Beruflich Dokumente
Kultur Dokumente
enero de 2009
Dr. P. Reyes /
CONTROL ESTADSTICO
DEL PROCESO
Pgina 1
Dr. P. Reyes /
CONTENIDO
Contenido
1. IMPORTANCIA DE LA MEJORA CONTINUA
Dr. P. Reyes /
Concepto de variacin................................................................................. 85
2.1 DISTRIBUCIN NORMAL........................................................................... 85
Estandarizacin de valores reales...............................................................91
2.2 PRUEBA DE NORMALIDAD........................................................................93
2.3 LA CARTA DE CONTROL COMO PRUEBAS DE HIPTESIS...........................95
2.4 BASES ESTADSTICAS DE LAS CARTAS DE CONTROL................................99
Tamao de muestra y frecuencia de muestreo..........................................106
Subgrupos racionales................................................................................ 107
Anlisis de patrones en cartas de control..................................................108
2.5 IMPLEMENTACIN DEL CEP.....................................................................109
3. CARTAS DE CONTROL POR VARIABLES
111
3.1 INTRODUCCIN..................................................................................... 111
3.2 CARTAS DE CONTROL DE MEDIAS-RANGOS............................................111
Interpretacin de cartas de control X R ................................................116
Capacidad o habilidad del proceso............................................................128
La curva caracterstica de operacin.........................................................135
3.3 CARTAS DE CONTROL PARA X y S........................................................138
3.4 CARTAS PARA LECTURAS INDIVIDUALES.................................................145
3.5 SELECCIN ENTRE CARTAS POR VARIABLES Y POR ATRIBUTOS.............149
3.6 APLICACIN DE CARTAS DE CONTROL POR VARIABLES..........................152
4. CARTAS DE CONTROL PARA ATRIBUTOS
154
4.1 INTRODUCCIN...................................................................................... 154
4.2 CARTA DE CONTROL PARA FRACCIN NO CONFORME - p.......................155
4.3 CARTA DE CONTROL np..........................................................................167
4.4 TAMAO DE MUESTRA VARIABLE............................................................168
4.5 CURVA CARACTERSTICA DE OPERACIN Y ARL.....................................172
4.6 CARTAS DE CONTROL PARA NO CONFORMIDADES (DEFECTOS) c y u.176
Tamao de muestra constante - CARTA c.................................................176
Seleccin del tamao de muestra.............................................................182
Carta de control de defectos por unidad U................................................183
Sistema de demeritos............................................................................... 189
La curva caracterstica de operacin.........................................................190
4.7 CARTAS DE CONTROL PARA TASAS DE DEFECTOS EN ppm....................192
5. OTRAS CARTAS DE CONTROL ESPECIALES 193
5.1 CARTAS DE CONTROL PARA CORRIDAS CORTAS DE PRODUCCIN.........193
Cartas de control dnom............................................................................. 193
Cartas de control de medias rangos estandarizada..................................194
Cartas de control por atributos..................................................................195
5.2 CARTAS DE CONTROL MODIFICADAS Y DE ACEPTACIN.........................195
Cartas de control modificadas...................................................................195
Cartas de control de aceptacin................................................................197
5.3 CARTA DE CONTROL PARA DESGASTE DE HERRAMIENTA O MATERIAL...199
5.4 CARTA DE PRECONTROL O DE ARCOIRIS...............................................202
5.5 CARTAS DE CONTROL PARA PROCESOS DE SALIDA MLTIPLE...............205
5.6 CARTAS DE CONTROL Cusum.................................................................206
Cusum normal........................................................................................... 206
Cusum en forma tabular............................................................................211
EL PROCEDIMIENTO DE LA MASCARILLA EN V..............................................214
Pgina 3
Dr. P. Reyes /
Dr. P. Reyes /
Pgina 5
Dr. P. Reyes /
1.
2.
3.
4.
5.
6.
7.
8.
los
Pgina 6
Pgina 7
Dr. P. Reyes /
Dr. P. Reyes /
EUA
LIE
JAPON
Objetivo
LSE
Pgina 8
1.2
HISTORIA
PROCESO
DEL
CONTROL
Dr. P. Reyes /
ESTADSTICO
DEL
Antecedentes
La teora de la administracin se desarroll bsicamente en los pases
industrializados, en respuesta a los problemas que presentaron las grandes
empresas caractersticas del sistema capitalista. 1 Sus primeros indicios se
observan con el economista Adam Smith con el concepto de divisin del
trabajo para aumentar la productividad en 1776. 2
Smith not que en una industria de fabricacin de alfileres, diez
personas, cada una realizando una tarea especfica, podran
producir 48,000 alfileres por da. Propuso que si cada uno
trabajara por separado y en forma independiente, los diez
trabajadores tendran suerte en hacer 200 (o an 10) alfileres al
da.3
Smith concluy que la divisin del trabajo incrementaba la productividad sin
embargo se consideraba al trabajador como extensin de la mquina. Durante
la revolucin industrial, iniciada en el siglo XVIII en Gran Bretaala mano de
obra era sustituida por mquinas de una manera acelerada. 4 Esto, a su vez,
abarat la fabricacin de productos en las fbricas. Surge la administracin
cientfica con Frederick Taylor.
Frederick Winslow Taylor (1856-1915): l no desarroll una teora de
administracin, sino que haca nfasis en los aspectos empricos. 5 En 1911
public sus Principios de la Administracin Cientfica 6 donde describe la
administracin cientfica, y us este trmino para definir la nica y mejor
manera de realizar un trabajo. Los estudios realizados antes y despus de
Pgina 9
Dr. P. Reyes /
seal
que
la
creacin
de
nuevos
mtodos
de
trabajo
era
Pgina 10
Dr. P. Reyes /
13
Dr. P. Reyes /
CEP en occidente
Durante la segunda guerra mundial se requirieron cantidades masivas de
productos, las inspecciones de rutina de los inspectores no eran suficientes, en
algunas compaas, tales como la Western Electric, bajo contrato de la
American Bell Telephone Company, estableci mtodos de control de calidad
ms
rigurosos
que
infundieran
confianza
en
sus
instrumentos
17
Pgina 12
Dr. P. Reyes /
CEP en Japn
En 1950 el experto Edwards W. Deming inici el entrenamiento en mtodos
estadsticos en el Japn, incluyendo conferencias dirigidas a los lderes
industriales, en esta poca Kaoru Ishikawa experto japons en control de
calidad inici sus estudios sobre conceptos de control de calidad, describe su
propia motivacin como sigue:
Pgina 13
Dr. P. Reyes /
de
Pareto,
Hoja
de
verificacin,
Diagrama
de
dispersin,
Dr. P. Reyes /
las
* * *
**
***
**
**
***
**
Distribucin de promedios
de las muestras
Universo
24
Dr. P. Reyes /
a las medias de la
__
(1.1)
X1
X-media 1
media 3
X2
X-media 2
X3
X-
Frequency
10
8
6
4
2
0
5
Promedios
Pgina 16
Dr. P. Reyes /
[y -
i ]
i 1
(2.5)
i 1
Pgina 17
Dr. P. Reyes /
Interpretacin
Normalmente para conocer el estado de un proceso en determinado momento,
es necesario obtener un histograma de la caracterstica de inters, tomando al
menos 30 piezas. Se calcula la media y la desviacin estndar de la muestra y
se trata de inferir sobre las caractersticas del proceso. Haciendo esto
peridicamente se pueden tener los comportamientos siguientes:
Hora 4
Hora 2
Hora 3
Hora 1
b)Proceso en control
en media y esv. est.
25
Dr. P. Reyes /
H
Fig. 1.5
problemas
Pgina 19
Dr. P. Reyes /
Ejercicio: Hacer
hoja de registro con las antigedades en la
organizacin y concluir:
Antigedad
Registro
0.5 -1 aos
Pgina 20
Dr. P. Reyes /
1.1 2 aos
2.1 4 aos
4.1 7 aos
Ms de 7 aos
Conclusiones:
Diagrama de Pareto
Se utiliza para identificar problemas o causas principales:
Herramienta utilizada para el mejoramiento de la calidad para identificar y
separar en forma crtica los pocos proyectos que provocan la mayor parte de
los problemas de calidad.
El principio
Pgina 21
Dr. P. Reyes /
Eje izquierdo: Marque este eje con una escala desde 0 hasta el total
general
Eje derecho: Marque este eje con una escala desde 0 hasta 100%
Eje horizontal:
-
categoras clasificadas.
8. Dibuje la curva acumulada (curva de Pareto), Marque los valores
acumulados (porcentaje acumulado) en la parte superior, al lado derecho de
los intervalos de cada categora, y conecte los puntos con una lnea
continua.
9. Escriba en el diagrama cualquier informacin que considere necesaria para
el mejor entendimiento del diagrama de Pareto.
Ejemplo de Diagrama de Pareto:
El departamento de ventas de un fabricante de materiales de empaque tiene
registrada una lista de las quejas que se han recibido durante el ltimo mes.
Tipo de queja
No.
de
quej
as
Total
Acumula
do
Composici
n
Porcentua
l
Porcentaj
e
Acumula
do
25
25
35.71
35.71
B) Calibre fuera de
especificaciones
23
48
32.85
68.56
Pgina 22
Dr. P. Reyes /
55
10
78.56
61
8.57
87.13
E) Dimensiones fuera de
especificaciones
64
4.28
91.41
F) Inexactitud en cantidades
66
2..85
94.26
67
1.42
95.68
68
1.42
97.7
I) Fallas en documentacin
69
1.42
98.52
70
1.4
99.94
99.94
98.52
50
DIAGRAMA PARETO
97.7
95.68
94.26
91.41
87.13
N
O
78.56
D
E
Q
U
E
J
A
S
68.56
35.71
25
23
7
6
3
2
1
Pgina 23
A
%
A
C
U
M
U
L
A
D
O
Dr. P. Reyes /
A
B
C
D
E
20
60
80
30
10
Pgina 24
Dr. P. Reyes /
Clic en OK
100
Count
60
100
40
50
0
C1
Count
Percent
Cum %
Percent
80
150
20
C
80
40.0
40.0
B
60
30.0
70.0
D
30
15.0
85.0
A
20
10.0
95.0
Other
10
5.0
100.0
Frecuencia
Pgina 25
Dr. P. Reyes /
Diagrama de Dispersin
Se utiliza para analizar la correlacin entre dos variables, se puede
encontrar: Correlacin positiva o negativa, fuerte o dbil o sin
correlacin.
El diagrama de dispersin es una tcnica estadstica utilizada para estudiar la
relacin entre dos variables. Por ejemplo, entre una caracterstica de calidad y
un factor que le afecta.
La ventaja de utilizar este tipo de diagramas es que al hacerlo se tiene una
comprensin ms profunda del problema planteado.
La relacin entre dos variables se representa mediante una grfica de dos
dimensiones en la que cada relacin est dada por un par de puntos (uno para
cada variable).
La variable del eje horizontal x normalmente es la variable causa, y la variable
del eje vertical y es la variable efecto.
Pgina 26
Dr. P. Reyes /
Pgina 27
y x
a
n x
b
2
2
Dr. P. Reyes /
x xy
n xy x y
n x 2 x
SCxy
xy
SCx x
SCy y
x y
n
Donde:
r = Coeficiente de correlacin lineal
SCxy = Suma de cuadrados de xy
SCx = Suma de cuadrados de x
SCy = Suma de cuadrados de y
xy
y
n
Pgina 28
Dr. P. Reyes /
distribucin del producto y las operaciones del servicio de ruta para mquinas
vendedoras. El sospecha que el tiempo requerido para cargar y servir una
mquina se relaciona con el nmero de latas entregadas del producto. Se
selecciona una muestra aleatoria de 25 expendios al menudeo que tienen
mquinas vendedoras y se observa para cada expendio el tiempo de solicitudentrega (en minutos) y el volumen del producto entregado (en latas). Calcular
el coeficiente de correlacin y graficar. Los datos se muestran a continuacin:
Observacin No. Latas, x
tiempo, y
x^2
y^2
xy
1
2.00
9.95
4.00
99.00
19.90
2
8.00
24.45
64.00
597.80
195.60
3
11.00
31.75
121.00
1,008.06
349.25
4
10.00
35.00
100.00
1,225.00
350.00
5
8.00
25.02
64.00
626.00
200.16
6
4.00
16.86
16.00
284.26
67.44
7
2.00
14.38
4.00
206.78
28.76
8
2.00
9.60
4.00
92.16
19.20
9
9.00
24.35
81.00
592.92
219.15
10
8.00
27.50
64.00
756.25
220.00
11
4.00
17.08
16.00
291.73
68.32
12
11.00
37.00
121.00
1,369.00
407.00
13
12.00
41.95
144.00
1,759.80
503.40
14
2.00
11.66
4.00
135.96
23.32
15
4.00
21.65
16.00
468.72
86.60
16
4.00
17.89
16.00
320.05
71.56
17
20.00
69.00
400.00
4,761.00
1,380.00
18
1.00
10.30
1.00
106.09
10.30
19
10.00
34.93
100.00
1,220.10
349.30
20
15.00
46.59
225.00
2,170.63
698.85
21
15.00
44.88
225.00
2,014.21
673.20
22
16.00
54.12
256.00
2,928.97
865.92
23
17.00
56.63
289.00
3,206.96
962.71
Pgina 29
24
6.00
22.13
36.00
489.74
132.78
25
5.00
21.15
25.00
447.32
105.75
TOTALES
206.00
725.82
2,396.00
27,178.53
8,008.47
Dr. P. Reyes /
= 698.56
SCy
= 6105.94
r = 0.98
El coeficiente de correlacin r = 0.98 por lo cual tenemos suficiente evidencia
estadstica para afirmar que el tiempo de entrega est relacionado con el
nmero de latas.
Pgina 30
Dr. P. Reyes /
Pgina 31
Dr. P. Reyes /
Errores
20
12
36
28
44
25
32
5
Antiguedad
Conclusiones:
Pgina 32
Dr. P. Reyes /
Histogramas
Se utilizan para ver la distribucin de frecuencia de una tabla de datos
17.87
18.03
18.69
19.94
20.20
20.31
24.19
28.75
30.36
30.63
33.51
33.76
34.58
35.58
35.93
36.08
36.14
36.80
36.92
37.23
38.65
39.02
39.64
40.41
40.58
40.64
43.61
44.06
44.52
45.01
45.70
45.91
46.50
47.09
47.21
47.56
47.93
48.02
48.31
48.55
49.36
49.95
50.02
50.10
50.10
50.72
51.40
51.41
51.77
52.43
55.08
55.23
55.56
55.87
56.04
56.29
58.18
59.03
59.37
59.61
Valor mayor =
Pgina 33
62.53
62.78
62.98
63.03
64.12
64.29
65.44
66.18
66.56
67.45
70.37
71.05
71.14
72.46
72.77
74.03
74.10
76.26
76.69
77.91
81.21
82.37
82.79
83.31
85.83
88.67
89.28
89.58
94.07
94.47
Valor menor =
Dr. P. Reyes /
Conclusiones:
Pgina 34
Dr. P. Reyes /
es
tener
mayor
cantidad
de
ideas
as
existirn
mayores
otras
herramientas,
como
por
ejemplo,
diagramas
causa-efecto
Pgina 35
Dr. P. Reyes /
Trace una lnea horizontal hacia la izquierda del cuadro que contiene la
frase. A esta lnea se le conoce como columna vertebral.
Pgina 36
Dr. P. Reyes /
Causas principales.
Causas secundarias.
Causas terciarias.
5. Jerarquice las causas por grado de importancia y defina aquellas que tengan
un efecto relevante sobre la caracterstica especfica.
6. Elabore y ejecute un programa de correccin de las causas relevantes.
Pgina 37
Dr. P. Reyes /
Mquinas
Mano de obra
Mtodos
Materiales
Mediciones
Medio ambiente
MEDICIONES
MAQUINAS
MANO DE OBRA
DIMENSIONES
INADECUADAS
FUERA DE
DIMENSIONES
ESPECIFICADS
VELOCIDAD DE
AVANCE
TEMPERATURA
ANGULO
INCORRECTO DE
LA FLAMA
FORMACION
HABILIDAD
PUNTA OXIDADA
FORMA
PUNTA
LIMITES
ERGONOMICOS
SOLDADURA DEFECTUOSA
UNION
SOLDADURA
SUPERFICIE
S CON
POLVO E
IMPUREZAS
SECUENCIA
SOLDADURA
TIEMPOS DE
ESPERA
LACA DE
PROTECCION
TERMINALES
DESOXIDANTE
CORTOS OXIDADOS
MEDIO AMBIENTE
MTODOS
Pgina 38
MATERIALES
Dr. P. Reyes /
(Ms):
Funcionalidad.
Diseo
Accesibilidad
Tiempo de respuesta
Confiabilidad
Pgina 39
Dr. P. Reyes /
Pgina 40
Dr. P. Reyes /
Carta de tendencias
Definicin:
Es una ayuda grfica para el control de las variaciones de los procesos
administrativos y de manufactura.
Usos:
Saber el comportamiento de un sistema o proceso durante el tiempo.
Tomar las acciones correctivas a tiempo si la tendencia afectar en forma
negativa.
Ejemplo: Se tienen los datos siguientes de errores de planeacin de la
produccin durante 15 semanas: Se puede hacer en Minitab con Stat, Quality
Tools, Run Chart, Subgroup size = 1
Pgina 41
Pgina 42
Dr. P. Reyes /
Dr. P. Reyes /
Diagrama de flujo
Dentro de los sistemas de calidad
diagramas
de
flujo
pueden
minimizar
grandes
volmenes
de
Dr. P. Reyes /
Descripcin de smbolos
En la construccin de diagramas de flujo de procesos se utilizan los smbolos
descritos a continuacin:
prestablecido.
Pgina 44
Dr. P. Reyes /
Pgina 45
Dr. P. Reyes /
SMBOL
O
TIEMP DISTANCI
O
A (pies)
(min.)
0.8
50
1
0.4
Firmar el desprendible
0.1
0.3
0.2
10
0.4
1
0.2
0.8
50
26
Dr. P. Reyes /
Pgina 47
Dr. P. Reyes /
Espera
Espera
Pgina 48
Pgina 49
Dr. P. Reyes /
Dr. P. Reyes /
valor agregado.
Edificio A
Edificio B
Pgina 50
Dr. P. Reyes /
Estratificacin
Se utiliza para separar un aspecto general en los estratos que lo
componen, por ejemplo, por regiones, estados, municipios, etc.
Clasificacin de los datos o factores sujetos a estudio en una serie de
grupos con caractersticas similares.
Problemas con boletas
Por regin
Por estado
Por municipio
Figura 1.19 Estratificacin de un problema
Ejercicio: Describir un ejemplo de estratificacin de un aspecto
poblacional
Inicio:
Primer paso:
Segundo paso:
Tercer paso:
Pgina 51
Dr. P. Reyes /
Figura 1.20 Carta de control con sus lmites de control y lnea central
Pgina 52
Dr. P. Reyes /
Pgina 53
Dr. P. Reyes /
Servicios no requeridos
Movimientos excesivos
e innecesarios
Transportes innecesarios
Inventarios innecesarios
Esperas o firmas innecesarios
Errores
Retrabados o reinspecciones
Pgina 54
Dr. P. Reyes /
Pgina 55
Dr. P. Reyes /
Se identifican las actividades que representan Muda y que son actividades que
no agregan valor y se reducen o eliminan, quedando el proceso mejorado
como sigue:
Pgina 56
Dr. P. Reyes /
Pgina 57
Dr. P. Reyes /
Pgina 58
Dr. P. Reyes /
Dr. P. Reyes /
Trabajo estandarizado
Objetivo: Documentar en instructivos, procedimientos y ayudas
visuales, la forma como deben realizarse las operaciones y actividades
para que todos las realicen de la misma manera, para tener productos
homogneos.
