Shain in CSP

APLICACIN DEL MTODO CSP A LA
MEJORA DE LA FIABILIDAD.
EJEMPLO PRCTICO
Ponencia presentada por Arturo Ruiz-Falc Rojas, en el VII Congreso

de Confiabilidad, organizado por la Asociacin Espaola para la
Calidad y celebrado en la Escuela Politcnica del Ejrcito.
Noviembre 2005
APLICACIN DEL MTODO CSP A LA MEJORA DE LA
FIABILIDAD. EJEMPLO PRCTICO
Con agradecimiento.
A los procesos que durante estos aos me contaron sus
problemas a travs de los datos.
A los responsables de los procesos, que confiaron en mi y me
permitieron ayudarles.
Y sobre todos, a mis alumnos de ICAI, a los que durante 18
cursos (1992-2010) trat de convencerles de que esto serva para
algo. No siempre lo consegu en clase, pero estoy seguro que
cuando maduren profesionalmente y se encuentre con algn
proceso con problemas, desenpolvarn mis apuntes de clase.
Ms informacin en www.cpk-ingenieros.com Pgina - 2
Correo electrnico: info@cpk-ingenieros.com

NDICE
1. ORIGEN DEL MTODO BSQUEDA DE COMPONENTES
(COMPONENTS SEARCH PATTERNS) ................................................................ 6
2. PARA QU SIRVE EL MTODO CSP? ........................................................ 8
3. CUNDO ES APLICABLE EL MTODO CSP? ............................................ 9
4. CMO SE APLICA EL MTODO CSP? ...................................................... 12
4.1. ETAPA 1: ACOTAMIENTO (BALLPARK). ...................................................... 12
4.2. ETAPA 2: ETAPA DE ELIMINACIN. ............................................................ 16
4.3. ETAPA 3: COMPROBACIN (CAPPING RUN). ............................................ 21
4.4. ETAPA 4: ANLISIS FACTORIAL. ................................................................. 23
5. ALGUNAS ACLARACIONES Y JUSTIFICACIONES ESTADSTICAS ........ 25
5.1. POR QU SE DEBE CONCENTRAR LOS ESFUERZOS EN LOS RED X EN
LUGAR DE DISPERSARLOS SOLUCIONANDO OTRAS CAUSAS MENOS
INFLUYENTES? ....................................................................................................... 25
5.2. POR QU SE EMPLEA LAS MEDIANAS EN LUGAR DE LAS MEDIAS PARA
FIJAR LOS LMITES DE CONTROL? ...................................................................... 26
5.3. POR QU SE EMPLEA LOS RECORRIDOS EN LUGAR DE LAS
DESVIACIONES TPICAS PARA FIJAR LOS LMITES DE CONTROL? ................ 27
5.4. DE DNDE SALE EL COEFICIENTE d2* QUE SE EMPLEA LA ECUACIN DE
LOS LMITES DE CONTROL? ................................................................................. 28
5.5. POR QU SE EMPLEA LA t DE STUDENT EN EL CLCULO DE LOS LMITES
DE CONTROL? ........................................................................................................ 30

5.6. POR QU TIENE QUE SER D >1,25*d ........................................................ 31
6. BIBLIOGRAFA .............................................................................................. 33

RESUMEN
En este trabajo se presenta una herramienta para la resolucin de problemas de
calidad o fiabilidad en equipos constituidos por subconjuntos. Esta herramienta
adapta principios estadsticos a un modo de pensar propio de un ingeniero.
En general, la utilizacin de los mtodos estadsticos en la prctica de la
ingeniera es mucho ms reducida de lo que debera ser. Herramientas de este
tipo contribuyen a la utilizacin de estos mtodos en la prctica profesional de la
ingeniera.

1. ORIGEN DEL MTODO BSQUEDA DE COMPONENTES
(COMPONENTS SEARCH PATTERNS)
Dorian Shainin (1914-2000) fue uno de los pioneros de la ingeniera de la calidad.
En la pgina web de la American Society for Quality se puede encontrar una
sinopsis biogrfica, www.asq.org.
La aportacin ms importante de Shainin a la ingeniera de la calidad es un
conjunto de herramientas de resolucin de problemas. En justicia es preciso
indicar que no todas ellas son originales, sino que en algunas de ellas Shainin se
limit a adaptar tcnicas existentes haciendo ms fcil su aplicacin a la
resolucin de problemas. De cualquier manera, es innegable que el mrito de la
difusin y, sobre todo, de la demostracin de la eficacia de estas herramientas,
corresponde a Dorian Shainin.
Las ms conocidas son las siete herramientas siguientes:
Grfico Multivari. Este grfico es original de Lou Seder, Shainin los

difundi.
Comparaciones emparejadas.
Bsqueda de componentes - Components Search Patterns (CSP).
Bsqueda de variables - Variables Search Patterns (VSP).

