Documentos de Académico
Documentos de Profesional
Documentos de Cultura
FRANCISCO DE MIRANDA
ÁREA DE TECNOLOGÍA
COMPLEJO ACADÉMICO EL SABINO
UNIDAD CURRICULAR: CONTROL DE CALIDAD
MATERIAL RECOPILADO POR PROF. PIERINA ATACHO
OBJETIVO GENERAL
VARIABLES ESTADÍSTICAS
(a) LA VARIABILIDAD
Cuando se desea mejorar un proceso a fin de elevar la calidad de un producto se
hace necesario buscar información que pueda conducirnos al logro del objetivo;
implica en consecuencia desarrollar un plan estratégico que nos conduzca a ese
fin.
Un plan de mejora de la calidad debe tomar en cuenta la variabilidad ¿Por qué?
En un proceso interactúan factores tales como los materiales, maquinas, mano de
obra, mediciones, medio ambiente y métodos. Estos 6 elementos determinan de
manera global todo el proceso, y cada uno aporta parte de la variabilidad (y de la
calidad) de los resultados del proceso. Ver Fig. 5.2.
Algunos ejemplos de variabilidad son:
Materiales no idénticos
Personas con diferentes habilidades y entrenamiento.
Desajustes y desgastes de máquinas, etc.
La variabilidad puede observarse incluso bajo condiciones de aparente estabilidad
del proceso.
La Norma ISO 9000 dice:
Variable de Entrada (X): Son las que definen las condiciones de operación del
proceso, y del valor de ellas depende la eficacia del proceso. Ej. Temperatura,
velocidad, presión, cantidad y/o características de algún insumo o material, etc.
Variable de Salida (Y): Son las que reflejan los resultados obtenidos por el
proceso.
A través de los valores que toman estas variables se evalúa la eficacia del
proceso.
Discretas: Son aquellas que pueden adquirir ciertos valores y casi siempre hay
brechas entre esos valores. Ej.- No. de Clientes atendidos. No. de quejas. No. de
artículos defectuosos por lote. No. de servicios de mantenimiento.
Continuas: Son aquellas que pueden tomar cualquier valor dentro de un intervalo
específico.
Las continuas son las que requieren de un instrumento de precisión para medir,
ejemplo: peso, volumen, voltaje, longitud, resistencia, temperatura, humedad,
tiempo, diversas dimensiones, etc. Ej. Tiempo en que un cliente es atendido.
Los datos que se recolectan para fines de calidad se obtienen por observación
directa.
Por lo general ofrecen una información acerca de cómo está resultando el
proceso en un momento determinado.
Reflejan además una tendencia donde pueden medirse valores que reflejen
una variabilidad que conduzcan a niveles de excelencia en calidad; pero también
pueden ofrecer información donde la variabilidad no sea precisamente la de los
estándares para el proceso.
enso, se necesitan
medios para resumirlos; verificar en qué valor o valores tienden a concentrarse y
como se dispersan o extienden dichos datos.
llaman parámetros.
referencia.
media y se denota con la letra griega “μ” (miu) o también como Xo= valor de
referencia.
a. Estadísticas descriptivas.
b. Diseño de experimentos.
c. Prueba de hipótesis.
d. Análisis de la medición.
f. Análisis de regresión.
g. Análisis de confiabilidad.
h. Muestreo.
i. Simulación.
PROMEDIO ( ):
Dónde:
=promedio
n = # de variables observadas
Ejemplo 2:
-Como la serie es impar, 1100 tiene 50% datos a la izq. Y 50% de datos a la der.
-
veces c/u)
MEDIANA:
MODA (Mo):
Clasificación:
1. 1 Moda = Unimodal.
2. 2 Modas = Bimodal.
3. Más de 2 = Multimodal.
tendencia central.
1. Rango.
2. Desviación estándar.
3. Varianza.
RANGO:
R = Xh– Xl
Dónde:
R = Rango
DESVIACIÓN ESTÁNDAR:
Dónde:
Xi = Valor observado
= promedio
n = # de valores observados.
Ejemplo 4: Sea la siguiente tabla donde Xi representa a valores observados en
kilogramos.
Una desviación estándar grande indica mayor variabilidad que una pequeña.
VARIANZA
Se denota por S2
Para describir el valor más característico de una distribución. Ej. La edad de esta
sección.
Se usa cuando se desea una medida más precisa o se deben calcular otros
estadísticos.
Cuando los datos tienen un valor extremo sea alto o bajo, es preferible la
utilización de la desviación estándar al rango.
n comparación con la de la
gráfica superior.
GRAFICOS DE CONTROL
Las cartas de control enfocan la atención hacia las causas especiales de variación
cuando estas aparecen y reflejan la magnitud de la variación debida a las causas
comunes.
