Sesion7 ControlEstadisticoDeLaCalidad

Control Estadístico
de la Calidad
E. Gómez / J. Caja
Control de procesos
Evolución
Conceptos
Definiciones
Control de aceptación
Normativa
1990
Excelencia en la Gestión
1960
Gestión de Calidad
1950
Garantía de Calidad
1924
Control de Calidad
ALGUNOS HITOS: Los inicios
La revolución industrial comienza a exigir la
fabricación masiva de productos.
La “gestión científica” de Taylor (1875). Primer intento

de racionalización.
Henry Ford (1900) introduce la producción en serie en

su “línea de montaje”.
Comienza a pensarse en términos de productividad.
Nace el concepto de normalización










ALGUNOS HITOS: El “control”
Shewhart (1924) introduce las gráficas de control en
los Laboratorios Bell.
La estadística entra a formar parte del proceso

industrial y aparece el control de la calidad como tal.
WALTER SHEWHART
La II Guerra Mundial (1939-1945) establece las bases
Físico, ingeniero, estadístico
de la industria moderna.
Illinois,1891 - 1967
Western Electric Company
Se acepta de forma general la necesidad de utilización
de las técnicas estadísticas para el control y la mejora
de la calidad.



de la calidad.



de la calidad.
ALGUNOS HITOS: La “garantía”
Deming viaja a Japón (1946) para impartir una serie de

seminarios acerca de control y garantía de la calidad.
“Para reducir defectos dentro de las actividades de
producción, lo más importante es reconocer que los
mismos se originan en el proceso y que las
inspecciones sólo pueden descubrir esos defectos”
Desarrollo de sistemas poka-yoke (a prueba de
errores), procedimientos escritos, modelos de
auditoría de suministros…
ALGUNOS HITOS: La “gestión”
Aparecen los trabajos de Deming, Feigenbaum
y Juran (década de 1950) sobre lo que hoy
denominamos gestión de calidad.
E. DEMING A. FEIGENBAUM J. M. JURAN

Físico, ingeniero eléctrico, profesor Dr. Por el MIT Ingeniero eléctrico
USA 1922
Iowa, ,1900 - 1993 Rumanía, ,1904 – USA 2008
Director de fabricación de General Electric
Universidad de Yale Western Electric. Bell Labs.
ALGUNOS HITOS: La “gestión”
Comienza a extenderse el concepto de calidad a toda
la empresa.
Nace el concepto “calidad total”.
Por calidad se entiende la satisfacción del cliente.
Se extiende la certificación de acuerdo a normas de

calidad (ISO).
ALGUNOS HITOS: La “excelencia”
En el año 1988 se crea la EFQM para promover la

competitividad de las empresas europeas.
De forma generalizada, el poder está en manos de los

consumidores.
La calidad se entiende como un elemento esencial de

supervivencia de la empresa.
Solamente los mejores, es decir, los excelentes, tienen

cabida.
Ingeniero
Tokamachi (Japón) 1924
Nippon Telegraph and Telephone
GENICHI TAGUCHI
Conceptos fundamentales:
1- Productos atractivos al cliente.
2- Ofrecer mejores productos que la competencia.
Función de pérdida: a mayor variación de una especificación con
respecto al valor nominal, mayor es la pérdida monetaria
transferida al consumidor.
Mejora continua: la mejora continua del proceso productivo y la
reducción de la variabilidad son indispensables para subsistir
en la actualidad.
FUNCIÓN DE PÉRDIDA DE TAGUCHI
Pérdida
L(e)
Pérdida del
Ganancia del
cliente
fabricante
p m Espesor
COSTES DE LA CALIDAD
Coste de
CALIDAD
Coste de la calidad
A
cA Coste de
FALLOS
Coste de Coste de
PREVENCIÓN DETECCIÓN
CERO NA
DEFECTOS
Nivel de calidad o de defectos

Coste de la calidad COSTES DE LA CALIDAD
Coste de
FALLOS
Coste de
F
DETECCIÓN
Coste de
P PREVENCIÓN
CERO C B
DEFECTOS
Nivel de calidad o de defectos