Factoriales completos. Obviamente, Shainin no es el creador de este tipo

de diseos, pero introdujo una metodologa de anlisis no paramtrico.
B vs C.
Diagrama de dispersin: Paralelogramo de tolerancias.
El punto fuerte de estas herramientas reside en que no es preciso tener unos
conocimientos de estadstica muy elevados para poder aplicarlas, sino que siendo
estadsticamente rigurosas, son intuitivas y se acercan ms al lenguaje del
ingeniero. Naturalmente esto facilita su uso por aquellos que estn ms prximos
al problema sin necesidad de grandes apoyos externos.
El objetivo de estas herramientas es localizar y neutralizar las causas de
variabilidad, o dicho en el lenguaje de Shainin, los Red X (causas principales de
la variabilidad), los Pink X (causas de la variabilidad de un orden de magnitud
menor) y finalmente los Pale Pink X (causas de la variabilidad de un orden de
magnitud considerablemente menor). En este artculo nos centraremos en el
mtodo de bsqueda de componentes - Components Search Patterns (CSP).
DORIAN SHAININ (1914-2000)
INGENIERO CON CONOCIMIENTOS PROFUNDOS

DE ESTADSTICA.
HA APORTADO HERRAMIENTAS MUY EFECTIVAS
PARA LA RESOLUCIN DE PROBLEMAS.
DESARROLL EL MTODO MULTIPLE
ENVIRONMENT OVERSTRESS, QUE SE APLIC
CON GRAN XITO AL MDULO LUNAR DEL
PROYECTO APOLLO.

2. PARA QU SIRVE EL MTODO CSP?
La aplicacin ms habitual del mtodo CSP es investigar las causas que hacen
que equipos montados en una lnea no fallen, mientras que otros fabricados en la
misma lnea y con los mismos procedimientos, fallan. El concepto de fallo debe
entenderse con toda generalidad, ya que podra aplicarse tanto a la investigacin
de rechazos en pruebas finales, estudios de fallos infantiles, etc.
PROPORCIONA UNA SISTMTICA PARA

AVERIGUAR POR QU UNOS EQUIPOS
FALLAN Y OTROS NO
Figura 1: Aplicacin del mtodo CSP

3. CUNDO ES APLICABLE EL MTODO CSP?
Para poder aplicar la tcnica CSP a la resolucin de un problema, es preciso que
se den las siguientes condiciones:
1. Conjuntos (equipos o sistemas) que incorporen subconjuntos (equipos o

componentes). Esto limita su aplicabilidad notablemente. Shainin desarroll
el mtodo Bsqueda de variables - Variables Search Patterns (VSP) para
extender el campo de aplicacin del CSP.
2. Las prestaciones del equipo o sistema son medibles y repetibles. Es decir, el

concepto de fallo debe estar objetivado con medidas de caractersticas de
funcionamiento (potencia, tiempo de respuesta, etc.). En el caso de
investigar problemas relacionados con la fiabilidad, el concepto de fallo debe
estar asociado a los valores de una caracterstica de calidad.
3. Debe ser posible desmontar y volver a montar el equipo o sistema sin que se
destruya. Ver Figura 2. Como consecuencia de esta condicin, este mtodo
no sera aplicable a la investigacin de fallos de circuitos integrados, equipos
sellados, etc.
4. Deben existir dos grupos con niveles de prestaciones muy diferentes. El

problema a resolver es qu componente o componentes son los
responsables de esa diferencia de resultado entre unos equipos y otros.

1
3
3
4 ES DECIR, NO SE DEBE DESTRUIR EL EQUIPO
POR EL DESMONTAJE.
5
6
Figura 2: Debe ser posible desmontar y volver a montar el equipo o sistema sin que se
destruya el equipo o sistema
Como hilo conductor para exponer la aplicabilidad de este mtodo, supongamos
el caso de la Figura 3. Como puede comprobarse, este caso rene las cuatro
condiciones anteriores. A priori, la causa de la elevada tasa de fallo puede
deberse a:
1. Alguno de los seis subconjuntos o a la interaccin de los mismos (hiptesis 1).
2. Otras causas diferentes a los subconjuntos, como pueden ser efectos de

montaje, distintas condiciones de operacin, etc. (hiptesis 2).
Como consecuencia de la aplicacin del mtodo CSP se llegar a saber:

