Manual MSA 4 2010 Espanol

1
ANLISIS DE SISTEMAS DE MEDICIN

Manual de Referencia
Cuarta Edicin
Primera Edicin, Octubre 1990 Segunda Edicin, Febrero, 1995; Segunda Impresin, Junio 1998 Tercera Edicin, Marzo, 2002; Segunda Impresin, Mayo, 2003; Cuarta Edicin, Junio, 2010 Derechos Reservados 1990, 1995, 2002 2010 Chrysler Group LLC, Ford Motor Company, General Motors Corporation
Este documento consiste slo de una interpretacin al espaol, y es una copia libre del Manual de Referencia de MSA-4: 2010 publicado por AIAG, y slo debe considerarse como una consulta. El nico documento oficial es el publicado originalmente en Ingles por AIAG mismo.
ii
PREFACIO
Este manual de referencia fue desarrollado por el Grupo de Trabajo de Anlisis de Sistemas de Medicin (MSA), autorizado por el grupo de fuerza de trabajo para los Requerimientos de Calidad de Proveedores de Chrysler Group LLC, Ford Motor Company y General Motors Corporation, y bajo los auspicios del Grupo de Acciones de la Industria Automotriz (AIAG). El grupo de trabajo responsable por esta Cuarta edicin fue Michael Down (General Motors Corporation), Frederick Czubak (Chrysler Group LLC), Gregory Gruska (Omnex), Steve Stahley (Cummins, Inc.) y David Benham. El manual es una introduccin al anlisis de sistemas de medicin. No tiene la intencin de limitar la evolucin de mtodos de anlisis adecuados a procesos o gneros de productos particulares. An y cuando estos lineamientos se pretende cubran normalmente situaciones de sistemas de medicin que ocurren, puede haber preguntas que surjan. Estas preguntas debieran dirigirse a sus representantes autorizados de los clientes. Este manual cuenta con derechos de copia por Chrysler Group LLC, Ford Motor Company y General Motors Corporation, con todos los derechos reservados, 2010. Manuales adicionales pueden ordenarse en AIAG en www.aiag.org. El permiso para reproducir porciones de este manual para uso dentro de organizaciones proveedores puede obtenerse en AIAG en www.aiag.org.
Junio, 2010
iii
Gua Rpida de 4 Edicin de MSA

Tipo de Sistema de Medicin Variables Bsicas Atributos Bsicos No Replicables (ej., Pruebas Destructivas) Variables Complejas Sistemas Mltiples, Gages Stands de Pruebas Miscelneos Otros Mtodos MSA Rango, Promedios y Rangos, ANOVA, Sesgo, Linealidad, Grficas de Control Deteccin de Seales, Anlisis de Pruebas de Hiptesis Enfoques Alternativos Rango, Promedios y Rangos, ANOVA, Sesgo, Linealidad, Grficas de Control Grficas de Control, ANOVA, Anlisis de Regresin Enfoques Alternativos Artculos disponibles en el sitio web de AIAG (www.aiag.org) Captulo Ill Ill IV III, IV III, IV IV
NOTA: En relacin al uso de la desviacin estndar para RRGs. Histricamente y en forma convencional se ha usado una amplitud del 99% para representar la amplitud total del error de las mediciones, representado por el factor de multiplicacin de 5.15 (donde RRG es multiplicado por 5.15 para representar la amplitud total del 99%). Una amplitud de 99.73% es representada por el multiplicador de 6.0, el cual es + 3 y representa la amplitud total de la curva normal. Si el lector elige incrementar el nivel de cobertura o amplitud de una variacin total de las mediciones del 99.73%, usar el 6.0 como un multiplicador en lugar de 5.15 en los clculos. Nota: El enfoque usado en la 4. Edicin es para comparar desviaciones estndar. Esto es equivalente a usar el multiplicador de 6 en el enfoque histrico. El conocimiento del factor multiplicador que se use es crucial en la integridad de las ecuaciones y clculos resultantes. Esto es especialmente importante si se hace una comparacin entre la variabilidad y tolerancia de los sistemas de medicin. Consecuentemente, si se usa un enfoque distinto al descrito en este manual, una declaracin como tal debe ser claramente establecida en cualquier resultado resumen (particularmente a aquellos ofrecidos a clientes).
iv
TABLA DE CONTENIDO
MSA 4th Edition Quick Guide ......................................................................................................................... iv TABLA DE CONTENIDO .................................................................................................................................. v Lista de Tablas................................................................................................................................................. vii Lista de Figuras ............................................................................................................................................... viii CAPTULO I Guas y Lineamientos Generales para Sistemas de Medicin ........................................... 1 Seccin A Introduccin, Propsito y Terminologa............................................................................................ 3 Introduccin .................................................................................................................................................. 3 Propsito....................................................................................................................................................... 4 Tecnologa .................................................................................................................................................... 4 Seccin B El Proceso de Medicin.................................................................................................................... 13 Sistemas de Medicin .................................................................................................................................. 13 Los efectos de la variabilidad de Sistemas de Medicin.............................................................................. 18 Seccin C Planeacin y Estrategia de las Mediciones ..................................................................................... 25 Seccin D Desarrollo de las Fuentes de Medicin............................................................................................ 29 Proceso de Seleccin de Fuentes de Gages ............................................................................................... 31 Seccin E Aspectos Clave en las Mediciones................................................................................................... 41 Seccin F Incertidumbre en las Mediciones...................................................................................................... 63 Seccin G Anlisis de Problemas de Mediciones ............................................................................................. 65 CAPTULO II Conceptos Generales para la Evaluacin de Sistemas de Medicin ............................... 67 Seccin A Antecedentes.................................................................................................................................... 69 Seccin B Seleccin/Desarrollo de Procedimientos de Prueba........................................................................ 71 Seccin C Preparacin para un Estudio de Sistemas de Medicin .................................................................. 73 Seccin D Anlisis de Resultados..................................................................................................................... 77 CAPTULO III Prcticas Recomendadas para Sistemas de Medicin Replicables ................................ 81 Seccin A Ejemplos de Procedimientos de Prueba .......................................................................................... 83 Seccin B Guas y Lineamientos Estudio de Sistemas de Medicin de Variables ........................................ 85 Guas y Lineamientos para Determinacin de la Estabilidad....................................................................... 85 Guas y Lineamientos para Determinacin del Sesgo Mtodo de Muestras Independientes .................. 87 Guas y Lineamientos para Determinacin del Sesgo Mtodo por Grficas de Control........................... 92 Guas y Lineamientos para Determinacin de la Linealidad........................................................................ 96 Guas y Lineamientos para Determinacin de la Repetibilidad y Reproducibilidad..................................... 101 Mtodo de Rangos ....................................................................................................................................... 102 Mtodo de Rangos y Promedios .................................................................................................................. 103 Mtodo de Anlisis de Varianzas (ANOVA) ................................................................................................. 123 Seccin C Estudio se Sistemas de Medicin por Atributos............................................................................... 131 Mtodos de Anlisis de Riesgos .................................................................................................................. 131 Enfoque de Deteccin de Seales ............................................................................................................... 143 Mtodo Analtico ........................................................................................................................................... 145 CAPTULO IV Otras Prcticas y Conceptos de Medicin......................................................................... 151 Seccin A Prcticas para Sistemas de Medicin No Replicables..................................................................... 153 Sistemas de medicin destructivos .............................................................................................................. 153 Sistemas donde las partes cambian en el uso/prueba ................................................................................ 153 Seccin B Estudios de Estabilidad .................................................................................................................... 155 Seccin C Estudios de Variabilidades............................................................................................................... 161 Seccin D Reconocimiento de los Efectos de una Excesiva Variacin Dentro de las Partes .......................... 167 Seccin E Mtodo de Promedios y Rangos Tratamiento Adicional ............................................................... 169 Seccin F Curva de Desempeo de Gages ...................................................................................................... 177 Seccin G Reduccin de Variacin a Travs de Lecturas Mltiples................................................................. 183 Seccin H Enfoque de la Desviacin Estndar Combinada a los GRRs.......................................................... 185 APNDICES ...................................................................................................................................................... 193
Apndice A ....................................................................................................................................................... 195 Conceptos de Anlisis de Varianza.............................................................................................................. 195 Apndice B ....................................................................................................................................................... 199 Impacto del GRR en el ndice de Habilidad Cp ............................................................................................ 199 Frmulas:...................................................................................................................................................... 199 Anlisis: ........................................................................................................................................................ 199 Anlisis Grfico:............................................................................................................................................ 199 Apndice C ....................................................................................................................................................... 203 Apndice D ....................................................................................................................................................... 205 Estudio R de Gages ..................................................................................................................................... 205 Apndice E ....................................................................................................................................................... 207 Clculo Alternativo de PV Usando un Trmino de Correccin de Errores................................................... 207 Apndice F........................................................................................................................................................ 209 Modelo de Errores P.I.S.M.O.E.A................................................................................................................. 209 Glosario ............................................................................................................................................................ 213 Lista de Referencias........................................................................................................................................ 219 Formatos Muestra............................................................................................................................................ 223 ndice................................................................................................................................................................. 227
vi
Lista de Tablas
Tabla I-B 1: Filosofa de Control e Inters Gua ................................................................................................ 18 Tabla II-D 1: Criterios de GRRs ......................................................................................................................... 78 Tabla III-B 1: Datos para un Estudio de Sesgo ................................................................................................. 90 Tabla III-B 2: Estudio de Sesgo Anlisis de un Estudio de Sesgo................................................................. 92 Tabla III-B 3: Estudio de Sesgo Anlisis de un Estudio de Estabilidad para Sesgo...................................... 95 Tabla III-B 4: Datos para un Estudio de Linealidad........................................................................................... 99 Tabla III-B 5: Estudio de Linealidad Resultados Intermedios ........................................................................ 99 Tabla III-B 6: Estudio de Gages (Mtodo de Rangos) ...................................................................................... 103 Tabla III-B 6a: Hoja de Recoleccin de Datos de Repetibilidad y Reproducibilidad de Gages........................ 105 Tabla III-B 7: Tabla ANOVA............................................................................................................................... 127 Tabla III-B 8: % de Variacin y Contribucin de un Anlisis ANOVA................................................................ 127 Tabla III-B 9: Comparacin de los Mtodos de ANOVA y Promedios y Rangos .............................................. 129 Tabla III-B 10: Reporte del Mtodo ANOVA para GRRs ................................................................................... 129 Tabla III-C 1: Conjunto de Datos para un Estudio de Atributos ........................................................................ 134 Tabla III-C 2: Resultados de un Estudio con Tablas Cruzadas......................................................................... 136 Tabla III-C 3: Resumen Kappa .......................................................................................................................... 137 Tabla III-C 4: Comparacin de los Evaluadores con la Referencia................................................................... 138 Tabla III-C 5: Tabla de Efectividad del Estudio ................................................................................................. 139 Tabla III-C 6: Ejemplo de Lineamientos de Criterios de Efectividad ................................................................. 140 Tabla III-C 7: Resumen de Efectividad del Estudio ........................................................................................... 140 Tabla III-C 8: Tabla III-C 1 clasificada por Valor de Referencia ........................................................................ 143 Tabla IV-A 1: Mtodos Basados en el Tipo de Sistema de Medicin ............................................................... 154 Tabla IV-H 1: Conjunto de Datos para Anlisis de la Desviacin Estndar Combinada .................................. 189 Tabla A 1: Estimativo de los Componentes de la Varianza .............................................................................. 195 Tabla A 2: Extensin 6 Sigma ........................................................................................................................... 196 Tabla A 3: Anlisis de Varianzas (ANOVA)....................................................................................................... 197 Tabla A 4: Resultados de ANOVA en Tablas.................................................................................................... 198 Tabla A 5: Resultados de ANOVA en Tablas.................................................................................................... 198 Tabla B 1: Comparacin del Cp Observado con el Actual................................................................................. 201 Tabla C 1: Tabla
* 2
......................................................................................................................................... 203
Tabla F 1: Ejemplo del Modelo PISMOEA ........................................................................................................ 211
vii
Lista de Figuras
Figura I-A 1: Ejemplo de una Cadena de Rastreabilidad para la Medicin de una Longitud ........................... 10 Figura I-B 1: Diagrama de Causas y Efectos de la Variabilidad de un Sistema de Medicin........................... 17 Figura I-E 2: Discriminacin............................................................................................................................... 46 Figura I-E 3: Impacto del Nmero de Categoras Distintas (NCD) de la Distribucin del Proceso en Actividades de Anlisis y Control. ..................................................................................................................... 47 Figura I-E 4: Grficas de Control de Proceso.................................................................................................... 49 Figura I-E 5: Caractersticas de la Variacin de un Proceso de Medicin........................................................ 50 Figura I-E 6: Relaciones entre Sesgo y Repetibilidad....................................................................................... 62 Figura III-B 1: Anlisis de Grficas de Control para Estabilidad ....................................................................... 86 Figura III-B 2: Estudio de Sesgo Histograma de un Estudio de Sesgo.......................................................... 91 Figura III-B 3: Estudio de Linealidad Anlisis Grfico .................................................................................... 100 Figura III-B 4: Grfica de Promedios Estancada ......................................................................................... 107 Figura III-B 5: Grfica de Promedios No Estancada....................................................................................... 107 Figura III-B 6: Grfica de Rangos Estancada .............................................................................................. 108 Figura III-B 7: Grfica de Rangos No estancada ......................................................................................... 109 Figura III-B 8: Grfica de Corridas por Parte..................................................................................................... 109 Figura III-B 9: Diagrama de Dispersin ............................................................................................................. 110 Figura III-B 10: Grfica de Whiskers ................................................................................................................. 111 Figura III-B 11: Grficas de Errores................................................................................................................... 112 Figura III-B 12: Histograma Normalizado .......................................................................................................... 113 Figura III-B 13: Grfica X-Y de Promedios por Medida ..................................................................................... 114 Figura III-B 14: Comparacin de Grficos X-Y .................................................................................................. 115 Figura III-B 15: Hoja de Recoleccin de Datos Completa para R&RG ............................................................. 118 Figura III-B 16: Reporte de Repetibilidad y Reproducibilidad de Gages........................................................... 119 Figura III-B 18: Grfica de Residuales .............................................................................................................. 126 Figura III-C 1: Proceso Ejemplo con Pp = Ppk = 0.50......................................................................................... 132 Figura III-C 2: Las reas Grises Asociadas con el Sistema de Medicin....................................................... 132 Figura III-C 3: Proceso Ejemplo con Pp = Ppk = 1.33......................................................................................... 141 Figura III-C 4: Curva de Desempeo de un Gage de Atributos Graficada en Papel de Probabilidad Normal . 149 Figura III-C 5: Curva de Desempeo de un Gage de Atributos ........................................................................ 150 Figura IV-E 1: Grfica de Control de Evaluacin de Mediciones ( X & R) - 1 .................................................. 172 Figura IV-E 2: Grfica de Control de Evaluacin de Mediciones ( X & R) - 2 .................................................. 173 Figura IV-E 3: Clculos Alternativos para la Evaluacin de un Proceso de Medicin (Parte 1 de 2) ............... 174 Figura IV-E 4: Clculos Alternativos para la Evaluacin de un Proceso de Medicin (Parte 2 de 2) ............... 175 Figura IV-F 1: Curva de Desempeo de un Gage Sin Errores.......................................................................... 180 Figura IV-F 2: Curva de Desempeo de un Gage - Ejemplo ............................................................................ 181 Figura IV-F 3: Curva de Desempeo de un Gage Graficada en Papel de Probabilidad Normal...................... 182 Figura IV-H 1: Anlisis Grfico de un Estudio de Desviacin Estndar Combinada ........................................ 188 Figura IV-H 2: Diagrama de Puntos de valores h .............................................................................................. 191 Figura IV-H 3: Diagrama de Puntos de valores k .............................................................................................. 192 Figura B 1: Cp Observado vs. Actual (basado en el proceso)........................................................................... 201 Figura B 2: Cp Observado vs. Actual (basado en la tolerancia) ........................................................................ 202
viii
Captulo I Guas y Lineamientos Generales para Sistemas de Medicin
Captulo I Guas y Lineamientos Generales para Sistemas de Medicin
Captulo I Seccin A Introduccin, Propsito y Terminologa
Seccin A
Introduccin, Propsito y Terminologa
Introduccin
Los datos de mediciones son usados ms a menudo y en ms formas que antes. Por ejemplo, la decisin de ajustar un proceso de manufactura o no, comnmente se basa ahora en datos de mediciones. Los datos de mediciones, o alguna estadstica calculada de stos, son comparados con los lmites de control estadsticos del proceso, y si loa comparacin indica que el proceso est fuera del control estadstico, entonces se hace un ajuste de algn tipo. De lo contrario, al proceso se le permite trabajar sin ajustes. Otro uso de datos de mediciones es para determinar si existe una relacin significativa entre dos o ms variables. Por ejemplo, puede sospecharse que una dimensin crtica de una parte plstica moldeada se relaciona con la temperatura del material de alimentacin. Esa posible relacin puede ser estudiada usando un procedimiento estadstico llamado anlisis de regresin para comparar las medicines de la dimensin crtica con las mediciones de la temperatura del material de alimentacin. Los estudios que exploren tales relaciones son ejemplos de lo que el Dr. W.E. Deming llam estudios analticos. En general, un estudio analtico es aquel que incrementa el conocimiento del sistema de causas que afectan el proceso. Los estudios analticos son unos de los ms importantes que usan datos de mediciones porque se dirigen finalmente a un mejor entendimiento de los procesos. El beneficio de usar un procedimiento basado en datos es ampliamente determinado por la calidad de los datos de medicin usados. Si la calidad de los datos es baja, es muy probable que el beneficio del procedimiento sea muy bajo. Igualmente, si la calidad de los datos es alta, es muy probable que tambin el beneficio sea alto. Para asegurar que el beneficio derivado de los datos de medicin usados sea altamente suficiente para garantizar el costo de su obtencin, se requiere enfocar atencin en la calidad de los datos.
Calidad de los Datos de Medicin
La calidad de los datos de medicin es definida por las propiedades estadsticas de las mltiples mediciones obtenidas del sistema de medicin operando bajo condiciones estables. Por ejemplo, suponer que un sistema de medicin, operando bajo condiciones estables, es usado para obtener varias mediciones de una cierta caracterstica. Si las mediciones estn todas cerca al valor master de la caracterstica, entonces se dice que la calidad de los datos es alta. Igualmente, si algunas o todas de las mediciones estn lejos del valor master, entonces se dice que la calidad de los datos es baja. Las propiedades estadsticas ms comnmente usadas para caracterizar la calidad de los datos son el sesgo y varianza del sistema de medicin. La propiedad llamada sesgo se refiere a la localizacin de los datos en relacin al valor de referencia (master), y la propiedad llamada varianza se refiere a la dispersin de los datos. Una de las razones ms comunes para datos de baja calidad es demasiada variacin. Mucha de la variacin en un conjunto de mediciones, puede ser debida a la interaccin entre el sistema de medicin y su medio ambiente. Por ejemplo, un
sistema de medicin usado para medir el volumen de lquido en un tanque puede ser sensible a la temperatura ambiental del medio ambiente en el cual es usado. En tal caso, la variacin de los datos puede ser debida a cambios en el volumen o en la temperatura ambiente. Esto hace la interpretacin de datos ms difcil y consecuentemente el sistema de medicin menos deseable. Si la interaccin genera demasiada variacin, entonces la calidad de los datos puede ser muy baja y tal que los datos no sean tiles. Por ejemplo, un sistema de medicin con una gran cantidad de variacin puede no ser apropiado para uso en el anlisis de un proceso de manufactura porque la variacin del sistema de medicin puede encubrir la variacin del proceso de manufactura. Mucho del trabajo de administrar un sistema de medicin es dirigido al monitoreo y control de la variacin. Entre otras cosas, esto significa que se requiere nfasis en aprender como los sistemas de medicin interactan con su medio ambiente de forma tal que se generen solo datos de calidad aceptable.
Propsito
El propsito de este documento es presentar los lineamientos para evaluar la calidad de un sistema de medicin. Aunque los lineamientos son generales y suficientes para ser usados en cualquier sistema de medicin, se pretende sean usados principalmente para sistemas de medicin en el mundo industrial. No se pretende que este documento sea un compendio de anlisis para todos los sistemas de medicin. Su enfoque principal es en sistemas de medicin donde puedan replicarse lecturas de cada parte. Muchos de los anlisis son tiles con otros tipos de sistemas de medicin y el manual contiene referencias y sugerencias. Se recomienda que sean consultadas fuentes estadsticas competentes para situaciones ms complejas o inusuales no discutidas aqu. No se cubre en este manual la aprobacin requerida por los clientes para mtodos de anlisis de sistemas de medicin.
Terminologa
La discusin del anlisis de los sistemas de medicin puede ser confusa y ambigua sino se establece un conjunto de trminos para referirse a propiedades estadsticas comunes y elementos relativos a los sistemas de medicin. Esta seccin ofrece un resumen de tales trminos que son usados en este manual. En este documento, son usados los siguientes trminos:
Medicin es definida como la asignacin de nmeros [o valores] a cosas materiales que representen relaciones entre ellas con respecto a propiedades particulares. Esta definicin se ofreci primero por C. Eisenhart (1963). El proceso de asignar nmeros es definido como proceso de medicin, y el valor asignado es definido como valor de medicin.
Gage es cualquier dispositivo usado para obtener mediciones; frecuentemente usado para referirse especficamente a dispositivos usados en el piso de produccin; incluye dispositivos pasa / no pasa. Sistema de Medicin es el conjunto de instrumentos o gages, patrones, operaciones, mtodos, dispositivos, software, personal, medio ambiente y supuestos usados para cuantificar una unidad de medida o preparar la evaluacin de una caracterstica o propiedad a ser medida; el proceso completo usado para obtener mediciones.
De estas definiciones se obtiene que un proceso de medicin puede ser visto como un proceso de manufactura que produce nmeros (datos) para sus resultados. El ver un sistema de medicin de esta manera es til porque nos permite traer todos los conceptos, filosofa y herramientas que han sido ya demostradas ser tiles en el rea de control estadstico de los procesos. _____________________________________________________________________________________________
Resumen de Trminos1 Patrn/Estndar

Bases aceptadas para comparacin Criterios para aceptacin Valor conocido, dentro de lmites de incertidumbre establecidos y aceptado como un valor verdadero Valor de referencia Un patrn debiera tener una definicin operacional: una definicin que produzca los mismos resultados cuando se aplique por el proveedor o el cliente, con el mismo significado ayer, hoy y maana.
Equipo Bsico
Discriminacin, facilidad de lectura, resolucin
9 Alias: unidad de lectura ms pequea, resolucin en las mediciones, lmite de escala o lmite de deteccin 9 Propiedad inherente dispuesta por diseo 9 Escala de unidad de medicin ms pequea o resultado de un instrumento 9 Siempre reportada como una unidad de medida 9 Regla emprica 10 a 1
Resolucin Efectiva
9 La sensibilidad del sistema de medicin con la variacin del proceso para una aplicacin particular
1
Ver Captulo I, Seccin E para terminologa, definiciones y discusin.
9 Entrada ms pequea generada de una seal de resultado y til de medicin 9 Siempre reportada como una unidad de medicin Valor de Referencia 9 Valor aceptado de un artefacto 9 Requiere una definicin operacional 9 Usado como el equivalente para un valor verdadero Valor Verdadero 9 Valor actual de un artefacto. 9 Desconocido e irreconocible.
Variacin de la localizacin
Exactitud
9 Cercana con el valor verdadero o con un valor de referencia aceptable 9 ASTM incluye el efecto en los errores de localizacin y amplitud
Sesgo
9 Diferencia entre el promedio de las mediciones observado y el valor de referencia 9 Un componente de error sistemtico del sistema de medicin
Estabilidad
9 El cambio de sesgo en el tiempo 9 Un proceso estable de mediciones est en control estadstico con respecto a la localizacin 9 Alias: cambio
Linealidad
9 El cambio de sesgo sobre el rango de operacin normal 9 La correlacin de errores de sesgo mltiples e independientes sobre el rango de operacin 9 Un componente de error sistemtico del sistema de medicin
Variacin de la amplitud
Precisin2
9 Cercana de lecturas repetidas una de otra 9 Un componente de error aleatorio del sistema de medicin
Repetibilidad
9 Variacin de las mediciones obtenidas con un instrumento de medicin cuando se use varias veces por un usuario y midiendo la misma caracterstica y sobre la misma parte 9 La variacin sobre intentos sucesivos (en el corto plazo) y bajo condiciones de medicin definidas y establecidas 9 Comnmente referida como VE - Variacin del Equipo 9 Habilidad o potencial de un instrumento (gage) 9 Variacin dentro del sistema
Reproducibilidad
9 Variacin en el promedio de las mediciones hechas por diferentes usuarios usando el mismo gage y midiendo una caracterstica de una parte 9 Para la calificacin del producto y el proceso, el error puede ser el usuario, el medio ambiente (tiempo) o el mtodo 9 Comnmente referido como VU - Variacin de los Evaluadores 9 Variacin (condiciones) entre sistemas 9 ASTM E456-96 incluye efectos de repetibilidad, laboratorios y medio ambiente as como efectos de los evaluadores/usuarios
R&R de Gages o RRGs

9 Repetibilidad y reproducibilidad de gages: estimativo combinado de la repetibilidad y reproducibilidad de un sistema de medicin 9 Capacidad de un sistema de medicin; dependiendo del mtodo usado, pueden o no incluirse los efectos del tiempo
Habilidad de los Sistemas de Medicin

9 Estimativo en el corto plazo de la variacin de los sistemas de medicin (ej., RRGs incluyendo grficas)
En documentos de ASTM, no existe el concepto de precisin de un sistema de medicin; ej., la precisin no puede representarse por un slo nmero.
Desempeo del Sistema de Medicin

9 Estimacin en el largo plazo de la variacin del sistema de medicin (ej., mtodo de grficas de control de largo plazo)
Sensibilidad
9 La ms pequea entrada que resulte de una seal o resultado detectable 9 Respuesta de un sistema de medicin a cambios en la propiedad medida 9 Determinada por el diseo (discriminacin) del gage, calidad inherente (FEO-Fabricante de Equipo Original), mantenimiento en servicio y condicin de operacin del instrumento y patrn 9 Siempre reportada como unidad de medida
LCS
Consistencia
9 El grado del cambio de la repetibilidad en el tiempo 9 Un proceso de medicin consistente est en control estadstico con respecto a la amplitud (variabilidad)
Promedio Rango
LCI
Uniformidad
9 El cambio en repetibilidad sobre un rango de operacin normal 9 Homogeneidad en la repetibilidad
Medic in1 Medic in N
Variacin de los Sistemas

La variacin de los sistemas de medicin puede caracterizarse como Habilidad
9 Variabilidad en las lecturas tomadas en un periodo de tiempo corto
Desempeo
9 Variabilidad en las lecturas tomadas sobre un periodo de tiempo largo 9 Basado en la variacin total
Incertidumbre
9 Un rango estimado de valores acerca del valor medido en el cual el valor verdadero se crea est contenido El sistema de medicin debe ser estable y consistente
Todas las caracterizaciones de la variacin total de un sistema de medicin asumen que el sistema es estable y consistente. Por ejemplo, los componentes de variacin pueden incluir cualquier combinacin de artculos mostrados en I-B 1.
Estndares, Patrones El Instituto Nacional de Patrones y Tecnologa (NIST) es el Instituto Principal y Nacional de Mediciones (NMI) en los Estados Unidos ofreciendo servicios bajo el y Rastreabilidad
departamento de comercio de EUA. NIST, previamente como Consejo Nacional de Patrones (NBS), sirve como la ms alta autoridad de metrologa en EUA. La responsabilidad Primaria de NIST es ofrecer servicios de medicin y mantener patrones de medicin que ayuden a la industria en EUA a hacer las mediciones rastreables y que ayuden finalmente en negociaciones de productos y servicios. NIST ofrece estos servicios directamente a muchos tipos de industrias, pero principalmente a aquellas industrias que requieran el ms alto nivel de exactitud en sus productos y que incorporen mediciones-de-ltima-tecnologa en sus procesos. La mayora de los pases industrializados alrededor del mundo cuentan con su propio NMI y un similar a un NIST, y stos ofrecen un alto nivel de normas de metrologa o servicios de mediciones para sus respectivos pases. NIST trabaja y colabora con estos otros NMIs para que las mediciones que se hagan en un pas no difieran de aquellas hechas en otro. Esto se logra a travs de acuerdos de reconocimiento mutuo (MRAs) y ejecutando comparaciones entre laboratorios entre NMIs. Una cosa a notar es que las habilidades de estos NMIs varan de pas a pas y no todos los tipos de mediciones son comparados sobre bases regulares, de forma tal que pueden existir diferencias. Por sto es importante entender por quien son rastreables las mediciones y que tan rastreables son. Es un importante concepto en la negociacin de bienes y servicios. Las mediciones que son rastreables con los mismos patrones o similares acuerdan muy estrechamente en comparacin con aquellos que no son rastreables. Esto ayuda a reducir la necesidad de repetir pruebas, el rechazo de producto bueno y la aceptacin de producto malo. La rastreabilidad es definida por el Vocabulario Internacional de ISO de Trminos Bsicos y Generales de Metrologa (VIM), como: la propiedad de las mediciones o valores de un estndar o patrn, el cual puede ser relacionado con referencias establecidas, usualmente patrones nacionales o internacionales y a travs de una cadena ininterrumpida de comparaciones y todas con incertidumbres establecidas. La rastreabilidad de una medicin es tpicamente establecida a travs de una cadena de comparaciones hacia un NMI. Sin embargo, en muchos casos en la industria, la rastreabilidad de las mediciones puede ser ligada hasta un valor de referencia acordado o un patrn de consenso entre un cliente y un proveedor. La liga en la rastreabilidad de estos patrones de consenso con un NMI puede no siempre ser clara y entendida, y finalmente es crtico que las mediciones sean rastreables en un alcance que satisfaga a las necesidades del cliente. Con los avances en la tecnologa de las mediciones y el uso de los sistemas de medicin de ltima tecnologa en la industria, la definicin de dnde y cmo una medicin sea rastreable es un concepto de evolucin permanente.
Institutos Nacionales de Mediciones
Rastreabilidad
Patrn Nacional
Patrn de Longitud de Onda
Comparador de Interferencias
Patrn de Referencia
Medidor de Bloque/Comparador de Interferencias Lser Gages de Referencia
Patrn de Trabajo
MMC
Bloques de Gages
Gage para Produccin
Gages para Dispositivos
Micrmetros
Figura I-A 1: Ejemplo de una Cadena de Rastreabilidad para una Medicin de una Longitud
Los NMIs trabajan estrechamente con diferentes laboratorios nacionales, proveedores de gages, compaas fabricantes de ltima tecnologa, etc. Para asegurar que sus patrones de referencia sena apropiadamente calibrados y directamente rastreables con los patrones mantenidos por el NMI. Las organizaciones de gobierno y de industria privadas usan entonces sus patrones para ofrecer calibraciones y servicios de medicin a los laboratorios de metrologa o gages de sus clientes y calibracin de patrones primarios u otros de trabajo. Esta liga o cadena de eventos determina finalmente la forma en la cual se llega al piso de produccin y ofrece por tanto las bases para la rastreabilidad de las mediciones. Las mediciones pueden conectarse hasta NIST a travs de esta cadena ininterrumpida de mediciones y la cual se dice ser rastreable con NIST. No todas las organizaciones cuentan con laboratorios de metrologa o gages dentro de sus instalaciones y dependen de laboratorios externos comerciales / independientes para ofrecer rastreabilidad en los servicios de calibracin y mediciones. Reste es un medio aceptable y apropiado de lograr rastreabilidad con NIST, siempre y cuando la habilidad de los laboratorios comerciales / independientes pueda asegurarse a travs de procesos, tales como acreditamiento de laboratorios.
Sistemas de Calibracin
Un sistema de calibracin es un conjunto de operaciones que establecen, bajo condiciones especificadas, la relacin entre un dispositivo de medicin y un estndar patrn rastreable con un valor de referencia e incertidumbre conocidos. La calibracin puede tambin incluir pasos para detectar, correlacionar, reportar eliminar por ajuste alguna discrepancia en la exactitud del dispositivo de medicin que se est comparando. El sistema de calibracin determina la rastreabilidad en las mediciones de los sistemas de medicin a travs del uso de mtodos y estndares patrones de calibracin. Rastreabilidad es la cadena de eventos de calibracin que se crean con estndares patrones de calibracin de una capacidad metrolgica incertidumbre en las mediciones apropiados. Cada evento de calibracin incluye todos los elementos necesarios, incluyendo estndares patrones, equipo de medicin y prueba siendo verificado, los mtodos y procedimientos de calibracin, los registros y personal calificado.
10
Una organizacin puede contar con un laboratorio de calibracin interno una organizacin que controle y mantenga los elementos de los eventos de calibracin. Estos laboratorios internos mantienen un alcance de sus laboratorios mismos y el cual lista las calibraciones especficas que son capaces de ejecutar, as como el equipo y mtodos/procedimientos usados para ejecutar dichas calibraciones. El sistema de calibraciones es parte del sistema de administracin de calidad de una organizacin y por tanto debiera estar incluido en los requerimientos de auditorias internas. Programas de Aseguramiento en las Mediciones (PAMs) pueden ser usados para verificar la aceptacin de los procesos de medicin usados a travs de los sistemas de calibracin. Generalmente los PAMs incluyen la verificacin de los resultados de sistemas de medicin a travs de mediciones independientes y secundarias de la misma propiedad parmetro. Mediciones independientes implica que la rastreabilidad del proceso de medicin secundario se deriva de una cadena a parte de eventos de calibracin de aquellos usados para la medicin inicial. Los PAMs pueden incluir el uso del control estadstico de los procesos (SPC) para rastrear la estabilidad de largo plazo de un proceso de medicin.
Nota: ANSI/NCSL Z540.3 e ISO 10012 cada una ofrecen modelos para muchos de los elementos de un sistema de calibracin.
Cuando el evento de calibracin es ejecutado por un proveedor independiente, externo comercial de servicios de calibracin, el sistema de calibracin del proveedor de servicios mismo puede ( pudiera) estar verificado a travs del acreditamiento en ISO/IEC 17025. Cuando algn laboratorio calificado no est disponible para un cierto tipo de equipo, los servicios de calibracin pueden ser ejecutados por el fabricante del equipo mismo.
Valor Verdadero
La META del proceso de medicin es el valor verdadero de la parte. Es deseable que cualquier lectura individual est lo ms cerca (y econmicamente posible) con este valor. Desafortunadamente, el valor verdadero nunca puede ser conocido con certeza. Sin embargo, la incertidumbre puede minimizarse usando un valor de referencia basado en la definicin operacional bien definida de una caracterstica, y usando los resultados de un sistema de medicin con una discriminacin de alto orden y rastreable con NIST. Debido a que el valor de referencia es usado como un substituto del valor verdadero, estos trminos se usan comnmente y en forma intercambiable. No se recomienda este uso.
11
12
Captulo l Seccin B El Proceso de Medicin
Seccin B
El Proceso de Medicin3
Sistemas de Medicin
A fin de administrar efectivamente la variacin de cualquier proceso se requiere tener conocimiento de Lo que el proceso debiera estar haciendo Lo que puede estar mal Lo que el proceso est haciendo
Los requerimientos de especificaciones e ingeniera definen lo que un proceso debiera estar haciendo. El propsito de un Anlisis de Modos y Efectos de Fallas de un Proceso4 (AMEFPs) es definir los riesgos asociados con fallas potenciales del proceso mismo y proponer acciones correctivas antes de que estas fallas puedan ocurrir. El resultado de un AMEFP es transferido a un plan de control. Se adquiere o logra conocimiento de lo que el proceso est haciendo evaluando los parmetros o resultados del proceso mismo. Esta actividad, a menudo llamada como inspeccin, es la accin de examinar los parmetros de un proceso, las partes en proceso, los subsistemas ensamblados o los productos completos con la ayuda de patrones adecuados y dispositivos de medicin que permitan al observador confirmar o negar la premisa de que el proceso est operando en forma estable y con una variacin aceptable con respecto a la meta designada por el cliente. Sin embargo esta actividad de examen es en s un proceso.
Proceso General Entradas Operacin Resultados
Proceso de Medicin Proceso Administrativo Mediciones Valor

Desafortunadamente, la industria ha visto tradicionalmente la actividad de anlisis y mediciones como una caja negra el equipo ha sido el enfoque principal-la caracterstica ms importante, loo ms caro de un gage. La utilidad de un instrumento, su compatibilidad con el proceso y el medio ambiente y su facilidad de uso fueron raramente cuestionados. Consecuentemente estos gages no fueron usados apropiadamente o simplemente no eran usados.
3
Anlisis
Decisin
Secciones de este captulo se adaptaron con el permiso de Anlisis de Sistemas de Medicin Un Tutorial por G.F. Gruska y M.S. Heappy, La Tercer Generacin, 1978, 1998. Ver Manual de Referencia de Anlisis de Modos y Efectos de Fallas Potenciales (AMEF) 4a Edicin.
13
La actividad de mediciones y anlisis es un proceso - un proceso de medicin. Alguna o todas las tcnicas de administracin, estadsticas y lgicas del control del proceso pueden aplicarse a dicha actividad. Esto significa que los clientes y sus necesidades deben primero ser definidas. El cliente, dueo del proceso, quiere tomar decisiones correctas y con el mnimo de esfuerzo. La administracin debe ofrecer recursos para compra de equipo que sea necesario y suficiente para hacer esto. Aunque la compra de la mejor o ms reciente tecnologa de medicin no necesariamente garantiza correctas decisiones en el control del proceso de produccin. El equipo es solo una parte del proceso de medicin. El dueo del proceso debe saber como usar correctamente dicho equipo y como analizar e interpretar resultados. La administracin debe tambin ofrecer claras definiciones operacionales o patrones as como entrenamiento y soporte. El dueo del proceso en turno tiene la obligacin de monitorear y controlar el proceso de medicin para asegurar resultados estables y correctos y los cuales incluyan una perspectiva total del anlisis de los sistemas de medicin el estudio del gage, procedimiento, usuario y medio ambiente; ej., condiciones normales de operacin.
Propiedades Estadsticas de los Sistemas de Medicin
Un sistema de medicin ideal producira solo mediciones correctas cada vez que se usara. Cada medicin acordara siempre con alguna norma estndar.5 Un sistema de mediciones que pudiera producir mediciones como tales sera aquel que tuviera propiedades estadsticas de varianza cero, sesgo cero y probabilidad cero de clasificar incorrectamente cualquier producto medido. Desafortunadamente, los sistemas de medicin con tales propiedades deseables raramente existen, y los gerentes de procesos, generalmente son forzados a usar sistemas de medicin que tienen menos propiedades estadsticas deseables. La calidad de un sistema de medicin es generalmente determinada solo por propiedades estadsticas de los datos que produce en el tiempo. Otras propiedades, tales como costo, facilidad de uso, etc., son tambin importantes y contribuyen a un buen sistema de medicin global. Aunque son las propiedades estadsticas de los datos producidos lo que determina la calidad del sistema de medicin.
Las propiedades estadsticas que son ms importantes para un uso no son las ms importantes para otro. Por ejemplo, para algunos usos de las mquinas de medicin de coordenadas (MMC), las propiedades estadsticas ms importantes son sesgo y varianza pequeos. Una MMC con dichas propiedades genera mediciones que son cercanas a los valores certificados de patrones rastreables. Los datos obtenidos de tal mquina pueden ser muy tiles para analizar un proceso de manufactura. Aunque no importa lo pequeo del sesgo y la varianza que la maquina MMC pueda tener, el sistema de medicin que use la MMC puede no ser capaz de hacer un trabajo aceptable de discriminacin entre productos buenos y malos debido a fuentes adicionales de variacin introducidas por otros elementos del sistema de medicin mismo.
Para una discusin ms completa sobre el asunto de estndares normas, ver Out of the Crisis, W. Edwards Dreaming, 1982, 1986, p. 279-281.
14
La administracin tiene la responsabilidad de identificar las propiedades estadsticas ms importantes para el uso final de los datos. La administracin tiene tambin la responsabilidad de asegurar que dichas propiedades sean usadas como una base para la seleccin de un sistema de medicin. Para lograr esto, se requieren las definiciones operacionales de las propiedades estadsticas, as como mtodos aceptables de medicin de stas. Aunque cada sistema de medicin puede requerir contar con diferentes propiedades estadsticas, existen ciertas propiedades fundamentales que definen un buen sistema de medicin. Estas incluyen: 1) Discriminacin y sensibilidad adecuados. Los incrementos de medicin debieran ser pequeos relativos a la variacin del proceso o lmites de especificacin para propsitos de mediciones. La comnmente conocida como regla 10 o regla 1 a 10, establece que la discriminacin del instrumento debiera dividir la tolerancia (o variacin del proceso) en 10 partes o ms. Esta regla emprica tiene la intencin de ser un punto mnimo inicial y prctico para seleccin de gages. 2) El sistema de medicin debe estar en control estadstico.6 Esto significa que bajo condiciones repetidas, la variacin en el sistema de medicin es debida solo a causas comunes y no a causas especiales. Esto puede referirse como estabilidad estadstica y es mejor evaluado por mtodos grficos. 3) Para control del producto, La variabilidad del sistema de medicin debe ser pequea comparada con los lmites de especificacin. Evala el sistema de medicin con respecto a las tolerancias de la caracterstica.
4) Para control del proceso, la variabilidad del sistema de medicin debe demostrar una resolucin efectiva y ser pequeo comparado con la variacin del proceso de manufactura. Evala el sistema de medicin con la variacin de un proceso 6- sigma y/o la variacin total del estudio MSA.
Las propiedades estadsticas del sistema de medicin pueden cambiar conforme los artculos a ser medidos varen. Si es as, entonces la variacin ms grande (peor) del sistema de medicin es pequea en relacin a lo ms pequeo de la variacin del proceso o de los lmites de especificacin.
Fuentes de Variacin Similar a todos los procesos, el sistema de medicin es impactado por fuentes de
variacin aleatorias y sistemticas. Estas fuentes de variacin son debidas a causas comunes y especiales. A fin de controlar la variacin de un sistema de medicin: 1) Identifica las fuentes potenciales de variacin. 2) Elimina (cuando sea posible) o monitorea estas fuentes de variacin.
El analista de mediciones siempre debe considerar significancias prcticas y estadsticas.
15
Aunque las causas especiales dependen de la situacin, pueden identificarse algunas fuentes de variacin tpicas. Existen diferentes mtodos para presentar y categorizar estas fuentes de variacin tales como diagramas de causas y efectos, diagramas de rbol de falla, etc., aunque los lineamientos presentados aqu se enfocan a elementos principales de un sistema de medicin.
P P I P M
Patrn Pieza de Trabajo (ej., parte) Instrumento Persona/Procedimiento Medio Ambiente
El acrnimo PPIPM7 es usado para representar los seis elementos esenciales de un sistema de medicin en general para asegurar el logro de los objetivos requeridos. P.P.I.P.M. significa Patrn, Pieza de Trabajo, Instrumento, Persona y Procedimiento y Medio Ambiente. Este puede tomarse como un modelo de errores para un sistema de medicin completo.8 Los factores que afectan estas seis reas necesitan ser entendidos de manera que puedan ser controlados o eliminados.
La figura I-B 1 despliega un diagrama de causas y efectos que muestra algunas de las fuentes de variacin potenciales. Dado que las fuentes actuales de variacin que afecten un sistema de medicin son nicas a dicho sistema esta figura se presenta como un punto inicial para desarrollar las fuentes de variacin de un sistema de medicin.
Este acrnimo fue desarrollado inicialmente por Ms. Mary Hoskins, una metrologista asociada con Honeywell, el laboratorio de metrologa Eli Whitney y Bendix Corporation. Ver apndice F para un modelo alternativo de errores, P.I.S.M.O.E.A.
16
Pieza de Trabajo (Parte)

Caractersticas Interrelacionadas mass Limpieza
Instrumentos (Gages)
Variacin de Construccin
Vas Robustercer Estabilidad
Diseo
Uso Amplificacin Contacto Geomtrico
Figura I-B 1: Diagrama de Causas y Efectos de la Variabilidad de un Sistema de Medicin
Deformacin Elstica
Propiedades Elsticas Soportes Futuros
Construccin
Tolerancia de Construccin
Efectos de Deformaciones Linealidad
Decuacin de Datos
Validacin del Diseo

camping Localizacin Puntos de Mediciones Pruebas de Mediciones
Sensibilidad
Consistencia Uniformidad
Calibracin
Estabilidad
Geometra
Definicin Operacional
Coeficiente de Expansin Trmica Propiedades Elsticas
Mantenimiento Rastreabilidad
Calibracin p.m.
Repetibilidad Reproducibilidad
Variabilidad
Estndar
Compatibilidad Geomtrica
Caida deAire Artificial Sol
Variabilidad en los Sistemas de Medicin

Luz
17
Contaminacin de Aire Vibracin

Iluminacin Ciclos
Educacional Fsico
Experiencia Entrenamiento
Expansin Trmica
gente
Limitaciones
Patrones Visuales
Componentes Igualacin Sistema de Componentes
Experiencia
Habilidades
Procedimiento
Actitud
Entrenamiento
Temperatura
Estndar vs Ambiental
Estrs
Ambiental
Ergonmicos
Personal (Evaluador)
Entendimiento
Efectos de la Variabilidad de los Sistemas de Medicin

