Académique Documents
Professionnel Documents
Culture Documents
CONTROL ESTADSTICO
DEL PROCESO
Pgina 1
14
18
21
21
30
31
43
77
78
3.1 Introduccin
78
78
106
114
116
120
122
4.1 Introduccin
122
123
134
135
140
143
158
Pgina 2
159
159
161
166
169
173
173
175
184
175
6.1 Introduccin
175
181
187
193
196
202
202
248
248
252
260
270
274
274
279
282
285
294
Pgina 3
Pgina 4
los
Pgina 5
productos y servicios.
EUA
LIE
JAPON
Objetivo
LSE
Pgina 6
Taylor.
Pgina 7
Pgina 8
14
Ibidem, p. 83-84
Vid. Valdez, Luigi, Conocimiento es futuro, CONCAMIN, Mxico, 1995, pp. 122-123
16
Ibidem, pp. 125-126
15
Pgina 9
como una
17
Pgina 10
CEP en Japn
En 1950 el experto Edwards W. Deming inici el entrenamiento en mtodos
estadsticos en el Japn, incluyendo conferencias dirigidas a los lderes
industriales, en esta poca Kaoru Ishikawa experto japons en control de calidad
inici sus estudios sobre conceptos de control de calidad, describe su propia
motivacin como sigue:
Yo desarroll un gran respeto por el Dr. Shewhart por medio del estudio profundo
de sus conceptos en cartas de control y estndares... Sin embargo, me sorprend
un poco que en EUA, donde efectu una visita de estudio, sus mtodos casi no se
aplicaban. Yo deseo importar sus conceptos al Japn y asimilarlos para adaptarlos
Pgina 11
En 1955, Kaouru Ishikawa introdujo las tcnicas de cartas de control en Japn, los
japoneses aprendieron el control de calidad de occidente, invitaron a Deming,
Juran y otros eruditos a Japn para que les enseasen el control estadstico del
proceso. Sin embargo la implantacin de estas tcnicas fue posible despus de su
modificacin y adaptacin a las empresas japonesas, incluyendo la creacin de
varias herramientas tiles como refinamiento del control estadstico de calidad,
tales como las 7 herramientas estadsticas utilizadas normalmente por los crculos
de control de calidad y la aplicacin de tcnicas estadsticas avanzadas.
Entre las 7 herramientas estadsticas se encuentran: Diagrama de Ishikawa,
Diagrama de Pareto, Hoja de verificacin, Diagrama de dispersin, Estratificacin,
Histogramas y Cartas de control.
Estas tcnicas junto con las computadoras han alcanzado un alto nivel en Japn,
todas las industrias japonesas confan en los mtodos estadsticos avanzados para el diseo de
productos,22
japonesas utilicen estadstica de alto nivel para analizar problemas. Por ejemplo
para el caso del diseo de experimentos se tiene: el diseo estadstico de experimentos
es el arreglo, bajo el cual se efecta un programa experimental, incluye la seleccin de los niveles
ptimos de los factores que tienen influencia en la calidad del producto 23,
ayuda a optimizar el
Ishikawa, Kaouru, "Tributes to Walter A. Shewhart," Industrial Quality Control, Vol. 22, No. 12, 1967, pp.
115-116.
22
Amsden, R., op. cit. , p. 537.
23
Winer, B., Statistical Principles in Experimental Design, McGraw Hill, 1971. p. 5.
Pgina 12
* * *
**
***
**
**
***
**
Distribucin de promedios
de las muestras
Universo
a las medias de la
__
(1.1)
24
Shewhart, W.A., Economic Control of Quality of Manufactured Product, Van Nostrand Reinhold Co., 1931,
p. 182
Pgina 13
b)Proceso en control
en media y esv. est.
25
Ford Motor Co., Continuing Process Control and Process Capability Improvement, Dearborn, Michigan,
1983
Pgina 14
LC
LIC
LSC = Lmite superior de control
LC
= Lnea central
1.4
Carta
de
control
de
Shewhart
sus
lmites
de
control
La carta de control es una tcnica muy til para el monitoreo de los procesos,
cuando se presentan variaciones anormales donde las medias o los rangos salen
de los lmites de control, es seal de que se debe tomar accin para remover esa
fuente de variabilidad anormal. Su uso sistemtico proporciona un excelente
medio para reducir la variabilidad.
Pgina 15
DISEO DE EXPERIMENTOS
Un experimento diseado es muy til para descubrir las variables clave que tienen
influencia en las caractersticas de calidad de inters del proceso. Es un mtodo
para variar en forma sistemtica los factores controlables del proceso y determinar
los efectos que tienen esos factores en los parmetros finales del producto.
Permite reducir la variabilidad en la caracterstica de calidad y en determinar los
niveles ms adecuados de los factores controlables que optimizen el desempeo
del proceso.
ENTRADAS CONTROLABLES
X1
X2
XP
CARACT.DE CALIDAD
PROCESO
Materias primas,
Componentes, etc.
Z1
Z2
ZQ
ENTRADAS NO CONTROLABLES
Pgina 16
Una vez que se han identificado las variables que afectan el desempeo del
proceso, normalmente es necesario modelar la relacin entre estas variables y la
caracterstica de calidad de inters. Para lo cual se puede utilizar el anlisis de
regresin.
El monitoreo en el proceso de las variables relevantes que afectan las
caractersticas de calidad se hace por medio de cartas de control.
MUESTREO DE ACEPTACIN
Est relacionado con la inspeccin y prueba del producto, donde se selecciona e
inspecciona una muestra aleatoria de un lote mayor, resultando en una aceptacin
o rechazo de ese lote mayor, esto ocurre en la recepcin de materias primas y
componentes y en el producto terminado.
Tiene las siguientes ventajas:
-
Pgina 17
a) INSPECCIN EN LINEA
ENVIO
PROCESO
INSPECCION
CLIENTE
b) INSPECCION DE RECIBO
ENVIO
PROCESO
INSPECCION
c) INSPECCION RECTIFICADORA
PROCESO
CLIENTE
ACEPTAR ENVIO
CLIENTE
INSPECCION
RECHAZO
SCRAP
RETRA
BAJO
DISPOSICIN DE LOTES
Fig. 1.6 Variaciones del muestreo de aceptacin
El muestreo de aceptacin tiende a reforzar el apego o conformancia a
especificaciones pero no tiene un efecto de retroalimentacin en el proceso de
produccin o diseo que mejoren la calidad.
En el transcurso del tiempo, las tres tcnicas estadsticas anteriores han tenido la
evolucin siguiente:
Fig. 1.7 Evolucin de la aplicacin de mtodos estadsticos
Pgina 18
100%
MUESTREO DE
ACEPTACION
CONTROL DE PROCESO
DISEO DE
EXPERIMENTOS
0%
Tiempo
1.4
Para que sean efectivas las herramientas estadsticas, su aplicacin debe ser
parte de un programa mayor de Calidad Total (Total Quality Management en EUA,
Company Wide Quality Control en Japn, Seis Sigma de Motorola, Modelo de
Direccin por Calidad de Mxico (PNC), Malcolm Baldrige de EUA, QS 9000, VDA
6.1 VW, ISO 9000:2000, etc.), donde la alta direccin lleve el liderazgo por la
calidad, no funcionarn como elementos aislados.
La filosofa de Deming y Juran implica que la responsabilidad por la calidad se
expande a toda la organizacin, sin embargo para no caer en el error de que la
responsabilidad de todos es la de nadie, la calidad debe planearse.
Deming impulso el uso del CEP y los mtodos estadsticos en Japn para la
reduccin de la variabilidad y mejora continua de calidad, con sus 14
recomendaciones a la direccin.
COSTOS DE CALIDAD
Son costos asociados con producir, identificar, evitar o reparar productos que no
cumplan especificaciones. Normalmente se clasifican en cuatro categoras:
Pgina 19
Scrap o desperdicio
Retrabajos
Re-inspeccin
Control de proceso
Anlisis de falla
Entrenamiento
Ineficiencias
Descuentos
Costos de apreciacin
Atencin de quejas
Producto regresado
Costos legales
Costos de prevencin
Son los costos asociados con los esfuerzos de diseo y manufactura enfocados a
la prevencin de defectos, de tal forma de hacer bien las cosas a la primera vez.
Costos de apreciacin
Son los costos asociados con la medicin, evaluacin, o auditora a productos,
componentes y materiales comprados para asegurar su conformancia a los
estndares establecidos.
Costos de falla interna
Son los costos incurridos cuando los productos, componentes o materiales y
servicios no cumplen los requerimientos de calidad, y los defectos son
descubiertos antes de embarcar al cliente.
Pgina 20
Pgina 21
+3
Pgina 22
Pgina 23
(2.1)
Z
0
Pgina 24
P (x >= a) = 1 P (x <= a)
(2.2)
alcancen
una
calificacin
de
500.
Si
las
30 Qu porcentaje
X
500 485
0.5
=
30
3 0 .8 5 %
Z.0 5
Pgina 25
Ejemplo 2.2:
Encuentre las probabilidad siguiente usando la tabla Z,
P(-1.23 < Z > 0).
-1.23
0
Solucin: Buscamos el valor Z 1.23 en las tablas siendo este = .89065. restando .
89065-.05 = .3905, este valor es la probabilidad de 0 a 1.23 que es
exactamente la misma de 1.23 a 0 por simetra. Por lo tanto la probabilidad es
.3905
Uso de la distribucin normal en Excel
Pgina 26
Pgina 27
P (x <= 35)
tanto
la
probabilidad
deseada
es
0.0062
P(x>=35)=10.0062=
0.9938
35
Ejemplo 2.5:
=2
40
-2.5
=1
fraccin
de
las
flechas
especificaciones.
La distribucin es la siguiente:
Pgina 28
producidas
cumplen
las
0.2485
LIE
0.2508
= 0.0005
0.2515
MEDIA PROCESO
LSE
se
ajustase
la
media
del
proceso
0.2500,
lo
cual
Pgina 29
(2.4)
[y -
i 1
i ]
2
i
(2.5)
i 1
Pgina 30
Pgina 31
Z c X 0
(2.6)
Para encontrar la probabilidad de error tipo II, se debe asumir que Ho es falsa y
entonces hallar la distribucin de Zc. Suponiendo que la media de la distribucin
realmente es:
1 = 0 +
con > 0
Zc N
,1
n
BAJO H0
- Z/2
BAJO H1
Zc =
Z/2
n /
Pgina 32
n
n
Z / 2
Z / 2
(2.7)
Se rechaza Ho si Zo
0 .1
9
II
si
el
valor
verdadero
de
la
media
n
n
Z / 2
Z / 2
0.1 9
0.1 9
1.96
1.96
0.1
0.1
Pgina 33
es
=16.1
= (- 1.4 ) -
( -4.96 )
= 0.1492
Es decir que la probabilidad de no rechazar Ho si la media es
16.1 oz. Es de 0.1492, o que la potencia de la prueba es de 1
- = 1 0.1492 = 0.8508.
De la ecuacin anterior para , se observa que es una funcin de n, y de ,
tomando como 0.05 y graficando contra d =
Pgina 34
Pgina 35
Pgina 36
Tiempo
LIC
Fig. 2.3 Carta de control de Shewhart
Un punto que se encuentre fuera de los limites de control mostrar evidencia que
el proceso est fuera de control y ser necesario una investigacin de la causa
especial y la accin correctiva necesaria para eliminarla. Tambin se tendr un alto
riesgo de situacin fuera de control si los puntos se agrupan es forma sistemtica
dentro de los lmites de control o muestran una tendencia.
Por ejemplo, la carta de control de medias prueba la hiptesis de que la media del
proceso est en control y tiene un valor 0 si un valor de media muestral X i cae
dentro de los lmites de control; de otra forma se concluye que el proceso est
fuera de control y que la media del proceso tiene un valor diferente del de 0, por
decir 1, donde 1 0.
Pgina 37
Se puede decir que las probabilidades de los errores tipo I y tipo II de la carta de
control, son esquemas de prueba de hiptesis para analizar el desempeo de las
cartas de control.
La probabilidad del error tipo I de la carta de control se presenta cuando se
concluye que el proceso est fuera de control cuando en realidad no lo est.
La probabilidad de error tipo II de la carta de control se presenta cuando se
concluye que el proceso est en control cuando en realidad est fuera de control.
La curva caracterstica de operacin (OC), con en el eje vertical, indica la
capacidad de la carta para detectar corridas de la media o rango del proceso de
diferentes magnitudes.
Ejemplo
2.8:
Para
el
caso
de
pistones,
evaluando
la
.01
0.0045
n
5
X i se
Si
se
escoge
arbitrariamente
Z/2
Pgina 38
3,
se
obtienen
los
74
Tiempo
74.9865
ancho
de
los
lmites
de
control
es
inversamente
dado.,
equivalente
La
seleccin
preparar
la
de
los
regin
lmites
crtica
de
control
es
para
probar
la
hiptesis en el tiempo:
H0 : = 74
H1 : 74
Con = 0.01 conocida.
Se puede definir un modelo general para una carta de control, si w es un
estadstico muestral que mide alguna caracterstica de calidad de inters y
asumiendo que su media es w con desviacin estndar w se tiene:
LSC = w + Lw
(2.8)
LC = w
LIC = w - Lw
Donde L es la distancia de los lmites de control a partir de la lnea central
expresada en unidades de desviacin estndar.
Pgina 39
DISTRIBUCION
DE LOS VALORES
INDIVIDUALES =.01
DISTRIBUCION
DE LAS MEDIAS
X 0.0045
Pgina 40
ENTRADA
PROCESO
SALIDA
SISTEMA DE
EVALUACIN
Verificacin
Deteccin de causa
y seguimiento
asignable
Implantar
Identificar causa
Accin
Correctiva
Pgina 41
Pgina 42
Pgina 43
Pgina 44
ARL
1
p
(2.9)
(2.10)
En el ejemplo si se toman muestras cada hora, se genera una falsa alarma cada
370 horas.
Pgina 45
Para evaluar que tan efectiva es la carta para detectar corrimientos en la media
del proceso, se utilizan las curvas caractersticas de operacin. Por ejemplo, si
n=5 y la media se corre de 74.015mm, la probabilidad de que un punto caiga
dentro de los lmites de control es aproximadamente 0.50, por tanto utilizando
p=0.50, se puede calcular el ARL1 para una situacin fuera de control como sigue:
ARL1
1
1
2
p 0.5
Diseo 2
n=5
n = 10
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.
Por lo anterior se recomienda tomar productos consecutivos de produccin para
formar la muestra (cuyo tamao puede ser entre 4 y 6), minimizando diferencias
dentro del subgrupo. En algunos procesos como los qumicos, es suficiente tomar
una sola unidad de producto como muestra, dado que existe homogeneidad.
ANALISIS DE PATRONES EN CARTAS DE CONTROL
Una carta de control indicar una condicin fuera de control cuando uno o ms
puntos caigan ms all de los lmites de control o cuando los puntos graficados
formen un patrn no aleatorio de comportamiento.
En general una racha o corrida es una secuencia de observaciones del mismo
tipo. Adems de las corridas ascendentes o descendentes, se encuentran las que
estn por debajo o sobre la media.
Dado que una corrida de 8 o ms puntos tiene una probabilidad de ocurrencia muy
baja, se considera que una racha o corrida con una longitud de 8 puntos indica
una condicin fuera de control.
