You are on page 1of 372

CONTROL ESTADSTICO

DEL PROCESO

CONTROL ESTADSTICO DEL PROCESO


(CEP)
OBJETIVOS: Al finalizar el curso, el participante ser
capaz de:
1. Comprender los conceptos estadsticos para
implantar cartas de control para prevenir los
defectos y mejorar los procesos.
2. Evaluar la capacidad de un proceso y de los
equipos de medicin, identificando acciones de
mejora.
3. Realizar proyectos de mejoramiento de la
calidad.
2

CONTENIDO
1. Importancia de la mejora continua
2. Mtodos y filosofa del CEP
3. Cartas de control por variables
4. Cartas de control por atributos
5. Cartas de control especiales
6. Anlisis de la capacidad del proceso
7. Mtodos para el proceso de mejora
continua
8. Mtodos de muestreo por atributos
9. Mtodos de muestreo por variables

1. Importancia de
la mejora continua

1. Importancia de la mejora continua


DIMENSIONES DE LA CALIDAD
Desempeo
Confiabilidad
Durabilidad
Serviciabilidad
Esttica
Caractersticas
Imagen del producto
Conformancia
Tiempo de entrega
Precio
Servicio al cliente
5

1. Importancia de la mejora continua


CALIDAD Y MEJORAMIENTO
La calidad es adecuacin al uso e
inversamente proporcional a la variabilidad.
La mejora de la calidad se logra a travs de la
reduccin de la variabilidad por medio del CEP
TIPOS DE DATOS
Atributos: No medibles, apariencia, defectivos

Variables: Medibles, temp., voltaje


6

1. Importancia de la mejora
continua
PRODUCTO DEFECTIVO: No cumple una o
varias especificaciones
DEFECTO: Carcterstica especfica de un
producto que no cumple especificaciones
CARACTERISTICAS DEL PRODUCTO
Fsicas: Longitud, peso
Sensoriales: apariencia
Relacionadas con el uso: confiabilidad,
duracin, servicio, disponibilidad

1... Antecedentes histricos


ADAM SMITH (Divisin del trabajo): 1 persona =
200 alfileres, 10 pers. = 48,000 alfileres
FEDERICK W. TAYLOR: Administracin Cientfica,
ciencia para cada elemento del trabajo, seleccin
del trabajador, capacitar, apego a proc., divisin
adm. obreros
FRANK / LILLIAN GILBERTH: Afinan los
movimientos, resaltan la necesidad de interes por
los trabajadores
FORDISMO: Lneas de porduccin masiva, los
trabajadores deben ser consumidores

1... CEP en Occidente Western


Electric

1924: WALTER SHEWHART realiz


experimentos en base al Teorema del Lmite
Central y desarroll las Cartas de Control del
CEP

1926: HAROLD F. DODGE Y HARRY G. ROMIG,


desarrollaron las tcnicas de Muestreo
Estadstico
Durante la 2a. Guerra Mundial se expande el
uso del CEP en la industria de manufactura
La aplicacin de las tcnicas estadsticas ha
evolucionado a lo que hoy se conoce como
Seis Sigma, aplicada por Motorola, GE, Sony,
etc.

1... CEP en Japn


1950s: EDWARD DEMING / JOSEPH JURAN:
Entrenaron a lderes industriales en tcnicas del
CEP
1950s: KAOURU ISHIKAWA: Es un seguidor de
Deming y desarrolla el Diagrama de Ishikawa,
los Crculos de calidad e impulsa el control de
calidad total CWQC.
Los japoneses implantaron el CEP y lograron
productos de alta calidad, Occidente retoma los
mtodos de CEP hasta despus de los 1980s.
En Mxico el programa Ford ITESM de los
1990s impuls al CEP con poco xito, hoy se
retoma con el ISO 9000:2000

10

1... Antecedentes histricos


Control de calidad por inspeccin: Con la divisin
del trabajo, aparecen los inspectores, inspeccin
100%

Control estadstico del proceso: Shewhart, Deming,


Juran. Se usa en Japn (50s) y EUA (80s)

Aseguramiento de calidad (ISO 9000): Sistemas


aislados EUA (40s), Europa, etc.

11

4...Mtodos de calidad para


Manufactura Delgada
Control estadstico del proceso: Previene que
ocurran problemas potenciales
Mtodos de inspeccin sucesiva: Detectan los
resultados de la operacin previa
Mtodos de auto inspeccin: Detecta los
resultados de la operacin actual
A prueba de error (Poka Yokes): Hacer que sea
difcil, realizar la tarea incorrectamente
Evitar: AQLs, concesiones, desviaciones,
inspecciones al final y en recibo

12

1... Inspecciones de calidad


Inspeccin 100%

Separa buenos
de malos

Ni asegura
Ni mejora

Auditora Proc.

Investigacin
de Causas

Convive con los


defectos

Control Estadstico
del Proceso CEP

Ayuda a estabilizar
el proceso

Mejora pero
no evita los def.

En la Fuente

EVITA EL ERROR

IMPIDE DEFECTOS

13

1... Mtodos estadsticos para la


mejora
LAS CARTAS DE CONTROL
Tcnica util para el monitoreo de procesos
Permiten identificar situaciones anormales (causas
especiales originadas por cambios en las 5Ms)
Sirven para prevenir la produccin de defectivos

15
10
5

Carta X

LCS
LSC
Promedio
MEDIA
LIC
LCI
Perfil

0
14

1... Mtodos estadsticos para la


mejora
DISEO DE EXPERIMENTOS
Tcnica util para identificar las variables clave que
afectan a la variabilidad de productos p procesos
Permite variar en forma sistemtica los factores y
analizar su efecto

Variables de
Entrada/Factores

Caracterstica
de calidad

Proceso

15

1... Mtodos estadsticos para la


mejora
MUESTREO DE ACEPTACIN
Tcnica que permite calificar lotes de productos
como conformes o no conformes, por medio de una
muestra representativa sin inspeccionar al 100%

MUESTRA

OK?

LOTE

16

1... Administracin por Calidad


Total
Feigenbaum (Control de calidad total)
Deming (mejora continua, CEP, conocimiento
profundo)
Juran (Trilogia de la calidad Plan, mejoramiento y
control)
Crosby (Costo de la calidad)
Ishikawa (CWQC)
Taguchi (Diseos robustos)

17

1..El Sistema de Calidad


El Sistema de Calidad se debe Establecer,
Documentar e Implantar en forma Efectiva:
QS 9000

Documentos
controlados

ISO 9000:2000

1. Manual
de Calidad

Poltica

Implantacin de
2. Procedimientos la poltica
3. Instructivos

Registros
de calidad

Formatos Vacios
Formatos Llenos

El Cmo de los
procedimientos

4. Formatos
y Registros

Planes de Calidad

18

1... Administracin por Calidad


Total
MODELOS Creacin de valor a las partes interesadas
Premio Nacional de Calidad -Mxico
Premio Malcolm Baldrige EUA
Premio Europeo a la calidad Europa
Premio Deming - Japn
Premios Estatales a la calidad - Mxico
Sistemas de gestin de calidad:
ISO 9000:2000
QS 9000
ISO 16949
VDA 6.1

19

1... El CEP y la Administracin


por Calidad Total

El CEP debe ser parte de un programa mayor de


calidad total, requiere el liderazgo de la
direccin, no hay otra forma de implantarlo y
mantenerlo

20

1... Los costos de calidad


CROSBY: La calidad se mide con el costo de calidad
COSTOS DE PREVENCIN
Planeacin de calidad (manuales), Entrenamiento
COSTOS DE APRECIACIN
Inspecciones, pruebas y materiales de prueba
COSTOS DE FALLA INTERNA
Desperdicios, retrabajos, reinspecciones
COSTOS DE FALLA EXTERNA
Garantas, reclamaciones, demandas legales,
penalizaciones, campaas
COSTOS DE OPORTUNIDAD
Prdidas de ventas por falta de producto de
buena calidad

21

2. Mtodos y filosofa
del control estadstico de
proceso (CEP)

22

2. Mtodos y filosofa del CEP

No existen en la naturaleza
dos cosas exactamente iguales,
ni siquiera los gemelos, por tanto la
variacin es inevitable y es analizada por
la Estadstica

23

2...La Estadstica
La estadstica nos proporciona mtodos para organizar
y resumir informacin, usndola para obtener diversas
conclusiones
Por ejemplo, s deseamos saber el promedio de peso de
las personas en una poblacin tenemos dos opciones:
Pesar a todas y cada una de las personas, anotar y
organizar los datos, y calcular la media.
Pesar solo una porcin o subconjunto de la poblacin
(muestra). Registrar y organizar los datos y calcular la
media de la muestra, tomndola para pronosticar o
Inferir la media de toda la poblacin.

24

2..Definiciones
Poblacin: Es la coleccin de todos los elementos (piezas,
personas, etc.). En nuestro caso sera un nmero infinito de
mediciones de las caractersticas bajo estudio.
Muestra: Es una parte o subconjunto representativo de la
poblacin, o sea un grupo de mediciones de las caractersticas.
Variable aleatoria: es una funcin o regla que asigna uno y
slo un valor de una variable " y" a cada evento en el espacio
muestral. En este caso representa una medicin particular.
Distribucin: Es la forma del patrn de variacin
observado. .
25

2..Definiciones
Estadstico: Es una medicin tomada en una muestra que sirve para
hacer inferencias en relacin con una poblacin (media de la muestra,
desviacin estndar de la muestra).
Normalmente es una variable aleatoria y tiene asociada una distribucin.

Parmetro: Es el valor verdadero en una poblacin (media, desviacin


estndar, se indican con letras griegas)
Datos continuos Los datos que tienen un valor real (temperatura,
presin, tiempo, dimetro, altura )
Datos discretos: Datos que toman valores enteros (1, 2, 3, etc.)
Datos por atributos: Bueno - malo, pasa - no pasa, etc.

26

2..Histograma
El Histograma es una grfica de las frecuencias que presenta
los diferentes valores de medicin y su frecuencia.
Una tabla de frecuencias lista los valores y su frecuencia:
VALOR
35
36
37
38
39
40

FREC.
1
2
3
6
8
10

VALOR
41
42
43
44
45

FREC.
7
6
4
2
1

27

2...Histograma de Frecuencia

Media

TAMAO

TAMAO

TAMAO

M
E
D
I
C
I
O
N
E
S

En un proceso estable las mediciones se distribuyen normalmente, a la derecha


y a la izquierda de la media adoptando la forma de una campana.
M
E
D
I
C
I
O
N
E
S

TAMAO

TAMAO

28

2...Histograma de Frecuencia
Permite ver la distribucin de la frecuencia con la que ocurren las cosas en
los procesos de manufactura y administrativos.
La variabilidad del proceso se representa por el ancho del histograma, se
mide en desviaciones estndar o , 3 cubre el 99.73%.

LIE

LSE

DEFINICION
Un Histograma es la organizacin de un nmero de
datos muestra que nos permite
visualizar al
proceso de manera objetiva.

29

2..Las distribuciones pueden variar en:

POSICIN

AMPLITUD

FORMA

O TENER CUALQUIER COMBINACION

30

2...Medidas de Tendencia central


Media - Promedio numrico o centro de
gravedad del histograma de mediciones
n

Fi*Xi
X
Fi

i 1

Donde,
Fi = Frecuencia de cada medicin
xi = Valor de cada medicin
individual

- Usa todos los datos


- Le afectan los extremos

Mediana - Es el valor que se encuentra en medio de


los datos o mediciones
Moda - Es el valor que ms se repite

31

2...Grficas de caja
Permite identificar la distribucin de los datos,
muestra la mediana, bases y extremos.
Mediana = dato intermedio entre un grupo de datos
ordenados en forma ascendente
Mediana inferior

Mediana superior
Mediana

Valor
mnimo

Valor
mximo

DEFINICION:
Es una ayuda grfica para ver la variabilidad
de los datos.

32

2...Medidas de variabilidad o
Dispersin Desviacin Estndar
S es usada cuando los datos corresponden a una muestra de la poblacin.
Como es el caso de una muestra de mediciones.
tpicamente es usada si se est considerando a toda la poblacin
n

(Fi*Xi2 )- [(Fi*Xi)]2/n
s =

(xi - x)2
=

i=1

n-1

i=1

33

2..Medidas de
Dispersin- Rango, CV
Rango: Valor Mayor Valor menor
Coeficiente de variacin: (Desv. Estndar / Media )*100%,
Se usa para comparar datos en diferentes niveles de media o tipo.
Por ejemplo:
Material No. de
Media
Observaciones Aritmtica
n

A
160
1100
B
150
800

Desviacin
Estndar
s
225
200

Coeficiente
de Variacin
Srel
0,204
0,250

El Material A tiene una menor variabilidad relativa relativa que el


material B
Error estndar de la Media: Es la desviacin estndar de las medias
de las muestras de mediciones, se representa como la desviacin
estndar de la poblacin entre la raz de n = nmeor de mediones
por muestra.

34

2..Uso de Calculadora cientfica

Para calcular los estadsticos de la MEDIA y la DESVIACIN


ESTNDAR seguir el procedimiento siguiente:

1. - Poner el modo con MODE ., hasta que indique modo SD


2. Limpiar los registros estadsticos con SHIFT AC
3. Introducir uno por uno los datos con la tecla DATA o DT (si se
repiten con una frecuencia, introducirlos las veces
necesarias)
4. Al terminar pedir los resultados: la media con SHIFT y X, la
desviacin estndar con SHIFT y X sn-1
5. Limpiar los registros estadsticos con SHIFT y AC, antes de
iniciar una nueva operacin

35

2...Mtodo Manual

Formar la tabla siguiente donde Xi son los valores y Fi su


frecuencia (las sumas se calculan con la funcin S ):
Xi
35
36
37
38
39
40
SXi

Fi
1
3
6
3
2
1
SFi

X2i
35
1225
1369
1444
1521
1600
SX2i

Fi*Xi
35
108
222
114
78
40
SFiXi

Fi*X2i
35
3675
8214
4332
3042
1600
SFiX2i

Para calcular el promedio dividir SFiXi / SFi


Para calcular la desviacin estndar sustituir en la frmula
para S, con n = SFi

36

2...Clculos en Excel

Accesar el menu de anlisis de datos con TOOLS o


HERRAMIENTAS, ANLISIS DE DATOS, ESTADSTICA
DESCRIPTIVA
o
Utilizar las funciones de Promedio, y DesvEst para
la media y desviacin estndar respectivamente

37

2...Ejercicio de Histogramas
Datos:
6.40
6.39

6.39
6.40

6.41
6.37

6.39
6.40

6.40
6.38

6.42
6.40

6.38
6.41

6.40
6.41

6.38
6.43

6.41
6.39

6.41
6.38

6.35
6.40

6.39
6.42

6.41
6.37

6.43
6.40

6.37
6.40

6.43
6.42

6.43
6.39

6.39
6.42

6.42
6.38

6.42
6.39

6.40
6.44

6.38
6.36

6.45
6.44

6.41
6.36

38

2...Histogramas con Datos agrupados


El Histograma es una grfica de las frecuencias que
presenta los diferentes datos o valores de mediciones
agrupados en celdas y su frecuencia.
Una tabla de frecuencias lista las categoras o clases de
valores con sus frecuencias correspondientes, por
ejemplo:
CLASE
1-5
6-10
11-15
16-20
21-25
26-30

FRECUENCIA
7
12
19
16
8
4

39

2...Definiciones - datos agrupados


Lmite inferior y superior de clase
Son los numeros ms pequeos y ms grandes respectivamente que
pertenecen a las clases (del ejemplo, 1 y 5; 6 y 10; 11 y 15; 16 y 20; 21 y 25; 26 y 30)

Marcas de clase
Son los puntos medios de las clases (del ejemplo 3, 8, 13, 18, 23 y 28)

Fronteras de clase
Se obtienen al incrementar los lmites superiores de clase y al decrementar los
inferiores en una cantidad igual a la media de la diferencia entre un lmite
superior de clase y el siguiente lmite inferior de clase (en el ejemplo, las fronteras
de clase son 0.5, 5.5, 10.5, 15.5, 20.5, 25.5 y 30.5)

Ancho de clase
Es la diferencia entre dos lmites de clase inferiores consecutivas(en el ejemplo,
es 5).

40

Construccin del histograma - datos agrupados


Paso 1. Contar los datos (N)
Paso 2. Calcular el rango de los datos R = (Valor mayor- valor menor)
Paso 3. Seleccionar el nmero de columnas o celdas del histograma (K).
Como referencia si N = 1 a 50, K = 5 a 7; si N = 51 - 100; K = 6 - 10.
Tambin se utiliza el criterio K = Raz (N)
Paso 4. Dividir el rango por K para obtener el ancho de clase
Paso 5. Identificar el lmite inferior de clase ms conveniente y sumarle
el ancho de clase para formar todas las celdas necesarias
Paso 6. Tabular los datos dentro de las celdas de clase
Paso 7. Graficar el histograma y observar si tiene una forma normal
41

Ejemplo: Datos agrupados


Datos:
19

21

25

33

30

27

31

25

35

37

44

43

42

39

43

40

38

37

36

42

41

44

32

45

46

47

45

54

52

50

48

49

47

48

49

47

52

51

50

49

58

59

61

62

63

59

61

66

76

70
42

2...Construccin del histograma


Paso 1. Nmero de datos N = 50
Paso 2. Rango R = 76 - 16 = 60
Paso 3. Nmero de celdas K = 6;
Paso 4. Ancho de clase = 60 / 6 = 10
Paso 5. Lm. de clase: 15-24, 25- 34, 35- 44, 45- 54, 55 - 64, 65-74, 75-94
Paso 6. Nmero de datos: 2
7
14
17
7
2
1
Marcas de clase 19.5 29.5 39.5 49.5 59.5 69.5 79.5
Paso 7. Graficar el histograma y observar si tiene una forma normal
43

2...Construccin del histograma


18
16
14
12
10
8

Frec.

6
4
2
0

15-24 25-34 35-44 45-54 55-64 65-75

44

2...Clculo de la media - datos agrupados


Media - Promedio numrico o centro de
gravedad del histograma
n

Fi*Xi
x
Fi

i 1

Donde,
Fi = Frecuencia de cada observacin
xi = Valor de cada marca de clase

- Usa todos los datos


- Le afectan los extremos

Mediana - Es el valor que se encuentra en medio de


los datos
Moda - Es el valor que ms se repite

45

2...Desviacin Estndar - Datos agrupados


S es usada cuando los datos corresponden a una muestra de la poblacin
Nota: Cada Xi representa la marca de clase

tpicamente es usada si se est considerando a toda la poblacin


n

s =

i=1 (Fi*X )- [(Fi*Xi)] /n


n-1
2
i

i=1 (xi - x)
n

NOTA: Para lo clculos con Excel, se puede utilizar el mismo mtodo


que para datos no agrupados de la pgina 13, tomando como
Xi los valores de las marcas de clase.

46

2...Histograma en Excel

Despus de correr la utileria de Histogramas con Excel


se obtuvieron los siguientes resultados (BIN RANGE: 15,
25, 35, 45, 55, 65, 75).
Bin
15
25
35
45
55
65
75
More

Frequency
0
4
6
15
15
7
2
1

47

2...Histograma en Excel

Accesar el menu de anlisis de datos con TOOLS


o HERRAMIENTAS, DATA ANALYSIS o ANALISIS DE
DATOS, HISTOGRAMS o HISTOGRAMAS
Marcar los datos de entrada en INPUT RANGE o
RANGO DE ENTRADA, marcar el rea de
resultados con OUTPUT RANGE o RANGO DE
SALIDA y obtener resultados y grfica

NOTA: Los datos deben estar en forma no


agrupada, Excel forma los grupos en forma
automtica o se le pueden proporcionar los
lmites de las celdas.

