Documentos de Académico
Documentos de Profesional
Documentos de Cultura
NORMALIZACIÓN Y CALIDAD
HERRAMIENTAS
OPERATIVAS DE LA
CALIDAD
Que es la calidad?
Aptitud de un producto para su uso.
La calidad es una característica o propiedad muy
amplia que se relaciona con la eficiencia,
durabilidad, robustez, disponibilidad, costo y utilidad.
Es trabajo del ingeniero de manufactura y del
ingeniero de diseño seleccionar los mejores materiales
o componentes para hacer el producto.
Rev. 1 2015-02-02
Filosofía del
Control
Estadístico de
la Calidad
Graficas de
Control por
Atributos
Graficas de
Control por
Variables
Otras cartas
Análisis de
Capacidad de
los procesos
Diapositiva 14 de 71
Métodos y Filosofía
del Control
Estadístico de la
Calidad
producto
1930, uso intensivo del control estadístico de calidad Western Electric, Bell
Juran,
- Es uno de los fundadores del Control Estadístico de Procesos
- Trabajo con Shewhart AT&T Bell
-Coautor de Quality Control Handbook
www.Deming.org
Esto es TQM!
Mejora continua
Actividad recurrente para aumentar la
capacidad de cumplir los requisitos
PRODUCTO NO CONFORME
Un Producto No Conforme es aquel que no
cumple con algún requisito.
OBJETIVOS:
- Trazabilidad y
vigilancia de la
calidad
- Reducción de la
variabilidad
- Estimación de
parámetros de
producto o proceso
C RESPONSABILIDAD
S
A C
L R
DE LA DIRECCIÓN T
I L
I E S
F I
Q
E U GESTIÓN DE
MEDICIÓN
ANÁLISIS
A
C E
I
N S
RECURSOS Y MEJORA C
I N
T I
T
O
N T
REALIZACIÓN
E O
DEL E
S
PRODUCTO PRODUCTO
ATS = ARL*h
𝐴𝑠𝑖𝑚𝑒𝑡𝑟𝑖𝑎 − 0
𝑍𝐴𝑠𝑖𝑚𝑒𝑡𝑟𝑖𝑎 =
𝐸𝑟𝑟𝑜𝑟 𝐸𝑠𝑡𝑎𝑛𝑑𝑎𝑟𝐴𝑠𝑖𝑚𝑒𝑡𝑟𝑖𝑎
𝐶𝑢𝑟𝑡𝑜𝑠𝑖𝑠 − 0
𝑍𝐶𝑢𝑟𝑡𝑜𝑠𝑖𝑠 =
𝐸𝑟𝑟𝑜𝑟 𝐸𝑠𝑡𝑎𝑛𝑑𝑎𝑟𝐶𝑢𝑟𝑡𝑜𝑠𝑖𝑠
Transformación Logarítmica
Utilice transformación logarítmica si:
Los datos tienen asimetría estadística positiva.
Sospecha un componente exponencial en los datos.
Los datos pueden ser mejor clasificados en “grados”.
Los efectos acumulativos son multiplicativos en lugar de
aditivos.
La base del algoritmo es arbitraria (las bases e, 10 y 2
son las mas utilizadas).
Algoritmo en SPSS
COMPUTE NEWVAR = LG10(OLDVAR) .
COMPUTE NEWVAR = LG10(OLDVAR+1) .
Transformación Cuadrática
Utilice transformación cuadrática si:
Los datos tienen asimetría estadística positiva.
Los datos son frecuencias.
Los datos tienen muchos ceros o valores
extremadamente pequeños.
Los datos tienen un componente físico, como área vs.
longitud.
Algoritmo en SPSS
COMPUTE NEWVAR = SQRT(OLDVAR) .
Transformación Reciproca
Utilice transformación reciproca si:
Los datos tienen asimetría estadística positiva.
Los datos fueron originalmente calculados mediante una
división, o representa un radio.
La variable no deberia tener valores cercanos a cero.
Esta transformación no puede ser realizada en valores no
positivos.
Algoritmo en SPSS
COMPUTE NEWVAR = 1 / OLDVAR .
COMPUTE NEWVAR = 1 / (OLDVAR+1) .
