Documentos de Académico
Documentos de Profesional
Documentos de Cultura
ESTADÍSTICO
DE PROCESOS
Página 1 de 133
Módulo 1. Introducción
Página 2 de 133
1.2 HISTORIA DEL CONTROL ESTADÍSTICO DEL PROCESO
Antecedentes
Página 3 de 133
Control estadístico de procesos (CEP)
CEP en occidente
Durante la segunda guerra mundial se requirieron cantidades masivas de
productos, las inspecciones de rutina de los inspectores no eran suficientes, en
algunas compañías, tales como la Western Electric, bajo contrato de la American
Bell Telephone Company, estableció métodos de control de calidad más rigurosos
que infundieran confianza en sus instrumentos y electrodomésticos, en 1924 se
formó su departamento de Ingeniería de Inspección, entre sus primeros miembros
se encuentran Harold F. Dodge, Donald A. Qaurles, Walter A. Shewhart, Harry G.
Romig y otros.
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”. Por otra parte “H. Dodge y H.
Romig desarrollaron las tablas de inspección por muestreo de Dodge-Romig”, como una
Página 4 de 133
Durante la II guerra mundial se expandió el uso de los métodos estadísticos de
control de procesos en la industria de la manufactura, la American Society for
Quality Control se formó en 1946 para promover su uso. De 1946 a 1949 W.
Deming es invitado a Japón a dar seminarios sobre control estadístico de calidad a
sus industriales, extendiendo el uso de éstos métodos. Aparecen las obras de
Eugene L. Grant y A.J. Duncan sobre control estadístico del proceso. En occidente
es hasta la década de los ochenta cuando se voltea hacia los métodos
estadísticos ya muy comunes en Japón dado el éxito industrial de este país.
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:
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.
Página 5 de 133
Desarrollo del Control Estadístico del Proceso
W. A. Shewhart demostró que cuando se extraen muestras de tamaño 4 – 6 de
distribuciones casi normales, triangulares, uniformes, etc., y se calculan las
medias de esas muestras, al graficar las medias en un histograma siguen una
distribución normal.2
* * * *
** **
*** **
*** **
Distribución de promedios
Universo de las muestras
__ (1.1)
X n
Página 6 de 133
30 piezas. Se calcula la media y la desviación estándar de la muestra y se trata de
inferir sobre las características del proceso. Haciendo esto periódicamente se
pueden tener los comportamientos siguientes:
Hora 4
Hora 2
Hora 3
Hora 1
Página 7 de 133
LSC
LCC
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 variación anormal. Su uso sistemático proporciona un excelente medio
para reducir la variación.
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 variación en la característica de calidad y en determinar los
niveles más adecuados de los factores controlables que optimicen el desempeño
del proceso.
Página 8 de 133
ENTRADAS CONTROLADAS
X1 X2 XP
Materias primas,
Componentes, etc.
Z1 Z2 ZQ
ENTRADAS NO CONTROLADAS
Página 9 de 133
o rechazo de ese lote mayor, esto ocurre en la recepción de materias primas y
componentes y en el producto terminado.
MUESTREO DE
ACEPTACION
CONTROL DE PROCESO
DISEÑO DE
EXPERIMENTOS
0%
Tiempo
Página 10 de 133
Módulo 2. Métodos y filosofía del CEP
Página 11 de 133
2. MÉTODOS Y FILOSOFÍA DEL CONTROL ESTADÍSTICO
DEL PROCESO (CEP)
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 12 de 133
TEOREMA DEL LÍMITE CENTRAL
50
40
30
20 Frec.
10
0
1 2 3 4 5 6 7 8 9
X1 X2 X3
X-media 1 X-media 2 X-media 3
Página 13 de 133
Conforme el tamaño de muestra se incrementa las muestras se distribuyen
normalmente con media de medias y desviación estándar de las medias de las
muestras / n. También se denomina Error estándar de la media.
10
8
6
4 Frec.
2
0
3.5 4 4.5 5 5.5 6 6.5
Hacer comentarios
Hacer comentarios
Página 14 de 133
1.Calc > Row statistics Seleccionar Mean
2.Input Variables X1 X2 X3 X4 X5
3. Store Results in Medias
4. OK
Hacer comentarios
Predicción
Tiempo
Página 15 de 133
Existen otras fuentes de variación que pueden ser causadas por máquinas,
errores de operadores, materiales defectuosos o alguna otra de las 6M’s (medio
ambiente, métodos, mediciones). Esta variación es muy grande en relación con la
variación natural y es originada por causas especiales o asignables haciendo que
el proceso opere fuera de control estadístico.
Página 16 de 133
M
Región de control,
E
D captura la variación
I natural del proceso
D LSC
original
A
S
C
A LIC
L Tendencia del proceso
I
D El proceso ha cambiado
A
Causa Especial
identifcada
D
TIEMPO
LSC
LC
LIC Tiempo
Página 17 de 133
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.
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 18 de 133
El uso más importante de la carta de control es la mejora del proceso, a través de
su monitoreo, al principio se observará que los procesos no están en control
estadístico, sin embargo con las cartas de control se podrán identificar causas
especiales que al ser eliminadas, resulten en una reducción de la variación
mejorando el proceso.
Página 19 de 133
ENTRADA PROCESO SALIDA
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.
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.
Las cartas de control han sido muy populares por las siguientes razones:
Página 21 de 133
1. Son una herramienta probada para mejorar la productividad. Su aplicación
exitosa ayuda a reducir desperdicios y retrabajos, que son factores que
reducen la productividad (productos buenos por hora).
