Tolerancias y capacidad de procesos

Se suele distinguir entre dos tipos de tolerancias:

 Tolerancias de diseño: las cuales son fijadas por el
departamento de ingeniería. Están relacionadas con el concepto de
calidad en el diseño.
 Tolerancias naturales: que vienen dadas por las características
de la máquina o proceso.

Si las tolerancias naturales de un proceso son más estrictas que las

tolerancias de diseño entonces es fácil obtener calidad de
conformidad.
Sin embargo, si las tolerancias de diseño se vuelven incompatibles
con las tolerancias naturales de nuestro proceso, muy difícilmente
lograremos elaborar productos que las satisfagan.
Tolerancias y capacidad

Mercado Naturales Diseño

Las tolerancias de diseño deben ser realistas:

deben representar un compromiso entre el
mercado y nuestro sistema de producción.
 Estudios de Capacidad de Procesos
 Su objetivo es cuantificar la variabilidad inherente de un proceso o de una parte del
mismo (determinar tolerancias naturales) y analizar dicha variabilidad en relación con
las especificaciones del producto (tolerancias de diseño).
 No tiene sentido hablar de capacidad para procesos que no se encuentran en
estado de control.

Los objetivos que se pueden perseguir a la hora de realizar un estudio de capacidad

pueden ser diversos:

 ¿nuestros procesos son Acciones drásticas; Valores

capaces de elaborar “razonables” para las especificaciones
productos con la calidad de un producto nuevo; Elección
que requiere el mercado? estratégica de proveedores.
 Estudios de Capacidad de Procesos

Capacidad de las máquinas u operarios

Normalmente (capacidad a corto plazo)
se indican dos
tipos de
Capacidad del proceso (capacidad a
capacidad
largo plazo)

Una manera de representar el resultado de un estudio de capacidad

es utilizando histograma de frecuencias al cual se le añaden
indicaciones sobre el valor objetivo de la característica de calidad y
los límites de especificación de la misma. También suelen utilizarse
los Gráficos de Control o determinados Índices de Calidad para
facilitar el análisis.
Para analizar la capacidad del proceso se puede utilizar un histograma de frecuencias.
Si se dispusiera de todos los datos del universo para la característica de calidad medida
y se hiciera un histograma este permitiría tener una idea exacta de la fluctuación natural
del proceso. Como esto es imposible, es necesario tomar un cierto número de
mediciones (mínimo 100-200) y efectuar con ellas un histograma de frecuencias.
Este es el histograma de una muestra y por lo tanto es sólo una estimación del
verdadero histograma del universo. Si representamos en las abscisas los Límites de
Especificación del producto, podemos ver gráficamente si el proceso tiene aptitud
(Capacidad) para fabricar dicho producto.
 El valor promedio del histograma se encuentra en el centro del
rango de los datos. La frecuencia es el punto mas alto en la
mitad y gradualmente se reduce a ambos lados.
Es el tipo de figura que se observa con mas frecuencia

TIPO GENERAL

El valor promedio del histograma se sitúa a la izquierda (o

derecha) del centro del rango. La frecuencia decrece
abruptamente hacia la izquierda (o derecha) y suavemente a la
derecha (o izquierda).
Este tipo de figura ocurre usualmente cuando de un proceso de
baja capacidad se toma un muestreo al 100%.

PRECIPICIO – LAD IZQ

En cada clase puede descender o ascender la frecuencia.
Este tipo de figura se observa cuando el número de unidades
de datos incluidos en la clase, varía de clase en rango o cuando
hay una tendencia particular en el redondeo de los datos

TIPO CRESTA
 El valor promedio del histograma se sitúa a la izquierda
(derecha) del centro del rango, la frecuencia varía
abruptamente sobre la izquierda y suavemente sobre la
derecha. Asimétrico.
El límite inferior se controla mediante un valor teórico o
específico o cuando los valores descienden de un cierto valor
que no aparece.
TIPO SESGADO POSITIVO
Los rangos tienen mas o menos la misma frecuencia a
excepción de los extremos.
Ocurre cuando se mezclan distribuciones con valores
promedios diferentes

TIPO MESETA

La frecuencia es baja cerca de la mitad del rango de los datos y

hay un pico en cada extremo.
Esta figura aparece cuando se mezclas distribuciones con
promedios bastante diferentes

TIPO PICO MELLIZO

 Hay un pico aislado que se añade al histograma de tipo general.
Esto ocurre porque se incluyen algunos datos de distribución
diferente, como ocurre en el caso de anomalías de proceso, o
inclusión de datos de proceso diferente

TIPO PICO AISLADO

 Índices de capacidad
Para cuantificar la Capacidad de Proceso se utilizan coeficientes que permiten
comparar el rango de especificaciones con la fluctuación natural del proceso.
Uno de ellos es Cp.