1. Si la causa se debe a alguno de los seis subconjuntos (hiptesis 1) o si es

externa (hiptesis 2). En este ltimo caso, al menos se podr descartar con
plena seguridad a los subconjuntos como responsables y debera continuarse
la investigacin empleando otras tcnicas (B vs C, comparacin emparejada,
VSP, etc.)
2. En caso de que se deba a alguno de los seis subconjuntos, adems se

conocer cuales son los subconjuntos afectados.
Figura 3: Ejemplo de aplicacin del mtodo CSP

4. CMO SE APLICA EL MTODO CSP?
La aplicacin del CSP consta de las siguientes etapas:
Etapa 1: Acotamiento (Ballpark). Sirve para comprobar si las causas

principales estn incluidas.
Etapa 2: Etapa de eliminacin. Sirve para eliminar las causas no

influyentes.
Etapa 3: Comprobacin (capping run). Sirve para comprobar que las

causas clasificadas como importantes tienen un efecto significativo, y el
resto no influye.
Etapa 4: Anlisis factorial. Sirve para cuantificar la magnitud del efecto de

los subconjuntos defectuosos en la calidad (efecto principal e interacciones
entre los subconjuntos).
4.1. ETAPA 1: ACOTAMIENTO (BALLPARK).
A su vez, la etapa inicial de acotamiento consta de los siguientes pasos:
Paso 1: Seleccionar una unidad de las buenas y otra de las malas.
Paso 2: Determinar un parmetro cuantitativo que represente la calidad de

las mismas. En el caso del ejemplo, se considera que el equipo falla si la
respuesta no llega a 20 W.
Paso 3: Medir ambas unidades y anotar las medidas.
Paso 4: Desmontar y volver a montar las unidades y volverlas a medir.

Anotar las medidas.
Paso 5: Repetir el desmontaje y volver a medir.

Paso 6: Calcular la mediana y el rango de la medidas de cada unidad.

Calcular la diferencia D de ambas medianas y el recorrido medio d . Si las
medidas del equipo bueno no estn suficientemente separadas de las del
equipo malo (es decir que el equipo bueno pueda pasar a ser malo o
viceversa), entonces la causa ser externa. Si estn separadas, la causa
ser debida a uno de los subconjuntos.
CON ESTO PODEMOS COMPARAR LA DIFERENCIA ENTRE LAS BUENAS

Y LAS MALAS CON LA VARIABILIDAD DENTRO DE CADA GRUPO DEBIDA
A OTRAS CAUSAS (MEDIDA, AJUSTES DEL MONTAJE, ETC.)
D Buena
D Mala
Inicial 1er Desm. 2o Desm. Inicial 1er Desm.2o Desm.
CASO A) LAS BUENAS Y LAS MALAS CASO B) LAS BUENAS Y LAS MALAS
ESTN CLARAMENTE SEPARADAS NO ESTN CLARAMENTE SEPARADAS
Figura 4: Comparacin de la variabilidad entre grupos con la variabilidad dentro del

grupo

D Buena
D Mala
Inicial 1er Desm. 2o Desm. Inicial 1er Desm.2o Desm.
CASO A) LAS BUENAS SIGUEN CASO B) LAS BUENAS PUEDEN PASARA A

SIENDO BUENAS Y LAS MALAS SER MALAS Y VICEVERSA CON LOS
SIGUEN SIENDO MALAS A PESAR DE MISMOS COMPONENTES, LUEGO LA CAUSA
LAS OPERACIONES DE MONTAJES, NO SER DEBIDA A ALGUNO DE LOS
LUEGO LA CAUSA SER DEBIDA A SUBCONJUNTOS. HABR QUE BUSCARLA EN
ALGUNO DE LOS SUBCONJUNTOS OTRO SUBCONJUNTO, MEDIDA, AJUSTES DEL
MONTAJE, ETC
Figura 5: Comparacin de la variabilidad entre grupos con la variabilidad dentro del

grupo (continuacin)
El criterio para establecer si se est en el caso A o en el B es el siguiente (ver
Figura 6):
1. Las tres medidas de la unidad buena deben ser mejores que las tres medidas
de la unidad mala.
2. La diferencia d de ambas medianas debe ser mayor que:
D > 1,25 * d
Cuando se dan estas circunstancias se se puede afirmar con un nivel de
confianza del 95% la causa del problema (el Red X y el Pink X en terminologa de
Shainin) est en alguno de los subconjuntos.