Intangibles Formación
Gestión Excelencia
Control de
procesos y de
aceptación
Control Garantía
El puzzle de la calidad
NORMATIVA DE LA CALIDAD
ISO 9001
Sección 1 - Ámbito
Sección 2 - Referencias normativas
Sección 3 - Términos y Definiciones
Sección 4 - Requisitos del Sistema
Sección 5 - Responsabilidades de la Dirección
Sección 6 - Gestión de Recursos
Sección 7 - Realización del Producto
Sección 8 - Medición, Análisis y Mejora
7.1 Planificación de la elaboración del producto

7.2 Procesos relacionados con el cliente
7.3 Diseño y desarrollo
7.4 Compras
7.5 Producción y prestación del servicio
7.6 Control dispositivos de seguimiento y de medición
CONTROL DE PROCESOS
Modelo general de los procesos de fabricación (Leo Alting)
Material (e)
Energía (e) PROCESO

Información (e)
Material (s)
Energía (s)
Información (s)
CONTROL DE PROCESOS
Material (e)

Información (e)
Material (s)
Energía (s)
Información (s)
CONTROL DE PROCESOS
Material (e)

Información (e) CAUSAS NO ASIGNABLES
Material (s)
CAUSAS ASIGNABLES
Energía (s)
Información (s)
CONTROL DE PROCESOS
LÍMITE SUPERIOR
Característica
LÍMITE INFERIOR
Tiempo
FUERA DE CONTROL
CONTROL DE PROCESOS
VARIABLES
?
LÍMITE SUPERIOR
ATRIBUTOS
Característica
LÍMITE INFERIOR
Tiempo
BAJO CONTROL
CONTROL DE PROCESOS
CONTROL DE PROCESOS
CONTROL POR VARIABLES
medias y recorridos ( X , R)
TIPOS: medias y desviaciones típicas ( X , S)
medianas y recorridos ( MD , R)
medias y recorridos ( X , R)
TIPOS: medias y desviaciones típicas ( X , S)
medianas y recorridos ( MD , R)
PROMEDIO DISPERSIÓN
Función de distribución de probabilidad N(,).
 
 
2
  x  
 
  1 2 2
 
f x  e    x  
2
x
Normalización N(,). Z 

N(,) probabilidad de que una unidad

exceda los límites naturales

P 85  x  115 

1  P 85  x  115 
 
1  P x  115  P x  85   
  115  100   85  100  
1  P  x    P  x  
  5   5 
 
1  P x  3  P x  3   
 
1  P x  3  1  P x  3  
   
1  0, 998650  1  0, 998650    0, 0027
N(,) probabilidad de que una muestra de
4 unidades exceda los límites naturales

P 92, 5  x  107, 5 

1  P 92, 5  x  107, 5 
1  P  x  107, 5   P  x  92, 5  
    
  107, 5  105   92, 5  105  
1  P  x    P  x  
  5   5 
  4   4  
  
1  P x  1  P x  5  
  
1  P x  1  1  P x  5  
 

1  0, 841345  1  1   0,15866
Gráfica de Característica Operativa (OC)
Evalúa la probabilidad de no detectar la gráfica de control el cambio cuando la
media del proceso cambia.
Probabilidad de no detectar
Media del proceso

Gráfica ARL (Average Run Length)
Evalúa el número de muestras necesarias (en promedio) para detectar un cambio
en la media del proceso (muestra fuera de los límites de control)
Pd Probabilidad de que una muestra esté fuera de los límites de control
1
ARL 
Nº de muestas
Pd
Media del proceso

CREACIÓN DE UN GRÁFICO DE CONTROL POR VARIABLES
FASE 1 FASE 2
DETERMINACIÓN
DE
ESTIMADORES
ESTADÍSTICOS
n1 ≥ 25
PERÍODO BASE PERÍODO DE

