Académique Documents
Professionnel Documents
Culture Documents
mesada
CONTROL ESTADSTICO
DEL PROCESO
Enero, 2006
Pgina 1
HERRAMIENTAS PARA LA SOLUCIN DE PROBLEMAS
Pgina 2
HERRAMIENTAS PARA LA SOLUCIN DE PROBLEMAS
Pgina 3
HERRAMIENTAS PARA LA SOLUCIN DE PROBLEMAS
Pgina 4
HERRAMIENTAS PARA LA SOLUCIN DE PROBLEMAS
Pgina 5
HERRAMIENTAS PARA LA SOLUCIN DE PROBLEMAS
productos y servicios.
EUA JAPON
Pgina 6
HERRAMIENTAS PARA LA SOLUCIN DE PROBLEMAS
Antecedentes
La teora de la administracin se desarroll bsicamente en los pases
industrializados, en respuesta a los problemas que presentaron las grandes
empresas caractersticas del sistema capitalista. 1 Sus primeros indicios se
observan con el economista Adam Smith con el concepto de divisin del trabajo
para aumentar la productividad en 1776.2
Smith not que en una industria de fabricacin de alfileres, diez personas, cada una
realizando una tarea especfica, podran producir 48,000 alfileres por da. Propuso que si
cada uno trabajara por separado y en forma independiente, los diez trabajadores tendran
suerte en hacer 200 (o an 10) alfileres al da.3
1
Simn, Nadima S., Evaluacin Organizacional, SICCO, Mxico, 1997, p. 7
2
Smith, Adam, An Inquiry into the Nature and Causes of the Wealth of Nations, A. Strahan and T. Cadell,
London, 1793, pp. 7-8
3
Robbins, Stephen P., Management: Concepts and Applications, Englewood Cliffs, Nueva Jersey, 1987, p.
31.
4
Ibidem, p. 31.
5
Simn, Nadima, op. cit., p. 9
6
Taylor, Frederick W., Principles of Scientific Management,, Harper & Bros., Nueva York, Estados Unidos de
Amrica, 1911
Pgina 7
HERRAMIENTAS PARA LA SOLUCIN DE PROBLEMAS
7
Robbins, Stephen, op cit. p. 33.
8
Ibidem, p. 34 tomado de la obra de Frederick Taylor, Principles of Scientific Management, Nueva York,
Harper and Brothers, 1911, pp. 36-37.
9
Taylor, op. cit. 1911, p.20.
10
Hall, Richard, Organizaciones: Estructura y proceso. Mxico, Prentice Hall Hispanoamericana, 1982, p.
304
11
Ibidem, p. 33
12
Koontz, Harold, op. cit. , p. 34.
13
Neffa, Julio Cesar, Transformaciones del proceso del trabajo y de la relacin salarial en el marco del nuevo
paradigma productivo. Sus repercuciones sobre la accin sindical, en Sociologa del Trabajo, Nueva poca,
nm. 18, primavera de 1993, pp. 80-82
Pgina 8
HERRAMIENTAS PARA LA SOLUCIN DE PROBLEMAS
14
Ibidem, p. 83-84
15
Vid. Valdez, Luigi, Conocimiento es futuro, CONCAMIN, Mxico, 1995, pp. 122-123
16
Ibidem, pp. 125-126
Pgina 9
HERRAMIENTAS PARA LA SOLUCIN DE PROBLEMAS
Segn Duncan Walter Shewhart de los Laboratorios Bell fue el primero en aplicar las cartas de
control en 1924 haciendo un esbozo de la carta de control 17. Por otra parte H. Dodge y H.
Romig desarrollaron las tablas de inspeccin por muestreo de Dodge-Romig 18, como una
alternativa a la inspeccin 100% al producto terminado, sin embargo su adopcin
en occidente fue muy lenta, Freeman, sugiere que esto se dio por la tendencia de los
ingenieros americanos a eliminar la variacin, y su desdn por las teoras probabilsticas, as como
muestreo20. Se reduce el nivel de variacin del proceso hasta los lmites predecibles
y se identifican las oportunidades de mejora. Se establecen sistemas de medicin
formales desde los proveedores hasta el producto final y el proceso se
"estandariza. Hoy en da la herramienta de las cartas de control (CEP) es utilizada
por los crculos de control de calidad para la identificacin de problemas.
17
Duncan, Acheson, op. cit.p. 16.
18
Ibidem, p. 1
19
Freeman, H.D., Statistical Methods for Quality Control, MechanicalEngineering, April 1937, p. 261.
20
Feigenbaum, A.V., op. cit., 1986, p. 16
Pgina 10
HERRAMIENTAS PARA LA SOLUCIN DE PROBLEMAS
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
HERRAMIENTAS PARA LA SOLUCIN DE PROBLEMAS
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.
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 esto tambin ha permitido que los supervisores de las fbricas
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
tiempo y los elementos de diseo, determinando los materiales ms baratos de tal
forma que el producto cumpla las especificaciones, y todava se asegure que el
producto se desempear en forma satisfactoria bajo condiciones variables.
Con la aplicacin del Control Estadstico del Proceso, el trabajador tiene de nuevo
la oportunidad de controlar la calidad de su trabajo, no a travs de inspeccin
21
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
HERRAMIENTAS PARA LA SOLUCIN DE PROBLEMAS
* * * *
** **
*** **
*** **
Distribucin de promedios
Universo de las muestras
__ (1.1)
X n
24
Shewhart, W.A., Economic Control of Quality of Manufactured Product, Van Nostrand Reinhold Co., 1931,
p. 182
Pgina 13
HERRAMIENTAS PARA LA SOLUCIN DE PROBLEMAS
Hora 4
Hora 2
Hora 3
Hora 1
25
Ford Motor Co., Continuing Process Control and Process Capability Improvement, Dearborn, Michigan,
1983
Pgina 14
HERRAMIENTAS PARA LA SOLUCIN DE PROBLEMAS
CARTAS DE CONTROL
LSC
LC
LIC
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
HERRAMIENTAS PARA LA SOLUCIN DE PROBLEMAS
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
Materias primas,
Componentes, etc.
Z1 Z2 ZQ
ENTRADAS NO CONTROLABLES
Pgina 16
HERRAMIENTAS PARA LA SOLUCIN DE PROBLEMAS
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.
MUESTREO DE ACEPTACIN
Pgina 17
HERRAMIENTAS PARA LA SOLUCIN DE PROBLEMAS
b) INSPECCION DE RECIBO
ENVIO
PROCESO INSPECCION CLIENTE
CLIENTE
PROCESO INSPECCION
RECHAZO
SCRAP RETRA
BAJO
DISPOSICIN DE LOTES
En el transcurso del tiempo, las tres tcnicas estadsticas anteriores han tenido la
evolucin siguiente:
Pgina 18
HERRAMIENTAS PARA LA SOLUCIN DE PROBLEMAS
100%
MUESTREO DE
ACEPTACION
CONTROL DE PROCESO
DISEO DE
EXPERIMENTOS
0%
Tiempo
1.4 ADMINISTRACIN POR CALIDAD TOTAL
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.
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
HERRAMIENTAS PARA LA SOLUCIN DE PROBLEMAS
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.
Pgina 20
HERRAMIENTAS PARA LA SOLUCIN DE PROBLEMAS
Pgina 21
HERRAMIENTAS PARA LA SOLUCIN DE PROBLEMAS
CONCEPTO DE VARIACIN
Los mtodos estadsticos se basan en que no existen dos productos
EXACTAMENTE iguales de un proceso de manufactura, por tanto la VARIACIN
es inevitable, su anlisis se hace con el apoyo de la estadstica.
DISTRIBUCION NORMAL
La notacin para una variable aleatoria que se distribuye normalmente es x N (
, 2 ), la forma de la distribucin es simtrica, unimodal y en forma de campana.
Las reas entre diferentes desviaciones estndar son:
1 68.26%
2 95.46%
3 99.73%
-3 +3
Pgina 22
HERRAMIENTAS PARA LA SOLUCIN DE PROBLEMAS
Pgina 23
HERRAMIENTAS PARA LA SOLUCIN DE PROBLEMAS
El valor de z
Determina el nmero de desviaciones estndar entre algn valor X y la media
de la poblacin . Para calcular el valor de Z usamos la siguiente frmula.
X
Z (2.1)
F(z)
NOTA: Cuando las tablas acumulativas de distribucin normal slo dan valores a
la izquierda de valores positivos de z, utilizando la propiedad de simetra se
pueden evaluar probabilidades o reas a la izquierda de valores negativos de z.
Pgina 24
HERRAMIENTAS PARA LA SOLUCIN DE PROBLEMAS
X 500 485
Z = 0.5
30
485
3 0 .8 5 %
Z.0 5
Pgina 25
HERRAMIENTAS PARA LA SOLUCIN DE PROBLEMAS
Ejemplo 2.2:
Encuentre las probabilidad siguiente usando la tabla Z,
P(-1.23 < Z > 0).
-1.23 Z
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
Pgina 26
HERRAMIENTAS PARA LA SOLUCIN DE PROBLEMAS
Pgina 27
HERRAMIENTAS PARA LA SOLUCIN DE PROBLEMAS
35 40 =2 -2.5 0 =1
La distribucin es la siguiente:
Pgina 28
HERRAMIENTAS PARA LA SOLUCIN DE PROBLEMAS
Pgina 29
HERRAMIENTAS PARA LA SOLUCIN DE PROBLEMAS
n n
[y -
i 1
i ] i
2
(2.5)
i 1
Pgina 30
HERRAMIENTAS PARA LA SOLUCIN DE PROBLEMAS
PRUEBAS DE HIPTESIS
Pgina 31
HERRAMIENTAS PARA LA SOLUCIN DE PROBLEMAS
Tomando como estadstico de prueba Zc, y asumiendo que sigue una distribucin
normal N(0,1).
Z c X 0
n
(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 BAJO H1
- Z/2 0 Z/2 Zc = n /
Pgina 32
HERRAMIENTAS PARA LA SOLUCIN DE PROBLEMAS
n n
Z / 2 Z / 2
(2.7)
Z 0 X 16
0 .1
9
n n
Z / 2 Z / 2
0.1 9 0.1 9
1.96 1.96
0.1 0.1
Pgina 33
HERRAMIENTAS PARA LA SOLUCIN DE PROBLEMAS
= (- 1.4 ) - ( -4.96 )
= 0.1492
Pgina 34
HERRAMIENTAS PARA LA SOLUCIN DE PROBLEMAS
Las cartas de control fueron desarrolladas por el Dr. Walter A. Shewhart de los Bell
Telephone Labs., se denominan Cartas de Control de Shewhart y se usan para el
monitoreo del proceso en lnea. A continuacin se explica la teora de variabilidad
de Shewhart.
Existen otras fuentes de variabilidad que pueden ser causadas por mquinas,
errores de operadores o materiales defectuosos. Esta variabilidad es muy grande
en relacin con la variabilidad natural y es originada por causas especiales o
asignables haciendo que el proceso opere fuera de control estadstico (ver pgina
siguiente).
Pgina 35
HERRAMIENTAS PARA LA SOLUCIN DE PROBLEMAS
Pgina 36
HERRAMIENTAS PARA LA SOLUCIN DE PROBLEMAS
LSC
LC
LIC Tiempo
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
HERRAMIENTAS PARA LA SOLUCIN DE PROBLEMAS
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.
Pgina 38
HERRAMIENTAS PARA LA SOLUCIN DE PROBLEMAS
74.0135
74
74.9865 Tiempo
LSC = w + Lw (2.8)
LC = w
LIC = w - Lw
Pgina 39
HERRAMIENTAS PARA LA SOLUCIN DE PROBLEMAS
Pgina 40
HERRAMIENTAS PARA LA SOLUCIN DE PROBLEMAS
SISTEMA DE
EVALUACIN
Las cartas de control pueden ser clasificadas en dos clases: por atributos y por
variables dependiendo de cmo se evale la caracterstica de calidad.
Pgina 41
HERRAMIENTAS PARA LA SOLUCIN DE PROBLEMAS
1. Procesos estacionarios: los datos del proceso varan alrededor de una media
fija de una manera fija y estable. Es decir se tiene un proceso en control de
acuerdo a Shewhart es el rea de aplicacin de las cartas de control ms efectivo.