48

2...Histograma en Excel

Frequency

Histogram
20
10
0

Frequency

Bin
49

Ejercicio
Datos:
19.5
19.6

21.3
21.3

21.3
21.4

21.3
21.3

21.3
21.3

21.2
20.9

21.4
19.5

21.4
21.3

21.4
21.5

19.6
21.3

21.4
21.3

21.5
19.7

19.8
19.8

21.0
21.4

20.6
21.4

21.5
19.9

19.7
21.3

21.3
19.8

21.6
21.4

20.4
21.5

21.4
21.4

21.4
21.5

21.4
21.4

21.4
19.8

19.6
19.8

21.5
21.2

21.2
21.3

19.4
19.5

21.4
21.3

21.4
21.2

21.3
21.4

21.3
21.6

19.7
21.4

20.1
19.8

19.9
21.3

21.3
19.4

19.8
21.3

21.3
21.2

21.2
21.3

21.4
21.6

21.6
21.4

21.4
21.5

19.8
20.2

21.3
19.4

19..4
21.1

21.3
19.5

20.2

21.4

19.7

21.4

20.1

21.3

21.4

21.5

50

2...La Distribucin
Normal

51

2...La distribucin Normal


La distribucin normal es una distribucin de
probabilidad que tiene media 0 y desviacin
estndar de 1.
El rea bajo la curva o la probabilidad desde menos
infinito a ms infinito vale 1.
La distribucin normal es simtrica, es decir cada
mitad de curva tiene un rea de 0.5.
La escala horizontal de la curva se mide en
desviaciones estndar, su nmero se describe con
Z.
Para cada valor Z se asigna una probablidad o rea

52

2...La distribucin Normal


Para la poblacin - se incluyen TODOS los datos
Para la muestra

x-3s

x-2s

x-s

x+s

x+2s

x+3s

53

2...La distribucin Normal Estndar


La desviacin estndar
sigma representa la
distancia de la media al
punto de inflexin de la
curva normal

X
x-3

x-2

x-

x+

x+2

x+3

z
-3

-2

-1

54

2...Caractersticas de la distribucin normal

68%
34% 34%

+1s

95%
+2s

99.73%
+3s

55

2...El valor de z
Determina el nmero de desviaciones estndar
entre algn valor
Donde es
poblacin.

x y la media de la poblacin, .

la

desviacin

estndar

de

la

En Excel usar Fx, STATISTICAL, STANDARDIZE,


para calcular el valor de Z

z= x-

56

2...Proceso con media =100


y desviacin estndar = 10

70

80

90

100

110

120 130

68%
34% 34%

90

13.5%

80
2.356%
13.5%

70

110

68%
13.5%

34% 34%

95%

68%
13.5%

34% 34%

99.73%

120
2.356%

130

57

LSE
Especificacin
superior

LIE
Especificacin
inferior

s
xi

_
X

p = porcentaje de partes fuera de Especificaciones

58

2...reas bajo la
curva normal

59

2...reas bajo la curva normal

El tiempo de vida de las bateras del conejito tiene


una distribucin aproximada a la normal con una
media de 85.36 horas y una desviacin estndar
de 3.77 horas.

Qu porcentaje de las bateras se espera que


duren 80 horas o menos?
Cul es la probabilidad de que una batera dure
entre 86.0 y 87.0 horas?
Cul es la probabilidad de que una batera dure
ms de 87 horas?

60

2...Clculos con Excel

Distribucin normal estndar con media = 0 y desviacin


estndar = 1: Para Z = (X - Xmedia ) / s
1. El rea desde menos infinito a un valor de Z se obtiene
como sigue:
- Colocarse en una celda vaca
- Accesar el men de funciones con Fx, STATISTICAL o
ESTADSTICAS, NORMSDIST o DISTSNORM, dar el valor de
Z y se obtendr el rea requerida
Z
Area
2. Un valor de Z especfico para una cierta rea (por ejemplo
0.05) se obtiene como sigue:
- Colocarse en una celda vaca
- Accesar el men de funciones con Fx, STATISTICAL o
ESTADSTICAS, NORMSINV o DISTSNORMINV, dar el valor
del rea y se obtendr el valor de la Z

61

2...Clculos con Excel

Distribucin normal, dadas una media y desviacin estndar:


1. El rea desde menos infinito a un valor de X se obtiene como
sigue:
- Colocarse en una celda vaca
- Accesar el men de funciones con Fx, STATISTICAL o
ESTADSTICAS, NORMDIST o DISTNORM, dar el valor de X,
Media, Desviacin Estndar s, TRUE o VERDADERO y se
obtendr el rea requerida
X
Area

2. Un valor de X especfico para una cierta rea (por ejemplo


0.05) se obtiene como sigue:
- Colocarse en una celda vaca
- Accesar el men de funciones con Fx, STATISTICAL o
ESTADSTICAS, NORMINV o DISTNORMINV, dar el valor del rea,
Media y Desviacin Estndar y se obtendr el valor de la X

62

2...rea bajo la curva normal


Que porcentaje de las bateras se espera que

duren 80 horas o menos?


z = (x-m) /s
z = (80-85.36)/(3.77)= - 5.36/ 3.77 = -1.42
80

-1.42

85.36

63

2...rea bajo la curva normal


Cul es la probabilidad de que una batera
dure entre 86.0 y 87.0 horas?
85.36 86 87

64

2...rea bajo la curva normal


Cul es la probabilidad de que una batera dure ms
de 87 horas?
85.36

87

1.67 = .33 33% de las veces una batera


durar ms de 87 horas
65

2...Ejercicios
Considere
Considere una
una media
media de
de peso
peso de
de estudiantes
estudiantes de
de 75
75
Kgs.
Kgs. con
con una
una desviacin
desviacin estndar
estndar de
de 10Kgs.
10Kgs.
Contestar
Contestar lo
lo siguiente:
siguiente:
1.
1. Cul
Cul es
es la
la probabilidad
probabilidad de
de que
que un
un estudiante
estudiante pese
pese
ms
ms de
de 85Kgs.?
85Kgs.?
2.
2. Cul
Cul es
es la
la probabilidad
probabilidad de
de que
que un
un estudiante
estudiante pese
pese
menos
menos de
de 50Kgs.?
50Kgs.?
3.
3. Cul
Cul es
es la
la probabilidad
probabilidad de
de que
que pese
pese entre
entre 60
60 yy 80
80
Kgs.?.
Kgs.?.
4.
4. Cul
Cul es
es la
la probabilidad
probabilidad de
de que
que pese
pese entre
entre 55
55 yy 70
70
Kgs.?
Kgs.?
66

2... Las 7 herramientas


estadsticas
Hoja de verificacin para anotar frecuencia de
ocurrencias de los eventos (con signos |, X, *,
etc.)
Histogramas para ver la distribucin de
frecuencia de los datos
Las cartas de control de Shewart para
monitorear el proceso, prevenir defectivos y
facilitar la mejora
Cartas de control por atributos y por variables
Diagrama de Pareto para identificar
prioridades

67

2... Las 7 herramientas


estadsticas
Diagrama de Causa efecto para identificar las
posibles causas a travs de una lluvia de ideas,
la cual se debe hacer sin juicio previos y
respetando las opiniones.
Diagrama de Dispersin para analizar la
correlacin entre dos variables, se puede
encontrar:
Correlacin positiva o negativa
Correlacin fuerte o dbil
Sin correlacin.
68

2... Las 7 herramientas


estadsticas
Diagrama de flujo para identificar los
procesos, las caractersticas crticas en cada
uno, la forma de evaluacin, los equipos a usar,
los registros y plan de reaccin, se tienen:
Diagramas de flujo de proceso detallados
Diagramas fsicos de proceso
Diagramas de flujo de valor
Estratificacin para separar el problema
general en los estratos que lo componen, por
ejemplo, por reas, departamentos, productos,
proveedores, turnos, etc..
69

2... Causas de variacin y bases


estadsticas del CEP

Causas de variacin
Causas comunes o aleatorias, reducidas slo por la
direccin
Causas especiales (causadas por 6Ms), eliminadas
por personal involucrado en la operacin.

Bases estadsticas de las cartas de control


Situacin en control y fuera de control
Prueba de hiptesis Error alfa y error beta
Curva caracterstica de operacin del error beta
Lmites de control - Modelo general y europeo
Proceso de mejora eliminando causas especiales

70

2... Beneficios de las cartas de


control
Herramienta para mejorar la productividad
Herramientas de prevencin de defectos
Evitan ajustes innecesarios
Proporcionan informacin de diagnstico
Proporcionan informacin de la capacidad del
proceso

71

2.. Diseo de la carta de


control
Lmites de control
De acuerdo a Shewhart a + - 3-sigma
En Europa se usan l.imites de prevencin a + -2
sigma
En Europa se usan Lmites Probabilsticos a + 0.1% (+ - 3.09 sigma)
Operacin de las cartas de control
Tamao de muestra, subgrupo racional para
detectar variacin entre subgrupos ms que
dentro del mismo
Frecuencia de muestreo para detectar cambios
Sensibilidad para detectar causas especiales

72

2... Factores de xito para


la implantacin del CEP
LIDERAZGO GERENCIAL, SER PARTE DE UN
PROGRAMA MAYOR
ENFOQUE DE GRUPO DE TRABAJO
EDUCACIN Y ENTRENAMIENTO EN TODOS LOS
NIVELES
ENFASIS EN LA MEJORA CONTINUA
SISTEMA DE RECONOCIMIENTO
APOYO TCNICO DE INGENIERA O CALIDAD

73

2... Cartas de Control por


Variables
MEDIAS RANGOS (subgrupos de 5 - 9 partes cada x
horas, para estabilizar procesos)
MEDIANAS RANGOS (para monitorear procesos
estables)
MEDIAS DESVIACIONES ESTANDAR (subgrupos de 9 o
ms partes cada hora o cada lote de proveedor para
monitoreo de procesos o proveedores)
VALORES INDIVIDUALES (partes individuales cada x
horas, para monitoreo de procesos muy lentos o
qumicos)

74

2... Estabilizacin del proceso


con cartas de control
1. IDENTIFICAR LA CARACTERSTICA A
CONTROLAR, EN BASE A UN AMEF (anlisis del
modo y efecto de falla)
2. DISEAR LOS PARMETROS DE LA CARTA
(lmites de control, tamao de subgrupo,
frecuencia de muestreo)
3. VALIDAR LA HABILIDAD DEL INSTRUMENTO CON
UN ESTUDIO DE REPETIBILIDAD Y
REPRODUCIBILIDAD (R&R)
4. CENTRAR EL PROCESO, CORRERLO Y MEDIR 25
SUBGRUPOS DE 5 PARTES CADA UNO, DE
PRODUCCIN DEL MISMO TURNO O DA

75

2... Cartas de Control por Variables Metodologa de implantacin


5. CALCULAR LMITES PRELIMINARES DE CONTROL A 3
SIGMA
6. IDENTIFICAR CAUSAS ASIGNABLES O ESPECIALES Y
TOMAR ACCIONES PARA PREVENIR SU
RECURRENCIA
7. RECALCULAR LOS LMITES DE CONTROL Y EN CASO
NECESARIO REPETIR EL PASO 6, ESTABLECER
LIMITES PRELIMINARES PARA SIGUIENTES
CORRIDAS
8. CONTINUAR EL MONITOREO, TOMAR ACCIONES EN
CAUSAS ESPECIALES Y RECALCULAR LMITES DE
CONTROL CADA 25 SUBGRUPOS
9.... REDUCIR CAUSAS COMUNES DE VARIACIN

76

2... Cartas de Control por


Atributos
p Fraccin defectiva n Constante
Se toman muestras de tamao n constante con 30 o
ms partes en forma peridica y se determina la
fraccin defectiva se utiliza para productos simples
(botellas).
p Fraccin defectiva con n variable
Igual a la anterior pero el tamao n de las muestras
es variable en cada una se utiliza para productos
simples (botellas)
Np Nmero de productos defectivos con n constante

77

2... Cartas de Control por


Atributos
c Nmero de defectos
Se cuentan los defectos que tienen cada unidad de
inspeccin de tamao n constante en productos
complejos TV, computadoras
u Defectos por unidad
Se cuentan los defectos que tienen diferentes
unidades de inspeccin de tamao n variable en
productos complejos y se determinan los defectos
por unidad TV, computadoras

78

2... Cartas de Control tipo p


p - FRACCIN DEFECTIVA CON n CONSTANTE
INICIO DE CONTROL Y LIMITES PRELIMINARES
IDENTIFICAR CAUSAS DE ANORMALIDAD Y
ACCIONES
LIMITES DE CONTROL REVISADOS
DISEO DE LA CARTA DE CONTROL
Determinacin del tamao de muestra,
frecuencia de muestreo
CARTA DE CONTROL np

79

2... Cartas de Control tipo p


p - CON LMITES DE CONTROL VARIABLES
p - CON n PROMEDIO
p - ESTANDARIZADA
CURVA CARACTERSTICA DE OPERACIN OC Y
ARL

80

2... Cartas de Control tipo c, u


c - CARTA DE CONTROL PARA DEFECTOS
- Cambio de tamao de la unidad de inspeccin
u - CARTA DE CONTROL PARA DEFECTOS POR
UNIDAD
Carta de control u con n promedio
Carta de control u estandarizada
U para Demritos
En base a la clasificacin de defectos A
(crticos), B (funcionales), C (menores)
Curva caracterstica de operacin (OC)

81

3. Cartas de control
por variables

82

3. CONTENIDO
1. El teorema del lmite central
2. Teora de las Cartas de Control
3. Cartas de control para variables
4. Ejercicios de aplicacin
83

3.1 Teorema del Lmite Central

84

3.1Teorema del Lmite


Central
La distribucin de las medias de las muestras
tienden a distribuirse en forma normal
Por ejemplo los 300 datos (cuyo valor se
encuentra entre 1 a 9) pueden estar
distribuidos como sigue:

85

3.1..Teorema del Lmite


Central
La distribucin de las medias de las muestras
tienden a distribuirse en forma normal
Tomando de muestras de 10 datos, calculando
su promedio y graficando estos promedios se
tiene:

86

3.1Teorema del Lmite


Central
Poblacin con media y desviacin estndar y
cualquier distribucin.

Seleccionando muestras de tamao n y calculando la X-media o


promedio en cada una
X-media 1

X-media 2

X-media 3

Conforme el tamao de muestra se incrementa las muestras se


distribuyen normalmente con media de medias y desviacin
estndar de las medias de las muestras / n. Tambin
se denomina Error estndar de la media.

87

3.1Teorema del Lmite Central


PREMISAS
Si la variable aleatoria X tiene cualquier distribucin con media
y desviacin estndar .
Seleccionando muestras de tamao n de la poblacin se tiene:

CONCLUSIONES
La distribucin de todas las medias o promedios de las muestras
X-media, tienden a distribuirse normalmente
La media de las medias de las muestras ser .
La desviacin estndar de las medias de las muestras ser / n.

88

3.1Teorema del Lmite Central


CONCLUSIONES (cont..)
Si la poblacin original es casi normal, las medias muestrales se
distribuyen normalmente para toda n.
Walter Shewhart en la Western Electric (1924), demostr que para
una distribucin triangular y una uniforme, n=4 era suficiente para
que las medias de las muestras se distribuyeran normalmente.

Esta es la base del Control Estadstico del proceso.

89

3.2 Teora de las


Cartas de Control

90

PROPSITO
Introducir los tipos bsicos de Cartas de Control
Estadstico del Proceso (CEP)

Introducir el concepto de lmites de control y la


manera de usarlos

Interpretar cuando un proceso est fuera de


control.

91

3.2 Qu es una Carta de


Control?
Una Carta de Control es como un historial del proceso...
... En donde ha estado.
... En donde se encuentra.
... Hacia donde se puede dirigir
Las cartas de control pueden reconocer cambios
buenos y malos.
Qu tanto se ha mejorado?
Se ha hecho algo mal?
Las cartas de control detectan la variacin anormal en
un proceso, denominadas causas especiales o
asignables de variacin.

92

3.2 Reglas Bsicas


Se debe medir la caracterstica del proceso adecuada
en la carta.
La carta de control utilizada debe ser adecuada para
medir la caracterstica seleccionada.
Al menos se deben obtener 25 subgrupos (muestras de
grupos de partes) antes de elaborar las cartas de
control.
Se debe tomar la accin apropiada cuando la carta de
control lo indique.
NOTA: El sistema de medicin debe estar validado con
un estudio R&R antes de llevar una carta de control.

93

3.2 Variacin observada


en una Carta de Control
Una Carta de control es simplemente un registro de
datos en el tiempo con lmites de control superior e
inferior.
Una carta de control identifica los datos secuenciales
en patrones normales y anormales.
El patrn normal de un proceso se llama causas de
variacin comunes.
El patrn anormal debido a eventos especiales se
llama causa especial de variacin.
Tener presente que los lmites de control NO son
lmites de especificacin.

94

3.2 Causas comunes o normales

CAUSAS COMUNES
Siempre estn presentes
Slo se reduce con acciones de mejora mayores
Su reduccin es responsabilidad de la direccin
Fuentes de variacin: Mrgenes inadecuados de
diseo, materiales de baja calidad, capacidad del
proceso insuficiente
SEGN DEMING
El 85% de las causas de la variacin son causas
comunes, responsabilidad de la direccin

14 95

3.2 Variacin Causas comunes

Lmite
inf. de
especs.

Lmite
sup. de
especs.

Objetivo

15 96

3.2 Causas Especiales

CAUSAS ESPECIALES
Ocurren espordicamente
Son ocasionadas por variaciones anormales
(6Ms)
Medicin, Medio ambiente, Mano de obra,
Mtodo, Maquinaria, Materiales
Slo se reduce con acciones en el piso o lnea
Su reduccin es responsabilidad del operador
por medio del Control Estadstico del Proceso
SEGN DEMING
El 15% de las causas de la variacin son causas
especiales y es responsabilidad del operador

16 97

3.2 Variacin Causas especiales


Lmite
inf. de
especs.

Lmite
sup. de
especs.

Objetivo

17 98

3.2 Anatoma de una Carta de Control


C
Chart
Pitted S
Carta
de for
control
1

LSC

3.0SL=12.76

Estadstico

Sample Count

Respuesta

15

10

Lmite Superior de Control

Promedio

C=5.640

(o lnea central)
0

-3.0SL=0.000

10

15

Sample Number

Nmero de Muestra

20

25

LIC

Lmite Inferior de Control

El promedio y los lmites de control se calculan a partir de los


datos.
Los datos se grafican en orden secuencial en el tiempo
(conforme ocurren). Se trata de detectar los cambios.
Los puntos graficados dependen del tipo de Carta: promedio,
rango, fraccin defectiva, etc.

99

3.2 Patrones Fuera de Control


Corridas
7 puntos consecutivos de un lado de X-media.
Puntos fuera de control
1 punto fuera de los lmites de control a 3 sigmas en
cualquier direccin (arriba o abajo).
Tendencia ascendente o descendente
7 puntos consecutivos aumentando o disminuyendo.

Adhesin a la media
15 puntos consecutivos dentro de la banda de 1 sigma
del centro.
Otros
2 de 3 puntos fuera de los lmites a dos sigma

100

3.2 Patrn de Carta


en Control Estadstico
Proceso en Control estadstico
Sucede cuando no se tienen situaciones
anormales y aproximadamente el 68% (dos
tercios) de los puntos de la carta se encuentran
dentro del 1 de las medias en la carta de
control.

Lo anterior equivale a tener el 68% de los


puntos dentro del tercio medio de la carta de
control.

101

3.2 Tipos de Cartas de control


Las cartas de control se dividen en dos categoras,
diferenciadas por el tipo de datos bajo estudiovariables y atributos.
Las Cartas de Control para datos variables son
utilizadas para caractersticas que tienen una
magnitud variable. Ejemplo:
- Longitud
- Ancho
- Profundidad
- Peso
- Tiempo de ciclo
- Viscosidad

102

3.2 Tipos de Cartas de control


Las cartas para atributos son las que tienen
caractersticas como aprobado/reprobado,
bueno/malo o pasa/no pasa. Algunos ejemplos
incluyen:
-

Nmero de productos defectuosos


Fraccin de productos defectuosos
Numero de defectos por unidad de producto
Nmero de llamadas para servicio
Nmero de partes daadas
Pagos atrasados por mes

103

3.3 Construccin de Cartas


de Control para variables

104

3.3.Carta X, R (Datos variables)


Este par de cartas se utilizan para monitorear
procesos con datos variables. Una para las medias y
otra para los rangos.
Los datos de 3 a 6 piezas consecutivas forman
subgrupos o muestras de los cuales se calcula la
media y el rango.
La Carta X-media monitorea los promedios de las
muestras del proceso monitoreando tendencias en
la media del proceso.
La grfica R monitorea los rangos de las muestras
del proceso monitoreando la variabilidad del
proceso.

