Reyes /
enero de 2009
CONTROL ESTADSTICO
DEL PROCESO
Pgina 1
CONTROL ESTADSTICO DEL PROCESO Dr. P. Reyes /
enero de 2009
CONTENIDO
Contenido
1. IMPORTANCIA DE LA MEJORA CONTINUA 6
1.1 CALIDAD Y MEJORAMIENTO........................................................................6
1.2 HISTORIA DEL CONTROL ESTADSTICO DEL PROCESO..............................8
Antecedentes................................................................................................ 8
CEP en occidente......................................................................................... 11
CEP en Japn............................................................................................... 12
Desarrollo del Control Estadstico del Proceso.............................................14
Teorema del lmite central...........................................................................15
Interpretacin.............................................................................................. 16
1.3 LAS 7 HERRAMIENTAS BSICAS PARA LA SOLUCIN DE PROBLEMAS.......18
Hoja de verificacin o registro.....................................................................18
Diagrama de Pareto..................................................................................... 20
Diagrama de Dispersin.............................................................................. 24
Histogramas................................................................................................ 31
Lluvia de ideas (Brainstorming)...................................................................32
Diagrama de Causa efecto..........................................................................33
Carta de tendencias.................................................................................... 38
Diagrama de flujo........................................................................................ 39
Pasos para la elaboracin de un diagrama de flujo.....................................40
Diagrama de flujo de tiempo valor agregado...........................................44
Diagrama de Flujo Fsico............................................................................. 45
Estratificacin.............................................................................................. 46
Las cartas de control................................................................................... 46
1.4 MTODOS LEAN PARA LA MEJORA............................................................47
Los 7 desperdicios o Muda..........................................................................47
Mtodos Lean para la mejora......................................................................48
Mapeo de la cadena de valor......................................................................48
Las 5 Ss y la administracin visual..............................................................51
Preparaciones rpidas (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 rbol........60
Diagrama de rbol....................................................................................... 61
Diagrama Matricial...................................................................................... 64
Matrices de Prioridades o prioritizacin.......................................................68
1.6 MTODOS ESTADSTICOS PARA LA MEJORA DE CALIDAD.........................78
Cartas de control......................................................................................... 78
Diseo de experimentos.............................................................................. 79
Muestreo de aceptacin.............................................................................. 80
1.7 ADMINISTRACIN POR CALIDAD TOTAL....................................................82
Costos de calidad........................................................................................ 83
2. MTODOS Y FILOSOFA DEL CONTROL ESTADSTICO DEL PROCESO (CEP) 85
Pgina 2
CONTROL ESTADSTICO DEL PROCESO Dr. P. Reyes /
enero de 2009
Concepto de variacin................................................................................. 85
2.1 DISTRIBUCIN NORMAL........................................................................... 85
Estandarizacin de valores reales...............................................................91
2.2 PRUEBA DE NORMALIDAD........................................................................93
2.3 LA CARTA DE CONTROL COMO PRUEBAS DE HIPTESIS...........................95
2.4 BASES ESTADSTICAS DE LAS CARTAS DE CONTROL................................99
Tamao de muestra y frecuencia de muestreo..........................................106
Subgrupos racionales................................................................................ 107
Anlisis de patrones en cartas de control..................................................108
2.5 IMPLEMENTACIN DEL CEP.....................................................................109
3. CARTAS DE CONTROL POR VARIABLES 111
3.1 INTRODUCCIN..................................................................................... 111
3.2 CARTAS DE CONTROL DE MEDIAS-RANGOS............................................111
Interpretacin de cartas de control X R ................................................116
Capacidad o habilidad del proceso............................................................128
La curva caracterstica de operacin.........................................................135
3.3 CARTAS DE CONTROL PARA X y S........................................................138
3.4 CARTAS PARA LECTURAS INDIVIDUALES.................................................145
3.5 SELECCIN ENTRE CARTAS POR VARIABLES Y POR ATRIBUTOS.............149
3.6 APLICACIN DE CARTAS DE CONTROL POR VARIABLES..........................152
4. CARTAS DE CONTROL PARA ATRIBUTOS 154
4.1 INTRODUCCIN...................................................................................... 154
4.2 CARTA DE CONTROL PARA FRACCIN NO CONFORME - p.......................155
4.3 CARTA DE CONTROL np..........................................................................167
4.4 TAMAO DE MUESTRA VARIABLE............................................................168
4.5 CURVA CARACTERSTICA DE OPERACIN Y ARL.....................................172
4.6 CARTAS DE CONTROL PARA NO CONFORMIDADES (DEFECTOS) c y u.176
Tamao de muestra constante - CARTA c.................................................176
Seleccin del tamao de muestra.............................................................182
Carta de control de defectos por unidad U................................................183
Sistema de demeritos............................................................................... 189
La curva caracterstica de operacin.........................................................190
4.7 CARTAS DE CONTROL PARA TASAS DE DEFECTOS EN ppm....................192
5. OTRAS CARTAS DE CONTROL ESPECIALES 193
5.1 CARTAS DE CONTROL PARA CORRIDAS CORTAS DE PRODUCCIN.........193
Cartas de control dnom............................................................................. 193
Cartas de control de medias rangos estandarizada..................................194
Cartas de control por atributos..................................................................195
5.2 CARTAS DE CONTROL MODIFICADAS Y DE ACEPTACIN.........................195
Cartas de control modificadas...................................................................195
Cartas de control de aceptacin................................................................197
5.3 CARTA DE CONTROL PARA DESGASTE DE HERRAMIENTA O MATERIAL...199
5.4 CARTA DE PRECONTROL O DE ARCOIRIS...............................................202
5.5 CARTAS DE CONTROL PARA PROCESOS DE SALIDA MLTIPLE...............205
5.6 CARTAS DE CONTROL Cusum.................................................................206
Cusum normal........................................................................................... 206
Cusum en forma tabular............................................................................211
EL PROCEDIMIENTO DE LA MASCARILLA EN V..............................................214
Pgina 3
CONTROL ESTADSTICO DEL PROCESO Dr. P. Reyes /
enero de 2009
Pgina 4
CONTROL ESTADSTICO DEL PROCESO Dr. P. Reyes /
enero de 2009
Pgina 5
CONTROL ESTADSTICO DEL PROCESO Dr. P. Reyes /
enero de 2009
Pgina 6
CONTROL ESTADSTICO DEL PROCESO Dr. P. Reyes /
enero de 2009
Pgina 7
CONTROL ESTADSTICO DEL PROCESO Dr. P. Reyes /
enero de 2009
EUA JAPON
Pgina 8
CONTROL ESTADSTICO DEL PROCESO Dr. P. Reyes /
enero de 2009
Antecedentes
La teora de la administracin se desarroll bsicamente en los pases
industrializados, en respuesta a los problemas que presentaron las grandes
empresas caractersticas del sistema capitalista. 1 Sus primeros indicios se
observan con el economista Adam Smith con el concepto de divisin del
trabajo para aumentar la productividad en 1776. 2
Smith not que en una industria de fabricacin de alfileres, diez
personas, cada una realizando una tarea especfica, podran
producir 48,000 alfileres por da. Propuso que si cada uno
trabajara por separado y en forma independiente, los diez
trabajadores tendran suerte en hacer 200 (o an 10) alfileres al
da.3
1
Simn, Nadima S., Evaluacin Organizacional, SICCO, Mxico, 1997, p. 7
2
Smith, Adam, An Inquiry into the Nature and Causes of the Wealth of Nations,
A. Strahan and T. Cadell, London, 1793, pp. 7-8
3
Robbins, Stephen P., Management: Concepts and Applications, Englewood
Cliffs, Nueva Jersey, 1987, p. 31.
4
Ibidem, p. 31.
5
Simn, Nadima, op. cit., p. 9
6
Taylor, Frederick W., Principles of Scientific Management,, Harper & Bros.,
Nueva York, Estados Unidos de Amrica, 1911
Pgina 9
CONTROL ESTADSTICO DEL PROCESO Dr. P. Reyes /
enero de 2009
7
Robbins, Stephen, op cit. p. 33.
8
Ibidem, p. 34 tomado de la obra de Frederick Taylor, Principles of Scientific
Management, Nueva York, Harper and Brothers, 1911, pp. 36-37.
9
Taylor, op. cit. 1911, p.20.
10
Hall, Richard, Organizaciones: Estructura y proceso. Mxico, Prentice Hall
Hispanoamericana, 1982, p. 304
11
Ibidem, p. 33
12
Koontz, Harold, op. cit. , p. 34.
Pgina 10
CONTROL ESTADSTICO DEL PROCESO Dr. P. Reyes /
enero de 2009
13
Neffa, Julio Cesar, Transformaciones del proceso del trabajo y de la relacin
salarial en el marco del nuevo paradigma productivo. Sus repercuciones sobre
la accin sindical, en Sociologa del Trabajo, Nueva poca, nm. 18, primavera
de 1993, pp. 80-82
14
Ibidem, p. 83-84
15
Vid. Valdez, Luigi, Conocimiento es futuro, CONCAMIN, Mxico, 1995, pp.
122-123
16
Ibidem, pp. 125-126
Pgina 11
CONTROL ESTADSTICO DEL PROCESO Dr. P. Reyes /
enero de 2009
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 compaas, tales como la Western Electric, bajo contrato de la
American Bell Telephone Company, estableci mtodos de control de calidad
ms rigurosos que infundieran confianza en sus instrumentos y
electrodomsticos, en 1924 se form su departamento de Ingeniera de
Inspeccin, entre sus primeros miembros se encuentran Harold F. Dodge,
Donald A. Qaurles, Walter A. Shewhart, Harry G. Romig y otros.
17
Duncan, Acheson, op. cit.p. 16.
18
Ibidem, p. 1
19
Freeman, H.D., Statistical Methods for Quality Control,
MechanicalEngineering, April 1937, p. 261.
20
Feigenbaum, A.V., op. cit., 1986, p. 16
Pgina 12
CONTROL ESTADSTICO DEL PROCESO Dr. P. Reyes /
enero de 2009
CEP en Japn
En 1950 el experto Edwards W. Deming inici el entrenamiento en mtodos
estadsticos en el Japn, incluyendo conferencias dirigidas a los lderes
industriales, en esta poca Kaoru Ishikawa experto japons en control de
calidad inici sus estudios sobre conceptos de control de calidad, describe su
propia motivacin como sigue:
Pgina 13
CONTROL ESTADSTICO DEL PROCESO Dr. P. Reyes /
enero de 2009
Estas tcnicas junto con las computadoras han alcanzado un alto nivel en
Japn, todas las industrias japonesas confan en los mtodos estadsticos
avanzados para el diseo de productos,22 esto tambin ha permitido que los
supervisores de las fbricas japonesas utilicen estadstica de alto nivel para
analizar problemas. Por ejemplo para el caso del diseo de experimentos se
tiene: el diseo estadstico de experimentos es el arreglo, bajo el cual se
efecta un programa experimental, incluye la seleccin de los niveles ptimos
de los factores que tienen influencia en la calidad del producto 23, ayuda a
optimizar el tiempo y los elementos de diseo, determinando los materiales
ms baratos de tal forma que el producto cumpla las especificaciones, y
21
Ishikawa, Kaouru, "Tributes to Walter A. Shewhart," Industrial Quality Control,
Vol. 22, No. 12, 1967, pp. 115-116.
22
Amsden, R., op. cit. , p. 537.
23
Winer, B., Statistical Principles in Experimental Design, McGraw Hill, 1971. p.
5.
Pgina 14
CONTROL ESTADSTICO DEL PROCESO Dr. P. Reyes /
enero de 2009
* * * *
** **
*** **
*** **
Distribucin de promedios
Universo de las muestras
24
Shewhart, W.A., Economic Control of Quality of Manufactured Product, Van
Nostrand Reinhold Co., 1931, p. 182
Pgina 15
CONTROL ESTADSTICO DEL PROCESO Dr. P. Reyes /
enero de 2009
__ (1.1)
X n
Donde n es el tamao de la muestra y es la desviacin estndar de la
poblacin.
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
Pgina 16
CONTROL ESTADSTICO DEL PROCESO Dr. P. Reyes /
enero de 2009
n n
[y -
i 1
i ] i
2
(2.5)
i 1
Pgina 17
CONTROL ESTADSTICO DEL PROCESO Dr. P. Reyes /
enero de 2009
Interpretacin
Normalmente para conocer el estado de un proceso en determinado momento,
es necesario obtener un histograma de la caracterstica de inters, tomando al
menos 30 piezas. Se calcula la media y la desviacin estndar de la muestra y
se trata de inferir sobre las caractersticas del proceso. Haciendo esto
peridicamente se pueden tener los comportamientos siguientes:
Hora 4
Hora 2
Hora 3
Hora 1
25
Ford Motor Co., Continuing Process Control and Process Capability
Improvement, Dearborn, Michigan, 1983
Pgina 18
CONTROL ESTADSTICO DEL PROCESO Dr. P. Reyes /
enero de 2009
Pgina 19
CONTROL ESTADSTICO DEL PROCESO Dr. P. Reyes /
enero de 2009
Pgina 20
CONTROL ESTADSTICO DEL PROCESO Dr. P. Reyes /
enero de 2009
1.1 2 aos
2.1 4 aos
4.1 7 aos
Ms de 7 aos
Conclusiones:
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 crtica los pocos proyectos que provocan la mayor parte de
los problemas de calidad.
Pgina 21
CONTROL ESTADSTICO DEL PROCESO Dr. P. Reyes /
enero de 2009
Ejes verticales:
- Eje izquierdo: Marque este eje con una escala desde 0 hasta el total
general
- Eje derecho: Marque este eje con una escala desde 0 hasta 100%
Eje horizontal:
- Divida este eje en un nmero de intervalos igual al nmero de
categoras clasificadas.
8. Dibuje la curva acumulada (curva de Pareto), Marque los valores
acumulados (porcentaje acumulado) en la parte superior, al lado derecho de
los intervalos de cada categora, y conecte los puntos con una lnea
continua.
9. Escriba en el diagrama cualquier informacin que considere necesaria para
el mejor entendimiento del diagrama de Pareto.
Pgina 22
CONTROL ESTADSTICO DEL PROCESO Dr. P. Reyes /
enero de 2009
50 99.94
98.52
DIAGRAMA PARETO 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 Pgina 23
1
A B C D E F G H I J
CONTROL ESTADSTICO DEL PROCESO Dr. P. Reyes /
enero de 2009
Pgina 24
CONTROL ESTADSTICO DEL PROCESO Dr. P. Reyes /
enero de 2009
Pareto Chart of C1
200 100
80
150
Percent
60
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
Frecuencia %
Pgina 25
CONTROL ESTADSTICO DEL PROCESO Dr. P. Reyes /
enero de 2009
Diagrama de Dispersin
Se utiliza para analizar la correlacin entre dos variables, se puede
encontrar: Correlacin positiva o negativa, fuerte o dbil o sin
correlacin.
Pgina 26
CONTROL ESTADSTICO DEL PROCESO Dr. P. Reyes /
enero de 2009
Por otro lado se puede observar que los puntos en un diagrama de dispersin
pueden estar muy cerca de la lnea recta que los atraviesa, o muy dispersos o
alejados con respecto a la misma. El ndice que se utiliza para medir ese grado
de cercana de los puntos con respecto a la lnea recta es la correlacin. En
total existen cinco grados de correlacin: positiva evidente, positiva, negativa
evidente, negativa y nula.
Pgina 27
CONTROL ESTADSTICO DEL PROCESO Dr. P. Reyes /
enero de 2009
a
y x 2
x xy
n x x
2 2
n xy x y
b
n x 2 x
2
SCxy
r
SCx SCy
x y
SCxy xy n
SCx x 2
x 2
SCy y 2
y 2
n
Donde:
r = Coeficiente de correlacin lineal
SCxy = Suma de cuadrados de xy
SCx = Suma de cuadrados de x
SCy = Suma de cuadrados de y
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
Pgina 28
CONTROL ESTADSTICO DEL PROCESO Dr. P. Reyes /
enero de 2009
SCxy = 2027.71
SCx = 698.56
SCy = 6105.94
r = 0.98
Pgina 30
CONTROL ESTADSTICO DEL PROCESO Dr. P. Reyes /
enero de 2009
Pgina 31
CONTROL ESTADSTICO DEL PROCESO Dr. P. Reyes /
enero de 2009
Antige
dad Errores
4 20
2 12
8 36
6 28
10 44
5 25
7 32
1 5
Antiguedad
Conclusiones:
Pgina 32
CONTROL ESTADSTICO DEL PROCESO Dr. P. Reyes /
enero de 2009
Histogramas
Se utilizan para ver la distribucin de frecuencia de una tabla de datos
Pgina 33
CONTROL ESTADSTICO DEL PROCESO Dr. P. Reyes /
enero de 2009
Conclusiones:
Pgina 34
CONTROL ESTADSTICO DEL PROCESO Dr. P. Reyes /
enero de 2009
La tcnica tormenta de ideas puede ser aplicada con gran frecuencia al llevar a
cabo otras herramientas, como por ejemplo, diagramas causa-efecto
(Ishikawa), Diseo de experimentos, pruebas de confiabilidad, etc.
Pgina 35
CONTROL ESTADSTICO DEL PROCESO Dr. P. Reyes /
enero de 2009
Los pasos para elaborar el diagrama de causa- efecto son los siguientes:
Pgina 36
CONTROL ESTADSTICO DEL PROCESO Dr. P. Reyes /
enero de 2009
5. Jerarquice las causas por grado de importancia y defina aquellas que tengan
un efecto relevante sobre la caracterstica especfica.
6. Elabore y ejecute un programa de correccin de las causas relevantes.
Pgina 37
CONTROL ESTADSTICO DEL PROCESO Dr. P. Reyes /
enero de 2009
DIMENSIONES
VELOCIDAD DE
INADECUADAS FORMACION
FUERA DE AVANCE
DIMENSIONES
TEMPERATURA HABILIDAD
ESPECIFICADS
ANGULO LIMITES
INCORRECTO DE PUNTA OXIDADA ERGONOMICOS
FORMA
LA FLAMA PUNTA
SOLDADURA DEFECTUOSA
UNION
SUPERFICIE SOLDADURA
S CON LACA DE
POLVO E SECUENCIA PROTECCION
IMPUREZAS SOLDADURA
TIEMPOS DE TERMINALES
ESPERA DESOXIDANTE
CORTOS OXIDADOS
MEDIO AMBIENTE MTODOS MATERIALES
Pgina 38
CONTROL ESTADSTICO DEL PROCESO Dr. P. Reyes /
enero de 2009
Pgina 39
CONTROL ESTADSTICO DEL PROCESO Dr. P. Reyes /
enero de 2009
Pgina 40
CONTROL ESTADSTICO DEL PROCESO Dr. P. Reyes /
enero de 2009
Carta de tendencias
Definicin:
Es una ayuda grfica para el control de las variaciones de los procesos
administrativos y de manufactura.
Usos:
Saber el comportamiento de un sistema o proceso durante el tiempo.
Tomar las acciones correctivas a tiempo si la tendencia afectar en forma
negativa.
Pgina 41
CONTROL ESTADSTICO DEL PROCESO Dr. P. Reyes /
enero de 2009
Pgina 42
CONTROL ESTADSTICO DEL PROCESO Dr. P. Reyes /
enero de 2009
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.
Pgina 43
CONTROL ESTADSTICO DEL PROCESO Dr. P. Reyes /
enero de 2009
Descripcin de smbolos
En la construccin de diagramas de flujo de procesos se utilizan los smbolos
descritos a continuacin:
Pgina 44
CONTROL ESTADSTICO DEL PROCESO Dr. P. Reyes /
enero de 2009
Pgina 45
CONTROL ESTADSTICO DEL PROCESO Dr. P. Reyes /
enero de 2009
26
Adaptado de Hamid Noori/Russell Radford, Administracin de Operaciones y
produccin, Ed. Mc.Graw Hill Pp.282
Pgina 46
CONTROL ESTADSTICO DEL PROCESO Dr. P. Reyes /
enero de 2009
Pgina 47
CONTROL ESTADSTICO DEL PROCESO Dr. P. Reyes /
enero de 2009
Ventajas:
Delinea grficamente la cantidad de tiempo sin valor que se usa en el
proceso.
Ayuda a reducir el tiempo sin valor y eliminar pasos innecesarios.
Ejemplo
Espera Espera
Pgina 48
CONTROL ESTADSTICO DEL PROCESO Dr. P. Reyes /
enero de 2009
Pgina 49
CONTROL ESTADSTICO DEL PROCESO Dr. P. Reyes /
enero de 2009
Edificio A
Edificio B
Pgina 50
CONTROL ESTADSTICO DEL PROCESO Dr. P. Reyes /
enero de 2009
Estratificacin
Se utiliza para separar un aspecto general en los estratos que lo
componen, por ejemplo, por regiones, estados, municipios, etc.
Clasificacin de los datos o factores sujetos a estudio en una serie de
grupos con caractersticas similares.
Por estado
Por municipio
Segundo paso:
Tercer paso:
Pgina 51
CONTROL ESTADSTICO DEL PROCESO Dr. P. Reyes /
enero de 2009
Figura 1.20 Carta de control con sus lmites de control y lnea central
Pgina 52
CONTROL ESTADSTICO DEL PROCESO Dr. P. Reyes /
enero de 2009
Pgina 53
CONTROL ESTADSTICO DEL PROCESO Dr. P. Reyes /
enero de 2009
Servicios no requeridos
Movimientos excesivos
e innecesarios
Transportes innecesarios
Inventarios innecesarios
Esperas o firmas innecesarios
Errores
Retrabados o reinspecciones
Pgina 54
CONTROL ESTADSTICO DEL PROCESO Dr. P. Reyes /
enero de 2009
Se realiza un mapeo del proceso con todas las actividades relacionadas con la
atencin en una sala de emergencia, considerando tiempos y distancias.
Pgina 55
CONTROL ESTADSTICO DEL PROCESO Dr. P. Reyes /
enero de 2009
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:
Pgina 56
CONTROL ESTADSTICO DEL PROCESO Dr. P. Reyes /
enero de 2009
Pgina 57
CONTROL ESTADSTICO DEL PROCESO Dr. P. Reyes /
enero de 2009
Pgina 58
CONTROL ESTADSTICO DEL PROCESO Dr. P. Reyes /
enero de 2009
Pgina 59
CONTROL ESTADSTICO DEL PROCESO Dr. P. Reyes /
enero de 2009
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
homogneos.
Pgina 60
CONTROL ESTADSTICO DEL PROCESO Dr. P. Reyes /
enero de 2009
Diagrama de afinidad:
o Organiza grandes cantidades de informacin
Diagrama de rbol:
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
Pgina 61
CONTROL ESTADSTICO DEL PROCESO Dr. P. Reyes /
enero de 2009
Diagrama de Afinidad
PASOS
1. Reunir el equipo y elegir un lder, 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 crculo en torno a cada agrupamiento
b. El diagrama queda completo cuando el equipo alcanza el
consenso
Pgina 62
CONTROL ESTADSTICO DEL PROCESO Dr. P. Reyes /
enero de 2009
Pgina 63
CONTROL ESTADSTICO DEL PROCESO Dr. P. Reyes /
enero de 2009
FUENTE
HTTP://WWW.SAPDESIGNGUILD.ORG/RESOURCES/GLOSSARY_USAB/IMAGES/AFFINITYE
E1.JPG
FUENTE:
HTTP://WWW.MEX.OPS-
OMS.ORG/DOCUMENTOS/TUBERCULOSIS/MEJORA/4_DIAGRAMA_AFINIDAD.PDF
Pgina 64
CONTROL ESTADSTICO DEL PROCESO Dr. P. Reyes /
enero de 2009
Pgina 65
CONTROL ESTADSTICO DEL PROCESO Dr. P. Reyes /
enero de 2009
PASOS
1. Reunir el equipo y elegir un lder.
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 raz.
a. Una causa raz es una categora de la que sale la gran
cantidad de flechas.
Pgina 66
CONTROL ESTADSTICO DEL PROCESO Dr. P. Reyes /
enero de 2009
Pgina 67
CONTROL ESTADSTICO DEL PROCESO Dr. P. Reyes /
enero de 2009
FUENTEHTTP://WWW.CALIDADEDUCATIVA.ORG/CONGRESO2008/MEMORIA/
TUFINO_COMPLEMENTARIO/TUFINO_INTERRELACION.PDF
Pgina 68
CONTROL ESTADSTICO DEL PROCESO Dr. P. Reyes /
enero de 2009
Diagrama de rbol
PASOS
1. Reunir un equipo apropiado.
2. Elegir la declaracin de objetivo.
3. Generar los encabezados de primer nivel del rbol
4. Completar el diagrama de rbol bajo cada encabezado principal
5. Revisar el diagrama de rbol terminado.
Pgina 69
CONTROL ESTADSTICO DEL PROCESO Dr. P. Reyes /
enero de 2009
FUENTE:
HTTP://WWW.PROGRAMAEMPRESA.COM/EMPRESA/EMPRESA.NSF/PAGINAS/B274A80F363DE0
39C12570290041808D?OPENDOCUMENT
Pgina 70
CONTROL ESTADSTICO DEL PROCESO Dr. P. Reyes /
enero de 2009
FUENTE
HTTP://DGPLADES.SALUD.GOB.MX/2006/HTDOCS/HG/NUEVAS/HESTRA7.PD
F
FIG. 1.27 EJEMPLOS DE DIAGRAMA DE RBOL
Pgina 71
CONTROL ESTADSTICO DEL PROCESO Dr. P. Reyes /
enero de 2009
Pgina 72
CONTROL ESTADSTICO DEL PROCESO Dr. P. Reyes /
enero de 2009
Diagrama Matricial
PASOS
1. Reunir a un equipo apropiado
2. Elegir las consideraciones clave
a. Qu tipo de informacin se desea mostrar en la matriz?
3. Elegir la forma apropiada de la matriz
4. Definir los smbolos de relacin a emplear y crear una leyenda
5. Concluir la matriz.
Pgina 73
CONTROL ESTADSTICO DEL PROCESO Dr. P. Reyes /
enero de 2009
Pgina 74
CONTROL ESTADSTICO DEL PROCESO Dr. P. Reyes /
enero de 2009
DIAGRAMAS MATRICIALES 27
FIG.
1.31 DIAGRAMA MATRICIAL EN L DIAGRAMA
MATRICIAL A
FIG.
1.32DIAGRAMA MATRICIAL EN T DIAGRAMA MATRICIAL
EN Y
27
Diagramas tomados de la direccin www.fundibeq.org 28 de diciembre de
2008
Pgina 75
CONTROL ESTADSTICO DEL PROCESO Dr. P. Reyes /
enero de 2009
FIG.
1.34 APLICACIN EN EL DESARROLLO DEL PRODUCTO
(MATRIZ DE QFD):
Pgina 76
CONTROL ESTADSTICO DEL PROCESO Dr. P. Reyes /
enero de 2009
Pgina 77
CONTROL ESTADSTICO DEL PROCESO Dr. P. Reyes /
enero de 2009
PASOS
28
Brassard, M. (1989), The Memory jogger plus +, Methuen, Goal/QPC
Pgina 78
CONTROL ESTADSTICO DEL PROCESO Dr. P. Reyes /
enero de 2009
Pgina 79
CONTROL ESTADSTICO DEL PROCESO Dr. P. Reyes /
enero de 2009
Cambiar fecha
de reunin
Reservar sala Sala de reuniones
de reuniones no disponible
Reservar otro
sitio
Rentar equipo
audiovisual
Planeacin de Verificar equipo Equipo audiovisual
una reunin audiovisual no disponible
Reservar otro
sitio
Banquete no
Ordenar a otro
disponible
proveedor
Efectuar los
arreglos de
alimentacin Solicitar un
men distinto
Men no
disponible
= Seleccionado Ordenar otro
= No factible proveedor de
banquetes
Pgina 80
CONTROL ESTADSTICO DEL PROCESO Dr. P. Reyes /
enero de 2009
PASOS
1. Reunir el equipo apropiado
2. Elegir el flujo bsico de implantacin
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
Pgina 81
CONTROL ESTADSTICO DEL PROCESO Dr. P. Reyes /
enero de 2009
Pgina 82
CONTROL ESTADSTICO DEL PROCESO Dr. P. Reyes /
enero de 2009
FUENTE HTTP://SYQUE.COM/QUALITY_TOOLS/TOOLS/TOOLS12.HTM
Pgina 83
CONTROL ESTADSTICO DEL PROCESO Dr. P. Reyes /
enero de 2009
PASOS
1. Reunir el equipo apropiado.
a. Los miembros del equipo debern 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 crtica del proyecto.
6. Calcular la fecha ms tarda de inicio y ms temprana de
conclusin de cada subtarea.
7. Calcular la holgura total.
8. Disear el diagrama de redes de actividades.
Pgina 84
CONTROL ESTADSTICO DEL PROCESO Dr. P. Reyes /
enero de 2009
Pgina 85
CONTROL ESTADSTICO DEL PROCESO Dr. P. Reyes /
enero de 2009
Pgina 86
CONTROL ESTADSTICO DEL PROCESO Dr. P. Reyes /
enero de 2009
d) Se elige entre los resultados as obtenidos el mayor. Este ser el nico TE del
evento N. Los dems valores obtenidos son irrelevantes y no se volvern a
considerar.
Los valores TE as obtenidos, se escribirn en el Diagrama de Flechas por
encima del respectivo evento.
El TL de un evento representa el tiempo mximo en que debe
alcanzarse el evento para poder seguir el proyecto tal y como ha sido
planificado, siendo el TL del ltimo 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 ltimo evento (= fin del proyecto), operando en sentido
inverso hasta el primero. El TL del ltimo evento se considera aqu 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 duracin t de la
actividad que le conecta con el evento N.
d) Se elige entre los resultados as obtenidos el menor. Este ser el nico TL
del evento N. Los dems valores obtenidos son irrelevantes y no se volvern a
considerar.
Pgina 87
CONTROL ESTADSTICO DEL PROCESO Dr. P. Reyes /
enero de 2009
Pgina 88
CONTROL ESTADSTICO DEL PROCESO Dr. P. Reyes /
enero de 2009
Cartas de control
En 1924 WALTER SHEWHART realiz experimentos y desarroll las Cartas de
Control en la planta telefnica Western Electric de los los Bell Labs, las cuales
tienen las siguientes caractersticas:
Tcnicas tiles para el monitoreo de procesos
Permiten identificar situaciones anormales en 6Ms
Sirven para prevenir la generacin dekrajewski
defectivos
Pgina 89
CONTROL ESTADSTICO DEL PROCESO Dr. P. Reyes /
enero de 2009
La carta de control es una tcnica muy til para el monitoreo de los procesos,
cuando se presentan variaciones anormales donde las medias o los rangos
salen de los lmites de control, es seal de que se debe tomar accin para
remover esa fuente de variabilidad anormal. Su uso sistemtico proporciona un
excelente medio para reducir la variabilidad.
Diseo de experimentos
Un experimento diseado es muy til para descubrir las variables clave que
tienen influencia en las caractersticas de calidad de inters del proceso. Es un
mtodo para variar en forma sistemtica los factores controlables del proceso y
determinar los efectos que tienen esos factores en los parmetros finales del
producto. Permite reducir la variabilidad en la caracterstica de calidad y en
determinar los niveles ms adecuados de los factores controlables que
optimicen el desempeo del proceso. Fisher inicia el desarrollo del diseo de
experimentos en la agricultura en Inglaterra en los aos 1920s.
ENTRADAS CONTROLABLES
X1 X2 XP
Materias primas,
Componentes, etc.
Z1 Z2 ZQ
ENTRADAS NO CONTROLABLES
Pgina 90
CONTROL ESTADSTICO DEL PROCESO Dr. P. Reyes /
enero de 2009
Una vez que se han identificado las variables que afectan el desempeo del
proceso, normalmente es necesario modelar la relacin entre estas variables y
la caracterstica de calidad de inters. Para lo cual se puede utilizar el anlisis
de regresin.
Muestreo de aceptacin
Est relacionado con la inspeccin y prueba del producto, donde se selecciona
e inspecciona una muestra aleatoria de un lote mayor, resultando en una
aceptacin o rechazo de ese lote mayor, esto ocurre en la recepcin de
materias primas y componentes y en el producto terminado.
Pgina 91
CONTROL ESTADSTICO DEL PROCESO Dr. P. Reyes /
enero de 2009
b) INSPECCION DE RECIBO
ENVIO
PROCESO INSPECCION CLIENTE
CLIENTE
PROCESO INSPECCION
RECHAZO
SCRAP RETR
ABAJO
Pgina 92
CONTROL ESTADSTICO DEL PROCESO Dr. P. Reyes /
enero de 2009
DISPOSICIN DE LOTES
En el transcurso del tiempo, las tres tcnicas estadsticas anteriores han tenido
la evolucin siguiente:
100%
MUESTREO DE
ACEPTACION
CONTROL DE
PROCESO
0% DISEO DE
EXPERIMENTOS
Tiempo
Fig. 1.45 Evolucin de la aplicacin de mtodos estadsticos
Para que sean efectivas las herramientas estadsticas, su aplicacin debe ser
parte de un programa mayor de Calidad Total (Total Quality Management en
EUA, Company Wide Quality Control en Japn, Seis Sigma de Motorola, Modelo
de Direccin por Calidad de Mxico (PNC), Malcolm Baldrige de EUA, QS 9000,
ISO TS 16949, VDA 6.1 VW, ISO 9000:2000, etc.), donde la alta direccin lleve
el liderazgo por la calidad, no funcionarn como elementos aislados.
Pgina 93
CONTROL ESTADSTICO DEL PROCESO Dr. P. Reyes /
enero de 2009
Deming impulso el uso del CEP y los mtodos estadsticos en Japn para la
reduccin de la variabilidad y mejora continua de calidad, con sus 14
recomendaciones a la direccin.
Costos de calidad
Son costos asociados con producir, identificar, evitar o reparar productos que
no cumplan especificaciones. Normalmente se clasifican en cuatro categoras:
Prevencin, Apreciacin, Falla interna y Falla externa, algunos de los elementos
que incluyen son los siguientes:
Pgina 94
CONTROL ESTADSTICO DEL PROCESO Dr. P. Reyes /
enero de 2009
Costos de prevencin
Son los costos asociados con los esfuerzos de diseo y manufactura enfocados
a la prevencin de defectos, de tal forma de hacer bien las cosas a la primera
vez.
Costos de apreciacin
Son los costos asociados con la medicin, evaluacin, o auditora a productos,
componentes y materiales comprados para asegurar su conformancia a los
estndares establecidos.