Pgina 42
HERRAMIENTAS PARA LA SOLUCIN DE PROBLEMAS
Las cartas de control han sido muy populares por las siguientes razones:
Pgina 43
HERRAMIENTAS PARA LA SOLUCIN DE PROBLEMAS
Abriendo los lmites de control decrece riesgo de error tipo I (falsa alarma) sin
embargo se incrementa el riego de error tipo II y viceversa. Con lmites de control
de 3-sigma la probabilidad de error tipo I es de 0.0027. Si se selecciona el nivel de
riesgo de error tipo I en 0.002 o 0.001 en cada lado, se tienen los lmites de control
a una distancia de 3.09-sigmas y los lmites de control sern:
+3.09
+3.0
LC
-3.00
-3.09
Pgina 44
HERRAMIENTAS PARA LA SOLUCIN DE PROBLEMAS
1
ARL (2.9)
p
En el ejemplo si se toman muestras cada hora, se genera una falsa alarma cada
370 horas.
Pgina 45
HERRAMIENTAS PARA LA SOLUCIN DE PROBLEMAS
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:
1 1
ARL1 2
p 0.5
Diseo 1 Diseo 2
n=5 n = 10
Frec. Cada hora Frec. cada hora.
SUBGRUPOS RACIONALES
Pgina 46
HERRAMIENTAS PARA LA SOLUCIN DE PROBLEMAS
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.
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.
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
HERRAMIENTAS PARA LA SOLUCIN DE PROBLEMAS
Pgina 48
HERRAMIENTAS PARA LA SOLUCIN DE PROBLEMAS
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
HERRAMIENTAS PARA LA SOLUCIN DE PROBLEMAS
DIA
DEFECTO 1 2 3 4 TOTAL
Tamao errneo IIIII I IIIII IIIII III IIIII II 26
Forma errnea I III III II 9
Depto. Equivocado IIIII I I I 8
Peso errneo IIIII IIIII I IIIII III IIIII III IIIII IIIII 37
Mal Acabado II III I I 7
TOTAL 25 20 21 21 87
Pgina 50
HERRAMIENTAS PARA LA SOLUCIN DE PROBLEMAS
Pgina 51
HERRAMIENTAS PARA LA SOLUCIN DE PROBLEMAS
Pgina 52
HERRAMIENTAS PARA LA SOLUCIN DE PROBLEMAS
Ejes verticales:
- 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:
- Divida este eje en un nmero de intervalos igual al nmero de
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.
Pgina 53
HERRAMIENTAS PARA LA SOLUCIN DE PROBLEMAS
Pgina 54
HERRAMIENTAS PARA LA SOLUCIN DE PROBLEMAS
DIAGRAMA PARETO
50 99.94
98.52
97.7
95.68
94.26
91.41
87.13
N %
O 78.56
A
D C
68.56
E U
M
Q U
U L
25 35.71
E A
J
23 D
A O
S 7
6
3
2
1
A B C D E F G H I J
Pgina 55
HERRAMIENTAS PARA LA SOLUCIN DE PROBLEMAS
Las quejas A,B y C representan el 78.56%, siendo en estas en las que debemos
de enfocarnos primero a resolver.
Pgina 56
HERRAMIENTAS PARA LA SOLUCIN DE PROBLEMAS
Pgina 57
HERRAMIENTAS PARA LA SOLUCIN DE PROBLEMAS
La tcnica tormenta de ideas puede ser aplicada con gran frecuencia al llevar a
cabo otras herramientas, como por ejemplo, diagramas causa-efecto (Ishikawa),
Diseo de experimentos, pruebas de confiabilidad, etc.
Pgina 58
HERRAMIENTAS PARA LA SOLUCIN DE PROBLEMAS
Constituye una buena base de trabajo para poner en marcha la bsqueda de las
verdaderas causas de un problema.
Los pasos para elaborar el diagrama de causa- efecto son los siguientes:
Pgina 59
HERRAMIENTAS PARA LA SOLUCIN DE PROBLEMAS
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
Mquinas
Mano de obra
Mtodos
Materiales
Mediciones
Medio ambiente
26
Tomado de: Alberto Galgano, Los siete instrumentos de la Calidad Total, ediciones Daz de Santos,1995
Pgina 60
HERRAMIENTAS PARA LA SOLUCIN DE PROBLEMAS
DIMENSIONES
VELOCIDAD DE
INADECUADAS FORMACION
FUERA DE AVANCE
DIMENSIONES
TEMPERATURA HABILIDAD
ESPECIFICADS
ANGULO LIMITES
INCORRECTO DE PUNTA OXIDADA ERGONOMICOS
FORMA
LA FLAMA
PUNTA
SOLDADURA DEFECTUOSA
UNION
SUPERFICIE SOLDADURA
S CON LACA DE
POLVO E SECUENCIA PROTECCION
IMPUREZAS SOLDADURA
TIEMPOS DE TERMINALES
ESPERA DESOXIDANTE
CORTOS OXIDADOS
MEDIO AMBIENTE MTODOS MATERIALES
Pgina 61
HERRAMIENTAS PARA LA SOLUCIN DE PROBLEMAS
Pgina 62
HERRAMIENTAS PARA LA SOLUCIN DE PROBLEMAS
Definicin:
Es una ayuda grfica para el control de las variaciones de los procesos
administrativos y de manufactura.
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 % errores Semana % errores
1 0.15 9 0.04
2 0.04 10 0.05
3 0.08 11 0.07
4 0.07 12 0.04
5 0.04 13 0.02
6 0.05 14 0.03
7 0.01 15 0.01
8 0.03
Permite observar el comportamiento de los datos durante un periodo de tiempo
determinado. Ejercicio 2.19: hacer una carta de tendencias con
datos reales de alguna situacin particular.
Fig. 2.12 carta de tendencias
Pgina 63
HERRAMIENTAS PARA LA SOLUCIN DE PROBLEMAS
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
documentacin, incluyendo la documentacin ISO 9000.
Facilitan el desarrollo de Procedimientos Estndar de Operacin.
Al tener un procedimiento de operacin estndar se reduce en gran medida la
variacin y el tiempo de ciclo.
Los diagramas de flujo permiten detectar reas de mejora en los procesos.
Descripcin de smbolos
En la construccin de diagramas de flujo de procesos se utilizan los smbolos
descritos a continuacin:
Pgina 64
HERRAMIENTAS PARA LA SOLUCIN DE PROBLEMAS
Pgina 65
HERRAMIENTAS PARA LA SOLUCIN DE PROBLEMAS
5. Mejoras del proceso: Una vez que se contestan las preguntas mediante
tormenta de ideas se realizan mejoras. Definiendo los pasos que agregan
valor y los que no agregan se puede llevar a cabo una simplificacin
sustancial del proceso.
Las mejoras son priorizadas y se llevan a cabo planes de accin.
Pgina 66
HERRAMIENTAS PARA LA SOLUCIN DE PROBLEMAS
Es utilizado para detectar cuales son las actividades que agregan valor al proceso
y las que no agregan valor.
27
Adaptado de Hamid Noori/Russell Radford, Administracin de Operaciones y produccin, Ed. Mc.Graw
Hill Pp.282
Pgina 67
HERRAMIENTAS PARA LA SOLUCIN DE PROBLEMAS
Ventajas:
Delinea grficamente la cantidad de tiempo sin valor que se usa en el proceso.
Ayuda a reducir el tiempo sin valor y eliminar pasos innecesarios.
Ejemplo 2.21
Espera Espera
Pgina 68
HERRAMIENTAS PARA LA SOLUCIN DE PROBLEMAS
Ventajas
Edificio A
Edificio B
Pgina 69
HERRAMIENTAS PARA LA SOLUCIN DE PROBLEMAS
Por otro lado se puede observar que los puntos en un diagrama de dispersin
pueden estar muy cerca de la lnea recta que los atraviesa, o muy dispersos o
alejados con respecto a la misma. El ndice que se utiliza para medir ese grado de
cercana de los puntos con respecto a la lnea recta es la correlacin. En total
existen cinco grados de correlacin: positiva evidente, positiva, negativa evidente,
negativa y nula.
Pgina 70
HERRAMIENTAS PARA LA SOLUCIN DE PROBLEMAS
Accidentes laborales
Correlacin
positiva,
posible
Pgina 71
HERRAMIENTAS PARA LA SOLUCIN DE PROBLEMAS
15 15
10
Y
Y
10
5
5
0
0 5 10 15 20 25 Sin Correlacin 0
0 5 10 15 20 25
X 25 X
20
15
Correlacin 10
Y
5
Correlacin
25
Positiva 0 Negativa
0 5 10 15 20 25 25
20
X 20
15
15
Y
10
Y
10
5
5
0
0 5 10 15 20 25 0
0 5 10 15 20 25
X
X
Pgina 72
CONTROL ESTADSTICO DEL PROCESO Dr. P. Reyes / Enero 2006
a
y x 2
x xy
n x x
2 2
n xy x y
b
n x 2 x
2
SCxy
r
SCx SCy
x y
SCxy xy n
SCx x 2
x 2
SCy y 2
y 2
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
CONTROL ESTADSTICO DEL PROCESO Dr. P. Reyes / Enero 2006
x 2
Sumatoria de los valores de la variable x al cuadrado
y 2
Sumatoria de los valores de la variable y al cuadrado
xy Sumatoria del producto de xy
x 2
Cuadrado de la sumatoria de la variable x
y 2
Cuadrado de la sumatoria de la variable y
SCxy = 2027.71
SCx = 698.56
SCy = 6105.94
r = 0.98
Pgina 75
CONTROL ESTADSTICO DEL PROCESO Dr. P. Reyes / Enero 2006
Diagrama de dispersion
80.00
70.00
tiempo de entrega ( y )
60.00
50.00
40.00
30.00
20.00
10.00
-
- 5.00 10.00 15.00 20.00 25.00
Numero de latas (x)
Pgina 76
CONTROL ESTADSTICO DEL PROCESO Dr. P. Reyes / Enero 2006
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.
Pgina 77
CONTROL ESTADSTICO DEL PROCESO Dr. P. Reyes / Enero 2006
1. Liderazgo gerencial
2. Un enfoque de grupo de trabajo
3. Educacin y entrenamiento de empleados en todos los niveles
4. nfasis en la mejora continua
5. Un mecanismo para reconocer el xito y comunicacin hacia la organizacin.
Pgina 78
CONTROL ESTADSTICO DEL PROCESO Dr. P. Reyes / Enero 2006
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.
Ahora como las medias de las muestras estn normalmente distribuidas con
Pgina 79
CONTROL ESTADSTICO DEL PROCESO Dr. P. Reyes / Enero 2006
Z / 2 X Z / 2 (3.1)
n
y
Z / 2 X Z / 2
n
X i
(3.2)
X i 1
m
Representa la lnea central de la carta de medias.
Para estimar la del proceso, se pueden utilizar los rangos de los subgrupos, para
cada uno de los subgrupos el rango es calculado como:
Si R1, R2, ....., Rm , son los rangos de los diferentes subgrupos, el rango promedio
es:
R i
(3.4)
R i 1
Pgina 80
CONTROL ESTADSTICO DEL PROCESO Dr. P. Reyes / Enero 2006
W=R/ (3.5)
3R
LSC X Lmite superior de control (LSC)
d2 n
3R
LIC X Lmite inferior de control (LIC) (3.7)
d2 n
3R
Si de define a A2 se tienen las ecuaciones siguientes:
d2 n
LSC = X + A2 R (3.8)
LIC = X - A2 R
Pgina 81
CONTROL ESTADSTICO DEL PROCESO Dr. P. Reyes / Enero 2006
R=W (3.9)
La desviacin estndar de R es:
R = d3
Como es desconocida, se puede estimar de = R / d2, resultando:
R
R d3 (3.10)
d2
R d3
LSC = R + 3 R = R + 3 d 3 = R [ 1+ 3 ] = D4 R
d2 d2
(3.11)
R d3
LIC = R - 3 R = R - 3 d 3 = R [ 1- 3 ] = D3 R
d2 d2
Pgina 82
CONTROL ESTADSTICO DEL PROCESO Dr. P. Reyes / Enero 2006
Eficiencia
n Relativa
2 1.000
3 0.992
4 0.975
5 0.955
6 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 y
Reproducibilidad (R&R) menor al 10% (ver procedimiento de estudios R&R).
