Sunteți pe pagina 1din 158

1

Capacidad de Procesos segn ISO 9000 Ingo Angel Francisco Arvelo

2
Capacidad de Procesos segn ISO 9000 Ingo Angel Francisco Arvelo

EVALUACION DE LA CAPACIDAD DE CALIDAD DE UN PROCESO INDUSTRIAL


METODOS ESTADISTICOS SUGERIDOS POR LA NORMA ISO 9000

ANGEL FRANCISCO ARVELO L. Ingeniero Industrial Master en Estadstica Matemtica

CARACAS, MARZO de 1997

3
Capacidad de Procesos segn ISO 9000 Ingo Angel Francisco Arvelo

ANGEL FRANCISCO ARVELO LUJAN


Angel Francisco Arvelo Lujn es un Profesor Universitario Venezolano en el rea de Probabilidad y Estadstica, con ms de 40 aos de experiencia en las ms reconocidas universidades del rea metropolitana de Caracas. Universidad Catlica Andrs Bello : Profesor Titular Jubilado 1970 a 2003 Universidad Central de Venezuela: Profesor por Concurso de Oposicin desde 1993 al presente Universidad Simn Bolvar: Profesor desde 2005 al presente Universidad Metropolitana: Profesor desde 1973 a 1987 Universidad Nacional Abierta: Revisor de contenidos, desde 1979 hasta 2004 Sus datos personales son : Lugar y Fecha de Nacimiento: Caracas, 16-02-1947 Correo electrnico: angelf.arvelo@gmail.com Telfono: 58 416 6357636 Estudios realizados: Ingeniero Industrial. UCAB Caracas 1968 Mster en Estadstica Matemtica CIENES , Universidad de Chile 1972 Cursos de Especializacin en Estadstica No Paramtrica Universidad de Michigan 1982 Doctorado en Gestin Tecnolgica: Universidad Politcnica de Madrid 2006 al Presente El Profesor Arvelo fue Director de la Escuela de Ingeniera Industrial de la Universidad Catlica Andrs Bello (1974-1979) , Coordinador de los Laboratorios de esa misma Universidad especializados en ensayos de Calidad, Auditor de Calidad, y autor del libro Capacidad de Procesos Industriales UCAB 1998. En numerosas oportunidades, el Profesor Arvelo ha dictado cursos empresariales en el rea de Estadstica General y Control Estadstico de Procesos. Una mayor informacin pueden ser obtenidos en la siguiente pgina web: www.arvelo.com.ve

4
Capacidad de Procesos segn ISO 9000 Ingo Angel Francisco Arvelo

PROLOGO
La actual crisis econmica por la que atraviesa nuestro pas , con la consecuente prdida en la capacidad de compra de los consumidores, ha trado como consecuencia que muchas empresas industriales vean en la exportacin una salida para su desarrollo. Sin embargo, a la hora de tratar de penetrar los mercados internacionales, nuestras empresas se han encontrado con la dificultad de que all, las normas de calidad son mucho ms exigentes, y de obligatorio cumplimiento. As por ejemplo, el cumplimiento de las clusulas establecidas en la Norma ISO9000 y sus anexos, ya es un requisito mundialmente exigido para cualquier empresa industrial o de servicios, que pretenda competir en los mercados de los pases desarrollados. Con el objeto de garantizarle a los consumidores y usuarios, que las empresas productoras y de servicios tienen un sistema de aseguramiento de la calidad, y que dicho sistema es permanente en el tiempo, ha aparecido la figura de las llamadas "Auditoras de Calidad" , en donde un agente externo a la empresa certifica ante terceros , la existencia de este sistema de aseguramiento de la calidad, y que la empresa responder ante el consumidor frente a cualquier problema derivado de la produccin de alguna pieza defectuosa , o de alguna falla en la prestacin del servicio. Aunque las clusulas previstas en la norma ISO - 9000 , son de un carcter bastante general, y estn enfocadas exclusivamente hacia el sistema y no hacia el producto, algunas de ellas hacen mencin a la necesidad de que la empresa cuente con la existencia de mtodos estadsticos para el control de calidad, y sugiere la implantacin de tcnicas de muestreo para detectar a tiempo la aparicin de cualquier tipo de fallas . La aplicacin de mtodos de muestreo en la industria venezolana, ya era conocida an antes de la aparicin de la Norma ISO-9000, y as desde hace ya muchos aos , COVENIN adopt los planes de muestreo por atributos , conocidos como "Tablas Militares 105-D" , como normas venezolanas. Sin embargo, adems de los planes de muestreo, otra evaluacin muy importante en las auditoras de calidad, son los llamados estudios de capacidad o de habilidad de procesos, los cuales requieren de una metodologa estadstica.

5
Capacidad de Procesos segn ISO 9000 Ingo Angel Francisco Arvelo

As por ejemplo, la Norma Venezolana Covenin 9004-90, en donde se dan los lineamientos para la "Gestin de Calidad", establece textualmente en su Ttulo N 10 "Calidad en Produccin" , Seccin 10.2 " Capacidad del Proceso", lo siguiente: A los procesos de produccin se les debe verificar su capacidad para producir de acuerdo con las especificaciones establecidas para el producto. Deben ser identificadas las operaciones asociadas con las caractersticas del producto o proceso, que puedan tener efectos significativos sobre la calidad del producto. Se debe establecer un control apropiado para asegurar la permanencia de estas caractersticas dentro de las especificaciones y que se hayan realizado los cambios y modificaciones apropiadas. La verificacin de los procesos de produccin debe incluir la revisin de los procedimientos relativos a material, equipo , sistemas de computacin , procedimientos y el personal involucrado . El concepto de capacidad de procesos se refiere fundamentalmente a la disposicin que tiene el proceso para cumplir con las especificaciones que le son impuestas por las normas, y as por ejemplo , si el proceso presenta un alto grado de variabilidad y las especificaciones son muy estrechas, entonces generar un alto porcentaje de piezas defectuosas , es decir fuera de especificacin . Si por el contrario, el proceso es muy preciso, y fabrica piezas con poco margen de variabilidad, entonces con calibraciones adecuadas, se podr lograr que la totalidad de las piezas caigan dentro de las especificaciones exigidas, y el proceso se denominar capaz. Un proceso "capaz" es entonces, aquel que puede cumplir a cabalidad con los requisitos de calidad impuestos por las especificaciones. El concepto de capacidad de procesos no es nuevo en los textos de "Control Estadstico de Calidad " , pero si es una novedad dentro del medio industrial venezolano. De hecho , antes de la aparicin de la Norma ISO-9000 , solo era puesto en prctica por un limitado nmero de industrias , tales como las petroleras , la industria automotriz , y algunas transnacionales. El objetivo del presente trabajo, es presentar de una manera clara y precisa, la metodologa estadstica necesaria para estimar la capacidad de cualquier proceso industrial que deba someterse a ciertas especificaciones externas, y puede ser de utilidad tanto para la empresa a fin de autoevaluarse, como para el auditor externo . La metodologa que aqu se presenta no es propia, de hecho aparece dispersa en buena parte de los textos de "Control Estadstico de Calidad". Considero que mi

6
Capacidad de Procesos segn ISO 9000 Ingo Angel Francisco Arvelo

principal contribucin es organizarla, y presentarla de una manera didctica, a fin de que pueda ser fcilmente utilizada por las personas relacionadas con el tema. Dado que la metodologa aqu descrita requiere conocimientos bsicos de Estadstica, Probabilidades e Inferencia Estadstica, es conveniente que las personas responsables de aplicarla , repasen los conceptos fundamentales de tales asignaturas, puesto que algunos de ellos como el clculo de ciertos estadsticos muestrales de deformacin y de curtoss, o el manejo de tablas normales , y pruebas de hiptesis, se suponen ya conocidos. He tratado de desarrollar la metodologa conciliando dos aspectos: el prctico y el acadmico. El aspecto prctico es sumamente importante puesto que este trabajo est dirigido a personas del medio industrial, a quienes les interesa principalmente el aspecto metodolgico, con el fin de evaluar su proceso. El aspecto acadmico es tambin para m sumamente importante, ya que dada mi condicin de Profesor Universitario , actividad a la que he dedicado gran parte de mi vida profesional por ms de 26 aos , no me sentira satisfecho si me limitara a dar un "recetario" de frmulas y procedimientos, sin justificacin terica alguna. Para conciliar estos dos aspectos decid dividir el trabajo en cinco captulos; los cuatro primeros se refieren exclusivamente a aspectos de carcter prctico que constituyen la esencia de la metodologa, y en el quinto captulo se da el fundamento terico de la misma. En lo personal, considero que el Capitulo V es junto con la sntesis de la metodologa , el gran aporte de este trabajo , ya que en los textos de Control de Calidad no aparece la justificacin de muchos procedimientos , como la deduccin de los coeficientes para construir los grficos de control , o los coeficientes para estimar la desviacin tpica del proceso a partir del rango medio, etc., y cuyas demostraciones han sido desarrolladas por m , con la ayuda de tcnicas de Estadstica Matemtica . Sinceramente espero que el presente trabajo sea una contribucin para el desarrollo del sector industrial venezolano, de utilidad para las personas relacionadas con el Control Estadstico de Calidad, y para aquellos estudiantes y profesionales interesados en conocer el porque de las cosas.

EL AUTOR

7
Capacidad de Procesos segn ISO 9000 Ingo Angel Francisco Arvelo

CAPITULO I :

DISTRIBUCION NORMAL Y CAPACIDAD DE PROCESOS INDUSTRIALES .

La curva normal es la ms importante de las distribuciones estadsticas, y representa un modelo terico de comportamiento para una variable aleatoria continua X, cuya funcin de densidad de probabilidad viene dada por la ecuacin:
(x - ) 2 e 2
2

f ( x)

1 2

; - <x< >0

- <<

En la expresin anterior , "" y " " representan los parmetros de la distribucin , que reciben el nombre de media y desviacin tpica respectivamente ,y definen en realidad una familia, pues al tomar diferentes valores obtendremos una nueva curva . Los parmetros de la curva tienen una influencia determinante en su geometra, y as , el parmetro "" representa el eje de simetra o valor central de la distribucin, mientras que el parmetro " " , por ser una medida de la variabilidad en los valores de "X" con respecto a la media "" , incide en su ancho ; de manera que a un menor valor de " " ,la curva se hace ms estrecha al estar los valores de la variable ms concentrados alrededor del valor de "" , y a un mayor valor de " " obtendremos una curva ms ancha, con una mayor dispersin de los valores de la variable con relacin a la media. Uno de los principales objetivos del Control Estadstico de Calidad es conocer los parmetros con que el proceso est produciendo las piezas , pues mediante su conocimiento se podr determinar si se est en capacidad de cumplir con las especificaciones que le son exigidas al producto, y obviamente en la medida en que la desviacin tpica del proceso se reduzca, se obtendr un proceso ms estable y un producto ms homogneo. VARIABILIDAD DE LOS PROCESOS INDUSTRIALES La Teora de Control Estadstico de Calidad establece que en todo proceso industrial existen dos tipos de causas de variabilidad, que se conocen como comunes y asignables. Las causas comunes constituyen la suma de los efectos de un conjunto total de causas aleatorias no controlables, que producen una variacin en la calidad del producto manufacturado, y que son semejantes al conjunto de fuerzas que dan lugar a que una moneda caiga de uno u otro lado cuando es lanzada al aire. Con respecto a estas causas comunes, es poco lo que se puede hacer para reducirlas, debido a que son inherentes al proceso, a la precisin de las

8
Capacidad de Procesos segn ISO 9000 Ingo Angel Francisco Arvelo

mquinas, etc. La desviacin tpica " " de la curva, es justamente el reflejo de la variabilidad debida a estas causas aleatorias. Las causas asignables por el contrario, son debidas a la presencia de algunos factores que perturban el proceso, y que por s solos son capaces de explicar en gran medida la variabilidad en la calidad del producto. Entre estas causas podran ser citadas como ejemplo, diferencias entre las mquinas, diferencias entre los operarios, diferencias entre los materiales, etc. El Control Estadstico de Procesos supone que si se estudia un grupo de datos y se encuentra que se ajustan a una Distribucin Normal, entonces no existen causas asignables, y se dice que el proceso est bajo control estadstico debido a que es posible pronosticar con un alto grado de certeza su variabilidad . Por el contrario, cuando los datos obtenidos del proceso no se ajustan a la Normal, se dice que estn actuando una o ms causas asignables, y que el proceso est fuera de control. De lo anterior se deduce entonces que el punto de partida o axioma de la Teora de Control Estadstico de Procesos es que cuando no actan causas asignables, el proceso se comporta segn una Distribucin Normal, y que la variabilidad observada es simplemente aleatoria. PROPIEDADES DESCRIPTIVAS DE LA DISTRIBUCION NORMAL Cuando se tiene un conjunto de datos provenientes de un proceso industrial, es importante reconocer si su comportamiento es o no normal, a fin de poder identificar causas comunes y causas asignables. A continuacin se enuncian una serie de propiedades que tiene la curva normal, y se sealan algunos procedimientos prcticos que permiten verificar si desde un punto de vista descriptivo es razonable suponer la normalidad del proceso. En el captulo siguiente se trataran en detalle las pruebas de ajuste, que son las que en definitiva permitirn aceptar o rechazar la hiptesis de normalidad. 1) La curva normal tiene una forma acampanada y es simtrica respecto de su media. Para verificar la forma acampanada de los datos basta con construir el histograma de frecuencias para los datos agrupados, y comprobar que la clase modal se ubica en el zona central de la grfica y que a medida que nos alejamos de ella, en cualquiera de las dos direcciones la frecuencia disminuye. Para verificar la simetra respecto de la media, es necesario calcular las diferentes medidas de deformacin las cuales deben dar cero. Las principales medidas de deformacin son: Coeficiente momento de sesgo. Coeficiente percentlico de sesgo. Coeficiente cuartlico de sesgo.

9
Capacidad de Procesos segn ISO 9000 Ingo Angel Francisco Arvelo

2) En la Distribucin Normal, la media, la mediana y la moda coinciden.

Para verificar esta propiedad, basta con calcularle a la muestra agrupada, estos tres estadsticos muestrales, y comprobar que el resultado de estos clculos dan cifras muy cercanas. 3) En el intervalo ( ) deben caer el 68,27% de los datos muestrales , en el intervalo ( 2 ) deben caer el 95,45% de los datos muestrales , y en el intervalo ( 3 ) deben caer el 99,73% de los datos muestrales .