Debido a que un sistema de medicin puede ser afectado por varias fuentes de variacin, lecturas repetidas sobre la misma parte no producen un mismo e idntico resultado. Las lecturas varan una de otra debido a causas comunes y especiales. Los efectos de las diferentes fuentes de variacin en un sistema de medicin debieran evaluarse en periodos de tiempo cortos y largos. La capacidad de un sistema de medicin es el error (aleatorio) del sistema de medicin mismo en un periodo de tiempo corto. La combinacin de errores es cuantificada con la linealidad, uniformidad, repetibilidad y reproducibilidad. El desempeo de un sistema de medicin, as como el desempeo de un proceso, es el efecto de todas las fuentes de variacin en el tiempo. Esto se logra determinando si nuestro proceso est en control estadstico (ej., estable y consistente; variaciones debidas solo a causas comunes), est sobre meta (sin sesgo) y tiene una variacin aceptable (repetibilidad y reproducibilidad de gages) (RRGs)) sobre un rango de resultados esperados. Esto incrementa la estabilidad y consistencia a la capacidad de un sistema de medicin.
Debido a que los resultados de un sistema de medicin son usados para toma de una decisin acerca del producto y el proceso, el efecto acumulativo de todas las fuentes de variacin es a menudo error del sistema de medicin, o algunas veces solo error.
Efectos en las Decisiones
Despus de medir una parte, una de las decisiones que pueden tomarse es determinar el status de dicha parte. Histricamente, se determinara si la parte fue aceptable (dentro de especificaciones) o no aceptable (fuera de especificaciones). Otro escenario comn es la clasificacin de partes en categoras especficas (ej., tamaos de pistones).
Para el resto de la discusin, y como un ejemplo, la situacin de las dos categoras ser usada: fuera de especificacin (malo) y dentro de especificaciones (bueno). Esto no restringe la aplicacin de la discusin a otras actividades de categorizacin.
Otras clasificaciones adicionales pueden ser retrabajable, recuperable o desperdicio. Bajo la filosofa de control del producto esta actividad de clasificacin sera la razn principal para medir una parte. Aunque, con la filosofa de control del proceso, El inters se orienta ya sea a la variacin de la parte debida a causas comunes o a causas especiales del proceso.
Filosofa
Inters
Control del producto Control del proceso
Est la parte en una categora especfica? Es la variacin del proceso estable y aceptable?
Tabla I-B1: Filosofa de Control e Inters Gua
18
La siguiente seccin trata de los efectos de los errores en las mediciones en la decisin de un producto. Posterior a ello existe una seccin que aborda el impacto sobre decisiones del proceso.
Efectos en las Decisiones de Productos
A fin de entender mejor el efecto de errores en los sistemas de medicin sobre las decisiones del producto, considerar el caso donde toda la variabilidad en las lecturas mltiples de una sola parte es debida a la repetibilidad y reproducibilidad del gage. Esto es, el proceso de medicin est en control estadstico y tiene un sesgo de cero. Puede tomarse a veces una mala decisin cuando alguna parte de la distribucin de la medicin arriba indicada se traslape sobre un lmite de especificacin. Por ejemplo, una parte buena puede algunas veces declararse mala (error tipo I, riesgo del productor o falsa alarma) si:
y, una parte mala algunas veces puede declararse como buena (error tipo II), riesgo del consumidor o proporcin perdida) si:
NOTA: Proporcin de Falsa Alarma + Proporcin de Perdida = Proporcin de Error. RIESGO es la probabilidad de tomar una decision que sera en detrimiento a un individuo proceso
Esto es, con respecto a los lmites de especificacin, el potencial de tomar decisiones equivocadas para una parte existe solo cuando el error de los sistemas de medicin interfecta a los lmites de especificacin. Esto ofrece tres diferentes reas:
19
LSL
USL
I
donde: I II III
II
III
Meta
II
Partes malas siempre sern declaradas como malas Potencial de tomar una decisin equivocada Partes buenas siempre sern declaradas como buenas
Dado que el objetivo es maximizar las CORRECTAS decisiones relativas al status del producto, existen dos opciones: 1) Mejorar el proceso de produccin: reducir la variabilidad del proceso de forma tal que las partes no se fabriquen en las reas II. 2) Mejorar el sistema de medicin: reducir el error del sistema de medicin para reducir el tamao de las reas II de tal forma que todas las partes que sean fabricadas caigan dentro del rea III y por tanto minimicen el riesgo de tomar una mala decisin. Esta discusin asume que el proceso de medicin est en control estadstico y en meta. Si alguno de estos supuestos es violado entonces existe una pequea probabilidad de que un valor observado conduzca a una correcta decisin.
Efecto en las Decisiones del Proceso
Con el proceso en control, las siguientes necesidades deben establecerse: Control estadstico En meta Variabilidad aceptable
Como se explic en la seccin previa, el error en las mediciones puede generar decisiones incorrectas acerca de un producto. El impacto en las decisiones del proceso sera como sigue: Llamar a una causa comn como una causa especial Llamar a una causa especial como una causa comn
La variabilidad de los sistemas de medicin puede afectar las decisiones en relacin a la estabilidad, meta y variacin de un proceso. La relacin bsica entre la variacin del proceso actual y observada es:
20
2obs = 2actual + 2msa donde 2obs = varianza observada del proceso 2actual = varianza del proceso actual 2msa = varianza del sistema de medicin El ndice de habilidad9 Cp es definido como
Cp =
Rango de Tolerancia 6
La relacin entre el ndice Cp del proceso observado y los ndices Cp del proceso actual y el sistema de medicin se deriva sustituyendo en la ecuacin por Cp en la ecuacin de la varianza observada de arriba: (Cp)-2obs = (Cp)-2actual + (Cp)-2msa Asumiendo que el sistema de medicin est en control estadstico y en meta, el Cp actual del proceso puede compararse grficamente con el Cp observado.10 Por tanto la habilidad del proceso observada es una combinacin de la habilidad del proceso actual ms la variacin debida al proceso de medicin. Para alcanzar un objetivo de habilidad de un proceso especfico se requerira factorizar la variacin de las variaciones. Por ejemplo, si el ndice Cp del sistema de medicin fuera 2, el proceso actual requerira un ndice de Cp mayor o igual que 1.79 a fin de lograr que el ndice calculado (observado) sea 1.33. Si el ndice Cp del sistema de medicin fuera en s 1.33, el proceso requerira no contar con variacin si el resultado final tuviera que ser 1.33 que es claramente una situacin imposible.
9 10
Aunque esta discusin es usando Cp, los resultados se mantienen tambin para el ndice de desempeo Pp. Ver apndice B para frmulas y grficas.
21
Aceptacin de un Cuando un nuevo proceso tal como, maquinado, manufactura, estampado, manejo de material, tratamiento trmico o ensamble es comprado, existe a menudo una serie de Proceso Nuevo
pasos que tienen que completarse como parte de la actividad de compra misma. Esto involucra a menudo algunos estudios hechos en el equipo en la localizacin del proveedor y luego en la localizacin del cliente. Si el sistema de medicin usado en cada localizacin no es consistente con el sistema de medicin con el que el equipo ser usado y bajo circunstancias normales, entonces puede generarse alguna confusin. La situacin ms comn que involucra el uso de instrumentos diferentes es el caso donde el instrumento usado con el proveedor cuenta con un orden de discriminacin mayor que el del instrumento de produccin (gage). Por ejemplo, las partes medidas con una maquina de coordenadas durante la compra y luego con un gage de alturas durante la produccin; las muestras medidas (ponderadas) en una escala electrnica o en una escala de laboratorio mecnica durante la compra y luego sobre una escala mecnica simple durante la produccin.
En el caso donde el sistema de medicin (de orden mayor) usado durante la compra cuente con un RRG de 10% y el Cp actual del proceso sea de 2.0, el Cp observado del proceso durante la compra ser de 1.96.11
Cuando este proceso es estudiado en la produccin y con el gage de produccin, se observar una mayor variacin (ej., un Cp ms pequeo). Por ejemplo, si el RRG del gage de produccin es del 30% y el Cp del proceso actual es todava 2.0 entonces el Cp del proceso observado ser de 1.71. El peor escenario ser que el gage de produccin no est calificado pero sea usado. Si el RRG del sistema de medicin es actualmente del 60% (aunque tal hecho no sea conocido) entonces el Cp observado sera de 1.28. La diferencia en el Cp observado de 1.96 versus 1.28 es debida al sistema de medicin diferente. Sin este conocimiento puede haber esfuerzos en vano en buscar ver lo que est mal del nuevo proceso.
11
Para esta discusin, asuma que no existe variacin en el muestreo. En la realidad 1.96 ser el valor esperado aunque los resultados actuales varien alrededor de este valor.
22
Ajuste / Control del Proceso (Experimento del Embudo)
Con frecuencia las operaciones de manufactura utilizan una pieza en el comienzo del da para verificar que el proceso est sobre meta. Si la pieza medida est fuera de meta, el proceso es entonces ajustado. Ms tarde y el algunos casos otra pieza es medida y otra vez el proceso puede ajustarse. El Dr. Deming se refiere a este tipo de mediciones y toma de decisiones como titubeo. Considerar la situacin donde el peso del acabado de un metal precioso sobre una pieza esta siendo controlado sobre una meta de 5.00 gr. Suponer que los resultados de la escala usados para determinar el peso varan en +0.20 gr pero esto no se sabe dado que nunca fue hecho el anlisis del sistema de medicin. Las instrucciones de operacin requieren que el operador verifique el peso y haga ajustes cada hora en base a una muestra. Si los resultados estn fuera del intervalo de 4.90 a 5.10 gr entonces el operador ajusta el proceso otra vez. En el ajuste, suponer que el proceso est operando a 4.95 gr pero por el error en las mediciones el operador observa 4.85 gr. De acuerdo a las instrucciones del operador ste debe intentar ajustar el proceso hacia arriba por 0.15 gr. Ahora el proceso est corriendo en 5.10 gr para una meta. Cuando el operador cheque el ajuste sta vez, observa 5.08 gr. de manera que permita al proceso trabajar. El sobreajuste del proceso a agregado variacin y continuar hacindolo as. Este es un ejemplo del experimento de embudo que el Dr. Deming us para describir los efectos del titubeo.12 El error en las mediciones complica el problema. Cuatro reglas del experimento de embudo son: Regla 1: No hacer ajustes o tomar acciones a menos que el proceso est inestable. Regla 2: Ajustar el proceso en una cantidad igual y en una direccin opuesta de donde el proceso fue medido al ltimo. Regla 3: Restablecer el proceso hacia la meta. Luego ajustar el proceso en una cantidad igual y en una direccin opuesta de la meta. Regla 4: Ajustar el proceso al punto de la ltima medicin. Las instrucciones de ajuste para procesos de metales preciosos es un ejemplo de la regla 3. Las reglas 2,3 y 4 agregan mayor variacin en forma progresiva. La regla 1 es la mejor opcin para provocar una variacin mnima.
12
Deming, W. Edwards, Out of the Crisis, Massachussets of Technology, 1982, 1986.
23
Otros ejemplos del experimento de embudo son: Recalibracin de gages en base a lmites arbitrarios ej., los lmites no reflejan la variabilidad del sistema de medicin (regla 3). Restablecimiento de un patrn para el sistema de medicin del control del proceso despus de un nmero arbitrario de usos sin alguna indicacin o historia de algn cambio (causa especial) (regla 3). Autocompensaciones que ajustan al proceso en base a las ltimas partes fabricadas (regla 2). En el entrenamiento del trabajo donde el operador A entrena al operador B y quien ms tarde entrena al operador C... sin material de entrenamiento estndar. Similar al juego del telfono descompuesto (regla 4). Las partes son medidas, y se encuentran fuera de meta, aunque al graficarse sobre la grfica de control el proceso se muestra estable luego entonces no se toma ninguna accin (Regla 1).
24
Captulo l Seccin C Planeacin y Estrategia de las Mediciones
Seccin C
Planeacin y Estrategia de las Mediciones
La planeacin es clave antes de disear o comprar un equipo o sistemas de medicin. Muchas decisiones hechas durante la etapa de planeacin pudieran afectar la direccin y seleccin de un equipo de medicin. Cul es el propsito y cmo ser usado el resultado de una medicin?. La etapa de planeacin establecer el curso y tiene un efecto significativo en qu tan bien el proceso de medicin opere y puede reducir posibles problemas y errores de medicin en el futuro.
En algunos casos y debido al riesgo involucrado en los componentes a ser medidos o por el costo y complejidad del dispositivo de medicin el cliente del FEO (Fabricante de Equipo Original) puede usar el proceso APQP y decidir una estrategia de medicin con el proveedor.
No todas las caractersticas del producto y proceso requieren sistemas de medicin y cuyo desarrollo cae en este tipo de escrutinio. Herramientas simples de medicin estndar como micrmetro o calibradores pueden no requerir sta estrategia de planeacin a profundidad. Una regla emprica bsica es si la caracterstica a medir en el componente o subsistema ha sido identificada en el plan de control o es importante en la determinacin de la aceptacin del producto o proceso. Otra gua sera el nivel de tolerancia asignado a una dimensin especfica. Sentido comn es la gua en cualquier caso.
Complejidad
El tipo, complejidad y propsito de un sistema de medicin puede conducir a diferentes niveles de administracin de un programa, planeacin estratgica, anlisis de sistemas de medicin u otra consideracin especial para la seleccin, evaluacin y control de las mediciones. Instrumentos y dispositivos simples de medicin (ej., reglas, cintas para medir, gages de atributos o lmites ajustados) pueden no requerir el nivel de administracin, planeacin o anlisis que demanden otros sistemas de medicin complejos o crticos (ej., masters de referencia, mquinas de coordenadas, stands de prueba, sistemas de gages en lnea y automatizados, etc.). Cualquier sistema de medicin puede requerir mayor o menor planeacin estratgica y el escrutinio depende de la situacin de un producto o proceso dado. La decisin del nivel apropiado debe recaer en el equipo APQP para el proceso de medicin y los clientes. El grado actual de involucramiento o implementacin en muchas de las actividades abajo indicadas debiera ser dirigido por el sistema de medicin particular, las consideraciones para el control de gages y el sistema de calibracin de soporte, la profundidad en el conocimiento del proceso y el sentido comn.
25
Identificacin del Propsito de un Proceso de Medicin
El primer paso es establecer el propsito de las mediciones y cmo sern utilizadas. Un equipo multifuncional organizado en las etapas iniciales del desarrollo del proceso de medicin es crtico en el logro de esta tarea. Se hacen consideraciones especficas en relacin a auditorias, control del proceso, desarrollo del producto y el proceso y anlisis del Ciclo de Vida de las Mediciones. El concepto de Ciclo de Vida de las Mediciones expresa la creencia de que los mtodos de medicin pueden cambiar en el tiempo conforme uno aprende y mejora el proceso. Por ejemplo, la medicin puede iniciar en la caracterstica de un producto para establecer estabilidad y habilidad del proceso. Esto puede conducir al entendimiento de caractersticas crticas para el control del proceso que directamente afecten las caractersticas de una parte. La dependencia en la informacin de la caracterstica de una parte llega a ser menor y el plan de muestreo puede reducirse para dar significado a este entendimiento (de 5 parte por hora a una parte por turno). Tambin, el mtodo de medicin puede cambiar en la medicin de una mquina de coordenadas a una forma de gage por atributos. Eventualmente puede encontrarse que una pequea parte del monitoreo puede requerirse siempre y cuando el proceso se mantenga o la medicin y monitoreo del mantenimiento y el herramental pueda ser todo lo que se necesite. Al nivel de mediciones le siguen el nivel de entendimiento del proceso. La mayora de las mediciones y monitoreos pudieran terminar eventualmente con los proveedores de los materiales de recibo. La misma medicin, sobre la misma caracterstica, en la misma rea del proceso y sobre un periodo extenso de tiempo es evidencia de una falta de aprendizaje o un proceso de medicin estancado.
Ciclo de Vida de las Mediciones
Criterios para seleccin del Diseo de un Proceso de Medicin
Antes de que un sistema de medicin pueda ser comprado, un detallado concepto de ingeniera del proceso de medicin es desarrollado. Usando el propsito arriba desarrollado, un equipo multifuncional de individuos desarrollar un plan y concepto para el sistema de medicin requerido para el diseo. Aqu se presentan algunos lineamientos: El equipo necesita evaluar el diseo del subsistema o componente e identificar caractersticas importantes. Estas se basan en los requerimientos de los clientes y la funcionalidad del subsistema o componente del sistema total. Si las dimensiones importantes ya han sido identificadas, evaluar la capacidad para medir dichas caractersticas. Por ejemplo, si la caracterstica importante de un componente plstico moldeado por inyeccin estuviera en una lnea de moldeo de partes, el chequeo dimensional sera difcil y la variacin de las mediciones alta. Un mtodo para capturar aspectos clave similares a stos sera el uso de AMEFPs para analizar reas de riesgos en el diseo de gages, tanto de su habilidad para medir la parte como el gage de funcionalidad (AMEFDs y AMEFPs). Esto ayudara en el desarrollo de planes de mantenimiento y calibracin. Desarrolla un diagrame de flujo que muestre los pasos crticos del proceso en la manufactura o ensamble de la parte o subsistema. Identifica las entradas y salidas clave de cada paso en el proceso. Esto ayudara en el desarrollo de los criterios y requerimientos del equipo de medicin afectados por la localizacin en el proceso.
26
Captulo l Seccin C Planeacin y Estrategia de las Mediciones
Un plan de mediciones y una lista de tipos de mediciones se obtendra de esta investigacin.13 Para sistemas de medicin complejos, se hace un diagrama de flujo del proceso de medicin mismo. Esto incluira el envo de la parte o subsistema a ser medido, la medicin en s y el regreso de la parte o subsistema al proceso. Luego utiliza algn mtodo de tormenta de ideas con el grupo para desarrollar criterios generales para cada medicin requerida. Uno de los mtodos simples a usar es el diagrama de causas y efectos.14 Ver el ejemplo en figura 2 como un punto inicial de pensamiento.
Algunas preguntas adicionales a considerar en relacin a la planeacin de las mediciones:

Quin debe estar involucrado en el anlisis de las necesidades? el diagrama de flujo y la discusin inicial facilitarn la identificacin de los individuos clave. Por qu debe tomarse la medicin y cmo ser utilizada? Los datos debern usados para control, clasificacin, calificacin, etc.? La forma en que las mediciones sern usadas puede cambiar el nivel de sensibilidad del sistema de medicin mismo. Qu nivel de sensibilidad se requiere? Cul es la especificacin del producto? Cul es la variabilidad esperada del proceso? Qu tanta diferencia entre las partes necesitar detectar el gage? Qu tipo de informacin ser ofrecida con el gage (ej., manuales operacin, mantenimiento, etc.) y qu habilidades bsicas del operador son requeridas? Quin realizar el entrenamiento? Cmo son tomadas las mediciones? Sern hechas en forma manual, sobre un transportador en movimiento, fuera de lnea, en forma automtica, etc.? La localizacin de las partes y los posibles dispositivos son fuentes de variacin? Es con o sin contacto? Cmo sern calibradas las verificaciones y stas sern comparadas con otros procesos de medicin? Quin ser responsable por los patrones de calibracin? Cundo y dnde sern tomadas las mediciones? La parte estar limpia, con aceite, caliente, etc.?
Recordar el uso de datos para sustentar supuestos comunes acerca del proceso de medicin. Es mejor estar seguros y recolectar datos del medio ambiente, ms que tomar decisiones en base a informacin equivocada y tener un sistema desarrollado que no sea robusto en aspectos clave ambientales.
13 14
Esto puede considerarse en un plan de control preliminar. Ver Gua para el Control de Calidad, Kaoru Ishikawa, publicado por la organizacin asitica de productividad, 1986.
27
Investigacin de Varios Mtodos de Procesos de Medicin Diseo y Desarrollo de Conceptos y Propuestas
Los mtodos de medicin actuales debieran investigarse previo a la inversin en nuevo equipo. Los mtodos de medicin probados pueden ofrecer una operacin ms confiable. Cuando sea posible, usa equipo de medicin que cuente con registros de rastreo probados.
Hacer referencia a elementos sugeridos para un checklist de desarrollo de un sistema de medicin al final del captulo I, seccin D, cuando se desarrollen y diseen conceptos y propuestas. Durante y despus de la fabricacin del equipo de medicin y el desarrollo del proceso de medicin (mtodos, entrenamiento, documentacin, etc.) sern realizados estudios experimentales y recoleccin de datos. Estos estudios y datos sern usados para entender este proceso de medicin de forma tal que dicho proceso y procesos futuros puedan mejorarse.
28
Captulo l Seccin D Desarrollo de las Fuentes de Medicin
Seccin D
Desarrollo de las Fuentes de Medicin
Introduccin
PROCESO DE MEDICIN ENTRADAS SALIDAS
Esta seccin aborda el esquema de tiempo para cotizaciones / suministros de la vida de un proceso de medicin se ha desarrollado para que sea una discusin acerca del procesos de desarrollar un paquete de cotizacin del proceso de medicin, obteniendo respuestas a dicho paquete, otorgando el proyecto, completando el diseo final, desarrollando el proceso de mejoramiento y, finalmente, casando el proceso de medicin con el proceso de produccin para el cual fue creado. Se recomienda fuertemente que este capitulo no sea usado sin la lectura y entendimiento de la discusin completa acerca de los procesos de medicin. Para obtener el mximo beneficio de un proceso de medicin, estudiarlo y abordarlo como si fuera un proceso con entradas y salidas.15 Este captulo fue escrito con la filosofa de equipo en mente. No es una descripcin de trabajo para el comprador o agente de compras. Las actividades descritas aqu requieren del involucramiento de un equipo para completarse exitosamente y debiera ser administrado dentro del esquema global de un equipo de Planeaciones Avanzadas de Calidad de Productos (APQPs). Esto puede resultar en un saludable juego entre varias funciones de equipos conceptos que se deriven del proceso de planeacin pueden modificarse antes de que el proveedor de gages llegue al diseo final que satisfaga los requerimientos del sistema de medicin. Generalmente, el proceso de adquisicin comienza con la comunicacin formal entre el cliente y el proveedor para un proyecto dado. La comunicacin anticipada es crucial para el xito del proyecto. Dado que el trabajo bsico y necesario para una efectiva y futura relacin se hace en esta etapa. El proceso de adquisicin comienza con la presentacin formal del cliente del intento del proyecto en forma de una Solicitud Para Cotizacin (SPC) seguida por la explicacin formal del proveedor de su propuesta para cumplir con este intento (Cotizacin). El cliente y proveedores necesitan entender totalmente los requerimientos del proyecto, lo que se tiene que entregar y los mtodos con los cuales debe lograrse. Este entendimiento se deriva de la comunicacin oportuna y precisa entre las dos partes.
Una vez que se ha acordado un concepto y se ha establecido una relacin cliente / proveedor para el proyecto en puerta, las actividades de diseo en detalle, fabricacin del proceso de medicin y desarrollo pueden empezar. La comunicacin entre el cliente y el proveedor en este punto es especialmente importante. Dado que puede haber varios niveles de aprobaciones de conceptos a realizarse, y posibles cambios ambientales as como el potencial de cambio de los miembros del equipo, el proyecto del proceso de medicin pudiera ser titubeante a an fallar. Este riesgo se reduce si se mantiene una comunicacin detallada y frecuente y documentada entre el cliente y el proveedor y se designa la responsabilidad formal (un individuo)por ambas partes para mantener comunicacin. El foro y formato ideal para esta actividad es el proceso APQP.
15
Ver Captulo I, Seccin B
29
Despus de que el proceso de medicin ha sido diseado conceptualmente, las actividades alrededor de la adquisicin del proceso / sistema pueden empezar.
Coordinacin de Datos (Datum)
Idealmente con la prevalencia actual en el uso de Tolerancias y Dimensionamiento Geomtrico (GD&T) los datos necesitan ser coordinados (ej., hacerse idnticos) a lo largo del proceso de manufactura y el sistema de medicin, y esto necesita establecerse muy anticipadamente en el proceso de APQP. La responsabilidad inicial para esto puede dejarse en el ingeniero de diseo del producto, en el control dimensional, etc. dependiendo de la organizacin especfica. Cuando los esquemas de datos no cuadren a lo largo del proceso de manufactura, particularmente en los sistemas de medicin, pueden medirse cosas equivocadas, puede haber problemas de ajuste, etc., conduciendo a un control inefectivo del proceso de manufactura. Puede haber ocasiones en que un esquema de datos usado en un ensamble final no pueda cuadrar posiblemente con el usado en un proceso de manufactura de un subcomponente. Cuando tal sea el caso, esto puede determinarse lo antes posible en el proceso APQP, de forma tal que los miembros del equipo entiendan posibles dificultades y conflictos que puedan aparecer adelante y cuenten con oportunidades para hacer algo al respecto. Durante este proceso, diferentes esquemas de datos pueden necesitar ser explorados a fin de entender el impacto de las diferencias. Ciertas mercancas presentan propiedades que pueden producir ms problemas que otras, tal como, el centrado de un rbol de levas o alguna otra caracterstica de redondeo, cilndrica o tubular. Por ejemplo, un rbol de levas debe ser manufacturado sobre centros pero las propiedades importantes del producto estn en sus lbulos. Un mtodo o esquema de datos puede requerirse para la manufactura mientras que otro esquema es requerido para la medicin de un producto final.
30
Prerrequisitos y Supuestos
Antes de discutir el desarrollo con el proveedor del gage, se asume que aspectos crticos tales como, diseo (GD&T) de ingeniera del producto correcto y el diseo del proceso correcto (aquel que permita las mediciones en el tiempo y localizacin en el proceso apropiados) se hallan resuelto. Sin embargo sto no debiera demeritar la consideracin de stos aspectos crticos con los miembros del equipo apropiados y en forma anticipada en el proceso APQP. Se asume que el proveedor del gage ser involucrado en el proceso APQP con el enfoque de equipo. El proveedor de gages desarrollar una clara apreciacin del proceso de produccin global y el uso del producto de manera que se rol es entender no solo por l sino por otros en el quipo (manufactura, calidad, ingeniera, etc.). Existe un pequeo traslape en algunas actividades o en el orden de estas actividades dependiendo del programa / proyecto particular u otras restricciones. Por ejemplo, el equipo de APQP sin muchas entradas de una fuente de gages puede desarrollar ciertos conceptos de gages. Otros conceptos pueden requerir la pericia de la fuente de gages. Esto puede ser dirigido por la complejidad del sistema de medicin y una decisin del equipo acerca de lo que hace sentido.
Es
tud io
Pl r ce Ha
Proceso de Seleccin de Fuentes de Gages
an ea r
Concepto de Ingeniera Detallado
Ac r tua
Desarrollo del Paquete de Cotizacin

Antes de que el paquete de solicitud para cotizacin de un proceso de medicin pueda ser suministrado al proveedor potencial para propuestas formales, necesita desarrollarse un concepto de ingeniera detallado del proceso de medicin mismo. El equipo de individuos que se emplee y sea responsable por el mantenimiento y mejoramiento continuo del proceso de medicin tiene responsabilidades directas para desarrollar el concepto detallado. Esto puede ser parte del equipo de APQP. Para desarrollar mejor este concepto, necesitan responderse varias preguntas. El equipo puede investigar varios aspectos crticos para ayudar a decidir que direccin o camino ser seguido para el diseo del proceso de medicin. Algunos pueden ser dictados o pesadamente implicados por el diseo del producto. Ejemplos de multitudes de posibles aspectos crticos que necesiten ser abordados por el equipo cuando se desarrolle un concepto detallado pueden encontrarse en los Elementos Sugeridos por el Checklist del Desarrollo de un Sistema de Mediciones al final de esta seccin.
31
Todos los clientes a menudo confan fuertemente en proveedores para soluciones. Antes de que un cliente aun proveedor sugiera soluciones para problemas del proceso, los fundamentos e intento del proceso necesitan ser totalmente entendidos y anticipados por el equipo que sea dueo del proceso. Luego entonces el proceso es propiamente usado, apoyado y mejorado.
Consideraciones de Mantenimiento Preventivo
Qu actividades debieran programarse para el mantenimiento preventivo (ej., lubricacin, anlisis de vibraciones, integridad del medio de prueba, reemplazo de partes, etc.)?. Muchas de estas actividades dependen de la complejidad del sistema de medicin y el dispositivo o aparato. Gages simples pueden solo requerir una inspeccin en intervalos regulares, mientras que sistemas ms complejos pueden requerir anlisis estadsticos detallados y continuos y un equipo de ingenieros para mantenerlos en un estado predictivo. Las actividades del mantenimiento preventivo planeado debieran coincidir con la iniciacin de la planeacin del proceso de medicin. Muchas actividades tales como drenado de filtros de aire diariamente, lubricado de piezas despus de un nmero designado de horas de operacin, etc., pueden planearse antes de que el sistema de medicin se construya totalmente, y se desarrolle e implemente. De hecho esto se prefiere y mejora la planeacin anticipada y los costos en las mediciones. Los mtodos de recoleccin de datos y recomendaciones para mantenimiento relacionadas con estas actividades pueden obtenerse del fabricante original o desarrolladas por personal de ingeniera de planta, manufactura y calidad. Despus de que el proceso de medicin es implementado y puesto en uso, los datos que pertenezcan a la funcin del proceso de medicin necesitan ser recolectados y graficados en el tiempo. Mtodos analticos simples (grficas de corridas y anlisis de tendencias) pueden realizarse para determinar la estabilidad del sistema. Eventualmente, conforme el juicio de la estabilidad del sistema lo dicte, pueden programarse rutinas de mantenimiento preventivo. La conduccin del mantenimiento preventivo sobre un sistema estable, y en base a informacin de series de tiempo, ser de menos desperdicio que la conduccin del mantenimiento preventivo sobre un sistema con tcnicas tradicionales.
Especificaciones
Las especificaciones sirven como lineamiento pare el cliente y el proveedor en el diseo y construccin de un proceso. Estos lineamientos sirven para comunicar estndares aceptables. Los estndares o patrones aceptables pueden considerarse en dos categoras. Estndares de diseo Estndares construidos
El formato de los estndares de diseo puede ser diferente dependiendo de quien est pagando el proyecto. Aspectos clave de costos pueden afectar el formato.
32
Generalmente es una buena idea contar con un diseo documentado y en detalle suficiente de manera que el diseo mismo pueda ser construido o reparado para su intento original por cualquier constructor calificado sin embargo, esta decisin puede ser dirigida por costo y criticalidad. El formato requerido del diseo final puede estar en forma de CAD o dibujos de ingeniera en papel. Puede involucrar normas de ingeniera seleccionadas de FEOs, SAE, ASTM u otra organizacin, y el proveedor de gages debe tener acceso al ms reciente nivel y entender estas normas. Los FEOs pueden requerir el uso de normas particulares en las fases de diseo o construccin y pueden an requerir aprobaciones formales antes de que el sistema de medicin pueda ser liberado para su uso. Las normas de diseo detallarn el mtodo de comunicar el diseo mismo (CAD ej., CATIA, Unigrafics, IGES, copia manual, etc.) para el fabricante. Puede tambin cubrir normas de desempeo para un sistema de medicin ms complejo. Las normas o estndares construidos cubren tolerancias en las cuales el sistema de medicin debe ser construido. Las tolerancias de construccin deben basarse en la combinacin de las habilidades del proceso usado para fabricar el gage o componente del gage y la criticalidad de la medicin esperada. La tolerancia construida no debe ser ofrecida solo como un porcentaje de la tolerancia del producto mismo.
Si se requieren dispositivos o sistemas por duplicado, una apropiada planeacin y estandarizacin pueden conducir a la intercambiabilidad y flexibilidad.
El uso de componentes o subensambles estandarizados tambin conduce a intercambiabilidad, flexibilidad, reduccin de costos y, generalmente amenos errores en las mediciones de largo plazo.
Evaluacin de Cotizaciones
C O N C E P T O C O T I Z A C I O N
Conforme se reciban las cotizaciones, el equipo debe integrarse para revisarlas y evaluarlas. Ciertos puntos pueden hacerse notar: 9 Se cumplen los requerimientos bsicos? 9 Existen algunos aspectos sobresalientes? 9 Alguno de los proveedores exhiben una condicin excepcional y por qu? (una condicin excepcional pudiera ser una disparidad significativa con respecto al precio o envo esto no necesariamente sera descontado como un factor negativo un proveedor pudo haber detectado un artculo de otros no previsto). 9 Los conceptos promueven simplicidad y facilidad de mantenimiento?
APROBACIN
33
La documentacin es algunas veces no-tomada en cuenta cuando se adquiere un proceso de medicin. La significancia que toma la documentacin con respecto a cualquier proyecto es a menudo mal entendida. La estrategia usual atrs de la documentacin es ofrecer un conjunto original de diseos mecnicos y elctricos (CAD o dibujos en papel) para el hardware del proceso de medicin en el tiempo del envo. Esto puede satisfacer los requerimientos iniciales de implementacin, aunque esta documentacin no hace nada con respecto a definir puntos potenciales para el montaje, sugerir posibles reas problemticas o describir como usar el proceso. Por tanto, la documentacin requerida para cualquier proceso debe incluir ms que el ensamble y dibujos detallados del equipo de medicin. La documentacin efectiva de cualquier sistema sirve para el mismo propsito que un buen mapa en un viaje. Por ejemplo, sugiere al usuario cmo llegar de un punto a otro (instrucciones del usuario o gage). Ofrece al usuario rutas alternativas posibles para alcanzar los puntos de destino deseados (guas de solucin de problemas o rboles de diagnstico) si la ruta principal es bloqueada o cerrada. Un paquete completo de documentacin puede incluir: Conjunto reproducible de dibujos de ensamble y mecnicos detallados (CAD o copia en papel) (incluyendo cualquier master requerido). Conjunto reproducible del cableado elctrico, lgica y software. Lista de refacciones sugeridas de uso pesado o de puntos / detalles de desgaste. Esta lista debiera incluir puntos que pueden requerir tiempos de anticipacin considerables para adquisicin. Manuales de mantenimiento con dibujos de los equipos y los pasos para ensamblar y desensamblar adecuadamente los componentes del equipo mismo. Manuales definiendo los requerimientos de servicios para ajuste, puesta a punto y operacin y requerimientos de transporte del equipo. Guas de rboles de diagnstico y solucin de problemas. Reportes de certificacin (rastreabilidad con NIST cuando aplique). Instrucciones de calibracin. Manuales del usuario que puedan ser usados por el personal de soporte tcnico, el operador del sistema y el personal de mantenimiento.
La lista anterior puede ser usada como un cheklist al organizar un paquete de cotizacin; sin embargo no necesariamente incluye todo. El tema central aqu es comunicacin. Dado que la documentacin es una forma de comunicacin, el equipo y otros deben estar involucrados en cada nivel del desarrollo del paquete de documentacin del proceso de medicin.
34
Calificacin con el Proveedor
El gage o sistema de medicin debiera ofrecer un layout dimensional y pruebas de funcionalidad completas, cuando aplique, con el proveedor del sistema de medicin antes del envo. Obviamente, el proveedor seleccionado debe contar con equipo de medicin y personal calificado en planta a fin de lograr esto. Si no, debieran hacerse prearreglos para que se haga este trabajo en un laboratorio independiente y externo calificado. Los resultados de tal layout dimensional y/o de pruebas debieran obtenerse de acuerdo con el diseo del cliente y los estndares construidos y ser completamente documentados y disponibles para revisin por el cliente. Despus de un exitoso layout dimensional, el proveedor debiera ejecutar un anlisis del sistema de medicin preliminar y formal. Esto otra vez requiere nuevamente que el proveedor cuente con personal, conocimientos y experiencia para lograr los anlisis apropiados. El cliente debiera predeterminar con el proveedor (y quizs con el FEO) exactamente que tipo de anlisis se requiere en este punto y debiera estar conciente de algn lineamiento que se requiera para el proveedor. Algunos aspectos clave que puedan requerir discusin, negociacin o acuerdo comn son: Objetivo del estudio MSA preliminar: 9 9 9 Repetibilidad del Gage (RG16) versus repetibilidad y reproducibilidad (RRG) Evaluacin del sesgo y/o linealidad Evaluacin del propsito del cliente para las mediciones
Cantidad de piezas, intentos y operadores en estudio 9 Criterios de aceptacin
Uso de personal del proveedor versus personal suministrado por el cliente Entrenamiento necesario para el personal 9 Est calificado? 9 Entiende la intencin? 9 Qu software pudiera utilizarse? Cualquier resultado que se logre en este punto en el tiempo, debiera hacerse notar que este es meramente preliminar y puede ser necesario un juicio para la aceptabilidad de los resultados.
Envos
CHECKLIST
Cundo debiera ser enviado el equipo? Cmo debiera enviarse? Quin retira el equipo del camin o vagn? Se requieren seguros? La documentacin debiera enviarse con el hardware? El cliente cuenta con el equipo apropiado para descargar el hardware? Dnde ser almacenado el sistema hasta el envo?
16
Ver Apndice D
35
Dnde ser almacenado el sistema hasta su implementacin? La documentacin de envo est completa y fcilmente entendible para el cargador, transportador, descargador y cuadrilla de instalacin?
Calificaciones con el Cliente
Generalmente, lo que se ha hecho para calificar el sistema de medicin anteriormente con el proveedor y antes del envo debiera repetirse de alguna forma con el cliente una vez que el envo se ha completado. Dado que sta llega a ser la primera oportunidad real para estudiar el sistema de medicin en su ambiente esperado, estndares de aceptacin y mtodos de anlisis usados aqu debieran ser considerados seriamente. La atencin a detalle por todas las partes involucradas es vital para el xito eventual de un sistema de medicin y el uso de datos que genere. Antes de que cualquier anlisis de mediciones comience despus del recibo, el sistema de medicin debiera ejecutrsele un layout dimensional completo para confirmar que cumple con los requerimientos / normas de construccin. El alcance de este layout puede balancearse contra el trabajo de layout hecho previamente con el proveedor del sistema de medicin y previo al envo, y la confiabilidad en la calidad de los resultados de layout hechos con el proveedor as como la falta de algn dao potencial por envo. Cuando se comparen los resultados antes y despus del envo, estar concientes de que es probable alguna diferencia en las mediciones por la diferencia en los sistemas de medicin.
Envo de Documentacin
La informacin que se requiere, como mnimo, para ayuda en la implementacin y arranque de cualquier sistema es la siguiente: (esta informacin debe ser enviada al cliente previo al envo) Dibujos de CAD o en papel, si se requieren por el equipo Diagrama de flujo del proceso del sistema, cuando aplique. Manuales del usuario 9 9 9 Manual de servicio / mantenimiento Lista de refacciones Gua para solucin de problemas
Instrucciones de calibracin Cualquier consideracin especial
En principio, la documentacin enviada necesita ser identificada como preliminar. La documentacin original o reproducible no necesita ser enviada en este tiempo porque puede ser necesaria una revisin potencial despus de su implementacin. De hecho, es una idea inteligente no tener el paquete de documentacin original enviado hasta despus de que el sistema completo es implementado generalmente los proveedores son ms eficientes en la actualizacin de la documentacin que los clientes.
36
Elementos Sugeridos para un Checklist del Desarrollo de un Sistema de Medicin

Esta lista debiera modificarse en base a la situacin y tipo del sistema de medicin. El desarrollo del checklist final debiera ser el resultado de la colaboracin entre el cliente y el proveedor. Aspectos clave del diseo y desarrollo de un sistema de medicin:

Qu es lo qu se mide? Qu tipo de caracterstica es?