Transformación Exponencial
Utilice transformación exponencial si:
Los datos tienen asimetría estadística negativa.
Usted sospecha una tendencia logarítmica subyacente
(decadencia, abandono, supervivencia, etc.) en los datos.
Esta transformación puede ser realizada a números
negativos.
Dependiendo del rango de valores, esta transformación
es la mas poderosa en la reducción de asimetría
negativa.
Algoritmo en SPSS
COMPUTE NEWVAR = EXP(OLDVAR) .
COMPUTE NEWVAR = 2 ** OLDVAR.
Transformación Arcoseno
Utilice transformación arcoseno si:
Los son una proporción que se encuentra en un rango
desde 0.0 a 1.0 o en porcentaje de 0 a 100.
La mayoría de los datos esta entre 0,2 – 0.8 o entre los
porcentajes de 20 y 80
Esta transformación resulta en radianes (grados) cuya
distribucion sera cercana a la normal.
Algoritmo en SPSS
Para números: COMPUTE NEWVAR =
ARSIN(OLDVAR).
Para porcentajes: COMPUTE NEWVAR =
ARSIN(OLDVAR/100) .
200
Frequency
150
100
50
0
2 4 6 8 10
Satisfaccion Servicio
Lower CL 1.13
3.0 Upper CL 1.42
2.5
2.0
Limit
-2 -1 0 1 2 3 4 5
Lambda
200
Frequency
150
100
50
0
2.5 5.0 7.5 10.0 12.5 15.0 17.5 20.0
Datos Trans 2
200
Frequency
150
100
50
0
2 4 6 8 10
Satisfaccion Servicio
200
Frequency
150
100
50
0
2.5 5.0 7.5 10.0 12.5 15.0 17.5 20.0
Datos Trans 2
Rev. 1 2015-02-02 Diapositiva 126 de 71
Supuesto de Normalidad
Individual V alue
7.5 _
X=6.23
5.0
2.5
LC L=0.92
0.0
1 121 241 361 481 601 721 841 961 1081 1201
O bser vation
1
1
8
1 1 1 1 11 1 1 1 1 1 1 1 1
M oving Range
U C L=6.52
6
4
__
2 M R=1.99
0 LC L=0
1 121 241 361 481 601 721 841 961 1081 1201
O bser vation
80
Percent
50
20
5
1
0.01
0.0 2.5 5.0 7.5 10.0 12.5 15.0
Satisfaccion Servicio
Lower CL 1.13
3.0 Upper CL 1.42
StDev
2.5
2.0
Limit
-2 -1 0 1 2 3 4 5
Lambda
80
Percent
50
20
5
1
0.01
-5 0 5 10 15 20 25
Datos Trans 2
Rev. 1 2015-02-02 Diapositiva 133 de 71
I-MR Chart of Datos Trans 2
U C L=21.36
20
Individual V alue
15
_
10 X=10.49
0 LC L=-0.39
1 121 241 361 481 601 721 841 961 1081 1201
O bser vation
20
1
1
1
15 1 1 1 1
M oving Range
U C L=13.36
10
5 __
M R=4.09
0 LC L=0
1 121 241 361 481 601 721 841 961 1081 1201
O bser vation
12
10
8
7.699
6
2
1.99
0
0
13
17
21
25
29
33
37
41
45
49
53
57
61
65
69
73
77
81
85
89
93
97
1
5
9
101
105
109
113
117
121
125
129
Rev. 1 2015-02-02 Diapositiva 134 de 71
Graficas de Control
por Variables
x x
2
1 m
i S Si
S i 1
m i 1
n 1
𝑝(1−𝑝)
LCI = 𝑝 − 3 𝑛
LCI = n𝑝 - 3 𝑛𝑝(1 − 𝑝)
inspeccionado el numero 6
7
3
3
20
20
de llantas defectuosas en 8 2 20
20 muestras aleatorias 9 1 20
con 20 observaciones. 10 2 20
Basado en los datos que 11 3 20
se presentan a 12 2 20
continuación, dibuje la 13 2 20
grafica de control np 14 1 20
15 1 20
16 2 20
17 4 20
18 3 20
19 1 20
20 1 20
Rev. 1 2015-02-02 Diapositiva 169 de 71
Graficas de control por
atributos
Graficas de control c
Las graficas de control c se utilizan para dibujar el numero
de defectos por unidad.