(μ0 , σ0 : DATOS) SEGUIMIENTO
Promedio
Distribución conocida Distribución desconocida

k
1 1 n
0  3 X  0 
3 0 0  x 
k
x
j 1
j , siendo x j   xij
n i 1
n
S 1 k
0  , siendo S  Sj
LSC = μ0 + A σ0 C2 k j 1
LIC = μ0 - A σ0
3S
x
C2 n
LSC  x  A1 S LIC  x  A1 S
Promedio
Distribución conocida Distribución desconocida

k
1 1 n
0  3 X  0 
3 0 0  x 
k
x
j 1
j , siendo x j   xij
n i 1
n
R 1 k
LSC = μ0 + A σ0 0  , siendo R   Rj
d2 k j 1
LIC = μ0 - A σ0
3R
x
d2 n
LSC  x  A2 R LIC  x  A2 R
Dispersión
Distribución conocida S Distribución desconocida
 S  C2  0 S
 S  C2 S
C2
1
 S   0 1  C22   3 1
n LSCS  1  1  C2   S
2
 B4 S
 C 2 n
 1
LSCS  C2  3 1  C22    0  B2  0
n  3 1
 LICS  1  1  C2   S
2
 B3 S
  C n
1 2
LICS  C2  3 1  C22    0  B1  0
 n
Ejemplo: μ0 = 30 mm, σ0 = 20 m, n = 5
Gráfico del promedio: LC = μ0 = 30 mm

3 0 0.02
LSC  0   30  3  30.027 mm
n 5
3 0 0.02
LIC  0   30  3  29.973 mm
n 5
Gráfico de dispersión: LCS = C2 σ0 = 0,8407 0.02 = 0.017 mm

LSCS = B2 σ0 = 1.756 0.02 = 0.035 mm
LICS = B1 σ0 = 0 0,02 = 0 mm
Dispersión
Distribución conocida R Distribución desconocida
R  d2  0 R  R
 R  d3  0 R  d 
 R  3  R  R  3 d3  1  3 3  R
d2  d2 
d 2  0  3 d 3  0  d 2  3 d 3   0
 d3 
LSCR  1  3  R  D4 R
LSC R  d 2  3 d 3   0  D2  0  d 2 
LIC R  d 2  3 d 3   0  D1  0  d 
LICR  1  3 3  R  D3 R
 d2 
Ejemplo:
30,05
30,04
30,03
LSC
μ0 = 30 mm,
30,02
30,01
LC
σ0 = 20 mm,
30
29,99
n=5 29,98
29,97
LIC
29,96
29,95
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15
LC = 30 0,05
LSC = 30.027
0,04
LSCs
0,03
LIC = 29.973 0,02

LCs
0,01
LCs = 0.017 LICs

0
-0,01
LSCs = 0.035 -0,02

1 2 3 4 5 6 7 8 9 10 11 12 13 14 15
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 Muestra
LICs = 0 1
Lecturas
2
3
4
5
X
S
WINspc SPCinspéctor
http://www.winspc.com/ http://www.spc-inspector.com/
Factory SPC 6
http://www.elecsoft.com/
Implantar un control por variables para el volumen de llenado de envases.
Datos:
V = 1000 ± 20 cm3
LIT = 980 cm3
LST = 1020 cm3
n=5
GRÁFICOS DE CONTROL POR VARIABLES MODIFICADOS
Tolerancia = 40 cm3
R 10.6
6  6  6  27.3
d2 2.326
GRÁFICOS DE CONTROL POR VARIABLES MODIFICADOS
Tolerancia = 40 cm3
R 10.6
6  6  6  27.3
d2 2.326
R
LST  LIT  6 ;
d2
d2 2.326
R MÁX  ( LST  LIT )  40  15.5
6 6
LSC MOD  1000  0.577 ꞏ15.5  1008.9
LICMOD  1000  0.577 ꞏ15.5  991.1
GRÁFICOS DE CONTROL POR VARIABLES - INTERPRETACIÓN
1. Un punto más allá de la Zona A.