Se dice que un proceso está bajo Control Estadístico cuando presenta causas
comunes únicamente. Cuando ocurre esto tenemos un proceso estable y
predecible.
Ventajas:
Son frecuentemente
usados en los informes a
la Gerencia.
Más econónomicas
VARIABLES
ATRIBUTOS
X1 X 2 ....X N
X
N
R X mayor X menor
R1 R2 ......RK
R
K
X1 X 2 .......X K
X
K
Donde K es el número de subgrupos, R1,R2..es el rango de cada subgrupo;
X 1 , X 2.... son el promedio de cada subgrupo.
LSC R D4 R LSC X X A2 R
LIC R D3 R LIC X X A2 R
Donde D4, D3, A2 son constantes que varían según el tamaño de muestra. A
continuación se presentan los valores de dichas constantes para tamaños de
muestra de 2 a 10.
n 2 3 4 5 6 7 8 9 10
D4 3.27 2.57 2.28 2.11 2.00 1.92 1.86 1.82 1.78
D3 0 0 0 0 0 0.08 0.14 0.18 0.22
A2 1.88 1.02 0.73 0.58 0.48 0.42 0.37 0.34 0.31
Ejemplo 1
Se toman las medidas de los diámetros de una pieza cilíndrica, el tamaño de
muestra de cada subgrupo es de cinco, y se toman 25 subgrupos a intervalos de 1
hr.
Realice la carta de control X R .
muestra subgrupo 1 2 3 4 5 6 7 8 9 10 11 12 13
1 0.65 0.75 0.75 0.60 0.70 0.60 0.15 0.60 0.65 0.60 0.80 0.85 0.70
2 0.70 0.85 0.80 0.70 0.75 0.75 0.80 0.70 0.80 0.70 0.75 0.75 0.70
3 0.65 0.75 0.80 0.70 0.65 0.75 0.65 0.80 0.85 0.60 0.90 0.85 0.75
4 0.65 0.85 0.70 0.75 0.85 0.85 0.75 0.75 0.85 0.80 0.50 0.65 0.75
5 0.85 0.65 0.75 0.65 0.80 0.70 0.70 0.75 0.75 0.65 0.80 0.70 0.70
muestra subgrupo 14 15 16 17 18 19 20 21 22 23 24 25
1 0.65 0.90 0.75 0.75 0.75 0.65 0.60 0.50 0.60 0.80 0.65 0.65
2 0.70 0.80 0.80 0.70 0.70 0.65 0.60 0.55 0.80 0.65 0.60 0.70
3 0.85 0.80 0.75 0.85 0.60 0.85 0.65 0.65 0.65 0.75 0.65 0.70
4 0.75 0.75 0.80 0.70 0.70 0.65 0.60 0.80 0.65 0.65 0.60 0.60
5 0.60 0.85 0.65 0.80 0.60 0.70 0.65 0.80 0.75 0.65 0.70 0.65
muestra subgrupo 1 2 3 4 5 6 7 8 9 10 11 12 13
1 0.65 0.75 0.75 0.60 0.70 0.60 0.15 0.60 0.65 0.60 0.80 0.85 0.70
2 0.70 0.85 0.80 0.70 0.75 0.75 0.80 0.70 0.80 0.70 0.75 0.75 0.70
3 0.65 0.75 0.80 0.70 0.65 0.75 0.65 0.80 0.85 0.60 0.90 0.85 0.75
4 0.65 0.85 0.70 0.75 0.85 0.85 0.75 0.75 0.85 0.80 0.50 0.65 0.75
5 0.85 0.65 0.75 0.65 0.80 0.70 0.70 0.75 0.75 0.65 0.80 0.70 0.70
Promedio 0.70 0.77 0.76 0.68 0.75 0.73 0.61 0.72 0.78 0.67 0.75 0.76 0.72
Rango 0.20 0.20 0.10 0.15 0.20 0.25 0.65 0.20 0.20 0.20 0.40 0.20 0.05
muestra subgrupo 14 15 16 17 18 19 20 21 22 23 24 25
1 0.65 0.90 0.75 0.75 0.75 0.65 0.60 0.50 0.60 0.80 0.65 0.65
2 0.70 0.80 0.80 0.70 0.70 0.65 0.60 0.55 0.80 0.65 0.60 0.70
3 0.85 0.80 0.75 0.85 0.60 0.85 0.65 0.65 0.65 0.75 0.65 0.70
4 0.75 0.75 0.80 0.70 0.70 0.65 0.60 0.80 0.65 0.65 0.60 0.60
5 0.60 0.85 0.65 0.80 0.60 0.70 0.65 0.80 0.75 0.65 0.70 0.65
Promedio 0.71 0.82 0.75 0.76 0.67 0.70 0.62 0.66 0.69 0.70 0.64 0.66
Rango 0.25 0.15 0.15 0.15 0.15 0.20 0.05 0.30 0.20 0.15 0.10 0.10
Calculando el Rango promedio, promedio del proceso y límites de control:
R .198
X = .71
LIC R D3 R
=0
UCL=0.8254
0.8
Sample Mean
0.7 Mean=0.7112
0.6 LCL=0.5970
Subgroup 0 5 10 15 20 25
0.7 1
0.6
Sample Range
0.5
0.4 UCL=0.4187
0.3
0.2 R=0.198
0.1
0.0 LCL=0
Terminología
k = número de subgrupos
X1 X 2 ....X N
X
N
X1 X 2 .......X K
X
K
LSC X X A3 S
LIC X X A3 S
LSC S B4 S
LIC S B3 S
Ejemplo 2
X 10.88
S 1.46
Se calculan los límites de control para cada subgrupo, ya que al tener tamaños de
muestra diferentes estos son variables.