Pgina 47
Pgina 48
1. HOJA DE VERIFICACIN
2. DIAGRAMA DE PARETO
3. LLUVIA DE IDEAS
4. DIAGRAMA DE ISHIKAWA
5. CARTA DE TENDENCIAS
6. DIAGRAMA DE FLUJO
7. DIAGRAMA DE DISPERSIN
Pgina 49
DIA
DEFECTO
Tamao errneo
Forma errnea
Depto. Equivocado
Peso errneo
Mal Acabado
TOTAL
1
IIIII I
I
IIIII
IIIII IIIII I
II
25
2
IIIII
III
I
IIIII III
III
3
IIIII III
III
I
IIIII III
I
IIIII II
II
I
IIIII IIIII
I
21
21
20
Pgina 50
TOTAL
26
9
8
37
7
87
2.10:
Colectar
el
intervalo
Pgina 51
de
tiempo
en
que
Pgina 52
Eje izquierdo: Marque este eje con una escala desde 0 hasta el total
general
Eje derecho: Marque este eje con una escala desde 0 hasta 100%
Eje horizontal:
-
categoras clasificadas.
8. Dibuje la curva acumulada (curva de Pareto), Marque los valores acumulados
(porcentaje acumulado) en la parte superior, al lado derecho de los intervalos
de cada categora, y conecte los puntos con una lnea continua.
9. Escriba en el diagrama cualquier informacin que considere necesaria para el
mejor entendimiento del diagrama de Pareto.
Ejemplo 2.11 Diagrama de Pareto:
El departamento de ventas de un fabricante de materiales de
empaque tiene registrada una lista de las quejas que se han
recibido durante el ltimo mes.
Pgina 53
Tipo de queja
No.
Total
Composicin Porcentaje
de
Acumulado Porcentual
Acumulado
quejas
A) Entregas fuera de tiempo
25
25
35.71
35.71
23
48
32.85
68.56
55
10
78.56
61
8.57
87.13
64
4.28
91.41
F) Inexactitud en cantidades
66
2..85
94.26
67
1.42
95.68
68
1.42
97.7
I) Fallas en documentacin
69
1.42
98.52
70
1.4
99.94
Pgina 54
DIAGRAMA PARETO
99.94
98.52
50
97.7
95.68
94.26
91.41
87.13
N
O
78.56
D
E
Q
U
E
J
A
S
68.56
35.71
25
23
7
6
3
2
1
A
Pgina 55
%
A
C
U
M
U
L
A
D
O
Las quejas A,B y C representan el 78.56%, siendo en estas en las que debemos
de enfocarnos primero a resolver.
Ejemplo 2.9 Diagrama de Pareto en Minitab
Clic en OK
Pgina 56
Pgina 57
Pgina 58
Trace una lnea horizontal hacia la izquierda del cuadro que contiene la
frase. A esta lnea se le conoce como columna vertebral.
(causas
principales).
-
Dibuje lneas horizontales con flechas que incidan en las lneas inclinadas
conforme a la clasificacin de las causas (causas secundarias)
Pgina 59
Causas principales.
Causas secundarias.
Causas terciarias.
5. Jerarquice las causas por grado de importancia y defina aquellas que tengan
un efecto relevante sobre la caracterstica especfica.
6. Elabore y ejecute un programa de correccin de las causas relevantes.
Ejemplo 2.1526
En
una
fbrica
de
componentes
electrnicos
se
detectaron
por
lo
cual
se
procedi
realizar
una
26
Mquinas
Mano de obra
Mtodos
Materiales
Mediciones
Medio ambiente
Tomado de: Alberto Galgano, Los siete instrumentos de la Calidad Total, ediciones Daz de Santos,1995
Pgina 60
MAQUINAS
DIMENSIONES
INADECUADAS
FUERA DE
DIMENSIONES
ESPECIFICADS
VELOCIDAD DE
AVANCE
TEMPERATURA
ANGULO
INCORRECTO DE
LA FLAMA
MANO DE OBRA
FORMACION
HABILIDAD
PUNTA OXIDADA
FORMA
PUNTA
LIMITES
ERGONOMICOS
SOLDADURA DEFECTUOSA
UNION
SOLDADURA
SUPERFICIE
S CON
POLVO E
IMPUREZAS
SECUENCIA
SOLDADURA
TIEMPOS DE
ESPERA
LACA DE
PROTECCION
TERMINALES
DESOXIDANTE
CORTOS OXIDADOS
MEDIO AMBIENTE
MTODOS
MATERIALES
(Ms):
Pgina 61
Funcionalidad.
Diseo
Accesibilidad
Tiempo de respuesta
Confiabilidad
EJERCICIO
2.17:
Realizar
un
diagrama
de
Ishikawa
para
Pgina 62
Usos:
Saber el comportamiento de un sistema o proceso durante el tiempo.
Tomar las acciones correctivas a tiempo si la tendencia afectar en forma
negativa.
Ejemplo 2.18:
Se tienen los datos siguientes de errores de planeacin de la
produccin durante 15 semanas: Se puede hacer en Minitab con Stat,
Semana
Quality Tools, Run Chart, Subgroup size
=1
1
2
3
4
5
6
7
8
% errores
0.15
0.04
0.08
0.07
0.04
0.05
0.01
0.03
Semana
9
10
11
12
13
14
15
% errores
0.04
0.05
0.07
0.04
0.02
0.03
0.01
Pgina 63
Proveen una secuencia grfica de cada uno de los pasos que componen una
operacin desde el inicio hasta el final. Permitiendo una mejor visualizacin y
comprensin del proceso.
Los
diagramas
de
flujo
pueden
minimizar
grandes
volmenes
de
Descripcin de smbolos
En la construccin de diagramas de flujo de procesos se utilizan los smbolos
descritos a continuacin:
Pgina 64
Pgina 66
A (pies)
(min.)
0.8
50
0.4
y entregarla al dependiente.
Esperar hasta cuando el
dependiente
10
0.4
entregarla al dependiente.
Esperar que el dependiente diligencie el
0.2
Firmar el desprendible
0.1
0.3
0.2
la billetera
Recoger el medicamento y caminar de
0.8
50
Ejemplo 2.21
Espera
Espera
Pgina 68
valor agregado.
Edificio A
Edificio B
Pgina 69
Pgina 70
Accidentes laborales
Pgina 71
Correlacin
positiva,
posible
Correlacin Negativa
Evidente
25
20
20
15
15
10
Correlacin Positiva
Evidente
25
5
0
10
15
20
Sin Correlacin
0
25
10
0
0
10
25
15
20
25
20
15
25
Correlacin
Positiva
10
0
0
20
10
15
20
25
25
20
15
15
10
Correlacin
Negativa
10
5
0
0
10
15
20
25
Pgina 72
10
15
X
20
25
y x
a
n x
b
2
2
x xy
n xy x y
n x 2 x
SCxy
SCx SCy
SCxy
xy
SCx x
SCy y
x y
n
Donde:
r = Coeficiente de correlacin lineal
SCxy = Suma de cuadrados de xy
SCx = Suma de cuadrados de x
SCy = Suma de cuadrados de y
Pgina 73
x
y
Sumatoria
y
n
= 698.56
SCy
= 6105.94
r = 0.98
El coeficiente de correlacin r = 0.98 por lo cual tenemos suficiente evidencia
estadstica para afirmar que el tiempo de entrega esta relacionado con el nmero
de latas.
Pgina 75
Diagrama de dispersion
tiempo de entrega ( y )
80.00
70.00
60.00
50.00
40.00
30.00
20.00
10.00
-
5.00
10.00
15.00
20.00
25.00
Pgina 76
5. Para realizar algn cambio, por ejemplo en la escala haga clic en la escala
de valores y aparecer un men que le permitir realizarlos.
Para determinar la funcin de regresin y correlacin en Minitab se siguen los
pasos siguientes (despus de cargar los datos correspondientes a X y a Y en las
columnas C1 y C2):
Minitab > Stat >Regresin ... Indicar la columna de Respuestas Y y la de
predictores X y aceptar con OK. Observar el valor del coeficiente de correlacin y
de determinacin.
Para obtener la lnea de mejor ajuste de la regresin, se procede como sigue en
Minitab:
Minitab > Stat >Fitted Line Plot ... Indicar la columna de Respuestas Y y la de
predictores X, seleccionar si se quiere ajustar con los datos con una lnea, una
funcin cuadrtica o cbica y aceptar con OK. Observar el mayor valor del
coeficiente de correlacin que indica el mejor ajuste.
EJERCICIO 2.24: Realizar un diagrama de dispersin.
Pgina 77
Pgina 78
3.
3.1 INTRODUCCIN
Una caracterstica que se mide en una escala numrica 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
variabilidad de las variables, con objeto de evitar o minimizar que se tengan
productos fuera de especificaciones y estabilizar los procesos.
LIE
MEDIA
LSE
LIE
MEDIA
MEDIA CORRIDA
EN NIVELES NORMALES
LSE
LIE
MEDIA
LSE
DESVIACION ESTANDAR
MAYOR A LA REQUERIDA
Xi
= /
Pgina 79
Z / 2 X Z / 2
Z / 2 X Z / 2
(3.1)
X
i 1
(3.2)
(3.3)
Si R1, R2, ....., Rm , son los rangos de los diferentes subgrupos, el rango promedio
es:
m
R
i 1
(3.4)
Pgina 80
(3.5)
R
d2
(3.6)
LSC X
LIC X
3R
d2 n
3R
d2 n
Si de define a
(3.7)
A2
3R
d2 n
LSC = X + A2 R
(3.8)
LIC = X - A2 R
El valor de A2 se encuentra tabulado en una tabla de constantes.
Pgina 81
(3.9)
R
d2
(3.10)
(3.11)
d3
R
LIC = R - 3 R = R - 3 d 3
= R [ 1- 3
] = D3 R
d2
d2
A2
D3
D4
d2
1.880
0.000
3.267
1.128
1.023
0.000
2.574
1.693
0.729
0.000
2.282
2.059
0.577
0.000
2.115
2.326
0.483
0.000
2.004
2.534
0.419
0.076
1.924
2.704
0.373
0.136
1.864
2.847
0.337
0.184
1.816
2.970
10
0.308
0.223
1.777
3.078
Pgina 82
n
2
Eficiencia
Relativa
1.000
0.992
0.975
0.955
0.930
10
0.850
Para n >= 10 el rango pierde eficiencia rpidamente ya que ignora los valores
intermedios entre xmax y xmin sin embargo para valores pequeos de n (4,5 o 6)
empleados en las cartas de control, es adecuado. Para cuando n>10 se utiliza la
desviacin estndar en vez del rango.
EQUIPO DE MEDICIN
La resolucin del equipo debe ser de al menos 1/10 de la tolerancia y debe tener
habilidad
para
realizar
la
medicin
con
un
error
por
Repetibilidad
Pgina 83
Pgina 84
LSC
LC
LIC
Fig. 3.2 Patrn de anormalidad cclico
Mezclas de lotes: Se presenta cuando los puntos graficados se localizan cerca o
fuera de los lmites de control, con muy pocos puntos cerca de la lnea central,
puede ser causada por un sobre control de los operadores sobre el proceso o
cuando se toman productos de varias fuentes con diferente media.
LSC
LC
LIC
Fig. 3.3 Patrn de anormalidad con mezcla de lotes
Corrimiento en la media del proceso. Esto puede ser generado por un cambio en
mtodos, operadores, materias primas, mtodos de inspeccin, etc.
LSC
LC
LIC
Fig. 3.4 Patrn de anormalidad con corrimiento en media
Pgina 85
LIC
Fig. 3.5 Patrn de anormalidad de tendencia ascendente
Estratificacin: Se muestra como una adhesin a la media, puede ser causado por
lmites mal calculados, tomar piezas de procesos diferentes o falta de resolucin
del equipo de medicin.
LSC
LC
LIC
Fig. 3.7 Patrn de anormalidad de estratificacin
Por lo general la carta R es ms sensible a cambios en la normalidad de los
procesos, por ejemplo cuando n = 4 el error tipo I no es 0.00027 sino 0.00461.
Pgina 86
Cuatro de cinco puntos a ms de una sigma de la lnea central del mismo lado.
la
carta
de
control
para
se
encuentra
en
control
Pgina 87
est
en
control
se
pueden
adoptar
los
lmites
X12
X13
X14
X15
Mediasa
138.1
110.8
138.7
137.4
125.4
130.08
27.9
12.1019
149.3
142.1
105.0
134.0
92.3
124.54
57.0
24.6583
115.9
135.6
124.2
155.0
117.4
129.62
39.1
16.1775
118.5
116.5
130.2
122.6
100.2
117.60
30.0
11.0515
108.2
123.8
117.1
142.4
150.9
128.48
42.7
17.7420
102.8
112.0
135.0
135.0
145.8
126.12
43.0
17.9458
120.4
84.3
112.8
118.5
119.3
111.06
36.1
15.2448
132.7
151.1
124.0
123.9
105.1
127.36
46.0
16.6649
136.4
126.2
154.7
127.1
173.2
143.52
47.0
20.1630
135.0
115.4
149.1
138.3
130.4
133.64
33.7
12.3062
139.6
127.9
151.1
143.7
110.5
134.56
40.6
15.8568
125.3
160.2
130.4
152.4
165.1
146.68
39.8
17.8672
145.7
101.8
149.5
113.3
151.8
132.42
50.0
23.1669
138.6
139.0
131.9
140.2
141.1
138.16
9.2
3.6363
110.1
114.6
165.1
113.8
139.6
128.64
55.0
23.5081
145.2
101.0
154.6
120.2
117.3
127.66
53.6
21.8355
125.9
135.3
121.5
147.9
105.0
127.12
42.9
15.9772
129.7
97.3
130.5
109.0
150.5
123.40
53.2
20.6947
123.4
150.0
161.6
148.4
154.2
147.52
38.2
14.4185
144.8
138.3
119.6
151.8
142.7
139.44
32.2
12.1146
Pgina 88
proceso
lmites
de
se
observa
control
en
control
calculados,
se
estadstico,
contina
con
estos
corriendo
el
X12
X13
X14
X15
Mediasa
131.0
184.8
182.2
143.3
212.8
170.82
81.8
33.2801
181.3
193.2
180.7
169.1
174.3
179.72
24.1
9.0461
154.8
170.2
168.4
202.7
174.4
174.10
47.9
17.5943
157.5
154.2
169.1
142.2
161.9
156.98
26.9
9.9693
216.3
174.3
166.2
155.5
184.3
179.32
60.8
23.2220
186.9
180.2
149.2
175.2
185.0
175.30
37.7
15.2797
167.8
143.9
157.5
171.8
194.9
167.18
51.0
18.8798
178.2
186.7
142.4
159.4
167.6
166.86
44.3
17.1516
162.6
143.6
132.8
168.9
177.2
157.02
44.4
18.3454
172.1
191.7
203.4
150.4
196.3
182.78
53.0
21.5062
proceso
lmites
de
se
observa
control
en
control
calculados,
se
estadstico,
contina
con
estos
corriendo
el
X12
X13
X14
X15
Mediasa
131.0
184.8
182.2
143.3
212.8
170.82
81.8
33.2801
181.3
193.2
180.7
169.1
174.3
179.72
24.1
9.0461
154.8
170.2
168.4
202.7
174.4
174.10
47.9
17.5943
157.5
154.2
169.1
142.2
161.9
156.98
26.9
9.9693
216.3
174.3
166.2
155.5
184.3
179.32
60.8
23.2220
186.9
180.2
149.2
175.2
185.0
175.30
37.7
15.2797
167.8
143.9
157.5
171.8
194.9
167.18
51.0
18.8798
178.2
186.7
142.4
159.4
167.6
166.86
44.3
17.1516
162.6
143.6
132.8
168.9
177.2
157.02
44.4
18.3454
172.1
191.7
203.4
150.4
196.3
182.78
53.0
21.5062
Pgina 89
Suponiendo
que
se
identificaron
las
causas
asignables
Pgina 90
X11
X12
X13
X14
X15
Mediasa
Rangosa
131.5
143.1
118.5
103.2
121.6
123.58
39.9
111.0
127.3
110.4
91.0
143.9
116.72
52.9
129.8
98.3
134.0
105.1
133.1
120.06
35.7
145.2
132.8
106.1
131.0
99.2
122.86
46.0
114.6
111.0
108.8
177.5
121.6
126.70
68.7
125.2
86.4
64.4
137.1
117.5
106.12
72.7
145.9
109.5
84.9
129.8
110.6
116.14
61.0
123.6
114.0
135.4
83.2
107.6
112.76
52.2
85.8
156.3
119.7
96.2
153.0
122.20
70.5
107.4
148.7
127.4
125.0
127.2
127.14
41.3
Las cartas
de control
Pgina 91
Pgina 92
Ejemplo
3.3
Se
considera
otro
ejemplo
con
los
datos
X1
X2
X3
X4
X5
HORA
Medias
Rangos
-30
50
-20
10
30
80
50
-60
-20
30
110
-50
10
20
30
20
80
-10
-10
30
-20
50
70
20
-40
50
20
10
12
90
40
-40
20
80
20
-20
-10
-2
40
70
-30
30
-10
12
100
20
-20
10
40
10
20
30
10
50
10
24
40
40
20
20
11
16
40
30
20
30
10
40
12
26
30
30
-30
10
10
13
60
30
-10
50
-10
-30
14
80
10
-10
50
40
15
18
60
30
-10
16
40
20
20
30
30
-20
17
16
50
10
-20
50
30
10
18
16
70
50
-10
40
20
19
20
60
50
30
10
20
18
50
Pgina 93
Pgina 94
Pgina 95
Pgina 96
R
0.023
=
= 0.0099
d2
2.326
Pgina 97
LSE = 74.0500
Los lmites de tolerancia naturales del proceso inferior y
superior (LTNI y LTNS) se encuentran a 3-sigma del proceso
por abajo y por arriba de la media del proceso, o sea en:
LTNS = X + 3 = 74.001 + 3 (0.0099) = 74.0307
LTNI = X - 3 = 74.001 - 3 (0.0099) = 73.9713
LIE LTNI
Fig.