105

3.3.Carta X, R (Continuacin)
Procedimiento:
Identificar la caracterstica crtica a controlar y
tamao de subgrupo (n = 3 a 6)
Iniciar la recoleccin de aprox. 25 subgrupos (k),
tomando partes consecutivas en cada uno.
Decidir cmo y cundo colectar la informacin de
los subgrupos, de tal forma de detectar cambios.
Elaborar la grfica con los datos.
Analizar las cartas de control

106

3.3.Carta X, R (Continuacin)
Terminologa
k = nmero de subgrupos; n = nmero de muestras en cada subgrupo
X = promedio para un subgrupo
X = promedio de todos los promedios de los subgrupos
R = rango de un subgrupo
R = promedio de todos los rangos de los subgrupos

x =
x =

x1 + x2 + x3 + ...+ xN
n
x1 + x2 + x3 + ...+ xN

LSCX = x + A2 R
LICX = x - A2 R
LSCR = D4 R
LICR = D3 R

k
NOTA: Para el clculo de los lmites de control
usar los factores mostrados en las tablas
correspondientes a cada valor de n
estos factores para calcular Lmites de Control)

107

3.3.Carta X, R (Continuacin)
Anlisis:
La grfica R debe estar en control antes de
interpretar la grfica X-media.
Interpretar la grfica X-media para puntos que no
estn aleatoriamente distribuidos
La clave consiste en eliminar la variacin excesiva
antes de tratar de identificar tendencias en los
promedios de los subgrupos del proceso

108

3.3.Carta X, R (Continuacin)
Ejemplo 1: Psi en un componente. Se toman muestras de
Cinco componentes cada da.
Da
1
2
3
4
5
6
7
8
9
10

Muestra1 Muestra2 Muestra3 Muestra4 Muestra5


55
75
65
80
80
90
95
60
60
55
100
75
75
65
65
70
110
65
60
60
55
65
95
70
70
75
85
65
65
65
120
110
65
85
70
65
65
90
90
60
70
85
60
65
75
100
80
65
60
80

n = # muestras en un subgrupo/da = 5
k = # de subgrupos (das) = 10
X = 74.6

R = 36.0

109

3.3.Carta X, R (en Excel)


Ejemplo 1:
Medias

Grfica Xbar/R para Muestra1-Muestra5


100
90
80
70
60
50

Rangos

Subgroup

3.0SL=95.36
X=74.60
-3.0SL=53.84
0

80
70
60
50
40
30
20
10
0

10

3.0SL=76.12
R=36.00
-3.0SL=0.000

Cul grfica se analiza primero?


Cul es su conclusin acerca del proceso ?

110

3.3.Carta X, R (Continuacin)
Ejemplo 2: Peso de partes medido diariamente, 5 muestras por da.
Da
1
2
3
4
5
6
7
8
9
10

Muestra1 Muestra2 Muestra3 Muestra4 Muestra5


55
60
60
55
57
90
95
85
100
85
60
60
70
50
62
100
110
95
85
100
55
65
60
70
70
95
90
90
90
100
55
50
45
50
50
105
100
90
100
60
70
60
60
65
75
100
110
105
100
90

n = # muestras en un subgrupo (da) = 5


k = # de subgrupos (das) = 10
X = 77.2

R = 18
111

3.3.Carta X, R (en Excel)


Ejemplo 2:
Medias

Grfica Xbar/R para Muestra1-Muestra5


105
95
85
75
65
55
45

Rangos

Subgroup

3.0SL=87.56
X=77.18
-3.0SL=66.80

1
4

50
40
30
20
10
0

10

3.0SL=38.06
R=18.00
-3.0SL=0.000

Cules pesos fallaron?


112

3.3..Hacer una carta X-R y concluir:


MUESTRA
1
12
2
15
3
13
4
10
5
13
6
15
7
15
8
15
9
22
10
16
11
16
12
15
13
17
14
16
15
17
16
19
17
16
18
16
19
17
20
19

VALORES
12
13
17
16
18
14
12
11
16
15
12
13
16
15
17
15
17
16
15
17
18
16
16
17
15
16
15
18
19
17
17
15
19
16
15
17
13
17
18
17

15
17
14
10
16
15
16
17
17
15
16
17
15
18
15
15
15
16
15
15

12
18
15
11
15
11
15
14
14
18
16
14
16
16
17
17
14
18
14
16

113

3.3.Carta X, S
Este es un par de Cartas muy similar a las grficas X - R.
La diferencia consiste en que el tamao de la muestra
puede variar y es mucho ms sensible para detectar
cambios en la media o en la variabilidad del proceso.
El tamao de muestra n es mayor a 9.
La Carta X monitorea el promedio del proceso para vigilar
tendencias.
La Carta S monitorea la variacin en forma de desviacin
estndar.
Como se dijo anteriormente, las cartas se dividen en zonas.
Aqu estn divididas en intervalos de 1 sigma.

114

3.3.Carta X, S (Continuacin)
Terminologa
k = nmero de subgrupos

n = nmero de muestras en cada subgrupo

x = promedio para un subgrupo


x = promedio de todos los promedios de los subgrupos
S = Desviacin estndar de un subgrupo
S = Desviacin est. promedio de todos los subgrupos

x =
x =

x1 + x2 + x3 + ...+ xN
x1 + x2 + xn3 + ...+ xN

k
LSCX = x + A3 S
LICX = x - A3 S
LSCS = B4 S
LICs = B3 S

10

B4 2.09 1.97 1.88 1.82 1.76 1.72


B3 0.00 0.03 0.12 0.18 0.24 0.28
A3 1.43 1.29 1.18 1.10 1.03 0.98
C4 .940 .952 .959 .965 .969 .973

(usar estos factores para calcular Lmites de Control

115

3.3.Carta de Individuales (Datos variables)


A menudo esta carta se llama I o Xi.
Esta Carta monitorea la tendencia de un proceso con
datos variables que no pueden ser muestrados en lotes
o grupos.
Este es el caso cuando la capacidad de
corto plazo se basa en subgrupos racionales de una
unidad o pieza
La lnea central se basa en el promedio de los datos, y
los lmites de control se basan en la desviacin estndar
poblacional (+/- 3 sigmas)

116

3.3.Carta X, R (Continuacin)
Terminologa
k = nmero de piezas
n = 2 para calcular los rangos
x = promedio de los datos
R = rango de un subgrupo de dos piezas consecutivas
R = promedio de los (n - 1) rangos

x =

x1 + x2 + x3 + ...+ xN
n

LSCX = x + E2 R
LICX = x - E2 R
LSCR = D4 R
LICR = D3 R

D4

3.27

D3

E2

2.66

(usar estos factores para calcular Lmites de Control n = 2)

117

Valor Individual

3.3. Ejemplo: Carta I (en Excel)


Carta I para Longitud de parte
12.35
12.25

12.15

3.0SL=12.30
6

12.05

X=12.03

11.95
8

11.85
11.75

-3.0SL=11.75

11.65
0

10

15

Nmero de Observacin

Observar la situacin fuera de control


118

3.3. Ejercicios de Cartas I o X, R

Hacer dos cartas X-R y


concluir:

MUESTRA 1

MUESTRA 2

MUESTRA 1 MUESTRA 2

1
2
3
4
5
6
7
8
9
10

12
15
13
10
13
15
15
15
22
16

2.832
2.802
2.952
2.80
2.95
2.92
2.95
2.92
2.93
2.93

11
2.97
12
2.95
13
2.95
14
2.86
15
2.89
16
2.86

16
15
17
16
17
19
119

4. Cartas de Control
para atributos

120

4. Cartas de control para atributos


Datos de Atributos
Tipo
p

Medicin
Fraccin de partes defectuosas,

Tamao de Muestra ?
Constante o variable > 30

defectivas o no conformes

np

Nmero de partes defectuosas

Constante > 30

Nmero de defectos

Constante = 1 Unidad de
inspeccin

Nmero de defectos por unidad

Constante o variable en
unidades de inspeccin

121

4. Cartas de control para Atributos


Situaciones fuera de control
Un punto fuera de los lmites de control.
Siete puntos consecutivos en un mismo lado de de la lnea
central.
Catorce puntos consecutivos, alternando hacia arriba y hacia
abajo.
C Carta
Chart C
for Pitted S
Lmite Superior de Control
15

3.0SL=12.76

Sample Count

Conteo de Muestras

Siete puntos consecutivos, todos aumentando o disminuyendo.

10

Lnea Central
C=5.640

Lmite Interior de Control

-3.0SL=0.000

10

15

20

25

Sampl e Number

Nmero de Muestras
Ahora, veamos algunos ejemplos...

122

4. Carta p (Atributos)
Tambin se llaman Cartas de Porcentaje Defectivo o
Fraccin Defectiva
Monitorea el % de defectos o fraccin defectiva en una
muestra
El tamao de muestra (n) puede variar
Recalcula los lmites de control cada vez que (n) cambia
Terminologa
n = tamao de cada muestra (por ejemplo,
produccin semanal)
np = nmero de unidades defectuosas en cada
muestra
p = proporcin (porcentaje) de defectos en cada
muestra (fraccin defectiva)

123

4. Carta p (Atributos)
pi =

np
ni

# de productos defectivos en cada muestra


# de productos inspeccionados en la muestra

Clculo de los lmites de control


p =

n1 p1 + n2p2 + n3 p3 + ...+ nk pk

promedio

n1 + n2 + n3 + ... + nk

LSC = p + 3

p (1- p)
n

Fraccin defectiva

LIC = p - 3

p (1- p)
n

Nota: Recalcular los lmites en cada


muestra (ni) si n es variable

124

4. Carta p (Cont...)
Ejemplo: Algunos componentes no pasaron la inspeccin final. Los datos de falla se
registraron semanalmente tal como se muestra a continuacin.

K = 13 semanas

de
componentes
n
inspeccionados

Componentes
np
defectuososp

Fraccin de
componentes
defectuosos

7
7
15
14
48
22
18
7
14
9
14
12
8

0
0
2
2
6
0
6
0
1
0
2
2
1

0.000
0.000
0.133
0.143
0.125
0.000
0.333
0.000
0.071
0.000
0.143
0.167
0.125

125

4...Carta p (Cont..)
Ejemplo:

Grfica P para Fraccin Defectiva


0.5

Proporci
n

3.0SL= 0.4484
0.4

LSC

0.3
0.2

0.1

P= 0.1128

0.0

-3.0SL= 0.000
0

LIC

10

Nmero de muestra

Observe como el LSC vara conforme el tamao (n) de cada mues


Por qu el LIC es siempre cero?
Qu pas en la muestra 7? (33.3% defectos)
Qu oportunidades para mejorar existen?,
Podemos aprender algo de las muestras 1, 2, 6, 8, y 10?
Podra este proceso ser un buen proyecto de mejora?

126

4... Carta np (Atributos)


Se usa cuando se califica al producto como bueno/malo,
pasa/no pasa.
Monitorea el nmero de productos defectuosos de
una muestra
El tamao de muestra (n) es constante y mayor a 30.
Terminologa (igual a grfica p, aunque n es constante)

n = tamao de cada muestra (Ejemplo: produccin semana


np = nmero de unidades defectuosas en cada muestra
k = nmero de muestras

127

4...Carta np (Atributos)
np = # de productos defectuosos en una muestra
n = tamao de la muestra
k = Nmero de muestras o subgrupos
p = Suma de productos defectuosos / Total
inspeccionado [n * k]

Clculo de los lmites de control


n p1 + np2 + n p3 + ...+ npk
np =
LSC = np + 3

k
np (1-p)

LIC =

np - 3

np (1-p)
128

4...Carta np (Cont..)
Ejemplo 1: en un proceso se inspeccionan K = 15 lotes tomando n = 4000
partes de cada lote, se rechazan algunas partes por tener defectos, como sigue:

# de partes inspeccionadas
4000
4000
4000
4000
4000
4000
4000
4000
4000
4000
4000
4000
4000
4000
4000

K=15 lotes

np

# de partes
defectuosas

2
3
3
2
4
2
3
3
6
8
3
4
4
7
6

129

4... Carta np (Cont...)


Ejemplo 1:
No. De fecetivos

Carta np de nmero de defectivos o defectuosos


3.0

10

LSC=10.03

Np =4.018 np

- 3.0S
0

10

Nmero de muestras

LIC=0.0

LIC

15

El tamao de la muestra (n) es constante


Los lmites de control LSC y LIC son constantes
Esta carta facilita el control por el operador ya que el evita
hacer clculos

130

4... Carta c (Atributos)


Monitorea el nmero de defectos por cada unidad de inspeccin
(1000 metros de tela, 200 m2 de material, un TV)
El tamao de la muestra (n unidades de inspeccin) debe ser
constante
Ejemplos:
- Nmero de defectos en cada pieza
- Nmero de cantidades ordenadas incorrectas en rdenes
de compra
Terminologa
c = Nmero de defectos encontrados en cada
unidad o unidades constantes de inspeccin
k = nmero de muestras

131

4... Carta c (Atributos)


Clculo de los lmites de control

c=

c1 + c2 + c3 + ...+ ck
k

LSC = c + 3

LIC = c - 3

132

4... Carta c (cont..)


Ejemplo: Nmero de defectos encontrados en una unidad de inspeccin que
consta de 50 partes de cada lote de 75 piezas durante 25 semanas (K = 11).

#Lote / Defectos encontrados

1 6
2 4
3 4
4 2
5 4
6 3

NOTA: Utilizar Excel para


Construir la carta c

7 4
8 4
9 5
10 5
11 5

133

4... Carta c (cont..)


Ejemplo:

Nmero de defectos

Carta C
15

1
3.0L SC=12.76

LSC

C = 5.640

-3.0L IC=0.000

10

10

15

20

Nmero de Muestras

25

Observe el valor de la ltima muestra; est fuera del lmite


superior de control (LSC)
Qu informacin, anterior a la ltima muestra, debi haber
obviado el hecho de que el proceso iba a salir de control?

134

4...Carta u (Atributos)
Monitorea el nmero de defectos en una muestra de n unidades
de inspeccin. El tamao de la muestra (n) puede variar
Los defectos por unidad se determinan dividiendo el nmero de
defectos encontrados en la muestra entre el nmero de unidades
de inspeccin incluidas en la muestra (DPU o nmero de
defectos por unidad) .
Ejemplos:
Se toma una muestra de tamao constante de tableros PCB por
semana, identificando defectos visuales por tablero.
Se inspeccionan aparatos de TV por turno, se determinan los
defectos por TV promedio.

135

4... Carta u (cont...)


Terminologa
n = tamao de cada muestra en unidades de inspeccin
(por ejemplo, produccin semanal)
c = Nmero de defectos encontrados en cada muestra
de unidades de inspeccin
u = defectos por unidad (DPU)
k = nmero de muestras
c = # de defectos en una muestra de n unidades de
inspeccin
n = Nmero de unidades de inspeccin en cada muestra
u = c / n = DPU = Nmero de defectos por unidad

136

4... Carta u (cont...)


Ui = Ci / ni

Defectos por unidad para cada muestra

Clculo de los lmites de control


u=

LSC = u + 3

c1 + c2 + c3 + ...+ ck

Nmero de defectos por

n1 + n2 + n3 + ...+ nk

Unidad promedio

u
ni

LIC = u - 3

u
ni

Nota: Recalcular los lmites en cada tamao de muestra (ni)


Se puede tomar n promedio o estandarizar para tener Lmites de control
constantes

137

4... Carta u (cont..)


Ejemplo 1: Un proceso de soldadura suelda 50 PCBs por semana
Los defectos visuales observados se registran
cada semana.
n
c
u
# PCB
Soldados

Defectos
Visuales
Observados

50
50
50
50
50
50
50
50
50
50
50
50

305
200
210
102
198
167
187
210
225
247
252
215

k=12 semanas

DPU
6.1
4.0
4.2
2.0
4.0
3.3
3.7
4.2
4.5
4.9
5.0
4.3

138

4... Carta u (Cont.)

Conteo de muestras

Ejemplo 1:

Grfica U para Defectos


1

LSC

3.0L SC=5.066

U = 4.197

-3.0L IC=3.328

LIC

1
0

Nmero de Muestras

10

Observe como los lmites de control permanecen constantes


cuando se utiliza un tamao de muestra constante igual a 50
Cules son las dos observaciones de mayor inters?
Los datos muestran alguna tendencia?

139

4... Carta u (cont...)


Ejemplo 2:

Defectos encontrado al inspeccionar varios


lotes de productos registrados por semana
Lote
n
c = Defectos
u = DPU

Lote

Unidade s

De fe ctos

DPU

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20

10
12
7
14
12
12
13
10
9
14
13
13
12
10
11
13
11
15
15
14

60
75
42
77
69
72
76
55
51
78
72
77
74
57
62
41
30
45
42
40

6
6.3
6
5.5
5.8
6
5.8
5.5
5.7
5.6
5.5
5.9
6.2
5.7
5.6
3.2
2.7
3
2.8
2.9

k=20 semanas

140

4... Carta u (cont..)


Nmero de efectos

Ejemplo 2:
Grfica U para Defectos
8
7

3.0L SC
=6.768

6
5

U=4.979

LSC
u

4
-3.0L IC=3.190

LIC

2
0

10

20

Nmero de Muestras

Observe que ambos lmites de control varan cuando el


tamao de muestra (n) cambia.
En que momentos estuvo el proceso fuera de control?

141

5. Cartas de control especiales

142

5. Cartas de Control especiales


CARTAS PARA CORRIDAS CORTAS (medias rangos,
pequeos lotes de produccin de productos similares)
CARTAS ESPECIALES
Cartas de Precontrol
Cartas para desgaste de herramienta
Cartas para procesos de salida mltiple
CARTAS DE CONTROL PARA ppm, para procesos muy
capaces
CARTAS DE CONTROL Cusum Y EWMA (para detectar
pequeas variaciones en la media del proceso, en
proceso qumicos o farmaceticos)

143

5.1 Cartas de Control para


Corridas Cortas
CARTA DE CONTROL DNOM
(Control de desviaciones resp. al objetivo, prod.
similares)

CARTA DE CONTROL X-R ESTANDARIZADA


(Desviaciones estndar diferentes para los
productos)

CARTAS DE CONTROL ATRIBUTOS


ESTANDARIZADAS
(Para estadstico p, np, c y u)

144

5.2 Cartas de Control


Modificadas
y de Aceptacin

CARTA DE CONTROL MODIFICADAS


Se utilizan para control de la fraccin defectiva
cuando el Cpk es grande >=2, cuidando no salir
de especificaciones y no interesa tanto el control
bajo lmites de control

CARTA DE CONTROL DE ACEPTACIN


Esta carta es similar a la anterior pero toma en
cuenta errores Alfa y Beta (I y II), en funcin de
la aceptacin y el riesgo del proveedor

145

5.3-5 Cartas de Control


especiales
CARTAS DE PRECONTROL (ARCOIRIS)
Se basa en lmites de especificacin, dividiendo el
rango de especificaciones en cuatro partes, las dos
intermedias son verdes, las de la orilla amarillas y
las que salen de lmites, rojas. Se monitorea slo
una pieza.
CARTA DE CONTROL PARA PROCESOS DE SALIDA
MLTIPLE
Se toma el valor mayor y el menor del proceso de
salidas mltiples, monitoreando en el tiempo
CARTA DE CONTROL PARA DESGASTE DE
HERRAMIENTA
Se ajusta la herramienta en un extremo de los
lmites de control y se deja operar hasta que llega
al otro extremo de los lmites para ajuste

146

5 Cartas de Control
especiales por variables
CARTA DE CONTROL CUSUM
(Detecta pequeas corridas de media < 1.5
sigma con n = 1)
- Mtodo tabular
- Mascarilla en V
CARTA DE CONTROL EWMA
(Detecta pequeas corridas de media <1.5 sigma
con n = 1)
CARTA DE CONTROL DE MEDIA MOVIL
(Detecta pequeas corridas de X, con n = 1,
sensibilidad entre la de Shewhart y EWMA)

147

Cartas especiales de control

148

Cartas especiales de control


Carta de sumas acumuladas CuSum
Carta de promedios mviles
ponderadas exponencialmente
Carta de promedios mviles simples

149

Cartas de sumas acumuladas


CuSum

150

Grfica de Sumas
acumuladas
( CuSum )
- Se usa para registrar al centro del proceso.
- Se corre en tndem (una tras otra)
- Es ms sensible que la grfica X al movimiento de los
pequeos cambios sostenidos en el centro del proceso.
- Es ms sensible que la grfica X al movimiento de
separacin gradual del centro del proceso.
- Es menos sensible que la grfica X al desplazamiento
grande e nico del centro del proceso.
- Se puede aplicar a las Xs o a las Xs individuales
- Sus parmetros clsicos son h = 4; k = 0.5

151

Carta de sumas acumuladas


CuSum
Son ms eficientes que las cartas de Shewhart
para detectar pequeos corrimientos en la media
del proceso (2 sigmas o menos)
Para crear la carta Cusum se colectan m
subgrupos de muestras, cada una de tamao n
y se calcula la media de cada muestra Ximedia. Despus se determina Sm o Sm de las
ecuaciones siguientes:
m

Sm ( X i 0 )...0 media.en.control .estimada


i 1

Sm
'

(X
i 1

0 )... X desv.es tan dar.de.las.medias

152

Carta de sumas acumuladas CuSum


Con Mscara en V
La carta de control CuSum se obtiene graficando los
valores de Sm o Sm como funcin de m.
Si el proceso permanece centrado, la carta tender
hacia el valor de la media 0
Si el proceso se corre gradualmente hacia arriba o
hacia abajo, ser indicado en la carta. Su sensibilidad
est determinada por los parmetros k y h.
Una forma de identificar si el proceso sale de control
es con una mascara en V cuyo origen se coloca en el
ltimo punto de suma acumulada determinado y
observando que ninguno de los puntos anteriores se
salga, de otra forma tomar accin

153

Carta CuSum parmetros de la


mscara en V
h =
Intervalo de decisin Valor medio del ancho de mscara
en el punto de origen
k =
Corrimiento a ser detectado en sigmas Pendiente de
los brazos de la mscara en V
f =
Respuesta inicial rpida - Identifica puntos fuera de
control en el arranque
T = Meta o especificacin nominal; n = Tamao de subgrupo
Ci =
Valor de los 2 lados de la mscara en el tiempo i
C0 =
0
Ci =
Ci - 1 + (i - T)
Puntos graficados de la mscara =
Ci
Pendiente de la mscara en V = k / raiz (n)
Ancho de mscara en el origen = 2h / raiz (n)
Origen de la mscara en V = p
Por omisin Xmedia = , Sp/c4(d) = , T = 0, h = 4, k = .5, p = m

154

Ejemplo de carta Cusum


con Mscara en V
1- 4.925

CUSUM Chart for Cusum

2- 4.675
3- 4.725
4- 4.350

5- 5.350

7- 4.770
8- 4.525
9- 5.225
10- 4.600

Cumulative Sum

6- 5.225

1
0
-1
-2
-3
-4

11- 4.625

-5

12- 5.150

-6

13- 5.325
14- 4.945
15- 5.025
16- 5.223

10

15

Subgroup Number

Target = 5, sigma = 1, h = 2, k =0.5, Vmask


155

Continuacin de ejemplo
con mscara en V
5.463
5.875
6.237
6.841

Agregando 4
Puntos adicionales
Se observa que se
Salen los puntos
16, 17 y 18
Requiriendo accin

Cumulative Sum

17.
18.
19.
20.