Es una propiedad mecnica? Es dinmica o esttica? Es una propiedad elctrica? Existe una variacin dentro de las partes significativa? Para qu propsito los resultados (salidas) del proceso de medicin sern usados? El mejoramiento de la produccin, monitoreo de la produccin, estudios de laboratorio, auditorias de proceso, inspeccin de embarque e inspeccin recibo responden a DOEs? Quin usar el proceso? operadores, ingenieros, tcnicos, inspectores, auditores? Entrenamiento requerido: Operador, personal de mantenimiento, ingenieros; saln de clases, aplicacin prctica, periodo de aprendizaje. Se han identificado las fuentes de variacin? Construir un modelo de errores (S.W.I.P.E. o P.I.S.M.O.E.A.) usando equipos,, tormenta de ideas, conocimiento profundo del proceso, diagramas de causas y efectos o matrices. Se ha desarrollado un AMEF para el sistema de medicin? Sistemas de medicin flexibles vs dedicados: Los sistemas de medicin pueden ser permanentes y dedicados o pueden ser flexibles y tener la habilidad de medir diferentes tipos de partes; ej., gages, dispositivos de gages, mquinas de medicin por coordenadas, etc. Los gages flexibles sern ms caros pero pueden ahorrar dinero en el largo plazo. Contacto vs No Contacto: Confiabilidad, tipo de propiedad, plan muestra, costo, mantenimiento, calibracin, habilidades del personal requeridas, compatibilidad, medio ambiente, velocidad, tipos de probadores, deflexin de las partes, procesamiento de imgenes. Esto puede determinarse con los requerimientos del plan de control y la frecuencia de las mediciones (gages de contacto total pueden conseguir ajustes excesivos durante muestreos continuos). probadores de superficie de contacto total, tipo de probador, jets de retroalimentacin por aire, procesamiento de imgenes, MMC vs comparador ptico, etc. Medio Ambiente: Polvo, humedad, temperatura, vibracin, ruido, interferencia electromagntica (IEM), movimiento de aire en el ambiente, contaminantes de aire, etc. el laboratorio, el piso de produccin, oficina, etc.? El medio ambiente llega a ser un aspecto clave con tolerancias bajas y ajustadas y en el nivel de micrones. Tambin, en los casos en que MMC, los sistemas de visiones, ultrasnico, etc. Esto podra ser un factor de auto-retroalimentacin en proceso en los tipos de mediciones. Aceite para corte, escombros para corte y temperaturas extremas pudieran llegar tambin a ser aspectos clave. Se requiere que el rea est limpia? Puntos de medicin y localizacin: Define claramente, usando GD&T, la localizacin de los dispositivos y puntos de sujecin y donde las mediciones de la parte sean tomadas. Mtodo de Arreglo: En estado libre vs parte sostenida y sujetada. Orientacin de la Parte: Posicin del cuerpo contra otro. Preparacin de la Parte: La parte debiera estar limpia, sin aceite, con temperatura estabilizada, etc. Antes de la medicin. Localizacin del Transductor: Orientacin angular, distancia de los localizadores primarios o redes.
37
Aspecto # 1 de Correlacin Gages Duplicados: Se requieren los gages por duplicado (o ms) dentro o entre plantas para soportar los requerimientos? Consideraciones de construccin, de errores de medicin y de mantenimiento. Cul es considerado el estndar? Cmo ser calificado cada uno? Aspecto #2 de Correlacin- Divergencia en Mtodos: La variacin en las mediciones resulta de diferentes diseos de sistemas de medicin ejecutndose en el mismo producto / proceso y dentro de una prctica y lmites de operacin aceptables (ej., resultados de mediciones de MMC vs manual o ajuste abierto). Automatizado vs Manual: En lnea, fuera de lnea, dependencia del operador. Mediciones de Pruebas Destructivas vs No Destructivas (PND): Ejemplos: prueba de tensin, prueba de cmara salina, espesor de cubierta de pintura / acabado, dureza, medicin dimesnional, procesamiento de imagen, anlisis qumico, estrs, durabilidad, impacto, torsin, torque, fuerza de soldado, propiedades elctricas, etc. Rango Potencial de Medicin: Tamao y rango esperado de las mediciones concebidas. Resolucin Efectiva: La medicin es sensible a los cambios fsicos (habilidad para detectar variacin del proceso o producto) para una aplicacin particular y aceptable? Sensibilidad: La seal de entrada es la ms pequea en medida y la cual resulta en una seal de salida detectable (discernible) y aceptable para la aplicacin del dispositivo de medicin). La sensibilidad se determina por el diseo y calidad (FEO) inherente del gage, el mantenimiento en servicio y las condiciones de operacin.
Aspectos Clave de Construccin de un Sistema de Medicin (equipo, patrn, estandar, instrumento):
Se han abordado las fuentes de variacin identificadas en el diseo del sistema? Revisiones de diseo; verificaciones y validaciones. Sistema de Control y Calibracin: Programa de calibracin recomendado y auditoria al equipo y documentacin. Frecuencia, interno o externo, parmetros, chequeos de verificacin en proceso. Requerimientos de Entradas: Mecnicos, elctricos, hidrulicos, neumticos, supresores de pico, secadores, filtros, aspectos clave de ajuste y operacin, aislamiento, discriminacin y sensibilidad. Requerimientos de Salidas / Resultados: Anlogos o digitales, documentacin y registros, archivo, almacenamiento, recuperacin, soporte. Costo: Factores de presupuesto para el desarrollo, compra, instalacin, operacin y entrenamiento. Mantenimiento Preventivo: Tipo, programa, costo, personal, entrenamiento, documentacin. Facilidad de Servicio: Interno y externo, localizacin, nivel de soporte, tiempo de respuesta, disponibilidad de partes para servicio, lista de partes estndar. Ergonoma: Habilidad de cargar y operar el equipo sin daos en el tiempo. La necesidad de discusiones sobre los dispositivos de medicin para orientarse en aspectos clave en cmo el sistema de medicin es interdependiente con el operador. Consideraciones de Seguridad: Personal, operacin, medio ambiente, protegido. Almacenamiento y Localizacin: Establece los requerimientos alrededor del almacenamiento y localizacin del equipo de medicin. Aspectos clave de cubiertas, medio ambiente, seguridad, disponibilidad (proximidad). Tiempo de Ciclo de la Medicin: Cunto tiempo llevar medir una parte o caracterstica? Ciclo de medicin integrado al control del proceso y el producto. Habr alguna interrupcin al flujo del proceso, integridad del lote, para capturar, medir y devolver la parte?
38
Manejo de Materiales: Existen racks especiales, dispositivos de sostn, equipo de transporte u otro equipo de manejo de materiales necesarios para las partes a ser medidas o el sistema de medicin mismo? Aspectos Ambientales: Existen algunos requerimientos ambientales especiales, condiciones, limitaciones, que afecten el proceso de medicin o procesos vecinos? Se requiere que sea exhausto? Es necesario el control de temperatura o humedad? Humedad, vibracin, ruido, IEM, limpieza. Existen algunos requerimientos o condiciones de confiabilidad especiales? Se mantiene el equipo en el tiempo? Esto necesita verificarse antes del uso para produccin? Refacciones: Lista comn, suministros adecuados y un sistema para ordenamiento en piso, disponibilidad, tiempos de anticipacin entendidos y tomados en cuenta. Es adecuado y seguro el almacenamiento disponible (refacciones, mangueras, cinturones, switches, solenoides, vlvulas, etc.)? Instrucciones del Usuario: Secuencia de sujecin, procedimientos de limpieza, interpretacin de datos, grficas, ayudas visuales amplias. Disponibles y desplegadas apropiadamente. Documentacin: Dibujos de ingeniera, rboles de documentacin, manuales del usuario, lenguaje, etc. Calibracin: Comparacin con patrones aceptables. Disponibilidad y costo de patrones aceptables. Frecuencia recomendada, requerimientos de entrenamiento. Se requiere tiempo muerto? Almacenamiento: Se requieren requerimientos o consideraciones especiales relativos al almacenamiento del dispositivo de medicin? Cubiertas, medio ambiente, seguridad para daos / robos, etc. A Prueba de Errores: Errores del proceso de medicin pueden conocerse para ser corregidos fcilmente (muy fcil) por el usuario? Entradas de datos, uso incorrecto del equipo, aprueba de fallas o errores
Aspectos Clave de Implementacin del Sistema de Medicin (Proceso):
Soporte: Quin dar apoyo al proceso de medicin? Tcnicos de laboratorio, ingenieros, produccin mantenimiento, servicios contratados y externos? Entrenamiento: Qu entrenamiento ser necesario para los operadores / inspectores / tcnicos, ingenieros para usar y mantener el proceso de medicin? Aspectos de tiempo, recursos y costo. Quin entrenar? Dnde se realizar el entrenamiento? Requerimientos para tiempos de anticipacin? Coordinado con el uso actual del proceso de medicin. Administracin de Datos: Cmo sern administrados los resultados de datos del proceso de medicin? Manuales, computarizados, mtodos de resumen, frecuencia en los resmenes, mtodos de revisin, frecuencia de revisiones, requerimientos de los clientes, requerimientos internos. Disponibilidad, almacenamiento, recuperacin, soporte, seguridad. Interpretacin de datos. Personal: Se requiere contratar personal para soportar el proceso de medicin? Aspectos de costo, tiempo y disponibilidad. Actual o nuevo. Mtodos de Mejoramiento: Quin mejorar el proceso de medicin en el tiempo? Ingenieros o personal de produccin, mantenimiento, calidad? Qu mtodos de evaluacin sern usados? Existe un sistema para identificar mejoramientos necesarios? Estabilidad de Largo Plazo: Mtodos de evaluacin, formato, frecuencia, y necesidad de estudios de largo plazo. Cambios, ajustes, contaminacin, integridad operacional. Estos errores de largo plazo pueden ser medidos, controlados, entendidos y pronosticados? Consideraciones Especiales: Atributos del inspector, limitaciones fsicas o aspectos de salud: ceguera en color, visin, esfuerzo, fatiga, ergonoma.
39
40
Captulo l Seccin E Aspectos Clave de las Mediciones
Seccin E
Aspectos Clave en las Mediciones
Tres aspectos clave fundamentales deben abordarse en la evaluacin de un sistema de medicin: 1) El sistema de medicin debe demostrar sensibilidad adecuada. 9 Primero, el instrumento (y patrn) cuentan con una discriminacin adecuada? La discriminacin (o clase) es arreglada por diseo y sirve como el punto inicial bsico para seleccionar un sistema de medicin. Tpicamente, se aplica la regla 10, la cual establece que la discriminacin del instrumento debiera dividir la tolerancia o variacin del proceso en 10 partes o ms. 9 Segundo, el sistema de medicin demuestra una resolucin efectiva? En relacin a la discriminacin, determina si el sistema de medicin tiene la sensibilidad para detectar cambios en la variacin del producto o proceso para la aplicacin y condiciones dadas. 2) El sistema de medicin debe ser estable. 9 Bajo condiciones de repetibilidad, la variacin del sistema de medicin es debida solo a causas comunes y no especiales (caticas). 9 El analista de las mediciones debe considerar siempre significancias prcticas y estadsticas. 3) Las propiedades estadsticas (errores) son consistentes sobre un rango esperado y adecuadas para el propsito de las mediciones (control del producto o proceso). La tradicin de reportar los errores en las mediciones solo como un porcentaje de la tolerancia es inadecuado para los retos del mercado, que ponen nfasis en mejoramientos estratgicos y continuos del proceso mismo. Conforme los procesos cambien y mejoren, el sistema de medicin debe ser revaluado para su propsito esperado. Es esencial para la organizacin (administracin, planeador de las mediciones, operador de produccin y analista de calidad) entender el propsito de las mediciones y aplicar evaluaciones apropiadas.
41
Tipos de Variaciones de los Sistemas de Medicin
A menudo se asume que las mediciones son exactas, y frecuentemente los anlisis y conclusiones se basan en esta suposicin. Un individuo puede fallar en determinar si hay variacin en el sistema de medicin el cual afecta las mediciones individuales, y consecuentemente, las decisiones se basan en datos. El error de un sistema de medicin puede ser clasificado en 5 categoras: sesgo, repetibilidad, reproducibilidad, estabilidad y linealidad. Uno de los objetivos de un estudio de un sistema de medicin es obtener informacin relativa a la cantidad y tipos de variaciones de medicin asociadas con un sistema de medicin cuando este interacta con su medio ambiente. Esta informacin es valiosa, dado que para el promedio del proceso de produccin, es mucho ms prctico reconocer la repetibilidad y el sesgo en la calibracin y establecer lmites razonables para estos, que ofrecer gages extremadamente exactos con una muy alta repetibilidad. Las aplicaciones de tal estudio ofrecen lo siguiente: Un criterio para aceptar equipo de medicin nuevo. Una comparacin de un dispositivo de medicin contra otro. Una base para evaluar un gage que se sospecha est deficiente. Una comparacin para equipo de medicin antes y despus de su reparacin. Un componente requerido para calcular la variacin del proceso y el nivel de aceptabilidad para el proceso de produccin. Informacin necesaria para desarrollar una Curva de Desempeo de un gage (CDG)17, el cual indica la probabilidad de aceptar una parte de un valor verdadero.
Las siguientes definiciones ayudan a describir los tipos de errores o variaciones asociados con un sistema de medicin, de forma tal que cada trmino sea claramente entendido para discusiones posteriores. Para cada definicin se ofrece una ilustracin la cual despliega grficamente el significado del trmino en cuestin.
17
Ver Captulo V, Seccin C.
42
Definiciones y Fuentes Potenciales de Variacin
Una definicin Operacional es aquella con la que la gente puede hacer negocios. Una definicin operacional con seguridad, redondeo, confiable o alguna otra [caracterstica]de calidad debe ser comunicable, con el mismo significado al vendedor que al comprador, y el mismo significado que ayer y hoy para el operador de produccin. Ejemplo: 1) Una prueba especfica de una pieza de material o ensamble. 2) Un criterio (o criterios) para juicio. 3) Una decisin: si o no, de si el objeto o material cumpli o no cumpli con el criterio (o criterios) 18
Estndar / Patrn Un estndar es cualquier cosa que se tome por consenso general como una base para comparacin, un modelo aceptado. Puede ser un artefacto conjunto (instrumentos, procedimientos, etc.) ajustado y establecido por una autoridad como una regla para medicin de cantidad, peso, alcance, valor o calidad. El concepto de conjunto fue formalizado en la norma de ANSI/ASQC M1-1996 19. Este trmino fue usado para enfatizar el hecho de que todas las influencias que afecten las incertidumbres en las mediciones necesitan tomarse en cuenta; ej., medio ambiente, procedimiento, personal, etc. un elemento simple de un conjunto sera un grupo para la calibracin de blocks de gages que consiste de un block estndar de gages, un comparador, un operador, medio ambiente y el procedimiento de calibracin. Estndares / Patrones de Referencia Un estndar generalmente de la ms alta calidad metrolgica disponible en una cierta localizacin, de la cual se derivan las mediciones hechas en dicha localizacin. Equipo de Medicin y Prueba (EMyP) Todos los instrumentos de medicin, estndares de medicin, materiales de referencia y aparatos auxiliares que sean necesarios para ejecutar una medicin. Estndar de Calibracin Un estndar que sirva como referencia en el desempeo de las calibraciones de rutina. Con la intencin de que acte como un pulido entre la carga de calibracin y los estndares de referencia del laboratorio.
18 19
W. E. Deming, Out of the Crisis (1982, 1986) pag. 277. Esta definicin fue despus actualizada como Equipo de Medicin y Prueba EMyP por Estndares y Normas Militares subsecuentes.
43
Estndar de Transferencia Un estndar para comparar un estndar por separado de un valor conocido con una unidad que ha sido calibrada. Master Un estndar usado como referencia en el proceso de calibracin. Tambin puede ser definido como estndar de referencia o calibracin. Estndar de Trabajo Un estndar cuya intencin de uso sea ejecutar mediciones de rutina dentro del laboratorio, no como un estndar de calibracin, pero que puede ser usado como un estndar de transferencia.
Se requiere dar una especial consideracin a los materiales seleccionados para un estndar. Los materiales empleados deben reflejar el uso y alcance del sistema de medicin, as como fuentes de variacin en base a tiempo tales como, factores de montaje y ambientales (temperatura, humedad, etc.).
PATRON DE REFERENCIA
Master
Equipo de Medicin y Prueba
PATRON DE TRANSFERENCIA
PATRON DE CALIBRACION
Master
PATRON DE TRANSFERENCIA
PATRON DE TRABAJO
Patrn de Chequeo Figura I-E 1: Relacin Entre los Diferentes Estndares
44
Estndar de Chequeo
Un artefacto de medicin que reagrupa de una forma muy similar lo que el proceso est diseado para medir, pero que es inherentemente ms estable que el proceso de medicin a ser evaluado.
Valor de Referencia
Un valor de referencia, tambin conocido cono valor de referencia aceptable o valor master, es el valor de un artefacto o conjunto que sirve como una referencia acordada para comparacin. Los valores de referencia aceptables se basan en lo siguiente: Se determinan por el promedio de varias mediciones con un equipo de medicin de ms alto nivel (ej., laboratorio de metrologa o equipo para layout). Valores legales: definidos y obligados por la ley. Valores tericos: basados en principios cientficos. Valores asignados: basados en el trabajo experimental (y soportados por una teora razonable) de alguna organizacin nacional o internacional. Valores de consenso: basado en trabajo experimental colaborativo y bajo los auspicios de un grupo cientfico o de ingeniera; definido por el consenso de usuarios tales como organizaciones profesionales y de negocio y de comercio. Valores por acuerdo: valores expresamente acordados por las partes afectadas.
En todos los casos el valor de referencia requiere ser basado en una definicin operacional y en los resultados de un sistema de medicin aceptable; para lograr esto, el sistema de medicin usado para determinar el valor de referencia debiera incluir: Instrumentos con una resolucin de mayor orden y con un error del sistema de medicin menor que los sistemas usados para evaluaciones normales. Estar calibrados con estndares rastreables con NIST u otro INM.
Valor Verdadero
El valor verdadero es la medida actual de una parte. Aunque este valor es desconocido e irreconocible, es la meta del proceso de medicin. Cualquier lectura individual debe estar lo ms cerca (y econmicamente) posible a este valor. Desafortunadamente, el valor verdadero nunca puede ser conocido con certeza. El valor de referencia es usado como el mejor aproximado del valor verdadero en todos los anlisis. Dado que el valor de referencia es usado como un equivalente como el valor verdadero, comnmente estos trminos son usados en forma intercambiable. No se recomienda este uso20.
20
Ver tambin ASTM: E177-90a.
45
Discriminacin
Discriminacin es la cantidad de cambio de un valor de referencia que un instrumento puede detectar y fielmente indicar. Esto es tambin referido como facilidad de lectura o resolucin. La medida de esta habilidad tpicamente es el valor de la graduacin ms pequea sobre la escala del instrumento. Si el instrumento cuenta con graduaciones toscas, entonces puede usarse media graduacin. Una regla emprica general es que la discriminacin del instrumento de medicin debe contar con al menos una dcima del rango a medir. Tradicionalmente este rango se ha tomado como una especificacin del producto. Recientemente la regla 10 a 1 se ha interpretado para significar que el equipo de medicin es capaz de discriminar al menos una dcima de variacin del proceso. Esto es consistente con la filosofa de la mejora continua (ej., el enfoque del proceso es una meta designada por el cliente).
Figura I-E 2: Discriminacin
La regla emprica arriba indicada puede considerarse como un punto inicial para determinar la discriminacin dado que no incluye cualquier otro elemento de a variabilidad de un sistema de medicin. Debido a las limitaciones econmicas y fsicas, el sistema de medicin no percibe todas las partes de la distribucin de un proceso como si fueran caractersticas medidas por separado o diferentes. En lugar de ello, las caractersticas medidas sern agrupadas por los valores medidos en categoras de datos. Todas las partes de la misma categora de datos tendrn el mismo valor para la caracterstica medida. Si el sistema de medicin no cuenta con una discriminacin (sensibilidad o resolucin efectiva), puede no ser un apropiado sistema para identificar la variacin del proceso o cuantificar los valores de las caractersticas individuales de una parte. Si tal es el caso, debieran usarse mejores tcnicas de medicin. La discriminacin es inaceptable para anlisis si no puede detectarse la variacin del proceso, e inaceptable para control si no puede detectarse la variacin por causas especiales (ver Figura I-E 3).
46
Numero de Categoras
Control Puede ser usado solo para control si: La variacin del proceso es pequea comparada con las especificaciones. La funcin de prdida es plana sobre la variacin del proceso esperada. La fuente de variacin principal provoca un cambio en el promedio. Puede ser usado con tcnicas de control de semivariables basadas en la distribucin del proceso. Puede producir grfica de control de variables no sensibles.
Anlisis
No Aceptable para estimar ndices y parmetros del proceso. Slo indica si el proceso est fabricando partes conformes o no conformes.
Generalmente no aceptable para estimar parmetro e ndices del proceso dado que slo ofrece estimativos burdos.
Puede ser usada con grficas de control para variables.
Recomendable
Figura I-E 3: Impacto del Nmero de Categoras Distintas (NCD) de la Distribucin del Proceso en Actividades de Anlisis y Control.
Sntomas de una discriminacin inadecuada pueden aparecer en las grficas de rangos. La figura I-E 4 contiene dos conjuntos de grficas de control derivadas de los mismos datos. La grfica de control (a) muestra la medicin original con la ms cercana milsima de pulgada. La grfica de control (b) muestra stos datos redondeados a la ms prxima centsima de una pulgada. La grfica de control (b) parece estar fuera de control debido a los supuestos lmites ajustados. Los rangos cero son ms un producto de redondeo que una indicacin de la variacin de un subgrupo. Una buena indicacin de una discriminacin adecuada puede verse en la variacin del proceso para grficas de rangos con SPC. En particular, cuando las grficas de rangos muestran solo uno, dos o tres posibles valores para el rango dentro de lmites de control, las mediciones se hacen con una discriminacin inadecuada. Tambin, si la grfica de rangos muestra cuatro posibles valores para el rango dentro de lmites de control y ms de un cuarto de los rangos son cero, entonces las mediciones se han hecho con una discriminacin inadecuada. Otra buena indicacin de una discriminacin inadecuada es sobre una grfica de probabilidad normal donde los datos son estancados en paquetes en lugar de fluir a lo largo de la lnea de 45 grados.
47
Regresando a la figura I-E 4, la grfica de control (b), existen solo dos posibles valores para el rango dentro de lmites de control (valores de 0.00 y 0.01). Por tanto, la regla identifica correctamente la razn de falta de control por la discriminacin inadecuada (sensibilidad o resolucin efectiva). Este problema puede ser resuelto, por supuesto, cambiando la habilidad de detectar la variacin dentro de los subgrupos incrementando la discriminacin de las mediciones. Un sistema de medicin cuenta con una discriminacin adecuada si la resolucin aparente es pequea relativa a la variacin del proceso. Por tanto una recomendacin para una adecuada discriminacin sera para una resolucin aparente tener a lo mucho una dcima parte de seis sigma de desviacin estndar del proceso total en lugar de la regla tradicional la cual con una resolucin aparente sera a lo mucho una dcima de la extensin de la tolerancia. Eventualmente, existen situaciones que llegan a un proceso estable y altamente hbil usando un sistema de medicin estable y el mejor en su clase y en los lmites prcticos de tecnologa. La resolucin efectiva puede ser inadecuada y un mejoramiento adicional del sistema de medicin llega a ser imprctico. En estos casos especiales, la planeacin de las mediciones puede requerir tcnicas alternativas para el monitoreo del proceso. La aprobacin por el cliente tpicamente es requerida en tcnicas alternativas para el monitoreo del proceso.
48
Figura I-E 4: Grficas de Control de Proceso21
21
La figura I-E 4 fue desarrollada usando datos de Evaluacin de los Procesos de Medicin, por Wheeler y Lyday, derechos de copia 1989, SPC Press, Inc., Knoxville, Tennessee.
49
Variacin del Proceso de Medicin
Para la mayora de los procesos de medicin, la variacin total de las mediciones es usualmente descrita como una distribucin normal. La probabilidad normal es un supuesto de los mtodos estndar para anlisis de sistemas de medicin. De hecho existen sistemas de medicin que no son distribuidos normalmente. Cuando esto pasa, y se asume normalidad, el mtodo MSA puede sobre estimar el error del sistema medicin. El analista de mediciones debe reconocer y corregir evaluaciones para sistemas con mediciones no normales.
Figura I-E 5: Caractersticas de la Variacin de un Proceso de Medicin
Variacin de las Instalaciones
Exactitud
Un concepto genrico de lo exacto en relacin a qu tan cerca se ha acordado entre el promedio de uno o ms resultados medidos y un valor de referencia. El proceso de medicin debe estar en estado de control estadstico, de lo contrario la exactitud del proceso no tiene significado. En algunas organizaciones la exactitud se usa en forma intercambiable con el sesgo. La ISO (Organizacin Internacional para la Estandarizacin) y la ASTM (American Society for Testing and Materials) se usa el trmino exactitud para cubrir tanto el sesgo como la repetibilidad. A fin de evitar confusin que pudiera resultar del uso de la palabra exactitud ASTM recomienda que se use el trmino sesgo solo como un descriptor del error de localizacin. Esta poltica se seguir en este texto.
Sesgo
El sesgo es a menudo referido como exactitud. Debido a que la exactitud tiene varios significados en la literatura, no se recomienda su uso como una alternativa para sesgo.
50
Sesgo es la diferencia entre el valor verdadero (valor referencia) y el promedio observado de las mediciones sobre la misma caracterstica y la misma parte. Sesgo es la medida del error sistemtico del sistema de medicin. Es la contribucin del error total integrado por los efectos combinados de todas las fuentes de variacin, conocidas o no conocidas, cuya contribucin al error total tiende a compensar en forma consistente y predecible todos los resultados de aplicaciones repetidas del mismo proceso de medicin para el tiempo de las mediciones mismas.
Posibles causas para un sesgo excesivo son: El instrumento necesita calibracin Instrumento, equipo o dispositivo desgastado Master daado o desgastado, error en el master Calibracin o uso de un master de ajuste inapropiados Instrumento de baja calidad diseo o conformancia Error de linealidad Gage equivocado para la aplicacin Diferente mtodo de medicin ajuste, carga, sujecin, tcnica Medicin de caracterstica equivocada Distorsin (del gage o la parte) Medio ambiente temperatura, humedad, vibracin, limpieza Violacin a algn supuesto, error en la aplicacin de una constante Aplicacin tamao de la parte, posicin, habilidad del operador, fatiga, error de observacin (facilidad de lectura, paralelismo)
El procedimiento de medicin empleado en el proceso de calibracin (ej., usando masters) debiera ser lo ms idntico posible al procedimiento de medicin de la operacin normal.
51
Estabilidad
Estabilidad (o cambio) es la variacin total en las mediciones obtenida con un sistema de medicin sobre el mismo master o partes cuando se mida una caracterstica misma sobre un periodo de tiempo extenso. Esto es, la estabilidad es un cambio en sesgo en el tiempo.
Posibles causas para inestabilidad incluyen: El instrumento necesita calibracin, reducir el intervalo de calibracin Instrumento, equipo o dispositivo desgastado Desgaste normal u obsolescencia Mantenimiento deficiente aire, energa elctrica, hidrulico, filtros, corrosin, oxidacin, limpieza Master desgastado o daado, error en el master Calibracin o uso del master para ajuste inapropiados Instrumento de calidad deficiente diseo o conformancia Falta de robustez en el diseo del instrumento o mtodo Mtodo de medicin diferente ajuste, carga, sujecin, tcnica Distorsin (del gage o la parte) Cambio ambiental- temperatura, humedad, vibracin, limpieza Violacin a un supuesto, error en la aplicacin de una constante Aplicacin tamao de la parte, posicin, habilidad del operador, fatiga, error de observacin (facilidad de lectura, paralelismo)
Linealidad
La diferencia de sesgo a travs del rango (de medicin) de operacin esperado del equipo es llamada linealidad. La linealidad puede tomarse como un cambio de sesgo con respecto al tamao.
52
Notar que la linealidad inaceptable puede venir en una variedad de sabores. No asuma un sesgo constante.
Posibles causas para errores de linealidad incluyen: El instrumento necesita calibracin, reducir el intervalo de calibracin Instrumento, equipo o dispositivo desgastado Mantenimiento deficiente aire, energa elctrica, hidrulica, filtros, corrosin, oxidacin, limpieza Masters desgastados o daados, error en los masters mnimo / mximo
53
Calibracin (no cubriendo el rango de operacin) o uso de los masters de ajuste inapropiados Calidad deficiente del instrumento diseo o conformancia Falta de robustez del diseo del instrumento o mtodo Gage equivocado para la aplicacin Diferente mtodo de medicin ajuste, carga, sujecin, tcnica Cambios de distorsin (del gage o la parte) con el tamao de las partes Medio ambiente temperatura, humedad, vibracin, limpieza Violacin a algn supuesto, error en la aplicacin de una constante Aplicacin tamao de la parte, posicin, habilidad del operador, fatiga, error de observacin (facilidad de lectura, paralelismo)
Variacin de Amplitud
Precisin
Tradicionalmente, la precisin describe el efecto neto de la discriminacin, sensibilidad y repetibilidad sobre un rango de operaciones (tamao, rango y tiempo) del sistema de medicin. En algunas organizaciones la precisin se usa en forma intercambiable con la repetibilidad. De hecho, la precisin es muy a menudo usada para describir la variacin esperada de las mediciones repetidas sobre el rango de medicin; tal rango puede ser tamao o tiempo (ej., un dispositivo es tan preciso en el rango bajo como en el rango alto de medicin, o tan preciso hoy como ayer). Uno podra decir que la precisin es qu tan repetible la linealidad es con respecto al sesgo (aunque el primero es aleatorio y los otros son errores sistemticos). ASTM define la precisin en un sentido amplio para incluir la variacin de diferentes lecturas, gages, gente, laboratorios o condiciones.
Repetibilidad
Este es tradicionalmente referido como variabilidad dentro del mismo evaluador. Repetibilidad es la variacin en las mediciones obtenida con un instrumento de medicin cuando se use varias veces por un evaluador y midiendo la misma caracterstica y sobre la misma parte. Esta es la variacin o habilidad inherente del equipo mismo. Repetibilidad es comnmente referida como la variacin del equipo (EV), aunque esto puede ser dudoso. De hecho, repetibilidad es una variacin de causa comn (error aleatorio) de intentos sucesivos y bajo condiciones definidas de medicin. El mejor trmino para repetibilidad es variacin dentro del sistema cuando las condiciones de medicin estn ajustadas y definidas parte ajustada, instrumento, estndar, mtodo, operador, medio ambiente y supuestos. Adicional a la variacin dentro del equipo, la repetibilidad incluye todas las variaciones internas (ver ms adelante) de cualquier condicin en el modelo de errores.
54
Posibles causas para una repetibilidad deficiente incluyen: Dentro de la parte (muestra): forma, posicin, acabado en la superficie, cerilla, consistencia de la muestra Dentro del instrumento: reparacin, montaje, falla en el equipo o dispositivo, calidad o mantenimiento deficiente Dentro del estndar: calidad, clase, montaje Dentro del mtodo: variacin en ajuste, tcnica, restablecimiento a cero, fijacin, sujecin, densidad de punto Dentro del evaluador: tcnica, posicin, falta de experiencia, habilidad de manejo o entrenamiento, sentimiento, fatiga Dentro del medio ambiente: fluctuaciones de ciclo corto en temperatura, humedad, vibracin, iluminacin, limpieza Violacin a algn supuesto estable, operacin apropiada Falta de robustez en el diseo del deficiente Gage equivocado para la aplicacin Distorsin (del gage o la parte), falta de rigidez Aplicacin tamao de la parte, posicin, error de observacin (facilidad de lectura, paralelismo) instrumento o mtodo, uniformidad
Reproducibilidad
Este tradicionalmente se refiere a la variabilidad entre evaluadores. La reproducibilidad es tpicamente definida como la variacin en el promedio de las mediciones hechas por diferentes evaluadores usando el mismo equipo de medicin cuando se mide la misma caracterstica y sobre la misma parte. Esto a menudo es verdad para instrumentos manuales influenciados por la habilidad del operador. Esto no es verdad, sin embargo, para procesos de medicin (ej., sistemas automatizados) donde el operador no es una fuente principal de variacin. Por esta razn, la reproducibilidad se refiere a la variacin promedio entre sistemas o entre condiciones de medicin. La definicin de ASTM v ms all de esto para incluir potencialmente no tambin diferentes: gages, laboratorios y medio ambiente (temperatura, humedad), as como el incluir la repetibilidad en el clculo de la reproducibilidad.
55
Fuentes potenciales de errores en la reproducibilidad incluyen: Entre las partes (muestras): el promedio de las diferencias cuando se miden tipos de partes A, B, C, etc. Usando el mismo instrumento, operadores y mtodo. Entre instrumentos: el promedio de las diferencias usando instrumentos A, B, C, etc. Para las mismas partes, operadores y medio ambiente. NOTA: en el estudio de error de reproducibilidad, ste a menudo se confunde con el mtodo y/u operador. Entre estndares: la influencia promedio de los diferentes estndares de ajuste en el proceso de medicin. Entre mtodos: el promedio de las diferencias causado por cambiar las densidades de punto, sistemas manuales vs automatizados, restablecimiento a cero, mtodos de sostenimiento o sujecin, etc. Entre evaluadores (operadores): la diferencia promedio entre operadores A, B, C, etc. Causada por entrenamiento, tcnica, habilidades y experiencia. Este es un estudio recomendado para calificacin del producto y el proceso y con un instrumento de medicin manual. Entre el medio ambiente: la diferencia promedio en las mediciones en el tiempo 1, 2, 3, etc. Causado por ciclos ambientales; este es el estudio ms comn para sistemas altamente automatizados en la calificacin del producto y el proceso. Violacin de un supuesto en el estudio. Falta de robustez en el diseo del instrumento o mtodo. Efectividad en el entrenamiento del operador. Aplicacin tamao de la parte, posicin, error de observacin (facilidad de lectura, paralelismo).
Como se mencion en las dos definiciones anteriores, existen diferencias en las definiciones usadas por ASTM y las usadas por este manual. La literatura de ASTM se enfoca a evaluaciones entre laboratorios con el inters de las diferencias de laboratorio a laboratorio incluyendo el potencial por diferentes operadores, gages y medio ambiente as como la repetibilidad dentro del laboratorio. Por tanto, sus definiciones necesitan abarcar estas diferencias. Por normas de ASTM, repetibilidad es lo mejor que el equipo estar bajo condiciones actuales (un operador, un gage, corto periodo de tiempo) y reproducibilidad representa ms tpicamente condiciones de operacin cuando haya variaciones de fuentes mltiples.
R&R de Gages o RRGs

El R&R de una gage es un estimativo de la variacin combinada de la repetibilidad y la reproducibilidad. Establecido de otra manera, el RRG es la varianza e igual a la suma de las varianzas dentro y entre los sistemas.
56
2RRG = 2reproducibilidad + 2repetibilidad
Sensibilidad
Sensibilidad es la entrada ms pequea que resulte en una seal o resultado detectable (usable). Es la respuesta del sistema de medicin a cambios en la propiedad medida. La sensibilidad es determinada por el diseo del gage (discriminacin), su calidad inherente (FEO), el mantenimiento en servicio y las condiciones de operacin del instrumento y estndar. Siempre es reportada como una unidad de medida. Los factores que afectan la sensibilidad incluyen: La habilidad para humedecer un instrumento Habilidad del operador Repetibilidad del dispositivo de medicin La habilidad para ofrecer un cambio libre en la operacin en el caso de gages electrnicos o neumticos Condiciones bajo las cuales el instrumento es usado tales como ambiente, aire, polvo, humedad.
Consistencia
Consistencia es la diferencia en la variacin de las mediciones tomadas en el tiempo. Puede ser vista como repetibilidad en el tiempo.
UCL Promedio Rango LCL
Los factores que impactan la consistencia son variaciones de causas especiales tales como: Temperatura de las partes Calentamiento requerido para equipo electrnico Equipo desgastado
57
Uniformidad
Uniformidad es la diferencia en la variacin a lo largo del rango de operacin del gage. Puede considerarse que existe homogeneidad (similitud) de la repetibilidad en el tamao. Los factores que impactan la uniformidad incluyen: El dispositivo permite medidas ms pequeas / grandes para una posicin diferente Deficiente facilidad de lectura en la escala Paralelismo en la lectura
Variacin de los Sistemas de Medicin
Habilidad / Capacidad
La habilidad de un sistema de medicin es un estimativo de la variacin combinada de los errores de medicin (aleatorios y sistemticos) y basados en una evaluacin de corto plazo. La habilidad simple incluye los componentes de:
Sesgo o linealidad no corregidos
Repetibilidad y reproducibilidad (RRG), incluyendo consistencia de corto plazo Hacer referencia al captulo III para mtodos tpicos y ejemplos para cuantificar cada componente. Un estimativo de habilidad de las mediciones, por tanto, es una expresin del error esperado para condiciones definidas, alcance y rango del sistema de medicin (a diferencia de la incertidumbre en las mediciones, el cual es una expresin del rango esperado del error o valores asociados con un resultado de medicin). La expresin de habilidad de variaciones combinadas (varianza) cuando los errores de las mediciones no estn correlacionados (aleatorios e independientes) puede cuantificarse como:
2habilidad = 2sesgo (linealidad) + 2RRG

Hay dos puntos esenciales para entender y aplicar correctamente la habilidad de las mediciones: Primero, un estimativo de la habilidad siempre est asociado con un alcance de las mediciones definido condiciones, rango y tiempo. Por ejemplo, para decir que la habilidad de un micrmetro de 25 mm es 0.1 mm es incompleta sin calificar el alcance y rango de las condiciones de medicin. Otra vez, esto es porque un modelo de errores para definir un proceso de medicin es muy importante. El alcance para un estimativo de habilidad en las mediciones pudiera ser muy especfico o una declaracin general de operacin, sobre una porcin limitada o un rango entero de medicin. En el corto plazo pudiera significar: la habilidad sobre una serie de ciclos de mediciones, el tiempo para completar la evaluacin RRG, un periodo especificado de produccin o el tiempo representado para la frecuencia de
58
calibracin. Una declaracin de habilidad en las mediciones no solo necesita ser completo sino replicar en forma razonable las condiciones y rango de medicin. Un plan de control documentado pudiera servir para este propsito. Segundo, la consistencia y uniformidad (errores de repetibilidad) de corto plazo sobre el rango de las mediciones son incluidos en el estimativo de la habilidad. Para un instrumento simple, tal como un micrmetro de 25 mm., la repetibilidad sobre el rango completo de las mediciones usando operadores con habilidades se espera sea consistente y uniforme. En este ejemplo, el estimativo de habilidad puede incluir el rango completo de las mediciones para mltiples tipos de propiedades y bajo condiciones generales. Los sistemas de mediciones de mayor rango o ms complejos (ej., una MMC) pueden demostrar errores en las mediciones de linealidad (no corregida), uniformidad y consistencia de corto plazo sobre un rango o medida. Debido a que estos errores se correlacionan no pueden combinarse usando la simple frmula lineal anteriormente mostrada. Cuando la linealidad (no corregida), uniformidad o consistencia varan significativamente sobre un rango, el planeador de las mediciones y analista tienen solo dos opciones prcticas: 1) Reportar la habilidad mxima (peor de los casos) para las condiciones completas y definidas y el alcance y rango del sistema de medicin o 2) Determinar y reportar evaluaciones mltiples de la habilidad para porciones definidas del rango de medicin (ej., rango bajo, medio, alto).
Desempeo
As como en el desempeo del proceso, el desempeo del sistema de medicin es el efecto neto de todas las fuentes de variacin significativas y determinables en el tiempo. El desempeo cuantifica una evaluacin de largo plazo de los errores (aleatorios y sistemticos) combinados de las mediciones. Por tanto, el desempeo incluye componentes de error de largo plazo de: Habilidad (errores de corto plazo) Estabilidad y consistencia
Hacer referencia al captulo III para mtodos y ejemplos tpicos para cuantificar cada componente. Un estimativo del desempeo en las mediciones es una expresin del error esperado para condiciones definidas, alcance y rango del sistema de medicin (a diferencia de la incertidumbre en las mediciones, la cual es una expresin del error esperado del rango o valores asociados con un resultado de medicin). La expresin del desempeo de la variacin (varianza) combinada cuando los errores de las mediciones no se correlacionan (aleatorios e independientes) puede cuantificarse como:
2performance = 2habilidad + 2estabilidad + 2consistencia
59
Otra vez, justo como en la habilidad de corto plazo, el desempeo de largo plazo est siempre asociado con un alcance definido de las mediciones condiciones, rango y tiempo. El alcance para un estimativo del desempeo en las mediciones pudiera ser muy especfico o una declaracin general de operacin, sobre una porcin limitada o el rango completo de medicin. En el largo plazo pudiera significar: el promedio de evaluaciones de varias habilidades en el tiempo, el error promedio en el largo plazo de una grfica de control de mediciones, una evaluacin de los registros de calibracin o estudios de linealidad mltiple, un promedio del error de varios estudios RRG sobre la vida y rango del sistema de medicin en cuestin. Una declaracin del desempeo en las mediciones necesita ser lo ms completo y razonable para representar las condiciones y rango de la medicin. La consistencia y uniformidad (errores de repetibilidad) de largo plazo sobre un rango de mediciones est incluido en el estimativo de desempeo, El analista de las mediciones debe estar conciente de la correlacin potencial de errores a fin de no sobreestimar el estimativo del desempeo. Esto depende de cmo los errores componentes fueron determinados. Cuando la linealidad (no corregida), uniformidad o consistencia de largo plazo varen significativamente y sobre el rango, el planeador de las mediciones y analista cuentan solo con dos opciones prcticas: 1) Reportar el desempeo mximo (peor de los casos) para las condiciones definidas completas, y el alcance y rango del sistema de medicin, o 2) Determinar y reportar evaluaciones mltiples de desempeo para una porcin definida del rango de medicin (ej., rango bajo, medio, alto).
Incertidumbre
La incertidumbre de las mediciones es definida por VIM como un parmetro, asociado con el resultado de una medicin, que caracteriza la dispersin de los valores que pudieran ser razonablemente atribuibles a lo medido.22 Ver captulo 1, seccin F, para ms detalles.
Comentarios
De los parmetros de un sistema de medicin, la exactitud y la precisin son las ms familiares para el personal de operacin, dado que stos se usan en la vida diaria as como en discusiones tcnicas y de ventas. Desafortunadamente, estos trminos son tambin los menos claros dado que a menudo se toman como intercambiables. Por ejemplo, si un gage es certificado por una agencia independiente como exacto, o si el instrumento est garantizado para tener una alta precisin por el vendedor, entonces se piensa incorrectamente que todas las lecturas caern muy cerca de los valores actuales. Esto no est conceptualmente equivocado pero s puede conducir a decisiones equivocadas acerca del producto y proceso. Esta ambigedad afecta al sesgo y a la repetibilidad (como medidas de exactitud y precisin). Es importante hacer notar que:
22
Lo medido es entonces definido por VIM como la cantidad particular sujeta a medicin.
60
El sesgo y la repetibilidad son independientes una de otra (ver Figura I-E 6).
El controlar una de estas fuentes de error no garantiza el control de las otras. Consecuentemente los programas de control de los sistemas de medicin (tradicionalmente referidos como Programas de Control de Gages) deben cuantificar y rastrear todas las fuentes de variacin relevantes.23
23
Ver tambin Captulo I, Seccin B.
61
Figura I-E 6: Relacin entre Sesgo y Repetibilidad
62
Captulo l Seccin F Incertidumbre en las Mediciones
Seccin F
Incertidumbre en las Mediciones
La incertidumbre en las mediciones es un trmino usado internacionalmente para describir la calidad de un valor de medicin. An y cuando este trmino ha sido tradicionalmente reservado para muchas de las mediciones de alta exactitud ejecutadas en laboratorios de metrologa o gages, muchos clientes y estndares normas de sistemas de calidad requieren que la incertidumbre en las mediciones sea conocida y consistente con la habilidad requeridas de las mediciones de cualquier equipo de inspeccin, medicin o prueba. En esencia, la incertidumbre es el rango asignado a los resultados de las mediciones que describe, dentro de un nivel de confiabilidad definido, el rango esperado para contener los resultados de mediciones verdaderos. La incertidumbre en las mediciones es normalmente reportada como una cantidad bilateral. La incertidumbre es una expresin cuantificada de la confiabilidad en las mediciones. Una expresin simple de este concepto es: Medicin verdadera = medicin observada (resultado) + U U es el trmino para la incertidumbre expandida de lo medido y el resultado de la medicin. La incertidumbre expandida es el error estndar combinado (uc), o desviacin estndar de los errores (aleatorios y sistemticos) combinados en el proceso de medicin multiplicado por un factor de cobertura (k) que representa el rea de la curva normal para un nivel de confiabilidad deseado. Recordar que una distribucin normal a menudo se aplica como un supuesto o principio para los sistemas de medicin. La Gua para la Incertidumbre en las Mediciones de ISO/IEC establece el factor de cobertura como suficiente para reportar la incertidumbre al 95% de una distribucin normal. Esto a menudo se interpreta como k=2.
U = kuc
El error estndar combinado (uc) incluye todos los componentes significativos de la variacin del proceso de medicin. En la mayora de los casos, los mtodos de anlisis de sistemas de medicin ejecutados de acuerdo con este manual pueden ser usados como una herramienta para cuantificar muchas de las fuentes de incertidumbre en las mediciones. A menudo, el componente de error ms significativo puede ser cuantificado por 2desempeo. Otras fuentes de error significativas pueden aplicarse en base a la aplicacin de las mediciones mismas. Una declaracin de incertidumbre debe incluir un alcance adecuado que identifique todos los errores significativos y permita que las mediciones se repliquen. Algunas declaraciones de incertidumbre construyen en el largo plazo, otras en el corto plazo, el error del sistema de medicin. Sin embargo, la expresin simple puede ser cuantificada como:
= 2desempeo +
2 otros
63
Captulo l Seccin F Incertidumbre en las Mediciones
Es importante recordar que la incertidumbre en las mediciones es simplemente un estimativo de que tanto puede variar una medicin en el tiempo de la medicin misma. Debiera considerar todas las fuentes significativas de variacin en las mediciones en el proceso de medicin adems de los errores significativos de calibracin, patrones master, mtodo, medio ambiente y otros no considerados previamente en el proceso de medicin. En muchos casos, este estimativo usa mtodos de MSA y RRG para cuantificar estos errores estndar significativos. Es apropiado re-evaluar peridicamente la incertidumbre, relacionada sta a un proceso de medicin para asegurar la exactitud continua del estimativo.
Incertidumbre en las Mediciones y MSA
La diferencia principal entre incertidumbre y MSA es que el MSA se enfoca a entender el proceso de medicin, determinando la cantidad de error en el proceso mismo, y evaluando la adecuacin del sistema de medicin para control del producto y proceso. MSA promueve el entendimiento y mejoramiento (reduccin de la variacin). La incertidumbre es el rango de los valores de medicin, definidos para un intervalo de confiabilidad y asociados con un resultado de medicin y esperados para incluir el valor verdadero de las mediciones. La rastreabilidad es la propiedad de una medicin o el valor de un estndar, tal que puede relacionarse con referencias establecidas, usualmente patrones nacionales o internacionales, a travs de una cadena ininterrumpida de comparaciones y todas con incertidumbres establecidas. Por tanto el entendimiento de la incertidumbre en las mediciones de cada enlace en la cadena es esencial. Incluyendo las fuentes de variacin de las mediciones de corto y largo plazo que sean introducidas por el proceso de medicin y la cadena de rastreabilidad, la incertidumbre de las mediciones en le sistema de medicin pueden evaluarse asegurando que todos los efectos de rastreabilidad se tomen en cuenta. Este, por tanto, puede reducir aspectos clave de correlacin en las mediciones.
Rastreabilidad en las Mediciones
Gua ISO para la Expresin de la Incertidumbre en las Mediciones
La Gua para la Expresin de la Incertidumbre en las Mediciones (GIM) es una gua de cmo la incertidumbre de las mediciones puede evaluarse y expresarse. An y cuando ofrece al usuario un entendimiento de la teora y establece lineamientos de cmo la incertidumbre en las fuentes de medicin puede clasificarse y combinarse, y debiera ser considerado un documento de referencia de alto nivel, no un manual tipo como. Ofrece una gua o lineamiento al usuario en algunos de los tpicos ms avanzados tales como, independencia estadstica de las fuentes de variacin, anlisis de sensibilidad, grados de libertad, etc. que son crticos cuando se evalan sistemas de medicin ms complejos y/o de parmetros mltiples.
64
Captulo I Seccin G Anlisis de Problemas de Mediciones
Seccin G
Anlisis de Problemas de Mediciones
El entendimiento de la variacin de las mediciones y su contribucin a lo que hace una variacin total necesita ser un paso fundamental en la solucin bsica del problema. Cuando la variacin en el sistema de medicin excede todas las dems variables, llega a ser necesario analizar y resolver aquellos aspectos clave antes de trabajar con el resto del sistema. En algunos casos la contribucin de la variacin del sistema de medicin es pasada por alto o ignorada. Esto puede causar prdida de tiempo y recursos conforme el enfoque se hace al proceso mismo, cuando la variacin reportada es actualmente causada por el dispositivo de medicin. En esta seccin se hace una revisin a los pasos bsicos para solucin de problemas y se muestra como se relacionan al entendimiento de aspectos clave en un sistema de medicin. Cada compaa puede usar un proceso de solucin de problemas y el cual el cliente le haya aprobado. Si el sistema de medicin fue desarrollado usando mtodos de este manual, la mayora de los pasos iniciales ya existen. Por ejemplo, un diagrama de causas y efectos puede ya existir ofreciendo lecciones valiosas aprendidas del proceso de medicin. Estos datos deben ser recolectados y evaluados previo a cualquier solucin formal de algn problema.
Paso 1
Identifica los Aspectos Clave

Cuando se est trabajando con sistemas de medicin, como cualquier proceso, es importante definir claramente el problema o aspecto clave. En el caso de aspectos clave de mediciones, esto puede tomar forma de exactitud, variacin, estabilidad, etc. El aspecto importante a ser es tratar de aislar la variacin de las mediciones y su contribucin, de la variacin del proceso (la decisin puede ser trabajar en el proceso ms que trabajar en el dispositivo de medicin). La declaracin del aspecto clave necesita ser una definicin operacional que cualquiera entienda y sea capaz de actuar en el aspecto en cuestin.
Paso 2
Identifica el Equipo
El equipo para solucin de un problema, en este caso, depende de la complejidad del sistema de medicin y el aspecto clave. Un sistema de medicin simple puede requerir solo un par de gente. Pero conforme el sistema y aspecto clave lleguen a ser ms complejos el equipo puede crecer en tamao (el mximo tamao de un equipo debe limitarse a diez miembros). Los miembros del equipo y la funcin que ellos representan necesitan ser identificados en la hoja de solucin de problemas.
Paso 3
Diagrama de Flujo del Sistema de Medicin y el Proceso

El equipo revisara cualquier diagrama de flujo histrico del sistema de medicin y el proceso. Esto llevara a la discusin de informacin conocida y no conocida a cerca de las mediciones y su interrelacin con el proceso. El proceso de graficar el flujo puede identificar miembros adicionales a agregar al equipo.
65
Captulo I Seccin G Anlisis de Problemas de Mediciones
Paso 4
Diagrama de Causas y Efectos