Pgina 95
CONTROL ESTADSTICO DEL PROCESO Dr. P. Reyes /
enero de 2009
Concepto de variacin
Los mtodos estadsticos se basan en que no existen dos productos
EXACTAMENTE iguales de un proceso de manufactura, por tanto la VARIACIN
es inevitable, su anlisis se hace con el apoyo de la estadstica.
Pgina 96
CONTROL ESTADSTICO DEL PROCESO Dr. P. Reyes /
enero de 2009
Pgina 97
CONTROL ESTADSTICO DEL PROCESO Dr. P. Reyes /
enero de 2009
Pgina 98
CONTROL ESTADSTICO DEL PROCESO Dr. P. Reyes /
enero de 2009
LIE LSE
Fig. 2.4 Distribuciones normales con varias medias y desviaciones estndar
Pgina 99
CONTROL ESTADSTICO DEL PROCESO Dr. P. Reyes /
enero de 2009
Existe una relacin del porcentaje de probabilidad o rea bajo la curva normal
a la desviacin estndar. En la figura observamos por ejemplo que el rea bajo
la curva para 1 tiene un porcentaje de 68.26%, 2 = 95.46% y
3 99.73% .
68.26%
95.46%
Pgina 100
CONTROL ESTADSTICO DEL PROCESO Dr. P. Reyes /
enero de 2009
Pgina 101
CONTROL ESTADSTICO DEL PROCESO Dr. P. Reyes /
enero de 2009
Ejemplo 2.1
a) Determinar el rea bajo la curva de menos infinito a Z = - 1.
P(Z<= -1) = 0.1587
Pgina 102
CONTROL ESTADSTICO DEL PROCESO Dr. P. Reyes /
enero de 2009
Pgina 103
CONTROL ESTADSTICO DEL PROCESO Dr. P. Reyes /
enero de 2009
Ejemplo 2.2
a) Determinar el rea bajo la curva de menos infinito a Z = 1.
P(Z <= 1) = 0.8413
Pgina 104
CONTROL ESTADSTICO DEL PROCESO Dr. P. Reyes /
enero de 2009
X
Z s se consideran los datos completos del proceso.
X X
Z s se consideran slo los datos de una muestra.
s
Pgina 105
CONTROL ESTADSTICO DEL PROCESO Dr. P. Reyes /
enero de 2009
485
3 0 .8 5 %
Z.0 5
Fig. 2.6 rea bajo la curva de Distribucin normal
Ejemplo 2.4 Suponga que un proceso tiene una distribucin normal dada tiene
una media de 20 y una desviacin estndar de 4. Calcule la probabilidad
P (X >=24) = 1 P(X <= 24) =
Fig. 2.7 Clculo del rea bajo la curva normal sin requerir Z
Pgina 106
CONTROL ESTADSTICO DEL PROCESO Dr. P. Reyes /
enero de 2009
EJERCICIO 2.2:
El P value debe ser mayor a 0.05 para que los datos se distribuyan
normalmente
Pgina 107
CONTROL ESTADSTICO DEL PROCESO Dr. P. Reyes /
enero de 2009
Pgina 108
CONTROL ESTADSTICO DEL PROCESO Dr. P. Reyes /
enero de 2009
Pgina 109
CONTROL ESTADSTICO DEL PROCESO Dr. P. Reyes /
enero de 2009
Z c X 0
n
(2.6)
Para encontrar la probabilidad de error tipo II, se debe asumir que Ho es falsa y
entonces hallar la distribucin de Zc. Suponiendo que la media de la
distribucin realmente es:
1 = 0 + con > 0
Zc N ,1
n
BAJO H0 BAJO H1
- Z/2 0 Z/2 Zc = n /
Fig. 2.9 La distribucin de Zc bajo Ho y H1
n n
Z / 2 Z / 2
(2.7)
Pgina 110
CONTROL ESTADSTICO DEL PROCESO Dr. P. Reyes /
enero de 2009
Ejemplo 2.5: si los estndares especifican que la media de una lata de caf es
de 16.0 oz., y de acuerdo a la experiencia se sabe que la desviacin estndar
del contenido es de 0.1 oz. Las hiptesis son:
Ho: = 16.0
Ho: 16.0
Asumiendo una probabilidad de error tipo I de 0.05 y tomando una muestra de
9 latas, se tiene que el estadstico de prueba es:
Z 0 X 16
0 .1
9
n n
Z / 2 Z / 2
0.1 9 0.1 9
1.96 1.96
0.1 0.1
= (- 1.4 ) - ( -4.96 )
= 0.1492
Pgina 111
CONTROL ESTADSTICO DEL PROCESO Dr. P. Reyes /
enero de 2009
Las cartas de control fueron desarrolladas por el Dr. Walter A. Shewhart de los
Bell Telephone Labs., se denominan Cartas de Control de Shewhart y se usan
para el monitoreo del proceso en lnea. A continuacin se explica la teora de
variabilidad de Shewhart.
Existen otras fuentes de variabilidad que pueden ser causadas por mquinas,
errores de operadores o materiales defectuosos. Esta variabilidad es muy
grande en relacin con la variabilidad natural y es originada por causas
especiales o asignables haciendo que el proceso opere fuera de control
estadstico (ver pgina siguiente).
Pgina 112
CONTROL ESTADSTICO DEL PROCESO Dr. P. Reyes /
enero de 2009
Pgina 113
CONTROL ESTADSTICO DEL PROCESO Dr. P. Reyes /
enero de 2009
LSC
LC
LIC Tiempo
proceso est fuera de control y que la media del proceso tiene un valor
diferente del de 0, por decir 1, donde 1 0.
Se puede decir que las probabilidades de los errores tipo I y tipo II de la carta
de control, son esquemas de prueba de hiptesis para analizar el desempeo
de las cartas de control.
Pgina 114
CONTROL ESTADSTICO DEL PROCESO Dr. P. Reyes /
enero de 2009
74.0135
74
74.9865 Tiempo
Pgina 115
CONTROL ESTADSTICO DEL PROCESO Dr. P. Reyes /
enero de 2009
LSC = w + Lw (2.8)
LC = w
LIC = w - Lw
Pgina 116
CONTROL ESTADSTICO DEL PROCESO Dr. P. Reyes /
enero de 2009
SISTEMA DE
EVALUACIN
Pgina 117
CONTROL ESTADSTICO DEL PROCESO Dr. P. Reyes /
enero de 2009
Las cartas de control pueden ser clasificadas en dos clases: por atributos y por
variables dependiendo de cmo se evale la caracterstica de calidad.
Pgina 118
CONTROL ESTADSTICO DEL PROCESO Dr. P. Reyes /
enero de 2009
Las cartas de control han sido muy populares por las siguientes razones:
Pgina 119
CONTROL ESTADSTICO DEL PROCESO Dr. P. Reyes /
enero de 2009
Abriendo los lmites de control decrece riesgo de error tipo I (falsa alarma) sin
embargo se incrementa el riego de error tipo II y viceversa. Con lmites de
control de 3-sigma la probabilidad de error tipo I es de 0.0027. Si se selecciona
el nivel de riesgo de error tipo I en 0.002 o 0.001 en cada lado, se tienen los
lmites de control a una distancia de 3.09-sigmas y los lmites de control sern:
+3.09
Pgina 120
CONTROL ESTADSTICO DEL PROCESO Dr. P. Reyes /
enero de 2009
+3.0
LC
-3.00
-3.09
Pgina 121
CONTROL ESTADSTICO DEL PROCESO Dr. P. Reyes /
enero de 2009
1
ARL (2.9)
p
1 1
ARL1 2
p 0.5
Pgina 122
CONTROL ESTADSTICO DEL PROCESO Dr. P. Reyes /
enero de 2009
Diseo 1 Diseo 2
n=5 n = 10
Frec. Cada hora Frec. cada hora.
Subgrupos racionales
Una carta de control indicar una condicin fuera de control cuando uno o ms
puntos caigan ms all de los lmites de control o cuando los puntos graficados
formen un patrn no aleatorio de comportamiento.
Pgina 123
CONTROL ESTADSTICO DEL PROCESO Dr. P. Reyes /
enero de 2009
Pgina 124
CONTROL ESTADSTICO DEL PROCESO Dr. P. Reyes /
enero de 2009
1. Liderazgo gerencial
2. Un enfoque de grupo de trabajo
3. Educacin y entrenamiento de empleados en todos los niveles
4. nfasis en la mejora continua
5. Un mecanismo para reconocer el xito y comunicacin hacia la
organizacin.
Pgina 125
CONTROL ESTADSTICO DEL PROCESO Dr. P. Reyes /
enero de 2009
Pgina 126
CONTROL ESTADSTICO DEL PROCESO Dr. P. Reyes /
enero de 2009
3.1 INTRODUCCIN
Pgina 127
CONTROL ESTADSTICO DEL PROCESO Dr. P. Reyes /
enero de 2009
Z / 2 X Z / 2 (3.1)
n
y
Z / 2 X Z / 2
n
Lo anterior ser vlido an si la distribucin de la poblacin no es normal pero
si estable.
X i
(3.2)
X i 1
m
Representa la lnea central de la carta de medias.
Para estimar la del proceso, se pueden utilizar los rangos de los subgrupos,
para cada uno de los subgrupos el rango es calculado como:
R = xmax xmin
(3.3)
Si R1, R2, ....., Rm , son los rangos de los diferentes subgrupos, el rango
promedio es:
R i
(3.4)
R i 1
Pgina 128
CONTROL ESTADSTICO DEL PROCESO Dr. P. Reyes /
enero de 2009
W=R/ (3.5)
3R
LSC X Lmite superior de control (LSC)
d2 n
3R
LIC X Lmite inferior de control (LIC)
d2 n
(3.7)
3R
Si de define a A2 se tienen las ecuaciones siguientes:
d2 n
LSC = X + A2 R (3.8)
LIC = X - A2 R
Pgina 129
CONTROL ESTADSTICO DEL PROCESO Dr. P. Reyes /
enero de 2009
R=W (3.9)
La desviacin estndar de R es:
R = d3
Como es desconocida, se puede estimar de = R / d2, resultando:
R
R d3 (3.10)
d2
R d3
LSC = R + 3 R = R + 3 d 3 = R [ 1+ 3 ] = D4 R
d2 d2
(3.11)
R d3
LIC = R - 3 R = R - 3 d 3 = R [ 1- 3 ] = D3 R
d2 d2
Donde las constantes A2 , d2 D3 y D4 se encuentran tabuladas en funcin de n
para facilitar el clculo de los lmites de control como sigue:
n A2 D3 D4 d2
2 1.88 0 3.267 1.128
3 1.023 0 2.574 1.693
4 0.072 0 2.282 2.059
5 0.577 0 2.115 2.326
6 0.483 0 2.004 2.534
7 0.419 0.076 1.924 2.704
8 0.373 0.136 1.864 2.847
9 0.337 0.184 1.816 2.97
10 0.308 0.223 1.777 3.078
Pgina 130
CONTROL ESTADSTICO DEL PROCESO Dr. P. Reyes /
enero de 2009
Eficiencia
n Relativa
2 1.000
3 0.992
4 0.975
5 0.955
6 0.930
10 0.850
Para n >= 10 el rango pierde eficiencia rpidamente ya que ignora los valores
intermedios entre xmax y xmin sin embargo para valores pequeos de n (4,5 o 6)
empleados en las cartas de control, es adecuado. Para cuando n>10 se utiliza
la desviacin estndar en vez del rango.
EQUIPO DE MEDICIN
La resolucin del equipo debe ser de al menos 1/10 de la tolerancia y debe
tener habilidad para realizar la medicin con un error por Repetibilidad y
Reproducibilidad (R&R) menor al 10% (ver procedimiento de estudios R&R).
LIMITES PRELIMINARES
Siempre que un proceso este siendo analizado a travs de una carta de control,
es muy importante llevar una bitcora registrando todos los cambios (tiempo y
descripcin) conforme ocurran, por ejemplo: cambio de turno, cambio de
materiales, ajuste de mquina, interrupcin de energa, arranque de mquina,
etc. Con objeto de identificar las causas asignables en caso de presentarse
para la toma de acciones correctivas.
Pgina 131
CONTROL ESTADSTICO DEL PROCESO Dr. P. Reyes /
enero de 2009
LSC
LC
LIC
Fig. 3.2 Patrn de anormalidad cclico
Pgina 132
CONTROL ESTADSTICO DEL PROCESO Dr. P. Reyes /
enero de 2009
Pgina 133
CONTROL ESTADSTICO DEL PROCESO Dr. P. Reyes /
enero de 2009
LSC
LC
LIC
Corrimiento en la media del proceso. Esto puede ser generado por un cambio
en mtodos, operadores, materias primas, mtodos de inspeccin, etc.
LSC
LC
LIC
LC
LIC
Fig. 3.5 Patrn de anormalidad de tendencia ascendente
Pgina 134
CONTROL ESTADSTICO DEL PROCESO Dr. P. Reyes /
enero de 2009
LSC
LC
LIC
El anlisis se inicia con la carta R ya que los lmites para la carta X dependen
de la variabilidad del proceso, y a menos que esta variabilidad se encuentre en
control, esos lmites tendrn poco significado.
Pgina 135
CONTROL ESTADSTICO DEL PROCESO Dr. P. Reyes /
enero de 2009
Pgina 136
CONTROL ESTADSTICO DEL PROCESO Dr. P. Reyes /
enero de 2009
140
__
130 X=130.88
120
110
LCL=107.31
1 3 5 7 9 11 13 15 17 19
Sample
UCL=86.40
80
Sample Range
60
_
40 R=40.86
20
0 LCL=0
1 3 5 7 9 11 13 15 17 19
Sample
Pgina 137
CONTROL ESTADSTICO DEL PROCESO Dr. P. Reyes /
enero de 2009
Est.
131.0 184.8 182.2 143.3 212.8 170.82 81.8 33.2801
181.3 193.2 180.7 169.1 174.3 179.72 24.1 9.0461
154.8 170.2 168.4 202.7 174.4 174.1 47.9 17.5943
157.5 154.2 169.1 142.2 161.9 156.98 26.9 9.9693
216.3 174.3 166.2 155.5 184.3 179.32 60.8 23.222
186.9 180.2 149.2 175.2 185.0 175.3 37.7 15.2797
167.8 143.9 157.5 171.8 194.9 167.18 51 18.8798
178.2 186.7 142.4 159.4 167.6 166.86 44.3 17.1516
162.6 143.6 132.8 168.9 177.2 157.02 44.4 18.3454
172.1 191.7 203.4 150.4 196.3 182.78 53 21.5062
150 __
X=144.26
135
120 LCL=119.47
1
1
1 4 7 10 13 16 19 22 25 28
Sample
UCL=90.9
80
Sample Range
60
_
40 R=43.0
20
0 LCL=0
1 4 7 10 13 16 19 22 25 28
Sample
Pgina 138
CONTROL ESTADSTICO DEL PROCESO Dr. P. Reyes /
enero de 2009
140
__
X=127.06
120
100 LCL=100.95
1 4 7 10 13 16 19 22 25 28
Sample
100
UCL=95.7
75
Sample Range
50 _
R=45.3
25
0 LCL=0
1 4 7 10 13 16 19 22 25 28
Sample
Ejemplo 3.3 Se considera otro ejemplo con los datos individuales siguientes,
procesados con el paquete Minitab:
Rango
HORA X1 X2 X3 X4 X5 Medias s
1 -30 50 -20 10 30 8 80
2 0 50 -60 -20 30 0 110
3 -50 10 20 30 20 6 80
4 -10 -10 30 -20 50 8 70
5 20 -40 50 20 10 12 90
Pgina 139
CONTROL ESTADSTICO DEL PROCESO Dr. P. Reyes /
enero de 2009
6 0 0 40 -40 20 4 80
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
LCL=-25.73
1 3 5 7 9 11 13 15 17 19
Sample
150
UCL=134.3
Sample Range
100
_
R=63.5
50
0 LCL=0
1 3 5 7 9 11 13 15 17 19
Sample
Pgina 140
CONTROL ESTADSTICO DEL PROCESO Dr. P. Reyes /
enero de 2009
60
50
40
30
20
10
1
-10 0 10 20 30
Medias
Pgina 141
CONTROL ESTADSTICO DEL PROCESO Dr. P. Reyes /
enero de 2009
60
50
40
30
20
10
1
0 20 40 60 80 100 120
Rangos
e
Por las pruebas de normalidad de rangos y medias, se deduce que el proceso
est en Control Estadstico (en ambos casos el P value es mayor a 0.05).
Pgina 142
CONTROL ESTADSTICO DEL PROCESO Dr. P. Reyes /
enero de 2009
LSC = X + 0.577x R
LIC = X - 0.577x R
Pgina 143
CONTROL ESTADSTICO DEL PROCESO Dr. P. Reyes /
enero de 2009
601
Sample Mean
_
_
600 X=599.938
599
598
LCL=597.629
2 4 6 8 10 12 14 16 18
Sample
UCL=8.465
8
Sample Range
_
4 R=4.003
0 LCL=0
2 4 6 8 10 12 14 16 18
Sample
Pgina 144
CONTROL ESTADSTICO DEL PROCESO Dr. P. Reyes /
enero de 2009
Pgina 145
CONTROL ESTADSTICO DEL PROCESO Dr. P. Reyes /
enero de 2009
LIE = 73.950
LSE = 74.0500
Los lmites de tolerancia naturales del proceso inferior y superior (LTNI y LTNS)
se encuentran a 3-sigma del proceso por abajo y por arriba de la media del
proceso, o sea en:
Pgina 146
CONTROL ESTADSTICO DEL PROCESO Dr. P. Reyes /
enero de 2009
LSE LIE
Cp = (3.12)
6
Caso 2. Si Cp es igual a 1, implica que las bandas para los lmites de tolerancia
natural y de especificaciones coinciden (aunque para el caos de 3-sigma aun
hayan 2700 ppm fuera de especificaciones).