3.8
Localizacin
MEDIA
de
Lmites
LTNS
de
LSE
especificaciones
naturales
Se observa que los lmites de tolerancia naturales del proceso se encuentran
dentro de los lmites de especificacin, por tanto en principio no se observa que
haya partes fuera de especificaciones.
Otra forma de expresar lo anterior es con el ndice de habilidad potencial Cp (o
PCR) siendo:
Cp =
LSE LIE
6
Cp =
74.05 73.95
0.10
1.68
6(0.0099)
0.05984
(3.12)
Pgina 98
Caso 1. Si Cp es menor que 1, implica que la banda entre los lmites de tolerancia
naturales es mayor que la banda permitida por los lmites de especificacin.
LTNI LIE
LSE
LTNS
Caso 2. Si Cp es igual a 1, implica que las bandas para los lmites de tolerancia
natural y de especificaciones coinciden (aunque para el caos de 3-sigma aun
hayan 2700 ppm fuera de especificaciones).
LIE
LSE
LNTI
LNTS
Caso 3. Si Cp es mayor que 1, implica que la banda entre los lmites de tolerancia
natural del proceso, es menor que la banda permitida por las especificaciones.
LIE LTNI
LTNS LSE
(3.13)
Pgina 99
puede
estimar
la
fraccin
de
anillos
no
conformes
0.0099
0.0099
= (-5.15) + 1 - (4.04)
0 + 1 0.99998
0.00002
Pgina 100
medias,
especiales
recurrencia,
despus
y
de
tomado
se
tiene
haber
eliminado
acciones
para
el
clculo
sigue:
Pgina 101
de
las
causas
prevenir
habilidad
su
como
Pgina 102
Pgina 103
(3.14)
(3.15)
Pgina 104
nueva
ant.
= 2.326, d2
nueva
= 74.018
= 73.984
se tiene
= 0.043
= 0.0
= 0.017
LIM.SUP.NVO
LIMITES
ANTERIORES
CARTA X
LIM.INF.NVO.
LIMITE SUP. ANT.
LIMITE SUP.NVO.
CARTA R
0
Pgina 105
es ms
pequeo con n=5 que con n=3) y se reduzca la media de R y su lmite superior en
la carta R.
LA CURVA CARACTERSTICA DE OPERACIN
La habilidad de las cartas de control X R para detectar corrimientos en la media
del proceso es indicada por su curva caracterstica de operacin (OC). Su
determinacin se muestra a continuacin.
Si en la carta para X se conoce la desviacin estndar del proceso y es
constante, cuando la media del proceso 0 cambia a otro valor 1 = 0 + k , la
probabilidad de no detectar el cambio en la primera muestra subsecuente es el
riesgo , donde:
= P { LIC <= X <= LSC 1 = 0 + k }
(3.16)
(3.17)
n
n
Pgina 106
+
( ZLSC, x)
LSC
Xi
LC
( ZLIC, x)
LIC
-
Fig. 3.10 Clculo del error Beta o tipo II
LSC ( 0 k )
LIC ( 0 k )
-
/ n
/ n
Entonces =
0 L / n ( 0 k )
/ n
0 L / n ( 0 k )
/ n
(3.18)
)-(-Lk
(3.19)
) - ( - 3 2
= (-1.47) - (-7.37)
= 0.0708
Pgina 107
las
frmulas
anteriores
se
construyen
las
curvas
de
muestras
antes
de
que
el
corrimiento
sea
ARL =
1
1
En este caso
requieren
ARL
tomar
(3.20)
=
cuatro
0.25
muestras
4.
Es
antes
decir
de
que
el
detectar
se
un
Pgina 108
(3.21)
(3.22)
Pgina 109
2
c4
n 1
1/ 2
( n / 2)
((n 1) / 2)
(3.18)
CASO DE n CONSTANTE
Con esta informacin se pueden establecer los lmites de control para la carta X
y S, cuando se conoce el valor de dado que existe un historial.
Para la carta S se tiene:
LSCs = c4 + 3 1 c 4 = B6
LSCX = + A
LCs
= c 4
LC =
Pgina 110
(3.20)
LICs = c4 - 3 1 c 4 = B5
LICX = - A
Los valores para las constantes se encuentran tabuladas para diferentes valores
de n en la tabla de constantes.
En el caso de que no se conozca la desviacin estndar de la poblacin, se puede
estimar utilizando diversas muestras m con datos histricos, donde se obtenga la
desviacin estndar en cada una de ellas y se promedien.
1 m
Si
m i 1
(3.21)
__
S
c4
(3.22)
LSCs = S 3
S
c4
1 c 42 = B4 S
(3.23)
LCs = S
LICs = S 3
S
c4
1 c 42 = B3 S
Para el caso de la carta X , cuando S /c4 se una para estimar los lmites de
control para esta carta son:
S
LSCx = X + 3
= X + A3 S
c4 n
(3.24)
LCx = X
Pgina 111
LICx = X - 3
= X - A3 S
c4 n
Todas las constantes c4, As y Bs se encuentran tabuladas en funcin de n en la
tabla de constantes, como sigue:
Tabla 3.2 Constantes para lmites de control en cartas X-S
n
c4
A3
B3
B4
B5
B6
0.9400
1.342
1.427
2.089
1.964
0.9515
1.225
1.287
0.030
1.970
0.029
1.874
0.9594
1..134 1.182
0.118
1.882
0.113
1.806
0.9650
1.061
1.099
0.185
1.815
0.179
1.751
0.9693
1.000
1.032
0.239
1.761
0.232
1.707
10
0.9727
0.949
0.975
0.284
1.716
0.276
1.669
11
0.9754
0.905
0.927
0.321
1.679
0.313
1.637
12
0.9776
0.866
0.886
0.354
1.646
0.346
1.610
13
0.9794
0.832
0.850
0.382
1.618
0.374
1.585
14
0.9810
0.802
0.817
0.406
1.594
0.399
1.563
15
0.9823
0.775
0.789
0.428
1.572
0.421
1.544
16
0.9835
0.750
0.763
0.448
1.552
0.440
1.526
17
0.9845
0.728
0.739
0.466
1.534
0.458
1.511
18
0.9854
0.707
0.718
0.482
1.518
0.475
1.496
19
0.9862
0.688
0.698
0.497
1.503
0.490
1.483
20
0.9869
0.671
0.680
0.510
1.490
0.504
1.470
21
0.9876
0.655
0.663
0.523
1.477
0.516
1.459
22
0.9882
0.640
0.647
0.534
1.466
0.528
1.448
23
0.9887
0.626
0.633
0.545
1.455
0.539
1.438
24
0.9892
0.612
0.619
0.555
1.445
0.549
1.429
25
0.9896
0.600
0.606
0.565
1.435
0.559
1.420
CASO DE n VARIABLE
En el caso de tamao de muestra variable, se utiliza el promedio ponderado de las
medias y de las desviaciones estndar como sigue:
Pgina 112
n X
i 1
m
n
i 1
(n
(3.25)
1/ 2
1) S
2
i
(3.26)
ni m
i 1
8
9
9
9
9
10
10
10
10
10
11
11
11
11
11
12
12
12
12
12
13
13
13
14
14
14
14
14
15
15
15
16
16
16
16
16
17
17
17
17
18
18
18
18
18
19
19
19
19
19
20
20
20
21
21
21
21
Pgina 114
21
22
22
22
22
22
23
23
23
23
23
24
24
24
24
24
25
25
25
25
25
Pgina 115
= 74.001 y la
LSCX = 74.015
LCX = 74.001
LICX = 73.987
Para la carta S
LSCS = 0.020
LCS = 0.0098
LICS = 0
Como mtodo alterno para n variable se puede utilizar la n si no hay mucha
variacin entre los diferentes tamaos de muestra (dentro de n 25%).
ESTIMACIN DE
El valor de la desviacin estndar puede ser estimado del valor de
como
sigue:
S
c4
Para el ejemplo:
S
c4
n=5.
Existe una variante de las cartas de medias-desviacin estndar denominadas
cartas de medias-varianza.
Pgina 116
X i X i 1
LSCx = X 3
MR
d2
__
LCx
(3.27)
LICx = X 3
MR
d2
n=2
Ejemplo
3.6
Se
toman
varios
datos
de
viscosidades
se
Pgina 117
No.Lote
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
Pgina 118
LIE
LSE
Reaccin de carta p
Pgina 119
estndar
especificaciones
es
2,
para
lmites
de
3-sigma
la
fraccin
defectiva
producida
ser
aproximadamente
50
3(2)
52
n
donde n=9,
Pgina 120
k
n
p (1 p )
es
la
magnitud
de
incremento
en
fraccin
Pgina 121
Pgina 122
Pgina 123
A2
D3
D4
d2
1.880
0.000
3.267
1.128
1.023
0.000
2.574
1.693
0.729
0.000
2.282
2.059
0.577
0.000
2.115
2.326
0.483
0.000
2.004
2.534
0.419
0.076
1.924
2.704
0.373
0.136
1.864
2.847
0.337
0.184
1.816
2.970
10
0.308
0.223
1.777
3.078
c4
A3
B3
B4
B5
B6
0.9400
1.342
1.427
2.089
1.964
0.9515
1.225
1.287
0.030
1.970
0.029
1.874
0.9594
1..134 1.182
0.118
1.882
0.113
1.806
0.9650
1.061
1.099
0.185
1.815
0.179
1.751
0.9693
1.000
1.032
0.239
1.761
0.232
1.707
10
0.9727
0.949
0.975
0.284
1.716
0.276
1.669
11
0.9754
0.905
0.927
0.321
1.679
0.313
1.637
12
0.9776
0.866
0.886
0.354
1.646
0.346
1.610
13
0.9794
0.832
0.850
0.382
1.618
0.374
1.585
14
0.9810
0.802
0.817
0.406
1.594
0.399
1.563
15
0.9823
0.775
0.789
0.428
1.572
0.421
1.544
16
0.9835
0.750
0.763
0.448
1.552
0.440
1.526
17
0.9845
0.728
0.739
0.466
1.534
0.458
1.511
18
0.9854
0.707
0.718
0.482
1.518
0.475
1.496
19
0.9862
0.688
0.698
0.497
1.503
0.490
1.483
20
0.9869
0.671
0.680
0.510
1.490
0.504
1.470
21
0.9876
0.655
0.663
0.523
1.477
0.516
1.459
22
0.9882
0.640
0.647
0.534
1.466
0.528
1.448
23
0.9887
0.626
0.633
0.545
1.455
0.539
1.438
24
0.9892
0.612
0.619
0.555
1.445
0.549
1.429
25
0.9896
0.600
0.606
0.565
1.435
0.559
1.420
Pgina 124
Pgina 125
pi
Di
ni
(4.1)
(4.2)
2p
p(1 p )
n
(4.3)
de control son:
LSC = w + Lw
LC = w
(4.4)
LIC = w - Lw
Pgina 126
__
__
LSCp = p 3 p (1 p )
n
__
__
LCp = p
(4.5)
__
__
__
LICp = p 3 p (1 p )
n
i = 1, 2, 3,....., m
(4.6)
Di
i 1
mn
p
i 1
(4.7)
m
Pgina 127
El estadstico
control son:
LSC p p 3
p (1 p )
n
(4.5) anterior
LC p p
LIC p p 3
p (1 p )
n
Una vez hecha la grfica trazando los lmites 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 situacin fuera de control se eliminan
y se calculan de nuevo los lmites de control preliminares.
Ejemplo 4.1 Para el llenado de cajas de concentrado de jugo
de
naranja
de
oz.,
se
inspecciona
cada
caja
se
Hora
16
17
18
19
20
21
22
Pgina 128
No-conformidades
8
10
5
13
11
20
18
8
9
10
11
12
13
14
15
9
14
10
5
6
17
12
22
Como
en
estima
23
24
25
26
27
28
29
30
total
se
24
15
9
12
7
13
9
6
encontraron
347
cajas
no
conformes,
se
como sigue:
m
Di
i 1
mn
p
i 1
347
= 0.2313
(30)(50)
= 0.2313
LICp
= 0.0524
causas
anteriores
calculando
nuevos
lmites
Pgina 129
LCp
= 0.2150
LICp
= 0.0407
el
clculo
de
los
lmites
preliminares.
Tampoco
se
0.2150
adoptando
los
lmites
preliminares
para
control futuro.
Se observa que a pesar de que el proceso est en control, no se tienen presentes
problemas controlables por el operador, por tanto las causas de variabilidad son
comunes y su reduccin depende slo del control de la administracin, una vez
Pgina 130
los
siguientes
turnos,
la
grfica
se
ha
mejorado
con
hizo
utilizando Minitab:
Pgina 131
los
p1 = p2
H1:
p1 > p2
p2
i 31
mn
i 31
133
133
0.1108
(50)(24) 1200
Z0
p1 p 2
n1 n 2
p (1 p )
n1n 2
con p
n1 p1 n 2 p 2
n1 n 2
por tanto:
p
(1400)(0.2150) (1200)(0.118)
0.1669
1400 1200
Z0
0.2150 0.1108
1
1
(0.1669)(0.8331)
1400 1200
7.10
Pgina 132
para
las
siguientes
40
muestras
Pgina 133
se
observa
una
Es muy importante que para identificar fcilmente las causas asignables, se lleve
una bitcora de cambios, donde se anote cada
Pgina 134
p (1 p )
n
(4.8)
(4.9)
p (1 p )
0.04
n=
(0.01)(0.99) 56
Mtodo 3.