LIMITES PRELIMINARES
Siempre que un proceso este siendo analizado a travs de una carta de control, es
muy importante llevar una bitcora registrando todos los cambios (tiempo y
descripcin) conforme ocurran, por ejemplo: cambio de turno, cambio de
materiales, ajuste de mquina, interrupcin de energa, arranque de mquina, etc.
Con objeto de identificar las causas asignables en caso de presentarse para la
toma de acciones correctivas.
Pgina 83
CONTROL ESTADSTICO DEL PROCESO Dr. P. Reyes / Enero 2006
Pgina 84
CONTROL ESTADSTICO DEL PROCESO Dr. P. Reyes / Enero 2006
LSC
LC
LIC
Fig. 3.2 Patrn de anormalidad cclico
LSC
LC
LIC
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
Pgina 85
CONTROL ESTADSTICO DEL PROCESO Dr. P. Reyes / Enero 2006
LSC
LC
LIC
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
Pgina 86
CONTROL ESTADSTICO DEL PROCESO Dr. P. Reyes / Enero 2006
Pgina 87
CONTROL ESTADSTICO DEL PROCESO Dr. P. Reyes / Enero 2006
Pgina 88
CONTROL ESTADSTICO DEL PROCESO Dr. P. Reyes / Enero 2006
Pgina 89
CONTROL ESTADSTICO DEL PROCESO Dr. P. Reyes / Enero 2006
Pgina 90
CONTROL ESTADSTICO DEL PROCESO Dr. P. Reyes / Enero 2006
Pgina 91
CONTROL ESTADSTICO DEL PROCESO Dr. P. Reyes / Enero 2006
Pgina 92
CONTROL ESTADSTICO DEL PROCESO Dr. P. Reyes / Enero 2006
Pgina 93
CONTROL ESTADSTICO DEL PROCESO Dr. P. Reyes / Enero 2006
Pgina 94
CONTROL ESTADSTICO DEL PROCESO Dr. P. Reyes / Enero 2006
Pgina 95
CONTROL ESTADSTICO DEL PROCESO Dr. P. Reyes / Enero 2006
Pgina 96
CONTROL ESTADSTICO DEL PROCESO Dr. P. Reyes / Enero 2006
.
CAPACIDAD O HABILIDAD DEL PROCESO
LIE = 73.950
Pgina 97
CONTROL ESTADSTICO DEL PROCESO Dr. P. Reyes / Enero 2006
LSE = 74.0500
LSE LIE
Cp = (3.12)
6
Pgina 98
CONTROL ESTADSTICO DEL PROCESO Dr. P. Reyes / Enero 2006
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.
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.
Pgina 99
CONTROL ESTADSTICO DEL PROCESO Dr. P. Reyes / Enero 2006
Pgina 100
CONTROL ESTADSTICO DEL PROCESO Dr. P. Reyes / Enero 2006
Pgina 101
CONTROL ESTADSTICO DEL PROCESO Dr. P. Reyes / Enero 2006
Pgina 102
CONTROL ESTADSTICO DEL PROCESO Dr. P. Reyes / Enero 2006
Los lmites de control calculados como lmites preliminares, deben ser revisados
en forma peridica que puede ser por semana, mes o cada 25, 50 o 100 puntos
dependiendo del proceso en particular.
Es importante hacer notar que no existe ninguna relacin matemtica entre los
lmites de especificacin y los de control o los de tolerancia natural.
SUBGRUPOS RACIONALES
Para el caso de la carta de medias-rangos, los subgrupos se seleccionan de tal
forma de minimizar la variabilidad entre muestras individuales, observando slo su
Pgina 103
CONTROL ESTADSTICO DEL PROCESO Dr. P. Reyes / Enero 2006
Pgina 104
CONTROL ESTADSTICO DEL PROCESO Dr. P. Reyes / Enero 2006
LIM.SUP.NVO
LIMITES
ANTERIORES CARTA X
LIM.INF.NVO.
CARTA R
Pgina 105
CONTROL ESTADSTICO DEL PROCESO Dr. P. Reyes / Enero 2006
incremente el ancho de los lmites de control en la carta X (porque es ms
n
pequeo con n=5 que con n=3) y se reduzca la media de R y su lmite superior en
la carta R.
Pgina 106
CONTROL ESTADSTICO DEL PROCESO Dr. P. Reyes / Enero 2006
+
LSC ( ZLSC, x)
Xi
LC
( ZLIC, x)
LIC
-
LSC ( 0 k ) LIC ( 0 k )
Entonces = -
/ n / n
0 L / n ( 0 k ) 0 L / n ( 0 k )
= - (3.18)
/ n / n
= ( 3 2 5 ) - ( - 3 2 5 )
= (-1.47) - (-7.37)
= 0.0708
Pgina 107
CONTROL ESTADSTICO DEL PROCESO Dr. P. Reyes / Enero 2006
1
ARL = (3.20)
1
Por ejemplo si = 2 con n=5, slo se tienen una probabilidad del 40% de detectar
este corrimiento en cada muestra subsecuente. Por tanto la carta R tiene poca
Pgina 108
CONTROL ESTADSTICO DEL PROCESO Dr. P. Reyes / Enero 2006
ARL1 = 1 / ( 1 - ) (3.22)
Pgina 109
CONTROL ESTADSTICO DEL PROCESO Dr. P. Reyes / Enero 2006
desviacin estndar de S es 1 c 4 .
1/ 2
2 ( n / 2)
c4 (3.18)
n 1 ((n 1) / 2)
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.
LCs = c 4 LC =
Pgina 110
CONTROL ESTADSTICO DEL PROCESO Dr. P. Reyes / Enero 2006
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.
1 m
S Si
m i 1
(3.21)
__
S
(3.22)
c4
S
LSCs = S 3 1 c 42 = B4 S (3.23)
c4
LCs = S
S
LICs = S 3 1 c 42 = B3 S
c4
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
CONTROL ESTADSTICO DEL PROCESO Dr. P. Reyes / Enero 2006
S
LICx = X - 3 = X - A3 S
c4 n
n c4 A A3 B3 B4 B5 B6 .
CASO DE n VARIABLE
Pgina 112
CONTROL ESTADSTICO DEL PROCESO Dr. P. Reyes / Enero 2006
n X i i
X i 1
m (3.25)
n
i 1
i
1/ 2
(n i 1) S
i
2
S (3.26)
m
ni m
i 1
Ejemplo 3.4 Para una carta X-S con lmites variables, se
tomaron los datos siguientes, corriendo en Minitab:
X21 Subndice
74.030 1
74.002 1
74.019 1
73.992 1
74.008 1
73.995 2
73.992 2
74.001 2
73.998 3
74.024 3
74.021 3
74.005 3
74.002 3
74.002 4
73.996 4
73.993 4
74.015 4
74.009 4
73.992 5
74.007 5
74.015 5
73.998 5
74.014 5
74.009 6
73.994 6
73.997 6
73.985 6
73.995 7
74.006 7
73.994 7
74.000 7
73.985 8
74.003 8
73.993 8
74.015 8
Pgina 113
CONTROL ESTADSTICO DEL PROCESO Dr. P. Reyes / Enero 2006
73.998 8
74.008 9
73.995 9
74.009 9
74.005 9
73.998 10
74.000 10
73.990 10
74.007 10
73.995 10
73.994 11
73.998 11
73.994 11
73.995 11
73.990 11
74.004 12
74.000 12
74.007 12
74.000 12
73.996 12
73.983 13
74.002 13
73.998 13
74.006 14
73.967 14
73.994 14
74.000 14
73.984 14
74.012 15
74.014 15
73.998 15
74.000 16
73.984 16
74.005 16
73.998 16
73.996 16
73.994 17
74.012 17
73.986 17
74.005 17
74.006 18
74.010 18
74.018 18
74.003 18
74.000 18
73.984 19
74.002 19
74.003 19
74.005 19
73.997 19
74.000 20
74.010 20
74.013 20
73.998 21
74.001 21
74.009 21
74.005 21
Pgina 114
CONTROL ESTADSTICO DEL PROCESO Dr. P. Reyes / Enero 2006
73.996 21
74.004 22
73.999 22
73.990 22
74.006 22
74.009 22
74.010 23
73.989 23
73.990 23
74.009 23
74.014 23
74.015 24
74.008 24
73.993 24
74.000 24
74.010 24
73.982 25
73.984 25
73.995 25
74.017 25
74.13 25
.
Test Results for S Chart
TEST 1. One point more than 3.00 sigmas from center line.
Test Failed at points: 22 Debe identificarse la causa y tomar accin preventiva.
Pgina 115
CONTROL ESTADSTICO DEL PROCESO Dr. P. Reyes / Enero 2006
LSCX = 74.015
LCX = 74.001
LICX = 73.987
Para la carta S
LSCS = 0.020
LCS = 0.0098
LICS = 0
ESTIMACIN DE
S
c4
Para el ejemplo:
S
= 0.0094 / 0.94 = 0.01, tomando el valor de c 4 para
c4
n=5.
Pgina 116
CONTROL ESTADSTICO DEL PROCESO Dr. P. Reyes / Enero 2006
MR
LSCx = X 3
d2
__
LCx = X (3.27)
MR
LICx = X 3
d2
n=2
Pgina 117
CONTROL ESTADSTICO DEL PROCESO Dr. P. Reyes / Enero 2006
. X-ind. No.Lote
33.75 1
33.05 2
34.00 3
33.81 4
33.46 5
34.02 6
33.68 7
33.27 8
33.49 9
33.20 10
33.62 11
33.00 12
33.54 13
33.12 14
33.84 15
Pgina 118
CONTROL ESTADSTICO DEL PROCESO Dr. P. Reyes / Enero 2006
Las cartas por atributos tiene la ventaja que consideran varias caractersticas a la
vez clasificando la unidad como conforme o no conforme, si no cumple alguna de
esas caractersticas. Por otra parte si esas caractersticas se controlan como
variables, debe llevarse una carta de control para cada una de esas
caractersticas, lo cual es ms laborioso, otra alternativa es el C.E.P. multivariado.
Las cartas por variables proporcionan mayor informacin del proceso que las de
atributos, tal como la media del proceso y su variabilidad, tambin proporcionan
informacin para realizar estudios de capacidad de los procesos.
Las cartas por variables permiten tomar acciones cuando se presentan situaciones
fuera de control, antes de que se produzcan artculos no conformes, lo que no
sucede con las cartas por atributos hasta que el proceso genere ms
disconformes.
LIE 1 2 3 LSE
Reaccin de carta X-R Reaccin de carta p
Pgina 119
CONTROL ESTADSTICO DEL PROCESO Dr. P. Reyes / Enero 2006
3(2)
50 52
n
donde n=9,
Pgina 120
CONTROL ESTADSTICO DEL PROCESO Dr. P. Reyes / Enero 2006
2
k
n p (1 p )
n = 79.23 80
Se sugiere lo siguiente:
1. Determinar cual es la caracterstica a controlar.
2. Seleccionar un tipo de carta de control.
3. Identificar el proceso donde se implantarn las cartas de control.
4. Tomar acciones para mejorar el proceso, como resultado de la aplicacin de la
carta de control.
5. Seleccionar el sistema de coleccin de datos y software de C.E.P.
Pgina 121
CONTROL ESTADSTICO DEL PROCESO Dr. P. Reyes / Enero 2006
Pgina 122
CONTROL ESTADSTICO DEL PROCESO Dr. P. Reyes / Enero 2006
Pgina 123
CONTROL ESTADSTICO DEL PROCESO Dr. P. Reyes / Enero 2006
Pgina 124
CONTROL ESTADSTICO DEL PROCESO Dr. P. Reyes / Enero 2006
Pgina 125
CONTROL ESTADSTICO DEL PROCESO Dr. P. Reyes / Enero 2006
Di
pi (4.1)
ni
__
p (4.2)
p(1 p )
2p (4.3)
n
que mide una caracterstica de calidad, con media w y varianza w , los lmites
2
de control son:
LSC = w + Lw
LC = w (4.4)
LIC = w - Lw
Pgina 126
CONTROL ESTADSTICO DEL PROCESO Dr. P. Reyes / Enero 2006
__ __
LSCp = p 3 p (1 p )
__
n
__
LCp = p (4.5)
__ __
LICp = p 3 p (1 p )
__
pi = D i / n i = 1, 2, 3,....., m (4.6)
m m
Di p i
(4.7)
p i 1
i 1
mn m
Pgina 127
CONTROL ESTADSTICO DEL PROCESO Dr. P. Reyes / Enero 2006
p (1 p )
LSC p p 3 (4.5) anterior
n
LC p p
p (1 p )
LIC p p 3
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.
