, pero sin embargo no necesariamente están
centrados respecto a la media de las especificaciones como se muestra a continuación:
1
Si T ( LSE LIE ) (6.7)
2
2 ( T ) 2 (6.8)
T
(6.9)
Se tiene,
LSE LIE LSE LIE LSE LIE
Cp km PCRkm (6.10)
6 6 ( T )
2 2
1 2
Una condición necesaria para que Cpkm sea mayor de uno es:
1
T ( LSE LIE )
6
Página 199
CONTROL ESTADÍSTICO DEL PROCESO Dr. P. Reyes / Enero 2006
1
Entonces Cpkm (A) = 1.0
1 0
2
Cpkm (B) = 0.63
1 (3) 2
Cpk
Cp pmk PCR pmk (6.11)
1 2
6.2.1 HISTOGRAMA
Procedimiento:
1. Seleccionar un proceso específico para realizar el estudio
2. Seleccionar las condiciones de operación del proceso
3. Seleccionar un operador entrenado
4. El sistema de medición debe tener habilidad (error R&R < 10%)
5. Cuidadosamente recolectar la información
6. Construir un histograma de frecuencia con los datos
7. Calcular la media y desviación estándar del proceso
Página 200
CONTROL ESTADÍSTICO DEL PROCESO Dr. P. Reyes / Enero 2006
Página 201
CONTROL ESTADÍSTICO DEL PROCESO Dr. P. Reyes / Enero 2006
X 264.06 S = 32.02
Es una herramienta que permite evaluar la capacidad aproximada del proceso con
resultados parecidos a los del histograma pero con un número menor de muestras
y sin las operaciones del histograma, a continuación se muestra un ejemplo de
esta herramienta.
Página 202
CONTROL ESTADÍSTICO DEL PROCESO Dr. P. Reyes / Enero 2006
Ventajas
1. Se puede observar el comportamiento del proceso sin tomar tantos datos como
en el histograma, 10 son suficientes
2. El proceso es más sencillo ya que no hay que dividir el rango de la variable en
intervalos de clase como en el histograma.
3. Visualmente se puede observar la normalidad de los datos, si se apegan a la
línea de ajuste
4. Permite identificar la media y la desviación estándar aproximada del proceso.
Así como la fracción defectiva, el porcentaje de datos entre cierto rango, el Cp y el
Cpk.
Procedimiento
Página 203
CONTROL ESTADÍSTICO DEL PROCESO Dr. P. Reyes / Enero 2006
Ejemplo 6.5
.-Se tomaron los datos siguientes (Xj) ordenamos los datos
y, calculamos la probabilidad de su posición (Pj)
Pj
0.84
0.5
Desv. Estándar
Fracción
Defectiva
LIE X Media Xj
Página 204
CONTROL ESTADÍSTICO DEL PROCESO Dr. P. Reyes / Enero 2006
pn2 PAPNOR
271 197
275 200
277 215
278 221
280 231
283 242
290 245
301 258
318 265
346 265
Página 205
CONTROL ESTADÍSTICO DEL PROCESO Dr. P. Reyes / Enero 2006
En casos especiales como estos donde las variaciones presentes son totalmente
inesperadas tenemos un proceso inestable ó impredecible.
?
? ?
? ?
? ?
Página 206
CONTROL ESTADÍSTICO DEL PROCESO Dr. P. Reyes / Enero 2006
Predicción
Tiempo
R S
ó (Para cartas de control X-R y X-S respectivamente)
d2 C4
Donde,
Página 207
CONTROL ESTADÍSTICO DEL PROCESO Dr. P. Reyes / Enero 2006
x media de medias
R 77.3
33.23
d 2 2.326
200 264.06
El C pk = 0.64 por tanto el proceso no cumple con las
3 33.23
especificaciones.
Ejemplo 6.8 (carta X - S)
De una carta de control X - S (con subgrupo n = 5) se obtuvo
lo siguiente, después de que el proceso se estabilizó
x 100
s 1.05
= 1.117
C4 .094
Página 208
CONTROL ESTADÍSTICO DEL PROCESO Dr. P. Reyes / Enero 2006
105 100
El C pk 1.492
3 1.117
105 85
El C p 2.984
6 1.117
Generar 100 datos aleatorios en Minitab con Media = 264.6 y Desviación estándar
S = 32.02 con
Nos aseguramos que los datos se distribuyan normalmente con la prueba de Ryan
como sigue:
El P value debe ser mayor a 0.05 para que los datos se distribuyan normalmente
Página 209
CONTROL ESTADÍSTICO DEL PROCESO Dr. P. Reyes / Enero 2006
60
50
40
30
20
10
5
0.1
150 200 250 300 350
Datos
Los puntos deben quedar dentro del intervalo de confianza para indicar que es
normal la distribución.
60
50
40
30
20
10
5
0.1
150 200 250 300 350 400
Datos
Página 210
CONTROL ESTADÍSTICO DEL PROCESO Dr. P. Reyes / Enero 2006
LSL USL
P rocess D ata Within
LS L 200.00000 Ov erall
Target *
USL 330.00000 P otential (Within) C apability
S ample M ean 269.25354 Cp 0.70
S ample N 100 C PL 0.75
C PU 0.66
S tDev (Within) 30.83472
S tDev (O v erall) 30.80011 C pk 0.66
C C pk 0.70
O v erall C apability
Pp 0.70
PPL 0.75
PPU 0.66
P pk 0.66
C pm *
Interpretación:
Página 211
CONTROL ESTADÍSTICO DEL PROCESO Dr. P. Reyes / Enero 2006
320
_
X=269.3
240
LCL=176.7
160
1 10 20 30 40 50 60 70 80 90 100 210 240 270 300 330 360
100
50 __
MR=34.8
0 LCL=0
1 10 20 30 40 50 60 70 80 90 100 200 300 400
Cp 0.70 Overall
Pp 0.70
250
C pk 0.66 P pk 0.66
C C pk 0.70 C pm *
200 Specs
80 85 90 95 100
Observation
Página 212
CONTROL ESTADÍSTICO DEL PROCESO Dr. P. Reyes / Enero 2006
Cuando los datos provienen de poblaciones no normales una opción para realizar
el estudio de capacidad de procesos es mediante la distribución Weibull.