Otro mtodo a usar si la fraccin p en control es pequea, consiste en seleccionar
n tan grande de tal forma que el lmite inferior tenga un valor positivo, para poder
investigar la causa de generacin de muy bajas cantidades de artculos
defectuosos con objeto de identificar errores de inspeccin o de los equipos de
medicin. Se tiene:
LIC p p L
p (1 p )
0
n
(4.10)
Implica que,
n
(1 p ) 2
L
p
(4.11)
Pgina 135
Ejemplo 4.4, si p = 0.05 y se tienen lmites de control a 3sigma, el tamao de muestra ser:
Si
0.95
(3) 2 171
0.05
n>171
unidades,
la
carta
de
control
tendr
un
lmite
Pgina 136
(4.12)
LIC np np 3 np (1 p )
4.5,
con
los
ltimos
39
datos
Pgina 137
de
las
cajas
de
LSC
LIC
Des-est
100
80
80
100
110
110
100
100
90
90
110
120
120
120
110
80
80
80
90
100
100
100
100
90
0.183686
0.194093
0.194093
0.183686
0.179582
0.179582
0.183686
0.183686
0.188455
0.188455
0.179582
0.176003
0.176003
0.176003
0.179582
0.194093
0.194093
0.194093
0.188455
0.183686
0.183686
0.183686
0.183686
0.188455
0.0073347
-0.0030730
-0.0030730
0.0073347
0.0114382
0.0114382
0.0073347
0.0073347
0.0025651
0.0025651
0.0114382
0.0150173
0.0150173
0.0150173
0.0114382
-0.0030730
-0.0030730
-0.0030730
0.0025651
0.0073347
0.0073347
0.0073347
0.0073347
0.0025651
0.0293918
0.0328611
0.0328611
0.0293918
0.0280240
0.0280240
0.0293918
0.0293918
0.0309817
0.0309817
0.0280240
0.0268310
0.0268310
0.0268310
0.0280240
0.0328611
0.0328611
0.0328611
0.0309817
0.0293918
0.0293918
0.0293918
0.0293918
0.0309817
12
8
6
9
10
12
11
16
10
6
20
15
9
8
6
8
10
7
5
8
5
8
10
6
0.120000
0.100000
0.075000
0.090000
0.090909
0.109091
0.110000
0.160000
0.111111
0.066667
0.181818
0.125000
0.075000
0.066667
0.054545
0.100000
0.125000
0.087500
0.055556
0.080000
0.050000
0.080000
0.100000
0.066667
Pgina 138
D
i 1
25
n
i 1
234
0.096
2450
(0.096)(0.904)
ni
LC = 0.096
LICp= p 3 p 0.096 3
(0.096)(0.904)
ni
Pgina 139
n
i 1
2450
98
25
LSCp= p 3 p 0.096 3
(0.096)(0.904)
0.185
98
LC = 0.096
LICp= p 3 p 0.096 3
(0.096)(0.904)
0.007
98
Pgina 140
pi p
Zi
donde p (o
p (1 p )
ni
(4.13)
nodef
12
8
6
9
10
12
11
16
10
6
20
15
9
8
6
8
10
7
5
8
5
8
10
6
Frac.-def
0.120000
0.100000
0.075000
0.090000
0.090909
0.109091
0.110000
0.160000
0.111111
0.066667
0.181818
0.125000
0.075000
0.066667
0.054545
0.100000
0.125000
0.087500
0.055556
0.080000
0.050000
0.080000
0.100000
0.066667
LSC
0.183686
0.194093
0.194093
0.183686
0.179582
0.179582
0.183686
0.183686
0.188455
0.188455
0.179582
0.176003
0.176003
0.176003
0.179582
0.194093
0.194093
0.194093
0.188455
0.183686
0.183686
0.183686
0.183686
0.188455
LIC
0.0073347
-0.0030730
-0.0030730
0.0073347
0.0114382
0.0114382
0.0073347
0.0073347
0.0025651
0.0025651
0.0114382
0.0150173
0.0150173
0.0150173
0.0114382
-0.0030730
-0.0030730
-0.0030730
0.0025651
0.0073347
0.0073347
0.0073347
0.0073347
0.0025651
Pgina 141
Desv-est.
0.0293918
0.0328611
0.0328611
0.0293918
0.0280240
0.0280240
0.0293918
0.0293918
0.0309817
0.0309817
0.0280240
0.0268310
0.0268310
0.0268310
0.0280240
0.0328611
0.0328611
0.0328611
0.0309817
0.0293918
0.0293918
0.0293918
0.0293918
0.0309817
Z-Estand
0.81655
0.12172
-0.63905
-0.20414
-0.18166
0.46713
0.47632
2.17748
0.48774
-0.94679
3.06231
1.08084
-0.78268
-1.09326
-1.47925
0.12172
0.88250
-0.25866
-1.30543
-0.54437
-1.56506
-0.54437
0.13609
-0.94679
90
0.100000
0.188455
0.0025651
0.0309817
0.12911
Pgina 142
(4.14)
Pgina 143
P(d<=18|p)
P(d<=1|p)
Beta=dif
0.910564687 0.089435313
0.555279873 0.444720127
0.279431752 0.720568248
0.03378586 0.966214001
0.002905453 0.997034965
0.000192678 0.997296118
1.0005E-05 0.971256835
4.0337E-07
0.85943972
1.2349E-08 0.621587038
2.7751E-10 0.335613263
4.36961E-12 0.127345115
4.52971E-14 0.032454324
2.84312E-16 0.005296752
0.01
0.03
0.05
0.1
0.15
0.2
0.25
0.3
0.35
0.4
0.45
0.5
0.55
1
1
1
0.99999986
0.999940418
0.997488797
0.97126684
0.859440124
0.621587051
0.335613264
0.127345115
0.032454324
0.005296752
0.01
0.03
0.05
0.1
0.15
0.2
0.25
0.3
0.35
0.4
0.45
0.5
0.55
np
0.5
1.5
2.5
5
7.5
10
12.5
15
17.5
20
22.5
25
27.5
PZLSC
1
1
1
1
0.999993
0.99865
0.97469
0.858923
0.614877
0.330931
0.126865
0.032685
0.005194
PZLIC
0.925442
0.504961
0.261362
0.050208
0.008884
0.00135
0.000167
1.58E-05
1.07E-06
4.76E-08
1.22E-09
1.55E-11
7.58E-14
Pgina 144
P(d<=18|p)
1
1
1
0.999998598
0.999697003
0.992813495
0.948148253
0.819471712
0.608934016
0.381421949
0.202192955
0.092040859
0.036606283
Beta
0.074558435
0.495039094
0.738638167
0.949792486
0.991109116
0.997299184
0.97452355
0.858907423
0.614875519
0.33093135
0.126865425
0.032684871
0.005193524
P(d<=1|p) Beta=dif
0.90979599 0.090204
0.5578254 0.442175
0.2872975 0.712703
0.04042768 0.959571
0.00470122 0.994996
0.0004994 0.992314
5.031E-05 0.948098
4.8944E-06 0.819467
4.6453E-07 0.608934
4.3284E-08 0.381422
3.976E-09 0.202193
3.6109E-10 0.092041
3.249E-11 0.036606
COMPARACION DE LAS
BETAS CON 3 DECIMALES
np
BINOM POISSON NORMAL
0.5
0.089
0.090
0.075
1.5
0.445
0.442
0.495
2.5
0.721
0.713
0.739
5
0.966
0.960
0.950
7.5
0.997
0.995
0.991
10
0.997
0.992
0.997
12.5
0.971
0.948
0.975
15
0.859
0.819
0.859
17.5
0.622
0.609
0.615
20
0.336
0.381
0.331
22.5
0.127
0.202
0.127
25
0.032
0.092
0.033
27.5
0.005
0.037
0.005
que
cada
370
puntos
se
alarma.
Pgina 145
puede
tener
una
falsa
4.6
(DEFECTOS) c y u
Una no conformidad o defecto es una caracterstica especfica que no cumple con
la especificacin del producto. Las no conformidades pueden tener una gravedad
diferente desde menores hasta crticas. Se pueden desarrollar cartas de control
para el nmero total de no conformidades en una unidad o el nmero promedio de
no conformidades por unidad.
Estas cartas asumen que la ocurrencia de no conformidades en muestras de
tamao constante son modeladas bien por la distribucin de Poisson, es decir
implica que las oportunidades o localizaciones potenciales para las no
conformidades sea muy infinitamente grande y que la probabilidad de ocurrencia
de una no conformidad en cualquier localizacin sea pequea y constante.
Adems cada unidad de inspeccin debe representar una rea de oportunidad
idntica para la ocurrencia de no conformidades. Si estas condiciones no se
cumplen, el modelo de Poisson no es apropiado.
TAMAO DE MUESTRA CONSTANTE - CARTA c
Una unidad de inspeccin es simplemente una entidad para la cual es conveniente
registrar el nmero de defectos, puede formarse con 5 unidades de producto, 10
unidades de producto, etc. Suponiendo que los defectos o no conformidades
ocurren en la unidad de inspeccin de acuerdo a la distribucin de Poisson, o sea:
p( x )
e c c x
x!
(4.15)
Donde la media y la desviacin estndar tienen valor c; para x = 0, 1, 2, .......
Por tanto considerando L = 3-sigma, los lmites de control para la carta de no
conformidades son:
Pgina 146
LSCc =
c +3
c
LICc = c - 3
LCc =
(4.16)
c
LCc = c
LICc = c - 3
(4.17)
c
unidades
de
inspeccin
sucesivas
de
100
muestras
516 / 26 = 19.85 = c
Pgina 147
de
LIC = 6.48
De la carta de control preliminar, se observa que hay 2
puntos fuera de control, el 6 y el 20.
Pgina 148
No Conformidades 1
16
18
18
21
12
16
15
22
24
19
21
12
28
14
20
9
25
16
19
21
Se observa en la grfica que no se tienen puntos fuera de
control,
sin
embargo
el
promedio
de
Pgina 149
defectos
es
alto,
Pgina 150
Pgina 151
LSC nc nc 3 nc
LC nc nc
(4.18)
LIC nc nc 3 nc
Por ejemplo si se deciden utilizar 2.5 unidades de inspeccin para el caso de los
circuitos impresos (es decir inspeccionar 250 tarjetas) con n=2.5, se tiene:
LSC nc nc 3 nc = (2.5)(19.67) + 3
( 2.5)(19.67 ) 70.22
LC nc nc = (2.5)(19.67) = 49.18
LIC nc nc 3 nc = (2.5)(19.67) - 3
( 2.5)(19.67 ) 28.14
Mtodo 2. Carta u
Si se encuentra un total de c no conformidades en la muestra de n unidades de
inspeccin, entonces el promedio de no conformidades por unidad de inspeccin u
es:
u
c
n
(4.19)
LSC u u 3
u
n
LC u u
LSC u u 3
(4.20)
u
n
Pgina 152
es
una
computadora
se
inspeccin a un tiempo.
No conformindades
en cada 5 unidades carta u
10
9
12
5
8
7
14
11
10
12
16
6
11
8
7
10
10
7
15
5
Se calculan los lmites de control con:
__
Suma.de.no.conformidades
Suma.de.unidades.inspeccionadas
u =38.60 / 20 = 1.93
LSC = 3.79
LIC = 0.07
La carta de control queda como sigue:
Pgina 153
toman
unidades
de
En
la
carta
de
control
no
se
observa
falta
de
control
u
ni
LC u u
LSC ui u 3
(4.21)
u
ni
Pgina 154
No Conf.
14
12
20
11
7
10
21
16
19
23
La lnea central es u
Donde
153
1.42
107.5
Total de unidades
de inspeccin
De la grfica no se observan puntos fuera de control.
Pgina 155
n
i 1
ni
m
(4.22)
Zi
ui u
(4.23)
u
ni
NoConUv
14
12
20
11
7
10
21
16
19
23
Sigmau
0.374166
0.433013
0.344010
0.331662
0.278500
0.316228
0.381881
0.380952
0.363242
0.383667
Z
-0.05345
0.18475
0.34435
-0.96484
-2.45299
-1.32816
0.86414
0.27250
0.44965
1.09470
DUvar
1.40000
1.50000
1.53846
1.10000
0.73684
1.00000
1.75000
1.52381
1.58333
1.84000
Pgina 156
SISTEMA DE DEMERITOS
Con productos complejos, se identifican diversos tipos de defectos, desde los que
se consideran menores hasta los que ponen en riesgo la salud del usuario. Por lo
cual es necesario dar una ponderacin a esos diversos tipos de defectos de
acuerdo a su gravedad, un esquema posible es el siguiente:
Defectos tipo A Muy serios: La unidad no puede funcionar o fallar en el
campo, o puede causar dao al usuario.
Defectos tipo B Serios: La unidad tendr menos vida til, o puede causar una
falla de funcionamiento mayor.
Defectos tipo C Poco serios: La unidad puede tener fallas pero continuar
funcionando, o puede incrementar los costos de mantenimiento, o tener una mala
apariencia como usada.
Defectos tipo D Menores: La unidad no fallar en servicio pero tiene defectos
de apariencia, terminados o calidad de trabajo.
Pgina 157
Supngase que para los defectos anteriores se tengan los nmeros ciA, ciB, ciC, ciD
respectivamente en la i-sima unidad inspeccionada. Se asume que cada clase de
defectos es independiente y que la ocurrencia de defectos de cada clase es
modelada bien con la distribucin de Poisson. Entonces se puede definir el
nmero de demritos en la unidad de inspeccin por ejemplo como:
di = 100ciA + 50ciB + 10ciC + ciD
(4.24)
d
i 1
ui = D / n =
d
i 1
(4.25)
n
Como u es una combinacin lineal de variables aleatorias independientes de
Poisson, el estadstico ui puede ser graficado en una carta de control con los
parmetros siguientes:
LSC = u + 3 u
LC = u
(4.26)
LIC = u + 3 u,
Donde,
(4.27)
Pgina 158
1/ 2
(4.28)
(4.29)
P(x<=33|c)
1.000
1.000
1.000
1.000
1.000
0.999
0.997
0.709
0.367
0.367
0.131
0.037
P(x<=6|c)
Beta
0.999
0.967
0.762
0.450
0.130
0.007
0.000
0.000
0.000
0.000
0.000
0.000
0.001
0.033
0.238
0.550
0.870
0.992
0.950
0.709
0.131
0.367
0.131
0.037
Pgina 159
Pgina 160
P{nLIC u c nLSC u}
Pgina 161
(4.30)
Las cartas por atributos c y u no son convenientes en estos casos ya que tendran
ceros la mayor parte del tiempo, una alternativa es graficar los intervalos de
tiempo entre ocurrencias de los defectos o eventos.
Asumiendo que los defectos ocurren de acuerdo a la distribucin de Poisson,
entonces la distribucin de tiempo transcurrido entre eventos sigue la distribucin
exponencial, sin embargo dara una carta de control muy asimtrica.
Nelson, sugiere una alternativa transformando la variable aleatoria exponencial a
una variable aleatoria de Weibull de tal forma que sea una buena aproximacin a
la normal. Si y representa la variable aleatoria exponencial original, la
transformacin adecuada es:
x = y1/3.6 = y0.277
(4.31)
Por tanto se construye una carta de control para x, asumiendo que x sigue una
distribucin normal.
