Professional Documents
Culture Documents
CONTROL ESTADÍSTICO
DEL PROCESO
Octubre, 2006
Página 1
CONTROL ESTADÍSTICO DEL PROCESO Dr. P. Reyes / Octubre 2006
1. INTRODUCCIÓN 4
1.1 Historia del control estadístico del proceso 5
1.2 Métodos estadísticos para la mejora de la calidad 10
Página 2
CONTROL ESTADÍSTICO DEL PROCESO Dr. P. Reyes / Octubre 2006
Página 3
CONTROL ESTADÍSTICO DEL PROCESO Dr. P. Reyes / Octubre 2006
Módulo 1. Introducción
Página 4
CONTROL ESTADÍSTICO DEL PROCESO Dr. P. Reyes / Octubre 2006
Antecedentes
1
Vid. Valdez, Luigi, Conocimiento es futuro, CONCAMIN, México, 1995, pp. 122-123
Página 5
CONTROL ESTADÍSTICO DEL PROCESO Dr. P. Reyes / Octubre 2006
Según Duncan “Walter Shewhart de los Laboratorios Bell fue el primero en aplicar las cartas de
control en 1924 haciendo un esbozo de la carta de control ”2. Por otra parte “H. Dodge y H.
Romig desarrollaron las tablas de inspección por muestreo de Dodge-Romig” 3, como una
alternativa a la inspección 100% al producto terminado, sin embargo su adopción
en occidente fue muy lenta, Freeman, sugiere que esto se dio por “la tendencia de los
ingenieros americanos a eliminar la variación, y su desdén por las teorías probabilísticas, así como
muestreo”5. Se reduce el nivel de variación del proceso hasta los límites predecibles
y se identifican las oportunidades de mejora. Se establecen sistemas de medición
formales desde los proveedores hasta el producto final y el proceso se
"estandariza”. Hoy en día la herramienta de las cartas de control (CEP) es utilizada
por los círculos de control de calidad para la identificación de problemas.
2
Duncan, Acheson, op. cit.p. 16.
3
Ibidem, p. 1
4
Freeman, H.D., “Statistical Methods for Quality Control”, MechanicalEngineering, April 1937, p. 261.
5
Feigenbaum, A.V., op. cit., 1986, p. 16
Página 6
CONTROL ESTADÍSTICO DEL PROCESO Dr. P. Reyes / Octubre 2006
CEP en Japón
En 1950 el experto Edwards W. Deming inició el entrenamiento en métodos
estadísticos en el Japón, incluyendo conferencias dirigidas a los líderes
industriales, en esta época Kaoru Ishikawa experto japonés en control de calidad
inició sus estudios sobre conceptos de control de calidad, describe su propia
motivación como sigue:
En 1955, Kaouru Ishikawa introdujo las técnicas de cartas de control en Japón, los
japoneses aprendieron el control de calidad de occidente, invitaron a Deming,
Página 7
CONTROL ESTADÍSTICO DEL PROCESO Dr. P. Reyes / Octubre 2006
Juran y otros eruditos a Japón para que les enseñasen el control estadístico del
proceso. Sin embargo la implantación de estas técnicas fue posible después de su
modificación y adaptación a las empresas japonesas, incluyendo la creación de
varias herramientas útiles como refinamiento del control estadístico de calidad,
tales como las 7 herramientas estadísticas utilizadas normalmente por los círculos
de control de calidad y la aplicación de técnicas estadísticas avanzadas.
* * * *
** **
*** **
*** **
Distribución de promedios
Universo de las muestras
6
Shewhart, W.A., Economic Control of Quality of Manufactured Product, Van Nostrand Reinhold Co., 1931,
p. 182
Página 8
CONTROL ESTADÍSTICO DEL PROCESO Dr. P. Reyes / Octubre 2006
__ (1.1)
X n
Hora 4
Hora 2
Hora 3
Hora 1
7
Ford Motor Co., Continuing Process Control and Process Capability Improvement, Dearborn, Michigan,
1983
Página 9
CONTROL ESTADÍSTICO DEL PROCESO Dr. P. Reyes / Octubre 2006
CARTAS DE CONTROL
LSC
LC
LIC
La carta de control es una técnica muy útil para el monitoreo de los procesos,
cuando se presentan variaciones anormales donde las medias o los rangos salen
de los límites de control, es señal de que se debe tomar acción para remover esa
fuente de variabilidad anormal. Su uso sistemático proporciona un excelente
medio para reducir la variabilidad.
Página 10
CONTROL ESTADÍSTICO DEL PROCESO Dr. P. Reyes / Octubre 2006
DISEÑO DE EXPERIMENTOS
Un experimento diseñado es muy útil para descubrir las variables clave que tienen
influencia en las características de calidad de interés del proceso. Es un método
para variar en forma sistemática los factores controlables del proceso y determinar
los efectos que tienen esos factores en los parámetros finales del producto.
Permite reducir la variabilidad en la característica de calidad y en determinar los
niveles más adecuados de los factores controlables que optimizen el desempeño
del proceso.
ENTRADAS CONTROLABLES
X1 X2 XP
Materias primas,
Componentes, etc.
Z1 Z2 ZQ
ENTRADAS NO CONTROLABLES
Página 11
CONTROL ESTADÍSTICO DEL PROCESO Dr. P. Reyes / Octubre 2006
Una vez que se han identificado las variables que afectan el desempeño del
proceso, normalmente es necesario modelar la relación entre estas variables y la
característica de calidad de interés. Para lo cual se puede utilizar el análisis de
regresión.
MUESTREO DE ACEPTACIÓN
Página 12
CONTROL ESTADÍSTICO DEL PROCESO Dr. P. Reyes / Octubre 2006
En el transcurso del tiempo, las tres técnicas estadísticas anteriores han tenido la
evolución siguiente:
MUESTREO DE
ACEPTACION
CONTROL DE PROCESO
DISEÑO DE
EXPERIMENTOS
0%
Tiempo
Página 13
CONTROL ESTADÍSTICO DEL PROCESO Dr. P. Reyes / Octubre 2006
Página 14
CONTROL ESTADÍSTICO DEL PROCESO Dr. P. Reyes / Octubre 2006
CONCEPTO DE VARIACIÓN
Los métodos estadísticos se basan en que no existen dos productos
EXACTAMENTE iguales de un proceso de manufactura, por tanto la VARIACIÓN
es inevitable, su análisis se hace con el apoyo de la estadística.
DISTRIBUCION NORMAL
La notación para una variable aleatoria que se distribuye normalmente es x N (
, 2 ), la forma de la distribución es simétrica, unimodal y en forma de campana.
Las áreas entre diferentes desviaciones estándar son:
1 68.26%
2 95.46%
3 99.73%
-3 +3
Página 15
CONTROL ESTADÍSTICO DEL PROCESO Dr. P. Reyes / Octubre 2006
Página 16
CONTROL ESTADÍSTICO DEL PROCESO Dr. P. Reyes / Octubre 2006
X1 X2 X3
X-media 1 X-media 2 X-media 3
Página 17
CONTROL ESTADÍSTICO DEL PROCESO Dr. P. Reyes / Octubre 2006
Comprobación en Minitab:
1. Abrir proyecto con File > Open Project > Datos > TeoremaLimiteCentral
Hacer comentarios
Hacer comentarios
Hacer comentarios
Página 18
CONTROL ESTADÍSTICO DEL PROCESO Dr. P. Reyes / Octubre 2006
Existen otras fuentes de variabilidad que pueden ser causadas por máquinas,
errores de operadores, materiales defectuosos o alguna otra de las 6M’s (medio
ambiente, métodos, mediciones). Esta variabilidad es muy grande en relación con
la variabilidad natural y es originada por causas especiales o asignables haciendo
que el proceso opere fuera de control estadístico.
Página 19
CONTROL ESTADÍSTICO DEL PROCESO Dr. P. Reyes / Octubre 2006
Página 20
CONTROL ESTADÍSTICO DEL PROCESO Dr. P. Reyes / Octubre 2006
LSC
LC
LIC Tiempo
Un punto que se encuentre fuera de los limites de control mostrará evidencia que
el proceso está fuera de control y será necesario una investigación de la causa
especial y la acción correctiva necesaria para eliminarla. También se tendrá un alto
riesgo de situación fuera de control si los puntos se agrupan es forma sistemática
dentro de los límites de control o muestran una tendencia.