Ejemplo en Minitab
Generar 100 datos aleatorios en Minitab con Factor de forma = 1, Factor de escala
= 1 con
Página 213
CONTROL ESTADÍSTICO DEL PROCESO Dr. P. Reyes / Enero 2006
USL
P rocess Data O v erall C apability
LS L * Pp *
Target * PPL *
USL 3.50000 PPU 0.85
S ample M ean 0.82279 P pk 0.85
S ample N 100
E xp. O v erall P erformance
S hape 1.24929
P P M < LS L *
S cale 0.88470
P P M > U S L 3795.26
O bserv ed P erformance P P M Total 3795.26
P P M < LS L *
P P M > U S L 10000
P P M Total 10000
El índice Ppk y Ppu32 = 0.85 lo cual nos dice que el desempeño del proceso no es
capaz ya que 0.85<.1.33
También observamos que PPM > USL 3,795 lo cual significa que
aproximadamente 3,795 PPM estarán fuera de los límites de especificaciones.
Página 214
CONTROL ESTADÍSTICO DEL PROCESO Dr. P. Reyes / Enero 2006
total
2
2producto equipo
2
. medición (6.13)
Página 215
CONTROL ESTADÍSTICO DEL PROCESO Dr. P. Reyes / Enero 2006
Página 216
CONTROL ESTADÍSTICO DEL PROCESO Dr. P. Reyes / Enero 2006
P 6 instrumento
(6.14)
T LSE LIE
P 6(0.887) 5.32
0.097
T 60 5 55
Los valores de P/T menores a 0.1 implican una capacidad adecuada del
instrumento de medición. Basado en su precisión debe ser al menos de 0.1 de la
tolerancia de la característica evaluada.
total
2
S2
2producto total
2
instrument
2
o
Página 217
CONTROL ESTADÍSTICO DEL PROCESO Dr. P. Reyes / Enero 2006
total
2
S 2 = 3.17 x 3.17 = 10.05
2producto total
2
instrument
2
o = 10.05 – 0.79 = 9.26
= 3.04
instrumento
x100 (6.15)
producto
error
2
. medición repetibilidad reproducibilidad
2 2
(6.16)
Página 218
CONTROL ESTADÍSTICO DEL PROCESO Dr. P. Reyes / Enero 2006
PARTS OP1IN1 OP1IN2 RANGO1 OP2IN1 OP2IN2 RANGO2 OP3IN1 OP3IN2 RANGO3
1 21 20 1 20 20 0 19 21 2
2 24 23 1 24 24 0 23 24 1
3 20 21 1 19 21 2 20 22 2
4 27 27 0 28 26 2 27 28 1
5 19 18 1 19 18 1 18 21 3
6 23 21 2 24 21 3 23 22 1
7 22 21 1 22 24 2 22 20 2
8 19 17 2 18 20 2 19 18 1
9 24 23 1 25 23 2 24 24 0
10 25 23 2 26 25 1 24 25 1
11 21 20 1 20 20 0 21 20 1
12 18 19 1 17 19 2 18 19 1
13 23 25 2 25 25 0 25 25 0
14 24 24 0 23 25 2 24 25 1
15 29 30 1 30 28 2 31 30 1
16 26 26 0 25 26 1 25 27 2
17 20 20 0 19 20 1 20 20 0
18 19 21 2 19 19 0 21 23 2
19 25 26 1 25 24 1 25 25 0
20 19 19 0 18 17 1 19 17 2
1 1
R ( R 1 R 2 R 3 ) (1.0 1.25 1.20) 1.15
3 3
R 1.15
repetibili dad 1.02 tomando d2 para n=2 lecturas
d2 1.128
x max max( x 1 , x 2 , x 3 )
x min min( x 1 , x 2 , x 3 )
R x max x min
x
Página 219
CONTROL ESTADÍSTICO DEL PROCESO Dr. P. Reyes / Enero 2006
Rx
reproducibilidad
d2 considerando el número de operadores.
instrumento.medición = 1.04
%Contribution
Source Variance (of Variance)
Página 220
CONTROL ESTADÍSTICO DEL PROCESO Dr. P. Reyes / Enero 2006
Página 221
CONTROL ESTADÍSTICO DEL PROCESO Dr. P. Reyes / Enero 2006
Variación
Variación deldel proceso,
proceso, real
real Variación de la medición
Calibración
Página 222
CONTROL ESTADÍSTICO DEL PROCESO Dr. P. Reyes / Enero 2006
Definiciones
Reproducibilidad: Es la variación, entre promedios de las mediciones hechas
por diferentes operadores que utilizan un mismo instrumento de medición
cuando miden las mismas características en una misma parte.
Operador-B
Operador-C
Operador-A
Reproducibilidad
REPETIBILIDAD
Valor verdadero:
Valor correcto teórico / estándares NIST33
33
·En EUA se tiene el NIST (National Institute of Standards ando Technology),En México se tiene
el CENEAM o el Centro Nacional de Metrología
Página 223
CONTROL ESTADÍSTICO DEL PROCESO Dr. P. Reyes / Enero 2006
Tiempo 2
Tiempo 1
Página 224
CONTROL ESTADÍSTICO DEL PROCESO Dr. P. Reyes / Enero 2006
Valor Valor
verdadero verdadero
Sesgo Sesgo
Menor mayor
Valor
Verdadero
Sesgo
Página 225
CONTROL ESTADÍSTICO DEL PROCESO Dr. P. Reyes / Enero 2006
<10% Aceptable
10-30%. Puede ser aceptable, para características no críticas.
>30%. ¡Inaceptable!
En otras industrias fuera de la automotriz se acepta un error total de R&R del 25%
como máximo.