Buena
D > 1,25d Mala
Inicial 1er Desm. 2o Desm.
Figura 6: Criterio de decisin
Aplicacin al ejemplo
En el ejemplo se han obtenido las medidas de la Tabla 1.
RECORRIDO
UNIDAD MEDIDA 1 MEDIDA 2 MEDIDA 3 MEDIANA d
BUENA M 32 30 33 32 3
MALA M 10 9 8 9 2
Tabla 1: Medias obtenidas en los tres desmontajes
D = 32 9 = 23
2+3
d = = 2,5
2
D = 23; d = 2,5; 1,25 * 2,5 = 3,12 << 23

Por lo que podemos concluir que ambos grupos estn suficientemente separados
(es decir que la causa de los fallos est en alguno de los seis componentes).
4.2. ETAPA 2: ETAPA DE ELIMINACIN.
La etapa inicial de eliminacin consta a su vez de los siguientes pasos:
Paso 1: Listar los componentes por orden de importancia en el resultado.

Para ello se requiere el concurso de especialistas. Si el orden no fuera el
real, la nica consecuencia es que se tarda ms tiempo en llegar a la
localizacin del Red X y el Pink X.
Paso 2: Calcular los lmites de control dentro de los cuales pueden variar
los resultados del ensayo debido nicamente a causas aleatorias. es el
rango medio de los dos grupos de dos desmontajes (tres medidas en cada
grupo). Este clculo se hace de la siguiente manera:
Paso 3: Permutar el primer componente en los dos conjuntos, anotar el

resultado (ver Figura 7).
Si no hay cambio, este componente es inerte, tanto l como sus

interacciones. Es decir no es la causa del problema y queda
descartado. Continuar la investigacin. Ver Figura 8.

Si el resultado se invierte, el componente cambiado es sin ninguna

duda el Red X. No es preciso continuar los ensayos. Ver Figura
9.
Si hay un cambio parcial, es un Pink X. Continuar la investigacin ya

que existirn otros Pink X. Ver Figura 10.
Reiterar Paso 3: Volver a cambiar el componente y continuar con el

siguiente hasta que estn localizados el Red X o los Pink X.
Figura 7: Permutacin ordenada de los subconjuntos entre ambas unidades

CASO 1: NO AFECTA AL RESULTADO. ESTE COMPONENTE ES

INERTE Y NO ES LA CAUSA DEL PROBLEMA. DESCARTARLO Y
40 CONTINUAR PERMUTANDO.
30
20
10
Inicial D- 1 D-2
1 2 3 4 5 6 Capping run
Figura 8: Descartar el subconjunto como causa de los fallos
CASO 2: SE INVIERTE EL RESULTADO. EUREKA EL COMPONENTE

CAMBIADO ES EL RED X! PROBLEMA SOLUCIONADO
40
30
20
10
Inicial D- 1 D-2
Figura 9: Este subconjunto es causa del fallo

CASO 3: NO SE INVIERTE EL RESULTADO PERO EST FUERA DE

LOS LMITES DE CONTROL. EUREKA EL COMPONENTE CAMBIADO
40 ES UN PINK X ! ESTE ELEMENTO ES PARCIALMENTE RESPONSABLE
DEL PROBLEMA. CONTINUAR PERMUTANDO
30
20
10
Inicial D- 1 D-2
Figura 10: Este subconjunto es causa del fallo pero existe otra causa adicional
El equipo de expertos piensa que el problema seguramente se debe al
subconjunto denominado como 1, a continuacin coloca al 2, despus al 3,
etc.
Los lmites de control son:
LC Sup Buenas = 32 + 2,776 * 2,5 / 1,81 = 36

LC Inf Buenas = 32 2,776 * 2,5 / 1,81 = 28
LC Sup Malas = 9 + 2,776 * 2,5 / 1,81 = 13
LC Inf Malas = 9 2,776 * 2,5 / 1,81 = 5

En la Tabla 1 se recogen los datos del ejemplo y en la Figura 11 se han
representado grficamente. De aqu se concluye que los subconjuntos 2 y 4 son
la causa de los fallos. Esto no coincide exactamente con lo que esperaban los
expertos, pero esta falta de acierto inicial no ha impedido llegar a una conclusin.
Componente Montaje Resultado Lmites de Lmites de Montaje Resultado Lmites de Lmites de Conclusin
cambiado "bueno" Control Control "malo" Control Control
inferior superior inferior superior
INICIAL = 32 28,2 35,8 = 10 5,2 12,8
D-1 = 30 28,2 35,8 = 9 5,2 12,8
D-2 = 33 28,2 35,8 = 8 5,2 12,8
Mediana 32 28,2 35,8 9 5,2 12,8
Recorrido 3 28,2 35,8 2 5,2 12,8
1 1 MR B 31 28,2 35,8 1 BR M 10 5,2 12,8
2 Pink X,
2 2 MR B 25 28,2 35,8 2 BR M 12 5,2 12,8 +
3 3 MR B 30 28,2 35,8 3 BR M 11 5,2 12,8
4 Pink X,
4 4 MR B 22 28,2 35,8 4 BR M 15 5,2 12,8 +
5 5 MR B 31 28,2 35,8 5 BR M 12 5,2 12,8
6 6 MR B 30 28,2 35,8 6 BR M 9 5,2 12,8
X BY BR M 31 28,2 35,8 X MY MR B 12 5,2 12,8
Tabla 2: Datos del ejemplo