Pgina 128
CONTROL ESTADSTICO DEL PROCESO Dr. P. Reyes / Enero 2006
8 9 23 24
9 14 24 15
10 10 25 9
11 5 26 12
12 6 27 7
13 17 28 13
14 12 29 9
15 22 30 6
Di p i
=
347
= 0.2313
p i 1
i 1 (30)(50)
mn m
Los lmites de control usando Minitab son:
LSCp = 0.4102
LCp = 0.2313
LICp = 0.0524
LSCp = 0.3893
Pgina 129
CONTROL ESTADSTICO DEL PROCESO Dr. P. Reyes / Enero 2006
LCp = 0.2150
LICp = 0.0407
Pgina 130
CONTROL ESTADSTICO DEL PROCESO Dr. P. Reyes / Enero 2006
Pgina 131
CONTROL ESTADSTICO DEL PROCESO Dr. P. Reyes / Enero 2006
H0: p1 = p2
H1: p1 > p2
m m
D i p i
=
133
133
0.1108
p2 i 31
i 31 (50)(24) 1200
mn m
p1 p 2
Z0 n1 p1 n 2 p 2
n1 n 2 con p
p (1 p ) n1 n 2
n1n 2
por tanto:
(1400)(0.2150) (1200)(0.118)
p 0.1669
1400 1200
0.2150 0.1108
Z0 7.10
1 1
(0.1669)(0.8331)
1400 1200
Pgina 132
CONTROL ESTADSTICO DEL PROCESO Dr. P. Reyes / Enero 2006
Usando slo los ltimos 24 puntos para calcular nuevos lmites se tiene:
LSCp = 0.2440
LCp = 0.1108
LICp = -0.0224 = 0
Pgina 133
CONTROL ESTADSTICO DEL PROCESO Dr. P. Reyes / Enero 2006
Es muy importante que para identificar fcilmente las causas asignables, se lleve
una bitcora de cambios, donde se anote cada cambio que ocurra,
independientemente que afecte o no al proceso.
Mtodo 1.
El tamao de muestra n se escoge de tal forma que la probabilidad de encontrar al
menos una unidad no conforme por muestra sea al menos .
Mtodo 2.
Duncan sugiere que el tamao de muestra debe ser tal que se tenga
aproximadamente un 50% de probabilidad de detectar el corrimiento de la media
de un proceso en una cierta cantidad.
Pgina 134
CONTROL ESTADSTICO DEL PROCESO Dr. P. Reyes / Enero 2006
p (1 p )
L (4.8)
n
2
L
n p (1 p ) (4.9)
2
3
n= (0.01)(0.99) 56
0.04
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:
p (1 p )
LIC p p L 0 (4.10)
n
Implica que,
(1 p ) 2
n L (4.11)
p
Pgina 135
CONTROL ESTADSTICO DEL PROCESO Dr. P. Reyes / Enero 2006
0.95
n (3) 2 171
0.05
Pgina 136
CONTROL ESTADSTICO DEL PROCESO Dr. P. Reyes / Enero 2006
LSC np np 3 np (1 p )
LC np np (4.12)
LIC np np 3 np (1 p )
Pgina 137
CONTROL ESTADSTICO DEL PROCESO Dr. P. Reyes / Enero 2006
Pgina 138
CONTROL ESTADSTICO DEL PROCESO Dr. P. Reyes / Enero 2006
25
D i
234
p i 1
25
0.096
2450
n
i 1
i
LC = 0.096
(0.096)(0.904)
LICp= p 3 p 0.096 3
ni
Pgina 139
CONTROL ESTADSTICO DEL PROCESO Dr. P. Reyes / Enero 2006
En este caso, se toma el promedio de los tamaos de muestra para calcular los
lmites de control aproximados, se asume que los tamaos de muestra no diferirn
en forma apreciable de los observados, aqu los lmites de control son constantes.
Si existen grandes diferencias mayores al promedio ms o menos 25%, este
mtodo no es adecuado.
m
n i
2450
n i 1
98
m 25
(0.096)(0.904)
LSCp= p 3 p 0.096 3 0.185
98
LC = 0.096
(0.096)(0.904)
LICp= p 3 p 0.096 3 0.007
98
Otra vez de la grfica se observa que el punto 11 est fuera de control.
Pgina 140
CONTROL ESTADSTICO DEL PROCESO Dr. P. Reyes / Enero 2006
pi p
Zi
p (1 p ) (4.13)
ni
Pgina 141
CONTROL ESTADSTICO DEL PROCESO Dr. P. Reyes / Enero 2006
Pgina 142
CONTROL ESTADSTICO DEL PROCESO Dr. P. Reyes / Enero 2006
P{D 18 p} P{D 1 p}
Pgina 143
CONTROL ESTADSTICO DEL PROCESO Dr. P. Reyes / Enero 2006
Pgina 144
CONTROL ESTADSTICO DEL PROCESO Dr. P. Reyes / Enero 2006
ARL0 = 1 /
ARL1 = 1 / (1 - )
Pgina 145
CONTROL ESTADSTICO DEL PROCESO Dr. P. Reyes / Enero 2006
Pgina 146
CONTROL ESTADSTICO DEL PROCESO Dr. P. Reyes / Enero 2006
LSCc = c +3 c
LCc = c (4.16)
LICc = c - 3 c en el caso que sea negativo toma el valor cero.
LSCc = c + 3 c
LCc = c (4.17)
LICc = c - 3 c en el caso que sea negativo toma el valor cero
Donde,
LSC = 33.22
LC = 516 / 26 = 19.85 = c
Pgina 147
CONTROL ESTADSTICO DEL PROCESO Dr. P. Reyes / Enero 2006
LIC = 6.48
Pgina 148
CONTROL ESTADSTICO DEL PROCESO Dr. P. Reyes / Enero 2006
No Conformidades 1
16 18
18 21
12 16
15 22
24 19
21 12
28 14
20 9
25 16
19 21
Pgina 149
CONTROL ESTADSTICO DEL PROCESO Dr. P. Reyes / Enero 2006
Pgina 150
CONTROL ESTADSTICO DEL PROCESO Dr. P. Reyes / Enero 2006
Mtodo 1. Con nc
En este caso tanto la lnea central como los lmites de control se modifican por el
factor n, quedando como sigue ( c es la media de las no conformidades
observada en la unidad de inspeccin anterior):
Pgina 151
CONTROL ESTADSTICO DEL PROCESO Dr. P. Reyes / Enero 2006
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:
LC nc nc = (2.5)(19.67) = 49.18
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:
c
u (4.19)
n
u
LSC u u 3
n
LC u u (4.20)
u
LSC u u 3
n
Pgina 152
CONTROL ESTADSTICO DEL PROCESO Dr. P. Reyes / Enero 2006
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
__
Suma.de.no.conformidades
u
Suma.de.unidades.inspeccionadas
u =38.60 / 20 = 1.93
LSC = 3.79
LIC = 0.07
Pgina 153
CONTROL ESTADSTICO DEL PROCESO Dr. P. Reyes / Enero 2006
LC u u (4.21)
u
LSC ui u 3
ni
Pgina 154
CONTROL ESTADSTICO DEL PROCESO Dr. P. Reyes / Enero 2006
Unid.Insp. No Conf.
10.0 14
8.0 12
13.0 20
10.0 11
9.5 7
10.0 10
12.0 21
10.5 16
12.0 19
12.5 23
153
La lnea central es u 1.42
107.5
Donde u = Total de defectos observados / Total de unidades
de inspeccin
Pgina 155
CONTROL ESTADSTICO DEL PROCESO Dr. P. Reyes / Enero 2006
m
ni
n (4.22)
i 1 m
ui u
Zi
u (4.23)
ni
Pgina 156
CONTROL ESTADSTICO DEL PROCESO Dr. P. Reyes / Enero 2006
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:
Pgina 157
CONTROL ESTADSTICO DEL PROCESO Dr. P. Reyes / Enero 2006
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:
n
nmero de Demritos por unidad es (con d
i 1
i nmero total de demritos en
ui = D / n = d
i 1
i
(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,
u 100u A 50u B 10u C 1u D (4.27)
1/ 2
(100) 2 u A (50) 2 u B (10) 2 u C (1) 2 u D
y u (4.28)
n
Pgina 158
CONTROL ESTADSTICO DEL PROCESO Dr. P. Reyes / Enero 2006
La curva caracterstica de operacin (OC) puede ser obtenida tanto para la carta c
como para la carta u a partir de la distribucin de Poisson.
Pgina 159
CONTROL ESTADSTICO DEL PROCESO Dr. P. Reyes / Enero 2006
Pgina 160
CONTROL ESTADSTICO DEL PROCESO Dr. P. Reyes / Enero 2006
P{ x LSC u} P{ x LIC u}
Pgina 161
CONTROL ESTADSTICO DEL PROCESO Dr. P. Reyes / Enero 2006
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.
Por tanto se construye una carta de control para x, asumiendo que x sigue una
distribucin normal.
Pgina 162
CONTROL ESTADSTICO DEL PROCESO Dr. P. Reyes / Enero 2006
Pgina 163
CONTROL ESTADSTICO DEL PROCESO Dr. P. Reyes / Enero 2006
R
RS (5.1)
Ri
Pgina 164
CONTROL ESTADSTICO DEL PROCESO Dr. P. Reyes / Enero 2006
Sd 2
estimar de con R i c4 sus lmites de control son D3 y D4. Para la media
graficar,
S x Ti
x (5.2)
Ri
npi n p
Carta np Zi
n p(1 p )
(5.3)
ci c
Carta c Zi
c
ui u
Carta u Zi
u/n
Pgina 165
CONTROL ESTADSTICO DEL PROCESO Dr. P. Reyes / Enero 2006
LIEsp. |--- 6 ---| LSEsp.
LIE I S LSE
Z Z
/ n
LIC LSC
Z
nn
Pgina 166
CONTROL ESTADSTICO DEL PROCESO Dr. P. Reyes / Enero 2006
Donde:
I LIE Z (5.4)
S LSE Z
Z Z
LSC S LSE Z (5.5)
n n
Z Z
LIC I LIE Z
n n
En las cartas modificadas, es una fraccin no conforme que se acepta con una
probabilidad (1-). Si la variabilidad del proceso cambia, stas cartas no son
apropiadas, de tal forma que se recomienda siempre usar en forma adicional una
carta R o S, de donde incluso se estime la inicial.
En este caso se toma en cuenta ambos errores tipo I y tipo II, ya sea de rechazar
un proceso que opera en forma satisfactoria o de aceptarlo si opera en forma
insatisfactoria.
Pgina 167
CONTROL ESTADSTICO DEL PROCESO Dr. P. Reyes / Enero 2006
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:
Z Z
LSC S LSE Z (5.5)
n n
Z Z
LIC I LIE Z
n n
Z Z
LSC LSE Z = LSE Z
n n
Se obtiene
2
Z Z
n (5.6)
Z Z
2
3.00 0.84
n
2.33 1.645
Pgina 168
CONTROL ESTADSTICO DEL PROCESO Dr. P. Reyes / Enero 2006
LSE =0.025
LSE-1.96
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
CONTROL ESTADSTICO DEL PROCESO Dr. P. Reyes / Enero 2006
LSE
_
X
LSE-3x
LIE+3x
LIE
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
CONTROL ESTADSTICO DEL PROCESO Dr. P. Reyes / Enero 2006
1. Dibujando una lnea central que pase por los puntos graficados y estimando en
forma grfica la pendiente.
2. Utilizando la tcnica de mnimos cuadrados, donde si se tienen un total de m
muestras con el nmero de muestra i = 1,2,3..m la pendiente b es (los datos
se pueden codificar para facilidad):
(5.7)
2 LSE 3 x LSE 3R / d 2
M* = ( 1, - 2 ) / b (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:
_
Los lmites de control se encuentran a una distancia vertical A2 R de la lnea
central.