Por ejemplo para el monitoreo de fallas de una vlvula importante, se usar el
nmero de horas entre fallas como la variable a monitorear. En la pgina siguiente
se muestra este ejemplo.
Pgina 162
Pieza M1
M2
M3
D1
D2
D3
Media
Rango
50
51
52
1.00
49
50
51
-1
0.00
48
49
52
-2
-1
-0.33
53
51
-1
1.00
24
27
26
-1
0.67
25
27
24
-1
0.33
27
26
23
-2
0.33
25
24
23
-1
-2
-1.00
24
25
25
-1
-0.33
10
26
24
25
-1
0.00
Pgina 163
RS
R
Ri
(5.1)
Pgina 164
Sd 2
graficar,
S
x Ti
Ri
(5.2)
Zi
Carta np
Zi
pi p
p (1 p ) / n
npi n p
n p(1 p )
(5.3)
Carta c
Zi
Carta u
Zi
ci c
c
ui u
u/n
Pgina 165
LIEsp.
|---
6 ---|
LSEsp.
LIE
LSE
LIC
LSC
Z
nn
Pgina 166
(5.4)
S LSE Z
LSC S
Z
Z
LSE Z
n
n
LIC I
Z
Z
LIE Z
n
n
(5.5)
Pgina 167
Los lmites de control para este caso se basan en una n especificada y una
fraccin no conforme del proceso que nos gustara rechazar con una
probabilidad (1-), por tanto:
LSC S
LIC I
LSE Z
n
n
(5.5)
LIE Z
n
n
Se obtiene
Z Z
n
Z Z
(5.6)
2.33 1.645
Pgina 168
=0.025
LSE-1.96
Amplitud de variacin
0.10
__
Aceptable para X
0.10
LIE+1.96
LIE
=0.025
28
Duncan A., Control de Calidad y Estadstica Industrial, Alfaomega, Mxico, 1989, pp. 527-530
Pgina 169
5.3
CARTA
DE
CONTROL
PARA
DESGASTE
DE
HERRAMIENTA o MATERIAL
Cuando un desgaste natural ocurre, se presenta una tendencia natural en la carta
de control, la distancia entre los lmites de especificacin debe ser
mucho mayor que 6X, por lo que se puede usar el concepto de la carta
de control modificada (X = R/d2).
LSE
LSE-3x
Amplitud dentro de la cual
Distribucin de x
_
LIE+3x
LIE
Fig. 5.3
Como se puede observar, slo se puede emplear sta carta si la amplitud de los
lmites de especificacin es suficiente mayor a 6x para alojar la carta de
control.
Pgina 170
(5.7)
3. Utilizando un paquete de computadora que incluye el clculo de mnimos
cuadrados.
Los valores sugeridos de inicio y paro del proceso son 1, , 2 donde:
1 LIE 3 x LIE 3R / d 2
(5.8)
2 LSE 3 x LSE 3R / d 2
(5.9)
Es importante considerar que antes de llevar una carta de medias para desgaste
es indispensable asegurarse que la carta de rangos est en control estadstico. En
caso de que la media en lugar de crecer, decrezca, las 1, , 2 se invierten:
_
Pgina 171
1.15530,
Xi
1.15540,1.15544,
1.15546,
1.15550,
1.15556,
1.15568,
1.15570,
Ri
0.00020
Muestra 9
10
11
12
13
LSCR=0.000374,
= 0.000076053;
b = 0.0000492
1, , 2 son respectivamente 1.155228 y 1.155772
m* = 11.056,
los lmites
0.5768(0.0001769)=0.000102.
de
control
estn
A2 R
Pendiente b
LSC
1,
LIC
LIE
Fig. 5.4 Tiempo t o nmero de muestras antes de ajuste
Pgina 172
ZONA AMARILLA
ZONA VERDE
ZONA AMARILLA
ZONA ROJA
Pgina 173
29
C p USL LSL
30
Montogomery, Douglas C. Statistical Quality Control, John Wiley & Sons, Inc., 1991, pp. 332-334.
Pgina 174
LSL
LPCL
1
4
1
2
UPCL
3
4
USL
1
Pgina 175
Pgina 176
5.5
Se utiliza para procesos con muchas fuentes de produccin, por ejemplo diversos
husillos que en principio producen piezas similares. El usar una carta de
control para cada husillo por separado sera prohibitivo, sin embargo se
tiene la alternativa de sta carta de control siempre que la produccin
entre husillos no est correlacionada.
Para establecer una carta de este tipo, se toman n 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 habrn tomado 20 x 6 = 120
medias y rangos de n = 4 observaciones. De stos se calculan la media
LICX = X - A2 R
LICR = D3 R
_
LSCX = X + A2 R
(5.10)
LSCR = D4 R
Con los lmites de control trazados, se grafica despus slo la mayor y la menor
de las 6 lecturas promedio considerando todas las salidas o en este caso
husillos de la mquina, si se encuentran en control, se asume que las
dems estn en control. Para el rango se grafica slo el mayor de todos
los rangos. Cada punto es identificado por el nmero de husillo o salida
que lo produjo. El proceso se encuentra fuera de control si se algn
punto excede los lmites de 3-sigma. No se pueden aplicar pruebas de
rachas a estas cartas.
Pgina 177
Es til 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 si r es el nmero de veces consecutivas que se repite como el
mayor o el menor, el ARL para este evento es:
ARL0
s r 1
s 1
(5.11)
Las cartas de control de Shewart utilizan slo informacin acerca del proceso con
los ltimos datos del subgrupo, e ignoran la informacin de la secuencia completa
de puntos, esto hace que estas cartas de control sean insensibles a pequeos
corrimientos de la media del proceso, de 1.5 o menos. Los lmites preventivos y
criterios mltiples de prueba de corridas o tendencias toman en cuenta otros
puntos de la carta, sin embargo esto reduce la simplicidad de interpretacin de la
carta as como reducir el ARL en control lo cual es indeseable.
Cuando se trata de identificar pequeas variaciones o corridas en la media, se
pueden utilizar como alternativa, las cartas de sumas acumuladas (cusum), y
promedio mvil exponencialmente ponderado (EWMA).
CUSUM NORMAL
Pgina 178
Ci ( x j 0 )
(5.12)
j 1
Como esta carta es eficiente para n=1, es una buena alternativa para el control de
procesos qumicos y el C.E.P. automatizado. Si la media tiene un corrimiento hacia
arriba, la carta mostrar una tendencia ascendente y viceversa.
La carta Cusum no tiene lmites de control, sin embargo tiene un mecanismo
similar ya sea en forma tabular o por medio de una mascara en V, como la
mostrada en el ejemplo de las pginas siguientes.
CUSUM EN FORMA TABULAR
La carta tabular Cusum trabaja con derivaciones acumuladas de 0 sobre el
objetivo con un estadstico C+ o debajo de este con un estadistico C -, tambin
llamados Cusums de lado superior o inferior respectivamente. Se calculan como
sigue:
max0, (
C i max 0, xi ( 0 K ) C i1
C i
K ) xi C i1
(5.13)
(5.14)
Pgina 179
(5.15)
max 0,9.5 x
C i max 0, xi 10.5 C i1
C i
C i1
Pgina 180
Ci
0 K , si C i H
N
0 K
(5.16)
Ci , si
Ci H
N
(5.17)
5.28
11.25
7
Pgina 181
C i y j y i C i 1
(5.18)
j 1
2A
1A
1 2 3 4 5 ............................................. i
Pgina 182
(5.19)
h = A d tan () = d.k
(5.20)
= (1) tan ()
= 26.57
de h = d.k
=>
=>
5 = d (1/2)
d =10
Pgina 183
y h = 5,
Cumulative Sum
20
15
10
Target=0
2
10
12 14
Sample
16
18
20
22
24
2A
tan 1
(5.21)
y
2 1
ln
(5.22)
ln( )
Pgina 184
= 0.05 y = 1, se obtiene la
mascara en V siguiente:
2 1 0.05
ln
2
1 0.05
= 5.888
1
26.56
2
tan 1
5.7
CARTA
DE
CONTROL
DE
MEDIAS
MOVILES
(5.23)
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
Pgina 185
2i
1 (1 )
2
zi2
(5.24)
Por tanto los lmites de control de zi versus el nmero de muestra o tiempo i, son:
2i
1 (1 )
2
LSC 0 L
(5.25)
LC 0
(5.26)
2i
1 (1 )
2
LIC 0 L
(5.27)
(5.28)
LC 0
LSC 0 L
(5.29)
(5.30)
Pgina 186
carta
EWMA
tiene
un
ARL0
500
una
ARL1
14.3
UCL=1.861
1.5
EWMA
1.0
__
X=0.442
0.5
0.0
-0.5
LCL=-0.978
-1.0
2
10
12 14
Sample
16
18
20
22
24
Pgina 187
Mi
xi xi 1 ..... xi w1
w
(5.31)
3
w
(5.32)
LC 0
(5.33)
LIC 0
3
w
(5.34)
Mi
xi xi 1 ....xi 4
5
(5.35)
Para periodos i<5 se grafica el promedio de las observaciones para los periodos 1,
2, 3, ...i.
Ejemplo 5.9 Los lmites de control son con 0 =10 y =1, se
tiene:
LSC = 10 + 3
LSC = 10 - 3
Moving Average
UCL=2.900
2
1
__
X=0.442
0
-1
-2
LCL=-2.017
-3
-4
2
10
12 14
Sample
16
18
20
22
24
Pgina 188
Variabilidad natural: Los productos fabricados nunca son idnticos sino que
presentan cierta variabilidad, cuando el proceso est bajo control, solo
actan las causas comunes de variacin en las caractersticas de calidad.
Pgina 189
(6.1)
LTNI = - 3
Para un proceso normal, los lmites de tolerancia naturales incluyen 99.73% de la
variable, slo el 0.27% (2700 ppm) de la salida del proceso se encontrar fuera de
estos limites de tolerancia naturales. Sin embargo, si el proceso no es normal, el
porcentaje puede diferir grandemente. Esto se esquematiza en la figura siguiente:
Pgina 190
.00135 LTNI
LTNS .00135
Pgina 191
31
J.M. Juran, Anlisis y planeacin de la Calidad, Tercera Edicin Mc. Graw Hill, Pp.404
Pgina 192
Variacin 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 variacin han sido restringidas
considerados, slo son los que se obtuvieron del subgrupo racional. Ayuda a
determinar subgrupos racionales importantes.
Pgina 193
(6.1)
dnde:
Zst = variacin a corto plazo.
nom = Valor nominal u objetivo
Zlt = variacin a largo plazo.
Z shift.- A largo plazo los procesos tienen un desplazamiento natural de 1.5
desviaciones estndar.
Zlt = Zst-1.5shift
Pgina 194
Cp PCR
LSE LIE
6
(6.2)
74.05mm
R
0.0099
d2
el
LIE=
73.95mm
de
la
carta
se
estim
= 1.68
(6.3)
Pgina 195
LSE
3
Cpi PCR I
LIE
3
Ejemplo 6.2
(6.4)
Cp PCR I
264 200 64
0.67
3(32)
96
ZI
32
P(x <= ZI) = 0.0228 o 2.28% por debajo del lmite inferior de
especificaciones
Algunos de los ndices de capacidad potencial Cp y las piezas defectivas en
partes por milln (ppm) que estn fuera de especificaciones se muestran a
continuacin:
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
Pgina 196
1.10
484
967
1.20
159
318
1.30
48
96
1.40
14
27
1.50
1.60
1.70
0.17
0.34
2.00
0.0009
0.0018
(6.5)
donde,
Cps PCR S
LSE
3
Cpi PCR I
LIE
3
Pgina 197
(6.6)
Ejemplo
6.3
Para
un
proceso
donde
los
lmites
de
Cps PCRS
62 53
1.5 para el lmite superior
32
Cpi PCR I
53 38
2.5 para el lmite inferior
32
Pgina 198
Frec.
a)
Microdureza
Se puede transformar cada valor x con su inverso o sea con y=1/x de esta forma
la distribucin transformada es la siguiente (ver mtodo de Box Cox con Lamda
ptima en Minitab):
Frec.
b)
Y=1/x
Pgina 199
LIE
LSE
PROCESO A: Cpk = 1
LIE
LSE
PROCESO B: Cpk =1
Si T
1
( LSE LIE )
2
(6.7)
2 ( T ) 2
(6.8)
(6.9)
Se tiene,
Cp km PCRkm
LSE LIE
LSE LIE
LSE LIE
2
2
6
6 ( T )
1 2
(6.10)
Una condicin necesaria para que Cpkm sea mayor de uno es:
1
( LSE LIE )
6
T = 50
Proceso B:
1
1.0
1 0
2
1 (3) 2
0.63
Cpk
(6.11)
1 2
Pgina 201
en
psi.
Los
datos
se
continuacin.
HIST
265
346
265
221
261
205
317
254
176
248
263
242
281
248
260
307
258
294
263
274
220
276
223
231
337
268
300
260
334
250
260
208
308
280
278
234
187
235
265
254
299
264
283
272
274
215
271
277
283
275
197
280
200
265
278
286
242
235
262
250
274
260
246
271
265
243
321
328
245
270
231
228
296
301
298
267
250
276
280
257
281
299
264
274
210
265
258
269
253
280
214
267
235
287
269
318
293
290
258
251
Pgina 202
muestran
se
muestran
S = 32.02
X 3S
264 96 psi.
Esta primera estimacin de la capacidad es independiente de las especificaciones.
6.3.2 PAPEL DE PROBABILIDAD NORMAL
Es una herramienta que permite evaluar la capacidad aproximada del proceso con
resultados parecidos a los del histograma pero con un nmero menor de muestras
y sin las operaciones del histograma, a continuacin se muestra un ejemplo de
esta herramienta.
Pgina 203
Ventajas
1. Se puede observar el comportamiento del proceso sin tomar tantos datos como
en el histograma, 10 son suficientes
2. El proceso es ms sencillo ya que no hay que dividir el rango de la variable en
intervalos de clase como en el histograma.
3. Visualmente se puede observar la normalidad de los datos, si se apegan a la
lnea de ajuste
4. Permite identificar la media y la desviacin estndar aproximada del proceso.
As como la fraccin defectiva, el porcentaje de datos entre cierto rango, el Cp y el
Cpk.
Procedimiento
1. Se toman al menos n = 10 datos y se ordenan en forma ascendente,
asignndoles una posicin ( j ) entre 1 y n.
2. Se calcula la probabilidad de cada posicin con la frmula siguiente:
Pj = (j - 0.5) / n
3. En el papel especial normal se grafica cada punto (X j, Pj)
4. Se ajusta una lnea recta que mejor aproxime los puntos
5. Si no hay desviaciones mayores de la lnea recta, se considera normal el
proceso y se procede a hacer las identificaciones:
La media corresponde al percentil 50 y la desviacin estndar es estimada por la
diferencia del percentil 84 menos el percentil 50,
La media ser el punto en X correspondiente a P j = 0.5
La desviacin estndar es la diferencia en Xj corresp. a Pj = 0.5 y Pj = 0.84
Pgina 204
Ejemplo 6.5
.-Se tomaron los datos siguientes (Xj) ordenamos los datos
y, calculamos la probabilidad de su posicin (Pj)
Pj
0.84
0.5
Desv. Estndar
Fraccin
Defectiva
LIE
X Media
Xj
Pgina 205
PAPNOR
271
197
275
200
277
215
278
221
280
231
283
242
290
245
301
258
318
265
346
265
Pgina 206
Lmite
observa
Inferior
que
se
de
tiene
Especificacin
un
5%
LIE
en
200
aproximadamente
psi,
fuera
se
de
especificaciones.