Proceso fuera de control  Análisis de la causa
2. Nueve puntos seguidos en la zona C o más lejos a un
lado de la línea central (Racha)
Probabilidad de Racha  Prácticamente nula
3. Seis puntos seguidos creciendo o decreciendo
(Tendencia)
Probabilidad de Tendencia  Prácticamente nula
4. Catorce puntos seguidos alternando arriba y abajo
respecto a la media.
Probabilidad  Prácticamente nula
5. Dos puntos de tres puntos seguidos en la zona A o más

lejos a un lado de la línea central.
6. Cuatro puntos de cinco puntos seguidos en la zona B o

más lejos a un lado de la línea central.
7. 15 puntos seguidos en la zona C alrededor de la línea
central
8. 8 puntos seguidos a ambos lados de la línea central y
ninguno en la zona C.
DETERMINACIÓN DE LA CAPACIDAD DEL PROCESO
LIT = 10, LST = 18, Q = 14 ,σ = 0.666
LST  LIT
Cp 
6
LST  X
CPU 
3

C pk  min CPU ,CPL 
X  LIT
CPL 
3
Coeficiente k: k 
m X
m 
LST  LIT

C pk  C p 1  k 
LST  LIT 2
2
6 1
Índice de Capacidad recíproco CR  
LST  LIT C p
LST  LIT Cp X m
Índice de Capacidad modificado C pm    
2
1 2 
6    X  m 
2
 
 
min  LST  X  ,  X  LIT  
C pmk     
2

3   X  m 
2 
 
Proceso Especificación Especificación

Bilateral Unilateral
Existente 1,33 1,25
Nuevo 1,50 1,45
Proceso Crítico Especificación Especificación
Bilateral Unilateral
Existente 1,50 1,45
Nuevo 1,67 1,60
GRÁFICOS DE CONTROL POR ATRIBUTOS
ILUMINA NO ILUMINA
n 
   
n x
distribución Binomial: P X  x    p x 1  p
x 
 
  np   npq  np 1  p 
5
Correcto funcionamiento: np  5 o n
p
distribución Binomial:   np0   np0 1  p0 
intervalo de confianza: 
np0  3 np0 1  p0 
línea central: LC  np0
límites de control:

LSC  np0  3 np0 1  p0 
LIC  np0  3 np0 1  p 
0
Número de unidades defectuosas: (np)
Fracción defectuosa: (p)
Porcentaje de unidades defectuosas: (100p)


Tamaño muestra = constante
distribución Binomial:   np   np 1  p 
 
Si n es grande N np , np 1  p 
k
1 1 k xi
estimación: p 
nk

i 1
x i   pi
k i 1 pi  x  np
n
línea central: LC  np
LSC  np  3 np 1  p 
LIC  np  3 np 1  p 
Fracción defectuosa: (p) Tamaño muestra = NO

constante
distribución Binomial:   p  

p 1 p 
ni

Si n es grande N  p ,
p 1 p 
 
 ni 
 

k
xi
1 k xi
estimación: p  i 1
  i 1 pi pi 

k
n k ni
i 1 i
línea central: LC  p
LSC  p  3 p 1  p ni  
LIC  p  3 p 1  p  ni
e ccd
distribución Poisson: 
P X d   d!
 c   c
Correcto funcionamiento: c  5
distribución Poisson:  c   c
intervalo de confianza: c0  3 c0
línea central: LC  c0
LSC  c0  3 c0
LIC  c0  3 c0
Número de no conformidades: (c)
Número de no conformidades por unidad: (u)


Unidad de medida = constante
distribución Poisson:  c   c
Si c es grande 
N c, c 
1 k
estimación: c  
k i 1
ci
línea central: LC  c
LSC  c  3 c
LIC  c  3 c

Unidad de medida = NO constante
distribución Poisson:  c   c ni
 c 
Si n es grande N  c , 
 ni 


k
c c
estimación: u  i 1 i
ui  i

k
ni ni
i 1
línea central: LC  u
LSC  u  3 u ni
LIC  u  3 u ni
Ejemplo 4.- Con el objeto de controlar la fabricación de pernos de titanio, se

examinan 25 muestras de 100 unidades, obteniendo los defectos que se indican en
la tabla siguiente. Determinar los límites de control empleando un gráfico c.
1 k 82
estimación: c   ci  c   3.28
k i 1 25
línea central: LC  c  3.28
LSC  c  3 c  3.28  3 3.28  8.71

LIC  c  3 c  3.28  3 3.28  1.53
se toma 0
Fracción defectuosa: (p) C 1 p
Porcentaje de unidades defectuosas: (100p)