40
30
20
10
Inicial D- 1 D-2
Figura 11: Datos del ejemplo
4.3. ETAPA 3: COMPROBACIN (CAPPING RUN).
Si X e Y son los componentes calificados como Red X y Pink X, y R son el
resto de los componentes, el subndice B corresponde al componente proveniente
de la unidad buena y el M de la mala. Montar y ensayar las unidades:

El ensayo debe confirmar que la primera unidad est dentro del rango de las
buenas, pese a tener todos los componentes malos salvo el Red X y el Pink X,
y la segunda unidad dentro del rango de las malas. Si el ensayo no lo
confirmase es que existe alguna causa no considerada hasta ahora.
Los datos obtenidos son 31 y 12 (ver Tabla 2 y Figura 12) que confirman a los
subconjuntos 2 y 4 como causa de los fallos.
40
30
20
10
Inicial D- 1 D-2
Figura 12: Ensayo de confirmacin

4.4. ETAPA 4: ANLISIS FACTORIAL.
El anlisis factorial tiene como objetivo estimar los efectos principales de los
componentes que hayan resultado ser Red X y Pink X, as como sus
interacciones. Resulta que con los ensayos anteriores se han realizado suficientes
experimentos para realizar un anlisis factorial 2k donde k es el nmero de
componentes Red X o Pink X. Este anlisis puede realizarse de manera
convencional. Entonces que aporta CSP con respecto a haber abordado la
resolucin del problema mediante un diseo factorial de manera convencional?
Puesnos hemos evitado poner de acuerdo a los expertos en qu factores son
los que hay que ensayar, a qu niveles hay que hacerlo, etc., en caso de que no
sea factible abordar un diseo factorial completo (en este caso se hubieran
requerido 26 = 64 ensayos, cules son los generadores ms adecuados para
disear un ensayo factorial, fraccional, etc. El mtodo CSP nos ha llevado a un
diseo factorial completo en el que intervienen todos los factores significativos.
Con los veinte ensayos realizados se puede construir un diseo factorial
completo 22 con ensayos replicados para las distintas condiciones experimentales
(2, 8, 2 y 8 rplicas respectivamente, ver Figura 13). Si se considerara til, se
podra estimar los efectos de los subconjuntos defectuosos en el resultado

empleando la metodologa habitual de los diseos factoriales. En este caso la
ecuacin sera:
R = 19,53 + 4,47K2 + 5,97K4 + 1,03K2 K4
K2 y K4 representan si el subconjunto 2 y 4 son de los buenos (en ese caso
toman valor 1) o de los malos (en esa caso toman valor 1). En este caso y
puesto que se ha identificado la causa del problema, esta ecuacin no aporta ms
utilidad que testimoniar el efecto de la interaccin (tercer sumando).
8 RPLICAS
2 RPLICAS
Experimento Result.
Experimento Result.
20,000 31,000 Inicial B 32
2B 25
D-1 B 30
4M 15 Bueno D-2 B 33
1B 31
3B 30
5B 31
6B 30
Cap. Run B 31
SUBCONJUNTO 4
8 RPLICAS
Experimento Result.
Inicial M 10
D-1 M 9
D-2 M 8
2 RPLICAS
1M 10 Experimento Result.
3M 11 10,125 17,000 4B 22
5M 12 2M 12
6M 9
Malo
Cap. Run M 12
Malo Bueno
SUBCONJUNTO 2
Figura 13: En el ejemplo se han obtenido datos para un diseo factorial completo con
rplicas.

5. ALGUNAS ACLARACIONES Y JUSTIFICACIONES
ESTADSTICAS
A continuacin se responden algunas preguntas que surgen habitualmente
cuando se presenta este mtodo.
5.1. POR QU SE DEBE CONCENTRAR LOS ESFUERZOS EN LOS RED X
EN LUGAR DE DISPERSARLOS SOLUCIONANDO OTRAS CAUSAS
MENOS INFLUYENTES?
Si bien es bueno conocer y eliminar todas las causas de la variabilidad, es mucho
ms eficiente concentrar los esfuerzos en reducir el efecto de las causas que ms
influyen. En efecto, supongamos que un proceso est afectado por dos causas de
variabilidad, una de ellas produce una variabilidad de cinco unidades y la otra de
una unidad. Si suponemos que estas causas son estadsticamente
independientes, la variabilidad total sera:
T = 5 2 + 12 = 26 = 5,1
Si se eliminara la causa menos influyente la variabilidad total pasara a ser:
T = 5 2 + 0 = 25 = 5,0
Lo que representa una reduccin de la variabilidad del 2%. Por el contrario si se
reduce la causa ms influyente en una unidad (reduccin equivalente a eliminar la
causa menos influyente), el efecto en la variabilidad total sera:


