Académique Documents
Professionnel Documents
Culture Documents
CONTROL ESTADÍSTICO
DEL PROCESO
Página 1
CONTROL ESTADÍSTICO DEL PROCESO
CONTENIDO
Contenido
1. IMPORTANCIA DE LA MEJORA CONTINUA 6
1.1 CALIDAD Y MEJORAMIENTO.....................................................................................................6
1.2 HISTORIA DEL CONTROL ESTADÍSTICO DEL PROCESO...............................................................8
Antecedentes..............................................................................................................................8
CEP en occidente.......................................................................................................................11
CEP en Japón.............................................................................................................................12
Desarrollo del Control Estadístico del Proceso..........................................................................14
Teorema del límite central.........................................................................................................15
Interpretación...........................................................................................................................16
1.3 LAS 7 HERRAMIENTAS BÁSICAS PARA LA SOLUCIÓN DE PROBLEMAS.....................................18
Hoja de verificación o registro...................................................................................................18
Diagrama de Pareto...................................................................................................................20
Diagrama de Dispersión............................................................................................................24
Histogramas..............................................................................................................................31
Lluvia de ideas (Brainstorming).................................................................................................32
Diagrama de Causa efecto.........................................................................................................33
Carta de tendencias..................................................................................................................38
Diagrama de flujo......................................................................................................................39
Pasos para la elaboración de un diagrama de flujo...................................................................40
Diagrama de flujo de tiempo – valor agregado.........................................................................44
Diagrama de Flujo Físico............................................................................................................45
Estratificación............................................................................................................................46
Las cartas de control.................................................................................................................46
1.4 MÉTODOS LEAN PARA LA MEJORA.........................................................................................47
Los 7 desperdicios o Muda........................................................................................................47
Métodos Lean para la mejora...................................................................................................48
Mapeo de la cadena de valor....................................................................................................48
Las 5 Ss y la administración visual.............................................................................................51
Preparaciones rápidas (SMED)..................................................................................................52
Poka Yokes o A prueba de error................................................................................................53
Trabajo estandarizado...............................................................................................................54
1.5 LAS SIETE HERRAMIENTAS ADMINISTRATIVAS........................................................................55
Diagrama de Afinidad................................................................................................................56
Fig. 1.26 ejemplos de diagrama de interrelacionesDiagrama de árbol......................................60
Diagrama de árbol.....................................................................................................................61
Diagrama Matricial....................................................................................................................64
Matrices de Prioridades o prioritización...................................................................................68
1.6 MÉTODOS ESTADÍSTICOS PARA LA MEJORA DE CALIDAD........................................................78
Cartas de control.......................................................................................................................78
Diseño de experimentos...........................................................................................................79
Muestreo de aceptación...........................................................................................................80
Página 2
CONTROL ESTADÍSTICO DEL PROCESO
Página 3
CONTROL ESTADÍSTICO DEL PROCESO
Página 4
CONTROL ESTADÍSTICO DEL PROCESO
Página 5
CONTROL ESTADÍSTICO DEL PROCESO
Página 6
CONTROL ESTADÍSTICO DEL PROCESO
EUA JAPON
Como los métodos estadísticos tienen un papel importante en el mejoramiento de la calidad, son
objeto de estudio de la Ingeniería de calidad. Los datos relacionados con la calidad se clasifican en
atributos y en variables. Los de atributos son discretos, enteros. Los de variables corresponden a
mediciones con valores reales como longitud, voltaje, etc. Existen diferentes herramientas
estadísticas para tratar con ambos tipos de datos.
Los productos no conformes o defectivos son los que no cumplen una o varias
especificaciones.
Características del producto: Son los elementos que en conjunto describen la calidad del producto,
evaluadas respecto a especificaciones, como son:
Página 7
CONTROL ESTADÍSTICO DEL PROCESO
Antecedentes
La teoría de la administración se desarrolló básicamente en los países industrializados, en
respuesta a los problemas que presentaron las grandes empresas características del sistema
capitalista.1 Sus primeros indicios se observan con el economista Adam Smith con el concepto de
división del trabajo para aumentar la productividad en 1776. 2
Smith notó que, en una industria de fabricación de alfileres, diez personas, cada
una realizando una tarea específica, podrían producir 48,000 alfileres por día.
Propuso que si cada uno trabajara por separado y en forma independiente, los diez
trabajadores tendrían suerte en hacer 200 (o aún 10) alfileres al día. 3
Smith concluyó que la división del trabajo incrementaba la productividad sin embargo se
consideraba al trabajador como extensión de la máquina. Durante la revolución industrial,
“iniciada en el siglo XVIII en Gran Bretaña…la mano de obra era sustituida por máquinas de una
manera acelerada”.4 Esto, a su vez, abarató la fabricación de productos en las fábricas. Surge la
administración científica con Frederick Taylor.
Frederick Winslow Taylor (1856-1915): él no desarrolló una teoría de administración, sino que
hacía énfasis en los aspectos empíricos. 5 En 1911 publicó sus “Principios de la Administración
Científica”6 donde describe la administración científica, y usó este término para definir “la única y
mejor manera” de realizar un trabajo. Los estudios realizados antes y después de esta publicación,
lo erigieron como el padre de la administración científica. 7 Sus cuatro principios son:
1
Simón, Nadima S., Evaluación Organizacional, SICCO, México, 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
Simón, Nadima, op. cit., p. 9
6
Taylor, Frederick W., Principles of Scientific Management,, Harper & Bros., Nueva York, Estados
Unidos de América, 1911
7
Robbins, Stephen, op cit. p. 33.
Página 8
CONTROL ESTADÍSTICO DEL PROCESO
1. Crear una ciencia para cada elemento del trabajo del individuo, que sustituya al
método empírico; 2. Escoger científicamente y luego entrenar, enseñar y
desarrollar al trabajador; 3. Colaborar ampliamente con los trabajadores para
asegurar que todo el trabajo se realice conforme a los principios de la ciencia que
se ha ido desarrollando; 4. Hay una división casi igual del trabajo y la
responsabilidad entre la administración y los trabajadores. La administración se
encarga de todo el trabajo para el cual esté mejor dotada que los trabajadores. 8
Taylor9 señaló que la creación de nuevos métodos de trabajo era responsabilidad única de gerentes
y administradores. La mayor desventaja del taylorismo es que los trabajadores pueden ser
descalificados “como si fueran extensión de las máquinas”,10 como consecuencia, se tiene poca
motivación y alto ausentismo.
Frank (1864-1924) y Lillian Gilberth: diseñaron arreglos laborales para eliminar movimientos
manuales y corporales inútiles, también experimentaron en el diseño y uso de herramientas y
equipo adecuado para optimizar el desempeño del trabajo. 11 Encontraron que no es el trabajo
monótono la causa de tanta insatisfacción laboral, sino la falta de interés que muestran los
gerentes por los trabajadores.12
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. México, 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 relación salarial en el marco
del nuevo paradigma productivo. Sus repercuciones sobre la acción sindical”, en Sociología del
Trabajo, Nueva época, núm. 18, primavera de 1993, pp. 80-82
Página 9
CONTROL ESTADÍSTICO DEL PROCESO
Con las crisis de los años ochenta, la producción masiva uniforme ya no es competitiva, surge un
nuevo paradigma que hace énfasis en la respuesta flexible frente a los cambios impredecibles del
mercado. 14
Con objeto de reducir el costo de la no calidad se desarrolló y aplicó el Control Estadístico del
Proceso como una siguiente etapa.
14
Ibidem, p. 83-84
15
Vid. Valdez, Luigi, Conocimiento es futuro, CONCAMIN, México, 1995, pp. 122-123
16
Ibidem, pp. 125-126
Página 10
CONTROL ESTADÍSTICO DEL PROCESO
CEP en occidente
Durante la segunda guerra mundial se requirieron cantidades masivas de productos, las
inspecciones de rutina de los inspectores no eran suficientes, en algunas compañías, tales como la
Western Electric, bajo contrato de la American Bell Telephone Company, estableció métodos de
control de calidad más rigurosos que infundieran confianza en sus instrumentos y
electrodomésticos, en 1924 se formó su departamento de Ingeniería de Inspección, entre sus
primeros miembros se encuentran Harold F. Dodge, Donald A. Qaurles, Walter A. Shewhart, Harry
G. Romig y otros.
Según 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 inspección por muestreo de Dodge-Romig” 18, como una alternativa a la
inspección 100% al producto terminado, sin embargo su adopción en occidente fue muy lenta,
Freeman, sugiere que esto se dio por “la tendencia de los ingenieros americanos a eliminar la
variación, y su desdén por las teorías probabilísticas, así como a la falta de estadígrafos
industriales, adecuadamente entrenados”.19
El trabajo de Shewhart, Dodge y Romig, constituye la mayor parte de lo que hoy se conoce como
“Control Estadístico del Proceso”. De esta forma con objeto de hacer más eficientes a las
organizaciones de inspección, “se proporciona a los inspectores con unas cuantas herramientas
estadísticas, tales como cartas de control y tablas de muestreo” 20. Se reduce el nivel de variación
del proceso hasta los límites predecibles y se identifican las oportunidades de mejora. Se
establecen sistemas de medición formales desde los proveedores hasta el producto final y el
proceso se "estandariza”. Hoy en día la herramienta de las cartas de control (CEP) es utilizada por
los círculos de control de calidad para la identificación de problemas.
En 1931, W.A. Shewhart publica su libro “Economic Quality Control of Quality of Manufactured
Product”, donde describe las cartas para el control estadístico del proceso. En medio de los años
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
Página 11
CONTROL ESTADÍSTICO DEL PROCESO
30’s los métodos de control estadístico de calidad se empezaron a aplicar en la Western Electric,
brazo de manufactura de los laboratorios Bell, sin embargo, no fueron reconocidos estos métodos
ampliamente.
Durante la II guerra mundial se expandió el uso de los métodos estadísticos de control de procesos
en la industria de la manufactura, la American Society for Quality Control se formó en 1946 para
promover su uso. De 1946 a 1949 W. Deming es invitado a Japón a dar seminarios sobre control
estadístico de calidad a sus industriales, extendiendo el uso de éstos métodos. Aparecen las obras
de Eugene L. Grant y A.J. Duncan sobre control estadístico del proceso. En occidente es hasta la
década de los ochenta cuando se voltea hacia los métodos estadísticos ya muy comunes en Japón
dado el éxito industrial de este país.
En los años recientes, empresas de alta tecnología como Motorola, General Electric, Xerox, AT&T,
etc., desarrollan e implantan una metodología de calidad total denominada Calidad 6 sigma con el
objetivo de reducir los errores y defectos a un máximo de 3.4 partes por millón (ppm), donde una
de las herramientas clave es el control estadístico del proceso, que permite obtener ahorros de
costos muy importantes.
CEP en Japón
En 1950 el experto Edwards W. Deming inició el entrenamiento en métodos estadísticos en el
Japón, incluyendo conferencias dirigidas a los líderes industriales, en esta época Kaoru Ishikawa
experto japonés en control de calidad inició sus estudios sobre conceptos de control de calidad,
describe su propia motivación como sigue:
Yo desarrollé un gran respeto por el Dr. Shewhart por medio del estudio profundo
de sus conceptos en cartas de control y estándares... Sin embargo, me sorprendí un
poco que en EUA, donde efectué una visita de estudio, sus métodos casi no se
aplicaban. Yo deseo importar sus conceptos al Japón y asimilarlos para adaptarlos
a situaciones en Japón, de tal forma que los productos japoneses mejoraran su
calidad21
21
Ishikawa, Kaouru, "Tributes to Walter A. Shewhart," Industrial Quality Control, Vol. 22, No. 12,
1967, pp. 115-116.
Página 12
CONTROL ESTADÍSTICO DEL PROCESO
En 1955, Kaouru Ishikawa introdujo las técnicas de cartas de control en Japón, los japoneses
aprendieron el control de calidad de occidente, invitaron a Deming, Juran y otros eruditos a Japón
para que les enseñasen el control estadístico del proceso. Sin embargo la implantación de estas
técnicas fue posible después de su modificación y adaptación a las empresas japonesas,
incluyendo la creación de varias herramientas útiles como refinamiento del control estadístico de
calidad, tales como las 7 herramientas estadísticas utilizadas normalmente por los círculos de
control de calidad y la aplicación de técnicas estadísticas avanzadas.
Estas técnicas junto con las computadoras han alcanzado un alto nivel en Japón, “ todas las
industrias japonesas confían en los métodos estadísticos avanzados para el diseño de productos” ,22
esto también ha permitido que los supervisores de las fábricas japonesas utilicen estadística de
alto nivel para analizar problemas. Por ejemplo para el caso del diseño de experimentos se tiene:
“el diseño estadístico de experimentos es el arreglo, bajo el cual se efectúa un programa
experimental, incluye la selección de los niveles óptimos de los factores que tienen influencia en la
calidad del producto “23, ayuda a optimizar el tiempo y los elementos de diseño, determinando los
materiales más baratos de tal forma que el producto cumpla las especificaciones, y todavía se
asegure que el producto se desempeñará en forma satisfactoria bajo condiciones variables.
Con la aplicación del Control Estadístico del Proceso, el trabajador tiene de nuevo la oportunidad
de controlar la calidad de su trabajo, no a través de inspección 100%, sino a través de técnicas de
muestreo y de cartas de control, como método preventivo de defectos, lo que permite su
autocontrol para reducir la variabilidad del proceso de producción, se complementa con las siete
herramientas estadísticas y el ciclo de control de Deming (planear, hacer, verificar y actuar).
22
Amsden, R., op. cit. , p. 537.
23
Winer, B., Statistical Principles in Experimental Design, McGraw Hill, 1971. p. 5.
Página 13
CONTROL ESTADÍSTICO DEL PROCESO
* * * *
** **
*** **
*** * *
Distribución de promedios
Universo de las muestras
Encontró que las medias de las muestras correspondían a las medias de la población y que la
desviación estándar de las medias de las muestras se relacionaban con la desviación estándar de la
población, como sigue (TEOREMA DEL LÍMITE CENTRAL):
__ (1.1)
X n
Donde n es el tamaño de la muestra y es la desviación estándar de la población.
24
Shewhart, W.A., Economic Control of Quality of Manufactured Product, Van Nostrand Reinhold
Co., 1931, p. 182
Página 14
CONTROL ESTADÍSTICO DEL PROCESO
X1 X2 X3
X-media 1 X-media 2 X-media 3
Histogram of Promedios
14
12
10
Frequency
0
3 4 5 6 7
Promedios
Página 15
CONTROL ESTADÍSTICO DEL PROCESO
y varianza
y2 = a1212 + a2222...,+ an2n2
donde a1, a2, ... an son constantes.
n n
[y -
i 1
mi ] i
2
(2.5)
i 1
Se aproxima a la distribución normal conforme n tiende a infinito. Es decir que la suma de las n
variables aleatorias independientemente distribuidas es aproximadamente normal,
independientemente de la distribución de las variables individuales.
Interpretación
Normalmente para conocer el estado de un proceso en determinado momento, es necesario
obtener un histograma de la característica de interés, tomando al menos 30 piezas. Se calcula la
media y la desviación estándar de la muestra y se trata de inferir sobre las características del
proceso. Haciendo esto periódicamente se pueden tener los comportamientos siguientes:
Hora 4
Hora 2
Hora 3
Hora 1
Página 16
CONTROL ESTADÍSTICO DEL PROCESO
25
Ford Motor Co., Continuing Process Control and Process Capability Improvement, Dearborn,
Michigan, 1983
Página 17
CONTROL ESTADÍSTICO DEL PROCESO
Página 18
CONTROL ESTADÍSTICO DEL PROCESO
2. Definir el período de tiempo durante el cuál serán recolectados los datos. Esto puede variar de
horas a semanas.
3. Diseñar una forma que sea clara y fácil de usar. Asegúrese de que todas las columnas estén
claramente descritas y de que haya suficiente espacio para registrar los datos.
4. Obtener los datos de una manera consistente y honesta. Asegúrese de que se dedique el
tiempo necesario para esta actividad.
Página 19
CONTROL ESTADÍSTICO DEL PROCESO
Diagrama de Pareto
Se utiliza para identificar problemas o causas principales:
Herramienta utilizada para el mejoramiento de la calidad para identificar y separar en forma crítica
los pocos proyectos que provocan la mayor parte de los problemas de calidad.
El diagrama de Pareto es una gráfica de dos dimensiones que se construye listando las causas de
un problema en el eje horizontal, empezando por la izquierda para colocar a aquellas que tienen
un mayor efecto sobre el problema, de manera que vayan disminuyendo en orden de magnitud. El
eje vertical se dibuja en ambos lados del diagrama: el lado izquierdo representa la magnitud del
efecto provocado por las causas, mientras que el lado derecho refleja el porcentaje acumulado de
efecto de las causas, empezando por la de mayor magnitud.
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%
Página 20
CONTROL ESTADÍSTICO DEL PROCESO
Eje horizontal:
- Divida este eje en un número de intervalos igual al número de categorías 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 categoría, y conecte
los puntos con una línea continua.
9. Escriba en el diagrama cualquier información que considere necesaria para el mejor
entendimiento del diagrama de Pareto.
Página 21
CONTROL ESTADÍSTICO DEL PROCESO
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
Página 22
CONTROL ESTADÍSTICO DEL PROCESO
Las quejas A, B y C representan el 78.56%, siendo en estas en las que debemos de enfocarnos
primero a resolver.
Pareto Chart of C1
200 100
80
150
60
Percent
Count
100
40
50
20
0 0
C1 C B D A Other
Count 80 60 30 20 10
Percent 40.0 30.0 15.0 10.0 5.0
Cum % 40.0 70.0 85.0 95.0 100.0
Página 23
CONTROL ESTADÍSTICO DEL PROCESO
Frecuencia %
Diagrama de Dispersión
Se utiliza para analizar la correlación entre dos variables, se puede encontrar: Correlación
positiva o negativa, fuerte o débil o sin correlación.
El diagrama de dispersión es una técnica estadística utilizada para estudiar la relación entre dos
variables. Por ejemplo, entre una característica de calidad y un factor que le afecta.
La ventaja de utilizar este tipo de diagramas es que al hacerlo se tiene una comprensión más
profunda del problema planteado.
La relación entre dos variables se representa mediante una gráfica de dos dimensiones en la que
cada relación está dada por un par de puntos (uno para cada variable).
Página 24
CONTROL ESTADÍSTICO DEL PROCESO
La variable del eje horizontal x normalmente es la variable causa, y la variable del eje vertical y es
la variable efecto.
La relación entre dos variables puede ser: positiva o negativa. Si es positiva, significa que un
aumento en la variable causa x provocará una aumento en la variable efecto y y si es negativa
significa que una disminución en la variable x provocará una disminución en la variable y.
Por otro lado se puede observar que los puntos en un diagrama de dispersión pueden estar muy
cerca de la línea recta que los atraviesa, o muy dispersos o alejados con respecto a la misma. El
índice que se utiliza para medir ese grado de cercanía de los puntos con respecto a la línea recta es
la correlación. En total existen cinco grados de correlación: positiva evidente, positiva, negativa
evidente, negativa y nula.
Página 25
CONTROL ESTADÍSTICO DEL PROCESO
Si todos los puntos estuvieran completamente sobre la recta la ecuación lineal sería y = a + bx.
Como la correlación no siempre es perfecta, se calculan a y b de tal forma que se minimice la
distancia total entre puntos y la recta. Los cálculos son:
a
y x 2
x xy
n x x
2 2
n xy x y
b
n x 2 x
2
El índice de correlación (r) se puede calcular estadísticamente mediante las ecuaciones que a
continuación se presentan
SCxy
r
SCx SCy
xy
x y
SCxy
n
Página 26
CONTROL ESTADÍSTICO DEL PROCESO
SCx x 2
x 2
SCy y 2
y 2
n
Donde:
r = Coeficiente de correlación lineal
SCxy = Suma de cuadrados de xy
SCx = Suma de cuadrados de x
SCy = Suma de cuadrados de y
x 2
Sumatoria de los valores de la variable x al cuadrado
y 2
Sumatoria de los valores de la variable y al cuadrado
x 2
Cuadrado de la sumatoria de la variable x
y 2
Cuadrado de la sumatoria de la variable y
Ejemplo: Un ingeniero que trabaja con botellas de refresco investiga la distribución del producto y
las operaciones del servicio de ruta para máquinas vendedoras. El sospecha que el tiempo
requerido para cargar y servir una máquina se relaciona con el número de latas entregadas del
producto. Se selecciona una muestra aleatoria de 25 expendios al menudeo que tienen máquinas
vendedoras y se observa para cada expendio el tiempo de solicitud- entrega (en minutos) y el
Página 27
CONTROL ESTADÍSTICO DEL PROCESO
volumen del producto entregado (en latas). Calcular el coeficiente de correlación y graficar. Los
datos se muestran a continuación:
SCxy = 2027.71
SCx = 698.56
SCy = 6105.94
r = 0.98
El coeficiente de correlación r = 0.98 por lo cual tenemos suficiente evidencia estadística para
afirmar que el tiempo de entrega está relacionado con el número de latas.
Página 28
CONTROL ESTADÍSTICO DEL PROCESO
Página 29
CONTROL ESTADÍSTICO DEL PROCESO
Para determinar la función de regresión y correlación en Minitab se siguen los pasos siguientes
(después de cargar los datos correspondientes a X y a Y en las columnas C1 y C2):
Minitab > Stat >Regresión ... Indicar la columna de Respuestas Y y la de predictores X y aceptar
con OK. Observar el valor del coeficiente de correlación y de determinación.
Para obtener la línea de mejor ajuste de la regresión, se procede como sigue en Minitab:
Minitab > Stat >Fitted Line Plot ... Indicar la columna de Respuestas Y y la de predictores X,
seleccionar si se quiere ajustar con los datos con una línea, una función cuadrática o cúbica y
aceptar con OK. Observar el mayor valor del coeficiente de correlación que indica el mejor ajuste.
Antiguedad
Conclusiones:
Página 30
CONTROL ESTADÍSTICO DEL PROCESO
Histogramas
Se utilizan para ver la distribución de frecuencia de una tabla de datos
Página 31
CONTROL ESTADÍSTICO DEL PROCESO
Conclusiones:
En las sesiones de lluvia de ideas se generan nuevas ideas mediante la participación de todo el
equipo.Para comenzar con el proceso de tormenta de ideas, en el cual se genera información la
gente se reúne en una sala en la cual se recomienda la disposición de las mesas en forma de “U”
para facilitar el debate. La gente que participa en la sesión deberá de pertenecer a diferentes áreas
o tener puntos de vista diferentes, esto con el objeto de enriquecer la sesión.
Página 32
CONTROL ESTADÍSTICO DEL PROCESO
La técnica tormenta de ideas puede ser aplicada con gran frecuencia al llevar a cabo otras
herramientas, como por ejemplo, diagramas causa-efecto (Ishikawa), Diseño de experimentos,
pruebas de confiabilidad, etc.
EJERCICIO: Realizar una lluvia de ideas para solucionar el problema de llegar a tiempo a algún lugar.
Página 33
CONTROL ESTADÍSTICO DEL PROCESO
Es utilizado para explorar, e identificar todas las causas posibles y relaciones de un problema
(efecto) o de una condición específica en las características de un proceso.
Una vez elaborado, el diagrama causa-efecto representa de forma clara, ordenada y completa
todas las causas que pueden determinar cierto problema.
Constituye una buena base de trabajo para poner en marcha la búsqueda de las verdaderas causas
de un problema.
Los pasos para elaborar el diagrama de causa- efecto son los siguientes:
5. Jerarquice las causas por grado de importancia y defina aquellas que tengan un efecto
relevante sobre la característica específica.
Página 34
CONTROL ESTADÍSTICO DEL PROCESO
Página 35
CONTROL ESTADÍSTICO DEL PROCESO
Estas constituyen las causas primarias del problema y es necesario desafiarlas para encontrar
causas más específicas secundarias y terciarias.
Se construye el diagrama espina de pescado con las causas primarias (M´s), a partir de estas causas
se agrupan las causas secundarias y terciarias derivadas de la lluvia de ideas.
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 MÉTODOS MATERIALES
El equipo analiza cada causa y por medio de eliminación y consenso determina cuales son las
verdaderas causas que están ocasionando el problema. Una vez determinada las causas se realiza
un análisis Por qué, Por qué, por qué (Why-Why Why), el cual consiste en preguntarnos cinco
veces por qué?, para encontrar la causa raíz del problema.
En el ejemplo anterior las causas primarias fueron agrupadas en (M’s): mediciones, máquinas,
personal, medio ambiente, métodos y materiales. Es posible realizar este diagrama con causas
primarias diferentes a las M´s, ej:
Página 36
CONTROL ESTADÍSTICO DEL PROCESO
Problema: Por qué la versión del sistema “Abacab”, no satisface los requerimientos del cliente.
Las causas primarias en las que se organiza este problema son las siguientes:
Llenar las columnas C1 a C5 con las diferentes causas correspondientes a los conceptos de
Personal, Máquinas, Materiales, Métodos, Mediciones y Medio ambiente.
Ejercicio: Realizar un Diagrama de Causa efecto para identificar las causas potenciales de
un problema y concluir.
Página 37
CONTROL ESTADÍSTICO DEL PROCESO
Carta de tendencias
Definición:
Es una ayuda gráfica 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 afectará en forma negativa.
Ejemplo: Se tienen los datos siguientes de errores de planeación de la producción durante 15
semanas: Se puede hacer en Minitab con Stat, Quality Tools, Run Chart, Subgroup size = 1
Página 38
CONTROL ESTADÍSTICO DEL PROCESO
Diagrama de flujo
Dentro de los sistemas de calidad resulta de gran utilidad representar la estructura y relaciones de
los sistemas mediante diagramas de flujo.