El valor estimado del parmetro "" es la media de la muestra , y el de " " la desviacin tpica muestral , y para verificar que la muestra satisface estos porcentajes, es necesario calcular el puesto percentil correspondiente a cada extremo del intervalo ,a fin de hallar el porcentaje de observaciones que se encuentran por debajo de cada extremo, y finalmente restar dichos porcentajes. 4) La Distribucin Normal es una curva mesocrtica, para la cual el coeficiente momento de curtosis vale 3 , y el coeficiente percentlico de curtosis vale 0,263.*1 En el capitulo V , sobre Fundamentos Tericos de la metodologa ,se encuentra la demostracin de estas propiedades. Ejemplo Prctico: Supongamos que al tomar una muestra de 250 botellas de refresco y analizar sus contenidos, se agruparon las observaciones en intervalos de 5 cc de amplitud , dando lugar a la siguiente distribucin de frecuencias:
11

Para una mayor explicacin sobre estos conceptos estadsticos bsicos, y su metodologa de clculo, el lector puede consultar algunos textos de Estadstica tales como : Estadstica de Murray R. Spiegel, o Estadstica para las Ciencias Administrativas de Lincoln L. Chao , ambos de la Editorial Mac. Graw Hill

10
Capacidad de Procesos segn ISO 9000 Ingo Angel Francisco Arvelo

Contenido ( cc ) Frecuencia 190 - 195 9 195 - 200 29 200 - 205 47 205 - 210 72 210 - 215 51 215 - 220 30 220 - 225 12 Para hacer un tratamiento descriptivo de estos datos procedemos como sigue: 1) En primer lugar se dibuja un Histograma de frecuencias:

2) A continuacin , se estiman los parmetros de la distribucin:


i=k

L* fi i

= Media Muestral = X =

i=1 i k

fi
i 1
i k

i k

2 =Varianza Muestral = S =

(L
i 1

* i

X) f i
=
i 1

(L*i ) 2 fi
i k

nX 2

i k

fi 1
i 1

fi 1
i 1

11
Capacidad de Procesos segn ISO 9000 Ingo Angel Francisco Arvelo

En donde: Li* = Marca de Clase del intervalo "i" fi = Frecuencia del intervalo "i" . k= Nmero de intervalos .
i k

n=
i 1

f i = Nmero total de datos

Es conveniente organizar los clculos en la siguiente tabla: Intervalo L i* fi L i* f i (Li*)2.fi 190 - 195 192.50 9 1732.50 333506.25 195 - 200 197.50 29 5727.50 1131181.25 200 - 205 202.50 47 9517.50 1927293.75 205 - 210 207.50 72 14940.00 3100050.00 210 - 215 212.50 51 10837.50 2302968.75 215 - 220 217.50 30 6525.00 1419187.50 220 - 225 222.50 12 2670.00 594075.00 Totales 250 51950.00 10808262.5 Sustituyendo obtenemos: = X =

51950,00 . = 207,80 250 2 2 2 = S = (10.808.262,50) (250)(207,80) = 52,21 249

= S = 7,23

Aclaratoria: Uno de los problemas importantes que se estudia en Inferencia Estadstica es el de estimacin, que trata sobre la metodologa a seguir para inferir el valor desconocido de un parmetro poblacional a partir del estadstico muestral. Usualmente los parmetros poblaciones se designan con letras griegas, mientras que sus correspondientes estimadores con letras latinas. As por ejemplo representa a la media poblacional, mientras que X a la media muestral que es su estimador. Cuando esta nomenclatura se aplica sobre la varianza, se obtiene que la varianza poblacional
i N

( xi
designada por
i n
2

)2
; mientras que la muestral :

,viene dada por :

i 1

( xi S2
i 1

X) 2
. Sin embargo, en Inferencia Estadstica se demuestra que un mejor
i n

n
2 2

( xi
estimador de es:

X) 2
, y recibe el nombre de cuasi varianza muestral .

S2 c

i 1

n 1

Es un estimador Insesgado. Vanse textos de Inferencia Estadstica .

12
Capacidad de Procesos segn ISO 9000 Ingo Angel Francisco Arvelo

Como la diferencia en la estimacin, entre uno y otro es realmente muy pequea especialmente para muestras grandes y adems S c es mejor estimador por ser insesgado , muchos autores definen de una vez a S c como varianza muestral y omiten definir al otro. Tal es el caso del control estadstico de calidad en donde ha hecho ya costumbre definir a la varianza muestral
i n

(xi
como S
2 i 1

X)2

n 1

3) Como siguiente paso se verifica que la mediana y la moda coinciden con la media. La mediana se calcula mediante como un caso particular de percentiles. n p Fi 1 100 c La frmula general para calcular un percentil es : Pp L i 1 fi Pp= Percentil "p" Li-1 = Lmite inferior del intervalo donde se encuentra Pp Fi-1 = Frecuencia acumulada hasta el intervalo anterior . fi = Frecuencia del intervalo donde se encuentra Pp. c = Amplitud de los intervalos de clase .
i k

n= Tamao de muestra =
i 1

fi

Para identificar el intervalo donde cae la mediana, construimos la tabla acumulada de frecuencias: Contenido ( cc ) fi Fi 190 - 195 9 9 195 - 200 29 38 200 - 205 47 85 205 - 210 72 157 210 - 215 51 208 215 - 220 30 238 220 - 225 12 250 Aqu vemos que la mediana cae en el cuarto intervalo , pues en el intervalo donde la frecuencia acumulada sobrepasa el valor 125 , que representa la mitad de los datos. Haciendo p=50 , se halla la mediana, y resulta ser:

Mediana = P50 = 205

250 50 100 72

85 5 = 207,78
1 1 2

El clculo de la moda se hace por la expresin siguiente: Moda = Li

13
Capacidad de Procesos segn ISO 9000 Ingo Angel Francisco Arvelo

Li = Lmite inferior de la clase modal . 1= Diferencia de frecuencias a la izquierda de la clase modal . 2= Diferencia de frecuencias a la derecha de la clase modal . c = Amplitud de los intervalos de clase . Para este caso, la clase modal es la cuarta, y se tiene: 25 Moda 205 5 = 207,72 25 21 Los tres estadsticos muestrales calculados moda, mediana y media resultaron ser entonces 207,72 , 207,78 y 207,80 respectivamente , lo que refleja un comportamiento muy cercano al modelo normal . 4) Para verificar que se cumplen los porcentajes tericos dados por la curva normal , se procede a definir los intervalos ( ) , ( 2 ) y ( 3 ) , en base a las estimaciones obtenidas . Intervalo ( ) = 207,80 7,23 = [200,57 ; 215,03] Intervalo ( 2 ) = 207,80 2 (7,23 ) = [193,34 ; 222,26] Intervalo ( 3 ) = 207,80 3 (7,23) = [186,11 ; 229,49] Para calcular el porcentaje de observaciones muestrales que caen en cada uno de estos intervalos, se aplica la frmula del Puesto Percentil "p" , que da el porcentaje de observaciones menores o iguales que un lmite Pp. 100 Pp Li 1 p Fi 1 fi n c p = Porcentaje de observaciones menores iguales o menores que Pp. Li-1= Lmite inferior del intervalo donde se encuentra Pp. Fi-1 = Frecuencia acumulada hasta el intervalo anterior. fi = Frecuencia del intervalo donde se encuentra Pp. c = Amplitud de los intervalos de clase . n= Tamao de muestra. De la tabla de frecuencias acumuladas, ya encontrada anteriormente, se tiene: 100 215,03 215 208 30 = 83,27 % Para Pp= 215,03 : p1 250 5

100 200,57 200 38 47 = 17,34 % 250 5 En consecuencia, el porcentaje de observaciones que corresponde al intervalo [200,57 ; 215,03] es: 87,27% - 17,34 % = 65,93 % .
Para Pp= 200,57 : p2 = Para el segundo intervalo: 100 Para Pp= 222,26 : p1 = 250

238

222,26 220 12 = 97,37 % 5

14
Capacidad de Procesos segn ISO 9000 Ingo Angel Francisco Arvelo

Para Pp= 193,34 : p2 =

100 250

193,34 190 9 = 2,40 % 5

Porcentaje en el segundo intervalo = 97,37 - 2,40 = 94,97% Para el tercer intervalo el 100% de las observaciones muestrales caen en l. Los resultados obtenidos estn bastante prximos a los tericos, lo que se interpreta como un nuevo sntoma de normalidad para la poblacin de donde proviene esta muestra . 5) Para verificar ahora la simetra de los datos, se precisa encontrar las diferentes medidas de deformacin. La primera de ellas es el coeficiente momento de sesgo "a 3", que se calcula por m3 la expresin: a3 . S3
i k

(L* i

X) 3 fi fi

m3 = Tercer momento muestral respecto de la media =

i 1 i k i 1

El clculo de m3 se hace elaborando la siguiente tabla , teniendo en cuenta que X = 207,80 . Contenido Li* fi Li*- X (Li*- X )3.fi 190 - 195 192.50 9 -15.3 -32234.193 195 - 200 197.50 29 -10.3 -31689.083 200 - 205 202.50 47 -5.3 -6997.219 205 - 210 207.50 72 -0.3 -1.944 210 - 215 212.50 51 4.7 5294.973 215 - 220 217.50 30 9.7 27380.190 220 - 225 222.50 12 14.7 38118.276 Total 250 -129 Por tanto: m3 =

129 0.52 = -0.52 , y a3 = = - 0.001 250 (7.23)3

Una segunda medida de deformacin es el coeficiente percentlico de sesgo, que se determina por la expresin: P90 2 P50 P10 Coeficiente de sesgo percentilico = P90 P10 P90 = Percentil 90 P50= Percentil 50 = Mediana P10 = Percentil 10

15
Capacidad de Procesos segn ISO 9000 Ingo Angel Francisco Arvelo

Para el caso en cuestin, la Mediana ya se calcul y resulto ser 207,78 ; falta calcular el Percentil 10 y el 90 , por la frmula general para el clculo de percentiles, obtenindose: 25 9 5 = 197,76 P10 = 195 29 225 208 5 = 217,83 P90 = 215 30
217,83 2 207,78 197,76 = 0,0015 217,83 197,76 Una tercera medida de deformacin es el coeficiente cuartlico de sesgo, que se determina por la expresin: Q3 2 Q2 Q1 Coeficiente de sesgo cuartlico = Q3 Q1 187.50 157 5 = 212.99 Q3 = P75 = Tercer Cuartil = Percentil 75 = 210 51 Q2 = P50 = Segundo Cuartil = Percentil 50 = Mediana = 207.78 62.5 38 5 = 202.61 Q1 = P25 = Primer Cuartil = Percentil 25 = 200 47 212.99 2 207.78 202.61 Coeficiente de sesgo cuartlico = = 0.004 212.99 202.61 Las tres medidas de deformacin dan un resultado casi nulo, lo que se interpreta como una simetra casi perfecta de los datos, lo que revela otra coincidencia con la Distribucin Normal.

Coeficiente de sesgo percentlico =

6) Un ltimo paso para verificar la normalidad de los datos, desde un punto de vista descriptivo es calcular las medidas de apuntamiento, como lo son el coeficiente momento de curtosis , y el el coeficiente percentlico de curtosis, las cuales tienen para la Distribucin Normal , un valor terico de 3 y de 0,263 respectivamente. ( Vase la demostracin en el Captulo de Fundamentos Tericos) . m4 El coeficiente momento de curtosis a4 se calcula por la expresin: a4 = 4 S
i k

(L* i

X) 4 fi fi

Donde: m4 = Cuarto momento muestral respecto de la media =

i 1 i k i 1

El clculo de m4 se hace a travs de la siguiente tabla , teniendo en cuenta que X = 207,80 .

16
Capacidad de Procesos segn ISO 9000 Ingo Angel Francisco Arvelo

Contenido

Li*

fi 9 29 47 72 51 30 12 250

Li*- X -15.3 -10.3 -5.3 -0.3 4.7 9.7 14.7

(Li*- X )4 fi 493183.153 326397.555 37085.2607 0.5832 24886.3731 265587.843 560338.657 1707479.43

190 - 195 192.50 195 - 200 197.50 200 - 205 202.50 205 - 210 207.50 210 - 215 212.50 215 - 220 217.50 220 - 225 222.50

En consecuencia : m4 =

1707.479,43 . = 6.829,92 250


6.829,92 (7.23)4
= 2.50 " es:

y el coeficiente momento de curtosis: a4 =

La expresin para calcular el coeficiente percentlico de curtosis "


1 (Q 3 Q1) 2 = P90 P10

Coeficiente Percentlico de Curtosis =

Anteriormente ya haban sido calculados los cuartiles, y los percentiles 10 y 90 , obteniendo : Q3 = 212.99 ; Q1 = 202.61 ; P10= 197.76 ; P90 = 217.83
1 ( 212.99 202.61) 2 = = 0.2586 217.83 197.76

Reemplazando:

De los resultados obtenidos concluimos que la curva obtenida es ligeramente menos puntiaguda que la normal ( Curva Planticrtica) , puesto que ambos coeficientes resultaron ligeramente menores a los tericos dados por la curva normal . Es muy frecuente que en el anlisis descriptivo de los datos, se encuentren situaciones como sta , en donde los resultados muestrales se alejan ligeramente

17
Capacidad de Procesos segn ISO 9000 Ingo Angel Francisco Arvelo

de los tericos dados por la Curva Normal , y de all la importancia de las Pruebas de Ajuste a la Normalidad , que se analizan en el captulo siguiente, a fin de evaluar si tales diferencias son o no significativas.

CONCEPTO DE CAPACIDAD DE UN PROCESO INDUSTRIAL El hecho de que un proceso industrial se encuentre bajo control estadstico no significa que va a producir artculos de calidad, lo que significa es simplemente que sobre su variabilidad estn actuando solamente causas comunes , y es perfectamente posible que a pesar de hallarse bajo control, este margen de variabilidad sea tan amplio que le impida cumplir con las especificaciones exigidas por el consumidor . Para poder controlar la calidad deben existir unas especificaciones, que son los lmites entre los cuales debe caer una determinada caracterstica cuantitativa para que se considere que el producto satisface los requisitos de calidad; as por ejemplo, cuando se exige que un eje debe tener un dimetro de (100.00 0.25) mm , esto significa que su dimetro debe caer en el intervalo (99.75 ; 100.25) mm para que cumpla con este requisito de calidad. Estos lmites del intervalo definen lo que se denominan las especificaciones, y sus extremos, reciben el nombre de "lmite inferior de especificacin" y "lmite superior de especificacin" , que en lo sucesivo se designaran por "Li " y "LS " respectivamente . La diferencia entre esos lmites se define como la tolerancia: T = LS -Li Resulta obvio que cuanto mayor sea la tolerancia de un producto, ms fcil le resultar al proceso cumplir con las exigencias de calidad, puesto que el producto permite una mayor variabilidad; pero por el contrario, cuanto ms pequea sea la tolerancia, es ms difcil cumplir puesto que el margen de variabilidad es ms estrecho, y por tanto ms exigente. Hemos visto, que cuando un proceso est bajo control estadstico, los productos que fabrica se comportan segn un modelo normal, y que entre los lmites "-3 " y "+3 " , debe caer entonces el 99.73% de la produccin. De all entonces, que resulte conveniente que un proceso trate de ubicarse entre estos lmites, a fin de garantizar que la casi totalidad de la produccin va a cumplir con la especificacin. Por otra parte, hay que tener en cuenta que los parmetros "" y " " del proceso constituyen una caracterstica propia del mismo . Su media "" generalmente puede ser fijada a voluntad, segn ciertos ajustes y calibraciones que se le hagan

18
Capacidad de Procesos segn ISO 9000 Ingo Angel Francisco Arvelo

a las mquinas, pero su desviacin tpica " " es mucho ms difcil de modificar, puesto que depende de las causas comunes que lo afectan, tales como precisin de las mquinas, destreza de los operarios, etc.

Cuando la media "" del proceso coincide con el punto medio de las especificaciones, se dice que el proceso est centrado. Centrar un proceso no es garanta de que la produccin va a cumplir con las especificaciones, pues si los lmites de especificacin resultan ms estrechos que los lmites de variacin 3 , entonces un cierto porcentaje de la produccin va a resultar defectuosa, tal como se muestra en la figura:

Cuando un proceso est centrado, el porcentaje de piezas defectuosas se reparte por igual a ambos lados de la curva . Cuando la media de un proceso no coincide con la media de la especificacin, se dice que est descentrado o que la media est corrida, y en ese caso el porcentaje de piezas por encima del lmite superior (defectuosas por exceso) es diferente de las que resultan por debajo del lmite inferior (defectuosas por defecto) .

19
Capacidad de Procesos segn ISO 9000 Ingo Angel Francisco Arvelo

Por lo general, en el Control de Calidad, se trata de mantener al proceso centrado, porque bajo esta situacin, el porcentaje de piezas fuera de especificacin es lo mnimo posible (demostracin en el captulo de "Fundamentos Tericos" ). Hay situaciones especiales en que deliberadamente se provoca un corrimiento de la media y el proceso se descentra, debido a que por un extremo es posible corregir las piezas defectuosas, y por el otro extremo las piezas resultan inservibles. Cuando se presentan situaciones de esta naturaleza, la determinacin del punto en que hay que colocar la media del proceso, depende del costo de la correccin, del costo de perder la pieza inservible, y de la utilidad que se obtenga por una pieza dentro de la especificacin. ( Ver Cap.V) Se dice que un proceso es capaz, cuando los lmites de la especificacin resultan ms amplios que sus lmites 3 , pues en este caso, de estar centrado el proceso, podremos garantizar que prcticamente el 100% de las piezas producidas cumple con la especificacin exigida.

PROCESO CAPAZ CENTRADO

La capacidad del proceso es entonces la disposicin que tiene para adaptarse a las especificaciones, y es por consiguiente una cualidad que debe exigrsele a todo proceso industrial, si se quiere garantizar la fabricacin de piezas que cumplan los requisitos de calidad establecidos en las normas. Para medir la capacidad del proceso es necesario comparar la amplitud de su intervalo natural de variacin, que como se sabe es desde -3 hasta +3 , lo

20
Capacidad de Procesos segn ISO 9000 Ingo Angel Francisco Arvelo

que da una amplitud de 6 , con la amplitud del intervalo de especificacin LS-Li que es "T" tolerancia de la especificacin, y de all que la medida utilizada para expresar la capacidad es el denominado "Coeficiente de Capacidad" , CP L s Li T Cp definido por: 6 6

Cuando CP 1, el proceso es capaz siempre que est centrado, mientras que cuando CP < 1, el proceso es incapaz aunque est centrado, pues los lmites de la especificacin resultan demasiados estrechos en comparacin con los lmites de variabilidad natural del proceso, por efecto de las causas comunes. El hecho de que un proceso sea capaz no significa sin embargo, que no deba ser controlado, pues si aparecen circunstancias externas que provoquen un corrimiento de la media y lo descentran, van a aparecer entonces un cierto porcentaje de defectuosas, en caso de que la distancia de la nueva media a uno de los lmites de especificacin sea inferior a 3 , tal como se muestra en la figura:

Para detectar a tiempo estos corrimientos en la media, es por lo que los "Grficos de Control" constituyen una herramienta muy til en el Control de Procesos . En conclusin, los estudios de capacidad denominados tambin de habilidad, tienen como objetivo el determinar si el proceso puede someterse a las especificaciones que le son impuestas, o si por el contrario, dichas especificaciones resultan demasiado estrictas para el proceso, y por consiguiente deben ser ampliadas o debe recurrirse a otro proceso que sea ms preciso.

USO DE LAS TABLAS NORMALES

21
Capacidad de Procesos segn ISO 9000 Ingo Angel Francisco Arvelo

En numerosas oportunidades interesa determinar la probabilidad de que una pieza al azar cumpla con determinadas dimensiones, o el valor en que debe fijarse la media de un proceso, para tener una determinada probabilidad de que una pieza cumpla con una especificacin. Para hacer tales clculos, es indispensable el uso de las tablas normales. La tabla normal permite calcular la probabilidad de que una observacin sea igual o menor que una determinada abscisa "x" (Funcin de distribucin), para unos parmetros "" y " " dados. Dicha probabilidad viene dada por el rea bajo la curva, a la izquierda de la abscisa "x" , tal como se muestra en la figura:

Para entrar en la tabla normal, es necesario en primer lugar, tipificar previamente X la abscisa "x" , mediante la transformacin: Z = La abscisa tipificada "z" representa la distancia entre la abscisa "x" y la media "" , expresada en funcin de la desviacin tpica " " . As por ejemplo, una abscisa tipificada z=2, representa que la abscisa "x" se halla a dos desviaciones tpicas de la media "". El signo de "Z" , indica la posicin de la abscisa 'x" con respecto a la media "" , y as cuando "Z" es negativo la abscisa "x" es menor que la media "" ; mientras que cuando "Z" es positiva , la abscisa "x" es mayor que la media "". Las tablas que se encuentran en el anexo ,y distinguidas como 3.a y 3.b, han sido extradas del texto "Introductory Mathematical Statistics . Principles and Methods " , de Erwin Kreyszig , de la Editorial John Wiley and Sons , Inc , y utilizan la siguiente nomenclatura: (z) = Area que en la Normal tipificada hay desde "z" a la izquierda . (-z) = Area que en la Normal tipificada hay desde "-z" a la izquierda . D(z) = Area que en la Normal tipificada hay entre "-z" y "+z" .

22
Capacidad de Procesos segn ISO 9000 Ingo Angel Francisco Arvelo

z = Abscisa que en la normal tipificada deja a la derecha un rea . La tabla 3.a se utiliza cuando se tiene una abscisa tipificada "z" , y se quiere calcular el rea a la izquierda . Si "z" es positivo se lee en la columna (z), si "z" es negativo en la columna (-z) ,y en caso de que se trate de un intervalo central simtrico, el rea entre "-z y + z" se lee en la columna D(z) . Si se quiere el rea a la derecha de una abscisa tipificada "z" , ser necesario restar de 1, el rea a la izquierda leda en la tabla 3.a . La tabla 3.b se utiliza en el caso inverso, cuando se quiere determinar la abscisa tipificada que deja a la izquierda un determinado porcentaje de rea, en cuyo caso se lee en la columna z ( ), y si lo que se tiene es un rea central comprendida en un intervalo simtrico, el extremo positivo de dicho intervalo se lee en la columna z(D) . Ejemplo 1 : Supongamos que un proceso fabrica piezas cuya longitud sigue una Distribucin Normal con media 72.50 mm y desviacin tpica de 0.20 mm. Calcular las siguientes probabilidades: a) Que una pieza mida menos de 72.80 mm . b) Que una pieza mida menos de 72.10 mm . c) Que una pieza mida ms de 72.60 mm d) Que una pieza caiga en el intervalo (72.15 ; 72.75) mm . e) Que una pieza caiga en el intervalo (72.50 0.35) mm . Solucin : Designando como X la longitud de una pieza, se tiene : X P(X 72.80 ) = P ( Z < N ( 72.50 ; 0.202)

72.80 72.50 ) = P ( Z < 1.50) = (1.50) = 0.9322 0.20 7210 72.50 . P ( X 72.10 ) = P ( Z < ) = P ( Z < -2) = (-2) = 0.0228 0.20 72.60 72.50 P ( X > 72.60 ) = P ( Z > ) = P ( Z > 0.50) =1(0.50) = 0.20 1 - 0.6915 = 0.3085 7215 72.50 . 72.75 72.50 P( 72.15 < X < 72.75) = P( <Z< )= 0.20 0.20 P ( -1.75 < Z < 1.25) = ( 1.25) - (-1.75) = 0.8944 - 0.0401 = 0.8543 7215 72.50 . 72.85 72.50 P ( 72.15 < X < 72.85) = P ( <Z< )= 0.20 0.20 P ( -1.75 < Z < 1.75 ) = D ( 1.75 ) = 0.9199 ( Por ser un intervalo simtrico)

23
Capacidad de Procesos segn ISO 9000 Ingo Angel Francisco Arvelo

Ntese que en todos estos casos, las lecturas fueron hechas en la tabla 3.a , puesto que se daban abscisa para encontrar una probabilidad , la cual se mide por el rea bajo la curva . Ejemplo 2 : Suponiendo que la duracin de unas bateras sigue una Distribucin Normal con media 100 horas , y desviacin tpica de 12 horas . a) Dar un plazo de garanta sobre la duracin mnima de una batera, de forma que dicha garanta se cumpla con probabilidad 0.99 . b) Dar un intervalo simtrico donde caiga la caiga la duracin de una batera , con probabilidad 0.90 . Solucin : En este ejemplo, tenemos que: X = Duracin de una batera N(100 ; 122) . a) La garanta se cumple cuando la duracin de la batera es igual o mayor que el plazo de garanta, de forma que si designamos por "t" al plazo de garanta, lo que se quiere es : P ( X t ) = 0.99 , o grficamente : P(X P(Z t ) = 0.99

t 100 ) = 0.99 12

En la tabla 3.b , se encuentra que para 99% de rea a la derecha , es decir 1% de rea a la izquierda , la abscisa tipificada correspondiente leyendo en la tabla t 100 z( ) es : -2.326 = -2.326 t = 100 - 2.326 ( 12 ) = 72.09 12 y por consiguiente, el plazo de garanta para 99% de probabilidad de cumplimiento, debe ser de 72.09 horas . b) Encontrar un intervalo simtrico donde caiga la duracin de una batera con probabilidad 0.90, significa determinar un intervalo donde si elige una batera al azar , la probabilidad de que su duracin caiga en dicho intervalo debe ser de 0.90 , y la probabilidad complementaria de no caer 0.10 , debe repartirse por igual para cada cola , es decir 0.05 por la izquierda y 0.05 por la derecha. Por simetra, tenemos entonces que dicho intervalo debe estar centrado en la media 100 , y la incgnita es su amplitud " " , tal como se muestra en la figura: Para determinar " ", se procede como sigue: P( 100 P ( X 100 + Z ) = 0.90

12

12

) = 0.90

24
Capacidad de Procesos segn ISO 9000 Ingo Angel Francisco Arvelo

En la tabla 3.b, se encuentra que para 90% de rea central , la abscisa correspondiente es 1.645 ( Columna z(D) ) , y por consiguiente: y de all se deduce que : = 1.645 12 = 19.74
12 1.645

El intervalo central simtrico de 90% de probabilidad, para la duracin de una batera, es entonces: 100.00 19.74 = [ 80.26 ; 100.74 ] horas . EJERCICIOS PROPUESTOS 1) Un estudio demostr que los tiempos de vida de cierta marca de bateras para automviles, se distribuyen normalmente con media 548 das , y desviacin tpica de 185 das . Si el fabricante debe garantizar sus bateras por 180 das , qu porcentaje de las bateras deber ser cambiado ? . Solucin: 2.33 % 2) Se ha comprobado que el peso de los estudiantes universitarios, sigue una Distribucin Normal con media 68,5 Kgs., y desviacin tpica de 10 Kgs . Cual es la probabilidad de encontrar un estudiante, cuyo peso est: a) entre 48 y 71 Kgs . b) superior a 91 Kgs . Solucin : a) 0.5785 b) 0.0122 3) El espesor de las lminas metlicas producidas por una cierta mquina sigue una Distribucin Normal, con media 10 mm., y desviacin tpica de 0,02mm . Establezca una especificacin para el espesor de estas lminas, de forma que: a) El 95 % de las lminas cumplan con la especificacin. b) El 99% de las lminas cumplan con la especificacin. Solucin: a) (10.0000 0.0392) mm b) (10.00000 0.05152) mm 4) Las especificaciones para una cierta pieza mecnica son (20.00 0.50) cms., y la mquina que se dispone para producirlas tiene una desviacin tpica de 0.30 cms. Las piezas que resulten por encima del lmite superior pueden ser reprocesadas y corregidas, pero las que resulten por debajo del lmite inferior son consideradas como desperdicio. a) Cual debe ser la media del proceso, si se quiere a lo ms un 1% de desperdicios ? . b) Para esa media del proceso. Cul ser el porcentaje de piezas reprocesadas? . Solucin: a) = 20.1978 b) 15.62 5) Si se quiere que un proceso produzca dentro de las especificaciones (10.00 0.15 ) cms, con a lo ms 2% de piezas defectuosas . En qu valor debe

25
Capacidad de Procesos segn ISO 9000 Ingo Angel Francisco Arvelo

mantenerse controlada a la desviacin tpica, cuando el proceso est centrado ? . Solucin: 0.0645 6) Hay que producir unas piezas cuyo dimetro debe caer dentro de la especificacin (190 15) mms ; pero sin embargo , la mquina que se dispone para fabricarlas, las saca segn un dimetro aleatorio que sigue una Distribucin Normal con media 200 mm, y desviacin tpica de 10 mms . Cual es la probabilidad de producir una pieza defectuosa ? . Solucin : 0.3147 . 7) Una mquina cortadora puede ser calibrada para cortar alambres que tengan una media determinada . Suponiendo que la longitud de los alambres obtenidos sigue una Distribucin Normal con media el valor calibrado, y desviacin tpica de 0,2 cms. ; determine el valor en que debe calibrarse la media , si se quiere que solamente el 5% de los alambres, tengan una longitud mayor de 10,40 cms . Solucin : = 10.071 cms .