El equipo revisara cualquier diagrama de causas efectos histrico sobre el sistema de medicin. Esto podra, en algunos casos, generar una solucin total o parcial. Esto tambin llevara a una discusin de informacin conocida y no conocida. El equipo utilizara conocimientos del tema en cuestin para identificar inicialmente aquellas variables con la ms grande contribucin del aspecto clave. Estudios adicionales pueden hacerse para sustentar las decisiones.
Paso 5
Plan-Hacer-Estudiar-Actuar (PHEA) 24
dio
Es tu
Pla n
Esto llevara al esquema de planear hacer estudiar actuar, el cual es una forma de estudio cientfico. Se planean experimentos, se recolectan datos, se determina la estabilidad, se hacen hiptesis y se prueban hasta que se alcance una solucin apropiada.
ea Ha r ce
r tu Ac ar
D
Posible Solucin y Prueba de las Correccin
Los pasos y solucin son documentados para registrar la decisin. Un estudio preliminar es ejecutado para validar la solucin. Esto puede hacerse usando alguna forma de diseo de experimentos para validar la solucin. Tambin, pueden ejecutarse estudios adicionales en el tiempo incluyendo variaciones ambientales y de materiales.
Paso 6
Paso 7
Institucionaliza el Cambio
La solucin final se documenta en un reporte; luego el departamento y funciones apropiadas cambian el proceso de manera que el problema no sea recurrente en el futuro. Esto puede requerir cambios en procedimientos, estndares o patrones y materiales de entrenamiento. Este es uno de los pasos ms importantes en el proceso. La mayora de los aspectos clave y problemas han ocurrido en algn punto en el tiempo u otro.
24
W. Edwards Deming, The New Economics for Industry, Government, Education, The MIT Press, 1994, 2000
66
Captulo II Conceptos Generales para Evaluaciones de Sistemas de Medicin
67
68
Captulo II - Seccin A Antecedentes
Seccin A Antecedentes
Dos reas importantes que necesitan ser evaluadas son: 1) Verifica que la variable correcta est siendo medida y en la localizacin apropiada para la caracterstica. Verifica los dispositivos y sujecin si aplica. Identifica tambin cualquier aspecto clave y crtico ambiental que sea interdependiente con las mediciones. Si la variable equivocada est siendo medida, entonces no importa que tan exacto o preciso es el sistema de medicin, y simplemente consumir recursos sin ofrecer beneficios. 2) Determina que propiedades estadsticas del sistema de medicin necesitan determinarse a fin de ser aceptable. A fin de determinar esto, es importante saber como son usados los datos, que sin tal conocimiento, las propiedades estadsticas apropiadas no puedan determinarse. Despus de que las propiedades estadsticas se han determinado, el sistema de medicin debe ser evaluado para saber si actualmente cuenta o no con dichas propiedades.
Etapa 1 & 2
Entendimiento del proceso de medicin y satisface los requerimientos?
La prueba de la Etapa 1 es una evaluacin para verificar que la variable correcta est siendo medida y en la localizacin para la caracterstica apropiada con base en la especificacin del diseo del sistema de medicin. (Verifica dispositivos y sujecin si aplica) Tambin si existen aspectos ambientales crticos que sean interdependientes con la medicin. La etapa 1 pudiera usar un experimento diseado estadsticamente para evaluar el efecto del ambiente operativo en los parmetros del sistema de medicin (ej., sesgo, linealidad, repetibilidad y reproducibilidad). La etapa 1 prueba los resultados para indicar que el ambiente de operacin no contribuya significativamente a la variacin global del sistema de medicin. Adicionalmente, la variacin atribuible al sesgo y linealidad del dispositivo de medicin debiera ser pequea comparada con los componentes de repetibilidad y reproducibilidad. El conocimiento logrado durante las pruebas e la etapa 1 debiera ser una entrada para el desarrollo del programa de mantenimiento del sistema de medicin as como el tipo de prueba que debiera usarse durante la etapa 2. Los aspectos ambientales pueden conducir a un cambio en localizacin o a un ambiente controlado para el dispositivo de medicin. Por ejemplo, si existe un impacto significativo de la repetibilidad y reproducibilidad sobre la variacin total del sistema de medicin, un experimento estadstico y simple de dos factores pudiera realizarse peridicamente como la prueba de la etapa 2.
El proceso de medicin satisface los requerimientos en el tiempo?
La prueba de la Etapa 2 ofrece un monitoreo continuo de las fuentes clave de variacin para una confiabilidad continua del sistema de medicin (y los datos generados) y/o una seal de que el sistema de medicin se haya degradado en el tiempo.
69
Captulo Il Seccin A Antecedentes
70
Captulo II - Seccin B Seleccin/Desarrollo de Procedimientos de Prueba
Seccin B
Seleccin / Desarrollo de Procedimientos de Prueba
Cualquier tcnica puede ser til si sus limitaciones son entendidas y observadas.25 Muchos procedimientos apropiados estn disponibles para evaluacin de sistemas de medicin. La seleccin de cual procedimiento usar depende de muchos factores, la mayora de los cuales necesita determinarse sobre la base de caso por caso para cada sistema de medicin ase revaluado. En algunos casos, pueden requerirse pruebas preliminares para determinar si un procedimiento es apropiado o no para un sistema de medicin particular. Dichas pruebas preliminares deben ser una parte integral de las pruebas de la etapa 1 discutidas en la seccin anterior. Los aspectos clave y generales a considerar cuando se seleccione o desarrolle un procedimiento de evaluacin incluyen: Los estndares o normas tales como, los rastreables con NIST, debieran ser usados en las pruebas, y si es as, qu nivel de estndar o patrn es apropiado? Los estndares son frecuentemente esenciales para evaluar la exactitud de un sistema de medicin. Si no se usan estndares o patrones, la variabilidad del sistema de medicin puede an ser evaluada, aunque puede no ser posible evaluar su exactitud con una credibilidad razonable. La falta de tal credibilidad puede ser un aspecto clave, por ejemplo, en la intencin de resolver una diferencia aparente entre el sistema de medicin de un fabricante y el sistema de medicin de un cliente. Para pruebas continuas en la etapa 2, puede considerarse el uso de mediciones a ciegas. Las mediciones a ciegas son mediciones obtenidas en el ambiente de medicin actual por un operador que no sepa que tal evaluacin del sistema de medicin se est conduciendo. Pruebas apropiadamente administradas y basadas en mediciones a ciegas generalmente no son contaminadas por el bien conocido Efecto Hawthorne.26 El costo de las pruebas. El tiempo requerido para las pruebas. Cualquier otro trmino para el cual no haya una definicin comnmente aceptada debiera ser definido operacionalmente. Ejemplos de tales trminos incluyen exactitud, precisin, repetibilidad, reproducibilidad, etc.
25
26
W. Edwards Deming, The Logic of Evaluation, The Handbook of Evaluation Research, Vol. 1, Elmer L. Struening y Marcia Guttentag, Editores El Efecto Hawthorne se refiere a los resultados de una serie de experimentos industriales, ejecutados en los trabajos de Hawthorne de Western Electric entre Noviembre 1924 y Agosto 1932. En los experimentos, los investigadores modifican sistemticamente las condiciones de trabajo de cinco ensambladores y monitorean los resultados. Conforme las condiciones se mejoran, la produccin se incrementa. Sin embargo, cuando las condiciones de trabajo se degradan, la produccin contina mejorndose. Se pens que esto trajo resultados a los trabajadores para desarrollar una actitud mas positiva hacia el trabajo en si, como resultado de ser ellos parte del estudio, mas que el resultado de cambiar las condiciones de trabajo. Ver Una Historia de los Experimentos Hawthorne, por Richard Gillespie, Cambridge University Press, New York, 1991.
71
Captulo Il Seccin B Seleccin/Desarrollo de Procedimientos de Prueba
Las mediciones tomadas por el sistema de medicin se comparan con las mediciones tomadas por otro sistema? Si es as, debiera considerarse el uso de procedimientos de prueba que se soporten en el uso de estndares o patrones tales como los discutidos en la etapa 1 arriba indicada. Si no se usan estndares o patrones, puede ser posible determinar si los dos sistemas de medicin estn trabajando bien juntos o no. Sin embargo, si los sistemas no estn trabando bien juntos, entonces puede no ser posible, sin el uso de estndares o patrones, determinar que sistema necesita mejoramiento. Con qu frecuencia debieran ejecutarse las pruebas de la etapa 2? Esta decisin puede basarse en las propiedades estadsticas del sistema de medicin individual y en las consecuencias con la instalacin, y los clientes de la instalacin de un proceso de manufactura que de hecho, no sea monitoreado debido a que el sistema de medicin no est operando apropiadamente.
Adicional a estos aspectos clave y generales, otros aspectos clave que son especficos al sistema de medicin particular a ser probados pueden ser tambin importantes. El encontrar los aspectos clave especficos que sean importantes a un sistema de medicin particular es uno de los dos objetivos de las pruebas de la etapa 1.
72
Captulo II Seccin C Preparacin para un Estudio de un Sistema de Medicin
Seccin C
Preparacin para un Estudio de un Sistema de Medicin
Como en cualquier estudio o anlisis, la planeacin y preparacin suficiente debe ser hecha previo a la conduccin de un estudio de un sistema de medicin. La preparacin tpica y previa para conducir el estudio es como sigue: 1) El enfoque a usar debiera planearse. Por ejemplo, determinar usando juicio de ingeniera, observaciones visuales o un estudio de un gage, si existe la influencia de un evaluador en la calibracin o uso del instrumento. Existen algunos sistemas de medicin donde el efecto de la reproducibilidad puede ser considerado como insignificante; por ejemplo, cuando se oprime un botn y se imprime un nmero. 2) El nmero de evaluadores, nmero de partes de la muestra y nmero de lecturas repetidas debiera determinarse por anticipado. Algunos factores a considerar en esta seleccin son: (a) Criticalidad de la dimensin las dimensiones crticas requieren ms partes y/o intentos. La razn es el grado de confiabilidad deseado para estimaciones del estudio de un gage. (b) Configuracin de la parte las partes a granel o pesadas pueden determinar el que sean pocas muestras y ms intentos. 3) Dado que el propsito es evaluar el sistema de medicin total, los evaluadores elegidos debieran ser seleccionados de aquellos que normalmente operen el instrumento. 4) La seleccin de las partes de una muestra es crtico para un anlisis apropiado y depende totalmente del diseo del estudio MSA, del propsito del sistema de medicin y de la disponibilidad de las muestras de las partes que representen el proceso de produccin.
Para situaciones de control de los productos donde resulten las mediciones y se determinen criterios de decisin, el cumplimiento o incumplimiento con la especificacin de una caracterstica (ej., inspeccin 100% o muestreo), deben seleccionarse muestras (o estndares), aunque no necesitan cubrir el rango completo del proceso. La evaluacin del sistema de medicin se basa en las tolerancias de la caracterstica (ej., % de RRG con la TOLERANCIA). Para situaciones del control del proceso, donde resulten las mediciones y se determinen criterios de decisin, la estabilidad del proceso, la direccin y cumplimiento con la variacin natural del proceso (ej., SPC, monitoreo del proceso, habilidad y mejoramiento del proceso), la disponibilidad de muestras sobre el rango de operacin completo llega a ser muy importante. Un estimativo independiente de la variacin del proceso (estudio de habilidad del proceso) es recomendable al evaluar la adecuacin del sistema de medicin para control del proceso (ej., % de RRG con la variacin del proceso).
73
Captulo Il Seccin C Preparacin para un Estudio de un Sistema de Medicin
Cuando un estimativo independiente de la variacin del proceso no est disponible, O para determinar la direccin del proceso y la adecuacin continua del sistema de medicin para el control del proceso, las partes de la muestra deben ser seleccionadas del proceso y representar el rango de operacin de produccin completo. La variacin en las partes de la muestra (PV) seleccionadas para el estudio MSA es usada para calcular la Variacin Total (TV) del estudio mismo. En ndice TV (ej., % de RRG del TV) es un indicador de la direccin del proceso y estabilidad continua del sistema de medicin para el control del proceso. Si las partes de la muestra NO representan el proceso de produccin, el TV debe ser ignorado den la evaluacin. El ignorar el TV no afecta las evaluaciones usando la tolerancia (control del producto) o un estimativo independiente de la variacin del proceso (control del proceso). Las muestras pueden seleccionarse tomando una muestra por da por varios das. Otra vez, esto es necesario porque las partes sern tratadas en el anlisis como si representaran el rango de variacin de la produccin en el proceso. Dado que cada parte ser medida varias veces, cada parte debe numerarse para identificacin. 5) El instrumento debiera contar con una discriminacin tal que permita al menos un dcimo de la variacin del proceso esperado de la caracterstica sea ledo directamente. Por ejemplo, si la variacin de la caracterstica es 0.001, el equipo debiera ser capaz de leer un cambio de 0.0001. 6) Asegura que el mtodo de medicin (ej., evaluador e instrumento) est midiendo la dimensin de la caracterstica y siguiendo un procedimiento de medicin definido. La manera en la cual se conduce un estudio es muy importante. Todos los anlisis presentados en este manual asumen independencia estadstica de las lecturas individuales 27. Para minimizar la probabilidad de resultados no confiables, necesitan tomarse los siguientes pasos: 1) Las mediciones debieran tomarse en un orden aleatorio 28 para asegurar cualquier impulso o cambio que pudiera ocurrir y hacer un estudio totalmente aleatorio. Los evaluadores no debieran ser advertidos de cul nmero de parte est siendo checada a fin de evitar cualquier posible sesgo por conocimiento. Sin embargo, la persona que conduce el estudio debiera saber cul es la parte numerada que est siendo checada y registrar los datos como tales, esto es, Evaluador A, parte 1, primer intento; Evaluador B, parte 4, segundo intento, etc. 2) En la lectura del equipo, los valores de mediciones debieran registrarse en un lmite prctico con la discriminacin del instrumento. Los dispositivos mecnicos deben leerse y registrarse con las unidades ms pequeas de la discriminacin de la escala. Para lecturas electrnicas, el plan de mediciones debe establecer una poltica comn para registrar el dgito de la derecha ms significativo del display. Los dispositivos anlogos debieran registrar en un medio de la graduacin ms pequea o el lmite de sensibilidad o resolucin. Para dispositivos anlogos si la ms pequea de la escala es 0.0001, entonces los resultados de las mediciones debieran registrarse en 0.00005.
27 28
No existe correlacin entre las lecturas. Ver Captulo III, Seccin B, Aleatoriedad e Independencia Estadstica
74
Captulo II Seccin C Preparacin para un Estudio de un Sistema de Medicin
3) El estudio debiera ser administrado y observado por una persona que entienda la importancia de conducir un estudio confiable. Cuando se desarrollen programas de pruebas de etapa 1 o etapa 2 existen varios factores que necesitan ser considerados: Qu efecto tiene el evaluador en el proceso de medicin? Si es posible, los evaluadores que normalmente usen el dispositivo de medicin debieran ser incluidos en el estudio.
Cada evaluador debiera usar el procedimiento incluyendo todos los pasos que ellos usen normalmente para obtener las lecturas. El efecto de las diferencias entre los mtodos que los evaluadores usen ser reflejado en la reproducibilidad del sistema de medicin.
Es la calibracin del evaluador del equipo de medicin muy probable una causa significativa de variacin? Si es as, los evaluadores debieran recalibrar el equipo antes de cada grupo de lecturas. Cuntas partes de la muestra y lecturas repetidas son requeridas? El nmero de partes requeridas depende de la significancia de la caracterstica a ser medida y del nivel de confiabilidad requerido en el estimativo de variacin del sistema de medicin.
Aunque el nmero de evaluadores, intentos y partes puede ser variable cuando se usen las prcticas recomendadas y discutidas en este manual, el nmero de evaluadores, intentos y partes debiera mantenerse constante entre programas de pruebas de etapa 1 y etapa 2 o entre pruebas secuenciales de la etapa 2 para sistemas de medicin comunes. El mantener condiciones comunes entre programas de pruebas y pruebas secuenciales mejorar las comparaciones entre los diferentes resultados de pruebas.
75
Captulo Il Seccin C Preparacin para un Estudio de un Sistema de Medicin
76
Captulo II Seccin D Anlisis de Resultados
Seccin D
Anlisis de Resultados
Los resultados debieran evaluarse para determinar si el dispositivo de medicin es aceptable para su aplicacin esperada. Un sistema de medicin debiera ser estable antes de ser vlido cualquier anlisis adicional.
Error por Ensamble Dispositivo
Criterios de Aceptacin Error por Ensamble Dispositivo de Gages

Un gage inapropiado en el diseo de sus dispositivos ensamblado pobremente incrementa el error en las mediciones. Esto se encuentra normalmente cuando las mediciones indican despliegan alguna inestabilidad en el proceso condiciones fuera de control. Esto puede ser debido a variaciones del gage excesivas una repetibilidad pobre y valores de RRG pobres. En general, la primer cosa a hacer cuando existe algn aspecto clave aparente en las mediciones es revisar el ensamble y las instrucciones de ajuste, para estar seguros de que el gage fue apropiadamente ensamblado, (NOTA: esto no estara en las instrucciones) y, por ejemplo, los sujetadores/probadores estn correctamente posicionados y tengan la carga correcta. Tambin, para mediciones automatizadas, verificar que el programa sigue el protocolo requerido esperado. Si se encuentran problemas en alguna de estas reas, se resetea repara el gage y los dispositivos, y entonces se vuelve a correr la evaluacin de las mediciones.
Error de Localizacin
Criterios de Aceptacin Error de Localizacin

El error de la localizacin es normalmente definido analizando el sesgo y la linealidad. En general, el sesgo o error de linealidad de un sistema de medicin es inaceptable si es significativamente diferente de cero o excede el mximo error permisible establecido por el procedimiento de calibracin de gages. En tales casos, el sistema de medicin debiera recalibrarse o aplicarse una correccin de compensacin para minimizar este error.
Error de Amplitud
Criterios de Aceptacin Error de Amplitud

Los criterios para saber si la variabilidad de un sistema de medicin es satisfactoria dependen del porcentaje de la variabilidad del proceso de manufactura / produccin o de la tolerancia de la parte que es consumida por la variacin del sistema de medicin. Los criterios de aceptacin final para sistemas de medicin especficos dependen del medio ambiente y propsito del sistema de medicin y debieran ser acordados con el cliente. (Ver Captulo I Seccin B Los Efectos en la Variabilidad de los Sistemas de Medicin) Cuando se inicia la evaluacin de sistemas de medicin por una organizacin, puede ser til establecer prioridades en cules sistemas de medicin enfocarse. Dado que la variacin final (total) se basa en una combinacin de la variacin del proceso y las mediciones,
, cuando el SPC ha sido aplicado para control del proceso recoleccin de datos del proceso mismo, y las grficas de control indican que el proceso es estable, el sistema de medicin puede ser considerado como aceptable para dicho uso y no 77
Captulo Il Seccin D Anlisis de Resultados
requiere alguna re evaluacin por separado 29. Si alguna condicin no conformancia fuera de control se encuentra en esta situacin, la primera cosa que debiera hacerse es evaluar el sistema de medicin. Para sistemas de medicin cuyo propsito es analizar un proceso, los lineamientos y guas generales para la aceptacin de un sistema de medicin son como sigue: GRR Abajo del 10 porciento Del 10 al 30 porciento Decision Generalmente considerado como un sistema de medicin aceptable. Puede ser acceptable para algunas aplicaciones Comentarios Recomendado, especialmente til cuando se trate de separar clasificar partes cuando se requiere cerrar el control del proceso. La decision debiera basarse en, por ejemplo, importancia de las mediciones en la aplicacin, costos de dispositivos de medicin, costos de retrabajos reparaciones. Debiera ser aprobado por el cliente. Debiera hacerse todo esfuerzo por mejorar el sistema de medicin. Esta condicin puede ser abordada por el uso de una estrategia de mediciones apropiada; por ejemplo, usando el resultado promedio de varias lecturas sobre la misma caracterstica de la parte, a fin de reducir la variacin final en las mediciones. Tabla II-D 1: Criterios RRG Mtrico Adicional para el Error de Amplitud Otro estadstico de la variabilidad de un sistema de medicin es el nmero de categoras distintas (ndc) 30. Este estadstico indica el nmero de categorias en las cuales el proceso de medicin puede dividirse. Este valor debiera ser mayor igual a 5. Precaucin: El uso de guas y lineamientos para RRG como un todo per se NO es una prctica aceptable para determinar la aceptabilidad de un sistema de medicin.
Arriba del 30 porciento
Se considera inaceptable
29
30
Si el proceso total est en control estadstico por ambas grficas de promedios y variaciones y la variacin total es aceptable, entonces puede asumirse que (1) ambas variabilidades actuales del proceso y las mediciones son aceptables, (2) la variacin de las mediciones no es aceptable con respecto a la variacin del proceso (la cual es extremadamente pequea) aunque ambos estn en control estadstico. En ambos casos el proceso est fabricando producto aceptable. En el caso (2) la existencia de una no conformancia una condicin fuera de control podra ser una falsa alarma (ej., el producto es aceptable pero la evaluacin dice que no lo es) y la cual causara una evaluacin de ambos sistema de medicin y proceso. Ver Captulo I, Seccin E, Aspectos Clave en las Mediciones.
78
Captulo II Seccin D Anlisis de Resultados
La aplicacin de guas y lineamientos de inicio asume que la estadstica calculada son estimativos determinantes de la variabilidad del sistema de medicin (los cuales no lo son). Especificando las guas y lineamientos como criterios de inicio pueden llevar a un comportamiento equivocado. Por ejemplo, el proveedor puede ser creativo en lograr un bajo RRG eliminando fuentes de variacin en la vida real (ej., interacciones de la parte con el gage) manipulando el estudio de las mediciones (ej., produciendo partes fuera de la variacin esperada del proceso). Comentarios en la Aplicacin y Aceptabilidad de Gages Cuando se ve un RRG y la variacin de las mediciones es importante ver cada aplicacin en lo individual, para ver que se requiere y cmo van a ser usadas las mediciones. Por ejemplo: la precisin requerida de una medicin de temperatura puede ser diferente para aplicaciones no similares. El termostato de un cuarto puede regular la temperatura para confort humano y a un precio muy econmico, pero pudiera tener un RRG arriba de 30%. Es aceptable para esta aplicacin. Pero en un laboratorio, donde pequeas variaciones en la temperatura pueden impactar en resultados de pruebas, se requiere una ms sofisticada medicin y control de temperatura. Este termostato sera ms caro y se requiere que cuente con una menor variabilidad (ej., para tener un ms bajo RRG).
La aceptacin final de un sistema de medicin no debiera concretarse a un solo conjunto de ndices. El desempeo de largo plazo del sistema de medicin debiera ser tambin revisado usando anlisis grficos en el tiempo.
79
Captulo Il Seccin D Anlisis de Resultados
80
Captulo III Prcticas Recomendadas para Sistemas de Medicin Replicables
Captulo III PRACTICAS RECOMENDADAS PARA SISTEMAS DE MEDICIN REPLICABLES
81
Captulo IIl Seccin A Ejemplos de Procedimientos de Prueba
82
Captulo III Seccin A Ejemplos de Procedimientos de Prueba
Seccin A
Ejemplos de Procedimientos de Prueba
Ejemplos de procedimientos de prueba especficos son presentados en este captulo. Los procedimientos son simples de usar y pueden aplicarse en un ambiente de produccin. Como se discuti previamente, el procedimiento de prueba que debiera usarse para entender un sistema de medicin y cuantificar su variabilidad depende de las fuentes de variacin que pudieran afectar el sistema de medicin mismo. En muchas situaciones las fuentes principales de medicin son debidas al instrumento (gages/equipo), la persona (evaluador) y el mtodo (procedimiento de medicin). Los procedimientos de prueba en este captulo son suficientes para este tipo de anlisis de sistemas de medicin. Los procedimientos son apropiados de usar cuando: 9 Solo dos factores o condiciones de medicin (ej., evaluadores y partes) ms la repetibilidad del sistema de medicin estn siendo estudiados. 9 El efecto de la variabilidad dentro de cada parte es insignificante. 9 No existe interaccin estadstica entre los evaluadores y las partes. 9 Las partes no cambian dimensionalmente durante el estudio. Un diseo estadstico de experimentos puede conducirse y/o conocimientos del tema en cuestin pueden aplicarse para determinar si estos procedimientos son apropiados para cualquier sistema de medicin especfico.
83
Captulo IIl Seccin A Ejemplos de Procedimientos de Prueba
84
Captulo III Seccin B Guas y Lineamientos Estudios de Sistemas de Medicin de Variables
Seccin B
Guas y Lineamientos Estudio de Sistemas de Medicin de Variables
Esta seccin contiene lineamientos de implementacin para tcnicas de sistemas de medicin descritas en el capitulo 1, seccin E. Una completa revisin de la seccin E es recomendable para asegurar una apropiada aplicacin de estos lineamientos.
GUAS Y LINEAMIENTOS PARA DETERMINACIN DE LA ESTABILIDAD

Conduccin de un Estudio
1) Obtn una muestra y establece sus valores de referencia en relacin a un estndar rastreable. Si no existe alguno disponible, seleccionar una parte de produccin 31 que caiga en el rango medio de las mediciones de produccin y desgnala como la muestra master para el anlisis de estabilidad. No se requiere un valor de referencia conocido para rastrear la estabilidad del sistema de medicin. Puede ser deseable contar con muestras master para valores mnimos, altos y de rango medio de las mediciones esperadas. Se recomiendan por separado las mediciones y grficas de control. 2) Sobre una base peridica (diariamente, semanalmente), mide la muestra master de 3 a 5 veces. El tamao de la muestra y frecuencia debieran basarse en el conocimiento del sistema de medicin. Algunos factores pudieran incluir que tan frecuente sea requerido la recalibracin o reparacin, que tan frecuente sea usado el sistema de medicin y que tan extremas son las condiciones de operacin. Las lecturas necesitan tomarse en diferentes tiempos para representar cuando el sistema de medicin est realmente siendo usado. Esto tomar en cuenta calentamientos, medio ambiente u otros factores que pudieran cambiar durante el da. 3) Graficar los datos en una grfica de control X & R o X & s bajo el orden de tiempo.
Anlisis de Resultados - Grfico

4) Establecer lmites de control y evaluar condiciones fuera de control o inestables usando el anlisis estndar de grficas de control.
31
Debiera tomarse precaucin cuando el master de produccin pudiera experimentar un excesivo desgaste debido al uso, material o manejo. Esto puede requerir el modificar la parte de produccin tal como el acabado, para extender la vida del master mismo.
85
Captulo IIl Seccin B Guas y Lineamientos Estudios de Sistemas de Medicin de Variables
Anlisis de Resultados Numrico

Adems del anlisis normal de grficas de control, no existe un anlisis numrico y especfico o ndice para estabilidad. 32 Si el proceso de medicin es estable, los datos pueden usarse para determinar el sesgo del sistema de medicin. Tambin, la desviacin estndar de las mediciones puede usarse como una aproximacin de la repetibilidad del sistema de medicin mismo. Esta puede compararse con la del proceso para determinar si la repetibilidad del sistema de medicin es adecuada para la aplicacin.
El diseo de experimentos u otras tcnicas analticas de solucin de problemas pueden requerirse para determinar los contribuidores primarios de la falta de estabilidad del sistema de medicin.
Ejemplo Estabilidad
Para determinar si la estabilidad de un nuevo instrumento de medicin es aceptable, el equipo de proceso selecciona una parte prxima al punto medio del rango del proceso de produccin. Esta parte es enviada al laboratorio de medicin para determinar el valor de referencia el cual es 6.01. El equipo mide esta parte 5 veces una vez al turno por cuatro semanas (20 subgrupos). Despus de que todos los datos son recolectados, las grficas XR son desarrolladas (ver Figura III-B 1).
Grfica Xbarra/R para Estabilidad
Figura III-B 1: Anlisis de la Grfica de Control para Estabilidad

El anlisis de las grficas de control indica que el proceso de medicin es estable dado que no hay efectos de causas especiales obvias visibles.
32
Ver Manual de Referencia del SPC.
86
GUAS Y LINEAMIENTOS PARA DETERMINACIN DEL SESGO 33 Mtodo de Muestras

Independientes
Conduccin del Estudio

El mtodo de muestras independientes para determinar si el sesgo es aceptable usa la Prueba de Hiptesis: Ho sesgo = 0 H1 sesgo 0 El sesgo promedio calculado es evaluado para determinar si el sesgo pudiera ser debido a variaciones aleatorias (muestreo). En general, el error del sesgo y la linealidad de un sistema de medicin es aceptable si no es significativamente diferente de cero, cuando se compare con la repetibilidad. Consecuentemente, la repetibilidad debe ser aceptable cuando se compare con la variacin del proceso a fin de que este anlisis sea til.
1) Obtn una muestra y establece su valor de referencia en relacin aun estndar o patrn rastreable. Si no existe alguno disponible, selecciona una parte de produccin que caiga en el rango medio de las mediciones de produccin y desgnala como la muestra master para el anlisis de sesgo. Mide la parte n >10 veces en el cuarto de herramientas y calcula el promedio de las lecturas n. Usa este promedio como el valor de referencia. Puede ser deseable contar con muestras master para valores mnimos, altos y de rango medio de las mediciones esperadas. Si esto se hace, analiza los datos usando un estudio de linealidad. 2) Cuenta con un solo evaluador para que mida la muestra n >10 veces de una forma normal.
Resultados de Anlisis Grfico

3) Determina el sesgo de cada lectura: sesgoi = xi valor Referencia 4) Grafica los datos como histograma en relacin al valor de referencia. Revisa el histograma, usando el conocimiento del tema en cuestin, para determinar si causas especiales o anomalas estn presentes. Si no, contina con el anlisis. Precaucin especial debe tenerse para alguna interpretacin o anlisis cuando n < 30.
33
Ver Captulo I, Seccin E, para una definicin operacional y discusin de causas potenciales.
87
Resultados de Anlisis Numrico

5) Calcula el sesgo promedio de las n lecturas
sesgo promedio =
sesgo
i =1
6) Calcula la desviacin estndar de la repetibilidad (ver tambin Estudios de Gages, Mtodo de Rangos, mostrado adelante).
repetibilidad
= r =
X i X
i =1
n 1
Si est disponible un estudio RRG (y vlido) el clculo de la desviacin estndar de la repetibilidad debiera basarse en los resultados del estudio.
7)
Determine si la repetibilidad es aceptable calculando el

repetibilidad/TV]
%EV = 100 [EV/TV] = 100[
Cuando la variacin total (TV) se base en la variacin esperada del proceso (se prefiere) el rango de especificacin dividido por 6 (ver tambin el estudio RRG abajo). Si el %EV es largo (ver Captulo II, Seccin D), entonces la variacin del sistema de medicin puede ser inaceptable. Dado que el anlisis de sesgo asume que la repetibilidad es aceptable, la continuacin del anlisis del sistema de medicin con un %EV largo podra conducir a resultados que se malinterpreten confusos. Nota TF: Qu especficamente suponemos ver en Seccin D que ligue con EV? 8) Determina el estadstico t para el sesgo: 34
=
b
n
sesgo promedio
b
estadstic o t = t sesgo =
9) El sesgo es aceptable (estadsticamente cero) en un nivel si el valor p asociado con es ms que ;
bias
34
La incertidumbre para el sesgo es dada con
88
Cero cae dentro de los lmites de confiabilidad de 1 basados en el valor de sesgo:
Sesgo b tv ,1 cero Sesgo + b tv ,1 2 2

donde v = n 1 y
t v ,1
es encontrado usando las tablas estndar de t.

2
El nivel usado depende del nivel de sensibilidad, el cual es necesario para evaluar / controlar el proceso y es asociado con la funcin de prdida (curva de sensibilidad) del producto / proceso. Debiera obtenerse un acuerdo con el cliente si se utiliza un nivel diferente al valor por defaul de 0.05 (confiabilidad del 95%).
Ejemplo Sesgo
Un ingeniero de manufactura estaba evaluando un nuevo sistema de medicin para monitorear un proceso. Un anlisis del equipo de medicin indic que no debiera ver aspectos clave de linealidad, de manera que el ingeniero tuviera solo el sesgo del sistema de medicin evaluado. Es seleccionada una sola parte dentro del rango de operacin del sistema de medicin y basada en la variacin documentada del proceso. Esta parte fue medida por una inspeccin de layout para determinar su valor referencia. La parte fue entonces medida quince veces por el operador lder.
89
I N T E N T O S
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15
Valor de Referencia = 6.00 5.8 5.7 5.9 5.9 6.0 6.1 6.0 6.1 6.4 6.3 6.0 6.1 6.2 5.6 6.0
Sesgo -0.2 -0.3 -0.1 -0.1 0.0 0.1 0.0 0.1 0.4 0.3 0.0 0.1 0.2 -0.4 0.0
Tabla III-B 1: Datos de Estudio de Sesgo

Usando una hoja de clculo y software estadstico, el supervisor generara el histograma y anlisis numrico (ver Figura III-B 2 y Tabla III-B 2).
4 3
Frecuencia
1 0 5.6 5.7 5.8
Valor de las Mediciones
5.9
6.0
6.1
6.2
6.3
6.4
90
Histograma del Estudio - sesgo

(Con H0 y un intervalo de confianza del 95% para t para el promedio)
Frecuencia
Estudio - sesgo Tabla III-B 2: Estudio de Sesgo - Histograma del Estudio de Sesgo
El histograma no mostraba alguna anomala punto ms all de sus lmites que requiriera anlisis y revisin adicional. La repetibilidad de 0.2120 se compare contra la variacin del proceso esperada (desviacin estndar) de 2.5. Dado que el %EV = 100(.212/2.5) = 8.5%, la repetibilidad es aceptable y el anlisis de sesgo puede continuar. Dado que el cero cae dentro del intervalo de confiabilidad del sesgo (-0.1107, 0.1241), el ingeniero puede asumir que el sesgo de las mediciones es aceptable asumiendo que el uso actual no introduce fuentes adicionales de variacin.
91
n Valor Medido 15
Promedio 6.0067
Error Desviacin Estndar de Estndar, r la Media, b 0.2120 0.0547
Estadstico t Valor Medido 0.12
Valor de Referencia = 6.00, = 0.05 Valor t Intervalo de Confianza del Sesgo df Significativo 95% del Sesgo Promedio (2 colas) Inferior Superior 14 2.14479 0067 -0.1107 0.1241
Tabla III-B 2: Estudio de Sesgo Anlisis del Estudio de Sesgo 35

GUAS Y LINEAMIENTOS PARA DETERMINACIN DEL SESGO Mtodo por Grficas de Control

Si se usa una grfica X & R para medir la estabilidad, los datos pueden tambin usarse para evaluar el sesgo. El anlisis de la grfica de control debiera indicar que el sistema d medicin es estable antes de que el sesgo se evaluado. 1) Obtn una muestra y establece su valor de referencia en relacin a un estndar o patrn rastreable. Si no existe uno disponible, selecciona una parte de produccin que caiga en el rango medio de las mediciones de produccin y desgnala como la muestra master para el anlisis del sesgo. Mide la parte n >10 veces en el cuarto de herramientas y calcula el promedio de las n lecturas. Usa este promedio como el valor de referencia.
2) Conduce el estudio de estabilidad con g (subgrupos) 20 subgrupos de

tamao m.
35
Aun y cuando los datos son ofrecidos con un dgito despus del punto decimal, los resultados son mostrados por un programa estadstico tpico usando doble precisin; ej., con dgitos decimales mltiples.
92
Anlisis de Resultados Grfico

3) Si la grfica de control indica que el proceso es estable y m = 1, usa el anlisis descrito para el mtodo de muestras independientes (ver arriba). Si m 2, grafica los datos en un histograma relativos al valor de referencia. Revisa el histograma, usando conocimientos del asunto tema en cuestin, para determinar si estn presentes causas especiales anomalas. Si no, continua con el anlisis.
4)
Anlisis de Resultados Numrico

5) 6) Obtn la X de la grfica de control. Calcula el sesgo restando el valor de referencia de X . sesgo = X - valor de referencia 7) Calcula la desviacin estndar de la repetibilidad usando el promedio de los rangos.
repetibilidad =
R d 2*
donde d*2 se basa en el tamao (m) de los subgrupos y el nmero de subgrupos en la grfica (g). (ver Apndice C). 8) Determina si la repetibilidad es aceptable calculando el %EV = 100[EV/TV] = 100 [ repetibilidad /TV] Cuando la variacin total (TV) se base en la variacin del proceso esperada (preferida) el rango de especificacin se divida por 6 (ver tambin el estudio RRG abajo). Si el %EV es grande (ver Captulo II, seccin D), entonces la variacin del sistema de medicin puede ser inaceptable. Dado que el anlisis de sesgo asume que la repetibilidad es aceptable, el continuar el anlisis con un sistema de medicin con un %EV grande conducira a resultados que podran mal interpretarse confusos; ej., el anlisis puede indicar que el sesgo es estadsticamente cero, mientras que la magnitud absoluta del sesgo excede a los valores aceptables del equipo.
93
9)
Determina el estadstico t para el sesgo: 36
b = r
gm
sesgo
estadstico t = t sesgo =
10) El sesgo es aceptable (estadsticamente cero) en el nivel si el cero cae dentro de los lmites de confiabilidad de 1 y alrededor del valor del sesgo:
Sesgo b tv ,1 cero Sesgo + b tv ,1 2 2

donde v se encuentra en el Apndice C y t se encuentra usando las tablas estndar para t.
v ,1 2
El nivel de usado depende del nivel de sensibilidad que sea necesario para evaluar / controlar el proceso y es asociado con la funcin de prdida (curva de sensibilidad) del producto / proceso. Debiera obtenerse un acuerdo con el cliente si se usa un nivel de diferente al valor por defaul de 0.05 (confiabilidad del 95%).
Ejemplo Sesgo
En referencia a la Figura III-B 1 el estudio de estabilidad fue realizado sobre una parte que tena un valor de referencia de 6.01. El promedio global de todas las muestras (20 subgrupos de tamao 5 para n = 100 muestras) fue de 6.021. El sesgo calculado es por tanto 0.011. Usando una hoja de clculo y software estadstico, el supervisor generara un anlisis numrico (Tabla III-B 3). Dado que el cero cae dentro del intervalo de confiabilidad del sesgo (-0.0299, 0.0519), el equipo de procesos puede asumir que el sesgo de las mediciones es aceptable asumiendo que el uso actual no introduce fuentes de variacin adicionales.
36
La incertidumbre para el sesgo es dada por
b .
94
n Valor Medido 100
X , Media
6.021
Error Desviacin Estndar de Estndar la Media b 0.2048 0.02048
* Valor de Referencia = 6.01, = 0.05, m=5, g = 20, d 2 = 2.334, d2 = 2.326 Intervalo de Confianza del Valor Estadstico Sesgo 95% del Sesgo df Significativo de t t (2 colas) Inferior Superior
Valor Medido
0.5371
72.7
1.993
0.011
-0.0299
0.0519
Tabla III-B 3: Estudio de Sesgo Anlisis de un Estudio de Estabilidad para Sesgo
Anlisis de Estudios de Sesgo

Si el sesgo es estadsticamente no cero, investigar las siguientes posibles causas: Error en el master o valor de referencia. Procedimiento de chequeo del master. Instrumento desgastado. Esto puede mostrarse en el anlisis de estabilidad y sugerira un programa de mantenimiento o reconstruccin. Instrumento hecho para dimensiones equivocadas. Instrumento midiendo la caracterstica equivocada. Instrumento no calibrado apropiadamente. Revisar el procedimiento de calibracin. Instrumento usado en forma inapropiada por el evaluador. Revisar las instrucciones de medicin. Algoritmo incorrecto para la correccin del instrumento.
Si el sistema de medicin cuenta con un sesgo no cero, donde debiera ser posible recalibrarse para lograr un sesgo de cero a travs de la modificacin del hardware, software o ambos. Si el sesgo no puede ajustarse a cero, todava puede usarse a travs de un cambio en el procedimiento (ej., ajustando cada lectura por el sesgo). Dado que esto cuenta con un alto riesgo de error del evaluador, debiera usarse solo con la concurrencia del consumidor.
95
GUAS Y LINEAMIENTOS PARA DETERMINACIN DE LA LINEALIDAD 37

La linealidad puede evaluarse usando los siguientes lineamientos: 1) Selecciona g > 5 partes cuyas mediciones, debido a la variacin del proceso, cubren el rango de operacin del gage. 2) Mide cada parte con una inspeccin de layout para determinar su valor de referencia y confirmar que el rango de operacin del gage en cuestin est cubierto. 3) Mide cada parte m >10 veces sobre el gage en cuestin por uno de los operadores quien normalmente use el gage mismo. 9 Selecciona las partes al azar para minimizar algn sesgo del evaluador en las mediciones.
Anlisis de Resultados Grfico

4) Calcula el sesgo de la parte por cada medicin y el promedio de los sesgos para cada parte.
Sesgoi,j = Xi,j (valor de Referencia)i
Sesgoi =
Sesgo
j =1
i, j
5) Grafica los sesgos individuales y loa promedios de los sesgos con respecto a los valores de referencia sobre una grfica lineal. (ver Figura III-B 3) 6) Calcula y grafica la mejor lnea ajustada y la banda de confiabilidad de la lnea misma usando las ecuaciones siguientes. Para el mejor ajuste de la lnea, usar: yi = axi + b donde xi = valor de Referencia
yi = Promedio de los sesgos

y
37
Ver Captulo I, Seccin E, para una definicin operacional y discusin de causas potenciales.
96
a=
xy gm x y
2 1 x 2 gm ( x )
= pendiente
b = y a x = int ercepcin
Para un dado x0, los lmites para el nivel de confianza 38 son: donde s =
2 i
b yi a xi yi gm 2
1 2 2 1 (x 0 x ) inferior: b + ax0 t gm, 2,1 2 gm + (x x )2 s i 1 2 2 1 ( x0 x ) + superior: b + ax0 + t gm , 2,1 s 2 2 gm ( ) x x j
7) La desviacin estndar de la variabilidad de la repetibilidad.
repetibilidad
=s
Determina si la repetibilidad es aceptable calculando el %EV = 100 [EV/TV] = 100 [ repetibilidad /TV]
Donde la variacin total (TV) se basa en al variacin del proceso esperada (preferida) el rango de especificacin dividido por 6 (ver tambin el estudio RRG abajo). Si el %EV es largo (ver Captulo II, Seccin D), entonces la variacin del sistema de medicin puede ser inaceptable. Dado que el anlisis de sesgo asume que la repetibilidad es aceptable, la continuacin del anlisis del sistema de medicin con un %EV largo podra conducir a resultados que se malinterpreten confusos. 8) Graficar la lnea de sesgo = 0 y revisar la grfica para indicaciones de causas especiales y aceptacin de la linealidad. (ver ejemplo de la Figura IIIB 3).
38
Ver la nota para la seleccin del nivel en el rea de Guas y Lineamientos para Determinar el Sesgo, en Captulo III, Seccin B.
97
Para que la linealidad del sistema de medicin sea aceptable, la lnea de sesgo = 0 debe extenderse totalmente dentro de las bandas de confiabilidad de la lnea ajustada.
Anlisis de Resultados - Numrico

9) Si el anlisis grfico indica que la linealidad del sistema de medicin es aceptable entonces la siguiente hiptesis debiera ser verdad:
H0: a = 0
inclinacin = 0
no rechazar si
t = a s 2 (x j x ) tgm 2,1 2
Si la hiptesis anterior es verdad entonces el sistema de medicin tiene el mismo sesgo para todos los valores de referencia. Para que la linealidad sea aceptable este sesgo debe ser 0.
H0 : b = 0 No rechazar si
t = b
2 1 x s + 2 gm (xi x )
interseccin (sesgo) = 0
tgm 2,1 2
Ejemplo - Linealidad
Un supervisor de planta estaba presentando un nuevo sistema de medicin para un proceso. Como parte de un PPAP 39, la linealidad del sistema de medicin necesitaba ser evaluada. Se seleccionaron 5 partes alrededor del rango de operacin del sistema de medicin y en base a la variacin del proceso documentado. Cada arte fue medida por una inspeccin de layout para determinar su valor de referencia. Cada parte fue entonces medida 12 veces por el operador titular. Las partes fueron seleccionadas al azar durante el estudio.
39
Manual del Proceso de Aprobacin de Partes para Produccin, 4. Edicin, 2006
98
I N T E N T O S
Valor de Referencia de la Parte 1 2 3 4 5 6 7 8 9 10 11 12
1 2.00 2.70 2.50 2.40 2.50 2.70 2.30 2.50 2.50 2.40 2.40 2.60 2.40
2 4.00 5.10 3.90 4.20 5.00 3.80 3.90 3.90 3.90 3.90 4.00 4.10 3.80
3 6.00 5.80 5.70 5.90 5.90 6.00 6.10 6.00 6.10 6.40 6.30 6.00 6.10
4 8.00 7.60 7.70 7.80 7.70 7.80 7.80 7.80 7.70 7.80 7.50 7.60 7.70
5 10.00 9.10 9.30 9.50 9.30 9.40 9.50 9.50 9.50 9.60 9.20 9.30 9.40
Tabla III-B 4: Datos del Estudio de Linealidad

Usando una hoja de clculo y software estadstico, el supervisor gener la grfica de linealidad (Figura III-B 3).
Parte Valor de Referencia 1 2 3 S 4 5 E 6 7 S 8 9 G 10 11 O 12 Promedio del Sesgo
1 2.00 0.7 0.5 0.4 0.5 0.7 0.3 0.5 0.5 0.4 0.4 0.6 0.4 0.491667
2 4.00 1.1 -0.1 0.2 1.0 -0.2 -0.1 -0.1 -0.1 -0.1 0.0 0.1 -0.2 0.125
3 6.00 -0.2 -0.3 -0.1 -0.1 -0.0 0.1 0.0 0.1 0.4 0.3 0.0 0.1 0.025
4 8.00 -0.4 -0.3 -0.2 -0.3 -0.2 -0.2 -0.2 -0.3 -0.2 -0.5 -0.4 -0.3 -0.29167
5 10.00 -0.9 -0.7 -0.5 -0.7 -0.6 -0.5 -0.5 -0.5 -0.4 -0.8 -0.7 -0.6 -0.61667
Tabla III-B 5: Estudio de Linealidad Resultados Intermedios
99
Ejemplo de Linealidad Y = 0.736667 0.131667X R-Sq = 71.4 %
Valores de Referencia Figura III-B 3: Estudio de Linealidad Anlisis Grfico

El anlisis grfico indica que las causas especiales pueden estar influenciando al sistema de medicin. Los datos para el valor de referencia 4 parecen ser bimodales.
An si los datos para el valor de referencia 4 no fueran considerados, el anlisis grfico muestra claramente que este sistema de medicin tiene un problema de linealidad. El valor de R2 indica que un modelo lineal puede no ser un modelo apropiado para estos datos.40 An si el modelo lineal fuera aceptado, la lnea de sesgo = 0 intersecta los lmites de confiabilidad ms que estar contenido dentro de stos.
En este punto, el supervisor debe empezar el anlisis y resolucin del problema del sistema de medicin, dado que el anlisis numrico no ofrecer ningn aspecto adicional. Sin embargo, queriendo estar seguro que el trabajo en papel no se deja pendiente, el supervisor calcula el estadstico t para la inclinacin e interseccin:
ta = -12.043 tb= 10.158

Tomando el defaul = 0.05 y yendo a las tablas t con (gm 2) = 58 grados de libertad y una proporcin de 0.975, el supervisor llega al valor crtico de:
40
Ver textos estndar de estadstica sobre el anlisis de qu tan apropiado es usar un modelo lineal para describir las relaciones entre dos variables.
100
t58,.975= 2.00172
Dado que valor absoluto de t a > t 58,,975 , el resultado obtenido del anlisis grfico es reforzado con el anlisis numrico- existe un problema de linealidad con este sistema de medicin. En este caso, no importa que relacin tenga tb con t58,.975 dado que existe un problema de linealidad. Las posibles causas para problemas de linealidad pueden encontrarse en el captulo I, seccin E, Variacin de la Localizacin. Si el sistema de medicin tiene un problema de linealidad, necesita ser recalibrado para lograr un sesgo de 0 a travs de la modificacin del hardware, software o ambos. Si el sesgo no puede ser ajustado a cero a travs del rango del sistema de medicin, todava puede ser usado para control del producto / proceso, pero sin anlisis hasta que el sistema de medicin llegue a ser estable.
Dado que esto cuenta con un alto riesgo de error del evaluador, debiera ser usado solo con la concurrencia del cliente.
Guas y Lineamientos para Determinar la Repetibilidad y Reproducibilidad 41

El Estudio de Gages de variables puede ser ejecutado usando un diferente nmero de diferentes tcnicas. Tres mtodos aceptables sern discutidos en detalle en esta seccin. Estos son: Mtodo de los Rangos Mtodo de los Promedios y Rangos (incluyendo el mtodo de las Grficas de Control) Mtodo de ANOVA
Excepto para el mtodo de los Rangos, el diseo de los datos para el estudio es muy similar para cada uno de estos mtodos. Se prefiere el mtodo ANOVA porque mide el error del gage por la interaccin entre el operador y las partes, mientras que los mtodos de los Rangos y los Promedios y los Rangos no incluyen esta variacin. Como se present, todos los mtodos ignoran las variaciones entre las partes (tales como, redondeado, adelgazamiento diamtrico, planicidad, etc. como se discute en el Captulo IV, Seccin D en sus anlisis. El enfoque de ANOVA puede identificar la interaccin entre las partes y el evaluador, aunque tambin puede evaluar otras fuentes de variacin lo cual es la razn de porqu se incluy. Histricamente, se hacia el supuesto de que la interaccin es cero, en cuyo caso los resultados de ambos enfoques eran equivalentes. Con esto dicho, el enfoque de ANOVA se prefiere por su flexibilidad si es que el usuario tiene acceso a un apropiado programa de computadora. Si no, el enfoque de X barra y R es apropiado y puede hacerse manualmente va un programa de computadora.
41
Ver Captulo I, Seccin E, para una definicin operacional y discusin de las causas potenciales.
101
Sin embargo, el sistema de medicin total incluye no solo el gage mismo y su sesgo respectivo, repetibilidad, etc., sino tambin puede incluir la variacin de las partes a ser checadas. La determinacin de cmo manejar la variacin dentro de las partes necesita basarse en un entendimiento racional del uso esperado de la parte y el propsito de las mediciones. Finalmente, todas las tcnicas en esta seccin estn sujetas al prerrequisito de estabilidad estadstica.
Aunque la reproducibilidad es usualmente interpretada como la variacin del evaluador, existen situaciones donde esta variacin es debida a otras fuentes de variacin misma. Por ejemplo, con algunos sistemas de medicin en proceso no existen evaluadores humanos. Si todas las partes son manejadas, ajustada y medidas por el mismo equipo, entonces la reproducibilidad es cero; ej., solo es necesario un estudio de repetibilidad. Sin embargo, si se usan dispositivos mltiples, entonces la reproducibilidad es la variacin entre los dispositivos.
Mtodo de los Rangos

El mtodo de rangos es un estudio de gages de variables modificado el cual ofrece una aproximacin rpida de la variabilidad de las mediciones. Este mtodo ofrece solo una grfica global del sistema de medicin. No secciona la variabilidad en repetibilidad y reproducibilidad. Es tpicamente usada como un chequeo rpido para verificar que la RRG no haya cambiado.
Este enfoque tiene el potencial de detectar un sistema de medicin no aceptable 42 el 80% del tiempo con un tamao de muestra de 5 y el 90% del tiempo con un tamao de muestra de 10.
El mtodo de rangos tpicamente utiliza dos evaluadores y 5 partes para el estudio. En este estudio, ambos evaluadores miden cada parte una a la vez. El rango para cada parte es la diferencia absoluta entre la medicin obtenida por el evaluador A y la medicin obtenida por el evaluador B. La suma de rangos es encontrada y el promedio de rangos R es calculado. La variacin total de las mediciones es encontrada multiplicando el promedio de los rangos por encontrado en el apndice C, con m = 2 y g = nmero de partes.
1 * donde d 2 es * d2
Partes 1 2 3 4 5
Evaluador A 0.85 0.75 1.00 0.45 0.50
Evaluador B 0.80 0.70 0.95 0.55 0.60
Rango (A,B) 0.05 0.05 0.05 0.10 0.10
42
ej., %RRG > 30%
102
Promedio de los Rangos (R ) =
R
5
0.35 = 0.07 5
R R 0.07 RRG = = 0.0588 = d* = 2 1.19 1.19 (Desviacin Estndar del Proceso = 0.0777 del Estudio Previo)
RRG % RRG = 100 * = 75.7% DesviacinEstndardel Pr oceso
Tabla III-B 6: Estudio de Gages (Mtodo de los Rangos)

Para determinar qu porcentaje de la desviacin estndar del proceso consume la variacin de las mediciones, convertir el RRG a un porcentaje multiplicando por 100 y dividiendo entre la desviacin estndar del proceso. En el ejemplo (ver tabla III-B 6), la desviacin estndar del proceso para esta caracterstica es 0.0777, por tanto,
RRG % RRG = 100 * = 75.7% DesviacinEstndar Pr oceso
Ahora que el porcentaje del RRG para el sistema de medicin es determinado, debiera darse una interpretacin de los resultados. En la tabla III-B 6, se determina que el porcentaje de RRG es 77.5% y la conclusin es que el sistema de medicin necesita mejoramientos.
Mtodos de los Promedios y Rangos

El mtodo de los promedios y rangos ( X & R) es un enfoque el cual ofrece un estimativo de la repetibilidad y reproducibilidad para un sistema de medicin. A diferencia del mtodo de rangos, este enfoque permite que la variacin del sistema de medicin sea seccionada en dos componentes por separado, repetibilidad y reproducibilidad.43 Si embargo, la variacin debida a la interaccin entre el evaluador y las partes/gage no es tomada en cuenta para el anlisis.
43
El mtodo ANOVA puede ser usado para determiner la interaccin entre el gage y los evaluadores, si existe tal.
103

