Documente Academic
Documente Profesional
Documente Cultură
Calidad
Conceptos básicos y
variabilidad.
Pérdidas Pérdidas
• Valor nominal u objetivo= 22 cm
menores mayores
• Especificaciones o tolerancias= 22 ± .3 cm
• Límite inferior de especificación (LIE) = 21.7 cm
• Límite superior de especificación (LSE) = 22.3 cm
21.7 22.3
Se comporta de forma
exponencial en las pérdidas
Valor nominal
Características de calidad
Tendencia
Pérdidas ($)
Característica de calidad
Valor nominal
(Besterfield, 1995)
µˆ + 3σˆ x
Característica de calidad
µ̂
Línea central (LC)
µˆ − 3σˆ x
Límite inferior de control (LIC)
tiempo
B
C
LC
C
B
A
LIC
tiempo
Característica de calidad
A
Característica de calidad
B
B
C
C LC
LC C
C
B
B
A
A
LIC
LIC
tiempo
tiempo
Carlos Viesca González 27
Gráficas de control
Prueba # 4: Prueba # 5:
LSC
LSC
A
Característica de calidad
A
Característica de calidad
B
B
C
C LC
LC C
C
B
B
A
A
LIC
LIC
tiempo
tiempo
Carlos Viesca González 28
Gráficas de control
Prueba # 6: Prueba # 7:
Característica de calidad
A
Característica de calidad
B
B
C
C LC
LC C
C
B
B
A
A
LIC
LIC
tiempo
tiempo
Carlos Viesca González 29
Gráficas de control
Prueba # 8:
Ocho puntos consecutivos que no caigan en la zona C
LSC
A
Característica de calidad
B
C
LC
C
B
A
LIC
tiempo
x − µx σ
Z= σx =
σx n
LSC
La media cambia
LIC
1
ARL =
1− β
Entre más pequeño sea el ARL necesito menos
muestras para calcular el error tipo II
Donde:
( x − R)
Carlos Viesca González 46
Gráficas de medias y
rangos
LC = R
LSC = D4 R
LSC = D3 R
Carlos Viesca González 48
Gráficas de medias y
rangos
Gráfica de medias: antes de calcular
los límites es necesario que esté bajo
control la gráfica de rangos.
LC = x
LSC = x + A2 R
LSC = x − A2 R
Carlos Viesca González 49
Gráficas de medias y
rangos
σ = se puede obtener a partir de los
datos recopilados, pero generalmente
se obtiene de la información
proporcionada por la gráfica de un
proceso bajo control.
R
σˆ =
d2
Carlos Viesca González 50
Interpretación de gráfica
de rangos
Esta gráfica se debe analizar primero, ya
que el comportamiento de los promedios y
de los rangos de los subgrupos depende
de la variabilidad estimada de las piezas.
Se deben verificar las ocho pruebas
Verificar que no haya tendencias
(x − S)
Carlos Viesca González 53
Procedimiento para
elaborar una gráfica x - S
n Defina cuál será la característica de la
calidad: Otorgar la máxima prioridad a
aquellas variables o características medibles y
expresables mediante números y que causen
problemas en producción o costos.
n Escoja el subgrupo racional: Los elementos
que conformen cada subgrupo deberán de
haberse producido básicamente dentro de las
mismas condiciones.
Carlos Viesca González 54
Procedimiento para
elaborar una gráfica x - S
1. Recolectar los datos: Recoger información
de 25 subgrupos con más de 10 datos en cada
subgrupo. Regístrelos en una hoja de datos.
2. Calcular los promedios para cada
subgrupo
3. Calcular : dividiendo el total de los
promedios =de cada subgrupo por el número de
x
subgrupos.
∑ i
( x − x ) 2
S= i =1
n −1
Gráfica S:
Línea central: LC = S
Límite superior de control: LSC = B4 S
Límite inferior de control: LIC = B3 S
Gráfica x:
Línea central: LC = x
Límite superior de control: LSC = x + A3 S
LITN = x − 3σ LIE
x LSE LSTN = x + 3σ
Carlos Viesca González 71
Índices de capacidad del
proceso
Dónde:
LSTN = límite superior de tolerancia natural
LITN = límite inferior de tolerancia natural
LSE = límite superior de especificación
LIE = límite inferior de especificación
R
( x − R)
d 2
S =
S
( x − S)
c4
Carlos Viesca González 75
Límites de especificación o
tolerancias
Son característicos de una parte o
artículo determinado.
Están basados en consideraciones
funcionales.
Están relacionados con una medición de
una sola parte.
Carlos Viesca González 76
Límites de control de una
gráfica de control
Son característicos de un proceso determinado.
Están basados en la media y en la variabilidad de un
proceso.
Dependen de los parámetros de muestreo, como
tamaño de muestra y el riesgo alfa.
Se usan para identificar la presencia o ausencia de
causas especiales de variación en el proceso.
LSE − LIE
Cp =
6σ̂
± 4σ 64 ppm
± 5σ 6 partes en 10 millones
± 6σ Menos de 1 parte en 10
millones
* Considerando un proceso centrado y media fija
LSE − µˆ µˆ − LIE
Cpk = mínimo ,
3σˆ 3σˆ
( x − Rm )
Carlos Viesca González 85
Gráfica de observaciones
individuales y rangos móviles
R
LC = x LSC = x + 3
d2
R
LIC = x − 3
d2
Carlos Viesca González 88
CAPÍTULO 2.2
Gráficas para atributos:
p, np
C, U
Gráfica p
LC = p
p (1 − p )
LSC = p + 3
n
p (1 − p )
LIC = p − 3
n
Carlos Viesca González 97
Gráfica para la proporción
de piezas defectuosas
Para muestras variables:
LC = p =
∑ d i
∑n i
p (1 − p )
LSC = p + 3
n
p (1 − p )
LIC = p − 3
n
Carlos Viesca González 98
Interpretación
Para interpretar la gráfica p, se hace de la misma
manera que las otras gráficas, se debe:
Verificar que los puntos no excedan los límites de
control.
Los puntos se deben distribuir aleatoriamente dentro
de los límites de control.
No deben mostrar tendencias
Los puntos debe apareceren orden aleatorio en el
tiempo.
Carlos Viesca González 99
Gráfica para el número de
piezas defectuosas
Gráfica np
LIC = np − 3 np (1 − p )
Gráfica C
LC =
∑ c i
=c
k
LSC = c + 3 c
LIC = c − 3 c
Carlos Viesca González 108
Gráfica de número de
defectos por unidad
Gráfica U
x
u=
n
Carlos Viesca González 110
Gráfica de número de
defectos por unidad
Se utiliza para unidades de longitud, área,
volumen, etc.
n puede ser constante o variable.
Con n variable:
n promedio
Límites para cada n
Límites para ciertas n
Límites estandarizados
Carlos Viesca González 111
Gráfica de número de
defectos por unidad
ci
ui = dónde:
ni
i = 1,2 ,k
ci = #defectos
ni = tamaño de la muestra
u LIC = u − 3 u
LC = u LSC = u + 3
ni ni
Carlos Viesca González 112
CAPÍTULO 2.3
Gráficas CUSUM y EWMA
Ci = ∑ ( x j − µ o )
i
j =1
donde :
x j = media de una muestra u
observación individual.
µ o = valor objetivo
i
+
{
C = max 0, xi − ( µ o + k ) + C +
i −1 }
C i
−
= max{0, ( µ o − k ) − xi + C −
i −1 }
Carlos Viesca González 116
Construcción de una
gráfica CUSUM
El procedimiento se inicia haciendo:
+ −
C =C =0
o o
µ1 − µ o
k=
2
Carlos Viesca González 117
Construcción de una
gráfica CUSUM
El proceso está fuera de control si C+ o
C- exceden el valor de H, un valor
razonable para H es .5σ.
Para esta gráfica no se realizan las 8
pruebas, ya que los datos dependen
unos de otros.
Carlos Viesca González 118
Construcción de una
gráfica CUSUM
Cuando el ajuste que se debe hacer en el
proceso tiene por objetivo hacer que la media
regrese al valor objetivo puede ser útil
estimar la media actual del proceso.
Ci+
µ o + k + + ,
+
si C > H
i
Ni
µˆ = +
µ o − k − Ci , −
si C > H
Ni+ i
zi = λxi + (1 − λ ) zi −1
donde:
0< λ ≤1 es una constante
El valor de inicio (que se requiere con la primera muestra
cuando i = 1) es el objetivo del proceso, con lo cual z0 = µ0
En ocasiones z0 = promedio de los datos preliminares
LC = µ0
LIC = µ0 − Lσ
λ
2−λ
[1 − (1 − λ ) ]
2i
Errores de inspección:
En la implantación de un muestreo de
aceptación se supone que el inspector
sigue el plan de muestreo que debe aplicar
y que la inspección se hace sin errores.
Etapa de madurez
tiempo
3. Etapa de reemplazo.
1.- periodo 2.- Etapa de 3.- envejecimiento
inicial madurez
tiempo
∫ f (t )dt = 1
−∞
Carlos Viesca González 182
Tiempo entre fallas
F(t)= función de probabilidad o densidad
acumulada (probabilidad de que un producto
falle hasta antes del tiempo t)
t
F (t ) = P( T < t ) = ∫ f (t )dt
−∞
Z (t ) = f (t )
= 1 − F ( z)
− λt 1 −t µ
f (t ) = λe = e ; t >0
µ
Carlos Viesca González 188
Funciones de probabilidad
exponencial
λ = número de fallas por ud. de tiempo.
µ = tiempo medio por fallas (MTBF) o
tiempo medio para fallas.
1 1
λ= ⇒ µ=
µ λ
tasa de fallas = z (t ) = λ
Carlos Viesca González 189
Funciones de probabilidad
exponencial
λ 1
f(t) R(t)
tiempo tiempo
R (t ) = 1 − F (t ) = P (T > t )
Carlos Viesca González 191
Funciones de probabilidad
exponencial
Tasa de fallas
Z(t)
tiempo
t t t
−1
P(T ≤ t ) = ∫ f (t )dt = ∫ λe −λt dt = λ e −λt
0 0 λ 0
[ ]
F (t ) = P (T ≤ t ) = −1 e −λt − 1 = 1 − e −λt prob. falla
∞
[ ]
R(t ) = P (T > t ) = ∫ λe −λt dt = 1 − 1 − e −λt = e −λt confiabilidad
t
Carlos Viesca González 192
Funciones de probabilidad
Normal:
Esta distribución puede representar situaciones en
las cuales no se presentan fallas durante un
periodo de tiempo, y repentinamente muchas o
todas las pzas. comienzan a fallar, alrededor de
cierto tiempo que coincide con la media µ.
f(t) f(t)
tiempo tiempo
(t − µ )2
−. 5
σ
e
f (t ) = ; t > 0, µ > 0, σ > 0
σ 2π
Carlos Viesca González 195
Funciones de probabilidad
normal
Tasa de fallas
Z(t)
tiempo
t−µ
R (t ) = 1 − f ( z ) ; z=
σ
Carlos Viesca González 196
Funciones de probabilidad
Weibull:
Esta distribución es la más utilizada en
estudios de confiabilidad, ya que puede
modelar casi cualquier situación ya sea en
periodos con tasa creciente, constante o
decreciente.
m −1
m t − to
Z (t ) =
θ θ
Carlos Viesca González 198
Funciones de probabilidad
weibull
Confiabilidad:
− ( t −t o ) m
θ
R (t ) = e
La media es:
1
µ = MTTF = MTBF = to + θ Γ1 +
m
Γ(v) = función gamma de v
Γ(v) = vΓ(v − 1)
Carlos Viesca González 199
Funciones de probabilidad
weibull
Los parámetros de la distribución son:
m: representa la forma de la distribución
θ : representa la magnitud de la media
m =.5
m =1
f(t)
m =2
m =4
θ 2θ
m =.5
m =1
R(t)
m =2
m =4
θ 2θ
m =.5
m =1
Z(t)
m =2
m =4
θ 2θ
n
λs = ∑λi
i =1
1
MTBF = n
∑λ
i =1
i
( )
n
−λi t
R p (t ) = 1 − Π 1 − e
i =1
si toda λi es igual ∨ λi entonces :
(
R p (t ) = 1 − 1 − e −λt n
)
1 1 1 1
MTBF = 1 + + + +
λ 2 3 n
Carlos Viesca González 206
Pruebas de vida
fallas observadas
En base a fallas observadas se selecciona de un
lote una muestra aleatoria de n pzas y es
sometida a pruebas bajo condiciones
ambientales determinadas, observándose los
tiempos de falla de los componentes individuales,
los tiempos de falla observados son:
t1 ≤ t 2 ≤ t3 ≤ ≤ t r
Carlos Viesca González 207
Pruebas de vida
fallas observadas
Si el tamaño de la muestra es n, la vida
acumulada por las uds probadas hasta la falla
r, sera Tr. Si en la prueba se reemplazan los
elementos que fallan, entonces:
Tr = nt r
Carlos Viesca González 208
Pruebas de vida
fallas observadas
Si las piezas que fallan no se reemplazan,
entonces: r
Tr = ∑ ti + ( n − r )t r
i =1
Tk = nT
β −1 1−γ
β
β t −γ
f (t ) = α
e
, t ≥γ
α α
1 −t α
f (t ) = e ; α=µ
α