Se utiliza para identificar los procesos, las características críticas en cada uno, la forma de
evaluación, los equipos a usar, los registros y plan de reacción, se tienen los tipos
siguientes:
Diagramas de flujo de proceso detallados
Diagramas físicos de proceso
Diagramas de flujo de valor
Página 39
CONTROL ESTADÍSTICO DEL PROCESO
Descripción de símbolos
En la construcción de diagramas de flujo de procesos se utilizan los símbolos descritos a
continuación:
2. Definir todos los pasos que componen un producto o servicio: Existen diferentes maneras
de hacerlo. Una de ellas consiste en que el equipo de trabajo anote en tarjetas los
Página 40
CONTROL ESTADÍSTICO DEL PROCESO
diferentes pasos que conforman el proceso, con este método el equipo puede arreglar y
ordenar los pasos del proceso. Otra manera de hacerlo es mediante el uso de programas
de diagramas de flujo en computadoras, de esta manera se tiene mayor flexibilidad que en
el método anterior y se ahorra bastante tiempo.
Cada paso deberá de ser discutido y analizado a detalle utilizando la pregunta “¿por qué
se hace de esta manera?”
3. Conectar las actividades: Cuando los pasos que componen el proceso han sido descritos
se construye el diagrama de flujo, conectando las actividades mediante flechas, cada
símbolo debe describir la actividad que se realiza con pocas palabras.
4. Comparar el proceso actual con el proceso considerado como “ideal” las siguientes
preguntas pueden servir de guía:
¿Existen pasos demasiado complejos?
¿Existe duplicidad o redundancia?
¿Existen puntos de control para prevenir errores? ¿deberían de existir?
¿El proceso funciona en la manera en la cual debería de hacerse?
¿Se puede realizar el proceso de diferente manera?
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 simplificación sustancial del proceso.
Las mejoras son priorizadas y se llevan a cabo planes de acción.
6. Implementar el nuevo procedimiento: Una vez realizadas las mejoras se dan a conocer a
las personas involucradas en el proceso y se verifica su efectividad.
Página 41
CONTROL ESTADÍSTICO DEL PROCESO
26
Adaptado de Hamid Noori/Russell Radford, Administración de Operaciones y producción, Ed.
Mc.Graw Hill Pp.282
Página 42
CONTROL ESTADÍSTICO DEL PROCESO
Página 43
CONTROL ESTADÍSTICO DEL PROCESO
Ventajas:
• Delinea gráficamente la cantidad de tiempo sin valor que se usa en el proceso.
• Ayuda a reducir el tiempo sin valor y eliminar pasos innecesarios.
Ejemplo
me
s
esi
ny n
ón
Pe guí
Sa
ó
so nea
n
Espera Espera
Se min
Sa gar
Ll enf
Ca a de a
Se istr
Pa inar
Ca inar
Ca
Re
am er m
nt ar
lir
la
m
nt ars
ar
m
g
de
ad
ar e
se
se
lc
on
er
su
lto
rio
Página 44
CONTROL ESTADÍSTICO DEL PROCESO
Edificio A
Edificio B
Página 45
CONTROL ESTADÍSTICO DEL PROCESO
Estratificación
Se utiliza para separar un aspecto general en los estratos que lo componen, por ejemplo,
por regiones, estados, municipios, etc. Clasificación de los datos o factores sujetos a
estudio en una serie de grupos con características similares.
Por estado
Por municipio
Segundo paso:
Tercer paso:
Figura 1.20 Carta de control con sus límites de control y línea central
Página 46
CONTROL ESTADÍSTICO DEL PROCESO
Son aspectos que no agregan valor al cliente, es decir no está dispuesto a pagar por ellos y
hacen que la operación sea costosa y lenta:
Página 47
CONTROL ESTADÍSTICO DEL PROCESO
Servicios no requeridos
Movimientos excesivos
e innecesarios
Transportes innecesarios
Inventarios innecesarios
Esperas o firmas innecesarios
Errores
Retrabados o reinspecciones
Página 48
CONTROL ESTADÍSTICO DEL PROCESO
Se realiza un mapeo del proceso con todas las actividades relacionadas con la
atención en una sala de emergencia, considerando tiempos y distancias.
Página 49
CONTROL ESTADÍSTICO DEL PROCESO
Se identifican las actividades que representan Muda y que son actividades que
no agregan valor y se reducen o eliminan, quedando el proceso mejorado
como sigue:
Página 50
CONTROL ESTADÍSTICO DEL PROCESO
Objetivo: Encontrar cualquier cosa y tener idea del estado de la operación en menos de 30
segundos, por una persona familiarizada con el área de trabajo.
Palabras japonesas que inician con s: Seiri, Seiton, Seiso, Seiketsu y Shitsuke.
Página 51
CONTROL ESTADÍSTICO DEL PROCESO
Las 5´s se han definido como Selección u Organización, Orden, Limpieza, Estandarización
y Disciplina. Los dos elementos más importantes son la Organización y el Orden ya que de
ellos depende el éxito de las actividades de Mejora.
Trabajan en medio del polvo, suciedad, desorden, aceite, etc. dificulta la búsqueda
de piezas, útiles, información, requisiciones, herramientas etc. evitando esto se previenen
los accidentes, no se generan defectos y todo se encuentra.
La Preparación interna (IED), son las operaciones realizadas con el servicio suspendido.
La Preparación externa (OED), son las operaciones realizadas mientras se están
proporcionando los servicios.
Página 52
CONTROL ESTADÍSTICO DEL PROCESO
Página 53
CONTROL ESTADÍSTICO DEL PROCESO
Trabajo estandarizado
Objetivo: Documentar en instructivos, procedimientos y ayudas visuales, la forma como
deben realizarse las operaciones y actividades para que todos las realicen de la misma
manera, para tener productos homogéneos.
Página 54
CONTROL ESTADÍSTICO DEL PROCESO
Diagrama de afinidad:
o Organiza grandes cantidades de información
Diagrama de árbol:
o Diagrama los niveles de destalle para alcanzar un objetivo principal y los
objetivos secundarios relacionados
Diagrama Matricial:
o Muestra las relaciones y correlaciones entre ideas
Matrices de prioridad:
o Asigna prioridades a asuntos, tareas o posibles opciones con base en
criterios conocidos
APLICACIONES
Las herramientas para la mejora continua se emplean de manera ideal en los casos
siguientes:
Dividir un requerimiento general de detalles específicos
Identificar y eliminar las causas raíz de un problema
Programar actividades complejas
Planeación de contingencia
Ayudar a una organización a pasar de la manera antigua de pensar a otras formas
más novedosas de hacerlo
Realizar una selección final de una lista de opciones
Evaluar opciones de diseño de producto
Página 55
CONTROL ESTADÍSTICO DEL PROCESO
Diagrama de Afinidad
PASOS
1. Reunir el equipo y elegir un líder, todos relacionados con el asunto a tratar.
2. Establecer el asunto o problema en forma de pregunta.
3. Realizar una tormenta de ideas respecto al problema o aspecto y registrarla en
fichas de trabajo.
4. Desplegar las tarjetas en una mesa grande o muro.
5. Acomodar las tarjetas en pilas similares o por “familias”.
6. Crear tarjetas de encabezado
7. Dibujar el diagrama de afinidad
a. Trazar un círculo en torno a cada agrupamiento
b. El diagrama queda completo cuando el equipo alcanza el consenso
8. Discutir el diagrama de afinidad
Página 56
CONTROL ESTADÍSTICO DEL PROCESO
FUENTE HTTP://WWW.SAPDESIGNGUILD.ORG/RESOURCES/GLOSSARY_USAB/IMAGES/AFFINITYEE1.JPG
FUENTE:
HTTP://WWW.MEX.OPS-OMS.ORG/DOCUMENTOS/TUBERCULOSIS/MEJORA/4_DIAGRAMA_AFINIDAD.PDF
Página 57
CONTROL ESTADÍSTICO DEL PROCESO
Ayuda a identificar las causas potenciales de un problema. permite que el equipo observe
al mismo tiempo muchos efectos y trace la relación entre dichos efectos y varias causas.
PASOS
1. Reunir el equipo y elegir un líder.
2. Poner el asunto o problema en forma de pregunta.
3. Realizar una tormenta de ideas respecto al problema o aspecto y registrarla en
fichas de trabajo.
4. Analizar las relaciones.
5. Revisar el Diagrama doble de interrelaciones.
6. Identificar causas y efectos raíz.
a. Una causa raíz es una categoría de la que sale la gran cantidad de flechas.
b. Un efecto raíz es una categoría a la que llega una gran cantidad de flechas.
7. Estudiar el Diagrama doble de interrelaciones.
Página 58
CONTROL ESTADÍSTICO DEL PROCESO
Página 59
CONTROL ESTADÍSTICO DEL PROCESO
FUENTEHTTP://WWW.CALIDADEDUCATIVA.ORG/CONGRESO2008/MEMORIA/TUFINO_COMP
LEMENTARIO/TUFINO_INTERRELACION.PDF
Página 60
CONTROL ESTADÍSTICO DEL PROCESO
Diagrama de árbol
Un diagrama de árbol (diagrama sistemático) es una técnica que se emplea para buscar la
forma más apropiada y eficaz de alcanzar un objetivo específico. Esta herramienta gráfica
de diagrama los diversos niveles de detalle, estos representan acciones (o tareas) que
siguen rutas lógicas para implantar un objetivo amplio. Al implantar los puntos detallados
de acción, se crea un efecto de dominio que lleva al logro del objetivo principal.
Cuando se trabaja sobre un objetivo amplio, un diagrama de árbol ayuda a orientar tareas
específicas, es posible emplearlo para planear la implantación de una solución detallada
en forma ordenada. El diagrama de árbol funciones para dividir un aspecto u objetivo más
complejo.
PASOS
1. Reunir un equipo apropiado.
2. Elegir la declaración de objetivo.
3. Generar los encabezados de primer nivel del árbol
4. Completar el diagrama de árbol bajo cada encabezado principal
5. Revisar el diagrama de árbol terminado.
Página 61
CONTROL ESTADÍSTICO DEL PROCESO
FUENTE:
HTTP://WWW.PROGRAMAEMPRESA.COM/EMPRESA/EMPRESA.NSF/PAGINAS/B274A80F363DE039C1257029004
1808D?OPENDOCUMENT
FUENTE HTTP://DGPLADES.SALUD.GOB.MX/2006/HTDOCS/HG/NUEVAS/HESTRA7.PDF
FIG. 1.27 EJEMPLOS DE DIAGRAMA DE ÁRBOL
Página 62
CONTROL ESTADÍSTICO DEL PROCESO
Página 63
CONTROL ESTADÍSTICO DEL PROCESO
Diagrama Matricial
Los diagramas matriciales son herramientas que se emplean para revelar las correlaciones
entre ideas, tares y responsabilidad y que aparecen en diversas formas matriciales, es
posible emplear estas herramientas para organizar y comparar dos o más conjuntos de
artículos para mostrar cuáles de ellos están relacionados, asimismo pueden mostrar la
fortaleza estadística y la dirección de influencia de cada relación.
PASOS
1. Reunir a un equipo apropiado
2. Elegir las consideraciones clave
a. ¿Qué tipo de información se desea mostrar en la matriz?
3. Elegir la forma apropiada de la matriz
4. Definir los símbolos de relación a emplear y crear una leyenda
5. Concluir la matriz.
Página 64
CONTROL ESTADÍSTICO DEL PROCESO
Página 65
CONTROL ESTADÍSTICO DEL PROCESO
DIAGRAMAS MATRICIALES 27
27
Diagramas tomados de la dirección www.fundibeq.org 28 de diciembre de 2008
Página 66
CONTROL ESTADÍSTICO DEL PROCESO
Página 67
CONTROL ESTADÍSTICO DEL PROCESO
Las matrices de prioridades son herramientas para tomas decisiones. Utilizando criterios
ponderados y acordados, se emplean tales herramientas para asignar prioridades a
aspectos, tareas u opciones posibles. Se basan en la combinación de un diagrama de árbol
y uno matricial.
Pueden ayudar a reducir el número de opciones; de modo que sea posible tomar
decisiones con mayor facilidad, debido a que las matrices de prioridades proporcionan un
enfoque lógico a la elección de un conjunto de opciones, son ideales para elegir un
problema para que lo ataque el equipo y estrechar una lista de soluciones potenciales para
un problema.
PASOS
Loa criterios son prioritizados, ponderados y aplicados contra las opciones de decisión
generadas, seleccionando una decisión con base en números como resultado.
28
Brassard, M. (1989), The Memory jogger plus +, Methuen, Goal/QPC
Página 68
CONTROL ESTADÍSTICO DEL PROCESO
Página 69
CONTROL ESTADÍSTICO DEL PROCESO
Cambiar fecha de
reunión
Reservar sala de Sala de reuniones no
reuniones disponible
Reservar otro sitio
Rentar equipo
audiovisual
Planeación de una Verificar equipo Equipo audiovisual no
reunión audiovisual disponible Reservar otro sitio
Banquete no
Ordenar a otro
disponible
Efectuar los proveedor
arreglos de
alimentación Solicitar un menú
Menú no distinto
disponible
= Seleccionado Ordenar otro
= No factible proveedor de
banquetes
Una Carta de programa de decisión del proceso (CPDP) es una herramienta dinámica de
planeación que se emplea para diagramar en forma sistemática todas las posibles cadenas
de eventos para alcanzar un objetivo amplio o para implantar una solución compleja.
Se enumeran todos los eventos concebibles y una contramedida apropiada en este flujo
cronológico, se emplea este método cuando existe incertidumbre en un proceso de
implantación, cuando el problema u objetivo es único o desconocido.
Las Cartas de programa de decisión del proceso se clasifican por las herramientas que se
emplea:
CPDP “planeado por adelantado”: anticipan lo “inesperado” antes de la
implantación verdadera. Se efectúa una tormenta de ideas de todas las distintas
posibilidades y se elaboran planes de contingencia con anticipación.
CPDP en tiempo real: se desarrollan alternativas durante la implantación.
Página 70
CONTROL ESTADÍSTICO DEL PROCESO
Se emplea una CPDP para describir de manera sistemática una solución u objetivo
complejos, otro propósito es probar teorías durante la implantación de una solución
compleja.
PASOS
1. Reunir el equipo apropiado
2. Elegir el flujo básico de implantación
3. Elegir el formato de la carta
4. Establecer el objetivo principal
5. Enumerar los pasos del proceso
6. Determinar contramedidas
7. Evaluar las contramedidas
- Evaluar las contramedidas y marcarlas en la forma siguiente
= Seleccionada
= No factible
Página 71
CONTROL ESTADÍSTICO DEL PROCESO
FUENTE HTTP://SYQUE.COM/QUALITY_TOOLS/TOOLS/TOOLS12.HTM
Fig. 1.38 Ejemplo de diagrama de árbol y plan de contingencia CPDP para manufactura
Página 72
CONTROL ESTADÍSTICO DEL PROCESO
PASOS
1. Reunir el equipo apropiado.
a. Los miembros del equipo deberán conocer a fondo las tareas y subtareas
2. Identificar todas las tareas que requiere el proyecto.
3. Determinar la secuencia de actividades.
4. Calcular el tiempo que se requiere cada actividad.
5. Calcular la ruta crítica del proyecto.
6. Calcular la fecha más tardía de inicio y más temprana de conclusión de cada
subtarea.
7. Calcular la holgura total.
8. Diseñar el diagrama de redes de actividades.
Página 73
CONTROL ESTADÍSTICO DEL PROCESO
Página 74
CONTROL ESTADÍSTICO DEL PROCESO
El TE de un evento representa el tiempo más breve posible en que el evento puede alcanzarse, y
se calcula sumando los tiempos t de la secuencia de actividades que conduce al mismo.
Cuando hay más de un camino que conduce a un evento, el camino que consume el mayor tiempo,
determina el tiempo más breve posible en que puede esperarse alcanzar dicho evento.
El valor TE de un evento N se calcula de la siguiente manera:
a) Se empieza con el primer evento (su TE es igual a cero), considerando sus directos sucesores
etc..., hasta llegar al último evento del proyecto. (Su TE indica el tiempo mínimo esperado para
terminar el proyecto).
b) Se identifican todos los eventos que preceden directamente al evento N.
c) Para cada uno de estos eventos se añade a su TE la duración t de la actividad que le conecta con
el evento N.
d) Se elige entre los resultados así obtenidos el mayor. Este será el único TE del evento N. Los
demás valores obtenidos son irrelevantes y no se volverán a considerar.
Página 75
CONTROL ESTADÍSTICO DEL PROCESO
Los valores TE así obtenidos, se escribirán en el Diagrama de Flechas por encima del respectivo
evento.
El TL de un evento representa el tiempo máximo en que debe alcanzarse el evento para poder
seguir el proyecto tal y como ha sido planificado, siendo el TL del último evento el tiempo
establecido para finalizar el proyecto.
El valor TL de un evento N se calcula de la siguiente manera:
a) Se empieza con el último evento (= fin del proyecto), operando en sentido inverso hasta el
primero. El TL del último evento se considera aquí como un dato externo, ya establecido. (Deseo
del cliente, compromiso, fecha "orientativa" interna, a menudo el valor TE obtenido en el Paso 4
para el evento final del proyecto, etc...).
b) Se identifican todos los eventos sucesores del evento N.
c) Para cada uno de estos eventos se resta de su TL la duración t de la actividad que le conecta con
el evento N.
d) Se elige entre los resultados así obtenidos el menor. Este será el único TL del evento N. Los demás
valores obtenidos son irrelevantes y no se volverán a considerar.
Los valores TL así obtenidos, se escribirán en el Diagrama de Flechas debajo del respectivo evento.
El camino crítico es aquella secuencia de actividades, desde el primer evento hasta el último, en la
que los eventos disponen de la holgura mínima.
Se identificará en el Diagrama de Flechas, el camino crítico, señalando las actividades que lo
constituyen con líneas más gruesas.
Página 76
CONTROL ESTADÍSTICO DEL PROCESO
Página 77
CONTROL ESTADÍSTICO DEL PROCESO
Cartas de control
En 1924 WALTER SHEWHART realizó experimentos y desarrolló las Cartas de Control en la planta
telefónica Western Electric de los los Bell Labs, las cuales tienen las siguientes características:
Técnicas útiles para el monitoreo de procesos
Permiten identificar situaciones anormales en 6Ms
Sirven para prevenir la generación de defectivos
La carta de control es una técnica muy útil para el monitoreo de los procesos, cuando se presentan
variaciones anormales donde las medias o los rangos salen de los límites de control, es señal de
Página 78
CONTROL ESTADÍSTICO DEL PROCESO
que se debe tomar acción para remover esa fuente de variabilidad anormal. Su uso sistemático
proporciona un excelente medio para reducir la variabilidad.
Diseño de experimentos
Un experimento diseñado es muy útil para descubrir las variables clave que tienen influencia en las
características de calidad de interés del proceso. Es un método para variar en forma sistemática los
factores controlables del proceso y determinar los efectos que tienen esos factores en los
parámetros finales del producto. Permite reducir la variabilidad en la característica de calidad y en
determinar los niveles más adecuados de los factores controlables que optimicen el desempeño
del proceso. Fisher inicia el desarrollo del diseño de experimentos en la agricultura en Inglaterra en
los años 1920’s.
ENTRADAS CONTROLABLES
X1 X2 XP
Materias primas,
Componentes, etc.
Z1 Z2 ZQ
ENTRADAS NO CONTROLABLES
El principal método para diseñar experimentos es el diseño factorial, en el cual los factores son
variados de tal forma de probar todas las posibles combinaciones de los niveles de los factores.
Página 79
CONTROL ESTADÍSTICO DEL PROCESO
Una vez que se han identificado las variables que afectan el desempeño del proceso, normalmente
es necesario modelar la relación entre estas variables y la característica de calidad de interés. Para
lo cual se puede utilizar el análisis de regresión.
El monitoreo en el proceso de las variables relevantes que afectan las características de calidad se
hace por medio de cartas de control.
Muestreo de aceptación
Está relacionado con la inspección y prueba del producto, donde se selecciona e inspecciona una
muestra aleatoria de un lote mayor, resultando en una aceptación o rechazo de ese lote mayor,
esto ocurre en la recepción de materias primas y componentes y en el producto terminado.
Página 80
CONTROL ESTADÍSTICO DEL PROCESO
b) INSPECCION DE RECIBO
ENVIO
PROCESO INSPECCION CLIENTE
CLIENTE
PROCESO INSPECCION
RECHAZO
SCRAP RETRAB
AJO
DISPOSICIÓN DE LOTES
Página 81
CONTROL ESTADÍSTICO DEL PROCESO
En el transcurso del tiempo, las tres técnicas estadísticas anteriores han tenido la evolución
siguiente:
100%
MUESTREO DE
ACEPTACION
CONTROL DE PROCESO
DISEÑO DE
0% EXPERIMENTOS
Tiempo
Fig. 1.45 Evolución de la aplicación de métodos estadísticos
Para que sean efectivas las herramientas estadísticas, su aplicación debe ser parte de un programa
mayor de Calidad Total (Total Quality Management en EUA, Company Wide Quality Control en
Japón, Seis Sigma de Motorola, Modelo de Dirección por Calidad de México (PNC), Malcolm
Baldrige de EUA, QS 9000, ISO TS 16949, VDA 6.1 VW, ISO 9000:2000, etc.), donde la alta dirección
lleve el liderazgo por la calidad, no funcionarán como elementos aislados.
La filosofía de Deming y Juran implica que la responsabilidad por la calidad se expande a toda la
organización, sin embargo para no caer en el error de que “la responsabilidad de todos es la de
nadie”, la calidad debe planearse.
Deming impulso el uso del CEP y los métodos estadísticos en Japón para la reducción de la
variabilidad y mejora continua de calidad, con sus 14 recomendaciones a la dirección.
Página 82
CONTROL ESTADÍSTICO DEL PROCESO
Costos de calidad
Son costos asociados con producir, identificar, evitar o reparar productos que no cumplan
especificaciones. Normalmente se clasifican en cuatro categorías: Prevención, Apreciación, Falla
interna y Falla externa, algunos de los elementos que incluyen son los siguientes:
Página 83
CONTROL ESTADÍSTICO DEL PROCESO
Costos de prevención
Son los costos asociados con los esfuerzos de diseño y manufactura enfocados a la prevención de
defectos, de tal forma de hacer bien las cosas a la primera vez.
Costos de apreciación
Son los costos asociados con la medición, evaluación, o auditoría a productos, componentes y
materiales comprados para asegurar su conformancia a los estándares establecidos.
Página 84
CONTROL ESTADÍSTICO DEL PROCESO
Concepto de variación
Los métodos estadísticos se basan en que no existen dos productos EXACTAMENTE iguales de un
proceso de manufactura, por tanto la VARIACIÓN es inevitable, su análisis se hace con el apoyo de
la estadística.
Página 85
CONTROL ESTADÍSTICO DEL PROCESO
Muchos eventos reales y naturales tienen una distribución de frecuencias cuya forma es muy
parecida a la distribución normal. La distribución normal es llamada también campana de Gauss
por su forma acampanada.
Cuando se incluyen todos los datos de un proceso o población, sus parámetros se indican con
letras griegas, tales como: promedio o media = m (mu), y desviación estándar (indicador de la
dispersión de los datos) = (sigma).
Página 86
CONTROL ESTADÍSTICO DEL PROCESO
LIE LSE
Fig. 2.4 Distribuciones normales con varias medias y desviaciones estándar
Página 87
CONTROL ESTADÍSTICO DEL PROCESO
Existe una relación del porcentaje de probabilidad o área bajo la curva normal a la desviación
estándar. En la figura observamos por ejemplo que el área bajo la curva para 1 tiene un
68.26%
95.46%
99.73%
Fig. 2.5 Área bajo la curva de Distribución normal
Lo anterior se puede calcular con la Tabla de distribución normal o con Excel (Fx
=distr.norm.estand(Z) proporciona el área desde menos infinito hasta Z).
La primera tabla sirve para determinar el área o probabilidad que se encuentra fuera de los límites
de especificaciones. La segunda tabla proporciona valores de área bajo la curva para Z’s mayores a
cero. En cada una se muestran ejemplos de su uso.
Página 88
CONTROL ESTADÍSTICO DEL PROCESO
Página 89
CONTROL ESTADÍSTICO DEL PROCESO
Ejemplo 2.1
a) Determinar el área bajo la curva de menos infinito a Z = - 1.
P(Z<= -1) = 0.1587
Página 90
CONTROL ESTADÍSTICO DEL PROCESO
Página 91
CONTROL ESTADÍSTICO DEL PROCESO
Ejemplo 2.2
a) Determinar el área bajo la curva de menos infinito a Z = 1.
P(Z <= 1) = 0.8413
Página 92
CONTROL ESTADÍSTICO DEL PROCESO
X m
Z sí se consideran los datos completos del proceso.
XX
Z sí se consideran sólo los datos de una muestra.
s
Ejemplo 2.3 El departamento de personal de una empresa requiere que los solicitantes a un
puesto en cierta prueba alcancen una calificación de 500. Si las calificaciones de la prueba se
distribuyen normalmente con media m 485 y desviación estándar 30 ¿Qué porcentaje de
los solicitantes pasará la prueba?
485
3 0 .8 5 %
Z Página
.0 5 93
CONTROL ESTADÍSTICO DEL PROCESO
Ejemplo 2.4 Suponga que un proceso tiene una distribución normal dada tiene una media de 20 y
una desviación estándar de 4. Calcule la probabilidad
P (X >=24) = 1 – P(X <= 24) =
Fig. 2.7 Cálculo del área bajo la curva normal sin requerir Z
El resultado de la fórmula = 0.8413. , dado que esta es la probabilidad P(X 24), la probabilidad
buscada es: P(X > 24) = 1 - 0.8413= 0.1587
Página 94
CONTROL ESTADÍSTICO DEL PROCESO
EJERCICIO 2.2:
Un producto tiene un peso promedio de 75 Kgs. con una desviación estándar de 10Kgs.