Aunque el nmero de evaluadores, intentos y partes puede variar, la discusin subsecuente representa las condiciones ptimas para conducir el estudio. Hacer referencia a la hoja de datos RRG en III-B 6a. El procedimiento detallado es como sigue: 1) Obtn una muestra de n > 5 partes de la variacin del proceso.
44
que represente el rango actual o esperado
2) Haz referencia a los evaluadores como A, B, C, etc. y al nmero de partes 1

hasta n de manera que los nmeros no sean visibles a los evaluadores.
Ver Captulo II, Seccin C
3) Calibra el gage si esto es parte de los procedimientos normales del sistema de medicin. Permite al evaluador A medir n partes en un orden aleatorio 45 y registra los resultados en el rengln 1. 4) Permite a los evaluadores B y C medir las mismas partes n sin ver las lecturas de uno con otro; entonces registra los resultaos en los renglones 6 y 11 respectivamente.
5) Repite el ciclo usando un orden aleatorio diferente de las mediciones. Registra

los datos en los renglones 2,7 y 12. Registra los datos en la columna apropiada. Por ejemplo si la primer pieza media es la parte 7 entonces registra el resultado en la columna etiquetada como parte 7. Si son necesarios tres intentos, repite el ciclo y registra los datos en los renglones 3, 8 y 13. 6) Los pasos 4 y 5 pueden cambiar a lo siguiente cuando el tamao de las partes es grande o no hay disponibilidad de partes simultneamente, lo cual hace necesario: 9 Permita que el evaluador A mida la primer parte y registre la lectura en el rengln 1. Luego el evaluador B mide la primer parte y registra la lectura en el rengln 6. Luego el evaluador C mide la primer parte y registra la lectura en el rengln 11. 9 Permite que el evaluador A repita la lectura de la primer parte y registren dicha lectura en el rengln 2, el evaluador B registra la lectura repetida en el rengln 7 y el evaluador C registra la lectura repetida en el rengln 12. Repite este ciclo y registra los resultados en los renglones 3, 8 y 13 si se aplican 3 intentos. 7) Un mtodo alternativo puede usarse si los evaluadores son de diferentes turnos. Permite que el evaluador A mida todas las 10 partes y registre las lecturas en el rengln 1. Luego el mismo evaluador A repite las lecturas en un orden diferente y registra los resultados en los renglones 2 y 3. Haz lo mismo con los evaluadores B y C.
44
45
El nmero total de rangos generados debe ser > 15 para un nivel mnimo de confiabilidad en los resultados. Aunque la forma fue diseada para un mximo de 10 partes, este enfoque no se limita a ese nmero. Como en cualquier tcnica estadstica, mientras ms grande es el tamao de muestra, es menor la variacin del muestreo y menor el riesgo resultante ser presente. Ver Captulo III, Seccin B, Aleatoriedad e Independencia Estadstica
104
Hoja de Recoleccin de Datos de Repetibilidad y Reproducibilidad de Gages

Evaluador /Intento # 1 2 3 4 5 6 7 8 9 10 11 12 13
A 2 3 Promedio Rango B 2 3 Promedio Rango C 2 3 1 0.04 -0.11 -0.15 -1.38 -1.13 -0.96 0.88 1.09 0.67 0.14 0.20 0.11 -1.46 -1.07 -1.45 -0.29 -0.67 -0.49 0.02 0.01 0.21 -0.46 -0.56 -0.49 1.77 1.45 1.87 -1.49 -1.77 -2.16 1 0.08 0.25 0.07 -0.47 -1.22 -0.68 1.19 0.94 1.34 0.01 1.03 0.20 -0.56 -1.20 -1.28 -0.20 0.22 0.06 0.47 0.55 0.83 -0.63 0.08 -0.34 1.80 2.12 2.19 -1.68 -1.62 -1.50 1
Parte 1
0.29 0.41 0.64
2
-0.56 -0.68 -0.58
3
1.34 1.17 1.27
4
0.47 0.50 0.64
5
-0.80 -0.92 -0.84
6
0.02 -0.11 -0.21
7
0.59 0.75 0.66
8
-0.31 -0.20 -0.17
9
2.26 1.99 2.01
10
-1.36 -1.25 -1.31
Promedio
Xa =
Ra =
Xb = Rb =
14 Promedio 15
Rango
Xc =
Rc = X= Rp =
16 Promedio
por Parte
17 18 19
R = ([(Ra =
)] + [Rb =
] + [R
]=
]) [# deEvaluadores =
]=
]=
R=
X DIFF = [X Max =
*
] [X Min =
LCSR = R =
] [D
* * D 4 = 3.27 para 2 intentos y 2.58 para 3 intentos. UCLR representa el lmite de las lecturas individuales Rs. Circular aquellas que estn fuera de ste lmite. Identificar las causas y corregirlas. Repetir estas lecturas usando el mismo evaluador y unidad como originalmente se us o descartar los valores y recalcular el promedio y R y el valor del lmite de las observaciones restantes. Notas: Figura III-B 6a: Hoja de Recoleccin de Datos de Repetibilidad y Reproducibilidad de Gages
105
Anlisis de Resultados Grafico 46

El uso de herramientas grficas es muy importante. Las herramientas grficas especficas usadas dependen del diseo experimental empleado para recolectar los datos. Un esquema sistemtico de los datos para variaciones aparentes por causas especiales y usando herramientas grficas debiera anteceder a un anlisis estadstico. Las siguientes son algunas de las tcnicas que se ha probado son tiles. (ver tambin el Mtodo de Anlisis de Varianzas). Los datos del anlisis del sistema de medicin pueden ser desplegados grficamente con grficas de control. La idea de usar grficas de control para responder preguntas relativas a un sistema de medicin ha sido aplicada por Western Electric (Ver Manual de Control Estadstico de la Calidad de AT&T de la Lista de Referencias).
Grfica de Promedios
Los promedios de las lecturas mltiples por cada evaluador y en cada parte son graficados por evaluador con el nmero de arte como un ndice. Esto puede ayudar a determinar la consistencia entre evaluadores. El gran promedio y los lmites de control determinados usando el promedio de los rangos tambin son graficados. La grfica de promedios resultante ofrece una indicacin de la facilidad de uso del sistema de medicin. El rea dentro de los lmites de control representa la sensibilidad (ruido) de las mediciones. Dado que el grupo de partes usado en el estudio representa la variacin del proceso, aproximadamente una mitad o ms de los promedios debiera caer fuera de los lmites de control. Si los datos muestran este patrn, el sistema de medicin debiera ser adecuado para detectar variaciones de parte a parte, y el sistema de medicin mismo puede ofrecer informacin til para analizar y controlar el proceso. Si menos de la mitad cae fuera de los lmites de control entonces el sistema de medicin carece de una resolucin efectiva y adecuada o la muestra no representa la variacin esperada del proceso.
46
Descripciones detalladas de estos anlisis estn fuera del alcance de este documento. Para mayor informacin, ver referencias y buscar asistencia de fuentes estadsticas competentes.
106
Promedio
Figura III-B 4: Grfica de Promedios Estancada 47

Revisar que todas las grficas indiquen que el sistema de medicin parece tener una suficiente discriminacin para los procesos con la variacin descrita por las partes de la muestra. No existen diferencias aparentes entre evaluador a evaluador.
Figura III-B 5: Grfica de Promedios No Estancada
47
Con el enfoque ANOVA, esta es tambin referida como grfica de interaccin de evaluadores por - partes
107
Graficas de Rangos
La grfica de control de rangos es usada para determinar si el proceso est en control. La razn es que no importa que tan grande sea el error de las mediciones pero los lmites de control permitirn tal error. Esto es porque las causas especiales necesitan ser identificadas y retiradas antes de que el estudio de las mediciones sea relevante. Los rangos de las lecturas mltiples por cada evaluador y en cada parte son graficadas en una grfica estndar de rangos incluyendo los rangos promedios y los lmites de control. Del anlisis de datos graficados pueden darse varias interpretaciones. Si todos los rangos estn en control, los evaluadores estn haciendo el mismo trabajo. Si un evaluador est fuera de control, el mtodo usado difiere de los otros. Si todos los evaluadores estn fuera de los rangos de control, el sistema de medicin es sensible a la tcnica del evaluador y requiere mejoramientos para obtener datos tiles.
Ninguna grfica debiera desplegar patrones en los datos relativos a los evaluadores o partes. Los rangos no son datos ordenados. El anlisis de tendencias normales de la grfica de control no debe usarse an y cuando los puntos graficados sean conectados por lneas. La estabilidad se determina por un punto o puntos fuera de lmites de control; patrones dentro del evaluador o dentro de las partes. El anlisis de la estabilidad debiera considerar la significancia practica y estadstica.
La grfica de rangos puede ayudar a determinar: El control estadstico con respecto a la repetibilidad. La consistencia del proceso de medicin entre los evaluadores para cada parte.
Rango
Parte Figura III-B 6: Grfica de Rangos Estancada
108
Figura III-B 7: Grfica de Rangos No estancada
La revisin de las grficas anteriores indica que no hay diferencias entre la variabilidad de los evaluadores.
Grfica de Corridas
Las lecturas individuales son graficas por parte para todos los evaluadores (ver Figura III-B 8) para obtener detalles de:
El efecto de las partes individuales sobre la consistencia de la variacin La indicacin de lecturas irregulares (ej., lecturas anormales)
Figura III-B 8: Grfica de Corridas por Parte
La revisin de la grfica anterior no indica algn punto ms all de los lmites o partes inconsistentes.
109
Diagrama de Dispersin
Las lecturas individuales son graficadas por parte y por evaluador (ver Figura III-B 9) para obtener detalles de: Consistencia entre los evaluadores Indicacin de posibles anormalidades Interacciones parte evaluador
La revisin de la Figura III-B 9 no indica alguna irregularidad significativa aunque indica que el evaluador C pueda tener lecturas inferiores que los otros evaluadores.
Figura III-B 9: Diagrama de Dispersin
110
Grficas de Bigotes
En las grficas de bigotes, los valores de datos altos y bajos y el promedio por parte por evaluador son graficados (ver Figura III-B 10). Esto ofrece detalles de: Consistencia entre evaluadores. Indicacin de irregularidades. Interacciones parte evaluadores.
Valor
Evaluador Parte
Figura III-B 10: Grfica de Bigotes
La revisin de la Figura III-B 10 no indica que haya alguna irregularidad significativa aunque muestra que el proveedor B puede contar con a mayor variabilidad.
111
Graficas de Errores
Los datos del anlisis del sistema de medicin pueden ser analizados corriendo grficas de errores (ver Figura III-B 11) de las desviaciones individuales de los valores de referencia aceptados. La desviacin individual o error para cada parte es calculado como sigue: Error = Valor Observado - Valor de Referencia Error = Valor Observado Promedio de las mediciones de la parte Esto depende de si los valores de referencia de los datos a ser medidos estn disponibles o no.
Figura III-B 11: Grficas de Errores
La revisin de las grficas anteriores indica que: El evaluador A cuenta con un sesgo positivo global El evaluador B cuenta con la mayor variabilidad pero sin sesgo aparente El evaluador C cuenta con un sesgo negativo global
112
Histograma Normalizado
La grfica de histograma (Figura III-B 12) es una grfica que despliega la distribucin de frecuencias del error del gage de los evaluadores que participaron en el estudio. Tambin muestra su distribucin de frecuencia combinada. Si los valores de referencia estn disponibles: Error = Valor Observado Valor de Referencia De lo contrario: Valor Normalizado = Valor Observado Promedio de las Partes La grfica de los histogramas ofrece un bosquejo visual y rpido de cmo el error es distribuido. Aspectos clave tales como si el sesgo o falta de consistencia existe en las mediciones tomadas por los evaluadores, puede identificarse an antes de que los datos sean analizados. El anlisis de los histogramas (Figura III-B 12) refuerza a las grficas de errores. Estas tambin indican que solo el evaluador B tiene una forma simtrica. Esto puede indicar que los evaluadores A y C estn introduciendo una fuente de variacin sistemtica que est resultando en los sesgos.
Figura III-B 12: Histograma Normalizado 48

-
48
Hacer notar que el 0.0 de cada uno de los histogramas estn alineados cada uno con respecto a los otros.
113
Diagrama X-Y de Promedios por Medida
Los promedios de las lecturas mltiples por cada evaluador y en cada parte son graficados con el valor de referencia o los promedios globales de las partes como ndice (ver Figura III-B 13). Esta grfica puede ayudar a determinar: La Linealidad (s se usa el valor de referencia). La Consistencia en la linealidad entre evaluadores.
3
3 2 1
0 -1 -2 -3
-3 -2
Ev. A
Ev. B
2 1 0 -1 -2 -3
-1
-3
-2
-1
Referencia
3 2 1
Referencia
Ev. C
0 -1 -2 -3
-3 -2
-1
Referencia Figura III-B 13: Diagramas X-Y de Promedios por Medida
114
Comparacin de Grficas X-Y
Los promedios de las lecturas mltiples por cada evaluador y en cada parte son graficados uno con otro de los evaluadores como ndices. Esta grfica compara los valores obtenidos por un evaluador contra los dems (ver Figura III-B 14). Si hubiera un acuerdo perfecto entre proveedores, los puntos graficados describiran una lnea recta a travs del origen y un eje a 45o.
Ev. A
Ev. B
Ev. C
Figura III-B 14: Comparacin de Diagramas X - Y
115
Clculos Numricos Los clculos de la Repetibilidad y Reproducibilidad de Gages son mostrados en las
Figuras III-B 15 y III-B 16. La Figura III-B 15 muestra la hoja de recoleccin de datos en la cual se registran todos los resultados del estudio. La Figura III-B 16 despliega un reporte en el cual toda la informacin identificada es registrada y se hacen todos los clculos de acuerdo con las frmulas prescritas.
Formatos en blanco y reproducibles se encuentran disponibles en la seccin de formatos muestra. El procedimiento para realizar los clculos despus de que los datos se ha recolectado es como sigue:
(Lo siguiente se refiere a la Figura III-B 15) 1) Restar la lectura ms pequea de la lectura ms larga en los renglones 1, 2 y 3; registrar el resultado en el rengln 5. Hacer lo mismo para renglones 6, 7 y 8; y 11, 12 y 13, y registrar los resultados en los renglones 10 y 15 respectivamente. 2) Los registros en los renglones 5, 10 y 15 son rangos y por tanto siempre ser valores positivos. 3) Totaliza el rengln 5 y divide el total por el nmero de las partes muestreadas para obtener el promedio de los rangos para los primeros intentos de los evaluadores R a . Hacer lo mismo para renglones 10 y 15 y obtener R b y R c . 4) Transfiere los promedios de los renglones 5, 10 y 15 ( R a , R b , R c ) al rengln 17. Smalos y divdelos por el nmero de los evaluadores y registra el resultado (promedio de todos los rangos). 5) Registra (valor promedio) en el rengln 19 y multiplcalo por D449 para obtener el lmite superior de control. Notar que D4 es 3.27 si se realizan dos intentos. El valor del Lmite Superior de Control (UCLR) de los rangos individuales es registrado en el rengln 19. NOTA: El valor del Lmite Inferior de Control (LCLR) para menos de 7 intentos es igual a cero. 6) Repite las lecturas que se produzcan en un rango mayor que el UCLR calculado usando el mismo evaluador y parte como originalmente se aplic, o descarta dichos valores y recalcula el promedio y y el valor del lmite UCLR en base al tamao de muestra revisado. Corrige las causas especiales que generaron la condicin fuera de control. Si los datos fueran graficados y analizados usando una grfica de control como se discuti previamente, esta condicin se habra ya corregido y no ocurrira aqu. 7) Suma los renglones (renglones 1, 2, 3, 6, 7, 8, 11, 12 y 13). Divide la suma en cada rengln por el nmero de partes muestreadas y registra estos valores en la columna que est ms a la derecha titulada como promedio.
49
Ver Manual de Referencia del Control Estadstico de los Procesos (SPC), 1995, u otra fuente de referencia estadstica para una tabla de factores.
116
8) Suma los promedios de los renglones 1, 2 y 3 y divide el total por el nmero de intentos y registra el valor en el rengln 4 en la celda de X a . Repite esto para los renglones 6,7 y 8; y 11, 12 y 13 y registra los resultados en las celdas para X b y X c en los renglones 9 y 14, respectivamente. 9) Registra los promedios mximo y mnimo de los renglones 4, 9 y 14 en el espacio apropiado en el rengln 18 y determina la diferencia. Registra esta diferencia en el espacio titulado como X DIFF en el rengln 18. 10) Suma las mediciones para cada intento, para cada parte, y divide el total por el nmero de mediciones (nmero de intentos por nmero de evaluadores). Registra los resultados en el rengln 16 en los espacios provistos para el promedio de las partes. 11) Resta el promedio de las partes ms pequeo del promedio de las partes ms largo y registra el resultado en el espacio titulado RP en el rengln 16. RP es el rango de los promedios de las partes. (Lo siguiente se refiere a la Figura III-B 16)
12) Transfiere los valores calculados de , X DIFF y RP a los espacios en blanco

provistos en el reporte adicional. 13) Ejecuta los clculos bajo la columna titulada Anlisis de las Unidades de Medicin en el lado izquierdo del formato. 14) Ejecuta los clculos bajo la columna titulada % de la Variacin Total en el lado derecho del formato. 15) Checa los resultados para asegurarse de que no haya errores.
117
Hoja de Recoleccin de Datos para Repetibilidad y Reproducibilidad de Gages Evaluador /Intento # 1 2 3 4 5 6 7 8 9

A 2 3 Promedio Rango B 2 3 Promedio 1 1
Parte 1
0.29 0.41 0.64
2
-0.56 -0.68 -0.58
3
1.34 1.17 1.27
4
0.47 0.50 0.64
5
-0.80 -0.92 -0.84
6
0.02 -0.11 -0.21
7
0.59 0.75 0.66
8
-0.31 -0.20 -0.17
9
2.26 1.99 2.01
10
-1.36 -1.25 -1.31
Promedio
0.194 0.166 0.211
0.447 -0.607 1.260
0.537 -0.853 0.100
0.667 -0.227 2.087 -1.307
X a = 0.1903
Ra = 0.184
0.001 0.115 0.089
0.35
0.08 0.25 0.07
0.12
-0.47 -1.22 -0.68
0.17
1.19 0.94 1.34
0.17
0.01 1.03 0.20
0.12
-0.56 -1.20 -1.28
0.23
-0.20 0.22 0.06
0.16
0.47 0.55 0.83
0.14
-0.63 0.08 -0.34
0.27
1.80 2.12 2.19
0.11
-1.68 -1.62 -1.50
0.133 -0.790 1.157
0.413 -1.013 0.027
0.617 -0.297 2.037 -1.600 X b = 0.0683
10 Rango 11 C 12 2 13 3 14 Promedio 15 Rango 16 Promedio

por Parte 1
0.18
0.04 -0.11 -0.15
0.75
-1.38 -1.13 -0.96
0.40
0.88 1.09 0.67
1.02
0.14 0.20 0.11
0.72
-1.46 -1.07 -1.45
0.42
-0.29 -0.67 -0.49
0.36
0.02 0.01 0.21
0.71
-0.46 -0.56 -0.49
0.39
1.77 1.45 1.87
0.18
-1.49 -1.77 -2.16
Rb = 0.513
-0.223 -0.256 -0.284
-0.073 -1.157 0.880
0.150 -1.327 0.483
0.080 -0.503 1.697 -1.807
X c = -0.2543
0.19
0.42
0.42
0.09
0.39
0.38
0.20
0.10
0.42
0.67
Rc = 0.328
X = .0014 Rp = 3.511 R = 0.3417
0.169 -0.851 1.099
0.367 -1.064 -0.186 0.454 -0.342 1.940 -1.571
17 18 19
R = ([(Ra = 0.184 )] + [Rb = 0.513] + [Rc = 0.328]) [# deEvaluadores = 3] = 0.3417
X DIFF = X Max = 0.1903 X Min = 0.2543 = X DIFF = 0.4446

*
] [
LCSR = R = 0.3417 [D 4 = 2.58] = LCSR = 0.8816
* * D 4 = 3.27 para 2 intentos y 2.58 para 3 intentos. UCLR representa el lmite de las lecturas individuales Rs. Circular aquellas que estn fuera de ste lmite. Identificar las causas y corregirlas. Repetir estas lecturas usando el mismo evaluador y unidad como originalmente se us o descartar los valores y recalcular el promedio y R y el valor del lmite de las observaciones restantes. Notas:
Figura III-B 15: Hoja de Recoleccin de Datos Completada para R&RG
118
Reporte de Repetibilidad y Reproducibilidad de Gages

Nombre y No. De Parte: Caractersticas: Especificaciones:
Nombre del gage: No. De gage: Tipo de Gage:
Fecha: Revisado por:
Dato : R = 0.3417
X DIFF = 0.4446
Anlisis de Medicin Unitaria Repetibilidad Variacin del Equipo (EV)

EV = R K 1
Rp=3.511 % de Variacin Total (TV) %EV = 100[EV/TV] Intentos 2 3 K1 0.8862 0.5908 %AV =100 [AV/TV] =100 [0.22963/1.14610] 2 0.7071 3 0.5231 = 20.04% = 100 [0.20188/1.14610] =17.62%
=0.3417x0.5908 = 0.20188
Reproducibilidad Appraiser Variacin (AV)

AV =
(0.4446 0.5231)2 (0.201882 (10 3))

Evaluadores K2
(X DIFF K 2 )2 (EV 2
nr
=0.22963
Repetibilidad y Reproducibilidad (RRG)
RRG = EV 2 + AV 2 =
%RRG = 100 [RRG/TV]
(0.20188
+ 0.229632
Partes 2 3
K3 0.7071 0.5231
= [0.30575/1.14610] = 26.68%
100
= 0.30575
Variacin de Parte (PV)
4 5 6 7 8
0.4467 %PV = 100 [PV/TV] 0.4030 0.3742 0.3534 0.3375 0.3249 0.3146 = 100 [1.10456/1.14610] =96.38%
PV = Pp K 3
=1.10456 Variacin Total (TV)
TV = RRG 2 + PV 2 =
(0.30575
+ 1.104562
9 10
ndc = 1.41 PV
= 1.14610
RRG = 1.41 (1.10456/0.30575) = 5.094~5
Para informacin sobre la teora y constantes usadas en el formato ver Manual de Referencia MSA, 4. edicin
Figura III-B 16: Reporte de Repetibilidad y Reproducibilidad de Gages
119
Anlisis de Resultados Numricos
Los formatos de hoja y reporte de recoleccin de datos de la repetibilidad y reproducibilidad de gages, Figuras III-B 15 y III-B 16, ofrecen un mtodo para el anlisis numrico de los datos de un estudio.50 El anlisis estima la variacin y porcentaje de la variacin del proceso para el sistema de medicin total, y sus componentes de repetibilidad, reproducibilidad y variacin de la parte. Esta informacin necesita ser comparada y complementada con los resultados del anlisis grfico. En el lado izquierdo del formato (Figura III-B 16) con Anlisis de las Unidades de Medicin se calcula la desviacin estndar para cada componente de variacin. La repetibilidad o variacin del equipo (EV o E ) se determina multiplicando el promedio de los rangos ( ) por una constante (K1). K1 depende del nmero de intentos * aplicados en el estudio del gage y es igual al inverso de d 2 , el cual se obtiene del
* depende del nmero de intentos (m) y el nmero de partes por el apndice C. d 2 nmero de evaluadores (g) (se asume que es mayor que 15 al calcular el valor de K1).
La reproducibilidad o variacin de los evaluadores (AV o A) se determina multiplicando la mxima diferencia promedio entre los evaluadores ( X DIFF ) por una constante (K2). K2 depende del nmero de evaluadores usados en el estudio del gage y * * es el inverso de d 2 el cual se obtiene del apndice C. d 2 depende del nmero de evaluadores (m) y g =1, dado que solo existe el clculo de un rango. Dado que la variacin del evaluador es contaminada pro la variacin del equipo, debe ajustarse restando una fraccin de la variacin del equipo. Por tanto, la variacin de los valuadores (AV) es calculada por
AV =
(X DIFF K 2 )2 (EV )
nr
Donde n = nmero de partes y r = nmero de intentos. Si se calcula un valor negativo bajo el smbolo de la raz cuadrada, la variacin de los evaluadores (AV) es cero por defaul. La variacin del sistema de medicin para repetibilidad y reproducibilidad (RRG o M) se calcula sumando el cuadrado de la variacin del equipo y el cuadrado de la variacin de los evaluadores, y sacando la raz cuadrada como sigue:
RRG =
(EV )2 + ( AV )2
Generalmente, existen cuatro diferentes enfoques para determinar la variacin del proceso, la cual es usada para analizar la aceptacin de la variacin de las mediciones:
50
Los resultados numricos en el ejemplo fueron desarrollados como si fueran calculados manualmente; ej., los resultados fueron realizados y redondeados a un digito decimal adicional. El anlisis con programas de computadora debiera mantener los valores intermedios con una mxima precisin con el lenguaje de programacin / computadora. Los resultados de un programa de computadora vlido pueden diferir de los resultados del ejemplo en el lugar del segundo decimal o mayor pero el anlisis final se mantendr igual.
120
1) usando la variacin del proceso o variacin del proceso, tomada de las partes en el studio RRG mismo o uso cuando la muestra seleccionada representa la variacin del proceso esperada (opcin preferida) 2) sustitucin de la variacin del proceso o uso cuando muestras suficientes para representar el proceso no estn disponible aunque un proceso existente con una variacin del proceso similiar est disponible 3) valor meta de Pp ( Ppk) o uso cuando muestras suficientes para representar el proceso no estn disponible y un proceso existente con una variacin del proceso similiar no est disponible se espera que el nuevo proceso cuente con una menor variabilidad que algn proceso existente 4) tolerancia de la especificacin o cuando el sistema de medicin es usado para clasificar el proceso y el proceso cuenta con Pp < 1.0
La variacin de las partes (parte a parte; variacin de las partes sin variacin de las mediciones) (PV o P) se determina multiplicando el rango de los promedios de las partes (RP) por una constante K3). K3 depende del nmero de partes usadas en el estudio * * el cual se obtiene del apndice C. d 2 depende del del gage y es el inverso de d 2 nmero de partes (m) y (g). En este caso g = 1 dado que solo existe el clculo de un rango. La variacin total (TV o T) del estudio se calcula entonces sumando el cuadrado de las variaciones de repetibilidad y reproducibilidad y la variacin de las partes (PV) y aplicando la raz cuadrada como sigue:
TV =
(RRG )2 + (PV )2
Usando Informacin Histrica de las Variaciones Para usar este enfoque, la informacin debe venir de un proceso que est en control estadstico. Si la variacin del proceso es conocida y su valor se basa en 6, entonces puede ser usado en lugar de la variacin total del estudio (TV) calculada de los datos del estudio del gage. Esto se logra ejecutando los siguientes dos clculos:
1) TV = 2)
Variacin Pr oceso 6.00 PV =
(TV )2 (RRG )2
121
Usando el valor meta de Pp ( Ppk) Para usar la opcin de Pp, usar la siguiente TV en el anlisis de RRG: Dado que
TV = USL LSL
USL LSL USL LSL = 6s 6TV
entonces
TV =
USL LSL
6p
2
PV =
(TV ) (GRR )
2
Usando la Tolerancia (Rango de la Especificacin) Cuando se compara el error de las mediciones de un estudio RRG con la tolerancia, esto es lo mismo que compararlo con el proceso de produccin con un Pp de 1.00. Los clientes FEO (Fabricantes de Equipo Original) raramente esperan una variacin del proceso tan baja como un Pp(k) de 1.00, ni aceptan un proceso con tan bajo nivel de desempeo. Puede hacer ms sentido comparar la variacin de las mediciones con un nivel de desempeo meta del proceso de produccin que cumpla con los requerimientos del cliente. 51 Para usar esta opcin, use la siguiente TV en el anlisis de RRG:
TV = USL LSL 6
2 2
y ndices
PV =
(TV ) (GRR )
Una vez que la variabilidad para cada factor en el estudio del gage se determina, puede comparase con la variacin total (TV). Esto se logra ejecutando los clculos del lado derecho del formato de reporte del gage (Figura III-B 16) con el ttulo Porcentaje de la Variacin Total. El porcentaje de la variacin del equipo (% de EV) consume el total de la variacin (TV) y es calculado por 100 [EV / TV ] . Los porcentajes de los otros factores de consumo de la variacin total pueden ser calculados igualmente como sigue:
% AV = 100[AV TV ] % RRG = 100[RRG TV ] % PV = 100[PV TV ]
LA SUMA DEL PORCENTAJE CONSUMIDO POR CADA FACTOR NO SERA IGUAL AL 100%.
Los resultados de este porcentaje de variacin total necesitan ser evaluados para determinar si el sistema de medicin es aceptable para su aplicacin esperada.
51
Por ejemplo, ver Manual de PPAP de Chrysler, Ford, y GM.
122
Si el anlisis se basa en las tolerancias en lugar de la variacin del proceso, entonces el formato del Reporte de Repetibilidad y Reproducibilidad de Gages (Figura III-B 16) puede ser modificado de manera que el lado derecho del formato represente el porcentaje de la tolerancia en lugar del porcentaje de la variacin total. En tal caso, %EV, %AV, %RRG y %PV son calculados sustituyendo el valor de la tolerancia dividida por seis en el denominador de los clculos en lugar de la variacin total (TV). Ambos enfoques pueden tomarse dependiendo del uso esperado de sistema de medicin y los deseos del cliente. El paso final en el anlisis numrico es determinar el nmero de categoras distintas que pudieran ser distinguidas confiadamente por el sistema de medicin. Este es el nmero de los intervalos de confianza no traslapados en un 97%, los cuales se extienden en la variacin esperada del producto. 52
ndc = 1.41 PV
RRG
Dado que el anlisis grfico no ha indicado alguna variacin por causas especiales, la regla emprica para la repetibilidad y reproducibilidad del gage (porcentaje RRG) puede encontrarse en el captulo II, seccin D. Para anlisis, el ndc es el mximo de uno de los valores calculados, truncado a un entero. Este resultado debiera ser mayor igual a 5. Para evitar un ndc = 0, lo cual es posible con el truncado en s, algunos programas de computadora redondean el resultado calculado. Esto puede resultar en diferencias en los reportes finales cuando los mismos datos son evaluados por diferentes programas Cuando se use el enfoque de Pp para TV, el clculo para ndc es: TV2 = PV2 + RRG2 PV2 = TV2 - RRG2 entonces
ndc = 1.41 PV = 1.41 RRG
TV RRG
2
RRG
Mtodo de Anlisis de Varianzas (ANOVA)

El anlisis de varianzas (ANOVA) es una tcnica estadstica y estndar y puede ser utilizada para analizar los errores den las mediciones y otras fuentes de variabilidad de los datos en un estudio de sistemas de medicin. En el anlisis de varianza, la varianza puede ser seccionada en cuatro categoras: partes, evaluadores, interaccin entre las partes y evaluadores y error de replicacin debida al gage.
52
La importancia del nmero de categoras distintas (ndc) en actividades de anlisis y control es discutida en el Captulo I, Seccin E, Aspectos Clave de Mediciones (especialmente Figura I-E 3). El clculo de ndc es revisado en Captulo II, Seccin B, Anlisis de Resultados Numricos.
123
Las ventajas de las tcnicas ANOVA, comparadas con los mtodos de promedios y rangos, son que: Son capaces de manejar cualquier ajuste experimental Pueden estimar las varianzas en forma ms exacta Extractan ms informacin (tal como el efecto de la interaccin de las partes y los evaluadores) de datos experimentales
Las desventajas son que los clculos numricos son ms complejos y los usuarios requieren un cierto grado de conocimiento estadstico para interpretar los resultados. El mtodo ANOVA como se describe en las siguientes secciones es aconsejable, especialmente si existe disponible una computadora.
Aleatoriedad e Independencia Estadstica
El mtodo para recolectar los daros es importante en un mtodo ANOVA. Si los datos no son recolectados en forma aleatoria, esto puede conducir a fuentes de valores de sesgo. Una forma simple para asegurar un diseo balanceado para (n) partes, (k) evaluadores y (r) intentos es a travs de la aleatoriedad. Un enfoque comn para aleatoriedad es escribir A1 en una tira de papel para denotar las mediciones del primer evaluador sobre la primera parte. Hacer esto hasta A(n) para las mediciones del primer evaluador en las n partes. Sigue el mismo procedimiento para el siguiente evaluador hasta incluir los k evaluadores. Smbolos similares son usados donde B1, C1 denotan las mediciones para los evaluadores A y B de la primera parte. Una vez que todas las combinaciones nk son escritas, entonces las tiras de papel son puestas en un recipiente. Una tira de papel es seleccionada a la vez. Estas combinaciones (A1, B2, ...) son el orden de medicin en el cual el estudio de gages ser ejecutado. Una vez que todas las combinaciones nk son seleccionadas, estas son puestas de regreso en el recipiente y el procedimiento se sigue otra vez. Esto se hace para un total de r veces para determinar el orden de experimentos para cada repeticin. Existen enfoques alternativos para generar una muestra aleatoria. Debiera ponerse cuidado para diferenciar entre el muestreo aleatorio, arbitrario y conveniente. 53 En general todos los esfuerzos necesitan tomarse para asegurar independencia estadstica dentro del estudio.
La generacin de nmeros aleatorios es demasiado importante para dejarlo a la suerte. Robert R. Covevou 54

Los datos pueden recolectarse de una forma aleatoria usando una forma similar a la Tabla III-B 6a. Para nuestro ejemplo, existen 10 partes y 3 evaluadores, y el experimento ha sido ejecutado en forma aleatoria y tres veces por cada combinacin parte y evaluador.
53 54
Ver Wheeler y Lyday, Evaluating the Measurement Process, Segunda Edicin, 1989, p. 27. Robert R. Coveyou (1915 20 Feb 1996) was an American mathematician who was a health physicist with the Manhattan Project from 1943 during WW II. He became a recognized expert in pseudo-random number generators.
124
Anlisis Grfico
Cualquier mtodo grfico ofrecido en la discusin de anlisis grfico anterior puede ser usado en el anlisis grfico mismo de los datos recolectados, como parte de un estudio ANOVA. Estos mtodos pueden ser usados para confirmar y ofrecer algn detalle adicional de los datos mismos (ej., tendencias, ciclo, etc.) Un mtodo grfico que se sugiere es el llamado grfico de interaccin. Este grfico confirma los resultados de la prueba F de si la interaccin es o no significativa. En esta grfica de interaccin particular, el promedio de las mediciones por evaluador por parte vs por nmero de parte (1, 2, ... etc.) son graficados en la Figura III-B 17. Los puntos para el promedio de las mediciones de cada evaluador por parte son conectados a las lneas (nmero de evaluadores) k del formato. La forma de interpretar la grfica es que si las lneas k son paralelas no existe interaccin. Cuando las lneas son no paralelas, la interaccin puede ser significativa. Mientras ms grande es el ngulo de interseccin, ms grande es la interaccin. Debieran tomarse medidas apropiadas para eliminar causas de la interaccin. En el ejemplo en la Figura III-B 17, las lneas son cercanamente paralelas, indicando que no existe una interaccin significativa.
Promedio
Figura III-B 17: Grfico de Interaccin

Otra grfica que algunas veces es de inters es la grfica de residuales. Esta grfica no es ms que un chequeo para la validez de los supuestos. Uno de los supuestos es que el (error del) gage es una variable aleatoria de una distribucin normal. Los residales, los cuales son las diferencias entre las lecturas observadas y los valores pronosticados, son graficados. El valor pronosticado es el promedio de las lecturas repetidas por cada evaluador y para cada parte. Si los residuos no son dispersos aleatoriamente arriba y abajo de cero (lnea horizontal de referencia), pudiera ser porque los supuestos son incorrectos y lo cual sugiere una investigacin adicional de los datos.
125
Residuales Versus los Valores Ajustados (la respuesta es valor)
Residual
Valor Ajustado
Figura III-B 18: Grfico de Residuales
Clculos Numricos
Aunque los valores pueden calcularse manualmente, la mayora de la gente usa programas de computadora para generar lo que se llama tabla de Anlisis de Varianzas (ANOVA) (ver apndice A). La tabla ANOVA aqu se compone de 5 columnas (ver Tabla III-B 7). La columna de Fuentes es la causa de la variacin. La columna de DF que son los grados de libertad asociados con la fuente. La columna de SS o suma de cuadrados es la desviacin alrededor del promedio de la fuente. La columna de MS o promedios al cuadrado es la suma de los cuadrados dividido por los grados de libertad. La columna de la razn o proporcin F, calculada para determinar la significancia estadstica del valor de la fuente.
La tabla de ANOVA es usada para seccionar la variacin total en cuatro componentes: partes, evaluadores, interaccin de los evaluadores y las partes y repetibilidad debida al instrumento. Para propsitos de anlisis, los componentes de varianzas negativas se fijan en cero. Esta informacin es usada para determinar las caractersticas del sistema de medicin como en el Mtodo de Promedios y Rangos.
126
Fuente Evaluadores Partes Evaluador por Parte Equipo Total
DF 2 9 18 60 89
SS 3.1673 88.3619 0.3590 2.7589 94.6471 *Nivel de Significancia de =0.05 Tabla III-B 7: Tabla ANOVA
MS 1.58363 9.81799 0.01994 0.04598
F 34.44* 213.52 0.434
La Tabla III-B 7 muestra los clculos de ANOVA para los datos del ejemplo de la Figura III-B 15 asumiendo un modelo de efectos arreglados. La Tabla III-B 9 muestra la comparacin del mtodo ANOVA con el mtodo de promedios y rangos. La Tabla III-B 10 muestra el reporte RRG para el mtodo de ANOVA.
Estimativo de la Varianza 2 = 0.039973 (Repetibilidad) 2 = 0.051455 (Evaluador) 2 =0 (Interaccin) Sistema = 0.09143 2 + 2 +2
Desviacin Estndar ( ) EV = 0.199933 AV = 0.226838 INT = 0 RRG = 0.302373 PV = 1.042327 TV =1.085
% Variacin Total 18.4 20.9 0 27.9 96.0 100
% Contribucin 3.4 4.4 0 7.8 92.2
2 = 1.086446
Variacin Total (Partes)
Tabla III-B 8: % de Variacin y Contribucin del Anlisis de ANOVA (El estimativo de la varianza se basa en el modelo sin interacciones)
127
ndc = 1.41 1.04233
0.30237
) = 4.861 5
Variacin Total (VT ) = RRG 2 + PV 2
(componentes ) % de la Variacin Total = 100 (total )

2 (componentes ) % de la Contribucin (con la Varianza Total) = 100 2 (total )
Anlisis de Estudios RRG

Los mtodos de promedios y rangos y ANOVA ofrecen informacin relativa a las causas de la variacin de un sistema de medicin o gages. Por ejemplo, si la repetibilidad es grande comparada con la reproducibilidad, las razones pueden ser: El instrumento necesita mantenimiento. El gage puede requerir ser rediseado para ser ms rgido.
La sujecin o localizacin del gage necesita mejorarse. Existe una variacin dentro de la parte excesiva.
Si la reproducibilidad es grande comparada con la repetibilidad, entonces las posibles causas podran ser: El evaluador necesita ser mejor entrenado en como usar y leer el instrumento del gage. Las calibraciones del gage no son claras. El dispositivo de algn tipo puede requerir el ayudar al evaluador a usar el gage ms consistentemente.
128
Mtodo RRG* EV AV INTERACCIN RRG PV
LC 55 Inferior 90% 0.175 0.133 -0.266
Desviacin Estndar 0.202 0.230 NA 0.306 1.104
LC Superior 90% 0.240 1.016 -0.363
% de la Variacin Total 17.06 20.1 NA 26.7 96.4
ANOVA 0.177 0.200 0.231 18.4 EV 0.129 0.227 1.001 20.9 AV -0 -0 INTERACCIN 0.302 1.033 27.9 0.237 RRG 1.042 96.0 PV * En el mtodo de promedios y rangos, el componente de interaccin no puede estimarse. Tabla III-B 9: Comparacin de los Mtodos ANOVA y Promedios y Rangos
Nombre y No. de la Parte: Caracterstica: Especificaciones:
Nombre del Gage: No. de Gage: Tipo de Gage:
Fecha: Hecho por:
% de la Variacin Porcentaje de Total Contribucin Repetibilidad (EV) 0.200 18.4 3.4 Reproducibilidad (AV) 0.227 20.9 4.4 Evaluador por Parte (INT) 0 0 0 RRG 0.302 27.9 7.9 Parte a - Parte (PV) 1.042 96.0 92.2 El sistema de medicin es aceptable para Anlisis y Control del Proceso Desviacin Estndar
Nota: Tolerancia = N.A. Nmero de categoras distintas de datos (ndc) = 4 Variacin Total (TV) = 1.085
Tabla III-B 10: Reporte de mtodo ANOVA RRG
55
CL = Lmite de Confiabilidad
129
130
Captulo III Seccin C Estudio de Sistemas de Medicin de Atributos
Seccin C Estudio de Sistemas de Medicin de Atributos

LSL USL
II
III
Tarjeta
II
Los sistemas de medicin de atributos son los tipos de sistemas de medicin donde los valores de mediciones mismas son una de un nmero finito de categoras. Esto es en contraste con los sistemas de medicin de variables los cuales pueden resultar en un infinito de valores. Los ms comunes de stos son el gage pasa/no pasa el cual cuenta solo con dos posibles resultados. Otros sistemas de atributos, por ejemplo los estndares visuales, pueden resultar en 5 a 7 categoras distintas tales como, muy bueno, bueno, aceptable, pobre y muy pobre. Los anlisis descritos en los captulos posteriores no pueden usarse para evaluar tales sistemas. Como se discuti en el Captulo I, Seccin B, existe un riesgo cuantificable cuando se estn usando sistemas de medicin en la toma de decisiones. Dado que el riesgo mayor est en los lmites de la categora, el anlisis ms apropiado sera la cuantificacin de la variacin del sistema de medicin con la curva de desempeo de un gage. (Ver Captulo IV Seccin F)
MTODOS DE ANLISIS DE RIESGOS

En algunas situaciones de atributos no es factible obtener suficientes partes con valores de referencia variables. En tales casos, los riesgos en tomar decisiones equivocadas o inconsistentes 56 pueden evaluarse usando: Anlisis de Pruebas de Hiptesis Teora de Deteccin de Seales
Dado que estos mtodos no cuantifican la variabilidad de los sistemas de medicin, solo debieran usarse bajo consentimiento del cliente. La seleccin y uso de tales tcnicas debiera basarse en buenas prcticas estadsticas, un entendimiento de las fuentes de variacin potenciales que afecten el producto y los procesos de medicin, y el efecto de una decisin incorrecta en los procesos restantes y el cliente final. Las fuentes de variacin de los sistemas de atributos debieran minimizarse usando los resultados de investigaciones sobre factores humanos y ergonoma.
Posibles Enfoques
Escenario
El proceso de produccin est en control estadstico y cuenta con ndices de desempeo de Pp = Ppk = 0.5 el cual es inaceptable. Debido a que el proceso est fabricando producto no conforme, se requieren acciones de contencin para sacrificar las partes no aceptables del flujo de produccin.
56
Esto incluye la comparacin de evaluadores mltiples
131
Figura III-C 1: Proceso Ejemplo con Pp = Ppk = 0.50

Para actividades de contencin, el equipo de procesos selecciona un gage de atributos que compare cada parte con un conjunto de lmites especficos y acepte la parte si los lmites se satisfacen; de lo contrario rechaza la parte (conocido como gage pasa / no pasa). La mayora de los gages de este tipo son ajustados para aceptar y rechazar en base a un conjunto de partes master. A diferencia de un gage de variables, este gage de atributos no puede indicar que tan bien o mal est una parte, si no solo que la parte se acepta o se rechaza (ej., 2 categoras). Como en todos los gages, este gage de atributos tiene areas Grises donde pueden tomarse decisiones equivocadas (ver Figura III-C 2 abajo y Captulo II, Seccin B).
Figura III-C 2: Las reas Grises Asociadas con el Sistema de Medicin

Dado que esto no se ha documentado por el equipo, se necesita estudiar el sistema de medicin. Sin embargo, para abordar las reas de riesgo alrededor de los lmites de especificacin, el equipo selecciona aproximadamente 25% de las partes en cerca del lmite superior de especificacin. En algunos casos donde es difcil hacer tales partes, el equipo puede decidir usar un porcentaje inferior, reconociendo que esto puede incrementar la variabilidad de los resultados. Si no es posible hacer partes cerca de los lmites de especificacin, el equipo debiera reconsiderar el uso de gages de atributos para este proceso. Conforme sea apropiado para cada carcterstica, las partes debieran ser medidas en forma independiente con un gage de variables y con una variacin aceptable (ej., una CMM). Cuando se mida un atributo verdadero que no pueda ser medido con un gage de variables, usense otros medios tales como, expertos para predeterminar cules muestras son buenas defectuosas.
132
Se usan tres evaluadores, con cada evaluador tomando tres decisin en cada parte. Una decision aceptable fu designada con un uno (1) y una decision no aceptable con un cero (0). La decision de referencia y los valores de referencia de la variable mostrados en la Tabla III-C 1 inicialmente no fueron determinados. La tabla tambin indica en la columna de Codificado si la parte est en el area I, area II area III indicado por -, x, y + respectivamente.
Anlisis de Pruebas de Hiptesis Mtodo Tabular Cruzado

Dado que el equipo no saba las decisiones de referencia para las partes, ellos desarrollaron tabulaciones tablas cruzadas comparndo cada uno de los evaluadores con los otros. El proceso de tables cruzadas analiza los datos de la distribucin para dos ms variables categricas. Los resultados presentados en un formato de una matriz forman una tabla de contingencia que ilustra la interdependencia entre las variables. 57
57
Las tabulaciones tablas cruzadas estn disponibles en muchos paquetes de software de anlisis estadsticos y son usadas en tablas de funciones como pivote en hojas de datos.
133