Página 226
CONTROL ESTADÍSTICO DEL PROCESO Dr. P. Reyes / Enero 2006
Es un método que proporciona un valor aproximado del error R&R sin que muestre
las diferencias entre errores por el equipo y por los operadores.
Se usan dos evaluadores y cinco partes. Cada evaluador mide cada parte una
sola vez.
Página 227
CONTROL ESTADÍSTICO DEL PROCESO Dr. P. Reyes / Enero 2006
La resolución del equipo de medición debe ser de al menos el 10% del rango
de tolerancia o del rango de variación del proceso.
Las partes deben seleccionarse al azar, cubriendo el rango total del proceso.
Es importante que dichas partes sean representativas del proceso total (80%
de la variación)
10 partes NO son un tamaño de muestra significativo para una opinión sólida
sobre el equipo de medición a menos que se cumpla el punto anterior.
Página 228
CONTROL ESTADÍSTICO DEL PROCESO Dr. P. Reyes / Enero 2006
I.
Método de Promedios- Rango
Permite separar en el sistema de medición lo referente a la Reproducibilidad y
a la Repetibilidad.
Los cálculos son más fáciles de realizar.
Página 229
CONTROL ESTADÍSTICO DEL PROCESO Dr. P. Reyes / Enero 2006
x 22.3
R 1 .0
R 1
mediciòn = 0.887
d 2 1.128
donde:
R = Rango promedio
d2 = Valor de tablas.
Página 230
CONTROL ESTADÍSTICO DEL PROCESO Dr. P. Reyes / Enero 2006
P 6 mediciòn
T USL LSL
P 5.32
0.097 .
T 55
Página 231
CONTROL ESTADÍSTICO DEL PROCESO Dr. P. Reyes / Enero 2006
medicion .79
100 25.73%
total 3.07
RECOLECCIÓN DE DATOS
OPERADOR A.-
columna 1 columna 2 columna 3 columna 4 Promedio
Muestra 1er Intento 2do Intento 3er Intento Rango X
1 0.0045 0.0045 0.0045 - 0.0045
2 0.0045 0.0055 0.0045 0.0010 0.0048
3 0.0045 0.0045 0.0045 - 0.0045
4 0.0050 0.0050 0.0045 0.0005 0.0048
5 0.0045 0.0045 0.0045 - 0.0045
6 0.0050 0.0055 0.0045 0.0010 0.0050
7 0.0050 0.0045 0.0045 0.0005 0.0047
8 0.0050 0.0050 0.0050 - 0.0050
9 0.0050 0.0045 0.0050 0.0005 0.0048
10 0.0040 0.0040 0.0040 - 0.0040
Totales 0.0470 0.0475 0.0455 0.0035 0.0467
Suma 0.1400 RA : 0.00035
XA : 0.004666667
RA : 0.00035 # Intentos D4
RB : 0.0004 3 2.58
RC : 0.0005
SUM: 0.00125 LSCR = R x D4
R: 0.000416667 LSCR = 0.001075
Página 232
CONTROL ESTADÍSTICO DEL PROCESO Dr. P. Reyes / Enero 2006
columna 11 columna 12 Promedio Prom. Parte
3er Intento Rango X Xp=
0.0045 0.0005 0.0047 0.004556
0.0045 0.0010 0.0048 0.004889
0.0040 0.0005 0.0043 0.004444
0.0050 - 0.0050 0.004944
0.0040 0.0005 0.0043 0.004333
0.0050 - 0.0050 0.005111
0.0050 0.0005 0.0048 0.004833
0.0050 0.0010 0.0053 0.005111
0.0045 0.0010 0.0048 0.004778
0.0045 - 0.0045 0.004167
0.0460 0.0050 0.0477 Xp= 0.004717
RC : 0.0005 Rp= 0.000944
A2
LSCX = X + A2 R = 1.023
LSCX = 0.005142917
LICX = X - A2 R
LICX = 0.0043
RANGOS
Una vez colectados los datos proceder a realizar la carta de rango R y observar
que esté en control, de otra forma repetir las mediciones para ese operador y parte
específica errónea.
Página 233
CONTROL ESTADÍSTICO DEL PROCESO Dr. P. Reyes / Enero 2006
Ahora revisar la carta X media, debe tener al menos el 50% de puntos fuera de
control indicando que identifica las variaciones en las diferentes partes
presentadas:
LSCX = 0.005143 X= 0.004717 LICX = 0.004290417
LS
X
LICX
Página 234
CONTROL ESTADÍSTICO DEL PROCESO Dr. P. Reyes / Enero 2006
No. de Parte y
Nombre: 4600066 PARTE A Fecha: 01/07/2003
Tolerancia
Especificada: 0.0060 Elaborado por: 0
No. y Nombre de Calibrador
GAGE: 8881-H Digital Característica: Diametro
Página 235
CONTROL ESTADÍSTICO DEL PROCESO Dr. P. Reyes / Enero 2006
Página 236
CONTROL ESTADÍSTICO DEL PROCESO Dr. P. Reyes / Enero 2006
Ejemplo 2 (MINITAB)
Método X Barra - R
Capture los datos en la hoja de trabajo de Minitab en tres columnas C1, C2, C3
Página 237
CONTROL ESTADÍSTICO DEL PROCESO Dr. P. Reyes / Enero 2006
Página 238
CONTROL ESTADÍSTICO DEL PROCESO Dr. P. Reyes / Enero 2006
%Contribution
Source VarComp (of VarComp)
Total Gage R&R 0.0000001 41.00
Repeatability 0.0000001 40.52
Reproducibility 0.0000000 0.48
Part-To-Part 0.0000001 59.00
Total Variation 0.0000001 100.00
Por otro lado el número de categorías es sólo de 1 cuando debe ser al menos 4
indicando que el instrumento discrimina las diversas partes diferentes.
Página 239
CONTROL ESTADÍSTICO DEL PROCESO Dr. P. Reyes / Enero 2006
% Tolerance
40 0.005
0.004
0
Gage R&R Repeat Reprod Part-to-Part 1 2 3 4 5 6 7 8 9 10
Partes
R Chart by Operadores
1 2 3 Datos by Operadores
UCL=0.001073 0.006
0.0010
Sample Range
_ 0.005
0.0005
R=0.000417
0.004
0.0000 LCL=0
1 2 3
Operadores
Xbar Chart by Operadores
1 2 3 Operadores * Partes Interaction
Operadores
UCL=0.005143
Sample Mean
1
0.0050 0.0050
Average
_ 2
X=0.004717 3
0.0045
0.0045
LCL=0.004290
0.0040
0.0040 1 2 3 4 5 6 7 8 9 10
Partes
Página 240
CONTROL ESTADÍSTICO DEL PROCESO Dr. P. Reyes / Enero 2006
Source DF SS MS F P
Partes 9 0.0000086 0.0000010 12.2885 0.000
Operadores 2 0.0000002 0.0000001 0.9605 0.401
Partes * Operadores 18 0.0000014 0.0000001 0.7398 0.757
Repeatability 60 0.0000063 0.0000001
Total 89 0.0000165
Source DF SS MS F P
Partes 9 0.0000086 0.0000010 9.67145 0.000
Operadores 2 0.0000002 0.0000001 0.75592 0.473
Repeatability 78 0.0000077 0.0000001
Total 89 0.0000165
Gage R&R
%Contribution
Source VarComp (of VarComp)
Total Gage R&R 0.0000001 50.93
Repeatability 0.0000001 50.93
Reproducibility 0.0000000 0.00
Operadores 0.0000000 0.00
Part-To-Part 0.0000001 49.07
Total Variation 0.0000002 100.00
Página 241
CONTROL ESTADÍSTICO DEL PROCESO Dr. P. Reyes / Enero 2006
% Tolerance
40 0.005
0.004
0
Gage R&R Repeat Reprod Part-to-Part 1 2 3 4 5 6 7 8 9 10
Partes
R Chart by Operadores
1 2 3 Datos by Operadores
UCL=0.001073 0.006
0.0010
Sample Range
_ 0.005
0.0005
R=0.000417
0.004
0.0000 LCL=0
1 2 3
Operadores
Xbar Chart by Operadores
1 2 3 Operadores * Partes Interaction
Operadores
UCL=0.005143
Sample Mean
1
0.0050 0.0050
Average
_ 2
X=0.004717 3
0.0045
0.0045
LCL=0.004290
0.0040
0.0040 1 2 3 4 5 6 7 8 9 10
Partes
Página 242
CONTROL ESTADÍSTICO DEL PROCESO Dr. P. Reyes / Enero 2006
Página 243
CONTROL ESTADÍSTICO DEL PROCESO Dr. P. Reyes / Enero 2006
Holmes 3 0 0
Duncan 3 0 0
Hayes 3 0 0
Simpson 4 -2 -2
Montgomer
y 4 -2 -2
Holmes 4 -2 -2
Duncan 4 -2 -2
Hayes 4 -2 -2
Simpson 5 0 0
Montgomer
y 5 0 0
Holmes 5 0 0
Duncan 5 -1 0
Hayes 5 0 0
Simpson 6 1 1
Montgomer
y 6 1 1
Holmes 6 1 1
Duncan 6 1 1
Hayes 6 1 1
Simpson 7 2 2
Montgomer
y 7 2 2
Holmes 7 2 2
Duncan 7 1 2
Hayes 7 2 2
Simpson 8 0 0
Montgomer
y 8 0 0
Holmes 8 0 0
Duncan 8 0 0
Hayes 8 0 0
Simpson 9 -1 -1
Montgomer
y 9 -1 -1
Holmes 9 -1 -1
Duncan 9 -2 -1
Hayes 9 -1 -1
Simpson 10 1 1
Montgomer
y 10 1 1
Página 244
CONTROL ESTADÍSTICO DEL PROCESO Dr. P. Reyes / Enero 2006
Holmes 10 1 1
Duncan 10 0 1
Hayes 10 2 1
Simpson 11 -2 -2
Montgomer
y 11 -2 -2
Holmes 11 -2 -2
Duncan 11 -2 -2
Hayes 11 -1 -2
Simpson 12 0 0
Montgomer
y 12 0 0
Holmes 12 0 0
Duncan 12 -1 0
Hayes 12 0 0
Simpson 13 2 2
Montgomer
y 13 2 2
Holmes 13 2 2
Duncan 13 2 2
Hayes 13 2 2
Simpson 14 -1 -1
Montgomer
y 14 -1 -1
Holmes 14 -1 -1
Duncan 14 -1 -1
Hayes 14 -1 -1
Simpson 15 1 1
Montgomer
y 15 1 1
Holmes 15 1 1
Duncan 15 1 1
Hayes 15 1 1
Página 245
CONTROL ESTADÍSTICO DEL PROCESO Dr. P. Reyes / Enero 2006
Between Appraisers
Assessment Agreement
Página 246
CONTROL ESTADÍSTICO DEL PROCESO Dr. P. Reyes / Enero 2006
Coef Chi - Sq DF P
0.966317 67.6422 14 0.0000
Assessment Agreement
Página 247
CONTROL ESTADÍSTICO DEL PROCESO Dr. P. Reyes / Enero 2006
Appraiser vs Standard
100 95.0% C I
P ercent
80
60
Percent
40
20
0
Duncan Hayes Holmes Montgomery Simpson
Appraiser
Interpretación de resultados
Minitab muestra tres tablas como sigue: Cada evaluador vs el estándar, Entre
evaluadores y Todos los evaluadores vs estándar. Los estadísticos de Kappa y
Kendall también se incluyen en cada una de las tablas. En general estos
estadísticos sugieren buen acuerdo.
La gráfica de Evaluadores vs. Estándar proporciona una vista gráfica de cada uno
de los evaluadores vs el estándar, pudiendo comparar fácilmente la determinación
de acuerdos para los cinco evaluadores.