C có u
CONTROL CONTINUO DEL PROCESO
MUESTRAS
DETERMINACIÓN
LÍMITES DE
CONTROL
¿CAUSAS
NO
ASIGNABLES?
SÍ
* ANALIZAR PROCESO
* DETECTAR CAUSAS
* CORREGIR
* EXCLUIR DATO(S)
CONTROL DE ACEPTACIÓN
UNIDADES
DEFECTUOSAS
(c)
MUESTRA (n)
Número de
aceptación
LOTE (N) Tamaño
muestral
x c
(n p) x
distribución de Poisson: P ( x  c)  e
x 0
 np
x!
p1 = 0.83 % p2 = 2.94 %
fabricante: cliente:
P1 = 95 % P2 = 10 %
x c
(n p1 ) x x c
( n p2 ) x
P1  ex 0
 np1
x!
P2  e  np 2
x!
x 0
x c
(0.0083 n) x x c
(0.0294 n) x
0.95  e
x 0
 0.0083 n
x!
0.10  e
x 0
 0.0294 n
x!
n = 315
n,c c=5
x c
(n p) x
x 0
 np
x!
p1 ≤ 0.83 % p2 ≥ 2.94 %
P1 = 95 % P2 = 10 %
x c
(n p1 ) x x c
( n p2 ) x
P1  ex 0
 np1
x!
P2  e  np 2
x!
x 0
x c x c
(0.0083 n) x (0.0294 n) x
0.95  e
x 0
 0.0083 n
x!
0.10  e
x 0
 0.0294 n
x!
n = 315
n,c c=5
x c
(n p) x
x 0
 np
x!
p1 ≤ 0.83 % p2 ≥ 2.94 %
P1 = 95 % P2 = 10 %
x c
(n p1 ) x x c
( n p2 ) x
P1  ex 0
 np1
x!
P2  e  np 2
x!
x 0
x c x c
(0.0083 n) x (0.0294 n) x
0.95  e
x 0
 0.0083 n
x!
0.10  e
x 0
 0.0294 n
x!
n = 315
n,c c=5
RIESGO DEL
FABRICANTE 100 – P1 = 5 %
100
% de lotes que se espera sean 90
80 PLAN DE MUESTREO
SENCILLO
70
aceptados (100Pa)
n = 315 , C = 5
60
50
40
30
20
10
P2 = 10 %
0
0 1 2 3 4 5
RIESGO DEL
CLIENTE Calidad de entrada (porcentaje de unidades defectuosas (100p)
fabricante: p1 = 0.83 % P1 = 95 % cliente: p2 = 2.94 % P2 = 10 %

1
1-
Probabilidad de aceptación
Puntos representativos de
una curva característica
0.5
0
Calidad de entrada
0 NCA NCI CL 0.9999
Calidad de entrada
1
1-
UNE - ISO 2859-1:2012

DODGE-ROMING
0.5
PHILIPS-GLOELAMPERVERKE
0
Calidad de entrada
0 NCA NCI CL 0.9999
Calidad de entrada
CONTROL DE ACEPTACIÓN: PROCEDIMIENTO DE MUESTREO
MIL-STD-105-D  UNE - ISO 2859-1:2012
Tipos de inspección: normal , rigurosa , reducida (riesgo)
Niveles de inspección: I , II , III - S-1 , S-2 , S-E , S-4 (n/N)
Planes de muestreo: simple , doble, triple… , múltiple

MIL-STD-105-D  UNE - ISO 2859-1:2012
Tipos de inspección: normal , rigurosa , reducida
Niveles de inspección: I , II , III - S-1 , S-2 , S-E , S-4
Planes de muestreo: simple , doble, triple… , múltiple

MIL-STD-105-D  UNE - ISO 2859-1:2012
DATOS
• Tamaño del lote: N = 15000

• Tipo de inspección: normal
• Nivel de inspección: general II ISO 2859-1 n , Ac, Re
• Plan de muestreo: simple c