CUSUM Chart for Cusum

-5

10

20

Subgroup Number

Target = 5, sigma = 1, h = 2, k =0.5, Vmask


156

Carta CuSum Slo un Lmite


inferior o superior
CIi
= valor del nivel bajo de la Cusum de un lado inferior en
tiempo i

CL0 CU 0 f
n
CSi
=
alto
la Cusum de iun lado superior en
valor del nivel

de

CIi

min
0,
CI

k
i 1
i

C i Si
x j ( 0 K )
tiempo i
n

CSi min 0, CSi 1 xi T k

Datos graficados
=

LIC h
Lnea central =
n0
LSC h

j 1

0 media.objetivo
1 media.no.aceptable 0
1 0

CIi,CSi
K

2
2
n
Ci 0.cuando.cambia.el.signo

157

Cata CuSum slo un Lmite


superior o inferior
1- 4.925
17. 5.463

3- 4.725

18. 5.875

4- 4.350

19. 6.237

5- 5.350

20. 6.841

6- 5.225
7- 4.770
8- 4.525
9- 5.225
104.600
114.625
125.150
135.325

Upper CUSUM

Cumulative Sum

2- 4.675

CUSUM Chart for Cusum

1
0
-1
-2

-2

Lower CUSUM

10

20

Subgroup Number

Target = 5, sigma = 1, h = 2, k =0.5, One Sided


FIR = 1 sigma, Reset after each signal
158

Carta CuSum Forma tabular para


un solo lmite inf. sup.
Los lmites para cada valor se calculan dependiendo de si
es hacia el lado superior Sh o hacia el inferior Sl

S H (i ) max 0, xi ( 0 K ) S H (i 1)

S L (i ) max 0, xi ( 0 K ) S H (i 1)
S H (0) S L (0) 0
N H . y.N L No. periodos.en.que.Sh.o.Sl.son. 0

Como ejemplo si K = 0.5 y 0 = 10 y X1 = 9.45, Sh(1) =


max [0, 9.45 10.5 + 0] = 0 etc..
Cuando Sh(i) toma un valor negativo, se regresa a cero y
continua el proceso, si excede el lmite superior de control
H en este caso indica que el proceso est fuera de control

159

Carta CuSum Forma tabular para


un solo lmite inf. sup.
Period
o

Xi

Xi10.5

Sh(i)

Nh

1
9.45
-1.05
0
0
2 S (i ) 7.99
-2.51
0
0
max 0, xi ( 0 K ) S H (i 1)
H
3 S (i) 9.29
-1.21
0
0
max 0, xi ( 0 K ) S H (i 1)
L
4
11.66 1.16
1.16
1
5
12.16 1.66
2.82
2
6
10.18 -0.32
2.50
3
7
8.04
-2.46 0.004
4
8
11.46 0.96
1.00
5
9
9.20
-1.30
0
0

En este caso el
Valor de H es 5

Mscara en V
160

Carta EWMA de promedios


mviles ponderados
exponencialmente

161

Carta de Promedios Mviles


Ponderados Exponencialmente
(EWMA)
Monitorea un proceso promediando los datos de
tal forma que les da cada vez menos peso
conforme son removidos en el tiempo
En la carta de Shewhart la decisin en relacin
al estado de control del proceso en cierto
instante t depende de la medicin ms reciente
y de los lmites de control
En la carta EWMA la decisin depende del
estadstico EWMA que es el promedio ponderado
exponencial de los datos.

162

Carta de Promedios Mviles


Ponderados Exponencialmente
(EWMA)
Es ms sensible que la grfica X al movimiento de
los pequeos cambios sostenidos en la media del
proceso.
Es ms sensible que la grfica X al movimiento de
separacin gradual de la media del proceso.
Es menos sensible que la grfica X a
desplazamientos grandes de la media del proceso.
Se puede aplicar a las Xs o a las Xs individuales.

163

Carta de Promedios Mviles


Ponderados Exponencialmente
(EWMA)
Seleccionando un factor de ponderacin la carta puede ser
sensible a corrimientos graduales pequeos en la media del
proceso. El estadstico EWMA es:

EWMAt Yt (1 ) EWMAt 1 t 1, 2,.., n


2
S

2
S EWMA

n 2

EWMAo es la media (meta) de los datos histricos


S es la desviacin estndar de los datos histricos para n
grande
Yt es la observacin en el tiempo t
n es el nmero de observaciones monitoreadas incluyendo 0
0 < <=1 es una constante que determina la memoria de
EWMA

164

Carta de Promedios Mviles


Ponderados Exponencialmente
(EWMA)
determina la tasa en la cual los datos antiguos
entran en el clculo del estadstico EWMA.
Un valor de =1 indica que slo el ltimo dato
ser incluido (carta Shewhart).
Un valor grande de da ms peso a datos
recientes y menos peso a datos antiguos. Un valor
pequeo de da ms peso a datos antiguos
Un valor comn para es 0.2 para detectar
cambios 1 y de 0.4 para detectar cambios de 2

165

Carta de Promedios Mviles


Ponderados Exponencialmente
(EWMA)
Los lmites de control se determinan como sigue:

LSC EWMA0 3sEWMA


LIC EWMA0 3sEWMA
La carta EWMA requiere que se obtengan datos
histricos del proceso para calcular la Media y desviacin
estndar representativas del mismo para continuar el
monitoreo, asumiendo que estuvo en control al colectar
los datos
Para los primeros valores de X, la desviacin estndar S
2
S
2
se calcula como:
2
2t

S EWMA

S 1 (1 )
n 2

166

Carta de Promedios Mviles


Ponderados Exponencialmente
(EWMA)
Ejemplo: Si EWMAo = 50 y s = 2.0539, = 0.3
entonces se tiene:

LSC 50 3(0.4201)(2.0539) 52.5884


LIC 50 3(0.4201)(2.0539) 47.4115
Y

52

47

53

49.3

50.1

47

51

EWM 50 50.6 49.5 50.56 50.18 50.16 49.12 49.75


A

167

Carta EWMA del


ejemplo
Xewma
1- 52.0
2- 47.0

EWMA Chart for X

3- 53.0
4- 49.3

53

5- 50.1

52

UCL=52.59

6- 47.0
8- 50.1
9- 51.2

51

EW MA

7- 51.0

50

Mean=50

49

10- 50.5
11- 49.6
12- 47.6
13- 49.9
14- 51.3
15- 47.8

48
LCL=47.41
47
0

10

20

Sample Number

168

Carta EWMA
Los puntos a graficar son los siguientes :
Z0 = X
_

Z1 = X1 + (1- Z0)
_

Z2 = _ X2 +(1- Z1 )
Z3 = X3 +(1- Z2)
Observa que Z es un promedio ponderado de X i y de todas las
Z4 = X4 + (1- Z3)
Xs anteriores.
Con
Z = EWMA
La tpica forma de una grfica EWMA se muestra
a continuacin.

XII

UCL

LCL
subgrupo

Los clculos, especialmente de los


lmites de control, son tan complejos
que normalmente este tipo de grfica
se realiza por medio de un paquete
de computo.

169

Carta de Promedios Mviles


Ponderados Exponencialmente
(EWMA)
Si la desviacin estndar se estima de la carta X-R
entonces los lmites de control se determinan
como sigue:

LSC X A2 R
(2 )

LIC X A2 R
(2 )
170

Carta de Promedios Mviles


Ponderados Exponencialmente
(EWMA)
Esta carta proporciona un PRONOSTICO del
siguiente valor de la media, lo cual es muy
importante para el caso de control automatizado.
Los lmites de control permiten detectar cuando
se requiere un ajuste y la diferencia entre el valor
pronosticado y la media meta permiten identificar
de cuanto debe ser el ajuste

171

Carta de Promedios Mviles


Ponderados Exponencialmente
(EWMA)
Se puede desarrollar una ecuacin para el clsico
control PROPORCIONAL, INTEGRAL y DIFERENCIAL
(PID). Donde los parmetros de las lambdas 1, 2 y
3 se seleccionan para obtener el mejor
desempeo de pronstico
Si e representa el error entre el valor real y
pronsticado en el periodo t
se
et X t zt 1
tiene:
t

Zt EWMAt Z t 1 1et 2 e j 3et


j 1

172

Carta de control de
promedios mviles

173

Carta de control de Promedios


Mviles
Monitorea un proceso promediando los ltimos W
datos. Con valores individuales se usa W = 2
Tiene una sensibilidad intermedia entre las
cartas de control de Shewhart y las cartas EWMA
o Cusum para detectar pequeas corridas
graduales en la media del proceso
Suponiendo que se colectan muestras de
tamao n y se obtienen sus respectivas medias
Xi. La media mvil promedio de amplitud W en el
tiempo t se define como sigue:

174

Carta de control de Promedios


Mviles
Mt

xt xt 1 ...... xt w 1
w

Var ( Mt )

nw
3
3
LSC x
para.n.0 t w LSC x
nw
nt
3
3
LIC x
para.n.0 t w LIC x
nw
nt

El procedimiento de control consiste en calcular la


nueva media mvil Mt cada vez que haya una nueva
media muestral, graficando Mt en la carta, si excede
los lmites de control el proceso est fuera de control
En general la magnitud del corrimiento que se quiere
detectar esta inversamente relacionado con W, ente
mayor sea W se podrna detectar corrimientos ms
pequeos

175

Ejemplo de carta de
promedios mviles
Xmm
1- 10.5
2- 6.0

Moving Average Chart for Xmm

3- 10.0
4- 11.0
6- 9.5
7- 6.0
8- 10.0
9- 10.5
10- 14.5

Moving Average

5- 12.5

15
UCL=12.12
10

Mean=10
LCL=7.879

11- 9.5
12- 12.0

10

15

Sample Number

13- 12.5
14- 10.5
15- 8.0

176

6. Anlisis de capacidad
de proceso

177

6. CONTENIDO
Introduccin
1. Capacidad a partir de
histogramas
2. Capacidad a partir de papel
normal
3. Capacidad a partir de cartas de
control
4. Capacidad de los sistemas de
medicin

178

6.1 Introduccin

179

6.1 Objetivos de la capacidad del


proceso
1. Predecir que tanto el proceso cumple
especificaciones
2. Apoyar a diseadores de producto o proceso
en sus modificaciones
3. Especificar requerimientos de desempeo para
el equipo nuevo
4. Seleccionar proveedores
5. Reducir la variabilidad en el proceso de
manufactura

180

LSE

LIE

s
Xi

_
X

p = P(Xi) = porcentaje de partes con probabilidad


de estar fuera de Especificaciones
181

Cmo vamos a mejorar esto?


Podemos reducir la desviacin estndar...

Podemos cambiar la media...

O (lo ideal sera, por supuesto) que podramos cambiar am

Cualquiera que sea la mejora que lleve a cabo,


se deben tomar medidas para que se mantenga
182

6.1 Capacidad a partir


de histogramas

183

6.1 Procedimiento
1. Seleccionar una mquina donde realizar el
estudio
2. Seleccionar las condiciones de operacin del
proceso
3. Seleccionar un operador entrenado
4. El sistema de medicin debe tener habilidad
(error R&R < 10%)
5. Cuidadosamente colectar la informacin
6. Construir un histograma de frecuencia con los

184

6.1 Teora del camin y el tnel


El tnel tiene 9' de ancho (especificacin). El camin tiene 10 y el chofer es perfecto
(variacin del proceso). Pasara el camin? NO, la variabilidad del proceso es mayor
que la especificacin.
Centrar es hacer que el promedio del proceso sea igual al centro de la
especificacin. Si el camin tiene 8 pies de ancho pasar el camin?, Si. Si
el chofer puede mantener el centro del camin en el centro del tnel. De otra forma
chocar con las paredes del tnel y no pasar a pesar de ser ms angosto.
El proceso debe estar en control, tener capacidad y estar centrado

Ancho 9
Nigels Trucking Co.

185

6.1 Capacidad del proceso Fraccin defectiva


La capacidad en funcin de la fraccin defectiva del Proceso se calcula
En funcin de la fraccin defectiva para cada lado del rango de Especificacin.
Rango medio
Desv. Est. =
Constante d2 de acuerdo al tamao de subgrupo en X-R
Los valores de Z inferior y Z superior se calculan de acuerdo a las frmulas
Siguientes:

Zi

LIE - promedio del proceso


Desviacin Estandar

Zs

LSE - Promedio del proceso


Desviacin Estandar

La fraccin defectiva se calcula con las tablas de distribucin normal


P(Zi) = rea en tabla (-Z)

P(Zs) = 1 rea corresp. a Zs en tabla (+Z)

Fraccin defectiva = P(Zi) + P(Zs)

186

6.1 Capacidad del proceso Cp y Cpk


La capacidad potencial del Proceso (Cp) es una medida de la
variacin del proceso en relacin con el rango de Especificacin.

Cp =

Tolerancia
Variacin del proceso

LSE - LIE
6 Desviaciones STD.

Cpk es una medida de la capacidad real del proceso en funcin de la posicin


de la media del proceso (X) en relacin con con los lmites de especificacin.
Con lmites bilaterales da una indicacin del centrado. Es el menor de:
CpK =

LSE - promedio del proceso y


3 desviaciones STD

Promedio del proceso - LIE


3 desviaciones STD

La relacin de capacidad (CR) es la inversa del clculo de Cp. Este ndice le


indica que porcentaje de la especificacin est siendo usado por la variacin del
proceso.
Rango del proceso
6 desviaciones STD
=
CR =
LSE - LIE
Tolerancia
Capacidad Cp, Cpk y fraccin defectiva

187

6.1 Clculo de la capacidad del proceso


Habilidad o capacidad potencial

Cp = (LSE - LIE ) / 6

Debe ser 1
para tener el potencial de
cumplir con especificaciones (LIE, LSE)

Habilidad o capacidad real


El Cpk debe ser 1 para que el
proceso cumpla especificaciones

Cpk = Menor | ZI - ZS | / 3

188

6.1.. Ejemplo
Se tomaron los datos siguientes:
265
197
346
280
265
200
221
265
261
278
215
251

205
286
317
242
254
235
176
262
248
250
318

263
274
242
260
281
246
248
271
260
265
271

307
243
258
321
294
328
263
245
274
270
293

220
231
276
228
223
296
231
301
337
298
277

268
267
300
250
260
276
334
280
250
257
290

260
281
208
299
308
264
280
274
278
210
283

234
265
187
258
235
269
265
253
254
280
258

299
214
264
267
283
235
272
287
274
269
275

189

6.1.. Ejemplo (cont)


Agrupando los datos en celdas se tiene:
Intervalo Marca
de clase de clase
170 - 189
179.5
190 - 209
199.5
210-229
219.5
230-249
239.5
250-269
259.5
270-289
279.5
290-309
299.5
310-329
319.5
330-349
339.5

Frecuencia
2
4
7
13
32
24
11
4
3

Frecuencia
Relativa
0.02
0.04
0.07
0.13
0.32
0.24
0.11
0.04
0.03

Frecuencia
Absoluta
0.02
0.06
0.13
0.26
0.58
0.82
0.93
0.97
1.00

190

6.1.. Ejemplo (cont)


El histograma es el siguiente (se observa con forma normal):

191

6.1.. Ejemplo (cont)


Calculando la media y la desviacin estndar se tiene:
X-media = 264.06

s = 32.02

La variabilidad del proceso se encuentra en 6 =


192.12
Si las especificaciones fueran LIE = 200 y LSE = 330
Cp = (330 - 200 ) / 192.2 < 1 no es hbil el proceso
Zi = (330 - 264.06) / 32.02
32.02

Zs = (200 - 264.06) /

Cpk = menor de Zi y Zs < 1 el proceso no cumple


especificaciones

192

6.1.. Ejercicio
Calcular la capacidad del proceso con la distribucin
de frecuencias siguiente considerando LIE = 530 y
LSE = 580:
Intervalo
de clase Marca de clase Frecuencia

531 - 535
536 - 540
541 - 545
546 - 550
551 - 555
556 - 560
561 - 565
566 - 570
571 - 575

533
538
543
548
553
558
563
568
573

6
8
12
13
20
19
13
11
8

Frecuencia
Relativa

Frecuencia
Absoluta .

193

6.2 Capacidad a partir de papel normal

194

6.2 Ventajas
1. Se puede observar el comportamiento del
proceso sin tomar tantos datos como en el
histograma, 10 son suficientes
2. El proceso es ms sencillo ya que no hay que
dividir el rango de la variable en intervalos de
clase
3. Visualmente se puede observar la normalidad
de los datos, si se apegan a la lnea de ajuste
4. Permite identificar la media y la desviacin
estndar aproximada del proceso. As como la
fraccin defectiva, el porcentaje de datos entre
cierto rango, el Cp y el Cpk.

195

6.2..Procedimiento
1. Se toman al menos n = 10 datos y se ordenan en forma
ascendente, asignndoles una posicin (j) entre 1 y n.
2. Se calcula la probabilidad de cada posicin con la frmula
siguiente:
Pj = (j - 0.5) / n
3. En el papel especial normal se grafica cada punto (Xj, Pj)
4. Se ajusta una lnea recta que mejor aproxime los puntos
5. Si no hay desviaciones mayores de la lnea recta, se considera
normal el proceso y se procede a hacer las identificaciones:
La media ser el punto en X correspondiente a Pj = 0.5
La desv. Estndar es la dif. En Xj correspondiente a Pj = 0.5 y
Pj = 0.84

196

6.2... Ejemplo
Se tomaron los datos siguientes (Xj), ordenndolos y calculando la
probabilidad de su posicin (Pj)
Pos.J
1
2
3
4
5
6
7
8
9
10

Valor Xj
197
200
215
221
231
242
245
258
265
265

Pj
0.025
0.075
0.125
0.175
0.225
0.325
0.325
0.375
0.425
0.475

Pos. J
11
12
13
14
15
16
17
18
19
20

Xj
271
275
277
278
280
283
290
301
318
346

Pj
0.525
0.575
0.625
0.675
0.725
0.775
0.825
0.875
0.925
0.975

197

6.2... Ejemplo (cont..)