Parte A -1 A -2 A -3 B -1 B -2 B -3 C -1 C -2 C -3 Referencia Valor de Referencia Cdigo
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30 31 32 33 34 35 36 37 38 39 40 41 42 43 44 45 46 47 48 49 50
1 1 0 0 0 1 1 1 0 1 1 0 1 1 1 1 1 1 1 1 1 0 1 1 0 0 1 1 1 0 1 1 1 0 1 1 0 1 0 1 1 0 1 1 0 1 1 0 1 0
1 1 0 0 0 1 1 1 0 1 1 0 1 1 1 1 1 1 1 1 1 0 1 1 0 1 1 1 1 0 1 1 1 0 1 1 0 1 0 1 1 0 0 1 0 1 1 0 1 0
1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 1 1 0 1 0 0 1 1 1 1 1 1 0 1 1 1 1 1 1 1 1 1 1 0 0 0 0 0 0 0 0 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 0 0 0 0 0 1 0 0 1 1 1 1 1 1 1 1 0 1 1 1 1 0 0 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 0 1 0 1 0 1 0 1 1 0 1 0 1 1 0 0 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 0 0 0 0 0 0 0 0 0 0 0 0 0 0 1 0 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 0 0 0 1 0 0 0 0 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 0 0 1 0 1 1 0 1 1 1 1 1 1 1 1 0 1 1 1 1 0 1 1 0 0 0 0 0 0 0 0 1 1 1 1 1 1 1 1 0 0 0 0 0 0 0 0 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 0 0 0 0 0 0 0 0 1 1 1 1 1 1 0 1 1 1 1 1 1 1 1 1 0 0 0 0 0 0 0 0 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 0 0 0 0 0 0 0 0 1 1 1 1 1 1 1 1 0 0 0 0 0 0 0 0 Tabla III-C 1: Conjunto de Datos para un Estudio de Atributos
0.476901 0.509015 0.576459 0.566152 0.570360 0.544951 0.465454 0.502295 0.437817 0.515573 0.488905 0.559918 0.542704 0.454518 0.517377 0.531939 0.519694 0.484167 0.520496 0.477236 0.452310 0.545604 0.529065 0.514192 0.599581 0.547204 0.502436 0.521642 0.523754 0.561457 0.503091 0.505850 0.487613 0.449696 0.498698 0.543077 0.409238 0.488184 0.427687 0.501132 0.513779 0.566575 0.462410 0.470832 0.412453 0.493441 0.486379 0.587893 0.483803 0.446697
+ + x x + + + x + x + + + + + + x x + + x + + + x + + + x + x + + + x + + + + -
134
El primer paso es sumarizar los datos observados. Revisando Tabla III-C1, el equipo examin los datos por pares de observadores, contando cuando ellos acordaron y desacordaron para cada conjunto de evaluaciones. Esto es, par alas evaluaciones, hay 34 veces donde A-1 = 1 y B-1 = 1; hay 32 veces donde A-2 = 1 y B-2 = 1; y hay 31 veces donde A-3 = 1 y B-3 = 1 para un acuerdo total de 97. La tabla de abajo se construy para sumarizar la distribucin de los datos para el par de observadores A*B. Se prepararon tablas similares para pares de observadores B*C y A*C.
B .00 A 0.00 1.00 Total 1.00 Total 50 100 150 44 6 (acuerdan) (desacuerdan) 3 97 (desacuerdan) (acuerdan) 47 103
El Segundo paso es estimar la distribucin de datos esperada. Cul es la probabilidad de que un par de observadores acuerde desacuerde en alguna observacin, puramente por suerte? En 150 observaciones el Observador A rechaz la parte 50 veces y el Observador B rechaz la parte 47 veces:
PA0 = 47/150 = 0.313 PB0= 50/150 = 0.333

Dado que los dos observadores son independientes, la probabilidad de que ellos acuerden el que la parte est mala est dada por:
p( A0I B0) =
p p
A0
B0
= 0.104
El nmero esperado de veces que el Observador A y el Observador B acuerden el que la parte est mala es estima multiplicando la probabilidad combinada por el nmero de observaciones: 150 x (pA0 pB0) = 150 x (47/150) x (50/150) = 15.7 El equipo hace estimaciones similares para cada par de categoras y para cada par de observadores para completar las siguientes tablas:
135
Tabulacin Cruzada A * B B A 0.00 1.00 Total Cuenta Cuenta Esperada Cuenta Cuenta Esperada Cuenta Cuenta Esperada 0.00 44 15.7 3 31.3 47 47.0 Total 1.00 6 50 34.3 50.0 97 100 68.7 100 103 150 103.0 150.0
Tabulacin Cruzada B * C C B 0.00 1.00 Total Cuenta Cuenta Esperada Cuenta Cuenta Esperada Cuenta Cuenta Esperada 0.00 42 16.0 9 35.0 51 51.0 Total 1.00 5 47 31.0 47.0 94 103 68.0 103.0 99 150 99.0 150.0
Tabulacin Cruzada A * C C A 0.00 1.00 Total Cuenta Cuenta Esperada Cuenta Cuenta Esperada Cuenta Cuenta Esperada 0.00 43 17.0 8 34.0 51 51.0 1.00 Total 7 50 33.0 50.0 92 100 66.0 100.0 99 150 99.00 150.0
Tabla III-C 2: Resultados del Estudio de Tablas Cruzadas

Para determinar el nivel de este acuerdo, el equipo utiliza el kappa (de Cohen) el cual mide el acuerdo entre las evaluaciones de dos evaluadores cuando estn evaluando el mismo objeto. Un valor de 1 indica que el acuerdo es perfecto. Un valor de 0 indica que el acuerdo no es mejor que una mera probabilidad. El kappa solo est disponible en las tablas en las cuales ambas variables usen los mismos valores de las categoras y cuenten con el mismo nmero de categoras mismas. 58
58
Existe un cierto nmero de estadsticos que puede ser usado para determiner el acuerdo entre evaluadores. Diferentes estadsticos son apropiados para diferentes tipos de mediciones. Ver la Lista de Referencias incluyendo: Bland, J. M., y Altman, D.G. (1986); Cohen, J. (1960); Everitt, B. (1996); Fleiss, j.L. (1971); Krippendorf, K. (2004); Saal, F.E. Downey, R.G. y Lahey, M.A. (1980); Shrout, P. y Fleiss, J.L. (1979); y Uebersax, John S. (1987)
136
Kappa es una medida de acuerdo entre estimadores que prueba si las cuentas en las celdas diagonales (las partes que reciben la misma estimacin) difieren de aquellas esperadas solo por probabilidad. Hacer po= la suma de las proporciones observadas en las celdas diagonales. pe= la suma de la proporcin esperada en las celdas diagonales. Entonces
Kappa =
po pe 1 pe
Kappa es una medida ms que una prueba59. La medida es juzgada usando un error estndar asinttico para construir el estadstico t. Una regla emprica general es que los valores de kappa mayores que 0.75 indican u n acuerdo bueno a excelente (con un mximo de kappa = 1). Valores menores que 0.4 indican un acuerdo pobre.
Kappa no toma en cuenta el tamao del desacuerdo entre los estimadores, solo si ellos acuerdan o no. 60
Calculando las medidas de kappa para los evaluadores, el equipo concluye con lo siguiente:
Kappa A B C
A -0.86 0.78
B 0.86 -0.79
C 0.78 0.79 --
Tabla III-C 3: Resumen de Kappa

Este anlisis indica que todos los evaluadores muestran un buen acuerdo cada uno con los otros. Este anlisis es necesario para determinar si existen diferencias entre los evaluadores aunque no nos dice que tan bien el sistema de medicin clasifica partes buenas de las malas. Para este anlisis el equipo tiene las partes evaluadas usando un sistema de evaluacin por variables y usa los resultados para determiner la decision de referencia. Con esta nueva informacin otro grupo de tables cruzadas es desarrollado comparando cada evaluador con la decision de referencia.
59
60
Como en todas las evaluaciones por categoras, un nmero grande de partes que cubran el espectro completo de posibilidades es necesario. Cuando las observaciones son medidas en una escala ordinaria y por categoras un Kappa ponderado puede usarse para un mejor acuerdo de medicin. El acuerdo entre dos estimadores es tratado como Kappa aunque los desacuerdos son medidos por el nmero de categoras con los cuales los estimadores difieren.
137
Total
Tabulacin Cruzada A * REF REF .00 1.00 0.00 Cuenta 45 5 Cuenta Esperada 16.0 34.0 1.00 Cuenta 3 97 Cuenta Esperada 32.0 68.0 Cuenta 48 102 Cuenta Esperada 48.0 102.0
Total 50 50.0 100 100 150 150.0
Total
Tabulacin Cruzada B * REF REF 0.00 1.00 0.00 Cuenta 45 2 Cuenta Esperada 15.0 32.0 1.00 Cuenta 3 100 Cuenta Esperada 33.0 70.0 Cuenta 48 102 Cuenta Esperada 48.0 102.0
Total 47 47.0 103 103.0 150 150.0
Total
Tabulacin Cruzada C * REF REF 0.00 1.00 Total 0.00 Cuenta 42 9 51 Cuenta Esperada 16.3 34.7 51.0 1.00 Cuenta 6 93 99 Cuenta Esperada 31.7 67.3 99.0 Cuenta 48 102 150 Cuenta Esperada 48.0 102.0 150.0
Tabla III-C 4: Comparaciones de los Evaluadores con la Referencia

El equipo tambin calcula la medida kappa para determinar el acuerdo de cada evaluador con el valor de referencia.
Kappa
A .88
B .92
C .77
Estos valores pueden interpretarse como que cada uno de los evaluadores tiene un buen acuerdo con el estndar.
138
El equipo de proceso calcula entonces la efectividad del sistema de medicin.
Efectividad =
No.DecisionesCorrectas TotaldeOpertunidadesporDecision
% del Score vs Atributo2 Ev. A Ev. B Ev. C 50 50 50 42 0 0 8 93% 84% 71% 45 0 0 5 97% 90% 78% 40 0 0 10 90% 80% 66%
Fuente Total Inspeccionado # Iguales 42 45 Negativos Falsos (Evaluador Sesgado hacia el Rechazo) Positivos Falsos (Evaluador Sesgado hacia la Aceptacin) Mezclado 95% del UCI 93% 97% Score 84% 90% Calculado 95% del LCI 71% 78%
% del Evaluador1 Ev. A Ev. B Ev. C 50 50 50 40
90% 80% 66%
Score del % Efectivo del Sistema3

Total Inspeccionado # en Acuerdo 95% del UCI Score Calculado 95% del LCI Notas
50 39 89% 78% 64%
Score del % Efectivo del Sistema vs Referencia4 50 39 89% 78% 64%
(1) El evaluador acuerda con el mismo en todos los intentos. (2) El evaluador acuerda en todos los intentos con el estndar conocido. (3) Todos los evaluadores acuerdan dentro y entre ellos mismos. (4) Todos los evaluadores acuerdan dentro y entre ellos mismos y con la referencia. (5) UCI y LCI son los lmites de intervalos de confianza superior e inferior, respectivamente.
Tabla III-C 5: Tabla de Estudio de Efectividad

Las pruebas mltiples de hiptesis entre cada par de evaluadores puede conducirse con la hiptesis nula:
Ho: La efectividad de ambos evaluadores es la misma.

Dado que el score calculado de cada evaluador cae dentro del intervalo de confiabilidad de los otros, el equipo concluye que no pueden rechazar la hiptesis nula. Esto refuerza las conclusiones de las medidas de Kappa. Para anlisis adicionales, uno de los miembros del equipo obtiene la siguiente tabla la cual ofrece lineamientos para los resultados de cada evaluador.
139
Decisin Sistema de Medicin Aceptable para el evaluador Marginalmente aceptable para el evaluador puede requerirse mejoramiento No aceptable para el evaluador requiere mejoramiento
Efectividad
90% 80%
Proporcin Perdida
2%
Proporcin de Falsa Alarma

5% 10%
5%
< 80%
> 5%
> 10%
Tabla III-C 6: Ejemplo de Guas y Lineamientos para Criterios de Efectividad

Resumiendo toda la informacin que ya se tiene, el equipo concluye con esta tabla.
Efectividad A B C 84% 90% 80%
Proporcin Perdida 6.3% 6.3% 12.5%
Proporcin de Falsa Alarma 4.9% 2.0% 8.8%
Tabla III-C 7: Resumen del Estudio de Efectividad

Estos resultados muestran que el sistema de medicin tena diferentes niveles de desempeo en Efectividad, Proporcin Perdida y Proporcin de Falsa Alarma, dependiendo del evaluador. Ningn evaluador contaba con resultados aceptables en todas las tres categoras. Ningn evaluador contaba con resultados inaceptables en todas las tres categoras. Los lineamientos de aceptacin necesitaban ser modificados para ste proceso? Son stos riesgos aceptables? Los evaluadores requeran un mejor entrenamiento? Podra ser mejorado el ambiente de las mediciones? y ms importante Qu piensa el cliente acerca del sistema de medicin y estos resultados? - Cules eran sus expectativas? Los clientes aceptan stos niveles de riesgo?
Tamao de Muestra
La pregunta siempre se crea: Cuantas muestras debieran ser usadas en el estudio? Para desmayo de la mayora de la gente, la respuesta es suficientes. El propsito de cualquier estudio de mediciones (variables atributos) es entender las propiedades del sistema de medicin. Un nmero suficiente de muestras debiera ser seleccionado para cubrir el rango de operacin esperado (ver tambin Captulo II Seccin C). Con los sistemas de mediciones por atributos, las reas de inters son las
140
reas Tipo II (ver Captulo I, Seccin B). Si la habilidad inherente del proceso es buena (ej., Cp, Cpk Ppk grandes) entonces una muestra aleatoria pequea puede no tener muchas ( algunas) muestras en esta rea. Esto significa que conforme se mejora la habilidad del proceso, la muestra aleatoria requerida para el estudio de atributos debiera llegar a ser ms grande. En el ejemplo anterior, los ndices fueron Pp, Ppk = 0.5 (ej., un desempeo de proceso esperado de aproximadamente del 13% de no conformancia), la muestra seleccionada fue 50. Un ejemplo alternativo a las muestras grandes es la muestra salteada donde las partes son seleccionadas especficamente de las reas del Tipo II para incrementar la muestra aleatoria para asegurar que el efecto de la variabilidad del evaluador sea vista.
Aspectos a Considerar
1) No existen criterios de decisin basados en la teora para un riesgo aceptable. Los lineamientos anteriores son heursticos y desarrollados en base a creencias individuales acerca de lo que pasa como aceptable. Los criterios de decisin finales debieran basarse en el impacto (ej., riesgo) de mantener el proceso y el cliente final. Este es un tema de decisiones y no estadstico. El anlisis anterior depende de los datos. Por ejemplo, si los ndices del proceso son Pp = Ppk = 1.33, entonces todas las decisiones seran correctas dado que ninguna parte caera en la regin II (las reas grises) del sistema de medicin.
2)
Figura III-C 3: Proceso de Ejemplo con Pp = Ppk = 1.33

Con esta nueva situacin, se concluira que todos los evaluadores son aceptables dado que no habra errores de medicin.
141
3)
Generalmente existe un concepto equivocado de lo que realmente los resultados de tablas cruzadas significan. Por ejemplo, los resultados del evaluador B de la Tabla III-C 4 son:
0.00 1.00
Total
Tablas Cruzadas B* REF REF 0.00 1.00 Cuenta 45 2 % dentro de Ref. 93.8% 2.0% Cuenta 3 100 % dentro de Ref. 6.3% 98.0% Cuenta 48 102 % dentro de Ref. 100.0% 100.0%
Total 47 31.3% 103 68.7% 150 100.0%
Dado que el propsito de la inspeccin es encontrar todas las partes no conformes, la mayora de la gente ve la esquina superior izquierda como una medida de la efectividad de encontrar partes malas. Este % es la probabilidad de decir que una parte es mala dado que es mala:
Pr (llamar la parte mala una parte mala)

Asumiendo que el proceso es mejorado a un Pp = Ppk = 1.00, la probabilidad de inters hacia el fabricante es:
Pr (la parte es mala es llamada mala)

Para determinar sto de los datos anteriores, debe usarse el Teorema de Bayes.
Pr (malo llamadomalo ) =
Pr (l lamadomalo malo )* Pr (malo ) Pr (llamadomalo malo ) * Pr (malo ) + Pr (llamadomalo bueno )* Pr (bueno ) .938 * (.0027 ) Pr (malo llamadomalo ) = .938 * (.0027 ) + .020 * (.9973) Pr (malo llamadomalo ) = .11
Estos resultados indican que si la parte es llamada mala existe una probabilidad de 1 en 10 de que sea verdaderamente mala. 4) El anlisis no utiliza informacin de datos de variables ni informacin de orden relativo, la cual estuviera disponible cuando los valores de referencia de decisiones se determinaron.
142
Enfoque de Deteccin de Seales

Un enfoque alternativo es usar la teora de Deteccin de Seales 61 para determinar una aproximacin de la amplitud del rea de la regin II y de esto, el RRG del sistema de medicin. Esto requiere que cada una de las partes de la muestra puedan ser evaluadas fuera de lnea por sistemas de medicin de variables. Este valor de referencia es mostrado en la columna de Valor Ref en la Tabla III-C1. Pasos: 1) Determina la Tolerancia (rango de la especificacin); de la Figura III-C 1: USL = .550 LSL = .450 Entonces la Tolerancia = USL-LSL = .100. Este valor usado es usado para calcular el RRG. Guas y Lineamientos: Si Ppk>1, comparar el sistema de medicin con el proceso. Si Ppk<1, comparar el sistema de medicin con la tolerancia. Esta regla toma en cuenta la comparacin del sistema de medicin con el que sea ms estricto, el proceso la tolerancia. En este ejemplo, el Ppk = .5 (ver Figura III-C 1), de manera que el proceso es mayor que la tolerancia y este sistema de medicin debiera por tanto compararse con la tolerancia.
Tabla III-C 8: Tabla III-C 1 clasificada por Valor de Referencia

Para los datos en la Tabla III-C 1. 2) Ordenar por rango los datos (y celdas adyacentes) de la ms alta a la ms baja en base en los Valores de Referencia individuales (ver Tabla III-C 8; Nota: esta tabla ha sido dividida en dos columnas para ahorrar espacio.). Identifica los puntos inicial y final de las dos reas IIs. En Tabla III-C 8 esto se muestra en la columna de Code ( Cdigo): + = aceptado con acuerdo total - = rechazado con acuerdo total (en Tabla III-C 1) X = desacuerdo La amplitud estas zonas es lo que estamos tratando de determinar, y la amplitud promedio de estas zonas es usada para comparar el
3)
61
Ver Lista de Referencia: Baker 1975
143
sistema de medicin con la tolerancia de la especificacin, con la amplitud 6 sigma del proceso (dependiendo de la situacin). 4) Haciendo referencia a la grfica de arriba, hacer que dUSL = distancia entre la ltima parte aceptada por todos los evaluadores y la primera parte rechazada por todos. Esta distancia es equivalente a la zona II gris alrededor de USL arriba, limitada por la zona I superior a la derecha, y la zona III a la izquierdas. Note los valores circulados en la Tabla III-C 8 arriba.
Zone I = partes acordadas por todos los evaluadores para ser rechazadas. Zone III = partes acordadas por todos los evaluadores para ser aceptadas. Zone II = partes cuestionables sin un 100% de acuerdo, alrededor de cada lmite de especificacin.
Meta
5) Hacer que dLSL = la distancia entre la ltima parte aceptada por todos los evaluadores en Zona III y la primer parte rechazada por todos los evaluadores en la Zona I.
Hacer que di = distancia entre la ltima parte aceptada por todos los evaluadores y la primer parte rechazada por todos (para cada especificacin). Entonces, d = promedio (di) es un estimativo 62 de la amplitud de las reas de la regin II y, por tanto, un estimativo de RRG = 6 * RRG En este ejemplo (p. 126) donde la tolerancia es 0.100,
dLSL = 0.470832-0.446697 = 0.024135 dUSL = 0.566152-0.542704=0.023448
d = 0.0237915 el %RRG estimado es, %RRG = 24% Dado que este ejemplo fue generado por un sistema de medicin con un %RRG = 25% actual, este estimativo conducira a la misma evaluacin del sistema de medicin. Si solo la informacin de los datos ordenados estuviera disponible, esta tcnica puede todava usarse aunque requiere conocimiento del asunto tema para cuantificar ds.
62
La bondad de este estimativo depende del tamao de la muestra y de que tan cerca la muestra represente al proceso. Mientras ms grande es la muestra, mejor es el estimativo.
144
METODO ANALITICO 63
Como en cualquier sistema de medicin, la estabilidad del proceso debiera verificarse y, si es necesario, monitorearse. Para sistemas de medicin de atributos, las grficas de control de atributos con muestras constantes en el tiempo es una forma comn de verificar la estabilidad. 64 Para un sistema de medicin de atributos, el concepto de la Curva de Desempeo de un Gage (ver captulo V, seccin C) es usado para desarrollar un estudio de un sistema de medicin, el cual se use para evaluar la cantidad de repetibilidad y sesgo del sistema de medicin en cuestin. Este anlisis puede usarse en sistemas de medicin de 1 y 2 lmites. Para un sistema de medicin de dos lmites, solo un lmite necesita ser examinado con los supuestos de linealidad y error de uniformidad. Por conveniencia, el lmite inferior es usado para discusin. En general, el estudio de los sistemas de medicin de atributos consiste en la obtencin de valores referencia para varias partes seleccionadas. Estas partes son evaluadas un cierto nmero de veces, (m), con el nmero total de aceptadas (a), para cada parte registrada. De los resultados, puede evaluarse la repetibilidad y el sesgo. La primera etapa de un estudio de atributos es la seleccin de las partes. Es esencial que el valor de referencia sea conocido para cada parte usada en el estudio. Debieran seleccionarse 8 partes en intervalos equidistantes y lo ms cerca y prctico posibles. Los valores mximo y mnimo debieran representar el rango del proceso. Aunque esta seleccin no afecta la confiabilidad en los resultados, si afecta el nmero total de partes necesarias para completar el estudio del gage. Las 8 partes deben correrse a travs del gage, m = 20 veces y registrarse el nmero de aceptadas, (a). Para el estudio total, la parte ms pequea debe contar con el valor a = 0; la parte ms grande, a = 20; y las otras 6 partes, 1< a < 19. Si estos criterios no son satisfechos, ms partes con valores de referencia conocidos, (X) deben correrse a travs del gage hasta que las condiciones anteriores se cumplan. Si para el valor ms pequeo a 0, entonces mas y mas partes pequeas son tomadas y evaluadas hasta que a = 0. Si para el valor ms grande a 20, entonces ms y ms partes grandes son tomadas hasta que a = 20. Si 6 de las partes no cuentan con 1< a < 19, pueden tomarse partes adicionales en puntos seleccionados a lo largo del rango. Estos puntos son tomados como puntos medios de las mediciones de las partes ya medidas en el estudio. El primer intervalo con el final a = 0 empieza desde la ms grande medicin donde a = 0. Para el final con a = 20, el primer intervalo comienza en la medicin ms pequea donde a = 20. Para mejores resultados, debieran tomarse muestras para finales con a = 0 y a = 20 y trabajarse hacia el punto medio del rango de la parte. Si es necesario, el procedimiento puede repetirse hasta que se cumplan los criterios. Una vez que los criterios de recoleccin de datos han sido satisfechos, las probabilidades de aceptacin deben calcularse para cada parte usando las siguientes ecuaciones:
63 64
Adaptada con el permiso de Anlisis de Sistemas de Gages por Atributos por J. McCaslin & G.Gruska, ASQC, 1976. Caveat: np > 4
145
Pa
a + 0.5 m a 0.5 m 0.5
if
a < 0.5, m a if > 0.5, m a if = 0.5 m
a0 a 20
Los ajustes cubren los casos donde 1 a 19 . Para los casos donde a = 0 fijar P'a =0 excepto para el valor de referencia ms grande con a = 0, en el cual P'a =0.025. Para los casos donde a = 20 entonces P'a =1 excepto para el valor de referencia ms pequeo con a = 20 y en el cual P'a =0.975. Una vez que el P'a ha sido calculado para cada XT, la Curva de Desempeo del Gage (CDG) puede desarrollarse. Aunque la CDG puede presentarse grficamente (ver Figura III-C 5), el uso del papel de distribucin normal (ver Figura III-C 4) produce estimativos ms exactos de la repetibilidad y el sesgo. Las probabilidades calculadas son graficadas en papel de probabilidad normal y una lnea de mejor ajuste es trazada a travs de estos puntos. El sesgo es igual al lmite inferior menos la medicin del valor referencia que corresponda a P'a =0.5,
Sesgo = Lmite Inferior de Especificacin - XT(en Pa = 0.5)

La repetibilidad es determinada encontrando las diferencias de las mediciones del valor referencia correspondientes a P'a=0.995 P'a=0.005 y dividiendo por un factor de ajuste de 1.08. 65
Re petibilidad =
XT (a P' a = 0.995) XT (a P ' a = 0.005) 1.08
Para determinar si el sesgo es significativamente diferente de cero, el siguiente estadstico es usado:
t=
6.078 Sesgo
Re petibilidad
Si este valor calculado es mayor que 2.093 (t025,19), entonces el sesgo es significativamente diferente de cero. Un ejemplo clarificar la recoleccin de datos de un estudio de atributos y el clculo de la repetibilidad y sesgo.
65
El factor de ajuste (sin sesgo) de 1.08 es especfico para un tamao de muestra de 20 y fue determinado a travs de una simulacin de ste enfoque con un rango de repetibilidad del 99%. Para convertir el resultado a un rango de 6 sigma, se divide por 5.15 y se multiplica por 6.
146
Ejemplo
Un gage de atributos est siendo usado para medir una dimensin que tiene una tolerancia de + 0.010. El gage es un dispositivo de inspeccin al 100% automtico y de final de lnea que es afectado por la repetibilidad y sesgo. Para ejecutar el estudio de atributos, se corren 8 partes con valores de referencia en intervalos de 0.002 desde 0.016 hasta 0.002, a travs del gage 20 veces cada parte. El nmero de aceptados para cada parte es
XT -0.016 -0.014 -0.012 -0.010 -0.008 -0.006 -0.004 -0.002
a 0 3 8 20 20 20 20 20
Dado que existen dos valores de referencia con 1 a 19 , al menos cuatro partes ms deben ser encontradas. Entonces, es necesario correr partes con valores de referencia en los puntos medios de los valores existentes. Estos valores de referencia y el nmero de aceptados es:
-0.015 -0.013 -0.011
1 5 16
Ahora existen 5 valores de referencia con 1 a 19 . El procedimiento requiere que una parte ms se encuentre con 1 a 19 . Entonces, la siguiente parte es evaluada.
-0.0105
18
Ahora que los criterios de recoleccin de datos se han satisfecho, las probabilidades de aceptacin pueden calcularse usando los ajustes binomiales mostrados abajo.
XT -0.016 -0.015 -0.014 -0.013 -0.012 -0.011 -0.0105 -0.010 -0.008
a 0 1 3 5 8 16 18 20 20
Pa 0.025 0.075 0.175 0.275 0.425 0.775 0.875 0.975 1.000
147
Estas probabilidades son graficadas en un papel de probabilidad normal como se muestra en la Figura III-C 4. Graficando una lnea de mejor ajuste a travs de estos puntos, pueden determinarse el sesgo y la repetibilidad. El sesgo es igual al lmite inferior menos la medicin del valor referencia que corresponda a P'a=0.5. De la Figura III-C 4:
Sesgo = -0.010 - (-0.0123) = 0.0023

La repetibilidad se determina encontrando las diferencias de las mediciones del valor referencia correspondientes a P'a=0.995 y P'a=0.005 y dividiendo por 1.08. De la Figura III-C 4:
R=
0.0084(0.0163) 1.08 0.0079 = = 0.0073 1.08 = R = 0.00142 and the associated GRR range is 0.0085 5.15
Then
repetibilidad
Para determinar si el sesgo es significativamente diferente de cero, calcular:
t= =
6.078 Sesgo
repetibilidad
6.078 0.0023 0.00142
= 9.84
Dado que t0.025,19=2.093, el sesgo es significativamente diferente de cero. Como en la Curva de Desempeo de un Gage para variables mostrada en el Captulo IV, Seccin F, la CDG de atributos puede tambin ser graficada en papel de escala normal (ver Figura III-C 5). Esto puede lograrse en una de dos formas. Un enfoque sera correr el estudio de la muestra en otro lmite de la especificacin. En el ejemplo, el mtodo largo para el estudio de atributos tambin tendra que conducirse en el lmite ms alto de la especificacin y calcularse los valores graficados. Sin embargo y debido a los supuestos mencionados previamente, no sera necesario correr el estudio otra vez. Dado que la forma de la curva en el lmite superior debiera ser una imagen de espejo de la curva misma en el lmite inferior, la nica consideracin necesaria es la localizacin de la curva con respecto a los valores XT. Esta localizacin se determina por el sesgo. La posicin correcta de la curva sera definida en el punto donde la P'a = 0.5, y el valor de XT es igual al lmite de la especificacin menos el sesgo. En el ejemplo, este punto sera XT= 0.010 - 0.0023 = 0.0077. La CDG graficada en esta forma se muestra en la Figura III-C 4.
148
99.8 99.5 99.0
Repetibilidad = 0.0079 Desajustada
0.2 0.5 1.0
98.0 95.0
2.0
5.0
90.0
10.0
80.0 70.0 60.0 50.0 40.0 30.0 20.0

20.0
30.0
40.0
50.0 60.0 70.0 80.0
10.0
90.0
5.0 2.0
95.0
98.0
1.0

99.0 99.5
99.8
0.5 0.2
-0.016
-0.014
-0.012
-0.01
Sesgo = -0.010 - (-0.0123) = 0.0023

Tabla III-C 4: Curva de Desempeo de Gage de Atributos Graficada en Papel de Probabilidad Normal
149
LSL
USL
p
1 .0 0 .9
Probabilidad de Aceptacin
0 .8 0 .7 0 .6 0 .5 0 .4 0 .3 0 .2 0 .1 0 .0
-0 .0 2 0 -0 .0 1 5 -0 .0 1 0 -0 .0 0 5 0 .0 0 .0 0 5 0 .0 1 0 0 .0 1 5 0 .0 2 0
V a lo r d e R e fe re n c ia d e la s P a rte s M e d id a s
Sesgo=0.0023 RRG=0.0085
Figura III-C 5: Curva de Desempeo de Gages de Atributos
150
Captulo IV Otras Prcticas y Conceptos de Medicin
CAPTULO IV Otras Prcticas y Conceptos de Mediciones
151
152
Captulo IV Seccin A Prcticas para Sistemas de Medicin Complejos No Replicables
Seccin A
Prcticas para Sistemas de Medicin No Replicables
El enfoque de este manual de referencia es sistemas de medicin donde las lecturas puedan replicarse para cada parte. No todos los sistemas de medicin tienen esta caracterstica; por ejemplo: Sistemas de mediciones destructivas Sistemas donde la parte cambia en el uso / prueba; ej., pruebas de dinammetro en motores o transmisiones
Lo siguiente son ejemplos de enfoques para anlisis de sistemas de medicin, incluyendo aquellos no discutidos previamente en este manual. No se pretende que sea una lista completa cubriendo cada tipo de sistema de medicin si no solo ejemplos de varios enfoques. Si un sistema de medicin no se ajusta al enfoque del manual, se recomienda ayuda y consulta de fuentes estadsticas competentes.
Sistemas de medicin destructivos

Cuando la parte (caracterstica) a ser medida es destruida por el acto mismo de medicin el proceso es conocido como medicin destructivas. Esto incluye la clase completa de sistemas de medicin conocidos como sistemas de medicin destructivos; por ejemplo, pruebas de soldadura destructivas, pruebas de acabado metlico destructivas, pruebas de cmara de humedad/salina, pruebas de impacto (gravelometro) de espectrometra de masas y otros procesos de pruebas de caractersticas de materiales. Estos son los ejemplos clsicos de sistemas de medicin no replicables dado que lecturas repetitivas no pueden tomarse para una misma parte.
Sistemas donde la parte cambia en el uso/prueba

Sin embargo, existen otros sistemas de medicin los cuales son no replicables, y donde la parte misma no es daada por el proceso de medicin aunque la caracterstica a ser medida cambia. Ejemplos de esto son: pruebas de fuga con datos cualitativos, pruebas usando stands de prueba de mquinas, stands de pruebas de transmisin, dinammetros de vehculos, etc. El anlisis de estos sistemas depende de si 1) Un conjunto de partes homogneas (variacin pequea entre partes) puede encontrarse para representar una sola parte; 2) La vida de anaquel de la caracterstica (propiedad) es conocida y se extiende ms all de la duracin esperada del estudio ej., la caracterstica medida no cambia dentro de un perodo esperado de uso; 3) Las propiedades dinmicas (cambiantes) pueden ser estabilizadas
153
El mapeo de los estudios descritos en este captulo y los diferentes escenarios es como sigue:
Estudios de Estabilidad Escenario

La parte no cambia por el proceso de medicin, ej., los sistemas de medicin que no son destructivos (replicables) y sern usados con partes (especimenes) con: Propiedades estticas, o Propiedades dinmicas (cambiantes) as cuales han sido estabilizadas La vida de anaquel de la caracterstica (propiedad) es conocida y se extiende ms all de la duracin esperada del estudio; ej., la caracterstica medida no cambia durante el periodo esperado de uso. Sistemas de medicin destructivos. Otros sistemas de medicin no replicables. Sistemas de medicin con caractersticas dinmicas: ej., stands de prueba
S1
S2
S3
S4
S5
Estudios de Variabilidad Escenario

La parte no cambia por el proceso de medicin; ej., lo sistemas de medicin que son no destructivos y sern usados con partes (especimenes) con: Propiedades estticas, o Propiedades dinmicas (cambiantes) las cuales han sido estabilizadas Lo anterior con p>2 instrumentos. Sistemas de medicin destructivos. Otros sistemas de medicin no replicables. Sistemas de medicin con caractersticas dinmicas: ej., stands de prueba Sistemas de medicin con caractersticas dinmicas con p>3 instrumentos
V1
V2
V3
V4
V5
V6
V7
V8
V9
Tabla IV-A 1: Mtodos Basados en los Tipos de Sistemas de Medicin.
154
Captulo IV Seccin B Estudios de Estabilidad
Seccin B
Estudios de Estabilidad
S1: Una Parte 66, Medicin nica por Ciclo
Aplicacin:
a) Sistemas de medicin en los cuales la parte no cambia por el proceso de medicin; ej., sistemas de medicin que no son destructivos y sern usados con partes (especimenes) con: 9 Propiedades estticas, o 9 Propiedades dinmicas (cambiantes) que han sido estabilizadas b) La vida de anaquel de la caracterstica (propiedad) es conocida y se extiende ms all de la duracin del estudio; ej., la caracterstica medida no cambia durante el periodo esperado de uso.
Supuestos:
El sistema de medicin es conocido (documentado) para una respuesta lineal sobre un periodo esperado de la caracterstica (propiedad). Las partes (especimenes) cubren el rango esperado de la variacin del proceso de la caracterstica.
Analiza usando las grficas X & mR

Determina la estabilidad del sistema de medicin: 9 Compara los puntos graficados con los lmites de control 9 Checa tendencias (solo la grfica x) Compara e = R repetibilidad E de un estudio de variabilidad (ver siguiente seccin). Determina el sesgo si el valor de referencia es conocido: sesgo = x - valor de referencia
* d2
(error total de las mediciones) con el estimativo de la
66
Puede usarse un estndar o patrn de referencia si es apropiado para el proceso.
155
S2: 3 Partes n > 3 67, Medicin nica por Ciclo por Parte
Aplicacin:
a) Sistemas de medicin en los cuales la parte no cambia por el proceso de medicin; ej., sistemas de medicin que no son destructivos y sern usados con partes (especimenes) con: 9 Propiedades estticas, o 9 Propiedades dinmicas (cambiantes) que han sido estabilizadas. b) La vida de anaquel de la caracterstica (propiedad) es conocida y se extiende ms all de la duracin del estudio; ej., la caracterstica medida no cambia durante el periodo esperado de uso.
Supuestos:
El sistema de medicin es conocido (documentado) para una respuesta lineal sobre un periodo esperado de la caracterstica (propiedad). Las partes (especimenes) cubren el rango esperado de la variacin del proceso de la caracterstica.
Analiza usando una grfica [z, R]: donde zi = xi i
Y i es el valor estndar (de referencia), o determinado por el promedio de un nmero grande de lecturas sucesivas de la parte (espcimen). Determine la estabilidad del sistema de medicin: 9 Compare los puntos graficados con los lmites de control 9 Cheque tendencias (solo en grfica z) Compare
68
e = R
* d2
con el estimativo de la repetibilidad E de un estudio
de variabilidad. Determine el sesgo si los valores de referencia son conocidos. sesgo = x - valor de referencia Determina la linealidad si se usan n > 3 partes: 9 Las partes (especimenes) deben cubrir el rango esperado de la propiedad 9 Cada parte (espcimen) debiera ser analizada por separado para el sesgo y la repetibilidad 9 Cuantifica la linealidad usando el anlisis de linealidad discutido en el captulo III, seccin B.
67 68
Puede usarse un estndar o patrn de referencia si es apropiado para el proceso. Si se involucra a ms de un evaluador en la recoleccin de datos, entonces E (estimativo de la repetibilidad) es afectada tambin por la reproducibilidad del sistema de medicin. Cuantifica la reproducibilidad con grficas de correlacin y bigotes e indexadas por evaluador (ver captulo III, seccin B).
156
Si se usa ms de un instrumento es este estudio, determina la consistencia (homogeneidad de la variacin) entre los instrumentos; ej., uso de la prueba F, prueba de Bartlett, prueba de Levene 69, etc.
S3: Muestra Grande de un Proceso Estable

Aplicacin:
El sistema de medicin debe estar evaluando una muestra (recolectada y aislada) homognea y distribuida e idnticamente independiente (dii). Las mediciones de las partes individuales (especimenes) no son replicadas por lo que este estudio puede usarse con sistemas de medicin destructivos y no replicables.
Supuestos:
La vida de anaquel de la caracterstica (propiedad) es conocida y se extiende ms all de la duracin esperada del estudio; ej., la caracterstica medida no cambia durante el periodo esperado de uso y/o almacenamiento. Las partes (especimenes) cubren el rango esperado de la variacin del proceso de la caracterstica (propiedad). La linealidad del sistema de medicin es conocida (documentada) sobre el rango esperado de la caracterstica (propiedad). (Si la respuesta es no lineal, las lecturas deben ajustarse).
Analiza:
Determinando la variabilidad total a travs de un estudio de habilidad con n>30 partes. (Este estudio preliminar debiera tambin ser usado para verificar la consistencia de la muestra: ej., todas las partes (especimenes) vienen de una distribucin unimodal).
2 2 2 total = Pr oceso + sistemamediciones
Midiendo una o ms lecturas individuales de la muestra aislada en periodos de tiempo, use grficas x & R o x & mR con lmites de control determinados por el estudio de habilidad. Compare los puntos graficados con los lmites de control. Cheque tendencias. Dado que las partes (especimenes) no cambian (una muestra aislada), cualquier indicacin de inestabilidad sera atribuida a un cambio en el sistema de medicin.
69
Dataplot, National Institute of Standars and Technology, Statistical Engineering Divisin (www.itl.nist.gov)
157
S4: Especimenes Divididos (General), Espcimen nico por Ciclo

Aplicacin:
Las mediciones de pociones de partes (especimenes) individuales no son replicadas de forma tal que el estudio puede ser usado con sistemas de medicin destructivos y no replicables.
Supuestos:
La vida de anaquel de la caracterstica (propiedad) es conocida y se extiende ms all de la duracin esperada del estudio; ej., la caracterstica medida no cambia durante el periodo esperado de uso y/o almacenamiento. Las partes (especimenes) cubren el rango esperado de la variacin del proceso de la caracterstica (propiedad). Los especimenes son divididos en m porciones. Con m=2 porciones, este a menudo es llamado estudio de prueba volver a probar.
Analiza usando:
La grfica de rangos para rastrear la consistencia de las mediciones (confundida con la consistencia dentro del lote). Compara e = R variabilidad.
2 2 Este es un estudio de lmite superior: e2 = E + btwn * d2
con el estimativo de la repetibilidad E de un estudio de
Grfica para rastrear la consistencia del proceso de produccin.
S4 con Pares de Partes Consecutivas (Homogneas) de Diferentes Lotes S4a

Este estudio es el mismo que S4 con partes homogneas de diferentes lotes. Es un 2 2 2 estudio de lmite superior, dado que e2 = E + btwn + lots
158
S5: Stands de Prueba

En esta situacin, instrumentos de medicin mltiple (stands de prueba) evalan las mismas caractersticas de un flujo continuo del producto. El flujo del producto es asignado aleatoriamente a stands individuales.
S5a: Respuestas de Atributos Analiza usando las grficas p:

Determina la consistencia (de las decisiones) entre los stands: una grfica simple incluyendo los resultados de todos los stands. Determina la estabilidad dentro de los stands individuales: grficas separadas para cada stand.
Analiza la estabilidad total del sistema con una grfica p & mR, donde promedio de todos los stands de prueba en un cierto da.
p es el
S5b: Respuestas de Datos de Variables Analiza usando ANOVA y tcnicas grficas: 70 Calcula x & s para cada stand de prueba (por caracterstica), en el periodo de
tiempo. Determina la consistencia entre los stands: una grfica simple x & s incluyendo los resultados de todos los stands. Determina la estabilidad dentro de los stands individuales: grfica x & s por separado para cada stand. Cuantifica la consistencia (homogeneidad de variacin) entre los stands; ej., usa la prueba F, de Bartlett, de Levene, etc. Determina si todos los stands cuentan con la misma meta comparando los promedios de los stands; ej., usando un anlisis ANOVA de un sentido. Si existe alguna diferencia, asla los diferentes stands usando, por ejemplo, la prueba T de Tukey.
70
Ver tambin James, P.D., Graphical Displays of Gages R&R Data, AQC transaction, ASQC, 1991
159
160
Captulo IV Seccin C Estudios de Variabilidades
Seccin C
Estudios de Variabilidades
Todos los estudios descriptivos son enumerativos por naturaleza y describen el sistema de medicin (incluyendo los efectos del medio ambiente) durante el estudio. Dado que los sistemas de medicin son usados para toma de decisiones futuras acerca de los productos, proceso o servicios, es necesaria una conclusin analtica acerca del sistema de medicin. La transicin de resultados enumerativos analticos requiere conocimientos del tema y pericia para: Asegurar que todas las fuentes de variacin de las mediciones son consideradas en el diseo y en la ejecucin del estudio. Analizar los resultados (datos) a la luz del uso esperado, medio ambiente, control, mantenimiento, etc.
V1: Estudios Estndar RRG

Estos estudios estn contenidos dentro de este manual de referencia. Estos estudios incluyen anlisis grficos y numricos. V1a Mtodo de Rangos (R&R) V1b Mtodo de Rangos (R&R y dentro de las partes) V1c Mtodo ANOVA V1d Mtodo de Rangos/ANOVA Modificado
V2: Lecturas Mltiples con p>2 Instrumentos

Esto permite la comparacin de instrumentos mltiples.
Aplicacin: a) Sistemas de medicin en los cuales la parte no cambia por el proceso de

medicin; ej., sistemas de medicin que son no destructivos y sern basados con partes (especimenes) con: 1) Propiedades estticas, o 2) Propiedades dinmicas (cambiantes) las cuales han sido estabilizadas.
Supuestos:
La vida de anaquel de la caracterstica (propiedad) es conocida y se extiende ms all de la duracin esperada del estudio; ej.,la caracterstica medida no cambia durante el periodo esperado de uso. Partes (especimenes) cubren el rango esperado de la variacin del proceso de la caracterstica.
161
Analiza usando los estimativos de Grubbs 71 (o Thompson) 72 :

La variabilidad del proceso La variabilidad del instrumento = repetibilidad Los clculos de la regin de confiabilidad estn disponibles.
V3: Especmenes Divididos (m = 2)

Aplicacin:
Las mediciones de porciones individuales de las partes (especimenes) no son replicadas de manera que este estudio puede ser usado en sistemas de medicin destructivos y no replicables y puede ser usado para analizar sistemas de medicin con caractersticas dinmicas.
Supuestos:
La vida de anaquel de la caracterstica (propiedad) es conocida y se extiende ms all de la duracin esperada del estudio; ej., la caracterstica medida no cambia durante el periodo esperado de uso y/o almacenamiento. Las partes (especmenes) cubren el rango esperado de la variacin del proceso de la caracterstica (propiedad). Los especmenes son divididos en m porciones. Con m=2 porciones, este es a menudo llamado estudio de prueba volver a probar.
Analiza usando tcnicas de regresin:

Estima la repetibilidad con el trmino del error: E = e Linealidad (comparando la lnea estimada con la lnea a 45)
V3a - V3 con Pares de Partes Consecutivas

Este estudio es el mismo que V3 pero usando pares consecutivos de partes ms que especimenes divididos. Este estudio es usado en situaciones donde la parte no puede ser dividida sin destruir la propiedad a ser medida. Este es un estudio de lmites superior: E e + btwn
71 72
Ver lista de referencias, Grubbs, F.E., 1973. Ver lista de referencias, Thompson, W.A., Jr., 1963.
162
V4: Especimenes Divididos (General)

Aplicacin:
Las mediciones de porciones individuales de partes (especimenes) no son replicadas de manera que el estudio puede usarse para sistemas de medicin destructivos y no replicables y puede ser usado para analizar sistemas de medicin con caractersticas dinmicas.
Supuestos:
La vida de anaquel de la caracterstica (propiedad) es conocida y se extiende ms all de la duracin esperada del estudio; ej., la caracterstica medida no cambia durante el periodo esperado de uso y/o almacenamiento. Las partes (especimenes) cubren el rango esperado de la variacin del proceso de la caracterstica (propiedad). Dividir los especimenes en m porciones donde m=0 mod 2 o 3; m > 2 (ej., m=3, 4, 6, 9, ...).
Analiza usando:
Tcnicas RRG estndar incluyendo grficas ANOVA Diseo de Bloques Aleatorio (ANOVA en dos sentidos)
V4a - V4 con Pares de Partes Consecutivas (homogneas) de Diferentes Lotes

Este estudio es el mismo que V4 usando pares consecutivos de partes ms que especimenes divididos. Este estudio es usado en situaciones donde la parte no puede ser dividida sin destruir la propiedad a ser medida. Este es un estudio de lmite superior: E e + partes + lotes
Los siguientes estudios asumen que la caracterstica (propiedad) de la parte (espcimen) es dinmica.
V5: Igual que V1 con Partes Estabilizadas

Las partes usadas en el estudio son estabilizadas usando un proceso en base a conocimientos de ingeniera y pericia; Ej., motores que son fracturados vs motores verdes.
163
V6: Anlisis de Series de Tiempo

Supuestos:
Lecturas repetidas son tomadas sobre periodos especificados de tiempo. La vida de anaquel de la caracterstica (propiedad) es conocida y se extiende ms all de la duracin esperada del estudio; ej., la caracterstica medida no cambia durante el periodo esperado de uso. Las partes (especimenes) cubren el rango esperado de la variacin del proceso de la caracterstica.
Analiza determinando el modelo de degradacin para cada parte de la muestra:

E = e
Consistencia de degradacin (si n>2)
V7: Anlisis Lineal

Supuestos:
Lecturas repetidas son tomadas en periodos de tiempo especificados. Degradacin en el sistema de medicin es conocida (documentada) para contar con una respuesta lineal en periodos de tiempo especificados. La vida de anaquel de la caracterstica (propiedad) es conocida y se extiende ms all de la duracin esperada del estudio; ej., la caracterstica medida no cambia durante el periodo esperado de uso. Las partes (especimenes) cubren el rango esperado de la variacin del proceso de la caracterstica.
Analiza por regresin lineal: E = e

Consistencia de degradacin (si n>2)
V7a - V7 con una Muestra Homognea Analiza por regresin lineal: Este es un estudio de lmite superior: E e + btwn
V8: Tiempo vs Degradacin de la Caracterstica (Propiedades)

V6 & V7 Pueden modificarse para determinar si la degradacin es tiempo (ej., vida de anaquel) o depende de la actividad.
164
V9: V2 con Lecturas Mltiples Simultaneas y p>3 Instrumentos

Analiza igual como V2 (ver tambin Lipson & Sheth, sec. 13.2).
165
166
Captulo IV Seccin D Cuantificando el Efecto de Variacin Excesiva Dentro de las Partes
Seccin D Reconocimiento de Efectos de Variaciones Excesivas dentro de las Partes