2. Son efectivas como herramientas de prevención de defectos. Apoyan el
concepto de hacerlo bien a la primera vez, es más costoso seleccionar
productos buenos en un lote con productos defectuosos, que fabricarlos bien
desde el principio.
3. Evitan que se hagan ajustes innecesarios en el proceso. Apoyan el concepto
de “si no esta mal, no lo arregles”, ya que identifican las causas comunes de
las especiales, evitan que se hagan ajustes cuando sólo se están teniendo
variaciones aleatorias en el proceso.
4. Proporcionan información de diagnóstico. Proporcionan un patrón de puntos
que permite la toma de decisiones para la mejora del proceso, al operador o al
ingeniero experimentado.
5. Proporcionan información acerca de la capacidad o habilidad del proceso.
Proporcionan información acerca de los parámetros importantes del proceso y
de su estabilidad con el tiempo, permitiendo la estimación de la capacidad del
proceso para producir dentro de especificaciones.
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, Estos límites de control se denominan límites
probabilísticos a 0.001.
Para un proceso en control estadístico habrá un punto fuera de control normal por
cada 370 puntos para límites a tres sigma.
SUBGRUPOS RACIONALES
La idea fundamental en las cartas de control es colectar los datos de la muestra de
acuerdo al concepto de subgrupo racional es decir que el subgrupo debe
seleccionarse de tal forma que si están presentes causas asignables, la diferencia
entre los subgrupos sea maximizada, minimizando la diferencia dentro del
subgrupo.
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.
Página 23 de 133
Por lo anterior en el caso de la manufactura se recomienda tomar de 4 a 6
productos consecutivos de producción, minimizando diferencias dentro del
subgrupo. En los procesos químicos o de procesos, es suficiente tomar una sola
unidad de producto como muestra, dado que existe homogeneidad.
Página 24 de 133
LSC
LC
LIC
LC
LIC
LSC
LC
LIC
Página 25 de 133
LSC
LC
LIC
Página 26 de 133
Debe tenerse cuidado de no exagerar en la aplicación de las reglas ya que se
pueden tener muchas falsas alarmas quitándole efectividad al programa del CEP.
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 27 de 133
Módulo 3. Cartas de control para
variables
Página 28 de 133
3. CARTAS DE CONTROL POR VARIABLES
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
variación 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 29 de 133
m
X
i 1
i
X (3.2)
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:
m
R
i 1
i
R (3.4)
m
W=R/ (3.5)
Los parámetros de la distribución de W son función de n. La media de W es d2.
Por tanto un estimador de es R / d2 , donde d2 está tabulado para diferentes
valores de n, de esta forma si R es el rango promedio de las primeras muestras,
usando:
R
(3.6)
d2
Los límites de control de la carta de medias son:
3R
LSC X Límite superior de control (LSC)
d2 n
3R
LIC X Límite inferior de control (LIC) (3.7)
d2 n
Página 30 de 133
3R
Si de define a A2 se tienen las ecuaciones siguientes:
d2 n
LSC = X + A 2 R (3.8)
LIC = X - A2 R
R d
LIC = R - 3 R = R - 3 d 3 = R [ 1- 3 3 ] = D3 R
d2 d2
Donde las constantes A2, d2 D3 y D4 se encuentran tabuladas en función de n para
facilitar el cálculo de los límites de control como sigue:
Página 31 de 133
7 0.419 0.076 1.924 2.704
8 0.373 0.136 1.864 2.847
9 0.337 0.184 1.816 2.97
10 0.308 0.223 1.777 3.078
2 0.992
3 0.975
4 0.955
5 0.930
6 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 32 de 133
control (ver procedimiento de Gráficas de Control). Para probar esta hipótesis, se
analizan todos los puntos graficados y se hace un análisis para identificar si hay
puntos fuera de los límites de control o patrones anormales de comportamiento, si
así fuera, los límites de control preliminares se pueden utilizar para el control
futuro del proceso.
Página 33 de 133
Xbar/R Chart for Supp2
603 1 1
UCL=602.4
Sample Mean
602
601
600 Mean=600.2
599
598 LCL=598.1
Subgroup 0 10 20
9
8 UCL=7.866
Sample Range
7
6
5
4 R=3.72
3
2
1
0 LCL=0
602.5
UCL=602.1
601.5
Sample Mean
600.5
Mean=599.9
599.5
598.5
597.5 LCL=597.7
Subgroup 0 10 20
9
8 UCL=8.106
Sample Range
7
6
5
4 R=3.833
3
2
1
0 LCL=0
Página 34 de 133
Xbar/R Chart for Supp2 by Grupo
1 2
603.5
1 UCL=603.1
602.5
601.5
Sample Mean
600.5 Mean=600.7
599.5
598.5 LCL=598.2
597.5
Subgroup 0 10 20
Hora 6:00:00 4:00:00
1 2
10
UCL=9.008
Sample Range
5
R=4.26
0 LCL=0
Página 35 de 133
3.3 CARTAS DE CONTROL PARA X y S
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.