Página 248
CONTROL ESTADÍSTICO DEL PROCESO Dr. P. Reyes / Enero 2006
Método sencillo
Página 249
CONTROL ESTADÍSTICO DEL PROCESO Dr. P. Reyes / Enero 2006
Página 250
CONTROL ESTADÍSTICO DEL PROCESO Dr. P. Reyes / Enero 2006
4. Cuando las cantidades a inspeccionar 100% son muy altas y con tasa de
defectos baja, que haga que se causen errores al inspeccionar, dejando pasar
productos defectuosos.
5. Cuando el proveedor no es confiable al 100%, o su capacidad de proceso es
baja.
6. Cuando hay riesgo de generar problemas legales por productos críticos.
Página 251
CONTROL ESTADÍSTICO DEL PROCESO Dr. P. Reyes / Enero 2006
Un plan de muestreo múltiple es una extensión del doble, en el cual más de dos
muestras pueden ser necesarias antes de tomar una decisión. Los tamaños de
estas muestras son más pequeños que en el muestreo doble.
El muestreo secuencial implica la selección de unidades del lote, una por una,
tomando decisiones de aceptar o rechazar el lote después de un cierto número de
unidades.
1. Deben ser homogéneos, las unidades deben ser producidas por las mismas
corridas de producción, en condiciones similares. Es difícil tomar acciones
correctivas para lotes mezclados.
2. Lotes grandes son preferibles a lotes pequeños, dado que la inspección es
más eficiente.
3. Los lotes deben manejarse en forma similar con el proveedor y con el cliente,
las partes deben estar empacadas adecuadamente para evitar riesgos de daño
y permitir la selección de muestra en forma sencilla.
Página 252
CONTROL ESTADÍSTICO DEL PROCESO Dr. P. Reyes / Enero 2006
MUESTREO ALEATORIO
Las muestras deben ser representativas del lote, no deben tomarse sólo partes de
las capas superiores, sino de preferencia numerar las partes con un número y
seleccionar con tablas de números aleatorios o también se puede estratificar el
lote.
Procedimiento Procedimiento
Objetivos por atributos por Variables
Página 253
CONTROL ESTADÍSTICO DEL PROCESO Dr. P. Reyes / Enero 2006
N=10,000
n=89
c=2
Significa que de cada lote de 10,000 partes se toman al azar n=89 para
inspección, si el número de productos defectivos observados en la muestra d es
menor o igual a c = 2, el lote se acepta, en caso contrario se rechaza.
7.2.1 LA CURVA OC
Página 254
CONTROL ESTADÍSTICO DEL PROCESO Dr. P. Reyes / Enero 2006
p Pa =
0.005 0.98968755 Pa
0.01 0.939689918
0.02 0.736577576
0.03 0.498482838
0.04 0.304158359
Curva OC
0.05 0.172076864
0.06 0.091869347
0.07 0.046819851
0.08 0.022955079
0.09 0.010886432
p
Página 255
CONTROL ESTADÍSTICO DEL PROCESO Dr. P. Reyes / Enero 2006
c=0, 1, 2
n=50, 100,200
2
Página 256
CONTROL ESTADÍSTICO DEL PROCESO Dr. P. Reyes / Enero 2006
Por otra parte el consumidor quiere rechazar los lotes en la mayoría de los casos
cuando tengan una fracción defectiva de a lo más un porcentaje defectivo tolerable
en el lote (LTPD), normalmente esta fracción defectiva corresponde a una
probabilidad de aceptación del 10% o rechazo del 90% de las veces. También se
el denomina Nivel de Calidad Rechazable.
CURVAS OC TIPO A y B.
La curva OC tipo B utiliza la distribución binomial o de Poisson cuando n/N < 0.1,
sin embargo en los niveles donde n/N=0.1 ambas curvas A o B son muy
parecidas.
En este método se especifican 2 puntos por los que debe pasar la curva OC, uno
de ellos tiene coordenadas (p 1, 1-) y el otro (p2 , ), con p1 > p2 . Se utiliza el
nomograma Binomial para encontrar los valores de n y c para el plan.
Página 257
CONTROL ESTADÍSTICO DEL PROCESO Dr. P. Reyes / Enero 2006
Suponiendo que los lotes que llegan tienen una fracción defectiva p 0 , después de
la actividad de inspección bajo un plan de muestreo, algunos lotes serán
aceptados y otros serán rechazados. Los lotes rechazados serán seleccionados al
100% por el proveedor remplazando los artículos defectuosos por buenos después
se integran a los lotes que ingresan a la planta obteniéndose una fracción
Página 258
CONTROL ESTADÍSTICO DEL PROCESO Dr. P. Reyes / Enero 2006
Así los lotes después del proceso rectificador, contienen un núemro esperado de
defectivos igual a Pap(N-n) con la cual se puede expresar una fracción defectiva
media AOQ como sigue,
Pa p( N n)
AOQ
N
(7.2)
Pa p ( N n) (0.9397)(0.01)(10000 89)
AOQ 0.0093
N 10000
AOQ 0.93% en lugar del 1% entrante.
AOQ Pa p (7.3)
Página 259
CONTROL ESTADÍSTICO DEL PROCESO Dr. P. Reyes / Enero 2006
CURVA AOQ
Fracción defectiva
p Pa Pa . P
0.005 0.98968755 0.004948438
0.01 0.939689918 0.009396899
0.02 0.736577576 0.014731552
0.03 0.498482838 0.014954485
0.04 0.304158359 0.012166334
0.05 0.172076864 0.008603843
0.06 0.091869347 0.005512161
0.07 0.046819851 0.00327739
0.08 0.022955079 0.001836406
0.09 0.010886432 0.000979779
n=89, c=2
CURVA AOQ
Fracción defectiva
p Pa Pa . P
0.005 0.98968755 0.004948438 AOQ
Página 260
CONTROL ESTADÍSTICO DEL PROCESO Dr. P. Reyes / Enero 2006
ATI n (1 Pa )( N n) (7.4)
Página 261
CONTROL ESTADÍSTICO DEL PROCESO Dr. P. Reyes / Enero 2006
ATI
N=10000
N=5000
N=1000
Los planes de Dodge-Romig minimizan el ATI para un AOQL dado, haciendo más
eficiente la inspección por muestreo.