T = (5 1)2 + 12 = 17 = 4,1
Siendo ahora la reduccin de la variabilidad del 20%. Obsrvese la analoga
entre esta conclusin y el conocido principio de Pareto.
5.2. POR QU SE EMPLEA LAS MEDIANAS EN LUGAR DE LAS MEDIAS
PARA FIJAR LOS LMITES DE CONTROL?
Sin entrar en una discusin sobre las ventajas y desventajas que presenta el uso
de cada una de ellas, valgan las siguientes consideraciones:
1. Las tres medidas iniciales se espera que estn influidas solo por lo que se
denomina causas comunes, lo que equivale a suponer que se distribuirn
normalmente. Esto implica que la distribucin esperada sea simtrica.
2. En distribuciones simtricas la media y la mediana coinciden.
3. El clculo de la mediana de tres datos es muy sencillo (el valor de el medio).
4. En la Figura 14 se compara la distribucin de las medias con la de las
medianas, procedentes de muestras de tamao tres de una poblacin normal.
Como puede verse la diferencia es muy pequea, siendo un poco ms
dispersos los datos de las medianas.
No habra ningn inconveniente en proceder de una forma ms convencional
empleando medias en lugar de medianas.

COMPARACIN DE LA DISTRIBUCIN DE LAS MEDIANAS Y LAS MEDIAS

1000 MUESTRAS ALEATORIOS N(0,1) n=3
-1,8 -1,2 -0,6 0,0 0,6 1,2 1,8

Mediana Media
140
120
100
Frecuencia
80
60
40
20
0
-1,8 -1,2 -0,6 0,0 0,6 1,2 1,8
Figura 14: Comparacin de la distribucin de la media y la mediana
5.3. POR QU SE EMPLEA LOS RECORRIDOS EN LUGAR DE LAS
DESVIACIONES TPICAS PARA FIJAR LOS LMITES DE CONTROL?
El clculo de los recorridos es tambin ms sencillo que el de las desviaciones
tpicas. Por otra parte, el empleo de recorridos es muy frecuente en ingeniera de
calidad (grficos X-R, etc.). Para tamaos de muestra pequeos (< 8) no hay
ningn inconveniente en emplearlos para estimar la desviacin tpica de un
proceso en lugar de la desviacin tpica muestral.

5.4. DE DNDE SALE EL COEFICIENTE d2* QUE SE EMPLEA LA
ECUACIN DE LOS LMITES DE CONTROL?
Este coeficiente corrige el sesgo para estimar la desviacin tpica a partir del
recorrido medio obtenido en m muestras de n elementos cada una. En la Tabla 3
se dan valores para otras combinaciones de m y n. Obsrvese que en la medida
que crece el nmero de muestras m, el valor de d2* converge hacia el coeficiente
d2 empleado habitualmente en los grficos X-R. Esto es porque en estos grficos
se estima la desviacin tpica del proceso a partir del recorrido medio de ms de
20 muestras.
d
=
d 2*

Tamao de la muestra (n)
2 3 4 5 6 7 8
1 1.41 1.91 2.24 2.48 2.67 2.83 2.96
2 1.28 1.81 2.15 2.40 2.60 2.77 2.91
3 1.23 1.77 2.12 2.38 2.58 2.75 2.89
4 1.21 1.75 2.11 2.37 2.57 2.74 2.88
5 1.19 1.74 2.10 2.36 2.56 2.73 2.87
6 1.18 1.73 2.09 2.35 2.56 2.73 2.87
7 1.17 1.73 2.09 2.35 2.55 2.72 2.87
Nmero de Muestras (m) 8 1.17 1.72 2.08 2.35 2.55 2.72 2.87
9 1.16 1.72 2.08 2.34 2.55 2.72 2.86
10 1.16 1.72 2.08 2.34 2.55 2.72 2.86
11 1.16 1.71 2.08 2.34 2.55 2.72 2.86
12 1.15 1.71 2.07 2.34 2.55 2.72 2.85
13 1.15 1.71 2.07 2.34 2.55 2.71 2.85
14 1.15 1.71 2.07 2.34 2.54 2.71 2.85
15 1.15 1.71 2.07 2.34 2.54 2.71 2.85
d2 1.13 1.69 2.06 2.33 2.53 2.70 2.85
Tabla 3: Tabla de coeficientes d2*