LIE LSE
LNTI LNTS
Pgina 147
CONTROL ESTADSTICO DEL PROCESO Dr. P. Reyes /
enero de 2009
Pgina 148
CONTROL ESTADSTICO DEL PROCESO Dr. P. Reyes /
enero de 2009
CR = (1 / Cp) 100%
(3.13)
CR = (1 / 1.68) 100% = 59.2%
Pgina 149
CONTROL ESTADSTICO DEL PROCESO Dr. P. Reyes /
enero de 2009
LSL USL
Process Data Within
LSL 85 Overall
Target *
USL 175 Potential (Within) Capability
Sample Mean 127.063 Cp 0.77
Sample N 150 CPL 0.72
StDev(Within) 19.4626 CPU 0.82
StDev(Overall) 19.8965 Cpk 0.72
Overall Capability
Pp 0.75
PPL 0.70
PPU 0.80
Ppk 0.70
Cpm *
Pgina 150
CONTROL ESTADSTICO DEL PROCESO Dr. P. Reyes /
enero de 2009
Ejemplo 3.3. Para las cartas X-R se tiene el clculo de la capacidad o habilidad
del proceso, una vez estable (considerando que los lmites de especificacin
son -80 y +80):
LSL USL
Process Data Within
LSL -80 Overall
Target *
USL 80 Potential (Within) Capability
Sample Mean 10.9 Cp 0.98
Sample N 100 CPL 1.11
StDev(Within) 27.3001 CPU 0.84
StDev(Overall) 25.2301 Cpk 0.84
Overall Capability
Pp 1.06
PPL 1.20
PPU 0.91
Ppk 0.91
Cpm *
-60 -30 0 30 60
Observed Performance Exp. Within Performance Exp. Overall Performance
PPM < LSL 0.00 PPM < LSL 434.76 PPM < LSL 157.38
PPM > USL 0.00 PPM > USL 5684.82 PPM > USL 3083.22
PPM Total 0.00 PPM Total 6119.59 PPM Total 3240.59
Pgina 151
CONTROL ESTADSTICO DEL PROCESO Dr. P. Reyes /
enero de 2009
Es importante hacer notar que no existe ninguna relacin matemtica entre los
lmites de especificacin y los de control o los de tolerancia natural.
SUBGRUPOS RACIONALES
Para el caso de la carta de medias-rangos, los subgrupos se seleccionan de tal
forma de minimizar la variabilidad entre muestras individuales, observando
slo su variabilidad aleatoria y maximizando la posibilidad de detectar corridas
en la media del proceso en funcin del tiempo.
Pgina 152
CONTROL ESTADSTICO DEL PROCESO Dr. P. Reyes /
enero de 2009
Pgina 153
CONTROL ESTADSTICO DEL PROCESO Dr. P. Reyes /
enero de 2009
LIM.SUP.NVO
LIMITES
ANTERIORES CARTA X
LIM.INF.NVO.
CARTA R
se incremente el ancho de los lmites de control en la carta X (porque es
n
ms pequeo con n=5 que con n=3) y se reduzca la media de R y su lmite
superior en la carta R.
Pgina 154
CONTROL ESTADSTICO DEL PROCESO Dr. P. Reyes /
enero de 2009
LC
( ZLIC, x)
LIC
-
LSC ( 0 k ) LIC ( 0 k )
Entonces = -
/ n / n
0 L / n ( 0 k ) 0 L / n ( 0 k )
= - (3.18)
/ n / n
=(Lk n )-(-Lk n )
(3.19)
Pgina 155
CONTROL ESTADSTICO DEL PROCESO Dr. P. Reyes /
enero de 2009
Ejemplo 3.4 Para una carta X R con L=3 (lmites a 3-sigma de medias),
tamao de muestra n=5, y se desea determinar el corrimiento a 1 = 0 + 2
en la primera muestra subsecuente al corrimiento de la media del proceso, se
tiene:
=(32 5 )-(-32 5 )
= (-1.47) - (-7.37)
= 0.0708
1
ARL = (3.20)
1
Pgina 156
CONTROL ESTADSTICO DEL PROCESO Dr. P. Reyes /
enero de 2009
Por ejemplo si = 2 con n=5, slo se tienen una probabilidad del 40% de
detectar este corrimiento en cada muestra subsecuente. Por tanto la carta R
tiene poca sensibilidad de detectar pequeos corrimientos en sigma, para cual
se debe usar la carta S con n>10.
ARL1 = 1 / ( 1 - ) (3.22)
Pgina 157
CONTROL ESTADSTICO DEL PROCESO Dr. P. Reyes /
enero de 2009
20 __
X=10.9
0
-20
LCL=-25.11
1 3 5 7 9 11 13 15 17 19
Sample
60
UCL=52.71
45
Sample StDev
30 _
S=25.23
15
0 LCL=0
1 3 5 7 9 11 13 15 17 19
Sample
la desviacin estndar de S es 1 c 4 .
1/ 2
2 ( n / 2)
c4 (3.18)
n 1 ((n 1) / 2)
CASO DE n CONSTANTE
Con esta informacin se pueden establecer los lmites de control para la carta
X y S, cuando se conoce el valor de dado que existe un historial.
Pgina 158
CONTROL ESTADSTICO DEL PROCESO Dr. P. Reyes /
enero de 2009
LICs = c4 - 3 1 c 4 = B5 LICX = - A
1 m
S Si
m i 1
(3.21)
__
S (3.22)
c4
S
LSCs = S 3 1 c 42 = B4 S (3.23)
c4
LCs = S
S
LICs = S 3 1 c 42 = B3 S
c4
Para el caso de la carta X , cuando S /c4 se una para estimar los lmites de
control para esta carta son:
Pgina 159
CONTROL ESTADSTICO DEL PROCESO Dr. P. Reyes /
enero de 2009
S
LSCx = X + 3 = X + A3 S
c4 n
(3.24)
LCx = X
S
LICx = X - 3 = X - A3 S
c4 n
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
Pgina 160
CONTROL ESTADSTICO DEL PROCESO Dr. P. Reyes /
enero de 2009
CASO DE n VARIABLE
n X i i
X i 1
m
(3.25)
n
i 1
i
1/ 2
(n i 1) S
i
2
S (3.26)
m
ni m
i 1
Ejemplo 3.4 Para una carta X-S con lmites variables, se tomaron los datos
siguientes, corriendo en Minitab:
Muest Muest Muestr
Datos ra Datos ra Datos a 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
Pgina 161
CONTROL ESTADSTICO DEL PROCESO Dr. P. Reyes /
enero de 2009
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
Pgina 162
CONTROL ESTADSTICO DEL PROCESO Dr. P. Reyes /
enero de 2009
LSCX = 74.015
LCX = 74.001
LICX = 73.987
Para la carta S
LSCS = 0.020
LCS = 0.0098
LICS = 0
ESTIMACIN DE
S
c4
Para el ejemplo:
S
= 0.0094 / 0.94 = 0.01, tomando el valor de c 4 para n=5.
c4
Pgina 163
CONTROL ESTADSTICO DEL PROCESO Dr. P. Reyes /
enero de 2009
MR i = X i X i 1 .
Para este caso, los lmites de control para la carta X son:
MR
LSCx = X 3
d2
__
LCx = X (3.27)
MR
LICx = X 3
d2
n=2
Viscocid
Lote ad
1 33.75
2 33.05
Pgina 164
CONTROL ESTADSTICO DEL PROCESO Dr. P. Reyes /
enero de 2009
3 34.00
4 33.81
5 33.46
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
LCL=32.245
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15
Observation
1.6 UCL=1.571
1.2
Moving Range
0.8
__
MR=0.481
0.4
0.0 LCL=0
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15
Observation
Pgina 165
CONTROL ESTADSTICO DEL PROCESO Dr. P. Reyes /
enero de 2009
Por ejemplo:
Valores
individuales Rango
23 -
15 8
11 4
24 13
38 14
19 19
600
_
X=599.548
599
598 LCL=597.920
1
1 10 20 30 40 50 60 70 80 90 100
Observation
2.4
1
UCL=2.000
Moving Range
1.8
1.2
__
0.6 MR=0.612
0.0 LCL=0
1 10 20 30 40 50 60 70 80 90 100
Observation
Ejercicio Hacer una carta I-MR utilizando las fichas de ejemplo por
equipos.
Pgina 166
CONTROL ESTADSTICO DEL PROCESO Dr. P. Reyes /
enero de 2009
Pgina 167
CONTROL ESTADSTICO DEL PROCESO Dr. P. Reyes /
enero de 2009
Las cartas por atributos tiene la ventaja que consideran varias caractersticas a
la vez clasificando la unidad como conforme o no conforme, si no cumple
alguna de esas caractersticas. Por otra parte si esas caractersticas se
controlan como variables, debe llevarse una carta de control para cada una de
esas caractersticas, lo cual es ms laborioso, otra alternativa es el C.E.P.
multivariado.
Las cartas por variables proporcionan mayor informacin del proceso que las
de atributos, tal como la media del proceso y su variabilidad, tambin
proporcionan informacin para realizar estudios de capacidad de los procesos.
LIE 1 2 3 LSE
Reaccin de carta X-R Reaccin de carta p
Pgina 168
CONTROL ESTADSTICO DEL PROCESO Dr. P. Reyes /
enero de 2009
Ejemplo 3.8 Si el proceso se controla con una carta X , donde el valor medio
de la caracterstica de calidad es 50 y la desviacin estndar es 2, para lmites
de 3-sigma y especificaciones LIE=44 y LSE=56, cuando el proceso est en
control en el valor nominal de 50, la fraccin no conforme es 0.0027.
Suponiendo que la media del proceso del proceso se corre a 52, la fraccin
defectiva producida ser aproximadamente 0.0202, si se desea que la
probabilidad de detectar este corrimiento en la siguiente muestra subsecuente
sea del 0.50, entonces el tamao 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,
2
k
n p (1 p )
Pgina 169
CONTROL ESTADSTICO DEL PROCESO Dr. P. Reyes /
enero de 2009
n = 79.23 80
Donde se observa que a menos que el costo de medir 9 muestras sea mayor
que 9 veces el costo de inspeccin por atributos, las carta X es ms
econmica de aplicar.
Se sugiere lo siguiente:
1. Determinar cual es la caracterstica a controlar.
2. Seleccionar un tipo de carta de control.
3. Identificar el proceso donde se implantarn las cartas de control.
4. Tomar acciones para mejorar el proceso, como resultado de la aplicacin de
la carta de control.
5. Seleccionar el sistema de coleccin de datos y software de C.E.P.
Pgina 170
CONTROL ESTADSTICO DEL PROCESO Dr. P. Reyes /
enero de 2009
Pgina 171
CONTROL ESTADSTICO DEL PROCESO Dr. P. Reyes /
enero de 2009
n A2 D3 D4 d2
2 1.88 0 3.267 1.128
3 1.023 0 2.574 1.693
4 0.072 0 2.282 2.059
5 0.577 0 2.115 2.326
6 0.483 0 2.004 2.534
7 0.419 0.076 1.924 2.704
8 0.373 0.136 1.864 2.847
9 0.337 0.184 1.816 2.97
10 0.308 0.223 1.777 3.078
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
Pgina 172
CONTROL ESTADSTICO DEL PROCESO Dr. P. Reyes /
enero de 2009
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.
Pgina 173
CONTROL ESTADSTICO DEL PROCESO Dr. P. Reyes /
enero de 2009
Di
pi (4.1)
ni
__
p (4.2)
p(1 p )
2p (4.3)
n
LSC = w + Lw
LC = w (4.4)
LIC = w - Lw
Pgina 174
CONTROL ESTADSTICO DEL PROCESO Dr. P. Reyes /
enero de 2009
__ __
LSCp = p 3 p (1 p )
__
n
__
LCp = p (4.5)
__ __
LICp = p 3 p (1 p )
__
pi = D i / n i = 1, 2, 3,....., m (4.6)
m m
D p i i
(4.7)
p i 1
i 1
mn m
Pgina 175
CONTROL ESTADSTICO DEL PROCESO Dr. P. Reyes /
enero de 2009
p (1 p )
LSC p p 3 (4.5) anterior
n
LC p p
p(1 p )
LIC p p 3
n
Una vez hecha la grfica trazando los lmites anteriores, cualquier punto que se
encuentre fuera de control debe ser investigado, si se encuentra una causa
asignable o especial, deben tomarse medidas correctivas para prevenir su
recurrencia, los puntos correspondientes a la situacin fuera de control se
eliminan y se calculan de nuevo los lmites de control preliminares.
Pgina 176
CONTROL ESTADSTICO DEL PROCESO Dr. P. Reyes /
enero de 2009
12 6 27 7
13 17 28 13
14 12 29 9
15 22 30 6
Di p i
=
347
= 0.2313
p i 1
i 1 (30)(50)
mn m
Los lmites de control usando Minitab son:
LSCp = 0.4102
LCp = 0.2313
LICp = 0.0524
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
Pgina 177
CONTROL ESTADSTICO DEL PROCESO Dr. P. Reyes /
enero de 2009
LSCp = 0.3893
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
Pgina 178
CONTROL ESTADSTICO DEL PROCESO Dr. P. Reyes /
enero de 2009
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
Se observa que la p media del proceso ha mejorado con los ajustes y una
mejor atencin de los operadores.
Pgina 179
CONTROL ESTADSTICO DEL PROCESO Dr. P. Reyes /
enero de 2009
H0: p1 = p 2
H1: p1 > p 2
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
Pgina 180
CONTROL ESTADSTICO DEL PROCESO Dr. P. Reyes /
enero de 2009
Usando slo los ltimos 24 puntos para calcular nuevos lmites se tiene:
LSCp = 0.2440
LCp = 0.1108
LICp = -0.0224 = 0
Continuando con el ejemplo, usando los nuevos lmites de control, para las
siguientes 40 muestras se observa una mejora del proceso, dentro de control.
Es muy importante que para identificar fcilmente las causas asignables, se
lleve una bitcora de cambios, donde se anote cada cambio que ocurra,
independientemente que afecte o no al proceso.
Pgina 181
CONTROL ESTADSTICO DEL PROCESO Dr. P. Reyes /
enero de 2009
Mtodo 1.
El tamao de muestra n se escoge de tal forma que la probabilidad de
encontrar al menos una unidad no conforme por muestra sea al menos .
Mtodo 2.
Duncan sugiere que el tamao de muestra debe ser tal que se tenga
aproximadamente un 50% de probabilidad de detectar el corrimiento de la
media de un proceso en una cierta cantidad.
p (1 p )
L (4.8)
n
Pgina 182
CONTROL ESTADSTICO DEL PROCESO Dr. P. Reyes /
enero de 2009
2
L
n p (1 p ) (4.9)
2
3
n= (0.01)(0.99) 56
0.04
Mtodo 3.