Estos tipos de muestreo son extensiones del muestreo simple, se pueden diseñar
curvas CO equivalentes.
Página 262
CONTROL ESTADÍSTICO DEL PROCESO Dr. P. Reyes / Enero 2006
Suponiendo que:
n1 = 50
c1 = 1
n2 = 100
c2 = 3
ASN n1 n2 (1 P1 ) (7.5)
Página 263
CONTROL ESTADÍSTICO DEL PROCESO Dr. P. Reyes / Enero 2006
ASN
Insp. completa
n = cte.
Insp. recortada
Por tanto el muestreo doble es más económico que el simple sólo para ciertos
valores de p, ya que si p tiene valores intermedios el ASN es mayor implicando
mayores costos de inspección.
Página 264
CONTROL ESTADÍSTICO DEL PROCESO Dr. P. Reyes / Enero 2006
Pa total
Pa
1ª muestra
Pa 2ª muestra
p
INSPECCIÓN RECTIFICADORA
Página 265
CONTROL ESTADÍSTICO DEL PROCESO Dr. P. Reyes / Enero 2006
{PaI ( N n1 ) PaII ( N n1 n2 )} p
AOQ (7.9)
N
Asumiendo que todos los defectivos son remplazados por artículos buenos en los
lotes rechazados, la curva de inspección total promedio es,
Un muestreo múltiple es una extensión del doble, donde pueden requerirse más
de dos muestras para calificar el lote, por ejemplo un plan de 5 etapas es el
siguiente:
Una ventaja que tiene es que el tamaño de muestra es más pequeño que en el
caso del simple o del doble, con una mejor eficiencia de inspección. Sin embargo
es más complejo de administrar.
Página 266
CONTROL ESTADÍSTICO DEL PROCESO Dr. P. Reyes / Enero 2006
X ACEPTACION h1 sn (7.11)
X RECHAZO h2 sn
1
h1 log k
1
h2 log k (7.12)
p 2 (1 p1 )
k log
p1 (1 p 2 )
1 p1
s log k
1 p2
k = 0.80066
h1=1.22
h2=1.57
Página 267
CONTROL ESTADÍSTICO DEL PROCESO Dr. P. Reyes / Enero 2006
s=0.028
MUESTREO SECUENCIAL
n Xa Xr Xa Xr
1 -1.192 1.598 -1 2
2 -1.164 1.626 -1 2
3 -1.136 1.654 -1 2
4 -1.108 1.682 -1 2
5 -1.08 1.71 -1 2
6 -1.052 1.738 -1 2
7 -1.024 1.766 -1 2
8 -0.996 1.794 -1 2
9 -0.968 1.822 -1 2
10 -0.94 1.85 -1 2
11 -0.912 1.878 -1 2
12 -0.884 1.906 -1 2
13 -0.856 1.934 -1 2
14 -0.828 1.962 -1 2
15 -0.8 1.99 -1 2
16 -0.772 2.018 -1 3
17 -0.744 2.046 -1 3
Página 268
CONTROL ESTADÍSTICO DEL PROCESO Dr. P. Reyes / Enero 2006
18 -0.716 2.074 -1 3
19 -0.688 2.102 -1 3
20 -0.66 2.13 -1 3
21 -0.632 2.158 -1 3
22 -0.604 2.186 -1 3
23 -0.576 2.214 -1 3
24 -0.548 2.242 -1 3
25 -0.52 2.27 -1 3
26 -0.492 2.298 -1 3
27 -0.464 2.326 -1 3
28 -0.436 2.354 -1 3
29 -0.408 2.382 -1 3
30 -0.38 2.41 -1 3
31 -0.352 2.438 -1 3
32 -0.324 2.466 -1 3
33 -0.296 2.494 -1 3
34 -0.268 2.522 -1 3
35 -0.24 2.55 -1 3
36 -0.212 2.578 -1 3
37 -0.184 2.606 -1 3
38 -0.156 2.634 -1 3
39 -0.128 2.662 -1 3
40 -0.1 2.69 -1 3
41 -0.072 2.718 -1 3
42 -0.044 2.746 -1 3
43 -0.016 2.774 -1 3
44 0.012 2.802 0 3
45 0.04 2.83 0 3
46 0.068 2.858 0 3
Página 269
CONTROL ESTADÍSTICO DEL PROCESO Dr. P. Reyes / Enero 2006
No. de
defectos Línea de
acumulados aceptación
3
Línea de
2 Rechazo
1
Número de
0 20 40 60 muestras
-1
CURVA OC y ASN
Para esta curva se incluyen 3 puntos, (p 1, 1-), (p2, ) y el punto medio de la curva
en p=s y Pa = h2 /(h1+h2).
A B
ASN Pa (1 Pa ) (7.13)
C C
Donde,
A log
1
1
B log
p 1 p2
C p log 2 (1 p ) log
p1 1 p1
Página 270
CONTROL ESTADÍSTICO DEL PROCESO Dr. P. Reyes / Enero 2006
INSPECCIÓN RECTIFICADORA
A
ATI Pa (1 Pa ) N (7.14)
C
Página 271
CONTROL ESTADÍSTICO DEL PROCESO Dr. P. Reyes / Enero 2006
DESCRIPCIÓN DE LA NORMA
- Inspección normal.
- Inspección estricta.
- Inspección reducida.
Página 272
CONTROL ESTADÍSTICO DEL PROCESO Dr. P. Reyes / Enero 2006
Página 273
CONTROL ESTADÍSTICO DEL PROCESO Dr. P. Reyes / Enero 2006
a. Un lote es rechazado.
b. Cuando el procedimiento de muestreo termina sin decisión de aceptación
o rechazo, el lote se acepta pero se cambia a inspección normal en el
próximo lote.
c. La producción es irregular o se retarda en entregas.
d. Otras condiciones que fuercen a cambiar a la inspección normal.