Por estandarizacin se entiende:
Siempre seguir la misma secuencia de trabajo
Los mtodos totalmente documentados
Los mtodos estn visibles en cada estacin de trabajo
El material y documentos de trabajo estn colocados siempre en el
mismo lugar
La informacin se presenta de la misma forma en toda la
organizacin
Se tiene el registro del movimiento detallado del cuerpo humano
Ejercicio: Identificar reas de oportunidad para implementar
procedimientos e instructivos para estandarizar las operaciones.
_______________________________________________________________.
_______________________________________________________________.
_______________________________________________________________.
Pgina 60
Dr. P. Reyes /
Diagrama de afinidad:
o Organiza grandes cantidades de informacin
Diagrama de rbol:
o Diagrama los niveles de destalle para alcanzar un objetivo
principal y los objetivos secundarios relacionados
Diagrama Matricial:
o Muestra las relaciones y correlaciones entre ideas
Matrices de prioridad:
o Asigna prioridades a asuntos, tareas o posibles opciones con
base en criterios conocidos
APLICACIONES
Las herramientas para la mejora continua se emplean de manera ideal
en los casos siguientes:
Dividir un requerimiento general de detalles especficos
Identificar y eliminar las causas raz de un problema
Programar actividades complejas
Planeacin de contingencia
Ayudar a una organizacin a pasar de la manera antigua de pensar
a otras formas ms novedosas de hacerlo
Realizar una seleccin final de una lista de opciones
Evaluar opciones de diseo de producto
Pgina 61
Dr. P. Reyes /
Diagrama de Afinidad
Es una herramienta que se emplea para organizar grandes cantidades
de informacin agrupando los aspectos de la misma con base en
relaciones clave entre ellos; tambin se conoce como mtodo KJ. Cuando
se emplea este diagrama, se organizan las ideas o reas generales de
problemas para adquirir la comprensin de un problema o asunto
complejo, as como para identificar las causas potenciales de un
problema. La herramienta ayuda a mejorar el compromiso y el apoyo del
equipo.
PASOS
1. Reunir el equipo y elegir un lder, todos relacionados con el asunto
a tratar.
2. Establecer el asunto o problema en forma de pregunta.
3. Realizar una tormenta de ideas respecto al problema o aspecto y
registrarla en fichas de trabajo.
4. Desplegar las tarjetas en una mesa grande o muro.
5. Acomodar las tarjetas en pilas similares o por familias.
6. Crear tarjetas de encabezado
7. Dibujar el diagrama de afinidad
a. Trazar un crculo en torno a cada agrupamiento
b. El diagrama queda completo cuando el equipo alcanza el
consenso
Pgina 62
Pgina 63
Dr. P. Reyes /
Dr. P. Reyes /
FUENTE
HTTP://WWW.SAPDESIGNGUILD.ORG/RESOURCES/GLOSSARY_USAB/IMAGES/AFFINITYE
E1.JPG
FUENTE:
HTTP://WWW.MEX.OPSOMS.ORG/DOCUMENTOS/TUBERCULOSIS/MEJORA/4_DIAGRAMA_AFINIDAD.PDF
Pgina 64
Pgina 65
Dr. P. Reyes /
Dr. P. Reyes /
Pgina 66
Dr. P. Reyes /
COUNCIL.COM
FIG.
1.25
Pgina 67
WWW.QUALITY
Dr. P. Reyes /
FUENTEHTTP://WWW.CALIDADEDUCATIVA.ORG/CONGRESO2008/MEMORIA/
TUFINO_COMPLEMENTARIO/TUFINO_INTERRELACION.PDF
Pgina 68
Dr. P. Reyes /
Diagrama de rbol
Pgina 69
Dr. P. Reyes /
FUENTE:
HTTP://WWW.PROGRAMAEMPRESA.COM/EMPRESA/EMPRESA.NSF/PAGINAS/B274A80F363DE0
39C12570290041808D?OPENDOCUMENT
Pgina 70
Dr. P. Reyes /
FUENTE
HTTP://DGPLADES.SALUD.GOB.MX/2006/HTDOCS/HG/NUEVAS/HESTRA7.PD
F
FIG.
1.27
Pgina 71
FIG.
1.28
Pgina 72
Dr. P. Reyes /
Dr. P. Reyes /
Diagrama Matricial
FIG.
1.29
Pgina 73
1.30
Pgina 74
Dr. P. Reyes /
DIAGRAMAS MATRICIALES
Dr. P. Reyes /
27
FIG.
DIAGRAMA
FIG.
27
Dr. P. Reyes /
FIG.
FIG.
Pgina 76
Pgina 77
Dr. P. Reyes /
Dr. P. Reyes /
28
Pgina 79
Dr. P. Reyes /
Dr. P. Reyes /
Cambiar fecha
de reunin
Reservar sala
de reuniones
Sala de reuniones
no disponible
Reservar otro
sitio
Rentar equipo
audiovisual
Planeacin de
una reunin
Verificar equipo
audiovisual
Efectuar los
arreglos de
alimentacin
= Seleccionado
= No factible
Equipo audiovisual
no disponible
Banquete no
disponible
Men no
disponible
Reservar otro
sitio
Ordenar a otro
proveedor
Solicitar un
men distinto
Ordenar otro
proveedor de
banquetes
Pgina 80
Dr. P. Reyes /
PASOS
1.
2.
3.
4.
5.
6.
7.
-
Pgina 81
Dr. P. Reyes /
Pgina 82
FUENTE
Dr. P. Reyes /
HTTP://SYQUE.COM/QUALITY_TOOLS/TOOLS/TOOLS12.HTM
Pgina 83
Dr. P. Reyes /
PASOS
1. Reunir el equipo apropiado.
a. Los miembros del equipo debern conocer a fondo las tareas
y subtareas
2. Identificar todas las tareas que requiere el proyecto.
3. Determinar la secuencia de actividades.
4. Calcular el tiempo que se requiere cada actividad.
5. Calcular la ruta crtica del proyecto.
6. Calcular la fecha ms tarda de inicio y ms temprana de
conclusin de cada subtarea.
7. Calcular la holgura total.
8. Disear el diagrama de redes de actividades.
Pgina 84
Pgina 85
Dr. P. Reyes /
Dr. P. Reyes /
Pgina 86
Dr. P. Reyes /
d) Se elige entre los resultados as obtenidos el mayor. Este ser el nico TE del
evento N. Los dems valores obtenidos son irrelevantes y no se volvern a
considerar.
Los valores TE as obtenidos, se escribirn en el Diagrama de Flechas por
encima del respectivo evento.
El TL de un evento representa el tiempo mximo en que debe
alcanzarse el evento para poder seguir el proyecto tal y como ha sido
planificado, siendo el TL del ltimo evento el tiempo establecido para finalizar
el proyecto.
El valor TL de un evento N se calcula de la siguiente manera:
a) Se empieza con el ltimo evento (= fin del proyecto), operando en sentido
inverso hasta el primero. El TL del ltimo evento se considera aqu como un
dato externo, ya establecido. (Deseo del cliente, compromiso, fecha
"orientativa" interna, a menudo el valor TE obtenido en el Paso 4 para el
evento final del proyecto, etc...).
b) Se identifican todos los eventos sucesores del evento N.
c) Para cada uno de estos eventos se resta de su TL la duracin t de la
actividad que le conecta con el evento N.
d) Se elige entre los resultados as obtenidos el menor. Este ser el nico TL
del evento N. Los dems valores obtenidos son irrelevantes y no se volvern a
considerar.
Los valores TL as obtenidos, se escribirn en el Diagrama de Flechas debajo
del respectivo evento.
La holgura de un evento es la diferencia entre el tiempo mximo permisible y
el tiempo mnimo posible para alcanzarlo.
La holgura indica entonces el margen de seguridad de tiempo de que se
dispone para alcanzar este evento, sin comprometer el plan de marcha del
proyecto. La holgura de un evento puede ser positiva, negativa o igual a cero.
El camino crtico es aquella secuencia de actividades, desde el primer evento
hasta el ltimo, en la que los eventos disponen de la holgura mnima.
Pgina 87
Dr. P. Reyes /
Pgina 88
Dr. P. Reyes /
Cartas de control
En 1924 WALTER SHEWHART realiz experimentos y desarroll las Cartas de
Control en la planta telefnica Western Electric de los los Bell Labs, las cuales
tienen las siguientes caractersticas:
Dr. P. Reyes /
salen de los lmites de control, es seal de que se debe tomar accin para
remover esa fuente de variabilidad anormal. Su uso sistemtico proporciona un
excelente medio para reducir la variabilidad.
Diseo de experimentos
Un experimento diseado es muy til para descubrir las variables clave que
tienen influencia en las caractersticas de calidad de inters del proceso. Es un
mtodo para variar en forma sistemtica los factores controlables del proceso y
determinar los efectos que tienen esos factores en los parmetros finales del
producto. Permite reducir la variabilidad en la caracterstica de calidad y en
determinar los niveles ms adecuados de los factores controlables que
optimicen el desempeo del proceso. Fisher inicia el desarrollo del diseo de
experimentos en la agricultura en Inglaterra en los aos 1920s.
ENTRADAS CONTROLABLES
X1
X2
XP
CARACT.DE
PROCESO
Materias primas,
Componentes, etc.
Z1
Z2
ZQ
ENTRADAS NO CONTROLABLES
Fig. 1.42 Proceso de produccin, entradas y salidas
El principal mtodo para disear experimentos es el diseo factorial, en el cual
los factores son variados de tal forma de probar todas las posibles
combinaciones de los niveles de los factores.
Pgina 90
Dr. P. Reyes /
Muestreo de aceptacin
Est relacionado con la inspeccin y prueba del producto, donde se selecciona
e inspecciona una muestra aleatoria de un lote mayor, resultando en una
aceptacin o rechazo de ese lote mayor, esto ocurre en la recepcin de
materias primas y componentes y en el producto terminado.
Tiene las siguientes ventajas:
-
Pgina 91
LOTE
Dr. P. Reyes /
MUESTRA ALEATORIA
ENVIO
INSPECCION
PROCESO
CLIENTE
b) INSPECCION DE RECIBO
ENVIO
INSPECCION
PROCESO
c) INSPECCION RECTIFICADORA
CLIENTE
ACEPTAR ENVIO
CLIENTE
PROCESO
INSPECCION
RECHAZO
SCRAP
RETR
ABAJO
DISPOSICIN DE LOTES
Fig. 1.44 Variaciones del muestreo de aceptacin
Pgina 92
Dr. P. Reyes /
0%
DISEO DE
EXPERIMENTOS
Tiempo
Pgina 93
Dr. P. Reyes /
Deming impulso el uso del CEP y los mtodos estadsticos en Japn para la
reduccin de la variabilidad y mejora continua de calidad, con sus 14
recomendaciones a la direccin.
Costos de calidad
Son costos asociados con producir, identificar, evitar o reparar productos que
no cumplan especificaciones. Normalmente se clasifican en cuatro categoras:
Prevencin, Apreciacin, Falla interna y Falla externa, algunos de los elementos
que incluyen son los siguientes:
Costos de prevencin
Scrap o desperdicio
Retrabajos
Re-inspeccin
Pgina 94
Dr. P. Reyes /
Control de proceso
Anlisis de falla
Entrenamiento
Ineficiencias
Descuentos
Costos de falla externa
Atencin de quejas
Producto regresado
Costos legales
Costos de prevencin
Son los costos asociados con los esfuerzos de diseo y manufactura enfocados
a la prevencin de defectos, de tal forma de hacer bien las cosas a la primera
vez.
Costos de apreciacin
Son los costos asociados con la medicin, evaluacin, o auditora a productos,
componentes y materiales comprados para asegurar su conformancia a los
estndares establecidos.
Costos de falla interna
Son los costos incurridos cuando los productos, componentes o materiales y
servicios no cumplen los requerimientos de calidad, y los defectos son
descubiertos antes de embarcar al cliente.
Costos de falla externa
Son los costos incurridos cuando el desempeo del producto no es el adecuado
una vez que lo utiliza el cliente.
Pgina 95
Dr. P. Reyes /
Pgina 96
Dr. P. Reyes /
Pgina 97
Dr. P. Reyes /
Pgina 98
Dr. P. Reyes /
LSE
Pgina 99
Dr. P. Reyes /
Existe una relacin del porcentaje de probabilidad o rea bajo la curva normal
a la desviacin estndar. En la figura observamos por ejemplo que el rea bajo
la curva para 1
= 95.46% y
3 99.73% .
Pgina 100
Pgina 101
Dr. P. Reyes /
Pgina 102
Dr. P. Reyes /
Pgina 103
Dr. P. Reyes /
Dr. P. Reyes /
Ejemplo 2.2
a) Determinar el rea bajo la curva de menos infinito a Z = 1.
P(Z <= 1) = 0.8413
b) Determinar el rea bajo la curva de menos infinito a Z = 2.
P(Z <= 2) = 0.9772 8
c) Determinar el rea bajo la curva de menos Z = 1 a Z = 2
P(1 <= Z <= 2) = 0.9772 0.8413 = 0.1369
EJERCICIO 2.1:
Qu porcentaje del rea bajo la curva normal estndar o probabilidad est
incluido dentro de los siguientes rangos?
a) P(1.2 <= Z <= 2.2) = P(Z <= 2.2) P(Z <= 1.2) =
b) P(-2.1 <= Z <= -0.4) = P(Z <= - 0.4) P(Z <= -2.1) =
c) P( -1.3 <= Z <= 2.7) = P(Z <= 2.7) P(Z <= -1.3) =
Pgina 104
Dr. P. Reyes /
X X
s
prueba?
Calculando el valor de Z obtenemos:
Z
X
500 485
0.5
=
30
Pgina 105
Dr. P. Reyes /
485
3 0 .8 5 %
Z.0 5
Ejemplo 2.4 Suponga que un proceso tiene una distribucin normal dada tiene
una media de 20 y una desviacin estndar de 4. Calcule la probabilidad
P (X >=24) = 1 P(X <= 24) =
En la barra de herramientas seleccione el icono de funciones
fx>Estadsticas>Distr.Norm.Estand. OK. El sistema muestra la siguiente
ventana, en la cual llenamos los siguientes datos:
Fig. 2.7 Clculo del rea bajo la curva normal sin requerir Z
El resultado de la frmula = 0.8413. , dado que esta es la probabilidad P(X
24), la probabilidad buscada es: P(X > 24) = 1 - 0.8413= 0.1587
Pgina 106
Dr. P. Reyes /
EJERCICIO 2.2:
Un producto tiene un peso promedio de 75 Kgs. con una desviacin estndar
de 10Kgs.
a) Cul es la probabilidad de que un producto pese ms de 85Kgs.?
b) Cul es la probabilidad de que un producto pese menos de 55Kgs.?
c) Cul es la probabilidad de que el producto pese entre 60 y 80 Kgs.?.
d) Cul es la probabilidad de que el producto pese entre 55 y 70 Kgs.?
e) Cul es la probabilidad de que el producto pese entre 85 y 100Kgs.?
El P value debe ser mayor a 0.05 para que los datos se distribuyan
normalmente
Pgina 107
Dr. P. Reyes /
Pgina 108
2.3
LA CARTA
HIPTESIS
DE
CONTROL
Dr. P. Reyes /
COMO
PRUEBAS
DE
Pgina 109
Dr. P. Reyes /
Z c X 0
(2.6)
Para encontrar la probabilidad de error tipo II, se debe asumir que Ho es falsa y
entonces hallar la distribucin de Zc. Suponiendo que la media de la
distribucin realmente es:
1 = 0 +
con > 0
Zc N
,1
n
BAJO H0
- Z/2
BAJO H1
Zc = n /
Z/2
n
n
Z / 2
Z / 2
Pgina 110
(2.7)
Dr. P. Reyes /
Ejemplo 2.5: si los estndares especifican que la media de una lata de caf es
de 16.0 oz., y de acuerdo a la experiencia se sabe que la desviacin estndar
del contenido es de 0.1 oz. Las hiptesis son:
Ho: = 16.0
Ho: 16.0
Asumiendo una probabilidad de error tipo I de 0.05 y tomando una muestra de
9 latas, se tiene que el estadstico de prueba es:
Z 0 X 16
0 .1
9
n
n
Z / 2
Z / 2
1.96
0.1 9
0.1 9
1.96
0.1
0.1
= (- 1.4 ) - ( -4.96 )
= 0.1492
Es decir que la probabilidad de no rechazar Ho si la media es 16.1 oz. Es de
0.1492, o que la potencia de la prueba es de 1 - = 1 0.1492 = 0.8508.
De la ecuacin anterior para , se observa que es una funcin de n, y de ,
tomando como 0.05 y graficando contra d =
caractersticas de operacin (OC).
(ver grfica de curva OC)
Pgina 111
Dr. P. Reyes /
Pgina 112
Dr. P. Reyes /
Pgina 113
Dr. P. Reyes /
Tiempo
LIC
Fig. 2.10 Carta de control de Shewhart
proceso est fuera de control y que la media del proceso tiene un valor
diferente del de 0, por decir 1, donde 1 0.
Se puede decir que las probabilidades de los errores tipo I y tipo II de la carta
de control, son esquemas de prueba de hiptesis para analizar el desempeo
de las cartas de control.
Pgina 114
Dr. P. Reyes /
.01
0.0045
n
5
74
74.9865
Tiempo
Pgina 115
Dr. P. Reyes /
(2.8)
LC = w
LIC = w - Lw
Donde L es la distancia de los lmites de control a partir de la lnea
central expresada en unidades de desviacin estndar.
El uso ms importante de la carta de control es la mejora del proceso, a travs
de su monitoreo, al principio se observar que los procesos no estn en control
estadstico, sin embargo con las cartas de control se podrn identificar causas
especiales que al ser eliminadas, resulten en una reduccin de la variabilidad
mejorando el proceso.
Pgina 116
DISTRIBUCION
PROCESO
DE LOS VALORES
73.9865
Dr. P. Reyes /
DISTRIBUCION
DE LAS MEDIAS
INDIVIDUALES =.01
COMPORTAMIENTO
DEL
X 0.0045
PROCESO
SALIDA
SISTEMA DE
EVALUACIN
Verificacin
y seguimiento
Implantar
Pgina 117
Deteccin de causa
asignable
Identificar causa
Dr. P. Reyes /
raz
del
problema
Correctiva
Pgina 118
Dr. P. Reyes /
Pgina 119
Dr. P. Reyes /
Pgina 120
Dr. P. Reyes /
+3.0
LC
-3.00
-3.09
Fig. 2.14 Lmites de control de Shewhart y Europeos
Los lmites de control a 0.001 se utilizan en pases europeos.
Algunos analistas sugieren el uso de lmites preventivos trazados a 2-sigmas de
la lnea central, para el caso de lmites de control a 3-sigmas y a 0.025 de
probabilidad para lmites de control a 0.001. Estos lmites aumentan la
sensibilidad de la carta de control para identificar corrimientos de la media del
proceso, en forma ms rpida. Si un punto cae fuera de los lmites preventivos,
Una desventaja es que crean confusin con el personal y se incrementa el
riesgo de error tipo I (falsas alarmas).
Pgina 121
Dr. P. Reyes /
1
p
(2.9)
ATS ARLh
(2.10)
ARL1
1
1
2
p 0.5
Pgina 122
Dr. P. Reyes /
Diseo 1
Diseo 2
n=5
n = 10
Subgrupos racionales
La idea fundamental en las cartas de control es colectar los datos de la
muestra de acuerdo al concepto de subgrupo racional es decir que el subgrupo
debe seleccionarse de tal forma que si estn presentes causas asignables, la
diferencia entre los subgrupos sea maximizada, minimizando la diferencia
dentro del subgrupo.
El tiempo en que se tomen las muestras es una buena base para formar
subgrupos, evitando que algunas observaciones se tomen al final de un turno y
las restantes al inicio del siguiente ya que ocasiona diferencias dentro del
subgrupo.
Por lo anterior se recomienda tomar productos consecutivos de produccin
para formar la muestra (cuyo tamao puede ser entre 4 y 6), minimizando
diferencias dentro del subgrupo. En algunos procesos como los qumicos, es
suficiente tomar una sola unidad de producto como muestra, dado que existe
homogeneidad.
Pgina 123
Dr. P. Reyes /
Pgina 124
Dr. P. Reyes /
mecanismo
para
reconocer
el
xito
organizacin.
Pgina 125
comunicacin
hacia
la
Pgina 126
Dr. P. Reyes /
Dr. P. Reyes /
LIE
MEDIA
MEDIA
LSE
LIE
MEDIA
LSE
LIE
LSE
MEDIA CORRIDA
DESVIACION
MAYOR
LA
Xi
= /
Pgina 127
Z / 2 X Z / 2
Z / 2 X Z / 2
Dr. P. Reyes /
(3.1)
X
i 1
(3.2)
R
i 1
(3.4)
Pgina 128
Dr. P. Reyes /
(3.5)
R
d2
(3.6)
LSC X
LIC X
3R
d2 n
3R
d2 n
(3.7)
Lnea central (LC)
Si de define a
A2
3R
d2 n
LSC = X + A2 R
(3.8)
LIC = X - A2 R
El valor de A2 se encuentra tabulado en una tabla de constantes.
Pgina 129
Dr. P. Reyes /
(3.9)
R d3
R
d2
(3.10)
LSC = R + 3 R = R + 3 d 3
d3
R
= R [ 1+ 3
] = D4 R
d2
d2
(3.11)
LIC = R - 3 R = R - 3 d 3
d3
R
= R [ 1- 3
] = D3 R
d2
d2
A2
D3
D4
d2
2
3
4
5
6
7
8
9
10
1.88
1.023
0.072
0.577
0.483
0.419
0.373
0.337
0.308
0
0
0
0
0
0.076
0.136
0.184
0.223
3.267
2.574
2.282
2.115
2.004
1.924
1.864
1.816
1.777
1.128
1.693
2.059
2.326
2.534
2.704
2.847
2.97
3.078
Pgina 130
n
2
Eficiencia
Relativa
1.000
0.992
0.975
0.955
0.930
10
0.850
Dr. P. Reyes /
Para n >= 10 el rango pierde eficiencia rpidamente ya que ignora los valores
intermedios entre xmax y xmin sin embargo para valores pequeos de n (4,5 o 6)
empleados en las cartas de control, es adecuado. Para cuando n>10 se utiliza
la desviacin estndar en vez del rango.
EQUIPO DE MEDICIN
La resolucin del equipo debe ser de al menos 1/10 de la tolerancia y debe
tener habilidad para realizar la medicin con un error por Repetibilidad y
Reproducibilidad (R&R) menor al 10% (ver procedimiento de estudios R&R).
LIMITES PRELIMINARES
Siempre que un proceso este siendo analizado a travs de una carta de control,
es muy importante llevar una bitcora registrando todos los cambios (tiempo y
descripcin) conforme ocurran, por ejemplo: cambio de turno, cambio de
materiales, ajuste de mquina, interrupcin de energa, arranque de mquina,
etc. Con objeto de identificar las causas asignables en caso de presentarse
para la toma de acciones correctivas.
Al iniciar una carta de control tomando m subgrupos (20 a 25) se calculan y
grafican los lmites de control preliminares para determinar si el proceso estuvo
en control (ver procedimiento de Grficas de Control). Para probar esta
hiptesis, se analizan todos los puntos graficados y se hace un anlisis para
identificar si hay puntos fuera de los lmites de control o patrones anormales de
Pgina 131
Dr. P. Reyes /
X R
Pgina 132
Dr. P. Reyes /
Pgina 133
Dr. P. Reyes /
LSC
LC
LIC
Fig. 3.3 Patrn de anormalidad con mezcla de lotes
Corrimiento en la media del proceso. Esto puede ser generado por un cambio
en mtodos, operadores, materias primas, mtodos de inspeccin, etc.
LSC
LC
LIC
Fig. 3.4 Patrn de anormalidad con corrimiento en media
Una tendencia ascendente o descendente: Son causadas por deterioracin
gradual de herramientas u otro componente crtico del proceso, en los procesos
qumicos puede deberse a la separacin de algn componente.
LSC
LC
LIC
Fig. 3.5 Patrn de anormalidad de tendencia ascendente
Pgina 134
Dr. P. Reyes /
Dr. P. Reyes /
X . Si ambas
X11
X12
X13
X14
Media Rang
X15
s
os
138.1
149.3
115.9
118.5
108.2
102.8
120.4
132.7
136.4
135.0
139.6
125.3
110.8
142.1
135.6
116.5
123.8
112.0
84.3
151.1
126.2
115.4
127.9
160.2
138.7
105.0
124.2
130.2
117.1
135.0
112.8
124.0
154.7
149.1
151.1
130.4
137.4
134.0
155.0
122.6
142.4
135.0
118.5
123.9
127.1
138.3
143.7
152.4
125.4
92.3
117.4
100.2
150.9
145.8
119.3
105.1
173.2
130.4
110.5
165.1
130.1
124.5
129.6
117.6
128.5
126.1
111.1
127.4
143.5
133.6
134.6
146.7
Pgina 136
27.9
57.0
39.1
30.0
42.7
43.0
36.1
46.0
47.0
33.7
40.6
39.8
Desv.
Est.
12.1
24.7
16.2
11.1
17.7
17.9
15.2
16.7
20.2
12.3
15.9
17.9
101.8
139.0
114.6
101.0
135.3
97.3
150.0
138.3
149.5
131.9
165.1
154.6
121.5
130.5
161.6
119.6
113.3
140.2
113.8
120.2
147.9
109.0
148.4
151.8
151.8
141.1
139.6
117.3
105.0
150.5
154.2
142.7
Dr. P. Reyes /
132.4
138.2
128.6
127.7
127.1
123.4
147.5
139.4
50.0
9.2
55.0
53.6
42.9
53.2
38.2
32.2
23.2
3.6
23.5
21.8
16.0
20.7
14.4
12.1
150
140
__
X=130.88
130
120
110
LCL=107.31
1
11
Sample
13
15
17
19
UCL=86.40
Sample Range
80
60
_
R=40.86
40
20
0
LCL=0
1
11
Sample
13
15
17
19
lmites de control
X12
X13
X14
X15
Medias Rangos
Pgina 137
Desv.
184.8
193.2
170.2
154.2
174.3
180.2
143.9
186.7
143.6
191.7
182.2
180.7
168.4
169.1
166.2
149.2
157.5
142.4
132.8
203.4
143.3
169.1
202.7
142.2
155.5
175.2
171.8
159.4
168.9
150.4
212.8
174.3
174.4
161.9
184.3
185.0
194.9
167.6
177.2
196.3
Dr. P. Reyes /
170.82
179.72
174.1
156.98
179.32
175.3
167.18
166.86
157.02
182.78
Est.
33.2801
9.0461
17.5943
9.9693
23.222
15.2797
18.8798
17.1516
18.3454
21.5062
81.8
24.1
47.9
26.9
60.8
37.7
51
44.3
44.4
53
Sample Mean
180
1
1
1
1
UCL=169.04
165
__
X=144.26
150
135
120
LCL=119.47
1
1
10
13
16
Sample
19
22
25
28
UCL=90.9
Sample Range
80
60
_
R=43.0
40
20
0
LCL=0
1
10
13
16
Sample
19
22
25
28
X12
143.1
127.3
98.3
X13
118.5
110.4
134.0
X14
103.2
91.0
105.1
X15
121.6
143.9
133.1
Medias
123.6
116.7
120.1
Pgina 138
Rangos
39.9
52.9
35.7
132.8
111.0
86.4
109.5
114.0
156.3
148.7
106.1
108.8
64.4
84.9
135.4
119.7
127.4
131.0
177.5
137.1
129.8
83.2
96.2
125.0
99.2
121.6
117.5
110.6
107.6
153.0
127.2
Dr. P. Reyes /
122.9
126.7
106.1
116.1
112.8
122.2
127.1
46.0
68.7
72.7
61.0
52.2
70.5
41.3
Sample Mean
UCL=153.18
140
__
X=127.06
120
LCL=100.95
100
1
10
13
16
Sample
19
22
25
28
Sample Range
100
UCL=95.7
75
_
R=45.3
50
25
0
LCL=0
1
10
13
16
Sample
19
22
25
28
HORA
X1
X2
X3
X4
X5
1
2
3
4
5
-30
0
-50
-10
20
50
50
10
-10
-40
-20
-60
20
30
50
10
-20
30
-20
20
30
30
20
50
10
Pgina 139
Rango
Medias
s
8
0
6
8
12
80
110
80
70
90
0
0
70
0
10
40
30
30
30
10
0
20
10
50
50
0
0
-30
0
20
0
20
-30
-10
-10
0
20
-20
-10
0
40
20
30
20
30
20
30
0
50
50
30
30
50
40
0
Dr. P. Reyes /
-40
-20
-10
-20
10
0
10
10
-10
40
-10
30
30
20
30
20
-10
0
10
50
20
40
10
-30
0
0
-20
10
0
10
4
-2
12
2
24
16
26
4
6
18
4
16
16
20
18
80
40
100
40
40
40
30
60
80
60
40
50
70
60
50
40
20
__
X=10.9
0
-20
LCL=-25.73
1
11
Sample
13
15
17
19
150
Sample Range
UCL=134.3
100
_
R=63.5
50
LCL=0
1
11
Sample
13
15
17
19
Dr. P. Reyes /
Mean
StDev
N
AD
P-Value
95
90
Percent
80
70
60
50
40
30
20
10
5
-10
10
Medias
20
Pgina 141
30
10.9
8.065
20
0.355
0.425
Dr. P. Reyes /
Mean
StDev
N
AD
P-Value
95
90
63.5
22.54
20
0.478
0.210
Percent
80
70
60
50
40
30
20
10
5
20
40
60
Rangos
80
100
120
e
Por las pruebas de normalidad de rangos y medias, se deduce que el proceso
est en Control Estadstico (en ambos casos el P value es mayor a 0.05).
Pgina 142
Dr. P. Reyes /
Media
Rango
Subgru
po 1
2
4
3
5
1
09:00
a.m.
3
4
Subgru
po 2
5
3
6
7
4
10:00
a.m.
5
4
Subgru
po m
3
4
1
5
2
11:00
a.m.
3
4
Pgina 143
Dr. P. Reyes /
Sample Mean
602
601
_
_
X=599.938
600
599
598
LCL=597.629
2
10
Sample
12
14
16
18
UCL=8.465
Sample Range
8
6
_
R=4.003
4
2
0
LCL=0
2
10
Sample
12
14
16
18
Ejercicio
equipos.
Pgina 144
Pgina 145
Dr. P. Reyes /
Dr. P. Reyes /
R
0.023
=
= 0.0099
d2
2.326
LIE LTNI
MEDIA
LTNS
LSE
Pgina 146
Dr. P. Reyes /
Cp =
LSE LIE
6
Cp =
74.05 73.95
0.10
1.68
6(0.0099)
0.05984
(3.12)
LTNI LIE
LSE
LTNS
Caso 2. Si Cp es igual a 1, implica que las bandas para los lmites de tolerancia
natural y de especificaciones coinciden (aunque para el caos de 3-sigma aun
hayan 2700 ppm fuera de especificaciones).
LIE
LSE
LNTI
LNTS
Pgina 147
Dr. P. Reyes /
Pgina 148
LIE LTNI
Dr. P. Reyes /
LTNS LSE
0.0099
0.0099
= (-5.15) + 1 - (4.04)
0 + 1 0.99998
0.00002
Por lo anterior alrededor de 0.002% o 20 partes por milln (ppm) de los anillos
producidos estarn fuera de especificaciones.
Pgina 149
Dr. P. Reyes /
USL
Within
Overall
Process Data
LSL
85
Target
*
USL
175
Sample Mean
127.063
Sample N
150
StDev(Within) 19.4626
StDev(Overall) 19.8965
60
Observed Performance
PPM < LSL 26666.67
PPM > USL
6666.67
PPM Total
33333.33
80
100
120
140
160
Pgina 150
180
0.75
0.70
0.80
0.70
*
Dr. P. Reyes /
Ejemplo 3.3. Para las cartas X-R se tiene el clculo de la capacidad o habilidad
del proceso, una vez estable (considerando que los lmites de especificacin
son -80 y +80):
USL
Within
Overall
Process Data
LSL
-80
Target
*
USL
80
Sample Mean
10.9
Sample N
100
StDev(Within) 27.3001
StDev(Overall) 25.2301
-60
Observed Performance
PPM < LSL 0.00
PPM > USL 0.00
PPM Total
0.00
-30
30
1.06
1.20
0.91
0.91
*
60
Pgina 151
Dr. P. Reyes /
Pgina 152
Dr. P. Reyes /
(3.14)
(3.15)
ant.
= 2.326, d2
nueva
= 1.693, A2
nueva
Pgina 153
Dr. P. Reyes /
LIM.SUP.NVO
LIMITES
ANTERIORES
CARTA X
LIM.INF.NVO.
LIMITE SUP. ANT.
LIMITE SUP.NVO.
CARTA R
0
Fig. 3.17 Revisin de lmites de control cambiando de n=5 a 3
Como se puede observar el efecto de reducir el tamao de muestra hace que
se incremente el ancho de los lmites de control en la carta X (porque
es
n
Pgina 154
Dr. P. Reyes /
(3.17)
LIC = 0 - L / n
La probabilidad de que un punto de X
(LIC). Considerando la
LSC
Xi
LC
( ZLIC, x)
LIC
-
Fig. 3.18 Clculo del error Beta o tipo II
LSC ( 0 k )
LIC ( 0 k )
-
/ n
/ n
Entonces =
0 L / n ( 0 k )
/ n
0 L / n ( 0 k )
/ n
(3.18)
n )-(-Lk
n )
(3.19)
Pgina 155
Dr. P. Reyes /
Ejemplo 3.4 Para una carta X R con L=3 (lmites a 3-sigma de medias),
tamao de muestra n=5, y se desea determinar el corrimiento a 1 = 0 + 2
en la primera muestra subsecuente al corrimiento de la media del proceso, se
tiene:
=(32
5 )-(-32
5 )
= (-1.47) - (-7.37)
= 0.0708
Este es el riesgo o la probabilidad de no detectar tal corrimiento. La
probabilidad de s detectarlo es 1- =
= 1 0.0708 = 0.9292.
Con las frmulas anteriores se construyen las curvas caractersticas de
operacin para diferentes valores de n en funcin de k.
Si n=5 y el corrimiento es de +1, de las curvas OC se tiene que = 0.75 y la
probabilidad de detectar el corrimiento en la segunda muestra se calcula como
(1- ) = 0.19, y as sucesivamente. La longitud de la corrida media es el
nmero esperado de muestras antes de que el corrimiento sea detectado, se
denomina ARL o :
ARL =
En este caso
1
1
(3.20)
ARL = 1 / 0.25 = 4. Es decir que el se requieren tomar
Pgina 156
Dr. P. Reyes /
1>0 , en la primera
(3.22)
n>10 o 12 (donde el
Pgina 157
Dr. P. Reyes /
40
20
__
X=10.9
0
-20
LCL=-25.11
1
11
Sample
13
15
17
19
60
Sample StDev
UCL=52.71
45
30
_
S=25.23
15
0
LCL=0
1
11
Sample
13
15
17
19
n 1
c4
1/ 2
( n / 2)
((n 1) / 2)
(3.18)
CASO DE n CONSTANTE
Con esta informacin se pueden establecer los lmites de control para la carta
Pgina 158
Dr. P. Reyes /
LSCs = c4 + 3 1 c 4 = B6
LSCX = + A
(3.20)
= c 4
LCs
LC =
LICs = c4 - 3 1 c 4 = B5
LICX = - A
1 m
Si
m i 1
(3.21)
__
S
c4
(3.22)
LSCs = S 3
S
c4
1 c 42 = B4 S
(3.23)
LCs = S
LICs = S 3
S
c4
1 c 42 = B3 S
Para el caso de la carta X , cuando S /c4 se una para estimar los lmites de
control para esta carta son:
Pgina 159
LSCx = X + 3
S
c4
Dr. P. Reyes /
= X + A3 S
(3.24)
LCx = X
LICx = X - 3
S
c4
= X - A3 S
c4
A3
B3
B4
B5
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
0.94
0.9515
0.9594
0.965
0.9693
0.9727
0.9754
0.9776
0.9794
0.981
0.9823
0.9835
0.9845
0.9854
0.9862
0.9869
0.9876
0.9882
0.9887
0.9892
0.9896
1.342
1.225
1..134
1.061
1
0.949
0.905
0.866
0.832
0.802
0.775
0.75
0.728
0.707
0.688
0.671
0.655
0.64
0.626
0.612
0.6
1.427
1.287
1.182
1.099
1.032
0.975
0.927
0.886
0.85
0.817
0.789
0.763
0.739
0.718
0.698
0.68
0.663
0.647
0.633
0.619
0.606
0
0.03
0.118
0.185
0.239
0.284
0.321
0.354
0.382
0.406
0.428
0.448
0.466
0.482
0.497
0.51
0.523
0.534
0.545
0.555
0.565
2.089
1.97
1.882
1.815
1.761
1.716
1.679
1.646
1.618
1.594
1.572
1.552
1.534
1.518
1.503
1.49
1.477
1.466
1.455
1.445
1.435
0
0.029
0.113
0.179
0.232
0.276
0.313
0.346
0.374
0.399
0.421
0.44
0.458
0.475
0.49
0.504
0.516
0.528
0.539
0.549
0.559
Pgina 160
B6
1.964
1.874
1.806
1.751
1.707
1.669
1.637
1.61
1.585
1.563
1.544
1.526
1.511
1.496
1.483
1.47
1.459
1.448
1.438
1.429
1.42
Dr. P. Reyes /
CASO DE n VARIABLE
En el caso de tamao de muestra variable, se utiliza el promedio ponderado de
las medias y de las desviaciones estndar como sigue:
m
n X
i 1
m
n
i 1
(n
(3.25)
1/ 2
1) S
2
i
(3.26)
ni m
i 1
Ejemplo 3.4 Para una carta X-S con lmites variables, se tomaron los datos
siguientes, corriendo en Minitab:
Datos
74.030
74.002
74.019
73.992
74.008
73.995
73.992
74.001
73.998
74.024
74.021
74.005
74.002
74.002
73.996
73.993
74.015
74.009
73.992
74.007
Muest
ra
1
1
1
1
1
2
2
2
3
3
3
3
3
4
4
4
4
4
5
5
Datos
74.000
73.985
74.003
73.993
74.015
73.998
74.008
73.995
74.009
74.005
73.998
74.000
73.990
74.007
73.995
73.994
73.998
73.994
73.995
73.990
Muest
ra
7
8
8
8
8
8
9
9
9
9
10
10
10
10
10
11
11
11
11
11
Datos
73.994
74.000
73.984
74.012
74.014
73.998
74.000
73.984
74.005
73.998
73.996
73.994
74.012
73.986
74.005
74.006
74.010
74.018
74.003
74.000
Muestr
a
14
14
14
15
15
15
16
16
16
16
16
17
17
17
17
18
18
18
18
18
Pgina 161
Datos
74.009
74.005
73.996
74.004
73.999
73.990
74.006
74.009
74.010
73.989
73.990
74.009
74.014
74.015
74.008
73.993
74.000
74.010
73.982
73.984
Muestra
21
21
21
22
22
22
22
22
23
23
23
23
23
24
24
24
24
24
25
25
Dr. P. Reyes /
74.015
73.998
5
5
74.004
74.000
12
12
73.984
74.002
19
19
74.014
74.009
73.994
73.997
73.985
73.995
74.006
73.994
5
6
6
6
6
7
7
7
74.007
74.000
73.996
73.983
74.002
73.998
74.006
73.967
12
12
12
13
13
13
14
14
74.003
74.005
73.997
74.000
74.010
74.013
73.998
74.001
19
19
19
20
20
20
21
21
73.995
74.017
74.13
25
25
25
Sample Mean
74.02
74.01
__
X=74.0009
74.00
73.99
LCL=73.98134
73.98
1
11
13
Sample
15
17
19
21
23
25
Sample StDev
0.024
UCL=0.02403
0.018
0.012
_
S=0.00736
0.006
0.000
LCL=0
1
11
13
Sample
15
17
Pgina 162
19
21
23
25
Dr. P. Reyes /
S
c4
Para el ejemplo:
S
= 0.0094 / 0.94 = 0.01, tomando el valor de c 4 para n=5.