Nota: Es muy importante que el proceso sea normal, de lo contrario se obtendrn
resultados inexactos. Cuando los procesos son ligeramente anormales se pueden
utilizar los mtodos de Pearson, transformar los datos por Box Cox o usar Weibull.
?
?
?
?
Pgina 207
?
?
?
Prediccin
Tiempo
R
S
Donde,
S = Desviacin estndar de la poblacin
d2 = Factor que depende del tamao del subgrupo en la carta de control X - R
C4 = dem al anterior para una carta X - S
En una carta por individuales, d2 se toma para n = 2 y Rango Medio = Suma
rangos / (n -1)
Pgina 208
siguiente,
despus
de
que
el
proceso
se
estabiliz
R
77.3
33.23
d 2 2.326
El C pk
200 264.06
3 33.23
especificaciones.
Ejemplo 6.8 (carta X - S)
De una carta de control X - S (con subgrupo n = 5) se obtuvo
lo
siguiente,
despus
de
que
el
proceso
Pgina 209
se
estabiliz
s
1.05
1.117
=
C4
.094
El C pk
El C p
105 100
3 1.117
105 85
6 1.117
1.492
2.984
32.02 OK
Considerando Lmites de especificaciones LIE = 200 y LSE = 330
Nos aseguramos que los datos se distribuyan normalmente con la prueba de Ryan
como sigue:
3. Stat > Basic statistics > Normalita Test
Pgina 210
4. Variable C1
El P value debe ser mayor a 0.05 para que los datos se distribuyan normalmente
Pgina 211
Pgina 212
Interpretacin:
La desviacin estndar Within se determina en base al Rango medio y d2
(1.128 para n = 2), con esta se determinan los ndices de capacidad potencial
Cp y real Cpk, lo cual es adecuado para un proceso en control o normal.
La desviacin estndar Overall se determina con la desviacin estndar de
todos los datos de la muestra dividido entre el factor C4 = 4(n-1)/(4n 3), con esta
desviacin estndar se determinan los ndices de desempeo Pp y Ppk as
como el desempeo Overall, no importando si el proceso est en control o no, en
este ltimo caso los valores no tienen significado prctico.
Opcin Six Pack
Para mostrar toda la informacin relevante:
Determinar la capacidad con:
Pgina 213
4. Stat > Quality tools > Capability Six Pack > Normal
5. Single column C1 Subgroup size 5 Lower Spec 200 Upper spec 330
6. Estimate R-bar OK
Los resultados se muestran a continuacin:
Pgina 214
Pgina 215
observamos
que
PPM
>
USL
3,795
lo
cual
significa
que
Los ndices Pp y Ppk son similares a los ndices Cp y Cpk , se refieren a la capacidad del proceso a largo
plazo.
Pgina 216
2
2
total
2producto equipo
. medicin
(6.13)
operador
con
el
mismo
instrumento
de
medicin,
OP1IN1
21
24
20
27
19
23
22
19
24
25
21
18
23
24
29
26
20
19
25
19
OP1IN2
20
23
21
27
18
21
21
17
23
23
20
19
25
24
30
26
20
21
26
19
X-media
20.5
23.5
20.5
27.0
18.5
22.0
21.5
18.0
23.5
24.0
20.5
18.5
24.0
24.0
29.5
26.0
20.0
20.0
25.5
19.0
Pgina 217
Rango
1
1
1
0
1
2
1
2
1
2
1
1
2
0
1
0
0
2
1
0
se
cual
es
normal
ya
que
se
espera
que
el
las
diferencias
entre
instrumento
La
mediciones
de
carta
la
misma
fuera
de
control,
indica
que
el
operador
tiene
R
1 .0
0.887
d 2 1.128
Pgina 218
entonces
6instrumento
es
un
buen
estimador
de
la
T
LSE LIE
(6.14)
0.097
T
60 5
55
Los valores de P/T menores a 0.1 implican una capacidad adecuada del
instrumento de medicin. Basado en su precisin debe ser al menos de 0.1 de la
tolerancia de la caracterstica evaluada.
La variabilidad total de los datos de las mediciones incluyen la variabilidad del
producto y las del instrumento de medicin. Por tanto,
2
total
S2
2
2
2producto total
instrument
o
Pgina 219
Variable
OP1IN1
N
40
Mean
22.300
Median
21.500
TrMean
22.167
StDev
3.172
SE Mean
0.502
2
total
S 2 = 3.17 x 3.17 = 10.05
2
2
2producto total
instrument
o = 10.05 0.79 = 9.26
instrumento
x100
producto
(6.15)
2
2
2
error
.medicin repetibili dad reproducib ilidad
(6.16)
Pgina 220
PARTS OP1IN1 OP1IN2 RANGO1 OP2IN1 OP2IN2 RANGO2 OP3IN1 OP3IN2 RANGO3
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
24
20
27
19
23
22
19
24
25
21
18
23
24
29
26
20
19
25
19
20
23
21
27
18
21
21
17
23
23
20
19
25
24
30
26
20
21
26
19
1
1
1
0
1
2
1
2
1
2
1
1
2
0
1
0
0
2
1
0
20
24
19
28
19
24
22
18
25
26
20
17
25
23
30
25
19
19
25
18
20
24
21
26
18
21
24
20
23
25
20
19
25
25
28
26
20
19
24
17
0
0
2
2
1
3
2
2
2
1
0
2
0
2
2
1
1
0
1
1
19
23
20
27
18
23
22
19
24
24
21
18
25
24
31
25
20
21
25
19
21
24
22
28
21
22
20
18
24
25
20
19
25
25
30
27
20
23
25
17
2
1
2
1
3
1
2
1
0
1
1
1
0
1
1
2
0
2
0
2
1
1
( R 1 R 2 R 3 ) (1.0 1.25 1.20) 1.15
3
3
repetibili dad
R
1.15
1.02
d2
1.128
Pgina 221
reproducib ilidad
Rx
d2
instrumento.medicin = 1.04
La relacin P/T = 6 (1.04)
/ (60-5) = 0.11
DISPOSITIVO DE PRUEBA
20 JULIO 2000
P. REYES
5
Source
Total Gage R&R
Repeatability
Reproducibility
Part-to-Part
Variance
1.0424
1.0394
0.0030
9.4801
%Contribution
(of Variance)
9.91
9.88
0.03
90.09
Pgina 222
Total Variation
10.5225
100.00
Source
StdDev
(SD)
Study Var
(5.15*SD)
%Study Var
(%SV)
%Tolerance
(SV/Toler)
1.02096
1.01950
0.05449
3.07898
3.24384
5.2579
5.2504
0.2806
15.8568
16.7058
31.47
31.43
1.68
94.92
100.00
9.56
9.55
0.51
28.83
30.37
Pgina 223
Variacin
proceso,
real
Variacin
deldel
proceso,
real
Variacin dentro de la
muestra
Repetibilidad
Variacin de la medicin
Variacin
originada
Equipo
de
medicin
por el calibrador
Estabilidad
Pgina 224
Reproducibilidad
Linealidad
Calibracin
Sesgo
Definiciones
O p e ra d o r -B
O p e ra d o r -C
O p e ra d o r -A
R e p r o d u c ib i l id a d
R E P E T I B IL I D A D
Pgina 225
Valor verdadero:
Exactitud :
Exacto y preciso
(resolucin)
i e
33
En EUA se tiene el NIST (National Institute of Standards ando Technology),En Mxico se tiene el
CENEAM o el Centro Nacional de Metrologa
T
i e
Pgina 226
Valor
verdadero
Sesgo
Menor
Sesgo
mayor
(rango inferior)
(rango superior)
V a lo r
V e rd a d e ro
S e s g o
con exactitud
conocida con otro instrumento para detectar, reportar o eliminar por medio del
ajuste, cualquier variacin en la exactitud del instrumento.
Pgina 227
<10% Aceptable
10-30%. Puede ser aceptable, para caractersticas no crticas.
>30%. Inaceptable!
En otras industrias fuera de la automotriz se acepta un error total de R&R del 25%
como mximo.
Pgina 228
Partes
1
2
3
4
5
Pgina 229
La resolucin del equipo de medicin debe ser de al menos el 10% del rango
de tolerancia o del rango de variacin 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 variacin)
Pgina 230
4. Haga que el segundo operador mida todas las muestras una sola vez,
siguiendo un orden al azar.
5. Contine hasta que todos los operadores hayan medido las muestras una sola
vez (Este es el ensayo 1).
6. Repita los pasos 3-4 hasta completar el nmero requerido de ensayos
7. Determine las estadsticas del estudio R&R
Repetibilidad
Reproducibilidad
% R&R
Desviaciones estndar de cada uno de los conceptos mencionados
Anlisis del porcentaje de tolerancia
8. Analice los resultados y determine las acciones a seguir si las hay.
Mtodos de estudio del error R&R:
I.
Mtodo de Promedios- Rango
Repetibilidad.
Pgina 231
Medicin 1
21
24
20
27
19
23
22
19
24
25
21
18
23
24
29
26
20
19
25
19
Medicin 2
20
23
21
27
18
21
21
17
23
23
20
19
25
24
30
26
20
21
26
19
Promedio
Media
20,5
23,5
20,5
27,0
18,5
22,0
21,5
18,0
23,5
24,0
20,5
18,5
24,0
24,0
29,5
26,0
20,0
20,0
25,5
19,0
22,3
Rango
1
1
1
0
1
2
1
2
1
2
1
1
2
0
1
0
0
2
1
0
1
x 22.3
R 1 .0
Ejemplo adaptado de: Statistical Quality Control. Douglas C. Montgomery. Willey. Second Edition
Pgina 232
medicin =
R
1
0.887
d 2 1.128
donde:
R = Rango promedio
d2 = Valor de tablas.
Para obtener una buena estimacin de la capacidad del error de medicin
utilizamos:
6 medicin 6(0.887) 5.32
T USL LSL
0.097 .
T
55
Pgina 233
100 25.73%
total
3.07
A.columna 1
Muestra
1er Intento
columna 2
2do Intento
columna 3
columna 4
Rango
3er Intento
Promedio
0.0045
0.0045
0.0045
0.0045
0.0055
0.0045
0.0045
0.0045
0.0045
0.0050
0.0050
0.0045
0.0045
0.0045
0.0045
0.0050
0.0055
0.0045
0.0010
0.0050
0.0050
0.0045
0.0045
0.0005
0.0047
0.0050
0.0050
0.0050
0.0050
0.0045
0.0050
10
0.0040
0.0040
0.0040
Totales
0.0470
0.0475
0.0455
Suma
0.1400
RA :
XA :
RA :
0.0010
0.0005
-
0.0005
0.0035
0.00035
0.004666667
0.00035
# Intentos
Pgina 234
D4
0.0045
0.0048
0.0045
0.0048
0.0045
0.0050
0.0048
0.0040
0.0467
RB :
0.0004
RC :
0.0005
SUM:
0.00125
LSCR =
0.000416667
LSCR =
R:
Pgina 235
2.58
R x D4
0.001075
columna 11
columna 12
Rango
3er Intento
Promedio
Prom. Parte
Xp =
0.0045
0.0005
0.0047
0.004556
0.0045
0.0010
0.0048
0.004889
0.0040
0.0005
0.0043
0.004444
0.0050
0.004944
0.0043
0.004333
0.0050
0.005111
0.0050
0.0040
0.0005
0.0050
0.0050
0.0005
0.0048
0.004833
0.0050
0.0010
0.0053
0.005111
0.0045
0.0010
0.0048
0.004778
0.0045
0.004167
0.0050
0.0477 Xp=
0.004717
0.0005
Rp=
0.000944
0.0045
0.0460
RC
A2
=
LSCX = X + A2 R
LSCX =
1.023
0.005142917
LICX = X - A2 R
LICX =
0.0043
RANGOS
LSCR =
0.001075
R=
0.00042
LICR =
Una vez colectados los datos proceder a realizar la carta de rango R y observar
que est en control, de otra forma repetir las mediciones para ese operador y parte
especfica errnea.
Pgina 236
Ahora revisar la carta X media, debe tener al menos el 50% de puntos fuera de
control indicando que identifica las variaciones en las diferentes partes
presentadas:
LSCX =
0.005143
X=
0.004717
LICX =
0.004290417
LSCX
X
LICX
Pgina 237
Pgina 238
Pgina 239
Ejemplo 2 (MINITAB)
Mtodo X Barra - R
Se seleccionan 10 muestras de un proceso de manufactura, cada parte es medida
dos veces por tres operadores. Realice un estudio R&R mediante el mtodo
ANOVA.