LCs = c4 LC =
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
(3.13)
__
S
(3.14)
c4
Página 36 de 133
Como el estadístico S /c 4 es un estimador insesgado de , los parámetros de la
carta serán los siguientes:
S
LSCs = S 3 1 c42 = B4 S (3.15)
c4
LCs = S
S
LICs = S 3 1 c42 = 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 (3.16)
c4 n
LCx = X
S
LICx = X - 3 = X - A3 S
c4 n
Página 37 de 133
23 0.9887 0.6260 0.6330 0.5450 1.4550 0.5390 1.4380
24 0.9892 0.6120 0.6190 0.5550 1.4450 0.5490 1.4290
25 0.9896 0.6000 0.6060 0.5650 1.4350 0.5590 1.4200
1
602
Sample Mean
601
UCL=600.6
600
Mean=599.8
599 LCL=599.0
Subgroup 0 1 2 3 4 5 6 7 8 9 10
1
3
Sample StDev
2
UCL=1.443
1
S=0.8409
LCL=0.2386
0
Página 38 de 133
Xbar/S Chart for Supp1 by Grupo
1 2
1
602
Sample Mean
601
600 UCL=600.1
Mean=599.5
599 LCL=599.0
Subgroup 0 1 2 3 4 5 6 7 8 9 10
Hora 0:00:00 10:00:00 7:00:00 4:00:00 1:00:00 11:00:00 8:00:00 5:00:00 2:00:00 12:00:00
1 2
1
3
Sample StDev
1 UCL=0.9137
S=0.5323
0 LCL=0.1510
Página 39 de 133
Para este caso, los límites de control para la carta X son:
MR
LSCx = X 3
d2
__
LCx = X (3.17)
MR
LICx = X 3
d2
n=2
35
UCL=34.80
Individual Value
34
Mean=33.52
33
LCL=32.24
32
Subgroup 0 5 10 15
1.5 UCL=1.571
Moving Range
1.0
0.5 R=0.4807
0.0 LCL=0
Página 40 de 133
3.5 SELECCIÓN ENTRE CARTAS POR VARIABLES Y POR
ATRIBUTOS
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 CEP multivariado.
Las cartas por variables proporcionan mayor información del proceso que las de
atributos, tal como la media del proceso y su variación, 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.
Página 41 de 133
SELECCIÓN DE LA CARTA DE CONTROL ADECUADA
A. Se prefiere una carta por variables en las situaciones siguientes:
1. Se inicia un proceso o producto nuevo.
2. El proceso ha estado mostrando un comportamiento inconsistente crónico.
3. Se requieren pruebas destructivas.
4. Se desea economizar el control cuando el proceso es estable.
5. Existen tolerancias muy cerradas u otros problemas de operación.
6. El operador debe decidir si ajustar el proceso o no, o cuando evaluar el ajuste.
7. Se debe presentar evidencia de estabilidad y de capacidad ante el gobierno
8. Mejora de procesos de proveedores. Reducir su variación a través de centrar
su proceso y tomar acciones correctivas.
9. Selección de equipo productivo a través de demostración de su capacidad
antes de su embarque.
Página 42 de 133
Módulo 4. Cartas de control para
atributos
Página 43 de 133
4. CARTAS DE CONTROL PARA ATRIBUTOS
4.1 INTRODUCCIÓN
Muchas características de calidad no pueden ser representadas numéricamente,
denominándose atributos. En tales casos cada artículo o servicio completo se
Fig. 4.2 El producto puede ser funcional pero puede tener defectos o no
conformidades, que pueden ser corregidas con retrabajo o no se pueden
corregir y ser desperdicio.
Página 44 de 133
4.2 CARTA DE CONTROL PARA FRACCIÓN NO CONFORME - p
Di
pi (4.1)
ni
LSC = w + Lw
LC = w (4.4)
LIC = w - Lw
Página 45 de 133
__ __
__
p (1 p )
LSCp = p 3
n
__
LCp = p (4.5)
__ __
__
p (1 p )
LICp = p 3
n
pi = Di / n i = 1, 2, 3,....., m (4.6)
m m
Di
i 1
p
i 1
i
p (4.7)
mn m
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 46 de 133
Ejemplo 4.1 Para un servicio de mantenimiento se tomaron
datos de 30 muestras de 50 servicios contabilizando las
quejas en cada uno como sigue:
No No No
Servicio conformes Servicio conformes Servicio conformes
1 12 11 5 21 20
2 15 12 6 22 18
3 8 13 17 23 24
4 10 14 12 24 15
5 4 15 22 25 9
6 7 16 8 26 12
7 16 17 10 27 7
8 9 18 5 28 13
9 14 19 13 29 9
10 10 20 11 30 6
m m
D
i 1
i p
i 1
i
347
p = = 0.2313
mn m (30)(50)
Corrida en Minitab
1. Stat > Control Charts > P
2. Variable No conformes Subgroup size 50
3. OK
Página 47 de 133
P Chart for No confo
0.5 1
1
0.4 UCL=0.4102
Proportion
0.3
P=0.2313
0.2
0.1
LCL=0.05243
0.0
0 10 20 30
Sample Number
Página 48 de 133
P Chart for No confo
1
0.4 UCL=0.3893
0.3
Proportion
P=0.215
0.2
0.1
LCL=0.04070
0.0
0 10 20 30
Sample Number
0.3
Proportion
0.2 P=0.2081
0.1
LCL=0.03590
0.0
0 10 20 30
Sample Number
Página 49 de 133
En lugar de tener fracciones no conformes, si el tamaño de muestra es constante,
se pueden utilizar directamente el número de artículos defectuosos o no
conformes np, para evitarle operaciones aritméticas al operador, los parámetros
de esta carta son:
LSC np np 3 np(1 p)
LC np np (4.12)
LIC np np 3 np(1 p)
Ejemplo 4.5 Con los datos del ejemplo anterior se tiene con
Minitab:
1. Stat > Control Charts >N P
2. Variable No conformes Subgroup size 50
3. OK
¿Esta en control estadístico?