Generar 100 datos aleatorios en Minitab con Media = 264.6 y Desviación estándar S = 32.02 con:
1. Calc > Random data > Normal
2. Generate 100 Store in columns C1 Mean 264.06 Estandar deviation 32.02 OK
Nos aseguramos que los datos se distribuyan normalmente con la prueba de Anderson Darling o
Ryan Joiner como sigue:
El P value debe ser mayor a 0.05 para que los datos se distribuyan normalmente
Página 95
CONTROL ESTADÍSTICO DEL PROCESO
Página 96
CONTROL ESTADÍSTICO DEL PROCESO
Alfa a veces se denomina riesgo del productor, denotando la probabilidad de que un lote bueno o
un proceso que produce partes aceptables en relación a una característica de calidad sea
rechazado.
Beta a veces se denomina riesgo del consumidor denotando la probabilidad de aceptar lotes de
calidad pobre, o permitiendo que un proceso continúe operando de manera insatisfactoria
respecto a una característica de calidad.
El procedimiento general para pruebas de hipótesis es especificar una probabilidad de error tipo I
o , y diseñar un procedimiento de prueba que minimice la probabilidad de error tipo II.
Tomando como estadístico de prueba Zc, y asumiendo que sigue una distribución normal N(0,1).
Página 97
CONTROL ESTADÍSTICO DEL PROCESO
Z c X m 0
n
(2.6)
Para encontrar la probabilidad de error tipo II, se debe asumir que Ho es falsa y entonces hallar la
distribución de Zc. Suponiendo que la media de la distribución realmente es:
m1 = m0 + con > 0
Zc N ,1
n
BAJO H0 BAJO H1
La probabilidad del error tipo II es la probabilidad de que Zc se encuentre entre - Z /2 y Z/2 dado
que la hipótesis alterna es verdadera.
Para evaluar esta probabilidad, se evaluan F(Z /2) ) – F(-Z/2), donde F es la distribución acumulativa
normal estándar. La probabilidad de error tipo II es (funciona igual para cuando < 0):
n n
Z / 2 Z / 2
(2.7)
Ejemplo 2.5: si los estándares especifican que la media de una lata de café es de 16.0 oz., y de
acuerdo a la experiencia se sabe que la desviación estándar del contenido es de 0.1 oz. Las
hipótesis son:
Ho: m = 16.0
Página 98
CONTROL ESTADÍSTICO DEL PROCESO
Ho: m 16.0
Asumiendo una probabilidad de error tipo I de 0.05 y tomando una muestra de 9 latas, se tiene
que el estadístico de prueba es:
Z 0 X 16
0.1
9
Suponiendo que se desea encontrar la probabilidad del error tipo II si el valor verdadero de la
media es m1 =16.1 implicando que = 16.1 – 16.0 = 0.1, se tiene:
n n
Z / 2 Z / 2
0.1 9 0.1 9
1.96 1.96
0.1 0.1
= (- 1.4 ) - ( -4.96 )
= 0.1492
De la ecuación anterior para , se observa que es una función de n, y de , tomando como 0.05
y graficando contra d = / , se obtienen las curvas características de operación (OC).
1. Entre mayor sea el valor de , se reduce la probabilidad de error tipo II para una n y dadas.
Es decir que la prueba detecta más fácilmente grandes diferencias.
Página 99
CONTROL ESTADÍSTICO DEL PROCESO
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
línea. A continuación se explica la teoría de variabilidad de Shewhart.
La variabilidad natural siempre existe en cualquier proceso de producción, no importa que tan bien
diseñado esté. Esta variabilidad natural es denominada causas comunes o aleatorias de
variabilidad, un proceso que opera en estas condiciones se dice que está en control estadístico.
Existen otras fuentes de variabilidad que pueden ser causadas por máquinas, errores de
operadores o materiales defectuosos. Esta variabilidad es muy grande en relación con la
variabilidad natural y es originada por causas especiales o asignables haciendo que el proceso
opere fuera de control estadístico (ver página siguiente).
El Objetivo del CEP es la detección oportuna de la ocurrencia de causas especiales para tomar
acciones correctivas antes de que se produzcan unidades defectivas o no conformes, para esto se
utilizan las cartas de control en línea, permitiendo también la estimación de la capacidad o
habilidad del proceso y la reducción continua de la variabilidad hasta donde sea posible.
Página 100
CONTROL ESTADÍSTICO DEL PROCESO
LSC
LC
LIC Tiempo
Un punto que se encuentre fuera de los lÍmites de control mostrará evidencia que el proceso está
fuera de control y será necesario una investigación de la causa especial y la acción correctiva
necesaria para eliminarla. También se tendrá un alto riesgo de situación fuera de control si los
puntos se agrupan es forma sistemática dentro de los límites de control o muestran una tendencia.
Por ejemplo, la carta de control de medias prueba la hipótesis de que la media del proceso está en
control y tiene un valor m0 si un valor de media muestral X i cae dentro de los límites de control;
de otra forma se concluye que el proceso está fuera de control y que la media del proceso tiene un
valor diferente del de m0, por decir m1, donde m1 m0.
Se puede decir que las probabilidades de los errores tipo I y tipo II de la carta de control, son
esquemas de prueba de hipótesis para analizar el desempeño de las cartas de control.
La probabilidad del error tipo I de la carta de control se presenta cuando se concluye que el
proceso está fuera de control cuando en realidad no lo está.
Página 101
CONTROL ESTADÍSTICO DEL PROCESO
Ejemplo 2.6: Para el caso de pistones, evaluando la característica de calidad de diámetro interno
del anillo. Si la media del proceso es 74 y la desviación estándar es de 0.01mm, con un tamaño de
muestra de n=5, se tiene:
las medias X i se distribuyen normalmente, se debe espera que el 100(1- )% se encuentren entre
74 Z/2 (0.0045).
74.0135
74
74.9865 Tiempo
Página 102
CONTROL ESTADÍSTICO DEL PROCESO
Se puede definir un modelo general para una carta de control, si w es un estadístico muestral que
mide alguna característica de calidad de interés y asumiendo que su media es mw con desviación
estándar w se tiene:
El uso más importante de la carta de control es la mejora del proceso, a través de su monitoreo, al
principio se observará que los procesos no están en control estadístico, sin embargo con las cartas
de control se podrán identificar causas especiales que al ser eliminadas, resulten en una reducción
de la variabilidad mejorando el proceso.
Página 103
CONTROL ESTADÍSTICO DEL PROCESO
Para identificar y eliminar las causas asignables, es importante encontrar las causas raíz del
problema y atacarlas para lo cual se puede utilizar el Plan de acción para situaciones fuera de
control OCAP, activado con la ocurrencia de cada evento. Incluye Puntos de chequeo que son
causas potenciales asignables y terminadores que son las acciones que resuelven la situación fuera
de control. Este documento OCAP es un documento vivo que debe ser actualizado
constantemente.
SISTEMA DE
EVALUACIÓN
La carta de control es un dispositivo de estimación de parámetros del proceso una vez que exhibe
control estadístico, se puede estimar la media, varianza, proporción, etc. que pueden ser utilizados
Página 104
CONTROL ESTADÍSTICO DEL PROCESO
para determinar la capacidad de los procesos para producir productos aceptables, base de
decisiones gerenciales y contractuales.
Las cartas de control pueden ser clasificadas en dos clases: por atributos y por variables
dependiendo de cómo se evalúe la característica de calidad.
Si la característica de calidad se puede evaluar y expresar como un número real en alguna escala
de medición continua, se denomina una variable. En tales casos se utilizan cartas de control de
medias, que describan la tendencia central y cartas de control basadas en rango o desviación
estándar para controlar la variabilidad del proceso.
Muchas características de calidad no pueden ser medidas en una escala continua, en esos casos se
puede juzgar cada producto como conforme o como no conforme sobre la base de que posea o no
ciertos atributos, o se pueden contar el número de no conformidades o defectos que aparecen en
una unidad de producto. Las cartas de control para tales características de calidad, se denominan
cartas de control por atributos.
Si se incrementa el tamaño de muestra, decrece la probabilidad del error tipo II, aunque el diseño
de la carta de control también debe tomar consideraciones económicas considerando los costos de
muestreo, pérdidas por fabricar productos defectuosos y costo de investigar indicaciones fuera de
control que son “falsas alarmas”.
Otra consideración en el uso de cartas de control es el tipo de variabilidad exhibida por el proceso:
1. Procesos estacionarios: los datos del proceso varían 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 área de
aplicación de las cartas de control más efectivo.
Página 105
CONTROL ESTADÍSTICO DEL PROCESO
2. Procesos con datos no correlacionados: las observaciones dan la apariencia de haberse extraído
de una población estable (normal u otra), en análisis de series de tiempo se denomina “ruido
blanco”. En este caso los datos pasados históricos no dicen nada en relación a predecir su
comportamiento futuro.
Las cartas de control han sido muy populares por las siguientes razones:
1. Son una herramienta probada para mejorar la productividad. Su aplicación exitosa ayuda a
reducir desperdicios y retrabajos, que son factores que reducen la productividad (productos
buenos por hora).
2. Son efectivas como herramientas de prevención de defectos. Apoyan el concepto de hacerlo
bien a la primera vez, es más costoso seleccionar productos buenos en un lote con productos
defectuosos, que fabricarlos bien desde el principio.
3. Evitan que se hagan ajustes innecesarios en el proceso. Apoyan el concepto de “si no esta mal,
no lo arregles”, ya que identifican las causas comunes de las especiales, evitan que se hagan
ajustes cuando sólo se están teniendo variaciones aleatorias en el proceso.
4. Proporcionan información de diagnóstico. Proporcionan un patrón de puntos que permite la
toma de decisiones para la mejora del proceso, al operador o al ingeniero experimentado.
5. Proporcionan información acerca de la capacidad o habilidad del proceso. Proporcionan
información acerca de los parámetros importantes del proceso y de su estabilidad con el
Página 106
CONTROL ESTADÍSTICO DEL PROCESO
Abriendo los límites de control decrece riesgo de error tipo I (falsa alarma) sin embargo se
incrementa el riego de error tipo II y viceversa. Con límites 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 límites de control a una distancia de 3.09-sigmas y los límites de control serán:
+3.09
+3.0
LC
-3.00
-3.09
Página 107
CONTROL ESTADÍSTICO DEL PROCESO
Al diseñar una carta de control, se debe especificar tanto el tamaño de muestra como la frecuencia
de muestreo, tamaños de muestra grandes permiten detectar pequeñas corridas en la media del
proceso como se observa en las curvas características de operación.
Para la frecuencia de muestreo, la práctica industrial sugiere tomar muestras pequeñas frecuentes,
principalmente en producción masiva o cuando existe la posibilidad de que existan muchas causas
especiales, actualmente con las computadoras esto es cada vez más fácil.
1
ARL (2.9)
p
donde p es la probabilidad de que un punto exceda los límites de control. Para el caso de 3-sigma
p=0.0027 y el ARL0 = 370. Es decir que si el proceso está en control, se generará un punto fuera de
control como falsa alarma cada 370 puntos.
Si se toman muestras en intervalos fijos de tiempo en horas (h), entonces aparecerá una falsa
alarma cada tiempo promedio de indicación (ATS) en horas.
En el ejemplo si se toman muestras cada hora, se genera una falsa alarma cada 370 horas.
Para evaluar que tan efectiva es la carta para detectar corrimientos en la media del proceso, se
utilizan las curvas características de operación. Por ejemplo, si n=5 y la media se corre de
74.015mm, la probabilidad de que un punto caiga dentro de los límites de control es
Página 108
CONTROL ESTADÍSTICO DEL PROCESO
aproximadamente 0.50, por tanto utilizando p=0.50, se puede calcular el ARL 1 para una situación
fuera de control como sigue:
1 1
ARL1 2
p 0.5
Esto significa que el proceso requiere 2 muestras antes de detectar el corrimiento. Si el muestreo
se hace cada hora, el ATS = 2 h, si esto fuera inaceptable, se podrían tomar muestras más
frecuentes por ejemplo cada media hora o incrementar el tamaño de muestra. Si n=10, de la curva
característica de operación se observa que p=0.9 y el ARL 1 = 1.11 y el ATS = 1.11 h, lo cual puede
ser más aceptable.
Diseño 1 Diseño 2
n=5 n = 10
Frec. Cada ½ hora Frec. cada hora.
Subgrupos racionales
La idea fundamental en las cartas de control es colectar los datos de la muestra de acuerdo al
concepto de subgrupo racional es decir que el subgrupo debe seleccionarse de tal forma que si
están presentes causas asignables, la diferencia entre los subgrupos sea maximizada, minimizando
la diferencia dentro del subgrupo.
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.
Página 109
CONTROL ESTADÍSTICO DEL PROCESO
Por lo anterior se recomienda tomar productos consecutivos de producción para formar la muestra
(cuyo tamaño puede ser entre 4 y 6), minimizando diferencias dentro del subgrupo. En algunos
procesos como los químicos, es suficiente tomar una sola unidad de producto como muestra, dado
que existe homogeneidad.
Una carta de control indicará una condición fuera de control cuando uno o más puntos caigan más
allá de los límites de control o cuando los puntos graficados formen un patrón no aleatorio de
comportamiento.
En general una racha o corrida es una secuencia de observaciones del mismo tipo. Además de las
corridas ascendentes o descendentes, se encuentran las que están por debajo o sobre la media.
Dado que una corrida de 8 o más puntos tiene una probabilidad de ocurrencia muy baja, se
considera que una racha o corrida con una longitud de 8 puntos indica una condición fuera de
control.
Otro patrón de inestabilidad se presenta cuando el comportamiento del proceso muestra patrones
cíclicos.
Para reconocer un patrón de comportamiento no sólo se requiere conocer las técnicas estadísticas,
sino también es necesario tener un conocimiento profundo del proceso.
Página 110
CONTROL ESTADÍSTICO DEL PROCESO
En el libro de la Western Electric (1956) se recomiendan las reglas siguientes para detectar
patrones no aleatorios en las cartas de control:
Debe tenerse cuidado de no exagerar en la aplicación de las reglas ya que se pueden tener muchas
falsas alarmas quitándole efectividad al programa del CEP.
El CEP no sirve si se implanta y después no se mantiene, ya que la mejora continua debe ser parte
de la cultura de la organización.
Página 111
CONTROL ESTADÍSTICO DEL PROCESO
Para su implantación es necesario el liderazgo gerencia y el trabajo en equipo, así como evaluar los
avances y comunicarlos a la organización, lo cual puede motivar a mejorar otros procesos.
1. Liderazgo gerencial
2. Un enfoque de grupo de trabajo
3. Educación y entrenamiento de empleados en todos los niveles
4. Énfasis en la mejora continua
5. Un mecanismo para reconocer el éxito y comunicación hacia la organización.
Página 112
CONTROL ESTADÍSTICO DEL PROCESO
3.1 INTRODUCCIÓN
Una característica que se mide en una escala numérica 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.
Asumiendo que una característica de calidad está distribuida normalmente con media m y
desviación estándar ambas conocidas. Si x 1, x2, .... xn forman una muestra de tamaño n entonces
se puede calcular la media de la muestra X .
Ahora como las medias de las muestras están normalmente distribuidas con media m Xi =/ n,
y siendo que la probabilidad 1- de que cualquier media muestral caerá entre los límites:
Página 113
CONTROL ESTADÍSTICO DEL PROCESO
m Z / 2 X m Z / 2 (3.1)
n
y
m Z / 2 X m Z / 2
n
Lo anterior será válido aún si la distribución de la población no es normal pero si estable.
X i
(3.2)
X i 1
m
Representa la línea 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
Página 114
CONTROL ESTADÍSTICO DEL PROCESO
La variable W de rango relativo relaciona al rango con la desviación estándar como sigue:
W=R/ (3.5)
3R
LSC X Límite superior de control (LSC)
d2 n
3R
LIC X Límite 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
Página 115
CONTROL ESTADÍSTICO DEL PROCESO
Para el caso de los rangos, la línea central es R . El estimador para R puede hallarse de la
distribución del rango relativo W = R / , si la desviación estándar de W es d 3 en función de n, se
tiene:
R=W (3.9)
La desviación estándar 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
Donde las constantes A2 , d2 D3 y D4 se encuentran tabuladas en función de n para facilitar el cálculo
de los límites de control como sigue:
Para valores pequeños de n, el rango es un buen estimador de la varianza tal como lo hace la
varianza de la muestra S2. La eficiencia relativa del método del rango a la S 2 se muestra abajo:
Página 116
CONTROL ESTADÍSTICO DEL PROCESO
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 rápidamente ya que ignora los valores intermedios entre x max
y xmin sin embargo para valores pequeños de n (4,5 o 6) empleados en las cartas de control, es
adecuado. Para cuando n>10 se utiliza la desviación estándar en vez del rango.
EQUIPO DE MEDICIÓN
La resolución del equipo debe ser de al menos 1/10 de la tolerancia y debe tener habilidad para
realizar la medición 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 través de una carta de control, es muy importante
llevar una bitácora registrando todos los cambios (tiempo y descripción) conforme ocurran, por
ejemplo: cambio de turno, cambio de materiales, ajuste de máquina, interrupción de energía,
arranque de máquina, etc. Con objeto de identificar las causas asignables en caso de presentarse
para la toma de acciones correctivas.
Al iniciar una carta de control tomando m subgrupos (20 a 25) se calculan y grafican los límites de
control preliminares para determinar si el proceso estuvo en control (ver procedimiento de
Gráficas de Control). Para probar esta hipótesis, se analizan todos los puntos graficados y se hace
un análisis para identificar si hay puntos fuera de los límites de control o patrones anormales de
comportamiento, si así fuera, los límites de control preliminares se pueden utilizar para el control
futuro del proceso.
Página 117
CONTROL ESTADÍSTICO DEL PROCESO
Si no se prueba la hipótesis de que el proceso está en control, por algún patrón de anormalidad
presente, se determina la causa especial de la anormalidad, se toman acciones correctiva para que
no vuelva a presentar, se eliminan los puntos correspondientes al patrón de anormalidad y se re-
calculan o revisan los límites de control. Se analiza la carta de control para observar un
comportamiento aleatorio, si aun no se tiene, se repite el proceso anterior hasta lograrlo. Una vez
teniendo todos los puntos en control, los nuevos límites de control más cerrados que los originales
se utilizan para el control futuro del proceso.
Cuando no sea posible encontrar causas especiales para los patrones de anormalidad o puntos
fuera de control, no se eliminan y se consideran para la determinación de los límites de control
revisados para el control futuro del proceso.
LSC
LC
LIC
Fig. 3.2 Patrón de anormalidad cíclico
Mezclas de lotes: Se presenta cuando los puntos graficados se localizan cerca o fuera de los límites
de control, con muy pocos puntos cerca de la línea central, puede ser causada por un sobre control
de los operadores sobre el proceso o cuando se toman productos de varias fuentes con diferente
media.
Página 118
CONTROL ESTADÍSTICO DEL PROCESO
LSC
LC
LIC
Corrimiento en la media del proceso. Esto puede ser generado por un cambio en métodos,
operadores, materias primas, métodos de inspección, etc.
LSC
LC
LIC
LC
LIC
Fig. 3.5 Patrón de anormalidad de tendencia ascendente
Página 119
CONTROL ESTADÍSTICO DEL PROCESO
Estratificación: Se muestra como una adhesión a la media, puede ser causado por límites mal
calculados, tomar piezas de procesos diferentes o falta de resolución del equipo de medición.
LSC
LC
LIC
Por lo general la carta R es más sensible a cambios en la normalidad de los procesos, por ejemplo
cuando n = 4 el error tipo I no es 0.00027 sino 0.00461.
Ejemplo 3.1 Para el caso de anillos de pistones de automóvil, se desea establecer un control
estadístico para el diámetro interno de los anillos, a través de una carta de medias-rangos. Se
toman 25 subgrupos de 5 piezas cada uno.
El análisis se inicia con la carta R ya que los límites para la carta X dependen de la variabilidad del
proceso, y a menos que esta variabilidad se encuentre en control, esos límites tendrán poco
significado.
Página 120
CONTROL ESTADÍSTICO DEL PROCESO
De las cartas de control se calcula un rango promedio R de 0.023mm (ver tabla de constantes
para D3 y D4 con n=5):
Si la carta de control para R se encuentra en control estadístico, se puede ahora calcular los límites
para la carta X donde la línea central X es 74.001 (ver tabla de constantes para obtener el
valor de A2 con n=5).
Ejemplo 3.2: Se toman datos de la dimensión crítica de una parte, con el proceso corriendo
normalmente, en 25 subgrupos de tamaño n=5, uno cada hora:
Página 121
CONTROL ESTADÍSTICO DEL PROCESO
140
_
_
130 X=130.88
120
110
LC L=107.31
1 3 5 7 9 11 13 15 17 19
Sample
U C L=86.40
80
Sample Range
60
_
40 R=40.86
20
0 LC L=0
1 3 5 7 9 11 13 15 17 19
Sample
El proceso se observa en control estadístico, con estos límites de control calculados, se continú a
Página 122
CONTROL ESTADÍSTICO DEL PROCESO
150 _
_
X=144.26
135
120 LC L=119.47
1
1
1 4 7 10 13 16 19 22 25 28
Sample
U C L=90.9
80
Sample Range
60
_
40 R=43.0
20
0 LC L=0
1 4 7 10 13 16 19 22 25 28
Sample
Página 123
CONTROL ESTADÍSTICO DEL PROCESO
140
_
_
X=127.06
120
100 LC L=100.95
1 4 7 10 13 16 19 22 25 28
Sample
100
U C L=95.7
75
Sample Range
50 _
R=45.3
25
0 LC L=0
1 4 7 10 13 16 19 22 25 28
Sample
Fig. 3.9 Cartas de control con causas identificadas y eliminadas de puntos anormales
Página 124
CONTROL ESTADÍSTICO DEL PROCESO
7 0 0 20 -20 -10 -2 40
8 70 -30 30 -10 0 12 100
9 0 0 20 -20 10 2 40
10 10 20 30 10 50 24 40
11 40 0 20 0 20 16 40
12 30 20 30 10 40 26 30
13 30 -30 0 10 10 4 60
14 30 -10 50 -10 -30 6 80
15 10 -10 50 40 0 18 60
16 0 0 30 -10 0 4 40
17 20 20 30 30 -20 16 50
18 10 -20 50 30 10 16 70
19 50 -10 40 20 0 20 60
20 50 0 0 30 10 18 50
20 _
_
X=10.9
0
-20
LC L=-25.73
1 3 5 7 9 11 13 15 17 19
Sample
150
U C L=134.3
Sample Range
100
_
R=63.5
50
0 LC L=0
1 3 5 7 9 11 13 15 17 19
Sample
Se realizan pruebas de normalidad a las medias y a los rangos para ver si se tienen un proceso
normal:
Página 125
CONTROL ESTADÍSTICO DEL PROCESO
60
50
40
30
20
10
1
-10 0 10 20 30
Medias
Página 126
CONTROL ESTADÍSTICO DEL PROCESO
60
50
40
30
20
10
1
0 20 40 60 80 100 120
Rangos
Por las pruebas de normalidad de rangos y medias, se deduce que el proceso está en Control
Estadístico (en ambos casos el P value es mayor a 0.05).
Página 127
CONTROL ESTADÍSTICO DEL PROCESO
Ejemplo 3.4 Para elaborar la carta, inicialmente se toman al menos 25 subgrupos con
muestras de cinco partes cada cierto periodo (por ejemplo cada hora).
Se toman varios datos de hilos y se construye una carta de medias – rangos con m =
subgrupos, donde el rango se calcula tomando el valor mayor menos el valor menor del
subgrupo, con n = 5.
Por ejemplo:
Subgrupo Subgrupo Subgrupo
Variables 1 2 m
X1 2 5 3
X2 4 3 4
X3 3 6 1
X4 5 7 5
X5 1 4 2
09:00 a.m. 10:00 a.m. 11:00 a.m.
Media 3 5 3
Rango 4 4 4
Se obtiene una media de medias X y un rango promedio R, para proceder a determinar los
límites de control como sigue:
LSC = X + 0.577x R
LIC = X - 0.577x R
Para el caso de los rangos, la línea central es R los límites de control para el rango son:
LSC = 2.114x R
LIC = 0
Se identifican situaciones fuera de control, se investigan las causas y se toman acciones
preventivas para prevenir la reincidencia y se recalculan los límites de control futuros.
Página 128
CONTROL ESTADÍSTICO DEL PROCESO
Después de identificar las causas de las situaciones fuera de control en los subgrupos 2 y 14 y
tomando acciones preventivas para evitar la reincidencia, se eliminan los subgrupos fuera de
control y se recalculan los límites de control.
Xbar-R Chart of Supp2
U C L=602.247
602
601
Sample M ean
_
_
600 X=599.938
599
598
LC L=597.629
2 4 6 8 10 12 14 16 18
Sample
U C L=8.465
8
Sample Range
_
4 R=4.003
0 LC L=0
2 4 6 8 10 12 14 16 18
Sample
Página 129
CONTROL ESTADÍSTICO DEL PROCESO
Página 130
CONTROL ESTADÍSTICO DEL PROCESO
Una vez que se tiene un proceso en control estadístico, se puede estimar su capacidad o habilidad,
tomando como referencia la desviación estándar del proceso estimada .
LIE = 73.950
LSE = 74.0500
Los límites de tolerancia naturales del proceso inferior y superior (LTNI y LTNS) se encuentran a 3-
sigma del proceso por abajo y por arriba de la media del proceso, o sea en:
Se observa que los límites de tolerancia naturales del proceso se encuentran dentro de los límites
de especificación, por tanto en principio no se observa que haya partes fuera de especificaciones.
Página 131
CONTROL ESTADÍSTICO DEL PROCESO
Otra forma de expresar lo anterior es con el índice de habilidad potencial Cp (o PCR) siendo:
LSE LIE
Cp = (3.12)
6
Caso 1. Si Cp es menor que 1, implica que la banda entre los límites de tolerancia naturales es
mayor que la banda permitida por los límites de especificación.
Caso 2. Si Cp es igual a 1, implica que las bandas para los límites 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 límites de tolerancia natural del
proceso, es menor que la banda permitida por las especificaciones.
Página 132
CONTROL ESTADÍSTICO DEL PROCESO
La fracción de la banda de las especificaciones utilizada por el proceso se estima como sigue:
Página 133
CONTROL ESTADÍSTICO DEL PROCESO
Ejemplo 3.2 (continuación...). Para la carta de control de las medias, después de haber eliminado
las causas especiales y tomado acciones para prevenir su recurrencia, se tiene el cálculo de
habilidad como sigue (considerando que los límites de especificación son 85 y 175):
LSL USL
P rocess Data Within
LS L 85 Ov erall
Target *
USL 175 P otential (Within) C apability
S ample M ean 127.063 Cp 0.77
S ample N 150 C P L 0.72
S tDev (Within) 19.4626 C P U 0.82
S tDev (O v erall) 19.8965 C pk 0.72
O v erall C apability
Pp 0.75
PPL 0.70
PPU 0.80
P pk 0.70
C pm *
Página 134
CONTROL ESTADÍSTICO DEL PROCESO
Ejemplo 3.3. Para las cartas X-R se tiene el cálculo de la capacidad o habilidad del proceso, una vez
estable (considerando que los límites de especificación son -80 y +80):
LSL USL
P rocess Data Within
LS L -80 Ov erall
Target *
USL 80 P otential (Within) C apability
S ample M ean 10.9 Cp 0.98
S ample N 100 C P L 1.11
S tDev (Within) 27.3001 C P U 0.84
S tDev (O v erall) 25.2301 C pk 0.84
O v erall C apability
Pp 1.06
PPL 1.20
PPU 0.91
P pk 0.91
C pm *
-60 -30 0 30 60
O bserv ed P erformance E xp. Within P erformance E xp. O v erall P erformance
P P M < LS L 0.00 P P M < LS L 434.76 P P M < LS L 157.38
P P M > U S L 0.00 P P M > U S L 5684.82 P P M > U S L 3083.22
P P M Total 0.00 P P M Total 6119.59 P P M Total 3240.59
Para el cálculo de otros índices que toman en cuenta la posición de la media, revisar el capítulo de
capacidad del proceso o el procedimiento de cartas X –R.
Los límites de control calculados como límites preliminares, deben ser revisados en forma
periódica que puede ser por semana, mes o cada 25, 50 o 100 puntos dependiendo del proceso en
particular.
Lo recomendable en cada revisión es tomar las acciones necesarias para que la media del proceso
X se acerque cada vez más a la media de las especificaciones (en caso de ser bilaterales) o se
aleje lo más posible de la especificación (en caso de ser unilateral).
Página 135
CONTROL ESTADÍSTICO DEL PROCESO
En cada carta de control X o R es necesario identificar las causas especiales que originen
condiciones fuera de control, tomar acciones correctivas para prevenir su reincidencia, eliminar
esos puntos tanto en la carta X como en la carta R y recalcular los límites de control, para usarse
en el control futuro del proceso.
Es importante hacer notar que no existe ninguna relación matemática entre los límites de
especificación 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 sólo su variabilidad aleatoria y
maximizando la posibilidad de detectar corridas en la media del proceso en función del tiempo.
De esta forma la carta X monitorea la variabilidad entre subgrupos respecto al tiempo y la carta
R monitorea la variabilidad interna entre muestras en un tiempo dado.
Página 136
CONTROL ESTADÍSTICO DEL PROCESO
Los nuevos límites de control para la carta X son (seleccionando A2 en base al nuevo tamaño de
subgrupo nnueva , la línea central no se cambia):
LSCX = X + A2 [d2 nuevo / d2 ant ] R ant (3.14)
Para el caso de la carta R los nuevos límites de control son (seleccionando D 3 y D4 para el nuevo
tamaño de muestra nnueva):
LSCR = D4 [d2 nuevo / d2 ant ] R ant (3.15)
De la tabla de constantes se tiene: d 2 ant. = 2.326, d2 nueva = 1.693, A2 nueva = 1.023, por tanto los límites
nuevos son:
Para la carta R, de la tabla de constantes para n=3 se tiene D 3 = 0, D4 = 2.578, por tanto:
LIM.SUP.NVO
LIMITES
ANTERIORES CARTA X
Página 137
CONTROL ESTADÍSTICO DEL PROCESO
LIM.INF.NVO.
CARTA R
Como se puede observar el efecto de reducir el tamaño de muestra hace que se incremente el
ancho de los límites de control en la carta X (porque es más pequeño con n=5 que con n=3) y
n
se reduzca la media de R y su límite superior en la carta R.
Página 138
CONTROL ESTADÍSTICO DEL PROCESO
La probabilidad de que un punto de X i caiga dentro de límites de control sabiendo que la media
del proceso ya es m1, es igual a la probabilidad de que el punto se encuentre abajo del límite
superior (LSC) menos la probabilidad de que se encuentre abajo del límite inferior de control
(LIC). Considerando la desviación Estándar de las medias, o sea:
+
LSC ( ZLSC, x)
Xi
LC
( ZLIC, x)
LIC
-
LSC ( m 0 k ) LIC ( m 0 k )
Entonces =
/ n - / n
m 0 L / n ( m 0 k ) m L / n ( m 0 k )
= - 0 (3.18)
/ n / n
Ejemplo 3.4 Para una carta X R con L=3 (límites a 3-sigma de medias), tamaño de muestra n=5,
y se desea determinar el corrimiento a m1 = m0 + 2 en la primera muestra subsecuente al
corrimiento de la media del proceso, se tiene:
=(3–2 5 )-(-3–2 5 )
= (-1.47) - (-7.37)
Página 139
CONTROL ESTADÍSTICO DEL PROCESO
= 0.0708
Con las fórmulas anteriores se construyen las curvas características de operación para diferentes
valores de n en función de k.
1
ARL = (3.20)
1
En este caso ARL = 1 / 0.25 = 4. Es decir que el se requieren tomar cuatro muestras antes de
detectar un corrimiento de 1.0 con n = 5.
Para construir la curva OC para la carta de rangos, se utiliza la distribución del rango relativo
W=R/. Si el valor de la desviación estándar cuando el proceso está en control es 0, entonces la
curva OC muestra la probabilidad de no detectar un corrimiento a un nuevo valor 1, donde 1>0
, en la primera muestra después del corrimiento. Se grafica contra = 1/0.
Por ejemplo si = 2 con n=5, sólo se tienen una probabilidad del 40% de detectar este corrimiento
en cada muestra subsecuente. Por tanto la carta R tiene poca sensibilidad de detectar pequeños
corrimientos en sigma, para cual se debe usar la carta S con n>10.
La longitud de corrida media para la carta de Shewhart cuando el proceso está en control es:
Página 140
CONTROL ESTADÍSTICO DEL PROCESO
ARL1 = 1 / ( 1 - ) (3.22)
De las gráficas de ARL anexas, se observa que para detectar un corrimiento de 1.5 con n=3, se
requiere un ARL1 = 3. Se puede reducir el ARL1 a 1 si se incrementa la n=16.
Página 141
CONTROL ESTADÍSTICO DEL PROCESO
20 _
_
X=10.9
0
-20
LC L=-25.11
1 3 5 7 9 11 13 15 17 19
Sample
60
U C L=52.71
45
Sample StDev
30 _
S =25.23
15
0 LC L=0
1 3 5 7 9 11 13 15 17 19
Sample
1/ 2
2 ( n / 2)
c4 (3.18)
n 1 (( n 1) / 2)
CASO DE n CONSTANTE
Con esta información se pueden establecer los límites de control para la carta X y S, cuando se
conoce el valor de dado que existe un historial.
LCs = c4 LC = m
Página 142
CONTROL ESTADÍSTICO DEL PROCESO
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
Como el estadístico S /c4 es un estimador insesgado de , los parámetros de la carta serán los
siguientes:
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 límites de control para esta
carta son:
Página 143
CONTROL ESTADÍSTICO DEL PROCESO
S
LSCx = X + 3 = X + A3 S (3.24)
c4 n
LCx = X
S
LICx = X - 3 = X - A3 S
c4 n
Todas las constantes c4, A’s y B’s se encuentran tabuladas en función de n en la tabla de constantes,
como sigue:
Página 144
CONTROL ESTADÍSTICO DEL PROCESO
CASO DE n VARIABLE
En el caso de tamaño de muestra variable, se utiliza el promedio ponderado de las medias y de las
desviaciones estándar como sigue:
n X i i
X i 1
m (3.25)
n
i 1
i
1/ 2
2
(ni 1) S i
S m (3.26)
ni m
i 1
Ejemplo 3.4 Para una carta X-S con límites variables, se tomaron los
datos siguientes, corriendo en Minitab:
Datos Muestra Datos Muestra Datos Muestra Datos Muestra
74.030 1 74.000 7 73.994 14 74.009 21
74.002 1 73.985 8 74.000 14 74.005 21
74.019 1 74.003 8 73.984 14 73.996 21
73.992 1 73.993 8 74.012 15 74.004 22
74.008 1 74.015 8 74.014 15 73.999 22
73.995 2 73.998 8 73.998 15 73.990 22
73.992 2 74.008 9 74.000 16 74.006 22
74.001 2 73.995 9 73.984 16 74.009 22
73.998 3 74.009 9 74.005 16 74.010 23
74.024 3 74.005 9 73.998 16 73.989 23
74.021 3 73.998 10 73.996 16 73.990 23
74.005 3 74.000 10 73.994 17 74.009 23
74.002 3 73.990 10 74.012 17 74.014 23
74.002 4 74.007 10 73.986 17 74.015 24
73.996 4 73.995 10 74.005 17 74.008 24
73.993 4 73.994 11 74.006 18 73.993 24
74.015 4 73.998 11 74.010 18 74.000 24
74.009 4 73.994 11 74.018 18 74.010 24
73.992 5 73.995 11 74.003 18 73.982 25
74.007 5 73.990 11 74.000 18 73.984 25
Página 145
CONTROL ESTADÍSTICO DEL PROCESO
74.01
Sample Mean
_
_
74.00 X=74.0009
73.99
LCL=73.98134
73.98
1 3 5 7 9 11 13 15 17 19 21 23 25
Sample
0.024 UCL=0.02403
0.018
Sample StDev
0.012
_
S=0.00736
0.006
0.000 LCL=0
1 3 5 7 9 11 13 15 17 19 21 23 25
Sample
Página 146
CONTROL ESTADÍSTICO DEL PROCESO
Ejemplo 3.5 Otro ejemplo con n variable, la X = 74.001 y la S = 0.0098, por tanto los límites de
control son:
LSCX = 74.015
LCX = 74.001
LICX = 73.987
Para la carta S
LSCS = 0.020
LCS = 0.0098
LICS = 0
Como método alterno para n variable se puede utilizar la n si no hay mucha variación entre los
diferentes tamaños de muestra (dentro de n 25%).
ESTIMACIÓN DE
El valor de la desviación estándar puede ser estimado del valor de S como sigue:
S
c4
Para el ejemplo:
S
= 0.0094 / 0.94 = 0.01, tomando el valor de c 4 para n=5.
c4
Existe una variante de las cartas de medias-desviación estándar denominadas cartas de medias-
varianza.
Página 147
CONTROL ESTADÍSTICO DEL PROCESO
En tales situaciones se utiliza la carta de control por lecturas individuales. Los rangos móviles se
n=2
Ejemplo 3.6 Se toman varios datos de viscosidades y se construye una carta de lecturas
individuales, donde el rango se calcula tomando cada dos valores consecutivos, por tanto el valor
de n = 2 y habrá (m – 1) rangos en total. Con m = número de subgrupos.
Lote Viscocidad
1 33.75
2 33.05
3 34.00
4 33.81
5 33.46
Página 148
CONTROL ESTADÍSTICO DEL PROCESO
6 34.02
7 33.68
8 33.27
9 33.49
10 33.20
11 33.62
12 33.00
13 33.54
14 33.12
15 33.84
34.0
_
33.5 X=33.523
33.0
32.5
LC L=32.245
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15
O bser vation
1.6 U C L=1.571
1.2
Moving Range
0.8
__
M R=0.481
0.4
0.0 LC L=0
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15
O bser vation
Ejemplo 3.7: Se toman varios datos de edades y se construye una carta de lecturas
individuales, donde el rango se calcula tomando cada dos valores consecutivos, por tanto
el valor de n = 2 y habrá (m – 1) rangos en total. Con m = número de valores individuales.
Página 149
CONTROL ESTADÍSTICO DEL PROCESO
Por ejemplo:
Valores individuales Rango
23 -
15 8
11 4
24 13
38 14
19 19
600
_
X=599.548
599
598 LC L=597.920
1
1 10 20 30 40 50 60 70 80 90 100
O bser vation
2.4
1
U C L=2.000
M oving Range
1.8
1.2
__
0.6 M R=0.612
0.0 LC L=0
1 10 20 30 40 50 60 70 80 90 100
O bser vation
Ejercicio Hacer una carta I-MR utilizando las fichas de ejemplo por equipos.
Página 150
CONTROL ESTADÍSTICO DEL PROCESO
Página 151
CONTROL ESTADÍSTICO DEL PROCESO
Las cartas por atributos tiene la ventaja que consideran varias características a la vez clasificando la
unidad como conforme o no conforme, si no cumple alguna de esas características. Por otra parte
si esas características se controlan como variables, debe llevarse una carta de control para cada
una de esas características, lo cual es más laborioso, otra alternativa es el C.E.P. multivariado.
Las cartas por variables proporcionan mayor información del proceso que las de atributos, tal
como la media del proceso y su variabilidad, también proporcionan información 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 artículos no conformes, lo que no sucede con las cartas por
atributos hasta que el proceso genere más disconformes.
LIE m1 m2 m3 LSE
Reacción de carta X-R Reacción de carta p
Tal vez la ventaja más importante de la carta X-R es que proporciona un indicador de inicio de
problemas y permite al personal operativo tomar acciones correctivas antes que se produzcan
defectivos realmente, de esta forma las cartas X-R son indicadores guía de falla, mientras que las
cartas p (o c o u) no reaccionan a menos que el proceso haya cambiado tanto que se produzcan
más defectivos.
Página 152
CONTROL ESTADÍSTICO DEL PROCESO
unidades no conformes producidas se haya incrementado. Por tanto las cartas X-R son más
poderosas que las cartas p.
Para el mismo nivel de protección contra corrimientos del proceso, la carta p requiere un tamaño
de muestra mayor, la X-R requiere tomar mucho menos unidades aunque las mediciones toman
más tiempo. Esta consideración es importante para el caso de pruebas destructivas.
Ejemplo 3.8 Si el proceso se controla con una carta X , donde el valor medio de la característica
de calidad es 50 y la desviación estándar es 2, para límites de 3-sigma y especificaciones LIE=44 y
LSE=56, cuando el proceso está en control en el valor nominal de 50, la fracción no conforme es
0.0027.
Suponiendo que la media del proceso del proceso se corre a 52, la fracción defectiva producida
será aproximadamente 0.0202, si se desea que la probabilidad de detectar este corrimiento en la
siguiente muestra subsecuente sea del 0.50, entonces el tamaño de muestra en la carta X debe
ser tal que se cumpla que el LSC sea 52 o sea:
3(2)
50 52
n
donde n=9,
Si se utiliza una carta p entonces el tamaño de muestra requerido para tener la misma probabilidad
de detectar el corrimiento es:
2
k
n p (1 p )
n = 79.23 80
Página 153
CONTROL ESTADÍSTICO DEL PROCESO
Donde se observa que a menos que el costo de medir 9 muestras sea mayor que 9 veces el costo
de inspección por atributos, las carta X es más económica de aplicar.
Se sugiere lo siguiente:
1. Determinar cual es la característica a controlar.
2. Seleccionar un tipo de carta de control.
3. Identificar el proceso donde se implantarán las cartas de control.
4. Tomar acciones para mejorar el proceso, como resultado de la aplicación de la carta de control.
5. Seleccionar el sistema de colección de datos y software de C.E.P.
Página 154
CONTROL ESTADÍSTICO DEL PROCESO
Página 155
CONTROL ESTADÍSTICO DEL PROCESO
n c4 A A3 B3 B4 B5 B6 .
5 0.94 1.342 1.427 0 2.089 0 1.964
6 0.9515 1.225 1.287 0.03 1.97 0.029 1.874
7 0.9594 1..134 1.182 0.118 1.882 0.113 1.806
8 0.965 1.061 1.099 0.185 1.815 0.179 1.751
9 0.9693 1 1.032 0.239 1.761 0.232 1.707
10 0.9727 0.949 0.975 0.284 1.716 0.276 1.669
11 0.9754 0.905 0.927 0.321 1.679 0.313 1.637
12 0.9776 0.866 0.886 0.354 1.646 0.346 1.61
13 0.9794 0.832 0.85 0.382 1.618 0.374 1.585
14 0.981 0.802 0.817 0.406 1.594 0.399 1.563
15 0.9823 0.775 0.789 0.428 1.572 0.421 1.544
16 0.9835 0.75 0.763 0.448 1.552 0.44 1.526
17 0.9845 0.728 0.739 0.466 1.534 0.458 1.511
18 0.9854 0.707 0.718 0.482 1.518 0.475 1.496
19 0.9862 0.688 0.698 0.497 1.503 0.49 1.483
20 0.9869 0.671 0.68 0.51 1.49 0.504 1.47
21 0.9876 0.655 0.663 0.523 1.477 0.516 1.459
22 0.9882 0.64 0.647 0.534 1.466 0.528 1.448
23 0.9887 0.626 0.633 0.545 1.455 0.539 1.438
24 0.9892 0.612 0.619 0.555 1.445 0.549 1.429
25 0.9896 0.6 0.606 0.565 1.435 0.559 1.42
Página 156
CONTROL ESTADÍSTICO DEL PROCESO
Fig. 4.1 Cuando el producto no es funcional es no conforme, defectivo o defectuoso. Puede ser
reparado o desperdicio.
Fig. 4.1 El producto puede ser funcional, pero puede tener defectos o no conformidades, que
pueden ser corregidas con retrabajo o no se pueden corregir y ser desperdicio.
Página 157
CONTROL ESTADÍSTICO DEL PROCESO
Di
pi (4.1)
ni
__
mp (4.2)
p (1 p )
2p (4.3)
n
Del modelo general para la carta de control de Shewhart, si w es un estadístico que mide una
LSC = mw + Lw
LC = mw (4.4)
LIC = mw - Lw
Donde L es la distancia de la línea central hasta los límites de control, es común usar L = 3.
Página 158
CONTROL ESTADÍSTICO DEL PROCESO
__ __
__
LSCp = p 3 p (1 p )
n
__
LCp = p (4.5)
__ __
LICp = p 3 p (1 p )
__
Cuando la fracción defectiva del proceso es desconocida, se estima de los datos observados en m
muestras iniciales, cada una de tamaño n , por lo general se toman 20 a 25 de estas. Así si D i son
unidades no conformes en la muestra i , la fracción defectiva de la muestra i - ésima estará dada
como:
pi = Di / n i = 1, 2, 3,....., m (4.6)
m m
D p i i
(4.7)
p i 1
i 1
mn m
p (1 p )
LSC p p 3 (4.5) anterior
n
LC p p
Página 159
CONTROL ESTADÍSTICO DEL PROCESO
p(1 p )
LIC p p 3
n
Una vez hecha la gráfica trazando los límites 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 situación fuera
de control se eliminan y se calculan de nuevo los límites de control preliminares.
Ejemplo 4.1 Para el llenado de cajas de concentrado de jugo de naranja de 6 oz., se inspecciona
cada caja y se inspecciona el sello para evitar fugas, se lleva una carta de control P para tomar
acciones y mejorar el desempeño de la maquina selladora.
D p i i
=
347
= 0.2313
p i 1
i 1 (30)(50)
mn m
Página 160
CONTROL ESTADÍSTICO DEL PROCESO
P Chart of Defectos
0.5 1
0.4 UCL=0.4102
0.3
Proportion
_
P=0.2313
0.2
0.1
LCL=0.0524
0.0
1 4 7 10 13 16 19 22 25 28
Sample
De la carta de control se observa que las muestras 15 y 23 están fuera de los límites de control, de
tal forma que el proceso está fuera de control.
Del análisis de los datos de la bitácora se encontró que la muestra 15 corresponde a el cambio de
un nuevo lote de cajas el cual fue diferente y que la muestra 23 corresponde a un operador sin
experiencia asignado temporalmente a la máquina.
Tomando acciones correctivas para evitar la recurrencia de las causas anteriores y calculando
nuevos límites preliminares con los puntos 15 y 23 eliminados, se tiene con Minitab:
LSCp = 0.3893
Página 161
CONTROL ESTADÍSTICO DEL PROCESO
LCp = 0.2150
LICp = 0.0407
P Chart of Defectos
1
0.4
UCL=0.3893
0.3
Proportion
_
P=0.215
0.2
0.1
LCL=0.0407
0.0
1 4 7 10 13 16 19 22 25 28
Sample
Página 162
CONTROL ESTADÍSTICO DEL PROCESO
P Chart of Defectos
0.4
UCL=0.3804
0.3
Proportion
_
0.2 P=0.2081
0.1
LCL=0.0359
0.0
1 4 7 10 13 16 19 22 25
Sample
A<Se observa que a pesar de que el proceso está en control, no se tienen presentes problemas
controlables por el operador, por tanto las causas de variabilidad son comunes y su reducción
depende sólo del control de la administración, una vez que interviene e Ingeniería realiza una serie
de ajustes a la máquina, se monitorea la mejora.
Continuando con el ejemplo, se toman 24 muestras adicionales durante los siguientes 3 turnos, la
gráfica se hizo utilizando Minitab:
Se observa que la p media del proceso ha mejorado con los ajustes y una mejor atención de los
operadores.
Página 163
CONTROL ESTADÍSTICO DEL PROCESO
Se puede probar la hipótesis que la fracción no conforme en los últimos 3 turnos, difiere de la
fracción no conforme preliminar, con el procedimiento de prueba de hipótesis:
H0: p1 = p 2
H1: p1 > p2
m m
Di p i
=
133
133
0.1108
p2 i 31
i 31 (50)( 24) 1200
mn m
p1 p 2
Z0 n1 p1 n2 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
Página 164
CONTROL ESTADÍSTICO DEL PROCESO
Por tanto se rechaza la hipótesis H o concluyendo que hubo una reducción en la fracción defectiva
promedio del proceso.
Usando sólo los últimos 24 puntos para calcular nuevos límites se tiene:
LSCp = 0.2440
LCp = 0.1108
LICp = -0.0224 = 0
Continuando con el ejemplo, usando los nuevos límites de control, para las siguientes 40 muestras
se observa una mejora del proceso, dentro de control. Es muy importante que para identificar
fácilmente las causas asignables, se lleve una bitácora de cambios, donde se anote cada cambio
que ocurra, independientemente que afecte o no al proceso.
Página 165
CONTROL ESTADÍSTICO DEL PROCESO
Método 1.
El tamaño de muestra n se escoge de tal forma que la probabilidad de encontrar al menos una
unidad no conforme por muestra sea al menos .
Ejemplo 4.2, si p = 0.01 y se desea que la probabilidad de hallar al menos una unidad no conforme
sea al menos 0.95, si D es el número de artículos no conformes, entonces:
Con la distribución de Poisson se encuentra que = np debe ser mayor a 3.00, por tanto si p =
0.01, implica que el tamaño de muestra debe ser al menos de 300.
Método 2.
Duncan sugiere que el tamaño 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.
p (1 p )
L (4.8)
n
Donde L es la distancia de la línea central a los límites de control en desviaciones estándar, por
tanto,
Página 166
CONTROL ESTADÍSTICO DEL PROCESO
2
L
n p (1 p ) (4.9)
Ejemplo 4.3, si p = 0.01 y se desea que la probabilidad de detectar un corrimiento a p = 0.05 sea de
0.50, entonces = 0.05 – 0.01 = 0.04 y si L = 3-sigma, se tiene:
2
3
n= (0.01)(0.99) 56
0.04
Método 3.
Otro método a usar si la fracción p en control es pequeña, consiste en seleccionar n tan grande de
tal forma que el límite inferior tenga un valor positivo, para poder investigar la causa de generación
de muy bajas cantidades de artículos defectuosos con objeto de identificar errores de inspección o
de los equipos de medición. Se tiene:
p(1 p)
LIC p p L 0 (4.10)
n
Implica que,
(1 p ) 2
n L (4.11)
p
Ejemplo 4.4, si p = 0.05 y se tienen límites de control a 3-sigma, el tamaño de muestra será:
0.95
n (3) 2 171
0.05
Es importante notar que la carta de control p se basa en la distribución normal, es decir que la
probabilidad de ocurrencia de artículos defectivos es constante y que las unidades producidas son
independientes. Si no es el caso, se debe desarrollar una carta de control basada en el modelo de
probabilidad adecuado.
Página 167
CONTROL ESTADÍSTICO DEL PROCESO
No
Servicio No conformes Servicio No conformes Servicio conformes
1 12 11 5 21 20
2 15 12 6 22 18
3 8 13 17 23 24
4 10 14 12 24 15
5 4 15 22 25 9
6 7 16 8 26 12
7 16 17 10 27 7
8 9 18 5 28 13
9 14 19 13 29 9
10 10 20 11 30 6
Como en total se encontraron 347 quejas o servicios no conformes, se estima p como
sigue:
m m
Di p i
=
347
= 0.2313
p i 1
i 1 (30)(50)
mn m
Los límites de control usando Minitab son:
LSCp = 0.4102 LCp = 0.2313 LICp = 0.0524
Página 168
CONTROL ESTADÍSTICO DEL PROCESO
Página 169
CONTROL ESTADÍSTICO DEL PROCESO
Página 170
CONTROL ESTADÍSTICO DEL PROCESO
LSC np np 3 np (1 p )
LC np np (4.12)
LIC np np 3 np(1 p )
Ejemplo 4.5, con los últimos 39 datos de las cajas de concentrado de jugo de naranja es, se tiene:
NP Chart of Defectos
20
UCL=19.02
15
Sample Count
__
10 NP=10.41
LCL=1.80
0
1 4 7 10 13 16 19 22 25
Sample
Figura 4.5 Carta de control np en control estadístico con límites de control constantes
Página 171
CONTROL ESTADÍSTICO DEL PROCESO
En algunas aplicaciones para la fracción defectiva, la muestra es la inspección 100% de los lotes
producidos en un periodo de tiempo, por tanto la muestra será variable. Se tiene varios métodos
para llevar una carta de control:
Se calculan límites de control para cada muestra en base en la fracción defectiva promedio p y su
Ejemplo 4.6, Se tomaron datos del resultado de la inspección diaria, registrando la producción total
y los defectivos del día.