PROCEDIMIENTO
Página 274
CONTROL ESTADÍSTICO DEL PROCESO Dr. P. Reyes / Enero 2006
DISCUSIÓN
Todas las curvas OC son tipo B, también se proporcionan curvas para el ASN y
datos del AOQL.
Página 275
CONTROL ESTADÍSTICO DEL PROCESO Dr. P. Reyes / Enero 2006
Si se grafica el tamaño medio del rango de lotes contra el logaritmo del tamaño
de muestra se obtiene una recta hasta n=80 y después una recta con una
pequeña pendiente. Como la razón de N a n es decreciente conforme aumenta N
se economiza en la inspección.
El estándar civil ANSI/ASQC Z1.4 o ISO 2859 es la contraparte del estándar MIL-
STD-105E, difiriendo en que:
Los planes anteriores basados en AQL no son adecuados para el caso del
ensamble de productos complejos. La tabla siguiente muestra la fracción defectiva
en ppm dependiendo del AQL “aceptable”.
Página 276
CONTROL ESTADÍSTICO DEL PROCESO Dr. P. Reyes / Enero 2006
AQL ppm
10% 100,000
1% 10,000
0.1% 1,000
0.01% 100
0.001% 10
0.0001% 1
Por tanto es obvio que se requieran planes de protección del LTPD, aun cuando
el AQL sea muy bajo. Para esto se utilizan los planes de Dodge-Romig
principalmente para inspección de sub-ensambles.
Para ambos se tiene una tabla de muestreo doble y simple. Son útiles cuando el
rechazo medio del proceso es bajo (alrededor de 100 ppm).
Las tablas de Dodge-Romig (1959) tienen planes para valores de AOQL de 0.1%,
0.25%, 0.75%, 1%, 1.5%, 2.5%, 3%, 4%, 5%, 7% y 10% en cada una se
especifican seis valores para medias de proceso. Se tienen planes para muestreo
simple y doble.
Página 277
CONTROL ESTADÍSTICO DEL PROCESO Dr. P. Reyes / Enero 2006
Se diseñaron de tal forma que la probabilidad de aceptación del LTPD sea 0.1. Se
proporcionan tablas para valores de LTPD de 0.5%, 1%, 2%, 3%, 4%, 5% 7% y
10%.
Página 278
CONTROL ESTADÍSTICO DEL PROCESO Dr. P. Reyes / Enero 2006
Cuando el promedio del proceso es mayor que la mitad del LTPD, la inspección
100% es mejor económicamente.
Página 279
CONTROL ESTADÍSTICO DEL PROCESO Dr. P. Reyes / Enero 2006
VENTAJAS Y DESVENTAJAS
La principal ventaja del muestreo por variables es que se puede obtener la misma
curva característica de operación con tamaño de muestra menor que el que
requeriría un plan por atributos. Otra ventaja es que los datos por variables
proporcionan más información del proceso que los atributos. Cuando los AQLs
son muy pequeños (del orden de ppm), el tamaño de muestra requerido en el caso
de muestreo por atributos es muy grande y por variables muy pequeño. Cuando la
inspección es del tipo destructivo, los planes por variables si se aplican son más
económicos.
Página 280
CONTROL ESTADÍSTICO DEL PROCESO Dr. P. Reyes / Enero 2006
Existen dos tipos de planes de muestreo por variables, los que controlan la
fracción defectuosa del lote y los que controlan un parámetro del proceso tal como
la media.
Página 281
CONTROL ESTADÍSTICO DEL PROCESO Dr. P. Reyes / Enero 2006
p
__
LIE X x
Procedimiento 1.
X LIE
Z LIE (8.1)
Si hay un valor crítico p que no deba ser excedido con una probabilidad
establecida, se puede traducir el valor de p en una distancia crítica por decir k para
ZLIE. De esta forma si ZLIE <= k, se aceptará el lote ya que automáticamente la
Página 282
CONTROL ESTADÍSTICO DEL PROCESO Dr. P. Reyes / Enero 2006
X LIE 82 100
Z LIE 1.8
10
LSE X
Z LSE (8.2)
p Zs ó Zi
0.25 0.6745
0.20 0.8416
0.15 1.0364
0.10 1.2816
0.5 1.6449
0.2 2.0537
0.1 2.3263
Procedimiento 2.
Página 283
CONTROL ESTADÍSTICO DEL PROCESO Dr. P. Reyes / Enero 2006
X LIE
QLIE n /( n 1)
(8.3)
LSE X
QLSE n /( n 1)
Página 284
CONTROL ESTADÍSTICO DEL PROCESO Dr. P. Reyes / Enero 2006
a) Procedimiento 1
Si se desconoce la desviación estándar, se toma una muestra
aleatoria de n = 40 piezas calculando la media y la
desviación estándar s, se calcula ahora:
Página 285
CONTROL ESTADÍSTICO DEL PROCESO Dr. P. Reyes / Enero 2006
X LIE
Z LIE
b) Procedimiento 2.
1 k n 1 1.9 40
0.35
2 2( n 1) 2 2(39)
Página 286
CONTROL ESTADÍSTICO DEL PROCESO Dr. P. Reyes / Enero 2006
Se enfoca al AQL (entre 0.1% a 10%) con cinco niveles generales de inspección
(el normal es el II), el nivel III tiene una curva más abrupta que el nivel II. Se
pueden usar niveles más bajos (S3 S4) para reducir costos muestrales si se
toleran riesgos mayores.
Variabilidad Variabilidad
Desconocida Conocida
Método de S
Especificación Especificaciones
Unilateral Bilaterales
Tienen 4 secciones:
Página 287
CONTROL ESTADÍSTICO DEL PROCESO Dr. P. Reyes / Enero 2006
Procedimiento 1.
1. En la tabla A-2 se identifica el código de letra, en este
caso, la N:
2. En la tabla B-1 se determina la n y k en este caso con la
letra N y AQL= 1.00 negociado entre proveedor y cliente,
se obtiene k = 2.03. Para el caso de inspección severa
(escala inferior) k = 2.18. Para el caso de inspección
reducida k = 1.8 de la tabla B-2.
