Académique Documents
Professionnel Documents
Culture Documents
Consideremos
esta
ltima
situacin.
Supongamos
que
el
gerente
del
FUENTES DE VARIACIN
No hay dos productos o servicios exactamente iguales, porque los procesos
mediante los cuales se producen incluyen muchas fuentes de variacin, incluso
cuando dichos procesos se desarrollen en forma prevista. Por ejemplo, los
dimetros de los cigeales pueden no ser idnticos a causa de diferencias en el
desgaste de las herramientas, la dureza del material, la habilidad del operario o la
temperatura prevalecer, ante en el momento de su fabricacin. En forma similar,
el tiempo necesario para atender una solicitud para la emisin de una tarjeta de
crdito vara de acuerdo con la carga de trabajo del departamento de crdito, los
antecedentes financieros del solicitante y las habilidades y aptitudes de los
empleados. Nada puede hacerse para suprimir por completo las variaciones en los
Causas asignables
La segunda categora de variacin, las causas asignables de variacin, incluye
cualquiera de lo factores causantes de variacin que logre ser identificado y
eliminado. Entre las causas asignables de variacin figuran, por ejemplo, un
empleado que necesite capacitacin o una mquina que requiera una reparacin.
Veamos otra vez el ejemplo de la mquina para rellenar cajas, la figuraT-2
muestra la forma en que las causas asignables modifican la distribucin de la
produccin de dicha mquina.
La curva gris representa Ia distribucin del proceso cuando slo existen causas
comunes de variacin. La lnea negra ilustra un cambio en la distribucin debido a
la presencia de causas asignables. En la "figura7.2(a), la lnea negra indica que la
mquina introdujo en las cajas una cantidad de cereal mayor que la prevista, a
causa de lo cual aument el peso promedio de cada caja. En la figura 7-.2(b)
observamos que un aumento en la variabilidad del peso del cereal contenido en
cada caja afecta la expansin de la distribucin. Para terminar, en la figura 7.2(c),
la lnea negra indica que en la produccin de la mquina figuran ms cajas livianas
que cajas pesadas. Esta distribucin es asimtrica; es decir, ya no.es simtrica
con respecto al valor promedio. Se dice que un proceso est bajo control
estadstico cuando la localizacin, expansin o forma de su distribucin no cambia
6
con el tiempo .Tal vez que el proceso est bajo control estadstico, los gerentes
usan procedimientos SPC para detectar el momento en que surgen causas
asignables, de modo que stas se eliminen.
La figura 7.3 muestra las diferencias entre un proceso que est bajo control
estadstico y otro que no lo est. En la figura 7.3(a), la mquina est generando
diferentes distribuciones del peso de las cajas de cereal a travs del tiempo, lo
cual indica causas asignables que es preciso eliminar. En la figura 7.3 (b), las
distribuciones del peso son estables a travs del tiempo y en consecuencia, el
proceso est en control estadstico. Ms adelante veremos cmo pueden aplicarse
tcnicas SPC en proyectos de mejoramiento continuo, para reducir la variabilidad
de un proceso.
EL PROCESO DE INSPECCIN
Muchas compaas usan incorrectamente la inspeccin de calidad, pues
simplemente intentan (a menudo sin xito) entresacar las unidades defectuosas
antes de que lleguen al consumidor. Este enfoque est condenado al fracaso a
causa de los costos internos y externos de las fallas (vase el captulo
"Administracin de la calidad total"). En cambio, las compaas de categora
mundial combinan la inspeccin precoz con el SPC para vigilar la calidad y estar
en condiciones de detectar y corregir la presencia de anormalidades.
Los
atributos
se
usan
con
frecuencia
cuando
las
Algunas distribuciones de muestreo (p. ej., para medias con tamaos de muestra
de 4 o ms y proporciones con tamaos de muestra de 20 o ms) suelen
calcularse en aproximada mediante la distribucin normal, lo cual permite utilizar
las tablas (vase el apndice Distribucin normal). En la figura 7.5 se presentan
los porcentajes de valores que estn ubicados dentro de ciertos rangos de la
distribucin normal.
11
Por ejemplo el, 68.26% de la muestra tendr valores dentro de una desviacin
estndar de -+1 de la media distribucin. Podemos calcular la probabilidad de que
el resalado de una muestra particular cualquiera quede fuera de ciertos lmites.
Por ejemplo, hay una probabilidad de 2.28% o sea (100 - 95.44)/2, de que una
media de la muestra adquiera un valor que supere a la por ms de dos
desviaciones estndar. La posibilidad de asignar probabilidades a los resultados
de la muestra es importante para la construccin y el empleo de grficas de
control.