Página 172
CONTROL ESTADÍSTICO DEL PROCESO
25
D i
234
p i 1
25
0.096
2450
n
i 1
i
(0.096)(0.904)
LSCp= p 3 p 0.096 3
ni
LC = 0.096
(0.096)(0.904)
LICp= p 3 p 0.096 3
ni
NP Chart of nodef
1
20
UCL=16.94
15
Sample Count
10 __
NP=8.58
0 LCL=0.22
1 3 5 7 9 11 13 15 17 19 21 23
Sample
Tests performed with unequal sample sizes
Figura 4.6 Carta de control np en control estadístico con límites de control variables
Página 173
CONTROL ESTADÍSTICO DEL PROCESO
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 gráfica se observa que el punto 11 está fuera de control.
En este método, los puntos se grafican en unidades de desviación estándar. En la carta de control
estandarizada, la línea central es cero y los límites de control están a +3 y –3 respectivamente, la
variable a graficar en la carta es:
pi p
Zi
p (1 p ) (4.13)
ni
Página 174
CONTROL ESTADÍSTICO DEL PROCESO
Ejemplo 4.7 Con los 25 datos anteriores se obtiene una carta estandarizada, por medio de Minitab.
Página 175
CONTROL ESTADÍSTICO DEL PROCESO
1.5
_
0.0 X=-0.028
-1.5
-3.0 LC L=-2.926
1 3 5 7 9 11 13 15 17 19 21 23
O bser vation
1
4
U C L=3.560
3
M oving Range
2
__
1 M R=1.090
0 LC L=0
1 3 5 7 9 11 13 15 17 19 21 23
O bser vation
La probabilidad de error tipo II para la carta de control de fracción defectiva o no conforme es:
Página 176
CONTROL ESTADÍSTICO DEL PROCESO
Como D es una variable aleatoria binomial con parámetros n y p, el error puede ser obtenido de
la función de distribución acumulativa (la distribución de Poisson se puede utilizar como una
aproximación).
Ejemplo 4.8 Si n = 50, LIC = 0.0303 y LSC = 0.3697, el error tipo II se calcula como sigue:
P{D 18 p} P{D 1 p}
NOTA: Se debe usar la distribución de Poisson para np <=5 y distribución Normal en caso contrario.
A continuación se muestran curvas OC con 3 distribuciones.
Página 177
CONTROL ESTADÍSTICO DEL PROCESO
Página 178
CONTROL ESTADÍSTICO DEL PROCESO
Para esta carta de control, también se puede calcular la longitud de corrida media ARL.
ARL0 = 1 /
ARL1 = 1 / (1 - )
Ejemplo 4.9, suponiendo que el proceso se corre a p 1 = 0.3, siendo su valor nominal p 0 = 0.2. De la
curva OC se observa que en este caso es 0.9973 estando en control, en este caso = 1 - =
0.0027 y el valor de ARL0 es:
Indicando que cada 370 puntos se puede tener una falsa alarma.
Página 179
CONTROL ESTADÍSTICO DEL PROCESO
Una no conformidad o defecto es una característica específica que no cumple con la especificación
del producto. Las no conformidades pueden tener una gravedad diferente desde menores hasta
críticas. Se pueden desarrollar cartas de control para el número total de no conformidades en una
unidad o el número promedio de no conformidades por unidad.
Estas cartas asumen que las ocurrencias de no conformidades en muestras de tamaño constante
son modeladas bien por la distribución de Poisson, es decir implica que las oportunidades o
localizaciones potenciales para las no conformidades sea muy infinitamente grande y que la
probabilidad de ocurrencia de una no conformidad en cualquier localización sea pequeña y
constante. Además, cada unidad de inspección debe representar una “área de oportunidad”
idéntica para la ocurrencia de no conformidades. Si estas condiciones no se cumplen, el modelo de
Poisson no es apropiado.
Una unidad de inspección es simplemente una entidad para la cual es conveniente registrar el
número de defectos, puede formarse con 5 unidades de producto, 10 unidades de producto, etc.
Suponiendo que los defectos o no conformidades ocurren en la unidad de inspección de acuerdo a
la distribución de Poisson, o sea:
e c c x
p( x )
x!
(4.15)
Donde la media y la desviación estándar tienen valor c; para x = 0, 1, 2, .......
Por tanto considerando L = 3-sigma, los límites de control para la carta de no conformidades son:
Página 180
CONTROL ESTADÍSTICO DEL PROCESO
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
No Conformidades
21 19
24 10
16 17
12 13
15 22
5 18
28 39
20 30
31 24
25 16
20 19
24 17
16 15
Donde,
LSC = 33.22
LC = 516 / 26 = 19.85 = c
LIC = 6.48
Página 181
CONTROL ESTADÍSTICO DEL PROCESO
De la carta de control preliminar, se observa que hay 2 puntos fuera de control, el 6 y el 20.
C Chart of NoConform
40 1
UCL=33.21
30
Sample Count
_
20 C=19.85
10
LCL=6.48
1
0
1 4 7 10 13 16 19 22 25
Sample
Una investigación reveló que el punto 6 fue debido a que un inspector nuevo calificó los circuitos
impresos pero no tenía la suficiente experiencia, fue entrenado. El punto 20 fue causado por una
falla en el control de temperatura de la soldadora de ola, lo cual fue reparado. Por lo anterior se
toman acciones para evitar recurrencia, se eliminan y se recalculan los límites de control.
Página 182
CONTROL ESTADÍSTICO DEL PROCESO
C Chart of NoConform
35
UCL=32.97
30
25
Sample Count
_
20 C=19.67
15
10
LCL=6.36
5
1 3 5 7 9 11 13 15 17 19 21 23
Sample
Como el proceso ya se encuentra en control estadístico, estos límites se tomarán como base para
el siguiente periodo, donde se tomaron 20 unidades de inspección adicionales.
No Conformidades 1
16 18
18 21
12 16
15 22
24 19
21 12
28 14
20 9
25 16
19 21
Se observa en la gráfica que no se tienen puntos fuera de control, sin embargo el promedio de
defectos es alto, requiere la acción de la administración.
Página 183
CONTROL ESTADÍSTICO DEL PROCESO
C Chart of C4
35
UCL=32.98
30
25
Sample Count
_
20 C=19.67
15
10
LCL=6.36
5
1 3 5 7 9 11 13 15 17 19
Sample
Figura 4.10 Carta de control C dentro de control estadístico para otras 20 muestras – muy alta c
Haciendo un análisis de Pareto de los principales defectos se observó que el principal defecto de
soldadura insuficiente y soldadura fría, acumulan el 69% del total, por lo que se deben enfocar los
esfuerzos a resolver estos problemas.
Página 184
CONTROL ESTADÍSTICO DEL PROCESO
Página 185
CONTROL ESTADÍSTICO DEL PROCESO
Puede ser necesario estratificar el problema identificando en que modelo de circuito impreso se
presentan los defectos principalmente.
Otra forma de análisis es el diagrama de causa efecto para identificar las diferentes fuentes de no
conformidades.
Método 1. Con nc
En este caso tanto la línea central como los límites de control se modifican por el factor n,
quedando como sigue ( c es la media de las no conformidades observada en la unidad de
inspección anterior):
Página 186
CONTROL ESTADÍSTICO DEL PROCESO
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 inspección 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
Como c es una variable aleatoria que sigue la distribución de Poisson, los parámetros de la carta u
de número de no conformidades o defectos por unidad son:
u
LSC u u 3
n
LC u u (4.20)
u
LSC u u 3
n
Página 187
CONTROL ESTADÍSTICO DEL PROCESO
No conformidades
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
Página 188
CONTROL ESTADÍSTICO DEL PROCESO
U Chart of C6
4
UCL=3.794
3
Sample Count Per Unit
_
2 U=1.93
0 LCL=0.066
1 3 5 7 9 11 13 15 17 19
Sample
Figura 4.13 Carta de control de defectos por unidad U con tamaño de muestra constante en control
estadístico
En la carta de control no se observa falta de control estadístico, por tanto los límites preliminares
se pueden utilizar en corridas futuras.
En algunos casos las cartas de control para no conformidades se utilizan en la inspección 100% de
la producción o lotes de producto, por tanto, las unidades de inspección no son constantes. En esta
carta se tiene una línea central constante y los límites de control varían inversamente con la raíz
cuadrada del tamaño de muestra n.
Página 189
CONTROL ESTADÍSTICO DEL PROCESO
u
LSC ui u 3
ni
LC u u (4.21)
u
LSC ui u 3
ni
Ejemplo 4.11 En una planta textil, se inspeccionan defectos por cada 50m 2 los datos se muestran a
continuación.
Unidades No conform
10 14
8 12
13 20
10 11
9.5 7
10 10
12 21
10.5 16
12 19
12.5 23
153
La línea central es u 1.42
107.5
Donde u = Total de defectos observados / Total de unidades de inspección
De la gráfica no se observan puntos fuera de control.
Página 190
CONTROL ESTADÍSTICO DEL PROCESO
U Chart of No conform
3.0
2.5 UCL=2.436
Sample Count Per Unit
2.0
_
1.5
U=1.423
1.0
0.5
LCL=0.411
0.0
1 2 3 4 5 6 7 8 9 10
Sample
Tests performed with unequal sample sizes
Figura 4.14 Carta de control para defectos por unidad con tamaño de muestra variable
m
ni
n (4.22)
i 1 m
2. Usando una de control estandarizada (opción preferida). Se grafica Z i con límites de control en
+3 y –3, línea central cero.
ui u
Zi
u (4.23)
ni
Página 191
CONTROL ESTADÍSTICO DEL PROCESO
U prom 1.423256
I Chart of Zu
3 UCL=3
1
Individual Value
_
0 X=0
-1
-2
-3 LCL=-3
1 2 3 4 5 6 7 8 9 10
Observation
Página 192
CONTROL ESTADÍSTICO DEL PROCESO
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
ponderación a esos diversos tipos de defectos de acuerdo a su gravedad, un esquema posible es el
siguiente:
Defectos tipo A – Muy serios: La unidad no puede funcionar o fallará en el campo, o puede causar
daño al usuario.
Defectos tipo B – Serios: La unidad tendrá menos vida útil, o puede causar una falla de
funcionamiento mayor.
Defectos tipo C – Poco serios: La unidad puede tener fallas pero continuar funcionando, o puede
incrementar los costos de mantenimiento, o tener una mala apariencia como usada.
Defectos tipo D – Menores: La unidad no fallará en servicio pero tiene defectos de apariencia,
terminados o calidad de trabajo.
Supóngase que para los defectos anteriores se tengan los números ciA, ciB, ciC, ciD respectivamente en
la i-ésima 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 distribución de Poisson. Entonces se
puede definir el número de deméritos en la unidad de inspección por ejemplo como:
n
Deméritos por unidad es (con d
i 1
i número total de deméritos en todas las unidades de
inspección):
ui = D / n =
d
i 1
i
(4.25)
n
Página 193
CONTROL ESTADÍSTICO DEL PROCESO
LSC = u + 3 u
LC = u (4.26)
LIC = u + 3 u,
Donde,
La curva característica de operación (OC) puede ser obtenida tanto para la carta c como para la
carta u a partir de la distribución de Poisson.
Para la carta c, la curva OC muestra la probabilidad del error tipo II contra la media real del
numero de defectos c, se expresa como sigue:
Ejemplo 4.12, para el caso de la carta c anterior con LSC = 33.22, LIC = 6.48, se tiene:
P{x 33.22 c} P{x 6.48 c}
Página 194
CONTROL ESTADÍSTICO DEL PROCESO
Página 195
CONTROL ESTADÍSTICO DEL PROCESO
P{ x LSC u} P{ x LIC u}
Las cartas por atributos c y u no son convenientes en estos casos ya que tendrían ceros la mayor
parte del tiempo, una alternativa es graficar los intervalos de tiempo entre ocurrencias de los
defectos o “eventos”.
Nelson, sugiere una alternativa transformando la variable aleatoria exponencial a una variable
aleatoria de Weibull de tal forma que sea una buena aproximación a la normal. Si y representa la
variable aleatoria exponencial original, la transformación adecuada es:
Por tanto se construye una carta de control para x, asumiendo que x sigue una distribución normal.
Por ejemplo para el monitoreo de fallas de una válvula importante, se usará el número de horas
entre fallas como la variable a monitorear. En la página siguiente se muestra este ejemplo.
Página 196
CONTROL ESTADÍSTICO DEL PROCESO
Se pueden utilizar cartas de medias-rangos en situaciones las corridas de producción sean cortas,
tomando las desviaciones respecto a la media de especificaciones en lugar del valor como tal.
Página 197
CONTROL ESTADÍSTICO DEL PROCESO
1.5
Sample Mean
_
_
0.0 X=0.167
-1.5
LC L=-2.596
-3.0
1 2 3 4 5 6 7 8 9 10
Sample
U C L=6.950
6.0
Sample Range
4.5
_
3.0
R=2.7
1.5
0.0 LC L=0
1 2 3 4 5 6 7 8 9 10
Sample
Si la desviación estándar para las diferentes partes es diferente, se usan estas cartas. Sean
R i .....Ti el rango medio y el valor nominal de x para un número de parte específico. Para todas
R
RS (5.1)
Ri
Se toman de datos históricos o de especificaciones para el rango, o se puede estimar de con
R i Sd 2
c4 sus límites de control son D3 y D4. Para la media graficar,
S x Ti
x (5.2)
Ri
La línea central para la carta x estandarizada es cero, y sus límites de control son LSC = A 2 y LIC =
-A2 .
Página 198
CONTROL ESTADÍSTICO DEL PROCESO
Se utilizan cartas de control estandarizadas con límites de control LSC=+3 y LIC=-3. Los estadísticos
a graficar son:
pi p
Carta p Zi
p (1 p ) / n
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
Se permite que m varíe entre mI y mS de tal forma que no se exceda la fracción defectiva . Se asume
que el proceso está normalmente distribuido y que sea conocida y esté en control.
Página 199
CONTROL ESTADÍSTICO DEL PROCESO
m
LIEsp. |--- 6 ---| LSEsp.
LIE mI mS LSE Z
Z
/ n
LIC LSC
Z
n
Donde:
m I LIE Z (5.4)
m S LSE Z
Página 200
CONTROL ESTADÍSTICO DEL PROCESO
Z Z
LSC m S LSE Z (5.5)
n n
Z Z
LIC m I LIE Z
n n
En las cartas modificadas, es una fracción no conforme que se acepta con una probabilidad (1-).
Si la variabilidad del proceso cambia, éstas 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.
Los límites de control para este caso se basan en una n especificada y una fracción no conforme del
proceso que nos gustaría rechazar con una probabilidad (1-), por tanto:
Z Z
LSC m S LSE Z (5.5)
n n
Z Z
LIC m I LIE Z
n n
Es posible también seleccionar un tamaño de muestra de tal forma que se obtengan los
requerimientos para , , y . Igualando los límites de control superiores:
Página 201
CONTROL ESTADÍSTICO DEL PROCESO
Z Z
LSC LSE Z = LSE Z
n n
Se obtiene
2
Z Z
n (5.6)
Z Z
Ejemplo 5.2 Si delta = 0.01, alfa = 0.00135, gama = 0.05 y beta = 0.20, haciendo los cálculos se
obtiene una n = 31.43 32.
2
3.00 0.84
n
2.33 1.645
LSE =0.025
LSE-1.96
0.10
LIE+1.96
LIE =0.025
En la figura si suponemos que =0.025 y = 0.10, asumiendo un proceso normal, los límites para la
carta de control de aceptación estarán en:
29
Duncan A., Control de Calidad y Estadística Industrial, Alfaomega, México, 1989, pp. 527-530
Página 202
CONTROL ESTADÍSTICO DEL PROCESO
Cuando un desgaste natural ocurre, se presenta una tendencia natural en la carta de control, la
distancia entre los límites de especificación debe ser mucho mayor que 6X, por lo que
se puede usar el concepto de la carta de control modificada (X = R/d2).
El ajuste inicial de la herramienta se inicia a 3x arriba del límite inferior de especificación, y el
máximo que se le permite variar es hasta 3x abajo del límite superior de
especificación. Esto minimiza los ajustes a realizar durante las corridas de producción.
Se puede utilizar un valor diferente de Z = 3 si se requiere una mayor protección en la
fracción defectuosa. Para este problema también se puede utilizar la carta de regresión.
LSE
_
X
LSE-3x
Amplitud dentro de la cual
se espera encontrar las 6 X_
LIE+3x
LIE
Como se puede observar, sólo se puede emplear ésta carta si la amplitud de los límites de
especificación es suficiente mayor a 6x para alojar la carta de control.
Página 203
CONTROL ESTADÍSTICO DEL PROCESO
La pendiente b de la línea central y límites de control se pueden calcular por los métodos
siguientes:
1. Dibujando una línea central que pase por los puntos graficados y estimando en forma gráfica la
pendiente.
2. Utilizando la técnica de mínimos cuadrados, donde si se tienen un total de m muestras con el
número de muestra i = 1,2,3…..m la pendiente b es (los datos se pueden codificar para
facilidad):
(5.7)
m 2 LSE 3 x LSE 3R / d 2
M* = ( m 1, - m 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 está en control estadístico. En caso de que la media en lugar de
Página 204
CONTROL ESTADÍSTICO DEL PROCESO
Ejemplo 5.4 El diámetro exterior de una válvula tiene una especificación de 1.1555 0.0005”. Se
han tomado 13 muestras de 5 piezas cada una sin ajustar la herramienta de corte, en intervalos de
media hora. Los resultados son:
Muestra i
1 2 3 4 5 6 7 8
_
X i 1.15530, 1.15540,1.15544, 1.15546, 1.15550, 1.15556, 1.15568, 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
Es decir que tienen que pasar 11 puntos o 5.5 horas para reajustar el proceso
LSE
m2
Pendiente b
LSC
m 1,
LIC
LIE
Página 205
CONTROL ESTADÍSTICO DEL PROCESO
Es una técnica usada para detectar irregularidades en el proceso, que pueden resultar en la
producción de unidades fuera de especificaciones. Pre-control, principalmente se presta para el
uso de aparatos de medición hechos previamente sobre los límites de las especificaciones. El uso
de éstos aparatos de medición permite seleccionar fácilmente las unidades que proceden de las
que no. Pre-control es usado con frecuencia para determinar los valores de las variables del
proceso durante el período de arranque de la producción.
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 ésta zona, en este caso se considera que el proceso
se salió de control.
Página 206
CONTROL ESTADÍSTICO DEL PROCESO
Ventajas:
Pre-control es una técnica simple que a diferencia con el control estadístico del proceso (CEP) no
requiere de gráficas de control, ni de cómputos.
Desventajas:
No existen gráficas 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 pequeña de muestras, es
riesgoso inferir sobre la totalidad del proceso. Finalmente, Pre-control no proporciona información
suficiente para someter el proceso bajo control o para reducir la variabilidad. Asume que el
proceso es hábil y que es normal.
Recomendaciones:
Pre-control sólo debe ser usado cuando la capacidad del proceso (Cp) 30 es mayor que uno (algunos
textos recomiendan como mínimo Cp=2)31, y cuando se han alcanzado cero defectos en el proceso.
0 1 1 3 1
4 2 4
30
C p USL LSL , donde USL = Upper Specification Limit y LSL = Lower Specification Limit.
6
31
Montogomery, Douglas C. “Statistical Quality Control”, John Wiley & Sons, Inc., 1991, pp. 332-
334.
Página 207
CONTROL ESTADÍSTICO DEL PROCESO
Página 208
CONTROL ESTADÍSTICO DEL PROCESO
Notas:
1. Si cinco unidades están dentro de los límites de Pre-control, cambie a verificación intermitente.
2. Cuando se encuentre en verificación intermitente, no ajuste el proceso hasta que una unidad
exceda algún límite 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 límites
de pre-control para cambiar a verificación intermitente.
4. Si el operador toma más de 25 muestras sin reiniciar el proceso, reduzca la frecuencia de las
verificaciones.
Página 209
CONTROL ESTADÍSTICO DEL PROCESO
Se utiliza para procesos con muchas fuentes de producción, por ejemplo diversos husillos que en
principio producen piezas similares. El usar una carta de control para cada husillo por
separado sería prohibitivo, sin embargo se tiene la alternativa de ésta carta de control
siempre que la producción entre husillos no esté 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 habrán tomado 20 x 6 = 120 medias y rangos de n = 4 observaciones. De
_
éstos se calculan la media de medias X y el R , los límites de control se calculan
_ _
LICX = X - A2 R LICR = D3 R (5.10)
_ _
LSCX = X + A2 R LSCR = D4 R
Con los límites de control trazados, se grafica después sólo la mayor y la menor de las 6 lecturas
promedio considerando todas las salidas o en este caso husillos de la máquina, si se
encuentran en control, se asume que las demás están en control. Para el rango se
grafica sólo el mayor de todos los rangos. Cada punto es identificado por el número de
husillo o salida que lo produjo. El proceso se encuentra fuera de control si se algún
punto excede los límites de 3-sigma. No se pueden aplicar pruebas de rachas a estas
cartas.
Es útil 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 número
de veces consecutivas que se repite como el mayor o el menor, el ARL para este evento
es:
Página 210
CONTROL ESTADÍSTICO DEL PROCESO
s r 1
ARL0 (5.11)
s 1
Para el caso de que s = 6 y r = 4, el ARL será de 259, es decir que si el proceso está en control, se
esperará que una salida repita un valor extremo 4 veces en la carta una vez de cada 259 muestras.
Si esto sucede con más frecuencia se debe sospechar que la salida es diferente a las demás.
Algunos de los pares adecuados de (s,r) son (3,7), (4,6), (5-6,5), 7-10,4), todas las combinaciones
dan ARLo adecuados.
Las cartas de control de Shewart utilizan sólo información acerca del proceso con los últimos datos
del subgrupo, e ignoran la información de la secuencia completa de puntos, esto hace que estas
cartas de control sean insensibles a pequeños corrimientos de la media del proceso, de 1.5 o
menos. Los límites preventivos y criterios múltiples de prueba de corridas o tendencias toman en
cuenta otros puntos de la carta, sin embargo esto reduce la simplicidad de interpretación de la
carta así como reducir el ARL en control lo cual es indeseable.
Cusum normal
Para pequeños corrimientos menores a 1.5, la carta de Shewart es ineficiente, en esos casos la
carta de sumas acumuladas de Page, que funciona con n >=1 es mejor, ya que incorpora toda la
información anterior en el valor de la muestra al graficar la suma acumulada de las desviaciones
con referencia a un valor objetivo m0. Si se colectan muestras de tamaño n >= 1 siendo x j el valor
promedio de la muestra j-ésima. La carta de sumas acumuladas se forma graficando para cada
muestra i la cantidad siguiente que representa la suma acumulada hasta la muestra i,
i
Ci ( x j m 0 ) (5.12)
j 1
Página 211
CONTROL ESTADÍSTICO DEL PROCESO
Como esta carta es eficiente para n=1, es una buena alternativa para el control de procesos
químicos y el C.E.P. automatizado. Si la media tiene un corrimiento hacia arriba, la carta mostrará
una tendencia ascendente y viceversa.
La carta Cusum no tiene límites de control, sin embargo tiene un mecanismo similar ya sea en
forma tabular o por medio de una mascara en V, como la mostrada en el ejemplo de las páginas
siguientes.
Ejemplo
Suponiendo que la Posición de una parte (A) se mueve hacia arriba y hacia abajo una cierta
distancia de la posición ideal de referencia (B). AtoBDist es esta distancia. Para asegurar la calidad,
se toman 5 mediciones al día durante el primer periodo de tiempo y después 10 al día en un
siguiente periodo de tiempo.
AtoBDist
-0.44025 4.52023 4.75466 4.90024 3.81341 -1.15453 5.03945
5.90038 3.95372 1.1424 1.28079 -3.78952 2.29868 1.96583
2.08965 7.99326 0.9379 2.87917 -3.81635 5.15847 -0.21026
0.09998 4.98677 -7.30286 1.83867 -4.8882 0.08558 0.27517
2.01594 -2.03427 -5.22516 -0.75614 -3.24534 -3.09574 -5.32797
4.83012 3.89134 -4.06527 3.72977 -0.27272 5.16744
3.78732 1.99825 -1.91314 3.77141 -4.33095 0.29748
4.99821 0.01028 2.0459 -4.04994 -1.83547 -4.66858
6.91169 -0.24542 4.93029 3.89824 -3.98876 -2.13787
1.93847 2.08175 0.03095 1.76868 -4.97431 -0.0045
-3.09907 -4.86937 -2.80363 2.2731 -5.1405 0.18096
-3.18827 -2.69206 -3.12681 -3.82297 -0.10379 4.30247
5.28978 -3.02947 -4.57793 -2.26821 2.21033 -2.21708
0.56182 2.99932 -3.17924 -2.07973 5.13041 7.17603
-3.1896 3.50123 -2.44537 0.01739 -1.89455 5.86525
7.93177 -1.99506 1.36225 3.71309 0.95119 0.95699
3.72692 -1.62939 0.92825 1.72573 -5.15414 -4.03441
3.83152 2.14395 -0.24151 3.07264 4.82794 -2.05086
-2.17454 -1.90688 -0.83762 0.15676 0.13001 -3.10319
2.81598 8.02322 -1.99674 -0.05666 -0.09911 -1.83001
Al llevar una carta X – R en el subgrupo no se encontró una causa asignable, ahora se desea tratar
de detectar corridas pequeñas en la media.
Página 212
CONTROL ESTADÍSTICO DEL PROCESO
Corrida en Minitab
1. File > Open Worksheet > Data > CRANKSH.MTW.
2. Stat > Control Charts > Time weighted charts > CUSUM.
In Single column, seleccionar AtoBDist. In Subgroup size, poner 5.
