Beruflich Dokumente
Kultur Dokumente
Calidad
Conceptos bsicos y
variabilidad.
c) No establecen claramente la
relacin apropiada entre deseos,
necesidades, expectativas del
cliente y la funcin del producto.
Un producto se puede vender por
un atributo pero perder mercado
por su funcin, por su calidad.
Se comporta de forma
exponencial en las
prdidas
Valor nominal
Caractersticas de calidad
Tendencia
Prdidas ($)
Actualmente la tendencia de
control de calidad es la reduccin
de variabilidad
Prdida de calidad
Caracterstica de calidad
Valor nominal
3 x
Caracterstica de calidad
Lnea central (LC)
3 x
Lmite inferior de control (LIC)
tiemp
o
A
B
C
LC
C
B
A
LIC
tiempo
Caracterstica de calidad
A
Caracterstica de calidad
A
B
B
C
C LC
LC C
C
B
B
A
A
LIC
LIC
tiempo
tiempo
Carlos Viesca Gonzlez 27
Grficas de control
Prueba # 4: Prueba # 5:
Caracterstica de calidad
A
Caracterstica de calidad
A
B
B
C
C LC
LC C
C
B
B
A
A
LIC
LIC
tiempo
tiempo
Carlos Viesca Gonzlez 28
Grficas de control
Prueba # 6: Prueba # 7:
Caracterstica de calidad
A
Caracterstica de calidad
A
B
B
C
C LC
LC C
C
B
B
A
A
LIC
LIC
tiempo
tiempo
Carlos Viesca Gonzlez 29
Grficas de control
Prueba # 8:
Ocho puntos consecutivos que no caigan en la zona C
LSC
Caracterstica de calidad
A
B
C
LC
C
B
A
LIC
tiempo
x x
Z x
x n
LSC
La media cambia
LIC
1
ARL
1
Entre ms pequeo sea el ARL necesito menos
muestras para calcular el error tipo II
Donde:
x R
Carlos Viesca Gonzlez 46
Grficas de medias y
rangos
El procedimiento es el mismo que
en las grficas de medias y
desviacin estndar.
La forma de obtener los lmites de
control y la lnea central es la
siguiente:
LC R
LSC D4 R
LSC D3 R
Carlos Viesca Gonzlez 48
Grficas de medias y
rangos
Grfica de medias: antes de
calcular los lmites es necesario que
est bajo control la grfica de rangos.
LC x
LSC x A2 R
LSC x A2 R
Carlos Viesca Gonzlez 49
Grficas de medias y
rangos
= se puede obtener a partir de
los datos recopilados, pero
generalmente se obtiene de la
informacin proporcionada por la
grfica de un proceso bajo control.
R
d2
Carlos Viesca Gonzlez 50
Interpretacin de
grfica de rangos
Esta grfica se debe analizar primero,
ya que el comportamiento de los
promedios y de los rangos de los
subgrupos depende de la variabilidad
estimada de las piezas.
Se deben verificar las ocho pruebas
Verificar que no haya tendencias
Carlos Viesca Gonzlez 51
Interpretacin de
grfica de medias
Si la grfica de rangos est bajo control, la
dispersin del proceso est estable y por lo tanto
se puede analizar la grfica de los promedios; los
lmites de control de esta grfica se basan en la
cantidad de variacin de los rangos. Con la
grfica de medias se determina si el centro del
proceso est cambiando con el tiempo y si ese es
el caso, entonces existen causas especiales de
variacin que estn ocasionando esos problemas.
x S
Carlos Viesca Gonzlez 53
Procedimiento para
elaborar una grfica x -
S
1. Defina cul ser la caracterstica de la
calidad: Otorgar la mxima prioridad a
aquellas variables o caractersticas medibles
y expresables mediante nmeros y que
causen problemas en produccin o costos.
2. Escoja el subgrupo racional: Los
elementos que conformen cada subgrupo
debern de haberse producido bsicamente
dentro de las mismas condiciones.
i
( x x ) 2
S i 1
n 1
7. Calcular S: dividiendo el total de las S
de cada subgrupo por el nmero de
subgrupos.
Carlos Viesca Gonzlez 56
Procedimiento para
elaborar una grfica x -
S
8. Calcular las lneas de control:
Calcular cada una de las lneas de
control para la grfica
x y la
grfica S con las siguientes
frmulas:
Carlos Viesca Gonzlez 57
Procedimiento para
elaborar una grfica x -
S
Grfica S:
LC S
Lnea central:
LSC B4 S
Lmite superior de control:
LIC B3 S
Lmite inferior de control:
LSC x A3 S
Lmite superior de control:
LmiteSuperiorde Tolerancia(LSTN) 3
LmiteInferiorde Tolerancia(LITN) 3
LITN x 3 LIE
x LSE LSTN x 3
Carlos Viesca Gonzlez 71
ndices de capacidad
del proceso
Dnde:
LSTN = lmite superior de tolerancia
natural
LITN = lmite inferior de tolerancia natural
LSE = lmite superior de especificacin
LIE = lmite inferior de especificacin
R
x R
d2
S
S
c4
x S
Carlos Viesca Gonzlez 75
Lmites de
especificacin o
tolerancias
Son caractersticos de una parte o
artculo determinado.
Estn basados en consideraciones
funcionales.
Estn relacionados con una
medicin de una sola parte.
LSE LIE
Cp
6
4 64 ppm
5 6 partes en 10 millones
6 Menos de 1 parte en
10 millones
* Considerando un proceso centrado y media fija
LSE LIE
Cpk mnimo ,
3 3
x Rm
Carlos Viesca Gonzlez 85
Grfica de observaciones
individuales y rangos
mviles
LC R
LSC D4 R
LIC D3 R
Carlos Viesca Gonzlez 87
Grficas de observaciones
individuales y rangos
mviles
Grfica de observaciones individuales:
para ser interpretada necesita estar bajo
control.
R
LC x LSC x 3
d2
R
LIC x 3
d2
Carlos Viesca Gonzlez 88
CAPTULO 2.2
Grficas para atributos:
p, np
C, U
Grfica p
LC p
p (1 p )
LSC p 3
n
p (1 p )
LIC p 3
n
Carlos Viesca Gonzlez 97
Grfica para la
proporcin de piezas
defectuosas
Para muestras variables:
LC p
d i
n i
p (1 p )
LSC p 3
n
p (1 p )
LIC p 3
n
Carlos Viesca Gonzlez 98
Interpretacin
Para interpretar la grfica p, se hace de la
misma manera que las otras grficas, se debe:
Verificar que los puntos no excedan los lmites de
control.
Los puntos se deben distribuir aleatoriamente dentro
de los lmites de control.
No deben mostrar tendencias
Los puntos debe apareceren orden aleatorio en el
tiempo.
Grfica np
LIC np 3 np (1 p )
Grfica C
LC c i
c
k
LSC c 3 c
LIC c 3 c
Carlos Viesca Gonzlez 108
Grfica de nmero de
defectos por unidad
Grfica U
u LIC u 3 u
LC u LSC u 3
ni ni
Carlos Viesca Gonzlez 112
CAPTULO 2.3
Grficas CUSUM y EWMA
Ci x j o
i
j 1
donde :
x j media de una muestra u
observacin individual.
o valor objetivo
i
C max 0, xi o k C
i 1
C i
max0, o k xi C
i 1
Carlos Viesca Gonzlez 116
Construccin de una
grfica CUSUM
El procedimiento se inicia haciendo:
C C 0
o o
K es un valor de referencia o de
holgura y frecuentemente se
determina como:
1 o
k
2
Carlos Viesca Gonzlez 117
Construccin de una
grfica CUSUM
El proceso est fuera de control si
C+ o C- exceden el valor de H, un
valor razonable para H es .5.
Para esta grfica no se realizan las
8 pruebas, ya que los datos
dependen unos de otros.
o k i
, i
si C H
N
i
C
o k i
, si C H
N i
i
zi xi (1 ) zi 1
donde:
0< 1 es una constante
El valor de inicio (que se requiere con la primera
muestra cuando i = 1) es el objetivo del proceso, con lo
cual z0 = 0
En ocasiones z0 = promedio de los datos preliminares
LSC 0 L
2
1 (1 )
2i
LC 0
LIC 0 L
2
1 (1 ) 2i
Carlos Viesca Gonzlez 122
Grfica EWMA
Dnde:
L es la anchura de los lmites de
control, el mltiplo de sigma. Es comn
tomar L = 3, proporciona buenos
resultados sobre todo cuando lambda
es grande.
En general, cuanto ms pequeos sean
los cambios que se desea detectar,
ms pequeos sern los valores de
lambda.
Carlos Viesca Gonzlez 123
Grfica EWMA
atributos
Reglas para el cambio de tipos de
inspeccin:
De normal a estricta. Si se realiza una
inspeccin normal, se establece la inspeccin
estricta cuando dos de cinco lotes consecutivos
se han rechazado en la inspeccin original.
De estricta a normal. Cuando se ha estado
aplicando una inspeccin estricta, la inspeccin
normal se establece si se han presentado cinco
lotes aceptables consecutivos en la inspeccin
original.
Carlos Viesca Gonzlez 163
Planes de muestreo de
aceptacin por
atributos
De normal a reducida. Se puede pasar
de la aplicacin de una inspeccin
normal a una reducida si se satisfacen
las siguientes cuatro condiciones:
3. Si la autoridad responsable lo
aprueba.