Gráfica X S con límites constantes:
LIC X X A3 S
LIC X X A3 S
y para el gráfico S :
LICS B4 S
LSCS B3 S
Xbar/S Chart for C1-C5
25
Sample Mean
15
UCL=13.70
Mean=10.87
LCL=8.033
5
Subgroup 0 1 2 3 4 5 6 7 8 9 10
4
UCL=3.725
Sample StDev
2
S=1.451
1
0 LCL=0
Ejemplo 3:
LSCS B3 S = (0)(.0090) = 0
Terminología
k = número de piezas
LSC X X E2 R
LIC X X E2 R
LSC R D4 R
LIC R D3 R
Donde D4, D3, E2 son constantes que varían según el tamaño de muestra usado
para agrupar los rangos móviles como se muestra en la tabla siguiente:
n 2 3 4 5 6 7 8 9 10
D4 3.27 2.57 2.28 2.11 2.00 1.92 1.86 1.82 1.78
D3 0 0 0 0 0 0.08 0.14 0.18 0.22
E2 2.66 1.77 1.46 1.29 1.18 1.11 1.05 1.01 0.98
* Generalmente se utiliza n = 2
Parte Longitud
1 12.02
2 11.85
3 11.98
4 11.72
5 11.88
6 12.07
7 12.03
8 12.13
9 12.16
10 12.16
11 12.16
12 12.21
13 12.19
14 11.93
15 11.89
LIC R D3 R = 0
I Chart for C1
12.35
UCL=12.30
12.25
12.15
Individual Value
12.05
Mean=12.03
11.95
11.85
11.75 LCL=11.75
1
11.65
0 5 10 15
Observation Number
UCL=0.3384
0.3
Moving Range
0.2
0.1 R=0.1036
0.0 LCL=0
0 5 10 15
Observation Number
Interpretación del proceso:
Revisar la gráfica de rangos para puntos fuera de los límites de control como
signo de la existencia de causas especiales. Note que los rangos sucesivos
están correlacionados, debido a que tienen un punto en común y debido a esto
se tiene que tener cuidado al interpretar tendencias.
Las gráficas por lecturas individuales pueden ser analizadas para puntos fuera
de los límites de control, dispersión de puntos dentro de los límites de control y
para tendencias o patrones. Cabe hacer notar que si la distribución de proceso
no es simétrica, las reglas mostradas anteriormente para gráficas X podrán dar
señales de causas especiales sin que éstas existan.
Los criterios de aceptación al utilizar gráficas de control por atributos deben estar
claramente definidos y el procedimiento para decidir si esos criterios se están
alcanzando es producir resultados consistentes a través del tiempo. Este
procedimiento consiste en definir operacionalmente lo que se desea medir. Una
definición operacional consiste en:
Establezca la frecuencia con la cual los datos serán tomados (horarios, diarios,
semanales). Los intervalos cortos entre tomas de muestras permitirán una rápida
retroalimentación al proceso ante la presencia de problemas. Los tamaños de
muestra grandes permiten evaluaciones más estables del desarrollo del proceso y
son más sensibles a pequeños cambios en el promedio del mismo. Se aconseja
tomar tamaños de muestra iguales aunque no necesariamente se tiene que dar
esta situación, el tamaño de muestra debería de ser mayor a 30. El tamaño de los
subgrupos será de 25 o más.