3. En la tabla B-3 se determina M en el renglón de N y
columna de AQL= 1% obteniéndose M= 2.05%. Para inspección
severa M = 1.42%. Para inspección reducida, de la tabla B-
4 se obtiene k = 3.44%.
Página 288
CONTROL ESTADÍSTICO DEL PROCESO Dr. P. Reyes / Enero 2006
Nota:
Es posible pasar de planes de muestreo con sigma desconocida a planes con
sigma conocida con menor n si se demuestra estabilidad en una gráfica X -s para
los lotes (al menos para 30). Los planes específicos para este tipo de planes se
deben consultar en el estándar.
Página 289
CONTROL ESTADÍSTICO DEL PROCESO Dr. P. Reyes / Enero 2006
Solución.
a) De tabla A2, se selecciona la letra D.
b) De la tabla B1, n = 5, k= 1.52
c) Suponiendo lecturas 197º, 188º, 184º, 205º y 201º.
X= 195 , s = 8.8
d) ( LSE - X ) / s = (209 – 195) / 8.8 = 1.59
e) 1.59 > k por tanto se acepta el lote.
Página 290
CONTROL ESTADÍSTICO DEL PROCESO Dr. P. Reyes / Enero 2006
209 180
QS= 1.59 ; PS = 2.19% (de tabla B-5)
8.8
Página 291
CONTROL ESTADÍSTICO DEL PROCESO Dr. P. Reyes / Enero 2006
195 180
QI= 1.704; PI = 0.66% (de tabla B-5) por tanto
8.8
la fracción defectiva total es de
p = 2.85%
Página 292
CONTROL ESTADÍSTICO DEL PROCESO Dr. P. Reyes / Enero 2006
Ejemplo 8.10 Sea LIE= 58,000 psi; tamaño del lote 500
artículos;AQL = 1.5%; Inspección nivel II, normal. De
X = 63,000; n = 10 ; =
_
los datos anteriores se obtuvo
3,000. De tabla A-2 se obtiene la letra I.
a) Obtención en tabla D3 de n, M y V como 10, 3.63%, 1.054
respectivamente.
b) Cálculo de QL =(63,000 - 58,000) * 1.054 / 3,000 = 1.756
c) Determinar PL de tabla D5 con QL= 1.756 es 3.92%
Como PL > M se rechaza el lote.
Página 293
CONTROL ESTADÍSTICO DEL PROCESO Dr. P. Reyes / Enero 2006
Los ajustes que se hicieron en la norma ASQC Z1.9 (1980) e ISO 3951 (1981)
son:
1. Los rangos de tamaño de lotes se ajustaron para corresponder con la MIL-
STD-105E por atributos.
Página 294
CONTROL ESTADÍSTICO DEL PROCESO Dr. P. Reyes / Enero 2006
2. Se ordenaron las letras código para tener la misma protección que con la MIL-
STD-105E.
3. Los niveles de inspección originales I, II, III, IV y V se denominaron S 3, S4, I, II
y III.
4. En la ISO 3951 se eliminaron los planes que consideran a los rangos en vez
de las desviaciones estándar.
5. En la ISO 3951 y en la Z1.9 se eliminaron los AQLS de 0.04, 0.065 y 15%.
6. Cambios en las reglas de transferencia.
Se adoptan las mismas reglas que en la 105E para el paso de inspección
normal a severa y viceversa con ligeras modificaciones.
La norma Z1.9 permite el paso de inspección normal a reducida si:
10 lotes en inspección normal fueron aceptados.
La producción es continua.
La inspección reducida es aprobada.
La ISO 3951 permite el paso a inspección reducida si 10 lotes sucesivos han
sido aceptados y:
El AQL es un paso menor.
El proceso está bajo control estadístico.
La inspección reducida es aprobada.
7. La ISO 3951 permite el paso de un método de sigma desconocida a sigma
conocida, utilizando como sigma el valor promedio estimado en la carta de
control estable con al menos 30 subgrupos. Requiriendo la continuación de la
carta s o R.
Página 295
CONTROL ESTADÍSTICO DEL PROCESO Dr. P. Reyes / Enero 2006
Los planes de muestreo por variables también pueden utilizarse para asegurar la
calidad media de un material en lugar de su fracción defectiva. El método general
que aquí se emplea es el de prueba de hipótesis, lo cual se ilustra con un
ejemplo.
X A 0.3 X A 0.3
1.645 (8.4)
0.1
n n
Página 296
CONTROL ESTADÍSTICO DEL PROCESO Dr. P. Reyes / Enero 2006
X A 0.4 X A 0.4
1.282 (8.5)
0 .1
n n
X A = 0.355 n= 9
Página 297
CONTROL ESTADÍSTICO DEL PROCESO Dr. P. Reyes / Enero 2006
APÉNDICES
Página 298
CONTROL ESTADÍSTICO DEL PROCESO Dr. P. Reyes / Enero 2006
CARTAS Xbarra-S
Límites de control para medias
LSCx = X + A3 S
LCx = X
LICx = X - A3 S
MR
LICx = X 3
d2
Para el caso del rango se usan las mismas de la carta Xbarra-R con n=2
Página 299
CONTROL ESTADÍSTICO DEL PROCESO Dr. P. Reyes / Enero 2006
CARTA p
Di
pi
ni
m m
Di p i
p i 1
i 1
mn m
__ __
LSCp = p 3 p (1 p )
__
n
__
LCp = p
__ __
LICp = p 3 p (1 p )
__
CARTAS np
LSC np np 3 np (1 p )
LC np np
LIC np np 3 np (1 p )
CARTAS c
LSCc = c + 3 c
LCc = c
LICc = c - 3 c
CARTAS u
Página 300
CONTROL ESTADÍSTICO DEL PROCESO Dr. P. Reyes / Enero 2006
c
u
n
u
LSC u u 3
n
LC u u
u
LSC u u 3
n
Página 301
CONTROL ESTADÍSTICO DEL PROCESO Dr. P. Reyes / Enero 2006
Página 302