Grafica de control. Para determinar si las variaciones observadas son anormales,
podemos medir y trazar la grfica de la caracterstica de calidad tomada de la
muestra, en un diagrama ordenado por tiempo, conocido como grfica de control.
Tiene un valor nominal, o lnea central, que generalmente es el objetivo que los
gerentes desearan alcanzar por medio del proceso, y dos limites o acotamientos
de control basados en la distribucin de muestreo de la medida de la calidad. Los
lmites de control se usan para juzgar si es necesario emprender alguna accin. El
valor ms grande representa el acotamiento de control superior (UCL) (del ingls
upper control limit) y el valor ms pequeo representa el acotamiento de control
inferior (LCL) (del ingls lower control limit).
La figura 7.6 muestra cmo se relacionan los acotamientos de control con la
distribucin de muestreo. Una estadstica de muestra, ubicada entre el UCL y el
LCL, indica que el proceso est mostrando causas comunes de variacin; una
estadstica ubicada fuera de los acotamientos de control indica que el proceso
est exhibiendo causas asignables de variacin. Las observaciones que se
encuentran fuera de los acotamientos de control no siempre denotan una mala
calidad. Por ejemplo, en la figura 7,6, la causa asignable puede ser algn nuevo
procedimiento de facturacin que se introdujo para reducir el nmero de facturas
incorrectas que se envan a los clientes. Si la proporcin de facturas incorrectas,
es decir la estadstica de calidad tomada de una muestra de facturas, desciende
12
que se encuentra dentro del control estadstico. No se requiere accin alguna sin
embargo, la grfica (b) muestra un patrn conocido como carrera, o sea, una
secuencia de observaciones con cierta caracterstica. En este caso, la carrera es
una tendencia que podra ser el resultado del desgaste gradual de herramientas,
lo cual indicara la necesidad de sustituir stas o reajustar la maquina en cierto
valor, entre el nominal y el UCL, a fin de compensar dicho desgaste. En el caso de
una aerolnea preocupada por la puntualidad del servicio, la causa puede ser una
lenta acumulacin de trfico areo en un aeropuerto a las horas de llegada
programadas para sus vuelos. A este respecto sera oportuno un cambio de
horarios. Una regla tpica aconseja emprender la accin correctiva cuando se
percibe alguna tendencia en cinco observaciones, o ms aunque los puntos
correspondientes a los datos todava no hayan rebasado los acotamientos de
control.
La grfica (c) muestra que el proceso ha sufrido un cambio repentino con respect
a su patrn normal. Las cuatro ltimas observaciones son inslitas: tres de ellas
ascienden hacia el UCI y la cuarta permanece por arriba del valor nominal. Un
gerente debe sentirse preocupado cuando se producen cambios tan repentinos,
aunque los acotamientos de control no hayan sido excedidos. La grfica (d)
muestra otra-situacin en la que se requiere entrar en accin aunque no se hayan
rebasado los acotamientos. Siempre que se registra una serie de de cinco
observaciones ms arriba o ms abajo del valor nominal, el operario debe buscar
la causa. La probabilidad de que ese resultado se produzca en forma fortuita es
muy baja.
Finalmente, la grfica (e) indica que el proceso se sali de control en dos
ocasiones por que dos de los resultados de la muestra se ubicaron fuera de los
acotarnientos de control. Es alta la probabilidad.de que la distribucin del proceso
haya cambiado. Consideramos otras consecuencias de los procesos que quedan
fuera del control estadstico, cuando hablemos de la capacidad de los procesos,
ms adelante, en este mismo captulo.
14
Las grficas de control no son herramientas perfectas, para detectar los cambios
en la distribucin de procesos, por el hecho de que estn basadas en
distribuciones de muestreo. Se pueden presentar dos tipos de errores cuando se
utilizan grficas de control. El error Tipo se produce cuando el empleado saca la
conclusin de que el proceso est fuera de control, basndose en un resultado de
muestra ubicado fuera de los acotamientos de control, cuando en realidad se
trataba de un efecto puramente aleatorio. Un error Tipo II, se presenta cuando el
empleado en cuestin concluye que el proceso est bajo control y que slo se
presentan discrepancias aleatorias, cuando en realidad dicho proceso est fuera
de control estadstico.
16
Un gerente que usa acotamientos tres sigmas expresa implcitamente que el costo
de buscar las causas asignables es grande en relacin con el costo de no detectar
a tiempo algn cambio en el promedio del proceso. Es posible que sea necesario
tomar bastantes muestras para generar un promedio de muestra ubicado fuera de
los acotamientos de control. Inversamente el hecho de que un gerente utilice
acotamientos dos sigma implica que el costo de no detectar un cambio en el
promedio del proceso es mayor que el costo de buscar las causas asignables. Con
acotamientos de control ms pequeos, un nmero de medidas de la muestra
quedarn fuera de esos lmites, por lo cual ser necesario realizar una bsqueda
ms intensa para encontrar las causas asignables. Con frecuencia no es posible
hallar causas asignables, pero podr detectarse con mayor rapidez un cambio en
el promedio del proceso.