Por ejemplo, la carta de control de medias prueba la hipótesis de que la media del
proceso está en control y tiene un valor 0 si un valor de media muestral X i cae
Página 21
CONTROL ESTADÍSTICO DEL PROCESO Dr. P. Reyes / Octubre 2006
dentro de los límites de control; de otra forma se concluye que el proceso está
fuera de control y que la media del proceso tiene un valor diferente del de 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 hipótesis para analizar el desempeño de las
cartas de control.
Página 22
CONTROL ESTADÍSTICO DEL PROCESO Dr. P. Reyes / Octubre 2006
Página 23
CONTROL ESTADÍSTICO DEL PROCESO Dr. P. Reyes / Octubre 2006
SISTEMA DE
EVALUACIÓN
Las cartas de control pueden ser clasificadas en dos clases: por atributos y por
variables dependiendo de cómo se evalúe la característica de calidad.
Página 24
CONTROL ESTADÍSTICO DEL PROCESO Dr. P. Reyes / Octubre 2006
1. Procesos estacionarios: los datos del proceso varían alrededor de una media
fija de una manera fija y estable. Es decir se tiene un proceso en control de
acuerdo a Shewhart es el área de aplicación de las cartas de control más efectivo.
Página 25
CONTROL ESTADÍSTICO DEL PROCESO Dr. P. Reyes / Octubre 2006
de una media fija. En estos casos se estabiliza el desempeño de los procesos por
medio de control automático por retroalimentación.
Las cartas de control han sido muy populares por las siguientes razones:
Abriendo los límites de control decrece riesgo de error tipo I (falsa alarma) sin
embargo se incrementa el riego de error tipo II y viceversa. Con límites de control
de 3-sigma la probabilidad de error tipo I es de 0.0027. Si se selecciona el nivel de
riesgo de error tipo I en 0.002 o 0.001 en cada lado, se tienen los límites de control
Página 26
CONTROL ESTADÍSTICO DEL PROCESO Dr. P. Reyes / Octubre 2006
Para un proceso en control estadístico habrá un punto fuera de control normal por
cada 370 puntos para límites a tres sigma.
Página 27
CONTROL ESTADÍSTICO DEL PROCESO Dr. P. Reyes / Octubre 2006
SUBGRUPOS RACIONALES
La idea fundamental en las cartas de control es colectar los datos de la muestra de
acuerdo al concepto de subgrupo racional es decir que el subgrupo debe
seleccionarse de tal forma que si están presentes causas asignables, la diferencia
entre los subgrupos sea maximizada, minimizando la diferencia dentro del
subgrupo.
El tiempo en que se tomen las muestras es una buena base para formar
subgrupos, evitando que algunas observaciones se tomen al final de un turno y las
restantes al inicio del siguiente ya que ocasiona diferencias dentro del subgrupo.
Página 28
CONTROL ESTADÍSTICO DEL PROCESO Dr. P. Reyes / Octubre 2006
Corrimiento en la media del proceso: Esto puede ser generado por un cambio
en métodos, operadores, materias primas, métodos de inspección, etc.
LSC
LC
LIC
LC
LIC
Fig. 2.13 Patrón de anormalidad de “estratificación”
Página 29
CONTROL ESTADÍSTICO DEL PROCESO Dr. P. Reyes / Octubre 2006
LSC
LC
LIC
LSC
LC
LIC
Página 30
CONTROL ESTADÍSTICO DEL PROCESO Dr. P. Reyes / Octubre 2006
Página 31
CONTROL ESTADÍSTICO DEL PROCESO Dr. P. Reyes / Octubre 2006
1. Liderazgo gerencial
2. Un enfoque de grupo de trabajo
3. Educación y entrenamiento de empleados en todos los niveles
4. Énfasis en la mejora continua
5. Un mecanismo para reconocer el éxito y comunicación hacia la organización.
Página 32
CONTROL ESTADÍSTICO DEL PROCESO Dr. P. Reyes / Octubre 2006
Página 33
CONTROL ESTADÍSTICO DEL PROCESO Dr. P. Reyes / Octubre 2006
3.1 INTRODUCCIÓN
Una característica que se mide en una escala numérica se denomina una variable.
Por ejemplo temperaturas, dimensiones, volumen, tiempo, etc. Las cartas de
control de X R son ampliamente utilizadas para monitorear la media y la
variabilidad de las variables, con objeto de evitar o minimizar que se tengan
productos fuera de especificaciones y estabilizar los procesos.
Ahora como las medias de las muestras están normalmente distribuidas con
Página 34
CONTROL ESTADÍSTICO DEL PROCESO Dr. P. Reyes / Octubre 2006
X i
(3.2)
X i 1
m
Representa la línea central de la carta de medias.
Para estimar la del proceso, se pueden utilizar los rangos de los subgrupos, para
cada uno de los subgrupos el rango es calculado como:
Si R1, R2, ....., Rm , son los rangos de los diferentes subgrupos, el rango promedio
es:
m
R i
(3.4)
R i 1
W=R/ (3.5)
Página 35
CONTROL ESTADÍSTICO DEL PROCESO Dr. P. Reyes / Octubre 2006
3R
LIC X Límite inferior de control (LIC) (3.7)
d2 n
LSC = X + A2 R (3.8)
LIC = X - A2 R
(3.11)
R d3
LIC = R - 3 R = R - 3 d 3 = R [ 1- 3 ] = D3 R
d2 d2
Página 36
CONTROL ESTADÍSTICO DEL PROCESO Dr. P. Reyes / Octubre 2006
n A2 D3 D4 d2
2 1.88 0 3.267 1.128
3 1.023 0 2.574 1.693
4 0.729 0 2.282 2.059
5 0.577 0 2.115 2.326
6 0.483 0 2.004 2.534
7 0.419 0.076 1.924 2.704
8 0.373 0.136 1.864 2.847
9 0.337 0.184 1.816 2.97
10 0.308 0.223 1.777 3.078
n Eficiencia
1 1.000
2 0.992
3 0.975
4 0.955
5 0.930
6 0.850
Para n >= 10 el rango pierde eficiencia rápidamente ya que ignora los valores
intermedios entre xmax y xmin sin embargo para valores pequeños de n (4,5 o 6)
empleados en las cartas de control, es adecuado. Para cuando n>10 se utiliza la
desviación estándar en vez del rango.
EQUIPO DE MEDICIÓN
La resolución del equipo debe ser de al menos 1/10 de la tolerancia y debe tener
habilidad para realizar la medición con un error por Repetibilidad y
Reproducibilidad (R&R) menor al 10% (ver procedimiento de estudios R&R).
LIMITES PRELIMINARES
Siempre que un proceso este siendo analizado a través de una carta de control, es
muy importante llevar una bitácora registrando todos los cambios (tiempo y
descripción) conforme ocurran, por ejemplo: cambio de turno, cambio de
Página 37
CONTROL ESTADÍSTICO DEL PROCESO Dr. P. Reyes / Octubre 2006
Página 38
CONTROL ESTADÍSTICO DEL PROCESO Dr. P. Reyes / Octubre 2006
603 1 1
UCL=602.4
Sample Mean
602
601
600 Mean=600.2
599
598 LCL=598.1
Subgroup 0 10 20
9
8 UCL=7.866
Sample Range
7
6
5
4 R=3.72
3
2
1
0 LCL=0
602.5
UCL=602.1
601.5
Sample Mean
600.5
Mean=599.9
599.5
598.5
597.5 LCL=597.7
Subgroup 0 10 20
9
8 UCL=8.106
Sample Range
7
6
5
4 R=3.833
3
2
1
0 LCL=0
Página 39
CONTROL ESTADÍSTICO DEL PROCESO Dr. P. Reyes / Octubre 2006
600.5 Mean=600.7
599.5
598.5 LCL=598.2
597.5
Subgroup 0 10 20
Hora 6:00:00 4:00:00
1 2
10
UCL=9.008
Sample Range
5
R=4.26
0 LCL=0
Página 40
CONTROL ESTADÍSTICO DEL PROCESO Dr. P. Reyes / Octubre 2006
CASO DE n CONSTANTE
Con esta información se pueden establecer los límites de control para la carta X
y S, cuando se conoce el valor de dado que existe un historial.
Los valores para las constantes se encuentran tabuladas para diferentes valores
de n en la tabla de constantes.
1 m
S Si
m i 1
(3.13)
Página 41
CONTROL ESTADÍSTICO DEL PROCESO Dr. P. Reyes / Octubre 2006
__
S
(3.14)
c4
LCs = S
S
LICs = S 3 1 c 42 = B3 S
c4
Para el caso de la carta X , cuando S /c4 se una para estimar los límites de
control para esta carta son:
S
LSCx = X + 3 = X + A3 S
c4 n
(3.16)
LCx = X
S
LICx = X - 3 = X - A3 S
c4 n
Página 42
CONTROL ESTADÍSTICO DEL PROCESO Dr. P. Reyes / Octubre 2006
1
602
Sample Mean
601
UCL=600.6
600
Mean=599.8
599 LCL=599.0
Subgroup 0 1 2 3 4 5 6 7 8 9 10
1
3
Sample StDev
2
UCL=1.443
1
S=0.8409
LCL=0.2386
0
Página 43
CONTROL ESTADÍSTICO DEL PROCESO Dr. P. Reyes / Octubre 2006
601
600 UCL=600.1
Mean=599.5
599 LCL=599.0
Subgroup 0 1 2 3 4 5 6 7 8 9 10
Hora 0:00:00 10:00:00 7:00:00 4:00:00 1:00:00 11:00:00 8:00:00 5:00:00 2:00:00 12:00:00
1 2
1
3
Sample StDev
1 UCL=0.9137
S=0.5323
0 LCL=0.1510
MR
LSCx = X 3
d2
Página 44
CONTROL ESTADÍSTICO DEL PROCESO Dr. P. Reyes / Octubre 2006
__
LCx = X (3.17)
MR
LICx = X 3
d2
n=2
35
UCL=34.80
Individual Value
34
Mean=33.52
33
LCL=32.24
32
Subgroup 0 5 10 15
1.5 UCL=1.571
Moving Range
1.0
0.5 R=0.4807
0.0 LCL=0
Ejercicio 3.3 Hacer una corrida de carta I-MR en Minitab con Supp2
Ejercicio 3.4 Hacer cartas de control con datos reales de las plantas
generadoras.
Página 45
CONTROL ESTADÍSTICO DEL PROCESO Dr. P. Reyes / Octubre 2006
Las cartas por atributos tiene la ventaja que consideran varias características a la
vez clasificando la unidad como conforme o no conforme, si no cumple alguna de
esas características. Por otra parte si esas características se controlan como
variables, debe llevarse una carta de control para cada una de esas
características, lo cual es más laborioso, otra alternativa es el CEP multivariado.
Las cartas por variables proporcionan mayor información del proceso que las de
atributos, tal como la media del proceso y su variabilidad, también proporcionan
información para realizar estudios de capacidad de los procesos.
Las cartas por variables permiten tomar acciones cuando se presentan situaciones
fuera de control, antes de que se produzcan artículos no conformes, lo que no
sucede con las cartas por atributos hasta que el proceso genere más
disconformes.
Página 46
CONTROL ESTADÍSTICO DEL PROCESO Dr. P. Reyes / Octubre 2006
Página 47
CONTROL ESTADÍSTICO DEL PROCESO Dr. P. Reyes / Octubre 2006
Página 48
CONTROL ESTADÍSTICO DEL PROCESO Dr. P. Reyes / Octubre 2006
Página 49
CONTROL ESTADÍSTICO DEL PROCESO Dr. P. Reyes / Octubre 2006
Di
pi (4.1)
ni
p (1 p )
2p (4.3)
n
Del modelo general para la carta de control de Shewhart, si w es un estadístico
que mide una característica de calidad, con media w y varianza w , los límites
2
de control son:
LSC = w + Lw
LC = w (4.4)
LIC = w - Lw
Página 50
CONTROL ESTADÍSTICO DEL PROCESO Dr. P. Reyes / Octubre 2006
LSCp = p 3 p (1 p )
__
n
__
LCp = p (4.5)
__ __
LICp = p 3 p (1 p )
__
pi = D i / n i = 1, 2, 3,....., m (4.6)
m m
Di p i
(4.7)
p i 1
i 1
mn m
Una vez hecha la gráfica trazando los límites anteriores, cualquier punto que se
encuentre fuera de control debe ser investigado, si se encuentra una causa
asignable o especial, deben tomarse medidas correctivas para prevenir su
Página 51
CONTROL ESTADÍSTICO DEL PROCESO Dr. P. Reyes / Octubre 2006
No No No
Servicio conformes Servicio conformes Servicio conformes
1 12 11 5 21 20
2 15 12 6 22 18
3 8 13 17 23 24
4 10 14 12 24 15
5 4 15 22 25 9
6 7 16 8 26 12
7 16 17 10 27 7
8 9 18 5 28 13
9 14 19 13 29 9
10 10 20 11 30 6
m m
Di p i
=
347
= 0.2313
p i 1
i 1 (30)(50)
mn m
Corrida en Minitab
1. Stat > Control Charts > P
2. Variable No conformes Subgroup size 50
3. OK
Página 52
CONTROL ESTADÍSTICO DEL PROCESO Dr. P. Reyes / Octubre 2006
0.4 UCL=0.4102
Proportion
0.3
P=0.2313
0.2
0.1
LCL=0.05243
0.0
0 10 20 30
Sample Number
Página 53
CONTROL ESTADÍSTICO DEL PROCESO Dr. P. Reyes / Octubre 2006
LICp = 0.0407
0.3
Proportion
P=0.215
0.2
0.1
LCL=0.04070
0.0
0 10 20 30
Sample Number
0.3
Proportion
0.2 P=0.2081
0.1
LCL=0.03590
0.0
0 10 20 30
Sample Number
Página 54
CONTROL ESTADÍSTICO DEL PROCESO Dr. P. Reyes / Octubre 2006
LC np np (4.12)
LIC np np 3 np(1 p )
Ejemplo 4.5 Con los datos del ejemplo anterior se tiene con
Minitab:
1. Stat > Control Charts >N P
2. Variable No conformes Subgroup size 50
3. OK
¿Esta en control estadístico?
Si no eliminar puntos fuera de control y recalcular límites de control
10 NP=10.41
LCL=1.795
0
0 10 20 30
Sample Number
Página 55
CONTROL ESTADÍSTICO DEL PROCESO Dr. P. Reyes / Octubre 2006
Página 56
CONTROL ESTADÍSTICO DEL PROCESO Dr. P. Reyes / Octubre 2006
2
80 8 0.1 0.194093 -0.003073 0.0328611
80 10 0.125 0.194093 -0.003073 0.0328611
80 7 0.0875 0.194093 -0.003073 0.0328611
0.002565
90 5 0.055556 0.188455 1 0.0309817
0.007334
100 8 0.08 0.183686 7 0.0293918
0.007334
100 5 0.05 0.183686 7 0.0293918
0.007334
100 8 0.08 0.183686 7 0.0293918
0.007334
100 10 0.1 0.183686 7 0.0293918
0.002565
90 6 0.066667 0.188455 1 0.0309817
25
D i
234
p i 1
25
0.096
2450
n
i 1
i
LC = 0.096
(0.096)(0.904)
LICp= p 3 p 0.096 3
ni
Página 57
CONTROL ESTADÍSTICO DEL PROCESO Dr. P. Reyes / Octubre 2006
0.2
UCL=0.1882
Proportion
0.1 P=0.09534
0.0 LCL=0.002468
0 5 10 15 20 25
Sample Number
En este caso, se toma el promedio de los tamaños de muestra para calcular los
límites de control aproximados, se asume que los tamaños de muestra no diferirán
en forma apreciable de los observados, aquí los límites de control son constantes.
Si existen grandes diferencias mayores al promedio más o menos 25%, este
método no es adecuado.
m
n i
2450
n i 1
98
m 25
Con límites de control basados en n 98 :
(0.096)(0.904)
LSCp= p 3 p 0.096 3 0.185
98
LC = 0.096
Página 58
CONTROL ESTADÍSTICO DEL PROCESO Dr. P. Reyes / Octubre 2006
(0.096)(0.904)
LICp= p 3 p 0.096 3 0.007
98
Corrida con Minitab:
1. Stat > Control Charts > P
2. Variable Nodef Subgroups size 98
3. OK
0.1 P=0.09566
LCL=0.006529
0.0
0 5 10 15 20 25
Sample Number
pi p
Zi
p (1 p ) (4.13)
ni
Página 59
CONTROL ESTADÍSTICO DEL PROCESO Dr. P. Reyes / Octubre 2006
Frac.-
n-var nodef def LSC LIC Desv-est. Z-Estand
100 12 0.12 0.183686 0.0073347 0.0293918 0.81655
80 8 0.1 0.194093 -0.003073 0.0328611 0.12172
80 6 0.075 0.194093 -0.003073 0.0328611 -0.63905
100 9 0.09 0.183686 0.0073347 0.0293918 -0.20414
110 10 0.090909 0.179582 0.0114382 0.028024 -0.18166
110 12 0.109091 0.179582 0.0114382 0.028024 0.46713
100 11 0.11 0.183686 0.0073347 0.0293918 0.47632
100 16 0.16 0.183686 0.0073347 0.0293918 2.17748
90 10 0.111111 0.188455 0.0025651 0.0309817 0.48774
90 6 0.066667 0.188455 0.0025651 0.0309817 -0.94679
110 20 0.181818 0.179582 0.0114382 0.028024 3.06231
120 15 0.125 0.176003 0.0150173 0.026831 1.08084
120 9 0.075 0.176003 0.0150173 0.026831 -0.78268
120 8 0.066667 0.176003 0.0150173 0.026831 -1.09326
110 6 0.054545 0.179582 0.0114382 0.028024 -1.47925
80 8 0.1 0.194093 -0.003073 0.0328611 0.12172
80 10 0.125 0.194093 -0.003073 0.0328611 0.8825
80 7 0.0875 0.194093 -0.003073 0.0328611 -0.25866
90 5 0.055556 0.188455 0.0025651 0.0309817 -1.30543
100 8 0.08 0.183686 0.0073347 0.0293918 -0.54437
100 5 0.05 0.183686 0.0073347 0.0293918 -1.56506
100 8 0.08 0.183686 0.0073347 0.0293918 -0.54437
100 10 0.1 0.183686 0.0073347 0.0293918 0.13609
90 6 0.066667 0.188455 0.0025651 0.0309817 -0.94679
90 9 0.1 0.188455 0.0025651 0.0309817 0.12911
Página 60
CONTROL ESTADÍSTICO DEL PROCESO Dr. P. Reyes / Octubre 2006
2
Individual Value
0 Mean=0
-1
-2
-3 LCL=-3
-4
0 5 10 15 20 25
Observation Number
En todos los casos el punto 11 está fuera de los límites de control. Con límites
constantes se tiene la ventaja de poder identificar patrones de anormalidad e
identificar curva característica de operación, lo que no puede hacerse con la carta
de límites de control variables.
Página 61
CONTROL ESTADÍSTICO DEL PROCESO Dr. P. Reyes / Octubre 2006
LCc = c (4.16)
LICc = c - 3 c en el caso que sea negativo toma el valor cero.
LSCc = c + 3 c
LCc = c (4.17)
LICc = c - 3 c en el caso que sea negativo toma el valor cero
Página 62
CONTROL ESTADÍSTICO DEL PROCESO Dr. P. Reyes / Octubre 2006
Donde,
LSC = 33.22
LC = 516 / 26 = 19.85 = c
LIC = 6.48
Corrida en Minitab:
1. Stat > Control Charts > C
2. Variable Defectos
3. OK
Página 63
CONTROL ESTADÍSTICO DEL PROCESO Dr. P. Reyes / Octubre 2006
40 1
UCL=33.21
30
Sample Count
20 C=19.85
10
LCL=6.481
1
0
0 10 20
Sample Number
25
C=19.67
15
LCL=6.363
5
0 5 10 15 20 25
Sample Number
Página 64
CONTROL ESTADÍSTICO DEL PROCESO Dr. P. Reyes / Octubre 2006
n Defectos
16 18
18 21
12 16
15 22
24 19
21 12
28 14
20 9
25 16
19 21
25
C=18.82
15
5 LCL=5.808
0 5 10 15 20 25 30 35
Sample Number
Página 65
CONTROL ESTADÍSTICO DEL PROCESO Dr. P. Reyes / Octubre 2006
Página 66
CONTROL ESTADÍSTICO DEL PROCESO Dr. P. Reyes / Octubre 2006
Método 1. Con nc
En este caso tanto la línea central como los límites de control se modifican por el
factor n, quedando como sigue ( c es la media de las no conformidades
observada en la unidad de inspección anterior):
LSC nc nc 3 nc
LC nc nc (4.18)
LIC nc nc 3 nc
Página 67
CONTROL ESTADÍSTICO DEL PROCESO Dr. P. Reyes / Octubre 2006
Por ejemplo si se deciden utilizar 2.5 unidades de inspección para el caso de los
circuitos impresos (es decir inspeccionar 250 tarjetas) con n=2.5, se tiene:
LC nc nc = (2.5)(19.67) = 49.18
Método 2. Carta u
Si se encuentra un total de c no conformidades en la muestra de n unidades de
inspección, entonces el promedio de no conformidades por unidad de inspección u
es:
c
u (4.19)
n
u
LSC u u 3
n
LC u u (4.20)
u
LSC u u 3
n
Página 68
CONTROL ESTADÍSTICO DEL PROCESO Dr. P. Reyes / Octubre 2006
DefectosU DefectosU
10 9
12 5
8 7
14 11
10 12
16 6
11 8
7 10
10 7
15 5
3
Sample Count
2 U=1.93
0 LCL=0.06613
0 10 20
Sample Number
Página 69
CONTROL ESTADÍSTICO DEL PROCESO Dr. P. Reyes / Octubre 2006
LC u u (4.21)
u
LSC ui u 3
ni
No
UnidadesInsp Conf.
10 14
8 12
13 20
10 11
9.5 7
10 10
12 21
10.5 16
12 19
12.5 23
153
La línea central es u 1.42
107.5
Donde u = Total de defectos observados / Total de unidades
de inspección
Página 70
CONTROL ESTADÍSTICO DEL PROCESO Dr. P. Reyes / Octubre 2006
UCL=2.436
Sample Count
U=1.423
LCL=0.4110
0 1 2 3 4 5 6 7 8 9 10
Sample Number
ui u
Zi
u (4.23)
ni
Página 71
CONTROL ESTADÍSTICO DEL PROCESO Dr. P. Reyes / Octubre 2006
I Chart for Z
3 UCL=3
2
Individual Value
0 Mean=0
-1
-2
-3 LCL=-3
0 1 2 3 4 5 6 7 8 9 10
Observation Number
Página 72
CONTROL ESTADÍSTICO DEL PROCESO Dr. P. Reyes / Octubre 2006
Página 73
CONTROL ESTADÍSTICO DEL PROCESO Dr. P. Reyes / Octubre 2006
Página 74
CONTROL ESTADÍSTICO DEL PROCESO Dr. P. Reyes / Octubre 2006
3 UCL=2.929
2
Sample Mean
1
0 Mean=0.1667
-1
-2
LCL=-2.596
-3
Subgroup 0 1 2 3 4 5 6 7 8 9 10
8
7 UCL=6.950
Sample Range
6
5
4
3 R=2.7
2
1
0 LCL=0
Página 75
CONTROL ESTADÍSTICO DEL PROCESO Dr. P. Reyes / Octubre 2006
R
RS (5.1)
Ri
Se toman de datos históricos o de especificaciones para el rango, o se puede
Sd 2
estimar de con R i c4 sus límites de control son D3 y D4. Para la media
graficar,
S x Ti
x (5.2)
Ri
np i n p
Carta np Zi
n p (1 p )
(5.3)
ci c
Carta c Zi
c
ui u
Carta u Zi
u/n
Página 76
CONTROL ESTADÍSTICO DEL PROCESO Dr. P. Reyes / Octubre 2006
Se utiliza para procesos con muchos flujos, por ejemplo diversas válvulas que en
principio producen suponen flujos similares. El usar una carta de control
para cada flujo por separado sería prohibitivo, sin embargo se tiene la
alternativa de ésta carta de control siempre que la producción entre
husillos no esté correlacionada.