3. OK.
5 UCL=4.802
Sample Mean
0 Mean=0.4417
LCL=-3.918
-5
Subgroup 0 5 10 15 20 25
UCL=15.98
15
Sample Range
10
R=7.559
5
0 LCL=0
Upper CUSUM
10
Cumulative Sum
5.67809
5
-5
Low er CUSUM
-5.67809
0 5 10 15 20 25
Subgroup Number
Página 213
CONTROL ESTADÍSTICO DEL PROCESO
Se puede observar que detecta una situación anormal debido a un corrimiento lento de la media
del proceso.
Página 214
CONTROL ESTADÍSTICO DEL PROCESO
CUSUM Chart of Xi
5.0
UCL=4
2.5
Cumulative Sum
0.0 0
-2.5
LCL=-4
-5.0
1 4 7 10 13 16 19 22 25 28
Sample
Figura 5.13 Carta Cusum muestra un corrimiento lento de la media del proceso
Con parámetros Media objetivo (Target) =10, S = 1
La carta tabular Cusum trabaja con derivaciones acumuladas de m0 sobre el objetivo con un
estadístico C+ o debajo de este con un estadistico C -, también llamados Cusums de lado superior o
inferior respectivamente. Se calculan como sigue:
C i max 0, xi ( m 0 K ) Ci1 (5.13)
Página 215
CONTROL ESTADÍSTICO DEL PROCESO
C i max 0, xi 10.5 C i1
Ci max0,9.5 x i Ci1
Página 216
CONTROL ESTADÍSTICO DEL PROCESO
Si N+ y N- indican los periodos en que las sumas no han sido cero, se obtiene la tabla de
siguiente:
a b
Muestra Xi xi - 10.5 Ci+ N+ 9.5 - xi Ci- N
1 9.45 -1.05 0.00 0 0.05 0.05 1
2 7.99 -2.51 0.00 0 1.51 1.56 2
3 9.29 -1.21 0.00 0 0.21 1.77 3
4 11.66 1.16 1.16 1 -2.16 0.00 0
5 12.16 1.66 2.82 2 -2.66 0.00 0
6 10.18 -0.32 2.50 3 -0.68 0.00 0
7 8.04 -2.46 0.04 4 1.46 1.46 1
8 11.46 0.96 1.00 5 -1.96 0.00 0
9 9.20 -1.30 0.00 0 0.30 0.30 1
10 10.34 -0.16 0.00 0 -0.84 0.00 0
11 9.03 -1.47 0.00 0 0.47 0.47 1
12 11.47 0.97 0.97 1 -1.97 0.00 0
13 10.51 0.01 0.98 2 -1.01 0.00 0
14 9.40 -1.10 0.00 0 0.10 0.10 1
15 10.08 -0.42 0.00 0 -0.58 0.00 0
16 9.37 -1.13 0.00 0 0.13 0.13 1
17 10.62 0.12 0.12 1 -1.12 0.00 0
18 10.31 -0.19 0.00 0 -0.81 0.00 0
19 8.52 -1.98 0.00 0 0.98 0.98 1
20 10.84 0.34 0.34 1 -1.34 0.00 0
21 10.90 0.40 0.74 2 -1.40 0.00 0
22 9.33 -1.17 0.00 0 0.17 0.17 1
23 12.29 1.79 1.79 1 -2.79 0.00 0
24 11.50 1.00 2.79 2 -2.00 0.00 0
25 10.60 0.10 2.89 3 -1.10 0.00 0
26 11.08 0.58 3.47 4 -1.58 0.00 0
27 10.38 -0.12 3.35 5 -0.88 0.00 0
28 11.62 1.12 4.47 6 -2.12 0.00 0
29 11.31 0.81 5.28 7 -1.81 0.00 0
30 10.52 0.02 5.30 8 -1.02 0.00 0
Corrida en Minitab
1. File > Open Worksheet > Data > CRANKSH.MTW.
2. Stat > Control Charts > Time weighted charts > CUSUM.
In Single column, seleccionar Xi. In Subgroup size, poner 1 Target 10.
3. Cusum Options: Standar deviation 1 Plan Type h 5 k 0.5 OK.
Página 217
CONTROL ESTADÍSTICO DEL PROCESO
5.0 UCL=5
2.5
Cumulative Sum
0.0 0
-2.5
-5.0 LCL=-5
3 6 9 12 15 18 21 24 27 30
Sample
De la tabla de Cusum Tabular se observa que en el periodo 29 su C 29+ fue de 5.28, lo que sugiere
una situación fuera de control, usando el contador N + cuyo valor es 7, indica que el último punto
en control fue el 29 – 7 = 22, de tal forma que el corrimiento ocurrió entre el periodo 22 y 23.
También se puede obtener una presentación gráfica de esta carta, denominada Carta de Estatus de
Cusum, graficando Ci+ y Ci- contra el número de muestra. Esto da una idea gráfica al operador del
desempeño del proceso.
En forma similar a las cartas Cusum, se debe detener el proceso, identificar la causa asignable o
especial, tomar acción correctiva e iniciar de nuevo la Cusum Tabular.
Página 218
CONTROL ESTADÍSTICO DEL PROCESO
Ci
m m 0 K , si C i H (5.16)
N
Ci , si (5.17)
m m0 K Ci H
N
En el ejemplo, en el periodo 29 con C 29 = 5.28, la nueva media del proceso es,
5.28
m 10 0.5 11 .25
7
Esto es importante saberlo, por si el proceso tiene alguna forma de ajuste.
Cuando se utiliza un tamaño de subgrupo mayor a 1, en las fórmulas anteriores se debe remplazar
a xi por xi y por la x = , aunque se recomienda usar un tamaño de muestra 1 con
n
frecuencia de muestreo mayor que para el equivalente de Shewart.
La carta Cusum tabular también se puede utilizar para un solo lado con C + o C-.
EL PROCEDIMIENTO DE LA MASCARILLA EN V
Un procedimiento alterno al uso del método tabular Cusum, es la mascarilla en V propuesta por
Barnard (1959), esta mascarilla es aplicada a valores sucesivos del estadístico,
i
Ci y j y i Ci 1 (5.18)
j 1
Ci
Página 219
CONTROL ESTADÍSTICO DEL PROCESO
O d P
2A
1A
1 2 3 4 5 ............................................. i
El procedimiento consiste en colocar la mascarilla en V sobre la carta Cusum, con el punto O sobre
el último valor de Ci y la línea OP paralela al eje horizontal. Si todos los puntos anteriores C 1,
C2,....,Cj se encuentran dentro de los dos brazos de la mascarilla, el proceso está en control, sin
embargo si cualquier punto de las sumas acumuladas se encuentra fuera de los brazos de la
mascarilla, se considera al proceso fuera de control.
En la práctica, la mascarilla en V se debe colocar a cada punto tan pronto como es graficado, los
brazos de la mascarilla se asumen extendidos hasta el origen.
Página 220
CONTROL ESTADÍSTICO DEL PROCESO
25
20
Cumulative Sum
15
10
0 Target=0
2 4 6 8 10 12 14 16 18 20 22 24
Sample
Figura 5.17 Ejemplo de carta de control Cusum con mascarilla en V para AtoBDist
Stat > Control Charts > Time weighted charts > CUSUM.
In Single column, seleccionar Xi. In Subgroup size, poner 1 Target 10.
Cusum Options: Standar deviation 1
Plan Type Seleccionar Two sided (V Mask) h 4 k 0.5
OK.
Página 221
CONTROL ESTADÍSTICO DEL PROCESO
Vmask Chart of Xi
30
20
Cumulative Sum
10
0 Target=0
-10
1 4 7 10 13 16 19 22 25 28
Sample
Johnson y Leone han sugerido un método para diseñar una mascarilla en V, con las fórmulas
siguientes:
tan 1 (5.21)
2A
y
2 1
d 2 ln (5.22)
Donde 2 es la máxima probabilidad de una falsa alarma cuando el proceso está en control y es
la probabilidad de no detectar un corrimiento de magnitud .
ln( )
d cuando es muy pequeño.
Página 222
CONTROL ESTADÍSTICO DEL PROCESO
2 1 0.05
d 2 ln
1 0.05 = 5.888
1
tan 1 26.56
2
Página 223
CONTROL ESTADÍSTICO DEL PROCESO
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 m 0 a veces igual a x
zi2
1 (1 )
2i
(5.24)
2
Por tanto los límites de control de zi versus el número de muestra o tiempo i, son:
LSC m 0 L
1 (1 )
2i
(5.25)
2
LC m 0 (5.26)
LIC m 0 L
1 (1 )
2i
(5.27)
2
Note que el término [1 – (1-)2i] se aproxima a la unidad conforme i se incrementa, esto significa
que cuando la carta EWMA ha corrido durante varios periodos de tiempo, los límites de control se
estabilizan en:
Página 224
CONTROL ESTADÍSTICO DEL PROCESO
LSC m 0 L (5.28)
2
LC m 0 (5.29)
LSC m 0 L (5.30)
2
Ejemplo Utilizando los datos de la carta Cusum con = 0.10, L = 2.7, m0 = 0 y = 3.5, se tiene la
carta EWMA mostrada en la página siguiente.
Para x1= 9.45, calculando z1 = 9.945; LSC = 10.27 y LIC = 9.73 con la fórmulas anteriores.
Para x2= 7.99, calculando z2 = 9.7495; LSC = 10.36 y LIC = 9.64, conforme se incrementa i los límites
se estabilizan en LSC = 10.62 LIC = 9.38.
La carta EWMA tiene un ARL0 500 y una ARL1 14.3 equivalente a la Cusum con h=5 y k=1/2.
Esta carta no reacciona a cambios grandes de la media tan rápido como la hace la carta de
Shewart, este mismo comportamiento lo tienen tiene la carta Cususm.
Corrida en Minitab:
1. File > Open Worksheet > Data > CRANKSH.MTW.
2. Stat > Control Charts > Time weighted charts > EWMA
3. In Single column, seleccionar AtoBDist. In Subgroup size, poner 5.
4. Weight of EWMA 0.1
5. EWMA Options > Parameters Mean 0.0 Standar Deviation 3.5
S Limits These multiples of the estándar deviation 2.7
6. OK.
Página 225
CONTROL ESTADÍSTICO DEL PROCESO
1.0 +2.7SL=0.967
0.5
EWMA
_
_
0.0 X=0
-0.5
-1.0 -2.7SL=-0.967
1 3 5 7 9 11 13 15 17 19 21 23 25
Sample
Muestra Xi EWMA, Zi
1 9.45 9.945
2 7.99 9.7495
3 9.29 9.7036
4 11.66 9.8992
5 12.16 10.1253
6 10.18 10.1307
7 8.04 9.9217
8 11.46 10.0755
9 9.20 9.9880
10 10.34 10.0232
11 9.03 9.9238
12 11.47 10.0785
13 10.51 10.1216
14 9.40 10.0495
15 10.08 10.0525
16 9.37 9.9843
17 10.62 10.0478
18 10.31 10.0740
Página 226
CONTROL ESTADÍSTICO DEL PROCESO
19 8.52 9.9186
20 10.84 10.0108
21 10.90 10.0997
22 9.33 10.0227
23 12.29 10.2495
24 11.50 10.3745
25 10.60 10.3971
26 11.08 10.4654
27 10.38 10.4568
28 11.62 10.5731
29 11.31 10.6468
30 10.52 10.6341
Página 227
CONTROL ESTADÍSTICO DEL PROCESO
+2.7SL=10.619
10.50
10.25
EWMA
_
_
10.00 X=10
9.75
9.50
-2.7SL=9.381
3 6 9 12 15 18 21 24 27 30
Sample
Página 228
CONTROL ESTADÍSTICO DEL PROCESO
Utilizada como un intermedio entre la carta de Shewart y la EWMA para detectar pequeñas
corridas de la media. Asumiendo que se define un rango de observaciones w en el tiempo i, su
media móvil es:
xi xi 1 ..... xi w1
Mi (5.31)
w
Los límites de control son:
3
LSC m 0 (5.32)
w
LC m 0 (5.33)
3
LIC m 0 (5.34)
w
Por ejemplo usando los datos anteriores con w = 5. Graficando el estadístico M i para
periodos i 5.
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 límites de control son con m0 =10 y =1, se tiene:
LSC = 10 + 3 (1.0) / 51/2 = 11.34
LSC = 10 - 3 (1.0) / 51/2 = 8.66
Ejemplo La carta de media móvil para los datos del ejemplo anterior con un tamaño de corrida de
5 es la siguiente:
Corrida en Minitab:
1. File > Open Worksheet > Data > CRANKSH.MTW.
2. Stat > Control Charts > Time Weighted charts > Moving Average
3. In Single column, seleccionar AtoBDist. In Subgroup size, poner 5.
4. Lenght of MA 5
5. OK.
Página 229
CONTROL ESTADÍSTICO DEL PROCESO
5
4
3
Moving Average
UCL=2.346
2
1
Mean=0.4417
0
-1
LCL=-1.463
-2
-3
-4
-5
0 5 10 15 20 25
Sample Number
Página 230
CONTROL ESTADÍSTICO DEL PROCESO
925 980
925 950
905 955
915 970
930 970
890 1035
940 1040
860
Instrucciones de Minitab
1. Open worksheet EXH_QC.MTW.
2. Seleccionar Stat > Control Charts > Time-weighted charts > Moving Average.
3. Seleccionar All observations for a chart are in one column, poner Weight.
4. En Subgroup sizes, poner 1. Click OK.
La carta de promedio móvil es:
1000
UCL=979.6
975
Moving Average
950 _
_
X=936.9
925
900
LCL=894.1
875
850
4 8 12 16 20 24 28 32 36 40 44
Sample
Página 231
CONTROL ESTADÍSTICO DEL PROCESO
1000
950 _
X=936.9
900
LC L=862.8
850 1 1
4 8 12 16 20 24 28 32 36 40 44
O bser vation
100
U C L=91.0
M oving Range
75
50
__
25 M R=27.8
0 LC L=0
4 8 12 16 20 24 28 32 36 40 44
O bser vation
Usando los datos siguientes con M = 5, con desviación estándar = 1 y media = 10:
Página 232
CONTROL ESTADÍSTICO DEL PROCESO
Página 233
CONTROL ESTADÍSTICO DEL PROCESO
6.1 INTRODUCCIÓN
Las técnicas estadísticas ayudan durante el ciclo del producto a reducir la variabilidad y a mejorar la
capacidad de los procesos.
Definiciones básicas.
Proceso: Éste se refiere a alguna combinación única de máquinas, herramientas, métodos,
materiales y personas involucradas en la producción.
Capacidad o habilidad: Esta palabra se usa en el sentido de aptitud, basada en el
desempeño probado, para lograr resultados que se puedan medir.
Página 234
CONTROL ESTADÍSTICO DEL PROCESO
Capacidad del proceso: Es la aptitud del proceso para producir productos dentro de los
límites 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 medición 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 estadístico, es decir, en ausencia de causas
especiales o atribuibles de variación.
Variabilidad natural: Los productos fabricados nunca son idénticos sino que presentan
cierta variabilidad, cuando el proceso está bajo control, solo actúan las causas comunes de
variación en las características de calidad.
Valor Nominal: Las características de calidad tienen un valor ideal óptimo que es el que
desearíamos que tuvieran todas las unidades fabricadas pero que no se obtiene, aunque
todo funcione correctamente, debido a la existencia de la variabilidad natural.
La aplicación del análisis de capacidad de los procesos tiene los objetivos siguientes:
Página 235
CONTROL ESTADÍSTICO DEL PROCESO
Los límites de tolerancia natural del proceso, superior (LTNS) e inferior (LTNI) , se encuentran en m
3 , o sea:
LTNS = m + 3 (6.1)
LTNI = m - 3
Para un proceso normal, los límites de tolerancia naturales incluyen 99.73% de la variable, sólo el
0.27% (2700 ppm) de la salida del proceso se encontrará fuera de estos limites de tolerancia
naturales. Sin embargo, si el proceso no es normal, el porcentaje puede diferir grandemente. Esto
se esquematiza en la figura siguiente:
Existen diversas técnicas para evaluar la capacidad del proceso, entre las que se encuentran:
Histogramas o papel de probabilidad, cartas de control y experimentos diseñados.
Página 236
CONTROL ESTADÍSTICO DEL PROCESO
Para realizar un estudio de capacidad es necesario que se cumplan los siguientes supuestos 32:
El proceso se encuentre bajo control estadístico, es decir sin la influencia de fuerzas externas o
cambios repentinos. Si el proceso está fuera de control la media y/o la desviación estándar del
proceso no son estables y, en consecuencia, su variabilidad será mayor que la natural y la
capacidad potencial estará infravalorada, en este caso no es conveniente hacer un estudio de
capacidad.
Se recolectan suficientes datos durante el estudio de habilidad para minimizar el error de
muestreo para los índices de habilidad. Si los datos se componen de menos de 100 valores,
entonces deben calcularse los límites de confianza inferiores.
32
J.M. Juran, Análisis y planeación de la Calidad, Tercera Edición Mc. Graw Hill, Pp.404
Página 237
CONTROL ESTADÍSTICO DEL PROCESO
Los datos se recolectan durante un periodo suficientemente largo para asegurar que las
condiciones del proceso presentes durante el estudio sean representativos de las condiciones
actuales y futuras.
El parámetro analizado en el estudio sigue una distribución de probabilidad normal, de otra
manera, los porcentajes de los productos asociados con los índices de capacidad son
incorrectos.
Las familias de variación han sido restringidas de tal manera que los datos considerados, sólo son
los que se obtuvieron del subgrupo racional. Ayuda a determinar subgrupos racionales
importantes.
Variación a Largo Plazo(Zlt) – Los datos son recogidos durante un periodo de tiempo
suficientemente largo y en condiciones suficientemente diversas para que sea probable que
contenga algunos cambios de proceso y otras causas especiales. Aquí todas las familias de
variación exhiben su contribución en la variación del proceso general.
Página 238
CONTROL ESTADÍSTICO DEL PROCESO
Z st
límite especif . nom.
(6.1)
desv.std ST
límite especif . media
Z LT
desv.std LT
dónde:
Z shift.- A largo plazo los procesos tienen un desplazamiento natural de 1.5 desviaciones estándar.
Zlt = Zst-1.5shift
El índice de capacidad potencial Cp = PCR compara la amplitud de variación permitida por las
especificaciones entre la amplitud de variación entre los límites de tolerancia naturales del
proceso.
LSE LIE
Cp PCR (6.2)
6
Página 239
CONTROL ESTADÍSTICO DEL PROCESO
Ejemplo 6.1 para el caso de anillos de pistones, donde el LSE = 74.05mm y el LIE= 73.95mm y de la
R
carta R se estimó 0.0099 por tanto se tiene:
d2
1
P 100 (6.3)
Cp
m LIE
Cpi PCR I para el límite inferior
3
Ejemplo 6.2 Para el caso de la resistencia de las botellas de vidrio, si el LIE = 200psi,
264 200 64
Cp PCR I 0.67
3(32) 96
Lo cual indica falta de habilidad, la fracción abajo del límite inferior es:
Página 240
CONTROL ESTADÍSTICO DEL PROCESO
Algunos de los índices de capacidad potencial Cp y las piezas defectivas en partes por millón (ppm)
que están fuera de especificaciones se muestran a continuación:
Cp 1-lado 2-lados
0.25 226,628 453,255
0.5 66,807 133,614
0.6 35,931 71,861
0.7 17,865 35,729
0.8 8,198 16,395
1 1,350 2,700
1.1 484 967
1.2 159 318
1.3 48 96
1.4 14 27
1.5 4 7
1.6 1 2
1.7 0.17 0.34
2 0.0009 0.0018
Se recomienda que para procesos existentes el mínimo Cp sea de 1.33 y de 1.67 para procesos
críticos, el ideal es 2.0 para procesos nuevos como es el caso de Motorola en su programa 6-sigma.
Este índice no toma en cuenta la localización relativa de la media del proceso respecto a los límites
de especificaciones. Por lo que es necesario otro índice adicional.
Este índice si toma en cuenta el centrado del proceso respecto a las especificaciones, en este caso
se denomina Cpk o PCRk, y se evalúa tomando el mínimo entre los Cp’s correspondientes a cada
lado de la media, como sigue,
Página 241
CONTROL ESTADÍSTICO DEL PROCESO
m LIE
Cpi PCR I para el límite inferior
3
Ejemplo 6.3 Para un proceso donde los límites de especificación sean LSE=62, LIE=38, la media del
proceso sea m=53 y su desviación estándar =2, se tiene:
62 53
Cps PCRS 1.5 para el límite superior
32
53 38
Cpi PCR I 2.5 para el límite inferior
32
Note que el PCR a considerar corresponde al límite de especificación más cercano a la media del
proceso. Siempre se cumple que,
Cpk <= Cp
Página 242
CONTROL ESTADÍSTICO DEL PROCESO
Frec.
a)
Microdureza
Se puede transformar cada valor x con su inverso o sea con y=1/x de esta forma la distribución
transformada es la siguiente (ver método de Box Cox con Lamda óptima en Minitab):
Frec.
b)
Y=1/x
Página 243
CONTROL ESTADÍSTICO DEL PROCESO
Dos procesos pueden tener un Cpk igual a uno, pero sin embargo no necesariamente están
centrados respecto a la media de las especificaciones como se muestra a continuación:
1
Si T ( LSE LIE ) (6.7)
2
2 (m T ) 2 (6.8)
T m
(6.9)
Se tiene,
LSE LIE LSE LIE LSE LIE
Cp m PCRkm (6.10)
6 6 (m T )
2 2
1 2
Una condición necesaria para que Cpm sea mayor de uno es:
1
m T ( LSE LIE )
6
Página 244
CONTROL ESTADÍSTICO DEL PROCESO
1
Entonces Cpm (A) = 1.0
1 0
2
Cpm (B) = 0.63
1 (3) 2
Cpk
Cp pmk PCR pmk (6.11)
1 2
Ejemplo:
De una carta de control X - R (con subgrupos de n = 5), después de que el proceso se estabilizó
quedando sólo con causas comunes, se obtuvo lo siguiente:
Xmedia de medias = 264.06 Rmedio = 77.3
Página 245
CONTROL ESTADÍSTICO DEL PROCESO
Ejercicio:
De una carta de control X - R (con tamaño de subgrupo n = 5), después de que el proceso se
estabilizó quedando sólo con causas comunes (LIE = 36, LSE = 46) se obtuvo lo siguiente:
d) Determinar el Cp
e) Determinar el Cpk
f) Determinar el Cpm
g) Determinar el Cpkm
Histograma
Para el estudio se requieren alrededor de 100 o más observaciones para permitir que el proceso
se estabilice, deben seguirse los pasos previos siguientes:
Procedimiento:
Página 246
CONTROL ESTADÍSTICO DEL PROCESO
Ejemplo 6.4 Se tiene la resistencia de botellas de vidrio de 1-litro en psi. Los datos se muestran se
muestran a continuación.
HIST
265 346 265 221 261
205 317 254 176 248
263 242 281 248 260
307 258 294 263 274
220 276 223 231 337
268 300 260 334 250
260 208 308 280 278
234 187 235 265 254
299 264 283 272 274
215 271 277 283 275
197 280 200 265 278
286 242 235 262 250
274 260 246 271 265
243 321 328 245 270
231 228 296 301 298
267 250 276 280 257
281 299 264 274 210
265 258 269 253 280
214 267 235 287 269
318 293 290 258 251
Página 247
CONTROL ESTADÍSTICO DEL PROCESO
Median
X 264.06 S = 32.02
Es una herramienta que permite evaluar la capacidad aproximada del proceso con resultados
parecidos a los del histograma pero con un número menor de muestras y sin las operaciones del
histograma, a continuación se muestra un ejemplo de esta herramienta.
Página 248
CONTROL ESTADÍSTICO DEL PROCESO
Ventajas
1. Se puede observar el comportamiento del proceso sin tomar tantos datos como en el
histograma, 10 son suficientes
2. El proceso es más 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 línea de ajuste
4. Permite identificar la media y la desviación estándar aproximada del proceso. Así como la
fracción defectiva, el porcentaje de datos entre cierto rango, el Cp y el Cpk.
Procedimiento
Ejemplo 6.5
.-Se tomaron los datos siguientes (Xj) ordenamos los datos y, calculamos la probabilidad de su
posición (Pj)
Página 249
CONTROL ESTADÍSTICO DEL PROCESO
Con ayuda del gráfico podemos obtener la media, la desviación estándar y el porcentaje de valores
que se encuentran fuera de especificaciones.
Pj
0.84
0.5
Desv. Estándar
Fracción
Defectiva
LIE X Media Xj
Si los datos son normales, la frecuencia de ocurrencias en varios valores Xi, puede predecirse
usando una línea sólida como modelo. Por ejemplo, sólo más del 20% de los datos del proceso
serían valores de 225 o inferiores.
Página 250
CONTROL ESTADÍSTICO DEL PROCESO
60
50
40
30
20
10
1
150 200 250 300 350
Datos
Página 251
CONTROL ESTADÍSTICO DEL PROCESO
Note que los valores no difieren mucho de los del histograma con media 264.06 y desviación
estándar S = 32.02.
Con esta gráfica se pueden estimar también los porcentajes de partes fuera de las especificaciones,
por ejemplo si se traza el Límite Inferior de Especificación LIE en 200 psi, se observa que se tiene
un 5% aproximadamente fuera de especificaciones.
Nota: Es muy importante que el proceso sea normal, de lo contrario se obtendrán resultados
inexactos. Cuando los procesos son ligeramente anormales se pueden utilizar los métodos de
Pearson, transformar los datos por Box Cox o usar Weibull.
Se puede observar que cuando el proceso está en control, no existen causas asignables que
puedan ser corregidas, y la única alternativa para reducir la variabilidad es con la intervención de la
administración.
En casos especiales como estos donde las variaciones presentes son totalmente inesperadas
tenemos un proceso inestable ó impredecible.