c4
Pgina 163
Dr. P. Reyes /
MR i =
X i X i 1
MR
d2
__
LCx
LICx = X 3
(3.27)
MR
d2
n=2
Lote
1
2
Viscocid
ad
33.75
33.05
Pgina 164
Dr. P. Reyes /
34.00
33.81
33.46
34.02
33.68
33.27
33.49
33.20
33.62
33.00
33.54
33.12
33.84
I ndividual Value
UCL=34.802
34.5
34.0
_
X=33.523
33.5
33.0
32.5
LCL=32.245
1
7
8
9
Observation
10
11
12
13
14
15
Moving Range
1.6
UCL=1.571
1.2
0.8
__
MR=0.481
0.4
0.0
LCL=0
1
7
8
9
Observation
10
11
12
13
14
15
Dr. P. Reyes /
Por ejemplo:
Valores
individuales
23
15
11
24
38
19
Rango
8
4
13
14
19
UCL=601.176
I ndividual Value
601
600
_
X=599.548
599
598
LCL=597.920
1
10
20
30
40
50
60
Observation
70
80
90
100
Moving Range
2.4
1
UCL=2.000
1.8
1.2
__
MR=0.612
0.6
0.0
LCL=0
1
10
20
30
40
50
60
Observation
70
80
90
100
Pgina 166
Pgina 167
Dr. P. Reyes /
Dr. P. Reyes /
LIE
LSE
Reaccin de carta p
Pgina 168
Dr. P. Reyes /
50
3(2)
52
n
donde n=9,
Si se utiliza una carta p entonces el tamao de muestra requerido para tener la
misma probabilidad de detectar el corrimiento es:
p (1 p )
Pgina 169
Dr. P. Reyes /
es ms
econmica de aplicar.
GUA PARA IMPLEMENTAR CARTAS DE CONTROL
Se sugiere lo siguiente:
1. Determinar cual es la caracterstica a controlar.
2. Seleccionar un tipo de carta de control.
3. Identificar el proceso donde se implantarn las cartas de control.
4. Tomar acciones para mejorar el proceso, como resultado de la aplicacin de
la carta de control.
5. Seleccionar el sistema de coleccin de datos y software de C.E.P.
SELECCIN DE LA CARTA DE CONTROL ADECUADA
A. Se prefiere una carta por variables en las situaciones siguientes:
1. Se inicia un proceso o producto nuevo.
2. El proceso ha estado mostrando un comportamiento inconsistente en forma
crnica.
3. Se requieren pruebas destructivas.
4. Se desea economizar el control cuando el proceso es estable.
5. Existen tolerancias muy cerradas u otros problemas de manufactura.
6. El operador debe decidir si ajustar el proceso o no, o cuando evaluar el
ajuste.
7. Se debe presentar evidencia de estabilidad y de capacidad como en
industrias reguladas.
Pgina 170
Dr. P. Reyes /
3.6
APLICACIN
VARIABLES
DE
CARTAS
DE
CONTROL
POR
Pgina 171
Dr. P. Reyes /
A2
D3
D4
d2
2
3
4
5
6
7
8
9
10
1.88
1.023
0.072
0.577
0.483
0.419
0.373
0.337
0.308
0
0
0
0
0
0.076
0.136
0.184
0.223
3.267
2.574
2.282
2.115
2.004
1.924
1.864
1.816
1.777
1.128
1.693
2.059
2.326
2.534
2.704
2.847
2.97
3.078
c4
A3
B3
B4
B5
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
0.94
0.9515
0.9594
0.965
0.9693
0.9727
0.9754
0.9776
0.9794
0.981
0.9823
0.9835
0.9845
0.9854
0.9862
0.9869
0.9876
0.9882
0.9887
0.9892
0.9896
1.342
1.225
1..134
1.061
1
0.949
0.905
0.866
0.832
0.802
0.775
0.75
0.728
0.707
0.688
0.671
0.655
0.64
0.626
0.612
0.6
1.427
1.287
1.182
1.099
1.032
0.975
0.927
0.886
0.85
0.817
0.789
0.763
0.739
0.718
0.698
0.68
0.663
0.647
0.633
0.619
0.606
0
0.03
0.118
0.185
0.239
0.284
0.321
0.354
0.382
0.406
0.428
0.448
0.466
0.482
0.497
0.51
0.523
0.534
0.545
0.555
0.565
2.089
1.97
1.882
1.815
1.761
1.716
1.679
1.646
1.618
1.594
1.572
1.552
1.534
1.518
1.503
1.49
1.477
1.466
1.455
1.445
1.435
0
0.029
0.113
0.179
0.232
0.276
0.313
0.346
0.374
0.399
0.421
0.44
0.458
0.475
0.49
0.504
0.516
0.528
0.539
0.549
0.559
Pgina 172
B6
1.964
1.874
1.806
1.751
1.707
1.669
1.637
1.61
1.585
1.563
1.544
1.526
1.511
1.496
1.483
1.47
1.459
1.448
1.438
1.429
1.42
Dr. P. Reyes /
caractersticas
de
calidad
no
pueden
ser
representadas
Fig. 4.1 El producto puede ser funcional pero puede tener defectos o no
conformidades, que pueden ser corregidas con retrabajo o no se pueden
corregir y ser desperdicio.
Pgina 173
Dr. P. Reyes /
pi
Di
ni
(4.1)
(4.2)
2p
p(1 p )
n
(4.3)
w2 , los
(4.4)
LIC = w - Lw
Pgina 174
Dr. P. Reyes /
__
__
LSCp = p 3 p (1 p )
n
__
__
LCp = p
(4.5)
__
__
LICp = p 3 p (1 p )
n
__
i = 1, 2, 3,....., m
(4.6)
D p
i 1
mn
i 1
(4.7)
Pgina 175
Dr. P. Reyes /
LSC p p 3
p (1 p )
n
(4.5) anterior
LC p p
LIC p p 3
p(1 p )
n
Una vez hecha la grfica trazando los lmites anteriores, cualquier punto que se
encuentre fuera de control debe ser investigado, si se encuentra una causa
asignable o especial, deben tomarse medidas correctivas para prevenir su
recurrencia, los puntos correspondientes a la situacin fuera de control se
eliminan y se calculan de nuevo los lmites de control preliminares.
Ejemplo 4.1 Para el llenado de cajas de concentrado de jugo de naranja de 6
oz., se inspecciona cada caja y se inspecciona el sello para evitar fugas, se
lleva una carta de control para tomar acciones y mejorar el desempeo de la
maquina selladora.
Para establecer la carta de control, se toman 30 muestras de 50 piezas cada
una en intervalos de una hora.
Hora
1
2
3
4
5
6
7
8
9
10
11
Defect
os
12
15
8
10
4
7
16
9
14
10
5
Hora
16
17
18
19
20
21
22
23
24
25
26
Defect
os
8
10
5
13
11
20
18
24
15
9
12
Pgina 176
6
17
12
22
27
28
29
30
Dr. P. Reyes /
7
13
9
6
Di
i 1
mn
p
i 1
347
= 0.2313
(30)(50)
P Chart of Defectos
0.5
1
1
UCL=0.4102
Proportion
0.4
0.3
_
P=0.2313
0.2
0.1
LCL=0.0524
0.0
1
10
13
16
Sample
19
22
25
28
Pgina 177
Dr. P. Reyes /
muestra
23
corresponde
un
operador
sin
experiencia
asignado
temporalmente a la mquina.
Tomando acciones correctivas para evitar la recurrencia de las causas
anteriores y calculando nuevos lmites preliminares con los puntos 15 y 23
eliminados, se tiene con Minitab:
LSCp = 0.3893
LCp = 0.2150
LICp = 0.0407
P Chart of Defectos
1
0.4
UCL=0.3893
Proportion
0.3
_
P=0.215
0.2
0.1
LCL=0.0407
0.0
1
10
13
16
Sample
19
22
25
28
Pgina 178
Dr. P. Reyes /
P Chart of Defectos
0.4
UCL=0.3804
Proportion
0.3
_
P=0.2081
0.2
0.1
LCL=0.0359
0.0
1
10
13
16
Sample
19
22
25
Pgina 179
Dr. P. Reyes /
p1 = p 2
H1:
p1 > p 2
p2
Di
i 31
mn
i 31
133
133
0.1108
(50)(24) 1200
Z0
p1 p 2
n1 n 2
p (1 p )
n1n 2
con p
n1 p1 n2 p 2
n1 n 2
por tanto:
(1400)(0.2150) (1200)(0.118)
0.1669
1400 1200
Z0
0.2150 0.1108
1
1
(0.1669)(0.8331)
1400 1200
7.10
Pgina 180
Dr. P. Reyes /
Continuando con el ejemplo, usando los nuevos lmites de control, para las
siguientes 40 muestras se observa una mejora del proceso, dentro de control.
Es muy importante que para identificar fcilmente las causas asignables, se
lleve una bitcora de cambios, donde se anote cada
Pgina 181
Dr. P. Reyes /
p (1 p )
n
(4.8)
Pgina 182
Dr. P. Reyes /
L
n
p (1 p )
(4.9)
3
n=
0.04
(0.01)(0.99) 56
Mtodo 3.
Otro mtodo a usar si la fraccin p en control es pequea, consiste en
seleccionar n tan grande de tal forma que el lmite inferior tenga un valor
positivo, para poder investigar la causa de generacin de muy bajas cantidades
de artculos defectuosos con objeto de identificar errores de inspeccin o de los
equipos de medicin. Se tiene:
LIC p p L
p (1 p )
0
n
(4.10)
Implica que,
n
(1 p ) 2
L
p
(4.11)
0.95
(3) 2 171
0.05
Pgina 183
Dr. P. Reyes /
Servicio
No
conforme
s
Servicio
No
conforme
s
1
12
11
2
15
12
3
8
13
4
10
14
5
4
15
6
7
16
7
16
17
8
9
18
9
14
19
10
10
20
Como en total se encontraron 347
estima p como sigue:
m
Di
No
conforme
Servicio
s
5
6
17
12
22
8
10
5
13
11
quejas o
21
20
22
18
23
24
24
15
25
9
26
12
27
7
28
13
29
9
30
6
servicios no conformes, se
347
= 0.2313
(30)(50)
mn
m
Los lmites de control usando Minitab son:
LSCp = 0.4102
LCp = 0.2313
LICp = 0.0524
i 1
i 1
Pgina 184
Dr. P. Reyes /
Pgina 185
Pgina 186
Dr. P. Reyes /
Pgina 187
Dr. P. Reyes /
Dr. P. Reyes /
(4.12)
LIC np np 3 np (1 p )
NP Chart of Defectos
20
UCL=19.02
Sample Count
15
__
NP=10.41
10
5
LCL=1.80
0
1
10
13
16
Sample
Pgina 188
19
22
25
Dr. P. Reyes /
p 3 p (1 p ) / ni . La
n-var
nodef
100
12
80
80
100
110
10
110
12
100
11
100
90
16
10
Fradef
LSC
LIC
0.1836 0.0073
0.12
86
35
0.1940 0.0030
0.1
93
7
0.1940 0.0030
0.075
93
7
0.1836 0.0073
0.09
86
35
0.0909 0.1795 0.0114
09
82
38
0.1090 0.1795 0.0114
91
82
38
0.1836 0.0073
0.11
86
35
0.1836 0.0073
0.16
86
35
0.1111 0.1884 0.0025
Pgina 189
Desest
0.02939
18
0.03286
11
0.03286
11
0.02939
18
0.02802
4
0.02802
4
0.02939
18
0.02939
18
0.03098
90
110
20
120
15
120
120
110
80
80
10
80
90
100
100
100
100
10
90
11
55
65
0.0666 0.1884 0.0025
67
55
65
0.1818 0.1795 0.0114
18
82
38
0.1760 0.0150
0.125
03
17
0.1760 0.0150
0.075
03
17
0.0666 0.1760 0.0150
67
03
17
0.0545 0.1795 0.0114
45
82
38
0.1940 0.0030
0.1
93
7
0.1940 0.0030
0.125
93
7
0.1940 0.0030
0.0875
93
7
0.0555 0.1884 0.0025
56
55
65
0.1836 0.0073
0.08
86
35
0.1836 0.0073
0.05
86
35
0.1836 0.0073
0.08
86
35
0.1836 0.0073
0.1
86
35
0.0666 0.1884 0.0025
67
55
65
Dr. P. Reyes /
17
0.03098
17
0.02802
4
0.02683
1
0.02683
1
0.02683
1
0.02802
4
0.03286
11
0.03286
11
0.03286
11
0.03098
17
0.02939
18
0.02939
18
0.02939
18
0.02939
18
0.03098
17
D
i 1
25
n
i 1
234
0.096
2450
(0.096)(0.904)
ni
LC = 0.096
Pgina 190
Dr. P. Reyes /
(0.096)(0.904)
ni
NP Chart of nodef
1
20
Sample Count
UCL=16.94
15
10
__
NP=8.58
LCL=0.22
0
1
11
13 15
Sample
17
19
21
23
Pgina 191
Dr. P. Reyes /
n
i 1
2450
98
25
LSCp= p 3 p 0.096 3
(0.096)(0.904)
0.185
98
LC = 0.096
LICp= p 3 p 0.096 3
(0.096)(0.904)
0.007
98
Zi
pi p
p (1 p )
ni
(4.13)
Pgina 192
Dr. P. Reyes /
I ndividual Value
3.0
UCL=2.871
1.5
_
X=-0.028
0.0
-1.5
LCL=-2.926
-3.0
1
11
13
Observation
15
17
19
21
23
4
Moving Range
UCL=3.560
3
2
__
MR=1.090
1
0
LCL=0
1
11
13
Observation
15
17
Pgina 193
19
21
23
Dr. P. Reyes /
curva
OC
muestra
en
forma
grfica
la
probabilidad
de
aceptar
(4.14)
Pgina 194
Dr. P. Reyes /
P(d<=18|p)
P(d<=1|p)
Beta=dif
0.910564687 0.089435313
0.555279873 0.444720127
0.279431752 0.720568248
0.03378586 0.966214001
0.002905453 0.997034965
0.000192678 0.997296118
1.0005E-05 0.971256835
4.0337E-07
0.85943972
1.2349E-08 0.621587038
2.7751E-10 0.335613263
4.36961E-12 0.127345115
4.52971E-14 0.032454324
2.84312E-16 0.005296752
0.01
0.03
0.05
0.1
0.15
0.2
0.25
0.3
0.35
0.4
0.45
0.5
0.55
1
1
1
0.99999986
0.999940418
0.997488797
0.97126684
0.859440124
0.621587051
0.335613264
0.127345115
0.032454324
0.005296752
0.01
0.03
0.05
0.1
0.15
0.2
0.25
0.3
0.35
0.4
0.45
0.5
0.55
np
0.5
1.5
2.5
5
7.5
10
12.5
15
17.5
20
22.5
25
27.5
PZLSC
1
1
1
1
0.999993
0.99865
0.97469
0.858923
0.614877
0.330931
0.126865
0.032685
0.005194
PZLIC
0.925442
0.504961
0.261362
0.050208
0.008884
0.00135
0.000167
1.58E-05
1.07E-06
4.76E-08
1.22E-09
1.55E-11
7.58E-14
Pgina 195
P(d<=18|p)
1
1
1
0.999998598
0.999697003
0.992813495
0.948148253
0.819471712
0.608934016
0.381421949
0.202192955
0.092040859
0.036606283
Beta
0.074558435
0.495039094
0.738638167
0.949792486
0.991109116
0.997299184
0.97452355
0.858907423
0.614875519
0.33093135
0.126865425
0.032684871
0.005193524
P(d<=1|p) Beta=dif
0.90979599 0.090204
0.5578254 0.442175
0.2872975 0.712703
0.04042768 0.959571
0.00470122 0.994996
0.0004994 0.992314
5.031E-05 0.948098
4.8944E-06 0.819467
4.6453E-07 0.608934
4.3284E-08 0.381422
3.976E-09 0.202193
3.6109E-10 0.092041
3.249E-11 0.036606
COMPARACION DE LAS
BETAS CON 3 DECIMALES
np
BINOM POISSON NORMAL
0.5
0.089
0.090
0.075
1.5
0.445
0.442
0.495
2.5
0.721
0.713
0.739
5
0.966
0.960
0.950
7.5
0.997
0.995
0.991
10
0.997
0.992
0.997
12.5
0.971
0.948
0.975
15
0.859
0.819
0.859
17.5
0.622
0.609
0.615
20
0.336
0.381
0.331
22.5
0.127
0.202
0.127
25
0.032
0.092
0.033
27.5
0.005
0.037
0.005
Dr. P. Reyes /
Pgina 196
Pgina 197
Dr. P. Reyes /
4.6
Dr. P. Reyes /
e c c x
x!
(4.15)
Donde la media y la desviacin estndar tienen valor c; para x = 0, 1, 2, .......
Por tanto considerando L = 3-sigma, los lmites de control para la carta de no
conformidades son:
Pgina 198
c +3
LCc = c
LICc = c - 3
LSCc =
Dr. P. Reyes /
(4.16)
c
LCc = c
LICc = c - 3
(4.17)
c
Pgina 199
Dr. P. Reyes /
LIC = 6.48
De la carta de control preliminar, se observa que hay 2 puntos fuera de control,
el 6 y el 20.
C Chart of NoConform
1
40
UCL=33.21
Sample Count
30
_
C=19.85
20
10
LCL=6.48
1
0
1
10
13
16
Sample
19
22
25
Pgina 200
Dr. P. Reyes /
C Chart of NoConform
35
UCL=32.97
Sample Count
30
25
_
C=19.67
20
15
10
LCL=6.36
5
1
11
13 15
Sample
17
19
21
23
No Conformidades 1
16
18
18
21
12
16
15
22
24
19
21
12
28
14
20
9
25
16
19
21
Se observa en la grfica que no se tienen puntos fuera de control, sin embargo
el promedio de defectos es alto, requiere la accin de la administracin.