Suponiendo un proceso con 6 flujos de salida donde cada flujo tiene el mimo valor
objetivo y la misma variabilidad inherente. Para establecer una carta de
control grupal, el muestreo se realiza como si se fueran a establecer
cartas separadas para cada flujo. Por ejemplo si de cada flujo s = 6 se
toman n = 4 partes de cada salida, hasta completar 20 o 25 subgrupos,
por ejemplo si se toman muestras de
n = 4 de 6 husillos repetido en 20 subgrupos, se habrán tomado 20 x 6 = 120
medias y rangos de n = 4 observaciones. De éstos se calculan la media
_
de medias X y el R , los límites de control se calculan como en una
_ _
LICX = X - A2 R LICR = D3 R (5.4)
_ _
LSCX = X + A2 R LSCR = D4 R
Página 77
CONTROL ESTADÍSTICO DEL PROCESO Dr. P. Reyes / Octubre 2006
Es útil observar que si una salida da el mayor o el menor valor varias en una fila,
puede ser evidencia de que es diferente a los otros. Si el proceso tiene s
salidas y si r es el número de veces consecutivas que se repite como el
mayor o el menor, el ARL para este evento es:
s r 1
ARL 0 (5.5)
s 1
Las cartas de control de Shewart utilizan sólo información acerca del proceso con
los últimos datos del subgrupo, e ignoran la información de la secuencia completa
de puntos, esto hace que estas cartas de control sean insensibles a pequeños
corrimientos de la media del proceso, de 1.5 o menos. Los límites preventivos y
criterios múltiples de prueba de corridas o tendencias toman en cuenta otros
Página 78
CONTROL ESTADÍSTICO DEL PROCESO Dr. P. Reyes / Octubre 2006
CUSUM NORMAL
Para pequeños corrimientos menores a 1.5, la carta de Shewart es ineficiente, en
esos casos la carta de sumas acumuladas de Page, que funciona con n >=1 es
mejor, ya que incorpora toda la información anterior en el valor de la muestra al
graficar la suma acumulada de las desviaciones con referencia a un valor objetivo
0. Si se colectan muestras de tamaño n >= 1 siendo x j el valor promedio de la
muestra j-ésima. La carta de sumas acumuladas se forma graficando para cada
muestra i la cantidad siguiente que representa la suma acumulada hasta la
muestra i,
i
Ci ( x j 0 ) (5.6)
j 1
Como esta carta es eficiente para n=1, es una buena alternativa para el control de
procesos químicos y el CEP automatizado. Si la media tiene un corrimiento hacia
arriba, la carta mostrará una tendencia ascendente y viceversa.
Ejemplo 5.1
Suponiendo que la Posición de una parte (A) se mueve hacia arriba y hacia abajo
una cierta distancia de la posición ideal de referencia (B). AtoBDist es esta
distancia. Para asegurar la calidad, se toman 5 mediciones al día durante el
primer periodo de tiempo y después 10 al día en un siguiente periodo de tiempo.
Página 79
CONTROL ESTADÍSTICO DEL PROCESO Dr. P. Reyes / Octubre 2006
Corrida en Minitab
1 File > Open Worksheet > Data > CRANKSH.MTW.
2 Stat > Control Charts > CUSUM.
3 In Single column, seleccionar AtoBDist. In Subgroup size, poner 5. OK.
5 UCL=4.802
Sample Mean
0 Mean=0.4417
LCL=-3.918
-5
Subgroup 0 5 10 15 20 25
UCL=15.98
15
Sample Range
10
R=7.559
5
0 LCL=0
Upper CUSUM
10
Cumulative Sum
5.67809
5
-5
Low er CUSUM
-5.67809
0 5 10 15 20 25
Subgroup Number
Página 80
CONTROL ESTADÍSTICO DEL PROCESO Dr. P. Reyes / Octubre 2006
Por tanto los límites de control de zi versus el número de muestra o tiempo i, son:
LSC 0 L
2
1 (1 )
2i
(5.9)
LC 0 (5.10)
LIC 0 L
2
1 (1 )
2i
(5.11)
Página 81
CONTROL ESTADÍSTICO DEL PROCESO Dr. P. Reyes / Octubre 2006
LSC 0 L (5.12)
2
LC 0 (5.13)
LSC 0 L (5.14)
2
Los valores adecuados de Lambda son 0.05, 0.1 y 0.2. Para Lamda de 0.2 los
límites a L= 3 sigma funcionan bien y para Lamda de 0.1 es mejor poner los
límites entre L = 2.6 y 2.8.
Corrida en Minitab:
1. File > Open Worksheet > Data > CRANKSH.MTW.
2. Stat > Control Charts > EWMA
3. In Single column, seleccionar AtoBDist. In Subgroup size, poner 5.
4. Weight of EWMA 0.1 Historical Mean 0.0 Historical Sigma
5. S Limits Sigma Limits 2.7
6. OK.
1 2.7SL=0.9670
EWMA
0 Mean=0
-1 -2.7SL=-0.9670
0 5 10 15 20 25
Sample Number
Página 82
CONTROL ESTADÍSTICO DEL PROCESO Dr. P. Reyes / Octubre 2006
Ejemplo 5.3 La carta de media móvil para los datos del ejemplo
anterior con un tamaño de corrida de 5 es la siguiente:
Corrida en Minitab:
1. File > Open Worksheet > Data > CRANKSH.MTW.
2. Stat > Control Charts > Moving Average
3. In Single column, seleccionar AtoBDist. In Subgroup size, poner 5.
4. Lenght of MA 5
5. OK.
Página 83
CONTROL ESTADÍSTICO DEL PROCESO Dr. P. Reyes / Octubre 2006
5
4
3
Moving Average
UCL=2.346
2
1
Mean=0.4417
0
-1
LCL=-1.463
-2
-3
-4
-5
0 5 10 15 20 25
Sample Number
Página 84
CONTROL ESTADÍSTICO DEL PROCESO Dr. P. Reyes / Octubre 2006
En muchos procesos actúan elementos inerciales que hacen que los datos estén
correlacionados principalmente si los intervalos de tiempo entre muestras son
pequeños respecto a esas fuerzas.
Wt
Tanque con volumen V y flujos de entrada y de salida
Xt
Si se toman muestras en intervalos t, entoces observamos las xt:
x t awt (1 a ) x t 1
T V / f ;V volumen; f flujo
a 1 e t / T
1 a e t / T
Página 85
CONTROL ESTADÍSTICO DEL PROCESO Dr. P. Reyes / Octubre 2006
Xi
*
* *
* * Correlación positiva
* **
* *
_
Cov ( x t , x i k x )
k , k 0,1,....
V ( xt )
n k _ _
( x t x)( x t k x)
i 1
rk n _
, k 0,1,....K
(x
t 1
t x) 2
Página 86
CONTROL ESTADÍSTICO DEL PROCESO Dr. P. Reyes / Octubre 2006
Stat > Regression > Fitted line Plot Y = Yi X = Yi-1 seleccionar Linear OK
Regression Plot
Concentr = 52.906 + 0.7356 Conc_1
210
Concentr
200
190
Conc_1
Página 87
CONTROL ESTADÍSTICO DEL PROCESO Dr. P. Reyes / Octubre 2006
Se observa que hay una cierta correlación entre las mediciones distanciadas en un
periodo.