5.5. POR QU SE EMPLEA LA t DE STUDENT EN EL CLCULO DE LOS
LMITES DE CONTROL?
El procedimiento empleado habitualmente para construir un intervalo de confianza
de la media de muestras de tamao n una poblacin normal, se basa en que el
estadstico:
(x 0 )
t n 1
s
n
Se distribuye segn una t de Student con n-1 grados de libertad. En este caso:
Se dispone de dos muestras, cada una de ellas con dos grados de

libertad, por lo que la t de Student tendr cuatro grados de libertad.
Se pretende construir unos lmites de control para valores individuales
(muestras de n=1).
Estos lmites de control se construyen con un nivel de confianza del 95%, lo
que implica que existe un 5% de probabilidades de que el valor de
respuesta lo sobrepase. Esto supone tener un 5% de probabilidades de
concluir que un componente sea Pink X sin que en realidad lo sea.
En lugar de con medias, se trabaja con medianas, que como se ha indicado
antes, en este caso se comportan de manera similar.
La estimacin de la desviacin tpica se hace a travs del recorrido medio
de las dos muestras en lugar de la desviacin tpica s media de las dos
muestras, por lo que se debe reemplazar s por:
d
s

d 2*

Con estas consideraciones se llega a la ecuacin:
LC medianas=mediana t2+2 (0, 95)d / d2* = mediana 2, 776d /1,81
5.6. POR QU TIENE QUE SER D >1,25*d
Por simplicidad estadstica razonemos en medias en lugar de en medianas (como
se ha visto, en esta caso la diferencia es irrelevante). Lo que se est haciendo es
un contraste de hiptesis:
La hiptesis nula H0 es: ambas muestras proceden de la misma poblacin.

Es decir el que sea buena o mala con esos componentes es puro azar.
La hiptesis alternativa H1 es: cada muestra procede de una poblacin
distinta. Es decir, cada muestra procede de poblaciones distintas (una buena
y otra mala) con distinta media.
Si las diferencias de las medias de las muestras obtenidas difieren ms de un
determinado valor, no es verosmil pensar que la hiptesis H0 sea cierta y se
admitir su complementaria H1.
Este contraste se apoya en el siguiente estadstico pivote:
(x1 x2 ) (1 2 )
t n1 + n2 2
(n1 1)s12 + (n2 1)s22 1 1
n1 + n2 2 n n
+
1 2

En este caso:
Las dos muestras son de tamao 3, n1 = n2 = 3.

El nivel confianza es el 95%.
En la hiptesis nula 1 = 2.
Una vez ms, en lugar de con medias, se trabaja con medianas, y la
estimacin de la desviacin tpica se hace a travs del recorrido medio de las
dos muestras.
Por lo tanto el contraste queda:
D
= t 3 + 3 2
d 2 + 2 1 1
+
d 2* 3 + 3 2 3 3
D t 3+ 3 2 2
= *
d d2 3
d2*=1.81 y el valor de la t de Student con 4 grados de libertad, al 95% a dos colas
es 2.78. Luego el valor crtico es:
D 2.78 2
= * = 1.25
d 1.81 3

6. BIBLIOGRAFA
La metodologa de Shainin no cuenta con demasiada bibliografa y en general, se
ha reservado para iniciados. Entre la bibliografa disponible, destaca la siguiente:
Shainin, D. y Shainin, P [1990] Analysis of Experiments.. ASQC Quality

Congress Transactions.
Shainin, D. y Shainin, P [1986] Better than Taguchi Orthogonal Tables. Dorian
Shainin and Peter Shainin. ASQC Quality Congress Transactions.
Shainin, D. y Shainin, P [1988] Better than Taguchi Orthogonal Tables. Dorian
Shainin and Peter Shainin. Quality and Reliability Engineering International.
Vol 4.
Ruiz-Falc Rojas, A. [1996] Estadstica, capitulo12: Metodologa de Shainin
para la reduccin de la variabilidad. Master en Calidad. CMARA DE
COMERCIO DE MADRID.
Bhote, K. R. [1990] More Cost effective Approach to DOE than Taguchi. .
Keki R. Bhote. ASQC Quality Congress Transactions.
Bhote, K. R. [1991] World class quality. Using design of experiments to make
it happen. AMACOM.

Shain in CSP

Transféré par

Informations du document

Titre original

Copyright

Formats disponibles

Partager ce document

Partager ou intégrer le document

Options de partage

Avez-vous trouvé ce document utile ?

Ce contenu est-il inapproprié ?