Si no eliminar puntos fuera de control y recalcular límites de control
10 NP=10.41
LCL=1.795
0
0 10 20 30
Sample Number
Página 50 de 133
4.4 TAMAÑO DE MUESTRA VARIABLE
En algunas aplicaciones para la fracción defectuosa, la muestra es la inspección
100% de los servicios proporcionados en un periodo de tiempo, por tanto la
muestra será variable. Se tiene varios métodos para llevar una carta de control:
Página 51 de 133
100 10 0.1 0.183686 0.0073347 0.0293918
90 6 0.066667 0.188455 0.0025651 0.0309817
25
D
i 1
i
234
p 25
0.096
2450
n
i 1
i
LC = 0.096
(0.096)(0.904)
LICp= p 3 p 0.096 3
ni
0.2
UCL=0.1882
Proportion
0.1 P=0.09534
0.0 LCL=0.002468
0 5 10 15 20 25
Sample Number
Página 52 de 133
Cuando se toman límites de control variables, el análisis de patrones de
anormalidad no tiene sentido ya que la desviación estándar en cada muestra esta
variando y no es posible visualizar corridas o rachas.
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 1
i
2450
n 98
m 25
Con límites de control basados en n 98 :
(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
Corrida con Minitab:
1. Stat > Control Charts > P
2. Variable Nodef Subgroups size 98
3. OK
Página 53 de 133
P Chart for nodef
1
0.2
UCL=0.1848
Proportion
0.1 P=0.09566
LCL=0.006529
0.0
0 5 10 15 20 25
Sample Number
pi p
Zi (4.13)
p (1 p)
ni
Frac.-
n-var nodef def LSC LIC Desv-est. Z-Estand
100 12 0.12 0.183686 0.0073347 0.0293918 0.81655
80 8 0.1 0.194093 -0.003073 0.0328611 0.12172
Página 54 de 133
80 6 0.075 0.194093 -0.003073 0.0328611 -0.63905
100 9 0.09 0.183686 0.0073347 0.0293918 -0.20414
110 10 0.090909 0.179582 0.0114382 0.028024 -0.18166
110 12 0.109091 0.179582 0.0114382 0.028024 0.46713
100 11 0.11 0.183686 0.0073347 0.0293918 0.47632
100 16 0.16 0.183686 0.0073347 0.0293918 2.17748
90 10 0.111111 0.188455 0.0025651 0.0309817 0.48774
90 6 0.066667 0.188455 0.0025651 0.0309817 -0.94679
110 20 0.181818 0.179582 0.0114382 0.028024 3.06231
120 15 0.125 0.176003 0.0150173 0.026831 1.08084
120 9 0.075 0.176003 0.0150173 0.026831 -0.78268
120 8 0.066667 0.176003 0.0150173 0.026831 -1.09326
110 6 0.054545 0.179582 0.0114382 0.028024 -1.47925
80 8 0.1 0.194093 -0.003073 0.0328611 0.12172
80 10 0.125 0.194093 -0.003073 0.0328611 0.8825
80 7 0.0875 0.194093 -0.003073 0.0328611 -0.25866
90 5 0.055556 0.188455 0.0025651 0.0309817 -1.30543
100 8 0.08 0.183686 0.0073347 0.0293918 -0.54437
100 5 0.05 0.183686 0.0073347 0.0293918 -1.56506
100 8 0.08 0.183686 0.0073347 0.0293918 -0.54437
100 10 0.1 0.183686 0.0073347 0.0293918 0.13609
90 6 0.066667 0.188455 0.0025651 0.0309817 -0.94679
90 9 0.1 0.188455 0.0025651 0.0309817 0.12911
2
Individual Value
0 Mean=0
-1
-2
-3 LCL=-3
-4
0 5 10 15 20 25
Observation Number
En todos los casos el punto 11 está fuera de los límites de control. Con límites
constantes se tiene la ventaja de poder identificar patrones de anormalidad e
Página 55 de 133
identificar curva característica de operación, lo que no puede hacerse con la carta
de límites de control variables.