0.6
0.4
0.2
0.0
-0.2
-0.4
-0.6
-0.8
-1.0
5 15 25
Lag Corr T LBQ Lag Corr T LBQ Lag Corr T LBQ Lag Corr T LBQ
1 0.73 7.47 57.47 8 0.08 0.42 161.31 15 -0.09 -0.44 163.68 22 -0.17 -0.85 189.22
2 0.63 4.48 100.71 9 0.06 0.30 161.71 16 -0.11 -0.54 165.10 23 -0.18 -0.88 193.68
3 0.51 3.08 129.38 10 -0.02 -0.08 161.75 17 -0.14 -0.72 167.63 24 -0.08 -0.39 194.59
4 0.41 2.28 148.12 11 0.01 0.06 161.76 18 -0.19 -0.98 172.41 25 -0.08 -0.36 195.38
5 0.27 1.42 156.23 12 0.04 0.21 161.96 19 -0.20 -1.02 177.76 26 -0.09 -0.46 196.65
6 0.16 0.85 159.27 13 0.07 0.34 162.49 20 -0.18 -0.91 182.16
7 0.11 0.54 160.52 14 -0.05 -0.23 162.75 21 -0.15 -0.74 185.19
Página 88
CONTROL ESTADÍSTICO DEL PROCESO Dr. P. Reyes / Octubre 2006
Las líneas discontinuas son los límites de dos sigmas para el parámetro de
autocorrelación Ro con el desfasamiento de K periodos de tiempo. En este caso
r1 = 0.8 suficientemente grande para distorsionar el desempeño de la carta de
control, un muestreo menos frecuente eliminaría la autocorrelación pero se
perdería información. A continuación se muestran las cartas I-MR y EWMA:
215 1 1
11 1
Individual Value
UCL=210.1
205
Mean=200.0
195
LCL=189.9
1 11 11 111
185
Subgroup 0 50 100
15
1
UCL=12.36
Moving Range
10
5
R=3.784
0 LCL=0
205
2.7SL=203.0
EWMA
200 Mean=200.0
-2.7SL=197.0
195
0 50 100
Sample Number
Página 89
CONTROL ESTADÍSTICO DEL PROCESO Dr. P. Reyes / Octubre 2006
210
Concentr
200
190
10 20 30 40 50 60 70 80 90 100
Time
20
Frequency
10
-10 -8 -6 -4 -2 0 2 4 6 8
Residual
Página 90
CONTROL ESTADÍSTICO DEL PROCESO Dr. P. Reyes / Octubre 2006
20
UCL=14.43
Individual Value
10
0 Mean=-0.04792
-10
LCL=-14.53
-20
Subgroup 0 50 100
20
UCL=17.79
Moving Range
10
R=5.443
0 LCL=0
0 Mean=-0.04792
-1
-2
-3
-4
-2.7SL=-4.391
-5
0 50 100
Sample Number
Página 91
CONTROL ESTADÍSTICO DEL PROCESO Dr. P. Reyes / Octubre 2006
n 2 __ __ __ __
2
02
2 2
( X 1 1 ) 2
2
1 ( X 2 2 ) 2
2 2
12 ( X 1 1 ) 2
( X 2 2 )
1 2 12
2 2
El Límite Superior de Control LSC = 2.2 que es el punto superior para el área (1-
). Si al menos una media se sale de control, la probabilidad de que el estadístico
2 salga de control se incrementa. Si 12 = 0, indicando que las medias muestrales
__ __
X 1 , X 2 son independientes se tendrá una elipse con centro en (1, 2) y ejes
__ __ __ __
paralelos a los ejes de X 1 , X 2 , esto implica que si un par de muestras ( X 1 , X 2 )
dan un valor de 2 que caiga dentro de la elipse, indica que el punto está dentro de
control, de esta forma se tiene una elipse de control.
8
Hotelling,H. (1947). “Multivariate Quality Control,”, Techniques of Statistical Analysis, Eisenhart, McGraw
Hill, NY, USA, 1947.
Página 92
CONTROL ESTADÍSTICO DEL PROCESO Dr. P. Reyes / Octubre 2006
Región de control
*** X1
*****
*****
X2
__ __
Si 12 0 las 2 características X 1 , X 2 son dependientes y la elipse de control
estará inclinada, puede ser que un punto salga de control en esta elipse, sin
__
embargo todavía esté en control a nivel de cartas X R individuales.
Página 93
CONTROL ESTADÍSTICO DEL PROCESO Dr. P. Reyes / Octubre 2006
LSC = 2.2
20
1 2 3 4 5 6 7 8 9
Figura 5.16 Carta de control chi-cuadrada para p = 2
características de calidad
La carta de control T2
Si en la ecuación anterior para Chi-cuadrada se reemplaza por X y 2 por S 2
tenemos el estadístico T2 .
_ _
T 2 n( x X )' 1
( x X )
Se utilizan 2 fases para el uso de esta carta; la fase 1 es para establecer control
del proceso, probando con los primeros m subgrupos, aquí se establecen los
límites de control para la fase 2, con los cuales se monitorea la producción.
Página 94
CONTROL ESTADÍSTICO DEL PROCESO Dr. P. Reyes / Octubre 2006
p ( m 1)( n 1)
LSC F , p , mn m p 1
mn m p 1
LIC 0
p (m 1)(n 1)
LSC F , p , mn m p 1
mn m p 1
LIC 0
Es común usar el Límite Superior de Control LSC = 2.2 para ambas fases, si se
usa m20 o 25 los límites de control coinciden para ambas fases. Se recomienda
tomar siempre m mayor de 20 con más de 50 muestras.
X 1
115 .59 psi; X 2
0.0106" ;S
10 __ __ __
2
T2 ( 0 . 83)( X 1 115. 59) 2
1 . 23( X 2 1 .06) 2
2( 0. 79)( X 1 115. 59) 2
( X 2 1.06)
(1.23)(0.83) 0.79
Página 95
CONTROL ESTADÍSTICO DEL PROCESO Dr. P. Reyes / Octubre 2006
LSC = 13.72
T2
No muestra puntos fuera de control. Los límites para la fase II se calculan dando
LSC = 15.16. Si se hubiese utilizado LSC = 2.2 = 13.816 que está cercano a los
límites de control de las fases I y II.
control es llevar cartas X R adicionales con límites de control en Z / 2 p para
2
di = (T2 - T(i ) )
Página 96
CONTROL ESTADÍSTICO DEL PROCESO Dr. P. Reyes / Octubre 2006
LIC 0
Cuando se toman más de 100 muestras preliminares los límites preliminares son:
p ( m 1)(n 1)
LSC
m p
F , p , m p ; o LSC = 2.2
LIC 0
1.3
1.2 UCL=1.188
Individual Value
1.1
1.0
0.9
0.8 Mean=0.8075
0.7
0.6
0.5
0.4 LCL=0.4266
11
0.3
Subgroup 0 10 20 30 40 50 60
0.6 1
1
1 1 1
Moving Range
0.5
UCL=0.4679
0.4
0.3
0.2
R=0.1432
0.1
0.0 LCL=0
Página 97
CONTROL ESTADÍSTICO DEL PROCESO Dr. P. Reyes / Octubre 2006
Página 98
CONTROL ESTADÍSTICO DEL PROCESO Dr. P. Reyes / Octubre 2006
6.1 INTRODUCCIÓN
Las técnicas estadísticas ayudan durante el ciclo del producto a reducir la
variabilidad y a mejorar la capacidad de los procesos.
Definiciones básicas.
Proceso: Éste se refiere a alguna combinación única de máquinas,
herramientas, métodos, materiales y personas involucradas en la
producción.
Capacidad o habilidad: Esta palabra se usa en el sentido de aptitud, basada
en el desempeño probado, para lograr resultados que se puedan medir.
Capacidad del proceso: Es la aptitud del proceso para producir productos
dentro de los límites de especificaciones de calidad.
Capacidad medida: Esto se refiere al hecho de que la capacidad del
proceso se cuantifica a partir de datos que, a su vez, son el resultado de la
medición del trabajo realizado por el proceso.
Capacidad inherente: Se refiere a la uniformidad del producto que resulta
de un proceso que se encuentra en estado de control estadístico, es decir,
en ausencia de causas especiales o atribuibles de variación.
Variabilidad natural: Los productos fabricados nunca son idénticos sino que
presentan cierta variabilidad, cuando el proceso está bajo control, solo
actúan las causas comunes de variación en las características de calidad.
Valor Nominal: Las características de calidad tienen un valor ideal óptimo
que es el que desearíamos que tuvieran todas las unidades fabricadas pero
que no se obtiene, aunque todo funcione correctamente, debido a la
existencia de la variabilidad natural.
Página 99
CONTROL ESTADÍSTICO DEL PROCESO Dr. P. Reyes / Octubre 2006
Los límites de tolerancia natural del proceso, superior (LTNS) e inferior (LTNI) , se
encuentran en 3 , o sea:
LTNS = + 3 (6.1)
LTNI = - 3
Página 100
CONTROL ESTADÍSTICO DEL PROCESO Dr. P. Reyes / Octubre 2006
Existen diversas técnicas para evaluar la capacidad del proceso, entre las que se
encuentran: Histogramas o papel de probabilidad, cartas de control y
experimentos diseñados.
Página 101
CONTROL ESTADÍSTICO DEL PROCESO Dr. P. Reyes / Octubre 2006
9
J.M. Juran, Análisis y planeación de la Calidad, Tercera Edición Mc. Graw Hill, Pp.404
Página 102
CONTROL ESTADÍSTICO DEL PROCESO Dr. P. Reyes / Octubre 2006
Las familias de variación han sido restringidas de tal manera que los datos
considerados, sólo son los que se obtuvieron del subgrupo racional. Ayuda a
determinar subgrupos racionales importantes.