Si los procesos están centrados:

LST  LIT
Cm 
 Capacidad de máquinas 8

 Capacidad de procesos LST  LIT

Cp 
6
Los valores de 6 y 8 se han fijado
de modo que la conformidad sea de al
menos 99.997% y 99.865% si los
datos provienen de una distribución
normal.
 Índices de capacidad
Se desea que el índice de capacidad sea tan grande como sea
posible:

Si el proceso tiene capacidad para fabricar el producto, entonces

Cp > 1. En general se exige Cp > 1.30 para mayor seguridad.

 Si Cp < 1 se dice que el proceso no es capaz.

 Si 1 < Cp < 1.33 el proceso es capaz, pero cualquier pequeño

cambio en las condiciones puede hacer que pierda esta cualidad.

 Si Cp > 1.33 el proceso es capaz y robusto.

 Gráficos de Control por atributos
Gráficos de control por variables o por atributos?

• Desde ya las características de calidad que son atributos (no medibles) no

pueden ser controladas por variables (mediciones), pero lo contrario sí
puede ser.

• Los gráficos de control por variables se usan para una única característica
de calidad. Si una pieza tiene varias características de calidad medibles es
necesario un gráfico para cada una.

• En el gráfico de control por atributos se pueden incluir todas las características

de calidad que se deseen de una misma pieza.

• Es conveniente hacer un gráfico de control por variables para la

característica medible más importante y un gráfico de control por atributos
para el resto de las características de calidad del producto.
TEOREMA DEL LÍMITE CENTRAL

Ej.: Distribución de Frecuencia

de un dado que tenga dos
números 3 y dos números 6 en
lugar del 2 y del 4.

N=100 y n = 10

La distribución de frecuencias
se transforma en una
N=100 y n = 4 distribución normal
 Gráficos de control por atributos
En los gráficos de control por atributos, el control del proceso se realiza
mediante atributos de tipo dicotómico. Así, se puede analizar si el
producto o servicio posee o no una determinada característica
(atributo): color, forma, defecto, tipo, etc. Y en general se aborda dicho
análisis mediante preguntas del tipo: aceptable/no aceptable, si/no,
funciona/no funciona, etc.

Diferencia entre “defecto” y “defectuosa”:

Defecto: cuando una característica de calidad de una pieza no cumple
con uno solo de los requisitos establecidos para esa característica.

- Defectuosa: es la pieza con uno o más defectos.

La cantidad de piezas defectuosas coincide con la cantidad de defectos

si sólo hay un defecto en cada pieza defectuosa. En la muestra, la
cantidad de defectos será mayor o igual a la cantidad de piezas
defectuosas, nunca menor.
 Variaciones debidas al muestreo y cálculo de límites

TIPOS DE GRÁFICOS BASADOS EN:

Los gráficos basados en piezas defectuosas (p y np) se aplican en

productos con pocas características de calidad (piezas sencillas).
Los gráficos basados en defectos (u y c) se aplican a productos con gran
cantidad de características de calidad o sea en una unidad pueden
admitirse uno o más defectos ej. productos ensamblados o consistentes
de varias piezas.
Genéricamente, los límites de control siempre responden a la
formulación: LC = VC ± 3σ,

esto es, tres desviaciones estándar a un lado y otro del valor central de
la medida de estudio. La interpretación que se hará de los puntos que
rebasen los límites de control es la siguiente, si un valor supera el límite
superior de control, querrá decir que se ha producido un alarmante
ascenso del número de unidades defectuosas (o del número de
defectos).
Sin embargo los valores por debajo del límite inferior de control pueden
deberse a dos situaciones; o bien el proceso ha mejorado realmente,
disminuyendo el número de fallos, o la extracción de la muestra no
es adecuada en tamaño (tamaños de muestra pequeños, pueden
falsear la información real del % de fallos existente en el proceso).

Por este motivo, los tamaños muestrales deben ser suficientemente

grandes, con valores habitualmente superiores a 50 elementos por
muestra.
Gráfico de control de la cantidad de defectuosas (gráfico np)

Este gráfico controla en cada punto correspondiente a una extracción

muestral, el número de unidades defectuosas correspondientes a esa
muestra.
Las expresiones del valor central y de los límites de control para este
gráfico son:

Es obvio que el valor de los límites de control es constante, pero

depende del tamaño muestral elegido.
EJEMPLO GRÁFICO "np".
La empresa Data ha decidido llevara un control de calidad del proceso
productivo mediante la utilización de gráficos np empleando muestras
de 250 unidades, obteniéndose de las 25 primeras muestras las
unidades defectuosas que se presentan en la tabla siguiente:

De acuerdo con los datos anteriores, calcularemos los límites de control

mediante la expresión:
Gráfico de control de la fracción defectuosa (gráfico p)

Este gráfico controla en cada punto correspondiente a una extracción

muestral, el porcentaje de unidades defectuosas muestral. Así, por pi
denotaremos a la fracción defectuosa de la muestra iésima (obtenida
como cociente entre el número de unidades defectuosas en la muestra
i-ésima y el tamaño muestral de dicha muestra).

El valor central de esta característica, será:

donde N es el número total de muestras.