Pgina 201
Dr. P. Reyes /
C Chart of C4
35
UCL=32.98
Sample Count
30
25
_
C=19.67
20
15
10
LCL=6.36
5
1
11
Sample
13
15
17
19
Pgina 202
Pgina 203
Dr. P. Reyes /
Dr. P. Reyes /
defectos,
sin
embargo
esto
tambin
depende
de
Dr. P. Reyes /
LSC nc nc 3 nc
LC nc nc
(4.18)
LIC nc nc 3 nc
( 2.5)(19.67 ) 70.22
LC nc nc = (2.5)(19.67) = 49.18
LIC nc nc 3 nc = (2.5)(19.67) - 3
( 2.5)(19.67 ) 28.14
c
n
(4.19)
LSC u u 3
u
n
LC u u
LSC u u 3
(4.20)
u
n
Pgina 205
Dr. P. Reyes /
Suma.de.no.conformidades
Suma.de.unidades.inspeccionadas
u =38.60 / 20 = 1.93
LSC = 3.79
LIC = 0.07
La carta de control queda como sigue:
Pgina 206
Dr. P. Reyes /
U Chart of C6
UCL=3.794
_
U=1.93
LCL=0.066
0
1
11
Sample
13
15
17
19
Figura 4.13 Carta de control de defectos por unidad U con tamao de muestra
constante en control estadstico
En la carta de control no se observa falta de control estadstico, por tanto los
lmites preliminares se pueden utilizar en corridas futuras.
MUESTRA VARIABLE CARTA u
En algunos casos las cartas de control para no conformidades se utilizan en la
inspeccin 100% de la produccin o lotes de producto, por tanto las unidades
de inspeccin no son constantes. En esta carta se tiene una lnea central
constante y los lmites de control varan inversamente con la raz cuadrada del
tamao de muestra n.
La lnea central y los lmites individuales de control se calculan como sigue:
Pgina 207
LSC ui u 3
u
ni
LC u u
LSC ui u 3
Dr. P. Reyes /
(4.21)
u
ni
Ejemplo 4.11 En una planta textil, se inspeccionan defectos por cada 50m 2 los
datos se muestran a continuacin.
Unidad No
es
conform
10
14
8
12
13
20
10
11
9.5
7
10
10
12
21
10.5
16
12
19
12.5
23
La lnea central es u
153
1.42
107.5
Pgina 208
Dr. P. Reyes /
U Chart of No conform
3.0
2.5
UCL=2.436
2.0
_
U=1.423
1.5
1.0
0.5
LCL=0.411
0.0
1
5
6
Sample
10
Figura 4.14 Carta de control para defectos por unidad con tamao de muestra
variable
Existen otras dos alternativas para el manejo de la carta u con n variable:
1. Usando un promedio de tamaos de muestra.
m
n
i 1
ni
m
(4.22)
Zi
ui u
u
ni
(4.23)
Pgina 209
Dr. P. Reyes /
Unidad
es
NoCo
nf
10
14
12
13
20
10
11
9.5
10
10
12
21
10.5
16
12
19
12.5
23
U prom
Sigm
aU
0.3772
61
0.4217
9
0.3308
79
0.3772
61
0.3870
61
0.3772
61
0.3443
9
0.3681
69
0.3443
9
0.3374
32
Ui-Uprom
Zu
-0.02325581
-0.06164
0.07674419
0.181949
0.11520572
0.34818
-0.32325581
-0.85685
-0.68641371
-1.7734
-0.42325581
-1.12192
0.32674419
0.948761
0.10055371
0.273119
0.16007752
0.464814
0.41674419
1.235046
1.4232
56
Pgina 210
Dr. P. Reyes /
I Chart of Zu
3
UCL=3
Individual Value
2
1
_
X=0
0
-1
-2
-3
LCL=-3
1
5
6
Observation
10
Sistema de demeritos
Con productos complejos, se identifican diversos tipos de defectos, desde los
que se consideran menores hasta los que ponen en riesgo la salud del usuario.
Por lo cual es necesario dar una ponderacin a esos diversos tipos de defectos
de acuerdo a su gravedad, un esquema posible es el siguiente:
Defectos tipo A Muy serios: La unidad no puede funcionar o fallar en el
campo, o puede causar dao al usuario.
Defectos tipo B Serios: La unidad tendr menos vida til, o puede causar
una falla de funcionamiento mayor.
Defectos tipo C Poco serios: La unidad puede tener fallas pero continuar
funcionando, o puede incrementar los costos de mantenimiento, o tener una
mala apariencia como usada.
Defectos tipo D Menores: La unidad no fallar en servicio pero tiene
defectos de apariencia, terminados o calidad de trabajo.
Pgina 211
Dr. P. Reyes /
Supngase que para los defectos anteriores se tengan los nmeros ciA, ciB, ciC,
ciD respectivamente en la i-sima unidad inspeccionada. Se asume que cada
clase de defectos es independiente y que la ocurrencia de defectos de cada
clase es modelada bien con la distribucin de Poisson. Entonces se puede
definir el nmero de demritos en la unidad de inspeccin por ejemplo como:
di = 100ciA + 50ciB + 10ciC + ciD
(4.24)
d
i 1
ui = D / n =
d
i 1
(4.25)
n
Como u es una combinacin lineal de variables aleatorias independientes de
Poisson, el estadstico ui puede ser graficado en una carta de control con los
parmetros siguientes:
LSC = u + 3 u
LC = u
(4.26)
LIC = u + 3 u,
Donde,
(4.27)
1/ 2
(4.28)
Pgina 212
Dr. P. Reyes /
(4.29)
P(x<=3 P(x<
3)
=7)
C
1
3
5
7
9
11
13
15
17
19
21
23
25
27
29
31
1.000
1.000
1.000
1.000
1.000
1.000
1.000
1.000
1.000
0.999
0.994
0.981
0.950
0.892
0.801
0.682
1.000
0.988
0.867
0.599
0.324
0.143
0.054
0.018
0.005
0.002
0.000
0.000
0.000
0.000
0.000
0.000
Pa=Bet
a
0.000
0.012
0.133
0.401
0.676
0.857
0.946
0.982
0.994
0.997
0.994
0.981
0.950
0.892
0.801
0.682
Pgina 213
0.546
0.410
0.289
0.191
0.000
0.000
0.000
0.000
Dr. P. Reyes /
0.546
0.410
0.289
0.191
19.67
Pgina 214
Dr. P. Reyes /
(4.30)
P{nLIC u c nLSC u}
(4.31)
Por tanto se construye una carta de control para x, asumiendo que x sigue una
distribucin normal.
Por ejemplo para el monitoreo de fallas de una vlvula importante, se usar el
nmero de horas entre fallas como la variable a monitorear. En la pgina
siguiente se muestra este ejemplo.
Pgina 215
Dr. P. Reyes /
Muestra Pieza
1
2
3
4
5
6
7
8
9
10
A
A
A
A
B
B
B
B
B
B
M1
M2
M3
D1
D2
D3
50
49
48
9
24
25
27
25
24
26
51
50
49
53
27
27
26
24
25
24
52
51
52
51
26
24
23
23
25
25
0
-1
-2
-1
-1
0
2
0
-1
1
1
0
-1
3
2
2
1
-1
0
-1
2
1
2
1
1
-1
-2
-2
0
0
Rang
Media
o
1.00
0.00
-0.33
1.00
0.67
0.33
0.33
-1.00
-0.33
0.00
2
2
4
4
3
3
4
2
1
2
Pgina 216
Dr. P. Reyes /
Sample Mean
3.0
UCL=2.929
1.5
__
X=0.167
0.0
-1.5
LCL=-2.596
-3.0
1
10
Sample
UCL=6.950
Sample Range
6.0
4.5
_
R=2.7
3.0
1.5
0.0
LCL=0
1
10
Sample
RS
R
Ri
(5.1)
Pgina 217
Dr. P. Reyes /
R i Sd 2
graficar,
S
x Ti
Ri
(5.2)
Zi
Carta np
Zi
pi p
p (1 p ) / n
npi n p
n p(1 p )
(5.3)
Carta c
Zi
Carta u
Zi
5.2
ci c
c
ui u
u/n
CARTAS DE
ACEPTACIN
CONTROL
MODIFICADAS
DE
Pgina 218
Dr. P. Reyes /
Pgina 219
Dr. P. Reyes /
LIEsp.
|---
6 ---|
LSEsp.
LIE
LSE
Z
/
LIC
LSC
Z
nn
I LIE Z
(5.4)
S LSE Z
Pgina 220
Dr. P. Reyes /
LSC S
Z
Z
LSE Z
n
n
LIC I
Z
Z
LIE Z
n
n
(5.5)
LSC S
LIC I
LSE Z
n
n
LIE Z
n
n
Pgina 221
(5.5)
Dr. P. Reyes /
Se obtiene
Z Z
Z Z
(5.6)
Ejemplo 5.2 Si delta = 0.01, alfa = 0.00135, gama = 0.05 y beta = 0.20,
haciendo los clculos se obtiene una n = 31.43 32.
3.00 0.84
2.33 1.645
=0.025
LSE-1.96
Amplitud de variacin
0.10
__
Aceptable para X
0.10
LIE+1.96
LIE
=0.025
Dr. P. Reyes /
5.3
DESGASTE
DE
LSE
LSE-3x
Amplitud dentro de la cual
se espera encontrar las
medias de las piezas
x
6 X
_
Distribucin de
LIE+3x
Pgina 223
Dr. P. Reyes /
LIE
Fig. 5.5
(5.7)
3. Utilizando un paquete de computadora que incluye el clculo de mnimos
cuadrados.
Los valores sugeridos de inicio y paro del proceso son 1, , 2 donde:
1 LIE 3 x LIE 3R / d 2
(5.8)
2 LSE 3 x LSE 3R / d 2
El nmero de puntos que tienen que pasar para llegar de 1, , 2 es:
M* = ( 1, - 2 ) / b
(5.9)
Dr. P. Reyes /
Pgina 225
Dr. P. Reyes /
Muestra 9
10 11
12
13
LSCR=0.000374, = 0.000076053;
b = 0.0000492
1, , 2 son respectivamente 1.155228 y 1.155772
m*
11.056,
los
lmites
de
control
estn
A2 R
0.5768(0.0001769)=0.000102.
Es decir que tienen que pasar 11 puntos o 5.5 horas para reajustar el proceso
LSE
Pendiente b
LSC
1,
LIC
LIE
Fig. 5.6 Tiempo t o nmero de muestras antes de ajuste
Pgina 226
Dr. P. Reyes /
ZONA AMARILLA
ZONA VERDE
ZONA AMARILLA
ZONA ROJA
Pgina 227
Dr. P. Reyes /
Ventajas:
Pre-control es una tcnica simple que a diferencia con el control estadstico del
proceso (CEP) no requiere de grficas de control, ni de cmputos.
Desventajas:
No existen grficas de control, por lo tanto, las reglas y procedimientos para
reconocer patrones de fallas no pueden ser usados. Dado que se requiere una
cantidad muy pequea de muestras, es riesgoso inferir sobre la totalidad del
proceso. Finalmente, Pre-control no proporciona informacin suficiente para
someter el proceso bajo control o para reducir la variabilidad. Asume que el
proceso es hbil y que es normal.
Recomendaciones:
Pre-control slo debe ser usado cuando la capacidad del proceso (Cp) 30 es
mayor que uno (algunos textos recomiendan como mnimo Cp=2) 31, y cuando
se han alcanzado cero defectos en el proceso.
Definicin de los lmites de Pre-control.
Existen dos lmites de Pre-control (PC): Upper Pre-control limit (UPCL) y Lower
Pre-control limit(LPCL). Cada uno representa de la distancia entre el lmite de
especificaciones inferior (LSL) y el lmite de especificaciones superior (USL). La
LSL
LPCL
1
4
1
2
30
C p USL LSL
UPCL
3
4
USL
1
Specification Limit.
31
Montogomery, Douglas C. Statistical Quality Control, John Wiley & Sons,
Inc., 1991, pp. 332-334.
Pgina 228
Dr. P. Reyes /
Pgina 230
Dr. P. Reyes /
Dr. P. Reyes /
Notas:
1. Si cinco unidades estn dentro de los lmites de Pre-control, cambie a
verificacin intermitente.
2. Cuando se encuentre en verificacin intermitente, no ajuste el proceso
hasta que una unidad exceda algn lmite de Pre-control. Examine la
siguiente unidad, y proceda en A.
3. Si se reinicia el proceso, al menos cinco unidades consecutivas deben caer
dentro de los lmites de pre-control para cambiar a verificacin intermitente.
4. Si el operador toma ms de 25 muestras sin reiniciar el proceso, reduzca la
frecuencia de las verificaciones.
Pgina 231
Dr. P. Reyes /
LICX = X - A2 R
LICR = D3 R
_
LSCX = X + A2 R
(5.10)
LSCR = D4 R
Con los lmites de control trazados, se grafica despus slo la mayor y la menor
de las 6 lecturas promedio considerando todas las salidas o en este
caso husillos de la mquina, si se encuentran en control, se asume
que las dems estn en control. Para el rango se grafica slo el mayor
de todos los rangos. Cada punto es identificado por el nmero de
husillo o salida que lo produjo. El proceso se encuentra fuera de
control si se algn punto excede los lmites de 3-sigma. No se pueden
aplicar pruebas de rachas a estas cartas.
Pgina 232
Dr. P. Reyes /
Es til observar que si una salida da el mayor o el menor valor varias en una
fila, puede ser evidencia de que es diferente a los otros. Si el proceso
tiene s salidas y si r es el nmero de veces consecutivas que se repite
como el mayor o el menor, el ARL para este evento es:
ARL0
s r 1
s 1
(5.11)
Cusum normal
Para pequeos corrimientos menores a 1.5, la carta de Shewart es ineficiente,
en esos casos la carta de sumas acumuladas de Page, que funciona con n >=1
Pgina 233
Dr. P. Reyes /
Ci ( x j 0 )
(5.12)
j 1
Como esta carta es eficiente para n=1, es una buena alternativa para el control
de procesos qumicos y el C.E.P. automatizado. Si la media tiene un corrimiento
hacia arriba, la carta mostrar una tendencia ascendente y viceversa.
La carta Cusum no tiene lmites de control, sin embargo tiene un mecanismo
similar ya sea en forma tabular o por medio de una mascara en V, como la
mostrada en el ejemplo de las pginas siguientes.
Ejemplo
Suponiendo que la Posicin de una parte (A) se mueve hacia arriba y hacia
abajo una cierta distancia de la posicin ideal de referencia (B). AtoBDist es
esta distancia. Para asegurar la calidad, se toman 5 mediciones al da durante
el primer periodo de tiempo y despus 10 al da en un siguiente periodo de
tiempo.
AtoBDis
t
-0.44025 4.52023 4.75466 4.90024 3.81341
5.90038 3.95372
1.1424 1.28079 -3.78952
2.08965 7.99326
0.9379 2.87917 -3.81635
0.09998 4.98677 -7.30286 1.83867
-4.8882
2.01594 -2.03427 -5.22516 -0.75614 -3.24534
4.83012 3.89134 -4.06527 3.72977 -0.27272
3.78732 1.99825 -1.91314 3.77141 -4.33095
4.99821 0.01028
2.0459 -4.04994 -1.83547
6.91169 -0.24542 4.93029 3.89824 -3.98876
1.93847 2.08175 0.03095 1.76868 -4.97431
Pgina 234
-1.15453
2.29868
5.15847
0.08558
-3.09574
5.16744
0.29748
-4.66858
-2.13787
-0.0045
5.03945
1.96583
-0.21026
0.27517
-5.32797
-4.86937
-2.69206
-3.02947
2.99932
3.50123
-1.99506
-1.62939
2.14395
-1.90688
8.02322
-2.80363
-3.12681
-4.57793
-3.17924
-2.44537
1.36225
0.92825
-0.24151
-0.83762
-1.99674
Dr. P. Reyes /
2.2731
-3.82297
-2.26821
-2.07973
0.01739
3.71309
1.72573
3.07264
0.15676
-0.05666
-5.1405
-0.10379
2.21033
5.13041
-1.89455
0.95119
-5.15414
4.82794
0.13001
-0.09911
0.18096
4.30247
-2.21708
7.17603
5.86525
0.95699
-4.03441
-2.05086
-3.10319
-1.83001
Sample Mean
UCL=4.802
Mean=0.4417
LCL=-3.918
-5
Sample Range
Subgroup
10
15
20
25
UCL=15.98
15
10
R=7.559
5
0
LCL=0
Pgina 235
Dr. P. Reyes /
Upper CUSUM
Cumulative Sum
10
5.67809
-5
-5.67809
Low er CUSUM
10
15
20
25
Subgroup Number
Media =
10
Sigma =
1
Muestra
Xi
Xi - 10
Ci = (Xi-10)
+ Ci-1
9.45
-0.55
-0.55
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
7.99
9.29
11.66
12.16
10.18
8.04
11.46
9.2
10.34
9.03
11.47
10.51
9.4
10.08
9.37
10.62
-2.01
-0.71
1.66
2.16
0.18
-1.96
1.46
-0.8
0.34
-0.97
1.47
0.51
-0.6
0.08
-0.63
0.62
-2.56
-3.27
-1.61
0.55
0.73
-1.23
0.23
-0.57
-0.23
-1.2
0.27
0.78
0.18
0.26
-0.37
0.25
Pgina 236
Media =
11
Sigma =
1
Dr. P. Reyes /
18
19
20
10.31
8.52
10.84
0.31
-1.48
0.84
0.56
-0.92
-0.08
21
10.9
0.9
0.82
22
23
24
25
26
27
28
29
30
9.33
12.29
11.5
10.6
11.08
10.38
11.62
11.31
10.52
-0.67
2.29
1.5
0.6
1.08
0.38
1.62
1.31
0.52
0.15
2.44
3.94
4.54
5.62
6
7.62
8.93
9.45
Cumulative Sum
UCL=4
2.5
0.0
-2.5
LCL=-4
-5.0
1
10
13
16
Sample
19
22
25
28
Pgina 237
Dr. P. Reyes /
Figura 5.13 Carta Cusum muestra un corrimiento lento de la media del proceso
Con parmetros Media objetivo (Target) =10, S = 1
max0, (
C i max 0, xi ( 0 K ) C i1
C i
K ) xi C i1
(5.13)
(5.14)
(5.15)
Pgina 238
Dr. P. Reyes /
H = 5 = 5
max 0,9.5 x
C i max 0, xi 10.5 C i1
C i
C i1
Xi
9.45
7.99
9.29
11.66
12.16
10.18
8.04
11.46
9.20
10.34
9.03
11.47
10.51
9.40
10.08
9.37
10.62
10.31
8.52
10.84
10.90
9.33
12.29
xi - 10.5
-1.05
-2.51
-1.21
1.16
1.66
-0.32
-2.46
0.96
-1.30
-0.16
-1.47
0.97
0.01
-1.10
-0.42
-1.13
0.12
-0.19
-1.98
0.34
0.40
-1.17
1.79
b
Ci+
0.00
0.00
0.00
1.16
2.82
2.50
0.04
1.00
0.00
0.00
0.00
0.97
0.98
0.00
0.00
0.00
0.12
0.00
0.00
0.34
0.74
0.00
1.79
Pgina 239
N+
0
0
0
1
2
3
4
5
0
0
0
1
2
0
0
0
1
0
0
1
2
0
1
9.5 - xi
0.05
1.51
0.21
-2.16
-2.66
-0.68
1.46
-1.96
0.30
-0.84
0.47
-1.97
-1.01
0.10
-0.58
0.13
-1.12
-0.81
0.98
-1.34
-1.40
0.17
-2.79
Ci0.05
1.56
1.77
0.00
0.00
0.00
1.46
0.00
0.30
0.00
0.47
0.00
0.00
0.10
0.00
0.13
0.00
0.00
0.98
0.00
0.00
0.17
0.00
N
1
2
3
0
0
0
1
0
1
0
1
0
0
1
0
1
0
0
1
0
0
1
0
11.50
10.60
11.08
10.38
11.62
11.31
10.52
1.00
0.10
0.58
-0.12
1.12
0.81
0.02
Dr. P. Reyes /
2.79
2.89
3.47
3.35
4.47
5.28
5.30
2
3
4
5
6
7
8
-2.00
-1.10
-1.58
-0.88
-2.12
-1.81
-1.02
Corrida en Minitab
1. File > Open Worksheet > Data > CRANKSH.MTW.
2. Stat > Control Charts > Time weighted charts > CUSUM.
In Single column, seleccionar Xi. In Subgroup size, poner 1 Target 10.