Página 252
CONTROL ESTADÍSTICO DEL PROCESO
?
? ?
? ?
? ?
Si las variaciones presentes son iguales, se dice que se tiene un proceso “estable”. La distribución
será “predecible” en el tiempo.
Predicción
Tiempo
R S
ó (Para cartas de control X-R y X-S respectivamente)
d2 C4
Donde,
El factor C4 = 4(n-1)/(4n – 3), con esta desviación estándar se determinan los índices de
desempeño Pp y Ppk.
Página 253
CONTROL ESTADÍSTICO DEL PROCESO
En una carta por individuales, d2 se toma para n = 2 y Rango Medio = Suma rangos / (n -1)
m 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 especificaciones.
3 33.23
Ejemplo 6.8 (carta X - S)
De una carta de control X - S (con subgrupo n = 5) se obtuvo lo siguiente, después de que el
m x 100
s 1.05
= 1.117
C4 .094
Página 254
CONTROL ESTADÍSTICO DEL PROCESO
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 Desviación estándar S = 32.02 con
Nos aseguramos que los datos se distribuyan normalmente con la prueba de Ryan como sigue:
El P value debe ser mayor a 0.05 para que los datos se distribuyan normalmente
Página 255
CONTROL ESTADÍSTICO DEL PROCESO
Los puntos deben quedar dentro del intervalo de confianza para indicar que es normal la
distribución.
Página 256
CONTROL ESTADÍSTICO DEL PROCESO
Interpretación:
La desviación estándar Within se determina en base al Rango medio y d2 (1.128 para n = 2), con
esta se determinan los índices de capacidad potencial Cp y real Cpk, lo cual es adecuado para un
proceso en control o normal.
Página 257
CONTROL ESTADÍSTICO DEL PROCESO
La desviación estándar Overall se determina con la desviación estándar de todos los datos de la
muestra dividido entre el factor C4 = 4(n-1)/(4n – 3), con esta desviación estándar se determinan
los índices de desempeño Pp y Ppk así como el desempeño Overall, no importando si el proceso
está en control o no, en este último caso los valores no tienen significado práctico.
En este caso de la gráfica de probabilidad normal, los datos siguen una distribución normal.
Página 258
CONTROL ESTADÍSTICO DEL PROCESO
Cuando los datos provienen de poblaciones no normales una opción para realizar el estudio de
capacidad de procesos es mediante la distribución Weibull.
Ejemplo en Minitab
En una compañía se manufacturan losetas para piso, el problema que se tiene es referente a la
deformación en las mismas. Se toman 100 mediciones durante 10 días. El límite superior de
especificación (USL) = 3.5 mm Realice un estudio de capacidad con la ayuda de Minitab e
interprete los resultados.
Generar 100 datos aleatorios en Minitab con Factor de forma = 1, Factor de escala = 1 con
Página 259
CONTROL ESTADÍSTICO DEL PROCESO
Fig. 6.16 Determinación de la capacidad del proceso por Weibull - Datos no normales
El índice Ppk y Ppu33 = 0.85 lo cual nos dice que el desempeño del proceso no es capaz ya que
0.85<.1.33
También observamos que PPM > USL 3,795 lo cual significa que aproximadamente 3,795 PPM
estarán fuera de los límites de especificaciones.
33
Los índices Pp y Ppk son similares a los índices Cp y Cpk , se refieren a la capacidad del proceso a
largo plazo.
Página 260
CONTROL ESTADÍSTICO DEL PROCESO
total
2
2producto equipo
2
.medición (6.13)
Ejemplo 6.8 Tomando 20 partes y evaluándolas 2 veces por un mismo operador con el mismo
instrumento de medición, se obtienen los resultados mostrados a continuación:
PARTS OP1IN1 OP1IN2 X-media Rango
1 21 20 20.5 1
2 24 23 23.5 1
3 20 21 20.5 1
4 27 27 27 0
5 19 18 18.5 1
6 23 21 22 2
7 22 21 21.5 1
8 19 17 18 2
9 24 23 23.5 1
10 25 23 24 2
11 21 20 20.5 1
12 18 19 18.5 1
13 23 25 24 2
14 24 24 24 0
15 29 30 29.5 1
16 26 26 26 0
17 20 20 20 0
18 19 21 20 2
19 25 26 25.5 1
20 19 19 19 0
Figura 6.16 Cartas X-R del estudio
Página 261
CONTROL ESTADÍSTICO DEL PROCESO
1
Sample Mean
1
1
25
U C L=24.18
_
_
X=22.3
20 LC L=20.42
1 1
1
1 1
1
1 3 5 7 9 11 13 15 17 19
Sample
U C L=3.267
3
Sample Range
_
1 R=1
0 LC L=0
1 3 5 7 9 11 13 15 17 19
Sample
Figura 6.17 Cartas de control X-R de las mediciones del operador en sus dos intentos
Notar que la carta X indica muchos puntos fuera de control, lo cual es normal ya que se espera que
el instrumento distinga las diferentes unidades de producto. La carta R representa las
diferencias entre mediciones de la misma unidad con el mismo instrumento. En este caso la carta R
está en control, indicando que el operador no tiene dificultad para realizar las mediciones en forma
consistente. Si hubiera puntos fuera de control, indica que el operador tiene dificultad para utilizar
el instrumento.
Página 262
CONTROL ESTADÍSTICO DEL PROCESO
En este caso, 6instrumento = 6 (0.887) = 5.32, de tal forma que 2.66 de error de medición se puede
asignar al error del instrumento de medición.
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 medición.
Basado en su precisión debe ser al menos de 0.1 de la tolerancia de la característica evaluada.
La variabilidad total de los datos de las mediciones incluyen la variabilidad del producto y las del
instrumento de medición. Por tanto,
total
2
S2
2producto total
2
instrument
2
o
total
2
S 2 = 3.17 x 3.17 = 10.0615
2producto total
2
instrument
2
o = 10.0615 – 0.7867 = 9.2748
Página 263
CONTROL ESTADÍSTICO DEL PROCESO
= 3.045
instrumento
x100 (6.15)
producto
Se pueden determinar los componentes del error debidos a diferentes operadores (repetibilidad)
y debidos al instrumento de medición en sí (reproducibilidad).
error
2
. medición repetibili dad reproducib ilidad
2 2
(6.16)
Ejemplo 6.9 Se tienen los datos de mediciones de 20 partes por 3 operadores, haciendo 2 intentos
cada uno como sigue.
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
Página 264
CONTROL ESTADÍSTICO DEL PROCESO
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
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
Página 265
CONTROL ESTADÍSTICO DEL PROCESO
x max max( x 1 , x 2 , x 3 )
x min min( x 1 , x 2 , x 3 )
R x max x min
x
R
reproducibilidad x
instrumento.medición = 1.04
Por otra parte utilizando el paquete Minitab se obtuvieron las respuestas siguientes (tomando
5.15 sigmas):
%Contribution
Source Variance (of Variance)
Página 266
CONTROL ESTADÍSTICO DEL PROCESO
Página 267
CONTROL ESTADÍSTICO DEL PROCESO
Cuando los operadores no miden una pieza de manera consistente, se puede caer en el riesgo de
rechazar artículos que están en buen estado o aceptar artículos que están en mal estado. Por otro
lado si los instrumentos de medición no están calibrados correctamente también se pueden
cometer errores. Cuando sucede lo mencionado anteriormente tenemos un sistema de medición
deficiente que puede hacer que un estudio de capacidad parezca insatisfactorio cuando en
realidad es satisfactorio. Lo anterior puede tener como consecuencia gastos innecesarios de
reproceso al reparar un proceso de manufactura o de servicios, cuando la principal fuente de
variación se deriva del sistema de medición.
Variación
Variación deldel proceso,
proceso, real
real Variación de la medición
Calibración
Página 268
CONTROL ESTADÍSTICO DEL PROCESO
Definiciones
Reproducibilidad: Es la variación, entre promedios de las mediciones hechas por diferentes
operadores que utilizan un mismo instrumento de medición cuando miden las mismas
características en una misma parte.
Operador-B
Operador-C
Operador-A
Reproducibilidad
REPETIBILIDAD
Valor verdadero:
Valor correcto teórico / estándares NIST34
34
·En EUA se tiene el NIST (National Institute of Standards ando Technology),En México
se tiene el CENEAM o el Centro Nacional de Metrología
Página 269
CONTROL ESTADÍSTICO DEL PROCESO
Precisión: Es la habilidad de repetir la misma medida cerca o dentro de una misma zona
Exactitud :
Es la diferencia entre el promedio del número de medidas y el valor verdadero.
- Estabilidad: es la variación total de las mediciones obtenidas con un sistema de medición, hechas
sobre el mismo patrón o sobre las mismas partes, cuando se mide una sola de sus características,
durante un período de tiempo prolongado.
Tiempo 2
Tiempo 1
Página 270
CONTROL ESTADÍSTICO DEL PROCESO
Linealidad: diferencia en los valores de la escala, a través del rango de operación esperado del
instrumento de medición.
Valor Valor
verdadero verdadero
Sesgo Sesgo
Menor mayor
Valor m
Verdadero
Sesgo
<10% Aceptable
10-30%. Puede ser aceptable, para características no críticas.
Página 271
CONTROL ESTADÍSTICO DEL PROCESO
>30%. ¡Inaceptable!
En otras industrias fuera de la automotriz se acepta un error total de R&R del 25% como máximo.
En cualquier problema que involucre mediciones, algunas de las variaciones observadas son
debidas al proceso y otras son debidas al error o variación en los sistemas de medición. La
variación total es expresada de la siguiente manera:
Es un método 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.Se calcula el rango de la medición de cada parte y al final
el rango promedio.
La desviación estándar de R&R se aproxima con la formula de rango medio entre d2*. El % de R&R
se calcula comparando la desv. Estándar de R&R con la del proceso
Página 272
CONTROL ESTADÍSTICO DEL PROCESO
La resolución del equipo de medición debe ser de al menos el 10% del rango de tolerancia o
del rango de variación 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 variación)
10 partes NO son un tamaño de muestra significativo para una opinión sólida sobre el equipo de
medición a menos que se cumpla el punto anterior.
Página 273
CONTROL ESTADÍSTICO DEL PROCESO
% R&R
Desviaciones estándar de cada uno de los conceptos mencionados
Análisis del porcentaje de tolerancia
8. Analice los resultados y determine las acciones a seguir si las hay.
I.
Página 274
CONTROL ESTADÍSTICO DEL PROCESO
Página 275
CONTROL ESTADÍSTICO DEL PROCESO
Página 276
CONTROL ESTADÍSTICO DEL PROCESO
Página 277
CONTROL ESTADÍSTICO DEL PROCESO
Página 278
CONTROL ESTADÍSTICO DEL PROCESO
Una vez colectados los datos proceder a realizar la carta de rango R y observar que esté en control,
de otra forma repetir las mediciones para ese operador y parte específica errónea.
LSCX
X
LICX
Página 279
CONTROL ESTADÍSTICO DEL PROCESO
Se procede posteriormente a determinar los errores o variabilidad del sistema de medición con la
hoja de trabajo siguiente, calculando los campos con sombra gris:
Página 280
CONTROL ESTADÍSTICO DEL PROCESO
2. El número de categorías debe ser de al menos 4 indicando que el equipo distingue las partes
que son diferentes.
Ejemplo 2 (MINITAB)
Primero se visualizan las mediciones replicadas de cada operador en cada parte como sigue:
Figura 6.27 Gráfica que muestra el comportamiento de las mediciones de los operadores
Método X Barra - R
Se seleccionan 10 muestras de un proceso de manufactura, cada parte es medida dos veces por
tres operadores. Realice un estudio R&R mediante el método Xbar-R.
Página 281
CONTROL ESTADÍSTICO DEL PROCESO
Capture los datos en la hoja de trabajo de Minitab en tres columnas C1, C2, C3
Página 282
CONTROL ESTADÍSTICO DEL PROCESO
%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 número de categorías es sólo de 1 cuando debe ser al menos 4 indicando que el
instrumento discrimina las diversas partes diferentes.
Página 283
CONTROL ESTADÍSTICO DEL PROCESO
% 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 Interaction
O peradores
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
La gráfica R se mantiene en control indicando que las mediciones se realizaron en forma adecuada.
La gráfica X barra sólo presenta 5 de 30 puntos fuera de control, lo cual debería ser al menos el
50%, indicando que el equipo no discrimina las diferentes partes.
Página 284
CONTROL ESTADÍSTICO DEL PROCESO
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
Study Var %Study Var
%Tolerance
Source StdDev (SD) (5.15 * SD) (%SV)
(SV/Toler)
Total Gage R&R 0.0003150 0.0016222 71.36
27.04
Repeatability 0.0003150 0.0016222 71.36
27.04
Reproducibility 0.0000000 0.0000000 0.00
0.00
Operadores 0.0000000 0.0000000 0.00
0.00
Part-To-Part 0.0003092 0.0015923 70.05
26.54
Total Variation 0.0004414 0.0022731 100.00
37.88
Página 285
CONTROL ESTADÍSTICO DEL PROCESO
% 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 Interaction
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
Página 286
CONTROL ESTADÍSTICO DEL PROCESO
Los datos pueden ser texto o numéricos. Las calificaciones asignadas pueden ser Nominales u
ordinales.
Los datos nominales son variables categóricas que tienen dos o más niveles sin orden natural. Por
ejemplo, los niveles en un estudio de gustación de comida que puede incluir dulce, salado o
picoso.
Los datos ordinales son variables categóricas que tienen tres o más niveles con ordenamiento
natural, tales como: en desacuerdo total, en desacuerdo, neutral, de acuerdo, y completamente de
acuerdo.
Página 287
CONTROL ESTADÍSTICO DEL PROCESO
Página 288
CONTROL ESTADÍSTICO DEL PROCESO
Página 289
CONTROL ESTADÍSTICO DEL PROCESO
Figura 6.30 Resultados del estudio de R&R comparativo por atributos por avaluador
Interpretación de Resultados
% del Evaluador es la consistencia de una persona.
% Evaluador vs Atributo es la medida de el acuerdo que hay entre la evaluación del
operador y la del “experto”.
% de Efectividad de Selección es la medida de el acuerdo que existe entre los operadores.
% de Efectividad de Selección vs. el Atributo es una medida general de la consistencia
entre los operadores y el acuerdo con el “experto”.
Página 290
CONTROL ESTADÍSTICO DEL PROCESO
Ejemplo 5.
Una empresa está entrenando a cinco evaluadores para la porción escrita de un examen estándar
de doceavo grado. Se requiere determinar la habilidad de los evaluadores para calificar el examen
de forma que sea consistente con los estándares. Cada uno de los evaluadores califica 15
exámenes en una escala de cinco puntos (-2, -1, 0, 1, 2):
1 Abrir el archivo File > Openworksheet > ESSAY.MTW.
2 Seleccionar Stat > Quality Tools > Attribute Agreement Analysis.
3 En Attribute column, poner Rating.
4 En Samples, poner Sample.
5 En Appraisers, poner Appraiser.
6 En Known standard/attribute, poner Attribute.
7 Checar Categories of the attribute data are ordered y poner OK
Página 291
CONTROL ESTADÍSTICO DEL PROCESO
Hayes 4 -2 -2 Holmes 12 0 0
Simpson 5 0 0 Duncan 12 -1 0
Montgomery 5 0 0 Hayes 12 0 0
Holmes 5 0 0 Simpson 13 2 2
Duncan 5 -1 0 Montgomery 13 2 2
Hayes 5 0 0 Holmes 13 2 2
Simpson 6 1 1 Duncan 13 2 2
Montgomery 6 1 1 Hayes 13 2 2
Holmes 6 1 1 Simpson 14 -1 -1
Duncan 6 1 1 Montgomery 14 -1 -1
Hayes 6 1 1 Holmes 14 -1 -1
Simpson 7 2 2 Duncan 14 -1 -1
Montgomery 7 2 2 Hayes 14 -1 -1
Holmes 7 2 2 Simpson 15 1 1
Duncan 7 1 2 Montgomery 15 1 1
Hayes 7 2 2 Holmes 15 1 1
Simpson 8 0 0 Duncan 15 1 1
Montgomery 8 0 0 Hayes 15 1 1
Holmes 8 0 0
Gage R&R for Datos
Assessment Agreement
Appraiser # Inspected # Matched Percent 95 % CI
Duncan 15 8 53.33 (26.59, 78.73)
Hayes 15 13 86.67 (59.54, 98.34)
Holmes 15 15 100.00 (81.90, 100.00)
Montgomery 15 15 100.00 (81.90, 100.00)
Simpson 15 14 93.33 (68.05, 99.83)
# Matched: Appraiser's assessment across trials agrees with the
known standard.
Kendall's Correlation Coefficient
Appraiser Coef SE Coef Z P
Duncan 0.89779 0.192450 4.61554 0.0000
Hayes 0.96014 0.192450 4.93955 0.0000
Holmes 1.00000 0.192450 5.14667 0.0000
Montgomery 1.00000 0.192450 5.14667 0.0000
Simpson 0.93258 0.192450 4.79636 0.0000
Between Appraisers
Página 292
CONTROL ESTADÍSTICO DEL PROCESO
Assessment Agreement
# Inspected # Matched Percent 95 % CI
15 6 40.00 (16.34, 67.71)
# Matched: All appraisers' assessments agree with each other.
Fleiss' Kappa Statistics
Response Kappa SE Kappa Z P(vs > 0)
2 0.680398 0.0816497 8.3331 0.0000
1 0.602754 0.0816497 7.3822 0.0000
0 0.707602 0.0816497 8.6663 0.0000
1 0.642479 0.0816497 7.8687 0.0000
2 0.736534 0.0816497 9.0207 0.0000
Overall 0.672965 0.0412331 16.3210 0.0000
Kendall's Coefficient of Concordance
Coef Chi Sq DF P
0.966317 67.6422 14 0.0000
All Appraisers vs Standard
Assessment Agreement
# Inspected # Matched Percent 95 % CI
15 6 40.00 (16.34, 67.71)
# Matched: All appraisers' assessments agree with the known
standard.
Fleiss' Kappa Statistics
Response Kappa SE Kappa Z P(vs > 0)
2 0.842593 0.115470 7.2971 0.0000
1 0.796066 0.115470 6.8941 0.0000
0 0.850932 0.115470 7.3693 0.0000
1 0.802932 0.115470 6.9536 0.0000
2 0.847348 0.115470 7.3383 0.0000
Overall 0.831455 0.058911 14.1136 0.0000
Kendall's Correlation Coefficient
Coef SE Coef Z P
0.958102 0.0860663 11.1100 0.0000
* NOTE * Single trial within each appraiser. No percentage of
assessment agreement within appraiser is plotted.
Página 293
CONTROL ESTADÍSTICO DEL PROCESO
Date of study :
Assessment Agreement
Reported by :
Name of product:
Misc:
Appraiser vs Standard
100 95.0% C I
P ercent
80
60
Percent
40
20
0
Duncan Hayes Holmes Montgomery Simpson
Appraiser
Interpretación de resultados
Minitab muestra tres tablas como sigue: Cada evaluador vs el estándar, Entre evaluadores y Todos
los evaluadores vs estándar. Los estadísticos de Kappa y Kendall también se incluyen en cada una
de las tablas. En general estos estadísticos sugieren buen acuerdo.
El coeficiente de Kendall entre evaluadores es 0.966317 (p = 0.0); para todos los evaluadores vs
estándar es 0.958192 (p = 0.0). Sin embargo la observación del desempeño de Duncan y Haues
indica que no se apegan al estándar.
La gráfica de Evaluadores vs. Estándar proporciona una vista gráfica de cada uno de los evaluadores
vs el estándar, pudiendo comparar fácilmente la determinación de acuerdos para los cinco
evaluadores.
Método sencillo
Página 294
CONTROL ESTADÍSTICO DEL PROCESO
Si no coinciden todos los operadores en al menos el 90%, los dispositivos o gages “pasa, no pasa”
no son confiables
Página 295
CONTROL ESTADÍSTICO DEL PROCESO
Se ha estado utilizando para calificar los lotes de proveedores, sin embargo ha estado siendo
desplazado por métodos preventivos como el CEP y el diseño de experimentos.
Página 296
CONTROL ESTADÍSTICO DEL PROCESO
Página 297
CONTROL ESTADÍSTICO DEL PROCESO
Existen diversas clasificaciones de estos planes, una de ellas es la de variables y atributos. Una
característica se expresa en variables si se puede medir, o en atributos si se califica como “pasa no
pasa”.
Un plan de muestreo doble implica que después de tomar una muestra e inspeccionar, se toma
una decisión de (1) rechazar, (2) aceptar o (3) tomar una segunda muestra, si esto sucede, se
combina la información de la primera y de la segunda para tomar una decisión.
Un plan de muestreo múltiple es una extensión del doble, en el cual más de dos muestras pueden
ser necesarias antes de tomar una decisión. Los tamaños de estas muestras son más pequeños que
en el muestreo doble.
El muestreo secuencial implica la selección de unidades del lote, una por una, tomando decisiones
de aceptar o rechazar el lote después de un cierto número de unidades.
Se pueden desarrollar planes de muestreo que produzcan resultados similares con cualquiera de
las modalidades anteriores.
FORMACIÓN DE LOTES
1. Deben ser homogéneos, las unidades deben ser producidas por las mismas corridas de
producción, en condiciones similares. Es difícil tomar acciones correctivas para lotes
mezclados.
2. Lotes grandes son preferibles a lotes pequeños, dado que la inspección es más eficiente.
Página 298
CONTROL ESTADÍSTICO DEL PROCESO
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 daño y permitir la selección de
muestra en forma sencilla.
MUESTREO ALEATORIO
Las muestras deben ser representativas del lote, no deben tomarse sólo partes de las capas
superiores, sino de preferencia numerar las partes con un número y seleccionar con tablas de
números aleatorios o también se puede estratificar el lote.
Procedimiento Procedimiento
Objetivos por atributos por Variables
Página 299
CONTROL ESTADÍSTICO DEL PROCESO
La curva OC
Página 300
CONTROL ESTADÍSTICO DEL PROCESO
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 distribución de Poisson para efectos prácticos.
Se puede usar Excel para los cálculos, un ejemplo utilizando la distribución binomial acumulada
(opción VERDADERA en Excel) se muestra a continuación:
Página 301
CONTROL ESTADÍSTICO DEL PROCESO
Pa
c=0, 1, 2
n =
n = 50, 100, c n = 200,
p c=2 =2 c=2
0.005 0.997944 0.9859 0.920161
0.01 0.986183 0.9206 0.676679
0.02 0.921572 0.6767 0.235148
0.03 0.810798 0.4198 0.059291
0.04 0.676714 0.2321 0.012489
0.05 0.540533 0.1183 0.002336
0.06 0.416246 0.0566 0.0004
Página 302
CONTROL ESTADÍSTICO DEL PROCESO
Pa
n=50, 100, 200 2
Por otra parte el consumidor quiere rechazar los lotes en la mayoría de los casos cuando tengan
una fracción defectiva de a lo más un porcentaje defectivo tolerable en el lote (LTPD),
normalmente esta fracción defectiva corresponde a una probabilidad de aceptación del 10% o
rechazo del 90% de las veces. También se el denomina Nivel de Calidad Rechazable.
CURVAS OC TIPO A y B.
La curva OC tipo B utiliza la distribución 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.
Página 303
CONTROL ESTADÍSTICO DEL PROCESO
En este método se especifican 2 puntos por los que debe pasar la curva OC, uno de ellos tiene
coordenadas (p1, 1-) y el otro (p2 , ), con p1 > p2 . Se utiliza el nomograma Binomial para
encontrar los valores de n y c para el plan.
En el nomograma se hacen coincidir con una línea recta el valor de p 1 en el eje vertical izquierdo
con 1- en el eje vertical derecho, y con otra línea recta se hace coincidir p 2 en el eje vertical
izquierdo con en el eje vertical derecho. En el punto de cruce se encuentra el valor de n y de c del
plan de muestreo simple. Ver nomograma y ejemplo en la página siguiente.
Inspección rectificadora
Los programas de aceptación por muestreo normalmente requieren acción correctiva cuando los
lotes son rechazados, de tal forma que el proveedor los selecciona al 100% remplazando los
artículos defectivos por buenos. Esta actividad se denomina inspección rectificadora por su
impacto en la calidad de salida final hacia la planta.
Fig. 7.6 Inspección rectificadora (las piezas malas son reemplazadas y reintegradas al lote)
Página 304
CONTROL ESTADÍSTICO DEL PROCESO
Suponiendo que los lotes que llegan tienen una fracción defectiva p 0 , después de la actividad de
inspección bajo un plan de muestreo, algunos lotes serán aceptados y otros serán rechazados. Los
lotes rechazados serán seleccionados al 100% por el proveedor remplazando los artículos
defectuosos por buenos después se integran a los lotes que ingresan a la planta obteniéndose una
fracción defectiva p1 menor a la original, denominada calidad promedio de salida AOQ, en lotes de
tamaño N se tiene:
Así los lotes después del proceso rectificador, contienen un núemro esperado de defectivos igual a
Pap(N-n) con la cual se puede expresar una fracción defectiva media AOQ como sigue,
Pa p ( N n)
AOQ (7.2)
N
Ejemplo 7.1 Suponiendo que N=10,000, c=2 y que la calidad de entrada p=0.01.
Como en la curva característica de operación (para n=89, c=2) cuando p=0.01, Pa = 0.9397,
entonces el AOQ es:
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)
Página 305
CONTROL ESTADÍSTICO DEL PROCESO
CURVA AOQ
n=89, c=2
Figura 7.7 Curva de calidad de salida promedio (AOQ)
De la gráfica anterior se observa que la curva AOQ tiene un valor máximo o la peor fracción
defectiva de salida hacia la planta o proceso, que se denomina límite de calidad de salida promedio
AOQL el cual es aproximadamente 0.0155 o 1.55% defectivo.