Página 103
CONTROL ESTADÍSTICO DEL PROCESO Dr. P. Reyes / Octubre 2006
Z st
límite especif . nom.
(6.1)
desv.std ST
límite especif . media
Z LT
desv.std LT
dónde:
Zlt = Zst-1.5shift
Página 104
CONTROL ESTADÍSTICO DEL PROCESO Dr. P. Reyes / Octubre 2006
LSE LIE
Cp PCR (6.2)
6
R
0.0099 por tanto se tiene:
d2
1
P 100 (6.3)
Cp
Página 105
CONTROL ESTADÍSTICO DEL PROCESO Dr. P. Reyes / Octubre 2006
LIE
Cpi PCR I para el límite inferior
3
264 200 64
Cp PCR I 0.67
3(32) 96
Cp 1-lado 2-lados
0.25 226,628 453,255
0.50 66,807 133,614
0.60 35,931 71,861
0.70 17,865 35,729
0.80 8,198 16,395
1.00 1,350 2,700
Página 106
CONTROL ESTADÍSTICO DEL PROCESO Dr. P. Reyes / Octubre 2006
LIE
Cpi PCR I para el límite inferior
3
Página 107
CONTROL ESTADÍSTICO DEL PROCESO Dr. P. Reyes / Octubre 2006
62 53
Cps PCRS 1.5 para el límite superior
32
53 38
Cpi PCR I 2.5 para el límite inferior
32
Página 108
CONTROL ESTADÍSTICO DEL PROCESO Dr. P. Reyes / Octubre 2006
Frec.
a)
Microdureza
Se puede transformar cada valor x con su inverso o sea con y=1/x de esta forma
la distribución transformada es la siguiente (ver método de Box Cox con Lamda
óptima en Minitab):
Frec.
b)
Y=1/x
Dos procesos pueden tener un Cpk igual a uno, pero sin embargo no necesariamente están
centrados respecto a la media de las especificaciones como se muestra a continuación:
Página 109
CONTROL ESTADÍSTICO DEL PROCESO Dr. P. Reyes / Octubre 2006
1
Si T ( LSE LIE ) (6.7)
2
2 ( T ) 2 (6.8)
T
(6.9)
Se tiene,
LSE LIE LSE LIE LSE LIE
Cp km PCRkm (6.10)
6 6 ( T )
2 2
1 2
Una condición necesaria para que Cpkm sea mayor de uno es:
1
T ( LSE LIE )
6
1
Entonces Cpkm (A) = 1.0
1 0
2
Cpkm (B) = 0.63
1 (3) 2
Página 110
CONTROL ESTADÍSTICO DEL PROCESO Dr. P. Reyes / Octubre 2006
Cpk
Cp pmk PCR pmk (6.11)
1 2
En casos especiales como estos donde las variaciones presentes son totalmente
inesperadas tenemos un proceso inestable ó impredecible.
?
? ?
? ?
? ?
Página 111
Tiempo
CONTROL ESTADÍSTICO DEL PROCESO Dr. P. Reyes / Octubre 2006
R S
ó (Para cartas de control X-R y X-S respectivamente)
d2 C4
Donde,
x media de medias
Página 112
CONTROL ESTADÍSTICO DEL PROCESO Dr. P. Reyes / Octubre 2006
R 77.3
33.23
d 2 2.326
200 264.06
El C pk = 0.64 por tanto el proceso no cumple con las
3 33.23
especificaciones.
Ejemplo 6.8 (carta X - S)
De una carta de control X - S (con subgrupo n = 5) se obtuvo
lo siguiente, después de que el proceso se estabilizó
x 100
s 1.05
= 1.117
C4 .094
105 100
El C pk 1.492
3 1.117
105 85
El C p 2.984
6 1.117
Página 113
CONTROL ESTADÍSTICO DEL PROCESO Dr. P. Reyes / Octubre 2006
Generar 100 datos aleatorios en Minitab con Media = 264.6 y Desviación estándar
S = 32.02 con
Nos aseguramos que los datos se distribuyan normalmente con la prueba de Ryan
como sigue:
El P value debe ser mayor a 0.05 para que los datos se distribuyan normalmente
Página 114
CONTROL ESTADÍSTICO DEL PROCESO Dr. P. Reyes / Octubre 2006
Los puntos deben quedar dentro del intervalo de confianza para indicar que es
normal la distribución.
Página 115
CONTROL ESTADÍSTICO DEL PROCESO Dr. P. Reyes / Octubre 2006
Interpretación:
Página 116
CONTROL ESTADÍSTICO DEL PROCESO Dr. P. Reyes / Octubre 2006
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
Cuando los datos provienen de poblaciones no normales una opción para realizar
el estudio de capacidad de procesos es mediante la distribución Weibull.
Ejemplo en Minitab
Página 117
CONTROL ESTADÍSTICO DEL PROCESO Dr. P. Reyes / Octubre 2006
Generar 100 datos aleatorios en Minitab con Factor de forma = 1, Factor de escala
= 1 con
Página 118
CONTROL ESTADÍSTICO DEL PROCESO Dr. P. Reyes / Octubre 2006
El índice Ppk y Ppu10 = 0.85 lo cual nos dice que el desempeño del proceso no es
capaz ya que 0.85<.1.33
También observamos que PPM > USL 3,795 lo cual significa que
aproximadamente 3,795 PPM estarán fuera de los límites de especificaciones.
Página 119
CONTROL ESTADÍSTICO DEL PROCESO Dr. P. Reyes / Octubre 2006
total
2
2producto equipo
2
.medición (6.13)
Posibles
Variación
Variación Fuentes
del
del proceso,
proceso, de
real la Variación del Proceso
real Variación de la medición
Repetibilidad Estabilidad
Página 120 Linealidad Sesgo
Calibración
CONTROL ESTADÍSTICO DEL PROCESO Dr. P. Reyes / Octubre 2006
Definiciones
Reproducibilidad: Es la variación, entre promedios de las mediciones hechas
por diferentes operadores que utilizan un mismo instrumento de medición
cuando miden las mismas características en una misma parte.
Operador-B
Operador-C
Operador-A
Reproducibilidad
REPETIBILIDAD
Página 121
CONTROL ESTADÍSTICO DEL PROCESO Dr. P. Reyes / Octubre 2006
Valor verdadero:
Valor correcto teórico / estándares NIST11
Precisión: Es la habilidad de repetir la misma medida cerca o dentro de una
misma zona
Exactitud :
Es la diferencia entre el promedio del número de medidas y el valor verdadero.
Resolución: La medición que tiene exactitud y precisión.
11
·En EUA se tiene el NIST (National Institute of Standards ando Technology),En México se tiene el
CENEAM o el Centro Nacional de Metrología
Página 122
CONTROL ESTADÍSTICO DEL PROCESO Dr. P. Reyes / Octubre 2006
Tiempo 2
Tiempo 1
Valor Valor
verdadero verdadero
Sesgo Sesgo
Menor mayor
Valor
Verdadero
Sesgo
Página 123
CONTROL ESTADÍSTICO DEL PROCESO Dr. P. Reyes / Octubre 2006
<10% Aceptable
10-30%. Puede ser aceptable, para características no críticas.
>30%. ¡Inaceptable!
En otras industrias fuera de la automotriz se acepta un error total de R&R del 25%
como máximo.
Página 124
CONTROL ESTADÍSTICO DEL PROCESO Dr. P. Reyes / Octubre 2006
La resolución del equipo de medición debe ser de al menos el 10% del rango
de tolerancia o del rango de variación del proceso.
Las partes deben seleccionarse al azar, cubriendo el rango total del proceso.
Es importante que dichas partes sean representativas del proceso total (80%
de la variación)
10 partes NO son un tamaño de muestra significativo para una opinión sólida
sobre el equipo de medición a menos que se cumpla el punto anterior.
Página 125
CONTROL ESTADÍSTICO DEL PROCESO Dr. P. Reyes / Octubre 2006
I.
Método de Promedios- Rango
Permite separar en el sistema de medición lo referente a la Reproducibilidad y
a la Repetibilidad.
Los cálculos son más fáciles de realizar.