Localizacin de una estacin de inspeccin
Para decidir en qu etapa del proceso es conveniente realizar inspecciones. La
gerencia debe identificar los aspectos de la calidad que son importantes para el
consumidor, y los pasos clave del proceso que afectan esas caractersticas. Las
estaciones de inspeccin suelen localizarse en tres puntos del proceso total:
Insumos de materias primas. La inspeccin de los materiales comprados
garantiza la calidad apropiada de los insumos destinados al proceso de
produccin. En esta etapa podran usarse varios planes de muestreo de
aceptacin (vase el suplemento Muestreo de aceptacin).
Trabajo en proceso. En la etapa del trabajo que est en proceso, se podra
localizar una estacin de inspeccin despus de cada paso del proceso.
Sin embargo, este mtodo podra resultar muy costoso si el muestreo
requiriera inspectores altamente calificados y/o tecnologa cara. Es
conveniente realizar inspecciones despus de cualquier operacin que
produzca un gran nmero de elementos defectuosos, o bien, antes de
17
18
19
Donde
UCLx = x + A2R y LCL x = x A2R
x = lnea central de la grfica y el promedio de las medias de una muestra pretrita
o un valor establecido como objetivo para el proceso
A2 = constante para proporcionar acotamientos tres sigma para la media de la
muestra.
Los valores de A, estn contenidos en la tabla 7.1. Observe que en los
acotamientos de control se usa el valor de R; por lo tanto, la grfica x debe
construirse despus de que la variabilidad del proceso ha quedado bajo control.
21
Solucin
Paso 1. Para simplificar, hemos tomado solamente 5 muestras. En la prctica ser
conveniente usar ms de 20 muestras. Los datos se presentan en la tabla
siguiente.
Paso 2. Calcular el rango para cada muestra, restando el valor ms bajo del ms
alto. Por ejemplo, en la muestra 1, el rango es 0.5027 - 0.5009 : 0.0018 pulg. En
forma similar, los rangos para las muestras 2,3, 4 y 5 son 0.0021 ,0.0017,0.0026 y
0.0022 pulg, respectivamente. Como se aprecia en la tabla, R = O.OOZ1. Paso 3.
Para construir la grfica R, seleccione las constantes apropiadas en la tabla 7.1
para un tamao de muestra 4. Los acotamientos de control son:
UCL R : D4F = 2.28210.0021) = 0.00479 pulg
LCL R : D3 R = 0(0.0021) = 0 pulg
Paso 4. Trace los rangos en la grfica R, como muestra la figura 7.9. Ninguno de
los rangos de la muestra queda fuera de los acotamientos de control. En
consecuencia, la variabilidad del proceso est bajo control estadstico. Si
cualquiera de los rangos de la muestra hubiera quedado fuera de esos lmites,
22
Paso 5. Calcule la media para cada muestra. Por ejemplo, la media para la
muestra 1 es
0.5014 +0.5022 +0.5009 +0.5027 = 0.5018 pulg
4
En forma similar, las medias de las muestras 2, 3, 4 y 5 son 0.5027,0.5026, 0.5020
y 0.5045 pulg, respectivamente. Tal como lo ilustra la tabla, x = 0.5027.
Paso 6. Ahora construya Ia grfica para el promedio de este proceso. El dimetro
promedio del tornillo es 0.5027 pulg y el rango promedio es 0.0021 pulg, por lo
cual puede usar x = 0.5027, R = 0.0021 y A2, que aparece en la tabla 7.I, para un
tamao de muestra 4, para construir los acotamientos de control:
UCLx = x:+ ArR :0.5027 + 0.729(0.0021) = 0.5042 pulg
LCLx : = x A2R : 0.5027 - 0.729(0.0021) = 0.5012 pulg.
23
El analista puede emplear una grfica R para asegurarse de que la variabilidad del
proceso est bajo control, antes de construir la grfica x. La ventaja de usar esta
forma de la grfica consiste en que el analista tiene la posibilidad de la expansin
de los acotamientos de control modificando el valor de z. Este enfoque puede ser
til para establecer el equilibrio entre los efectos de los errores tipo I y tipo II ".