Graficando los puntos y ajustndolos con una
recta que minimice los errores con cada punto se
tiene:
Pj
0.84

0.5

Desv. Estndar
Fraccin
Defectiva

LIE

X Media

Xj
198

Pi

( I - 0.5 ) /

Pi
0.999
0.998
0.995
0.99
0.98
0.97
0.96
0.94
0.90
0.84
0.80
0.75
0.70
0.60
0.50
0.40
0.30
0.25
0.20
0.16
0.10
0.08
0.04
0.02
0.01
0.005
0.002
0.001
Normal distribution probability paper

Xi

199

Probability

N o rm a l P ro b a b i li ty P lo t
.999
.99
.95
.80
.50
.20
.05
.01
.001
200

300

400

A v erage: 504.232
S tDev : 139.682
N: 100

500

600

C1

700

800

900

A nders on-Darl ing Normality Tes t


A -S quared: 0.315
P -V alue: 0.538

El trazo normal es el siguiente:


El eje Y es un rango no lineal de probabilidades normales.
El eje X es un rango lineal de la variable que se est analizando.
Si los datos son normales, la frecuencia de ocurrencias en varios valores
Xi, puede predecirse usando una lnea slida como modelo. Por ejemplo,
slo ms del 20% de los datos del proceso seran valores de 400 o
inferiores.
200

6.2 Diferentes trazos en papel de probabilidad Normal

201

6.2 Ejercicio
Tomando los datos siguientes (Xj), calcular la
probabilidad (Pj), graficar en papel norma, ajustar
valores con una recta, determinar la media, desv.
Estndar, si las especificaciones son LIE = 1200 y
LSE = 1800 determinar la fraccin defectiva, el Cp y el
Cpk.

1210

2105

1275

2230

1400

2250

1695

2500
202

6.3 Capacidad a partir


de cartas de control

203

EN CASOS ESPECIALES COMO ESTOS


DONDE LAS VARIACIONES PRESENTES SON
TOTALMENTE INESPERADAS
TENEMOSUN PROCESO INESTABLE o IMPREDECIBLE.

?
?

?
?

?
?
?

204

6.3 Proceso en control


SI LAS VARIACIONES PRESENTES SON IGUALES,
SE DICE QUE SE TIENE UN PROCESO ESTABLE.
LA DISTRIBUCION SERA PREDECIBLE EN EL TIEMPO

Prediccin

Tiempo

205

6.3 Control y Capacidad de Proceso


Control de Proceso:
Cuando la nica fuente de variacin es normal o de causa comn, se dice
que el proceso esta operando en CONTROL.

Capacidad de Proceso:
Medicin estadstica de las variaciones de causa comn que son
demostradas por un proceso. Un proceso es capaz cuando
la causa comn de variacin cae dentro de las especificaciones
del cliente.

L a capacidad no se puede determinar a menos que


el proceso se encuentre en Control y Estable.
206

6.3 Proceso en control estadstico


La distribucin de la mayora de las caractersticas medidas forman una curva en
forma de campana o normal, si no hay causas especiales presentes, que alteren
la normalidad . cuales son las causas comunes?

Area entre 0 y 1s
-Probabilidad de Ocurrencia

Distribucin
del Proceso

_
x = media
34%

-3s

2%

-2s

14 %
-1s

s= sigma; es la
desviacin
estndar; medida
de la variacin
del proceso.

34%

14 %
x
+1s
99.73%

2%

+2s

3s

207

6.3.. Desviacin Estndar del proceso

= R = S
d2
c4
Donde,
Donde,
=
= Desviacin
Desviacinestndar
estndarde
dela
lapoblacin
poblacin
dd2 ==Factor
Factorque
quedepende
dependedel
deltamao
tamaodel
delsubgrupo
subgrupoen
enla
lacarta
cartade
de
2
control
controlXX--RR
CC4 ==Idem
Idemal
alanterior
anteriorpara
parauna
unacarta
cartaXX--SS
4
NOTA:
NOTA: En
Enuna
unacarta
cartapor
porindividuales,
individuales,d2
d2se
setoma
tomapara
parann==22yy
208
RangoMedio=Suma rangos / (n -1)

6.3 Capacidad del proceso


Cuando las causas comunes son la nica variacin:
Cp

El ndice de capacidad potencial del proceso compara


la amplitud del proceso con la amplitud especificada.
Cp = (LSE - LIE) / 6

Cpk El ndice de capacidad real del proceso compara la media


real con el lmite de especificaciones ms cercano (LE) a esta.
_
Cpk = LE X o Cpk = menor |Z1 , Z2| / 3
3
209

6.3 Ejemplo (carta X - R)


De una carta de control X - R (con subgrupo n = 5) se obtuvo lo
siguiente, despus de que el proceso se estabiliz quedando slo con
causas comunes:
Xmedia de medias = 264.06

Rmedio = 77.3

Por tanto estimando los parmetros del proceso se tiene:


= X media de medias

= Rmedio / d2 =77.3 / 2.326 = 33.23


[ d2 para n = 5 tiene el valor 2.326]

Si el lmite de especificacin es: LIE = 200.


El Cpk = (200 - 264.06) / (77.3) (3) = 0.64 por tanto el proceso no
cumple con las especificaciones

210

6.3 Ejemplo (carta X - S)


De una carta de control X - S (con subgrupo n = 5) se obtuvo lo
siguiente, despus de que el proceso se estabiliz quedando slo con
causas comunes:
Xmedia de medias = 100

Smedio = 1.05

Por tanto estimando los parmetros del proceso se tiene:


= X media de medias

= Smedio / C4 = 1.05 / 0.94 = 1.117


[ C4 para n = 5 tiene el valor 0.94 ]

Si el lmite de especificacin es: LIE = 85 y el LSE = 105.


El Cpk = (105 - 100) / (1.117 ) (3) = 1.492
El Cp = (105 - 85) / 6 (1.117 ) = 2.984
por tanto el proceso es capaz de cumplir con especificaciones

211

6.3 Ejercicios
1) De una carta de control X - R (con subgrupo n = 8) se obtuvo lo
siguiente, despus de que el proceso se estabiliz quedando slo con
causas comunes (LIE = 36, LSE = 46):
Xmedia de medias = 40

Rmedio = 5

2) De una carta de control X - S (con subgrupo n = 6) se obtuvo lo


siguiente, despus de que el proceso se estabiliz quedando slo con
causas comunes (LIE = 15, LSE = 23):
Xmedia de medias = 20

Smedio = 1.5
212

6.4 Capacidad de los


sistemas de medicin

213

6.4 Definiciones
Exactitud
Desviacin respecto del valor verdadero del promedio de
las mediciones
Valor verdadero:
Valor correcto terico / estndares NIST
Sesgo
Distancia entre el valor promedio de todas las mediciones
y el valor verdadero. Error sistemtico o desviacin
Estabilidad
La variacin total en las mediciones obtenidas durante un
perodo de tiempo prolongado
Linealidad
Diferencia en los valores de la escala, a travs del rango
de operacin esperado del instrumento de medicin.
Precisin
Medicin de la variacin natural en mediciones repetidas

214

6.4 Posibles Fuentes de la


Variacin del Proceso
Variacin total del proceso,
observada
Variacin del proceso, real
Variacin
dentro de la
muestra

Repetibilidad

Variacin de la medicin

Variacin originada
por el calibrador

Estabilidad

Reproducibilidad

Linealidad

Sesgo

Calibracin

La Repetibilidad y la Reproducibilidad (R&R), son los errores


ms relevantes en la medicin.

215

6.4 Definicin de la Repetibilidad

REPETIBILIDAD

Repetibilidad: Es la variacin de las mediciones obtenidas con un


mismo instrumento de medicin, cuando es utilizado varias veces por
un operador, al mismo tiempo que mide las mismas caractersticas en
una misma parte y bajo las mismas condiciones de medicin.
216

6.4 Definicin de la
Reproducibilidad
Operador-B
Operador-C

Operador-A
Reproducibilidad

Reproducibilidad: Es la variacin, entre promedios de las mediciones


hechas por diferentes operadores que utilizan un mismo instrumento
de medicin cuando miden las mismas caractersticas en una misma
parte, bajo las mismas condiciones.
217

6.4 ESTNDARES INTERNACIONALES

En Mxico se tiene el CENEAM o el Centro


Nacional de Metrolgia
En EUA se tiene el NIST (National Institute of
Standards and Technolog)
Un Estndar primario es certificado por NIST o por
una organizacin alterna que use procedimientos de
calibracin actualizados
Los Estndares secundarios son calibrados por el
depto. de Metrologa de las empresas en base a los
estndares primarios, para efectos de calibracin.
218

6.4 ESTNDARES INTERNACIONALES


Los Estndares secundarios se transfieren a
Estndares de trabajo en produccin.
Para determinar la exactitud de los sistemas de
medicin se debe conocer su rastreabilidad a
Estndares nacionales e internacionales.

Resolucin: Para que el equipo de medicin


tenga una discriminacin adecuada en la
evaluacin de las partes, su resolucin debe ser
al menos 1/10 de la variabilidad del proceso
( LTNS - LTNI = 6 )
219

6.4 Definicin del Sesgo


Valor
Verdadero
Sesgo

Sesgo es la diferencia entre el promedio observado de las


mediciones y el valor verdadero.
220

6.4 Definicin de la Estabilidad

Tiempo 2

Tiempo 1

Estabilidad (o desviacin) es la variacin total de las mediciones


obtenidas con un sistema de medicin, hechas sobre el mismo
patrn o sobre las mismas partes, cuando se mide una sola de sus
caractersticas, durante un perodo de tiempo prolongado.
221

6.4 Definicin de la Linealidad


Valor
verdadero

Valor
verdadero
Sesgo
mayor

Sesgo
Menor

Rango inferior

Rango superior

Rango de Operacin del equipo

Linealidad es la diferencia en los valores real y observado, a travs del


rango de operacin esperado del equipo.
222

6.4 Estabilidad del Calibrador


Cmo Calcularla
Para calibradores que normalmente se utilizan sin ajuste, durante
periodos de tiempo relativamente largos.
Realizar un segundo estudio R&R del Calibrador justo antes de que
venza el tiempo de re calibracin.
La estabilidad del calibrador es la diferencia entre los promedios
sobresalientes de las mediciones resultantes de los dos estudios.

Causas posibles de poca estabilidad


El calibrador no se ajusta tan frecuentemente como se requiere
Si es un calibrador de aire, puede necesitar un filtro o un regulador
Si es un calibrador electrnico, puede necesitar calentamiento previo.

223

Error R&R = RPT2 + REPR2


Para la fase de control del proyecto,
Precisin en relacin a la variacin slo substituya la Tolerancia por
Variacin Total.

total

%R&R = R&R
Var. Total

*100

TV= R&R + PV
PV= variacin de parte = Rp x K3

Identificar qu porcentaje de la variacin total debe


absorberse como error de medicin.

<10% Aceptable
10-30%. Puede ser aceptable, dependiendo qu tan
crtico es el grado de la medicin.
>30%. Inaceptable!

224

EL VALOR DEL R&R ES UN PORCENTAJE DE LA VARIACION TOTAL DEL


PROCESO:
La dimensin verdadera de
las partes se encuentra en
algn lugar de la la regin
sombreada

VARIACIN DE PARTE
A PARTE

Lo que fue
medido

LIE

OBJETIVO

LSE

Mientras ms mayor sea el % del R&R, mayor ser el rea de


incertidumbre para conocer la dimensin verdadera de las partes.
ERROR TIPO 1: Pueden estarse aceptando partes que estn fuera de
especificaciones
ERROR TIPO 2: Pueden estarse rechazando partes que estn dentro de
especificaciones

225

6.4 Estudio de R&R


Generalmente intervienen de dos a tres operadores
Generalmente se toman 10 unidades
Cada unidad es medida por cada operador, 2 3 veces.

226

6.4 Mtodos de estudio del error R&R:


I. Mtodo de Promedios- Rango
Permite separar en el sistema de medicin lo referente
a la Reproducibilidad y a la Repetibilidad.
Los clculos son ms fciles de realizar.
II. Mtodo ANOVA
Permite separar en el sistema de medicin lo referente a la
Reproducibilidad y a la Repetibilidad.
Tambin proporciona informacin acerca de las interacciones de
un operador y otro en cuanto a la parte.
Calcula las varianzas en forma ms precisa.
Los clculos numricos requieren de una computadora.
El Mtodo ANOVA es Ms Preciso

227

6.4 Realizando el estudio


R&R
Las partes deben seleccionarse al azar, cubriendo el RANGO
TOTAL DEL PROCESO . Es importante que dichas partes sean
representativas del proceso total (80% DE LA VARIACION)
10 partes NO son un tamao de muestra significativo para una
opinin slida sobre el EQUIPO DE MEDICIN a menos que
Los operadores deben haber sido debidamente entrenados para
realizar las mediciones
Se debe medir con mucho cuidado en el mismo punto de las
partes, con una limpieza absoluta en el medidor y partes.
228

6.4 Proc. para realizar un estudio de


R&R
1. Ajuste el calibrador, o asegrese de que ste haya
sido calibrado.
2. Marque cada pieza con un nmero de
identificacin que no pueda ver la persona que
realiza la medicin.
3. Haga que el primer operador mida todas las
muestras una sola vez, siguiendo un orden al azar.
4. Haga que el segundo operador mida todas las
muestras una sola vez, siguiendo un orden al azar.

229

6.4 Proc. para realizar un estudio de


R&R
5. Contine hasta que todos los operadores hayan medido
las muestras una sola vez (Este es el ensayo 1).
6. Repita los pasos 3-4 hasta completar el nmero
requerido de ensayos
7. Utilice el formato proporcionado para determinar las
estadsticas del estudio R&R
Repetibilidad
Reproducibilidad
%R&R
Desviaciones estndar de cada uno de los conceptos
mencionados
Anlisis del % de R&R contra Variacin Total y contra
tolerancia
8. Analice los resultados y determine los pasos a seguir, si
los hay.

230

6.4 Ejemplo:
Planteamiento del problema:
Las partes producidas en el rea de produccin, se rechazaron
en 3% por problemas dimensionales.
CTQ:

Mantener una tolerancia 0.125

Sistema de Medicin: Se miden las partes con un calibrador de 2.


Estudio R&R del
Calibrador:

La dimensin A es medida por dos


operadores, dos veces en 10 piezas.
231

6.4 Mtodo corto


Se toman 5 partes y se miden por ambos operadores:
Pieza

Operador A

Operador B

Rango A-B

#1

#2

#3

#4

#5

Rango Medio = Suma R / 5 = 7 / 5 = 1.4


El error del sistema de medicin = 4.33 * Rmedio = 4.33 x 1.4 = 6.1
El error contra tolerancia = (Error / Tol.) *100, por ejemplo si la tolerancia
es de 20, el % de error es de 30.5%, siendo inadecuado .
232

Mtodo Largo con X-media y Rango


Operador A
Pieza #

1er. Intento

2o. Intento

1
2
3
4
5
6
7
8
9
10
Totales

9.376
9.372
9.378
9.405
9.345
9.390
9.350
9.405
9.371
9.380

9.358
9.320
9.375
9.388
9.342
9.360
9.340
9.380
9.375
9.368

Operador B
Rango

1er. Intento

2o. Intento

9.354
9.372
9.278
9.362
9.338
9.386
9.349
9.394
9.384
9.371

9.361
9.372
9.277
9.370
9.339
9.370
9.349
9.381
9.385
9.376

Rango

Prom. lecturas

233

1. Clculo de las X-medias


Operador A
Pieza #

1er. Intento

2o. Intento

1
2
3
4
5
6
7
8
9
10
Totales

9.376
9.372
9.378
9.405
9.345
9.390
9.350
9.405
9.371
9.380
93.772

9.358
9.320
9.375
9.388
9.342
9.360
9.340
9.380
9.375
9.368
93.606
9.3689

Xmedia -A

Operador B
Rango

1er. Intento

2o. Intento

9.354
9.372
9.278
9.362
9.338
9.386
9.349
9.394
9.384
9.371
93.588

9.361
9.372
9.277
9.370
9.339
9.370
9.349
9.381
9.385
9.376
93.580
9.3584

Xmedia-B

Rango

Prom. Lecturas

9.362
9.359
9.327
9.381
9.341
9.377
9.347
9.390
9.379
9.374

234

2. Clculo de los Rangos


Operador A

Operador B

Pieza # 1er. Intento 2o. Intento Rango 1er. Intento 2o. Intento

XmediaP
Rango Prom.
Lecturas

1
2
3
4
5
6
7
8
9
10
Totales

0.007
0.000
0.001
0.008
0.001
0.016
0.000
0.013
0.001
0.005
0.052

9.376
9.372
9.378
9.405
9.345
9.390
9.350
9.405
9.371
9.380
93.772
Xmedia - A

9.358
9.320
9.375
9.388
9.342
9.360
9.340
9.380
9.375
9.368
93.606
9.3689

0.018
0.052
0.003
0.017
0.003
0.030
0.010
0.025
0.004
0.012
0.174

Rmedio-A
Rmedio A 0.0174

9.354
9.372
9.278
9.362
9.338
9.386
9.349
9.394
9.384
9.371
93.588
Xmedia - B

9.361
9.372
9.277
9.370
9.339
9.370
9.349
9.381
9.385
9.376
93.580
9.3584

9.362
9.359
9.327
9.381
9.341
9.377
9.347
9.390
9.379
9.374

Rmedio-B
Rmedio B 0.0052
Rango de

0.0630

Xpartes

LSCR = D4 x Rmedia

Probar que ningn rango salga de control

235

3. Identificacin de Parmetros del Estudio y Clculos


Totales

93.772 93.606
0.174
93.588 93.580
0.052
RmediaA 9.3689
XmediaB 9.3584
RmedioA 0.0174
RmedioB 0.0052
Rpartes

r
n

Ancho de tolerancia====>
Nmero de intentos =>
Nmero de partes ==>
Nmero de operadores

K1

4.56

0.25
2
10
2

X-media mx.=>
X-media min =>

Diferencia
de X-medias
R-media de =>
Todos los
operadores

9.3689
9.3584
0.0105

Rpartes
0.0630
Rango
de
Medias
de
partes

0.0113

(K1 = 4.56 para 2 ensayos y 3.05 para 3 ensayos)


K2

3.65

K3 (para 10 1.62
Partes)
(K2 = 3.65 para 2 operadores y 2.7 para 3 operadores)

236

6.4 Cartas de control X - R


Carta de Medias X: Grficar cada una de las medias de las
lecturas de cada operador, calcular media de medias y lmites
de control y verificar que haya cuando menos el 20% de
puntos fuera de control, asegurando que el instrumento
discrimina las diferentes partes.

LCmedias = Xmedia de medias +- A2 x R


Carta de Rangos: Graficar los rangos de las lecturas de cada
operador, calcular rango promedio de ambos operadores y
lmites de control, verificar que ningn rango sale de lmites, en
caso contrario repetir las lecturas fuera de control.

LCrangos = D4 x Rmedio (de ambos operadores)


237

6.4 Clculo de R&R


Repetibilidad: La variacin del dispositivo de medicin (EV)
se calcula sobre cada grupo de mediciones tomadas por un
operador, en una sola parte.

EV = R x K1 =

0.0515

Reproducibilidad: La variacin en el promedio de las


mediciones (AV) se calcula sobre el rango de los promedios de
todas las mediciones, para cada operador, menos
el error del calibrador. Si la raz es negativa se toma cero.

AV = (Xdif * K2)2 - (DV2/(r * n)) =

0.0259
238

6.4 Clculo de R&R


El componente de varianza para Repetibilidad y
Reproducibilidad (R&R) se calcula combinando la varianza
de cada componente.

R&R =

EV2 + AV2

0.0577

El componente de varianza para las partes (PV), se calcula


sobre el rango de los promedios de todas las mediciones,
para cada parte.