Página 126
CONTROL ESTADÍSTICO DEL PROCESO Dr. P. Reyes / Octubre 2006
x 22.3
R 1 .0
R 1
mediciòn = 0.887
d 2 1.128
donde:
R = Rango promedio
d2 = Valor de tablas.
Página 127
CONTROL ESTADÍSTICO DEL PROCESO Dr. P. Reyes / Octubre 2006
P 6 mediciòn
T USL LSL
P 5.32
0.097 .
T 55
Página 128
CONTROL ESTADÍSTICO DEL PROCESO Dr. P. Reyes / Octubre 2006
medicion .79
100 25.73%
total 3.07
Source DF SS MS F P
Partes 9 0.0000086 0.0000010 12.2885 0.000
Operadores 2 0.0000002 0.0000001 0.9605 0.401
Partes * Operadores 18 0.0000014 0.0000001 0.7398 0.757
Repeatability 60 0.0000063 0.0000001
Total 89 0.0000165
Página 129
CONTROL ESTADÍSTICO DEL PROCESO Dr. P. Reyes / Octubre 2006
Total 89 0.0000165
Gage R&R
%Contribution
Source VarComp (of VarComp)
Total Gage R&R 0.0000001 50.93
Repeatability 0.0000001 50.93
Reproducibility 0.0000000 0.00
Operadores 0.0000000 0.00
Part-To-Part 0.0000001 49.07
Total Variation 0.0000002 100.00
Página 130
CONTROL ESTADÍSTICO DEL PROCESO Dr. P. Reyes / Octubre 2006
% Tolerance
40 0.005
0.004
0
Gage R&R Repeat Reprod Part-to-Part 1 2 3 4 5 6 7 8 9 10
Partes
R Chart by Operadores
1 2 3 Datos by Operadores
UCL=0.001073 0.006
0.0010
Sample Range
_ 0.005
0.0005
R=0.000417
0.004
0.0000 LCL=0
1 2 3
Operadores
Xbar Chart by Operadores
1 2 3 Operadores * Partes Interaction
O peradores
UCL=0.005143
Sample Mean
1
0.0050 0.0050
Average
_ 2
X=0.004717 3
0.0045
0.0045
LCL=0.004290
0.0040
0.0040 1 2 3 4 5 6 7 8 9 10
Partes
Página 131
CONTROL ESTADÍSTICO DEL PROCESO Dr. P. Reyes / Octubre 2006
Página 132
CONTROL ESTADÍSTICO DEL PROCESO Dr. P. Reyes / Octubre 2006
Montgomery 6 1 1
Holmes 6 1 1
Duncan 6 1 1
Hayes 6 1 1
Simpson 7 2 2
Montgomery 7 2 2
Holmes 7 2 2
Duncan 7 1 2
Hayes 7 2 2
Simpson 8 0 0
Montgomery 8 0 0
Holmes 8 0 0
Duncan 8 0 0
Hayes 8 0 0
Simpson 9 -1 -1
Montgomery 9 -1 -1
Holmes 9 -1 -1
Duncan 9 -2 -1
Hayes 9 -1 -1
Simpson 10 1 1
Montgomery 10 1 1
Holmes 10 1 1
Duncan 10 0 1
Hayes 10 2 1
Simpson 11 -2 -2
Montgomery 11 -2 -2
Holmes 11 -2 -2
Duncan 11 -2 -2
Hayes 11 -1 -2
Simpson 12 0 0
Montgomery 12 0 0
Holmes 12 0 0
Duncan 12 -1 0
Hayes 12 0 0
Simpson 13 2 2
Montgomery 13 2 2
Holmes 13 2 2
Duncan 13 2 2
Hayes 13 2 2
Simpson 14 -1 -1
Montgomery 14 -1 -1
Holmes 14 -1 -1
Duncan 14 -1 -1
Hayes 14 -1 -1
Simpson 15 1 1
Montgomery 15 1 1
Holmes 15 1 1
Duncan 15 1 1
Hayes 15 1 1
Página 133
CONTROL ESTADÍSTICO DEL PROCESO Dr. P. Reyes / Octubre 2006
Between Appraisers
Assessment Agreement
Coef Chi - Sq DF P
0.966317 67.6422 14 0.0000
Assessment Agreement
Página 134
CONTROL ESTADÍSTICO DEL PROCESO Dr. P. Reyes / Octubre 2006
Appraiser vs Standard
100 95.0% C I
P ercent
80
60
Percent
40
20
0
Duncan Hayes Holmes Montgomery Simpson
Appraiser
Página 135
CONTROL ESTADÍSTICO DEL PROCESO Dr. P. Reyes / Octubre 2006
Interpretación de resultados
Minitab muestra tres tablas como sigue: Cada evaluador vs el estándar, Entre
evaluadores y Todos los evaluadores vs estándar. Los estadísticos de Kappa y
Kendall también se incluyen en cada una de las tablas. En general estos
estadísticos sugieren buen acuerdo.
La gráfica de Evaluadores vs. Estándar proporciona una vista gráfica de cada uno
de los evaluadores vs el estándar, pudiendo comparar fácilmente la determinación
de acuerdos para los cinco evaluadores.
Método sencillo
Página 136
CONTROL ESTADÍSTICO DEL PROCESO Dr. P. Reyes / Octubre 2006
Página 137
CONTROL ESTADÍSTICO DEL PROCESO Dr. P. Reyes / Octubre 2006
7. DISEÑO DE EXPERIMENTOS
7.1 Introducción
Página 138
CONTROL ESTADÍSTICO DEL PROCESO Dr. P. Reyes / Octubre 2006
Página 139
CONTROL ESTADÍSTICO DEL PROCESO Dr. P. Reyes / Octubre 2006
Definiciones:
Factores: Son las variables controlables en el experimento Ej:Temperatura,
Presión, Velocidad; se designan con letras mayúsculas A, B,C.
Niveles: Se refiere a la cantidad de valores que tienen los factores del
experimento. Ej: en un experimento tomamos los siguientes valores de
Temperatura: 15°, 20° ; en este caso tenemos 2 niveles.
Los niveles se designan con números: “1”, “2” o con signos “-, +” que
representan los niveles “bajo” y “alto” en cada caso.
Replica: Es el número de repeticiones del experimento.
Efecto de un factor: es el cambio en la respuesta como resultado de un
cambio en el nivel del factor, se denomina efecto principal ya que se refiere
a los factores primarios del estudio.
Ej. Consideremos el siguiente Experimento:
FACTOR B
B1 B2
A1 20 30
FACTOR A
A2 40 52
Página 140
CONTROL ESTADÍSTICO DEL PROCESO Dr. P. Reyes / Octubre 2006
B2 B2
B1 B1
A1 A2 A1 A2
a) Sin interacción b) Con interacción
40 30 52 20
AB 19
2 2
Página 141
CONTROL ESTADÍSTICO DEL PROCESO Dr. P. Reyes / Octubre 2006
MinitabDiseñoExperimFactoriales
MinitabDiseñoExperim2K
Página 142
CONTROL ESTADÍSTICO DEL PROCESO Dr. P. Reyes / Octubre 2006
APÉNDICES
Página 143
CONTROL ESTADÍSTICO DEL PROCESO Dr. P. Reyes / Octubre 2006
CARTAS Xbarra-S
Límites de control para medias
LSCx = X + A3 S
LCx = X
LICx = X - A3 S
MR
LICx = X 3
d2
Para el caso del rango se usan las mismas de la carta Xbarra-R con n=2
Página 144
CONTROL ESTADÍSTICO DEL PROCESO Dr. P. Reyes / Octubre 2006
CARTA p
Di
pi
ni
m m
Di p i
p i 1
i 1
mn m
__ __
LSCp = p 3 p (1 p )
__
n
__
LCp = p
__ __
LICp = p 3 p (1 p )
__
CARTAS np
LSC np np 3 np (1 p )
LC np np
LIC np np 3 np(1 p )
CARTAS c
LSCc = c + 3 c
LCc = c
LICc = c - 3 c
CARTAS u
Página 145
CONTROL ESTADÍSTICO DEL PROCESO Dr. P. Reyes / Octubre 2006
c
u
n
u
LSC u u 3
n
LC u u
u
LSC u u 3
n
Página 146
CONTROL ESTADÍSTICO DEL PROCESO Dr. P. Reyes / Octubre 2006
Página 147