Pgina 171
CONTROL ESTADSTICO DEL PROCESO Dr. P. Reyes / Enero 2006
Muestra i 1 2 3 4 5 6 7
8
_
1.15530, 1.15540,1.15544, 1.15546, 1.15550, 1.15556, 1.15568,
Xi
1.15570,
Muestra 9 10 11 12 13
_
X i 1.15576, 1.15578, 1.15580, 1.15586, 1.15590
Ri 0.00010, 0.00020, 0.00020, 0.00010, 0.00020
b = 0.0000492
Pendiente b
LSC
1,
LIC
LIE
Pgina 172
CONTROL ESTADSTICO DEL PROCESO Dr. P. Reyes / Enero 2006
En la carta de pre control hay un 1/14 de probabilidad de que una parte caiga en
la zona amarilla y de 1/196 de que caigan dos consecutivas en sta zona, en este
caso se considera que el proceso se sali de control.
Pgina 173
CONTROL ESTADSTICO DEL PROCESO Dr. P. Reyes / Enero 2006
Ventajas:
Pre-control es una tcnica simple que a diferencia con el control estadstico del
proceso (CEP) no requiere de grficas de control, ni de cmputos.
Desventajas:
No existen grficas de control, por lo tanto, las reglas y procedimientos para
reconocer patrones de fallas no pueden ser usados. Dado que se requiere una
cantidad muy pequea de muestras, es riesgoso inferir sobre la totalidad del
proceso. Finalmente, Pre-control no proporciona informacin suficiente para
someter el proceso bajo control o para reducir la variabilidad. Asume que el
proceso es hbil y que es normal.
Recomendaciones:
Pre-control slo debe ser usado cuando la capacidad del proceso (Cp) 29 es mayor
que uno (algunos textos recomiendan como mnimo Cp=2) 30, y cuando se han
alcanzado cero defectos en el proceso.
29
C p USL LSL , donde USL = Upper Specification Limit y LSL = Lower Specification Limit.
6
30
Montogomery, Douglas C. Statistical Quality Control, John Wiley & Sons, Inc., 1991, pp. 332-334.
Pgina 174
CONTROL ESTADSTICO DEL PROCESO Dr. P. Reyes / Enero 2006
0 1 1 3 1
4 2 4
Pgina 175
CONTROL ESTADSTICO DEL PROCESO Dr. P. Reyes / Enero 2006
Notas:
1. Si cinco unidades estn dentro de los lmites de Pre-control, cambie a
verificacin intermitente.
2. Cuando se encuentre en verificacin intermitente, no ajuste el proceso hasta
que una unidad exceda algn lmite de Pre-control. Examine la siguiente
unidad, y proceda en A.
3. Si se reinicia el proceso, al menos cinco unidades consecutivas deben caer
dentro de los lmites de pre-control para cambiar a verificacin intermitente.
4. Si el operador toma ms de 25 muestras sin reiniciar el proceso, reduzca la
frecuencia de las verificaciones.
Pgina 176
CONTROL ESTADSTICO DEL PROCESO Dr. P. Reyes / Enero 2006
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
_
de medias X y el R , los lmites de control se calculan como en una
_ _
LICX = X - A2 R LICR = D3 R (5.10)
_ _
LSCX = X + A2 R 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
CONTROL ESTADSTICO DEL PROCESO Dr. P. Reyes / Enero 2006
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:
s r 1
ARL0 (5.11)
s 1
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.
CUSUM NORMAL
Pgina 178
CONTROL ESTADSTICO DEL PROCESO Dr. P. Reyes / Enero 2006
i
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.
C i max 0, xi ( 0 K ) C i1 (5.13)
C i max0, ( 0 K ) xi C i1 (5.14)
Pgina 179
CONTROL ESTADSTICO DEL PROCESO Dr. P. Reyes / Enero 2006
C i max 0, xi 10.5 C i1
C i max 0,9.5 x i C i1
Pgina 180
CONTROL ESTADSTICO DEL PROCESO Dr. P. Reyes / Enero 2006
Ci
0 K , si C i H (5.16)
N
Ci , si (5.17)
0 K Ci H
N
En el ejemplo, en el periodo 29 con C 29 = 5.28, la nueva media del proceso
es,
5.28
10 0.5 11.25
7
Esto es importante saberlo, por si el proceso tiene alguna forma de ajuste.
Pgina 181
CONTROL ESTADSTICO DEL PROCESO Dr. P. Reyes / Enero 2006
debe remplazar a xi por xi y por la x = , aunque se recomienda usar un
n
La carta Cusum tabular tambin se puede utilizar para un solo lado con C + o C-.
EL PROCEDIMIENTO DE LA MASCARILLA EN V
i
C i y j y i C i 1 (5.18)
j 1
Ci
O d P
2A
1A
1 2 3 4 5 ............................................. i
Pgina 182
CONTROL ESTADSTICO DEL PROCESO Dr. P. Reyes / Enero 2006
k = A tan () (5.19)
y
h = A d tan () = d.k (5.20)
Pgina 183
CONTROL ESTADSTICO DEL PROCESO Dr. P. Reyes / Enero 2006
25
20
Cumulative Sum
15
10
0 Target=0
2 4 6 8 10 12 14 16 18 20 22 24
Sample
Johnson y Leone han sugerido un mtodo para disear una mascarilla en V, con
las frmulas siguientes:
tan 1 (5.21)
2A
y
2 1
d 2
ln (5.22)
ln( )
d cuando es muy pequeo.
Pgina 184
CONTROL ESTADSTICO DEL PROCESO Dr. P. Reyes / Enero 2006
2 1 0.05
d 2
ln = 5.888
1 0.05
1
tan 1 26.56
2
z i xi (1 ) z i 1
(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
CONTROL ESTADSTICO DEL PROCESO Dr. P. Reyes / Enero 2006
zi2
1 (1 )
2i
(5.24)
2
Por tanto los lmites de control de zi versus el nmero de muestra o tiempo i, son:
1 (1 )
LSC 0 L 2i
(5.25)
2
LC 0 (5.26)
1 (1 )
LIC 0 L 2i
(5.27)
2
Pgina 186
CONTROL ESTADSTICO DEL PROCESO Dr. P. Reyes / Enero 2006
Esta carta no reacciona a cambios grandes de la media tan rpido como la hace la
carta de Shewart, este mismo comportamiento lo tienen tiene la carta Cususm.
1.5
1.0
__
EWMA
0.5 X=0.442
0.0
-0.5
-1.0 LCL=-0.978
2 4 6 8 10 12 14 16 18 20 22 24
Sample
Pgina 187
CONTROL ESTADSTICO DEL PROCESO Dr. P. Reyes / Enero 2006
xi xi 1 ..... xi w1
Mi (5.31)
w
Los lmites de control son:
3
LSC 0 (5.32)
w
LC 0 (5.33)
3
LIC 0 (5.34)
w
xi xi 1 ....xi 4
Mi (5.35)
5
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 (1.0) / 51/2 = 11.34
LSC = 10 - 3 (1.0) / 51/2 = 8.66
3 UCL=2.900
2
Moving Average
1 __
X=0.442
0
-1
-2 LCL=-2.017
-3
-4
2 4 6 8 10 12 14 16 18 20 22 24
Sample
Pgina 188
CONTROL ESTADSTICO DEL PROCESO Dr. P. Reyes / Enero 2006
6.1 INTRODUCCIN
Las tcnicas estadsticas ayudan durante el ciclo del producto a reducir la
variabilidad y a mejorar la capacidad de los procesos.
Definiciones bsicas.
Proceso: ste se refiere a alguna combinacin nica de mquinas,
herramientas, mtodos, materiales y personas involucradas en la
produccin.
Capacidad o habilidad: Esta palabra se usa en el sentido de aptitud, basada
en el desempeo probado, para lograr resultados que se puedan medir.
Capacidad del proceso: Es la aptitud del proceso para producir productos
dentro de los lmites de especificaciones de calidad.
Capacidad medida: Esto se refiere al hecho de que la capacidad del
proceso se cuantifica a partir de datos que, a su vez, son el resultado de la
medicin del trabajo realizado por el proceso.
Capacidad inherente: Se refiere a la uniformidad del producto que resulta
de un proceso que se encuentra en estado de control estadstico, es decir,
en ausencia de causas especiales o atribuibles de variacin.
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.
Valor Nominal: Las caractersticas de calidad tienen un valor ideal ptimo
que es el que desearamos que tuvieran todas las unidades fabricadas pero
que no se obtiene, aunque todo funcione correctamente, debido a la
existencia de la variabilidad natural.
Pgina 189
CONTROL ESTADSTICO DEL PROCESO Dr. P. Reyes / Enero 2006
Los lmites de tolerancia natural del proceso, superior (LTNS) e inferior (LTNI) , se
encuentran en 3 , o sea:
LTNS = + 3 (6.1)
LTNI = - 3
Pgina 190
CONTROL ESTADSTICO DEL PROCESO Dr. P. Reyes / Enero 2006
Existen diversas tcnicas para evaluar la capacidad del proceso, entre las que se
encuentran: Histogramas o papel de probabilidad, cartas de control y
experimentos diseados.
Pgina 191
CONTROL ESTADSTICO DEL PROCESO Dr. P. Reyes / Enero 2006
31
J.M. Juran, Anlisis y planeacin de la Calidad, Tercera Edicin Mc. Graw Hill, Pp.404
Pgina 192
CONTROL ESTADSTICO DEL PROCESO Dr. P. Reyes / Enero 2006
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 de tal manera que los datos
considerados, slo son los que se obtuvieron del subgrupo racional. Ayuda a
determinar subgrupos racionales importantes.
Pgina 193
CONTROL ESTADSTICO DEL PROCESO Dr. P. Reyes / Enero 2006
Z st
lmite especif . nom.
(6.1)
desv.std ST
lmite especif . media
Z LT
desv.std LT
dnde:
Zlt = Zst-1.5shift
Pgina 194
CONTROL ESTADSTICO DEL PROCESO Dr. P. Reyes / Enero 2006
LSE LIE
Cp PCR (6.2)
6
R
0.0099 por tanto se tiene:
d2
1
P 100 (6.3)
Cp
Pgina 195
CONTROL ESTADSTICO DEL PROCESO Dr. P. Reyes / Enero 2006
LIE
Cpi PCR I para el lmite inferior
3
264 200 64
Cp PCR I 0.67
3(32) 96
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
CONTROL ESTADSTICO DEL PROCESO Dr. P. Reyes / Enero 2006
LIE
Cpi PCR I para el lmite inferior
3
Pgina 197
CONTROL ESTADSTICO DEL PROCESO Dr. P. Reyes / Enero 2006
62 53
Cps PCRS 1.5 para el lmite superior
32
53 38
Cpi PCR I 2.5 para el lmite inferior
32
Pgina 198
CONTROL ESTADSTICO DEL PROCESO Dr. P. Reyes / Enero 2006
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
CONTROL ESTADSTICO DEL PROCESO Dr. P. Reyes / Enero 2006
Dos procesos pueden tener un Cpk igual a uno, pero sin embargo no necesariamente estn
centrados respecto a la media de las especificaciones como se muestra a continuacin:
1
Si T ( LSE LIE ) (6.7)
2
2 ( T ) 2 (6.8)
T
(6.9)
Se tiene,
LSE LIE LSE LIE LSE LIE
Cp km PCRkm (6.10)
6 6 ( T )
2 2
1 2
Una condicin necesaria para que Cpkm sea mayor de uno es:
1
T ( LSE LIE )
6
Pgina 200
CONTROL ESTADSTICO DEL PROCESO Dr. P. Reyes / Enero 2006
1
Entonces Cpkm (A) = 1.0
1 0
2
Cpkm (B) = 0.63
1 (3) 2
Cpk
Cp pmk PCR pmk (6.11)
1 2
6.2.1 HISTOGRAMA
Procedimiento:
1. Seleccionar un proceso especfico para realizar el estudio
2. Seleccionar las condiciones de operacin del proceso
3. Seleccionar un operador entrenado
4. El sistema de medicin debe tener habilidad (error R&R < 10%)
5. Cuidadosamente recolectar la informacin
6. Construir un histograma de frecuencia con los datos
7. Calcular la media y desviacin estndar del proceso
Pgina 201
CONTROL ESTADSTICO DEL PROCESO Dr. P. Reyes / Enero 2006
Pgina 202
CONTROL ESTADSTICO DEL PROCESO Dr. P. Reyes / Enero 2006
X 264.06 S = 32.02
264 96 psi.