Página 56 de 133
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
Página 57 de 133
LC = 516 / 26 = 19.85 = c
LIC = 6.48
Corrida en Minitab:
1. Stat > Control Charts > C
2. Variable Defectos
3. OK
40 1
UCL=33.21
30
Sample Count
20 C=19.85
10
LCL=6.481
1
0
0 10 20
Sample Number
Página 58 de 133
C Chart for Defectos
35
UCL=32.97
Sample Count
25
C=19.67
15
LCL=6.363
5
0 5 10 15 20 25
Sample Number
n Defectos
16 18
18 21
12 16
15 22
24 19
21 12
28 14
20 9
25 16
19 21
Página 59 de 133
C Chart for Defectos
35
UCL=31.84
Sample Count
25
C=18.82
15
5 LCL=5.808
0 5 10 15 20 25 30 35
Sample Number
Página 60 de 133
Fig. 4.13 Gráfica de Pareto de los defectos principales
Página 61 de 133
SELECCIÓN DEL TAMAÑO DE MUESTRA
Aumentando el tamaño de muestra se tiene más oportunidad de encontrar no
conformidades o defectos, sin embargo esto también depende de consideraciones
económicas y del proceso, si en lugar de tomar 1 unidad de inspección, se toman
n unidades de inspección, entonces los nuevos límites de control se pueden
calcular por los siguientes métodos:
Método 1. Con n c
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):
LSC nc nc 3 nc
LC nc n c (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 n c = (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
Página 62 de 133
Como c es una variable aleatoria que sigue la distribución de Poisson, los
parámetros de la carta u de número de no conformidades o defectos por unidad
son:
u
LSC u u 3
n
LC u u (4.20)
u
LSC u u 3
n
DefectosU DefectosU
10 9
12 5
8 7
14 11
10 12
16 6
11 8
7 10
10 7
15 5
u =38.60 / 20 = 1.93
LSC = 3.79
LIC = 0.07
Página 63 de 133
La carta de control queda como sigue:
3
Sample Count
2 U=1.93
0 LCL=0.06613
0 10 20
Sample Number
u
LSC ui u 3
ni
LC u u (4.21)
u
LSC ui u 3
ni
Página 64 de 133
Ejemplo 4.10 En una planta textil, se inspeccionan defectos
por cada 50m2 los datos se muestran a continuación.
No
UnidadesInsp Conf.
10 14
8 12
13 20
10 11
9.5 7
10 10
12 21
10.5 16
12 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
UCL=2.436
Sample Count
U=1.423
LCL=0.4110
0 1 2 3 4 5 6 7 8 9 10
Sample Number
Página 65 de 133
Fig. 4.16 Carta de Control U con Unidades de insp. variables
ui u
Zi (4.23)
u
ni
Página 66 de 133
I Chart for Z
3 UCL=3
2
Individual Value
0 Mean=0
-1
-2
-3 LCL=-3
0 1 2 3 4 5 6 7 8 9 10
Observation Number
Página 68 de 133
3. La media utilizada debe ser la media de las especificaciones, a excepción de
cuando se tiene sólo un límite de especificación.
3 UCL=2.929
Sample Mean
2
1
0 Mean=0.1667
-1
-2
LCL=-2.596
-3
Subgroup 0 1 2 3 4 5 6 7 8 9 10
8
7 UCL=6.950
Sample Range
6
5
4
3 R=2.7
2
1
0 LCL=0
parte específico. Para todas las muestras de este número de parte, graficar,
R
RS (5.1)
Ri
Página 69 de 133
Se toman de datos históricos o de especificaciones para el rango, o se puede
graficar,
S x Ti
x (5.2)
Ri
La línea central para la carta x estandarizada es cero, y sus límites de control son
LSC = A 2 y LIC = -A2 .
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 70 de 133
5.5 CARTAS DE CONTROL PARA PROCESOS DE SALIDA
MÚLTIPLE
Se utiliza para procesos con muchos flujos, por ejemplo diversas válvulas que en
principio producen suponen flujos similares. El usar una carta de control para cada
flujo por separado sería prohibitivo, sin embargo se tiene la alternativa de ésta
carta de control siempre que la producción entre husillos no esté correlacionada.
Suponiendo un proceso con 6 flujos de salida donde cada flujo tiene el mimo valor
objetivo y la misma variación inherente. Para establecer una carta de control
grupal, el muestreo se realiza como si se fueran a establecer cartas separadas
para cada flujo. Por ejemplo si de cada flujo s = 6 se toman n = 4 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 (5.4)
_ _
LSCX = X + A 2 R LSCR = D4 R
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
Página 71 de 133
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 (5.5)
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
Para pequeños corrimientos menores a 1.5, la carta de Shewart es ineficiente, en
esos casos la carta de sumas acumuladas de Page, que funciona con n >=1 es
mejor, ya que incorpora toda la información anterior en el valor de la muestra al
graficar la suma acumulada de las desviaciones con referencia a un valor objetivo
Página 72 de 133
0. Si se colectan muestras de tamaño n >= 1 siendo x j el valor promedio de la
muestra j-ésima. La carta de sumas acumuladas se forma graficando para cada
muestra i la cantidad siguiente que representa la suma acumulada hasta la
muestra i,
i
Ci ( x j 0 ) (5.6)
j 1
Como esta carta es eficiente para n=1, es una buena alternativa para el control de
procesos químicos y el CEP automatizado. Si la media tiene un corrimiento hacia
arriba, la carta mostrará una tendencia ascendente y viceversa.
Ejemplo 5.1
Suponiendo que la Posición de una parte (A) se mueve hacia arriba y hacia abajo
una cierta distancia de la posición ideal de referencia (B). AtoBDist es esta
distancia. Para asegurar la calidad, se toman 5 mediciones al día durante el
primer periodo de tiempo y después 10 al día en un siguiente periodo de tiempo.