Otro mtodo a usar si la fraccin p en control es pequea, consiste en
seleccionar n tan grande de tal forma que el lmite inferior tenga un valor
positivo, para poder investigar la causa de generacin de muy bajas cantidades
de artculos defectuosos con objeto de identificar errores de inspeccin o de los
equipos de medicin. Se tiene:
p (1 p )
LIC p p L 0 (4.10)
n
Implica que,
(1 p ) 2
n L (4.11)
p
0.95
n (3) 2 171
0.05
Pgina 183
CONTROL ESTADSTICO DEL PROCESO Dr. P. Reyes /
enero de 2009
No No No
conforme conforme conforme
Servicio s Servicio s Servicio s
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 lmites de control usando Minitab son:
LSCp = 0.4102 LCp = 0.2313 LICp = 0.0524
Pgina 184
CONTROL ESTADSTICO DEL PROCESO Dr. P. Reyes /
enero de 2009
Pgina 185
CONTROL ESTADSTICO DEL PROCESO Dr. P. Reyes /
enero de 2009
Pgina 186
CONTROL ESTADSTICO DEL PROCESO Dr. P. Reyes /
enero de 2009
Pgina 187
CONTROL ESTADSTICO DEL PROCESO Dr. P. Reyes /
enero de 2009
LSC np np 3 np (1 p )
LC np np (4.12)
LIC np np 3 np (1 p )
Ejemplo 4.5, con los ltimos 39 datos de las cajas de concentrado de jugo de
naranja, 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
Pgina 188
CONTROL ESTADSTICO DEL PROCESO Dr. P. Reyes /
enero de 2009
Fra- Des-
n-var nodef def LSC LIC est
0.1836 0.0073 0.02939
100 12 0.12 86 35 18
-
0.1940 0.0030 0.03286
80 8 0.1 93 7 11
-
0.1940 0.0030 0.03286
80 6 0.075 93 7 11
0.1836 0.0073 0.02939
100 9 0.09 86 35 18
0.0909 0.1795 0.0114 0.02802
110 10 09 82 38 4
0.1090 0.1795 0.0114 0.02802
110 12 91 82 38 4
0.1836 0.0073 0.02939
100 11 0.11 86 35 18
0.1836 0.0073 0.02939
100 16 0.16 86 35 18
90 10 0.1111 0.1884 0.0025 0.03098
Pgina 189
CONTROL ESTADSTICO DEL PROCESO Dr. P. Reyes /
enero de 2009
11 55 65 17
0.0666 0.1884 0.0025 0.03098
90 6 67 55 65 17
0.1818 0.1795 0.0114 0.02802
110 20 18 82 38 4
0.1760 0.0150 0.02683
120 15 0.125 03 17 1
0.1760 0.0150 0.02683
120 9 0.075 03 17 1
0.0666 0.1760 0.0150 0.02683
120 8 67 03 17 1
0.0545 0.1795 0.0114 0.02802
110 6 45 82 38 4
-
0.1940 0.0030 0.03286
80 8 0.1 93 7 11
-
0.1940 0.0030 0.03286
80 10 0.125 93 7 11
-
0.1940 0.0030 0.03286
80 7 0.0875 93 7 11
0.0555 0.1884 0.0025 0.03098
90 5 56 55 65 17
0.1836 0.0073 0.02939
100 8 0.08 86 35 18
0.1836 0.0073 0.02939
100 5 0.05 86 35 18
0.1836 0.0073 0.02939
100 8 0.08 86 35 18
0.1836 0.0073 0.02939
100 10 0.1 86 35 18
0.0666 0.1884 0.0025 0.03098
90 6 67 55 65 17
25
D i
234
p i 1
25
0.096
2450
n
i 1
i
LC = 0.096
Pgina 190
CONTROL ESTADSTICO DEL PROCESO Dr. P. Reyes /
enero de 2009
(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
Pgina 191
CONTROL ESTADSTICO DEL PROCESO Dr. P. Reyes /
enero de 2009
m
n i
2450
n i 1
98
m 25
(0.096)(0.904)
LSCp= p 3 p 0.096 3 0.185
98
LC = 0.096
(0.096)(0.904)
LICp= p 3 p 0.096 3 0.007
98
Otra vez de la grfica se observa que el punto 11 est fuera de control.
pi p
Zi
p (1 p ) (4.13)
ni
Ejemplo 4.7 Con los 25 datos anteriores se obtiene una carta estandarizada,
por medio de Minitab.
Pgina 192
CONTROL ESTADSTICO DEL PROCESO Dr. P. Reyes /
enero de 2009
1.5
_
0.0 X=-0.028
-1.5
-3.0 LCL=-2.926
1 3 5 7 9 11 13 15 17 19 21 23
Observation
1
4
UCL=3.560
Moving Range
2
__
1 MR=1.090
0 LCL=0
1 3 5 7 9 11 13 15 17 19 21 23
Observation
Pgina 193
CONTROL ESTADSTICO DEL PROCESO Dr. P. Reyes /
enero de 2009
(4.14)
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}
Pgina 194
CONTROL ESTADSTICO DEL PROCESO Dr. P. Reyes /
enero de 2009
Pgina 195
CONTROL ESTADSTICO DEL PROCESO Dr. P. Reyes /
enero de 2009
ARL0 = 1 /
ARL1 = 1 / (1 - )
Indicando que cada 370 puntos se puede tener una falsa alarma.
Pgina 196
CONTROL ESTADSTICO DEL PROCESO Dr. P. Reyes /
enero de 2009
Pgina 197
CONTROL ESTADSTICO DEL PROCESO Dr. P. Reyes /
enero de 2009
Pgina 198
CONTROL ESTADSTICO DEL PROCESO Dr. P. Reyes /
enero de 2009
LSCc = c +3 c
LCc = c (4.16)
LICc = c - 3 c en el caso que sea negativo toma el valor cero.
LSCc = c + 3 c
LCc = c (4.17)
LICc = c - 3 c en el caso que sea negativo toma el valor cero
Donde,
LSC = 33.22
LC = 516 / 26 = 19.85 = c
Pgina 199
CONTROL ESTADSTICO DEL PROCESO Dr. P. Reyes /
enero de 2009
LIC = 6.48
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 investigacin revel que el punto 6 fue debido a que un inspector nuevo
calific los circuitos impresos pero no tena 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 lmites de control.
Pgina 200
CONTROL ESTADSTICO DEL PROCESO Dr. P. Reyes /
enero de 2009
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
No Conformidades 1
16 18
18 21
12 16
15 22
24 19
21 12
28 14
20 9
25 16
19 21
Pgina 201
CONTROL ESTADSTICO DEL PROCESO Dr. P. Reyes /
enero de 2009
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
Pgina 202
CONTROL ESTADSTICO DEL PROCESO Dr. P. Reyes /
enero de 2009
Pgina 203
CONTROL ESTADSTICO DEL PROCESO Dr. P. Reyes /
enero de 2009
Mtodo 1. Con nc
En este caso tanto la lnea central como los lmites de control se modifican por
el factor n, quedando como sigue ( c es la media de las no conformidades
observada en la unidad de inspeccin anterior):
Pgina 204
CONTROL ESTADSTICO DEL PROCESO Dr. P. Reyes /
enero de 2009
LSC nc nc 3 nc
LC nc nc (4.18)
LIC nc nc 3 nc
LC nc nc = (2.5)(19.67) = 49.18
u
LSC u u 3
n
LC u u (4.20)
u
LSC u u 3
n
Pgina 205
CONTROL ESTADSTICO DEL PROCESO Dr. P. Reyes /
enero de 2009
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
Pgina 206
CONTROL ESTADSTICO DEL PROCESO Dr. P. Reyes /
enero de 2009
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 tamao de muestra
constante en control estadstico
Pgina 207
CONTROL ESTADSTICO DEL PROCESO Dr. P. Reyes /
enero de 2009
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 continuacin.
Unidad No
es 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 lnea central es u 1.42
107.5
Donde u = Total de defectos observados / Total de unidades de inspeccin
De la grfica no se observan puntos fuera de control.
Pgina 208
CONTROL ESTADSTICO DEL PROCESO Dr. P. Reyes /
enero de 2009
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 tamao de muestra
variable
m
ni
n (4.22)
i 1 m
ui u
Zi
u (4.23)
ni
Pgina 209
CONTROL ESTADSTICO DEL PROCESO Dr. P. Reyes /
enero de 2009
1.4232
U prom 56
Pgina 210
CONTROL ESTADSTICO DEL PROCESO Dr. P. Reyes /
enero de 2009
I Chart of Zu
3 UCL=3
2
Individual Value
_
0 X=0
-1
-2
-3 LCL=-3
1 2 3 4 5 6 7 8 9 10
Observation
Sistema de demeritos
Pgina 211
CONTROL ESTADSTICO DEL PROCESO Dr. P. Reyes /
enero de 2009
Supngase que para los defectos anteriores se tengan los nmeros ciA, ciB, ciC,
ciD respectivamente en la i-sima unidad inspeccionada. Se asume que cada
clase de defectos es independiente y que la ocurrencia de defectos de cada
clase es modelada bien con la distribucin de Poisson. Entonces se puede
definir el nmero de demritos en la unidad de inspeccin por ejemplo como:
n
el nmero de Demritos por unidad es (con d i 1
i nmero total de demritos en
ui = D / n = d
i 1
i
(4.25)
n
Como u es una combinacin lineal de variables aleatorias independientes de
Poisson, el estadstico ui puede ser graficado en una carta de control con los
parmetros siguientes:
LSC = u + 3 u
LC = u (4.26)
LIC = u + 3 u,
Donde,
u 100u A 50u B 10u C 1u D (4.27)
1/ 2
(100) 2 u A (50) 2 u B (10) 2 u C (1) 2 u D
y u (4.28)
n
Los nmeros u A, u B , u C , u D , representan el nmero promedio de defectos de la
clase A, clase B, clase C y clase D respectivamente. Se determina a partir de
datos preliminares tomados cuando el proceso est en control estadstico.
Pgina 212
CONTROL ESTADSTICO DEL PROCESO Dr. P. Reyes /
enero de 2009
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}
Pgina 213
CONTROL ESTADSTICO DEL PROCESO Dr. P. Reyes /
enero de 2009
Pgina 214
CONTROL ESTADSTICO DEL PROCESO Dr. P. Reyes /
enero de 2009
P{ x LSC u} P{ x LIC u}
Por tanto se construye una carta de control para x, asumiendo que x sigue una
distribucin normal.
Pgina 215
CONTROL ESTADSTICO DEL PROCESO Dr. P. Reyes /
enero de 2009
Rang
Muestra Pieza M1 M2 M3 D1 D2 D3 Media o
1 A 50 51 52 0 1 2 1.00 2
2 A 49 50 51 -1 0 1 0.00 2
3 A 48 49 52 -2 -1 2 -0.33 4
4 A 9 53 51 -1 3 1 1.00 4
5 B 24 27 26 -1 2 1 0.67 3
6 B 25 27 24 0 2 -1 0.33 3
7 B 27 26 23 2 1 -2 0.33 4
8 B 25 24 23 0 -1 -2 -1.00 2
9 B 24 25 25 -1 0 0 -0.33 1
10 B 26 24 25 1 -1 0 0.00 2
Pgina 216
CONTROL ESTADSTICO DEL PROCESO Dr. P. Reyes /
enero de 2009
1.5
Sample Mean
__
0.0 X=0.167
-1.5
LCL=-2.596
-3.0
1 2 3 4 5 6 7 8 9 10
Sample
UCL=6.950
6.0
Sample Range
4.5
_
3.0
R=2.7
1.5
0.0 LCL=0
1 2 3 4 5 6 7 8 9 10
Sample
R
RS (5.1)
Ri
Pgina 217
CONTROL ESTADSTICO DEL PROCESO Dr. P. Reyes /
enero de 2009
estimar de con R i Sd 2
c4 sus lmites de control son D 3 y D4. Para la media
graficar,
S x Ti
x (5.2)
Ri
La lnea central para la carta x estandarizada es cero, y sus lmites de control
son LSC = A2 y LIC = -A2 .
npi n p
Carta np Zi
n p(1 p )
(5.3)
ci c
Carta c Zi
c
ui u
Carta u Zi
u/n
Pgina 218
CONTROL ESTADSTICO DEL PROCESO Dr. P. Reyes /
enero de 2009
Pgina 219
CONTROL ESTADSTICO DEL PROCESO Dr. P. Reyes /
enero de 2009
LIEsp. |--- 6 ---| LSEsp.
LIE I S LSE
Z Z
/ n
LIC LSC
Z
nn
Donde:
I LIE Z (5.4)
S LSE Z
Pgina 220
CONTROL ESTADSTICO DEL PROCESO Dr. P. Reyes /
enero de 2009
Z Z
LSC S LSE Z (5.5)
n n
Z Z
LIC I LIE Z
n n
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 lmites de control para este caso se basan en una n especificada y una
fraccin no conforme del proceso que nos gustara rechazar con una
probabilidad (1-), por tanto:
Z Z
LSC S LSE Z (5.5)
n n
Z Z
LIC I LIE Z
n n
Pgina 221
CONTROL ESTADSTICO DEL PROCESO Dr. P. Reyes /
enero de 2009
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 clculos 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
Pgina 222
CONTROL ESTADSTICO DEL PROCESO Dr. P. Reyes /
enero de 2009
LSE
_
X
LSE-3x
Amplitud dentro de la cual
se espera encontrar las 6 X_
LIE+3x
Pgina 223
CONTROL ESTADSTICO DEL PROCESO Dr. P. Reyes /
enero de 2009
LIE
1. Dibujando una lnea central que pase por los puntos graficados y estimando
en forma grfica la pendiente.
2. Utilizando la tcnica de mnimos cuadrados, donde si se tienen un total de
m muestras con el nmero de muestra i = 1,2,3..m la pendiente b es (los
datos se pueden codificar para facilidad):
(5.7)
2 LSE 3 x LSE 3R / d 2
M* = ( 1, - 2 ) / b (5.9)
Pgina 224
CONTROL ESTADSTICO DEL PROCESO Dr. P. Reyes /
enero de 2009
central.
Pgina 225
CONTROL ESTADSTICO DEL PROCESO Dr. P. Reyes /
enero de 2009
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
2
Pendiente b
LSC
1,
LIC
LIE
Pgina 226
CONTROL ESTADSTICO DEL PROCESO Dr. P. Reyes /
enero de 2009
En la carta de pre control hay un 1/14 de probabilidad de que una parte caiga
en la zona amarilla y de 1/196 de que caigan dos consecutivas en sta zona, en
este caso se considera que el proceso se sali de control.
Pgina 227
CONTROL ESTADSTICO DEL PROCESO Dr. P. Reyes /
enero de 2009
Ventajas:
Pre-control es una tcnica simple que a diferencia con el control estadstico del
proceso (CEP) no requiere de grficas de control, ni de cmputos.
Desventajas:
No existen grficas de control, por lo tanto, las reglas y procedimientos para
reconocer patrones de fallas no pueden ser usados. Dado que se requiere una
cantidad muy pequea de muestras, es riesgoso inferir sobre la totalidad del
proceso. Finalmente, Pre-control no proporciona informacin suficiente para
someter el proceso bajo control o para reducir la variabilidad. Asume que el
proceso es hbil y que es normal.
Recomendaciones:
Pre-control slo debe ser usado cuando la capacidad del proceso (Cp) 30 es
mayor que uno (algunos textos recomiendan como mnimo Cp=2) 31, y cuando
se han alcanzado cero defectos en el proceso.
0 1 1 3 1
C p USL LSL
4 2 4
30
, donde USL = Upper Specification Limit y LSL = Lower
6
Specification Limit.
31
Montogomery, Douglas C. Statistical Quality Control, John Wiley & Sons,
Inc., 1991, pp. 332-334.
Pgina 228
CONTROL ESTADSTICO DEL PROCESO Dr. P. Reyes /
enero de 2009
Pgina 229
CONTROL ESTADSTICO DEL PROCESO Dr. P. Reyes /
enero de 2009
Pgina 230
CONTROL ESTADSTICO DEL PROCESO Dr. P. Reyes /
enero de 2009
Notas:
1. Si cinco unidades estn dentro de los lmites de Pre-control, cambie a
verificacin intermitente.
2. Cuando se encuentre en verificacin intermitente, no ajuste el proceso
hasta que una unidad exceda algn lmite de Pre-control. Examine la
siguiente unidad, y proceda en A.
3. Si se reinicia el proceso, al menos cinco unidades consecutivas deben caer
dentro de los lmites de pre-control para cambiar a verificacin intermitente.
4. Si el operador toma ms de 25 muestras sin reiniciar el proceso, reduzca la
frecuencia de las verificaciones.
Pgina 231
CONTROL ESTADSTICO DEL PROCESO Dr. P. Reyes /
enero de 2009
Para establecer una carta de este tipo, se toman n partes de cada salida, hasta
completar 20 o 25 subgrupos, por ejemplo si se toman muestras de n
= 4 de 6 husillos repetido en 20 subgrupos, se habrn tomado 20 x 6
= 120 medias y rangos de n = 4 observaciones. De stos se calculan
_
la media de medias X y el R , los lmites de control se calculan como
_ _
LICX = X - A2 R LICR = D3 R (5.10)
_ _
LSCX = X + A2 R LSCR = D4 R
Con los lmites de control trazados, se grafica despus slo la mayor y la menor
de las 6 lecturas promedio considerando todas las salidas o en este
caso husillos de la mquina, si se encuentran en control, se asume
que las dems estn en control. Para el rango se grafica slo el mayor
de todos los rangos. Cada punto es identificado por el nmero de
husillo o salida que lo produjo. El proceso se encuentra fuera de
control si se algn punto excede los lmites de 3-sigma. No se pueden
aplicar pruebas de rachas a estas cartas.
Pgina 232
CONTROL ESTADSTICO DEL PROCESO Dr. P. Reyes /
enero de 2009
Es til observar que si una salida da el mayor o el menor valor varias en una
fila, puede ser evidencia de que es diferente a los otros. Si el proceso
tiene s salidas y si r es el nmero de veces consecutivas que se repite
como el mayor o el menor, el ARL para este evento es:
s r 1
ARL0 (5.11)
s 1
Las cartas de control de Shewart utilizan slo informacin acerca del proceso
con los ltimos datos del subgrupo, e ignoran la informacin de la secuencia
completa de puntos, esto hace que estas cartas de control sean insensibles a
pequeos corrimientos de la media del proceso, de 1.5 o menos. Los lmites
preventivos y criterios mltiples de prueba de corridas o tendencias toman en
cuenta otros puntos de la carta, sin embargo esto reduce la simplicidad de
interpretacin de la carta as como reducir el ARL en control lo cual es
indeseable.
Cusum normal
Para pequeos 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
Pgina 233
CONTROL ESTADSTICO DEL PROCESO Dr. P. Reyes /
enero de 2009
i
Ci ( x j 0 ) (5.12)
j 1
Como esta carta es eficiente para n=1, es una buena alternativa para el control
de procesos qumicos y el C.E.P. automatizado. Si la media tiene un corrimiento
hacia arriba, la carta mostrar una tendencia ascendente y viceversa.
Ejemplo
Suponiendo que la Posicin de una parte (A) se mueve hacia arriba y hacia
abajo una cierta distancia de la posicin ideal de referencia (B). AtoBDist es
esta distancia. Para asegurar la calidad, se toman 5 mediciones al da durante
el primer periodo de tiempo y despus 10 al da en un siguiente periodo de
tiempo.
AtoBDis
t
-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
Pgina 234
CONTROL ESTADSTICO DEL PROCESO Dr. P. Reyes /
enero de 2009
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
Pgina 235
CONTROL ESTADSTICO DEL PROCESO Dr. P. Reyes /
enero de 2009
Upper CUSUM
10
Cumulative Sum
5.67809
5
-5
Low er CUSUM
-5.67809
0 5 10 15 20 25
Subgroup Number
Pgina 236
CONTROL ESTADSTICO DEL PROCESO Dr. P. Reyes /
enero de 2009
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
Pgina 237
CONTROL ESTADSTICO DEL PROCESO Dr. P. Reyes /
enero de 2009
Figura 5.13 Carta Cusum muestra un corrimiento lento de la media del proceso
Con parmetros Media objetivo (Target) =10, S = 1
C i max 0, xi ( 0 K ) C i1 (5.13)
C i max0, ( 0 K ) xi C i1 (5.14)
Pgina 238
CONTROL ESTADSTICO DEL PROCESO Dr. P. Reyes /
enero de 2009
H = 5 = 5
C i max 0, xi 10.5 C i1
C i max 0,9.5 x i C i1
Pgina 239
CONTROL ESTADSTICO DEL PROCESO Dr. P. Reyes /
enero de 2009
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.
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
Pgina 240
CONTROL ESTADSTICO DEL PROCESO Dr. P. Reyes /
enero de 2009
Ci
0 K
, si C i H (5.16)
N
Ci , si (5.17)
0 K Ci H
N
En el ejemplo, en el periodo 29 con C 29 = 5.28, la nueva media del
proceso es,
5.28
10 0.5 11.25
7
Esto es importante saberlo, por si el proceso tiene alguna forma de
ajuste.
se debe remplazar a x i por xi y por la x = , aunque se recomienda usar
n
Pgina 241
CONTROL ESTADSTICO DEL PROCESO Dr. P. Reyes /
enero de 2009
La carta Cusum tabular tambin se puede utilizar para un solo lado con C + o C-.
EL PROCEDIMIENTO DE LA MASCARILLA EN V
i
C i y j y i C i 1 (5.18)
j 1
Ci
O d P
2A
1A
1 2 3 4 5 ............................................. i
Pgina 242
CONTROL ESTADSTICO DEL PROCESO Dr. P. Reyes /
enero de 2009
k = A tan () (5.19)
y
h = A d tan () = d.k
(5.20)
Pgina 243
CONTROL ESTADSTICO DEL PROCESO Dr. P. Reyes /
enero de 2009
25
20
Cumulative Sum
15
10
0 Target=0
2 4 6 8 10 12 14 16 18 20 22 24
Sample
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.
Pgina 244
CONTROL ESTADSTICO DEL PROCESO Dr. P. Reyes /
enero de 2009
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 mtodo para disear una mascarilla en V, con
las frmulas siguientes:
tan 1 (5.21)
2A
y
2 1
d 2
ln (5.22)
ln( )
d cuando es muy pequeo.
Pgina 245
CONTROL ESTADSTICO DEL PROCESO Dr. P. Reyes /
enero de 2009
2 1 0.05
d 2
ln
1 0.05 = 5.888
1
tan 1 26.56
2
Pgina 246
CONTROL ESTADSTICO DEL PROCESO Dr. P. Reyes /
enero de 2009
z i xi (1 ) z i 1
(5.23)
zi2
1 (1 )
2i
(5.24)
2
1 (1 )
LSC 0 L 2i
(5.25)
2
LC 0 (5.26)
LIC 0 L
1 (1 )
2i
(5.27)
2
Pgina 247
CONTROL ESTADSTICO DEL PROCESO Dr. P. Reyes /
enero de 2009
LSC 0 L (5.30)
2
Para x1= 9.45, calculando z1 = 9.945; LSC = 10.27 y LIC = 9.73 con la frmulas
anteriores.
Para x2= 7.99, calculando z2 = 9.7495; LSC = 10.36 y LIC = 9.64, conforme se
incrementa i los lmites 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 rpido 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 estndar deviation 2.7
6. OK.
Pgina 248
CONTROL ESTADSTICO DEL PROCESO Dr. P. Reyes /
enero de 2009
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
Pgina 249
CONTROL ESTADSTICO DEL PROCESO Dr. P. Reyes /
enero de 2009
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
EWMA,
Muestra Xi Zi LSC LIC
1 9.45 9.945 10.2700 9.7300
2 7.99 9.7495 10.3632 9.6368
3 9.29 9.7036 10.4240 9.5760
4 11.66 9.8992 10.4675 9.5325
5 12.16 10.1253 10.4999 9.5001
6 10.18 10.1307 10.5247 9.4753
7 8.04 9.9217 10.5440 9.4560
8 11.46 10.0755 10.5591 9.4409
9 9.20 9.9880 10.5710 9.4290
10 10.34 10.0232 10.5805 9.4195
11 9.03 9.9238 10.5881 9.4119
12 11.47 10.0785 10.5942 9.4058
13 10.51 10.1216 10.5991 9.4009
14 9.40 10.0495 10.6030 9.3970
15 10.08 10.0525 10.6062 9.3938
16 9.37 9.9843 10.6087 9.3913
17 10.62 10.0478 10.6107 9.3893
18 10.31 10.0740 10.6124 9.3876
19 8.52 9.9186 10.6137 9.3863
20 10.84 10.0108 10.6148 9.3852
21 10.90 10.0997 10.6157 9.3843
22 9.33 10.0227 10.6164 9.3836
23 12.29 10.2495 10.6170 9.3830
24 11.50 10.3745 10.6174 9.3826
25 10.60 10.3971 10.6178 9.3822
26 11.08 10.4654 10.6181 9.3819
27 10.38 10.4568 10.6184 9.3816
28 11.62 10.5731 10.6186 9.3814
29 11.31 10.6468 10.6187 9.3813
30 10.52 10.6341 10.6189 9.3811
Pgina 250
CONTROL ESTADSTICO DEL PROCESO Dr. P. Reyes /
enero de 2009
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
Pgina 251
CONTROL ESTADSTICO DEL PROCESO Dr. P. Reyes /
enero de 2009
xi xi 1 ....xi 4
Mi (5.35)
5
Para periodos i<5 se grafica el promedio de las observaciones para los
periodos 1, 2, 3, ...i.
Ejemplo 5.9 Los lmites de control son con 0 =10 y =1, se tiene:
LSC = 10 + 3 (1.0) / 51/2 = 11.34
LSC = 10 - 3 (1.0) / 51/2 = 8.66
Ejemplo La carta de media mvil para los datos del ejemplo anterior con un
tamao 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.
Pgina 252
CONTROL ESTADSTICO DEL PROCESO Dr. P. Reyes /
enero de 2009
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
Pgina 253
CONTROL ESTADSTICO DEL PROCESO Dr. P. Reyes /
enero de 2009
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 mvil 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
Pgina 254
CONTROL ESTADSTICO DEL PROCESO Dr. P. Reyes /
enero de 2009
1000
950 _
X=936.9
900
LCL=862.8
850 1 1
4 8 12 16 20 24 28 32 36 40 44
Observation
100
UCL=91.0
Moving Range
75
50
__
25 MR=27.8
0 LCL=0
4 8 12 16 20 24 28 32 36 40 44
Observation
Pgina 255
CONTROL ESTADSTICO DEL PROCESO Dr. P. Reyes /
enero de 2009
11.3 8.65
10 10.34 9.844 416 84
11.3 8.65
11 9.03 9.614 416 84
11.3 8.65
12 11.47 10.300 416 84
11.3 8.65
13 10.51 10.110 416 84
11.3 8.65
14 9.40 10.150 416 84
11.3 8.65
15 10.08 10.098 416 84
11.3 8.65
16 9.37 10.166 416 84
11.3 8.65
17 10.62 9.996 416 84
11.3 8.65
18 10.31 9.956 416 84
11.3 8.65
19 8.52 9.780 416 84
11.3 8.65
20 10.84 9.932 416 84
11.3 8.65
21 10.90 10.238 416 84
11.3 8.65
22 9.33 9.980 416 84
11.3 8.65
23 12.29 10.376 416 84
11.3 8.65
24 11.50 10.972 416 84
11.3 8.65
25 10.60 10.924 416 84
11.3 8.65
26 11.08 10.960 416 84
11.3 8.65
27 10.38 11.170 416 84
11.3 8.65
28 11.62 11.036 416 84
11.3 8.65
29 11.31 10.998 416 84
11.3 8.65
30 10.52 10.982 416 84
Pgina 256
CONTROL ESTADSTICO DEL PROCESO Dr. P. Reyes /
enero de 2009
Pgina 257
CONTROL ESTADSTICO DEL PROCESO Dr. P. Reyes /
enero de 2009
6.1 INTRODUCCIN
Definiciones bsicas.
Proceso: ste se refiere a alguna combinacin nica de mquinas,
herramientas, mtodos, materiales y personas involucradas en la
produccin.
Capacidad o habilidad: Esta palabra se usa en el sentido de aptitud,
basada en el desempeo probado, para lograr resultados que se puedan
medir.
Pgina 258
CONTROL ESTADSTICO DEL PROCESO Dr. P. Reyes /
enero de 2009
Pgina 259
CONTROL ESTADSTICO DEL PROCESO Dr. P. Reyes /
enero de 2009
Los lmites de tolerancia natural del proceso, superior (LTNS) e inferior (LTNI) ,
se encuentran en 3 , o sea:
LTNS = + 3 (6.1)
LTNI = - 3
.00135 LTNI
LTNS .00135
Fig. 6.1 Localizacin de los lmites de tolerancia natural
Existen diversas tcnicas para evaluar la capacidad del proceso, entre las que
se encuentran: Histogramas o papel de probabilidad, cartas de control y
experimentos diseados.
Pgina 260
CONTROL ESTADSTICO DEL PROCESO Dr. P. Reyes /
enero de 2009
Pgina 261
CONTROL ESTADSTICO DEL PROCESO Dr. P. Reyes /
enero de 2009
Variacin a corto plazo (Zst) Los datos son recogidos durante un periodo de
tiempo suficientemente corto para que sea improbable que haya cambios y
otras causas especiales.
32
J.M. Juran, Anlisis y planeacin de la Calidad, Tercera Edicin Mc. Graw Hill,
Pp.404
Pgina 262
CONTROL ESTADSTICO DEL PROCESO Dr. P. Reyes /
enero de 2009
Las familias de variacin han sido restringidas de tal manera que los datos
considerados, slo son los que se obtuvieron del subgrupo racional. Ayuda a
determinar subgrupos racionales importantes.
Z st
lmite especif . nom.
(6.1)
desv.std ST
lmite especif . media
Z LT
desv.std LT
dnde:
Pgina 263
CONTROL ESTADSTICO DEL PROCESO Dr. P. Reyes /
enero de 2009
Zlt = Zst-1.5shift
LSE LIE
Cp PCR (6.2)
6
R
LIE= 73.95mm y de la carta R se estim 0.0099 por tanto se tiene:
d2
1
P 100 (6.3)
Cp
Pgina 264
CONTROL ESTADSTICO DEL PROCESO Dr. P. Reyes /
enero de 2009
LIE
Cpi PCR I para el lmite inferior
3
264 200 64
Cp PCR I 0.67
3(32) 96
Lo cual indica falta de habilidad, la fraccin abajo del lmite inferior es:
2-
Cp 1-lado lados
453,25
0.25 226,628 5
133,61
0.5 66,807 4
0.6 35,931 71,861
0.7 17,865 35,729
0.8 8,198 16,395
1 1,350 2,700
Pgina 265
CONTROL ESTADSTICO DEL PROCESO Dr. P. Reyes /
enero de 2009
LIE
Cpi PCR I para el lmite inferior
3
Ejemplo 6.3 Para un proceso donde los lmites de especificacin sean LSE=62,
LIE=38, la media del proceso sea =53 y su desviacin estndar =2, se tiene:
Pgina 266
CONTROL ESTADSTICO DEL PROCESO Dr. P. Reyes /
enero de 2009
62 53
Cps PCRS 1.5 para el lmite superior
32
53 38
Cpi PCR I 2.5 para el lmite inferior
32
Frec.
a)
Microdureza
Se puede transformar cada valor x con su inverso o sea con y=1/x de esta
forma la distribucin transformada es la siguiente (ver mtodo de Box Cox con
Lamda ptima en Minitab):
Frec.
Pgina 267
CONTROL ESTADSTICO DEL PROCESO Dr. P. Reyes /
enero de 2009
b)
Y=1/x
Pgina 268
CONTROL ESTADSTICO DEL PROCESO Dr. P. Reyes /
enero de 2009
Dos procesos pueden tener un Cpk igual a uno, pero sin embargo no
necesariamente estn centrados respecto a la media de las especificaciones
como se muestra a continuacin:
1
Si T ( LSE LIE ) (6.7)
2
2 ( T ) 2 (6.8)
T
(6.9)
Se tiene,
LSE LIE LSE LIE LSE LIE
Cp m PCRkm (6.10)
6 6 ( T )
2 2
1 2
Una condicin necesaria para que Cpm sea mayor de uno es:
1
T ( LSE LIE )
6
Pgina 269
CONTROL ESTADSTICO DEL PROCESO Dr. P. Reyes /
enero de 2009
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), despus de que el
proceso se estabiliz quedando slo con causas comunes, se obtuvo lo
siguiente:
Xmedia de medias = 264.06 Rmedio = 77.3
Pgina 270
CONTROL ESTADSTICO DEL PROCESO Dr. P. Reyes /
enero de 2009
Pgina 271
CONTROL ESTADSTICO DEL PROCESO Dr. P. Reyes /
enero de 2009
Ejercicio:
De una carta de control X - R (con tamao de subgrupo n = 5), despus de que
el proceso se estabiliz quedando slo 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
Pgina 272
CONTROL ESTADSTICO DEL PROCESO Dr. P. Reyes /
enero de 2009
Procedimiento:
1. Seleccionar un proceso especfico para realizar el estudio
2. Seleccionar las condiciones de operacin del proceso
3. Seleccionar un operador entrenado
4. El sistema de medicin debe tener habilidad (error R&R < 10%)
5. Cuidadosamente recolectar la informacin
6. Construir un histograma de frecuencia con los datos
7. Calcular la media y desviacin estndar del proceso
8. Calcular la capacidad del proceso
HIST
265 346 265 221 261
205 317 254 176 248
263 242 281 248 260
307 258 294 263 274
220 276 223 231 337
268 300 260 334 250
260 208 308 280 278
234 187 235 265 254
299 264 283 272 274
215 271 277 283 275
197 280 200 265 278
286 242 235 262 250
274 260 246 271 265
243 321 328 245 270
231 228 296 301 298
267 250 276 280 257
281 299 264 274 210
265 258 269 253 280
214 267 235 287 269
318 293 290 258 251
Pgina 273
CONTROL ESTADSTICO DEL PROCESO Dr. P. Reyes /
enero de 2009
Median
X 264.06 S = 32.02
Pgina 274
CONTROL ESTADSTICO DEL PROCESO Dr. P. Reyes /
enero de 2009
Ventajas
Procedimiento
Pgina 275
CONTROL ESTADSTICO DEL PROCESO Dr. P. Reyes /
enero de 2009
Ejemplo 6.5
.-Se tomaron los datos siguientes (Xj) ordenamos los datos y, calculamos la
probabilidad de su posicin (Pj)
Pj
0.84
0.5
Desv. Estndar
Fraccin
Defectiva
LIE X Media Xj
Pgina 276
CONTROL ESTADSTICO DEL PROCESO Dr. P. Reyes /
enero de 2009
60
50
40
30
20
10
1
150 200 250 300 350
Datos
Pgina 277
CONTROL ESTADSTICO DEL PROCESO Dr. P. Reyes /
enero de 2009
Note que los valores no difieren mucho de los del histograma con media 264.06
y desviacin estndar S = 32.02.
Con esta grfica se pueden estimar tambin los porcentajes de partes fuera de
las especificaciones, por ejemplo si se traza el Lmite Inferior de Especificacin
LIE en 200 psi, se observa que se tiene un 5% aproximadamente fuera de
especificaciones.
Pgina 278
CONTROL ESTADSTICO DEL PROCESO Dr. P. Reyes /
enero de 2009
?
? ?
? ?
? ?
Prediccin
Tiempo
R S
(Para cartas de control X-R y X-S respectivamente)
d2 C4
Donde,
El factor C4 = 4(n-1)/(4n 3), con esta desviacin estndar se determinan los
ndices de desempeo Pp y Ppk.
Pgina 279
CONTROL ESTADSTICO DEL PROCESO Dr. P. Reyes /
enero de 2009
x media de medias
R 77.3
33.23
d 2 2.326
200 264.06
El C pk = 0.64 por tanto el proceso no cumple con las
3 33.23
especificaciones.
Pgina 280
CONTROL ESTADSTICO DEL PROCESO Dr. P. Reyes /
enero de 2009
x 100
s 1.05
= 1.117
C4 .094
105 100
El C pk 1.492
3 1.117
105 85
El C p 2.984
6 1.117
Pgina 281
CONTROL ESTADSTICO DEL PROCESO Dr. P. Reyes /
enero de 2009
El P value debe ser mayor a 0.05 para que los datos se distribuyan
normalmente
Los puntos deben quedar dentro del intervalo de confianza para indicar que es
normal la distribucin.
Pgina 282
CONTROL ESTADSTICO DEL PROCESO Dr. P. Reyes /
enero de 2009
Pgina 283
CONTROL ESTADSTICO DEL PROCESO Dr. P. Reyes /
enero de 2009
Interpretacin:
Pgina 284
CONTROL ESTADSTICO DEL PROCESO Dr. P. Reyes /
enero de 2009
4. Stat > Quality tools > Capability Six Pack > Normal
5. Single column C1 Subgroup size 5 Lower Spec 200 Upper spec 330
6. Estimate R-bar OK
Ejemplo en Minitab
Pgina 285
CONTROL ESTADSTICO DEL PROCESO Dr. P. Reyes /
enero de 2009
Pgina 286
CONTROL ESTADSTICO DEL PROCESO Dr. P. Reyes /
enero de 2009
El ndice Ppk y Ppu33 = 0.85 lo cual nos dice que el desempeo del proceso no
es capaz ya que 0.85<.1.33
Tambin observamos que PPM > USL 3,795 lo cual significa que
aproximadamente 3,795 PPM estarn fuera de los lmites de especificaciones.
33
Los ndices Pp y Ppk son similares a los ndices Cp y Cpk , se refieren a la
capacidad del proceso a largo plazo.
Pgina 287
CONTROL ESTADSTICO DEL PROCESO Dr. P. Reyes /
enero de 2009
total
2
2producto equipo
2
. medicin (6.13)
Pgina 288
CONTROL ESTADSTICO DEL PROCESO Dr. P. Reyes /
enero de 2009
1
Sample Mean
1
1
25
UCL=24.18
__
X=22.3
20 LCL=20.42
1 1
1
1 1
1
1 3 5 7 9 11 13 15 17 19
Sample
UCL=3.267
3
Sample Range
_
1 R=1
0 LCL=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 est 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.
Pgina 289
CONTROL ESTADSTICO DEL PROCESO Dr. P. Reyes /
enero de 2009
En este caso, 6instrumento = 6 (0.887) = 5.32, de tal forma que 2.66 de error de
medicin se puede asignar al error del instrumento de medicin.
P 6 instrumento
(6.14)
T LSE LIE
P 6(0.887) 5.32
0.097
T 60 5 55
Los valores de P/T menores a 0.1 implican una capacidad adecuada del
instrumento de medicin. Basado en su precisin debe ser al menos de 0.1 de
la tolerancia de la caracterstica evaluada.
total
2
S2
2producto total
2
instrument
2
o
total
2
S 2 = 3.17 x 3.17 = 10.0615
Pgina 290
CONTROL ESTADSTICO DEL PROCESO Dr. P. Reyes /
enero de 2009
2producto total
2
instrument
2
o = 10.0615 0.7867 = 9.2748
= 3.045
instrumento
x100 (6.15)
producto
error
2
.medicin repetibili dad reproducib ilidad
2 2
(6.16)
PART OP1IN OP1I RANG OP2IN OP2IN RANG OP3IN OP3IN RANG
S 1 N2 O1 1 2 O2 1 2 O3
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
Pgina 291
CONTROL ESTADSTICO DEL PROCESO Dr. P. Reyes /
enero de 2009
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
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
Pgina 292
CONTROL ESTADSTICO DEL PROCESO Dr. P. Reyes /
enero de 2009
R 1.15
repetibili dad 1.02 tomando d2 para n=2 lecturas
d2 1.128
x max max ( x 1 , x 2 , x 3 )
x min min( x 1 , x 2 , x 3 )
R x x max x min
Rx
reproducib ilidad
d2 considerando el nmero de operadores.
instrumento.medicin = 1.04
Pgina 293
CONTROL ESTADSTICO DEL PROCESO Dr. P. Reyes /
enero de 2009
Misc:
%Contribution
Source Variance (of Variance)
Pgina 294
CONTROL ESTADSTICO DEL PROCESO Dr. P. Reyes /
enero de 2009
Variacin
Variacin deldel proceso,
proceso, real
real Variacin de la medicin
Calibracin
Pgina 295
CONTROL ESTADSTICO DEL PROCESO Dr. P. Reyes /
enero de 2009
Definiciones
Reproducibilidad: Es la variacin, entre promedios de las mediciones hechas
por diferentes operadores que utilizan un mismo instrumento de medicin
cuando miden las mismas caractersticas en una misma parte.
O p e ra d o r -B
O p e ra d o r -C
O p e ra d o r -A
R e p r o d u c ib i l id a d
R E P E T I B IL I D A D
Valor verdadero:
Pgina 296
CONTROL ESTADSTICO DEL PROCESO Dr. P. Reyes /
enero de 2009
Exactitud :
Es la diferencia entre el promedio del nmero de medidas y el valor verdadero.
T i e m p o 2
34
En EUA se tiene el NIST (National Institute of Standards ando Technology),En Mxico
se tiene el CENEAM o el Centro Nacional de Metrologa
T i e m p o 1
Pgina 297
CONTROL ESTADSTICO DEL PROCESO Dr. P. Reyes /
enero de 2009
Valor Valor
verdadero verdadero
Sesgo Sesgo
Menor mayor
verdadero. Error sistemtico o desviacin.
V a lo r
V e rd a d e ro
S e s g o
Pgina 298
CONTROL ESTADSTICO DEL PROCESO Dr. P. Reyes /
enero de 2009
<10% Aceptable
10-30%. Puede ser aceptable, para caractersticas no crticas.
>30%. Inaceptable!
Es un mtodo que proporciona un valor aproximado del error R&R sin que
muestre las diferencias entre errores por el equipo y por los operadores.Se
usan dos evaluadores y cinco partes. Cada evaluador mide cada parte una sola
vez.Se calcula el rango de la medicin de cada parte y al final el rango
promedio.
Pgina 299
CONTROL ESTADSTICO DEL PROCESO Dr. P. Reyes /
enero de 2009
Pgina 300
CONTROL ESTADSTICO DEL PROCESO Dr. P. Reyes /
enero de 2009
Pgina 301
CONTROL ESTADSTICO DEL PROCESO Dr. P. Reyes /
enero de 2009
5. Contine hasta que todos los operadores hayan medido las muestras una
sola vez (Este es el ensayo 1).
6. Repita los pasos 3-4 hasta completar el nmero requerido de ensayos
7. Determine las estadsticas del estudio R&R
Repetibilidad
Reproducibilidad
% R&R
Desviaciones estndar de cada uno de los conceptos mencionados
Anlisis del porcentaje de tolerancia
8. Analice los resultados y determine las acciones a seguir si las hay.
I.
Pgina 302
CONTROL ESTADSTICO DEL PROCESO Dr. P. Reyes /
enero de 2009
Pgina 303
CONTROL ESTADSTICO DEL PROCESO Dr. P. Reyes /
enero de 2009
Pgina 304
CONTROL ESTADSTICO DEL PROCESO Dr. P. Reyes /
enero de 2009
Pgina 305
CONTROL ESTADSTICO DEL PROCESO Dr. P. Reyes /
enero de 2009
Pgina 306
CONTROL ESTADSTICO DEL PROCESO Dr. P. Reyes /
enero de 2009
Pgina 307
CONTROL ESTADSTICO DEL PROCESO Dr. P. Reyes /
enero de 2009
Una vez colectados los datos proceder a realizar la carta de rango R y observar
que est en control, de otra forma repetir las mediciones para ese operador y
parte especfica errnea.
Ahora revisar la carta X media, debe tener al menos el 50% de puntos fuera de
control indicando que identifica las variaciones en las diferentes partes
presentadas:
LSCX = 0.005143 X= 0.004717 LICX = 0.004290417
LSCX
X
LICX
Pgina 308
CONTROL ESTADSTICO DEL PROCESO Dr. P. Reyes /
enero de 2009
Pgina 309
CONTROL ESTADSTICO DEL PROCESO Dr. P. Reyes /
enero de 2009
Ejemplo 2 (MINITAB)
Primero se visualizan las mediciones replicadas de cada operador en cada
parte como sigue:
Mtodo X Barra - R
Pgina 310
CONTROL ESTADSTICO DEL PROCESO Dr. P. Reyes /
enero de 2009
Pgina 311
CONTROL ESTADSTICO DEL PROCESO Dr. P. Reyes /
enero de 2009
OPERAD
OR A.- B.- C.-
colum colum colum colum colum colum colum colum colum
na 1 na 2 na 3 na 5 na 6 na 7 na 9 na 10 na 11
1er 2do 3er 1er 2do 3er 1er 2do 3er
Muestra Intento Intento Intento Intento Intento Intento Intento Intento Intento
Totales 0.0470 0.0475 0.0455 0.0485 0.0465 0.0465 0.0500 0.0470 0.0460
Capture los datos en la hoja de trabajo de Minitab en tres columnas C1, C2,
C3
Pgina 312
CONTROL ESTADSTICO DEL PROCESO Dr. P. Reyes /
enero de 2009
%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
Pgina 313
CONTROL ESTADSTICO DEL PROCESO Dr. P. Reyes /
enero de 2009
Por otro lado el nmero de categoras es slo de 1 cuando debe ser al menos 4
indicando que el instrumento discrimina las diversas partes diferentes.
% Tolerance
40 0.005
0.004
0
Gage R&R Repeat Reprod Part-to-Part 1 2 3 4 5 6 7 8 9 10
Partes
R Chart by Operadores
1 2 3 Datos by Operadores
UCL=0.001073 0.006
0.0010
Sample Range
_ 0.005
0.0005
R=0.000417
0.004
0.0000 LCL=0
1 2 3
Operadores
Xbar Chart by Operadores
1 2 3 Operadores * Partes I nteraction
Operadores
UCL=0.005143
Sample Mean
0.0050 1
0.0050
Average
_ 2
X=0.004717 3
0.0045
0.0045
LCL=0.004290
0.0040
0.0040 1 2 3 4 5 6 7 8 9 10
Partes
Pgina 314
CONTROL ESTADSTICO DEL PROCESO Dr. P. Reyes /
enero de 2009
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
Pgina 315
CONTROL ESTADSTICO DEL PROCESO Dr. P. Reyes /
enero de 2009
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
% Tolerance
40 0.005
0.004
0
Gage R&R Repeat Reprod Part-to-Part 1 2 3 4 5 6 7 8 9 10
Partes
R Chart by Operadores
1 2 3 Datos by Operadores
UCL=0.001073 0.006
0.0010
Sample Range
_ 0.005
0.0005
R=0.000417
0.004
0.0000 LCL=0
1 2 3
Operadores
Xbar Chart by Operadores
1 2 3 Operadores * Partes I nteraction
Operadores
UCL=0.005143
Sample Mean
1
0.0050 0.0050
Average
_ 2
X=0.004717 3
0.0045
0.0045
LCL=0.004290
0.0040
0.0040 1 2 3 4 5 6 7 8 9 10
Partes
Pgina 316
CONTROL ESTADSTICO DEL PROCESO Dr. P. Reyes /
enero de 2009
Pgina 317
CONTROL ESTADSTICO DEL PROCESO Dr. P. Reyes /
enero de 2009
Pgina 318
CONTROL ESTADSTICO DEL PROCESO Dr. P. Reyes /
enero de 2009
Pgina 319
CONTROL ESTADSTICO DEL PROCESO Dr. P. Reyes /
enero de 2009
Figura 6.30 Resultados del estudio de R&R comparativo por atributos por
avaluador
Interpretacin de Resultados
% del Evaluador es la consistencia de una persona.
% Evaluador vs Atributo es la medida de el acuerdo que hay entre la
evaluacin del operador y la del experto.
% de Efectividad de Seleccin es la medida de el acuerdo que existe
entre los operadores.
% de Efectividad de Seleccin vs. el Atributo es una medida general de
la consistencia entre los operadores y el acuerdo con el experto.
Pgina 320
CONTROL ESTADSTICO DEL PROCESO Dr. P. Reyes /
enero de 2009
Ejemplo 5.
Una empresa est entrenando a cinco evaluadores para la porcin escrita de
un examen estndar de doceavo grado. Se requiere determinar la habilidad de
los evaluadores para calificar el examen de forma que sea consistente con los
estndares. Cada uno de los evaluadores califica 15 exmenes 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
Pgina 321
CONTROL ESTADSTICO DEL PROCESO Dr. P. Reyes /
enero de 2009
Simpson 4 -2 -2 Duncan 11 -2 -2
Montgomery 4 -2 -2 Hayes 11 -1 -2
Holmes 4 -2 -2 Simpson 12 0 0
Montgomer
Duncan 4 -2 -2 y 12 0 0
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
Montgomer
Duncan 5 -1 0 y 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
Montgomer
Duncan 6 1 1 y 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
Montgomer
Duncan 7 1 2 y 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
GageR&RforDatos
AssessmentAgreement
Appraiser#Inspected#MatchedPercent95%CI
Duncan15853.33(26.59,78.73)
Hayes151386.67(59.54,98.34)
Holmes1515100.00(81.90,100.00)
Montgomery1515100.00(81.90,100.00)
Simpson151493.33(68.05,99.83)
#Matched:Appraiser'sassessmentacrosstrialsagreeswiththe
knownstandard.
Kendall'sCorrelationCoefficient
Pgina 322
CONTROL ESTADSTICO DEL PROCESO Dr. P. Reyes /
enero de 2009
AppraiserCoefSECoefZP
Duncan0.897790.1924504.615540.0000
Hayes0.960140.1924504.939550.0000
Holmes1.000000.1924505.146670.0000
Montgomery1.000000.1924505.146670.0000
Simpson0.932580.1924504.796360.0000
BetweenAppraisers
AssessmentAgreement
#Inspected#MatchedPercent95%CI
15640.00(16.34,67.71)
#Matched:Allappraisers'assessmentsagreewitheachother.
Fleiss'KappaStatistics
ResponseKappaSEKappaZ P(vs>0)
20.6803980.08164978.33310.0000
10.6027540.08164977.38220.0000
00.7076020.08164978.66630.0000
10.6424790.08164977.86870.0000
20.7365340.08164979.02070.0000
Overall0.6729650.041233116.32100.0000
Kendall'sCoefficientofConcordance
CoefChiSqDFP
0.96631767.6422140.0000
AllAppraisersvsStandard
AssessmentAgreement
#Inspected#MatchedPercent95%CI
15640.00(16.34,67.71)
#Matched:Allappraisers'assessmentsagreewiththeknown
standard.
Fleiss'KappaStatistics
ResponseKappaSEKappaZP(vs>0)
20.8425930.1154707.29710.0000
10.7960660.1154706.89410.0000
00.8509320.1154707.36930.0000
10.8029320.1154706.95360.0000
20.8473480.1154707.33830.0000
Overall0.8314550.05891114.11360.0000
Pgina 323
CONTROL ESTADSTICO DEL PROCESO Dr. P. Reyes /
enero de 2009
Kendall'sCorrelationCoefficient
CoefSECoefZP
0.9581020.086066311.11000.0000
*NOTE*Singletrialwithineachappraiser.Nopercentageof
assessmentagreementwithinappraiserisplotted.
Date of study:
Assessment Agreement
Reported by:
Name of product:
Misc:
Appraiser vs Standard
100 95.0% CI
Percent
80
60
Percent
40
20
0
Duncan Hayes Holmes Montgomery Simpson
Appraiser
Interpretacin de resultados
Minitab muestra tres tablas como sigue: Cada evaluador vs el estndar, Entre
evaluadores y Todos los evaluadores vs estndar. Los estadsticos de Kappa y
Kendall tambin se incluyen en cada una de las tablas. En general estos
estadsticos sugieren buen acuerdo.
Pgina 324
CONTROL ESTADSTICO DEL PROCESO Dr. P. Reyes /
enero de 2009
Mtodo sencillo
Pgina 325
CONTROL ESTADSTICO DEL PROCESO Dr. P. Reyes /
enero de 2009
Pgina 326
CONTROL ESTADSTICO DEL PROCESO Dr. P. Reyes /
enero de 2009
Pgina 327
CONTROL ESTADSTICO DEL PROCESO Dr. P. Reyes /
enero de 2009
El muestreo secuencial implica la seleccin de unidades del lote, una por una,
tomando decisiones de aceptar o rechazar el lote despus de un cierto nmero
de unidades.
FORMACIN DE LOTES
1. Deben ser homogneos, las unidades deben ser producidas por las mismas
corridas de produccin, en condiciones similares. Es difcil tomar acciones
correctivas para lotes mezclados.
Pgina 328
CONTROL ESTADSTICO DEL PROCESO Dr. P. Reyes /
enero de 2009
MUESTREO ALEATORIO
Las muestras deben ser representativas del lote, no deben tomarse slo partes
de las capas superiores, sino de preferencia numerar las partes con un nmero
y seleccionar con tablas de nmeros aleatorios o tambin se puede estratificar
el lote.
Procedimiento Procedimiento
Objetivos por atributos por Variables
Pgina 329
CONTROL ESTADSTICO DEL PROCESO Dr. P. Reyes /
enero de 2009
La curva OC
Pgina 330
CONTROL ESTADSTICO DEL PROCESO Dr. P. Reyes /
enero de 2009
c
n! d nd
Pa P{d c) p (1 p) (7.1)
d 0 d!(n d )!
Esto mismo se puede aproximar por la distribucin de Poisson para efectos
prcticos.
Pgina 331
CONTROL ESTADSTICO DEL PROCESO Dr. P. Reyes /
enero de 2009
Pa
c=0, 1,
2
n = n = n =
50, 100, 200, c
p c=2 c=2 =2
0.9979 0.985 0.9201
0.005 44 9 61
Pgina 332
CONTROL ESTADSTICO DEL PROCESO Dr. P. Reyes /
enero de 2009
Pa
n=50, 100,
200 2
Por otra parte el consumidor quiere rechazar los lotes en la mayora de los
casos cuando tengan una fraccin defectiva de a lo ms un porcentaje
defectivo tolerable en el lote (LTPD), normalmente esta fraccin defectiva
Pgina 333
CONTROL ESTADSTICO DEL PROCESO Dr. P. Reyes /
enero de 2009
CURVAS OC TIPO A y B.
En este mtodo 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.
Inspeccin rectificadora
Pgina 334
CONTROL ESTADSTICO DEL PROCESO Dr. P. Reyes /
enero de 2009
Pa p ( N n)
AOQ
N
(7.2)
Pgina 335
CONTROL ESTADSTICO DEL PROCESO Dr. P. Reyes /
enero de 2009
Pa p ( N n) (0.9397)(0.01)(10000 89)
AOQ 0.0093
N 10000
AOQ 0.93% en lugar del 1% entrante.
AOQ Pa p (7.3)
Pgina 336
CONTROL ESTADSTICO DEL PROCESO Dr. P. Reyes /
enero de 2009
CURVA AOQ
n=89, c=2
Figura 7.7 Curva de calidad de salida promedio (AOQ)
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
Pgina 337
CONTROL ESTADSTICO DEL PROCESO Dr. P. Reyes /
enero de 2009
Las curvas ATI para diferentes tamaos de lote se muestra a continuacin, para
n = 89 y c = 2:
ATI
N=10000
N=5000
N=1000
Pgina 338
CONTROL ESTADSTICO DEL PROCESO Dr. P. Reyes /
enero de 2009
Suponiendo que:
n1 = 50
c1 = 1
n2 = 100
c2 = 3
Pgina 339
CONTROL ESTADSTICO DEL PROCESO Dr. P. Reyes /
enero de 2009
ASN n1 n2 (1 P1 ) (7.5)
ASN
Insp. completa
n = cte.
Insp. recortada
Por tanto el muestreo doble es ms econmico que el simple slo para ciertos
valores de p, ya que si p tiene valores intermedios el ASN es mayor implicando
mayores costos de inspeccin.
Pgina 340
CONTROL ESTADSTICO DEL PROCESO Dr. P. Reyes /
enero de 2009
PaI P ( d 1 1 n1 ) (7.7)
Pa
Pa total
Pa
1 muestra
Pa 2 muestra
p
Figura 7.10 Probabilidad de aceptar en la primera o en la segunda muestra en
muestreo doble
Pgina 341
CONTROL ESTADSTICO DEL PROCESO Dr. P. Reyes /
enero de 2009
OC (p1, 1-) y (p2, ) ya sea con n1=n2 o con n2 = 2n1. Para lo que se emplean
las tablas de Grubbs (ver pginas siguientes).
Pgina 342
CONTROL ESTADSTICO DEL PROCESO Dr. P. Reyes /
enero de 2009
INSPECCIN RECTIFICADORA
{PaI ( N n1 ) PaII ( N n1 n2 )} p
AOQ (7.9)
N
Asumiendo que todos los defectivos son remplazados por artculos buenos en
los lotes rechazados, la curva de inspeccin total promedio es,
donde Pa Pa Pa
I II
Muestr
a
acumul
ada Aceptar Rechazar
20 0 3
40 1 4
60 3 5
80 5 7
100 8 9
Pgina 343
CONTROL ESTADSTICO DEL PROCESO Dr. P. Reyes /
enero de 2009
MUESTREO SECUENCIAL
X ACEPTACION h1 sn (7.11)
X RECHAZO h2 sn
1
h1 log k
1
h2 log k (7.12)
p 2 (1 p1 )
k log
p1 (1 p 2 )
1 p1
s log k
1 p2
k = 0.80066
Pgina 344
CONTROL ESTADSTICO DEL PROCESO Dr. P. Reyes /
enero de 2009
h1=1.22
h2=1.57
s=0.028
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
Pgina 345
CONTROL ESTADSTICO DEL PROCESO Dr. P. Reyes /
enero de 2009
En este caso no se puede tomar una decisin de aceptacin hasta que hayan
transcurrido las suficientes muestras, que hagan que la lnea de aceptacin
tenga valores positivos en Xa, 44 en este caso, y no se puede rechazar hasta
en la 2. Muestra.
Pgina 346
CONTROL ESTADSTICO DEL PROCESO Dr. P. Reyes /
enero de 2009
No. de
defectos Lnea de
acumula aceptaci
3
2 Lnea de
Rechazo
1
Nmero
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
INSPECCIN RECTIFICADORA
A
ATI Pa (1 Pa ) N (7.14)
C
Pgina 347
CONTROL ESTADSTICO DEL PROCESO Dr. P. Reyes /
enero de 2009
Descripcin de la norma
- Inspeccin normal.
- Inspeccin estricta.
- Inspeccin reducida.
Pgina 348
CONTROL ESTADSTICO DEL PROCESO Dr. P. Reyes /
enero de 2009
Pgina 349
CONTROL ESTADSTICO DEL PROCESO Dr. P. Reyes /
enero de 2009
a. Un lote es rechazado.
b. Cuando el procedimiento de muestreo termina sin decisin de
aceptacin o rechazo, el lote se acepta pero se cambia a inspeccin
normal en el prximo lote.
c. La produccin es irregular o se retarda en entregas.
d. Otras condiciones que fuercen a cambiar a la inspeccin normal.
Pgina 350
CONTROL ESTADSTICO DEL PROCESO Dr. P. Reyes /
enero de 2009
PROCEDIMIENTO
Los pasos a seguir para el uso de las normas es el siguiente:
Pgina 351
CONTROL ESTADSTICO DEL PROCESO Dr. P. Reyes /
enero de 2009
Para el caso de muestreo doble con los datos anteriores, la letra cdigo es K y
de las III-A, III-B y III-C se obtienen los planes de inspeccin normal (n 1= n2=80,
c1a=0, cir=3, c2a=3), estricta (mismas que n 1 y n2, c1a=0, cir=2, , c2a=1, c2r=2) y
reducida (n1= n2=32, c1a= c2a=0, c2r=3, c2r=4).
DISCUSIN
Todas las curvas OC son tipo B, tambin se proporcionan curvas para el ASN y
datos del AOQL.
Pgina 352
CONTROL ESTADSTICO DEL PROCESO Dr. P. Reyes /
enero de 2009
Pgina 353
CONTROL ESTADSTICO DEL PROCESO Dr. P. Reyes /
enero de 2009
Pgina 354
CONTROL ESTADSTICO DEL PROCESO Dr. P. Reyes /
enero de 2009
.
Figura 7.14 Tablas de muestreo simple por atributos
Pgina 355
CONTROL ESTADSTICO DEL PROCESO Dr. P. Reyes /
enero de 2009
Los planes anteriores basados en AQL no son adecuados para el caso del
ensamble de productos complejos. La tabla siguiente muestra la fraccin
defectiva en ppm dependiendo del AQL aceptable.
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 proteccin del LTPD, aun cuando
el AQL sea muy bajo. Para esto se utilizan los planes de Dodge-Romig
principalmente para inspeccin de sub-ensambles.
Para ambos se tiene una tabla de muestreo doble y simple. Son tiles cuando
el rechazo medio del proceso es bajo (alrededor de 100 ppm).
Pgina 356
CONTROL ESTADSTICO DEL PROCESO Dr. P. Reyes /
enero de 2009
Pgina 357
CONTROL ESTADSTICO DEL PROCESO Dr. P. Reyes /
enero de 2009
Planes de AOQL
Planes de LTPD
Se disearon de tal forma que la probabilidad de aceptacin del LTPD sea 0.1.
Se proporcionan tablas para valores de LTPD de 0.5%, 1%, 2%, 3%, 4%, 5% 7%
y 10%.
Pgina 358
CONTROL ESTADSTICO DEL PROCESO Dr. P. Reyes /
enero de 2009
De la tabla 13.23, el plan obtenido es n=770 y c=4, si los lotes rechazados son
seleccionados al 100% y los artculos defectuosos se reemplazan por artculos
buenos, el AOQL=0.28%.
Cuando el promedio del proceso es mayor que la mitad del LTPD, la inspeccin
100% es mejor econmicamente.
Pgina 359
CONTROL ESTADSTICO DEL PROCESO Dr. P. Reyes /
enero de 2009
Ventajas y desventajas
Pgina 360
CONTROL ESTADSTICO DEL PROCESO Dr. P. Reyes /
enero de 2009
Pgina 361
CONTROL ESTADSTICO DEL PROCESO Dr. P. Reyes /
enero de 2009
Existen dos tipos de planes de muestreo por variables, los que controlan la
fraccin defectuosa del lote y los que controlan un parmetro del proceso tal
como la media.
Pgina 362
CONTROL ESTADSTICO DEL PROCESO Dr. P. Reyes /
enero de 2009
__
LIE X x
Procedimiento 1.
X LIE
Z LIE (8.1)
Si hay un valor crtico p que no deba ser excedido con una probabilidad
establecida, se puede traducir el valor de p en una distancia crtica por decir k
para ZLIE. De esta forma si ZLIE <= k, se aceptar el lote ya que
automticamente la fraccin defectiva p es satisfactoria, en caso contrario la
fraccin defectiva p es mayor que la aceptable y se rechazar el lote.
Pgina 363
CONTROL ESTADSTICO DEL PROCESO Dr. P. Reyes /
enero de 2009
X LIE 82 100
Z LIE 1.8
10
LSE X
Z LSE (8.2)
p Zs Zi
0.25 0.6745
0.20 0.8416
0.15 1.0364
0.10 1.2816
0.5 1.6449
0.2 2.0537
0.1 2.3263
Procedimiento 2.
Pgina 364
CONTROL ESTADSTICO DEL PROCESO Dr. P. Reyes /
enero de 2009
Pgina 365
CONTROL ESTADSTICO DEL PROCESO Dr. P. Reyes /
enero de 2009
X LIE
Q LIE n /( n 1)
(8.3)
LSE X
Q LSE n /( n 1)
Pgina 366
CONTROL ESTADSTICO DEL PROCESO Dr. P. Reyes /
enero de 2009
Para hallar el plan de muestreo por variables n, k, se traza una lnea que une a
el punto 0.01 en la escala de fraccin defectivas con el punto 0.95 en la escala
de probabilidad de aceptacin. Despus se traza una lnea similar que conecta
los puntos p2 = 0.06 y Pa=0.10, en la interseccin de esas lneas se lee, k=1.9
y n=40 para desconocida (siguiendo la lnea curveada) o n=15 (bajando una
lnea perpendicular) para conocida.
a) Procedimiento 1
Si se desconoce la desviacin estndar, se toma una muestra aleatoria de n =
40 piezas calculando la media y la desviacin estndar s, se calcula ahora:
X LIE
Z LIE
b) Procedimiento 2.
Pgina 367
CONTROL ESTADSTICO DEL PROCESO Dr. P. Reyes /
enero de 2009
1 k n 1 1.9 40
0.35
2 2( n 1) 2 2(39)
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 fraccin defectiva al final de este captulo 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 inspeccin
(el normal es el II), el nivel III tiene una curva ms abrupta que el nivel II. Se
pueden usar niveles ms bajos (S3 S4) para reducir costos muestrales si se
toleran riesgos mayores.
Pgina 368
CONTROL ESTADSTICO DEL PROCESO Dr. P. Reyes /
enero de 2009
Variabilidad Variabilidad
Desconocida Conocida
Mtodo de S
Especificacin Especificaciones
Unilateral Bilaterales
Tienen 4 secciones:
Pgina 369
CONTROL ESTADSTICO DEL PROCESO Dr. P. Reyes /
enero de 2009
Ejemplo 8.4 Para el caso del embotellador: Si el lmite inferior LIE = 225 psi,
suponiendo que el nivel de calidad aceptable en este lmite es AQL = 1% y que
las botellas se embarcan en lotes de
N = 100,000, con sigma desconocida se tiene:
Procedimiento 1.
1. En la tabla A-2 se identifica el cdigo de letra, en este caso, la N:
2. En la tabla B-1 se determina la n y k en este caso con la letra N y AQL=
1.00 negociado entre proveedor y cliente, se obtiene k = 2.03. Para el caso
de inspeccin severa (escala inferior) k = 2.18. Para el caso de inspeccin
reducida k = 1.8 de la tabla B-2.
3. En la tabla B-3 se determina M en el rengln de N y columna de AQL= 1%
obtenindose M= 2.05%. Para inspeccin severa M = 1.42%. Para
inspeccin reducida, de la tabla B-4 se obtiene k = 3.44%.
4. La inspeccin estricta se usa cuando 2 de 5 lotes han sido rechazados
5. La inspeccin reducida se usa cuando los 10 lotes anteriores se han
aceptado y su fraccin defectiva estimada es menor que un lmite inferior
especificado y la produccin es estable.
6.La tabla B-6 se usa para obtener la desviacin estndar mxima 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 grfica X -s
para los lotes (al menos para 30). Los planes especficos para este tipo de
planes se deben consultar en el estndar.
Pgina 370
CONTROL ESTADSTICO DEL PROCESO Dr. P. Reyes /
enero de 2009
Solucin.
a) De tabla A2, se selecciona la letra D.
b) De la tabla B1, n = 5, k= 1.52
c) Suponiendo lecturas 197, 188, 184, 205 y 201.
X= 195 , s = 8.8
d) ( LSE - X ) / s = (209 195) / 8.8 = 1.59
e) 1.59 > k por tanto se acepta el lote.
Pgina 371
CONTROL ESTADSTICO DEL PROCESO Dr. P. Reyes /
enero de 2009
Pgina 372
CONTROL ESTADSTICO DEL PROCESO Dr. P. Reyes /
enero de 2009
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 fraccin
8.8
defectiva total es de
p = 2.85%
VARIABILIDAD CONOCIDA
Pgina 373
CONTROL ESTADSTICO DEL PROCESO Dr. P. Reyes /
enero de 2009
Ejemplo 8.10 Sea LIE= 58,000 psi; tamao del lote 500 artculos; AQL =
_
1.5%; Inspeccin nivel II, normal. De los datos anteriores se obtuvo X =
63,000; n = 10 ; = 3,000. De tabla A-2 se obtiene la letra I.
a) Obtencin en tabla D3 de n, M y V como 10, 3.63%, 1.054
respectivamente.
b) Clculo de QL =(63,000 - 58,000) * 1.054 / 3,000 = 1.756
c) Determinar PL de tabla D5 con QL= 1.756 es 3.92%
Como PL > M se rechaza el lote.
Pgina 374
CONTROL ESTADSTICO DEL PROCESO Dr. P. Reyes /
enero de 2009
Los ajustes que se hicieron en la norma ASQC Z1.9 (1980) e ISO 3951 (1981)
son:
1. Los rangos de tamao de lotes se ajustaron para corresponder con la MIL-
STD-105E por atributos.
2. Se ordenaron las letras cdigo para tener la misma proteccin que con la
MIL-STD-105E.
3. Los niveles de inspeccin originales I, II, III, IV y V se denominaron S 3, S4, I,
II y III.
4. En la ISO 3951 se eliminaron los planes que consideran a los rangos en vez
de las desviaciones estndar.
5. En la ISO 3951 y en la Z1.9 se eliminaron los AQLS de 0.04, 0.065 y 15%.
6. Cambios en las reglas de transferencia.
Se adoptan las mismas reglas que en la 105E para el paso de inspeccin
normal a severa y viceversa con ligeras modificaciones.
La norma Z1.9 permite el paso de inspeccin normal a reducida si:
10 lotes en inspeccin normal fueron aceptados.
La produccin es continua.
Pgina 375
CONTROL ESTADSTICO DEL PROCESO Dr. P. Reyes /
enero de 2009
Pgina 376
CONTROL ESTADSTICO DEL PROCESO Dr. P. Reyes /
enero de 2009
X A 0.3 X A 0.3
1.645
0.1 (8.4)
n n
En forma similar si los lotes que tienen un nivel de emisin de 0.40 ppm tienen
una probabilidad de 0.10 de aceptacin, 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
Pgina 377
CONTROL ESTADSTICO DEL PROCESO Dr. P. Reyes /
enero de 2009
APNDICES
Pgina 378
CONTROL ESTADSTICO DEL PROCESO Dr. P. Reyes /
enero de 2009
CARTAS Xbarra-S
Lmites de control para medias
LSCx = X + A3 S
LCx = X
LICx = X - A3 S
Para el caso del rango se usan las mismas de la carta Xbarra-R con n=2
Pgina 379
CONTROL ESTADSTICO DEL PROCESO Dr. P. Reyes /
enero de 2009
CARTA p
Di
pi
ni
m m
D p i 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
c
u
n
Pgina 380
CONTROL ESTADSTICO DEL PROCESO Dr. P. Reyes /
enero de 2009
u
LSC u u 3
n
LC u u
u
LSC u u 3
n
Pgina 381
CONTROL ESTADSTICO DEL PROCESO Dr. P. Reyes /
enero de 2009
Pgina 382
CONTROL ESTADSTICO DEL PROCESO Dr. P. Reyes /
enero de 2009
Pgina 383