El entendimiento de las fuentes de variacin de un sistema de medicin es importante para todas las aplicaciones de las mediciones pero llega a ser ms crtico cuando existe una variacin significativa dentro de las partes. La variacin dentro de las partes puede causar que la evaluacin del sistema de medicin ofrezca resultados errneos. Esto es porque la variacin dentro de las partes no tomada en cuenta afecta el estimativo de repetibilidad, reproducibilidad o ambos. Esto es, la variacin dentro de las partes puede aparecer como un componente significativo de la variacin del sistema de medicin. El entendimiento de la variacin dentro de las partes presente en el producto resultar en un entendimiento ms significativo de la adecuacin del sistema de medicin para la tarea en cuestin. Ejemplos de variaciones dentro de las partes las cuales pueden encontrarse son: redondeado, concentricidad, planicidad, perfil, cilindricidad, etc. 73 Es posible que ms de una de estas caractersticas pueda estar presente al mismo tiempo dentro de la misma parte (error compuesto). La fuerza de cada caracterstica y sus interdependencias pueden componer los datos y el entendimiento resultante del sistema de medicin. El reconocimiento y anlisis de estas fuentes de variacin adicionales durante el estudio de un sistema de medicin es importante para entender la variacin actual del sistema de medicin mismo. Un DOE, ANOVA u otra tcnica estadstica ms sofisticada puede requerirse para analizar esta situacin. Cual sea la metodologa usada debiera ser aprobado por el representante de la calidad del proveedor cliente. Tambin, las decisiones que los ingenieros de diseo de producto tomen pueden inconcientemente afectar como una parte es medida, como un dispositivo puede ser diseado, y el resultado puede afectar los resultados del error en las mediciones. Un ejemplo puede ser una parte plstica que tenga una caracterstica crtica sobre una lnea de partido (una lnea de partido tpicamente tiene exceso de material plstico y donde dos mitades de un molde se juntan, y por tanto es una superficie no controlada). Estos factores deben ser considerados durante un AMEF de diseo. Una vez que los componentes de variacin dentro de las partes son entendidos, puede ser posible controlar estos factores dentro del sistema de medicin (ej., rediseando el gage, o usando diferentes mtodos / equipo de dispositivos) de manera que los datos futuros no sean confundidos.
73
Muchas de estas propiedades son controladas en el diseo a travs de tolerancias y dimensionamiento geomtrico (T&DG). T&DG ofrece un mtodo definido operacionalmente para checar partes de una manera funcional. Generalmente, un chequeo funcional es un chequeo de atributos. Cuando se requieren datos de variables, aspectos clave pueden derivarse como el usar un gage diseado para un chequeo funcional que produzca datos de variables. Esto algunas veces puede hacerse usando un gage funcional como un dispositivo de fijacin para un estudio en MMC. Sin embargo, cuando esto se hace es crtico que el dispositivo sostenga la parte firmemente y repetidamente en la misma localizacin (si no, el estudio MSA resultante debiera generar este error).
167
Captulo IV Seccin D Cuantificando el Efecto de Variacin Excesiva Dentro de las Partes
Una vez que los componentes de variacin dentro de las partes son entendidos, puede ser posible controlar estos factores dentro del sistema de medicin (ej., rediseando el gage usando diferentes mtodos/equipo para dispositivos) de manera que datos futuros no sean confundidos.
168
Captulo IV Seccin E Mtodo de Promedios y Rangos Tratamiento Adicional
Seccin E
Mtodo de Promedios y Rangos Tratamiento Adicional
Existe una consideracin inicial que vale la pena mencionar relativa al mtodo de Promedios y Rangos en la evaluacin de un sistema de medicin. 74 El propsito principal de este enfoque grfico es el mismo que el de otros anlisis de sistemas de medicin bien diseados: para determinar si el proceso de medicin es adecuado para medir la variacin del proceso de manufactura y/o evaluar el cumplimiento del producto. Todos los gages estn haciendo el mismo trabajo? Todos los evaluadores estn haciendo el mismo trabajo? La variacin del sistema de medicin es aceptable con respecto a la variacin del proceso? Qu tan buenos son los datos obtenidos del proceso de medicin o en cuntos grupos o categoras no traslapados pueden los datos ser divididos?
Pasos del Procedimiento
1) Debiera tenerse cuidado en seguir la Preparacin para el Estudio de los Sistemas de Medicin, captulo II, seccin C. 2) Hacer que cada evaluador cheque cada muestra para la caracterstica a ser estudiada. Registre los primeros chequeos en el rengln superior de los datos de la grfica de control (ver Figura IV-E 1 y 2). 3) Repetir los chequeos y registrar los datos en el segundo rengln de los datos de la grfica de control. (Nota: no permita que los evaluadores vean sus lecturas originales cuando estn haciendo este segundo chequeo). Los datos debieran mostrar ahora dos chequeos sobre la misma parte por cada evaluador. 4) Analice los datos calculando el promedio subgrupo.
(X )
y el rango (R) para cada
5) Grafique los valores de los rangos en la grafica de rangos y calcule el promedio de rangos (R ) (incluya todos los rangos de los subgrupos (R) para
todos los evaluadores). Dibuje este rango promedio sobre la grfica. Use el factor D4 para n=2 para calcular el lmite de control para la grfica de rangos. Dibuje este lmite y determine si todos los valores estn en control. 9 Si todos los rangos estn en control, todos los evaluadores estn haciendo el mismo trabajo. Si un evaluador est fuera de control, su mtodo difiere de los otros. 9 Si todos los evaluadores cuentan con rangos fuera de control, el sistema de medicin es sensible a la tcnica del evaluador y se requiere mejoramiento para obtener datos tiles.
74
El ejemplo de la grfica de control es tomado con el permiso de Evaluacin del Proceso de Medicin por Wheeler y Lyday (ver Lista de Referencias).
169
6) Luego, grafique el promedio para cada subgrupo X para todos los evaluadores en la grfica de promedios (ver Figura IV-E 1 y 2). Los valores promedio representan la variacin y la variacin en las mediciones. Calcule el promedio de promedios ( X ) (Incluya todos los promedios de los subgrupos X para todos los evaluadores. Dibuje este gran promedio ( X ) en la grfica. Calcule ahora los lmites de control para esta grfica usando el factor A2 para n=2 y el rango promedio R de la grfica de rangos y dibuje estos limites sobre la grfica de promedios. Ntese en este estudio que la grafica de rangos contiene solo la variacin de las mediciones. Por tanto, el rea entre los lmites de control de los promedios representa la cantidad de la variacin de las mediciones en el sistema.
( )
( )
( )
Si todos lo promedios caen dentro de los lmites de control, la variacin de las mediciones eclipsa la variacin del proceso. En otras palabras, el proceso de mediciones tiene mayor variacin que el proceso de manufactura, y no es de valor en el monitoreo o control de dicho proceso. Si menos de la mitad de los promedios cae fuera de los lmites, el sistema de medicin es inadecuado para el control del proceso. Por otro lado, si la mayora de los promedios cae fuera de los lmites de control, indica que las seales del proceso de manufactura son mayores que la variacin de las mediciones. Este sistema de medicin puede ofrecer datos tiles para el control del proceso.
Ejemplo de Hoja de Trabajo

La pregunta de Qu tan buenos son los datos recolectados por el sistema de medicin? puede responderse completando el ejemplo de la hoja de trabajo, Figura IV-E 3 y 4. Todos los datos necesarios para la hoja de trabajo pueden encontrarse en las grficas de promedios y rangos descritas anteriormente. Los siguiente pasos son usados para completar el ejemplo de la hoja de trabajo (Figura IV-E 3 y 4): 1) Identifique las mediciones y la caracterstica a ser evaluada, quin est haciendo el estudio y la fecha del estudio mismo. 2) El promedio de los rangos de los subgrupos R se obtiene directamente de la grfica de control. 3) El nmero de replicaciones (r) es el nmero de veces en que cada evaluador checa la misma parte. 4) Calcule la desviacin estndar estimada de la repetibilidad ( e ), como se muestra en la Figura IV-E 3 y usando el valor d 2 para el correspondiente r. 5) Inserte el nmero de evaluadores (nA) en el espacio provisto. 6) Inserte el nmero de muestras (n) en el espacio provisto.
( )
170
7) Calcule el promedio de cada evaluador promediando todas las muestras obtenidas por cada evaluador y registre estos promedios en el espacio provisto para cada evaluador (A, B, C). 8) Examine los promedios de cada evaluador (A, B, C) y determine el rango de los promedios de los evaluadores restando el mnimo del mximo e insrtelo en el espacio para (RA). 9) Calcule la desviacin estndar estimada de los proveedores ( A ) como se
* muestra usando el valor d 2 para el valor correspondiente a nA.
10) Calcule los promedios de las muestras promediando el valor obtenido de todos los proveedores para cada muestra. Por ejemplo, (promedio de la muestra 1 del evaluador A + promedio de la muestra 1 del evaluador B + promedio de la muestra 1 del ltimo evaluador y divida esta suma por el nmero de evaluadores). Este es el mejor estimativo del valor verdadero de la muestra. Coloque el valor para cada muestra en el espacio provisto (1, 2, 3...9, 10) en la Figura IV-E 4. 11) Observe los promedios de las muestras (1, 2, 3...9, 10) y calcule el rango de los promedios de las muestras (RP) restando el mnimo del mximo. Inserte este valor en el espacio provisto. 12) Estime la desviacin estndar muestra - a - muestra ( P ) como se muestra
* usando el valor d 2 para el valor correspondiente de n.
13) Calcule la Razn Seal - a - Ruido (SN) dividiendo la desviacin estndar de la muestra por la desviacin estndar de las mediciones e inserte en el espacio provisto.
SN =
p RRG
14) Determine el nmero de categoras distintas de producto que pudieran distinguirse por estas mediciones. Multiplique SN por 1.41 e inserte en el espacio provisto (Figura IV-E 4). Solo la parte entera de este nmero necesita considerarse dado que est definiendo categoras distintas. (Elimine todas las fracciones decimales) (ver figura 34b). Si el nmero de categoras es menor que dos (2), el sistema de medicin no tiene valor en el control del proceso. Se puede decir que todo el ruido y una parte no son diferentes uno de otro. Si el nmero de categoras es dos (2), significa que los datos pueden dividirse solo en grupos alto y bajo; sin embargo ste es solo el equivalente de datos de atributos. Si el nmero de categoras es tres (3), los datos pueden dividirse en grupos alto, medio y bajo. Este es ligeramente un mejor sistema de medicin. Un sistema de medicin conteniendo cuatro (4) o ms categoras ser mucho mejor que los primeros tres ejemplos.
171
Figura IV-E 1: Grfica de Control ( X y R) - 1 para Evaluacin de las Mediciones
172
Figura IV-E 2: Grfica de Control ( X -R) - 2 para Evaluacin de las Mediciones 173
Mediciones Evaluadas LONGITUD DE AJUSTE
Hecho por R.W.L.
Fecha r 2 3 4 5 5 6 7 8 9 10
MM-DD-YY d2 1.128 1.693 2.059 2.326 2.534 2.704 2.847 2.970 3.078
ERROR DE REPLICACION: Rango Promedio de los Subgrupos = R = 7.6 Nmero de Replicaciones = Tamao del Subgrupo = r = 2 Estima la Desviacin Estndar de las Replicaciones
R e = 6.738 = d2
CALCULO PARA EFECTO DE LOS EVALUADORES nA 2 3 4 5 6 7 8 9 10

* d2 1.410 1.906 2.237 2.477 2.669
Escribe abajo los promedios de los evaluadores: Evaluadores Promedio
Numero de Evaluadores = nA = 3 =n=5 Numero de Muestras 108.1-102.8 = RA Rango de los Promedios de los Evaluadores
= RA = 5.3
A B - lo C - hi D E F
103.1 102.8 108.1 ----------
2.827 2.961 3.076 3.178
5.3 A = 1.906
R = A = 2.781 * d2
Figura IV-E 3: Clculos Alternativos para Evaluacin de un Proceso de Medicin (Parte 1 de 2)
174
CALCULOS PARA LA DESVIACIN ESTANDAR DEL ERROR DE LAS MEDICIONES El Estimativo de la desviacin estndar del error en las mediciones es:
2 m = e2 + A
Escribe el valor apropiado para m aqu: m = 7.289
= (6.7376) + (2.7806) = 7.289

2
CALCULOS PARA PROPORCIONES SEALES A RUIDO:

n 2 3 4 5 6 7 8 9 10
* d2
Escribe el promedio de cada pieza de la muestra o lote abajo: 113.67 83.0 = Rp Rango para estos Promedios de Muestras = Rp = 30.67 Estima la Desviacin Estndar de Muestra a Muestra: Ejemplo Promedio 1 2 3 - Lo 4 5 - Hi Proporcin Seal a Ruido: 6 7 8 9 10 2 111.17 113.33 83.00 102.17 113.67 ---------------------
1.410 1.906 2.237 2.477 2.669 2.827 2.961 3.076 3.178
30.67 = 12.38 2.477
Rp = p = 12.38 * d2
12.38 p = 1.698 = 1.698 7.289 m
Por tanto el nmero de categoras distintas de productos que pueden ser confiablemente distinguidas para estas mediciones es 1.41 x 1.698
p 1.41 = 2.395 m
Este es el nmero de intervalos de confiabilidad del 97% no traslapados que extendern el rango de la variacin del producto. (Un intervalo de confiabilidad del 97% y centrado en una medicin nica contendra el valor actual del producto que es representado por dicha medicin el 97% del tiempo).
Figura IV-E 4: Clculos Alternativos para Evaluacin de un Proceso de Medicin (parte 2 de 2)
175
176
Captulo IV Seccin F Curva de Desempeo de Gages
Seccin F
Curva de Desempeo de Gages 75
El propsito de desarrollar una Curva de Desempeo de Gages (CDG) es determinar la probabilidad de aceptar o rechazar una parte a partir de un valor de referencia. Idealmente, la CDG para una medicin sin errores es mostrada en la Figura IV-F 1. Sin embargo, esto es para sistemas de medicin ideales ms que lo que ocurra normalmente. Una vez que la cantidad de error ha sido determinada, es posible calcular la probabilidad de aceptar una parte de algn valor de referencia cuando se use un sistema. Para lograr esto, se hace el supuesto de que el error del sistema de medicin consiste principalmente de falta de repetibilidad, reproducibilidad y sesgo. Adems, la repetibilidad y reproducibilidad son consideradas con una distribucin normal con una varianza 2 . Consecuentemente, el error del gage est distribuido normalmente con una media de XT, el valor de referencia, ms el sesgo, y cuenta con una varianza, 2 . En otras palabras:
Valor Actual del Gage = N X T + b, 2
La probabilidad de aceptar una parte de algn valor de referencia es ofrecida por la relacin
UL
Pa =
LL
N (X
+ b, 2 dx
Usando la tabla estndar normal
UL ( X T + b ) LL ( X T + b ) Pa =
donde
UL ( X T + b ) 2 = N X T + b, dx
UL
LL ( X T + b ) 2 = N X T + b, dx LL
75
Adaptado con el permiso de Anlisis de Sistemas de Atributos de Gages por J.McCaslin & G.Gruska, ASQC, 1976.
177
Ejemplo:
Determine la probabilidad de aceptar una parte cuando el valor de referencia del torque es 0.5 Nm, 0.7 Nm, 0.9 Nm. Usando los datos de un estudio previamente conducido: Especificacin Superior Especificacin Inferior sesgo = = = = UL LL B 0.05 Nm = = = 1.0 Nm 0.6 Nm 0.05 Nm
RRG
Aplicando lo anterior a las frmulas de la pgina anterior:
UL ( X T + b ) LL ( X T + b ) Pa = 1.0 (0.5 + 0.05) 0.6 (0.5 + 0.05) Pa = 0.05 0.05 Pa = (9.0 ) (1.0) = 1.0 - 0.84 = 0.16
Esto es, cuando la parte tiene un valor de referencia de 0.5 Nm ser rechazada aproximadamente 84% del tiempo.
Ejemplo de una Curva de Desempeo de Gages:

Para
X T = 0.7 Nm 1.0 (0.7 + 0.05) 0.6 (0.7 + 0.05) Pa = 0.05 0.05
Pa = (5.0) ( 3.0)
= 0.999 Si el valor de referencia de la parte es 0.7 Nm entonces se rechazar menos de aproximadamente 0.1% del tiempo. Para
X T = 0.9 Nm 1.0 (0.9 + 0.05) 0.6 (0.9 + 0.05) Pa = 0.05 0.05 Pa = (1.0) ( 7.0)
= 0.84
178
Si el valor de referencia de la parte es 0.9 Nm entonces ser rechazado aproximadamente menos del 16% del tiempo. Si la probabilidad de aceptacin es calculada para todos los valores de XT y graficada, entonces la curva de desempeo del gage, como es mostrada en la Figura IV-F 2 se obtendra. Esta misma curva puede ser graficada ms fcilmente en papel de probabilidad normal, como se muestra en la Figura IV-F 3. Una vez graficada, la CDG ofrece la probabilidad de aceptar una parte de cualquier tamao. Adems, una vez desarrollada la CDG, puede usarse para calcular el error de repetibilidad y reproducibilidad, y el error del sesgo. 76 El rango 6 RRG puede determinarse encontrando el valor de XT que corresponde a Pa = 0.99865 (z = 3), y el valor de XT que corresponde a Pa = 0.00135 (z = -3) para los dos lmites. El RRG es la diferencia entre los dos valores de XT, como se muestra grficamente en la Figura IV-F 3. Un estimativo del sesgo se determina encontrando para XT, los lmites superior o inferior que correspondan a Pa = 0.5 y calculando: B = X T- LSL o BB = XT - USL dependiendo de cual lmite XT se seleccione. 77
76 77
Ver Estudio de Atributos de Gages, Captulo III, Seccin C. Esto asume que el sistema de medicin es lineal sobre el rango de operacin.
179
LSL
USL
1.0 0.9
0.8 0.7 0.6 0.5 0.4 0.3 0.2 0.1 0.0

0.3 0.4 0.5 0.6 0.7 0.8 0.9 1.0 1.1 1.2
Valor de Referencia de las Partes Medidas

Sesgo = 0.00 Rango RRG = 0.00
Figura IV-F 1: Curva de Desempeo del Gage Sin Error
180
LSL
USL
1.0 0.9
0.8 0.7 0.6 0.5 0.4 0.3 0.2 0.1 0.0

0.4 0.5 0.6 0.7 0.8 0.9 1.0 1.1 1.2
Valor Valores de Referencia de las Partes Medidas

Sesgo = 0.05 RRG = 0.28
Figura IV-F 2: Curva de Desempeo del Gage - Ejemplo
181
Figura IV-F 3: Curva de Desempeo del Gage Graficada en Papel de Probabilidad Normal
182
Captulo IV Seccin G Reduccin de la Variacin a Travs de Lecturas Mltiples
Seccin G
Reduccin de la Variacin a Travs de Lecturas Mltiples
Si la variacin del presente sistema de medicin no es aceptable (arriba del 30%), existe un mtodo que puede usarse para reducir la variacin a un nivel aceptable hasta que puedan hacerse mejoramientos al sistema de medicin mismo. La variacin no aceptable puede reducirse tomando lecturas mltiples y estadsticamente independientes (no correlacionadas) de la caracterstica de la parte a ser evaluada, determinando el promedio de estas mediciones y permitiendo que el valor numrico del resultado sea sustituido por la medicin individual. Este mtodo, por supuesto consumir tiempo, pero es una alternativa hasta que se hagan mejoramientos al sistema de medicin (ej., rediseando o comprando un nuevo sistema). El procedimiento para este mtodo alternativo es como sigue: 1) Determine el nmero de lecturas mltiples requeridas para cumplir con un nivel de variacin aceptable. 2) Siga el procedimiento de estudio de gages discutido previamente en estos lineamientos.
Ejemplo:
En el ejemplo de la corporacin XYZ, el porcentaje de la variacin de la tolerancia del RRG es 25.5%, con una amplitud 6 sigma igual a 0.24. El cliente quiere reducir esta figura a al menos 15%, el cual sera un equivalente de amplitud de 6 sigma de 0.14. 78 Para determinar el nmero de lecturas mltiples requerido para cumplir el criterio deseado del 15%, primero debe entenderse que la distribucin de las medidas individuales y el promedio tienen el mismo valor promedio numrico. Segundo, que la varianza de la distribucin de los promedios es igual a la varianza de la distribucin de las lecturas individuales dividida por el tamao de la muestra. Entendiendo esta relacin como se muestra abajo, el nmero de lecturas mltiples requerido puede entonces determinarse.
(6 x )2 = (6 )
n
Esto puede aproximarse por
(6s ) = (6s )
x
y
0.14 = 0.24 n
76
Ver nota en pgina vi.
183
Captulo IV Seccin G Reduccin de la Variacin a Travs de Lecturas Mltiples
de manera que
n = 1.714
y n = 3(redondeado al entero ms prximo)
Por tanto, 3 lecturas mltiples sobre la caracterstica de la parte reduciran la variacin total del sistema de medicin a aproximadamente 0.14 y el %RRG a 15%. Este mtodo debiera ser considerado como un paso temporal hasta que se hagan mejoramientos al sistema de medicin. Este debiera usarse solo con concurrencia del cliente.
184
Captulo IV Seccin H Enfoque de la Desviacin Estndar Combinada con RRG
Seccin H
Enfoque de la Desviacin Estndar Combinada con RRG 79
El anlisis de un sistema de medicin generalmente asume que los datos replicados de todas las partes / especimenes pueden obtenerse de todos los evaluadores en un forma aleatoria. Esto no siempre puede ser posible. Si el anlisis del sistema de medicin incluye localizaciones mltiples puede no ser factible logsticamente el demandar un muestreo aleatorio. Tambin algunas muestras, anlisis notablemente qumicos y metalrgicos (estudios entre e intra laboratorios) pueden requerir una seccin cruzada de las diversas muestras que no sean parte de un proceso homogneo y pueden no estar disponibles al mismo tiempo. Estas situaciones pueden manejarse usando un DOE anidado. Un enfoque alternativo es el estudio de la desviacin estndar combinada del RRG el cual sigue la metodologa discutida en ASTM E691. Este enfoque ve a cada parte como un material por separado y entonces calcula las desviaciones estndar de la repetibilidad y reproducibilidad como en E691. Esto producir valores mltiples y por separado de repetibilidad y reproducibilidad. Dado que las partes son consideradas como esencialmente idnticas, se asume que estos estimativos por separado son efectivamente idnticos. Por supuesto nunca sern exactamente los mismos, pero su promedio ofrecer un buen estimativo del nivel verdadero de repetibilidad y reproducibilidad similar. Si este enfoque es usado para evaluar un grupo de laboratorios, existe la preocupacin de cual sera la naturaleza de la reproducibilidad. Si esta es mayor que cero, la mayora del tiempo (esto es para la mayora de los materiales) debiera interpretarse como la aplicacin de que existen diferencias entre operadores, ej., en un programa interlaboratoiros sto sugerira que existen diferencias reales entre laboratorios.
Aplicacin Secuencial
Aunque el enfoque E691 es tpicamente usado con una muestra completa, permite asimismo un enfoque secuencial. Este es til cuando todas las muestras no estn disponibles al mismo tiempo. Tambin puede ser utilizado como parte del proceso de calibracin para mantener informacin de la variabilidad del sistema de medicin. La siguiente descripcin del estudio asume que el estudio mismo ser aplicado de una forma secuencial.

Debiera tenerse cuidado en seguir la Preparacin para el Estudio de un Sistema de Medicin mostrado en el captulo II, seccin C.
Contine del paso 6 de la pgina 74:
79
Partes de esta seccin incluyen todo lo de Estadsticas de Consistencia es contribucin de Neil Ullman de la American Society for Testing and Materials (ASTM International).
185
7) Hacer que cada uno de los m 2 evaluadores evalen la parte para r 3 lecturas. Registre los datos en renglones apropiados de la hoja de recoleccin de datos (ver formatos de ejemplo). (Nota: no permita que los evaluadores vean sus lecturas originales al hacer estos chequeos mltiples). 8) Calcule el promedio X y la desviacin estndar (s) para la nueva parte para cada evaluador. 9) Grafique los valores de desviacin estndar sobre la grfica de desviacin estndar y calcule el promedio de la desviacin estndar misma (s ) (incluya la desviacin estndar de todos los subgrupos y para todos los evaluadores). Dibuje este promedio de la desviacin estndar sobre la grfica. Use el factor B4 con r muestras para calcular el lmite superior de control para la grfica de la desviacin estndar. Dibuje este lmite y determine si todos los valores estn en control (ver Figura IV-H 1).
( )
10) Grafique el promedio X para cada subgrupo para todos los evaluadores sobre la grfica de promedios (ver Figura IV-H 1). Los valores promedio representan la variacin del proceso y la variacin de las mediciones. 11) Calcule el promedio de promedios ( X ) (incluya los promedios de todos los subgrupos X para todos los evaluadores). Dibuje la lnea de este gran
( )
( )
promedio ( X ) en la grfica. 12) Calcule los lmites de control para esta grfica usando el factor A2 para un r y una desviacin estndar de los promedios (s ) de la grfica de desviacin estndar; dibuje estos lmites en la grfica de promedios. 13) Analice los daros usando las grficas de control y otras tcnicas grficas discutidas en el mtodo de promedios y rangos (ver Captulo III). 14) Evale los parmetros del sistema de medicin para cada parte combinando los resultados de los evaluadores.
sx =
g
s
i =1
2 xi
Re petibilidad g = s E g =
s
i =1
2 si
m
2 sE g
2 Re producibilidad g = s A g = s x g
RRGg = s RRG g = s + s
2 Eg
2 Ag
186
E691 sigue el convencionalismo de que la reproducibilidad del MSA se refiera como la variacin de los evaluadores y el RRG del MSA es llamado reproducibilidad. En este caso,
2 sappr = s x
sr2 3
2 s R = sr2 + sappr
donde sr = sE = Repetibilidad y sR = RRG = Reproducibilidad ASTM 15) Evale los parmetros globales del sistema de medicin combinando o acumulando los resultados de las partes donde g = nmero de partes.
Re petibilidad = s E =
s
i =1
2 Ei
Re producibilidad = s A =
s
i =1
2 Ai
RRG = s RRG =
s
i =1
2 RRGi
Cuando se calcula el porcentaje de la variacin total, la desviacin estndar histrica para el proceso debiera usarse. Si las partes cubren una amplia variedad de los procesos, por ejemplo diferentes especimenes metalrgicos o qumicos, la evaluacin del porcentaje de la variacin total debiera basarse en la variacin del proceso de los especimenes especficos y no de la variacin total sobre todos los especimenes. Debiera darse cuidado a la interpretacin de los parmetros del sistema de medicin en el caso donde los evaluadores estn localizados en diferentes instalaciones (ej., laboratorios). La Repetibilidad incluira variacin entre los equipo as como variacin dentro de los equipos. Esto puede evaluarse calculando y comparando la Repetibilidad dentro de cada localizacin. La Reproducibilidad incluira variacin entre localizaciones as como variacin entre evaluadores. Estos componentes no pueden separase con este estudio.
187
Grfica de Respuesta Xbarra-S

Promedio de las Muestras
Muestra
Desv. Est. de las Muestras
Muestra
Figura IV-H 1: Anlisis Grfico del Estudio de la Desviacin Estndar Combinada 80
80
Lmites de control basados en la desviacin estndar combinada acumulada y ajustada por una constante de no sesgo
188
Captulo iV Seccin H Enfoque de la Desviacin Estndar Combinada con RRG
Tabla IV-H 1: Conjunto de Datos de Anlisis de Desviacin Estndar Combinada

189
Estadsticas de Consistencia
Los mtodos de ASTM e ISO 81 sugieren que dos estadsticas de consistencia, h y k, sean calculadas. Los valores de h se calculan por
h=
x appr x parte Sx
Para el evaluador A y la parte 1, el promedio ( x appr anterior) es 0.447y el promedio de las partes ( x parte anterior) es 0.169. La desviacin estndar entre los evaluadores ( s x anterior) es 0.262. Por tanto
h=
0.447 0.167 0.278 = = 1.06 0.262 0.262
El valor de k es la razn de la desviacin estndar para cada parte y cada evaluador con la desviacin estndar de la repetibilidad. En este caso (evaluador A y parte 1) es:
k=
desviacin estndar ( EvualuadorA, Parte1) 0.178 = = 1.35 repetibilidad 0.132
Una razn por la que stos se calculan es permitir comparaciones entre materiales muy diferentes. Aunque en este ejemplo no hay una coleccin de materiales ampliamente diferentes y los cuales tengan diferentes niveles y posiblemente desviaciones estndar muy diferentes, los clculos h y k de E691 pueden todava usarse para comparar la desviacin estndar de la repetibilidad y los valores respuesta por los evaluadores. La siguiente tabla de h y ks se listan por evaluador.
h
Ev. A B C 1 1.06 -0.14 -0.93 2 0.87 0.22 -1.09 3 0.82 0.29 -1.11 4 0.86 0.24 -1.10
Parte 5 6 0.88 0.32 0.21 0.80 -1.09 -1.12
7 0.65 0.50 -1.15
8 0.80 0.32 -1.12
9 0.69 0.46 -1.15
10 prom h z 1.05 0.80 2.53 -0.11 0.28 0.88 -0.94 -1.08 -3.41
mediana
k A B C
1.35 0.77 0.76
0.25 1.50 0.82
0.49 1.15 1.20
0.28 1.70 0.14
0.23 1.50 0.84
0.65 1.20 1.07
0.59 1.40 0.83
0.35 1.68 0.24
0.77 1.07 1.13
0.27 0.45 1.65
K 0.42 1.30 0.84
z -3.20 3.14 -0.17
81
Ver ISO 5725
190
En las ltimas dos columnas estn los promedios y el valor de el valor z para ver si los evaluadores son significativamente diferentes. Los valores de h indican que el evaluador A es significativamente alto y el evaluador C es significativamente bajo en sus lecturas del tamao de las partes. Es tambin esta significativa diferencia lo que genera la desviacin estndar del RRG. Las desviaciones estndar de la repetibilidad pueden tambin ser evaluadas observando los valores k. Para hacer esto, calcule la mediana k y luego un aproximado del score z. Con este estudio, la mediana esperada es alrededor de 0.861 y con una desviacin estndar de aproximadamente 0.439. La mediana k para el evaluador A es entonces alrededor de 3.2 desviaciones estndar abajo del nivel esperado y el evaluador B es significativamente alto. Por tanto vemos diferencias muy grandes en el desempeo de solo 3 operadores. Las grficas de h (Figura IV-H 2) y k (Figura IV-H 3) tambin ayudan a ilustrar estas diferencias. El evaluador C tiene los resultados mucho ms bajos que los otros. Similarmente, los valores k muestran que tan abajo la variacin del evaluador A es con respecto a la repetibilidad. Estos ciertamente son aspectos clave a ser examinados acerca del desempeo del mtodo de medicin y como es realizado por estos evaluadores.
Figura IV-H 2: Grfica de Puntos de valores h
191
Figura IV-H 3: Grfica de Puntos de valores k
192
Apndices
APENDICES
193
194
Apndice B Impacto de RRG sobre el ndice de Habilidad Cp
Apndice A
Anlisis de Conceptos de Varianza
El anlisis numrico de las RRGs puede hacerse siguiendo las frmulas de la Tabla A 3. Esto es lo que se le llama Tabla de Anlisis de Varianza (ANOVA). La tabla de ANOVA se compone de 6 columnas: La columna de fuentes es la causa de variacin. La columna DF es el grado de libertad asociado con la fuente. La columna SS o suma de cuadrados es la desviacin alrededor de la media de la fuente. La columna MS o cuadrado de la media es la suma de cuadrados dividida por los grados de libertad. La columna EMS o cuadrado de la media esperado determina la combinacin lineal de los componentes de varianza para cada MS. La tabla ANOVA sectoriza la fuente total de variacin en cuatro componentes: partes, evaluadores, interaccin entre las partes y evaluadores y error replicado debido a la repetibilidad del equipo / gage. La columna de proporcin F se calcula solo por la interaccin en una ANOVA de MSA; se determina por la interaccin de la media cuadrada dividida por el error de la media cuadrada.
El estimativo de los componentes de varianza para cada fuente se ofrece en la Tabla A 1. 82
Estimativo de Varianza
Equipo (EV) Interaccin (INT) Evaluador (AV) Parte (PV)
2 = MSe83
MS AP MSe r MS A MS AP 2 = nr MS P MS AP 2 = kr
2 =
Tabla A 1: Estimativo de los Componentes de Varianza

Dado que cada media cuadrada es una cantidad muestra sujeta a la variacin del muestreo y los clculos involucran diferencias de promedios al cuadrado, entonces son posibles los estimativos de componentes de varianza negativos.
82 83
En esta tabla, se asume que todos los componentes de la variacin son de efectos aleatorios. En esta aplicacin de ANOVA a los anlisis de sistemas de medicin, el trmino de error de ANOVA es equivalente a la variacin del equipo MSA, MSE
195
Este es un pequeo problema dado que los estimativos componentes de la varianza master son iguales o tienden a cero o cuentan con un tamao de muestra pequeo. Para propsitos de anlisis, los componentes de varianza negativos se hacen cero. La desviacin estndar es ms fcil de interpretar que la varianza por que tiene las mismas unidades de medicin de la observacin original. En la prctica, la medida bsica de amplitud es dada por 6 veces la desviacin estndar. 84 La Tabla A 2 muestra la extensin de 6 sigma para una medida de repetibilidad llamada variacin del equipo (EV) y una medida de reproducibilidad llamada variacin del evaluador (AV). Si la interaccin entre las partes y los evaluadores es significativa, entonces existe un modelo no adicional y por tanto se ofrece un estimativo de sus componentes de varianza. El RRG en la Tabla A 2 es la variacin total del sistema de medicin.
EV = 6 MS e
AV = 6 I AP MS A MS AP nr MS AP MS e =6 r
Variacin del Equipo = Repetibilidad Variacin del Evaluador = Reproducibilidad Interaccin del Evaluador por Parte R&R del Gage Variacin de las Partes Tabla A 2: Amplitud de 6 Sigma
En el modelo aditivo la interaccin no es significativa y los componentes de varianza para cada fuente se determinan como sigue: Primero, la suma de l cuadrado del error del gage ( SS e de la Tabla A 3), se agrega a la suma del cuadrado de la interaccin del evaluador por parte ( SS AP de la Tabla A 3) y el cual es igual a la suma de cuadrados acumulados (SS combinado ) con
RRG = PV = 6
(EV )2 + ( AV )2 + (I AP )2
MS p MS AP kr
(nkr n k + 1)85 grados de libertad. Por tanto el SS pool ser dividido por (nkr n k + 1) para calcular MS pool . Los lmites de extensin 6 sigma sern
EV = 6 MS pool AV = 6 RRG = PV = 6 MS A MS pool nr
entonces:
(EV )
+ ( AV )
MS p MS pool kr
84
Este es el rango de 99.73%. Ver nota en pgina vi.
196
85
Apndice B Impacto de RRG sobre el ndice de Habilidad Cp Donde n = nmero de partes, k = nmero de evaluadores y r = nmero de intentos. A fin de determinar si la interaccin es significativa, calcular el estadstico F de la interaccin del evaluador por parte (ver Tabla A 3). Comparar este estadstico F en un punto de porcentaje alto con la distribucin F como numerador y grado de libertad como denominador tomado de ANOVA (Tabla A 3).
A fin de reducir el riesgo de concluir falsamente de que no hay efectos de interaccin, seleccionar un nivel de significancia alto. Una vez que el RRG sea determinado entonces el porcentaje del RRG puede calcularse en relacin al desempeo del proceso.
2 n xi2.. x... SS p = nkr i =1 kr 2 k x2 x... . j. SS A = nkr j =1 nr
2 TSS = xijm i =1 j =1 m =1 n k n k r
( )
2 x... nkr
SS AP
2 2 xij n xi2.. k x.2j . x... . = nr + nkr i =1 j =1 r i =1 kr j =1
SS e = TSS SS A + SS P + SS Ap
Fuente Evaluador DF k 1
n 1
]
F EMS 2 + r 2 + nr 2
SS SS A
SS P SS AP
MS
MS A = MS P =
SS A (k 1) SS P (n 1) SS AP (n 1)(k 1)
MS AP MS e
Partes
2 + r 2 + kr 2 2 + r 2
Evaluador por parte Equipo Total
(n 1)(k 1)
nk (r 1) nkr 1
MS AP = MS e =
SS E TSS
SS e nk (r 1)
Evaluador N(0,2) Partes N(0,2) Evaluador por parte N(0, 2 ) Equipo N( 0, 2 )
Tabla A 3: Anlisis de Varianza (ANOVA)
197
Tablas A 4 y A 5 muestran los clculos de ANOVA para los datos de nuestro ejemplo de la Figura III-B 15.
Fuente Evaluador Partes

Evaluador por parte
DF 2 9 18 60 89
SS 3.1673 88.3619 0.3590 2.7589 94.6471
MS 1.58363 9.81799 0.01994 0.04598
F 79.41* 492.29* 0.434
EMS 2 + 3 2 + 30 2 2 + 3 2 + 9 2 2 + 3 2
Equipo Total
* Nivel de Significancia a = 0.05
Tabla A 4: Resultados Tabulados de ANOVA

Dado que el valor F calculado para la interaccin (0.434) es menor que el valor crtico de F ,18, 60, el trmino interaccin es acumulado combinado con el trmino (de error) del equipo. Esto es, el estimativo de la varianza se basa en el modelo sin interacciones.
Estimativo de la Varianza 2 = 0.039973 (Equipo) 2 = 0.051455 (Evaluador) 2 =0 (Interaccin) RRG = 0.09143
Desv. Std. ( ) 0.199933 0.226838
6 ( ) EV = 1.199598 AV = 1.361028 INT = 0
% de la Variacin Total 18.4 20.9 0 27.9 96.0 100.0
% de Contribucin 3.4 4.4 0 7.8 92.2
2 2
+ 2 +2
0.302373 1.042327 1.085
RRG = 1.814238 Pv = 6.253962 TV = 6.51
= 1.086447
(Parte) Variacin Total
Tabla A 5: Resultados Tabulados de ANOVA

ndc = 1.41(PV RRG ) = 1.41(6.25 1.81) = 4.87 4
Variacin Total (TV) = RRG 2 + PV 2

6 ( componentes ) % de la Variacin Total = 100 6 ( total ) = 100 ( componentes ) ( total )
2 6 2 ( componentes ) ( componentes ) = 100 % de Contribucin (de la Varianza Total) = 100 6 2 ( total ) 2 ( total )
198
Apndice B
Impacto de RRG sobre el ndice de Habilidad Cp Frmulas:
2 2 2 Obs = Act + Meas
Donde Obs = la variacin del proceso observada

Act = la variacin del proceso actual Meas = la variacin del sistema de medicin
Cp x =
U L
6 x
donde U,L son los valores de especificacin superior e inferior x = 0bs o Act conforme es definido en (1)
% RRG = RRG p *100%

con base en la variacin del proceso
RRG p =
k Meas 6 Obs
(4)
2 2 Nota: RRG p 1 dado que desde Obs Meas por la ecuacin (1)
con base en el rango de tolerancia:
RRG p =
k Meas U L
(5)
En (4) y (5), normalmente k se toma como 6.
Anlisis:
Cp Obs = Cp Act *
Act Obs
usando (1)
= Cp Act *
2 2 Meas Obs Obs
con el RRG basado en la variacin del proceso
Cp Obs
Obs 1 RRG 2 = Cp Act * usando (4) Obs

(6)
= Cp Act * 1 RRG 2
199
Cp Act = Cp Obs
1 RRG 2
(6)
con RRG basado en el rango de tolerancia

RRG =
1 * Meas usando (2) y (5) Cp Obs Obs
consecuentemente
Cp Obs = Cp Act * 1 (Cp Obs * RRG )
2
(7) (7)
y
Cp Act =
1 (Cp Obs * RRG )
Cp Obs
200
Anlisis Grfico
Con base en (6) la familia de lneas para Cpobs con respecto a CpAct es:
Figura B 1: Cp Observados vs. Actual (basado en el proceso) Actual 10% 1.3 1.3 1.29 1.29 RRG 20% 30% 40% 50% 60% 70% Cp observado con el Cp en base al Rango del Proceso 1.27 1.24 1.19 1.13 1.04 0.93 Cp observado con el Cp en base a la Tolerancia 1.26 1.20 1.11 0.99 0.81 0.54 Tabla B 1: Comparacin del Cp Observado con el Cp Actual 90% 0.57 nada
201
Con base en (7), la familia de lneas para CpAct con respecto a CpObs es:
Figura B 2: Cp Observado vs. Actual (en base a la tolerancia)
202
Tabla de Apndice C
Table C 1: d 2 Table
203
Entradas de la Tabla: 1er lnea de cada celda son los grados de libertad (v) y la 2a lnea de cada celda es d*2; d2 es el valor infinito de d*2 ; valores adicionales de v pueden ser construidos de la diferencia de las constantes, cd. Nota: La notacin usada en esta tabla sigue la de Acheson Duncan, Quality Control and Industrial Statistics, 5a edicin, McGraw-Hill, 1986.
R * d2 v
2
*
Apndice C Tabla d2*
t2
es distribuida aproximadamente como una distribucin 2 con v grados de libertad y donde R es el rango promedio de los g subgrupos
de tamao m.
Apndice D Estudio R de Gages
204
Apndice D
Estudio R de Gages
Aplicacin:
Ofrece una determinacin preliminar de la repetibilidad de un gage de corto plazo solamente. Puede ser usado para chequeo antes de envo por el proveedor del gage. Puede ser usado en preproduccin cuando la disponibilidad de partes es mnima. Puede ser usado durante el desarrollo del gage ej., para una comparacin rpida de las diferentes localizaciones de sujecin; comparacin de diferentes metodologas. Este mtodo NO PUEDE ser usado para aceptacin final de un gage sin otros mtodos MSA ms completos y detallados.
Supuestos:
La variacin y estabilidad del proceso no pueden ser conocidas hasta este punto en el tiempo. La linealidad y el sesgo no son aspectos crticos. La reproducibilidad no se considera aqu. El propsito es enfocarse solo a la repetibilidad del gage. La grfica I/MR (Lecturas Individuales/Rangos Mviles) ofrece una evaluacin mnima de la estabilidad.
Anlisis a travs de:

Tomar una parte, por un operador; colocar la parte en el dispositivo, medir; quitar la parte del dispositivo; repetir esto 9 veces ms con la misma parte y el mismo operador. Graficar los datos con una grfica IRM; evaluar la estabilidad. Si los datos aparecen no estables, aplicar acciones correctivas. 86 Si aparecen estables, calcular el sigma de las lecturas individuales con s para todas * las lecturas o MR / d 2 ; multiplicar por 6; dividir este valor por la tolerancia de la caracterstica; multiplicar por 100%. Revisar el %Repetibilidad contra patrones de aceptabilidad del gage previamente establecidos, o usarlo para propsitos comparativos durante el desarrollo del gage.
86
Algo de juicio puede requerirse aqu, ya que 10 subgrupos de datos individuales son insuficientes para determinar la estabilidad; sin embargo, obvias inestabilidades pueden todava estimarse y ofrecer un valor para el anlisis.
205
206
Apndice E Calculo Alternativo de PV Usando el Trmino de Correccin de Errores.
Apndice E
Calculo Alternativo de PV Usando el Trmino de Correccin de Errores
PV ha sido definido aqu como TV 2 RRG 2 . Dado que esta definicin de las partes puede incluir EV, puede haber ocasiones en que sea importante extraer la influencia de EV sobre PV. Esto puede hacerse con la frmula siguiente (ntese la similitud con la frmula de AV dnde las influencias de EV son extractadas).
PV =
(R
EV 2 2 ) K p 3 k r
donde RP = rango de los promedios entre partes, k = # de evaluadores, r = # de intentos. El reconocimiento de este mtodo para calcular PV fue publicado en 1997. 87 Este mtodo se presenta aqu como la alternativa estadsticamente ms correcta para la definicin aceptada comn e histricamente de PV usada en este manual. Generalmente, cuando EV contamina a PV, lo hace en un alcance de solo un punto o dos porcentuales.
87
Datos Confiables es un Servicio Producto Importante, Donald S. Ermer y Robin Yang E-Hok, University of Wisconsin, Madison publicado en The Standard, ASQ Newsletter of the Measurement Quality Divisin, Vol 97-1, Invierno, 1997.
207
Apndice E Calculo Alternativo de PV Usando el Trmino de Correccin de Errores.
208
Apndice F Modelo de Errores P.I.S.M.O.E.A.
Apndice F
Modelo de Errores P.I.S.M.O.E.A.
Similar a todos los procesos, un sistema de medicin es impactado por fuentes de variacin aleatorias y sistemticas. Estas fuentes de variacin son debidas a causas comunes y especiales (caticas). A fin de entender, controlar y mejorar un sistema de medicin, las fuentes potenciales de variacin deben ser primero identificadas. Aunque las causas especficas dependen de la situacin, un modelo general de errores puede ser usado para categorizar las fuentes de variacin de un sistema de medicin. Existen varios mtodos para presentar y categorizar estas fuentes de variacin, usando simples causas y efectos, matrices o diagramas de rbol. El acrnimo P.I.S.M.O.E.A. 88 representa otro modelo til para definir un sistema de medicin por sus fuentes de variacin bsicas. No es solo un modelo sino que representa una aplicacin de apoyo universal.
Fuente de Error P I
M O
Alias o Componente Parte de produccin, muestra lo que se mide, Unidad Bajo Prueba (UBP), artefacto y estndar de Parte chequeo. Gage, unidad de M&TE, gage master mquina de Instrumento medicin, stand de prueba. Escala, referencia, artefacto, estndar de chequeo, estndar intrnseco, consenso, Materiales Estndar Estndar/Patrn de Referencia (MER), clase, criterios de aceptacin. Entrenamiento en el trabajo, verbal, instrucciones de trabajo, plan de control, plan de inspeccin, Mtodo programa de pruebas, programa de partes. Evaluador, tcnico de pruebas o calibraciones, Operador auditor, inspector. Temperatura, humedad, contaminacin, orden y limpieza, iluminacin, posicin, vibracin, energa Medio Ambiente elctrica, Interferencia Electromagntica (IEM), ruido, tiempo, aire. Estadsticos, operacionales, de calibracin, constantes, valores de manuales, estabilidad Supuestos trmica, mdulos de elasticidad, leyes de la ciencia.
Factor o Parmetro
Desconocido Medios de comparacin Valor conocido aceptado como verdadero*, valor de referencia o criterios de aceptacin Cmo Quin Condiciones de la medicin, ruido Criterios, constantes o suposiciones para una medicin confiable
* Los valores verdaderos actuales o fsicos son desconocidos.
La fuente de error del alias vara con la aplicacin de las mediciones y la industria. Estos son ejemplos comunes. Sin embargo, el efecto de los parmetros y caractersticas siempre es el mismo.
88
P.I.S.M.O.E.A. fue originalmente desarrollado por Mr. Gordon Skattum, ASQ CQE Senior, metrologista y Director de Manufactura Integrada en Rock Valley College Technology Center.
209
Todos los mtodos de Anlisis de Sistemas de Medicin son herramientas de calidad. Todas las herramientas de calidad se basan en supuestos. Si se violan los supuestos, la herramienta llega a ser impredecible al mximo y pudiera conducir a una conclusin falsa en lo peor. Los supuestos estadsticos tpicos de un estudio R&R de gages incluyen: proceso normal, intentos aleatorios e independientes, estabilidad y criterios de pruebas repruebas. Cuando uno o ms supuestos se violen (ej., proceso de medicin no normal, sesgo del operador) la herramienta y anlisis llega a ser finalmente no estable, confusa y dudosa. Las evaluaciones del porcentaje de RRGs para el control del producto y el proceso pueden ser sobreestimadas. Existen tambin supuestos no estadsticos en relacin a los sistemas de medicin (ej., calibracin, operacional, coeficientes y proporciones de expansin, leyes fsicas y constantes. El planeador de las mediciones debiera ser capaz de identificar, controlar, corregir o modificar el mtodo MSA para ajustar violaciones significativas de los supuestos en el proceso de medicin. La violacin de los criterios de prueba reprueba siempre es una consideracin para las pruebas destructivas o los sistemas de medicin en proceso donde la caracterstica est cambiando. El planeador de las mediciones debe considerar hbridos apropiados, con modificaciones o tcnicas alternativas para el estudio del sistema de edicin estndar. Los supuestos tienden a contribuir en una mayor proporcin a la variacin total de las mediciones cuando: 1) se usen mtodos o herramientas ms poderosos (ej., ANOVA, anlisis de regresin, diseos de experimentos, predicciones de probabilidad y grficas de control), y 2) se incremente la precisin de las mediciones. Las aplicaciones de mediciones de alta precisin deben a menudo planearse para la correccin de coeficientes y expansin trmica, deformacin, arrastres o deslizamientos u otros supuestos en el proceso de medicin. El gran peligro para un analista de calidad o planeador de las mediciones en relacin a los supuestos es que se asuma que sean insignificantes o constantes y por tanto ignorados. La Tabla F 1 demuestra ejemplos del modelo PISMOEA para tres diferentes situaciones de medicin.
210
Fuente de Error
I S
Automatizacin del Proceso o Stand de Pruebas Unidades de produccin, muestras Partes de produccin aleatorias, de prueba, estndares rango completo del proceso de chequeo, artefactos Tipo nico para el gage de CCD, MMC, stand de pruebas produccin Escala y geometra, Escala, estndar master, o clase; estndares de cumple con la regla 1 a 10 referencia de prueba Procedimientos Operativos Sop documentado, Estndar (sop), a menudo verbales, programa de CCD o pueden ser documentados; plan de ciclo de prueba control automatizado Operador de pruebas restringido, y con Tpicos (2-3), entrenados, quienes entrenamiento normalmente operan especializado y habilidades Produccin y condiciones de operacin estables Estadsticos, a menudo ignorados A menudo controlado Estadsticos, con aplicacin especfica Control del producto, inspeccin 100%
Produccin tpica, MSA Automotriz
Calibracin
Gages, UBP, muestra de prueba, lo que se mide Gage y equipo master Master, referencia, intrnseca o por consenso, artefacto Documentado, procedimiento formal de calibracin Tcnico calificado, evidencia de competencia en ISO 17025 Lmites de control optimizados, fuentes de error principales No puede asumirse, fuentes de error principales Control del producto, tolerancias de calibracin
Propsito
Control Del Proceso (SPC)
Tabla F 1 Ejemplos del Modelo PISMOEA