np
Calcule la fracción defectuosa (p) mediante: p
n
np1 np 2 .... np k
p
n1 n 2 ..... n k
p (1 p )
LSC p p 3
n
p (1 p )
LIC p p 3
n
Ejemplo 4
Muestra Latas defectuosas Fracción defectuosa Muestra Latas defectuosas Fracción defectuosa
np p np p
1 12 0.24 16 8 0.16
2 15 0.30 17 10 0.20
3 8 0.16 18 5 0.10
4 10 0.20 19 13 0.26
5 4 0.08 20 11 0.22
6 7 0.14 21 20 0.40
7 16 0.32 22 18 0.36
8 9 0.18 23 24 0.48
9 14 0.28 24 15 0.30
10 10 0.20 25 9 0.18
11 5 0.10 26 12 0.24
12 6 0.12 27 7 0.14
13 17 0.34 28 13 0.26
14 12 0.24 29 9 0.18
15 22 0.44 30 6 0.12
p .2313
p (1 p ) .23 * .77
LSC p p 3 = .2313 3 =.4102
n 50
p (1 p ) .23 * .77
LIC p p 3 = .2313 3 =.05243
n 50
Trazando la gráfica
P Chart for C1
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
LSC np 3 np 1 p
LIC np 3 np 1 p
Ejemplo 5:
Utilizando los datos del diagrama anterior, construya la gráfica np e interprete los
resultados.
De la tabla obtenemos p 0.2313 , n = 50.
20 3.0SL=20.51
Sample Count
15
NP=11.57
10
5
-3.0SL=2.621
0
0 10 20 30
Sample Number
Gráfico de Control C.
LSC c 3 c
LSC c 3 c
Donde:
c = total de defectos/ número de unidades de producto.
Ejemplo:
516
c 19.67
26
C Chart for C1
40 1
3.0SL=33.21
30
Sample Count
20 C=19.85
10
-3.0SL=6.481
1
0
0 10 20
Sample Number
Grafica U – Defectos por Unidad
c
u=
n
Donde
c = número de defectos
u
LSC u 3
n
u
LIC u 3
n
Ejemplo 6
ui 38 .60
u 1.93
n 20
1.93
LSC 1.93 3 3.79
5
1.93
LIC 1.93 3 0.07
5
U Chart for C1
4
3.0SL=3.794
3
Sample Count
2 U=1.930
0 -3.0SL=0.06613
0 10 20
Sample Number
CAPACIDAD DE PROCESO
Capacidad del proceso: Es la aptitud del proceso para producir productos dentro
de los límites de especificaciones de calidad.
Objetivos1
1. Predecir en que grado el proceso cumple especificaciones.
4. Seleccionar proveedores.
s _
xi
p X
1
J.M. Juran, Análisis y planeación de la Calidad, Tercera Edición Mc. Graw Hill, Pp.404
media y/o la desviación estándar del proceso no son estables y, en
consecuencia, su variabilidad será mayor que la natural y la capacidad
potencial estará infravalorada, en este caso no es conveniente hacer un
estudio de capacidad.
Se recolectan suficientes datos durante el estudio de habilidad para minimizar
el error de muestreo para los índices de habilidad. Si los datos se componen
de menos de 100 valores, entonces deben calcularse los límites de confianza
inferiores.
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. En el caso de la industria
automotriz se especifican 300 partes mínimo.
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 y solo se podrán determinar los índices
de desempeño del proceso, que no toma en cuenta si el proceso está en
control o no.
R
ST
d2
LSE LIE
Cp
6 ST
Donde:
Cp = capacidad potencial
LSE = límite superior de especificaciones
LIE X
ZI
ST
LSE X
ZS
ST
menor Z I , Z S
C pk
3
Para que el proceso cumpla con las especificaciones el Cpk= debe de ser 1.33 .
En casos especiales como estos donde las variaciones presentes son totalmente
inesperadas tenemos un proceso inestable ó impredecible.
?
? ?
? ?
? ?
Si las variaciones presentes son iguales, se dice que se tiene un proceso
“estable”. La distribución será “predecible” en el tiempo.
Predicción
Tiempo
R S
ó (Para cartas de control X-R y X-S respectivamente)
d2 C4
Donde,
Al final del texto se muestran las constantes utilizadas para las cartas de control.
x media de medias
R 77 .3
33 .23
d2 2.326
200 264.06
El C pk = 0.64 por tanto el proceso no cumple con las
3 33.23
especificaciones.
Ejemplo 4 (carta X - S)
x 100
s 1.05
= 1.117
C4 .094
105 85
El C p 2.984
6 1.117
Ejemplo 5:
El Cpk = (200 - 264.06) / (77.3) (3) = 0.64 por tanto el proceso no cumple con las
especificaciones.
Cp LSE LIE
C pm
1 V2 6 2
( T )2
Cuando T es igual a X media del proceso, Cpm = Cp = Cpk
Bibliografía Consultada: