Beruflich Dokumente
Kultur Dokumente
Optimización de Procesos
Industriales y Control de Calidad
EDICIONES UNIVERSIDAD
TECNOLÓGICA
METROPOLITANA
2
© UNIVERSIDAD TECNOLÓGICA METROPOLITANA
Casilla 9845 Santiago de Chile
Derechos Reservados
Inscripción Nº 148.387 del 20 de Julio 2005
I.S.B.N.: 956-7359-45-8
Santiago de Chile, Octubre de 2005
• DISEÑO Y DIAGRAMACIÓN
Programa de Tecnología Educativa y Diseño Comunicacional – DITEC
• REPRESENTANTE LEGAL
Miguel Ángel Avendaño Berríos
• EDICIONES
Universidad Tecnológica Metropolitana
Distribución y ventas: www.utem.cl/ediciones/index.html
CONSEJO EDITORIAL
PRESIDENTE: Jéssica Orellana Saavedra
Héctor Gómez Fuentes
Patricio Olivares Iribarren
Ana Gavilanes Bravo
Hugo Omar Inostroza Sáez
LAS IDEAS Y OPINIONES CONTENIDAS EN ESTE LIBRO SON DE RESPONSABILIDAD EXCLUSIVA DEL AUTOR Y NO EX-
PRESAN NECESARIAMENTE EL PUNTO DE VISTA DE LA UNIVERSIDAD TECNOLÓGICA METROPOLITANA.
3
a Isidora
4
Prólogo ............................................................................................................................ 7
Introducción .................................................................................................................... 9
CAPÍTULO I .....................................................................................................................12
Método de Control de Calidad mediante Sumas Acumuladas
1.1. El Método SUMAC ..............................................................................................12
1.2 SUMAC para el control de la tendencia central ..................................................13
1.2.1 Acumulador superior...........................................................................................14
1.2.2 Acumulador inferior.............................................................................................14
1.3 SUMAC para el control de la dispersión .............................................................15
1.4 Longitud de Ráfaga Media ...................................................................................16
1.5 Obtención de las tablas de LRM..........................................................................18
1.6 Análisis de las LRM en función de los distintos parámetros .............................20
1.7 Los Gráficos de Shewhart ...................................................................................21
1.8 Comparación de las LRM del SUMAC con las de Shewhart ...............................26
CAPÍTULO II ....................................................................................................................29
Control por Medias Móviles Ponderadas Exponencialmente
Introducción........................................................................................................29
2.1 MEMPE para la tendencia central........................................................................29
2.2 MEMPE para la tendencia central con límites en función de t............................33
2.3 Longitud de Ráfaga Media ...................................................................................35
CAPÍTULO IV ..................................................................................................................54
4 MEMPE Multivariable ...........................................................................................54
4.1 MEMPE Multivariable de la tendencia central ..................................................54
4.2 MEMPE Multivariable de la variabilidad ............................................................60
4.3 Longitud de Ráfaga Media .................................................................................63
CAPÍTULO V ...................................................................................................................80
5 Comparación entre los Gráficos de Shewhart, SUMAC y MEMPE .....................80
5.1 Proporción de elementos defectuosos de un proceso.......................................80
5.2 Probabilidad de señal global y LRM por el método de Shewhart .......................83
5.3 LRM global de Shewhart, SUMAC y MEMPE.......................................................84
5.4 Comparación entre SUMAC y MEMPE conjuntos multivariables .......................89
CAPÍTULO VI ..................................................................................................................91
6.1 Comparación entre los diferentes métodos. Aplicación ....................................91
5
CAPÍTULO VII ...............................................................................................................103
Características de un Proceso Industrial
Introducción......................................................................................................103
7.1 Capacidad de Calidad de un Proceso .............................................................104
7.2 Ejemplos ...........................................................................................................106
7.3 Gráficos de Control ..........................................................................................111
7.3.1 Gráficos de Shewhart .......................................................................................112
7.4 Gráficos de Shewhart con límites probabilísticos .........................................118
Ejemplos ...........................................................................................................121
7.6 Ejercicios ..........................................................................................................128
7.7 Método Seis Sigma...........................................................................................131
Introducción......................................................................................................131
7.7.1 Los cambios que se requieren para implementar Seis Sigma ......................133
7.7.2 Lean Seis Sigma ...............................................................................................134
7.7.3 El funcionamiento del método Seis Sigma .....................................................136
7.7.4 Interacción entre Lean y Seis Sigma...............................................................138
Bibliografía ...................................................................................................................205
6
Prólogo
Aunque debiera ser práctica habitual entre los miembros de la comunidad univer-
sitaria global, participar en la reflexión de temas que afectan al quehacer común
de las instituciones de educación superior, resulta esta, la de prologar una nueva
monografía, una oportunidad singular que debe ser aprovechada con especial
empeño. Al fin y a la postre, es este un medio único para poner de manifiesto lo
que de excepcional tiene la obra de un académico, al tiempo que se nos ofrece la
ocasión de realizar alguna reflexión de carácter más general sobre aspectos hoy
controvertidos del papel y fines de la universidad.
El trabajo que el lector tiene en sus manos nace con la vocación genuina del ma-
nual. Con la intención de ayudar al alumno en el proceso de su propio aprendiza-
je. Pero es, al mismo tiempo, el resultado de un proceso que, de manera muchas
veces callada, se realiza en las universidades, el de la transferencia del conoci-
miento generado por los académicos al mundo productivo. Incorporando nuevas y
vivificadoras ideas que suponen la contribución más importante que realizan las
instituciones de educación superior al desarrollo socioeconómico. Es, en definitiva,
el efecto de la más precisa función del docente, la sistematización del conocimien-
to para su difusión. En este caso, con el valor añadido de la utilidad de ese cono-
cimiento.
Bajo esta perspectiva, este libro permite por una parte implantar sistemas de con-
trol de calidad en los procesos productivos, determinando la capacidad de calidad
de los procesos, como también, establecer métodos de control de calidad usando
diferentes técnicas, dependiendo del tipo de proceso.
Para generar un buen producto, insensible a los cambios que se pueden generar
en las variables que intervienen en el proceso, se emplean diseños de experimen-
tos factoriales a dos niveles y diseños factoriales fraccionales. Los que permiten
optimizar procesos industriales logrando determinar las variables significativas de
7
un proceso, y obtener modelos de regresión múltiple asociados, que a través de
las superficies de respuesta y las curvas de nivel, permiten determinar en que ni-
vel deben fijarse las variables para lograr el valor técnico deseado, y a la vez mi-
nimizar los costos de los procesos.
En este libro, el lector podrá conocer los diferentes métodos de calidad existentes,
para procesos productivos, los que han sido ilustrados convenientemente con di-
versos ejemplos, aplicados en diferentes áreas productivas, y complementados
con ejercicios de aplicación.
8
Introducción
9
desarrollo que mediante innovación tecnológica les permita mantenerse en un nivel
adecuado de competencia.
También, debe tenerse en cuenta, que las tendencias actuales están dirigidas
hacia la automatización y robotización de los procesos industriales, lo que acentúa la
importancia de los problemas de calidad, pues, esta robotización obtendrá resulta-
dos eficientes sólo si los niveles de calidad de las partes y piezas con las que se tra-
baja son altos. En estos últimos aspectos, la industria japonesa es la que ha tenido
los mejores resultados, introduciendo en los mercados internacionales muchos pro-
ductos similares a los ya existentes, pero, la mayoría de ellos de mejor calidad, lo-
grando también una reducción significativa en los costes de producción y venta, y un
aumento del ciclo de vida de muchos de ellos.
Se explica el método Seis Sigmas y Lean Seis Sigma para optimizar procesos
productivos en cuanto a atender las expectativas del cliente, mejorar los procesos,
reducir los costos y minimizar las no conformidades.
11
CAPÍTULO I
S0 puede tomar cualquier valor entre 0 y H; se considera que el proceso está fuera
de control si el valor del acumulador St supera el límite o intervalo de decisión H.
12
Para mejorar la respuesta en el arranque, tanto en la implantación como des-
pués de una acción correctiva, Lucas y Crosier (1982), recomiendan iniciar el control
con una Rápida Respuesta Inicial (FIR), para ello sugieren tomar S0=H/2, así, si el
proceso está descentrado en el inicio es posible detectarlo con mayor celeridad,
mientras que si está correctamente centrado, St decrecerá prontamente a cero.
Es importante hacer notar que la expresión del acumulador (1.1.2) por estar
basada en la razón de verosimilitudes es única, cualquiera sea la degradación que
se desee detectar, ya sea un aumento o una disminución de la característica de ten-
dencia central, o bien, un aumento de la variabilidad del proceso; si bien se trasfor-
mará dependiendo de la característica y degradación que se desee detectar.
f1 ( x ) ( x m1 )2 n ( x m0 )2 n
EXP
f0 ( x ) 2 2
0 2 2 0
f1 ( x ) xn(m1 m 0 ) (m 2 0 m 21 )n
Ln 20
2 2 0
f0 ( x )
n(m1 m 0 ) m m0
x 1
02
2
13
luego
f ( x ) n(m1 m0 ) x m0 m1 m0
Ln 1 1.2
f0 ( x ) 0 0 2 0
f (x ) D
Ln 1 t nDL Yt L
f0 ( x t ) 2
D
Ut máx 0 , Ut 1 Yt L 1.2.1
2
se considera que el proceso está fuera de control cuando Ut es mayor que el límite o
intervalo de decisión HM para la media del proceso.
Si se desea detectar una disminución del valor medio del proceso, es decir, m1
< m0, entonces: m1 – m0=(-1)│m1-m0│ y
f ( x ) n( 1) m1 m 0 x m 0 m m0
Ln 1 ( 1) 1
f0 ( x ) 0 0 2 0
n m1 m 0 x m 0 m1 m 0
0 0 2 0
14
siendo ahora DL=│m1-m0│/σ0 , el desplazamiento inferior absoluto reducido, y Lt el
acumulador, se tiene que :
D
L t máx 0 , L t 1 Yt L 1.2.2
2
Ut máx 0 , Ut 1 Yt Q
L t máx 0 , L t 1 Yt Q 1.2.3
Como bajo H0, (n-1)S2/ σ20 se distribuye 2 con parámetro =n -1, y bajo H1,
(n-1)S2/(A2σ20) se distribuye con parámetro =n -1.
2
dg n 1
2
dS 2
15
(n 1)S 2 2 1 / 2 1
1 / 2 1 S (n 1)S 2
(n 1) 2 exp 2 2
2
por tanto : h(S )
2
2 / 2
2
luego :
/2
h 1 (S 2 ) 1 (n 1)S 2 1
exp 1 2
h 0 (S 2 ) A 2 2 0 A
2
1 (n 1)S 2 A 2 1
exp
A n1 2 0 A
2 2
por tanto
h (S 2 ) (n 1)S 2 A 2 1
Ln 1 2 (n 1)Ln A
2 0 A
2 2
h 0 (S )
1 (n 1)S 2 A 2 1
Ln A
2
2 0 A
2 2
2
(n 1)(A 2 1) S 2 A 2
2 2 Ln A 2
0 A 1
2
2A
S 2t A2
Wt máx 0 , Wt 1 2 2 2
Ln A 1.3
0 A 1
16
recibe la denominación de Longitud de Ráfaga (LR), y que, dependiendo del azar del
muestreo, es una variable aleatoria.
17
SUMAC en cero, S0=0, que siendo el menor valor posible implica que esas LRM son
conservadoras, en el sentido que las reales son ligeramente inferiores.
Debido a esto, otros autores han definido la LRM estabilizada como promedio
ponderado de las LRM, dado el valor inicial del SUMAC, utilizan como elemento
ponderador la distribución de los valores del SUMAC. Dichos autores, han evaluado
dos tipos de LRM estabilizadas: las condicionales y las cíclicas. El procedimiento
consiste en generar M valores SUMAC antes de la degradación del proceso y, se-
guidamente, los necesarios hasta advertir dicha degradación, siendo estos últimos
los promediados para determinar la LRM condicional. Sin embargo, durante la gene-
ración de esos M valores, el SUMAC puede superar el intervalo de decisión H en
cuyo caso el método condicional descarta esa secuencia (de ahí el nombre, pues la
evaluación de la LRM queda condicionada al hecho que el SUMAC no haya supera-
do a H). Si se produce esa circunstancia, el método cíclico restablece el SUMAC a
cero, y no descarta ninguna secuencia.
20
A2 20
A2 L 20
m0 m0+D0 m0+DL0
D
Ut máx 0 , Ut 1 Yt L
2
D
L t máx 0 , L t 1 Yt L
2
S2 t A 2L
Wt máx 0 , Wt 1 2 2 Ln A 2 L
0 A L 1
Fijando el tamaño de la muestra en n=4, Pepió y Polo (1988) han obtenido ta-
blas para DL=0.5, 1, 1.5, 2 y 2.5; AL=1.25, 1.5, 2 y 2.5, HM=1, 2, 3, 4 y 5, HS=4, 6, 8
y 10, cuando el proceso está bajo control (D=0; A=1), para el caso límite (D=DL;
A=AL) y en otras situaciones intermedias de D con A=AL, uno de estos casos se pre-
senta en la Tabla 2.8.1.
19
Cada simulación da lugar a dos estadísticos muestrales Y, y S2/σ20, con los
que se procede a calcular los respectivos acumuladores, repitiendo el proceso hasta
que su valor supera el del intervalo de decisión, ya sea por desplazamiento, ya por
dispersión, momento en que se restituyen todos los acumuladores a sus valores ini-
ciales, U0 , L0 , W0 , y se acumula una ráfaga, los valores medios de las longitudes de
ráfaga, se han obtenido como promedio de un número de ráfagas comprendidas
entre 1000 y 10000, según fuese la variabilidad.
En la Tabla 1.6.1 se detecta que, para todo estado real del proceso, un incre-
mento de cualquiera de los valores de decisión, HM o HS , provoca un aumento en
la LRM; hecho plenamente justificable ya que estos incrementos representan un plan
de control menos estricto, necesitando mayores valores de los acumuladores para
tener alguna señal de fuera de control y, por tanto, serán necesarias, en promedio,
más muestras hasta superar el límite de decisión.
Esta situación presenta el problema que cuando el proceso está bajo control
(D=0 ; A=1), cualquier señal de intervención es una falsa alarma, luego, indeseable;
siendo conveniente obtener LRM lo más elevadas posibles, teóricamente infinito. Por
estas consideraciones, se optaría por un control con HM y HS muy grandes. Sin
embargo, a estos niveles, cuando el proceso se degrade (D>0 ó A>1), las LRM re-
sultarán excesivamente altas, pues ahora, se desearía que la aparición de señal
fuese inmediata, teóricamente uno. Luego, la solución estará en adoptar un com-
promiso en cuanto a la selección de HM y HS, que sin dar lugar a demasiadas falsas
señales cuando el proceso esté correcto, sea suficientemente potente para detectar
degradaciones.
Para estudiar el efecto de DL y AL sobre las LRM, hay que distinguir entre los
casos de proceso bajo control y degradado. En el primero, la LRM aumenta con DL y
AL, ello es lógico, puesto que si el proceso está bajo control y la situación límite es
poco estricta (DL ó AL elevados), los valores de referencia, respecto a los que se
acumulan las discrepancias, son grandes y es poco probable tener falsas señales,
pues es muy difícil que el estadístico de control supere el valor de referencia; efecto
tanto más acusado cuanto menos exigentes sean los límites de intervención, es de-
cir, cuanto mayores sean los valores de HM y HS; en el segundo, cuando el proceso
no está bajo control, la LRM disminuye al aumentar el desplazamiento o la amplifica-
ción reales, ya que, al ser ésto un indicio de una mayor degradación, son más fre-
cuentes las señales de fuera de control; señales tanto más deseables cuando mayo-
res sean D ó A. Para procesos igualmente desplazados la LRM aumenta con DL,
reflejando la menor exigencia sobre una situación límite.
P( Y y) (1 p) y 1 p, 0 p 1, y 1,2,3,...
1
obteniendo que : LRM E( y )
p
Para un proceso preciso, Pepió y Polo (1988) definen MII y MIS como los límites de
intervención inferior y superior, MAI y MAS como los límites de atención inferior y
superior, MI y MS son las medias de los procesos que presentan una proporción
defectuosa del uno por mil por defecto y por exceso. Sean D el desplazamiento re-
22
ducido, A la amplificación de la desviación tipo y m la media del proceso, luego se
tiene que:
MAS MS 1.96 , MIS MS 3.09
n n
,
MAI MI 1.96 MII MI 3.09
n n
o LR=y
I+R
I o LR=y
o o
y y+1
TS m 3Cp D TI m 3Cp D
ZS y ZI
A A A A A A
23
A su vez, se requiere obtener las probabilidades de sobrepasar las líneas de
atención y de intervención, por sus valores centrados y reducidos
m CT D , TS CT 3Cp ,
MAS CT 1.96 , MIS CT 3.09
n n
MAI CT 1.96 , MII CT 3.09
n n
3Cp D 3Cp D
ZS y ZI
A A
24
3.09 D n 1.96 D n
ZIS Z AS
A A
3.09 D n 1.96 D n
Z II Z AI
A A
obteniéndo así I, R, B y p.
Li La
SIS y SAS
n 1 n 1
Luego I = P(S > Si ) = P(S2 > S2i) = P(nS2 / (Aσ)2 > nS2i / (Aσ)2 ) = P( 2 > Li / A2 )
26
DL=0.5 AL=1.25 Cp=0.833 A=1.25
D 0 0.25 0.50 1.0 1.5 2.0
LRM SHEW 20.04 15.77 8.89 2.68 1.36 1.06
HM HS LRM (SUMAC)
1 4 3.70 3.17 2.36 1.42 1.12 1.01
5 4 9.10 7.38 5.77 3.29 3.34 1.90
3 6 11.16 8.32 5.25 2.59 1.74 1.35
5 6 11.82 10.06 6.94 3.63 2.48 1.99
1 10 5.36 4.22 2.76 1.51 1.13 1.02
3 10 15.68 11.67 6.02 6.69 1.81 1.35
5 10 50.47 14.60 8.57 3.93 2.59 2.02
PD (%) 4.55 6.30 11.76 21.25 34.47
Tabla 1.8.2 LRM Shewhart y SUMAC conjunto, respecto a D y PD, A=1.25, n=4, Pepió y Polo (1990)
Del análisis de la Tabla 1.8.1, se puede decir, que el SUMAC de HM=3 y HS=6
es más potente que Shewhart para desplazamientos inferiores o iguales a 1; cuando
D=0 la LRM SUMAC supera a la clásica, sin embargo, para desplazamientos pe-
queños es inferior, lo que indica una detección más rápida de la degradación. Para
desplazamientos superiores o iguales a 1.5 el SUMAC es menos potente que
Shewhart al dar LRM mayores. Sin embargo, en procesos reales, salvo situaciones
catastróficas, estos se degradan progresivamente y antes de llegar a desplazamien-
tos superiores o iguales a 1.5, pasan por otros valores previos que serán detectados
con mayor facilidad por el método SUMAC. El SUMAC de HM =1 y HS =10 resulta
ser el más potente toda vez que el desplazamiento es mayor que cero, pero cuando
no hay desplazamiento presenta LRM muy bajas, lo cual es un inconteniente, ya que
estando el proceso perfectamente centrado el número de falsas señales será muy
alto.
27
0.5; cuando D=0 la LRM SUMAC supera a la clásica, para desplazamientos peque-
ños es inferior, lo que indica una detección más rápida de la degradación. Para des-
plazamientos superiores o iguales a 1 el SUMAC es menos potente que Shewhart al
dar LRM mayores.
28
CAPÍTULO II
Introducción
conjuntamente con los límites de control superior e inferior para este estadístico, λ se
denomina constante de suavizado, las observaciones secuencialmente registradas,
Yt, pueden ser valores individualmente observados a partir del proceso, o bien, pue-
den ser el promedio de los valores de una muestra, Z0 usualmente se define como el
valor nominal.
29
X t m0
Yt
0
luego
X t m0 m0 D 0 m0
E( Yt ) E D
0 0
V( X t ) A 2 2 0 / n A2 con z 0
m0 m0
V( Yt ) , 0
2
0 2
0 n 0
t
E( Z t ) (1 )
j1
t j
E( Yj ) (1 )t E( Z 0 )
1 (1 ) t
D = 1 (1 ) D
t
1 (1 )
E( Z t ) 0 2.1.3
t
y V( Z t ) (1 )
j1
t j
V( Yj ) (1 ) t V( Z 0 )
1 (1 )2 t A 2
= 2
2
1 (1 ) n
( 1 (1 )2 t ) A 2
= n
2
30
bajo H0, A2 =1 , luego
V( Z t )
1 (1 )
2t
2.1.4
(2 )n
2a 2Y 2.1.5
(2 )
Los límites de control para el estadístico Zt, se definen simétricos al valor no-
minal; varios autores los definen basados en la desviación estándar asintótica del
estadístico de control por:
LM=nominal ± K σY 2.1.6
2
Los valores de las constantes λ y K deben ser escogidos por el usuario, consi-
derando que cuando el proceso está bajo control (D=0, A=1), cualquier señal de in-
tervención es una falsa alarma, siendo conveniente obtener LRM lo más grande po-
sible, teóricamente infinito, ello se conseguiría con λ y K elevados, pues los límites
de control estarían bastante alejados del valor nominal obteniéndose así LRM mayo-
res, sin embargo, fijando λ y K a estos niveles, cuando el proceso se degrade (D > 0
ó A > 1), las LRM resultarían excesivamente altas, ya que en estos casos, se desea
que la aparición de la señal de intervenir fuese casi inmediata. La solución estará en
adoptar un compromiso referente a la elección de λ y K, que sin dar luar a demasia-
31
das falsas señales cuando el proceso esté correcto, sea suficientemente potente
para detectar cualquier degradación que se produzca en el proceso.
Paso 1.- Escoger la LRM menor aceptable para el caso en el cual el cambio
del proceso es cero. Esto corresponde a fijar la razón de falsa alarma (error tipo I)
Paso 2.- Decidir qué magnitud de cambio en el proceso debe ser detectada
rápidamente (es decir, tenga una LRM pequeña), entonces escoger el valor de λ que
produce una LRM mínima para este tamaño de cambio
Paso 4.- Desarrollar un análisis de sensitividad para comparar las LRM de fue-
ra de control (error tipo II) para combinaciones óptimas de (λ , K) con otras eleccio-
nes de (λ, K) produciendo la misma LRM que bajo control (error tipo I)
32
Si el proceso es correcto, lo ideal es trabajar con valores pequeños de λ, en el
sentido que si por azar del muestreo aparecen valores anómalos, estos serán ate-
nuados por λ, en cambio, al usar valores altos de λ se producirán demasiadas osci-
laciones aumentando con ello el número de falsas señales. Si el proceso se degrada
lo ideal será tener valores altos de λ, ya que la detección será casi inmediata, en
cambio, valores pequeños de λ atenuarán esta degradación.
Dado que el estadístico de control Zt, bajo las condiciones impuestas a Yt, tiene
distribución normal con esperanza y varianza (que varía en el tiempo) conocidas, se
considera que los límites de control deben definirse respecto a la desviación están-
dar real del estadístico Zt, como lo sugieren MacGregor y Harris (1990), lo que pro-
porciona los verdaderos límites de control para Zt, definidos por:
LM=nominal ± K σY
1 (1 )
2t
2.2.1
2
Cuando t tiende a infinito, los límites reales definidos en 2.2.1 convergen asin-
tóticamente a los límites definidos en 2.1.6.
En la Fig 2.2.1, para K=3.5, σY=1, nominal=0, se presentan los límites superio-
res de 2.1.6, líneas paralelas al eje t, y los límites de 2.2.1.
=0.90
=0.75
=0.50
=0.25
=0.10
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20
34
2.3.- Longitud de Ráfaga Media
Las LRM publicadas por diversos autores sólo se refieren al MEMPE de la ten-
dencia central, y consideran que la varianza del proceso se mantiene constante. Al-
gunos de los métodos propuestos son:
1 LCS
{ y (1 )}u
L(u) = 1 + L( y )f dy
LCI
LCI y LCS son los límites de control inferior y superior definidos en términos de la
desviación estándar asintótica del estadístico MEMPE, simétricos al valor nominal,
f(x) es la función de densidad de una N(μ,σ2/n), μ es la media verdadera del proceso,
σ es la desviación estándar nominal (se supone que σ es constante, y por tanto no
es controlada durante el proceso), n es el tamaño de cada una de las muestras.
35
CAPÍTULO III
Introducción
Sea {x1, ... ,xn } una muestra aleatoria de tamaño n, proveniente de una distribución
N(m0,σ20), la media y la varianza muestral de la t-ésima muestra están dadas por :
n n
xj (x j x t )2
x t M( x )
j 1 j 1
y S2 t
n n 1
S2 t
Wt 2 (1 )Wt 1 , 0 1 , t 1,2,... 3.1.1
0
t
S2 j
Wt (1 ) 2 (1 ) t W0
t j
3.1.2
j 1 0
j 1 0
1 (1 ) t
(1 ) t
1 (1 )
por tanto
E( Wt ) 1 3.1.3
t
S2 j
V( Wt ) 2 (1 ) 2( t j ) V 2 (1 ) t V( W0 )
j 1 0
1 (1 ) 2 t 2
2 2
1 (1 ) n 1
(1 (1 )2 t ) 2
V( Wt ) n 1 3.1.4
2
2
2a 3.1.5
2 n 1
(1 (1 )2 t ) 2
LS 1 R n 1 3.1.6
2
37
el valor de las constantes λ y R son escogidos por el usuario, con criterios similares
a los expuestos en el Capítulo II para el control de la media, el proceso estará fuera
de control si Wt > LS .
En la Tabla 3.2.1 se presenta la evolución de las LRM para λ=0.25, A=1, dis-
tintos desplazamientos y distintos valores de K y R. Se observa que para desplaza-
mientos mayores o iguales a uno, y dado que el proceso no presenta amplificación,
el aumento de R no es relevante ya que prácticamente casi todas las señales de
fuera de control obtenidas son debidas a la media, por ello se aprecia una estabiliza-
ción de la LRM para un mismo valor de K. Al aumentar K las LRM crecen hecho ple-
namente justificado, pues en general, al aumentar ya sea K o R el esquema MEMPE
es menos estricto al crecer los intervalos definidos por los límites de control, tanto
para la tendencia central como para la variabilidad. Cada vez que aumenta el des-
plazamiento las LRM decrecen, comportamiento deseable en todo proceso de con-
trol. Para K=3 y distintos valores de R, cuando el proceso se degrada por desplaza-
miento las LRM decrecen rápidamente, sin embargo, cuando el proceso no está de-
gradado las LRM no son lo suficientemente grandes como se quisiera.
En cambio para K=3.5, cuando el proceso está descentrado, las LRM son un
poco más grandes que para el caso de K=3, pero, cuando D=0 el incremento de la
LRM al pasar de R=4 a R=6 es bastante acusado. Para K=4 y distintos valores de R,
se observa que cuando el proceso se degrada (D > 0) las LRM son muy superiores
que la de los casos anteriores para desplazamientos inferiores o iguales a uno.
38
una fuerte asimetría, este comportamiento es muy similar en todas las situaciones
estudiadas.
Este mismo comportamiento fue descrito por Pepió y Polo (1990a) en el SU-
MAC conjunto univariable.
En la Tabla 3.2.2 se observa que cuando el proceso está bajo control las
LRM tienden a disminuir al aumentar λ, en cambio, cuando el proceso no está de-
gradado por variabilidad y se produce un desplazamiento, las LRM crecen cuando λ
aumenta, este comportamiento para estas condiciones, es similar al descrito por Ro-
binson y Ho (1978). Para un valor fijo de λ, las LRM decrecen sistemáticamente al
39
aumentar el desplazamiento; al ser esto un indicio de una mayor degradación, y co-
mo es deseable, son más frecuentes las señales de fuera de control. Una evolución
similar se observa en las Tablas 3.2.3 a 3.2.5, para distintas situaciones, el mismo
comportamiento se aprecia para los diferentes tamaños de muestra.
41
n=6 = 0.10 = 0.25 = 0.50 = 0.75 = 0.90
D A LRM LRM LRM LRM LRM
0 1 4401.57 2944.40 2697.61 2264.58 2375.16
0 1.25 52.49 60.97 65.21 68.80 71.07
0 1.5 8.76 9.31 10.13 12.16 13.44
0 2 2.60 2.5 2.52 2.53 2.81
Tabla 3.2.4.b LRM en procesos sin desplazamiento (D=0)
42
0.5 1 7.53 8.54 14.30 27.29 47.46
0.5 1.25 6.90 7.46 9.47 13.87 16.09
0.5 1.5 4.96 4.64 5.42 5.92 6.86
0.5 2 2.05 2.02 1.99 1.98 2.04
1 1 2.36 2.39 2.60 3.14 4.14
1 1.25 2.41 2.37 2.51 2.78 3.36
1 1.5 2.25 2.24 2.32 2.54 2.81
1 2 1.64 1.60 1.62 1.67 1.67
1.5 1 1.36 1.34 1.36 1.35 1.43
1.5 1.25 1.40 1.38 1.40 1.44 1.52
1.5 1.5 1.44 1.46 1.42 1.46 1.49
1.5 2 1.27 1.31 1.30 1.29 1.29
Tabla 3.2.5.c LRM en procesos con amplificación y desplazamiento
43
En un proceso sin desplazamiento, para detectar una amplificación de A=1.5,
se puede lograr ya sea tomando λ=0.10 y n=4, o bien, λ=0.90 y n=6, ya que las LRM
son del mismo orden. En general, es posible para distintos tipos de situaciones, en-
contrar pares de valores (n,λ) que presenten LRM del mismo orden para detectar
idénticas degradaciones, ello, presenta una ventaja al usuario con respecto a poder
elegir alguna combinación que por las características de su proceso le sea más favo-
rable, ya sea desde el punto de vista del control como económica.
= 0.10
D A n=4 n=5 n=6 n=7
0 0 4315.86 4184.98 4401.57 4215.61
0 1.25 84.13 65.08 52.49 40.60
0 1.5 13.25 10.78 8.76 7.79
0 2 3.30 2.94 2.60 2.13
0.5 1 12.72 10.30 9.09
7.53
1 1 3.69 3.15 2.69
2.36
1.5 1 1.98 1.66 1.50
1.03
2 1 1.33 1.17 1.08
a)
= 0.25
D A n=4 n=5 n=6 n=7
0 1 2640.04 2848.25 2944.40 2998.43
0 1.25 83.52 72.36 60.97 52.48
0 1.5 13.18 10.94 9.31 7.96
0 2 3.42 2.77 2.50 2.13
0.5 1 16.09 12.98 10.11 8.54
1 1.25 3.86 3.14 2.69 2.39
1.5 1.5 1.95 1.63 1.50 1.34
2 2 1.35 1.18 1.07 1.04
b)
= 0.50
D A n=4 n=5 n=6 n=7
0 1 1797.50 2316.18 2697.61 2812.94
0 1.25 69.51 66.76 65.21 63.67
0 1.5 14.50 11.43 10.13 9.12
0 2 3.31 2.70 2.52 2.15
0.5 1 34.76 23.93 19.09 14.30
1 1.25 4.53 3.66 2.99 2.60
1.5 1.5 2.03 1.75 1.49 1.36
2 2 1.35 1.18 1.08 1.04
c)
44
= 0.75
D A n=4 n=5 n=6 n=7
0 1 1301.28 1673.32 2264.58 2709.70
0 1.25 68.50 64.78 68.80 68.73
0 1.5 14.36 12.25 12.16 10.46
0 2 3.44 2.76 2.53 2.21
0.5 1 78.75 53.40 41.16 27.29
1 1.25 7.23 5.06 3.89 3.14
1.5 1.5 2.35 1.88 1.56 1.35
2 2 1.38 1.18 1.08 1.05
d)
= 0.90
D A n=4 n=5 n=6 n=7
0 1 1418.56 1283.06 2375.16 2832.42
0 1.25 72.52 68.85 71.07 69.42
0 1.5 15.34 14.41 13.44 11.73
0 2 3.78 2.76 2.81 2.16
0.5 1 123.29 91.89 64.30 47.46
1 1.25 10.73 6.78 5.14 4.14
1.5 1.5 2.73 2.08 1.67 1.43
2 2 1.42 1.19 1.07 1.04
e)
Tabla 3.2.6.- Evolución de las LRM según n, λ, D y A
45
n=4 = 0.10 = 0.25 = 0.50 = 0.75 = 0.90
D A LRM LRM LRM LRM LRM
0.5 1 7.64 8.22 11.07 14.74 19.69
0.5 1.25 6.42 6.14 6.30 6.93 7.43
0.5 1.5 4.19 3.84 3.60 4.04 4.33
0.5 2 1.95 1.93 1.97 1.86 1.91
1 1 2.62 2.53 2.75 3.11 3.91
1 1.25 2.58 2.47 2.53 2.80 2.94
1 1.5 2.28 2.28 2.27 2.37 2.49
1 2 1.60 1.63 1.62 1.63 1.67
1.5 1 1.47 1.45 1.47 1.54 1.59
1.5 1.25 1.54 1.51 1.51 1.61 1.63
1.5 1.5 1.51 1.59 1.55 1.58 1.64
1.5 2 1.38 1.35 1.37 1.38 1.38
46
n=5 = 0.10 = 0.25 = 0.50 = 0.75 = 0.90
D A LRM LRM LRM LRM LRM
0.5 1 6.34 6.65 8.18 11.11 15.14
0.5 1.25 5.44 5.33 5.45 6.00 6.64
0.5 1.5 3.21 3.22 3.20 3.33 3.17
0.5 2 1.84 1.77 1.78 1.83 1.76
1 1 2.12 2.14 2.3 2.49 2.91
1 1.25 2.16 2.14 2.16 2.40 2.55
1 1.5 1.84 1.91 1.85 2.01 2.11
1 2 1.50 1.43 1.50 1.53 1.52
1.5 1 1.32 1.31 1.33 1.33 1.32
1.5 1.25 1.33 1.34 1.37 1.42 1.42
1.5 1.5 1.34 1.34 1.32 1.37 1.40
1.5 2 1.27 1.28 1.26 1.25 1.28
48
En las Tablas 3.2.7-3.2.10 se presentan la evolución de las LRM para distin-
tos valores de D, A, n, y λ, con K=2.75 y R=4. Con estos valores de K y R, los límites
de control están más próximos al valor objetivo, por ello el esquema MEMPE es más
exigente, obteniéndose así LRM más pequeñas cuando el proceso está degradado,
ya sea por la media o por la variabilidad, pudiendo así, detectar con mayor presteza
esta anomalía, sin embargo, cuando el proceso no está degradado (D=0, A=1), tam-
bién se produce una disminución de la LRM, con lo cual, aumentan las señales de
intervención, que son falsas señales, esto último, es un inconveniente, pero, se tiene
la certeza que si el proceso realmente se degrada, será detectado rápidamente. El
comportamiento de las LRM, con estas condiciones es similar al descrito para K=3.5
y R=6.
Con respecto a la Tabla 3.2.7.b, Tabla 3.2.8.b y Tabla 3.2.9.b, en las cuales
se presentan la evolución de las LRM del esquema MEMPE conjunto univariable,
para un proceso sin desplazamiento (D=0), con K=2.75, R=4, respecto a λ y de la
amplificación A, para distintos tamaños de muestra, valores obtenidos de las simula-
ciones, se puede apreciar que:
49
las LRM decrecen para cada valor de λ cada vez que la amplificación aumen-
ta.
para amplificaciones mayores o iguales a 1.25 las LRM tienden a estabilizar-
se a medida que aumenta el valor de λ.
Para las LRM para procesos no degradados por variabilidad (A=1), con
K=2.75, R=4, respecto a λ y al desplazamiento D, para distintos tamaños de mues-
tra, se observa que:
la disminución de las LRM en estos casos, es más acentuada que en un proceso sin
desplazamiento, para cada valor de λ, al aumentar la amplificación.
cuando los procesos no presentan variabilidad (A=1), las LRM tienden a cre-
cer con el aumento de λ.
para amplificaciones mayores o iguales a 1.25, las LRM tienden a estabilizar-
se al aumentar λ.
Para las LRM de procesos sin degradación (D=0, A=1), con respecto a distin-
tos valores de λ y tamaños de muestra, se tiene que:
50
para una LRM dada, por ejemplo, LRM=170 tomar un valor de λ=0.25 y n=4,
es mejor desde el punto de vista práctico, que elegir un valor de λ=0.4 y n=7
para obtener la misma LRM.
Para las LRM de procesos con desplazamiento D=0.5 y sin degradación por
variabilidad (A=1), para distintos tamaños de muestra y valores de λ, se tiene que:
3.4 Ejemplo
51
Muestra X
1 20,11 19,99 19,98 20,00 20,00
2 20,01 19,98 20,05 20,00 20,00
3 20,03 20,01 19,99 20,01 20,01
4 20,02 20,01 19,99 20,05 20,02
5 20,01 20,02 19,97 19,98 20,02
6 19,97 20,01 19,99 20,06 20,02
7 19,98 20,00 20,01 20,01 19,97
8 19,99 20,07 20,00 20,01 20,03
9 19,98 20,01 19,98 20,01 20,03
10 19,99 20,01 20,05 19,98 20,02
11 19,95 20,01 20,07 19,98 20,03
12 20,01 20,03 19,95 19,97 20,04
13 20,01 19,99 19,97 19,96 20,04
14 19,99 20,05 20,11 19,90 20,02
15 20,03 20,01 20,01 19,95 20,01
16 20,00 20,03 20,01 19,99 19,98
17 20,00 20,02 20,00 20,00 19,98
18 19,98 19,95 20,01 20,07 19,98
19 19,98 20,01 20,03 20,05 19,98
20 19,98 20,01 19,99 19,97 19,98
Tabla 3.4.2 Estadísticos y límites para el esquema MEMPE con =0.25, K=2,5 y R=4
Zt
0,5
0,4
0,3
0,2
0,1
0
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20
-0,1
-0,2
-0,3
-0,4
-0,5
53
Wt
2,5
1,5
0,5
0
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20
Fig 3.4.2
Control MEMPE para la varianza con =0.25, R=4
En la Fig 3.4.1, si bien el proceso en todo momento está bajo control, se pue-
de apreciar claramente que a partir de la muestra 5 en adelante se inicia un despla-
zamiento sostenido del valor medio del proceso hacia la tolerancia inferior, en este
caso, los ingenieros del proceso deben determinar la o las posibles causas que pro-
ducen esta degradación. Sin embargo, en la Fig 3.4.2, de las medias de los pesos,
no es posible detectar que el proceso se está degradando hacia la tolerancia inferior.
20,03
20,02
20,02
20,01
20,01
20,00
20,00
19,99
19,99
19,98
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20
54
CAPÍTULO IV
4 MEMPE Multivariable
Sea X T X ,..., X ,..., X
~ 1 ~ j ~ n
una n-muestra, X es una matriz pxn, X
T
~ j
vector
X ~ j
n
X X X X
~ j ~
T
~ j ~
X
j 1
y matriz de dispersión S j 1
~
n n 1
T M1 M0 n V 1 X
~ ~
~
55
obtenida basada en el logaritmo neperiano de la razón de verosimilitudes.
m0 x m1x x
M , M , X
m m
~ 0
0y
~ 1
1y
~
y
2x x y 1 2y x y
V V 1
x y y
2
(1 ) 2 x 2 y
2
x y
2 x
2y x y x
T
n
m1x m0 x m1y m0 y
2 x y
(1 2 ) 2 x 2 y x y
por tanto
T t
m E(T ) M1 M0 n V 1 M y 2
0 V(T ) M1 M0 n2 V 1 M M
~ ~
~ ~ ~
~ 1 ~ 0
se tiene que
56
T
T
T
T M1 M 0 n V X ~ N M1 M 0 n V M , M1 M 0 n V 1 M1 M 0
1
1
~ ~ ~
~ ~ ~ ~ ~ ~ ~
sean
T
m0 E(T / M M ) M1 M 0 n V 1 M
~ ~ 0 ~ ~ ~ 0
m1 E(T / M M ) M1 M0 n V 1 M
~ ~ 1 ~ ~
~ 1
T T
M M n V 1 M M M M n V 1 M M
m m0 0 0 1 0 ~ 0
D ~
1
~ ~
~
~ ~ ~ por
0 T n V M M
1/ 2
DL
M M
~ 1 ~0
2 1
0
~ ~
1
tanto, D puede interpretarse como la fracción que el descentramiento real trans-
formado representa respecto al crítico.
57
T T T
1 1
M1 M 0 n V X M1 M0 n V 1 M0 M1 M0 n V X M0
T t m0 ~ ~ t ~ ~ ~ t ~ luego,
Yt ~ ~ ~
~
0 T
1/ 2
nDL
2 1
M1 M0 n V M1 M 0
~ ~ ~ ~
T
M M V 1 X t M
1 0 ~ 0
Yt ~ ~ ~
4.1.1
DL
por tanto
T T
1 1
M1 M0 V E X t M0 M1 M0 V M M0
E(Yt ) ~ ~ ~ ~
~ ~ ~ ~
D 4.1.2
DL DL
T V 1 V V 1 M M T
M M 0 0 M1 M0 V 1 M1 M0
Var ( Yt ) 2 ~ ~ ~ ~
1 1
n
1
1 ~ ~ ~ ~
T
DL DL n M M V 1 M M
~ 1 ~ 0 ~ 1 ~ 0
1
Var ( Yt ) 4.1.3
n
T 1
M~ 1 M~ 0 V X~ t M~ 0
Zt (1 ) Z t 1 ,0 1 4.1.4
DL
58
T 1
M1 M0 V X t M0
Z t (1 ) t j ~ ~ ~ ~
t
(1 ) Z 0
t
j 1 DL
= M , se define
~ 0
T
M M V 1 M M
1 0 0 0
Z0 ~ ~ ~ ~
0
DL
T 1
M1 M0 V X t M0
E( Z t ) (1 ) t j E ~ ~ ~ ~
t
(1 ) E( Z 0 )
t
j 1 DL
luego
E(Z t ) 1 (1 )t D 4.1.5
A su vez,
T 1
M1 M0 V X t M0
Var ( Z t ) 2 (1 ) 2( t j ) Var ~ ~ ~ ~
t
(1 ) Var ( Z 0 )
2t
j 1 DL lue-
2 1 (1 ) 1
2t
(2 ) n
go
59
1 (1 2 t ) 1
Var ( Z t ) 4.1.6
2 n
1 (1 2 t ) 1
L M K Z K 4.1.7
2 n
trV 1 (n 1)S t
Qt
p(n 1)
2x x S2 x RS x S y
como V y
y
S
x y
2y RS x S y S 2 y
60
luego
1 2 x S 2 x x yRS x S y 2 yRS x S y x y S 2 y
V S1
2
(1 ) 2 x 2 y
2 xRS S S 2 x 2 x S 2 y x yRS x S y
x y x y
n 1 S 2 x S S y S2 y
tr( V 1 (n 1)S) 2
2 R x 2
y
1 x 2
x y
1 S2 x S S y S 2 y
Qt 2 R x 2
2
p(1 ) x x y y
2
tr( V 1 (n 1)S t )
Etr( A 2 A 2 V 1 (n 1)S t )
1
E(Q t ) E
p( n 1) p(n 1)
A
Etr( A 2 V 1 (n 1)S t )
2
p(n 1)
A2
tr( V 1 (n 1)S t )
Var tr( A 2 A 2 V 1 (n 1)S t )
1
Var (Q t ) Var 2
p(n 1) p (n 1)
2
A4 2
2 Var tr( A V (n 1)S t )
2 1
p (n 1)
2A 4
p(n 1)
bajo H0 se considera que el proceso no tiene amplificación, es decir, A 2=1 por tan-
to :
61
2
E(Q t ) 1 y Var (Q t )
p(n 1)
tr( V 1 (n 1)S t )
Wt (1 )Wt 1 4.2.1
p ( n 1)
t tr( V 1 (n 1)S j )
Wt (1 ) t j
(1 ) W0
t
j 1
p(n 1)
t tr( V 1 (n 1)S j )
E( Wt ) (1 ) E t j
(1 ) E( W0 )
t
j 1
p(n 1)
1 (1 ) A (1 )
t 2 t
E( Wt ) 1 4.2.2
t tr (V 1 ( n 1)S j )
Var ( W t ) ( 1 )
2 2( t j )
Var ( 1 ) Var ( W 0 )
2t
j 1 p( n 1)
1 ( 1 ) 2 A
2t 4
2 2
1 ( 1 ) p( n 1)
1 (1 ) 2 t 2
Var ( Wt ) p(n 1) 4.2.3
2
1 (1 ) 2 t 2
LS 1 R p(n 1)
4.2.4
2
En las Tablas 4.3.1a,b,c, n=3, p=2, K=3.5, R=6, para distintos valores de ,
D y A se observa que:
para los procesos sin degradación (D=0, A=1), las LRM decrecen al au-
mentar , ya que un valor extremo lo toma como señal de fuera de control
63
tanto más pronto cuanto mayor es .
en procesos sin degradación por variabilidad, para cada valor de las LRM
decrecen al aumentar el desplazamiento.
para la misma situación del punto anterior, para desplazamientos mayores
o iguales a 0.50 las LRM tienden a crecer a medida que aumenta, debi-
do a que el intervalo definido por los límites de control aumenta.
para un determinado valor de las LRM decrecen al aumentar el despla-
zamiento.
en un proceso sin desplazamiento, para un determinado valor de las LRM
decrecen al aumentar la variabilidad.
en procesos degradados mientras mayor sean el desplazamiento y la am-
plificación, las LRM tienden a estabilizarse independientemente del valor de
que se elija.
en estos procesos degradados, si el desplazamiento y la amplificación son
pequeños las LRM tienden a crecer con el aumento de .
64
n=3, p=2 =0.10 =0.25 =0.50 =0.75 =0.90
D A LRM LRM LRM LRH LRH
0 1 4398.85 2801. 43 2357.43 1744.09 1351.46
0.5 1 17.50 24.36 57.04 128.32 177.15
1 1 4.69 5.00 6.70 11.55 18.11
1.5 1 2.52 2.47 2.57 3.28 4.11
2 1 1. 59 1. 61 1. 63 1. 76 1. 88
65
n=4, p=2 =0.10 =0.25 =0.50 =0.75 =0.90
D A LRM LRM LRM LRM LRM
0 1 4198.64 2877.47 2776.93 2905.55 2689.93
0.5 1 13.09 16.31 34.66 75.79 128.12
1 1 3.72 3.87 4.43 6.83 10.88
1.5 1 1.93 2.02 2.11 2.33 2.67
2 1 1. 2 1.33 1.34 1.34 1.48
66
n=4, p=3 =0.10 =0.25 =0.50 =0.75 A.=0.90
D A LRM LRM LRM LRM LRM
0 1 4022.10 2993.74 2938.91 3681.20 3719.81
0.5 1 12.94 16.82 34.26 86.01 128.54
1 1 3.78 3.82 4.57 6.98 10.97
1.5 1 1.97 1.97 2.03 2.23 2.73
2 1 1.34 1.31 1.32 1.37 1.38
67
n=5, p=2 =0.10 =0.25 =0.50 =0.75 =0.90
D A LRM LRM LRM LRM LRM
0 1 4159.42 3026.24 3020.90 3502.98 3682.34
0.5 1 10.28 12.61 24.64 55.77 90.25
1 1 3.05 3.13 3.63 4.86 6.84
1.5 1 1.62 1.67 1.73 1.89 2.05
2 1 1.16 1.17 1.21 1.19 1.20
68
n=5, p=3 =0.10 =0.25 =0.50 =0.75 =0.90
D A LRM LRM LRM LRM LRM
0 1 4573.46 2942.54 2914.35 3689.91 3888.32
0.5 1 10.49 12.31 24.77 57.60 93.65
1 1 3.05 3.11 3.76 5.10 7.19
1.5 1 1.66 1.65 1.69 1.79 2.07
2 1 1.15 1.16 1.16 1.18 1.19
p=2 =0.10
LRM LRM LRM
D A
n=3 n=4 n=5
0 1 1398.85 4198.64 4159.42
0 1.25 65.76 42.10 31.06
0 1.5 7.61 7.73 5.89
0 2 2.72 2.21 1.99
0.5 1 17.50 13.09 10.28
1 1 4.69 3.72 3.05
1.5 1 2.52 1.93 1.62
2 1 1.59 1.32 1.16
70
p=2 =0.25
LRM LRM LRM
D A
n=3 n=4 n=5
0 1 2801.43 2877.47 3026.24
0 1.25 72.90 54.15 45.43
0 1.5 7.68 7.62 6.23
0 2 2.63 2.05 1. 92
0.5 1 24.36 16.31 12.61
1 1 5.00 3.87 3.13
1.5 1 2.47 2.02 1. 67
2 1 1. 61 1.33 1.17
71
n=3, p=2
0.03 0.05 0.10 0.20 0.25 0.50 0.75 0.90
D A LRM LRM LRM LRM LRM LRM LRM LRM
0 0.75 945.9 639.9 346.4 219.0 194.5 131.7 98.4 100.8
1 1 33.4 32.6 33.0 37.1 38.3 46.8 55.7 61.6
0.25 1 10.1 9.7 9.8 10.3 10.7 14.7 20.2 24.4
1 1 5.2 5.0 4.8 5.0 5.2 5.9 7.5 10.7
0.5 1.25 3.1 3.1 3.2 3.2 3.2 3.5 4.5 5.2
1 1 2.3 2.3 2.3 2.2 2.3 2.4 2.8 3.2
n=3, p=2
0.03 0.05 0.10 0.20 0.25 0.50 0.75 0.90
D A LRM LRM LRM LRM LRM LRM LRM LRM
0 1 945.9 639.9 346.4 219.0 194.5 131.7 98.4 100.8
0 1.25 19.0 18.0 17.1 16.2 15.5 13.9 13.9 13.2
0 1.5 4.8 5.2 4.8 4.7 4.8 4.4 4.5 4.3
0 1.75 2.8 2.8 2.8 2.6 2.6 2.6 2.7 2.6
n=3, p=2
0.03 0.05 0.10 0.20 0.25 0.50 0.75 0.90
D A LRM LRM LRM LRM LRM LRM LRM LRM
0.25 1 33.4 32.6 33.0 37.1 38.3 46.8 55.7 61.6
0.25 1.25 14.5 13.5 12.1 12.0 12.0 11.2 11. 5 11.4
0.25 1.5 4.9 4.9 4.7 4.4 4.3 4.2 4.2 3.7
0.25 1.75 2.6 2.8 2.7 2.6 2.6 2.5 2.5 2.6
0.5 1 10.1 9.7 9.8 10.3 10.7 14.7 20.2 24.4
0.5 1.25 7.5 7.7 7.2 6.6 7.0 7.1 8.0 8.4
0.5 1.5 3.9 3.8 3.8 3.6 3.6 3.4 3.5 3.5
0.5 1.75 2.5 2.4 2.4 2.5 2.5 2.4 2.3 2.5
0.75 1 5.2 5.0 4.8 5.0 5.2 5.9 7.5 10.7
0.75 1.25 4.4 4.6 4.4 4.4 4.3 4.5 4.9 5.8
0.75 1.5 3.2 3.1 3.0 2.9 2.9 2.9 3.1 2.9
0.75 1.75 2.2 2.3 2.3 2.1 2.1 2.2 2.1 2.2
72
1 1 3.1 3.1 3.2 3.2 3.2 3.5 4.5 5.2
1 1.25 3.0 3.0 3.0 3.0 3.0 3.1 3.4 3.6
1 1.5 2.5 2.4 2.4 2.3 2.4 2.5 2.4 2.4
1 1.75 2.0 2.0 2.0 1.9 1.9 1.9 1.9 2.1
1.25 1 2.3 2.3 2.3 2.2 2.3 2.4 2.8 3.2
1.25 1.25 2.3 2.3 2.2 2.2 2.3 2.3 2.5 2.6
1.25 1.5 2.1 2.1 2.0 2.0 1.9 2.0 2.0 2.0
1.25 1.75 1.8 1.8 1.8 1.8 1.8 1.7 1.8 1.8
n=4, p=2
0.03 0.05 0.10 0.20 0.25 0.50 0.75 0.90
D A LRM LRM LRM LRM LRM LRM LRM LRM
0 1 1002.2 608.6 372.8 225.8 199.5 149.5 119.5 101.1
0.25 1 25.9 25.6 25.7 29.7 30.3 42.1 53.5 55.3
0.5 1 7.8 7.9 7.6 8.0 7.9 10.8 15.8 20.0
0.75 1 4.1 4.0 3.9 4.0 4.1 4.6 5.9 7.3
1 1 2.6 2.6 2.5 2.5 2.6 2.8 3.2 3.8
1.25 1 1.9 1.8 1.8 1.9 1.9 1.9 2.1 2.3
n=4
73
n=4, p=2
0.03 0.05 0.10 0.20 0.25 0.50 0.75 0.90
D A LRM LRM LRM LRM LRM LRM LRM LRM
0.25 1 25.9 25.6 25.7 29.7 30.3 42.1 53.5 55.3
0.25 1.25 10.4 10.5 10.1 9.9 9.2 10.0 9.8 10.7
0.25 1.5 3.7 3.5 3.8 3.4 3.5 3.5 3.8 3.8
0.25 1.75 2.2 2.1 2.0 2.1 2.1 2.0 2.1 2.1
0.5 1 7.8 7.9 7.6 8.0 7.9 10.8 15.8 20.0
0.5 1.25 6.1 6.4 5.8 5.9 5.1 5.9 6.5 7.3
0.5 1.5 3.3 3.2 3.1 2.9 3.0 2.9 3.1 3.3
0.5 1.75 2.0 2.0 1.9 1.9 1.9 1.9 1.9 2.0
0.75 1 4.1 4.0 3.9 4.0 4.1 4.6 5.9 7.3
0.75 1.25 3.7 3.7 3.6 3.5 3.5 3.8 4.1 4.6
0.75 1.5 2.6 2.5 2.5 2.6 2.4 2.5 2.6 2.8
0.75 1.75 1.8 1.9 1.8 1.8 1.8 1.8 1.8 1.8
1 1 2.6 2.6 2.5 2.5 2.6 2.8 3.2 3.8
1 1.25 2.6 2.4 2.5 2.5 2.5 2.6 2.8 3.2
1 1.5 2.1 2.1 2.0 2.1 2.0 2.0 2.1 2.2
1 1.75 1.6 1.6 1.6 1.7 1.6 1.6 1.6 1.7
1.25 1 1.9 1.8 1.8 1.9 1.9 1.9 2.1 2.3
1.25 1.25 1.9 1.9 1.9 1.8 1.8 1.9 2.0 2.1
1.25 1.5 1.7 1.7 1.7 1.7 1.7 1.7 1.7 1.7
1.25 1.75 1.4 1.3 1.4 1.4 1.3 1.3 1.4 1.4
n=4, p=3
0.03 0.05 0.10 0.20 0.25 0.50 0.75 0.90
D A LRM LRM LRM LRM LRM LRM LRM LRM
0 1 938.7 651.2 397.5 245.0 222.4 161.2 149.0 145.6
0.25 1 26.7 26.1 27.4 29.5 29.9 42.4 54.4 65.4
0.5 1 7.7 7.8 7.9 7.8 8.1 10.1 15.5 19.5
0.75 1 4.0 4.0 4.0 3.9 4.0 4.6 6.0 7.8
1 1 2.6 2.6 2.5 2.6 2.6 2.8 3.1 3.7
1.25 1 1.9 1.8 1.8 1.8 1.8 1.9 2.0 2.2
74
n=4, p=3
0.03 0.05 0.10 0.20 0.25 0.50 0.75 0.90
D A LRM LRM LRM LRM LRM LRM LRM LRM
0 1 938.7 651.2 397.5 245.0 222.4 161.2 149.0 145.6
0 1.25 9.7 10.1 9.4 9.4 9.9 10.5 11.2 12.7
0 1.5 3.0 3.2 3.0 3.0 3.0 3.1 3.2 3.3
0 1.75 1.7 1.7 1.7 1.7 1.7 1.7 1.7 1.8
n=4, p=3
0.03 0.05 0.10 0.20 0.25 0.50 0.75 0.90
D A LRM LRM LRM LRM LRM LRM LRM LRM
0.25 1 26.7 26.1 27.4 29.5 29.9 42.4 54.4 65.4
0.25 1.25 8.4 8.5 8.1 8.0 8.0 8.6 9.4 10.6
0.25 1.5 3.0 2.9 2.9 2.9 2.9 2.9 3.0 3.2
0.25 1.75 1.7 1.6 1.7 1.7 1.7 1.7 1.7 1.7
0.5 1 7.7 7.8 7.9 7.8 8.1 10.1 15.5 19.5
0.5 1.25 5.7 5.4 5.3 5.3 5.3 5.4 6.1 7.4
0.5 1.5 2.6 2.6 2.7 2.6 2.6 2.6 2.8 3.0
0.5 1.75 1.7 1.6 1.6 1.6 1.7 1.6 1.7 1.7
0.75 1 4.0 4.0 4.0 3.9 4.0 4.6 6.0 7.8
0.75 1.25 3.6 3.6 3.4 3.4 3.5 3.6 3.7 4.4
0.75 1.5 2.3 2.2 2.3 2.3 2.2 2.3 2.4 2.4
0.75 1.75 1.6 1.6 1.6 1.6 1.5 1.5 1.5 1.6
1 1 2.6 2.6 2.5 2.6 2.6 2.8 3.1 3.7
1 1.25 2.5 2.5 2.4 2.6 2.4 2.5 2.6 2.9
1 1.5 2.0 1.9 1.9 1.9 2.0 1.9 2.1 2.0
1 1.75 1.4 1.5 1.4 1.5 1.5 1.5 1.5 1.4
1.25 1 1.9 ] .8 1.8 1.8 1.8 1.9 2.0 2.2
1.25 1.25 1.9 1.9 1.9 1.8 1.8 1.9 2.0 2.1
1.25 1.5 1.7 1.7 1.7 1.7 1.7 1.7 1.7 1.7
1.25 1.75 1.4 1.3 1.4 1.4 1.3 1.3 1.4 1.4
Tabla 4.3.9.c LRM para distintos D, A y , K=2.75, R=4
75
n=5, p=2
0.03 0.05 0.10 0.20 0.25 0.50 0.75 0.90
D A LRM LRM LRM LRM LRM LRM LRM LRM
0 1 955.6 656.6 355.7 246.7 218.8 155.2 142.9 136.4
0.25 1 21.3 21.2 21.4 21.7 25.0 34.1 48.3 55.8
0.5 1 6.7 6.6 6.6 6.9 6.8 8.6 11.6 14.9
0.75 1 3.4 3.4 3.3 3.3 3.4 3.8 4.7 6.0
1 1 2.1 2.2 2.2 2.2 2.2 2.3 2.5 2.9
1.25 1 1.6 1.6 1.6 1.6 1.6 1.7 1.7 1.8
Tabla 4.3.10.a LRM para distintos D y , A=1, K=2.75, R=4
n=5, p=2
0.03 0.05 0.10 0.20 0.25 0.50 0.75 0.90
D A LRM LRM LRM LRM LRM LRM LRM LRM
0 1 955.6 656.6 355.7 246.7 218.8 155.2 142.9 136.4
0 1.25 11.0 11.0 11.0 10.5 11. 1 11. 1 11.4 12.5
0 1.5 3.4 3.2 3.3 3.1 3.2 3.2 3.6 3.6
0 1.75 1.7 1.7 1.7 1.7 1.6 1.6 1.7 1.8
n=5, p=2
0.03 0.05 0.10 0.20 0.25 0.50 0.75 0.90
D A LRM LRM LRM LRM LRM LRM LRM LRM
0.25 1 21.3 21.2 21.4 21.7 25.0 34.1 48.3 55.8
0.25 1.25 8.9 8.8 8.5 8.0 9.0 8.1 9.1 11.0
0.25 1.5 3.1 3.1 3.1 3.0 3.1 3.0 3.1 3.3
0.25 1.75 1.8 1.7 1.8 1.7 1.7 1.7 1.8 1.8
0.5 1 6.7 6.6 6.6 6.9 6.8 8.6 11.6 14.9
0.5 1.25 5.2 5.1 5.0 4.8 4.4 5.0 5.8 6.5
0.5 1.5 2.6 2.8 2.9 2.7 2.6 2.6 2.7 3.0
0.5 1.75 1.6 1.7 1.7 1.6 1.6 1.7 1.7 1.6
0.75 1 3.4 3.4 3.3 3.3 3.4 3.8 4.7 6.0
0.75 1.25 3.2 3.2 3.0 3.0 3.0 3.1 3.5 4.0
0.75 1.5 2.3 2.2 2.2 2.2 2.2 2.2 2.3 2.4
0.75 1.75 1.5 1.6 1.5 1.6 1.6 1.5 1.6 1.6
76
1 1 2.1. 2.2 2.2 2.2 2.2 2.3 2.5 2.9
1 1.25 2.1 2.1 2.2 2.1 2.1 2.2 2.3 2.5
1 1.5 1.8 1.8 1.8 1.9 1.8 1.8 1.9 2.0
1 1.75 1.4 1.4 1.4 1.4 1.4 1.4 1.5 1.4
1.25 1 1.6 1.6 1.6 1.6 1.6 1.7 1.7 1.8
1.25 1.25 1.6 1.6 1.6 1.6 1.6 1.7 1.7 1.8
1.25 1.5 1.5 1.5 1.5 1.5 1.5 1.5 1.6 1.6
1.25 1.75 1.3 1.3 1.3 1.3 1.3 1.3 1.3 1.3
n=5, p=3
0.03 0.05 0.10 0.20 0.25 0.50 0.75 0.90
D A LRM LRM LRM LRM LRM LRM LRM LRM
0 1 1025.1 642.0 398.9 253.9 224.9 169.8 156.9 162.5
0.25 1 21.6 20.7 21.6 24.7 23.8 33.5 47.3 57.1
0.5 1 6.3 6.6 6.7 6.7 6.8 8.0 12.6 15.4
0.75 1 3,4 3.3 3.3 3.4 3.3 3.9 4.7 5.8
1 1 2:2 2.2 2.2 2.2 2.1 2.3 2.6 3.0
1.25 1 1.6 1.6 1.6 1.6 1.6 1.6 1.7 1.8
n=5, p=3
0.03 0.05 0.10 0.20 0.25 0.50 0.75 0.90
D A LRM LRM LRM LRM LRM LRM LRM LRM
0 1 1025.1 642.0 398.9 253.9 224.9 169.8 156.9 162.5
0 1.25 8.2 8.3 8.0 8.1 8.0 8.7 9.5 10.2
0 1.5 2.6 2.5 2.5 2.5 2.5 2.5 2.6 2.8
0 1.75 1.5 1.6 1.5 1.5 1.5 1.5 1.5 1.5
77
n=5, p=3
0.03 0.05 0.10 0.20 0.25 0.50 0.75 0.90
D A LRM LRM LRM LRM LRM LRM LRM LRM
0.25 1 21.6 20.7 21.6 24.7 23.8 33.5 47.3 57.1
0.25 1.25 6.8 7.1 6.8 6.6 6.5 7.1 8.2 9.5
0.25 1.5 2.4 2.5 2.4 2.4 2.4 2.5 2.6 2.6
0.25 1.75 1.5 1.5 1.5 1.5 1.5 1.5 1.5 1.5
0.5 1 6.3 6.6 6.7 6.7 6.8 8.0 12.6 15.4
0.5 1.25 4.7 4.6 4.6 4.4 4.3 4.8 5.3 6.2
0.5 1.5 2.3 2.2 2.2 2.2 2.1 2.2 2.4 2.5
0.5 1.75 1.5 1.4 1.4 1.4 1.5 1.5 1.5 1.5
0.75 1 3.4 3.3 3.3 3.4 3.3 3.9 4.7 5.8
0.75 1.25 3.1 3.0 2.9 2.9 3.1 3.0 3.4 3.7
0.75 1.5 1.9 2.0 1.9 1.9 1.9 1.9 1.9 2.1
0.75 1.75 1.4 1.4 1.4 1.4 1.4 1.4 1.4 1.4
1 1 2.2 2.2 2.2 2.2 2.1 2.3 2.6 3.0
1 1.25 2.2 2.1 2.1 2.1 2.1 2.1 2.4 2.5
1 1.5 1.7 1.7 1.6 1.7 1.7 1.7 1.7 1.7
1 1.75 1.3 1.3 1.3 1.3 1.3 1.3 1.3 1.3
1.25 1 1.6 1.6 1.6 1.6 1.6 1.6 1.7 1.8
1.25 1.5 1.7 1.6 1.7 1.7 1.6 1.6 1.8 1.8
1.25 1.5 1.4 1.4 1.4 1.5 1.4 1.4 1.5 1.5
1.25 1.75 1.2 1.2 1.3 1.2 1.2 1.2 1.2 1.2
n=5, p=4
0.03 0.05 0.10 0.20 0.25 0.50 0.75 0.90
D A LRM IJRM LRM LRM LRM LRM LRM LRM
0 1 950.7 666.1 395.5 253.5 250.1 161.9 164.8 163.5
0.25 1 21.7 21.2 20.9 24.0 24.0 36.0 48.8 59.8
0.5 1 6.5 6.7 6.6 6.6 6.8 8.4 11.8 15.2
0.75 1 3.4 3.4 3.4 3.3 3.4 3.8 4.6 5.7
1 1 2.2 2.2 2.2 2.2 2.1 2.3 2.6 2.8
1.25 1 1.6 1.6 1.6 1.6 1.6 1.6 1.7 1.8
78
Tabla 4.3.12.a LRM para distintos D y , A=1, K=2.75, R=4
n=5, p=4
0.03 0.05 0.10 0.20 0.25 0.50 0.75 0.90
D A LRM LRM LRM LRM LRM LRM LRM LRM
0 1 950.7 666.1 395.5 253.5 250.1 161.9 164.8 163.5
0 1.25 6.7 6.1 6.1 6.2 6.3 7.1 8.5 8.1
0 1.5 2.1 2.1 2.0 2.1 2.1 2.0 2.2 2.4
0 1.75 1.3 1.3 1.3 1.3 1.4 1.3 1.3 1.4
n=5, p=4
0.03 0.05 0.10 0.20 0.25 0.50 0.75 0.90
D A LRM LRM LRM LRM LRM LRM LRM LRM
0.25 1 21.7 21.2 20.9 24.0 24.0 36.0 48.8 59.8
0.25 1.25 5.6 5.5 5.5 5.3 5.6 6.0 7.0 7.1
0.25 1.5 2.0 2.0 2.0 2.0 2.0 2.0 2.1 2.1
0.25 1.75 1.4 1.3 1.3 1.3 1.3 1.3 1.3 1.3
0.5 1 6.5 6.7 6.6 6.6 6.8 8.4 11.8 15.2
0.5 1.25 4.3 1.1 4.0 3.9 3.9 4.2 4.6 5.4
0.5 1.5 1.9 1.9 1.8 1.9 1.9 1.9 1.9 2.0
0.5 1.75 1.3 1.3 1.3 1.3 1.3 1.3 1.3 1.3
0.75 1 3.4 3.4 3.4 3.3 3.4 3.8 4.6 5.7
0.75 1.25 2.7 2.7 2.9 2.8 2.8 2.8 3.2 3.4
0.75 1.5 1.7 1.8 1.7 1.7 1.7 1.7 1.8 1.8
0.75 1.75 1.3 1.3 1.2 1.2 1.3 1.2 1.2 1.3
1 1 2.2 2.2 2.2 2.2 2.1 2.3 2.6 2.8
1 1. 25 2.0 2.1 2.0 2.0 2.0 2.0 2.3 2.4
1 1.5 1.6 1.6 1.5 1.5 1.5 1.5 1.5 1.6
1 1. 75 1.2 1.2 1.2 1.3 1.2 1.2 1.2 1.2
1.25 1 1.6 1.6 1.6 1.6 1.6 1.7 1.7 1.8
1.25 1.25 1.6 1.6 1.5 1.6 1.6 1.6 1.7 1.8
1.25 1.5 1.4 1.4 1.4 1.3 1.4 1.4 1.4 1.4
1.25 1.75 1.2 1.2 1.2 1.2 1.2 1.2 1.2 1.2
79
CAPÍTULO V
Sea cual sea el esquema para establecer el control, el usuario debe selec-
cionar el tamaño de muestra, n, los valores de desplazamiento y amplificación res-
pecto de los cuales quiere protección, y dependiendo de cual sea la capacidad de
calidad de su proceso, llevará implícito un determinado valor de proporción defec-
tuosa contra la que se desea estar protegido.
m m0
D
0
TS TI
Cp TS TI 6Cp 0
6 0
luego
TS CT 3Cp 0 TS m0 3Cp 0
TI CT 3Cp 0 TI m0 3Cp 0
m CT D 0 m m0 D 0
80
0 A 2 0
pi ps
TI CT=m0 m TS
TS m m 0 3Cp 0 m 0 D 0 3Cp D
zs
A 0 A 0 A A
TI m m0 3Cp 0 m0 D 0 3C D
zi p
A 0 A 0 A A
Cp=0.833
D A=1.0 A=1.25 A=1.5 A=2.0
0 0.01242 0.04550 0.09558 0.21130
0.5 0.02410 0.06300 0.11396 0.22546
1 0.06704 0.11762 0.16847 0.26669
1.5 0.15869 0.21254 0.25632 0.33129
2 0.30856 0.34474 0.37079 0.41352
81
Cp=1
D A=1.0 A=1.25 A=1.5 A=2.0
0 0.00270 0.01640 0.04550 0.13361
0.5 0.00644 0.02164 0.05761 0.14571
1 0.02278 0.05549 0.09504 1.18141
1.5 0.06681 0.11523 0.16001 1.23885
2 0.15866 0.21189 0.25292 0.31475
Cp=1.166
D A=1.0 A=1.25 A=1.5 A=2.0
0 0.00046 0.00511 0.01963 0.08012
0.5 0.00138 0.00888 0.02658 0.08956
1 0.00621 0.02291 0.04914 0.11787
1.5 0.02275 0.05483 0.09164 0.16486
2 0.06681 0.11507 0.15878 0.22961
Cp=1.333
D A=1.0 A=1.25 A=1.5 A=2.0
0 0.00006 0.00137 0.00766 0.04550
0.5 0.00024 0.00271 0.01117 0.05228
1 0.00135 0.00823 0.02318 0.07302
1.5 0.00621 0.02276 0.04791 0.10863
2 0.02275 0.05480 0.09124 0.16001
82
5.2 Probabilidad de señal global y LRM por el método de Shewhart
D p LRM p LRM
D p LRM p LRM
0 0.17280 5.79 0.49 2.01
0.5 0.23821 4.20 0.53614 1.87
1 0.44817 2.23 0.54196 1.56
1.5 0.72307 1.38 0.77656 1.29
2 0.90857 1.10 0.88925 1.12
83
5.3 LRM global de Shewhart, SUMAC y MEMPE
84
DL=0.5 AL=1.25 A=1 n=4
D 0 0.25 0.50 1.0 1.5 2.0
LRM SHEW 166.84 80.58 21.90 2.99 1.26 1.02
HM HS LRM (SUMAC)
1 4 12.14 6.62 3.09 1.40 1.06 1.01
5 4 90.21 69.90 9.99 3.82 2.50 1.99
3 6 578.87 33.49 7.24 2.67 1.77 1.29
5 6 1277.73 82.67 10.78 3.95 2.56 2.01
1 10 14.85 7.04 3.15 1.42 1.07 1.01
3 10 1181.64 36.38 7.25 2.73 1.73 1.31
5 10 2651.31 88.90 11.54 3.97 2.60 2.02
LRM (MEMPE) K=3.5 R=6
0.10 4315.86 62.73 12.72 3.69 1.98 1.33
0.25 2640.04 124.58 16.09 3.86 1.95 1.35
0.50 1997.50 259.88 34.76 4.53 2.03 1.35
0.75 1301.28 439.25 78.75 7.23 2.35 1.38
0.90 1418.56 633.99 123.29 10.73 2.73 1.42
LRM (MEMPE) K=2.75 R=4
0.10 350.11 25.24 7.64 2.62 1.47 1.11
0.25 171.94 30.03 8.20 2.53 1.45 1.11
0.50 121.83 35.78 11.07 2.75 1.47 1.09
0.75 100.93 48.58 14.74 3.11 1.54 1.13
0.90 98.90 61.36 16.69 3.91 1.59 1.11
LRM (MEMPE) K=2.75 R=3
0.10 200.46 24.04 7.35 2.50 1.45 1.12
0.25 97.09 26.79 8.25 2.50 1.46 1.11
0.50 67.17 30.15 10.02 2.72 1.50 1.12
0.75 50.76 33.24 12.83 3.16 1.49 1.10
0.90 47.20 34.74 16.19 3.66 1.56 1.12
PD (%) Cp=0.833 1.24 1.52 2.41 6.70 15.87 30.85
Tabla 5.3.1 LRM de Shewhart, SUMAC y MEMPE, para distintos D, A, PD, Cp=0.8333, A=1, n=4
Tabla 5.3.2 LRM de Shewhart, SUMAC y MEMPE, para distintos D, A, PD, C=0.8333, A=1.25, n=4
87
se presentan procesos degradados por variabilidad y se estudia el comportamiento
de las LRM para distintos desplazamientos, se puede afirmar que:
con las excepciones del MEMPE K=2.75, R=4, λ=0.10 y el SUMAC HM=5,
HS=10, todos los demás MEMPE y SUMAC son más potentes que Shewhart
para detectar cambios en el desplazamiento inferiores a 1σ0.
para desplazamientos mayores a 1σ0 el método de Shewhart es más eficiente
que los MEMPE presentados. Se reitera que los procesos generalmente se
degradan en forma gradual, y por tanto, el esquema MEMPE detectará con
mayor facilidad estas degradaciones en sus inicios.
para desplazamientos mayores o iguales a 0.5σ0 las LRM del esquema
MEMPE tienden a estabilizarse independientemente del valor de λ que se eli-
ja.
para un mismo desplazamiento en este tipo de procesos las LRM del esque-
ma MEMPE tienden a disminuir con el aumento de λ. Esta tendencia es simi-
lar a la observada en la Tabla 5.3.1.
en esta situación específica, por tratarse de un proceso degradado, las LRM
tienden a decrecer con el aumento de λ, pues, mientras mayor sea λ, mayor
es el peso que le asignan los estadísticos del MEMPE a esta última observa-
ción, y como se trata de una observación degradada, los estadísticos sobre-
pasarán con mayor facilidad los límites de control disminuyendo así la LRM.
existen MEMPE más potentes que algún SUMAC para detectar estas degra-
daciones (por ejemplo: MEMPE K=2.75, R=3, λ=0.90 respecto a los SUMAC
HM=5 , HS=4 ; HM=5 , HS=6; HM=5 , HS=10 y HM=3 , HS=10. MEMPE
K=2.75, R=4, λ=0.90 respecto al SUMAC HM=5 , HS=10)
existen varios MEMPE y SUMAC que presentan un comportamiento similar
para detectar las degradaciones de estos procesos.
los SUMAC con HM=1 , HS=4 , y HM=1 , HS=10, son los más eficientes para
detectar cualquier desplazamiento, debiendo tenerse en cuenta que en este
caso, el proceso se encuentra degradado al tener una amplificación A=1.25.
al pie de la tabla se incluye la proporción defectuosa, PD, correspondiente a
cada desplazamiento, para una capacidad de calidad Cp=0.8333, con A=1.25.
89
te que cuando el proceso no está degradado, la LRM es muy pequeña, lo que
producirá un elevado número de falsas señales.
DL=0.5 AL=1.25
n=3 A=1 A=1.25
90
CAPÍTULO VI
Para determinar los valores de las LRM, sea cual fuere el procedimiento
de cálculo utilizado, se parte de un proceso degradado hasta un determinado pun-
to, representado por un desplazamiento D y una amplificación A, en el cual se
mantiene constantemente todo el tiempo que se precise hasta detectar una señal
de fuera de control.
91
sistemática de unas pautas de control deben enfrentarse a una degradación, si se
produce, muy pequeña pero sostenida.
σ2 0
m0
(i 1) i 1
Di i=1,2,3,...
25 25
92
por la velocidad de desplazamiento considerada, al crítico se llega en el octavo
período muestral.
Xi
1 n
X ij y S 2i
1 n
X ij X i 2 , n=5
n j 1 n 1 j 1
2
i D X X S
1 0.00 -0,20919 0,30386 -0,94935 0,05627 -0,80804 -0,32129 0,29433
2 0.04 0,55825 -0,89092 -1,37213 1,54899 -0,09186 -0,04953 1,34592
3 0.08 0,72446 0,48732 0,10207 0,64965 0,41522 0,47574 0,05888
4 0.12 2,21280 -0,58787 1,15394 0,56152 -1,91850 0,28438 2,54133
5 0.16 1,26214 -0,15815 1,72211 -0,19074 1,62557 0,85219 0,90785
6 0.20 0,47182 0,95213 1,76494 -0,09373 -0,58873 0,50128 0,83578
7 0.24 0,57864 -0,44186 1,36830 -1,20215 0,42224 0,14503 0,98014
8 0.28 0,06369 3,30768 0,72406 -0,45697 1,17271 0,96224 2,10591
8* 0.28 -1,16279 -0,18181 0,07880 0,14768 0,57358 -0,10891 0,42071
9 0.32 -1,06634 -0,82406 0,06685 -1,02262 -0,94259 -0,75775 0,22098
10 0.36 -0,67277 0,59276 -0,39706 0,09260 1,58150 0,23941 0,79620
11 0.40 0,16473 -0,10821 1,17412 2,15002 -0,98213 0,47971 1,46350
12 0.44 0,35056 -1,12726 0,80609 1,52741 0,92073 0,49551 0,99912
13 0.48 0,46555 0,92266 -0,36901 0,95667 2,26720 0,84862 0,91473
14 0.52 0,55628 2,59979 1,21360 2,22507 0,12419 1,34379 1,11968
14* 0.52 1,57570 -0,16077 0,27303 0,58313 1,01022 0,54705 0,61187
15 0.56 0,63662 0,20663 0,46744 1,60982 -2,07640 0,16881 1,85680
16 0.60 0,65208 0,28672 0,85416 1,01636 0,62465 0,68679 0,07544
17 0.64 0,92887 0,65226 1,33353 2,26342 1,15762 1,26714 0,37537
17* 0.64 -0,00395 0,75339 0,85892 0,11327 0,40296 0,37961 0,19001
18 0.68 0,90893 1,35281 -0,25285 1,66809 0,70096 0,87559 0,54020
19 0.72 0,81783 0,78959 1,31671 1,06117 -0,08753 0,77956 0,28031
20 0.76 1,27825 -0,17092 -0,65213 2,26899 0,62814 0,67047 1,34592
21 0.80 1,16426 0,59254 0,56676 1,70544 1,84743 1,17529 0,36071
93
21* 0.80 1,78649 -0,71960 1,64567 0,13667 1,78823 0,15823 2,37722
22 0.84 -0,17231 1,52105 0,86125 -0,91817 1,28645 0,51565 1,06339
23 0.88 0,21162 1,43987 1,82224 -0,15366 0,12011 0,68804 0,77741
24 0.92 0,53969 0,09359 -0,18733 0,39351 0,23807 0,21551 0,07861
25 0.96 -0,25849 0,14589 1,66228 -0,55565 1,84334 0,56747 1,23695
26 1.00 0,20689 1,93246 0,85749 0,11146 1,95907 1,01348 0,80680
26* 1.00 1,18810 1,08361 3,55195 1,85348 0,10229 1,55589 1,63603
2
Tabla 6.1.1 Desplazamientos, observaciones, medias y varianzas, para σ 0=1
x
MIS
MAS
S
CT
MAI
MII
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 t
SIS
SAS
95
Si se aplica un control de Shewhart con señales, como el sugerido por Capilla
y Romero (1991), el proceso se debe intervenir en la muestra 16 (siete puntos
seguidos por encima de la media). En el gráfico de la Fig 6.1.2 esta situación se
señala con una S, la cuenta de estos siete puntos se inicia a partir de la muestra
10. Está claro que este proceso, mejora la eficacia del método de Shewhart clási-
co, conduciendo en este caso, a detectar la degradación en la muestra número
16, la cual corresponde a una situación real de un desplazamiento igual a
15/25=0.6. En este caso ha transcurrido un tiempo de 16 – 8 = 8 períodos inter-
muestrales de fabricación fuera de los límites de aceptación sin que el sistema de
control lo haya detectado.
i D X X S2 Zt Lm Wt Ls
1 0 -0,209 0,3039 -0,949 0,0563 -0,808 -0,3213 0,2943 -0,016 ±0,056 0,965 1,141
2 0,04 0,5583 -0,891 -1,372 1,549 -0,092 -0,0495 1,3459 -0,018 ±0,077 0,984 1,195
3 0,08 0,7245 0,4873 0,1021 0,6497 0,4152 0,4757 0,0589 0,007 ±0,092 0,938 1,233
4 0,12 2,2128 -0,588 1,1539 0,5615 -1,919 0,2844 2,5413 0,021 ±0,104 1,018 1,263
5 0,16 1,2621 -0,158 1,7221 -0,191 1,6256 0,8522 0,9079 0,062 ±0,121 1,012 1,307
6 0,2 0,4718 0,9521 1,7649 -0,094 -0,589 0,5013 0,8358 0,084 ±0,128 1,003 1,324
7 0,24 0,5786 -0,442 1,3683 -1,202 0,4222 0,1450 0,9801 0,087 ±0,134 1,002 1,339
8 0,28 0,0637 3,3077 0,7241 -0,457 1,1727 0,9622 2,1059 0,131 ±0,139 1,057 1,352
9 0,32 -1,066 -0,824 0,0669 -1,023 -0,943 -0,7578 0,2210 0,087 ±0,147 1,016 1,373
10 0,36 -0,673 0,5928 -0,397 0,0926 1,5815 0,2394 0,7962 0,094 ±0,151 1,005 1,381
11 0,4 0,1647 -0,108 1,1741 2,15 -0,982 0,4797 1,4635 0,114 ±0,154 1,028 1,389
12 0,44 0,3506 -1,127 0,8061 1,5274 0,9207 0,4955 0,9991 0,133 ±0,156 1,026 1,395
13 0,48 0,4656 0,9227 -0,369 0,9567 2,2672 0,8486 0,9147 0,168 ±0,159 1,021 1,401
Tabla 6.1.2 Estadísticos y límites para la media y varianza con λ=0.05, K=2.5 y R=4
En la Fig 6.1.3a, el MEMPE con λ=0.05, K=2.5 para la media, se observa que
en la muestra 13 detecta que el proceso está fuera de control, situación bastante
mejor que el método de Shewhart y Shewhart con señales. En la Fig 6.1.3b, el
MEMPE con λ=0.05, R=4 para la de variabilidad, muestra un comportamiento
acorde con que ésta no cambia.
0,2
0,15
0,1
0,05
0
1 2 3 4 5 6 7 8 9 10 11 12 13
-0,05
-0,1
-0,15
-0,2
Wt
1,6
1,4
1,2
0,8
0,6
0,4
0,2
0
1 2 3 4 5 6 7 8 9 10 11 12 13
97
i D X X S2 Zt Lm Wt Ls
1 0 -0,209 0,3039 -0,949 0,0563 -0,808 -0,3213 0,2943 -0,080 ±0,280 0,824 1,707
2 0,04 0,5583 -0,891 -1,372 1,549 -0,092 -0,0495 1,3459 -0,073 ±0,349 0,954 1,884
3 0,08 0,7245 0,4873 0,1021 0,6497 0,4152 0,4757 0,0589 0,064 ±0,383 0,730 1,969
4 0,12 2,2128 -0,588 1,1539 0,5615 -1,919 0,2844 2,5413 0,119 ±0,401 1,183 2,014
5 0,16 1,2621 -0,158 1,7221 -0,191 1,6256 0,8522 0,9079 0,303 ±0,416 1,114 2,052
6 0,2 0,4718 0,9521 1,7649 -0,094 -0,589 0,5013 0,8358 0,352 ±0,419 1,045 2,059
7 0,24 0,5786 -0,442 1,3683 -1,202 0,4222 0,1450 0,9801 0,300 ±0,420 1,029 2,064
8 0,28 0,0637 3,3077 0,7241 -0,457 1,1727 0,9622 2,1059 0,466 ±0,421 1,298 2,066
Tabla 6.1.3 Estadísticos y límites para la media y varianza con λ=0.25, K=2.5 y R=4
En la Fig 6.1.4a, para un MEMPE con λ=0.25, K=2.5, R=4, al darle mayor pe-
so al último valor promedio que ingresa, como el proceso se está degradando ha-
cia la tolerancia superior, es posible detectar este desplazamiento en la muestra 8,
situación mejor que la obtenida en la Fig 6.1.3a.
Zt
0,6
0,5
0,4
0,3
0,2
0,1
0
1 2 3 4 5 6 7 8
-0,1
-0,2
-0,3
-0,4
-0,5
98
Wt
2,5
1,5
0,5
0
1 2 3 4 5 6 7 8
Ut Wt
0 0
0,075466 0,10622921
0,67621 0
1,085584 1,30164694
2,06277 0,96981713
2,689056 0,56591296
2,95909 0,30637314
4,046324 1,17260306
Tabla 6.1.4 Estadísticos SUMAC
99
Ut
4,5
3,5
2,5
1,5
0,5
0
1 2 3 4 5 6 7 8
Wt
0
1 2 3 4 5 6 7 8
100
miento de un proceso, y su eficiencia es similar. Se reitera en destacar, que de
todas maneras el esquema MEMPE es más versátil que el SUMAC y de una apli-
cación más sencilla.
Método i* D* t* p* (‰)
Shewhart 26 1 18 18.31
Shewhart
16 0.60 8 6.39
Con señales
MEMPE =0.05
13 0.48 5 4.71
K=2.5 R=4
MEMPE =0.25
8 0.28 0 2.84
K=2.5 R=4
SUMAC
8 0.28 0 2.84
HM=3 , HS=6
102
CAPÍTULO VII
Introducción
0
a)
b)
c)
d)
e)
Defectuoso TI CT TS Defectuoso
103
También, puede mantenerse centrado en CT, pero, presentar un aumen-
to en su variabilidad (d), lo cual genera un incremento en la proporción de de-
fectuosos, y, si además de aumentar la variabilidad se produce un desplaza-
miento, la proporción de defectuosos puede llegar a niveles inaceptables. Como
se verá, los métodos de control de calidad permiten vigilar una determinada ca-
racterística del comportamiento del proceso, logrando detectar ya sea los des-
plazamientos hacia las tolerancias TI ó TS, ó los aumentos de variabilidad.
TS TI
Cp
6
que permite medir, cuantas unidades de 6 están contenidas en el intervalo de
tolerancias definido para el producto.
a) b)
TI TS TI TS
6
6
c)
TI TS
6
104
En la Fig 7.1.1a, como 6σ está contenida más de una vez entre toleran-
cias, el índice de variabilidad Cp será mayor a 1, lo que implica que el proceso
produce una proporción de piezas defectuosas inferior al 2‰. En la Fig 7.1.1b,
Cp es inferior a 1, por tanto, la proporción de piezas defectuosas que se fabrica-
rá será superior al 2‰. En la Fig 7.1.1c, aunque el Cp sería bastante superior a
1, claramente, la proporción de piezas defectuosas tendrá valores inaceptables,
dado el desplazamiento que muestra el proceso, por ello, el índice Cp por sí só-
lo no basta, se requiere de otro estadístico que detecte si el proceso se descen-
tra respecto del valor nominal CT.
TS m
3 si m es proxima a TS
C pk
m TI
3 si m es proxima a TI
Si el proceso está centrado se verifica que Cp=Cpk, si un proceso presen-
ta desplazamiento hacia cualquiera de las tolerancias Cpk será menor o igual a
Cp. El ideal es que Cp Cpk, es decir, que el proceso esté lo más centrado posi-
ble; tanto mejor, si ambos valores son superiores a uno.
x j
1 t
S j
j 1
ˆ x
m y ̂ S 2
2
t t j 1
105
En la Fig 7.1.2, se puede apreciar que para un proceso centrado, Cp=Cpk,
a medida que Cp aumenta la proporción de piezas defectuosas disminuye ex-
ponencialmente a cero. Las curvas de defectuosos para procesos que presen-
tan desplazamiento respecto de CT de 0.25 y 0.5, muestran que mientras ma-
yor es el desplazamiento mayor es la proporción de defectuosos que ellas pre-
sentan respecto de un proceso centrado.
7.2 Ejemplos
106
7 4,88 5.00 5,05 4,95 5,01 4,98 0,00427
8 5.00 4,96 4,97 5.00 5,04 4,99 0,00098
9 4,95 4,95 4,97 5,30 5,02 5,04 0,02227
10 4,99 5,01 4,87 5,01 4,94 4,96 0,00358
11 5.00 4,99 4,97 4,98 4,97 4,98 0,00017
12 4,95 4,99 4,97 5,15 4,99 5,01 0,0064
13 5,02 4,99 5,03 5,04 4,94 5.00 0,00163
14 5,01 5.00 4,92 4,85 5,03 4,96 0,00567
15 4,99 5,01 4,80 5,07 5.00 4,97 0,01043
16 5.00 4,99 4,97 4,99 4,94 4,98 0,00057
17 4,95 4,99 5,02 5.00 4,99 4,99 0,00065
18 4,95 4,98 5,10 4,92 5,19 5,03 0,01287
19 4,9 5,04 4,90 5,03 4,96 4,97 0,00458
20 5,05 5.00 4,98 5,01 5.00 5,01 0,00067
21 5,01 4,87 4,99 5,02 5.00 4,98 0,00377
m 4,994 0,005
5,06
5,04
5,02
4,98
4,96
4,94
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21
107
s
0,16
0,14
0,12
0,1
0,08
0,06
0,04
0,02
0
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21
108
9 5,94 6,07 5,92 5,96 5,97 0,00603
10 5,92 5,98 6,07 5,88 5,96 0,00903
11 5,98 6,05 5,97 6,03 6,01 0,00173
12 5,95 5,98 6,02 5,97 5,98 0,00070
13 6,01 5,94 6,01 5,98 5,99 0,00123
14 6,01 5,92 5,94 6,09 5,99 0,00863
15 6,03 6,07 5,97 6,10 6,04 0,00463
16 6,02 5,94 5,87 6,08 5,98 0,01143
17 5,91 5,97 6,14 6,03 6,01 0,00743
18 5,93 6,11 6,03 6,11 6,05 0,00213
19 6,05 5,99 6,14 5,98 6,04 0,00803
20 5,98 6,14 5,94 6,05 6,03 0,01003
21 6,03 6,07 5,87 5,95 5,98 0,01013
22 5,98 6,13 6,05 5,94 6,03 0,00910
23 5,97 6,08 6,15 5,98 6,05 0,00730
24 5,97 6,05 6,14 5,99 6,04 0,00570
25 5,98 5,95 5,96 6,02 5,98 0,00143
26 6,02 5,99 6,01 6,05 6,02 0,00093
27 5,98 6,02 5,94 6,15 6,02 0,01123
109
x
6,06
6,04
6,02
6
CT
5,98
5,96
5,94
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27
0,12
0,1
0,08
0,06
0,04
0,02
0
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27
110
35
30
25
20
No of obs
15
10
0
5,75 5,80 5,85 5,90 5,95 6,00 6,05 6,10 6,15 6,20 6,25
111
7.3.1 Gráficos de Shewhart
Con la información aportada por una muestra aleatoria se realiza una dó-
cima puntual bilateral para controlar la tendencia central y una unilateral para
controlar la variabilidad por:
H0 : 0 x H0 : 2 20
H : x H : 2 20
1 0 1
y, para realizar la dócima para la tendencia central define dos límites de control
simétricos al promedio de los promedios, m estimada, de las muestras obteni-
das para realizar el estudio de la capacidad de calidad, y alejados tres desvia-
ciones estándar estimadas a partir de m̂ , es decir,
LCS mˆ 3ˆ
ˆ 3ˆ
LCI m
Este método, para ser aplicado requiere que previamente se realice un estu-
dio del comportamiento del proceso, dado que el control de una característica de-
be realizarse respecto del valor nominal o centro de tolerancia definida a ella, CT,
y no, realizar el control respecto del promedio de los promedio. Puesto que, cuan-
do se hace el estudio de la capacidad de calidad, si el proceso presenta degrada-
ciones o anomalías, el promedio de los promedios puede compensar valores ex-
tremos del proceso y no detectar posibles tendencias o rachas. Este tipo de análi-
sis se debe realizar antes de definir éstos los límites de control, de lo contrario, se
puede llegar a instaurar un método de control de calidad erróneo. Para mostrar
algunas de estas situaciones, se desarrollan los siguientes ejemplos, en los cua-
les se ilustrará que el uso del promedio de los promedios puede no tener sentido.
112
a) En la fabricación de una pieza, su longitud está especificada por 1.5 0.5
m.m, se toman 30 muestras de tamaño n=4, a intervalos regulares de
tiempo.
113
De acuerdo a Shewhart, los límites de control de x para este proceso es-
tán dados por:
En la Fig 7.3.1, se puede apreciar que existe una causa asignable que ha-
ce que el proceso se degrade hacia la tolerancia superior a intervalos regulares de
tiempo, en que todas las primeras muestras los promedios están bajo el límite de
control inferior, y los valores de las últimas diez medias, superan el límite superior,
por lo cual, los límites definidos, por una parte no controlan el proceso respecto de
su valor nominal y tampoco tienen validez puesto que han sido definido a partir de
un proceso que está fuera de control en su etapa de estudio.
2,000
1,800
1,600
1,400
CT
1,200
1,000
0,800
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30
114
18
16
14
12
No of obs
10
0
0,7 0,8 0,9 1,0 1,1 1,3 1,5 1,6 1,8 1,9 2,1
Es importante, señalar que los puntos de la Fig 7.3.1, como los de cual-
quier gráfico de control de éste tipo, no se pueden unir por líneas, como apa-
rece en la mayoría de los textos de control de calidad. Para realizar el control,
se efectúa una dócima puntual a intervalos regulares de tiempo, y por tanto, no
se conoce el comportamiento del proceso cuando no se está realizando mues-
treo. Se debe recordar, que estos procesos tienen un comportamiento aleato-
rio, por tanto, entre dos períodos de toma de muestras no se conoce el com-
portamiento real del proceso. En la Fig 7.3.1a, se muestran un posible compor-
tamiento entre los períodos j y k mientras no se realiza muestreo, esta situa-
ción ilustra que no tiene sentido unir estos puntos.
1,5
1,45
1,4
1,35
1,3
1,25
1 2 3 4 5 6 7 8
j k
116
x
1,800
1,700
1,600
1,500 CT
1,400 x
1,300
1,200
1,100
1,000
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30 31
70
60
50
40
No of obs
30
20
10
0
1,1 1,2 1,3 1,4 1,5 1,6 1,7 1,8
117
Se puede apreciar que si bien las medias muestran un comportamiento
aleatorio, el proceso presenta un descentramiento de 0.949σ hacia la tolerancia
inferior.
Por las razones anteriores, antes de definir los límites de control, es ne-
cesario construir un histograma, con todos los datos con lo que se realiza el
estudio de capacidad de calidad, un gráfico con las medias y otro con las des-
viaciones estándar de estas muestras, para detectar cualquier posible tendencia
que el proceso presente, y, que pueda ser encubierta por el promedio de los
promedios.
118
Para un proceso poco preciso, las líneas de control probabilístico, Pepió
y Polo (1988) las definen por:
x x
TI CT TS
MAI CT 1.96 MAS CT 1.96
n n
MII CT 3.09 MIS CT 3.09
n n
119
Líneas de Atención (Riego del 5%)
MAI TI 3.09 1.96 MAS TS 3.09 1.96
n n
MII TI 3.09 3.09 MIS TS 3.09 3.09
n n
en la Fig 7.4.2 m1 y m2 son las posibles medias verdaderas del proceso depen-
diendo de la dirección del desplazamiento
SAS SIS
Líneas de Atención
2 0.025 , n 1
SAS
n 1
Líneas de Intervención
2 0.001 , n 1
SIS
n 1
n -1 2 3 4 5 6 7 8 9 10
0.001 13.81 16.27
2
18.51 20.52 22.46 24.32 26.12 27.98 29.689
2 0.025 7.38 9.35 11.14 12.83 14.45 16.01 17.53 19.04 20.50
120
Ejemplos
0.29580399
MAI CT 1.96 = 150 1.96 149.74
n 5
121
MAS CT 1.96 = 150 1.96 0.29580399 150.259
n 5
0.29580399
MII CT 3.09 = 150 3.09 149.591
n 5
MIS CT 3.09 = 150 3.09 0.29580399 150.408
n 5
26
24
22
20
18
16
No of obs
14
12
10
0
148,8 149,0 149,2 149,4 149,6 149,8 150,0 150,2 150,4 150,6 150,8 151,0 151,2
x
150,8
150,6
150,4
150,2
150
149,8
149,6
149,4
149,2
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20
122
S
0,6
0,5
0,4
0,3
0,2
0,1
0
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20
χ 20.001 ; 4 18.51
SIS = σ = 0.29580399 = 0.63632
4 4
χ 20.025 ; 4 11.14
SAS = σ = 0.29580399 = 0.4936
4 4
123
9 149,5 149,9 150,2 149,6 150,5
10 150,1 149,8 149,8 149,4 149,8
124
La media estimada del proceso es 32.47 m.m y la desviación estándar
estimada es σ=0.05391 m.m, luego, el índice de variabilidad es Cp=1.855 y el
índice de descentramiento es Cpk=1.797, se trata por tanto de un proceso preci-
so con un desplazamiento de 0.185σ hacia la tolerancia inferior.