3. Cusum Options: Standar deviation 1 Plan Type h 5 k 0.5 OK.
Cumulative Sum
5.0
UCL=5
2.5
0.0
-2.5
-5.0
LCL=-5
3
12
15
18
Sample
21
24
27
30
0.00
0.00
0.00
0.00
0.00
0.00
0.00
0
0
0
0
0
0
0
Dr. P. Reyes /
0 K
Ci
, si C i H
0 K
(5.16)
Ci , si
Ci H
N
(5.17)
10 0.5
5.28
11.25
7
Pgina 241
Dr. P. Reyes /
C i y j y i C i 1
(5.18)
j 1
2A
1A
1 2 3 4 5 ............................................. i
Figura 5.16 Carta de control Cusum con mascarilla en V
El procedimiento consiste en colocar la mascarilla en V sobre la carta Cusum,
con el punto O sobre el ltimo valor de C i
Pgina 242
Dr. P. Reyes /
(5.19)
y
h = A d tan () = d.k
(5.20)
Donde A es la distancia horizontal en la mascarilla en V, entre puntos sucesivos
en trminos de unidades de distancia de la escala vertical.
Ejemplo 5.6 Para la forma tabular con k = y h = 5, seleccionando A =1 se
tiene
k = A tan ()
o
= (1) tan ()
= 26.57
de h = d.k
=>
=> 5 = d (1/2)
d =10
Pgina 243
Dr. P. Reyes /
Cumulative Sum
20
15
10
Target=0
2
10
12 14
Sample
16
18
20
22
24
Pgina 244
Dr. P. Reyes /
Vmask Chart of Xi
30
Cumulative Sum
20
10
Target=0
-10
1
10
13
16
Sample
19
22
25
28
2A
tan 1
(5.21)
y
2 1
ln
(5.22)
ln( )
Pgina 245
Dr. P. Reyes /
2 1 0.05
ln
2
1 0.05 = 5.888
1
26.56
2
tan 1
Pgina 246
5.7
Dr. P. Reyes /
(5.23)
donde
2i
1 (1 )
2
zi2
(5.24)
2i
1 (1 )
2
LSC 0 L
(5.25)
LC 0
(5.26)
2i
1 (1 )
2
LIC 0 L
Pgina 247
(5.27)
Dr. P. Reyes /
(5.28)
LC 0
LSC 0 L
(5.29)
(5.30)
Pgina 248
Dr. P. Reyes /
+2.7SL=0.967
EWMA
0.5
__
X=0
0.0
-0.5
-2.7SL=-0.967
-1.0
1
11 13 15
Sample
17
19
21
23
25
Xi
9.45
7.99
9.29
11.66
12.16
10.18
8.04
11.46
9.20
10.34
9.03
11.47
10.51
9.40
10.08
9.37
10.62
10.31
EWMA, Zi
9.945
9.7495
9.7036
9.8992
10.1253
10.1307
9.9217
10.0755
9.9880
10.0232
9.9238
10.0785
10.1216
10.0495
10.0525
9.9843
10.0478
10.0740
Pgina 249
8.52
10.84
10.90
9.33
12.29
11.50
10.60
11.08
10.38
11.62
11.31
10.52
Dr. P. Reyes /
9.9186
10.0108
10.0997
10.0227
10.2495
10.3745
10.3971
10.4654
10.4568
10.5731
10.6468
10.6341
Muestra
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
Xi
9.45
7.99
9.29
11.66
12.16
10.18
8.04
11.46
9.20
10.34
9.03
11.47
10.51
9.40
10.08
9.37
10.62
10.31
8.52
10.84
10.90
9.33
12.29
11.50
10.60
11.08
10.38
11.62
11.31
10.52
EWMA,
Zi
9.945
9.7495
9.7036
9.8992
10.1253
10.1307
9.9217
10.0755
9.9880
10.0232
9.9238
10.0785
10.1216
10.0495
10.0525
9.9843
10.0478
10.0740
9.9186
10.0108
10.0997
10.0227
10.2495
10.3745
10.3971
10.4654
10.4568
10.5731
10.6468
10.6341
LSC
10.2700
10.3632
10.4240
10.4675
10.4999
10.5247
10.5440
10.5591
10.5710
10.5805
10.5881
10.5942
10.5991
10.6030
10.6062
10.6087
10.6107
10.6124
10.6137
10.6148
10.6157
10.6164
10.6170
10.6174
10.6178
10.6181
10.6184
10.6186
10.6187
10.6189
Pgina 250
LIC
9.7300
9.6368
9.5760
9.5325
9.5001
9.4753
9.4560
9.4409
9.4290
9.4195
9.4119
9.4058
9.4009
9.3970
9.3938
9.3913
9.3893
9.3876
9.3863
9.3852
9.3843
9.3836
9.3830
9.3826
9.3822
9.3819
9.3816
9.3814
9.3813
9.3811
Dr. P. Reyes /
EWMA
10.25
_
_
X=10
10.00
9.75
9.50
-2.7SL=9.381
3
12
15
18
Sample
21
24
27
Pgina 251
30
Dr. P. Reyes /
Mi
xi xi 1 ..... xi w1
w
(5.31)
3
w
(5.32)
LC 0
LIC 0
(5.33)
3
w
(5.34)
Mi
xi xi 1 ....xi 4
5
(5.35)
Pgina 252
Dr. P. Reyes /
Moving Average
4
3
UCL=2.346
2
1
Mean=0.4417
0
-1
LCL=-1.463
-2
-3
-4
-5
0
10
15
20
25
Sample Number
875
985
970
940
975
1000
1035
1020
985
960
945
965
940
900
920
980
950
Pgina 253
Dr. P. Reyes /
955
970
970
1035
1040
Instrucciones de Minitab
1.
2.
Seleccionar Stat > Control Charts > Time-weighted charts > Moving
Average.
3. Seleccionar All observations for a chart are in one column, poner
Weight.
4.
Moving Average
1000
UCL=979.6
975
950
_
_
X=936.9
925
900
LCL=894.1
875
850
4
12
16
20
24
Sample
28
32
36
Pgina 254
40
44
Dr. P. Reyes /
1 1
I ndividual Value
UCL=1010.9
1000
_
X=936.9
950
900
850
12
LCL=862.8
16
20
24
Observation
28
32
36
40
44
Moving Range
100
UCL=91.0
75
50
__
MR=27.8
25
0
LCL=0
4
12
16
20
24
Observation
28
32
36
40
44
Xi
Mi
9.45
9.450
7.99
8.720
9.29
8.910
11.66
9.598
12.16
10.110
10.18
10.256
8.04
10.266
11.46
10.700
9.20
10.208
LSC
13.0
000
12.1
213
11.7
321
11.5
000
11.3
416
11.3
416
11.3
416
11.3
416
11.3
416
Pgina 255
LIC
7.00
00
7.87
87
8.26
79
8.50
00
8.65
84
8.65
84
8.65
84
8.65
84
8.65
84
Dr. P. Reyes /
11.3
10
10.34
9.844
416
11.3
11
9.03
12
11.47
9.614
416
10.300
416
11.3
11.3
13
10.51
10.110
416
14
9.40
10.150
416
15
10.08
10.098
416
16
9.37
10.166
416
17
10.62
9.996
416
18
10.31
9.956
416
19
8.52
9.780
416
20
10.84
9.932
416
21
10.90
10.238
416
22
9.33
9.980
416
23
12.29
10.376
416
24
11.50
10.972
416
25
10.60
10.924
416
11.3
11.3
11.3
11.3
11.3
11.3
11.3
11.3
11.3
11.3
11.3
11.3
11.3
26
11.08
10.960
416
27
10.38
11.170
416
11.3
11.3
28
11.62
11.036
416
29
11.31
10.998
416
11.3
11.3
30
10.52
10.982
416
Pgina 256
8.65
84
8.65
84
8.65
84
8.65
84
8.65
84
8.65
84
8.65
84
8.65
84
8.65
84
8.65
84
8.65
84
8.65
84
8.65
84
8.65
84
8.65
84
8.65
84
8.65
84
8.65
84
8.65
84
8.65
84
8.65
84
Pgina 257
Dr. P. Reyes /
Dr. P. Reyes /
Definiciones bsicas.
Pgina 258
Dr. P. Reyes /
Pgina 259
Dr. P. Reyes /
(6.1)
LTNI = - 3
Para un proceso normal, los lmites de tolerancia naturales incluyen 99.73% de
la variable, slo el 0.27% (2700 ppm) de la salida del proceso se encontrar
fuera de estos limites de tolerancia naturales. Sin embargo, si el proceso no es
normal, el porcentaje puede diferir grandemente. Esto se esquematiza en la
figura siguiente:
.00135
LTNI
LTNS .00135
Fig. 6.1 Localizacin de los lmites de tolerancia natural
Existen diversas tcnicas para evaluar la capacidad del proceso, entre las que
se encuentran: Histogramas o papel de probabilidad, cartas de control y
experimentos diseados.
Pgina 260
Dr. P. Reyes /
Pgina 261
Dr. P. Reyes /
Variacin a corto plazo (Zst) Los datos son recogidos durante un periodo de
tiempo suficientemente corto para que sea improbable que haya cambios y
otras causas especiales.
32
J.M. Juran, Anlisis y planeacin de la Calidad, Tercera Edicin Mc. Graw Hill,
Pp.404
Pgina 262
Dr. P. Reyes /
Las familias de variacin han sido restringidas de tal manera que los datos
considerados, slo son los que se obtuvieron del subgrupo racional. Ayuda a
determinar subgrupos racionales importantes.
Z st
Z LT
dnde:
Zst = variacin a corto plazo.
nom = Valor nominal u objetivo
Zlt = variacin a largo plazo.
Pgina 263
(6.1)
Dr. P. Reyes /
Cp PCR
LSE LIE
6
(6.2)
R
0.0099 por tanto se tiene:
d2
(6.3)
Pgina 264
Dr. P. Reyes /
LSE
3
Cpi PCR I
LIE
3
Ejemplo 6.2
(6.4)
200psi,
Cp PCR I
264 200 64
0.67
3(32)
96
Lo cual indica falta de habilidad, la fraccin abajo del lmite inferior es:
ZI
32
P(x <= ZI) = 0.0228 o 2.28% por debajo del lmite inferior de especificaciones
Algunos de los ndices de capacidad potencial Cp y las piezas defectivas en
partes por milln (ppm) que estn fuera de especificaciones se muestran a
continuacin:
Cp
1-lado
0.25
226,628
0.5
0.6
0.7
0.8
1
66,807
35,931
17,865
8,198
1,350
2lados
453,25
5
133,61
4
71,861
35,729
16,395
2,700
Pgina 265
Dr. P. Reyes /
484
967
159
318
48
96
14
27
4
7
1
2
0.17
0.34
0.0009 0.0018
(6.5)
donde,
Cps PCR S
LSE
3
Cpi PCR I
LIE
3
(6.6)
Ejemplo 6.3 Para un proceso donde los lmites de especificacin sean LSE=62,
LIE=38, la media del proceso sea =53 y su desviacin estndar =2, se tiene:
Pgina 266
Cps PCRS
62 53
1.5 para el lmite superior
32
Cpi PCR I
53 38
2.5 para el lmite inferior
32
Dr. P. Reyes /
Microdureza
Se puede transformar cada valor x con su inverso o sea con y=1/x de esta
forma la distribucin transformada es la siguiente (ver mtodo de Box Cox con
Lamda ptima en Minitab):
Frec.
Pgina 267
Dr. P. Reyes /
b)
Y=1/x
Figura 6.6 Transformacin de datos para normalizarlos
Lo cual representa una distribucin normal.
Pgina 268
Dr. P. Reyes /
LIE
LSE
PROCESO A: Cpk = 1
LIE
LSE
PROCESO B: Cpk =1
Si T
1
( LSE LIE )
2
(6.7)
2 ( T ) 2
(6.8)
(6.9)
Se tiene,
Cp m PCRkm
LSE LIE
LSE LIE
LSE LIE
2
2
6
6 ( T )
1 2
Una condicin necesaria para que Cpm sea mayor de uno es:
1
( LSE LIE )
6
Pgina 269
(6.10)
Dr. P. Reyes /
Proceso B:
1
1.0
1 0
Cpm (B) =
2
1 (3) 2
0.63
Cpk
(6.11)
1 2
Rmedio = 77.3
Pgina 271
Dr. P. Reyes /
Dr. P. Reyes /
Ejercicio:
De una carta de control X - R (con tamao de subgrupo n = 5), despus de que
el proceso se estabiliz quedando slo con causas comunes (LIE = 36, LSE =
46) se obtuvo lo siguiente:
Xmedia de medias = 40
Rmedio = 5
siguientes:
Pgina 272
Dr. P. Reyes /
Procedimiento:
1. Seleccionar un proceso especfico para realizar el estudio
2. Seleccionar las condiciones de operacin del proceso
3. Seleccionar un operador entrenado
4. El sistema de medicin debe tener habilidad (error R&R < 10%)
5. Cuidadosamente recolectar la informacin
6. Construir un histograma de frecuencia con los datos
7. Calcular la media y desviacin estndar del proceso
8. Calcular la capacidad del proceso
El histograma junto con la media y la desviacin estndar de la muestra S,
proporciona informacin acerca de la capacidad del proceso.
Ejemplo 6.4 Se tiene la resistencia de botellas de vidrio de 1-litro en psi. Los
datos se muestran se muestran a continuacin.
HIST
265
205
263
307
220
268
260
234
299
215
197
286
274
243
231
267
281
265
214
318
346
317
242
258
276
300
208
187
264
271
280
242
260
321
228
250
299
258
267
293
265
254
281
294
223
260
308
235
283
277
200
235
246
328
296
276
264
269
235
290
221
176
248
263
231
334
280
265
272
283
265
262
271
245
301
280
274
253
287
258
261
248
260
274
337
250
278
254
274
275
278
250
265
270
298
257
210
280
269
251
Pgina 273
Dr. P. Reyes /
180
210
240
270
300
A-Squared
P-Value
0.75
0.049
Mean
StDev
Variance
Skewness
Kurtosis
N
264.06
32.02
1025.15
-0.129448
0.518454
100
Minimum
1st Quartile
Median
3rd Quartile
Maximum
330
176.00
248.00
265.00
280.00
346.00
270.41
271.00
28.11
37.19
Mean
Median
258
260
262
264
266
268
270
S = 32.02
264
96 psi.
Esta
primera
estimacin
de
la
capacidad
es
independiente
de
las
especificaciones.
Pgina 274
Dr. P. Reyes /
Ventajas
Procedimiento
1. Se toman al menos n = 10 datos y se ordenan en forma ascendente,
asignndoles una posicin ( j ) entre 1 y n.
2. Se calcula la probabilidad de cada posicin con la frmula siguiente:
Pj = (j - 0.5) / n
3. En el papel especial normal se grafica cada punto (X j, Pj)
4. Se ajusta una lnea recta que mejor aproxime los puntos
5. Si no hay desviaciones mayores de la lnea recta, se considera normal el
proceso y se procede a hacer las identificaciones:
La media corresponde al percentil 50 y la desviacin estndar es estimada por
la diferencia del percentil 84 menos el percentil 50,
La media ser el punto en X correspondiente a P j = 0.5
La desviacin estndar es la diferencia en X j corresp. a Pj = 0.5 y Pj = 0.84
Pgina 275
Dr. P. Reyes /
Ejemplo 6.5
.-Se tomaron los datos siguientes (Xj) ordenamos los datos y, calculamos la
probabilidad de su posicin (Pj)
Pj
0.84
0.5
Desv. Estndar
Fraccin
Defectiva
LIE
X Media
Xj
Pgina 276
Dr. P. Reyes /
como modelo.
ms del 20% de los datos del proceso seran valores de 225 o inferiores.
Ejemplo 6.6 Clculo de capacidad con papel normal en Minitab
Datos
271
275
277
278
280
283
290
301
318
346
197
200
215
221
231
242
245
258
265
265
Mean
StDev
N
AD
P-Value
95
90
Percent
80
70
60
50
40
30
20
10
5
150
200
250
Datos
Pgina 277
300
350
262.9
38.13
20
0.262
0.667
Dr. P. Reyes /
Note que los valores no difieren mucho de los del histograma con media 264.06
y desviacin estndar S = 32.02.
Con esta grfica se pueden estimar tambin los porcentajes de partes fuera de
las especificaciones, por ejemplo si se traza el Lmite Inferior de Especificacin
LIE en 200 psi, se observa que se tiene un 5% aproximadamente fuera de
especificaciones.
Nota: Es muy importante que el proceso sea normal, de lo contrario se
obtendrn
resultados inexactos.
son
ligeramente
Pgina 278
Dr. P. Reyes /
?
?
?
?
?
?
?
Prediccin
Tiempo
R
S
(Para cartas de control X-R y X-S respectivamente)
d2
C4
Donde,
El factor C4 = 4(n-1)/(4n 3), con esta desviacin estndar se determinan los
ndices de desempeo Pp y Ppk.
Pgina 279
Dr. P. Reyes /
= 64.06 , R = 77.3
R
77.3
33.23
d 2 2.326
El C pk
200 264.06
3 33.23
especificaciones.
Ejemplo 6.8 (carta X - S)
Pgina 280
Dr. P. Reyes /
s
1.05
1.117
=
C4
.094
El C pk
El C p
105 100
3 1.117
105 85
6 1.117
1.492
2.984
normales y
no
normales
Generar 100 datos aleatorios en Minitab con Media = 264.6 y Desviacin
estndar S = 32.02 con
1. Calc > Random data > Normal
2. Generate 100 Store in columns C1
32.02 OK
Pgina 281
Dr. P. Reyes /
El P value debe ser mayor a 0.05 para que los datos se distribuyan
normalmente
Pgina 282
Dr. P. Reyes /
Pgina 283
Dr. P. Reyes /
Dr. P. Reyes /
4. Stat > Quality tools > Capability Six Pack > Normal
5. Single column C1 Subgroup size 5 Lower Spec 200 Upper spec 330
6. Estimate R-bar OK
Los resultados se muestran a continuacin:
Pgina 285
Dr. P. Reyes /
Pgina 286
Dr. P. Reyes /
El ndice Ppk y Ppu33 = 0.85 lo cual nos dice que el desempeo del proceso no
es capaz ya que 0.85<.1.33
Tambin
observamos
que
PPM
>
USL
3,795
lo
cual
significa
que
6.7
ESTUDIOS
MEDICIN
DE
CAPACIDAD
Dr. P. Reyes /
DE
SISTEMAS
DE
(6.13)
Pgina 288
Dr. P. Reyes /
Sample Mean
1
1
25
UCL=24.18
__
X=22.3
LCL=20.42
20
1
1
11
Sample
13
15
17
19
UCL=3.267
Sample Range
2
_
R=1
LCL=0
1
11
Sample
13
15
17
19
Figura 6.17 Cartas de control X-R de las mediciones del operador en sus dos
intentos
Notar que la carta X indica muchos puntos fuera de control, lo cual es normal
ya que se espera que el instrumento distinga las diferentes unidades de
producto.
instrumento
R
1 .0
0.887
d 2 1.128
Pgina 289
Dr. P. Reyes /
P 6 instrumento
T
LSE LIE
(6.14)
P 6(0.887) 5.32
0.097
T
60 5
55
Los valores de P/T menores a 0.1 implican una capacidad adecuada del
instrumento de medicin. Basado en su precisin debe ser al menos de 0.1 de
la tolerancia de la caracterstica evaluada.