OPERADOR A.B.C.columna columna columna columna columna columna columna columna columna
1
Muestra
1er
2do
2
3er
3
1er
5
2do
6
3er
7
1er
10
2do
3er
11
Intento
Intento
Intento
Intento
Intento
Intento
Intento
Intento
Intento
0.0045
0.0045
0.0045
0.0045
0.0045
0.0045
0.0050
0.0045
0.0045
0.0045
0.0055
0.0045
0.0055
0.0050
0.0045
0.0055
0.0045
0.0045
0.0045
0.0045
0.0045
0.0045
0.0045
0.0045
0.0045
0.0045
0.0040
0.0050
0.0050
0.0045
0.0050
0.0050
0.0050
0.0050
0.0050
0.0050
0.0045
0.0045
0.0045
0.0040
0.0045
0.0040
0.0045
0.0045
0.0040
0.0050
0.0055
0.0045
0.0060
0.0050
0.0050
0.0050
0.0050
0.0050
0.0050
0.0045
0.0045
0.0055
0.0045
0.0050
0.0045
0.0050
0.0050
0.0050
0.0050
0.0050
0.0050
0.0050
0.0050
0.0060
0.0050
0.0050
0.0050
0.0045
0.0050
0.0045
0.0045
0.0050
0.0055
0.0045
0.0045
10
0.0040
0.0040
0.0040
0.0040
0.0040
0.0040
0.0045
0.0045
0.0045
Totales
0.0470
0.0475
0.0455
0.0485
0.0465
0.0465
0.0500
0.0470
0.0460
Capture los datos en la hoja de trabajo de Minitab en tres columnas C1, C2, C3
Partes
1
2
3
4
5
6
7
8
9
10
1
2
3
Operadores Medicin
1
0.0045
1
0.0045
1
0.0045
1
0.005
1
0.0045
1
0.005
1
0.005
1
0.005
1
0.005
1
0.004
1
0.0045
1
0.0055
1
0.0045
Partes
1
2
3
4
5
6
7
8
9
10
1
2
3
Operadores Medicin
2
0.0045
2
0.0055
2
0.0045
2
0.005
2
0.004
2
0.006
2
0.0055
2
0.005
2
0.0045
2
0.004
2
0.0045
2
0.005
2
0.0045
Pgina 240
Partes
1
2
3
4
5
6
7
8
9
10
1
2
3
Operadores
3
3
3
3
3
3
3
3
3
3
3
3
3
Medicin
0.005
0.0055
0.0045
0.005
0.0045
0.005
0.0045
0.006
0.0055
0.0045
0.0045
0.0045
0.0045
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
0.005
0.0045
0.0055
0.0045
0.005
0.0045
0.004
0.0045
0.0045
0.0045
0.0045
0.0045
0.0045
0.0045
0.005
0.005
0.004
4
5
6
7
8
9
10
1
2
3
4
5
6
7
8
9
10
0.005
0.0045
0.005
0.0045
0.005
0.0045
0.004
0.0045
0.0045
0.0045
0.005
0.004
0.005
0.005
0.005
0.005
0.004
4
5
6
7
8
9
10
1
2
3
4
5
6
7
8
9
10
3
3
3
3
3
3
3
3
3
3
3
3
3
3
3
3
3
0.005
0.0045
0.005
0.005
0.005
0.0045
0.0045
0.0045
0.0045
0.004
0.005
0.004
0.005
0.005
0.005
0.0045
0.0045
Pgina 241
VarComp
(of VarComp)
0.0000001
41.00
Repeatability
0.0000001
40.52
Reproducibility
0.0000000
0.48
Part-To-Part
0.0000001
59.00
Total Variation
0.0000001
100.00
Study Var
%Study Var
%Tolerance
StdDev (SD)
(5.15 * SD)
(%SV)
(SV/Toler)
0.0002476
0.0012750
64.03
21.25
Repeatability
0.0002461
0.0012675
63.65
21.12
Reproducibility
0.0000269
0.0001384
6.95
2.31
Part-To-Part
0.0002970
0.0015295
76.81
25.49
Total Variation
0.0003867
0.0019913
100.00
33.19
Source
Total Gage R&R
Pgina 242
Gage name:
Date of study:
Components of Variation
Percent
80
Datos by Partes
% Contribution
0.006
%Study Var
% Tolerance
40
0.005
0.004
Gage R&R
Repeat
Reprod
Part-to-Part
R Chart by Operadores
Sample Range
0.006
0.0005
_
R=0.000417
0.005
0.0000
LCL=0
0.0050
10
2
Operadores
Operadores
UCL=0.005143
_
X=0.004717
0.0045
Average
Sample Mean
0.004
5
6
Partes
Datos by Operadores
UCL=0.001073
0.0010
LCL=0.004290
0.0050
2
3
0.0045
0.0040
0.0040
5
6
Partes
10
Pgina 243
DF
SS
MS
Partes
0.0000086
0.0000010
12.2885
0.000
Operadores
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
DF
SS
MS
Partes
0.0000086
0.0000010
9.67145
0.000
Operadores
0.0000002
0.0000001
0.75592
0.473
Repeatability
78
0.0000077
0.0000001
Total
89
0.0000165
Gage R&R
%Contribution
Source
VarComp
(of VarComp)
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
Study Var
Pgina 244
%Study Var
%Tolerance
StdDev (SD)
(5.15 * SD)
(%SV)
(SV/Toler)
0.0003150
0.0016222
71.36
27.04
Repeatability
0.0003150
0.0016222
71.36
27.04
Reproducibility
0.0000000
0.0000000
0.00
0.00
Operadores
0.0000000
0.0000000
0.00
0.00
Part-To-Part
0.0003092
0.0015923
70.05
26.54
Total Variation
0.0004414
0.0022731
100.00
37.88
Gage name:
Date of study:
Components of Variation
Percent
80
Datos by Partes
% Contribution
0.006
%Study Var
% Tolerance
40
0.005
0.004
Gage R&R
Repeat
Reprod
Part-to-Part
R Chart by Operadores
Sample Range
0.006
0.0005
_
R=0.000417
0.005
0.0000
LCL=0
10
2
Operadores
Operadores
UCL=0.005143
_
X=0.004717
0.0045
Average
Sample Mean
0.0050
0.004
5
6
Partes
Datos by Operadores
UCL=0.001073
0.0010
LCL=0.004290
0.0040
0.0050
2
3
0.0045
0.0040
1
5
6
Partes
Pgina 245
10
1
1
1
1
2
2
2
1
2
-1
2
2
2
2
-1
y
Holmes
Duncan
Hayes
Simpson
Montgomer
2
2
2
2
3
-1
-1
-2
-1
1
-1
-1
-1
-1
0
0
Pgina 246
Holmes
Duncan
Hayes
Simpson
Montgomer
3
3
3
4
0
0
0
-2
0
0
0
-2
y
Holmes
Duncan
Hayes
Simpson
Montgomer
4
4
4
4
5
-2
-2
-2
-2
0
-2
-2
-2
-2
0
y
Holmes
Duncan
Hayes
Simpson
Montgomer
5
5
5
5
6
0
0
-1
0
1
0
0
0
0
1
y
Holmes
Duncan
Hayes
Simpson
Montgomer
6
6
6
6
7
1
1
1
1
2
1
1
1
1
2
y
Holmes
Duncan
Hayes
Simpson
Montgomer
7
7
7
7
8
2
2
1
2
0
2
2
2
2
0
y
Holmes
Duncan
Hayes
Simpson
Montgomer
8
8
8
8
9
0
0
0
0
-1
0
0
0
0
-1
y
Holmes
Duncan
Hayes
Simpson
Montgomer
9
9
9
9
10
-1
-1
-2
-1
1
-1
-1
-1
-1
1
10
1
Pgina 247
Holmes
Duncan
Hayes
Simpson
Montgomer
10
10
10
11
1
0
2
-2
1
1
1
-2
y
Holmes
Duncan
Hayes
Simpson
Montgomer
11
11
11
11
12
-2
-2
-2
-1
0
-2
-2
-2
-2
0
y
Holmes
Duncan
Hayes
Simpson
Montgomer
12
12
12
12
13
0
0
-1
0
2
0
0
0
0
2
y
Holmes
Duncan
Hayes
Simpson
Montgomer
13
13
13
13
14
2
2
2
2
-1
2
2
2
2
-1
y
Holmes
Duncan
Hayes
Simpson
Montgomer
14
14
14
14
15
-1
-1
-1
-1
1
-1
-1
-1
-1
1
y
Holmes
Duncan
Hayes
15
15
15
15
1
1
1
1
1
1
1
1
# Inspected
# Matched
Percent
Duncan
15
53.33
(26.59,
78.73)
Hayes
15
13
86.67
(59.54,
98.34)
Pgina 248
95 % CI
Holmes
15
15
100.00
(81.90, 100.00)
Montgomery
15
15
100.00
(81.90, 100.00)
Simpson
15
14
93.33
(68.05,
99.83)
Coef
SE Coef
Duncan
0.89779
0.192450
4.61554
0.0000
Hayes
0.96014
0.192450
4.93955
0.0000
Holmes
1.00000
0.192450
5.14667
0.0000
Montgomery
1.00000
0.192450
5.14667
0.0000
Simpson
0.93258
0.192450
4.79636
0.0000
Between Appraisers
Assessment Agreement
# Inspected
# Matched
Percent
15
40.00
95 % CI
(16.34, 67.71)
Kappa
SE Kappa
-2
0.680398
0.0816497
8.3331
0.0000
-1
0.602754
0.0816497
7.3822
0.0000
0.707602
0.0816497
8.6663
0.0000
0.642479
0.0816497
7.8687
0.0000
0.736534
0.0816497
9.0207
0.0000
Overall
0.672965
0.0412331
16.3210
0.0000
Pgina 249
P(vs > 0)
Chi - Sq
DF
0.966317
67.6422
14
0.0000
# Matched
Percent
15
40.00
95 % CI
(16.34, 67.71)
Kappa
SE Kappa
P(vs > 0)
-2
0.842593
0.115470
7.2971
0.0000
-1
0.796066
0.115470
6.8941
0.0000
0.850932
0.115470
7.3693
0.0000
0.802932
0.115470
6.9536
0.0000
0.847348
0.115470
7.3383
0.0000
Overall
0.831455
0.058911
14.1136
0.0000
SE Coef
0.958102
0.0860663
11.1100
0.0000
Pgina 250
Assessment Agreement
Appraiser vs Standard
100
95.0% CI
Percent
Percent
80
60
40
20
0
Duncan
Hayes
Holmes
Appraiser
Montgomery
Simpson
Interpretacin de resultados
Minitab muestra tres tablas como sigue: Cada evaluador vs el estndar, Entre
evaluadores y Todos los evaluadores vs estndar. Los estadsticos de Kappa y
Kendall tambin se incluyen en cada una de las tablas. En general estos
estadsticos sugieren buen acuerdo.
El coeficiente de Kendall entre evaluadores es 0.966317 (p = 0.0); para todos los
evaluadores vs estndar es 0.958192 (p = 0.0). Sin embargo la observacin del
desempeo de Duncan y Haues indica que no se apegan al estndar.
La grfica de Evaluadores vs. Estndar proporciona una vista grfica de cada uno
de los evaluadores vs el estndar, pudiendo comparar fcilmente la determinacin
de acuerdos para los cinco evaluadores.
Pgina 251
Mtodo sencillo
Tomar 50 piezas, 40 de las cuales dentro de especificaciones y 10 fuera de
especificaciones
Probarlas con dispositivos pasa y no pasa por medio de 3 operadores
Si no coinciden todos los operadores en al menos el 90%, los dispositivos o gages
pasa, no pasa no son confiables
Pgina 252
Pgina 253
4. Cuando las cantidades a inspeccionar 100% son muy altas y con tasa de
defectos baja, que haga que se causen errores al inspeccionar, dejando pasar
productos defectuosos.
5. Cuando el proveedor no es confiable al 100%, o su capacidad de proceso es
baja.
6. Cuando hay riesgo de generar problemas legales por productos crticos.
7.1.1 VENTAJAS Y DESVENTAJAS DEL MUESTREO
Cuando se utiliza inspeccin por muestreo, se tienen las ventajas siguientes:
1. Es ms barato, requiriendo menos inspeccin.
2. Existe un menor manejo de producto o menor dao.
3. Se aplica a pruebas destructivas.
4. El rechazar un lote completo en lugar de slo las partes defectivas, motiva al
proveedor a mejorar su calidad.
El muestreo de aceptacin tambin presenta varias desventajas:
1. Existe el riesgo de aceptar lotes malos y de rechazar lotes buenos.
2. La informacin que se genera respecto al producto o proceso es poca.
3. El muestreo de aceptacin requiere documentacin y planeacin, no as la
inspeccin 100%.
7.1.2 TIPOS DE PLANES DE MUESTREO
Existen diversas clasificaciones de estos planes, una de ellas es la de variables y
atributos. Una caracterstica se expresa en variables si se puede medir, o en
atributos si se califica como pasa no pasa.
Un plan de muestreo simple es un procedimiento de calificacin de lotes, donde se
toma una muestra aleatoria de n partes y la disposicin del lote es determinada
Pgina 254
Pgina 255
MUESTREO ALEATORIO
Las muestras deben ser representativas del lote, no deben tomarse slo partes de
las capas superiores, sino de preferencia numerar las partes con un nmero y
seleccionar con tablas de nmeros aleatorios o tambin se puede estratificar el
lote.
7.1.4 GUIA DE APLICACIN DE PLANES DE MUESTREO
Un plan de aceptacin es el establecimiento del tamao de muestra a ser usado y
el criterio de aceptacin o rechazo para calificar lotes individuales.
Un esquema de aceptacin es un conjunto de procedimientos de planes de
aceptacin en los cuales se relacionan los tamaos de lote, tamao de muestra,
criterio de aceptacin o rechazo, la cantidad de inspeccin 100% y de muestreo.
Un sistema de muestreo es un conjunto de esquemas de muestreo. Los
procedimientos de muestreo de aceptacin son:
Objetivos
Procedimiento
por atributos
Procedimiento
por Variables
Plan especfico
en base a curva OC
2. Mantener la calidad en el
objetivo
Sistema de AQL
MIL-STD-105E
Sistema de AQL
MIL-STD-414
3. Asegurar el nivel de
calidad de salida
Sistema de AOQL
de Dodge-Romig
Sistema de AOQL
6. Asegura la calidad no
menor que el objetivo
Planes LTPD de
de Dodge-Romig
Pgina 256
Pgina 257
n! d nd
Pa P{d c)
p (1 p)
d 0 d!(n d )!
(7.1)
Pa =
0.005
0.98968755
0.01
0.939689918
0.02
0.736577576
0.03
0.498482838
0.04
0.304158359
0.05
0.172076864
0.06
0.091869347
0.07
0.046819851
0.08
0.022955079
0.09
0.010886432
Pa
Curva OC
Pgina 258
Pgina 259
0.640109373
0.408820174
0.165623034
0.06647898
0.026432591
0.010408805
0.004058625
0.001566688
0.000598572
0.0002263
0.926389444
0.776345382
0.466448545
0.249467514
0.124453451
0.059165839
0.027115072
0.01206181
0.005231002
0.002218234
0.98968755
0.939689918
0.736577576
0.498482838
0.304158359
0.172076864
0.091869347
0.046819851
0.022955079
0.010886432
c=0, 1, 2
n = 50, c=2
n = 100, c = 2
n = 200, c = 2
0.005
0.01
0.02
0.03
0.04
0.05
0.06
0.07
0.08
0.09
0.997944456
0.986182729
0.921572252
0.810798075
0.676714004
0.540533123
0.416246472
0.310788561
0.225974275
0.160540491
0.985897083
0.920626798
0.676685622
0.419775083
0.232142624
0.118262981
0.056612777
0.025788541
0.011272803
0.004756131
0.920160568
0.676678695
0.235148136
0.059290946
0.012489138
0.002336294
0.000400477
6.40456E-05
9.66278E-06
1.38543E-06
n=50, 100,200
2
Pgina 260
Pgina 261
Lotes recibidos
Lotes
Seleccin 100%
Rechazados
Fraccin defectiva 0
Inspeccin
Fraccin defectiva
Lotes de salida
Fraccin defectiva
p0
p1<p0
Lotes
Curva OC
Aceptados
Pgina 262
AOQ
Pa p( N n)
N
(7.2)
Ejemplo 7.1 Suponiendo que N=10,000, c=2 y que la calidad de
entrada p=0.01.
Como en la curva caracterstica de operacin (para n=89, c=2)
cuando p=0.01, Pa = 0.9397, entonces el AOQ es:
AOQ
Pa p ( N n) (0.9397)(0.01)(10000 89)
0.0093
N
10000
AOQ 0.93%
(7.3)
Pgina 263
CURVA AOQ
Fraccin defectiva
p
0.005
0.01
0.02
0.03
0.04
0.05
0.06
0.07
0.08
0.09
Pa
0.98968755
0.939689918
0.736577576
0.498482838
0.304158359
0.172076864
0.091869347
0.046819851
0.022955079
0.010886432
Pa . P
0.004948438
0.009396899
0.014731552
0.014954485
0.012166334
0.008603843
0.005512161
0.00327739
0.001836406
0.000979779
n=89, c=2
CURVA AOQ
Fraccin defectiva
p
Pa
Pa . P
0.005 0.98968755
0.004948438
0.01
0.939689918
0.009396899
0.02
0.736577576
0.014731552
0.03
0.498482838
0.014954485
0.04
0.304158359
0.012166334
0.05
0.172076864
0.008603843
0.06
0.091869347
0.005512161
0.07
0.046819851
0.00327739
0.08
0.022955079
0.001836406
0.09
0.010886432
0.000979779
AOQ
AOQL = 1.55%
0.03
p
p
Pgina 264
(7.4)
este
el
total
de
piezas
que
en
promedio
se
Pa
ATI-N=1000
ATI-N=5000
ATI-N=10000
0.005
0.01
0.02
0.03
0.04
0.05
0.06
0.07
0.08
0.09
0.98968755
0.939689918
0.736577576
0.498482838
0.304158359
0.172076864
0.091869347
0.046819851
0.022955079
0.010886432
98.39464177
143.9424844
328.9778285
545.8821346
722.9117347
843.2379767
916.3070247
957.3471157
979.0879231
990.0824602
139.644441
385.1828112
1382.667526
2551.950783
3506.278297
4154.93052
4548.829636
4770.067712
4887.267607
4946.536731
191.20669
686.7332196
2699.779647
5059.536593
6985.486501
8294.546199
9089.4829
9535.968456
9772.492212
9892.104569
Pgina 265
ATI
N=10000
N=5000
N=1000
Pgina 266
(7.5)
Pgina 267
el
ASN
Insp. completa
n = cte.