32,52
32,50
32,48
32,46
32,44
32,42
32,40
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29
0,09
0,08
0,07
0,06
0,05
0,04
0,03
0,02
0,01
0
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29
125
Líneas de control de calidad para la tendencia central:
0,05391
MAI 32,18 3,09 0,05391 1,96 32.313
10
0,05391
MAS 32,78 3,09 0,05391 1,96 32,647
10
0,05391
MII 32,18 3,09 0,05391 3,09 32,294
10
0,05391
MIS 32,78 3,09 0,05391 3,09 32,666
10
120
100
80
No of obs
60
40
20
0
32,25 32,30 32,35 32,40 32,45 32,50 32,55 32,60 32,65 32,70
27.98
SIS 0.05391 0.09505
9
19.04
SAS 0.05391 0.07841
9
aplicando estas líneas de control a los datos originales con los que se realizó el
estudio de capacidad de calidad se tiene:
126
x
32,7
32,65
32,6
32,55
32,5
32,45
32,4
32,35
32,3
32,25
32,2
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29
0,1
0,09
0,08
0,07
0,06
0,05
0,04
0,03
0,02
0,01
0
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29
Muestras
32,37 32,56 32,58 32,59 32,54 32,57 32,6 32,55 32,58 32,41
32,51 32,51 32,49 32,52 32,5 32,47 32,63 32,55 32,5 32,47
32,48 32,49 32,5 32,55 32,55 32,56 32,54 32,58 32,6 32,54
32,46 32,48 32,5 32,49 32,59 32,54 32,45 32,53 32,69 32,46
127
32,47 32,45 32,5 32,48 32,55 32,56 32,55 32,55 32,53 32,5
32,57 32,57 32,57 32,49 32,52 32,51 32,53 32,48 32,55 32,41
32,56 32,57 32,53 32,49 32,58 32,44 32,51 32,61 32,53 32,6
32,45 32,48 32,55 32,53 32,56 32,55 32,56 32,47 32,43 32,53
32,56 32,46 32,44 32,48 32,53 32,47 32,45 32,5 32,55 32,46
32,56 32,48 32,54 32,5 32,59 32,47 32,53 32,55 32,54 32,52
32,35 32,45 32,44 32,49 32,45 32,59 32,51 32,61 32,47 32,56
32,55 32,55 32,51 32,52 32,55 32,55 32,57 32,51 32,58 32,48
7.6 Ejercicios
Nº Observaciones muestrales
1 15.03 15.01 15.11 15.03 15.08
2 15.12 14.93 15.12 15.10 15.08
3 15.04 15.12 15.15 15.05 15.09
4 15.15 15.04 15.17 15.02 15.03
5 14.90 15.05 15.11 15.09 15.05
6 14.95 15.03 14.87 15.10 15.09
7 14.95 15.10 15.02 15.06 15.13
8 15.00 15.18 14.92 15.07 15.15
9 15.00 15.17 14.99 15.12 15.12
10 15.20 15.15 15.04 15.01 15.15
11 15.15 15.20 14.89 15.08 15.15
12 15.17 15.20 14.92 15.14 15.15
13 15.20 15.20 15.02 15.15 15.17
14 15.10 15.15 14.86 15.15 15.16
15 15.01 15.15 14.94 15.15 15.10
16 15.12 15.15 15.04 15.16 15.15
17 14.87 15.13 14.87 15.18 15.12
18 15.04 15.13 14.86 15.02 15.11
128
19 14.91 15.13 14.92 15.08 15.12
20 15.12 15.50 14.95 15.21 15.02
21 15.15 15.51 14.97 15.20 15.03
22 15.15 15.05 14.97 14.92 15.04
23 15.04 15.15 14.97 15.05 14.91
24 14.91 15.11 14.99 14.94 15.03
t Valores muestrales
1 14.85 14.93 15.03 15.02 14.96 14.94 15.04 14.98
2 14.82 14.97 15.01 15.05 14.83 14.97 15.02 14.93
3 15.11 15.04 15.09 14.96 15.05 15.06 14.97 15.06
4 14.92 14.88 15.11 14.93 15.12 15.09 15.06 15.02
5 14.96 15.07 15.03 14.99 15.07 14.94 15.03 14.98
6 15.02 15.12 14.96 15.03 15.11 14.97 15.12 14.94
7 15.01 15.08 15.07 15.07 15.06 15.09 15.06 14.96
8 14.97 15.01 15.01 15.01 15.02 15.03 14.95 15.02
9 14.89 14.97 15.03 15.08 14.98 14.96 15.08 14.95
10 15.12 15.03 15.04 14.97 15.04 15.03 14.94 15.03
11 14.98 14.89 15.01 14.93 15.12 15.07 15.05 15.08
12 14.95 15.02 15.07 14.98 15.05 14.94 15.03 14.94
13 15.06 15.11 14.98 15.04 15.13 14.98 15.13 14.96
14 15.02 15.06 15.05 15.06 15.06 15.04 15.02 14.93
15 14.97 15.03 15.02 15.03 15.04 15.03 14.96 15.07
129
exponencialmente, use al menos dos valores distintos de para comparar su
eficiencia.
Muestras
1 9,94 10,18 10,18 10,17 10,24 10,07 10,28 10,24
2 9,99 10,08 10,19 9,95 10,05 10,18 10,10 10,17
3 10,00 10,24 10,20 9,98 10,08 10,22 9,94 10,07
4 9,94 10,24 10,15 10,11 10,04 10,09 9,95 10,00
5 9,98 10,27 10,14 9,95 10,21 10,24 10,07 10,08
6 10,00 10,24 10,07 10,28 10,21 10,07 10,08 9,94
7 10,08 10,14 9,94 10,23 10,07 10,24 9,95 10,05
8 9,93 9,98 10,11 9,98 10,08 10,22 10,34 10,25
9 10,09 10,37 10,22 10,00 10,00 10,20 10,18 9,99
10 10,20 10,39 9,98 9,94 10,17 10,09 10,23 9,94
11 10,05 10,32 10,25 10,17 10,08 10,08 9,90 10,08
12 10,08 10,44 10,24 10,04 10,18 10,23 10,15 10,10
13 10,28 10,17 10,19 10,14 10,19 10,04 10,11 9,87
14 9,95 10,09 10,17 9,94 10,27 10,24 9,99 10,31
15 10,17 10,14 9,94 9,98 10,04 10,09 10,09 10,10
16 10,14 10,21 10,09 9,95 10,17 10,24 10,14 10,14
17 10,18 10,27 10,14 9,97 10,17 10,29 10,19 10,24
18 10,14 9,97 10,18 10,29 10,10 10,09 10,18 10,22
19 9,95 10,17 9,99 10,05 10,04 10,22 10,14 9,94
20 9,97 10,39 10,09 10,01 10,09 10,12 10,27 10,24
21 9,97 10,29 10,10 10,02 10,05 10,24 10,08 9,98
22 10,17 10,22 10,08 10,04 10,17 10,14 10,15 10,18
23 10,04 10,28 9,95 10,08 10,14 10,17 10,03 10,17
130
7.7 Método Seis Sigma
Introducción
Por ejemplo, si de los 3500 alumnos que entran a una universidad y se tie-
ne como norma aceptable que un 95% debe aprobar el mínimo de asignaturas
establecidas para continuar estudiando, 3325 de ellos estarán felices, pero, ¿qué
sucederá con los alumnos que caen dentro de la categoría del error aceptable?
Cada semestre, 175 alumnos tendrán que ser eliminados. Así pues, un rendi-
miento del 95% sería un alto promedio, pero, no muy admisible como porcentaje
de éxito académico. ¿Qué pasa si se obvía esta norma de calidad y se establece
una ambiciosa meta del 99,9% de aprobación mínima?, en este caso, sólo 35
alumnos serían eliminados, con ello, se tendrán más alumnos contentos, y al
mismo tiempo, menos problemas económicos al disminuir el número de elimina-
dos.
131
de acceso a la misma de un número cada vez más importante de personas, y la
gran demanda insatisfecha de los estudiantes que no pueden acceder a las uni-
versidades.
132
7.7.1 Los cambios que se requieren para implementar Seis Sigma
133
proceso productivo, sino también a todos los procesos administrativos involucra-
dos.
Según Ansorena y Babé (2004), Lean es una metodología que permite tra-
bajar sobre la cadena de valor del producto/servicio o de una familia de produc-
tos/servicios. Una empresa que utiliza los principios de Lean, busca sistemática-
mente conocer aquello que el cliente reconoce como valor añadido y está dis-
puesto a pagar por ello, además, en forma continua va detectando y eliminando
aquellas operaciones/pasos del proceso que no generan valor.
134
Cultural: menos personal, fortalecimiento y flexibilidad en las tareas que
realizan los trabajadores, búsqueda de organizaciones planas.
Consideran que hay pocas empresas que empleen más del 20% de su
tiempo en actividades que realmente generan valor. Sorprendentemente el 80%
de su tiempo lo utilizan en tareas que generan poco o ningún valor añadido.
Los objetivos del método Lean Seis Sigma respecto de un proceso, permi-
ten simplificar los procesos, cambiar el flujo de ejecución de una tarea para au-
mentar el tiempo de trabajo que genere valor agregado, darles agilidad para fluir
de mejor manera, hacerlos más rápidos y con menos costes para los clientes.
Seis Sigma más que un programa formal o una disciplina, es una filosofía
de trabajo que debe ser compartida beneficiosamente por clientes, empleados,
accionistas y proveedores. Esencialmente, se basa en el cliente, elimina el des-
perdicio, aumenta la calidad, reduce los tiempos de entrega, y lo más importante,
permite a las empresas obtener mayores ingresos.
135
7.7.3 El funcionamiento del método Seis Sigma
Consideran que éste método está compuesto por cinco fases, Definir, Me-
dir, Analizar, Mejorar y Controlar, e incluyen las actividades que se deben llevan a
cabo en cada una de estas fases:
136
La mejora radical es necesaria para reducir drásticamente el coste de mala
calidad y el desperdicio crónico. Ésto, se logrará mediante las transformaciones
necesarias a través de proyectos específicos.
LCI LCS
LCI LCS
137
ceso a 3σ es 19.645 veces más malo (genera más defectos) que uno a 6σ.
Cálculos realizados mediante Statistica (1995)
Ansorena y Babé (2004), explican que un proceso con 20 pasos que traba-
ja a niveles de rendimiento de 3 sigma, tan sólo tiene un 25% libre de error a la
primera. No debe de extrañar que empresas que trabajan de esta manera, tengan
problemas más que significativos para colocar sus productos en mercados com-
petitivos. El rendimiento en la empresa decrece cuando la complejidad de los pro-
cesos aumenta. Si se consigue reducir el número de piezas de un producto o el
número de pasos de un proceso, y al mismo tiempo, se consigue disminuir el nú-
mero de defectos (aumentando el valor sigma), el rendimiento del proceso au-
menta radicalmente. Concluyen que para explotar el potencial de mejora, es ne-
cesario trabajar en dos frentes: simplificar el proceso y reducir la variabilidad. Lean
Seis Sigma proporciona la estructura, los métodos y las medidas que permiten
lograr este doble objetivo: disminuir el número de defectos al tiempo que se au-
menta la velocidad del proceso.
La teoría esta muy bien, pero ahora, se debe tener claro como atacar los
problemas y los objetivos que persiguen los proyectos Lean Seis Sigma:
138
Reducir inventarios hasta un 90%
Mejorar la entrega a tiempo en más de un 80%
Reducir el tiempo de ciclo de meses a días
Reducir exponencialmente el número de defectos; y la variabilidad
que genera el proceso (y que la empresa considera tradicionalmente
como algo natural).
Todo esto, en definitiva se hace para generar más valor para el cliente y
conseguir que paguen más por el producto fabricado/servicio prestado y libre de
defectos. A fin de cuentas, se trata de un beneficio para la empresa, al tiempo
que se protegen los empleos y permite que el empleado tenga un mayor compro-
miso con su actividad.
Por ejemplo, si se aplica Lean Seis Sigma en una empresa que fabrica en-
vases en aluminio, donde la estructura de costes está directamente asociada al
precio del aluminio y a la cantidad de aluminio que se consume, bastaría conside-
rar sólo en la disminución del grosor de la pared de la lata, para generar importan-
tes beneficios económicos a la empresa. La existencia de variabilidad fuera de
tolerancias en el proceso de elaboración del envase, puede suponer costes extra
al tener que aumentar el consumo de aluminio, por producir los envases con pa-
redes más gruesas. Al mismo tiempo, se pueden producir envases con paredes
muy delgadas los que pueden romperse o explotar durante el trasporte o bodega-
je, lo que supondría costes en limpieza y pérdida del contenido.
139
calibración, u otras colas que se puedan generar, dado que estos tiempos sólo
encarecen los procesos. El método Lean, proporciona las herramientas necesa-
rias por lograr estos objetivos, está dirigido principalmente en aumentar la veloci-
dad de los procesos. El éxito de la implantación del método depende fundamen-
talmente de la habilidad de los equipos para diseñar, coordinar y ejecutar los pro-
yectos en forma eficaz.
140
CAPÍTULO VIII
Diseño de Experimentos
y ij = + ai + b j + eij
Los diseños factoriales permiten estudiar dos variables a dos niveles cada
una, sean X1 y X2 las variables con dos niveles simétricos al valor nominal, se
141
designa al nivel bajo por –1 y al nivel alto por +1, sean y1, y2, y3, y4 las respuestas
obtenidas de los cuatro experimentos realizados, en la Tabla 8.2 se muestra la
posición estándar del diseño, la que se representa en la Fig 8.2.
ºn X1 X2 y (*)
1 -1 -1 y1 4
2 +1 -1 y2 1
3 -1 +1 y3 3
4 +1 +1 y4 2
Tabla 8.2 Matriz del diseño para dos variables a dos niveles
X2 y3 y4
+1
-1
y1 y2
-1 +1 X1
142
Para obtener las estimaciones de 0, 1 y 12 correspondientes a la
respuesta media, y de los efectos de X1, X2 y X1X2, se debe realizar la siguiente
operación matricial
=( T
XX )-1 (
T
XY ) =
T
0 1 2 12
y1
1 - 1 - 1 + 1
y
1 + 1 - 1 - 1
Y =
2
donde X =
e es el vector de respuestas
y
1 - 1 + 1 - 1 3
1 + 1 + 1 + 1
y4
se debe destacar que la matriz X es ortogonal, por lo que TXX es una matriz
diagonal; y lo más importante, que las estimaciones de los efectos y de la
interacción son independientes, éstas se obtienen como el producto punto entre
cada vector columna de la matriz X por el vector respuesta Y, dividido por un
factor de escala referido al número de niveles iguales o distintos, así :
y1+ y 2 + y 3 + y 4
y=
4
- y1+ y 2 - y 3 + y 4 y2+ y4 y1+ y 3
Efecto de A = = - y A( ) y A( )
2 2 2
- y1 - y 2 + y 3 + y 4 y3+ y4 y1+ y 2
Efecto de B = = - y B( ) y B( )
2 2 2
+ y1 - y 2 - y 3 + y 4 y1+ y 4 y 2 + y 3
Inter AB = = -
2 2 2
para usar el esquema de la matriz del modelo X, es necesario codificar las varia-
bles mediante la siguiente transformación :
143
unidad variablei - promedioi
Xi =
(amplitud intervaloi )/2
C - 70 (cc/5gr) - 250
por lo que, X1 = y X2 =
10 50
DOi DOf
IA 100
DOi
Orden
A B AB aleatorio
1 - 1 - 1 + 1 71.75 (3)
1 + 1 - 1 - 1 86.25 (1)
X = Y =
1 - 1 + 1 - 1 73.25 (2)
1 + 1 + 1 + 1 88.75 (4)
por tanto
144
B 73.25 88.75
+1 15.5
1 .5 2.5
-1 14.5
71.75 86.25
-1 +1 A
Y
80 B(+1)
88.75 2.5
86.25 B(-1)
15.5 14.5
73.25
71.75 1.5
70
-1 +1 A
145
Analizando esta información, desde un punto de vista económico, dado que
pasar de un nivel bajo a un nivel alto en la variable relación de baño no es
significativo, se recomienda fijar la variable en su nivel bajo, es decir en 200
cc/5gr, produciendo un ahorro de 100 cc/5gr en el proceso lo que permite reducir
los costos de fabricación.
X1 \ X2 -1 +1 n i.
-1 71.75 73.25 145
+1 86.25 88.75 175
n.i 158 162 320
para un riesgo del 5%, f0.05,1,1 = 161, se puede concluir que la variable X1,
temperatura, tiene influencia significativa sobre el agotamiento de la tintura en la
lana, la variable X2, relación de baño, no es estadísticamente significativa.
146
f 2 = (Efecto de X1) 2 = (15) 2 = 225
c 2 = (Efecto de X2) 2 = ( 2) 2 = 4
t 2 = f 2 + c 2 + r 2 = 229.25
y i = 0 + 1 X1i + 2 X 2i + 12 X1i X 2i + ei
1 - 1 - 1 + 1 4 0 0 0
1 + 1 - 1 - 1 t
0 4 0 0
X = luego XX =
1 - 1 + 1 - 1 0 0 4 0
1 + 1 + 1 + 1 0 0 0 4
147
y1 y1 + y 2 + y 3 + y 4 4y
y - y + y - y + y 2 Efecto( )
X1
Y = luego XY = =
2 T 1 2 3 4
y - y - y + y + y 2 Efecto(
3 1 2 X2)
3 4
y y - y - y + y 2 Interc(
4 1 2 3 4 X1 X 2 )
y
y 1 + y 2 + y 3 + y 4 Efecto X 1
1 0 0 0 0
0 y1 y 2 y 3 y 4
- + - + 2
1 0 1
1 0
1 T
( XX ) XY =
T
=
4 0 0 1 0 - y 1 - y 2 + y 3 + y 4 Efecto X 2 2
0
0 0 1 2
12
y1 - y 2 - y 3 + y 4
Efecto X 1 X 2
2
que los valores estimados de 1, 2 y 12 sean iguales a la mitad de los efectos y
de la interacción, es consecuencia a que la matriz X es ortogonal y de la métrica
utilizada en la codificación de las variables (-1 y +1).
320/4 80
15/2 7.5
ˆ = =
2/2 1
0.5 0.25
yˆ i = 0 + 1 X1i + 2 X 2i + ei
ŷ i = 80 + 7.5 X1i
148
la suma de cuadrados explicada por el modelo es
ˆ t XY ( y i ) 2 / 4 t
SCEXP t ˆ t XY 4( y ) 2
4( y ) 2 ( Efecto ( X 1 )) 2 ( Efecto ( X 2 )) 2 4( y ) 2
( Efecto ( X 1 )) 2 ( Efecto ( X 2 )) 2
229 , con 2
149
ellos. Por ejemplo, asumiendo un riesgo del 5% (probabilidad de considerar
significativo un término que no lo es) para una prueba aplicada a un modelo con 4
coeficientes además del término constante, la probabilidad p(de considerar
significativo un término que no lo es) = 0.185 (18,5%).