El grado de influencia y contribucin a las variaciones de las mediciones para fuentes de errores especficas depende de la situacin. Una matriz, causas y efectos o diagrama de rbol de fallas ser una herramienta til para identificar y entender las fuentes dominantes de la variacin de las mediciones para control y mejoramiento. El anlisis de los sistemas de medicin empieza entendiendo el propsito y proceso de las mediciones mismas. Todas las fuentes de errores caticas y no legtimas deben ser retiradas. Un estudio de mediciones es un experimento planeado que sigue los siguientes conceptos: DEFINE las fuentes de error significativas, ARREGLA algo, permite uno o ms factores de CONTROL a cambiar, MIDE intentos mltiples, ANALIZA resultados y TOMA ACCIONES.
211
Glosario
212
Glosario
GLOSARIO
Ver el Manual de Referencia del Control Estadstico de los Procesos (SPC) para definiciones adicionales del glosario.
Ver nota de la pgina iv. 5.15 vs 6 RRG Multiplying Factor (Factor Multiplicativo 5.15 vs 6 RRG )
Accuracy (Exactitud) Analysis of Variance (Anlisis de Varianza) Apparent Resolution (Resolucin Aparente)
Cercana por acuerdo entre el valor observado y el valor aceptado como referencia. Mtodo estadstico (ANOVA) a menudo usado en el diseo de experimentos (DOE), para analizar datos de variables de grupos mltiples, a fin de comparar promedios y analizar fuentes de variacin. El tamao del incremento ms pequeo en el instrumento de medicin es la resolucin aparente. Este valor es tpicamente usado en la literatura como publicidad para clasificar el instrumento de medicin. El nmero de categoras de datos puede determinarse dividiendo el tamao entre la extensin (6) de la distribucin esperada del proceso. NOTA: El nmero de dgitos desplegados o reportados no siempre indican la resolucin del instrumento. Por ejemplo, las partes medidas como 29.075, 29.080, 29.095, etc., son registradas como mediciones de cinco (5) dgitos. Sin embargo, el instrumento puede no tener una resolucin de 0.001 sino de 0.005.
Appraiser Variation (Variacin del Evaluador)
La variacin en las mediciones promedio de la misma parte (lo medido) entre los diferentes evaluadores (operadores) usando el mismo instrumento de medicin y mtodo y en un ambiente estable. La variacin del evaluador (AV) es una de las fuentes comunes de la variacin (error) de los sistemas de medicin que resulta de las diferencias en las habilidades del operador o la tcnica usando el mismo sistema de medicin. La variacin del evaluador es comnmente asumida como error de reproducibilidad y asociada con un sistema de medicin; sto no siempre es verdad (Ver Reproducibilidad) Una formula matemtica usada para calcular probabilidades condicionales. La probabilidad de una hiptesis condicional G en un cuerpo de datos M dado es la razn de la probabilidad incondicional de la conjuncin de la hiptesis con los datos de la probabilidad incondicional de los datos mismos. La probabilidad del condicional G en M es definida como PM(G)=P(GyM)/P(G), siempre y cuando ambos trminos de esta razn existan y P(G)>0 La diferencia entre el promedio de las mediciones observadas (intentos sobre condiciones de repetibilidad) y el valor referencia; histricamente referido como exactitud el sesgo es evaluado y expresado como un solo punto dentro del rango de operacin del sistema de medicin. Conjunto de operaciones que establecen, bajo condiciones especificadas, la relacin entre un dispositivo de medicin y un estndar rastreable con un valor de referencia e incertidumbre conocidos. La calibracin puede tambin incluir pasos para detectar, correlacionar, reportar o eliminar por ajustes cualquier discrepancia en la exactitud del dispositivo de medicin a ser comparado.
Bayes Theorem (Teorema de Bayes)
Bias (Sesgo)
Calibration (Calibracin)
213
Glosario
Calibration Interval (Intervalo de Calibracin) Capability (Capacidad) Confidence Interval (Intervalo de Confiabilidad)
Cantidad especificada de tiempo o conjunto de condiciones entre calibraciones durante las cuales los parmetros de calibracin de un dispositivo de medicin son considerados como vlidos. Estimativo de la variacin combinada de los errores (aleatorios y sistemticos) de las mediciones y en base a evaluaciones de corto plazo del sistema de medicin. Intervalo rango de valores, calculado de datos de muestras, que contienen, con un (100 - ) grado de certidumbre, el parmetro de inters de la poblacin, ej., el promedio verdadero de la poblacin. , llamado el Nivel de Confiabilidad, es la probabilidad de cumplimiento del error Tipo I. Ver Montgomery (1997) Juran y Godfrey (1999) para mtodos de clculo. Grfica de la caracterstica de un proceso, basada en mediciones de una muestra y con un orden en tiempo, usada para desplegar el comportamiento de un proceso, identificar patrones de variacin del proceso, evaluar estabilidad e indicar la direccin del proceso mismo. Despliega los valores graficados de algn estadstico recolectados de una caracterstica, una lnea central y uno dos lmites de control. Minimiza la prdida econmica neta de los errores Tipo I y II. Tiene dos usos bsicos: como un juicio para determinar si un proceso est operando en control estadstico, y para ayuda en el mantenimiento del control estadstico. Recoleccin de observaciones bajo un conjunto de condiciones, que pueden ser variables (un valor cuantificado y unidad de medida) o discretas (atributo o datos de conteo tales como, aceptado / rechazado, bueno / malo, pasa / no pasa, etc.). Estudio planeado que involucra anlisis estadsticos de una serie de pruebas en el cual se hacen cambios a propsito a factores del proceso y a los efectos observados, a fin de determinar la relacin de las variables del proceso y mejorar el proceso mismo. Alias unidad ms pequea y legible, discriminacin es la resolucin en las mediciones, lmite de escala, o unidad detectable ms pequea del dispositivo de medicin y estndar / patrn. Es una propiedad inherente del diseo de un gage y reportada como una unidad de medicin o clasificacin. El nmero de categoras de datos es a menudo referido como razn de discriminacin dado que describe cuantas clasificaciones pueden distinguirse confiablemente dada la variacin observada del proceso. Nmero de clasificaciones de datos o categoras que pueden ser distinguidas confiablemente y determinadas por una resolucin efectiva del sistema de medicin y la variacin de las partes de un proceso observado, para una aplicacin dada. Ver ndc. El tamao de la categora de datos cuando se considere que la variacin total del sistema de medicin sea la resolucin efectiva. El tamao se determina por la longitud del intervalo de confiabilidad y en base a la variacin del sistema de medicin. El nmero de categoras distintas, ndc, puede determinarse dividiendo el tamao entre la extensin esperada de la distribucin del proceso. Para una resolucin efectiva, un estimativo estndar de ste ndc (en un nivel de confiabilidad del 97%) es 1.41 (PV / RRG). Ver Wheeler, 1989, para una interpretacin alternativa.
Control Chart (Grfica de Control)
Data (Datos)
Designed Experiment (Experimento Diseado)
Discrimination (Discriminacin)
Distinct Data Categories (Categoras de Datos Distintas) Effective Resolution (Resolucin Efectiva)
214
F ratio (Razn/Proporcin F)
Glosario Estadstico que representa la proporcin matemtica del error del cuadrado de los promedios entre grupos y el error del cuadrado de los promedios dentro de los grupos, para un conjunto de datos usado para determinar la probabilidad de ocurrencia aleatoria en u nivel de confiabilidad seleccionado. Estimativo de la variacin combinada de la repetibilidad y reproducibilidad para un sistema de medicin. La varianza de RRGs es igual a la suma de las varianzas dentro del sistema y entre sistemas. Representacin grfica (grfica de barras) de la frecuencia de datos agrupados para ofrecer una evaluacin visual de la distribucin de los datos. Estado de un proceso cuando solo muestra variaciones por causas aleatorias y comunes (en oposicin a las caticas, asignables o especiales). Un proceso que opere solo con variaciones aleatorias es estadsticamente estable. La ocurrencia de un evento variable que no tiene efecto sobre la probabilidad de otro evento variable que ocurra. Comnmente referido como dii. Grupo homogneo de datos que son independientes y distribuidos aleatoriamente en una distribucin comn.
Gage R&R (GRR) (R&R de Gages (RRG)) Histogram (Histograma) In Control (En Control) Independent (Independiente) Independent and Identically Distributed (Distribuido en forma Independiente e Idntica) Interaction (Interaccin) Inter-Rater Agreement (Acuerdo EntreEvaluadores)
El efecto combinado o resultados de dos o ms variables que es significativo. No aditividad entre evaluadores y partes. Las diferencias de los evaluadores dependen de la parte a ser medida. (Tambin confiabilidad entre-evaluadores, concordancia). El grado de acuerdo entre evaluadores. Ofrece un resultado score de qu tanta homogeneidad, concenso, hay entre evaluaciones ofrecidas por los evaluadores. Existe un nmero de estadsticos que pueden ser usados para determinar la confiabilidad entre evaluadores, y los cuales son apropiados para diferentes tipos de mediciones. Algunas opciones son: probabilidad conjunta de acuerdo, el kappa de Cohen y el kappa de Fleiss relacionado, la correlacin entre evaluadores, el coeficiente de correlacin y concordancia y la correlacin intra-clases. Una medida estadstica de acuerdo entre evaluadores para artculos items cualitativos (categricos). Toma en cuenta el acuerdo que ocurre por probabilidad. La diferencia en errores de sesgos sobre el rango de operacin esperado del sistema de medicin. En otros trminos, linealidad expresa la correlacin de errores de sesgos mltiples e independientes sobre el rango de operacin. Medida estadstica de la variacin dentro de los subgrupos exhibida para un proceso sobre un periodo largo de tiempo. Esta difiere del desempeo porque no incluye la variacin entre los subgrupos. Cantidad o sujeto particular a medir bajo condiciones especificadas; un conjunto definido de especificaciones par la aplicacin de una medicin. El conjunto de instrumentos o gages, estndares o patrones, operaciones, mtodos, dispositivos, software, personal, medio ambiente y supuestos usados para cuantificar una unidad de medida o una evaluacin de la caracterstica a ser medida; el proceso completo y usado para obtener mediciones.
Kappa (Cohens) (El Kappa de Cohen) Linearity (Linealidad) Long-Term Capability (Habilidad de Largo Plazo) Measurand (Lo que se Mide) Measurement System (Sistema de Medicin)
215
Glosario
Measurement Systerm Error (Error del Sistema de Medicin) Metrology (Metrologa) ndc (ndc) Non- repicable (No Replicable) Number of Distinct Categories (Nmero de Categoras Distintas) Out-of-Control (Fuera de Control) Part Variation (Variacin de las Partes) Part-to-Part Variation (Variacin de Parte a Parte) Performance (Desempeo)
Variacin combinada y debida al reproducibilidad, estabilidad y linealidad.
sesgo
del
gage,
repetibilidad,
La ciencia de las mediciones.
Nmero de categoras distintas. 1.41 PV
RRG
Inhabilidad de tomar mediciones repetidas sobre la misma muestra o componente y debido a la naturaleza dinmica de lo que se mide.
Ver ndc.
Estado de un proceso cuando exhibe variaciones por causas caticas, asignables o especiales. Un proceso que est fuera de control es estadsticamente no estable. Relativo al anlisis de los sistemas de medicin, la variacin de las partes (PV) representa la variacin esperada de parte a parte y de tiempo a tiempo para un proceso estable. Variaciones pieza-a-pieza debidas a la medicin de partes diferentes.
Un estimativo de la variacin combinada de los errores (aleatorios y sistemticos) en las mediciones y basados en evaluaciones de largo plazo del sistema de medicin; incluye todas las fuentes de variacin significativas y determinables de variacin en el tiempo. El efecto neto de la discriminacin, sensibilidad y repetibilidad sobre el rango (tamao, rango y tiempo) de operacin del sistema de medicin. El algunas organizaciones la precisin se usa en forma intercambiable con la repetibilidad. De hecho, la precisin es ms a menudo utilizada para describir la variacin esperada de mediciones repetidas sobre el rango de medicin. El rango puede ser tamao o tiempo. El uso de trminos componentes y ms descriptivos es generalmente preferido sobre el trmino precisin. Estimativo (en proporcin o fraccin) basado en una distribucin particular de los datos recolectados, describiendo la probabilidad de que ocurra un evento especfico. Los estimativos de probabilidad varan entre 0 (evento imposible) y 1 (algo seguro). Conjunto de condiciones o causas trabajando juntas para producir un resultado. Estado operacional donde el propsito de las mediciones y los criterios de decisin aplican a la produccin de tiempo real para evaluar la estabilidad del proceso y lo que se mide o propiedad de la variacin del proceso natural; el resultado de una medicin indica que el proceso es estable y en control o fuera de control. Estado operacional donde el propsito de las mediciones y los criterios de decisin son evaluar lo que se mide o las propiedades para cumplir con una especificacin; el resultado de las mediciones es dentro de tolerancias o fuera de tolerancia.
Precision (Precisin)
Probability (Probabilidad)
Process Control (Control del Proceso)
Product Control (Control del Producto)
216
Reference Value (Valor de Referencia)
Glosario Valor de lo que se mide que sea reconocido y sirva como un valor master o de referencia acordado para comparaciones: valor terico o establecido y basado en principios cientficos; valor asignado internacional; y basado en alguna organizacin nacional o
valor por consenso y basado en trabajo experimental colaborativo y bajo los auspicios de un grupo cientfico o de ingeniera; o para una explicacin especfica, valor obtenido y acordad y usando un mtodo de referencia aceptable.
Valor consistente con la definicin de una cantidad especfica y aceptada, algunas veces en forma convencional, como apropiada para un propsito dado. NOTA: Otros trminos usados como sinnimos del valor referencia. Valor referencia aceptable Valor aceptable Valor convencional Valor verdadero y convencional Valor asignado El mejor estimativo del valor Valor master Medicin del master
Regression Analysis (Anlisis de Regresin) Repeatibility (Repetibilidad)
Estudio estadstico de la relacin entre dos o ms variables. Clculo para definir la relacin matemtica entre dos o ms variables. Variacin aleatoria y por causas comunes que resulta de intentos sucesivos y bajo condiciones de medicin definidas. A menudo referida como variacin del equipo (EV) aunque esto es dudoso. El mejor trmino para repetibilidad es variacin dentro de los sistemas cuando las condiciones de las mediciones son arregladas y definidas parte acordada, instrumento, estndar / patrn, mtodo, operador, medio ambiente y supuestos. Adems de la variacin dentro de los equipos, la repetibilidad incluye toda la variacin interna de las condiciones en el modelo de errores en las mediciones. La habilidad de tomar mediciones repetidas sobre la misma muestra o componente, cuando no haya un cambio fsico significativo de lo que se mide o el ambiente de medicin. Intentos de pruebas mltiples bajo condiciones de repetibilidad (idnticas).
Replicable (Replicable) Replication (Replicado) Reproducibility (Reproducibilidad)
La variacin en el promedio de las mediciones causada por un cambio en las condiciones normales del proceso de medicin. Tpicamente, se ha definido como la variacin en el promedio de las mediciones de la misma parte entre diferentes evaluadores (operadores), usando el mismo instrumento de medicin y mtodo y en un medio ambiente estable. Esto a menudo es verdad para instrumentos manuales influenciados por habilidades del evaluador. No es verdad, sin embargo, para procesos de medicin (ej., sistemas automatizados) donde el operador no es una fuente de variacin mayor. Por esta razn, la reproducibilidad es referida como el promedio de las variaciones entre sistemas o entre condiciones de mediciones.
217
Glosario
Resolution (Resolucin)
Puede aplicarse a la resolucin de las mediciones o a la resolucin efectiva. La habilidad o capacidad de un sistema de medicin para detectar e indicar fielmente si existen pequeos cambios sobre la caracterstica medida. (Ver tambin discriminacin). La resolucin de un sistema de medicin es si existe una probabilidad igual de que el valor indicado de cualquier parte y el cual difiera de una parte de referencia por menos que ser el mismo que el valor indicado de la parte de referencia. La resolucin de un sistema de medicin es impactada por el instrumento de medicin as como otras fuentes de variacin del sistema de medicin total.
Scatter Diagram (Diagrama de Dispersin) Sensitivity (Sensibilidad)
Grfica X -Y de daros para evaluar la relacin entre dos variables. Seal de entrada ms pequea que resulta de la seal de un resultado detectable (discernible) para un dispositivo de medicin. Un instrumento debiera ser al menos tan sensible como sus unidades de discriminacin. La sensibilidad se determina por el diseo y calidad inherentes del gage, el mantenimiento en servicio y las condiciones de operacin. La sensibilidad es reportada en unidades de medicin.
Significance Level (Nivel de Significancia) Stability (Estabilidad)
Nivel estadstico y seleccionado para probar la probabilidad de resultados aleatorios; tambin asociado con el riesgo, expresado como el riesgo alfa ( ), que representa la probabilidad de un error en las decisiones. Se refiere a la estabilidad estadstica de un proceso de medicin y a la estabilidad en las mediciones en el tiempo. Ambas son vitales para un sistema de medicin y adecuadas para su propsito esperado. Estabilidad estadstica implica un proceso predecible y bajo mediciones, operando dentro de variaciones de causas comunes (en control). La estabilidad de las mediciones (alias rumbo o direccin) aborda el cumplimiento necesario del estndar o referencia de las mediciones sobre una vida (tiempo) de operacin del sistema de medicin. Desviacin permitida a partir de un valor estndar o nominal que mantiene la funcin, adecuacin y forma. Ver tambin Especificacin Parmetro asociado con el resultado de una medicin, que caracteriza la dispersin de los valores que pudiera estar razonablemente atribuida a los que se mide (VIM); el rango asignado a un resultado de medicin que describe, dentro de un nivel de confiabilidad definido, los lmites esperados que contienen los resultados de mediciones verdaderos. Incertidumbre es una expresin cuantificada de la confiabilidad de las mediciones. Grupo de datos contiguos que cuentan con una moda.
Tolerance (Tolerancia) Uncertainty (Incertidumbre)
Unimodal (Unimodal)
218
Lista de Referencias
1. ASTM E691-99, Standard Practice for Conducting an Interlaboratory Study to determine the Precision of a Test Method, (www.astm.org). ASTM E177-90, Standard Practice for Use of the Terms Precision and Bias in ASTM Test Methods. ASTM E456-96, Standard Terminology for Relating to Quality and Statistics. AT&T Statistical Quality Control Handbook, Delmar Printing Company, Charlotte, N. C, 1984. Baker, E. Signal Detection Theory of Quality Control Inspector Performance, Journal of Quality Technology, Vol. 7, No.2, April 1975. Bland, J. M., and Altman, D.G. (1896). Statistical methods for assessing agreement between two methods of clinical measurement. Lancet i. pp. 307-310. Burdick, Richard K., y Larsen, Greg A., Confidence Intervals on Measures of Variability in R&R Studies, Journal of Quality Technology, Vol. 29, No. 3, Julio 1997. Cohen, J. (1960) A coefficient for agreement for nominal scales in Education ans Psychological Measurement. Vol. 20, pp. 37-46. Dataplot, National Institute of Standards and Technology, Statistical Engineering Davison (www.itl.nist.gov). Deming, W. E., Out of the Crisis, Massachusetts Institute of Technology, 1982, 1986. Deming, W.E., The New Economics for Industry, Government, Education, The MIT Press 1994, 2000. Duncan, A. J., Quality Control and Industrial Statistics, 5 ed., Richard D. Irwin, Inc., Homewood, Illinois, 1986 Eagle, A. R:, A Meted For Handling Errors in Testing and Measuring. Industrial Quality Control, Marzo, 1954, pp.10-14 Ermer, Donald S., y E-Hok, Robin Yang, Reliable Data is an Important Commodity, University de Wisconsin, Madison; published in The Standard, ASQ Newsletter of the Measurement Quality Division, Vol. 97-1, Winter 1997. Everitt, B. (1996) Making Sense of Statistics in Psychology (Oxford University Press). Fleiss, J. L. (1971) Measuting nominal scale agreement among many raters in Psychological Buuletin. Vol. 76, No. 5, pp. 378-382. Foster, Lowell W., GEO-METRICS: The Metric Application of Geometric Tolerancing, AddisonWesley Publishing Company, Massachusetts, 1993.
2. 3. 4.
5.
6.
7.
8.
9.
10. 11.
12. 13. 14.
15. 16. 17.
219
18.
Gillespie; Richard, A History of the Hawthorne Experiments, Cambridge University Press, New York , 1991. Grubbs, F.E., On Estimating Precision of Measuring Instruments and Product Variability, Journal of the American Statistical Association, Vol. 43, 1948, pp. 243-264. Grubbs, F. E., Errors of Measurement, Precision, Accuracy and the Statistical Comparison of Measuring Instruments, Technometrics, Vol. 15, February 1973, pp. 53-66. Gruska, G. F., and Heaphy, M.S., Measurement Systems Analysis, TMI Conference Workshop, Detroit, Michigan, 1987. Guidance to the Expression of Uncertainty in Measurement, ISO/IEC Guide 98: 1995. Hahn, J. H. and Nelson, W., A Problem in the Statistical Comparison of Measuring Devices, Technometrics, Vol. 12., No. 1, Febrero 1970, pp. 95-102. Hamada, Michaeln and Weerahandi, Sam, Measurement System Assesment Via Generalized Inference, Journal of Quality Technology, Vol. 32, No. 3, Julio 2000. Hayes, A. F. & Krippendorff, K. (2007). Answering the call for a standard reliability measure for coding data. Communication Methods ans Measures, 1, 77-89. Heaphy, M. S., et. al., Measurement Systems Parameters, Society of Manufacturing Engineering-IQ81-154, Detroit, Michigan, 1981. Hicks, Charles R. and Turner K.V. Jr. Fundamental Concepts in the Design of Experiments, Osford University Press, New York, 1999. International Vocabulary of Basic and General Terms in Metrology (abbr. VIM), ISO/IEC Guide 99: 2007. Ishikawa, Kaoru, Guidance to Quality Control, Asian Productivity Organization, 1986. Jaech, J.L., Further Tests of Significance for Grubbs Estimators, Biometrics, 27, December, 1971, pp. 1097-1101. James, P. D. Graphical Displays of Gages R&R Data, AQC Transaction, ASQC, 1991. Krippendorff, K. (2004). Content analysis: And introduction to its methodology. Thousand Oaks, CA: Sage. pp. 219-250. Lipson, C., and Sheth, N. J., Statistical Design & Analysis of Engineering Experiment, McGrawHill, New York, 1973. Maloney, C. J., and Rostogi, S. C., Significance Test for Grubbs Estimators, Biometrics, 26, December, 1970. pp. 671-676. Mandel, J., Repeatability and Reproducibility, Journal of Quality Technology, Vol. 4, No. 2, April, 1972, pp. 74-85. 220
19.
20.
21.
22. 23.
24.
25.
26.
27.
28.
29. 30. 31. 32. 33.
34.
35.
36. 37. 38. 39.
McCaslin, J. A., and Gruska, G. F., Analysis of Attribute Gage Systems, ASQC Technical Conference Transactions, 1976, pp. 392-399. Measurement Systems Analysis Reference Manual, Third Edition, Chrysler, Ford, GM, Third Printing, 2002. Minitab Users Guide: Guide to Minitab: Release 15 - Minitab, Minitab, Inc., 2007. Montgomery, Douglas C., and Runger, George C., Gauge Capability and Designed Experiments. Part I: Basic Methods; Part II: Experimental Design Models and Variance Component Estimation, Quality Engineering, Marcel Dekker, Inc., 1993. Nelson, L., Use of the Range to Estimate Variability, Journal of Quality Technology, Vol. 7, No. 1, January, 1975, pp. 46-48. Potential Failure Mode and Effects Analysis (FMEA) Reference manual, Fourth Edition, DaimlerChrysler, Ford, GM, 2008. Production Part Approval Process (PPAP), Fourth Edition, DaimlerChrysler, Ford, GM, 2008. Saal, F.E. Downey, R.G. and Lahey, M.A (1980) Rating the Ratings: Assessing the Psychometric Quality of Rating Data in Psycholgical Bulletin. Vol. 88, No. 2, pp. 413-428. Shrout, P. and Fleiss, J. L. (1979) Intraclass correlation: uses in assessing rater reliability in Psychological Bulletin. Vol. 86, No. 2, pp. 420-428. Spiers, Beryl, Analysis of Destructive Measuring Systems, ASQC Quality Congress Transactions, Toronto, 1989. Statistical Process Control Reference Manual (SPC), Second Edition, Chrysler, Ford, GM, 2005. Thompson, W. A., Jr., The Problem of Negative Estimates of Variance Components, Annals Mathematical Statistics, No. 33, 1962, pp. 273-289.
40. 41. 42. 43. 44. 45. 46. 47.
48.. Thompson, W. A., Jr., Precision of Simultaneous Measurement Procedures, American Statistical Association Journal, June, 1963, pp. 474-479. 49. 50. 51. 52. 53. Traver, R. W., Measuring Equipment Repeatability The Rubber Ruler, 1962 ASQC Convention Transactions, pp. 25-32. Tsai, Pingfang, Variable Gauge Repeatability and Reproducibility Study Using the Analysis of Variance Method, Quality Engineering, Marcel Dekker, Inc. 1988. Uebersax, John S. (1987). Diversity of Decision making models and the measurement of interrater agreement in Psychological Bulletin. Vol. 101, pp. 140-146. Vardeman, Stephen B., and Van Valkenburg, Enid S., Two-Way Random-Effects Analyses and Gauge R&R Studies, Technometrics, Vol. 41, No. 3, August 1999. Wheeler, D. J., Evaluating the Measurement Process When the Testing is Destructive, TAPPI, 1990 Polymers Lamination & Coatings Conference Proceedings, (www.tappi.org search for document plc90905).
221
54.
Wheler, D.J., and Lyday, R. W., Evaluating the Measurement Process, SPC Press, Inc., Knoxville, Tennesse, 2006.
222
Formatos de Muestra
El lector cuenta con el permiso de reproducir los formatos de sta seccin para uso interno solamente, y no para uso comercial reventa
Los formatos de sta seccin cada uno representa un posible formato para la recoleccin y reporte datos de RRG. No son mutuamente excluyentes de otros tipos de formatos los cuales pueden contener la misma informacin y lograr los mismos resultados.
223
Hoja de Recoleccin de Datos de Repetibilidad y Reproducibilidad de Gages

Evaluador/ Intento # 1 A 1 2 3 Promedio Rango B 1 2 3 Promedio Rango C 1 2 3 Promedio Rango Promedio de Parte 2 3 4 5 PARTE 6 7 8 9 10 PROMEDIO
Xa = Ra =
Xb = Rb =
Xc = Rc =
X = Rp =
b
([(R
)] + [R
] + [R
]) [# DE
EVALUADORE S =
]=
R=
X DIFF = [X Max =
*
] [X Min =
]=
X DIFF =
LCS R = R =
] [D
]=
D 4 = 3.27 para 2 intentos y 2.58 para 3 intentos. LCSR representa el lmite de los Rs individuales. Circular aquellos que estn fuera de ste lmite. Identifica las causas y corrgelas. Repite estas lecturas usando el mismo evaluador y
*
unidad como se originalmente o descarta los valores y recalcula el promedio y R y el valor lmite de las observaciones restantes.
Notas:
224
Reporte de Repetibilidad y Reproducibilidad de Gages (RRGs)

Nombre y No. de Parte: Caractersticas: Especificaciones:
Nombre del Gage: No. de Gage: Tipo de Gage:
Fecha: Hecho por:
Dato : R =
X DIFF = Anlisis de las Unidades de Medicin Repetibilidad Variacin del Equipo (EV)
Rp = % de Variacin Total (TV)

%EV = 100[EV/TV]
EV = R K 1
= R K 1
= = x . .
Intentos 2 3
K1 0.8862 0.5908
= 100 [ = %
Reproducibilidad Variacin del Evaluador (AV)
AV =
=
(X DIFF K 2)2 (EV 2 nr )
)2 (
))
Evaluadores K2 2 0.7071 3 0.5231
%AV =100 [AV/TV] = 100 [ = % / ]
Repetibilidad y Reproducibilidad (RRG)

RRG = EV 2 + AV 2
%RRG = 100 [RRG/TV] Partes 2 3 4 K3 0.7071 0.5231 0.4467 0.4030 0.3742 = 100 [ = % / ] = 100 [ = % / ]
=
=
+
.
Variacin de Partes (PV)
%PV = 100 [PV/TV]
PV = Pp K 3
= = . x
5 6
Variacin Total (TV)

TV = RRG 2 + PV 2
7 8
0.3534 0.3375 0.3249 0.3146
ndc = 1.41 PV
= 1.41 [
RRG
/
)
]
=
=
+
.
9 10
Para informacin sobre teora y constantes usadas en este formato, ver Manual de Referencia de MSA, Cuarta edicin.
225
226
ndice
ndice
227
ndice
Acceptability Criteria (Criterios de Aceptabilidad), 79 Accuracy (also see Bias) (Exactitud (ver tambin Sesgo)), 6,50,215, 222 Analysis of Variance (ANOVA) (Anlisis de Varianza (ANOVA)), 103, 105, 109, 125, 126, 127, 128, 129, 130, 131, 161, 163, 165, 169, 197, 199, 200, 212, 215 Analytic Method (Mtodo Analtico), 147 Apparent (Aparente), 215 Appraiser Variation (AV) (Variacin de los Evaluadores (AV)), 7, 122, 124, 125, 129, 131, 197, 198, 200, 212, 215 ASTM (American Society For Testing And Materials), 5, 6, 7, 33, 45, 50, 54, 55, 56, 187, 189, 192, 221 Attribute (Atributo), 133, 136, 147, 151, 152, 161, 179, 181, 223 Average (Promedio), 95, 103, 105, 108, 109, 114, 115, 119, 126, 128, 129, 130, 131, 171, 176, 177, 188, 226 Bias (Sesgo), 6, 50, 51, 61, 62, 89, 90, 91, 92, 93, 94, 96, 97, 99, 215, 221 Calibration (Calibracin), 10, 34, 36, 38, 39, 43, 213, 215, 216 Calibration Standard (Estndar de Calibracin), 43 Capability Index (ndice de Habilidad), 201 Cause and Effect (Causas y Efectos), 17, 68 Cause and Effect Diagram (Diagrama de Causas y Efectos), 17, 68 Charts, Error (Grfica de Errores), 114 Check Standard (Estndar de Chequeo), 45 Consistency (Consistencia), 8, 57, 110, 112, 113, 116, 187, 192 Control Chart Analysis (Anlisis de Grficas de Control), 88 Control Charts (Grficas de Control), 49 Coordinate Measuring Machine (CMM) (Mquina de Medicin por Coordenadas (MMC)), 14, 25, 26, 37, 38, 59, 134, 169, 213 Cp (see Capability Index) (Cp (ver ndice de Habilidad)), 21, 22, 143, 201, 203, 204 Cross-Tabulation (Tabulacin Cruzada), 135 Customer (Cliente), 4, 48, 91, 96, 233 Designed Experiment (Diseo de Esperimentos), 216, 223 Destructive Measurement Systems (Sistemas de Medicin Destructivos), 155, 156 impact testing (gravelometer) (pruebas de impacto (gravelometro)), 155 mass spectroscopy (espectroscopia de masas), 155 plating testing (pruebas de acabado metlicos), 155 material characteristic testing (pruebas de caractersticas materiales), 155 weld testing (pruebas de soldadura), 155 Discrimination (Discriminacin), 5, 41, 46, 216 Drift (see Stability) (Flujo (ver Estabilidad)), 6, 39 Effective Resolution (Resolucin Efectiva), 38, 216 Effectiveness (Efectividad), 141, 142 Environment (Medio Ambiente), 16, 37, 51, 54, 211 Equipment Variation (EV) (see also Repeatability) (Variacin del Equipo (VE) (ver tambin Repetibilidad)), 227 Ergonomics (Ergonoma), 38 Error (Error), 19, 39, 79, 80, 97, 114, 115, 182, 209, 211, 213, 218 Error Charts (Grficas de Errores), 114 Error Rate (Proporcin de Errores), 19 EV (see Equipment Variation) (VE (ver Variacin del Equipo), 54, 90, 93, 95, 99, 122, 124, 125, 129, 131, 197, 198, 200, 209, 219, 227 False Alarm Rate (Proporcin de Falsa Alarma), 19, 142 Fixturing (Dispositivos), 37 FMEA (AMEF), 13, 26, 37, 169, 223 Gage (Gage), 5, 7, 31, 35, 42, 56, 61, 79, 81, 90, 103, 105, 107, 118, 121, 122, 125, 131, 147, 148, 150, 151, 152, 161, 179, 180, 181, 182, 183, 184, 198, 207, 211, 212, 213, 217, 222, 223, 226, 227 Gage Performance Curve (GPC) (Curva de Desempeo de Gages (CDG)), 42, 147, 148, 150, 151, 152, 179, 180, 181, 182, 183, 184 Gage Repeatability (GR) (Repetibilidad de Gages (RG)), 35, 107, 118, 120, 121, 122, 125, 226, 227 Gage Repeatability and Reproducibility (GRR) (Repetibilidad y Reproducibilidad de Gages (RRG)), 7, 56, 107, 118, 121, 122, 125, 161, 198, 212, 217, 222, 226, 227 Geometric Dimensioning and Tolerancing (GD&T) (Tolerancias y Dimensionamiento Geomtrico (T&DG)), 169 GPC (see Gage Performance Curve) (CDG (ver Curva de Desempeo de Gages)), 42, 148, 150, 179, 181 GRR (see Gage Repeatability and Reproducibility) (RRG (ver Repetibilidad y Reproducibilidad de Gages)), 7, 18, 22, 35, 56, 58, 60, 64, 75, 76, 79, 80, 81, 90, 95, 99, 104, 105, 106, 122, 123, 124, 125, 129, 130, 131, 145, 146, 150, 163, 165, 181, 185, 186, 187, 189, 193, 197, 198, 199, 200, 201, 202, 203, 212, 216, 217, 225, 227 Guide to the Expression of Uncertainty in Measurement (Gua para la Expresin de la Incertidumbre en las Mediciones), 222 Histogram (Histogramas), 93, 115, 217 Hypothesis Test Analyses (Anlisis de Pruebas de Hiptesis), 133, 135 Kappa (Kappa), 138, 139, 217 Linearity (Linealidad), 6, 51, 52, 98, 100, 101, 102, 116, 164, 207, 217 Location Error (Error de Localizacin), 79 Maintenance (Mantenimiento), 34, 36, 38 Master (Master), 44, 213 Measurand (Lo Que se Mide), 60, 217 Measurement Life Cycle (Ciclo de Vida de las Mediciones), 26 Measurement system (Sistema de Medicin), 1, 7, 8, 13, 17, 18, 28, 31, 37, 38, 39, 67, 68, 69, 75, 79, 83, 87, 131, 133, 134, 155, 156, 171, 187, 212, 218, 222, 223 Measurement System Performance (Desempeo del Sistema de Medicin), 8 Measurement Uncertainty (Incertidumbre de las Mediciones) , 63 Miss Rate (Proporcin de Prdida), 19, 142 NIST (National Institute of Standards and Technology) (NIST (National Institute of Standards and Technology)), 9, 159, 221
228
ndice
NIST (see National Institute of Standards and Technology) (NIST (ver National Institute of Standards and Technology)), 9, 10, 11, 34, 45, 73 NMI (National Measurement Institute) (INM (Instituto Nacional de Mediciones)), 9, 10, 45 Non- replicable (No replicable), 218 Number of Distinct Categories (ndc) (Nmero de Categoras Distintas (ncd)), 47, 80, 125, 131, 216, 218, 227 Observed Value (Valor Observado), 114, 115 Operational Definition (Definicin Operacional), 43 P.I.S.M.O.E.A., 16, 37, 211 P.I.S.M.O.E.A. Error Model (Modelo de Errores P.I.S.M.O.E.A.), 211 Performance Curve (Curva de Desempeo), 42, 147, 148, 150, 151, 152, 179, 180, 181, 182, 183, 184 Pooled Standard Deviation (Desviacin Estndar Acumulada Combinada), 187, 190, 191 Precision (Precisin), 7, 54, 218, 221, 222, 223 Process Control (Control de Procesos), 49, 75, 131, 215, 218, 223 Proces Failure Mode Effects Analysis (PFMEA) (Anlisis de Modos y Efectos de Fallas de Proceso (AMEFP)), 13 Product Control (Control del Producto), 75, 218 R&R (see Gage Repeatability and Reproducibility or GRR) R&R (ver Repetibilidad y Reproducibilidad de Gage o RRG), 7, 56, 163, 198, 212, 217, 221, 222, 223 Random (Aleatorio), 213, 223 Randomization (Aleatoriedad) , 76, 106 Range (Rango), 38, 90, 95, 103, 104, 105, 110, 111, 124, 126, 128, 129, 130, 131, 160, 163, 171, 176, 177, 188, 203, 207, 223, 226 Range Chart (Grfica de Rangos), 110, 111 Range Method (Mtodo de Rangos), 90, 104, 105, 128, 131, 163, 171, 188 Reference Value (Valor de Referencia), 45, 92, 101, 114, 115, 145, 219 Replicable (Replicable), 83, 155, 219 Reproducibility (Reproducibilidad), 7, 55, 77, 103, 107, 118, 121, 122, 125, 131, 189, 198, 207, 215, 219, 222, 223, 226, 227 Resolution (Resolucin), 38, 215, 216, 220 Resolution Apparent (Resolucin Aparente), 215 Resolution Effective (Resolucin Efectiva), 38, 216 Risk Analysis Methods (Mtodos de Anlisis de Riesgos), 133 Rule of Tens (Regla de Diez), 15, 41 Run Chart (Grfica de Corridas), 111 S.W.I.P.E., 16, 37 Scatter Plot (Grfico de Correlacin), 112 Sensitivity (Sensibilidad), 8, 38, 57, 220 Signal Detection Approach (Enfoque de Deteccin de Seales), 145 Standard (Estndar), 5, 16, 43, 44, 45, 105, 163, 165, 176, 177, 187, 190, 191, 198, 209, 211, 213, 221 Standard, Calibration (Calibracin Estndar), 43 Standard, Check (Chequeo Estndar), 45 Standard, Reference (Referencia Estndar), 43 Standard,Transfer (Transferencia Estndar), 44 Standard, Working (Trabajo Standar), 44 Statistical Process Control (SPC) (Control Estadstico de los Procesos (SPC)), 11, 47, 49, 75, 79, 88, 118, 213, 215, 223, 224 Test Stands (Stands de Prueba), 155, 156, 161 Tolerance (Tolerancia), 124, 131, 145, 203, 220 Total Variation (TV) (Variacin Total (VT)), 15, 76, 90, 95, 99, 119, 123, 124, 125, 129, 131, 200, 227 Traceability (Rastreabilidad), 9, 10, 64 Transfer Standard (Estndar de Transferencia), 44 True Value (Valor Verdadero), 45 Uncertainty (see Measurement Uncertainty) (Incertidumbre (ver Incertidumbre en las Mediciones)), 8, 60, 63, 64, 65, 220, 222 Uniformity (Uniformidad), 8, 58 Variable Gage Study (Estudio de Gages de Variables), 103 Variation (Variacin), 7, 15, 50, 76, 103, 119, 123, 129, 131, 169, 185, 198, 200, 215, 218, 227 Whiskers Chart (Grfica de Bigotes) , 113 Width Error (Error de Amplitud), 79, 80 Working Standard (Estndar de Trabajo), 44
229
230
Retroalimentacin
Proceso de Retroalimentacin del Usuario del Manual MSA

Consistente con el proceso de mejoramiento continuo, este manual de anlisis de sistemas de medicin (msa) de la industria automotriz est siendo sujeto a un proceso de revisiones peridicas y formales. En conjunto con el concepto de satisfaccin de los clientes, estas revisiones no solo acarrean consideraciones sobre cambios en requerimientos que apliquen de fabricantes de vehculos y de ao a ao, sino tambin de retroalimentacin de usuarios del manual para propsitos de hacerlo de ms valor agregado y efectivo a la industria automotriz y a las comunidades de usuarios. Al mismo tiempo, favor de sentirse libre de ofrecer, por escrito, sus comentarios de retroalimentacin, pros y cons, relativos a la facilidad de entendimiento del manual, facilidad hacia el usuario, etc., en las reas indicadas abajo. Por favor indique los nmeros de pginas especficos del manual cuando sea apropiado. Enviar su retroalimentacin a la direccin indicada abajo:
Su Nombre Representando
Nombre de la Compaa/Divisin
Direccin
Telfono
Por favor liste sus tres clientes automotrices mas importantes y su localizacin. Localizacin del Cliente Localizacin del Cliente Localizacin del Cliente
Comentarios de Retroalimentacin (anexar hojas adicionales si es necesario)
Enviar Comentarios a: Automotive Industry Action Group Suite 200 26200 Lahser Road Southfield, Michigan 48033 MSA, 4a. Por favor accese a www.aiag.org para emitir su retroalimentacin electrnicamente.
231

Manual MSA 4 2010 Espanol

Uploaded by

Document Information

Copyright

Available Formats

Share this document

Share or Embed Document

Sharing Options

Did you find this document useful?

Is this content inappropriate?

Copyright:

Available Formats

Manual MSA 4 2010 Espanol

Uploaded by

Copyright:

Available Formats

1

ANLISIS DE SISTEMAS DE MEDICIN

Gua Rpida de 4 Edicin de MSA

Tabla F 1: Ejemplo del Modelo PISMOEA ........................................................................................................ 211

Captulo I Guas y Lineamientos Generales para Sistemas de Medicin

Captulo I Guas y Lineamientos Generales para Sistemas de Medicin

Captulo I Seccin A Introduccin, Propsito y Terminologa

Captulo I Seccin A Introduccin, Propsito y Terminologa

Calidad de los Datos de Medicin

Captulo I Seccin A Introduccin, Propsito y Terminologa

Captulo I Seccin A Introduccin, Propsito y Terminologa

Resumen de Trminos1 Patrn/Estndar

Ver Captulo I, Seccin E para terminologa, definiciones y discusin.

Captulo I Seccin A Introduccin, Propsito y Terminologa

Captulo I Seccin A Introduccin, Propsito y Terminologa

R&R de Gages o RRGs

Habilidad de los Sistemas de Medicin

Captulo I Seccin A Introduccin, Propsito y Terminologa

Desempeo del Sistema de Medicin

Variacin de los Sistemas

Captulo I Seccin A Introduccin, Propsito y Terminologa

Institutos Nacionales de Mediciones

Captulo I Seccin A Introduccin, Propsito y Terminologa

Patrn de Longitud de Onda

Medidor de Bloque/Comparador de Interferencias Lser Gages de Referencia

Gage para Produccin

Gages para Dispositivos

Captulo I Seccin A Introduccin, Propsito y Terminologa

Captulo I Seccin A Introduccin, Propsito y Terminologa

Captulo l Seccin B El Proceso de Medicin

Proceso General Entradas Operacin Resultados

Proceso de Medicin Proceso Administrativo Mediciones Valor

Captulo l Seccin B El Proceso de Medicin

Propiedades Estadsticas de los Sistemas de Medicin

Captulo l Seccin B El Proceso de Medicin

El analista de mediciones siempre debe considerar significancias prcticas y estadsticas.

Captulo l Seccin B El Proceso de Medicin

Patrn Pieza de Trabajo (ej., parte) Instrumento Persona/Procedimiento Medio Ambiente

Pieza de Trabajo (Parte)

Vas Robustercer Estabilidad

Figura I-B 1: Diagrama de Causas y Efectos de la Variabilidad de un Sistema de Medicin

Efectos de Deformaciones Linealidad

Validacin del Diseo

Coeficiente de Expansin Trmica Propiedades Elsticas

Variabilidad en los Sistemas de Medicin

Contaminacin de Aire Vibracin

Componentes Igualacin Sistema de Componentes

Captulo l Seccin B El Proceso de Medicin

Captulo l Seccin B El Proceso de Medicin

Efectos de la Variabilidad de los Sistemas de Medicin

Efectos en las Decisiones

Control del producto Control del proceso

Tabla I-B1: Filosofa de Control e Inters Gua

Captulo l Seccin B El Proceso de Medicin

Efectos en las Decisiones de Productos

Captulo l Seccin B El Proceso de Medicin

Efecto en las Decisiones del Proceso

Captulo l Seccin B El Proceso de Medicin

Captulo l Seccin B El Proceso de Medicin

Captulo l Seccin B El Proceso de Medicin

Ajuste / Control del Proceso (Experimento del Embudo)

Deming, W. Edwards, Out of the Crisis, Massachussets of Technology, 1982, 1986.

Captulo l Seccin B El Proceso de Medicin

Captulo l Seccin C Planeacin y Estrategia de las Mediciones