PV =

Rparte x K3

0.1021
239

6.4 Clculo de R&R


La variacin total (TV) se calcula combinando la varianza de
Repetibilidad y Reproducibilidad y la variacin de la parte.

TV

R&R2 + PV2 =

0.1172

Comparando contra la tolerancia (LSE LIE):


%EV = 100*EV/Ancho de tolerancia =

20.61

%AV = 100*AV/Ancho de tolerancia =

10.36

%R&R = 100*R&R/Ancho de tolerancia =

23.07

240

6.4 Clculo de R&R


Comparando contra la variacin Total del
proceso:
%EV = 100*EV/Variacin total =

43.95

%EV = 100*AV/ Variacin total =

22.10

%R&R = 100*R&R/ Variacin total =

49.20

%PV

87.06

= 100*PV Variacin total

CRITERIO: El % R&R debe ser menor al 10%

241

6.4 Ejercicios
Para un estudio de R&R 2 operadores midieron con el mismo equipo
de medicin 10 partes en 3 intentos cada uno,obteniendo:
Nmero
de parte
1
2
3
4
5
6
7
8
9
10

Mediciones
de operador A
1
2
3
50
49
50
52
52
51
53
50
50
49
51
50
48
49
48
52
50
50
51
51
51
52
50
49
50
51
50
47
46
49

Mediciones
de operador B
1
2
3
50
48
51
51
51
51
54
52
51
48
50
51
48
49
48
52
50
50
51
50
50
53
48
50
51
48
49
46
47
48

242

7. Mtodos de
mejora continua

243

7. CONTENIDO
1. Proceso de cambio organizacional
2. Trabajo en equipo
3. Manejo efectivo de juntas
4. Solucin de problemas por medio de
la Ruta de la Calidad
5. Ejemplos
244

7.1 Proceso de Cambio organizacional

245

7.1 Organizaciones tradicionales


Buscar culpables, Burocracia

Enfoque a seguir procedimientos y reglas


Olvido al cliente
Alto desperdicio en tiempo, materiales, papel
Poca atencin al empleado, mala seguridad
Comunicacin slo en sentido vertical
Mal Mantenimiento
Poco involucramiento y compromiso
Feudos/Revanchas/Poltica negativa
Autoridad jerrquica, sin equipos
Alta rotacin / Alto ausentismo
Bajo desempeo

246

7.1 Organizaciones modernas


El cliente es la mxima prioridad
Operacin limpia (ISO 14000)
Competitividad y finanzas sanas
Sistemas simples visuales y Operacin estable
Entrega oportuna y Trabajo en equipos
Ambiente de trabajo seguro y agradable
Desarrollo de empleados con multihabilidades
Comunicacin alta, horizontal y abierta
Desarrollo de personal, decisiones participativas
Productividad y mejora continua, reconocimientos
Empowerement a empleados / Personal motivado
Alta Calidad, enfoque a la gente

247

7.1 Organizacin Multifuncional


Team
Gerencial
Costos

Produccin R Humanos Materiales Champion

Patrocinadores
Facilitador de
Procesos /
Proyectos

Facilitador de
Mantenimiento /
Proyectos

Facilitador de
Procesos de
Recursos Humanos

Tipos de equipos: Kaizen, Tarea, Proyectos, CCC,


celdas de mfra., unidades de negocio

248

7.1 Reestructuracin
organizacional
Equipos de trabajo: solucin de problemas,
propsito especial, autodirigidos
Organizacin horizontal: elementos clave
Planes de reconocimiento: individual, grupal,
capacitacin
Diseo de puestos de trabajo: especializacin,
ampliacin, rotacin de puestos,
enriquecimiento
Normas de trabajo
Mtodos para la medicin del trabajo: estudios
de tiempo, muestreos, estndares
Curvas de aprendizaje

249

7.1 Equipos Kaizen

Las tres fases claves


Percepcin
Desarrollo de la idea, entre ms simples
mejor
Implantacin de la idea y efectos, Kaizen
busca el camino ms corto para lograr el
propsito

Puntos crticos de xito


Mejoras en la seguridad, en la calidad,
productividad, WIP, control visual

250

7.1 Estrategias para


Recursos Humanos
Eliminar continuamente actividades que no
agregan valor
Reducir el nmero de categoras ampliando
alcance de los puestos
Proporcionar recomendaciones a la Alta Direccin
sobre mtodos para aplanar la organizacin
Crear oportunidades e incentivos para la rotacin
normal de puestos y capacitacin cruzada.
Invertir en el desarrollo de Multihabilidades de los
empleados
Incluir planes de desarrollo de personal que estn
en lnea con las metas y objetivos
Facultamiento y desarrollo del personal

251

7.1 Proceso de cambio


organizacional
1. Autoanlisis de la empresa.
2. Establecer objetivos.
3. Desarrollo del equipo gerencial.
4. Establecimiento de filosofas y polticas.
5. Planeacin estratgica.
6. Desarrollo de equipos.
7. Control y seguimiento de los equipos de
trabajo.
8. Evaluacin de resultados: indicadores clave.
9. Comunicacin en todas direcciones.

252

7... Consejos para


administradores
1. Mantener actitud positiva.
2. Poner planes por escrito.
3. Buscar causas de problema en el sistema.
4. Ser humilde: Escuchar a subordinados.
5. No tener miedo a expresar ideas.
6. Tomarse tiempo para capacitar a
subordinados.
7. Pensar, revisar y revisar.
8. Decir no a planes no realistas.

253

7... Consejos para


administradores
9. Tener empata con la gente.
10. Reducir la rotacin de personal.
- Reclutamiento y seleccin.
- Orientacin.
- Induccin de personal nuevo.
- Supervisin y capacitacin en el puesto.
- Auxilio de Recursos Humanos.
11. Falta gente capacitada Haga algo!
-Capacitar a la propia gente.
12. Conocer a sus sindicatos.

254

7.2 Equipos de trabajo

255

7.2 Equipos de trabajo


OBJETIVOS

Establecer una situacin de control.


Elevar el estado de nimo.
Mejorar las relaciones humanas.
Mejorar el rea de trabajo.
Pensar y usar los conocimientos.
Ampliar la forma de pensar.
Mejorar el ingreso.
Mejorar el aseguramiento de calidad.
Los ingenieros se pueden dedicar a otras tareas.

256

7.2 Introduccin
HAY TRES PUNTOS IMPORTANTES EN RELACION A:
EQUIPOS DE TRABAJO
O
CIRCULOS DE CALIDAD
1.- EL DESARROLLO DEL PERSONAL

2.- LA ARMONIA ENTRE LAS PERSONAS

3.- LA FORMACION DE UNA


CULTURA

OBJETIVOS
DEL
EQUIPO

257

7.2 Qu es un...?
CIRCULO DE CALIDAD?
EQUIPO DE TRABAJO?
EQUIPO PARA EL MEJORAMIENTO
DE LA CALIDAD?
GRUPOS PARTICIPATIVOS PARA LA SOLUCION DE
PROBLEMAS?.
O EQUIPOS DE MEJORA CONTINUA?
258

7.2 Tienen en comn...


6 7 (maximo 10) personas trabajando
en estrecha interrelacion,
interaccin y comunicacin
dirigidas hacia un
OBJETIVO COMUN

259

7.2.. Anlisis de Fuerzas


FUERZAS NEGATIVAS.

FUERZAS POSITIVAS.

EQUIPO
DE
TRABAJO
DESINTEGRACION
DEL EQUIPO
LOGRO DE METAS Y DE
OBJETIVOS COMUNES

260

7.2 Ejemplos de fuerzas negativa


HABILIDADES
PERSONALES
NO APROVECHADAS

FALTA DE ESPIRITU
DE EQUIPO

PRIORIDADES DE
DEPARTAMENTO

INCAPAZ DE
PARTICIPAR EN LOS
INTERESES DEL
EQUIPO

CONFLICTO DE
EQUIPO

OBJETIVO
DEL
EQUIPO

OBJETIVOS
PERSONALES

261

7.2 El objetivo del equipo


EL
ELOBJETIVO
OBJETIVODEL
DELEQUIPO
EQUIPOELIMINA
ELIMINALAS
LASFUERZAS
FUERZASNEGATIVAS
NEGATIVAS

1.-Este objetivo debe ser definido por todos los integrantes del
Equipo y este debe ser medible y con fecha de cumplimiento.
________________________________________________________________
_______________________________________________________________
_______________________________________________________________
_______________________________________________________________

2.-Cuales son mis objetivos como integrante del equipo....?


_______________________________________________________________
_______________________________________________________________
_______________________________________________________________
_______________________________________________________________

262

7.2 QUE PUEDO HACER YO PARA AYUDAR


A LOGRAR LOS OBJETIVOS DEL EQUIPO...?
1.-__________________________________________________________
__________________________________________________________
__________________________________________________________
2.-__________________________________________________________
__________________________________________________________
__________________________________________________________
3.-__________________________________________________________
__________________________________________________________
__________________________________________________________
4.-__________________________________________________________
__________________________________________________________
__________________________________________________________

263

7.2 Normas de los equipos


Cada equipo establece sus propias normas de trabajo, tomando en
cuenta los elementos siguientes:

SEGURIDAD
LA
SEGURIDAD

OTROS

EL MANTENIMIENTO
MANTENIMIENTO

DEL
EQUIPO

ASISTENCIA O
EL MEDIO AMBIENTE
PUNTUALIDAD

LOS CLIENTES

LA CALIDAD

LA PRODUCCION
LOS COSTOS

264

7.2 Normas de los equipos


1.- Ser puntual y asistir a todas las reuniones ( a menos que el
equipo acuerde lo contrario ).
2.- Nunca enojarse se tenga o no razn.
3.- Cumplir con las asignaciones.
4.- Cumplir con las fechas compromiso., etc.
Cuales son las normas de funcionamiento de mi equipo de
mejora...?
1.- __________________________________________
2.- __________________________________________
3.- __________________________________________
265

7.2 Responsabilidades del equipo


PROMOVER EL ESPIRITU
DE COLABORACION EN
LOS INTEGRANTES DEL
EQUIPO A TRAVES DE:

COOPERACION
ASISTENCIA COMUN
DIVISION DEL TRABAJO

266

7.2 Organizacin de los equipo


TODOS PERTENECEN A UNA MISMA AREA DE TRABAJO
PERO TIENEN RESPONSABILIDADES DIFERENTES.
EQUIPOS MULTIDISCIPLINARIOS.

SE FORMAN POR UN LIDER Y


MIEMBROS DEL EQUIPO

EL LIDER DEL EQUIPO ES


ELEGIDO POR LOS MIEMBROS
DEL EQUIPO

EL LIDER APLICA EL LIDERAZGO POSITIVO, EDUCA,


DESARROLLA, APOYA, ENTUSIASMA Y DESARROLLA
267

7.2 Organizacin de los equipos


EN DONDE SE REUNEN...?
1.-SE REUNEN EN UN LUGAR ESPECIAL
EN EL AREA DE TRABAJO
2.-LEJOS DEL MISMO SI ES POSIBLE

CADA CUANDO SE REUNEN...?


PERIODICAMENTE DE ACUERDO A LAS
NECESIDADES DEL EQUIPO. (1 0 2 VECES POR
SEMANA, 1 VEZ AL MES, ETC.)
268

7.2 Organizacin de los equipos


LOS EQUIPOS DE MEJORA CONTINUA
REQUIEREN DE CAPACITACIN
CONTINUA:

DETECTAN SUS NECESIDADES


DE ENTRENAMIENTO

269

7.2 De quin necesitan apoyo . . . ?


1. Apoyo Total de la direccion / gerencia general.
2. Del lder que coordina y desarrolla a los integrantes.
3. De otras reas, especialistas o tcnicas que les ayudan
a resolver los problemas que ellos no pueden resolver.
4. De otros equipos de mejora.
270

7.2 El lder del equipo


LIDER:
ES AQUEL QUE GUIA, ENSEA Y DA EL EJEMPLO A SU
EQUIPO DE MEJORA CONTINUA. DEBEN TENER....
FLEXIBILIDAD
PACIENCIA
HONESTIDAD
HABILIDAD DE COMUNICARSE

ELIMINAR
ELIMINAREL
ELFRACASO
FRACASO
HACIENDO
HACIENDOPOSIBLE
POSIBLELO
LOIMPOSIBLE
IMPOSIBLE

271

7.2 De quin necesitan apoyo

EQUIPOS DE
MEJORA CONTINUA
LIDER DE EQUIPO
EQUIPO DE TRABAJO
DE APOYO
EQUIPO GERENCIAL
DIRECCION

EQUIPO DIRECTIVO
272

7.2 Problemas comunes


1. Apata de los equipos para generar
resultados.
2. Falta de apoyo econmico y motivacin
personal por la direccin.
3. Comunicacin mnima entre jefes y
coordinadores.
4. Apata de la gente.
5. Poca comunicacin.
6. Exceso de bomberazos en reas saturadas
de trabajo.
7. No se mantiene la disciplina por el lder del
equipo.

273

7.2 Problemas comunes


8. La situacin de crisis afecta a los equipos
9. No hay compromiso de la Direccin.
10. Mala actitud de personal y no hay
medicin de trabajo estadsticamente.
11. No se cuenta con asesora profesional.
12. Escasez de tiempo para juntas de trabajo
13. No hay un sistema de control y
aseguramiento de calidad.que funcione

274

7.2 Problemas comunes


14. Baja participacin de los departamentos. de la
empresa.
15. Falta de involucramiento de las gerencias y
direccin.
16. Falta de apoyo de gerentes y superintendentes.
17. No se dan facilidades para asistir a conferencias
y congresos de equipos de trabajo
18. Falta conocimiento en la aplicacin de las 7
herramientas estadsticas.
19. Falta constancia y disciplina en las tareas una
vez iniciadas.

275

7.2 Problemas comunes


20. Cambio de citas de reunin por actividades de
participantes.
21. Falta de conocimiento de mtodos de
estandarizacin.
22. Falta de involucramiento de algunas reas de
calidad total.
23. Problemas de inestabilidad generados por la
crisis.

276

7.3 Manejo efectivo de


Juntas y reuniones

277

7.3 Tipos de reuniones


Para control y mejora (30-60 min.)
Asignar tareas y responsabilidades.
Contribuir a procesos de solucin de problemas.
De comunicacin (15 - 20 min.)
Metas de la semana, avisos de reunin, breve
explicacin
De informacin (10 - 15 min.)
Reporte de evento.
Reflexiones de lectura/tarea.

278

7.3 Tipos de reuniones


De estudio (30-60 min.)
Trabajo en equipo, calidad.
Conocimiento de producto o servicio.
De seguimiento (15 - 30 min.)
Verificacin y anlisis de tareas
asignadas en Control y Mejora.
De memorandum (5 10 min.)
Avisos escritos de diversa ndole.

279

7.3 Funcin del coordinador


1.- Crear una atmsfera apropiada para que los
externen sus ideas y opiniones libremente.

participantes

2.- Obtener la informacin necesaria ..


3.- Anticipar las reacciones positivas y negativas de las personas.
4.- Crear un sentido de trabajo en equipo, que sea llevado al mismo
lugar de trabajo.

HACIENDO POSIBLE LO IMPOSIBLE!


280

7.3 Funciones del coordinador


1.- Pedir ideas a todo el grupo y en forma Individual.
2.- Mantener la junta en el tema.
3.- Clarificar la informacin.
4.- Ayudar a desarrollar ideas completas.
5.- Replantear el punto si no esta claro.
6.- No culpar nunca a nadie si no es claro en sus ideas.
7.- Aceptar todas y cada una de las sugerencias.
8.- No criticar, modificar o evaluar de inmediato una opinin.
9.- Asegurarse que se cumplan los objetivos (Dando seguimiento)
10.- Asegurarse que la agenda sea cubierta en el tiempo
establecido.

281

7.3 Recomendaciones
1.- Tengan los temas y objetivos por escrito y visibles enfrente del lugar
de reunin.

2.- Difiera la informacin que no este relacionada con el tema a


discutir .

3.- De reconocimiento a los participantes cuyas opiniones se


relacionen directamente con el tema, este debe ser verbal y frente
al grupo.
282

7.3 Ejercicio
Seleccionar un tema a tratar de la vida real
Establecer reglas y objetivos

NOTAS
Como se comporto el equipo . . . ?
___________________________________________________
____________________________________________________
____________________________________________________
____________________________________________________

283

7.3 Ejercicio
Como se comportaron los integrantes . . . ?
____________________________________________________
____________________________________________________
____________________________________________________
____________________________________________________

Se cumplio el objetivo . . . ? SI___

NO____

Por que . . . ?
____________________________________________________
____________________________________________________
____________________________________________________

284

7.4 Solucin de problemas por


medio de la Ruta de Calidad

285

7.4 Los 11 pasos de la Ruta de la


calidad
1. Seleccin del problema
2. Razn de la seleccin
3. Establecimiento de objetivos
4. Programa de actividades
5. Diagnstico de la situacin actual
6. Identificacin de causas
7. Anlisis de soluciones
8. Implantacin de soluciones
9. Verificacin de soluciones
10. Prevencin de la reincidencia y estandarizacin
11. Reflexiones y tareas futuras
286

7.4 La ruta de la calidad


1.- SELECCIN DEL TEMA
PLANEAR
P

2.- RAZON DE LA SELECCIN


3.- ESTABLECER OBJETIVOS

ESTABLECER LA
FORMA IDEAL

4.- PROGRAMA DE ACTIVIDADES


5.- DIAG. DE SITUACION ACTUAL
HACER
D

6.- ANALISIS DEL PROBLEMA


7.- ANLISIS DE SOLUCIONES
8.- IMPLANTAR SOLUCIONES

CHECAR
C
ACTUAR
A

BUSQUEDA DE
CAUSA REAL

EN CASO
DE NO
HABER
EFECTO

9.- VERIFICACION DE SOLUCIONES


10.- PREVENCION DE LA
REINCIDENCIA
11.- REFLEXION Y TAREAS
FUTURAS

POR INICIATIVA
HACER
UN EJEMPLO
INMEDIATAMENTE

287

7.4 Beneficios de la ruta de la


calidad
1.- Es un mtodo estndar para resolver problemas.
2.- Se usa para mejorar procesos administrativos, de
manufactura e individuales.
3.- Se usa para sistematizar la forma en que se mejoran
los procesos.

288

1. Seleccin del problema

289

1. Seleccin del problema


Anlisis de situacin actual e identificacin
de problemas.
Una vez seleccionado el tema:
- Comprensin de elementos
situacionales.
- Cuantificacin de datos reales.
- Identificacin de factores de
variabilidad.

290

1. Seleccin del problema


* Seleccionar el problema en base a las polticas de la
organizacin, al jefe inmediato y a los resultados de sus
actividades diarias. Se sugieren sean problemas enfocados a
impactar al cliente.
* Cmo nombrar el problema? Menor Costo, Ms rpido,
Mejor desempeo
1).- Expresar concretamente el grado del problema. (el tema
no deber ser demasiado amplio).
291

1. Seleccin del problema


2).- Es mejor no usar la solucin para nombrar un problema, sin
antes realizar la bsqueda de la causa verdadera, se crear duda
de si esa solucin es la definitiva.

3).- Criterios para seleccionar el problema


Seguridad

Calidad

Entrega

Costo

Moral
2

GUOQCSTORY.PPT

292

2. Razn de la Seleccin

Porque?

GUOQCSTORY.PPT

293

2. Razn de la Seleccin
*Expresar los antecedente, la importancia y la prioridad de los
problemas.
Explicar por qu se seleccion el problema
* Efecto econmico, reclamo de mercado,rechazos, % de ventas
perdidas , otros.
* Impacto para los procesos posteriores, monto de prdida,
incremento de tiempo de operacin, paro de lnea, etc.
Entre todos los integrantes del equipo pueden evaluar las razones
arriba descritas mediante las 7 herramientas bsicas, las 7 nuevas
herramientas, etc; y enfocarse en un solo tema.
4

GUOQCSTORY.PPT

294

2. Razn de la Seleccin
Ejemplo 1: Se enfoca el tema de manera multilateral con la matriz de evaluacin
Criterio de evaluacin
3 puntos
2 puntos
1 punto
Evaluacin

Problema

Impor- Prior.
tancia

Poltica Periodo FactiDepto. de Ejec. bilidad

Orden

DEVOLUCIONES

12 Puntos
1er. lugar

ENTREGAS TARDIAS

10 Puntos
2o. lugar

DOCS. INADEC.