132, 125, 165, 137, 152, 141, 163, 148, 127, 158
i 0.5
Pi
10
valores i Pi
125 1 0,05
127 2 0,15
132 3 0,25
137 4 0,35
141 5 0,45
148 6 0,55
152 7 0,65
158 8 0,75
163 9 0,85
165 10 0,95
i - 0.5
Pi =
k
SiDd
los valores de los efectos son debidos únicamente al azar, bajo las
hipótesis del modelo, corresponderían a una muestra proveniente de una
151
ff
población N(0,2), y en teoría, la recta que pasa por el punto (x=0, z=0.50)
recubriría razonablemente a todos los puntos, en este caso, se debe concluir que
ningún efecto o interacción es estadísticamente significativo. En cambio, si existen
puntos alejados de esta recta, indica que los puntos correspondientes a dichos
efectos o interacciones son significativos.
En este gráfico de seminormal, Fig 8.6.1, se traza una recta que parte del
origen y recubre el mayor número de puntos experimentales, partiendo por los
más próximos al origen (los que determinan la pendiente de esta recta), todos
aquellos puntos que queden alejados de esta recta, representan a los efectos o
interacciones estadísticamente significativos.
152
Para el ejemplo de la tinción de lana se tiene:
1.5
Temperatura
1.2
standard deviations
0.9
0.6
0.3
0
0 3 6 9 12 15
standardized effects
153
seminormales para las situaciones más usadas, algunas de ellas se presentan en
la siguiente tabla
X1 X2 X3 X1 X 2 X1 X 3 X2 X3 X1 X 2 X 3 y1
1 -1 -1 -1 +1 +1 +1 - 1 y
2
1 +1 -1 -1 -1 -1 +1 + 1 y
3
1 -1 +1 -1 -1 +1 -1 + 1
y4
X =1 +1 +1 -1 +1 -1 -1 - 1
respuesta Y =
1 y5
-1 -1 +1 +1 -1 -1 + 1
1 +1 -1 +1 -1 +1 -1 - 1 y6
1 -1 +1 +1 -1 -1 +1 - 1 y7
1 + 1 y
+1 +1 +1 +1 +1 +1 8
154
luego
y1 + y 2 + y 3 + y 4 + y 5 + y 6 + y 7 + y 8
y=
8
y1 + y 2 y 3 + y 4 y 5 + y 6 y 7 + y 8
Efecto de X 1 = y X1( 1) y X1( 1)
4
y1 y 2 + y 3 + y 4 y 5 y 6 + y 7 + y 8
Efecto de X 2 = y X 2 ( 1) y X 2 ( 1)
4
y1 y 2 + y 3 y 4 + y 5 y 6 y 7 + y 8
Efecto de X 3 = y X 3 ( 1) y X 3 ( 1)
4
y1 y 2 y 3 y 4 + y 5 y 6 y 7 + y 8
Inter X 1 X 2
4
y1 y 2 + y 3 y 4 y 5 y 6 y 7 + y 8
Inter X 1 X 3
4
y y 2 y 3 y 4 y 5 y 6 y7 + y 8
Inter X 2 X 3 1 .
4
y1 + y 2 + y 3 y 4 + y 5 y 6 y 7 + y 8
Interaccion X 1 X 2 X 3 =
4
8.7.1 Ejemplo Sea desea minimizar la cantidad de contaminantes, que una planta
de celulosa vierte en un curso de agua. La norma establece que la concentración
no puede ser superior a 0.05 mg/litro. Para optimizar este proceso se someten las
descargas a un proceso de filtrado, utlizando un diseño factorial considerando las
siguientes variables:
155
Al realizar los experimentos se obtuvieron los siguiente resultados
A B C contaminante (mg/litro)
-1 -1 -1 0.04
+1 -1 -1 0.013
-1 +1 -1 0.059
+1 +1 -1 0.15
-1 -1 +1 0.068
+1 -1 +1 0.049
-1 +1 +1 0.028
+1 +1 +1 0.12
156
Fig 8.7.1a Gráfico seminormal
El modelo estimado es :
157
Fig 8.7.1b Respuestas e Interacción
158
Fig 8.7.1c Superficie de respuesta y curvas de nivel con C=+1
159
De acuerdo a estos resultados, de la superficie de respuesta Fig 8.7.1c, se
puede afirmar que para obtener la menor cantidad de gr/litro de contaminante, se
deben fijar las variables en los siguientes niveles, A = -1 B =+1 y C =+1, dado
que, bajo estas condiciones se obtiene el valor estimado mínimo de 0.012375
gr/litro y una máximo de 0.103875 gr/litro.
con ello, se logra una contaminación mínima de 0.015375 gr/litro y una máxima de
0.150625 gr/litro, Fig 8.7.1e. Si se compara ambos mínimos existe poca diferencia
entre ellos, habría que analizar el ahorro que implica fijar C en -1.
160
Fig 8.7.1e Curvas de nivel con C=-1
161
realizando los experimentos en forma aleatoria se obtienen los siguientes resul-
tados
i A B C D Impureza
1 -1 -1 -1 -1 0,15
2 1 -1 -1 -1 0,17
3 -1 1 -1 -1 0,04
4 1 1 -1 -1 0,07
5 -1 -1 1 -1 0,35
6 1 -1 1 -1 0,33
7 -1 1 1 -1 0,07
8 1 1 1 -1 0,09
9 -1 -1 -1 1 0,36
10 1 -1 -1 1 0,39
11 -1 1 -1 1 0,30
12 1 1 -1 1 0,27
13 -1 -1 1 1 0,56
14 1 -1 1 1 0,52
15 -1 1 1 1 0,30
16 1 1 1 1 0,31
162
Fig 8.7.2a Gráfico seminormal
163
Fig 8.7.2b Superficie de respuesta
Dado que las variables con las que se experimenta sólo toman valores –1 o
+1, si se fija la variable D en –1, se obtendrá la superficie de respuesta asociada a
un modelo en tres dimensiones, permite además reducir el porcentaje de
impurezas, dejando en el modelo la interacción BC que permitirá analizar el
comportamiento de estas variables para determinar los valores en las que deben
ser fijadas para minimizar ŷ , así, el modelo se reduce a :
164
Fig 8.7.2c Curvas de nivel
rpm 17
C 0.85 rpm 12.75
5
con ambos valores se reduce el costo del proceso, puesto que se usa el menor
porcentaje de SO4(NH4)2 y se reduce las rpm a 12.75.
165
Ejemplo 8.7.3 En un proceso de conformado de piezas mediante prensado a
una presión fija de 6000 toneladas sobre matrices de acero, Vinet y Vergara
(2003), intentan minimizar el ángulo de resorteo en las piezas. El ángulo de re-
sorteo se genera al quitar la presión dado que el metal tiende a volver a su po-
sición inicial, generando una diferencia entre el valor objetivo y la posición final.
La pieza conformada será de mejor calidad cuanto menor sea este ángulo de
resorteo, en el proceso intervienen las siguientes variables :
166
19 -1 -1 -1 +1 +1 17,317
20 -1 -1 +1 -1 -1 1,033
21 -1 +1 -1 +1 -1 26,150
22 +1 +1 +1 -1 +1 5,783
23 +1 +1 -1 -1 +1 7,233
24 -1 +1 +1 -1 +1 22,567
25 -1 +1 +1 +1 -1 33,883
26 -1 -1 -1 -1 +1 0,930
27 +1 -1 -1 -1 -1 1,750
28 +1 +1 -1 +1 +1 9,550
29 -1 +1 +1 +1 +1 44,817
30 +1 -1 +1 -1 +1 8,917
31 -1 -1 +1 -1 +1 2,417
32 -1 +1 -1 +1 +1 31,350
Presión de máquina
Ángulo de Resorteo
167
Fig 8.7.3b Gráfico seminormal
168
Fig 8.7.3c Superficie de respuesta
169
A B C D E F kilometros recorridos/10000
-1 -1 -1 -1 -1 -1 130
1 -1 -1 -1 1 -1 164
-1 1 -1 -1 1 1 145
1 1 -1 -1 -1 1 182
-1 -1 1 -1 1 1 136
1 -1 1 -1 -1 1 150
-1 1 1 -1 -1 -1 138
1 1 1 -1 1 -1 158
-1 -1 -1 1 -1 1 167
1 -1 -1 1 1 1 154
-1 1 -1 1 1 -1 121
1 1 -1 1 -1 -1 175
-1 -1 1 1 1 -1 152
1 -1 1 1 -1 -1 114
-1 1 1 1 -1 1 182
1 1 1 1 1 1 195
Rapidez de
i A B C D
corrosión
1 -1 -1 -1 -1 162
2 +1 -1 -1 -1 192
3 -1 +1 -1 -1 178
4 +1 +1 -1 -1 185
170
5 -1 -1 +1 -1 184
6 +1 -1 +1 -1 186
7 -1 +1 +1 -1 176
8 +1 +1 +1 -1 185
9 -1 -1 -1 +1 187
10 +1 -1 -1 +1 210
11 -1 +1 -1 +1 286
12 +1 +1 -1 +1 198
13 -1 -1 +1 +1 295
14 +1 -1 +1 +1 237
15 -1 +1 +1 +1 289
16 +1 +1 +1 +1 205
A los envases fabricados se les mide las dilatación externa respecto del
valor nominal de la matriz, obteniendo los siguientes resultados:
i A B C D E F G H Dilatación mm.
1 -1 -1 -1 -1 -1 -1 -1 -1 0.12
2 +1 -1 -1 -1 -1 +1 +1 +1 0.15
3 -1 +1 -1 -1 +1 -1 +1 +1 0.21
171
4 +1 +1 -1 -1 +1 +1 -1 -1 0.22
5 -1 -1 +1 -1 +1 +1 +1 -1 0.19
6 +1 -1 +1 -1 +1 -1 -1 +1 0.20
7 -1 +1 +1 -1 -1 +1 -1 +1 0.22
8 +1 +1 +1 -1 -1 -1 +1 -1 0.24
9 -1 -1 -1 +1 +1 +1 -1 +1 0.16
10 +1 -1 -1 +1 +1 -1 +1 -1 0.22
11 -1 +1 -1 +1 -1 +1 +1 -1 0.17
12 +1 +1 -1 +1 -1 -1 -1 +1 0.19
13 -1 -1 +1 +1 -1 -1 +1 +1 0.20
14 +1 -1 +1 +1 -1 +1 -1 -1 0.18
15 -1 +1 +1 +1 +1 -1 -1 -1 0.25
16 +1 +1 +1 +1 +1 +1 +1 +1 0.27
i A B C D % Impureza
1 -1 -1 -1 -1 0.041
2 +1 -1 -1 -1 0.039
3 -1 +1 -1 -1 0.030
4 +1 +1 -1 -1 0.029
5 -1 -1 +1 -1 0.060
6 +1 -1 +1 -1 0.059
172
7 -1 +1 +1 -1 0.033
8 +1 +1 +1 -1 0.034
9 -1 -1 -1 +1 0.061
10 +1 -1 -1 +1 0.063
11 -1 +1 -1 +1 0.054
12 +1 +1 -1 +1 0.051
13 -1 -1 +1 +1 0.081
14 +1 -1 +1 +1 0.074
15 -1 +1 +1 +1 0.055
16 +1 +1 +1 +1 0.056
173
8 +1 +1 +1 -1 1.19
9 -1 -1 -1 +1 1.26
10 +1 -1 -1 +1 1.29
11 -1 +1 -1 +1 1.40
12 +1 +1 -1 +1 1.31
13 -1 -1 +1 +1 1.36
14 +1 -1 +1 +1 1.42
15 -1 +1 +1 +1 1.20
16 +1 +1 +1 +1 1.71
8.8 Bloques
174
codificando las variables se tiene :
7
8
3
4
5
6
1
2
Box, Hunter y S. Hunter (1989), señalan que como los efectos principales
de los factores son contrastes entre las medias de las caras opuestas del cubo,
pero en cada cara hay dos respuestas obtenidas con la mezcla I y dos para la
mezcla II en sentidos opuestos, de manera que, cualquier efecto aditivo asociado
al tipo de mezcla se elimina al calcular los efectos principales y las interacciones,
175
debido a que esta disposición balanceada compensa cualquier diferencia sistemá-
tica entre los dos bloques.
176
Los efectos e interacciones estimados son : y = 82.5375, X1 = 1.025,
X2 = 20.575, X3 = -1.075, X1X2 = 0.125, X1X3 = -1.025, X2X3 = 6.225,
Bloque = -5.125
177
En la Fig 8.8.3, se puede observar que el máximo porcentaje de flexibilidad
se puede obtener al fijar la variable X2 a nivel +1 y la variable X3 a nivel +1. La
variable X1 al no ser significativa en el intervalo estudiando, se puede fijar a nivel
bajo para reducir el costo del proceso.
26.8
-7.3 5.15
14.35
178
Fig 8.8.5 Curvas de nivel
179
8.9 Diseños factoriales fraccionales
Pepió y Polo (1990) consideran que se debe tener en cuenta que existe
una jerarquización que hace que los efectos principales tengan más importancia
que las interacciones de orden dos, y estas a su vez, son más importantes que las
interacciones de orden tres, etc., por tanto, al realizar un experimento completo
(con 2k experiencias) se gastan demasiados recursos para estimar interacciones o
efectos que no son relevantes o significativos en un determinado proceso, dado
que su presencia es necesaria pero no determinante.
Número de interacciones
(de orden)
Número de Número de Número de efectos
2 3 4 5 6 7
variables experimentos principales
2 4 2 1
3 8 3 3 1
4 16 4 6 4 1
5 32 5 10 10 5 1
6 64 6 15 20 15 6 1
7 128 7 21 35 35 21 7 1
180
factorial completo, pudiendo estimar los efectos principales y las interacciones de
bajo orden, suponiendo que las interacciones de orden elevado son nulas.
-1 -1 -1 +1 +1 +1 -1 y1
+1 -1 -1 -1 -1 +1 +1 y2
-1 +1 -1 -1 +1 -1 +1 y3
+1 +1 -1 +1 -1 -1 -1 y4
-1 -1 +1 +1 -1 -1 +1 y5
+1 -1 +1 -1 +1 -1 -1 y6
-1 +1 +1 -1 -1 +1 -1 y7
+1 +1 +1 +1 +1 +1 +1 y8
181
X1 X2 X3=X1X2 X1X2 X1X3 X2X3 y
-1 -1 +1 +1 -1 -1 y1
+1 -1 -1 -1 -1 +1 y2
-1 +1 -1 -1 +1 -1 y3
+1 +1 +1 +1 +1 +1 y4
1
1
a) Xi Xi . I b) X i I X i
.
1
182
I X 1 X 2 X 3 multiplicando por X1, X2 y X3 sucesivamente
I X1 X1 X 2 X 3 X1 X1 X 2 X 3
I X 2 X1 X 2 X 3 X 2 X 2 X1 X 3
I X 3 X1 X 2 X 3 X 3 X 3 X1 X 2
luego
C X1 X 1 X 2 X 3
C X2 X 2 X1 X 3
C X3 X 3 X 1 X 2
interacción X2X3.
C * X1 X * 1 X * 2 X * 3
C * X2 X * 2 X * 1 X * 3
C * X3 X * 3 X * 1 X * 2
183
1 1
para X 1 ( C X1 C * X1 ) ( X 1 X * 1 )
2 2
1 1
para X 2 X 3 ( C X1 C * X1 ) ( X 2 X 3 X * 2 X * 3 )
2 2
Para construir una media fracción de un diseño 24, con las tres primeras
variables se genera un diseño completo y la cuarta variable se define como el
producto de las tres anteriores, es decir, X4=X1X2X3, por lo cual, la relación de
definición está dada por I= X1X2X3X4, se trata por tanto, de un diseño de
resolución IV, y se denota por 24-1IV.
I X1 X1 X 2 X 3 X 4 X1 X1 X 2 X 3 X 4
I X 2 X1 X 2 X 3 X 4 X 2 X 2 X1 X 3 X 4
I X 3 X1 X 2 X 3 X 4 X 3 X 3 X1 X 2 X 4
I X 4 X1 X 2 X 3 X 4 X 4 X 4 X1 X 2 X 3
I X1 X 2 X1 X 2 X 3 X 4 X1 X 2 X1 X 2 X 3 X 4
I X1 X 3 X1 X 2 X 3 X 4 X1 X 3 X1 X 3 X 2 X 4
I X1 X 4 X1 X 2 X 3 X 4 X1 X 4 X1 X 4 X 2 X 3
C X1 X 1 X 2 X 3 X 4 C X2 X 2 X1 X 3 X 4
C X3 X 3 X 1 X 2 X 4 C X4 X 4 X1 X 2 X 3
C X1X 2 X 1 X 2 X 3 X 4 C X1X 3 X 1 X 3 X 2 X 4
C X1X 4 X 1 X 4 X 2 X 3
184
media fracción se obtiene que C * X X * 2 X * 1 X * 3 X * 4 10.8 , se pueden
2
desconfundir los efectos obteniendo una estimación para X2 y para X1X3X4 por:
1
Efecto de X2 = ( 12.0 10.8 ) 11.4
2
1
Efecto de X1X3X4 = ( 12.0 10.8 ) 0.6
2
±4=12
8
±4=12 ±5=13
±4=12 ±5=13 ±6=23
±4=123 ±5=13 ±6=23 ±7=123
25-1V 26-2IV 27-3IV 28-4IV 29-5III
±5=123
16 ±5=234 ±6=234
±5=123 ±6=134 ±7=134
±5=123 ±6=234 ±7=123 ±8=124
±5=1234 ±6=234 ±7=134 ±8=124 ±9=1234
26-1IV 27-2IV 28-3IV 29-4IV
32 ±6=2345
±6=123 ±7=1345
±6=1234 ±7=124 ±8=1245
±6=12345 ±7=1245 ±8=2345 ±9=1235
185
En general, si se tiene k variables, la variable k-ésima se define como el
producto de las (k-1) anteriores, es decir, Xk=X1X2...X(k-1), por tanto, la relación de
definición esta dada por I=X1X2...X(k-1)Xk , la resolución del diseño será (k-1), y se
denota por 2k-1k.
-
Indice de Agotamiento = DOi DOf 100
DOi
186
los generadores del diseño son E=ABC, F=BCD y G=ACD, luego, se tiene que
I1=ABCE, I2=BCDF E I3=ACDG. Para obtener la relación de definición, debe
realizarse todos los productos entre las combinaciones Ii, así:
I = CEFG (todas)
por tanto:
-1 -1 -1 -1 -1 -1 - 1 7.18
+ 1 -1 -1 -1 +1 -1 + 1 55.50
-1 +1 -1 -1 +1 +1 - 1 37.88
+ 1 +1 -1 -1 -1 +1 + 1 57.89
-1 22.54
-1 +1 -1 +1 +1 + 1
+ 1 -1 +1 -1 -1 +1 -1 13.01
-1 +1 +1 -1 -1 -1 + 1 16.67
+ 1 +1 +1 -1 +1 -1 - 1 54.55
M= Y =
-1 -1 -1 +1 -1 +1 + 1 28.89
+ 1
-1 -1 +1 +1 +1 - 1 46.83
-1 +1 -1 +1 +1 -1 + 1 72.78
+ 1 +1 -1 +1 -1 -1 - 1 71.35
-1 -1 +1 +1 +1 -1 - 1 53.40
+ 1 -1 +1 +1 -1 -1 + 1 49.43
-1 +1 +1 +1 -1 +1 - 1
47.52
+ 1 +1 +1 +1 +1 +1 + 1 55.47
187
interacciones de orden mayor o igual a tres despreciables, se tiene el siguiente
patrón de confusión:
CA = A ; CB = B ; CAB = AB + CE + FG ; CC = C ;
CAC = AC + BE + DG ; CBC = BC + AE + DF ; CD = D ; CE = E ;
CAD = AD + CG + EF ; CBD = BD + CF + EG ; CCD = CD + BF + AG ;
CF = F ; CG = G ; CDE = DE + AF + BG ;
para obtener la matriz del diseño, primero se construye un diseño completo con
las cuatro primeras variables, luego para las siguientes columnas se utilizan los
generadores E=ABC, F=BCD y G=ACD.