26
Capacidad de Procesos segn ISO 9000 Ingo Angel Francisco Arvelo

CAPITULO II : PRUEBAS DE AJUSTE A LA NORMAL

Hemos visto en el captulo anterior como la Distribucin Normal es el punto de partida para evaluar la capacidad del proceso , pues la Teora de Control Estadstico supone como axioma que bajo condiciones estables, es decir cuando solo actan causas comunes o aleatorias , el comportamiento del proceso debe ajustarse a ella . El anlisis descriptivo analizado tambin en el captulo anterior , sirve de gran orientacin para validar la hiptesis de normalidad del proceso, pues cuando se cumplen todas las exigencias all sealadas , tales como histograma acampanado, simetra , igualdad entre la moda la mediana y la media , coeficiente momento de curtosis igual a 3 , etc., tendremos una evidencia muy significativa acerca de la validez de la hiptesis normal. No podemos sin embargo olvidar, que el comportamiento de las muestras es aleatorio, y no necesariamente son un reflejo exacto de la poblacin de donde provienen, y que por lo tanto, es perfectamente posible, que siendo el proceso normal, la muestra presente ligeras desviaciones con relacin al modelo terico. De lo anteriormente expuesto , se deduce entonces que una pregunta muy lgica que cualquier investigador puede hacerse con relacin a su proceso es: hasta qu punto pueden tolerarse diferencias entre la muestra y el modelo normal terico , y seguir aceptando la hiptesis de normalidad ? . La respuesta a esta pregunta la dan precisamente las llamadas " Pruebas de Ajuste " . En este captulo analizaremos tres pruebas de ajuste , las cuales son unas pruebas muy rigurosas, y que proporcionan una respuesta definitiva a la pregunta anterior. Otro mtodo de ajuste que analizaremos en este captulo es el uso del papel probabilstico , que es de una sencillez extraordinaria , pero con la desventaja de los mtodos descriptivos, que no permite establecer hasta qu punto son tolerables las diferencias entre los resultados muestrales y el modelo normal terico. Al final del captulo se incluyen tambin otras pruebas estadsticas, cuyo objetivo no es probar el ajuste, pero que son de gran utilidad en el control de procesos pues sirven para controlar alguno de sus parmetros, y en consecuencia sirven para detectar a tiempo algn desajuste, como por ejemplo un corrimiento de su media , o un incremento en su desviacin tpica.

27
Capacidad de Procesos segn ISO 9000 Ingo Angel Francisco Arvelo

PRUEBA CHI-CUADRADO DE BONDAD DEL AJUSTE Esta es una prueba de carcter completamente general, que se utiliza no solamente para verificar el ajuste a la normalidad , sino tambin para el ajuste a cualquier otra Distribucin terica de probabilidad . Aplicada al caso que nos ocupa que es el de normalidad, dicha prueba sirve para contrastar la Hiptesis Nula H0 : El proceso se ajusta a una normal , contra la Hiptesis Alternativa H1: El proceso no se ajusta a una normal. Es decir, si designamos por "X" a la variable en estudio, la prueba chi-cuadrado de bondad, es una prueba de hiptesis en donde: H0: "X" se ajusta a una normal H1: "X" no se ajusta a una normal Para decidir si aceptamos o rechazamos la Hiptesis nula H0, dispondremos como informacin una muestra de valores de la variable "X" , la cual deber estar presentada como una tabla agrupada de frecuencias, en donde los diferentes valores observados de la variable "X" , aparecen clasificados en intervalos, con sus respectivas frecuencias . Dicha tabla debe ser construida tomando muestras al azar del proceso, y aunque no existe una regla fija acerca de cuantas observaciones tomar, es recomendable que tenga por lo menos 100 observaciones, clasificadas en por lo menos 6 intervalos. Una vez construida esta tabla, los pasos a seguir son: Paso 1 : Estimar los parmetros "" y " 2 " , de la distribucin mediante la media "X" , y la varianza muestral "S2 ", que como bien sabemos se calculan por:

i n

Xi

= Media Muestral = X =

i 1

n
i k

i k

2 =Varianza Muestral = S =

(L*i
i 1 i k

X) 2 f i
=
i 1

(L*i ) 2 fi
i k

nX 2

fi 1
i 1

fi 1
i 1

28
Capacidad de Procesos segn ISO 9000 Ingo Angel Francisco Arvelo

En donde: Li* = Marca de Clase del intervalo "i" fi = Frecuencia del intervalo "i" . k = Nmero de intervalos.
i k

n=
i 1

f i = Nmero total de datos

Paso 2 : Con los parmetros estimados , calcular las probabilidades de cada uno de los intervalos, mediante la tabla normal . pi = P ( Li-1 X < L i) = P (

Li 1

Z <

Li

)=

Li

)-

Li 1

En este paso , es importante tener en cuenta el detalle de que los intervalos extremos deben ser definidos como "< L1" el primero , y como " LK el ltimo, puesto que de lo contrario la suma de las probabilidades de los k intervalos no ser igual a "1" , debido a que como es sabido el dominio terico de la curva normal es desde - hasta + . Paso 3 : Calcular las frecuencias esperadas de cada intervalo , multiplicando el tamao total de muestra por su probabilidad terica .
i k

ei = n . pi

; siendo

n=
i 1

fi

Estas frecuencias esperadas representan el nmero de observaciones que deberan caer en cada uno de los intervalos, en caso de ser cierta la hiptesis de normalidad , y por lo tanto deberan ser muy parecidas a las observadas en la realidad , para poder aceptar la hiptesis de normalidad del proceso. Paso 4 : Comparar las frecuencias observadas con las esperadas , mediante el
i=k

clculo del estadstico chi - cuadrado, definido por:


2

( fi - e i ) 2 ei i=1

El valor de "

" , mide la diferencia entre las frecuencias observadas y las

esperadas; cuanto ms grande sea su valor , mayor es la diferencia entre la realidad observada y el modelo terico normal , mientras que cuanto ms pequeo sea su valor, mejor es el ajuste del modelo terico normal a la realidad observada en la muestra. En este paso, hay que cuidar el detalle de que todas las frecuencias esperadas deben ser iguales o mayores que "5" .En caso de que este requisito no se cumpla,

29
Capacidad de Procesos segn ISO 9000 Ingo Angel Francisco Arvelo

es necesario fundir ese intervalo con cualquiera de sus vecinos, hasta alcanzar una frecuencia esperada de 5 ms. La justificacin de este requisito es porque la prueba "chi-cuadrado", est basada en la aproximacin normal a la binomial , y para que esta aproximacin sea satisfactoria se exige : npi 5. Paso 5: Una vez calculado el valor de "
2

", el ltimo paso es ir a las tablas de la

distribucin chi-cuadrado, con un nivel de nivel de significacin " " previamente seleccionado ( usualmente 5%) , con (k -3) grados de libertad *3 , y leer la abscisa "
2

" que deja a la derecha un rea " " .


2 2

Si: Si:

Aceptar H0 , es decir es aceptable el ajuste a la Normal . Rechazar H0 , es decir, no es aceptable el ajuste a la Normal .

>

La zona de rechazo es exclusivamente del lado derecho, pues solamente valores grandes de "
2

"

reflejan diferencias significativas entre la muestra y la

distribucin normal terica . Ejemplo: Retomemos la muestra del capitulo anterior relativa al contenido de refresco en unas botellas Contenido ( cc ) 190 - 195 195 - 200 200 - 205 205 - 210
3

Frecuencia 9 29 47 72

En general , el nmero de grados de libertad es: k-1-r ; siendo r el nmero de parmetros estimados , que en el caso de la Distribucin Normal es r=2.

30
Capacidad de Procesos segn ISO 9000 Ingo Angel Francisco Arvelo

210 - 215 215 - 220 220 - 225

51 30 12

Con el anlisis descriptivo hecho anteriormente , la muestra present sntomas evidentes de normalidad, a excepcin de los coeficientes de curtosis que no arrojaron los valores que corresponden para una normal. Para salir de dudas , y verificar si estas diferencias son o no significativas , apliquemos la prueba chi-cuadrado de bondad del ajuste, mediante la prueba de hiptesis : Ho: "X" ( Contenido de la botella) se ajusta a una normal H1: "X" ( Contenido de la botella) no se ajusta a una normal

Paso 1: Estimar los parmetros de la distribucin . Esta estimacin ya fue hecha en el captulo anterior con los siguientes resultados:

= X=
2

207,80

2 = S = 52,21

= S = 7, 23

Paso 2 : Calcular las probabilidades de cada uno de los intervalos . Para garantizar que la suma de todas las probabilidades de 1 , el primer intervalo lo tomamos como " < 195 " , y el ltimo como " 220 " , y con la ayuda de la tablas normales , tenemos : P( X < 195) = P ( Z <

195 - 207.80 )= 7.23

( -1.77 ) = 0.0384

P( 195

X < 200) = P (

195 - 207.80 7.23

Z<

200 - 207.80 ) = P (-1.77 7.23

Z < -1.08)

31
Capacidad de Procesos segn ISO 9000 Ingo Angel Francisco Arvelo

( -1.08) -

( -1.77 ) = 0.1401 - 0.0384 = 0.1017

P( 200

X < 205) = P ( =

200 - 207.80 7.23

Z<

205 - 207.80 ) = P (-1.08 7.23

Z < -0.39)

( -0.39) -

( -1.08 ) = 0.3483 - 0.1401 = 0.2082

P( 205

X < 210) = P ( =

205 - 207.80 7.23

Z<

210 - 207.80 ) = P (-0.39 7.23

Z < 0.30)

(0.30) -

(-0.39) = 0.6179 - 0.3483 = 0.2696

P( 210

X < 215) = P ( =

210 - 207.80 7.23

Z<

215 - 207.80 ) = P (0.30 7.23

Z < 1.00)

(1.00) -

(0.30) = 0.8413 - 0.6179 = 0.2234

P( 215

X < 220) = P ( =

215 - 207.80 7.23

Z<

220 - 207.80 ) = P (1.00 7.23

Z < 1.69)

(1.69) -

(1.00) = 0.9545 - 0.8413 = 0.1132

P( X

220) = P ( Z

220 - 207.80 ) = P(Z 7.23

1.69) = 1 -

(1.69) =

1 - 0.9545 = 0.0455

Paso 3: Calcular las frecuencias esperadas . Una vez calculada la probabilidad de cada uno de los intervalos , procedemos a calcular su frecuencia esperada , multiplicando su probabilidad por el tamao de muestra , en este caso 250 : ei = n . pi .

32
Capacidad de Procesos segn ISO 9000 Ingo Angel Francisco Arvelo

Los clculos se presentan en la siguiente tabla: Contenido ( cc ) < 195 195 - 200 200 - 205 205 - 210 210 - 215 215 - 220 220 fi 9 29 47 72 51 30 12 pi 0.0384 0.1017 0.2082 0.2696 0.2234 0.1132 0.0455 ei 9.60 25.43 52.05 67.40 55.85 28.30 11.38

En este caso ,todas las frecuencias esperadas resultaron ser mayores que 5 , y por tanto no hay necesidad de fundir intervalos .

Paso 4: Comparar las frecuencias observadas con las esperadas , mediante el


i=k

clculo del estadstico "chi-cuadrado" :

( fi - e i ) 2 ei i=1

Si la hiptesis H0 fuese cierta, las frecuencias observadas deberan ser muy parecidas a las esperadas, y esta diferencia es lo que cuantifica el valor de " Para nuestro caso :
2 2

".

( 9 - 9.60) 2 ( 29 - 25.43) 2 ( 47 - 52.05) 2 ( 12 - 11.38) 2 + + ......+ = 1.90 = + 9.60 25.43 52.05 1138 .

Paso 5 : Ir a la tabla de la Distribucin Chi- Cuadrado, con un nivel de significacin seleccionado , y los grados de libertad calculados. En nuestro caso, seleccionaremos un nivel de significacin del 5% , y para calcular los grados de libertad tenemos: k = nmero de intervalos = 7

33
Capacidad de Procesos segn ISO 9000 Ingo Angel Francisco Arvelo

grados de libertad = k - 3 = 4 En la tabla encontramos:


2 0.05 ; 4 =

9.49 > 1.90

Aceptar H0

No existe en consecuencia, una evidencia significativa para rechazar la hiptesis de normalidad, lo que se interpreta como un ajuste satisfactorio a la Distribucin Normal . Ejercicio Propuesto: El peso en gramos, de una muestra de cajas de fsforos fue el siguiente: Peso 2.7- 3.1 3.1- 3.5 3.5- 3.9 3.9- 4.3 4.3-,4.7 4.7- 5.1 Frecuencia 19 67 141 157 94 22

Verificar a un nivel de significacin del 5%,si los datos se ajustan a una Distribucin Normal. Solucin:
2

= 1.1774 <

2 0.05 ; 3

= 7.81

Se acepta el ajuste a la normal.

PRUEBA DE KOLMOGOROV - SMIRNOV Esta prueba al igual que la anterior, es una prueba de ajuste, que se utiliza exclusivamente para distribuciones continuas, y en donde la hiptesis a probar es que una determinada muestra proviene de una poblacin con una funcin de distribucin dada. Esta prueba no requiere que los datos estn agrupados en intervalos, pues es aplicable an para muestras con datos puntuales, pero su principal limitacin es que la distribucin a la cual se quiere probar el ajuste, debe estar plenamente definida, es decir que no puede tener parmetros a estimar.