Etapa de madurez
tiempo
3. Etapa de reemplazo.
1.- 2.- Etapa de 3.-
periodo madurez envejecimiento
inicial
tiempo
f (t )dt 1
Carlos Viesca Gonzlez 182
Tiempo entre fallas
F(t)= funcin de probabilidad o
densidad acumulada (probabilidad de
que un producto falle hasta antes del
tiempo t) t
F (t ) P T t f (t )dt
R(t ) 1 f (t ) P (T t ) f (t )dt
t
E (t ) MTTF o MTBF t ( f (t ))dt
Z (t ) f (t )
1 F ( z)
t 1 t
f (t ) e e ; t 0
Carlos Viesca Gonzlez 188
Funciones de
probabilidad
exponencial
= nmero de fallas por ud. de tiempo.
= tiempo medio por fallas (MTBF) o
tiempo medio para fallas.
1 1
tasa de fallas z (t )
Carlos Viesca Gonzlez 189
Funciones de
probabilidad
exponencial
Esta distribucin es til para representar la
tasa de fallas en la etapa de madurez en
la grfica similar a la tina de bao.
f(t) R(t)
tiempo tiempo
R (t ) 1 F (t ) P (T t )
Carlos Viesca Gonzlez 191
Funciones de
probabilidad
exponencial
Tasa de fallas
Z(t)
tiempo
t t t
1 t
P (T t ) f (t )dt e t dt e
0 0 0
F (t ) P (T t ) 1 e t 1 1 e t prob. falla
R (t ) P (T t ) e t dt 1 1 e t e t confiabilidad
t
Carlos Viesca Gonzlez 192
Funciones de
probabilidad
Normal:
Esta distribucin puede representar
situaciones en las cuales no se presentan
fallas durante un periodo de tiempo, y
repentinamente muchas o todas las pzas.
comienzan a fallar, alrededor de cierto
tiempo que coincide con la media .
f(t) f(t)
tiempo tiempo
(t )2
.5
e
f (t ) ; t 0, 0, 0
2
Carlos Viesca Gonzlez 195
Funciones de
probabilidad
normal
Tasa de fallas
Z(t)
tiempo
t
R (t ) 1 f ( z ) ; z
Carlos Viesca Gonzlez 196
Funciones de
probabilidad
Weibull:
Esta distribucin es la ms utilizada
en estudios de confiabilidad, ya que
puede modelar casi cualquier
situacin ya sea en periodos con tasa
creciente, constante o decreciente.
m 1
m t to
Z (t )
Carlos Viesca Gonzlez 198
Funciones de
probabilidad
weibull
Confiabilidad:
( t t o ) m
R (t ) e
La media es:
1
MTTF MTBF to 1
m
(v) funcin gamma de v
(v) v(v 1)
Carlos Viesca Gonzlez 199
Funciones de
probabilidad
weibull
Los parmetros de la distribucin son:
m: representa la forma de la distribucin
: representa la magnitud de la media
to: es un parmetro de posicin
La combinacin apropiada de valores de los
tres, es lo que facilita su uso en diversas
condiciones.
m =.5
m =1
f(t)
m =2
m =4
m =.5
m =1
R(t)
m =2
m =4
m =.5
m =1
Z(t)
m =2
m =4
n
s i
i 1
1
MTBF n
i 1
i
n
i t
R p (t ) 1 1 e
i 1
si toda i es igual i entonces :
R p (t ) 1 1 e
t n
1 1 1 1
MTBF 1
2 3 n
Carlos Viesca Gonzlez 206
Pruebas de vida
fallas observadas
En base a fallas observadas se selecciona de
un lote una muestra aleatoria de n pzas y es
sometida a pruebas bajo condiciones
ambientales determinadas, observndose los
tiempos de falla de los componentes
individuales, los tiempos de falla observados
son:
t1 t 2 t3 t r
Carlos Viesca Gonzlez 207
Pruebas de vida
fallas observadas
Si el tamao de la muestra es n, la vida
acumulada por las uds probadas hasta
la falla r, sera Tr. Si en la prueba se
reemplazan los elementos que fallan,
entonces:
Tr nt r
Carlos Viesca Gonzlez 208
Pruebas de vida
fallas observadas
Si las piezas que fallan no se
reemplazan, entonces:
r
Tr ti n r t r
i 1
Para ambos casos, el estimador de vida
normal ser:
Tr
r
Carlos Viesca Gonzlez 209
Pruebas de vida
fallas observadas
Un intervalo de confianza para vida
media, se puede encontrar ya que el
estadstico 2Tr/ tiene una distribucin ji
cuadrada con 2r grados de libertad.
2Tr 2Tr
, 2 r
2
1 , 2 r
2
2 2
Tk nT
k
Tk ti (n k )T
i 1
1 1
t
f (t ) e
, t
1 t
f (t ) e ;