Corrida en Minitab
1 File > Open Worksheet > Data > CRANKSH.MTW.
2 Stat > Control Charts > CUSUM.
3 In Single column, seleccionar AtoBDist. In Subgroup size, poner 5. OK.
Página 73 de 133
Xbar/R Chart for AtoBDist
5 UCL=4.802
Sample Mean
0 Mean=0.4417
LCL=-3.918
-5
Subgroup 0 5 10 15 20 25
UCL=15.98
15
Sample Range
10
R=7.559
5
0 LCL=0
Upper CUSUM
10
Cumulative Sum
5.67809
5
-5
Low er CUSUM
-5.67809
0 5 10 15 20 25
Subgroup Number
Página 74 de 133
5.7 CARTA DE CONTROL DE MEDIAS MOVILES
EXPONENCIALMENTE PONDERADAS (EWMA)
z i xi (1 ) z i 1 (5.7)
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
Por tanto los límites de control de zi versus el número de muestra o tiempo i, son:
LSC 0 L
2
1 (1 )
2i
(5.9)
LC 0 (5.10)
LIC 0 L
1 (1 )
2i
(5.11)
2
Note que el término [1 – (1-)2i] se aproxima a la unidad conforme i se incrementa,
esto significa que cuando la carta EWMA ha corrido durante varios periodos de
tiempo, los límites de control se estabilizan en:
LSC 0 L (5.12)
2
LC 0 (5.13)
LSC 0 L (5.14)
2
Página 75 de 133
Los valores adecuados de Lambda son 0.05, 0.1 y 0.2. Para Lamda de 0.2 los
límites a L= 3 sigma funcionan bien y para Lamda de 0.1 es mejor poner los límites
entre L = 2.6 y 2.8.
Corrida en Minitab:
1. File > Open Worksheet > Data > CRANKSH.MTW.
2. Stat > Control Charts > EWMA
3. In Single column, seleccionar AtoBDist. In Subgroup size, poner 5.
4. Weight of EWMA 0.1 Historical Mean 0.0 Historical Sigma
5. S Limits Sigma Limits 2.7
6. OK.
1 2.7SL=0.9670
EWMA
0 Mean=0
-1 -2.7SL=-0.9670
0 5 10 15 20 25
Sample Number
Página 76 de 133
Los límites de control son:
3
LSC 0 (5.16)
w
LC 0 (5.17)
3
LIC 0 (5.18)
w
Por ejemplo usando los datos anteriores con w = 5. Graficando el
estadístico Mi para periodos i 5.
x i x i 1 ....x i 4
Mi (5.19)
5
Para periodos i<5 se grafica el promedio de las observaciones para los periodos 1,
2, 3, ...i.
Ejemplo 5.3 La carta de media móvil para los datos del ejemplo
anterior con un tamaño de corrida de 5 es la siguiente:
Corrida en Minitab:
1. File > Open Worksheet > Data > CRANKSH.MTW.
2. Stat > Control Charts > Moving Average
3. In Single column, seleccionar AtoBDist. In Subgroup size, poner 5.
4. Lenght of MA 5
5. OK.
5
4
3
Moving Average
UCL=2.346
2
1
Mean=0.4417
0
-1
LCL=-1.463
-2
-3
-4
-5
0 5 10 15 20 25
Sample Number
Página 77 de 133
5.9 CEP CON DATOS CORRELACIONADOS
En muchos procesos actúan elementos inerciales que hacen que los datos estén
correlacionados principalmente si los intervalos de tiempo entre muestras son
pequeños respecto a esas fuerzas.
Wt
Tanque con volumen V y flujos de entrada y de salida
Xt
1 a e t / T
Página 78 de 133
Ejemplo: Calcular para el caso de t/T<=1. 0.5, 0.25, 0.1.
Xi
*
* *
* * Correlación positiva
* **
* *
_
Cov( x t , x i k x)
k , k 0,1,....
V ( xt )
nk _ _
(x
i 1
t x)( x t k x)
rk n _
, k 0,1,....K
2
(x
t 1
t x)
Página 79 de 133
Para algunos valores de k, k<=n/4, se pueden calcular por software.
Stat > Regression > Fitted line Plot Y = Yi X = Yi-1 seleccionar Linear OK
Regression Plot
Concentr = 52.906 + 0.7356 Conc_1
210
Concentr
200
190
Conc_1
Se observa que hay una cierta correlación entre las mediciones distanciadas en un
periodo.
Página 80 de 133
La autocorrelación de una serie de observaciones con una orientación en el
tiempo (series de tiempo) se mide con la función de Autocorrelación:
0.8
0.6
0.4
0.2
0.0
-0.2
-0.4
-0.6
-0.8
-1.0
5 15 25
Lag Corr T LBQ Lag Corr T LBQ Lag Corr T LBQ Lag Corr T LBQ
1 0.73 7.47 57.47 8 0.08 0.42 161.31 15 -0.09 -0.44 163.68 22 -0.17 -0.85 189.22
2 0.63 4.48 100.71 9 0.06 0.30 161.71 16 -0.11 -0.54 165.10 23 -0.18 -0.88 193.68
3 0.51 3.08 129.38 10 -0.02 -0.08 161.75 17 -0.14 -0.72 167.63 24 -0.08 -0.39 194.59
4 0.41 2.28 148.12 11 0.01 0.06 161.76 18 -0.19 -0.98 172.41 25 -0.08 -0.36 195.38
5 0.27 1.42 156.23 12 0.04 0.21 161.96 19 -0.20 -1.02 177.76 26 -0.09 -0.46 196.65
6 0.16 0.85 159.27 13 0.07 0.34 162.49 20 -0.18 -0.91 182.16
7 0.11 0.54 160.52 14 -0.05 -0.23 162.75 21 -0.15 -0.74 185.19
Las líneas discontinuas son los límites de dos sigmas para el parámetro de
autocorrelación Ro con el desfasamiento de K periodos de tiempo. En este caso