10 Puntos
2o. lugar

NIVEL SERVICIO

9 Puntos
3er. lugar

295

Ejemplo2 : Utilizacin de la grfica lineal y el diagrama de Pareto.

% de incidencia

periodo 6/Mayo/98 - 15/junio/98


n = 5,000
x = 0.48 %
(%)
1
0.51

0.53
0.45

0.8

0.47

0.46

0.46

objetivo del grupo 0.3%


0.6
6/mayo-11
0.4

27 - 31

3/junio - 7

10 - 15

PARETO DE DEFECTOS DEL PRODUCTO A


PERIODO 6/MAY/98 AL 15/JUNIO/98

(CASOS)

(%)
100

140

80

120

30 %
31

20

CORTE
MULTIPLE

40

DOBLE
CORTE

60

60
27

25

20

0
Al verificar el grado de incumplimiento respecto al 0.3% del objetivo de grupo y adems de investigar
las causas de incumplimiento se encontr que DOBLE CORTE" es el ms problemtico,
por lo que se seleccion como tema.
5

16

40

BAJA
ADHESION

51

80

ALTURA MAYOR
Y MENOR

100

% ACUMULADO

n = 170
170
160

PORO

20 - 24

CONTAMINACION

NUMERO DE DEFECTOS

0.2

13 - 16

20
0

GUOQCSTORY.PPT

296

3. Establecimiento de objetivos
PUNTO CRITICO
* Aclarar la meta del valor del objetivo.
* No plasmar simplemente los deseos y
expectativas en el objetivo, si no establecer un objetivo factible de manera escalonada.
* Establecer un objetivo con fundamento,
no se debe tomar una decisin de impulso
(sin analizar).
(Punto clave para establecer el valor
objetivo).
* Definirlo tomando en cuenta las polticas
de la empresa.
* En caso de no tener un concepto claro de
las polticas, analizar la importancia de
los problemas y / o mejoras, cuando nos
ocasionen un defecto al proceso posterior, factibilidad de cumplimiento, programa, distribucin de cargo, etc. y definirlo.

ACTIVIDADES
* Indicar el objetivo con valores en forma numrica
en lo posible.
* El objetivo debe tener relacin con el
efecto esperado .
* El objetivo debe de ser concreto.
Ejemplo:
QU? ****** Reducir el defectuoso en productos A
HASTA CUNDO?****De Mayo del 97 a
Abril del 98
HASTA CUANTO?****Bajar hasta 1%
menos del 1% promedio de defectuoso.
* Hay un mtodo para establecer el objetivo
final de una vez; otro estableciendolo en forma
gradual entre objetivo primario y secundario,
establecer periodos de tiempo cortos.
Establecer objetivos graduales en los casos
Siguinetes:
(1).- Que el tema sea demasiado grande y se
requiera dividirlo.
(2).- Que el tema sea complicado y que se relacione
con otras reas.
(3).- Que se requiera la seleccin de las actividades
conforme a la habilidad real del grupo de trabajo

Establecer un objetivo que tenga relacin con la seleccin del tema y razn de la seleccin.

297

Ejemplo n 1 Establecimiento del


Objetivo con fundamento
EJEMPLO N2

CONCEPTO
VALOR OBJETIVO
FECHA LIMITE

CONTENIDO ESTABLECIDO
IGUAL O MENOR DE 1%
FIN DE Abril de 1998

EFECTO ESPERADO 3% DE INCREMENTO EN EL % DE AHORRO


(%)

IGUALAR AL
NIVEL PAIS

IGUALAR AL
PASADO

IGUALAR A
OTRAS LINEAS

10

11

12

6 MESES
El objetivo debe ser establecido en consenso

ESTABLECER
EN BASE A LA
POLITICA

OBJETIVO
FINAL

298

Ejemplo n 3: Establecimiento gradual del objet


Se debe tomar en cuenta el problema real anterior, etc.,
para que los datos sean razonables y convincentes.

(%)
VP
E E

NR
T D
A I
SD
A
S

6
5
4
3
2
1
0

CONDICION ACTUAL
OBJ. PRIMARIO

0%

OBJ. SECUNDARIO

OBJETIVO FINAL

PERIODO DE TIEMPO

GUOQCSTORY.PPT

299

4. Programa de actividades
ASIGNACION DE LAS TAREAS
POR QUE ?

QUE ?

QUIEN ?

CUANDO ?

PROPOSITO

CONCEPTO DE ACT.

RESP.

FECHA

CONOCER LA
SITUACION
ACTUAL

COMPRENDER LA
SITUACION ACTUAL

Juan Prez

may-97

COMO ?

DONDE ?

HOJA DE
CHEQUEO Y
GRAFICA

Mquina

DIAGRAMA DE
CAUSA Y
EFECTO
PLAN DE
ACCIONES
CORRECTIVAS

QUE ESTA
MAL ?

ANALISIS

TODOS

JUN. 97

COMO SE
PUEDE
MEJORAR ?

ACCIONES
CORRECTIVAS

TODOS

JUN. 97

SE PUEDE
MEJORAR ?

CONFIRMAR EFECTO

TODOS

JUL. 97

GRAFICA

Mquina

CAMBIO DE
PROCEDIMIENTOS Y
ESPECIFICACIONES

ING.
PRODUCT
O.

JUL. 97

EMISION DEL
CAMBIO

Mquina

REFLEXION DE LAS
ACTIVIDADES Y
TAREAS FUTURAS

TODOS

ene-98

LLUVIA DE
IDEAS

Reunin

PREVENCION
DE
REINCIDENCIA

GUOQCSTORY.PPT

Reunin

Reunin

300

5. Diagnstico de la situacin actual


PUNTO CRITICO

ACTIVIDADES

Observar de manera exhaustiva la condicin real de


lo problemtico y checar a travs de los datos.

* Investigar a fondo de manera que se pueda


dar el siguiente paso (anlisis).

Investigar la diferencia en las variaciones del


comportamiento de los fenmenos.

* Investigar clasificando por tiempo, proceso, turno


operador, mtodo de operacin, material, lote,
procedimiento, tipo de mquina, clima,
temperatura, humedad, operacin, estndar

Lo que se busca es confirmar la condicin real no


encontrar las ideas de solucin.
* De inmediato ver fsicamente las cosas en campo, siendo realista, mostrar grficamente lo investigado de
tal forma que se vean fcilmente las diferencias, problemas, etc. Usar las 7Hs, concluir e iniciar anlisis.

EJEMPLO No. 1

PARETO

100

100%
80%

80

60%

60

40%

40

20%

O
TR
O

C
O
IV
U
EQ

O
AD

IO
C
SU
D
O

M
O
C
IN

PR

ZA
AN
D
TA
R

O
EV
D

LU

IO

EJ
AS

PL
ET
O

20

80% VITALES
20% TRIVIALES

301

6. Identificacin de causas
DIAGRAMA DE CAUSA EFECTO
ISHIKAWA O ESPINA DE PESCADO

302

6. Identificacin de causas
Determinar las causas raz.
1. Anlisis de posibles causas.
2. Relacin causa-efecto.
3. Uso de herramientas.
4. Cuantificacin de posibles
causas
5. Seleccin de causas reales.
6. Experimentacin y prueba de
hiptesis y causas probables.
7. Determinacin de causas
reales.

303

6. Identificacin de causas
PUNTO CRITICO
ACTIVIDADES
- Identificar las posibles causas verdaderas
- En base al conocimiento de la situacin actual,
(factores) del anlisis de la situacin actual
identificar las posibles causas verdaderas o factores
- Se utiliza el diagrama de causa-efecto (Ishikawa)
VERIFICAR CADA UNO DE LOS FACTORES
como una alternativa de anlisis
- Repetir la pregunta "porqu" 4-5 veces
- Buscar la causa(s) real(es) desde los factores.
- Ir a piso a verificar fsicamente cuantas veces
- Hay casos en que se pueden conseguir los efecsea necesario, sobre todo observar bien.
tos (resultados) de un anlisis al investigar a fon- - Analizar a fondo involucrando al jefe inmediato,
do la situacin actual.
staff y las reas relacionadas.
* Identificar las causas reales en forma resumida. No se debe tratar de solucionar un problema diciendo
excusas. Ejemplo: "Es la primera vez que aparece, "No tenemos experiencia", etc.
MAQUINARIA
BARRA SOPORTE DE
PAPEL DESALINEADO

FALTA AIRE

MANO DE OBRA

FALTA DE COMPROMISO

RETROALIMENTACION

BOLSA DAADA
PAPEL FUERA DE
ESPESOR

MATERIAL

FALTA CAPACITACION

ROLLOS PESADOS
APLICACIN DE
PAPEL MANUAL
MAT. FRESCO
POCO ESPESOR
FLUJO DE PAPEL EN
LA PARTE SUPERIOR
DEL MOLDE

LINEA DE
PAPEL
MAL CORTE PAPEL
NO SE MIDEN ESPESORES
NO SE SIGUE EL PROC:

METODO

APLICACIN DE
CINTA
INCORRECTO

304

7. Anlisis de soluciones
Cada causa tiene soluciones basadas
en:
1. Definicin de soluciones.
2. Evaluacin de stas.
3. Definicin cuantitativa de mejores.
4. Uso de mtodos de Control de
Calidad.
5. Desarrollo de plan de
implementacin.

305

7. Anlisis de soluciones
PUNTO CRITICO

ACTIVIDADES

A. CONTROL DE
ESPESORES
DE PLSTICO

LINEA
DE
PAPEL

B. MODIFICAR
APLICACIN
DE PAPEL.

5
2. VERIFICAR
ESPESORES
ANTES
DE DE
3. CAMBIAR
CONSTRUIR
MATERIAL
1. MODIFICACION AL
APLICADOR DEL PAPEL
2. CAMBIAR ANCHO DE
PAPEL

14

LIDER

Prioridad

1. CONTROLAR
ESPESORES EN MAQ.

Efecto

Evaluacin

3 PUNTOS
2 PUNTOS
1 PUNTO

J Prez.

FECHA

EJEMPLO No. 1:

Factibilidad

* Eliminar la causa real que se encontr como resul- * Planear las medidas correctivas para cada una
tado del anlisis. (no eliminar los fenmenos)
de las causas encontradas a travs del anlisis.
* Recabar todas las ideas de los miembros del gru* Dividir las medidas correctivas en dos tipos:
po, jefe inmediato y personas relacionadas.
1) Medida contingente provisional
* Pensar medidas fsicas, ms que personales, pa2) Medida correctiva. sobre las causas raz
ra que la accin correctiva sea estable y sin
para prevenir la reincidencia
variacin. (poka-yoke)
Evaluar las ideas de Kaizen. Hacer una evaluacin de efectos, factibilidad, economa, grado de tecnologa,
operatividad, seguridad, etc. Elaborar propuesta operativa y preparar los recursos requeridos.

Junio 97

Junio 97
4 OPERADORES
Junio 97
3 OPERADORES

J. Prez

Julio
97

J. Prez

Julio
97

GUOQCSTORY.PPT

306

8. Implantacin de soluciones

15

GUOQCSTORY.PPT

307

8. Implantacin de
soluciones
1. Explicacin de implementacin.
2. Descripcin de reas afectadas.
3. Descripcin de obstculos.
4. Anlisis cuantitativo de impacto.
5. Anlisis cuantitativo de situacin
mejorada vs. situacin actual.
6. Medicin de efectos secundarios.
7. Uso de herramientas .

308

8. Implantacin de soluciones
PUNTO CRITICO
ACTIVIDADES
* Realizar las medidas como se habian acordado * Antes de aplicar las medidas correctivas
* Verificar si no hay efectos secundarios
* Probar las ideas de mejora, investigar efectos
* Dar capacitacion y entrenamiento.
secundadarios que puedan afectar al producto o reas*
Los equipos implantan las acciones correctivas y despus poner en prctica las luciones.
* Obtener la aprobacin de las reas relacionadas, turno o puesto, Jefe inmediato etc. Es decir,
Comunicar a todos los involucrados de la mejora a realizar.
EJEMPLO 1
LISTADO DE LAS MEDIDAS CORRECTIVAS

NO CUANDO

A QUE? - COMO?
TOPE

DONDE RESU
PROC. DE
LTAD
LIMPIEZA
O

1 JULIO 97

BARRA DE
APLICACION

2 JULIO 97

PARA LOS
MOLDES

JUICIO

QUIEN

AUNQUE SE DA
J. PREZ
EFECTO
NO ES PERSISTENTE
EXISTE POCO
DEFECTO

L.TORRES

309

8. Implantacin de soluciones
PARA LA LINEA DE PAPEL:
APLICACIN
ANTERIOR
DEL PAPEL

CON LA ACCION CORRECTIVA


SE MODIFIC LA APLICACIN DEL PAPEL,
ASEGURADO CON UN TOPE (POKA YOKE)
EN LA BARRA DE APLICACION

310

9. Verificacin de soluciones
PUNTO CRITICO
ACTIVIDADES
* Verificar hasta obtener efectos estables ampliando
* Hacer anlisis comparativo antes y despus
los datos histricos en grficas de la etapa de
* En caso de aplicar varias medidas
correctivas
"razn de seleccin del tema"
, Verificar los efectos intangibles sin omisiones
* Comparar el efecto en grfica entre antes y despus
de KAIZEN respecto al objetivo.
confirmar el efecto sobre cada concepto de
(relacin humana, capacidad, trabajo en equipo,
contramedidas.
entusiasmo, rea de trabajo alegre).
* Determinar los beneficios monetarios, indirectos e intangibles.Investigar si existen reas y operaciones
similares tanto dentro como fuera de la planta, para aplicar las mismas contramedidas. Dar reconocimiento.

%
D
E
F
E
C
T
U
S
O

Ejemplo 1.

2.5
2

2.19
2.1

2.14
2

2.22
1.9

2.33

1.8

%D < 1 %
1.76
1.7

1.5

1.6

1.5

1.32

0.9

1.4

0.87

1.3

1.2

0.94

1.1
1
0.99 0.94

0.79

0.5
0

may-97

jun-97

jul -97

ago-97

sep-97

oct-97

nov-97

di c-97

ene-98

feb-98

Mzo-98

311

abr-98

Ejemplo 3.
UMI MICRO V - TIMING BELTS
BENCHMARKING DEFECTUOSO TIMING BELTS

10

9.5
6.85

3.3

3.27
2.66

0.9

2
0

MONCKS C.

DUMFRIES

COREA

BRASIL

JAPON

MEXICO

312

10. Prevencin de la reincidencia


Estandarizacin

DISPOSITIVOS A PRUEBA DE ERROR ( Poka - Yokes ).


313

10. Estandarizacin
1. Controles para la mejora.
2. Formas para eliminar causas.
3. Datos de control de resultados.
4. Aplicacin de soluciones en otros
procesos.
5. Uso de mtodos de estandarizacin.
.

314

10. Prevencin de la reincidencia


PUNTO CRITICO
* Hacer estandarizacin para prevenir la reincidencia
* Con el fin de mantener y controlar lo estandarizado, establecer sistemas y realizar la revisin de los
equipos, capacitacin y entrenamiento de manera
peridica.
Confirmar el resultado de la modificacin
Comunicar adecuadamente a las reas
involucradas

ACTIVIDADES
* Mantener y controlar los efectos
* Hacer estandarizacin.
Equipos
Poka-yoke, dibujos, hoja de especificaciones,
instructivo de manejo, muestreo de lmite.
Mano de obra
Capacitacin y adiestramiento de habilidad
tcnica en base a la operacin
Calidad: Carta de control de proceso.

EJEMPLO 1:
Medidas 5 W 1 H

1
2
3

correctivas
Integrar botador
de electrodo
en martillo
Adopcin de
electrodo roscado
Automatizacin
de paro de agua

Por qu
Why

Qu
What

Donde Cundo
Where When

Chequeo
En almacn
Botador
despostilladora de
de Htas.
de filos
electrodo
Chequeo
de dao en
rosca

Base de
electrodo
inferior

Proceso
usuario.

Prevencin de
sobrecalentamiento

Prevencin
de sobrecalentamiento

En el
proceso

Quin
Who

Cmo
How

1 vez cada Turnar


Chequeo
3 das
responsable visual
hoja de chequeo
Cada
Turnar
Chequeo
semana responsable visual
hoja de chequeo
2 veces
por da

Chequeo
Turnar
responsable visual
hoja de chequeo
cada da

Cada vez que se presente un problema, se investiga y se toman medidas correctivas

315

Ejemplo No. 2

1 Medidas
correctiva
s
2

5W
1H

INTEGRAR
TOPE

Por
qu
Why
CORRECTA
APLICACIN
DE PAPEL.

Qu
What

TOPE

Donde
Where

APLICA
DOR
DE
PAPEL
TISSUE

Cun
Quin Cmo
do
Who
How
When

JULIO
97

J.
PEREZ

INST.PARA
PARA
ELABORAR
APLICAR PROCESO
AGOSTO ING. DE
ESTANDARIZAR
PROCEDIMIEN
DE PAPEL
DEL
97
LAS
PRODUC
TO
TISSUE
USUARIO
OPERACIONES
TO

CHE
QUE
O
VISU
AL

PRO
CEDIMIEN
TO

316

11. Reflexiones
Anlisis de resultados
1. Comparacin cuantitativa.
2.Evaluacin cuantitativa de
resultados intangibles.
3. Anlisis del impacto econmico
4. Presentacin de resultados
Conclusiones
1. Evaluacin objetiva.
2. Descripcin de problemas
pendientes.
3. Descripcin del plan de accin.

317

11. Reflexiones y tareas futuras

318

11. Reflexiones y tareas futuras


PUNTOS CRITICOS
ACTIVIDADES
* Aclarar la diferencia entre la planeacin y el resul- * Aclarar los puntos positivos y negativos.
tado. Reflexionar sobre la satisfaccin lograda.
* Registrar las actividades tomando en cuenta
* Resumir los planes futuros en forma concreta.
el efecto fsico, QC Story, administracin de
* Aprovechar puntos positivos de resultado y aprengrupo, juntas, herramientas, programa,
der de puntos negativos.
asignacin de funciones, entusiasmo

EJEMPLO:

A) Efecto fsico.
B) Participacin.
C) Aprovechamiento
del mtodo QC.
D) Trabajo en equipo.
E) % Participacin en
juntas.
F) Puntualidad
G) Asignacin de
funciones.
H) Mejora de
conocimiento.
I) % de cumplimiento
de programa.
J) No. de juntas.

A
B

D
G
F

Grfica de Radar

319

7.5 Ejemplos

320

8. Mtodos de muestreo

321

Muestreo aleatorio estadstico

Muestra n
Lote N
322

Muestreo de aceptacin
Calificacin de lotes: sin inspeccin, insp. 100% y
muestreo
Ventajas de la aceptacin por muestreo:
Aplicable a pruebas destructivas
Menor costo de inspeccin
Menor tiempo de inspeccin
Menor manejo de producto
Presin al proveedor para mejorar su calidad
Desventajas de la aceptacin por muestreo
Riesgo de aceptar lotes malos o rechazar buenos
Poca informacin sobre el producto o proceso
Requiere planeacin

323

Tipos de muestreo de
aceptacin
Muestreo por atributos
Muestreo simple
Muestreo doble
Muestreo mltiple
Muestreo por variables
Calificacin por variables (un plan por cada
caracterstica)
Plan en base a la posicin de la media

324

Formacin de lotes y
muestreo
Los lotes deben ser homogneos es decir
haberse producido bajo las mismas condiciones
de manufactura
Es mejor inspeccionar lotes grandes que
pequeos
Los lotes deben ser fciles de manejar tanto con
el cliente como con el proveedor
Las muestras se deben seleccionar en forma
aleatoria y deben ser representativas de todo el
lote

325

Muestreo por atributos

326

Muestreo simple por atributos


Se define por su tamao de muestra n y el
nmero de aceptacin c mxima de partes
defectivas (N tamao de lote)
Pa es la probabilidad de aceptar un lote con
fraccin defectiva p con base en el plan de
inspeccin
n-c
Pa
1
0.8la probabilidad acumulada
Pa es
Poisson de
Curva de
caracterstica
(Excel)
0.5
Operacin dado una
0.3

Tamao de muestra n

0.1

y un criterio de aceptacin c
0.2 0.25 0.3 p Prov.