El Sunny Dale Bank est al pendiente del tiempo que se requiere para atender a
los clientes en la ventanilla para automovilistas, por que este es un factor de
calidad importante para competir con otros bancos de la ciudad. Despus de
analizar los datos compilados en un extensivo estudio de las operaciones de la
ventanilla, Ia gerencia del banco averigu que el tiempo medio necesario para
atender a un cliente en las horas pico de demanda ha sido de 5 minutos, con una
desviacin estndar de 1.5 minutos. La gerencia desea vigilar el tiempo medio
requerido para atender a un cliente, utilizando un tamao de muestra de 6 clientes.
Supongamos que la variabilidad del proceso est bajo control estadstico. Disee
una grfica t que tenga un error "tipo I" de 5%.
Solucin
x = 5.0 minutos
= 1.5 minutos
n = 6 clientes
z = 1.96
La variabilidad del proceso est bajo control estadstico, por lo cual pasamos
directamente a la grfica i. Los acotamientos de control son:
UCL x = 5.0 + 1.96 (1.5 ) / 6 = 6.20minutos
LCL x = 5.0 - 1.96 (1,.5) / 6 = 3.80minutos
El valor de z puede obtenerse de la siguiente forma: la tabla de distribucin normal
(vase el apndice Distribucin normal) indica la proporcin del rea total bajo la
curva normal desde -- hasta z. Nos interesa tener un error "tipo I" de 5%, o 2.5
24
% de la curva encima del acotamiento del control superior y 25% debajo del
acotamiento de control inferior. En consecuencia, tenemos que encontrar el valor z
de la tabla que deje slo 2.5% en la porcin superior de la curva normal (o sea
0.9750 en la tabla). El valor buscado es 1.96.
seleccionar una muestra aleatoria, examinar cada uno de sus elementos y calcular
la proporcin de la muestra que presenta defectos, p, la cual es equivalente al
nmero de unidades defectuosas, dividido entre el tamao de la muestra,
En el caso de una grfica p, el muestreo implica una decisin de "s o no": el
elemento o servicio examinado est defectuoso o no lo est. La distribucin
estadstica fundamental se basa en la distribucin binomial. Sin embargo, si los
tamaos de muestra son grandes, la distribucin normal proporciona una buena
aproximacin a ese respecto. La desviacin estndar de la distribucin de la
proporcin defectuosa, p, es entonces:
p =tamao de la muestra
p = proporcin defectuosa de la proporcin histrica promedio o valor objetivo y
lnea central de la grfica
La lnea central de la grfica p puede ser el promedio de la proporcin defectuosa
de la muestra pasada o un objetivo que la gerencia haya establecido para el
proceso. Podemos emplear p para encontrar los acotamientos de control superior
e inferior de una grfica p:
UCLp = P + zp y, LCLp = P zp
Donde z = desvo normal (nmero de desviaciones estndar con respecto al
promedio)
La grfica se usa en la siguiente forma. Peridicamente se toma una muestra
aleatoria de tamao n y se cuenta el nmero de productos o servicios defectuosos.
Este ultimo numero se divide entre el tamao de la muestra para obtener una
proporcin de muestra defectuosa, p, la cual se dibuja despus sobre la grfica.
Cuando una proporcin de muestra defectuosa queda fuera de los acotamientos
de control, el analista supone que la proporcin defectuosa generada por el
proceso en cuestiona cambiado y busca la causa asignable.
26
LCLc = c- zc
determinadas mquinas suele ser menos costoso que las opciones basadas en
una red de PC de propsito general, y proporciona ms datos en el sitio preciso
donde se encuentra cada mquina. Esos monitores estn conectados a una
mquina especfica y siguen la huella de su funcionamiento. Por ejemplo, una
mquina de moldeo de plstico por inyeccin tiene parmetros crticos, como
duracin del ciclo, presin y temperatura. Esos parmetros son observados y
comparados con acotamientos de control superiores e inferiores durante cada
ciclo. El personal recibe una seal de alarma en cuanto la produccin no cumple
con las especificaciones.
CAPACIDAD DE PROCESOS
Las tcnicas de control estadstico de procesos ayudan a los gerentes a realizar y
mantener una distribucin de procesos que no cambia en lo que se refiere a su
media y su varianza. Los acotamientos de control sealan cuando la media o la
variabilidad del proceso cambia. Sin embargo, un proceso que se encuentra bajo
control estadstico no siempre genera productos o servicios de acuerdo con sus
respectivas especificaciones de diseo, porque los acotamientos de control estn
basados en la media y la variabilidad de la distribucin de muestreo, no en las
28
29
31
Elegimos el valor mnimo de las dos razones porque representa la situacin que
ocurrira en el peor caso posible. Si Cpk es mayor que un valor crtico mayor que
1.0 (digamos, 1.33) y la razon de capacidad de proceso es mayor que su valor
crtico, podemos afirmar por fin que el proceso es capaz. Si Cpk es menor que 1.0,
32
33