r1 = 0.8 suficientemente grande para distorsionar el desempeño de la carta de
control, un muestreo menos frecuente eliminaría la autocorrelación pero se
perdería información. A continuación se muestran las cartas I-MR y EWMA:
Página 81 de 133
I and MR Chart for Concentr
215 1 1
11 1
Individual Value
UCL=210.1
205
Mean=200.0
195
LCL=189.9
1 11 11 111
185
Subgroup 0 50 100
15
1
UCL=12.36
Moving Range
10
5
R=3.784
0 LCL=0
205
2.7SL=203.0
EWMA
200 Mean=200.0
-2.7SL=197.0
195
0 50 100
Sample Number
Página 82 de 133
Time Series Plot for Concentr
210
Concentr
200
190
10 20 30 40 50 60 70 80 90 100
Time
20
Frequency
10
-10 -8 -6 -4 -2 0 2 4 6 8
Residual
Página 83 de 133
I and MR Chart for RESI1
20
UCL=14.43
Individual Value
10
0 Mean=-0.04792
-10
LCL=-14.53
-20
Subgroup 0 50 100
20
UCL=17.79
Moving Range
10
R=5.443
0 LCL=0
0 Mean=-0.04792
-1
-2
-3
-4
-2.7SL=-4.391
-5
0 50 100
Sample Number
Página 84 de 133
5.10 CARTAS DE CONTROL MULTIVARIADO
n 2 __ __ __ __
2
02 2 2 2 2 2
2 ( X 1 1 ) 1 ( X 2 2 ) 2 12 ( X 1 1 ) ( X 2 2 )
122
2
1
2
2
El Límite Superior de Control LSC = 2.2 que es el punto superior para el área (1-
). Si al menos una media se sale de control, la probabilidad de que el estadístico
2 salga de control se incrementa. Si 12 = 0, indicando que las medias muestrales
__ __
X 1 , X 2 son independientes se tendrá una elipse con centro en (1, 2) y ejes
__ __ __ __
paralelos a los ejes de X 1 , X 2 , esto implica que si un par de muestras ( X 1 , X 2 ) dan
un valor de 2 que caiga dentro de la elipse, indica que el punto está dentro de
control, de esta forma se tiene una elipse de control.
Página 85 de 133
Región de control
*** X1
*****
*****
X2
__ __
Si 12 0 las 2 características X 1 , X 2 son dependientes y la elipse de control
estará inclinada, puede ser que un punto salga de control en esta elipse, sin
__
embargo todavía esté en control a nivel de cartas X R individuales.
Página 86 de 133
Para evitar las dificultades anteriores, es usual graficar los valores de 02
LSC = 2.2
20
1 2 3 4 5 6 7 8 9
Figura 5.16 Carta de control chi-cuadrada para p = 2
características de calidad
La carta de control T2
Si en la ecuación anterior para Chi-cuadrada se reemplaza por X y 2 por S 2
tenemos el estadístico T2 .
_ _
1
T 2 n( x X )' ( x X )
Se utilizan 2 fases para el uso de esta carta; la fase 1 es para establecer control
del proceso, probando con los primeros m subgrupos, aquí se establecen los
límites de control para la fase 2, con los cuales se monitorea la producción.
Página 87 de 133
Los límites de control para la fase I son:
p (m 1)( n 1)
LSC F , p , mn m p 1
mn m p 1
LIC 0
p ( m 1)(n 1)
LSC F , p , mn m p 1
mn m p 1
LIC 0
Es común usar el Límite Superior de Control LSC = 2.2 para ambas fases, si se
usa m20 o 25 los límites de control coinciden para ambas fases. Se recomienda
tomar siempre m mayor de 20 con más de 50 muestras.
2
2 2
X 1
115.59 psi;X 2
0.0106" ;S 1 1.23 psi;S 2 0.83" , S 12 0.79
__ __ __
10 2
T2 ( 0.83)( X 1 115.59) 2
1. 23( X 2 1.06) 2
2( 0.79)( X 1 115. 59) 2
( X 2 1.06)
(1.23)(0.83) 0.79
LSC = 13.72
Página 88 de 133
T2
No muestra puntos fuera de control. Los límites para la fase II se calculan dando
LSC = 15.16. Si se hubiese utilizado LSC = 2.2 = 13.816 que está cercano a los
límites de control de las fases I y II.
di = (T2 - T(i2) )
Página 89 de 133
Los límites para la fase II son:
p (m 1)( n 1)
LSC F , p ,m p
m 2 mp
LIC 0
Cuando se toman más de 100 muestras preliminares los límites preliminares son:
p (m 1)(n 1)
LSC F , p , m p ; o LSC = 2.2
m p
LIC 0
1.3
1.2 UCL=1.188
Individual Value
1.1
1.0
0.9
0.8 Mean=0.8075
0.7
0.6
0.5
0.4 LCL=0.4266
11
0.3
Subgroup 0 10 20 30 40 50 60
0.6 1
1
1 1 1
Moving Range
0.5
UCL=0.4679
0.4
0.3
0.2
R=0.1432
0.1
0.0 LCL=0
Página 90 de 133
Módulo 6. Análisis de Capacidad
de los procesos
Página 91 de 133
6. ANÁLISIS DE CAPACIDAD DEL PROCESO
6.1 INTRODUCCIÓN
Las técnicas estadísticas ayudan durante el ciclo del producto a reducir la
variación 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.
Variación natural: Los productos fabricados nunca son idénticos sino que
presentan cierta variación, 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 variación natural.