188
Los efectos e interacciones calculados son:
A B C D % monóxido de carbono
-1 +1 +1 +1 0.83
-1 -1 +1 -1 0.18
-1 -1 -1 +1 0.61
+1 -1 -1 -1 0.32
+1 -1 +1 +1 0.69
189
+1 +1 +1 -1 0.49
-1 +1 -1 -1 0.36
+1 +1 -1 +1 0.95
190
Fig 8.9.2b Superficie de respuesta
191
Ejercicio. En un proceso de fotograbado Vilches y Vergara (2003) consideran
las siguientes variables para obtener la tonalidad azul más adecuada de la
emulsión fotosensibilizadora adherida a la superficie del aluminio, en la cual
queda trazada la figura de planimetría, para la fabricación de piezas y partes de
aeronaves.
tiempo tiempo
experimento material potasio citrato agua tono
exposición revelado
1 +1 +1 +1 +1 +1 +1 7.7
2 +1 -1 +1 -1 -1 -1 3.6
3 -1 +1 -1 +1 +1 +1 1.8
4 -1 +1 -1 +1 -1 -1 0.5
5 +1 -1 -1 +1 -1 -1 3.8
6 -1 +1 +1 +1 +1 -1 4.7
7 -1 +1 -1 -1 -1 +1 3.0
8 +1 +1 +1 -1 -1 +1 5.8
9 -1 -1 -1 -1 -1 -1 2.0
10 +1 -1 -1 -1 +1 -1 1.6
11 -1 +1 +1 -1 -1 -1 4.7
12 -1 -1 +1 -1 +1 -1 3.6
13 +1 +1 -1 -1 -1 -1 1.8
14 -1 -1 -1 -1 +1 +1 2.0
15 +1 +1 -1 +1 +1 -1 2.3
16 +1 -1 -1 -1 -1 +1 3.2
17 +1 -1 +1 -1 +1 +1 7.0
18 -1 -1 -1 +1 -1 +1 1.4
19 +1 +1 +1 -1 +1 -1 8.0
20 +1 +1 -1 +1 -1 +1 6.2
192
21 +1 -1 +1 +1 -1 +1 6.5
22 -1 +1 +1 +1 -1 +1 5.0
23 +1 -1 +1 +1 +1 -1 7.7
24 -1 -1 +1 -1 -1 +1 4.8
25 -1 +1 -1 -1 +1 -1 1.1
26 -1 +1 +1 -1 +1 +1 0.4
27 +1 -1 -1 +1 +1 +1 5.1
28 -1 -1 -1 +1 +1 -1 3.3
29 -1 -1 +1 +1 -1 -1 3.5
30 -1 -1 +1 +1 +1 +1 4.5
31 +1 +1 +1 +1 -1 -1 6.0
32 +1 +1 -1 -1 +1 +1 2.6
Ejercicio. Se utiliza un torno para fabricar una pieza metálica del rotor de un mo-
tor. Se requiere minimizar la cantidad de material utilizado para tornear esta
pieza. Las variables que intervienen en el proceso son:
se mide la cantidad de gramos de viruta que se envía a reciclaje por cada pieza,
obteniendo los siguientes resultados.
193
Desecho
i A B C D E F G H (gramos)
1 -1 -1 -1 -1 -1 -1 -1 -1 743,6
2 1 -1 -1 -1 -1 1 1 -1 683,1
3 -1 1 -1 -1 -1 1 1 1 652,9
4 1 1 -1 -1 -1 -1 -1 1 886,8
5 -1 -1 1 -1 -1 1 -1 1 666,8
6 1 -1 1 -1 -1 -1 1 1 908,9
7 -1 1 1 -1 -1 -1 1 -1 642,1
8 1 1 1 -1 -1 1 -1 -1 905,8
9 -1 -1 -1 1 -1 -1 1 1 1194,2
10 1 -1 -1 1 -1 1 -1 1 1111,8
11 -1 1 -1 1 -1 1 -1 -1 869,8
12 1 1 -1 1 -1 -1 1 -1 1023,8
13 -1 -1 1 1 -1 1 1 -1 1446,9
14 1 -1 1 1 -1 -1 -1 -1 1048,6
15 -1 1 1 1 -1 -1 -1 1 817,9
16 1 1 1 1 -1 1 1 1 795,9
17 -1 -1 -1 -1 1 -1 -1 1 710,8
18 1 -1 -1 -1 1 1 1 1 1496,4
19 -1 1 -1 -1 1 1 1 -1 600,9
20 1 1 -1 -1 1 -1 -1 -1 961,3
21 -1 -1 1 -1 1 1 -1 -1 691,6
22 1 -1 1 -1 1 -1 1 1 1460,7
23 -1 1 1 -1 1 -1 1 -1 565,2
24 1 1 1 -1 1 1 -1 -1 1133,8
25 -1 -1 -1 1 1 -1 1 1 1073,1
26 1 -1 -1 1 1 1 -1 1 883,5
27 -1 1 -1 1 1 1 -1 -1 922,3
28 1 1 -1 1 1 -1 1 -1 1166,7
29 -1 -1 1 1 1 1 1 -1 1105,2
30 1 -1 1 1 1 -1 -1 -1 988,3
31 -1 1 1 1 1 -1 -1 1 1196,7
32 1 1 1 1 1 1 1 1 919,6
194
8.10 Modelización Global
n n
k =1 k =1
n n
Y ij = a ik k + ij y ln( X i ) = a ik k + i donde
r
X i = ( y ij - y i )
2
k =1 k =1 j =1
i = 1,2,..., n ; j = 1,2,..., r
195
Dado que la estimación de los coeficientes de localización k, dependiendo
si las varianzas 2i puedan considerarse o no estadísticamente iguales, es nece-
sario, estimar en primer lugar los coeficientes de dispersión y estudiar su significa-
ción.
Puesto que la matriz del modelo, que se utiliza en diseños factoriales a dos
niveles es ortogonal, los estimadores de los coeficientes son independientes, y se
obtienen, como el producto escalar de cada columna de la matriz del modelo por
el vector de respuestas. Para los efectos de dispersión, será el logaritmo nepe-
riano de las sumas de diferencias cuadráticas, afectados por el correspondiente
divisor.
Pepió y Polo (1991) estiman los efectos de dispersión y estiman las varian-
zas asociadas a cada tratamiento partiendo del modelo
k=1 i 1
n
exp aik k(mÍn -cuad)
Xˆ i = k=1
ˆ i =
2
r -1 r -1
Mediante los estimadores mínimo cuadráticos de los coeficientes de dis-
persión, se puede aumentar la eficiencia de la estimación mediante los estimado-
res máximo verosímiles correspondientes.
Y ij = mi + i ij = aik k + i ij , j = 1,2,..., r
k =1
196
Si existen efectos o interacciones significativas en la modelización de la va-
riabilidad, para modelar la tendencia central es necesario aplicar un cambio de
variable, consistente en dividir cada valor de la respuesta por su correspondiente
desviación estándar.
dado que yij ~ N(mi , 2i), resulta que Wij ~ N(mi/i , 1); el modelo lineal trasforma-
do, es tal, que trabaja con la matriz del modelo sin trasformar, y como ésta matriz
es de componentes ortogonales, los estimadores de * son independientes al re-
sultar diagonal su matriz de varianzas-covarianzas.
8.10.1 Ejemplo. Se desea determinar el efecto que tienen las revoluciones por
minuto (A), el tipo de metal (B) y el ángulo de corte (C), para maximizar la dura-
ción en horas, de la cuchilla de un torno. Se realiza un diseño factorial 23 con tres
réplicas. Los resultados y la matriz del diseño se muestran en la Tabla 8.10.1.
A B C r1 r2 r3 yi Xi lnXi
-1 -1 -1 22 24 26 24,00 8,00 2,079442
1 -1 -1 32 34 29 31,67 12,67 2,538974
-1 1 -1 35 36 38 36,33 4,67 1,540445
1 1 -1 55 47 51 51,00 32,00 3,465736
-1 -1 1 44 45 38 42,33 28,67 3,355735
1 -1 1 34 37 36 35,67 4,67 1,540445
-1 1 1 60 50 54 54,67 50,67 3,925268
1 1 1 39 41 47 42,33 34,67 3,545779
197
ln X = 2.74898 ; A=0.04751 ; B=0.74066 (*) ; C=0.68566 (*) ; AB=0.72539 (*) ;
AC=-1.1449 (*) y BC=0.54677. Se indican con un asterisco los efectos e interac-
ciones estadísticamente significativos, según Fig 8.10.1.
dado que hay tres repeticiones en cada punto experimental, la desviación están-
dar de cada tratamiento se estima por
198
para estimar la desviación estándar i de cada tratamiento, se deben sustituir en
este modelo, los factores por sus respectivos valores codificados -1 ó +1. En la
Tabla 8.10.2, se presentan los resultados de i y los valores trasformados W i.
Puesto que la varianza está en función de algunos factores del proceo, para mo-
delizar la tendencia central del proceso, se calculan los valores de Wi
i ^i Wi = yi /i
1 3,595268 6,675441
2 4,434317 7,142025
3 1,727359 21,032111
4 4,400589 11,589356
5 4,523285 9,358243
6 1,775520 20,089886
7 2,173228 25,156130
8 1,762016 24,023621
199
Con los valores de Wi de la tabla 8.10.2, se obtienen los siguientes estimadores:
200
Fig 8.10.3 Curvas de nivel
luego, el modelo para la tendencia central del proceso está dado por :
y (15.6334 4.8170B 4.0236C 2.7217AB 2.3219AC) EXP(1.0279 0.1852B 0.1714C 0.1813AB 0.02862AC)
201
Se puede afirmar que la modelización global, en la optimización de proce-
sos productivos, permite estudiar la forma de reducir los costos en el proceso de
fabricación; mejorar la calidad del producto; minimizar la variabilidad del proceso;
ajustar la respuesta de la variable en estudio lo más cerca de un valor objetivo ó a
una norma; obtener productos más robustos, etc. Esta metodología permiten ge-
nerar productos de una calidad intrínseca mayor, se pueden reducir los costos por
reprocesos de productos, por servicios técnicos, por tiempos de demora en la
atención, etc.
i A B C D E r1 r2 r3 r4
1 -1 -1 -1 -1 -1 95,48 95,47 95,46 95,49
2 1 -1 -1 -1 1 95,61 95,53 95,49 95,55
3 -1 1 -1 -1 1 95,44 95,45 95,44 95,46
4 1 1 -1 -1 -1 95,45 95,51 95,47 95,47
5 -1 -1 1 -1 1 95,43 95,52 95,49 95,49
6 1 -1 1 -1 -1 95,47 95,52 95,51 95,45
7 -1 1 1 -1 -1 95,46 95,44 95,43 95,47
8 1 1 1 -1 1 95,51 95,48 95,47 95,51
9 -1 -1 -1 1 1 95,48 95,42 95,39 95,46
10 1 -1 -1 1 -1 95,51 95,49 95,43 95,51
11 -1 1 -1 1 -1 95,46 95,47 95,44 95,47
12 1 1 -1 1 1 95,46 95,48 95,45 95,48
13 -1 -1 1 1 -1 95,43 95,42 95,43 95,44
202
14 1 -1 1 1 1 95,46 95,47 95,46 95,48
15 -1 1 1 1 1 95,41 95,39 95,41 95,43
16 1 1 1 1 -1 95,49 95,44 95,48 95,48
Aplique el método de modelización global para lograr la mayor altura libre de las
hojas del resorte. Determine las condiciones que permitan lograr este objetivo.
Haga un análisis para minimizar los costos del proceso.
Ejercicio. Se utiliza una aleación acero con níquel y titanio, templados, en la fabri-
cación de hélices de barcos. Se realizar un estudio para minimizar la longitud de
las fisuras que aparecen en la superficie en el proceso de enfriamiento. Se estu-
dian los factores, A: temperatura del horno, B: Contenido de titanio, C: Contenido
de níquel y D: Temperatura del baño de aceite. Se realizan cuatro réplicas de un
diseño 24, y se midieron las longitudes de las grietas (en mm), obteniendo los si-
guientes resultados:
i A B C D r1 r2 r3 r4
1 -1 -1 -1 -1 0,92 0,93 0,91 0,94
2 +1 -1 -1 -1 0,74 0,73 0,75 0,74
3 -1 +1 -1 -1 0,55 0,56 0,57 0,55
4 +1 +1 -1 -1 0,72 0,71 0,73 0,71
5 -1 -1 +1 -1 0,39 0,4 0,38 0,39
6 +1 -1 +1 -1 0,37 0,36 0,38 0,37
7 -1 +1 +1 -1 0,55 0,56 0,57 0,56
8 +1 +1 +1 -1 0,39 0,40 0,41 0,50
9 -1 -1 -1 +1 0,40 0,39 0,38 0,31
10 +1 -1 -1 +1 0,97 0,98 0,99 1,08
11 -1 +1 -1 +1 0,98 0,97 0,96 0,96
12 +1 +1 -1 +1 0,62 0,63 0,61 0,63
13 -1 -1 +1 +1 0,98 0,99 0,97 0,97
14 +1 -1 +1 +1 0,43 0,41 0,44 0,41
15 -1 +1 +1 +1 0,60 0,59 0,61 0,59
16 +1 +1 +1 +1 0,48 0,50 0,49 0,49
203
Aplique el método de Modelización Global. Determine el modelo que permita mi-
nimizar la longitud de la grietas y minimizar la variabilidad. Fije las variables en los
niveles que además permitan minimizar los costos del proceso, para ello, utilice
curvas de nivel.
204
Bibliografía
205
Harry, M., Lawson, R. 1992. Six Sigma producibility análisis and process characterization.
Motorola University Press
Harry, M. 1997. The nature of Six Sigma Quality. Motorola University Press
Hidalgo, J. y Vergara, P. 2002. Calidad Total : Herramienta de Gestión para la competitivi-
dad. Implantación en una empresa siderúrgica. Universidad Jaume I de Castellón, España
Hunter, J.S. (1986). The Exponetially Weigthed Moving Average. Journal of Quality Tech-
nology, 18, 203-210
Lawson, J., Madrigal, J. y Erjavex, J. 1992. Estrategias Experimentales para el Mejora-
miento de la Calidad en la Industria, Ed. Iberoamérica
León, M.http://www.gestiopolis.com/recursos/documentos/fulldocs/ger1/parassiglefco.htm
Lucas, J.M. and Crosier, R.B. (1982). Fast Initial Response for CUSUM Quality Control
Schemes : Give Your CUSUM a Head Start. Technometrics, 24, 199-205
Lucas, J. and Saccucci, M. (1990). Exponentially Weigthed Moving Average Control
Schemes : Properties and Enhancements. Technometrics, 32, 1
MacGregor, J. and Harris, T. (1990). Discusión. Technometrics, 32, 1, 23-26
Montgomery, D. 1991. Diseño y Análisis de Experimentos. Ed. Iberoamérica
Page, E.S. (1957) Biometrika, 44, 248-252
Pepió, M. y Polo, C. (1986). Esquemas de Control por Sumas Acumuladas. CEAM, 197,
23-28 España
Pepió, M. y Polo, C. (1987). Control de Calidad por Sumas Acumuladas. ETSEIT-UPC I.I.
6/87 Barcelona, España
Pepió, M. y Polo, C. (1988). Riesgos Globales Asociados a los Gráficos de Control Clási-
cos. Boletín CALIDAD, 2, Marzo-Abril España
Pepió, M. y Polo, C. (1990a). Sumas Acumuladas Conjuntas. Tablas. Qüestió, Vol 14, 1, 2,
3, 27-41 Barcelona, España
Polo, C. y Pepió, M. (1990b). Modelización y Optimización de Procesos. Ed. Universidad
Politécnica de Cataluña
Polo, C. y Pepió, M. (1990c). Diseño de Experiencias. Ed. Universidad Politécnica de Cata-
luña
Pepió, M., Polo, C. y Vergara, P. 1990. Análisis Crítico de los Indices de Calidad Cp y Cpk.
Revista Trilogía, Vol. 10/11, Nº 18, 10-23
Pepió, M., Polo, C. y Vergara, P. 1994. Control de Procesos mediante Estadísticos Ponde-
rados Exponencialmente. Actas del XXI Congreso de Estadística e Investigación Operati-
va. Calella, España
Roberts, S. (1959). Control Chart Tests Based on Geometrics Moving Averages. Techno-
metrics, 1, 239-250
Roberts, S. (1966). A Comparison of Some Control Chart Procedures. Technometrics, 8,
411-430
206
Shewhart, W. (1931). Economic Control of Quality of Manufactured Product. Princeton, N.J
: Van Nostrand
Statistica, 1995. Volumen III, StatSoft 2nd Edition
Statgraphics Plus, 1993. Manugistics, Inc.
Vergara, P. 1993. Control de Calidad mediante la Función de Pérdida de Taguchi. Trilogía
Vol 13, Nº21
Vergara, P. 1984. Eficiencia relativa asintótica de los rangos ponderados en diseños de
bloques incompletos balanceados. Escuela de Salud Pública. Universidad de Chile
Vergara, P. 1992. Nuevas Técnicas Acumulativas de Control de Calidad. Control Conjunto
por Medias Móviles Ponderadas Exponencialmente para la tendencia central y la variabili-
dad. Tesis Doctoral, ISBN: 84-7653-206-7, Depósito Legal :B.2.201-92 Universidad Poli-
técnica de Cataluña, Barcelona España
Vergara, P. 1993. Control de Calidad por Medias Móviles Ponderadas Exponencialmente
para la tendencia central y la variabilidad. : Aplicación. Actas del II Congreso Latinoameri-
cano de Sociedades de Estadística (CLATSE II),Universidad Católica de Buenos Aires.
Pág 344-359
Vergara, P. 1994. La Calidad : Un aporte a la Sociedad. Actas Primer Seminario Latinoa-
mericano Universidad y Sociedad : Mecanismos de Vinculación. Universidad Tecnológica
Metropolitana
Vergara, P. y Barrera, R. 1994. Comparación de la Eficiencia entre Métodos de Control de
Calidad. Actas del VI Congreso de Estadística de la Zona Sur. Universidad de la Frontera,
Temuco
Vergara, P., González, H., Sepúlveda, C. y Buccioni, R. 1994. Efectos de la introducción de
Señales en un Método de Control de Calidad Acumulativo. Actas del VI Congreso de Esta-
dística de la Zona Sur. Universidad de la Frontera, Temuco
Vergara, P. 1994. Optimización de Procesos Industriales y Control de Calidad. XIII Jorna-
das Nacionales de Estadística. Universidad de Concepción
Vergara, P. 1994. Optimización de la Calidad de Procesos Modelización Global. Actas VI
Congreso Internacional de Biomatemáticas ISBN 9977-64-718-6. Universidad Estatal a
Distancia. Costa Rica
Vergara, P. 1995. Control de Calidad mediante Medias Móviles Ponderadas Exponencial-
mente. Gráficos con señales. Trilogía Vol 14 Nº22 43-62
Vergara, P. 1995. Optimización de Procesos Industriales. Universidad Austral de Chile.
Vergara, P. 1997. Control Estadístico de Procesos. Universidad de La Frontera - Academia
Politecnica Aeronáutica
Vergara, P. 1997. Diseño y Optimización de Procesos Industriales. Universidad de La
Frontera – Academia Politécnica Aeronáutica
207
Vilches, J. y Vergara, P. 2003. Optimización del Proceso de Fotograbado. Universidad de
La Frontera-Academia Politécnica Aeronáutica
Vinet, G. y Vergara, P. 2003. Optimización del Diseño de Matrices a través de un Diseño
Experimental. Universidad de La Frontera-Academia Politécnica Aeronáutica
www.seis-sigma.com
208