• NCA: 1,0 %
Probabilidad de aceptar un lote con 222

unidades defectuosas:
p = 222/15000 = 0.0148
x 7
(315 ꞏ 0.0148) x
P ( x  7)  e
x 0
315 ꞏ 0.0148
x!
 0.9
Puntuación de cambio
Plan de muestreo simple
Si Ac es 2 o mayor:
o Si es lote hubiera sido aceptado  Puntuación de cambio +3

o En caso contario  Restablecer la puntución de cambio a 0
Si Ac es 0 o 1:
o Si es lote hubiera sido aceptado  Puntuación de cambio +2

o En caso contario  Restablecer la puntución de cambio a 0
Puntuación de cambio
Plan de muestreo doble o mútiple
Si se emplea un plan de muestreo doble:
o Si es lote hubiera sido aceptado después de la primera muestra

o Puntuación de cambio +3
o En caso contario  Restablecer la puntación de cambio a 0
Si se emplea un plan de muestreo múltiple:
o Si es lote hubiera sido aceptado en la tercera muestra

o Puntuación de cambio +3
o En caso contario  Restablecer la puntación de cambio a 0
Asignatura
Metrología y Calidad
E. Gómez / J. Caja

Sesion7 ControlEstadisticoDeLaCalidad

Cargado por

Información del documento

Descripción original:

Título original

Derechos de autor

Formatos disponibles

Compartir este documento

Compartir o incrustar documentos

Opciones para compartir

¿Le pareció útil este documento?

¿Este contenido es inapropiado?

Copyright:

Formatos disponibles

Sesion7 ControlEstadisticoDeLaCalidad

Cargado por

Copyright:

Formatos disponibles

Control Estadístico

La “gestión científica” de Taylor (1875). Primer intento

Henry Ford (1900) introduce la producción en serie en

Comienza a pensarse en términos de productividad.

Nace el concepto de normalización

La “gestión científica” de Taylor (1875). Primer intento

Henry Ford (1900) introduce la producción en serie en

Comienza a pensarse en términos de productividad.

Nace el concepto de normalización

La “gestión científica” de Taylor (1875). Primer intento

Henry Ford (1900) introduce la producción en serie en

Comienza a pensarse en términos de productividad.

Nace el concepto de normalización

La “gestión científica” de Taylor (1875). Primer intento

Henry Ford (1900) introduce la producción en serie en

Comienza a pensarse en términos de productividad.

Nace el concepto de normalización

La estadística entra a formar parte del proceso

La estadística entra a formar parte del proceso

La II Guerra Mundial (1939-1945) establece las bases

Se acepta de forma general la necesidad de utilización

La estadística entra a formar parte del proceso

La II Guerra Mundial (1939-1945) establece las bases

Se acepta de forma general la necesidad de utilización

Deming viaja a Japón (1946) para impartir una serie de

E. DEMING A. FEIGENBAUM J. M. JURAN

Nace el concepto “calidad total”.

Por calidad se entiende la satisfacción del cliente.

Se extiende la certificación de acuerdo a normas de

En el año 1988 se crea la EFQM para promover la

De forma generalizada, el poder está en manos de los

La calidad se entiende como un elemento esencial de

Solamente los mejores, es decir, los excelentes, tienen

Nivel de calidad o de defectos

Nivel de calidad o de defectos

7.1 Planificación de la elaboración del producto

Modelo general de los procesos de fabricación (Leo Alting)

Energía (e) PROCESO

Modelo general de los procesos de fabricación (Leo Alting)

Energía (e) PROCESO

Modelo general de los procesos de fabricación (Leo Alting)

Energía (e) PROCESO

TIPOS: medias y desviaciones típicas ( X , S)

TIPOS: medias y desviaciones típicas ( X , S)

N(,) probabilidad de que una unidad

Media del proceso

Pd Probabilidad de que una muestra esté fuera de los límites de control

Media del proceso

PERÍODO BASE PERÍODO DE

Distribución conocida Distribución desconocida

Distribución conocida Distribución desconocida

Distribución conocida S Distribución desconocida

Gráfico del promedio: LC = μ0 = 30 mm

Gráfico de dispersión: LCS = C2 σ0 = 0,8407 0.02 = 0.017 mm

Distribución conocida R Distribución desconocida

LIC = 29.973 0,02

LCs = 0.017 LICs

LSCs = 0.035 -0,02

1. Un punto más allá de la Zona A.

5. Dos puntos de tres puntos seguidos en la zona A o más

6. Cuatro puntos de cinco puntos seguidos en la zona B o

LIT = 10, LST = 18, Q = 14 ,σ = 0.666