Insp. recortada
Fig.
7.6
Diferencias
en
muestras
inspeccionadas
por
el
(7.6)
PaI P ( d 1 1 n1 )
(7.7)
PaII P (d1 2 n1 ) xP (d 2 1 n2 ) P ( d1 3 n1 ) xP (d 2 0 n 2 )
(7.8)
Pgina 268
Fig.
7.7
Curva
caracterstica
de
operacin
bajo
muestreo
doble
Prob.de decidir
p
0.005
0.01
0.02
0.03
0.04
0.05
0.06
0.07
0.08
0.09
Pa (1 muestra)
Pa (2 muestra)
Pa total
en 1 muestra
0.973868476
0.910564687
0.735771394
0.555279873
0.400481197
0.279431752
0.190003258
0.126493499
0.082712023
0.053238461
Pa
0.023086044
0.060110197
0.082974214
0.055742128
0.027184125
0.01098373
0.003907151
0.001264661
0.00037995
0.000107325
0.99695452
0.970674884
0.818745608
0.611022002
0.427665321
0.290415482
0.193910409
0.12775816
0.083091973
0.053345786
0.975541743
0.928938723
0.876809831
0.908030663
0.971005627
1.021593093
1.04698017
1.052081017
1.046006124
1.035937851
Pa total
Pa
1 muestra
Pa 2 muestra
p
DISEO DE PLANES DE MUESTREO DOBLE
Como en el caso del muestreo simple, es frecuentemente necesario disear un
plan de muestreo doble tomando como referencia las coordenadas de la curva OC
(p1, 1-) y (p2, ) ya sea con n1=n2 o con n2 = 2n1. Para lo que se emplean las
tablas de Grubbs (ver pginas siguientes).
INSPECCIN RECTIFICADORA
Cuando se usa el esquema de inspeccin rectificadora, la curva AOQ est dada
por,
Pgina 269
AOQ
{PaI ( N n1 ) PaII ( N n1 n2 )} p
N
(7.9)
Asumiendo que todos los defectivos son remplazados por artculos buenos en los
lotes rechazados, la curva de inspeccin total promedio es,
ATI nPaI (n1 n2 ) PaII N (1 Pa )
(7.10)
I
II
donde Pa Pa Pa
No. Rechazo
20
40
60
80
100
Pgina 270
(7.11)
X RECHAZO h2 sn
1
h1 log
h2 log
k
k log
(7.12)
p 2 (1 p1 )
p1 (1 p 2 )
1 p1
1 p2
s log
Pgina 271
s=0.028
Por
tanto
las
ecuaciones
de
las
lneas
de
aceptacin
rechazo son:
XA= -1.22 + 0.028n
Lnea de aceptacin
Lnea de rechazo
Xa
Xr
Xa
Xr
-1.192
1.598
-1
-1.164
1.626
-1
-1.136
1.654
-1
-1.108
1.682
-1
-1.08
1.71
-1
-1.052
1.738
-1
-1.024
1.766
-1
-0.996
1.794
-1
-0.968
1.822
-1
10
-0.94
1.85
-1
11
-0.912
1.878
-1
12
-0.884
1.906
-1
13
-0.856
1.934
-1
14
-0.828
1.962
-1
15
-0.8
1.99
-1
16
-0.772
2.018
-1
17
-0.744
2.046
-1
3
Pgina 272
18
-0.716
2.074
-1
19
-0.688
2.102
-1
20
-0.66
2.13
-1
21
-0.632
2.158
-1
22
-0.604
2.186
-1
23
-0.576
2.214
-1
24
-0.548
2.242
-1
25
-0.52
2.27
-1
26
-0.492
2.298
-1
27
-0.464
2.326
-1
28
-0.436
2.354
-1
29
-0.408
2.382
-1
30
-0.38
2.41
-1
31
-0.352
2.438
-1
32
-0.324
2.466
-1
33
-0.296
2.494
-1
34
-0.268
2.522
-1
35
-0.24
2.55
-1
36
-0.212
2.578
-1
37
-0.184
2.606
-1
38
-0.156
2.634
-1
39
-0.128
2.662
-1
40
-0.1
2.69
-1
41
-0.072
2.718
-1
42
-0.044
2.746
-1
43
-0.016
2.774
-1
44
0.012
2.802
45
0.04
2.83
46
0.068
2.858
Pgina 273
Lnea de
aceptacin
3
Lnea de
Rechazo
2
1
0
20
40
60
Nmero de
muestras
-1
Fig. 7.8 Comportamiento del muestreo secuencial
CURVA OC y ASN
Para esta curva se incluyen 3 puntos, (p 1, 1-), (p2, ) y el punto medio de la curva
en p=s y Pa = h2 /(h1+h2).
Las muestras inspeccionadas promedio son:
B
A
(1 Pa )
C
C
ASN Pa
Donde,
A log
B log
(7.13)
p
1 p2
C p log 2 (1 p ) log
p1
1 p1
Pgina 274
INSPECCIN RECTIFICADORA
La calidad media de salida AOQ Pap y el nmero promedio de muestras
inspeccionadas total es:
A
(1 Pa ) N
C
ATI Pa
(7.14)
Pgina 275
Muestreo simple.
Muestreo doble.
Muestreo mltiple
En cada uno de los casos se prevn los siguientes tipos de inspecciones:
Inspeccin normal.
Inspeccin estricta.
Inspeccin reducida.
Se inicia con la inspeccin normal, se pasa a estricta cuando se observa
mala calidad del proveedor y se usa la reducida cuando la calidad del
proveedor es buena, reduciendo los tamaos de muestra.
El punto focal de la norma es el AQL (nivel de calidad aceptable entre 0.1%
y 10%), negociado entre cliente y proveedor. Los valores tpicos de AQL
para defectos mayores es de 1%, 2.5% para defectos menores y 0% para
defectos crticos. Cuando se utiliza para planes de defectos por unidad se
tienen 10 rangos adicionales de AQLs hasta llegar a 1000 defectos por cada
100 unidades, los noveles pequeos de AQL se pueden utilizar tanto para
controlar fraccin defectiva como defectos por unidad.
Pgina 276
2.
3.
Pgina 277
4.
5.
Pgina 278
inspeccin:
1. La tabla I indica la letra cdigo K.
2. La tabla II-A para inspeccin normal indica el plan de
muestreo n=125 y c=2.
3. La tabla II-B para inspeccin estricta indica el plan de
muestreo n= 125, c=1.
La flecha descendente cambia la c, la letra de cdigo y el
tamao
de
muestra,
lo
mismo
para
la
ascendente.
Por
planes
de
inspeccin
normal
(n1=
n2=80,
c1a=0,
cir=3,
DISCUSIN
Todas las curvas OC son tipo B, tambin se proporcionan curvas para el ASN y
datos del AOQL.
El estndar MIL-STD-105E est orientado al AQL, se enfoca al lado de riesgo del
productor de la curva OC, la parte restante de la curva depende de la seleccin
Pgina 279
Pgina 280
AQL
ppm
10%
100,000
1%
10,000
0.1%
1,000
0.01%
100
0.001%
10
0.0001%
Ejemplo 7.5
Por tanto es obvio que se requieran planes de proteccin del LTPD, aun cuando
el AQL sea muy bajo. Para esto se utilizan los planes de Dodge-Romig
principalmente para inspeccin de sub-ensambles.
Los planes de Dodge-Romig de AOQL y LTPD estn diseados para minimizar la
inspeccin total promedio (ATI).
Para ambos se tiene una tabla de muestreo doble y simple. Son tiles cuando el
rechazo medio del proceso es bajo (alrededor de 100 ppm).
7.5.1 PLANES DE AOQL
Las tablas de Dodge-Romig (1959) tienen planes para valores de AOQL de 0.1%,
0.25%, 0.75%, 1%, 1.5%, 2.5%, 3%, 4%, 5%, 7% y 10% en cada una se
especifican seis valores para medias de proceso. Se tienen planes para muestreo
simple y doble.
Pgina 281
Ejemplo 7.5
esta
forma
se
inspeccionarn
86
partes
del
lote
en
promedio.
7.5.2 PLANES DE LTPD
Se disearon de tal forma que la probabilidad de aceptacin del LTPD sea 0.1. Se
proporcionan tablas para valores de LTPD de 0.5%, 1%, 2%, 3%, 4%, 5% 7% y
10%.
Ejemplo 7.6
defectivos del
y el LTPD=1%.
De la tabla 13.23, el plan obtenido es n=770 y c=4, si los
lotes rechazados son seleccionados al 100% y los artculos
defectuosos
se
reemplazan
por
AOQL=0.28%.
Pgina 282
artculos
buenos,
el
Cuando el promedio del proceso es mayor que la mitad del LTPD, la inspeccin
100% es mejor econmicamente.
ESTIMACIN DEL PROMEDIO DEL PROCESO
La utilizacin de los planes de Dodge-Romig depende del conocimiento de la
fraccin promedio no conforme del proveedor.
defectiva promedio del proceso por medio de carta de control p para los primeros
25 lotes del proveedor, con las causas especiales eliminadas y el proveedor haya
tomado acciones para prevenir su reincidencia.
Pgina 283
Pgina 284
n ASN
n = 67.
ASN en p1 = 45
ASN en p1 = 41
n=27
n=10
Sigma conocida
Pgina 285
LIE
__
Z LIE
X LIE
(8.1)
Pgina 286
Z LIE
X LIE 82 100
1.8
10
Z LSE
LSE X
(8.2)
Zs Zi
0.25
0.6745
0.20
0.8416
0.15
1.0364
0.10
1.2816
0.5
1.6449
0.2
2.0537
0.1
2.3263
Procedimiento 2.
Pgina 287
Q LIE
X LIE
n /( n 1)
(8.3)
Q LSE
LSE X
n /( n 1)
Pgina 288
8.2
Un
embotellador
ha
establecido
que
la
lneas se lee,
de
40
piezas
calculando
Pgina 289
la
media
la
X LIE
Z LIE
0.35
2 2( n 1) 2
2(39)
Z LIE
de
las
2
s
15
tablas
para
fraccin
defectiva
al
final
de
este
Pgina 290
Variabilidad
Conocida
Especificacin
Unilateral
Especificaciones
Bilaterales
Procedimiento 1
(Mtodo de k)
Procedimiento 2
(Mtodo de M)
Procedimiento 2
(Mtodo de M)
Pgina 291
proceso desconocida.
C. Planes basados en la amplitud de la muestra con sigma desconocida (ya
descontinuado).
D.
4.
sido rechazados
5.
La
inspeccin
reducida
se
usa
cuando
los
10
lotes
- tamao de muestra.
- constante de aceptabilidad
Pgina 293
LIE
Pgina 294
los
ejemplos
anteriores,
5,
X =
195;
s=
8.8;
QS=
209 180
1.59 ; PS = 2.19% (de tabla B-5)
8.8
Pgina 295
QI=
195 180
1.704; PI = 0.66% (de tabla B-5)
8.8
por tanto
PI MI y P
MI
Se acepta el lote.
8.3.2 VARIABILIDAD CONOCIDA
inspeccin.
LIE=
58,000
inspeccin
Normal.
AQL=
psi.
1.5%.
N=
La
500,
nivel
variabilidad
II,
es
62,500;
60,500;
68,000;
59,000;
65,500
62,000; 61,000; 96,000; 58,000; 64,500.
a) Clculo de X= 63,000 ; ( X LIE) / = 1.67
b) De tabla D1 ; k = 1.7
c) Comparando (
Pgina 296
Ejemplo 8.10
X = 63,000; n = 10 ; =
_
Pgina 297
Pgina 298
2. Se ordenaron las letras cdigo para tener la misma proteccin que con la MILSTD-105E.
3. Los niveles de inspeccin originales I, II, III, IV y V se denominaron S 3, S4, I, II
y III.
4. En la ISO 3951 se eliminaron los planes que consideran a los rangos en vez
de las desviaciones estndar.
5. En la ISO 3951 y en la Z1.9 se eliminaron los AQLS de 0.04, 0.065 y 15%.
6. Cambios en las reglas de transferencia.
Se adoptan las mismas reglas que en la 105E para el paso de inspeccin
normal a severa y viceversa con ligeras modificaciones.
La norma Z1.9 permite el paso de inspeccin normal a reducida si:
La produccin es continua.
Pgina 299
Pgina 300
X A 0.3 X A 0.3
1.645
0.1
n
n
(8.4)
Pgina 301
X A 0.4 X A 0.4
1.282
0.1
n
n
resolviendo para X
X
= 0.355
(8.5)
y n se obtiene:
n= 9
Pgina 302
APNDICES
Pgina 303
+ A2 R
- A2 R
D3 R
CARTAS Xbarra-S
Lmites de control para medias
LSCx =
+ A3 S
LCx = X
LICx =
- A3 S
MR
d2
__
LCx = X
LICx = X 3
MR
d2
Pgina 304
Para el caso del rango se usan las mismas de la carta Xbarra-R con n=2
CARTAS DE CONTROL PARA ATRIBUTOS
CARTA p
pi
Di
ni
m
Di
i 1
mn
p
i 1
m
__
__
LSCp = p 3 p (1 p )
n
__
__
LCp = p
__
__
LICp = p 3 p (1 p )
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
LCc = c
LICc = c - 3
CARTAS u
Pgina 305
c
n
LSC u u 3
u
n
LC u u
LSC u u 3
u
n
Pgina 306
A2
D3
D4
d2
1.880
0.000
3.267
1.128
1.023
0.000
2.574
1.693
0.729
0.000
2.282
2.059
0.577
0.000
2.115
2.326
0.483
0.000
2.004
2.534
0.419
0.076
1.924
2.704
0.373
0.136
1.864
2.847
0.337
0.184
1.816
2.970
10
0.308
0.223
1.777
3.078
c4
A3
B3
B4
B5
B6
0.9400
1.342
1.427
2.089
1.964
0.9515
1.225
1.287
0.030
1.970
0.029
1.874
0.9594
1..134 1.182
0.118
1.882
0.113
1.806
0.9650
1.061
1.099
0.185
1.815
0.179
1.751
0.9693
1.000
1.032
0.239
1.761
0.232
1.707
10
0.9727
0.949
0.975
0.284
1.716
0.276
1.669
11
0.9754
0.905
0.927
0.321
1.679
0.313
1.637
12
0.9776
0.866
0.886
0.354
1.646
0.346
1.610
13
0.9794
0.832
0.850
0.382
1.618
0.374
1.585
14
0.9810
0.802
0.817
0.406
1.594
0.399
1.563
15
0.9823
0.775
0.789
0.428
1.572
0.421
1.544
16
0.9835
0.750
0.763
0.448
1.552
0.440
1.526
17
0.9845
0.728
0.739
0.466
1.534
0.458
1.511
18
0.9854
0.707
0.718
0.482
1.518
0.475
1.496
19
0.9862
0.688
0.698
0.497
1.503
0.490
1.483
20
0.9869
0.671
0.680
0.510
1.490
0.504
1.470
21
0.9876
0.655
0.663
0.523
1.477
0.516
1.459
22
0.9882
0.640
0.647
0.534
1.466
0.528
1.448
23
0.9887
0.626
0.633
0.545
1.455
0.539
1.438
24
0.9892
0.612
0.619
0.555
1.445
0.549
1.429
25
0.9896
0.600
0.606
0.565
1.435
0.559
1.420
Pgina 307