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
CONTROL ESTADSTICO DEL PROCESO Dr. P. Reyes / Enero 2006
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
Pgina 204
CONTROL ESTADSTICO DEL PROCESO Dr. P. Reyes / Enero 2006
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
CONTROL ESTADSTICO DEL PROCESO Dr. P. Reyes / Enero 2006
pn2 PAPNOR
271 197
275 200
277 215
278 221
280 231
283 242
290 245
301 258
318 265
346 265
Pgina 206
CONTROL ESTADSTICO DEL PROCESO Dr. P. Reyes / Enero 2006
En casos especiales como estos donde las variaciones presentes son totalmente
inesperadas tenemos un proceso inestable impredecible.
?
? ?
? ?
? ?
Pgina 207
CONTROL ESTADSTICO DEL PROCESO Dr. P. Reyes / Enero 2006
Prediccin
Tiempo
R S
(Para cartas de control X-R y X-S respectivamente)
d2 C4
Donde,
Pgina 208
CONTROL ESTADSTICO DEL PROCESO Dr. P. Reyes / Enero 2006
x media de medias
R 77.3
33.23
d 2 2.326
200 264.06
El C pk = 0.64 por tanto el proceso no cumple con las
3 33.23
especificaciones.
x 100
Pgina 209
CONTROL ESTADSTICO DEL PROCESO Dr. P. Reyes / Enero 2006
s 1.05
= 1.117
C4 .094
105 100
El C pk 1.492
3 1.117
105 85
El C p 2.984
6 1.117
Generar 100 datos aleatorios en Minitab con Media = 264.6 y Desviacin estndar
S = 32.02 con
Nos aseguramos que los datos se distribuyan normalmente con la prueba de Ryan
como sigue:
Pgina 210
CONTROL ESTADSTICO DEL PROCESO Dr. P. Reyes / Enero 2006
El P value debe ser mayor a 0.05 para que los datos se distribuyan normalmente
Los puntos deben quedar dentro del intervalo de confianza para indicar que es
normal la distribucin.
Pgina 211
CONTROL ESTADSTICO DEL PROCESO Dr. P. Reyes / Enero 2006
Pgina 212
CONTROL ESTADSTICO DEL PROCESO Dr. P. Reyes / Enero 2006
Interpretacin:
Pgina 213
CONTROL ESTADSTICO DEL PROCESO Dr. P. Reyes / Enero 2006
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
Cuando los datos provienen de poblaciones no normales una opcin para realizar
el estudio de capacidad de procesos es mediante la distribucin Weibull.
Ejemplo en Minitab
Pgina 214
CONTROL ESTADSTICO DEL PROCESO Dr. P. Reyes / Enero 2006
Generar 100 datos aleatorios en Minitab con Factor de forma = 1, Factor de escala
= 1 con
Pgina 215
CONTROL ESTADSTICO DEL PROCESO Dr. P. Reyes / Enero 2006
El ndice Ppk y Ppu32 = 0.85 lo cual nos dice que el desempeo del proceso no es
capaz ya que 0.85<.1.33
Tambin observamos que PPM > USL 3,795 lo cual significa que
aproximadamente 3,795 PPM estarn fuera de los lmites de especificaciones.
Pgina 216
CONTROL ESTADSTICO DEL PROCESO Dr. P. Reyes / Enero 2006
total
2
2producto equipo
2
. medicin (6.13)
Pgina 217
CONTROL ESTADSTICO DEL PROCESO Dr. P. Reyes / Enero 2006
Pgina 218
CONTROL ESTADSTICO DEL PROCESO Dr. P. Reyes / Enero 2006
P 6 instrumento
(6.14)
T LSE LIE
P 6(0.887) 5.32
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.
total
2
S2
2producto total
2
instrument
2
o
Pgina 219
CONTROL ESTADSTICO DEL PROCESO Dr. P. Reyes / Enero 2006
total
2
S 2 = 3.17 x 3.17 = 10.05
2producto total
2
instrument
2
o = 10.05 0.79 = 9.26
= 3.04
instrumento
x100 (6.15)
producto
error
2
.medicin repetibili dad reproducib ilidad
2 2
(6.16)
Pgina 220
CONTROL ESTADSTICO DEL PROCESO Dr. P. Reyes / Enero 2006
PARTS OP1IN1 OP1IN2 RANGO1 OP2IN1 OP2IN2 RANGO2 OP3IN1 OP3IN2 RANGO3
1 21 20 1 20 20 0 19 21 2
2 24 23 1 24 24 0 23 24 1
3 20 21 1 19 21 2 20 22 2
4 27 27 0 28 26 2 27 28 1
5 19 18 1 19 18 1 18 21 3
6 23 21 2 24 21 3 23 22 1
7 22 21 1 22 24 2 22 20 2
8 19 17 2 18 20 2 19 18 1
9 24 23 1 25 23 2 24 24 0
10 25 23 2 26 25 1 24 25 1
11 21 20 1 20 20 0 21 20 1
12 18 19 1 17 19 2 18 19 1
13 23 25 2 25 25 0 25 25 0
14 24 24 0 23 25 2 24 25 1
15 29 30 1 30 28 2 31 30 1
16 26 26 0 25 26 1 25 27 2
17 20 20 0 19 20 1 20 20 0
18 19 21 2 19 19 0 21 23 2
19 25 26 1 25 24 1 25 25 0
20 19 19 0 18 17 1 19 17 2
1 1
R ( R 1 R 2 R 3 ) (1.0 1.25 1.20) 1.15
3 3
R 1.15
repetibili dad 1.02 tomando d2 para n=2 lecturas
d2 1.128
x max max ( x 1 , x 2 , x 3 )
x min min( x 1 , x 2 , x 3 )
R x x max x min
Pgina 221
CONTROL ESTADSTICO DEL PROCESO Dr. P. Reyes / Enero 2006
Rx
reproducib ilidad
d2 considerando el nmero de operadores.
instrumento.medicin = 1.04
%Contribution
Source Variance (of Variance)
Pgina 222
CONTROL ESTADSTICO DEL PROCESO Dr. P. Reyes / Enero 2006
Pgina 223
CONTROL ESTADSTICO DEL PROCESO Dr. P. Reyes / Enero 2006
Variacin
Variacin deldel proceso,
proceso, real
real Variacin de la medicin
Calibracin
Pgina 224
CONTROL ESTADSTICO DEL PROCESO Dr. P. Reyes / Enero 2006
Definiciones
Reproducibilidad: Es la variacin, entre promedios de las mediciones hechas
por diferentes operadores que utilizan un mismo instrumento de medicin
cuando miden las mismas caractersticas en una misma parte.
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
CONTROL ESTADSTICO DEL PROCESO Dr. P. Reyes / Enero 2006
Valor verdadero:
Valor correcto terico / estndares NIST33
Exactitud :
Es la diferencia entre el promedio del nmero de medidas y el valor verdadero.
T i e m p o 2
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 m p o 1
Pgina 226
CONTROL ESTADSTICO DEL PROCESO Dr. P. Reyes / Enero 2006
Valor Valor
verdadero verdadero
Sesgo Sesgo
Menor mayor
verdadero. Error sistemtico o desviacin.
V a lo r
V e rd a d e ro
S e s g o
Pgina 227
CONTROL ESTADSTICO DEL PROCESO Dr. P. Reyes / Enero 2006
<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
CONTROL ESTADSTICO DEL PROCESO Dr. P. Reyes / Enero 2006
Es un mtodo que proporciona un valor aproximado del error R&R sin que muestre
las diferencias entre errores por el equipo y por los operadores.
Se usan dos evaluadores y cinco partes. Cada evaluador mide cada parte una
sola vez.
Pgina 229
CONTROL ESTADSTICO DEL PROCESO Dr. P. Reyes / Enero 2006
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
CONTROL ESTADSTICO DEL PROCESO Dr. P. Reyes / Enero 2006
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.
I.
Mtodo de Promedios- Rango
Permite separar en el sistema de medicin lo referente a la Reproducibilidad y
a la Repetibilidad.
Los clculos son ms fciles de realizar.
Pgina 231
CONTROL ESTADSTICO DEL PROCESO Dr. P. Reyes / Enero 2006
x 22.3
R 1 .0
Pgina 232
CONTROL ESTADSTICO DEL PROCESO Dr. P. Reyes / Enero 2006
R 1
medicin = 0.887
d 2 1.128
donde:
R = Rango promedio
d2 = Valor de tablas.
P 6 medicin
T USL LSL
P 5.32
0.097 .
T 55
Pgina 233
CONTROL ESTADSTICO DEL PROCESO Dr. P. Reyes / Enero 2006
RECOLECCIN DE DATOS
OPERADOR A.-
columna 1 columna 2 columna 3 columna 4 Promedio
Muestra 1er Intento 2do Intento 3er Intento Rango X
1 0.0045 0.0045 0.0045 - 0.0045
2 0.0045 0.0055 0.0045 0.0010 0.0048
3 0.0045 0.0045 0.0045 - 0.0045
4 0.0050 0.0050 0.0045 0.0005 0.0048
5 0.0045 0.0045 0.0045 - 0.0045
6 0.0050 0.0055 0.0045 0.0010 0.0050
7 0.0050 0.0045 0.0045 0.0005 0.0047
8 0.0050 0.0050 0.0050 - 0.0050
9 0.0050 0.0045 0.0050 0.0005 0.0048
10 0.0040 0.0040 0.0040 - 0.0040
Totales 0.0470 0.0475 0.0455 0.0035 0.0467
Suma 0.1400 RA : 0.00035
XA : 0.004666667
RA : 0.00035 # Intentos D4
Pgina 234
CONTROL ESTADSTICO DEL PROCESO Dr. P. Reyes / Enero 2006
RB : 0.0004 3 2.58
RC : 0.0005
SUM: 0.00125 LSCR = R x D4
R: 0.000416667 LSCR = 0.001075
Pgina 235
CONTROL ESTADSTICO DEL PROCESO Dr. P. Reyes / Enero 2006
A2
LSCX = X + A2 R = 1.023
LSCX = 0.005142917
LICX = X - A2 R
LICX = 0.0043
RANGOS
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
CONTROL ESTADSTICO DEL PROCESO Dr. P. Reyes / Enero 2006
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
CONTROL ESTADSTICO DEL PROCESO Dr. P. Reyes / Enero 2006
Pgina 238
CONTROL ESTADSTICO DEL PROCESO Dr. P. Reyes / Enero 2006
Pgina 239
CONTROL ESTADSTICO DEL PROCESO Dr. P. Reyes / Enero 2006
Ejemplo 2 (MINITAB)
Mtodo X Barra - R
Capture los datos en la hoja de trabajo de Minitab en tres columnas C1, C2, C3
Pgina 240
CONTROL ESTADSTICO DEL PROCESO Dr. P. Reyes / Enero 2006
Pgina 241
CONTROL ESTADSTICO DEL PROCESO Dr. P. Reyes / Enero 2006
%Contribution
Source VarComp (of VarComp)
Total Gage R&R 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
Por otro lado el nmero de categoras es slo de 1 cuando debe ser al menos 4
indicando que el instrumento discrimina las diversas partes diferentes.