La variabilidad total de los datos de las mediciones incluyen la variabilidad del
producto y las del instrumento de medicin. Por tanto,
2
total
S2
2
2
2producto total
instrument
o
N
40
Mean
Median
22.300
21.500
TrMean
22.167
2
total
S 2 = 3.17 x 3.17 = 10.0615
Pgina 290
StDev
3.172
SE Mean
0.502
Dr. P. Reyes /
2
2
2producto total
instrument
o = 10.0615 0.7867 = 9.2748
instrumento
x100
producto
(6.15)
instrumento
0.887
x100 =
x100 29.13%
producto
3.045
(6.16)
OP1I
N2
20
23
21
27
RANG
O1
1
1
1
0
OP2IN OP2IN
1
2
20
20
24
24
19
21
28
26
Pgina 291
RANG
O2
0
0
2
2
OP3IN OP3IN
1
2
19
21
23
24
20
22
27
28
RANG
O3
2
1
2
1
18
1
21
2
21
1
17
2
23
1
23
2
20
1
19
1
25
2
24
0
30
1
26
0
20
0
21
2
26
1
19
0
OP1IN2
OP3IN2
1
20
1
24
1
19
0
28
1
19
2
24
1
22
2
18
1
25
2
26
1
20
1
17
2
25
0
23
1
30
0
25
0
19
2
19
1
25
0
18
19
24
22
18
25
26
20
17
25
23
30
25
19
19
25
18
RANGO1
RANGO3
20
0
24
0
21
2
26
2
18
1
21
3
24
2
20
2
23
2
25
1
20
0
19
2
25
0
25
2
28
2
26
1
20
1
19
0
24
1
17
1
Dr. P. Reyes /
18
21
24
20
23
25
20
19
25
25
28
26
20
19
24
17
OP2IN1
19
23
20
27
18
23
22
19
24
24
21
18
25
24
31
25
20
21
25
19
1
3
2
2
2
1
0
2
0
2
2
1
1
0
1
1
21
24
22
28
21
22
20
18
24
25
20
19
25
25
30
27
20
23
25
17
1
1
( R 1 R 2 R 3 ) (1.0 1.25 1.20) 1.15
3
3
18
23
22
19
24
24
21
18
25
24
31
25
20
21
25
19
OP2IN2
2
1
2
1
3
1
2
1
0
1
1
1
0
1
1
2
0
2
0
2
21
22
20
18
24
25
20
19
25
25
30
27
20
23
25
17
RANGO2
3
1
2
1
0
1
1
1
0
1
1
2
0
2
0
2
repetibili dad
R
1.15
1.02
d2
1.128
Dr. P. Reyes /
x max max ( x 1 , x 2 , x 3 )
x min min( x 1 , x 2 , x 3 )
R x x max x min
reproducib ilidad
Rx
d2
instrumento.medicin = 1.04
La relacin P/T = 6 (1.04) / (60-5) = 0.11
Por otra parte utilizando el paquete Minitab se obtuvieron
siguientes (tomando 5.15 sigmas):
Gage R&R Study - XBar/R Method
Gage R&R for OP1IN1
Gage name:
Date of study:
Reported by:
Tolerance:
DISPOSITIVO DE PRUEBA
20 JULIO 2000
P. REYES
5
Pgina 293
las respuestas
Dr. P. Reyes /
Misc:
Source
Variance
%Contribution
(of Variance)
1.0424
1.0394
0.0030
9.4801
10.5225
9.91
9.88
0.03
90.09
100.00
Source
StdDev
(SD)
Study Var
(5.15*SD)
%Study Var
(%SV)
%Tolerance
(SV/Toler)
1.02096
1.01950
0.05449
3.07898
3.24384
5.2579
5.2504
0.2806
15.8568
16.7058
31.47
31.43
1.68
94.92
100.00
9.56
9.55
0.51
28.83
30.37
Pgina 294
Dr. P. Reyes /
el clculo, y en los
Variacin
proceso,
real
Variacin
deldel
proceso,
real
Variacin dentro de la
muestra
Repetibilidad
Variacin de la medicin
Variacin
originada
Equipo
de
medicin
por el calibrador
Estabilidad
Reproducibilidad
Linealidad
Calibracin
Pgina 295
Sesgo
Dr. P. Reyes /
Definiciones
O p e ra d o r -B
O p e ra d o r -C
O p e ra d o r -A
R e p r o d u c ib i l id a d
un
R E P E T I B IL I D A D
Valor verdadero:
Pgina 296
Dr. P. Reyes /
Exactitud :
Es la diferencia entre el promedio del nmero de medidas y el valor verdadero.
Exacto y preciso
(resolucin)
i e
34
i e
Pgina 297
Dr. P. Reyes /
Valor
verdadero
Sesgo
Menor
Sesgo
mayor
(rango inferior)
(rango superior)
V a lo r
V e rd a d e ro
S e s g o
Pgina 298
Dr. P. Reyes /
<10% Aceptable
10-30%. Puede ser aceptable, para caractersticas no crticas.
>30%. Inaceptable!
En otras industrias fuera de la automotriz se acepta un error total de R&R del
25% como mximo.
Pgina 299
Pgina 300
Dr. P. Reyes /
Dr. P. Reyes /
Pgina 301
Dr. P. Reyes /
5. Contine hasta que todos los operadores hayan medido las muestras una
sola vez (Este es el ensayo 1).
6. Repita los pasos 3-4 hasta completar el nmero requerido de ensayos
7. Determine las estadsticas del estudio R&R
Repetibilidad
Reproducibilidad
% R&R
Permite separar
en
el sistema
Reproducibilidad y a la
de
medicin
lo referente
a la
Repetibilidad.
Permite
separar
en
el
sistema
de
medicin
lo
referente
la
Reproducibilidad y a la Repetibilidad.
Pgina 302
un
Dr. P. Reyes /
Pgina 303
Pgina 304
Dr. P. Reyes /
Pgina 305
Dr. P. Reyes /
Pgina 306
Dr. P. Reyes /
Pgina 307
Dr. P. Reyes /
Dr. P. Reyes /
Una vez colectados los datos proceder a realizar la carta de rango R y observar
que est en control, de otra forma repetir las mediciones para ese operador y
parte especfica errnea.
0.005143
X=
0.004717
LICX =
0.004290417
LSCX
X
LICX
Pgina 308
Dr. P. Reyes /
Pgina 309
Dr. P. Reyes /
Pgina 310
Dr. P. Reyes /
Pgina 311
OPERAD
OR
Dr. P. Reyes /
10
Totales
Capture los datos en la hoja de trabajo de Minitab en tres columnas C1, C2,
C3
Partes
1
2
3
4
5
6
7
8
9
10
Operador
es
1
1
1
1
1
1
1
1
1
1
Medici
Operador Medici
Operador
n
Partes
es
n
Partes
es
0.0045
1
2
0.0045
1
3
0.0045
2
2
0.0055
2
3
0.0045
3
2
0.0045
3
3
0.005
4
2
0.005
4
3
0.0045
5
2
0.004
5
3
0.005
6
2
0.006
6
3
0.005
7
2
0.0055
7
3
0.005
8
2
0.005
8
3
0.005
9
2
0.0045
9
3
0.004
10
2
0.004
10
3
Pgina 312
Medicin
0.005
0.0055
0.0045
0.005
0.0045
0.005
0.0045
0.006
0.0055
0.0045
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
0.0045
0.0055
0.0045
0.005
0.0045
0.0055
0.0045
0.005
0.0045
0.004
0.0045
0.0045
0.0045
0.0045
0.0045
0.0045
0.0045
0.005
0.005
0.004
1
2
3
4
5
6
7
8
9
10
1
2
3
4
5
6
7
8
9
10
Dr. P. Reyes /
2
2
2
2
2
2
2
2
2
2
2
2
2
2
2
2
2
2
2
2
0.0045
0.005
0.0045
0.005
0.0045
0.005
0.0045
0.005
0.0045
0.004
0.0045
0.0045
0.0045
0.005
0.004
0.005
0.005
0.005
0.005
0.004
1
2
3
4
5
6
7
8
9
10
1
2
3
4
5
6
7
8
9
10
3
3
3
3
3
3
3
3
3
3
3
3
3
3
3
3
3
3
3
3
0.0045
0.0045
0.0045
0.005
0.0045
0.005
0.005
0.005
0.0045
0.0045
0.0045
0.0045
0.004
0.005
0.004
0.005
0.005
0.005
0.0045
0.0045
%Contribution
VarComp
(of VarComp)
0.0000001
41.00
0.0000001
40.52
0.0000000
0.48
0.0000001
59.00
0.0000001
100.00
Source
Total Gage R&R
Repeatability
Reproducibility
Part-To-Part
Total Variation
StdDev (SD)
0.0002476
0.0002461
0.0000269
0.0002970
0.0003867
Study Var
(5.15 * SD)
0.0012750
0.0012675
0.0001384
0.0015295
0.0019913
%Study Var
(%SV)
64.03
63.65
6.95
76.81
100.00
%Tolerance
(SV/Toler)
21.25
21.12
2.31
25.49
33.19
Dr. P. Reyes /
Gage name:
Date of study:
Components of Variation
Percent
80
Datos by Partes
% Contribution
0.006
%Study Var
% Tolerance
40
0.005
0.004
Gage R&R
Repeat
Reprod
Part-to-Part
R Chart by Operadores
Sample Range
0.006
0.0005
_
R=0.000417
0.005
0.0000
LCL=0
0.0050
10
2
Operadores
Operadores
UCL=0.005143
_
X=0.004717
0.0045
LCL=0.004290
Average
Sample Mean
0.004
5
6
Partes
Datos by Operadores
UCL=0.001073
0.0010
0.0050
2
3
0.0045
0.0040
0.0040
5
6
Partes
10
Pgina 314
Dr. P. Reyes /
DF
9
2
18
60
89
SS
0.0000086
0.0000002
0.0000014
0.0000063
0.0000165
MS
0.0000010
0.0000001
0.0000001
0.0000001
F
12.2885
0.9605
0.7398
P
0.000
0.401
0.757
DF
9
2
78
89
SS
0.0000086
0.0000002
0.0000077
0.0000165
Source
Total Gage R&R
Repeatability
Reproducibility
Operadores
Part-To-Part
Total Variation
VarComp
0.0000001
0.0000001
0.0000000
0.0000000
0.0000001
0.0000002
MS
0.0000010
0.0000001
0.0000001
F
9.67145
0.75592
P
0.000
0.473
Gage R&R
%Tolerance
Source
(SV/Toler)
Total Gage R&R
27.04
%Contribution
(of VarComp)
50.93
50.93
0.00
0.00
49.07
100.00
Study Var
%Study Var
StdDev (SD)
(5.15 * SD)
(%SV)
0.0003150
0.0016222
71.36
Pgina 315
Dr. P. Reyes /
0.0003150
0.0016222
71.36
0.0000000
0.0000000
0.00
0.0000000
0.0000000
0.00
0.0003092
0.0015923
70.05
0.0004414
0.0022731
100.00
Gage name:
Date of study:
Components of Variation
Percent
80
Datos by Partes
% Contribution
0.006
%StudyVar
% Tolerance
40
0.005
0.004
Gage R&R
Repeat
Reprod
Part-to-Part
R Chart by Operadores
Sample Range
0.006
0.0005
_
R=0.000417
0.005
0.0000
LCL=0
10
2
Operadores
Operadores
UCL=0.005143
_
X=0.004717
0.0045
LCL=0.004290
Average
Sample Mean
0.0050
0.004
5
6
Partes
Datos by Operadores
UCL=0.001073
0.0010
0.0050
2
3
0.0045
0.0040
0.0040
5
6
Partes
10
Pgina 316
Dr. P. Reyes /
Pgina 317
Dr. P. Reyes /
En Number of appraisers, 2.
En Number of trials, 2.
Pgina 318
Dr. P. Reyes /
Pgina 319
Dr. P. Reyes /
Figura 6.30 Resultados del estudio de R&R comparativo por atributos por
avaluador
Interpretacin de Resultados
Pgina 320
Dr. P. Reyes /
Ejemplo 5.
Una empresa est entrenando a cinco evaluadores para la porcin escrita de
un examen estndar de doceavo grado. Se requiere determinar la habilidad de
los evaluadores para calificar el examen de forma que sea consistente con los
estndares. Cada uno de los evaluadores califica 15 exmenes en una escala
de cinco puntos (-2, -1, 0, 1, 2):
Analysis.
3
Sampl
Attrib
e
Rating
ute
1
2
2
1
2
2
1
2
2
Duncan
Hayes
Simpson
Montgomery
Holmes
1
1
2
2
2
1
2
-1
-1
-1
2
2
-1
-1
-1
Duncan
Hayes
Simpson
Montgomery
Holmes
2
2
3
3
3
-2
-1
1
0
0
-1
-1
0
0
0
Duncan
Hayes
3
3
0
0
0
0
Appraiser
Duncan
Hayes
Simpson
Montgomer
y
Holmes
Duncan
Hayes
Simpson
Montgomer
y
Holmes
Duncan
Hayes
Simpson
Montgomer
y
Holmes
Pgina 321
Sampl
Attrib
e
Rating
ute
8
0
0
8
0
0
9
-1
-1
9
9
9
9
10
-1
-1
-2
-1
1
-1
-1
-1
-1
1
10
10
10
10
11
1
1
0
2
-2
1
1
1
1
-2
11
11
-2
-2
-2
-2
4
4
4
-2
-2
-2
-2
-2
-2
Duncan
Hayes
Simpson
Montgomery
Holmes
4
4
5
5
5
-2
-2
0
0
0
-2
-2
0
0
0
Duncan
Hayes
Simpson
Montgomery
Holmes
5
5
6
6
6
-1
0
1
1
1
0
0
1
1
1
Duncan
Hayes
Simpson
Montgomery
Holmes
6
6
7
7
7
1
1
2
2
2
1
1
2
2
2
Duncan
Hayes
Simpson
Montgomery
Holmes
7
7
8
8
8
1
2
0
0
0
2
2
0
0
0
Dr. P. Reyes /
Duncan
Hayes
Simpson
Montgomer
y
Holmes
Duncan
Hayes
Simpson
Montgomer
y
Holmes
Duncan
Hayes
Simpson
Montgomer
y
Holmes
Duncan
Hayes
Simpson
Montgomer
y
Holmes
Duncan
Hayes
11
11
12
-2
-1
0
-2
-2
0
12
12
12
12
13
0
0
-1
0
2
0
0
0
0
2
13
13
13
13
14
2
2
2
2
-1
2
2
2
2
-1
14
14
14
14
15
-1
-1
-1
-1
1
-1
-1
-1
-1
1
15
15
15
15
1
1
1
1
1
1
1
1
Pgina 322
Dr. P. Reyes /
AppraiserCoefSECoefZP
Duncan0.897790.1924504.615540.0000
Hayes0.960140.1924504.939550.0000
Holmes1.000000.1924505.146670.0000
Montgomery1.000000.1924505.146670.0000
Simpson0.932580.1924504.796360.0000
BetweenAppraisers
AssessmentAgreement
#Inspected#MatchedPercent95%CI
15640.00(16.34,67.71)
#Matched:Allappraisers'assessmentsagreewitheachother.
Fleiss'KappaStatistics
ResponseKappaSEKappaZ
P(vs>0)
20.6803980.08164978.33310.0000
10.6027540.08164977.38220.0000
00.7076020.08164978.66630.0000
10.6424790.08164977.86870.0000
20.7365340.08164979.02070.0000
Overall0.6729650.041233116.32100.0000
Kendall'sCoefficientofConcordance
CoefChiSqDFP
0.96631767.6422140.0000
AllAppraisersvsStandard
AssessmentAgreement
#Inspected#MatchedPercent95%CI
15640.00(16.34,67.71)
#Matched:Allappraisers'assessmentsagreewiththeknown
standard.
Fleiss'KappaStatistics
ResponseKappaSEKappaZP(vs>0)
20.8425930.1154707.29710.0000
10.7960660.1154706.89410.0000
00.8509320.1154707.36930.0000
10.8029320.1154706.95360.0000
20.8473480.1154707.33830.0000
Overall0.8314550.05891114.11360.0000
Pgina 323
Dr. P. Reyes /
Kendall'sCorrelationCoefficient
CoefSECoefZP
0.9581020.086066311.11000.0000
*NOTE*Singletrialwithineachappraiser.Nopercentageof
assessmentagreementwithinappraiserisplotted.
Date of study:
Reported by:
Name of product:
Misc:
Assessment Agreement
Appraiser vs Standard
100
95.0% CI
Percent
Percent
80
60
40
20
0
Duncan
Hayes
Holmes
Appraiser
Montgomery
Simpson
Interpretacin de resultados
Minitab muestra tres tablas como sigue: Cada evaluador vs el estndar, Entre
evaluadores y Todos los evaluadores vs estndar. Los estadsticos de Kappa y
Kendall tambin se incluyen en cada una de las tablas. En general estos
estadsticos sugieren buen acuerdo.
El coeficiente de Kendall entre evaluadores es 0.966317 (p = 0.0); para todos
los evaluadores vs estndar es 0.958192 (p = 0.0). Sin embargo la
observacin del desempeo de Duncan y Haues indica que no se apegan al
estndar.
Pgina 324
Dr. P. Reyes /
Pgina 325
Dr. P. Reyes /
muestra y se evalan
Pgina 326
Dr. P. Reyes /
Pgina 327
Dr. P. Reyes /
Dr. P. Reyes /
Objetivos
1. Asegurar niveles de calidad
Para el consumidor y productor
curva OC
Procedimiento
por atributos
Procedimiento
por Variables
Plan especfico
en base a curva OC
Plan especfico
en
base
a
2. Mantener la calidad en el
objetivo
Sistema de AQL
MIL-STD-105E
3. Asegurar el nivel de
calidad de salida
6. Asegura la calidad no
con
Planes LTPD de
Pgina 329
Sistema de AQL
MIL-STD-414
Planes
LTPD
Dr. P. Reyes /
de Dodge-Romig
prueba de hiptesis.
La curva OC
La curva caracterstica de operacin (OC) muestra la probabilidad de aceptar el
lote (Pa o en el eje Y), versus la fraccin defectiva media en el lote (p en el
eje X), mostrando la potencia de discriminacin del plan de muestreo.
Pgina 330
Dr. P. Reyes /
n! d nd
Pa P{d c)
p (1 p)
d 0 d!(n d )!