ATI n (1 Pa )( N n) (7.4)
Ejemplo 7.2 Con N=10000, n=89, c=2 y p=0.01. Como Pa = 0.9397 se tiene:
ATI = 89 + (1-0-9397)(10000 – 89) = 687
Siendo este el total de piezas que en promedio se inspeccionarán por lote, algunas por el cliente
(n) y otras por el proveedor (N-n) en base al plan de muestreo.
Página 306
CONTROL ESTADÍSTICO DEL PROCESO
Las curvas ATI para diferentes tamaños de lote se muestra a continuación, para n = 89 y c = 2:
ATI
N=10000
N=5000
N=1000
Figura 7.8 Curvas de número de muestras inspeccionadas promedio por el cliente y por el
proveedor
Los planes de Dodge-Romig minimizan el ATI para un AOQL dado, haciendo más eficiente la
inspección por muestreo.
Estos tipos de muestreo son extensiones del muestreo simple, se pueden diseñar curvas CO
equivalentes.
Página 307
CONTROL ESTADÍSTICO DEL PROCESO
Suponiendo que:
n1 = 50
c1 = 1
n2 = 100
c2 = 3
En la primera muestra de n=50 artículos, se acepta el lote si el total de defectivos d 1 <= c1=1,
rechazándose si d1 >c2=3.
En ambas muestras la primera y segunda, la inspección se continua hasta inspeccionar todos los
artículos, por eso se denomina inspección completa, el número promedio de artículos
inspeccionados por muestra ASN es,
ASN n1 n2 (1 P1 ) (7.5)
Página 308
CONTROL ESTADÍSTICO DEL PROCESO
ASN
Insp. completa
n = cte.
Insp. recortada
Figura 7.9 Diferencias en muestras inspeccionadas por el cliente promedio con inspección
completa y recortada
Por tanto el muestreo doble es más económico que el simple sólo para ciertos valores de p, ya que
si p tiene valores intermedios el ASN es mayor implicando mayores costos de inspección.
La inspección recortada si es más económica sin embargo proporciona menos información acerca
del lote.
Página 309
CONTROL ESTADÍSTICO DEL PROCESO
PaI P ( d 1 1 n1 ) (7.7)
Pa
Pa total
Pa
1ª muestra
Pa 2ª muestra
p
Figura 7.10 Probabilidad de aceptar en la primera o en la segunda muestra en muestreo doble
Página 310
CONTROL ESTADÍSTICO DEL PROCESO
INSPECCIÓN RECTIFICADORA
Cuando se usa el esquema de inspección rectificadora, la curva AOQ está dada por,
{PaI ( N n1 ) PaII ( N n1 n2 )} p
AOQ (7.9)
N
Asumiendo que todos los defectivos son remplazados por artículos buenos en los lotes rechazados,
la curva de inspección total promedio es,
donde Pa Pa Pa
I II
Un muestreo múltiple es una extensión del doble, donde pueden requerirse más de dos muestras
para calificar el lote, por ejemplo un plan de 5 etapas es el siguiente:
Muestra
acumulada Aceptar Rechazar
20 0 3
40 1 4
60 3 5
80 5 7
100 8 9
Una ventaja que tiene es que el tamaño de muestra es más pequeño que en el caso del simple o
del doble, con una mejor eficiencia de inspección. Sin embargo es más complejo de administrar.
Página 311
CONTROL ESTADÍSTICO DEL PROCESO
MUESTREO SECUENCIAL
Es una extensión de los planes anteriores, aquí se toma una secuencia de muestras del lote, cuya
magnitud será determinada por los resultados del proceso de muestreo. Si el tamaño del subgrupo
inspeccionado en cada etapa es mayor que uno, se denomina muetreo secuencial de grupo, si es
uno, como es nuestro caso, se denomina muestreo secuencial artículo por artículo, basado en
Wald (1947).
En este caso se tienen 2 líneas, una de aceptación y otra de rechazo, teniendo como dato las
coordenadas de la curva OC (p1, 1-) y (p2, ), las ecuaciones de las líneas son:
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
Ejemplo 7.3 Si p1=0.01, p2=0.06, =0.05, =0.10, se tiene al substituir valores en las ecuaciones
anteriores:
k = 0.80066
h1=1.22
h2=1.57
s=0.028
Página 312
CONTROL ESTADÍSTICO DEL PROCESO
Haciendo una tabla de valores donde el número de aceptación es el entero más próximo menor
que o igual a XA y el número de rechazo es el entero más próximo superior que o igual a X R.
MUESTREO SECUENCIAL
n Xa Xr Xa Xr n Xa Xr Xa Xr
1 -1.192 1.598 -1 2 24 -0.548 2.242 -1 3
2 -1.164 1.626 -1 2 25 -0.52 2.27 -1 3
3 -1.136 1.654 -1 2 26 -0.492 2.298 -1 3
4 -1.108 1.682 -1 2 27 -0.464 2.326 -1 3
5 -1.08 1.71 -1 2 28 -0.436 2.354 -1 3
6 -1.052 1.738 -1 2 29 -0.408 2.382 -1 3
7 -1.024 1.766 -1 2 30 -0.38 2.41 -1 3
8 -0.996 1.794 -1 2 31 -0.352 2.438 -1 3
9 -0.968 1.822 -1 2 32 -0.324 2.466 -1 3
10 -0.94 1.85 -1 2 33 -0.296 2.494 -1 3
11 -0.912 1.878 -1 2 34 -0.268 2.522 -1 3
12 -0.884 1.906 -1 2 35 -0.24 2.55 -1 3
13 -0.856 1.934 -1 2 36 -0.212 2.578 -1 3
14 -0.828 1.962 -1 2 37 -0.184 2.606 -1 3
15 -0.8 1.99 -1 2 38 -0.156 2.634 -1 3
16 -0.772 2.018 -1 3 39 -0.128 2.662 -1 3
17 -0.744 2.046 -1 3 40 -0.1 2.69 -1 3
18 -0.716 2.074 -1 3 41 -0.072 2.718 -1 3
19 -0.688 2.102 -1 3 42 -0.044 2.746 -1 3
20 -0.66 2.13 -1 3 43 -0.016 2.774 -1 3
21 -0.632 2.158 -1 3 44 0.012 2.802 0 3
22 -0.604 2.186 -1 3 45 0.04 2.83 0 3
23 -0.576 2.214 -1 3 46 0.068 2.858 0 3
En este caso no se puede tomar una decisión de aceptación hasta que hayan transcurrido las
suficientes muestras, que hagan que la línea de aceptación tenga valores positivos en Xa, 44 en
este caso, y no se puede rechazar hasta en la 2ª. Muestra.
Página 313
CONTROL ESTADÍSTICO DEL PROCESO
No. de
defectos Línea de
acumulad aceptación
3
2 Línea de
Rechazo
1
Número
0 20 40 60 de
-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). Las muestras inspeccionadas promedio son:
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
INSPECCIÓN RECTIFICADORA
La calidad media de salida AOQ Pap y el número promedio de muestras inspeccionadas total es:
A
ATI Pa (1 Pa ) N (7.14)
C
Página 314
CONTROL ESTADÍSTICO DEL PROCESO
Descripción de la norma
Esta norma se desarrolló durante la segunda guerra mundial emitiéndose en 1950 con la versión A.
La versión D se publicó en 1963 y en 1971 fue adoptada por la ANSI con pequeños cambios como
la Z1.4 y en 1973 fue adoptada por la ISO como la norma ISO 2859. En 1989 se liberó la versión E.
- Inspección normal.
- Inspección estricta.
- Inspección reducida.
Se inicia con la inspección normal, se pasa a estricta cuando se observa mala calidad del
proveedor y se usa la reducida cuando la calidad del proveedor es buena, reduciendo los
tamaños de muestra.
El punto focal de la norma es el AQL (nivel de calidad aceptable entre 0.1% y 10%),
negociado entre cliente y proveedor. Los valores típicos de AQL para defectos mayores es
de 1%, 2.5% para defectos menores y 0% para defectos críticos. Cuando se utiliza para
planes de defectos por unidad se tienen 10 rangos adicionales de AQLs hasta llegar a 1000
defectos por cada 100 unidades, los noveles pequeños de AQL se pueden utilizar tanto
para controlar fracción defectiva como defectos por unidad.
El tamaño de muestra en el estándar está determinado por el tamaño del lote y por la
selección del nivel de inspección. Se proporcionan tres niveles de inspección, donde el
Página 315
CONTROL ESTADÍSTICO DEL PROCESO
Para un AQL específico, un nivel de inspección y un tamaño de lote dado, el estándar MIL-
STD-105E proporciona un plan de muestreo normal que se utilizará conforme el proveedor
produzca productos con calidad AQL o mejor. También proporciona un mecanismo de
cambio de cambio a inspección estricta o reducida como se ilustra en la figura y se
describe a continuación.
Página 316
CONTROL ESTADÍSTICO DEL PROCESO
a. Un lote es rechazado.
b. Cuando el procedimiento de muestreo termina sin decisión de aceptación o rechazo, el
lote se acepta pero se cambia a inspección normal en el próximo lote.
c. La producción es irregular o se retarda en entregas.
d. Otras condiciones que fuercen a cambiar a la inspección normal.
Página 317
CONTROL ESTADÍSTICO DEL PROCESO
PROCEDIMIENTO
Los pasos a seguir para el uso de las normas es el siguiente:
Página 318
CONTROL ESTADÍSTICO DEL PROCESO
Para el caso de muestreo doble con los datos anteriores, la letra código es K y de las III-A, III-B y III-
C se obtienen los planes de inspección normal (n 1= n2=80, c1a=0, cir=3, c2a=3), estricta (mismas que
n1 y n2, c1a=0, cir=2, , c2a=1, c2r=2) y reducida (n1= n2=32, c1a= c2a=0, c2r=3, c2r=4).
DISCUSIÓN
Todas las curvas OC son tipo B, también se proporcionan curvas para el ASN y datos del AOQL.
El estándar MIL-STD-105E está orientado al AQL, se enfoca al lado de riesgo del productor de la
curva OC, la parte restante de la curva depende de la selección del nivel de inspección. Los
tamaños de muestra seleccionados son 2, 3, 5, 8, 13, 20, 32, 50, 80, 125, 200, 315, 500, 800, 1250
y 2000.
Si se grafica el tamaño medio del rango de lotes contra el logaritmo del tamaño de muestra se
obtiene una recta hasta n=80 y después una recta con una pequeña pendiente. Como la razón de
N a n es decreciente conforme aumenta N se economiza en la inspección.
El estándar civil ANSI/ASQC Z1.4 o ISO 2859 es la contraparte del estándar MIL-STD-105E,
difiriendo en que:
Página 319
CONTROL ESTADÍSTICO DEL PROCESO
Página 320
CONTROL ESTADÍSTICO DEL PROCESO
.
Figura 7.14 Tablas de muestreo simple por atributos
Página 321
CONTROL ESTADÍSTICO DEL PROCESO
Los planes anteriores basados en AQL no son adecuados para el caso del ensamble de productos
complejos. La tabla siguiente muestra la fracción defectiva en ppm dependiendo del AQL
“aceptable”.
AQL ppm
10% 100,000
1% 10,000
0.10% 1,000
0.01% 100
0.00% 10
0.00% 1
Ejemplo 7.5 Un equipo que tiene 100 componentes y que sus componentes tienen en promedio
un AQL = 0.5% , por tanto la probabilidad de que el equipo trabaje es de:
Por tanto es obvio que se requieran planes de protección del LTPD, aun cuando el AQL sea muy
bajo. Para esto se utilizan los planes de Dodge-Romig principalmente para inspección de sub-
ensambles.
Los planes de Dodge-Romig de AOQL y LTPD están diseñados para minimizar la inspección total
promedio (ATI).
Para ambos se tiene una tabla de muestreo doble y simple. Son útiles cuando el rechazo medio
del proceso es bajo (alrededor de 100 ppm).
Página 322
CONTROL ESTADÍSTICO DEL PROCESO
Planes de AOQL
Las tablas de Dodge-Romig (1959) tienen planes para valores de AOQL de 0.1%, 0.25%, 0.75%, 1%,
1.5%, 2.5%, 3%, 4%, 5%, 7% y 10% en cada una se especifican seis valores para medias de proceso.
Se tienen planes para muestreo simple y doble.
Ejemplo 7.5 De la tabla para AQOL=3%; para N= 5,000, AOQL= 3% y la fracción disconforme del
proveedor del 1%.
De la tabla 13.21 se obtiene n=65, c=3, LTPD=10.3%. Da una seguridad del 90% de que serán
rechazados los lotes que tengan desde un 10.3% defectuoso.
Planes de LTPD
Se diseñaron de tal forma que la probabilidad de aceptación del LTPD sea 0.1. Se proporcionan
tablas para valores de LTPD de 0.5%, 1%, 2%, 3%, 4%, 5% 7% y 10%.
Ejemplo 7.6 Suponiendo N=5,000 con fracción promedio de defectivos del proveedor de 0.25% de
productos no conformes y el LTPD=1%.
De la tabla 13.23, el plan obtenido es n=770 y c=4, si los lotes rechazados son seleccionados al
100% y los artículos defectuosos se reemplazan por artículos buenos, el AOQL=0.28%.
Página 323
CONTROL ESTADÍSTICO DEL PROCESO
Cuando el promedio del proceso es mayor que la mitad del LTPD, la inspección 100% es mejor
económicamente.
Página 324
CONTROL ESTADÍSTICO DEL PROCESO
Ventajas y desventajas
La principal ventaja del muestreo por variables es que se puede obtener la misma curva
característica de operación con tamaño de muestra menor que el que requeriría un plan por
atributos. Otra ventaja es que los datos por variables proporcionan más información del proceso
que los atributos. Cuando los AQLs son muy pequeños (del orden de ppm), el tamaño de muestra
requerido en el caso de muestreo por atributos es muy grande y por variables muy pequeño.
Cuando la inspección es del tipo destructivo, los planes por variables si se aplican son más
económicos.
Como desventajas se tienen el probable alto costo de las mediciones versus juzgar por atributos, a
pesar de que el tamaño de muestra sea menor y que es necesario un plan de muestreo para cada
característica importante del producto.
Se debe conocer la distribución de la característica de calidad, la cual debe ser normal ya que de
otra forma se pueden cometer errores en la aplicación del plan de muestreo por variables. Esto es
más crítico cuando las fracciones defectivas son muy pequeñas.
Los planes especifican el número de artículos a muestrear en los cuales se hacen mediciones en la
característica de calidad seleccionada, y el criterio de aceptación de esos lotes.
Una comparación entre los diferentes tipos de muestreo se da a continuación, considerando una p 1
= 0.01, p2 = 0.08, = 0.05 y = 0.10:
Página 325
CONTROL ESTADÍSTICO DEL PROCESO
Existen dos tipos de planes de muestreo por variables, los que controlan la fracción defectuosa del
lote y los que controlan un parámetro del proceso tal como la media.
Como la característica de calidad es una variable, siempre existirá ya sea un límite de especificación
inferior LIE, límite de especificación superior o ambos, que definan los valores aceptables de esa
característica.
Página 326
CONTROL ESTADÍSTICO DEL PROCESO
Asumiendo que la desviación estándar del proceso es conocida, se desea tomar una muestra del
lote para determinar si o no el valor de la media es tal que la fracción defectiva p es aceptable.
Para esto se tienen dos métodos.
p
__
LIE X x
Procedimiento 1.
X LIE
Z LIE (8.1)
Si hay un valor crítico p que no deba ser excedido con una probabilidad establecida, se puede
traducir el valor de p en una distancia crítica por decir k para Z LIE. De esta forma si ZLIE <= k, se
aceptará el lote ya que automáticamente la fracción defectiva p es satisfactoria, en caso contrario
la fracción defectiva p es mayor que la aceptable y se rechazará el lote.
X LIE 82 100
Z LIE 1.8
10
Página 327
CONTROL ESTADÍSTICO DEL PROCESO
LSE X
Z LSE (8.2)
Cuando se tiene un solo límite de especificación, la relación entre Z y la fracción defectiva (p) es:
p Zs ó 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.
QLIE Z LIE n /( n 1) (más exacto) y se estima la fracción defectiva p como el área bajo
la curva normal debajo de ZLIE, si esta fracción estimada p, excede un valor máximo M, se
rechaza el lote, de otra forma se acepta.
Página 328
CONTROL ESTADÍSTICO DEL PROCESO
X LIE
Q LIE n /( n 1)
(8.3)
LSE X
Q LSE n /( n 1)
Se estiman las fracciones defectivas P(Q LIE) y P(QLSE) de la tabla mostrada en el apéndice
para estimar las fracciones defectivas pI y pS, si la suma de ambas fracciones defectivas no
excede al valor máximo permitido M se acepta el lote, en caso contrario se rechaza el lote.
Para diseñar un plan de muestreo por variables usando el procedimiento 1, el método de k, que
tiene una curva OC especificada por dos puntos (p 1, 1-), (p2, ) donde p1 y p2 son las fracciones
defectivas que corresponden a niveles de calidad aceptables y rechazables respectivamente se
utiliza un nomograma.
L. J. Jacobson propuso un nomograma mostrando dos escalas diferentes (ver página siguiente),
para estimar n y k con sigma conocida y sigma desconocida.
Utilizando este nomograma podemos obtener la curva característica de operación CO, cambiando
los valores de las fracciones defectivas p y hallando sus probabilidades de aceptación si se
mantiene fijo n y k.
Ejemplo 8.2 Un embotellador ha establecido que la resistencia mínima para una botella de
plástico sea de LIE= 225 psi, si a lo más el 1% no pasa el límite, se aceptará el lote con una
Página 329
CONTROL ESTADÍSTICO DEL PROCESO
probabilidad del 95% (p1=0.10 y 1-= 0.95), mientras que si el 6% o más están abajo del límite, el
embotellador rechazará el lote con una probabilidad de 90% (p 2=0.06, = 0.10).
Para hallar el plan de muestreo por variables n, k, se traza una línea que une a el punto 0.01 en la
escala de fracción defectivas con el punto 0.95 en la escala de probabilidad de aceptación. Después
se traza una línea similar que conecta los puntos p2 = 0.06 y Pa=0.10, en la intersección de esas
líneas se lee, k=1.9 y n=40 para desconocida (siguiendo la línea curveada) o n=15 (bajando una
línea perpendicular) para conocida.
a) Procedimiento 1
Si se desconoce la desviación estándar, se toma una muestra aleatoria de n = 40 piezas calculando
la media y la desviación estándar s, se calcula ahora:
X LIE
Z LIE
b) Procedimiento 2.
Una vez obtenidas n 40 y k = 1.9, se obtiene el valor de M del nomograma de la fig. 14.3,
1 k n 1 1.9 40
0.35
2 2(n 1) 2 2(39)
Página 330
CONTROL ESTADÍSTICO DEL PROCESO
Por ejemplo si se toma una muestra de n=40 partes y se observa que la media de la muestra
X 255 y s = 15, el valor de ZLIE es:
de las tablas para fracción defectiva al final de este capítulo se obtiene una p = 0.020, y siendo que
es menor que M = 0.030, se acepta el lote.
Se enfoca al AQL (entre 0.1% a 10%) con cinco niveles generales de inspección (el normal es el II),
el nivel III tiene una curva más abrupta que el nivel II. Se pueden usar niveles más bajos (S3 S4)
para reducir costos muestrales si se toleran riesgos mayores.
Página 331
CONTROL ESTADÍSTICO DEL PROCESO
Variabilidad Variabilidad
Desconocida Conocida
Método de S
Especificación Especificaciones
Unilateral Bilaterales
Tienen 4 secciones:
Ejemplo 8.4 Para el caso del embotellador: Si el límite inferior LIE = 225 psi, suponiendo que el
nivel de calidad aceptable en este límite es AQL = 1% y que las botellas se embarcan en lotes de
N = 100,000, con sigma desconocida se tiene:
Página 332
CONTROL ESTADÍSTICO DEL PROCESO
Procedimiento 1.
1. En la tabla A-2 se identifica el código 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 inspección severa (escala inferior) k =
2.18. Para el caso de inspección reducida k = 1.8 de la tabla B-2.
3. En la tabla B-3 se determina M en el renglón de N y columna de AQL= 1% obteniéndose M=
2.05%. Para inspección severa M = 1.42%. Para inspección reducida, de la tabla B-4 se obtiene
k = 3.44%.
4. La inspección estricta se usa cuando 2 de 5 lotes han sido rechazados
5. La inspección reducida se usa cuando los 10 lotes anteriores se han aceptado y su fracción
defectiva estimada es menor que un límite inferior especificado y la producción es estable.
6.La tabla B-6 se usa para obtener la desviación estándar máxima que se debe obtener en la
muestra con base a la tolerancia. Si el valor de s excede este valor, se rechaza el lote.
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 gráfica X -s para los lotes (al menos para 30). Los
planes específicos para este tipo de planes se deben consultar en el estándar.
Página 333
CONTROL ESTADÍSTICO DEL PROCESO
Solución.
a) De tabla A2, se selecciona la letra D.
b) De la tabla B1, n = 5, k= 1.52
c) Suponiendo lecturas 197º, 188º, 184º, 205º y 201º.
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.
Página 334
CONTROL ESTADÍSTICO DEL PROCESO
Ejemplo 8.7 Se inspecciona un lote de 40 muestras con nivel de inspección II, inspección normal y
_
en base a temperaturas de los ejemplos anteriores, n = 5, X = 195; s= 8.8; considerando LIE=
209 180
QS= 1.59 ; PS = 2.19% (de tabla B-5)
8.8
195 180
QI= 1.704; PI = 0.66% (de tabla B-5) por tanto la fracción defectiva total es
8.8
de
p = 2.85%
Ejemplo 8.8 Si el AQLS= 1% y AQLI= 2.55% de tabla B3, MS= 3.32% , MI=9.8%
a) PS= 2.19% ; PI= 0.66% P = 2.85%
Página 335
CONTROL ESTADÍSTICO DEL PROCESO
b) Comparando PS MS ; PI MI y P MI
Se acepta el lote.
VARIABILIDAD CONOCIDA
Ejemplo 8.9 Se toma un lote de 500 artículos para inspección. LIE= 58,000 psi. N= 500,
nivel II, inspección Normal. AQL= 1.5%. La variabilidad es conocida con valor 3,000 psi
Ejemplo 8.10 Sea LIE= 58,000 psi; tamaño del lote 500 artículos;AQL = 1.5%; Inspección
_
nivel II, normal. De los datos anteriores se obtuvo X = 63,000; n = 10 ; = 3,000. De tabla
Página 336
CONTROL ESTADÍSTICO DEL PROCESO
Ejemplo 8.11 La especificación para una colada de acero es de 67,000 y 58,000 psi
respectivamente. Un lote de 500 artículos se somete a inspección. El nivel de inspección es II,
inspección normal con AQL = 1.5%. La variabilidad conocida con valor 3,000 psi.
c) Los índices QS con QL son respectivamente 2.459 y 3.162 con fracciones estimadas defectuosas
0.697% y 0.078% de la tabla D-5.
d) Como la fracción defectiva total no excede el valor de M = 3.63%, se acepta el lote.
NOTA: Comparar Pestimada con M, si es menor o igual se acepta el lote, en caso contrario se rechaza.
Una consideración muy importante en el uso de las normas es que la población de donde se
obtienen las muestras debe ser normal. Es más crítico para pequeños valores de AQL.
Página 337
CONTROL ESTADÍSTICO DEL PROCESO
Los ajustes que se hicieron en la norma ASQC Z1.9 (1980) e ISO 3951 (1981) son:
1. Los rangos de tamaño de lotes se ajustaron para corresponder con la MIL-STD-105E por
atributos.
2. Se ordenaron las letras código para tener la misma protección que con la MIL-STD-105E.
3. Los niveles de inspección 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
estándar.
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 inspección normal a severa y
viceversa con ligeras modificaciones.
La norma Z1.9 permite el paso de inspección normal a reducida si:
10 lotes en inspección normal fueron aceptados.
La producción es continua.
La inspección reducida es aprobada.
La ISO 3951 permite el paso a inspección reducida si 10 lotes sucesivos han sido aceptados y:
El AQL es un paso menor.
El proceso está bajo control estadístico.
La inspección reducida es aprobada.
7. La ISO 3951 permite el paso de un método 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 continuación de la carta s o R.
Su ventaja principal es que se puede iniciar con un esquema de muestreo por atributos con la
MIL-STD-105E, obtener información suficiente y después cambiar a un esquema por variables
manteniendo la misma combinación de letra para el AQL.
Es muy importante una prueba de normalidad a partir de los datos variables de cada lote.
Página 338
CONTROL ESTADÍSTICO DEL PROCESO
Ejemplo 8.12 Se considera aceptable un lote si tiene menos de 0.3 ppm de emisiones de
formaldeído en maderas. Se diseña un plan de muestreo con una probabilidad de aceptación del
95% si las emisiones son en promedio de 0.3 ppm, y los lotes con un 0.4 ppm tengan una
probabilidad de aceptación del 10%. Si por experiencia se sabe que la desviación estándar es 0.10
ppm, se tiene:
X A 0.3 X A 0.3
1.645 (8.4)
0.1
n n
En forma similar si los lotes que tienen un nivel de emisión de 0.40 ppm tienen una probabilidad
de 0.10 de aceptación, entonces,
X A 0.4 X A 0.4
1.282 (8.5)
0.1
n n
resolviendo para X A y n se obtiene:
X A = 0.355 n= 9
Página 339
CONTROL ESTADÍSTICO DEL PROCESO
APÉNDICES
Página 340
CONTROL ESTADÍSTICO DEL PROCESO
CARTAS Xbarra-S
Límites de control para medias
LSCx = X + A3 S
LCx = X
LICx = X - A3 S
MR
LICx = X 3
d2
Para el caso del rango se usan las mismas de la carta Xbarra-R con n=2
Página 341
CONTROL ESTADÍSTICO DEL PROCESO
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
Página 342
CONTROL ESTADÍSTICO DEL PROCESO
c
u
n
u
LSC u u 3
n
LC u u
u
LSC u u 3
n
Página 343
CONTROL ESTADÍSTICO DEL PROCESO
Página 344
CONTROL ESTADÍSTICO DEL PROCESO
Página 345