Los límites de control, para este gráfico, se calculan según la fórmula
siguiente (siendo la raíz de la misma un estimador de la desviación
poblacional):

Los límites de control dependen del tamaño muestral (que es variable),

por lo que los valores de control de este gráfico no serán constantes.
Suelen calcularse los denominados límites de control simplificados, que
toman valores constantes al considerar en la fórmula anterior el tamaño
muestral promedio de las N muestras.

Esta aproximación, podrá hacerse siempre que no exista gran variación

entre los tamaños muestrales de las diferentes muestras.
Para aquellos puntos del gráfico próximos a estos límites simplificados,
será necesario calcular los límites de control reales, para evitar falsas
alarmas.
EJEMPLO DE GRÁFICO (P)

Una empresa fraccionadora de dulces de membrillo decide aplicar un

monitoreo por control estadístico mediante un gráfico de control (P) ya
que posee una producción por lotes y observar la fracción de envases
defectuosos

Comenzó examinando un 50% de la producción diaria mediante

muestras de tamaño variable ya que tomaba un picking directamente de
la cámara.

Como valor central de la fracción defectuosa se adopta, en un

principio, el obtenido de experiencias similares en el pasado, igual a un
2,5 por 100 de envases defectuosos por muestra. Este valor (p = 0,025)
será revisado mensualmente y sustituido por otro si la evolución de la
calidad así lo aconseja.
Los datos procedentes de 25 muestras aparecen en la tabla de la figura
siguiente en la que se indica además de los valores de ni y pi, los valores
de los límites de control de cada muestra, calculados de acuerdo con las
expresión siguiente para pi :
RESOLUCIÓN:
A partir de los datos de la tabla se ha dibujado el gráfico p. De su
observación se desprende que, a partir de la muestra 7, la calidad ha ido
empeorándose progresivamente hasta llegar a una muestra, la 17, que
queda fuera de control. A partir de ella se han aplicado medidas
correctoras que han traído consigo una mejora en la fracción
defectuosa. A la luz de la información brindada por el gráfico p parece
aconsejable revisar el valor central empleado, utilizándose para ello el
promedio de p durante el mes transcurrido, y excluyendo, claro está, el
valor correspondiente a la muestra que resultó fuera de control. Así
pues, el nuevo VC a aplicar el mes de marzo será:

Que es menor que el objetivo de 0,025.

Vemos que se ha conseguido una ligera mejora de la calidad sobre el VC
inicialmente previsto. En el presente caso, en el que el tamaño de la
muestra varía dentro de unos límites estrechos, cabe la posibilidad de
utilizar un valor medio para el mismo, ṅ, que evitará el cálculo de los LC
para cada muestra, utilizándose para todas ellas los LC resultantes de
aplicar las expresiones anteriores para ṅ = 0,507.

De esta forma obtenemos unos limites de control que no varían con el

tamaño de la muestra. Su utilización debe ir acompañada del cálculo de
los verdaderos valores de LC en aquellas muestras cuyo valor de p¡
quede fuera, o muy próximo, del LC promedio, de forma que pueda
determinarse si la muestra en cuestión debe ser considerada realmente
fuera de control.
De forma análoga, para el mes de marzo podemos utilizar unos LC
aproximados, para cuyo cálculo utilizaremos:
p' = 0,0235 y ṅ = 506
lo cual nos lleva a

Se observa que, de utilizar un valor de n constante, la diferencia entre

este gráfico y el np es la escala, siendo la de este último igual a la del p
multiplicada por n. Suele ser más interesante emplear el gráfico np,
pues requiere menos cálculos y es de más fácil comprensión. No
obstante, los cálculos de los distintos LC en los gráficos p pueden ser
sistematizados.
Gráfico de defectos por unidad (gráfico u)
Apropiado para productos formados por un conjunto de piezas, en los cuales suele
ser frecuente la admisión de uno o varios defectos por unidad.
Límites de control con u´especificado:
En este caso: σu = √ u´/n y los límites serán:
LS: u´+ 3 √ u´/n
LC: u´
LI: u´- 3 √ u´/n
Límites de control con u´no especificado:
En este caso se reemplaza u´por u obtenida de no menos 20 muestras previas
según:
∑ ci
u=
∑ ni
siendo ci los defectos observados en cada muestra. O sea el promedio de defectos
por unidad (u ) se calcula por el cociente entre la suma de los defectos en todas las
muestras y la cantidad de unidades controladas.
Simplificación:
- Cuando se especifica u´: en cambio de controlar los defectos por unidad se
controla la cantidad de defectos en la muestra (c). La relación entre c y u es:
u = c / n o sea: c = u.n
Además se cumple: σp = n σu = n √ u´/n = √ u´n
Así denominando c´ = u´.n siendo c´ el promedio de defectos por muestra que
esperamos encontrar después de muchas muestras, los límites de control
serán:
LS: c´+ 3 √ c´
LC : c´
LI : c´- 3 √ c´
- Cuando no se especifica u´: se reemplaza c´ por c calculada sobre no
menos de 20 muestras previas de igual tamaño, según:
∑ ci
c=
m
Donde m es el número de muestras tenidas en cuenta.