0.05 0.1 0.15

327

Muestreo simple por atributos


n tamao.de.muestra
c criterio.de.aceptacion
d defectivos.encontrados.en.la.muestra
p fraccion.defectiva.en.el .lote
c

n!
d
n d
Pa P (d c)
p (1 p )
d 0 d !( n d )!

Calcular la probabilidad de aceptar un


Lote defectivo con p=0.01, n=89, c=2
328

Muestreo simple por atributos


Variar la p de 0.005, 0.01 0.09 y
Obtener la curva OC Tipo B, N grande.
Se usa la distr. Binomial o de Poisson
a) Determinar la Pa con n=89 y
c = 0, 1 y 2
b) Observar que pasa si se varia n
para n=50, 100, 200 para c=2
329

Muestreo simple por atributos


Variar la p de 0.005, 0.01 0.09 y
Obtener la curva OC Tipo A, N <= 10n.
Se usa la distribucin Hipergeomtrica
a) Determinar la Pa con n=50, N = 500
c = 0, 1 y 2
b) Observar que pasa si se anteponen
A las curvas OC tipo B
330

Diseo de un plan de
muestreo
con una curva OC especfica
Si se quiere un plan en el cual p1 = 0.01 y alfa =
0.05, p2=0.06 y beta = 0.1 se procede como
sigue:
Se localiza en el nomograma la interseccin de
las lneas que conectan (p1=0.02, 1-alfa=0.99) y
(p2=0.06, beta=0.1)
Se localiza la interseccin y se determinan n y c
del mismo nomograma

Encontrar el plan de muestreo para


p1 = 0.02, alfa =0.01, p2 =0.06 y
Beta=0.1

331

Inspeccin rectificadora
Entrada de 100
lotes de cierto
proveedor con
N=10,000 y
p = 0.02

n =200
Pa

c=1

9 lotes son
aceptados a pesar
de tener un 2%
defectivo:
Es decir ingresan

P=0.02

88,820 piezas OK
Y 1800 piezas KO

91 lotes son
rechazados y
seleccionados
por el
proveedor, deja
910,000 piezas
OK

Total de piezas OK

AOQ

Alm.

998,820
Piezas defectivas
1,800

0.18% AOQ

332

Muestreo simple por atributos


Conforme se disminuye c o se aumenta n la
probabilidad de aceptar lotes defectivos se
reduce Pa
AOQ es la calidad de salida promedio despus de
aplicar un plan de muestreo a los lotes del
proveedor, donde algunos lotes se aceptan y
otros
rechazan Planta
para seleccin 100%
Fraccin
AOQ =se
p*Pa

defectiva
que ingresa
al almacn o
planta
despus de
aplicar el
plan de
muestreo

Almacn

0.3
0.25
0.20
0.15

Fraccin
defectiva
que enva
el
proveedor

AOQL

0.1
0.05 0.1 0.15

0.2 0.25

0.3

Prov.

333

Inspeccin rectificadora
Variar la p de 0.005, 0.01 0.09 y
Obtener la curva AOQ para N grande
Se usa la distr. Binomial o de Poisson
a) Determinar la AOQ= p*Pa con
n=89 y c = 0, 1 y 2
b) Observar que pasa si se varia n
para n=50, 100, 200 para c=2
334

Inspeccin rectificadora
Variar la p de 0.005, 0.01 0.09 y
Obtener la curva ATI para N grande
Se usa la distr. Binomial o de Poisson
a) ATI=n + (1-Pa)(N-n) con
n=89 y c = 2
b) Observar que pasa si se varia n
para N=1000, 5000 y 10000 con
n = 89, c=2

335

Inspeccin rectificadora
ATI

10,000

N=10,000
N=5,000

N=1,000
p
336

Planes de muestreo doble


Bajo ciertas circunstancias es necesario
tomar una segunda muestra para tomar una
decisin. Muestras n1 y n2 con criterios de
aceptacin c1Inspeccionar
y c2
1a.
Muestra con n1=50
Si
d1<=c1=1
Aceptar lote

d1 = # de defectivos

1< d1 <= 3
Inspeccionar 2a.

Si
d1 > c2 = 3
Rechazar lote

Muestra con n2=50


d2 = # de defectivos
Si d1 + d2

Si d1+d2 > c2

<= c2 =3

Con c2 = 3

Aceptar lote

Rechazar lote

337

Curva OC Muestreo doble


Pa

Probabilidad de rechazo
con Primera muestra

Probabilidad de
Probabilidad de
Aceptacin con

Aceptacin con
Muestras combinadas

Primera muestra

p
338

Curva OC Muestreo doble


Probabilidad de aceptacin en el muestreo doble

Pa PaI PaII 0.279 0.010 0.289


1

50!
P
(0.05) d 1 (1 0.05)50d 1 0.279
d 1 0 d1!(50 d1)!
I
a

PaII PaII (1) PaII (2) 0.009 0.001 0.01


P (1) P d1 2, d 2 1 P d1 2 * P d 2 1 0.009
II
a

PaII (2) P d1 3, d 2 0 P d1 3 * P d 2 0 0.001

339

Curva OC Muestreo doble


Probabilidad de rechazo

Pr Pr P
I

II
r

50!
Pr 1
(0.05) d 1 (1 0.05)50d 1
d 1 0 d1!(50 d1)!
I

Pr P (1) Pr (2)
II

II
r

II

PrII (1) P d1 2, d 2 1 P d1 2 * 1 P d 2 1

PrII (2) P d1 3, d 2 1 P d1 3 * P 1 P d 2 0

340

Curva ASN Average Sample


Number
ASN bajo inspeccin completa

ASN n1P1 (n1 n 2)(1 P1)


P1 P lote.aceptado.en. primera.muestra
P lote.rechazado.en. primera.muestra
P1 P (d1 1) P (d1 3)
P(d1 3) 1 P(d1 3)

341

Curva ASN Average Sample


Number
ASN bajo inspeccin recortada en 2a. Muestra al tener d >c2

ASN n1

c2

j c11

P (n1, j ) n 2 PL (n 2, c 2 j

c2 j 1
PM (n2 1, c 2 j 2)
p
P(n1, j ) probabilidad .de. j.defectivos.en.muestra.n1
PL (n2, c 2 j ) prob.de.obser var.c 2 j.o.menos.defectivos.en.muestra.n2

PM (n2 1, c 2 j 2) prob.de.obser var.c 2 j 2.defectivos.en.muestra.n 2 1

342

Curvas de ASN para diferentes planes


de muestreo: simple, doble y doble
recortado
120

Plan: n1=60, n2=120, c1=2, c2=3

ASN

Inspeccin doble
completa
Inspeccin

90

simple

Inspeccin
60

recortada
0.02

0.04

0.06

0.08

0.10

0.12

p
343

Diseo de planes de muestreo dobles


Se utilizan tablas especiales para disear los
planes de muestreo doble en funcin de (p1,
1-alfa) y (p2, beta)

344

Curva AOQ y ATI Muestreo doble


Ecuaciones para AOQ y ATI:

AOQ

PaI ( N n1) PaII ( N n1 n 2) * p

N
ATI n1* PaI (n1 n 2) * PaII N (1 Pa )

345

Muestreo mltiple
Es una extensin del muestreo doble, por ejemplo:
Muestra Aceptar

20 0
3

40 1
4

60 3
5

80 5
7

100 8
9

Rechazar

Su ventaja es que las muestras requeridas en cada


etapa son ms pequeas que las requeridas en
muestreo simple o doble y se tiene menor costo pero
es ms complejo

346

Muestreo secuencial

347

Muestreo secuencial
Se toma una secuencia de muestras de un lote
n dependiendo de los resultados de la
inspeccin

No.de

Para cada punto la X es el nmero de puntos


seleccionados hasta cierto tiempo y la
7
Xb
ordenada
el nmero de defectivos hallados

Defectivos 6

Rechazar

5
4
3
2

Continuar
h2

Aceptar

1
0

10

-1
-2

-h1

Xa

20

30

40

348

Muestreo secuencial
Curva OC

X ACEPTACION h1 sn

X RECHAZO h2 sn
k log

p 2 (1 p1 )
p1 (1 p 2 )

1 p1
1 p2

s log

1-Alfa
h2/(h1+h2)
Beta

p1

p2

1
h2 log
k

Calcular ecuaciones
para:

1
k
h1 log

p1 = 0.01, Alfa = 0.05

p2 = 0.06, Beta = 0.10

349

Resultados del muestreo


secuencial
n

Xa

Xr

Xa

Xr

Xa

Xr

Xa

Xr

-1.192

1.598

-1

24

-0.548

2.242

-1

-1.164

1.626

-1

25

-0.52

2.27

-1

-1.136

1.654

-1

26

-0.492

2.298

-1

-1.108

1.682

-1

27

-0.464

2.326

-1

-1.08

1.71

-1

28

-0.436

2.354

-1

-1.052

1.738

-1

29

-0.408

2.382

-1

-1.024

1.766

-1

30

-0.38

2.41

-1

-0.996

1.794

-1

31

-0.352

2.438

-1

-0.968

1.822

-1

32

-0.324

2.466

-1

10

-0.94

1.85

-1

33

-0.296

2.494

-1

11

-0.912

1.878

-1

34

-0.268

2.522

-1

12

-0.884

1.906

-1

35

-0.24

2.55

-1

13

-0.856

1.934

-1

36

-0.212

2.578

-1

14

-0.828

1.962

-1

37

-0.184

2.606

-1

15

-0.8

1.99

-1

38

-0.156

2.634

-1

16

-0.772

2.018

-1

39

-0.128

2.662

-1

17

-0.744

2.046

-1

40

-0.1

2.69

-1

18

-0.716

2.074

-1

41

-0.072

2.718

-1

19

-0.688

2.102

-1

42

-0.044

2.746

-1

20

-0.66

2.13

-1

43

-0.016

2.774

-1

21

-0.632

2.158

-1

44

0.012

2.802

22

-0.604

2.186

-1

45

0.04

2.83

23

-0.576

2.214

-1

46

0.068

2.858

350

Frmulas muestreo
secuencial
Nmero promedio de muestras inspeccionadas
B
A
(1 Pa )
C
C

ASN Pa

A log
1

1
B log

Nmero de muestras que


inspecciona el cliente
unicamente

p
1 p2
C p log 2 (1 p) log
p1
1 p1

Nivel de calidad promedio de salida AOQ = p*Pa


y ATI

A
ATI Pa
(1 Pa ) N
C

Nmero de muestras que


inspecciona cliente y el
proovedor

351

Uso de tablas de muestreo


MIL-STD-105E
ANSI Z1.4, ISO 2859

352

Tablas de muestreo MIL-STD


105E o ANSI Z1.4
Requiere informacin de:
Tamao del lote N

Nivel de inspeccin (especial o normal )


Se usa inspeccin especial cuando las
caractersticas no son crticas o en pruebas
destructivas. El nivel de default es el II

Magnitud del AQL (fraccin defectiva aceptable


en lotes)
Es la fraccin defectiva que se negoca entre
cliente y proveedor como aceptable en
aprox. Del 91 al 99% de las veces (1 alfa).
Alfa es el riesgo del proveedor y beta el del
consumidor
353

Tablas de muestreo MIL-STD


105E o ANSI Z1.4
Contempla tres tipos de muestreo:
Simple
Doble
Mltiple
En cada uno de los tipos se prevn los planes de
inspeccin:
Inspeccin normal
Inspeccin reducida
Inspeccin estricta

354

Tablas de muestreo MIL-STD


105E o ANSI Z1.4
Iniciando con Inspeccin normal, proporciona
informacin de:
Tamao de muestra n
Criterio de aceptacin
Aceptar con
Criterio de rechazo
Rechazar con
Contempla cambiar de Insp. Normal a Estricta si:
Se rechazan 2 de 5 lotes consectivos
Regresa a la Normal si se aceptan 5 lotes
consecutivos
Contempla cambiar a Insp. Reducida si:
Se han aceptado 10 lotes consecutivos
Regresa a Normal si se rechaza un lote

355

Tablas de muestreo MIL-STD


105E o ANSI Z1.4
Ejemplo: Si N = 2,000 y AQL = 0.65%, Nivel de
inspeccin II
La tabla I indica letra cdigo K
La tabla II-A para inspeccin normal indica el plan
de muestreo n = 125, Aceptar = 2, Rechazar = 3
La tabla IIB para inspeccin estricta indica el
plan de muestreo n = 125, Aceptar = 1, Rechazar
=2
La tabla IIC para inspeccin reducida indica el
plan de muestreo n = 50, Aceptar = 1, Rechazar =
3

356

Tablas de muestreo MIL-STD


105E o ANSI Z1.4
Buscar los planes equivalentes en curva CO para
muestreo doble y mltiple

Las tablas solo incluyen algunos valores de n que


se incrementan conforme al lote es mayor, sin
embargo la razn de N/n disminuye rpidamente
dando economa de inspeccin

Las flechas ascendentes y descendentes indican


cambio de letra y plan (n-c) dentro del mismo plan
de inspeccin Ejercicios
357

Planes de muestreo Dodge - Romig


Planes para proteccin en LTPD (lot tolerant percent
defective), o fraccin defectiva que se desea rechazar el
90% de las veces (Pa = 0.1) para componentes crticos
Es necesario conocer el LTPD y la fraccin defectiva
promedio del proceso p y el tamao de lote N
La p puede obtenerse de una carta p histrica con 25
lotes promediando los valores pi de las muestras
tomadas
Ejemplo: Si N = 5000, p = 0.25% de no conformes y
LTPD de 1%. Se obtiene de la tabla de LTPD

n = 770 y c = 4

358

Planes de muestreo Dodge Romig


Planes para proteccin en AOQL (average outgoing
quality limit) o mxima fraccin defectiva que se desea
ingresar a la empresa despus de aplicar un plan de
muestreo
Asumiendo N = 5000, AOQL = 3% y fraccin defectiva del
proveedor en sus lotes del 1%, se obtiene de la tabla:
n = 65 c = 3

LTPD = 10.3% (punto donde Pa=0.1)

Asumiendo que al 1% de fraccin defectiva, se acepta el


99% de las veces (AQL), entonces el ATI es:
ATI = n + (1-Pa)(N-n) = 65+(0.01)(5000-65) = 114.35

359

Muestreo por variables

360

Muestreo por variables


El parmetro de inters debe seguir una
distribucin normal
Una ventaja es que el tamao de muestra es ms
pequeo que en su equivalente por atributos
Una desventaja es que se requiere un plan por cada
caracterstica, el de atributos considera varias a la
vez
Para disear planes de muestreo por variables se
utiliza un Nomograma como en el caso de atributos

361

Muestreo simple por variables


Mtodo I Distancia k de X a Lim.
Esp.
Se define por su tamao de muestra n y el nmero de
aceptacin k distancia mnima de la media de la muestra
al lmite de especificacin LIE o LSE.
Se toma una muestra y se evala la caracterstica
obteniendo un valor de MEDIA y de DESVIACIN
ESTANDAR, con estos datos se determina Z y se compara
con el valor mnimo de K. El lote se acepta si |Z| >= k es
lo minimo que puede valer Z, porque en el momento mas
pequeo
es mas se acerca al limite de aceptacin
LIE
Conforme se

Recorre a la derecha
la fraccin defectiva
disminuye

Z = (LIE-Xm)/s

Posicin de la media en

Relacin con el lmite de


Especificacin inferior LIE

1.05 1.1 1.15

1.2 1.25

1.3

Dimensin X

362

Muestreo simple por variables


Mtodo I Distancia k de X a Lim.
Esp.
Pa es la probabilidad de aceptar un lote con
fraccin defectiva p con base en el plan de
inspeccin n-k
Pa

Curva caracterstica de

Operacin dado una

0.8

Tamao de muestra n

0.5

y un criterio de aceptacin k

0.3
0.1
0.05 0.1 0.15

0.2 0.25

0.3

p Prov.

363

Determinacin de la fraccin
defectiva en la muestra por el
Mtodo II
Pasos:
1.Se toma una muestra de tamao n
2. Se mide la caracterstica de inters
3. Se calcula la Media y la desv. Estandar de la muestra
4. Se determina el valor de Qi y Qs en funcin de especs. LIE, LSE
4. Se determina el valor de P(Qt) = P(Qi) + P(Qs) bajo la normal
LIE

LSE

Aceptar el lote
Si P(Qtot) <= M

Qs

Qi
s
P(Qi)

P(Qs)

364

Frmulas
QZ n

(n 1)

QLIE

X LIE
n /(n 1)

QLSE

LSE X

n /(n 1)

Buscar en tabla P(Q) para una n


365

Muestreo simple por variables


Mtodo II de M = fracc. Def.
mx.
Se define por su tamao de muestra n y el
nmero de aceptacin M mxima fraccin
defectiva aceptable en la muestra
Pa es la probabilidad de aceptar un lote con
fraccin defectiva p con base en el plan de
Pa
inspeccin
n-M
Curva caracterstica de

Operacin dado una

0.8

Tamao de muestra n

0.5

y un criterio de aceptacin M

0.3
0.1
0.05 0.1 0.15

0.2 0.25

0.3

p Prov.

366

Tablas de muestreo ASQC-Z1.9


Requiere informacin de (por cada caracterstica variable):
Tamao del lote
Nivel de inspeccin (especial o normal Default II)
Magnitud del AQL (fraccin defectiva aceptable en
lotes)
Contempla dos tipos de muestreo:
Mtodo I utilizando el valor de K
Mtodo II utilizando el valor de M
En cada uno de los tipos se prevn los planes de
inspeccin:
Inspeccin normal
Inspeccin reducida
Inspeccin estricta

367

Tablas de muestreo ASQCZ1.9


Iniciando con Inspeccin normal, proporciona
informacin de:
Tamao de muestra n
Criterio de aceptacin
K (mx) o M (mn)
Contempla cambiar de Insp. Normal a Estricta si:
Se rechazan 2 de 5 lotes consectivos
Regresa a la Normal si se aceptan 5 lotes
consecutivos
Contempla cambiar a Insp. Reducida si:
Se han aceptado 10 lotes consecutivos
Regresa a Normal si se rechaza un lote

368

Tablas de muestreo ANSI Z1.9


Ejemplo: Si N = 2,000 y AQL = 0.65%, Nivel de
inspeccin II
La tabla I indica letra cdigo K
La tabla II-A para inspeccin normal indica el plan
de muestreo n = 125, Aceptar = 2, Rechazar = 3
La tabla IIB para inspeccin estricta indica el plan
de muestreo n = 125, Aceptar = 1, Rechazar = 2
La tabla IIC para inspeccin reducida indica el
plan de muestreo n = 50, Aceptar = 1, Rechazar =
3

369

Tablas de muestreo ASQCZ1.9


Mtodo I con el valor de K

Ejemplo: Si N = 40 y AQL = 1%, Nivel de inspeccin II


teniendo un Lmite Superior de especificaciones LSE = 209

La tabla A-2 indica letra cdigo D

La tabla B-1 para inspeccin normal indica el plan de


muestreo n = 5, Criterio de aceptacin K = 1.52

Se toma una muestra de 5 mediciones (197, 188,


184, 205 y 201)

Calculando la media de la muestra es X = 195 y la


desv. Estndar s = 8.81, por tanto Z = 1.59

Conclusin: Como Z es mayor que K, se acepta el lote

370

Tablas de muestreo ASQCZ1.9


Mtodo
con el valor de M
Ejemplo:II
Si N = 40 y AQL = 1%, Nivel de inspeccin II
teniendo Lmite Superior de Especificaciones LIE = 180, LSE
= 209
La tabla A-2 indica letra cdigo D
La tabla B-3 para inspeccin normal indica el plan de
muestreo n = 5, Criterio de aceptacin M = 3.33%
Se toma una muestra de 5 mediciones (197, 188, 184,
205 y 201)
Calculando la media de la muestra es X = 195 y la desv.
Estandar s = 8.81, por tanto s = 1.59, Zi = 1.7
P(Zi) = 0.66%, P(Zs) = 2.19%, P(Zt) = 2.85%
Conclusin: Como P(Zt) es menor que M, se acepta el lote

371

Plan de muestreo para


asegurar la media del lote
Si deseamos aceptar lotes con una
probabilidad Pa siempre que tengan una
media mxima Xmedia histrica y que
deseamos rechazar los lotes el 90% de las
veces si llegan con una fraccin defectiva p
X A 0.30 X A 0.30

1.645 (95%)

0.10
n
n
X A 0.40
1.282 (10%)
0.10
n
n9
X A 0.356

372