Pgina 242
CONTROL ESTADSTICO DEL PROCESO Dr. P. Reyes / Enero 2006
% Tolerance
40 0.005
0.004
0
Gage R&R Repeat Reprod Part-to-Part 1 2 3 4 5 6 7 8 9 10
Partes
R Chart by Operadores
1 2 3 Datos by Operadores
UCL=0.001073 0.006
0.0010
Sample Range
_ 0.005
0.0005
R=0.000417
0.004
0.0000 LCL=0
1 2 3
Operadores
Xbar Chart by Operadores
1 2 3 Operadores * Partes I nteraction
Operadores
UCL=0.005143
Sample Mean
0.0050 1
0.0050
Average
_ 2
X=0.004717 3
0.0045
0.0045
LCL=0.004290
0.0040
0.0040 1 2 3 4 5 6 7 8 9 10
Partes
Pgina 243
CONTROL ESTADSTICO DEL PROCESO Dr. P. Reyes / Enero 2006
Source DF SS MS F P
Partes 9 0.0000086 0.0000010 12.2885 0.000
Operadores 2 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
Source DF SS MS F P
Partes 9 0.0000086 0.0000010 9.67145 0.000
Operadores 2 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)
Total Gage R&R 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
Pgina 244
CONTROL ESTADSTICO DEL PROCESO Dr. P. Reyes / Enero 2006
% Tolerance
40 0.005
0.004
0
Gage R&R Repeat Reprod Part-to-Part 1 2 3 4 5 6 7 8 9 10
Partes
R Chart by Operadores
1 2 3 Datos by Operadores
UCL=0.001073 0.006
0.0010
Sample Range
_ 0.005
0.0005
R=0.000417
0.004
0.0000 LCL=0
1 2 3
Operadores
Xbar Chart by Operadores
1 2 3 Operadores * Partes I nteraction
Operadores
UCL=0.005143
Sample Mean
1
0.0050 0.0050
Average
_ 2
X=0.004717 3
0.0045
0.0045
LCL=0.004290
0.0040
0.0040 1 2 3 4 5 6 7 8 9 10
Partes
Pgina 245
CONTROL ESTADSTICO DEL PROCESO Dr. P. Reyes / Enero 2006
Pgina 246
CONTROL ESTADSTICO DEL PROCESO Dr. P. Reyes / Enero 2006
Holmes 3 0 0
Duncan 3 0 0
Hayes 3 0 0
Simpson 4 -2 -2
Montgomer
y 4 -2 -2
Holmes 4 -2 -2
Duncan 4 -2 -2
Hayes 4 -2 -2
Simpson 5 0 0
Montgomer
y 5 0 0
Holmes 5 0 0
Duncan 5 -1 0
Hayes 5 0 0
Simpson 6 1 1
Montgomer
y 6 1 1
Holmes 6 1 1
Duncan 6 1 1
Hayes 6 1 1
Simpson 7 2 2
Montgomer
y 7 2 2
Holmes 7 2 2
Duncan 7 1 2
Hayes 7 2 2
Simpson 8 0 0
Montgomer
y 8 0 0
Holmes 8 0 0
Duncan 8 0 0
Hayes 8 0 0
Simpson 9 -1 -1
Montgomer
y 9 -1 -1
Holmes 9 -1 -1
Duncan 9 -2 -1
Hayes 9 -1 -1
Simpson 10 1 1
Montgomer
y 10 1 1
Pgina 247
CONTROL ESTADSTICO DEL PROCESO Dr. P. Reyes / Enero 2006
Holmes 10 1 1
Duncan 10 0 1
Hayes 10 2 1
Simpson 11 -2 -2
Montgomer
y 11 -2 -2
Holmes 11 -2 -2
Duncan 11 -2 -2
Hayes 11 -1 -2
Simpson 12 0 0
Montgomer
y 12 0 0
Holmes 12 0 0
Duncan 12 -1 0
Hayes 12 0 0
Simpson 13 2 2
Montgomer
y 13 2 2
Holmes 13 2 2
Duncan 13 2 2
Hayes 13 2 2
Simpson 14 -1 -1
Montgomer
y 14 -1 -1
Holmes 14 -1 -1
Duncan 14 -1 -1
Hayes 14 -1 -1
Simpson 15 1 1
Montgomer
y 15 1 1
Holmes 15 1 1
Duncan 15 1 1
Hayes 15 1 1
Pgina 248
CONTROL ESTADSTICO DEL PROCESO Dr. P. Reyes / Enero 2006
Between Appraisers
Assessment Agreement
Pgina 249
CONTROL ESTADSTICO DEL PROCESO Dr. P. Reyes / Enero 2006
Coef Chi - Sq DF P
0.966317 67.6422 14 0.0000
Assessment Agreement
Pgina 250
CONTROL ESTADSTICO DEL PROCESO Dr. P. Reyes / Enero 2006
Appraiser vs Standard
100 95.0% CI
Percent
80
60
Percent
40
20
0
Duncan Hayes Holmes Montgomery Simpson
Appraiser
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.
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
CONTROL ESTADSTICO DEL PROCESO Dr. P. Reyes / Enero 2006
Mtodo sencillo
Pgina 252
CONTROL ESTADSTICO DEL PROCESO Dr. P. Reyes / Enero 2006
Pgina 253
CONTROL ESTADSTICO DEL PROCESO Dr. P. Reyes / Enero 2006
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.
Pgina 254
CONTROL ESTADSTICO DEL PROCESO Dr. P. Reyes / Enero 2006
El muestreo secuencial implica la seleccin de unidades del lote, una por una,
tomando decisiones de aceptar o rechazar el lote despus de un cierto nmero de
unidades.
1. Deben ser homogneos, las unidades deben ser producidas por las mismas
corridas de produccin, en condiciones similares. Es difcil tomar acciones
correctivas para lotes mezclados.
2. Lotes grandes son preferibles a lotes pequeos, dado que la inspeccin es
ms eficiente.
3. Los lotes deben manejarse en forma similar con el proveedor y con el cliente,
las partes deben estar empacadas adecuadamente para evitar riesgos de dao
y permitir la seleccin de muestra en forma sencilla.
Pgina 255
CONTROL ESTADSTICO DEL PROCESO Dr. P. Reyes / Enero 2006
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.
Procedimiento Procedimiento
Objetivos por atributos por Variables
Pgina 256
CONTROL ESTADSTICO DEL PROCESO Dr. P. Reyes / Enero 2006
N=10,000
n=89
c=2
Significa que de cada lote de 10,000 partes se toman al azar n=89 para
inspeccin, si el nmero de productos defectivos observados en la muestra d es
menor o igual a c = 2, el lote se acepta, en caso contrario se rechaza.
7.2.1 LA CURVA OC
Pgina 257
CONTROL ESTADSTICO DEL PROCESO Dr. P. Reyes / Enero 2006
c
n! d nd
Pa P{d c) p (1 p) (7.1)
d 0 d!(n d )!
Esto mismo se puede aproximar por la distribucin de Poisson para efectos
prcticos.
p Pa =
0.005 0.98968755 Pa
0.01 0.939689918
0.02 0.736577576
0.03 0.498482838
0.04 0.304158359
Curva OC
0.05 0.172076864
0.06 0.091869347
0.07 0.046819851
0.08 0.022955079
0.09 0.010886432
p
Pgina 258
CONTROL ESTADSTICO DEL PROCESO Dr. P. Reyes / Enero 2006
Pgina 259
CONTROL ESTADSTICO DEL PROCESO Dr. P. Reyes / Enero 2006
c=0, 1, 2
n=50, 100,200
2
Pgina 260
CONTROL ESTADSTICO DEL PROCESO Dr. P. Reyes / Enero 2006
Por otra parte el consumidor quiere rechazar los lotes en la mayora de los casos
cuando tengan una fraccin defectiva de a lo ms un porcentaje defectivo tolerable
en el lote (LTPD), normalmente esta fraccin defectiva corresponde a una
probabilidad de aceptacin del 10% o rechazo del 90% de las veces. Tambin se
el denomina Nivel de Calidad Rechazable.
CURVAS OC TIPO A y B.
La curva OC tipo B utiliza la distribucin binomial o de Poisson cuando n/N < 0.1,
sin embargo en los niveles donde n/N=0.1 ambas curvas A o B son muy parecidas.
En este mtodo se especifican 2 puntos por los que debe pasar la curva OC, uno
de ellos tiene coordenadas (p 1, 1-) y el otro (p2 , ), con p1 > p2 . Se utiliza el
nomograma Binomial para encontrar los valores de n y c para el plan.
Pgina 261
CONTROL ESTADSTICO DEL PROCESO Dr. P. Reyes / Enero 2006
Suponiendo que los lotes que llegan tienen una fraccin defectiva p 0 , despus de
la actividad de inspeccin bajo un plan de muestreo, algunos lotes sern
aceptados y otros sern rechazados. Los lotes rechazados sern seleccionados al
100% por el proveedor remplazando los artculos defectuosos por buenos despus
se integran a los lotes que ingresan a la planta obtenindose una fraccin
Pgina 262
CONTROL ESTADSTICO DEL PROCESO Dr. P. Reyes / Enero 2006
Pa p( N n)
AOQ
N
(7.2)
Pa p ( N n) (0.9397)(0.01)(10000 89)
AOQ 0.0093
N 10000
AOQ 0.93% en lugar del 1% entrante.
AOQ Pa p (7.3)
Pgina 263
CONTROL ESTADSTICO DEL PROCESO Dr. P. Reyes / Enero 2006
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
n=89, c=2
CURVA AOQ
Fraccin defectiva
p Pa Pa . P
0.005 0.98968755 0.004948438 AOQ
Pgina 264
CONTROL ESTADSTICO DEL PROCESO Dr. P. Reyes / Enero 2006
ATI n (1 Pa )( N n) (7.4)
Pgina 265
CONTROL ESTADSTICO DEL PROCESO Dr. P. Reyes / Enero 2006
ATI
N=10000
N=5000
N=1000
Estos tipos de muestreo son extensiones del muestreo simple, se pueden disear
curvas CO equivalentes.
Pgina 266
CONTROL ESTADSTICO DEL PROCESO Dr. P. Reyes / Enero 2006
Suponiendo que:
n1 = 50
c1 = 1
n2 = 100
c2 = 3
ASN n1 n2 (1 P1 ) (7.5)
Pgina 267
CONTROL ESTADSTICO DEL PROCESO Dr. P. Reyes / Enero 2006
ASN
Insp. completa
n = cte.
Insp. recortada
Por tanto el muestreo doble es ms econmico que el simple slo para ciertos
valores de p, ya que si p tiene valores intermedios el ASN es mayor implicando
mayores costos de inspeccin.
Pgina 268
CONTROL ESTADSTICO DEL PROCESO Dr. P. Reyes / Enero 2006
Pa total
Pa
1 muestra
Pa 2 muestra
p
INSPECCIN RECTIFICADORA
Pgina 269
CONTROL ESTADSTICO DEL PROCESO Dr. P. Reyes / Enero 2006
{PaI ( N n1 ) PaII ( N n1 n2 )} p
AOQ (7.9)
N
Asumiendo que todos los defectivos son remplazados por artculos buenos en los
lotes rechazados, la curva de inspeccin total promedio es,
donde Pa Pa Pa
I II
Pgina 270
CONTROL ESTADSTICO DEL PROCESO Dr. P. Reyes / Enero 2006
X ACEPTACION h1 sn (7.11)
X RECHAZO h2 sn
1
h1 log k
1
h2 log k (7.12)
p 2 (1 p1 )
k log
p1 (1 p 2 )
1 p1
s log k
1 p2
k = 0.80066
h1=1.22
h2=1.57
Pgina 271
CONTROL ESTADSTICO DEL PROCESO Dr. P. Reyes / Enero 2006
s=0.028
MUESTREO SECUENCIAL
n Xa Xr Xa Xr
1 -1.192 1.598 -1 2
2 -1.164 1.626 -1 2
3 -1.136 1.654 -1 2
4 -1.108 1.682 -1 2
5 -1.08 1.71 -1 2
6 -1.052 1.738 -1 2
7 -1.024 1.766 -1 2
8 -0.996 1.794 -1 2
9 -0.968 1.822 -1 2
10 -0.94 1.85 -1 2
11 -0.912 1.878 -1 2
12 -0.884 1.906 -1 2
13 -0.856 1.934 -1 2
14 -0.828 1.962 -1 2
15 -0.8 1.99 -1 2
16 -0.772 2.018 -1 3
17 -0.744 2.046 -1 3
Pgina 272
CONTROL ESTADSTICO DEL PROCESO Dr. P. Reyes / Enero 2006
18 -0.716 2.074 -1 3
19 -0.688 2.102 -1 3
20 -0.66 2.13 -1 3
21 -0.632 2.158 -1 3
22 -0.604 2.186 -1 3
23 -0.576 2.214 -1 3
24 -0.548 2.242 -1 3
25 -0.52 2.27 -1 3
26 -0.492 2.298 -1 3
27 -0.464 2.326 -1 3
28 -0.436 2.354 -1 3
29 -0.408 2.382 -1 3
30 -0.38 2.41 -1 3
31 -0.352 2.438 -1 3
32 -0.324 2.466 -1 3
33 -0.296 2.494 -1 3
34 -0.268 2.522 -1 3
35 -0.24 2.55 -1 3
36 -0.212 2.578 -1 3
37 -0.184 2.606 -1 3
38 -0.156 2.634 -1 3
39 -0.128 2.662 -1 3
40 -0.1 2.69 -1 3
41 -0.072 2.718 -1 3
42 -0.044 2.746 -1 3
43 -0.016 2.774 -1 3
44 0.012 2.802 0 3
45 0.04 2.83 0 3
46 0.068 2.858 0 3
Pgina 273
CONTROL ESTADSTICO DEL PROCESO Dr. P. Reyes / Enero 2006
No. de
defectos Lnea de
acumulados aceptacin
3
Lnea de
2 Rechazo
1
Nmero de
0 20 40 60 muestras
-1
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).