Esta grafica es utilizada cuando las posibilidades de
defectos son infinitas y la probabilidad de obtener un
producto defectuoso es muy pequeña.
Linea central: 𝑐 = numero Promedio de defectos en la
muestra
LCS = 𝑐 + 3 𝑐
LCI = 𝑐 - 3 𝑐
3.50%
Cp P (Radio
3.00%
promedio de
defectos) 2.50%
0.67 4.55% 2.00%
1 0.3% 1.50%
1.33 0.006%
1.00%
1.67 0.00006%
0.50%
2 0.0000002% 1, 0.30% 1.33, 0.01%1.67, 0.00%
0.00% 2, 0.00%
0 0.5 1 1.5 2 2.5
CP
𝑥−𝐿𝐸𝐼 𝐿𝐸𝑆 − 𝑥
𝐶𝑝𝑘 = 𝑀𝑖𝑛𝑖𝑚𝑜 𝐶𝑝𝑖 𝑜 𝐶𝑝𝑠 = 𝑀𝑖𝑛𝑖𝑚𝑜 𝑜
3𝑠 3𝑠
Ejemplo
En una empresa metalmecánica se compra un nuevo torno
para el maquinado del diámetro exterior de tubos. De acuerdo
al punto 7.4.3 Verificación del producto comprado, hay que
asegurar que el torno comprado satisfaga los requisitos
establecidos para la calidad. Para tal fin se convino
contractualmente hacer una tanda preliminar para la
aceptación del torno. Después de la instalación y la puesta a
punto del torno se extrajeron 25 muestras de tamaño n = 5. El
periodo entre extracciones de muestras fue de
aproximadamente media hora. Se obtuvieron los siguientes
valores de diámetro, en mm. Se conoce que el proceso
funciona bajo el siguiente rango de tolerancias [49.80 y 50.20].
Calcule:
(a) El cp y cpk para esta característica de calidad; (b) ¿La
capacidad del proceso es aceptable?; y (c) Calcule el
Rev. 1 2015-02-02
porcentaje de productos defectuosos. Diapositiva 189 de 71
ANÁLISIS DE LA CAPACIDAD DE LOS PROCESOS
N° VALORES CARACTERÍSTICOS
1 50,11 50,04 50,09 50,06 49,98
2 50,00 50,06 50,02 50,04 50,07
3 50,00 50,06 50,05 50,05 50,08
4 50,06 50,03 50,01 50,03 50,09
5 50,05 50,04 50,01 50,03 49,99
6 50,07 50,05 50,02 50,01 49,95
7 50,03 50,04 50,07 50,00 50,00
8 50,07 49,95 50,00 49,96 50,07
9 50,05 50,07 49,97 50,04 50,04
10 50,04 50,04 50,06 50,01 50,08
11 50,03 50,04 49,94 49,99 49,97
12 50,03 50,07 49,99 50,03 50,01
13 50,06 50,03 50,05 50,06 49,95
14 49,97 50,07 50,02 50,03 49,96
15 50,09 50,08 49,98 50,00 50,00
16 50,02 50,01 50,04 49,95 49,99
17 50,02 50,03 50,05 49,98 50,01
18 50,02 50,06 50,03 49,97 50,07
19 50,10 50,05 50,01 50,07 49,99
20 50,05 50,03 49,98 50,01 50,06
21 49,94 50,01 50,05 50,06 50,03
22 50,00 50,08 50,04 50,02 50,04
23 49,91 50,00 49,99 50,04 50,07
24 50,04 49,99 50,01 50,01 49,99
25 50,00 50,00 50,01 50,02 50,01
Rev. 1 2015-02-02 Diapositiva 190 de 71
ANÁLISIS DE LA CAPACIDAD DE LOS PROCESOS
𝑥−𝐿𝐸𝐼
Índice Zi=3*Cpi = 3*
3𝑠
Estime los
índices de
capacidad en las
representaciones
gráficas
mostradas a
continuación y
que
conclusiones
puede sacar de
ellos.