(7.1)
Pgina 331
Dr. P. Reyes /
Pa
c=0, 1,
2
n =
100,
c=2
0.985
9
n
=
200, c
=2
0.9201
61
Pgina 332
0.9861
83
0.9215
72
0.8107
98
0.6767
14
0.5405
33
0.4162
46
0.3107
89
0.2259
74
0.1605
4
0.920
6
0.676
7
0.419
8
0.232
1
0.118
3
0.056
6
0.025
8
0.011
3
0.004
8
Dr. P. Reyes /
0.6766
79
0.2351
48
0.0592
91
0.0124
89
0.0023
36
0.0004
6.40E05
9.66E06
1.39E06
Pa
n=50, 100,
200 2
Pgina 333
Dr. P. Reyes /
Inspeccin rectificadora
Los programas de aceptacin por muestreo normalmente requieren accin
correctiva cuando los lotes son rechazados, de tal forma que el proveedor los
selecciona al 100% remplazando los artculos defectivos por buenos. Esta
Pgina 334
Dr. P. Reyes /
AOQ
Pa p ( N n)
N
(7.2)
Pgina 335
Dr. P. Reyes /
AOQ
Pa p ( N n) (0.9397)(0.01)(10000 89)
0.0093
N
10000
(7.3)
Pgina 336
Dr. P. Reyes /
CURVA AOQ
n=89, c=2
Figura 7.7 Curva de calidad de salida promedio (AOQ)
De la grfica anterior se observa que la curva AOQ tiene un valor mximo o la
peor fraccin defectiva de salida hacia la planta o proceso, que se denomina
lmite de calidad de salida promedio AOQL el cual es aproximadamente 0.0155
o 1.55% defectivo.
El nmero promedio de inspeccin total por lote es ATI, igual a:
ATI n (1 Pa )( N n)
(7.4)
Ejemplo 7.2 Con N=10000, n=89, c=2 y p=0.01. Como Pa = 0.9397 se tiene:
ATI = 89 + (1-0-9397)(10000 89) = 687
Siendo este el total de piezas que en promedio se inspeccionarn por lote,
algunas por el cliente (n) y otras por el proveedor (N-n) en base al plan de
muestreo.
Pgina 337
Dr. P. Reyes /
Las curvas ATI para diferentes tamaos de lote se muestra a continuacin, para
n = 89 y c = 2:
ATIN=1000
Pa
0
0
0
0
0
0
0
0
0
0
1
1
1
0
0
0
0
0
0
0
98
144
329
546
723
843
916
957
979
990
ATIN=5000
ATIN=10000
140
385
1383
2552
3506
4155
4549
4770
4887
4947
191
687
2700
5060
6985
8295
9089
9536
9772
9892
ATI
N=10000
N=5000
N=1000
p
Figura 7.8 Curvas de nmero de muestras inspeccionadas promedio por el
cliente y por el proveedor
Los planes de Dodge-Romig minimizan el ATI para un AOQL dado, haciendo
ms eficiente la inspeccin por muestreo.
Pgina 338
Dr. P. Reyes /
Pgina 339
Dr. P. Reyes /
ASN n1 n2 (1 P1 )
(7.5)
ASN
Insp. completa
n = cte.
Insp. recortada
Dr. P. Reyes /
Pa PaI PaII
(7.6)
PaI P ( d 1 1 n1 )
(7.7)
PaII P (d1 2 n1 ) xP (d 2 1 n2 ) P ( d1 3 n1 ) xP (d 2 0 n 2 )
(7.8)
p
0.005
0.01
0.02
0.03
0.04
0.05
0.06
0.07
0.08
0.09
Pa (1
muestra)
Pa(2a.mue
stra)
Pa Total
En 1a.
Muestra
0.974
0.911
0.736
0.555
0.400
0.279
0.190
0.126
0.083
0.053
0.023
0.060
0.083
0.056
0.027
0.011
0.004
0.001
0.000
0.000
0.997
0.971
0.819
0.611
0.428
0.290
0.194
0.128
0.083
0.053
0.976
0.929
0.877
0.908
0.971
1.022
1.047
1.052
1.046
1.036
Pa
Pa total
Pa
1 muestra
Pa 2 muestra
p
Figura 7.10 Probabilidad de aceptar en la primera o en la segunda muestra en
muestreo doble
DISEO DE PLANES DE MUESTREO DOBLE
Como en el caso del muestreo simple, es frecuentemente necesario disear un
plan de muestreo doble tomando como referencia las coordenadas de la curva
Pgina 341
Dr. P. Reyes /
OC (p1, 1-) y (p2, ) ya sea con n1=n2 o con n2 = 2n1. Para lo que se emplean
las tablas de Grubbs (ver pginas siguientes).
Pgina 342
Dr. P. Reyes /
INSPECCIN RECTIFICADORA
Cuando se usa el esquema de inspeccin rectificadora, la curva AOQ est dada
por,
{PaI ( N n1 ) PaII ( N n1 n2 )} p
AOQ
N
(7.9)
Asumiendo que todos los defectivos son remplazados por artculos buenos en
los lotes rechazados, la curva de inspeccin total promedio es,
(7.10)
I
II
donde Pa Pa Pa
Aceptar
0
1
3
5
8
Rechazar
3
4
5
7
9
Pgina 343
Dr. P. Reyes /
(7.11)
X RECHAZO h2 sn
1
h1 log
h2 log
k log
(7.12)
p 2 (1 p1 )
p1 (1 p 2 )
1 p1
1 p2
s log
Pgina 344
Dr. P. Reyes /
h1=1.22
h2=1.57
s=0.028
Por tanto las ecuaciones de las lneas de aceptacin y rechazo son:
XA= -1.22 + 0.028n
Lnea de aceptacin
Lnea de rechazo
Xa
Xr
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
-1.192
-1.164
-1.136
-1.108
-1.08
-1.052
-1.024
-0.996
-0.968
-0.94
-0.912
-0.884
-0.856
-0.828
-0.8
-0.772
-0.744
-0.716
-0.688
-0.66
-0.632
-0.604
-0.576
1.598
1.626
1.654
1.682
1.71
1.738
1.766
1.794
1.822
1.85
1.878
1.906
1.934
1.962
1.99
2.018
2.046
2.074
2.102
2.13
2.158
2.186
2.214
Xa
-1
-1
-1
-1
-1
-1
-1
-1
-1
-1
-1
-1
-1
-1
-1
-1
-1
-1
-1
-1
-1
-1
-1
Xr
Xa
Xr
2
2
2
2
2
2
2
2
2
2
2
2
2
2
2
3
3
3
3
3
3
3
3
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
43
44
45
46
-0.548
-0.52
-0.492
-0.464
-0.436
-0.408
-0.38
-0.352
-0.324
-0.296
-0.268
-0.24
-0.212
-0.184
-0.156
-0.128
-0.1
-0.072
-0.044
-0.016
0.012
0.04
0.068
2.242
2.27
2.298
2.326
2.354
2.382
2.41
2.438
2.466
2.494
2.522
2.55
2.578
2.606
2.634
2.662
2.69
2.718
2.746
2.774
2.802
2.83
2.858
Pgina 345
Xa
-1
-1
-1
-1
-1
-1
-1
-1
-1
-1
-1
-1
-1
-1
-1
-1
-1
-1
-1
-1
0
0
0
Xr
3
3
3
3
3
3
3
3
3
3
3
3
3
3
3
3
3
3
3
3
3
3
3
Dr. P. Reyes /
En este caso no se puede tomar una decisin de aceptacin hasta que hayan
transcurrido las suficientes muestras, que hagan que la lnea de aceptacin
tenga valores positivos en Xa, 44 en este caso, y no se puede rechazar hasta
en la 2. Muestra.
Pgina 346
Dr. P. Reyes /
No. de
defectos
acumula
Lnea de
aceptaci
3
Lnea de
Rechazo
2
1
0
20
40
60
Nmero
de
-1
Fig. 7.11 Comportamiento del muestreo secuencial
CURVA OC y ASN
Para esta curva se incluyen 3 puntos, (p 1, 1-), (p2, ) y el punto medio de la
curva en p=s y Pa = h2 /(h1+h2). Las muestras inspeccionadas promedio son:
B
A
(1 Pa )
C
C
ASN Pa
Donde,
A log
B log
(7.13)
p
1 p2
C p log 2 (1 p ) log
p1
1 p1
INSPECCIN RECTIFICADORA
La calidad media de salida AOQ Pap y el nmero promedio de muestras
inspeccionadas total es:
A
(1 Pa ) N
C
ATI Pa
(7.14)
Pgina 347
Dr. P. Reyes /
Muestreo simple.
Muestreo doble.
Muestreo mltiple
En cada uno de los casos se prevn los siguientes tipos de inspecciones:
Inspeccin normal.
Inspeccin estricta.
Inspeccin reducida.
Se inicia con la inspeccin normal, se pasa a estricta cuando se observa
mala calidad del proveedor y se usa la reducida cuando la calidad del
proveedor es buena, reduciendo los tamaos de muestra.
El punto focal de la norma es el AQL (nivel de calidad aceptable entre
0.1% y 10%), negociado entre cliente y proveedor. Los valores tpicos de
AQL para defectos mayores es de 1%, 2.5% para defectos menores y 0%
para defectos crticos. Cuando se utiliza para planes de defectos por
unidad se tienen 10 rangos adicionales de AQLs hasta llegar a 1000
defectos por cada 100 unidades, los noveles pequeos de AQL se
pueden utilizar tanto para controlar fraccin defectiva como defectos por
unidad.
Pgina 348
Dr. P. Reyes /
Dr. P. Reyes /
Pgina 350
Dr. P. Reyes /
la
tabla
(ver
apndice)
localizar
la
letra
cdigo
Pgina 351
Dr. P. Reyes /
DISCUSIN
Todas las curvas OC son tipo B, tambin se proporcionan curvas para el ASN y
datos del AOQL.
El estndar MIL-STD-105E est orientado al AQL, se enfoca al lado de riesgo
del productor de la curva OC, la parte restante de la curva depende de la
seleccin del nivel de inspeccin. Los tamaos de muestra seleccionados son
2, 3, 5, 8, 13, 20, 32, 50, 80, 125, 200, 315, 500, 800, 1250 y 2000.
Si se grafica el tamao medio del rango de lotes contra el logaritmo del
tamao de muestra se obtiene una recta hasta n=80 y despus una recta con
una pequea pendiente. Como la razn de N a n es decreciente conforme
aumenta N se economiza en la inspeccin.
El estndar civil ANSI/ASQC Z1.4 o ISO 2859 es la contraparte del estndar
MIL-STD-105E, difiriendo en que:
Pgina 352
Dr. P. Reyes /
Pgina 353
Pgina 354
Dr. P. Reyes /
.
Figura 7.14 Tablas de muestreo simple por atributos
Pgina 355
Dr. P. Reyes /
Dr. P. Reyes /
AQL
ppm
10%
1%
0.10%
0.01%
0.00%
0.00%
100,000
10,000
1,000
100
10
1
Ejemplo 7.5 Un equipo que tiene 100 componentes y que sus componentes
tienen en promedio un AQL = 0.5% , por tanto la probabilidad de que el equipo
trabaje es de:
Pgina 356
Pgina 357
Dr. P. Reyes /
Dr. P. Reyes /
Planes de AOQL
Las tablas de Dodge-Romig (1959) tienen planes para valores de AOQL de
0.1%, 0.25%, 0.75%, 1%, 1.5%, 2.5%, 3%, 4%, 5%, 7% y 10% en cada una se
especifican seis valores para medias de proceso. Se tienen planes para
muestreo simple y doble.
Ejemplo 7.5
Planes de LTPD
Se disearon de tal forma que la probabilidad de aceptacin del LTPD sea 0.1.
Se proporcionan tablas para valores de LTPD de 0.5%, 1%, 2%, 3%, 4%, 5% 7%
y 10%.
Ejemplo 7.6
Pgina 358
Dr. P. Reyes /
De la tabla 13.23, el plan obtenido es n=770 y c=4, si los lotes rechazados son
seleccionados al 100% y los artculos defectuosos se reemplazan por artculos
buenos, el AOQL=0.28%.
Cuando el promedio del proceso es mayor que la mitad del LTPD, la inspeccin
100% es mejor econmicamente.
ESTIMACIN DEL PROMEDIO DEL PROCESO
La utilizacin de los planes de Dodge-Romig depende del conocimiento de la
fraccin promedio no conforme del proveedor.
Pgina 359
Dr. P. Reyes /
Pgina 360
Dr. P. Reyes /
Pgina 361
Dr. P. Reyes /
Tipo de muestreo
n ASN
n = 67.
ASN en p1 = 45
ASN en p1 = 41
n=27
n=10
Sigma conocida
Pgina 362
Dr. P. Reyes /
__
LIE
Z LIE
X LIE
(8.1)
Pgina 363
Dr. P. Reyes /
X LIE 82 100
1.8
10
Z LSE
LSE X
(8.2)
Zs Zi
0.25
0.6745
0.20
0.8416
0.15
1.0364
0.10
1.2816
0.5
1.6449
0.2
2.0537
0.1
2.3263
Procedimiento 2.
A partir de una muestra sencilla de tamao n del lote, se calcula Z LIE o
QLIE Z LIE
Pgina 364
Dr. P. Reyes /
Pgina 365
Q LIE
X LIE
Dr. P. Reyes /
n /( n 1)
(8.3)
Q LSE
LSE X
n /( n 1)
Pgina 366
Dr. P. Reyes /
Z LIE
X LIE
Pgina 367
Dr. P. Reyes /
1
k n
1 1.9 40
0.35
2 2( n 1) 2
2(39)
Z LIE
2
s
15
de las tablas para fraccin defectiva al final de este captulo se obtiene una p =
0.020, y siendo que es menor que M = 0.030, se acepta el lote.
Para lmites bilaterales se obtienen ambas p i y ps en base a Zi y Zs, si pi + ps M
se acepta el lote, si no se cumple lo anterior, el lote se rechaza.
Pgina 368
Dr. P. Reyes /
Variabilidad
Desconocida
Mtodo de S
Variabilidad
Conocida
Especificacin
Unilateral
Especificaciones
Bilaterales
Procedimiento
(Mtodo de k)
Procedimiento 2
(Mtodo de M)
Procedimiento 2
(Mtodo de M)
proceso desconocida.
C. Planes basados en la amplitud de la muestra con sigma desconocida (ya
descontinuado).
D.
Pgina 369
Dr. P. Reyes /
Ejemplo 8.4 Para el caso del embotellador: Si el lmite inferior LIE = 225 psi,
suponiendo que el nivel de calidad aceptable en este lmite es AQL = 1% y que
las botellas se embarcan en lotes de
N = 100,000, con sigma desconocida se tiene:
Procedimiento 1.
1.
2.
Pgina 370
Dr. P. Reyes /
- tamao de muestra.
- constante de aceptabilidad
LIE
Dr. P. Reyes /
tabla
B-3 M = 3.32%
Pgina 372
Dr. P. Reyes /
209 180
1.59 ; PS = 2.19% (de tabla B-5)
8.8
QI=
195 180
1.704; PI = 0.66% (de tabla B-5) por tanto la fraccin
8.8
defectiva total es de
p = 2.85%
Como P < M se acepta el lote.
Ejemplo 8.8 Si el AQLS= 1% y AQLI= 2.55% de tabla B3, MS= 3.32% ,
MI=9.8%
a)
b)
Comparando PS MS ; PI MI y P MI
Se acepta el lote.
VARIABILIDAD CONOCIDA
D.1 Slo un lmite de especificacin. Forma 1.
Usar tabla D1 y D2 para obtener n y k
Ejemplo 8.9
Pgina 373
Dr. P. Reyes /
b)
c)
d)
X =
en
tabla
D3
de
n,
como
10,
3.63%,
1.054
respectivamente.
b) Clculo de QL =(63,000 - 58,000) * 1.054 / 3,000 = 1.756
c) Determinar PL de tabla D5 con QL= 1.756 es 3.92%
Como PL > M se rechaza el lote.
D9. Plan de muestreo para doble lmite de especificacin
a) Determinar la letra cdigo de la tabla A2, en base a nivel de inspeccin.
b) Obtener el plan n, el factor v y el porcentaje mximo aceptable M de tabla
D3 y D4. Si se especifican diferentes AQLs para cada lmite de
especificacin, obtener el porcentaje mximo no conforme para cada lmite
MI y MS. Si se asigna el mismo AQL a ambos lmites, designar el nivel
mximo de porcentaje no conforme por M.
c) Obtener mediciones del muestreo en n partes.
d) Calcular la media de los datos.
e) Calcular los Indices de Calidad QS = (LSE - X ) v / y QL =( X LIE ) v /
f) De tabla D-5 encontrar PI y PS en base a QU y QL y el tamao de muestra n.
Pestimada= PI + PS
Ejemplo 8.11 La especificacin para una colada de acero es de 67,000 y
58,000 psi respectivamente. Un lote de 500 artculos se somete a inspeccin.
El nivel de inspeccin es II, inspeccin normal con AQL = 1.5%. La variabilidad
conocida con valor 3,000 psi.
a) De tabla D-3 se obtuvo n = 10, v = 1.054, M = 3.63%
_
Pgina 374
Dr. P. Reyes /
La produccin es continua.
Pgina 375
Dr. P. Reyes /
Pgina 376
8.4
OTROS PROCEDIMIENTOS
VARIABLES
Dr. P. Reyes /
DE
MUESTREO
POR
X A 0.3 X A 0.3
1.645
0.1
n
n
(8.4)
En forma similar si los lotes que tienen un nivel de emisin de 0.40 ppm tienen
una probabilidad de 0.10 de aceptacin, entonces,
X A 0.4 X A 0.4
1.282
0.1
n
n
resolviendo para X
(8.5)
y n se obtiene:
X A = 0.355
n= 9
Pgina 377
Dr. P. Reyes /
APNDICES
Pgina 378
Dr. P. Reyes /
D3 R
CARTAS Xbarra-S
Lmites de control para medias
LSCx = X + A3 S
LCx = X
LICx = X - A3 S
Lmites de control para desviaciones estndar
LSCs = B4 S
LCs = S
LICs = B3 S
CARTAS I-MR de valores individuales
Para los valores individuales n=2
LSCx = X 3
MR
d2
__
LCx = X
LICx = X 3
MR
d2
Para el caso del rango se usan las mismas de la carta Xbarra-R con n=2
CARTAS DE CONTROL PARA ATRIBUTOS
Pgina 379
CARTA p
Di
ni
pi
D p
i
i 1
mn
i 1
m
__
__
LSCp = p 3 p (1 p )
n
__
__
LCp = p
__
__
LICp = p 3 p (1 p )
n
__
CARTAS np
LSC np np 3 np (1 p )
LC np np
LIC np np 3 np (1 p )
CARTAS c
LSCc = c + 3
LCc = c
LICc = c - 3
CARTAS u
c
n
Pgina 380
Dr. P. Reyes /
Dr. P. Reyes /
LSC u u 3
u
n
LC u u
LSC u u 3
u
n
A2
D3
D4
d2
1.880
0.000
3.267
1.128
1.023
0.000
2.574
1.693
0.729
0.000
2.282
2.059
0.577
0.000
2.115
2.326
0.483
0.000
2.004
2.534
0.419
0.076
1.924
2.704
0.373
0.136
1.864
2.847
0.337
0.184
1.816
2.970
10
0.308
0.223
1.777
3.078
Pgina 381
Dr. P. Reyes /
c4
A3
B3
B4
B5
B6
0.9400
1.342 1.427 0
0.9515
0.9594
0.9650
0.9693
10
0.9727
11
0.9754
12
0.9776
13
0.9794
14
0.9810
15
0.9823
16
0.9835
17
0.9845
18
0.9854
19
0.9862
20
0.9869
21
0.9876
22
0.9882
23
0.9887
24
0.9892
25
0.9896
2.089 0
Pgina 382
1.964
Pgina 383
Dr. P. Reyes /