A B
ASN Pa (1 Pa ) (7.13)
C C
Donde,
A log
1
1
B log
p 1 p2
C p log 2 (1 p ) log
p1 1 p1
Pgina 274
CONTROL ESTADSTICO DEL PROCESO Dr. P. Reyes / Enero 2006
INSPECCIN RECTIFICADORA
A
ATI Pa (1 Pa ) N (7.14)
C
Pgina 275
CONTROL ESTADSTICO DEL PROCESO Dr. P. Reyes / Enero 2006
DESCRIPCIN DE LA NORMA
- Inspeccin normal.
- Inspeccin estricta.
- Inspeccin reducida.
Pgina 276
CONTROL ESTADSTICO DEL PROCESO Dr. P. Reyes / Enero 2006
Pgina 277
CONTROL ESTADSTICO DEL PROCESO Dr. P. Reyes / Enero 2006
a. Un lote es rechazado.
b. Cuando el procedimiento de muestreo termina sin decisin de aceptacin
o rechazo, el lote se acepta pero se cambia a inspeccin normal en el
prximo lote.
c. La produccin es irregular o se retarda en entregas.
d. Otras condiciones que fuercen a cambiar a la inspeccin normal.
PROCEDIMIENTO
Pgina 278
CONTROL ESTADSTICO DEL PROCESO Dr. P. Reyes / Enero 2006
DISCUSIN
Todas las curvas OC son tipo B, tambin se proporcionan curvas para el ASN y
datos del AOQL.
Pgina 279
CONTROL ESTADSTICO DEL PROCESO Dr. P. Reyes / Enero 2006
Si se grafica el tamao medio del rango de lotes contra el logaritmo del tamao
de muestra se obtiene una recta hasta n=80 y despus una recta con una
pequea pendiente. Como la razn de N a n es decreciente conforme aumenta N
se economiza en la inspeccin.
El estndar civil ANSI/ASQC Z1.4 o ISO 2859 es la contraparte del estndar MIL-
STD-105E, difiriendo en que:
Los planes anteriores basados en AQL no son adecuados para el caso del
ensamble de productos complejos. La tabla siguiente muestra la fraccin defectiva
en ppm dependiendo del AQL aceptable.
Pgina 280
CONTROL ESTADSTICO DEL PROCESO Dr. P. Reyes / Enero 2006
AQL ppm
10% 100,000
1% 10,000
0.1% 1,000
0.01% 100
0.001% 10
0.0001% 1
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.
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).
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
CONTROL ESTADSTICO DEL PROCESO Dr. P. Reyes / Enero 2006
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%.
Pgina 282
CONTROL ESTADSTICO DEL PROCESO Dr. P. Reyes / Enero 2006
Cuando el promedio del proceso es mayor que la mitad del LTPD, la inspeccin
100% es mejor econmicamente.
Pgina 283
CONTROL ESTADSTICO DEL PROCESO Dr. P. Reyes / Enero 2006
VENTAJAS Y DESVENTAJAS
La principal ventaja del muestreo por variables es que se puede obtener la misma
curva caracterstica de operacin con tamao de muestra menor que el que
requerira un plan por atributos. Otra ventaja es que los datos por variables
proporcionan ms informacin del proceso que los atributos. Cuando los AQLs
son muy pequeos (del orden de ppm), el tamao de muestra requerido en el caso
de muestreo por atributos es muy grande y por variables muy pequeo. Cuando la
inspeccin es del tipo destructivo, los planes por variables si se aplican son ms
econmicos.
Pgina 284
CONTROL ESTADSTICO DEL PROCESO Dr. P. Reyes / Enero 2006
Existen dos tipos de planes de muestreo por variables, los que controlan la
fraccin defectuosa del lote y los que controlan un parmetro del proceso tal como
la media.
Pgina 285
CONTROL ESTADSTICO DEL PROCESO Dr. P. Reyes / Enero 2006
__
LIE X x
Procedimiento 1.
X LIE
Z LIE (8.1)
Si hay un valor crtico p que no deba ser excedido con una probabilidad
establecida, se puede traducir el valor de p en una distancia crtica por decir k para
ZLIE. De esta forma si ZLIE <= k, se aceptar el lote ya que automticamente la
Pgina 286
CONTROL ESTADSTICO DEL PROCESO Dr. P. Reyes / Enero 2006
X LIE 82 100
Z LIE 1.8
10
LSE X
Z LSE (8.2)
p 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
CONTROL ESTADSTICO DEL PROCESO Dr. P. Reyes / Enero 2006
X LIE
Q LIE n /( n 1)
(8.3)
LSE X
Q LSE n /( n 1)
Pgina 288
CONTROL ESTADSTICO DEL PROCESO Dr. P. Reyes / Enero 2006
a) Procedimiento 1
Si se desconoce la desviacin estndar, se toma una muestra
aleatoria de n = 40 piezas calculando la media y la
desviacin estndar s, se calcula ahora:
Pgina 289
CONTROL ESTADSTICO DEL PROCESO Dr. P. Reyes / Enero 2006
X LIE
Z LIE
b) Procedimiento 2.
1 k n 1 1.9 40
0.35
2 2( n 1) 2 2(39)
Pgina 290
CONTROL ESTADSTICO DEL PROCESO Dr. P. Reyes / Enero 2006
Se enfoca al AQL (entre 0.1% a 10%) con cinco niveles generales de inspeccin
(el normal es el II), el nivel III tiene una curva ms abrupta que el nivel II. Se
pueden usar niveles ms bajos (S3 S4) para reducir costos muestrales si se
toleran riesgos mayores.
Variabilidad Variabilidad
Desconocida Conocida
Mtodo de S
Especificacin Especificaciones
Unilateral Bilaterales
Tienen 4 secciones:
Pgina 291
CONTROL ESTADSTICO DEL PROCESO Dr. P. Reyes / Enero 2006
Procedimiento 1.
1. En la tabla A-2 se identifica el cdigo de letra, en este
caso, la N:
2. En la tabla B-1 se determina la n y k en este caso con la
letra N y AQL= 1.00 negociado entre proveedor y cliente,
se obtiene k = 2.03. Para el caso de inspeccin severa
(escala inferior) k = 2.18. Para el caso de inspeccin
reducida k = 1.8 de la tabla B-2.
3. En la tabla B-3 se determina M en el rengln de N y
columna de AQL= 1% obtenindose M= 2.05%. Para inspeccin
severa M = 1.42%. Para inspeccin reducida, de la tabla B-
4 se obtiene k = 3.44%.
Pgina 292
CONTROL ESTADSTICO DEL PROCESO Dr. P. Reyes / Enero 2006
Nota:
Es posible pasar de planes de muestreo con sigma desconocida a planes con
sigma conocida con menor n si se demuestra estabilidad en una grfica X -s para
los lotes (al menos para 30). Los planes especficos para este tipo de planes se
deben consultar en el estndar.
Pgina 293
CONTROL ESTADSTICO DEL PROCESO Dr. P. Reyes / Enero 2006
Solucin.
a) De tabla A2, se selecciona la letra D.
b) De la tabla B1, n = 5, k= 1.52
c) Suponiendo lecturas 197, 188, 184, 205 y 201.
X= 195 , s = 8.8
d) ( LSE - X ) / s = (209 195) / 8.8 = 1.59
e) 1.59 > k por tanto se acepta el lote.
Pgina 294
CONTROL ESTADSTICO DEL PROCESO Dr. P. Reyes / Enero 2006
209 180
QS= 1.59 ; PS = 2.19% (de tabla B-5)
8.8
Pgina 295
CONTROL ESTADSTICO DEL PROCESO Dr. P. Reyes / Enero 2006
195 180
QI= 1.704; PI = 0.66% (de tabla B-5) por tanto
8.8
la fraccin defectiva total es de
p = 2.85%
b) Comparando PS MS ; PI MI y P MI
Se acepta el lote.
Pgina 296
CONTROL ESTADSTICO DEL PROCESO Dr. P. Reyes / Enero 2006
Ejemplo 8.10 Sea LIE= 58,000 psi; tamao del lote 500
artculos; AQL = 1.5%; Inspeccin nivel II, normal. De
X = 63,000; n = 10 ; =
_
los datos anteriores se obtuvo
3,000. De tabla A-2 se obtiene la letra I.
a) Obtencin en tabla D3 de n, M y V como 10, 3.63%, 1.054
respectivamente.
b) Clculo de QL =(63,000 - 58,000) * 1.054 / 3,000 = 1.756
c) Determinar PL de tabla D5 con QL= 1.756 es 3.92%
Como PL > M se rechaza el lote.
Pgina 297
CONTROL ESTADSTICO DEL PROCESO Dr. P. Reyes / Enero 2006
Los ajustes que se hicieron en la norma ASQC Z1.9 (1980) e ISO 3951 (1981)
son:
1. Los rangos de tamao de lotes se ajustaron para corresponder con la MIL-
STD-105E por atributos.
Pgina 298
CONTROL ESTADSTICO DEL PROCESO Dr. P. Reyes / Enero 2006
2. Se ordenaron las letras cdigo para tener la misma proteccin que con la MIL-
STD-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:
10 lotes en inspeccin normal fueron aceptados.
La produccin es continua.
La inspeccin reducida es aprobada.
La ISO 3951 permite el paso a inspeccin reducida si 10 lotes sucesivos han
sido aceptados y:
El AQL es un paso menor.
El proceso est bajo control estadstico.
La inspeccin reducida es aprobada.
7. La ISO 3951 permite el paso de un mtodo de sigma desconocida a sigma
conocida, utilizando como sigma el valor promedio estimado en la carta de
control estable con al menos 30 subgrupos. Requiriendo la continuacin de la
carta s o R.
Pgina 299
CONTROL ESTADSTICO DEL PROCESO Dr. P. Reyes / Enero 2006
Pgina 300
CONTROL ESTADSTICO DEL PROCESO Dr. P. Reyes / Enero 2006
Los planes de muestreo por variables tambin pueden utilizarse para asegurar la
calidad media de un material en lugar de su fraccin defectiva. El mtodo general
que aqu se emplea es el de prueba de hiptesis, lo cual se ilustra con un
ejemplo.
X A 0.3 X A 0.3
1.645 (8.4)
0.1
n n
Pgina 301
CONTROL ESTADSTICO DEL PROCESO Dr. P. Reyes / Enero 2006
X A 0.4 X A 0.4
1.282 (8.5)
0.1
n n
X A = 0.355 n= 9
Pgina 302
CONTROL ESTADSTICO DEL PROCESO Dr. P. Reyes / Enero 2006
APNDICES
Pgina 303
CONTROL ESTADSTICO DEL PROCESO Dr. P. Reyes / Enero 2006
CARTAS Xbarra-S
Lmites de control para medias
LSCx = X + A3 S
LCx = X
LICx = X - A3 S
MR
LICx = X 3
d2
Pgina 304
CONTROL ESTADSTICO DEL PROCESO Dr. P. Reyes / Enero 2006
Para el caso del rango se usan las mismas de la carta Xbarra-R con n=2
CARTA p
Di
pi
ni
m m
Di p i
p i 1
i 1
mn m
__ __
LSCp = p 3 p (1 p )
__
n
__
LCp = p
__ __
LICp = p 3 p (1 p )
__
CARTAS np
LSC np np 3 np (1 p )
LC np np
LIC np np 3 np (1 p )
CARTAS c
LSCc = c + 3 c
LCc = c
LICc = c - 3 c
CARTAS u
Pgina 305
CONTROL ESTADSTICO DEL PROCESO Dr. P. Reyes / Enero 2006
c
u
n
u
LSC u u 3
n
LC u u
u
LSC u u 3
n
Pgina 306
CONTROL ESTADSTICO DEL PROCESO Dr. P. Reyes / Enero 2006
Pgina 307