Droits d'auteur :

Formats disponibles

Shain in CSP

Transféré par

Droits d'auteur :

Formats disponibles

APLICACIN DEL MTODO CSP A LA

Ponencia presentada por Arturo Ruiz-Falc Rojas, en el VII Congreso

FIABILIDAD. EJEMPLO PRCTICO

A los procesos que durante estos aos me contaron sus

problemas a travs de los datos.

A los responsables de los procesos, que confiaron en mi y me

Y sobre todos, a mis alumnos de ICAI, a los que durante 18

cursos (1992-2010) trat de convencerles de que esto serva para

algo. No siempre lo consegu en clase, pero estoy seguro que

cuando maduren profesionalmente y se encuentre con algn

proceso con problemas, desenpolvarn mis apuntes de clase.

Ms informacin en www.cpk-ingenieros.com Pgina - 2

Correo electrnico: info@cpk-ingenieros.com

FIABILIDAD. EJEMPLO PRCTICO

1. ORIGEN DEL MTODO BSQUEDA DE COMPONENTES

(COMPONENTS SEARCH PATTERNS) ................................................................ 6

2. PARA QU SIRVE EL MTODO CSP? ........................................................ 8

3. CUNDO ES APLICABLE EL MTODO CSP? ............................................ 9

4. CMO SE APLICA EL MTODO CSP? ...................................................... 12

4.1. ETAPA 1: ACOTAMIENTO (BALLPARK). ...................................................... 12

4.2. ETAPA 2: ETAPA DE ELIMINACIN. ............................................................ 16

4.3. ETAPA 3: COMPROBACIN (CAPPING RUN). ............................................ 21

4.4. ETAPA 4: ANLISIS FACTORIAL. ................................................................. 23

5. ALGUNAS ACLARACIONES Y JUSTIFICACIONES ESTADSTICAS ........ 25

5.1. POR QU SE DEBE CONCENTRAR LOS ESFUERZOS EN LOS RED X EN

LUGAR DE DISPERSARLOS SOLUCIONANDO OTRAS CAUSAS MENOS

5.2. POR QU SE EMPLEA LAS MEDIANAS EN LUGAR DE LAS MEDIAS PARA

FIJAR LOS LMITES DE CONTROL? ...................................................................... 26

5.3. POR QU SE EMPLEA LOS RECORRIDOS EN LUGAR DE LAS

DESVIACIONES TPICAS PARA FIJAR LOS LMITES DE CONTROL? ................ 27

5.4. DE DNDE SALE EL COEFICIENTE d2* QUE SE EMPLEA LA ECUACIN DE

LOS LMITES DE CONTROL? ................................................................................. 28

5.5. POR QU SE EMPLEA LA t DE STUDENT EN EL CLCULO DE LOS LMITES

Correo electrnico: info@cpk-ingenieros.com

FIABILIDAD. EJEMPLO PRCTICO

5.6. POR QU TIENE QUE SER D >1,25*d ........................................................ 31

Ms informacin en www.cpk-ingenieros.com Pgina - 4

Correo electrnico: info@cpk-ingenieros.com

FIABILIDAD. EJEMPLO PRCTICO

En este trabajo se presenta una herramienta para la resolucin de problemas de

calidad o fiabilidad en equipos constituidos por subconjuntos. Esta herramienta

adapta principios estadsticos a un modo de pensar propio de un ingeniero.

En general, la utilizacin de los mtodos estadsticos en la prctica de la

ingeniera es mucho ms reducida de lo que debera ser. Herramientas de este

tipo contribuyen a la utilizacin de estos mtodos en la prctica profesional de la

Ms informacin en www.cpk-ingenieros.com Pgina - 5

Correo electrnico: info@cpk-ingenieros.com

FIABILIDAD. EJEMPLO PRCTICO

1. ORIGEN DEL MTODO BSQUEDA DE COMPONENTES

(COMPONENTS SEARCH PATTERNS)

Dorian Shainin (1914-2000) fue uno de los pioneros de la ingeniera de la calidad.

En la pgina web de la American Society for Quality se puede encontrar una

sinopsis biogrfica, www.asq.org.

La aportacin ms importante de Shainin a la ingeniera de la calidad es un

conjunto de herramientas de resolucin de problemas. En justicia es preciso

limit a adaptar tcnicas existentes haciendo ms fcil su aplicacin a la

resolucin de problemas. De cualquier manera, es innegable que el mrito de la

difusin y, sobre todo, de la demostracin de la eficacia de estas herramientas,

corresponde a Dorian Shainin.

Las ms conocidas son las siete herramientas siguientes:

Grfico Multivari. Este grfico es original de Lou Seder, Shainin los

Ms informacin en www.cpk-ingenieros.com Pgina - 6

Correo electrnico: info@cpk-ingenieros.com