Página 92 de 133
2. Apoyar a los diseñadores en la selección o modificación de un proceso.
3. Soportar la determinación de intervalos de muestreo para monitoreo del
proceso.
4. Determinar el desempeño de un equipo nuevo.
5. Planear la secuencia de procesos productivos cuando hay un efecto interactivo
de procesos o tolerancias.
6. Seleccionar de entre diversos proveedores.
7. Reducir la variación de un proceso de manufactura.
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 93 de 133
.00135 LTNI LTNS .00135
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.
LIE LSE
s _
xi
p X
Página 94 de 133
Para solucionar este problema, podemos reducir la desviación estándar.
Página 95 de 133
Los datos se recolectan durante un periodo suficientemente largo para
asegurar que las condiciones del proceso presentes durante el estudio sean
representativos de las condiciones actuales y futuras.
El parámetro analizado en el estudio sigue una distribución de probabilidad
normal, de otra manera, los porcentajes de los productos asociados con los
índices de capacidad son incorrectos.
Variación a corto plazo (Zst) – Los datos son recogidos durante un periodo de
tiempo suficientemente corto para que sea improbable que haya cambios y otras
causas especiales.
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 96 de 133
Fig. 6.5 Variación a largo plazo
Z st
límite especif . nom. (6.1)
desv.std ST
límite especif . media
Z LT
desv.std LT
dónde:
Zlt = Zst-1.5shift
Página 97 de 133
6.2 ÍNDICES DE CAPACIDAD
LSE LIE
Cp PCR (6.2)
6
1
P 100 (6.3)
Cp
LIE
Cpi PCR I para el límite inferior
3
264 200 64
Cp PCRI 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
1.10 484 967
1.20 159 318
Página 99 de 133
1.30 48 96
1.40 14 27
1.50 4 7
1.60 1 2
1.70 0.17 0.34
2.00 0.0009 0.0018
LIE
Cpi PCR I para el límite inferior
3
62 53
Cps PCR S 1.5 para el límite superior
32
53 38
Cpi PCR I 2.5 para el límite inferior
32
Microdureza
Frec.
b)
Y=1/x
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)
Una condición necesaria para que Cpkm sea mayor de uno es:
1
T ( LSE LIE )
6
1
Entonces Cpkm (A) = 1.0
1 0
2
Cpkm (B) = 0.63
1 ( 3) 2
Por tanto es mejor el proceso A, centrado en la media.
Cpk
Cp pmk PCR pmk (6.11)
1 2
En casos especiales como estos donde las variaciones presentes son totalmente
inesperadas tenemos un proceso inestable ó impredecible.
?
? ?
? ?
? ?
Predicción
Tiempo
R S
ó (Para cartas de control X-R y X-S respectivamente)
d2 C4
Donde,
x media de medias
R 77.3
33.23
d 2 2.326
El C pk
200 264.06 = 0.64 por tanto el proceso no cumple con las
3 33.23
especificaciones.
x 100
s 1.05
= 1.117
C4 .094
El C pk
105 100 1.492
3 1.117
El C p
105 85 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
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
LSL USL
P rocess Data 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 CPL 0.75
CPU 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
PP L 0.75
PP U 0.66
P pk 0.66
C pm *
Interpretación:
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
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
USL
P rocess Data O v erall C apability
LS L * Pp *
Target * P PL *
USL 3.50000 P PU 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 Ppu4 = 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.
2
total 2producto equipo
2
. medición (6.13)
4
Los índices Pp y Ppk son similares a los índices Cp y Cpk , se refieren a la capacidad del proceso a largo
plazo.
Variación
Variación deldel proceso,
proceso, real
real Variación de la medición
Calibración
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
Tiempo 2
Tiempo 1
Valor Valor
verdadero verdadero
Sesgo Sesgo
Menor mayor
Valor
Verdadero
Sesgo
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)
x 22.3
R 1.0
donde:
R = Rango promedio
d2 = Valor de tablas.
P 6 mediciòn
T USL LSL
P 5.32
0.097 .
T 55
medicion .79
100 25.73%
total 3.07
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
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
% Tole rance
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
Operad ores
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
Between Appraisers
Assessment Agreement
Coef Chi - Sq DF P
0.966317 67.6422 14 0.0000
Assessment Agreement
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.
LSC = X + A 2 R
LIC = X - A2 R
CARTAS Xbarra-S
Límites de control para medias
LSCx = X + A3 S
LCx = X
LICx = X - A3 S
LCx = X
MR
LICx = X 3
d2
Para el caso del rango se usan las mismas de la carta Xbarra-R con n=2
CARTA p
Di
pi
ni
m m
Di
i 1
p
i 1
i
p
mn m
__ __
__
p (1 p )
LSCp = p 3
n
__
LCp = p
__ __
__
p (1 p )
LICp = p 3
n
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
u
LSCu u 3
n
LC u u
u
LSC u u 3
n
TABLA DE CONSTANTES PARA EL CALCULO DE LIMITES DE CONTROL
Las constantes para límites de control en las cartas X-R son:
n A2 D3 D4 d2
2 1.880 0.000 3.267 1.128
3 1.023 0.000 2.574 1.693
4 0.729 0.000 2.282 2.059
5 0.577 0.000 2.115 2.326
6 0.483 0.000 2.004 2.534
7 0.419 0.076 1.924 2.704
8 0.373 0.136 1.864 2.847
9 0.337 0.184 1.816 2.970
10 0.308 0.223 1.777 3.078