34
Capacidad de Procesos segn ISO 9000 Ingo Angel Francisco Arvelo

Para el caso de ajuste a la normalidad, esta limitante hace que la prueba solo pueda aplicarse para parmetros especificados, que en el caso de control de procesos suelen ser: = Punto medio de la especificacin (Proceso centrado)

Ls - LI 6

(Posicin lmite de un proceso capaz).

En consecuencia, esta prueba puede rechazar un proceso ajustado a la normal, en caso de que alguno de los parmetros sea diferente a los especificados; lo que significa que si el proceso est bajo control estadstico, pero no est centrado, o tiene una desviacin tpica diferente de la especificada, la prueba concluir en un rechazo del ajuste propuesto. De all, que esta prueba resulte particularmente til, cuando un proceso tiene una desviacin tpica conocida, y deba ser sometido a algunas calibraciones, para colocar su media en un cierto valor especificado, y se quiera verificar que estas calibraciones fueron correctamente realizadas. Las hiptesis a contrastar en la prueba de Kolmogorov-Smirnov son: H0: La funcin de distribucin de "X" es F(x) H1: La funcin de distribucin de "X" no es F(x) El procedimiento de la prueba consiste en comparar la Funcin de Distribucin Terica F(x) , con la distribucin acumulada de frecuencias relativas de la muestra H(x), ya que si el ajuste es satisfactorio ambas deberan ser muy parecidas ; puesto que la primera representa la probabilidad terica de encontrar una observacin igual o menor que un cierto "x" , mientras que la segunda representa el porcentaje de observaciones muestrales que resultaron ser iguales o menores que ese mismo x" . Los pasos a seguir son los siguientes: Paso 1: Si los datos muestrales estn en forma puntual se ordenan de menor a mayor, y se calcula el porcentaje de observaciones iguales o menores que cada uno de ellos; y si estn en forma agrupada se construye la tabla acumulada de frecuencias relativas.

35
Capacidad de Procesos segn ISO 9000 Ingo Angel Francisco Arvelo

Paso 2 : Se calcula la probabilidad terica de que una observacin sea igual o menor que cada valor muestral para el caso de datos puntuales, o de cada extremo superior de intervalo para el caso de datos agrupados. Para el caso de ajuste a la normal , este clculo se hace con la ayuda de las tablas normales: F(x) = P ( X x)=P(Z

x -

)=

x -

Paso 3 : Se calcula la mxima desviacin en valor absoluto , entre la distribucin acumulada de frecuencias relativas para la muestra , y la funcin de distribucin terica . Dn = max | F(x) - H(x) | . Evidentemente, cuanto ms pequeo sea el estadstico Dn, mayor ser la coincidencia entre la distribucin terica y los resultados muestrales, mientras que cuanto mayor sea su valor, mayor ser la diferencia entre la muestra y los valores tericos, y por tanto inaceptable el ajuste, por lo que la prueba es unilateral por la derecha . Paso 4 : El valor crtico del estadstico Dn , se encuentra en la tabla incluida en el apndice, la cual suministra el valor Dn , de forma que si: Dn Dn Aceptar H0. Rechazar H0.

Dn > Dn

El valor crtico " Dn " depende del nivel de significacin " " de la prueba , y del tamao de muestra "n" . Ejemplo con datos puntuales: Supongamos que para que un proceso opere correctamente, debe ajustarse a una Distribucin Normal con media 26.000 mm , y desviacin tpica 2.000 mm , y que una muestra aleatoria de 20 observaciones dio el siguiente resultado: 25.088 25.996 26.560 24.432 26.615 26.516 25.844 23.593 25.468 28.240 26.964 24.644 27.453 25.980 23.382 26.849 23.285 30.432 25.282 26.801

36
Capacidad de Procesos segn ISO 9000 Ingo Angel Francisco Arvelo

Se puede afirmar, a un nivel de significacin del 5% , que esta muestra proviene de una poblacin normal con los parmetros especificados ? .

Solucin: Las hiptesis a contrastar son: H0: El proceso se ajusta a una Distribucin Normal con =26 y =2 =2

H1 : El proceso no se ajusta a una Distribucin Normal con =26 y Paso 1: Comenzamos por ordenar los datos de menor a mayor 23.285 25.088 25.996 26.849 23.382 25.282 26.516 26.964 23.593 25.468 26.560 27.453 24.432 25.844 26.615 28.240 24.644 25.980 26.801 30.432

Luego se calcula H (x) , frecuencia relativa acumulada para cada uno de los veinte valores , es decir , la proporcin de observaciones iguales o menores que l. As por ejemplo : H (23.285) =

1 = 0,05 20 2 = 0,10 , y as sucesivamente. 20

H (23.382) =

Paso 2 : Se calcula con la tabla normal, la probabilidad de que una observacin igual o menor que cada uno de estos 20 valores, lo que da la funcin de distribucin terica .

F (23.285) = P ( X

23.285 ) = P ( Z

23.285 26.000 )= 2 23.382 26.000 )= 2

(-1.36) =0.0869

F (23.382) = P ( X

23.382 ) = P ( Z

(-1.31) =0.0951

y as sucesivamente con los dems valores.

37
Capacidad de Procesos segn ISO 9000 Ingo Angel Francisco Arvelo

Paso 3 : Se calcula para cada dato, la diferencia en valor absoluto, entre la funcin distribucin terica y la frecuencia relativa acumulada muestral. D = | F(xi) - H(xi) | . El resultado de los clculos se muestra en la tabla a continuacin: xi 23.285 23.382 23.593 24.432 24.644 25.088 25.282 25.468 25.844 25.980 25.996 26.516 26.560 26.615 26.801 26.849 26.964 27.453 28.240 30.432 F ( xi) 0.0869 0.0951 0.1151 0.2177 0.2483 0.3228 0.3594 0.3936 0.4681 0.4960 0.4992 0.6024 0.6103 0.6217 0.6554 0.6628 0.6844 0.7673 0.8686 0.9868 H(xi) 0.05 0.10 0.15 0.20 0.25 0.30 0.35 0.40 0.45 0.50 0.55 0.60 0.65 0.70 0.75 0.80 0.85 0.90 0.95 1.00 D = | F(xi) - H(xi) | 0.0369 0.0049 0.0349 0.0177 0.0017 0.0228 0.0094 0.0064 0.0181 0.0040 0.0508 0.0024 0.0397 0.0783 0.0946 0.1372 0.1656 (Mximo) 0.1327 0.0814 0.0132

38
Capacidad de Procesos segn ISO 9000 Ingo Angel Francisco Arvelo

En la tabla se encuentra que: Dn = max | F(x) - H(x) | = 0.1656 Paso 4: Ir a la tabla correspondiente a los valores crticos para la prueba de Kolmogorov- Sminov , en donde se lee que para un tamao de muestra de 20, y un nivel de significacin del 5%, Dn = 0.29 . Como en nuestro caso: Dn = 0.1656 < Dn = 0.29; la conclusin es aceptar la hiptesis H0, de que la muestra proviene de una poblacin normal con media 26.000 y desviacin tpica 2.000.

Ejemplo con datos agrupados : La prueba de Kolmogorov - Smirnov tambin puede ser utilizada en forma aproximada, en caso de que la muestra este agrupada en intervalos tal como se muestra en el siguiente ejemplo: Supongamos que el peso en gramos de una pldora, debe ajustarse a una Distribucin Normal con media 4 gramos, y desviacin tpica de 0,5. Una muestra aleatoria de 500 pldoras arroj: Peso Frecuencia 2,7-3,1 19 3,1-3,5 67 3,5-3,9 141 3,9-4,3 157 4,3-4,7 4,7-5,1 94 22

Probar al 5% de significacin, si la muestra proviene de una poblacin normal con los parmetros especificados. Solucin: Las hiptesis a contrastar son: H0 : El peso se ajusta a una Distribucin Normal con =4 y H1: El peso no se ajusta a una Distribucin Normal con =4 y = 0.5 = 0.5

Los pasos a seguir son los mismos , con la nica diferencia de que la funcin terica en lugar de calcularla para cada valor muestral como se hizo anteriormente, se calcula para los lmites superiores de cada intervalo; as por ejemplo: F (3,1) = P ( X 3,1 ) = P ( Z

3.1 4 )= 0.5

(-1.80) = 0.0359

F (3,5) = P ( X

3,5 ) = P ( Z

3.5 4 )= 0.5

(-1.00) = 0.1587

39
Capacidad de Procesos segn ISO 9000 Ingo Angel Francisco Arvelo

El resultado de los clculos se muestra en la tabla a continuacin: xi 3.1 3.5 3.9 4.3 4.7 5.1 F ( xi) 0.0359 0.1587 0.4207 0.7257 0.9192 0.9861 H(xi) 0.0380 0.1720 0.4540 0.7680 0.9560 1.0000 D = | F(xi) - H(xi) | 0.0021 0.0133 0.0333 0.0423 Mximo 0.0368 0.0139

En la tabla se ve que: Dn = max | F(x) - H(x) | = 0.0423 El valor crtico para un tamao de muestra de 500, y un nivel de significacin del 136 . 5%, es por la frmula de aproximacin: Dn = 0.0608 500 Como Dn = 0.0423 < Dn = 0.0608 ; la conclusin es aceptar la hiptesis H0, de que la muestra proviene de una poblacin normal con media 4 y desviacin tpica 0.5 . Ejercicios propuestos 1) Dadas las siguientes diez observaciones de un proceso: 31.0 , 31.4 , 33.3 , 33.4 , 33.5 , 33.7 , 34.4 , 34.9 , 36.2 y 37.0 . Probar a un nivel de significacin del 5% , que el proceso se ajusta a una Distribucin Normal con media 32.0 y varianza 3.24 . Solucin: Dn = 0.56 > Dn = 0.41 Rechazar el ajuste .

2) La duracin en minutos de una muestra de pilas , fue la siguiente: 0-20 20-40 40-60 60-80 80-100 100-120 120-140 140-160 160-180 5 13 13 14 17 12 15 7 4

Probar a un nivel de significacin del 5% , que la duracin de estas pilas se ajusta a una Distribucin Normal con media 80 minutos y desviacin tpica de 40 minutos . Solucin: Dn = 0.0759 < Dn = 0.14 Aceptar el ajuste .

40
Capacidad de Procesos segn ISO 9000 Ingo Angel Francisco Arvelo

PRUEBA DE GEARY Las dos pruebas anteriores , la prueba chi-cuadrado de bondad del ajuste , y la de Kolmogorov-Smirnov son pruebas generales que pueden ser utilizadas para verificar no solamente el ajuste a la normal , sino tambin para cualquier otra distribucin terica , con la nica limitacin para la segunda ,de que debe ser continua y de parmetros especificados . Esta nueva prueba , la de Geary , es exclusiva para probar el ajuste a la Distribucin Normal , y por ser exclusiva para ella , es ms potente , es decir, con menor probabilidad de error tipo II . La prueba se fundamenta en el uso de dos estimadores diferentes para el parmetro " " de la Normal . En efecto, un problema que se analiza con profundidad en los textos de Estadstica Matemtica, es el relativo al de la estimacin de los parmetros de una distribucin terica . ( Ver Captulo V) Para el caso de la Distribucin Normal, en la estimacin de "" no hay lugar a dudas, pues la media muestral " X " es el mejor estimador posible por ser insesgado y de mnima varianza; pero sin embargo, para la estimacin de " 2 ", la situacin no es tan clara, pues existen varios estimadores los cuales tienen ciertas propiedades deseables, pero carecen de otras. Algunos estimadores para el parmetro " " son: 1) El obtenido por el mtodo por el mtodo de mxima - verosimilitud, y tambin
i=n

(X i - X) 2
por el mtodo de momentos: 1
i=1

n
i=n

(X i - X) 2
2) La raz cuadrada del estimador insesgado para " 2" : 2
i=1

n 1

3) El obtenido a partir de la desviacin media de la muestra.

41
Capacidad de Procesos segn ISO 9000 Ingo Angel Francisco Arvelo

Se define como desviacin media de la muestra, a la media aritmtica de las


i=n

Xi - X
desviaciones absolutas respecto de la media muestral, es decir: D.M
i=1

A partir de la desviacin media muestral , es posible obtener un nuevo estimador


i=n

Xi - X

para " " dado por : 3

i=1

D.M

La prueba de Geary se fundamenta en que si se toma una muestra aleatoria proveniente de una poblacin normal, entonces los diferentes estimadores del parmetro " " deben dar resultados similares, y en consecuencia el cociente entre cualquiera de ellos debe dar valores cercanos a la unidad.
i=n

Xi - X
i=1

El estadstico muestral utilizado en esta prueba es: u

2
i=n

n (X i - X) 2

i=1

n
Para muestras grandes, y en caso de que la muestra provenga de una poblacin con Distribucin Normal , la distribucin de la variable "U" es tambin una normal 0.2661 con media 1 , y desviacin tpica ;y por tanto su valor tipificado "Z" debe n caer entre los lmites - z y + z para poder aceptar la Hiptesis de Normalidad.
2 2

Es decir , Z =

U 1 0.2661

n N (0,1) , y si para la muestra - z


2

+z
2

Aceptar la Hiptesis de normalidad para la poblacin. La prueba es evidentemente bilateral, pues valores de "U" alejados de 1 en cualquiera de los dos sentidos, reflejan diferencia significativa entre las estimaciones de " ", dadas por el primer y tercer estimador.

42
Capacidad de Procesos segn ISO 9000 Ingo Angel Francisco Arvelo

Ejemplo: Para ilustrar la metodologa de la prueba de Geary , analicemos la muestra de 20 datos puntuales que ya fue analizada con la prueba de Kolmogorov-Smirnov : 25.088 25.996 26.560 24.432 26.615 26.516 25.844 23.593 25.468 28.240 26.964 24.644 27.453 25.980 23.382 26.849 23.285 30.432 25.282 26.801 = 2.

En aquella oportunidad la prueba se hizo para parmetros dados: =26 y

Hagamos ahora la prueba de ajuste aplicando la Prueba de Geary, la cual no necesita especificar parmetros . Los pasos a seguir son: Paso 1 : Calcular la media muestral , que para este caso resulta X = 25.971 . Paso 2: Calcular la desviacin de cada dato respecto de la media muestral. -0.883 0.025 0.589 -1.539 0.644 0.545 -0.127 -2.378 -0.503 2.269 0.993 -1.327 1.482 0.009 -2.589 0.878 -2.686 4.461 -0.689 0.830
i n

( Xi
Paso 3: Calcular la desviacin tpica muestral : S = =
i 1

X )2

El resultado del clculo es : S= 1.673 , que representa una primera estimacin del parmetro " " . Paso 4 : Calcular la desviacin media de la muestra , para lo cual hay que hallar
i=n

Xi - X
la media de las desviaciones absolutas del paso 2 . D.M
i=1

43
Capacidad de Procesos segn ISO 9000 Ingo Angel Francisco Arvelo

El resultado del clculo es : D.M= 1.272 .

Paso 5 : Hacer la segunda estimacin de " " , mediante el uso del estimador :
i=n

Xi - X 3
i=1

. El resultado de esta nueva estimacin es : 3 = 0.1594 .

Paso 6: Calcular el valor dos estimaciones .

del estadstico U , que representa la razn entre las 1594 . u = = 0.953 1673 .

Paso 7: Tipificar el valor obtenido de "U" , a fin de determinar si es significativa la diferencia entre el valor obtenido en la muestra , y el resultado esperado , que debi ser igual a 1 . z=

u 1 0.2661

n =

0.953 1 0.2661

20 = -0.794

Paso 8 : Ir a la tabla normal con el nivel de significacin elegido , y leer el valor crtico para la prueba bilateral. Para 5% de significacin se encuentra z0.025= 1.96 , y como el valor obtenido de z=-0.794 cae en el intervalo [-1.96 , + 1.96] , la conclusin es aceptar el ajuste a la normalidad.

PAPEL PROBABILISTICO Debido a que las pruebas estadsticas de ajuste exigen procedimientos un tanto complicados de clculo, su uso en el medio industrial ha sido muy escaso, y en aquellas empresas que requieren verificar que su proceso se ajusta a una Distribucin Normal , el uso del papel probabilstico es mucho ms conocido.

44
Capacidad de Procesos segn ISO 9000 Ingo Angel Francisco Arvelo

El papel probabilstico es un papel especial, el cual tiene en el eje horizontal una escala milimtrica lineal , y en el eje vertical una escala igual a la funcin de distribucin de la normal tipificada, de forma que cuando en el eje vertical se representa un cierto porcentaje (z), la escala hace que lo que realmente se est representando sea la abscisa "z" que en la normal tipificada deja a la izquierda un rea (z) . Esta escala se conoce como escala "gaussiana" o "probabilstica". Recordemos que la tabla normal da para cada abscisa tipificada "z" , un rea a la izquierda (z) , que representa la probabilidad de que el valor tipificado de la variable aleatoria "X" sea igual o menor que "z" .

En consecuencia , el origen de la escala vertical es 50% , pues

(0) = 0,50 .

El papel probabilstico tiene la propiedad de que si sobre l se representa , la distribucin acumulada de frecuencias relativas para la una muestra proveniente de una poblacin normal, los puntos deben quedar en lnea recta. La justificacin de esta propiedad se fundamenta en el hecho de que si el ajuste a normal es adecuado, entonces la distribucin acumulada de frecuencias relativas para la muestra H(x) debera coincidir con la Funcin de distribucin terica de la

45
Capacidad de Procesos segn ISO 9000 Ingo Angel Francisco Arvelo

normal F(x) , y por la tipificacin de la normal , se tiene entonces que: H(x) = F(x) x = P ( X x) = P(Z ) = P ( Z z ) = (z) Si de esta expresin se despeja "x" se tiene: x = + lineal entre "x" y "z" . z , que es una funcin

El papel probabilstico est diseado , para que al representar "x" en el eje horizontal y H(x) en el margen derecho del eje vertical , la escala transforme automticamente a travs de la tabla normal inversa a H (x) en "z", y por tanto se obtenga una recta, en caso de que el ajuste a una Distribucin Normal sea satisfactorio. La prueba de ajuste realizada con el papel probabilstico no necesita parmetros especificados, tiene la ventaja de su sencillez, y puede ser utilizada tanto para datos muestrales en forma puntual o agrupados. El inconveniente es que no proporciona un criterio que permita establecer hasta que punto son significativas las diferencias entre los puntos obtenidos y la lnea recta , en caso de que estos no queden perfectamente alineados, y puesto que la recta hay que trazarla "a ojo" sobre el papel, este mtodo deja un razonable margen de duda . Una vez trazada la recta , es posible obtener un estimacin grfica de la media y de la desviacin tpica de la distribucin. La media puede ser obtenida entrando en la escala vertical con el 50% y cortando a la recta, la lectura que se haga en el eje horizontal corresponde a la media estimada del proceso. La desviacin tpica " ", se estima entrando en el eje vertical con aproximadamente 84%, cortando a la recta, y luego se mide la distancia horizontal entre este punto de corte y la media .

46
Capacidad de Procesos segn ISO 9000 Ingo Angel Francisco Arvelo

El procedimiento grfico de estimacin se fundamenta en las propiedades de la normal, ya conocidas: a) La media "" es eje de simetra, y por tanto el rea a su izquierda es de 50%. b) En el intervalo ( - , + ) cae el 68.27% del rea , de donde se deduce por simetra que el rea a la izquierda del valor " + " es 84.135% . Para representar los datos muestrales en el papel probabilstico, hay que seguir el siguiente procedimiento: Paso 1: Si los datos estn en forma puntual se ordenan de menor a mayor, y si estn agrupados se ordenan los intervalos en forma creciente . Paso 2: A cada dato se calcula su posicin percentil, es decir el porcentaje de observaciones que son iguales o menores que l, y si estn agrupados se calcula para cada lmite superior de clase, la frecuencia relativa acumulada en forma porcentual . Para el caso de datos sin agrupar, la posicin percentil se calcula mediante la siguiente expresin3: Pj
j n 1 2 .100%

Donde: j = Posicin del dato despus de ordenarlos de menor a mayor Pj = Posicin percentil que le corresponde al dato j n = Nmero total de datos Paso 3 : Sobre el eje horizontal del papel probabilstico elegimos una escala adecuada de acuerdo con el orden de magnitud de los datos , de la misma forma

47
Capacidad de Procesos segn ISO 9000 Ingo Angel Francisco Arvelo

como se utiliza un papel milimetrado corriente, y sobre el margen derecho del eje vertical se leen los porcentajes acumulados de frecuencia. Elegida la escala adecuada para el eje horizontal, se procede a ubicar sobre el papel los puntos (xj; Pj) (Li, H(Li) ), segn los datos estn puntuales o agrupados respectivamente. Paso 4: Una vez ubicados los puntos, procedemos a ajustarles una recta. El trazado de esta recta es totalmente subjetivo, y debe hacerse sin que exista una mayor influencia de puntos de uno u otro lado de la recta . Si los puntos caen razonablemente sobre una recta , concluimos que los datos se ajustan a una Distribucin Normal . Algunos papeles probabilsticos mas sofisticados, permiten construir a ambos lados de la recta unas bandas de confianza, entre las cuales deben caer la totalidad de los puntos para poder aceptar el ajuste a la normalidad. Ejemplo con datos puntuales: Un embotellador de refrescos est estudiando la resistencia a la presin interna de botellas no retornables de dos litros. Se toma una muestra de 16 botellas, y se obtiene la resistencia a la presin medida en "psi" . Los resultados fueron: 222.16 211.14 202.20 203.62 219.54 188.12 193.73 208.15 195.45 193.71 200.81

224.39 221.31

204.55 202.21 201.63

Usar el papel probabilstico para analizar si es razonable suponer que esta variable se ajusta a una Distribucin Normal . Solucin: Comenzamos por ordenar los datos de menor a mayor 188.12 203.62 193.71 204.55 193.73 208.15 195.45 200.81 201.63 221.31 202.20 202.21 222.16 224.39

211.14 219.54

Una vez ordenados se procede a calcular la posicin percentil de cada uno. As por ejemplo la posicin percentil correspondiente al primer dato es:
1 P1 1 2 .100% = 16

3,1250%

Repitiendo este clculo para los dems puntos se obtiene:

48
Capacidad de Procesos segn ISO 9000 Ingo Angel Francisco Arvelo

Xj Pj % Xj P j%

188.12 3,125 203.62 53,125

193.71 9,375

193.73 195.45 15,625 21,875

200.81 201.63 28,125 34,375

202.20 40,625

202.21 46,875 224.39 96,875

204.55 208.15 211.14 59,375 65,625 71,875

219.54 221.31 222.16 78,125 84,3750 90,625

A continuacin se procede a graficar estos puntos sobre el papel probabilistico

De la grfica se obtiene que la media aproximada del proceso es de 205, y la desviacin tpica de 12.50. En caso de que no se tenga papel probabilstico, tambin es posible usar papel milimetrado, solo que los clculos resultan ligeramente ms complicados. Para usar papel milimetrado, es necesario recordar que el fundamento del papel probabilstico es la relacin lineal entre "x" y "z" , dada por la ecuacin xj = + zj , en donde "zj" es la abscisa que en la normal tipificada corresponde a un rea a la izquierda (zj) = Pj En el papel probabilstico en la escala vertical se lee Pj, y el papel automticamente representa "zj" . Si se va a utilizar papel milimetrado, el valor de "zj" que corresponde a cada Pj hay que hallarlo previamente mediante la tabla normal inversa, sealada como 3.b en el anexo.

49
Capacidad de Procesos segn ISO 9000 Ingo Angel Francisco Arvelo

Este procedimiento sin embargo, hoy en da est en desuso pues todos los paquetes estadsticos proporcionan la grfica en papel probabilstico. Ejemplo con datos agrupados: Retomemos los datos relativos al contenido de refresco de unas botellas , y cuyo anlisis descriptivo ya se hizo en el captulo anterior , y cuyo ajuste a la normalidad ya fue verificado con la prueba chi cuadrado de bondad del ajuste. Contenido ( cc ) 190 - 195 195 - 200 200 - 205 205 - 210 210 - 215 215 - 220 220 - 225 Frecuencia 9 29 47 72 51 30 12

Para representar estos datos sobre el papel probabilistico, se calculan las frecuencias relativas acumuladas: Contenido ( cc ) 190 - 195 195 - 200 200 - 205 205 - 210 210 - 215 215 - 220 220 - 225 fi 9 29 47 72 51 30 12 H(Li) 3,60 % 15,20 % 34,00 % 62,80 % 83,20 % 95,20 % 100.00 %

Sobre el papel se llevan los puntos (Li , H (Li) ) , en donde Li representa el lmite superior del intervalo , y H (Li) su frecuencia relativa acumulada .

50
Capacidad de Procesos segn ISO 9000 Ingo Angel Francisco Arvelo

La grfica no deja prcticamente lugar a dudas acerca de la normalidad del proceso de llenado de las botellas , tal como lo haba advertido el anlisis descriptivo, y lo haba ratificado la prueba chi- cuadrado de bondad de ajuste. En general, el uso del papel probabilistico con datos agrupados es mucho ms cmodo, pues resulta ms facil la ubicacin de los puntos dentro del grfico.

OTRAS PRUEBAS DE HIPOTESIS IMPORTANTES EN EL CONTROL DE PROCESOS Para concluir este captulo , el autor ha considerado oportuno incluir algunas otras pruebas de hiptesis relativas a la Distribucin Normal , donde a diferencia de las anteriores lo que se quiere probar no es el ajuste a la Distribucin Normal el cual ya se da por vlido, sino el valor de alguno de sus parmetros.

PRUEBA BILATERAL PARA LA MEDIA Esta prueba se utiliza cuando se quiere probar que la media de un proceso ha quedado correctamente calibrada en un valor especificado que llamaremos 0. Ho : H1 : =
0 0

51
Capacidad de Procesos segn ISO 9000 Ingo Angel Francisco Arvelo

Generalmente el valor especificado 0 ,es el punto medio de la especificacin ,y en ese caso la prueba pretende probar la hiptesis de que el proceso est centrado , contra la alternativa de que est descentrado. Como la varianza poblacinal " 2 " es desconocida, la prueba debe ser hecha con la Distribucin t-Student, calculando el valor del estadstico "t" dado por: t=
X S
0

en donde:
0=

Valor especificado para la media de la Distribucin.

X = Media de la muestra .
i n

(Xi

X)2

S = Desviacin tpica muestral = n = Tamao de la muestra .

i 1

n 1

El valor crtico de estadstico "t" depender del nivel de significacin seleccionado, y se lee en las tablas de la Distribucin t- Student, incluidas en el apndice , con (n-1) grados de libertad. Se aceptar H0, en caso de que el valor del estadstico "t" resulte comprendido entre - t y + t ; caso contrario se rechazar, es decir:
2 ; n-1 2 ; n-1

- t
2

; n-1

t
2

; n-1

Aceptar Ho Rechazar Ho

t < -t
2

; n-1

t >+ t
2

; n-1

t
2

; n-1

= Abscisa que en una t-Student con (n-1) grados de libertad deja a

la derecha un rea

52
Capacidad de Procesos segn ISO 9000 Ingo Angel Francisco Arvelo

Ejemplo : El contenido medio de unas bolsitas de azcar debe ser de 10 gramos. Una muestra aleatoria de 10 bolsitas arroj el siguiente contenido: 10.2 , 9.7 ,10.1 , 10.3 , 10.1 , 9.8 , 9.9 , 10.4 , 10.3 y 9.8 . Asumiendo normalidad para el proceso de llenado, probar a un nivel significacin del 1%, que el proceso esta correctamente calibrado. de

H 0:

= 10 ( Calibracion correcta) 10 ( Calibracion incorrecta)

Solucin: Las hiptesis a probar son:


H1 :

Para la muestra se tiene: X = 10.06 , S=0.2459 . El valor del estadstico t =


10.06 10 0.2459 10 = 0.77

En las tablas de la distribucin t-Student , se encuentra que t0.005; 9= 3.25. Como 0.77 cae en el intervalo [-3.25 , +3.25] , la conclusin es aceptar H0 , y por tanto no existe una evidencia significativa para pensar que el proceso de llenado est incorrectamente calibrado .

Ejemplo propuesto : El punto de fusin de unos ciertos filamentos, debe ser de exactamente 2.000 C en promedio . Una muestra de 20 filamentos, dio por resultado: Fusin (C) 1940 - 1950 1950 - 1960 1960 - 1970 1970 - 1980 1980 - 1990 1990 - 2000 2000 - 2010 Frecuencia 2 3 4 5 3 2 1 Asumiendo que el punto de fusin de estos filamentos sigue una Distribucin Normal, se puede concluir a un nivel de significacin del 5%, que cumplen con la especificacin ? .

53
Capacidad de Procesos segn ISO 9000 Ingo Angel Francisco Arvelo

Solucin: t= -7.36 < -2.09 Rechazar H0. Existe evidencia significativa de que no cumple con la especificacin.

Otro aspecto muy importante con relacin a esta prueba, es del tamao de muestra requerido. Toda prueba estadstica est sujeta a dos posibles errores conocidos como error del tipo I y error del tipo II, que en este caso son rechazar una calibracin correcta y no detectar una calibracin mal hecha, respectivamente. En caso de que el proceso se desajuste y la media se corra a un nuevo valor 1 en lugar del especificado 0, la prueba debe tener una probabilidad alta de detectarlo, y evidentemente cuanto ms prximo est 1 de 0, mayor ser el tamao de muestra requerido. El tamao de muestra necesario, depender entonces del corrimiento que se quiera detectar 1 - 0, y de las probabilidades de Error I ( ) y II ( ) que se fijen. En el captulo V sobre "Fundamentos Tericos" , se obtiene la siguiente frmula que permite calcular el tamao de muestra para la prueba bilateral de media:

(z
n=

/2

z )2
0

)2

La dificultad prctica que presenta la aplicacin de esta frmula, es que en caso de que no se tenga una varianza 2 conocida, es necesario estimarla previamente, mediante el valor de S2 en muestras preliminares o pilotos, lo que generalmente conduce a un proceso de aproximaciones sucesivas . Ejemplo : Una mquina llenadora debe ser calibrada para que llene con un contenido medio de exactamente 222 cm3. Se quiere disear una prueba de calidad que detecte con una probabilidad de 0.90, ,una media de llenado de 213 cm3. Asumiendo normalidad en el llenado, y que la desviacin tpica ha sido estimada previamente en 14.2 cm3, de qu tamao debe ser dicha muestra para un nivel de significacin del 5%? , y entre qu limites debe encontrarse la media de dicha muestra, para poder aceptar como correcta la calibracin ?.

54
Capacidad de Procesos segn ISO 9000 Ingo Angel Francisco Arvelo

Solucin: Por ser una prueba con varianza conocida, ya no es necesario aplicar la Distribucin t-Student .

H 0:
Las Hiptesis a probar son:

= 222 222

Calibracion correcta Calibracion incorrecta

H1 :

(z
El tamao de muestra se calcula por: n=

/2

z )2
0

)2

= 14.2 ;

= 213 ; n=

0=

222 ; z0.025 = 1.96 ; z 0.10 = 1.282


= 26.16

(1.96 + 1.282) 2 (14.2) 2 (213 222)2

27 envases

La hiptesis nula H0 es aceptada cuando: - z


2

X -

+z
2

es decir, cuando la media muestral X cae en el intervalo Para nuestro caso , el intervalo de aceptacin es entonces: 222.00 1.96
14.2 = 222.00 27

5.36 = [ 216.64 ; 227.36 ]

Lo anterior llevado a la prctica, significa que una vez que el tcnico haya hecho la calibracin del proceso de llenado para que llene con una media de 222 cm 3 , el responsable de calidad , deber verificar la calibracin tomando una muestra de 27 envases , y en caso de que la media de esa muestra caiga en el intervalo [216.64 , 227.36 ], se considerar la calibracin como correctamente realizada ; caso contrario, se rechazar . Con el tamao de muestra de 27 y el intervalo de aceptacin [216.64, 227.36], la probabilidad de rechazar una calibracin bien hecha es de 0.05 , y la de aceptar una calibracin mal hecha a una media de 213 cm 3 , es de 0.10 .

55
Capacidad de Procesos segn ISO 9000 Ingo Angel Francisco Arvelo

PRUEBA UNILATERAL DISTRIBUCION NORMAL

DERECHA

PARA

LA

VARIANZA

DE

UNA

En muchos procesos industriales, interesa mantener controlada su desviacin L s LI tpica, puesto que en caso de que sta sobrepase el valor lmite , deja 6 de ser capaz , y el porcentaje de defectuosos puede incrementarse considerablemente , aunque el proceso est centrado . Por esta razn, en el Control Estadstico de Procesos, la prueba ms importante para la varianza es la unilateral derecha, pues lo que se quiere es detectar cuando la varianza excede un valor especificado.
H0 :
2 2 2
0

Las Hiptesis son :


H1: >
2
0

Las prueba de varianza se hace mediante el estadstico


2

, definido por:

(n-1) S2
2
0

siendo

2
0

el , el valor especificado para la varianza del proceso, y S 2 la varianza


i n

muestral calculada como : S = La decisin es aceptar Ho si


2 ; n-1 =Abscisa
2

(Xi
i 1

X)2

n 1
2
;n 1

, o rechazarla si

>

; n-1

que en una Distribucin chi- cuadrado con (n-1) grados de

libertad deja a la derecha un rea " ". Ejemplo : En el proceso de llenado de ciertas latas, se exige que la desviacin tpica no exceda de 25 gramos, y con el objeto de mantenerlo controlado, se toman muestras peridicas de 12 latas. a) Si una de estas muestras arroja una desviacin tpica de 30 gramos. Debe detenerse el proceso? .

56
Capacidad de Procesos segn ISO 9000 Ingo Angel Francisco Arvelo

b) Cual es el mximo valor que puede tomar la desviacin tpica de la muestra, para no detener el proceso ? . Asuma un nivel de significacin del 5% .

H0 :

2 2

252 > 252

No detener el proceso Detener el proceso

Solucin: Las hiptesis a probar son:


H1 :

Si en una muestra de 12 latas se encuentra S=30 , el valor del estadstico 2 para esta muestra es :
2

11 (30)2 = 15,84 625

En las tablas de la Distribucin Chi- Cuadrado , con 11 grados de libertad se lee 2 2 < 19.68 Aceptar H0, se concluye que una muestra 0.05;11 = 19.68 , y como de 12 latas , con una desviacin tpica muestral de 30 gramos , no constituye una evidencia significativa para detener el proceso . En cuanto al valor lmite que puede tomar la desviacin tpica muestral sin detener el proceso , tenemos que no se detiene cundo: S2 1118,18 S 33,44 ..
2

11 S2 625

19.68

Este valor representa el valor crtico para la desviacin tpica muestral, o lo que es lo mismo, en el momento que una muestra arroje una desviacin tpica muestral por encima del valor 33.44, existe una evidencia significativa para detener al proceso. Ejercicio Propuesto : Un proceso se supone normal, y su desviacin tpica no debe exceder el valor 0.20 . Una muestra de 12 piezas fabricadas por este proceso arroja los siguientes valores: 5.34 5.07 5.65 5.35 4.76 5.44 5.00 5.25 5.55 5.35 5.54 4.61

Constituye esta muestra una evidencia significativa para detener el proceso? . Use un nivel de significacin del 1% . Solucin:
2

= 28.56 > 24.73

Existe evidencia significativa para detenerlo .

57
Capacidad de Procesos segn ISO 9000 Ingo Angel Francisco Arvelo

El clculo del tamao de muestra necesario una prueba de varianzas es mucho ms complicado que para el caso de la prueba de medias, debido a que requiere tanteos y aproximaciones sucesivas . En el texto "Estadstica para Ingenieros", de los autores Albert Bowker y Gerald Lieberman, Editorial Prentice Hall Internacional, pueden encontrarse en el Cap. VI (Pruebas de Hiptesis para un solo parmetro), unos bacos que permiten resolver el problema, mediante procedimientos grficos.

EJERCICIOS DE RECAPITULACION

1) Una muestra de 104 tornillos seleccionados al azar de la produccin de una industria , dio el siguiente resultado: Dimetro (mm) Frecuencia 15-17 8 17-19 19-21 21-23 23-25 25-27 19 32 23 16 6

Utilice las diferentes pruebas de ajuste , y el papel probabilistico para decidir acerca de la normalidad del proceso .

2) El peso medio de las bolsas de cemento debe ser de 40 Kgs. Una muestra aleatoria de 11 bolsas arroja una media de 39.30 Kgs., con una desviacin tpica de 1,5 Kgs . Puede concluirse de esta muestra, que la empresa no cumple con lo especificado ? . Asuma normalidad . = 0.05 Solucin : t = -1.55 . No existencia evidencia significativa .

3) Una mquina cortadora debe ser debe ser calibrada para que corte tubos con una longitud media de 40 cms . En caso de que la calibracin est correcta, se quiere tener una probabilidad de 0.95 de aceptarla , y en caso de que est corrida en 0.05 cms , se quiere tener una probabilidad de 0.90 de rechazarla . Asumiendo normalidad ,y que la desviacin tpica en la longitud de los tubos es de 0.15 cms qu tamao de muestra se necesita ? . Solucin: n= 95

58
Capacidad de Procesos segn ISO 9000 Ingo Angel Francisco Arvelo

4) En el proceso de produccin de una cierta pieza mecnica sigue una Distribucin Normal, pero se exige por razones de precisin, que la desviacin tpica del proceso no exceda de 0,10 centmetros, con apenas una probabilidad del 1%, de detener innecesariamente al proceso . Si una muestra aleatoria de 20 piezas arroja una desviacin tpica de 0,1061 cms. Qu recomendara Ud. : continuar o detener el proceso ? . Solucin: 2 = =21.39 < 36.19. Continuar.

59
Capacidad de Procesos segn ISO 9000 Ingo Angel Francisco Arvelo

CAPITULO III : GRAFICAS DE CONTROL

Cuando la prueba de ajuste a la normal es aceptada, se dice que el Proceso est bajo control estadstico, es decir, que sobre l solo estn actuando causas comunes o aleatorias, y que la variabilidad encontrada entre las diferentes piezas es una variabilidad natural, propia del proceso. La condicin de estar bajo control estadstico, no es sin embargo permanente en el tiempo, y en cualquier momento pueden aparecer causas asignables como por ejemplo un cambio en la materia prima, un error del operador, un desajuste en la maquinaria , etc., que ocasionen una perturbacin . Un proceso puede dejar de estar bajo control estadstico por dos razones no excluyentes, por un corrimiento de la media, por una variacin en su desviacin, o por ambas. Cualquiera de estas dos razones puede ocasionar que buena parte de la produccin caiga fuera de especificacin . Las tcnicas de Control Estadstico de Procesos deben detectar a tiempo la presencia de estas causas asignables, a fin de tomar las medidas correctivas requeridas. Una manera de detectar la aparicin de estas causas asignables es hacer peridicamente, las pruebas de hiptesis para la media y para la desviacin estudiadas en el captulo anterior, de forma que el rechazo de cualquiera de las dos , indicar que el proceso se sali de control. Sin embargo, este procedimiento no es prctico para el medio industrial, pues requiere de un personal altamente adiestrado en el manejo de tcnicas estadsticas, y por este motivo es necesario entonces, desarrollar otra metodologa, que permita hacer estas pruebas de hiptesis de una manera ms prctica y permanente. Por otro lado, cuando la prueba de ajuste es rechazada, existen entonces algunas observaciones muestrales que fueron tomadas bajo condiciones atpicas de operacin . Las pruebas de ajuste no proporcionan informacin acerca de cules de las observaciones muestrales son las atpicas , y por lo tanto no permiten iniciar la investigacin que permita identificar la causa asignable que actu sobre el proceso .

60
Capacidad de Procesos segn ISO 9000 Ingo Angel Francisco Arvelo

Por las razones antes expuestas, se hace necesario entonces desarrollar una metodologa que alcance los siguientes objetivos: 1) Identificar en la muestra inicial del proceso las observaciones atpicas, a fin de excluirlas de la muestra una vez encontradas las causas asignables, y no tomarlas en consideracin para estimar los parmetros del proceso . 2) Detectar a tiempo anormalidades en el proceso , tanto corrimientos de la media , como incrementos en la desviacin por encima de sus lmites naturales, para impedir la produccin de piezas fuera de especificacin. Las Grficas de Control por variables vienen a ser la herramienta que permite alcanzar estos objetivos. Es importante aclarar que existen dos tipos de Grficas de Control: por variables y por atributos. Las grficas por atributos se utilizan para controlar el porcentaje de defectuosas, o el nmero de defectos, dentro de sus lmites naturales, y detectar a tiempo cualquier incremento significativo de cualquiera de ellos. Estas grficas no son de utilidad para los estudios de capacidad del proceso. Las grficas de control por variables se aplican exclusivamente cuando la caracterstica de calidad puede ser expresada mediante una variable cuantitativa continua. Un diagrama de control por variables es esencialmente una prueba de la hiptesis para verificar que el proceso est bajo control estadstico .

GRAFICA DE CONTROL PARA UN PROCESO BAJO CONTROL ESTADISTICO

61
Capacidad de Procesos segn ISO 9000 Ingo Angel Francisco Arvelo

La grfica est formada por dos zonas ; la de arriba se refiere a los lmites de control para la media , la cual tiene dos bandas una superior y otra inferior, debido a que la prueba de hiptesis para la media es bilateral , y por lo tanto se rechaza cuando la muestra cae por debajo del lmite inferior L.C.L (Abreviatura del ingls Lower Control Limit) , o por arriba del lmite superior U.C.L (Upper Control Lmit) . La lnea central representa el punto en donde se estima que est ubicada la media del proceso. La zona de abajo representa el lmite de control para la desviacin del proceso, (generalmente se muestra en forma separada a la primera), y sirve para detectar el momento en que la variacin del proceso se ha modificado de manera significativa. Cuando se toma una muestra del proceso, se le calcula su media y su desviacin ( generalmente se toma el rango muestral como medida de dispersin), y cuando ambos valores caen dentro de sus respectivos lmites de control , lo que estamos haciendo es aceptar la hiptesis de que el proceso est bajo control estadstico . Cuando una muestra arroja un valor de la media muestral que se sale de sus lmites de control , la grfica nos advierte sobre la presencia de alguna causa asignable que ha provocado un corrimiento de la media. Cuando la muestra arroja una desviacin fuera de sus lmite de control, la grfica detecta una causa asignable que ha modificado la desviacin del proceso . Una modificacin por encima del lmite superior debe ser motivo de preocupacin, pues hace al producto mas heterogneo y debe ser erradicada ; mientras que una modificacin por debajo del lmite inferior (en caso de que exista) es beneficiosa para el proceso , pues lo hace ms homogneo, y de all que sea importante detectar la causa asignable, para convertirla en un factor permanente dentro del proceso. Como toda prueba de hiptesis, la grfica de control est sujeta a dos posibles errores: Error tipo I : Rechazar una hiptesis verdadera , que este caso significa concluir que el proceso est fuera de control cuando en realidad no lo est. Error tipo II : Aceptar una hiptesis falsa, que en este caso significa concluir que el proceso esta bajo control cuando en realidad no es as. Generalmente las grficas de control se disean para una probabilidad de error tipo I muy baja, de apenas 0.27% , pues son del tipo 3 , y por tanto la probabilidad de que la muestra caiga entre los lmites cuando en realidad el proceso est bajo control es de 99.73% . (En la prctica es frecuente decir que

62
Capacidad de Procesos segn ISO 9000 Ingo Angel Francisco Arvelo

estas probabilidades son de 99% para la aceptacin de un proceso bajo control, y de 1% para el rechazo de un proceso bajo control) . La razn por la cual las grficas se disean para una probabilidad tan baja de error tipo I , es porque se considera que este error es muy grave para la produccin, pues ocasionara la paralizacin del proceso sin que exista un motivo real para ello ; y por este argumento se quiere tener la casi absoluta certeza de que cuando la muestra se salga de alguno de los lmites de control es debido a que existe una evidencia muy significativa de que una causa asignable lo est perturbando. Como la probabilidad de error tipo I es muy baja, la del tipo II puede resultar relativamente alta , especialmente cuando la muestra es pequea, y por ello ocasionalmente puede ser til representar la curva de operacin , para saber la probabilidad que tiene el diagrama de control de detectar cambios en el proceso. Para una mayor informacin acerca del procedimiento para construir esta curva OC para los diagramas de control por variables , el lector puede consultar el Cap.21 del texto "Control de Calidad y Estadstica Industrial" , del autor Acheson J. Duncan .

TIPOS DE GRAFICAS DE CONTROL POR VARIABLES En la prueba de Geary para verificar el ajuste a la normalidad , se vio que la desviacin tpica de una normal tiene diversos estimadores. Otro estimador del parmetro " " de una Distribucin Normal, que no fue mencionado en aquella oportunidad, es el basado en el Rango Muestral . El Rango de la muestra es una medida de variabilidad , que se define como la diferencia entre el mximo y el mnimo valor muestral. R = Mximo { X1 , X2 , X3, ....,Xn} - Mnimo { X1 , X2 , X3, ....,Xn}

En el captulo de Fundamentos Tericos, se analiza que el Rango de la muestra es una variable aleatoria, cuyo valor esperado es proporcional es a la desviacin tpica de la poblacin: E ( R) = d2 . El coeficiente "d2 " representa la constante de proporcionalidad, y se encuentra en unas tablas , que ms adelante consideraremos.

63
Capacidad de Procesos segn ISO 9000 Ingo Angel Francisco Arvelo

En base a este resultado, si toman "k" muestras de igual tamao , y R 1 , R2 , R3, ....,Rk, son sus respectivos rangos, entonces "el rango medio" " R " , puede utilizarse como estimador del valor esperado del Rango Muestral, y a partir de l
i k

R1 R2 Rk obtener la estimacin de " " , es decir: R = = k

Ri
i 1

= E(R)

E(R) = R = d2

R d2

El uso del "Rango Medio" para estimar " " tiene la ventaja de su sencillez de clculo , ya que para calcular el rango solo hace falta localizar en la muestra el mayor y el menor valor. Si el tamao de muestra es pequeo , la estimacin de la varianza poblacional " 2 " a partir del "Rango Medio" , es casi tan buena como la obtenida a partir del
i n

(Xi X) 2
estimador insesgado convencional : 2
i 1

n 1

La tabla siguiente muestra la eficiencia relativa en la estimacin de" 2 " por el mtodo del "Rango Medio", en comparacin con la estimacin insesgada convencional , para varios tamaos de muestra : n Eficiencia relativa 2 3 4 5 0.955 6 0.930 10 0.850

1.000 0.992 0.975

Para n > 10 , la estimacin de " 2" a partir del "Rango Medio" , pierde rpidamente su eficiencia , pues el "Rango muestral" no es un estimador suficiente , al no tomar en consideracin toda la informacin muestral comprendida entre el mnimo y el mximo valor . De todo lo anteriormente expuesto, podemos concluir entonces que la estimacin del parmetro poblacional " " , indispensable para poder estimar la Capacidad del Proceso, puede hacerse de varias maneras , siendo las ms importantes , la estimacin a partir del "Rango Medio" , y la estimacin a partir de la "Varianza Muestral" . Estas dos formas de estimacin dan lugar a dos tipos de Grficas de Control por variables, que se conocen como ( X , R) y ( X , S) segn se utilice el rango

64
Capacidad de Procesos segn ISO 9000 Ingo Angel Francisco Arvelo

muestral "R" o la desviacin tpica muestral "S" respectivamente, como medida de la dispersin del proceso. En la prctica las grficas ( X , R) son mucho ms utilizadas por la sencillez en el clculo de "R" en comparacin con el de "S" , y porque al tomar tamaos de muestra pequeos , la eficiencia de ambos estimadores es prcticamente la misma.

CONSTRUCCION DE LA GRAFICA ( X , R ) La construccin de una grfica ( X , R ) se inicia con la toma de muchas muestras pequeas (20 como mnimo) , de igual tamao provenientes del proceso . Cada una de estas muestras se denomina "subgrupo", y suelen ser de 4, 5 6 observaciones cada una. Lo anterior significa entonces que para iniciar la construccin de la grfica es necesario tomar alrededor de unas 80 observaciones como mnimo del proceso, las cuales son el resultado de 20 subgrupos cada uno de tamao 4. Existen varios razones que justifican el uso de subgrupos , en lugar de tomar una sola muestra aleatoria ms grande , digamos de 80, en instantes al azar. Entre estas razones las ms importantes son: a) El subgrupo es ms homogneo, pues las 4,5 6 observaciones de cada subgrupo corresponden a un mismo instante.. Por tanto las variaciones en el proceso a lo largo del tiempo, son detectadas con mayor facilidad mediante la variacin entre las medias de los diferentes subgrupos . b) Es preferible tomar muestras pequeas varias veces, que tomar una muestra grande rara vez, pues cuando la muestra cae "fuera de control", se puede identificar ms fcilmente la causa asignable que actu. Con respecto a la eleccin de los subgrupos, el criterio bsico es que se deben formar de manera que dentro de cada subgrupo deba existir homogeneidad, pero que a la vez exista mucha probabilidad de variacin de un subgrupo a otro. A continuacin se cita un pensamiento de W.A. Shewhart , creador de la "Teora de los Grficos de Control" , y que ilustra el principio anterior:

65
Capacidad de Procesos segn ISO 9000 Ingo Angel Francisco Arvelo

El objetivo final es no solamente detectar las dificultades sino tambin encontrarlas, y tal descubrimiento naturalmente implica clasificacin. El ingeniero que tiene xito al dividir sus datos inicialmente en subgrupos racionales, lo estar haciendo mejor inherentemente, a largo plazo, que quien no realice esto convenientemente. En la prctica, el criterio que ms comnmente se utiliza para la formacin de subgrupos, es el del orden de produccin, tomando cada subgrupo como representante de la produccin de lapsos de tiempo lo ms cercanos posibles como hora, turno, da , etc. , o como representante de lotes producidos bajo idnticas condiciones de materia prima, maquinarias, operarios , etc., logrando as una probabilidad mxima de que las observaciones dentro de un mismo subgrupo sean muy parecidas, y que diferencias en el comportamiento del proceso , puedan ser rpidamente detectadas mediante diferencias entre los subgrupos. Una vez tomadas las muestras de cada subgrupo, el paso siguiente es determinar los lmites de control aplicando el siguiente procedimiento: 1) Se calcula para subgrupo su media y su rango muestral. 2) Se calcula la media de las medias denominada "Gran Media" , y la media de los Rangos denominado "Rango Medio ". Es decir , que si inicialmente se tomaron "k" subgrupos ( k se calcula el par (X i, R i) , y luego: 20 ) , para cada uno

Gran Media = X =

X1 X 2

R1 R2 Rk X 3 Xk ; Rango Medio = R = k k

3) Se calculan los lmites tentativos de control mediante las siguientes expresiones: Para la media:

Lmite de Control Superior = U. C.L X = X + A2 R Lmite de Control Inferior = L. C.L X = X - A2 R Lnea Central =
X

66
Capacidad de Procesos segn ISO 9000 Ingo Angel Francisco Arvelo

El valor de A2 depende del tamao "n" del subgrupo, y se lee en la tabla del Anexo. Para el Rango:

Lmite Superior de Control = U. C.LR = D4 R Lmite Inferior de Control = L. C.LR = D3 R

Lnea Central = R Los valores de D3 y D4 se obtienen tambin en la tabla del Anexo.

Ejemplo: En una industria Farmacutica se producen pastillas, y para estudiar el proceso se toman 20 muestras de 5 pastillas cada una. El resultado del muestreo se da en la tabla a continuacin:

Para construir la Grfica de Control se procede como sigue:

1) En primer lugar, a cada una de la muestras se le calcula su media y su rango.

67
Capacidad de Procesos segn ISO 9000 Ingo Angel Francisco Arvelo

El resultado de dichos clculos es el siguiente: N 1 2 4.98 0.4 3 5.02 0.2 4 4.96 0.4 5 4.96 0.1 6 5.04 0.1 7 4.94 0.8 8 4.92 0.5 9 4.92 0.3 10 4.98 0.5

Media 5.10 Rango 0.3

11

12 5.00 0.2

13 4.86 0.2

14 4.88 0.3

15 4.92 0.1

16 4.84 0.5

17 4.98 0.2

18 5.00 0.3

19 5.14 0.3

20 5.00 0.6

Media 5.10 Rango 0.4

2) Calcular la media de las medias o "Gran Media " , y el "Rango Medio" . Gran Media = X = 4.977 Rango Medio = R = 0.3350

3) Calcular los Lmites de Control . En la tabla de coeficientes para los lmites de control, se lee que para n=5 como tamao del subgrupo: A2= 0.577 ; D3= 0 ; D4= 2.114

U. C.L X = X + A2 R = 4.977 + 0.577 ( 0.33350) = 5.17


L. C.L X = X - A2 R = 4.977 - 0.577 ( 0.33350) = 4.78
Lnea Central = X = 4.977

U. C.LR = D4 R = 2.114 ( 0.3350 ) = 0.71

68
Capacidad de Procesos segn ISO 9000 Ingo Angel Francisco Arvelo

L. C.LR = D3 R = 0
Lnea Central = R = 0.3350

4) Dibujar la Grfica de Control , ubicando sobre ella los lmites de control, la lnea central , y los diferentes puntos muestrales.

69
Capacidad de Procesos segn ISO 9000 Ingo Angel Francisco Arvelo

En el captulo de "Fundamentos Tericos" , se encuentra la justificacin de este procedimiento para encontrar los lmites de control .

ANALISIS DE LA GRAFICA ( X , R ) Una vez que el diagrama ha sido construido, pueden ocurrir una de las siguientes dos situaciones: 1) Que todos los puntos muestrales , tanto del grfico para la media , como del grfico para el rango , caigan dentro de los lmites de control . De producirse esta situacin , concluimos que no existen evidencias significativas para rechazar la hiptesis de que el proceso se encuentra bajo control estadstico, y podemos iniciar el "Anlisis de Capacidad" propiamente dicho . Para hacer este anlisis tendremos que estimar los parmetros del proceso a partir del grfico, y compararlos con las especificaciones del producto, con el objeto de determinar si es capaz de cumplirlas. El procedimiento a seguir se explica con detalles, en el captulo siguiente. Sin embargo, dado que el grfico de control es en el fondo una prueba de hiptesis con una probabilidad relativamente alta de error tipo II , el hecho de que todos los puntos muestrales caigan entre los lmites de control , no lo podemos interpretar como la absoluta certeza de que el proceso se encuentra bajo control estadstico, y existen ciertos detalles que podran ser interpretados como signos de falta de control . Algunos de estos sntomas son: a) Tendencias o desplazamiento continuo en una direccin , tanto de la media como del rango . Cuando el proceso esta bajo control debe observarse aleatoriedad, en la ubicacin de uno u otro lado de su respectiva lnea central. Si se observa una tendencia tanto creciente como decreciente de la media muestral , esto podra interpretarse como desgaste de una maquinara . Siete o ms puntos consecutivos de un mismo lado, 10 de 11 , 12 de 14 constituyen una seria sospecha de que el proceso est fuera de control .

70
Capacidad de Procesos segn ISO 9000 Ingo Angel Francisco Arvelo

Clculos hechos con la Distribucin Binomial permiten demostrar que para un proceso bajo control, la probabilidad de ocurrencia de cualquiera de estas situaciones es menos de 1% , y que por lo tanto su aparicin puede interpretarse como que el proceso est fuera de control. Existen pruebas estadsticas, que permiten verificar la aleatoriedad de los puntos muestrales . b) Existencia de patrones cclicos, que revelen que cada cierto tiempo se produce un cambio en la ubicacin de los puntos con respecto a la lnea central. Tal comportamiento puede ser el reflejo de situaciones cclicas, tales como fatiga o rotacin de los operarios , cambios de turno , encendido y apagado de maquinarias , ciclos de mantenimiento, de inspeccin, de produccin , etc. c) Correlacin entre los valores de la media y del rango . Cuando el proceso est bajo control, el valor de la media y el rango para una misma muestra son independientes. Por lo tanto , si ambos valores para una misma muestra se ubican siempre a un mismo lado de su respectiva lnea central, podra inferirse que no existe tal independencia, y que alguna causa asignable est actuando. Por esta razn, entre otras, las grficas de medias y la de rangos no pueden ser analizadas en forma aislada, sino conjuntamente. Existen tambin pruebas estadsticas que permiten probar la hiptesis de ausencia de correlacin entre los valores de la media y el rango . Algunos autores sugieren el uso de lmites de advertencia para la media , los cuales son construidos para 2 , y pueden ser utilizados para tomar medidas correctivas tempranas , aunque la muestra no se haya salido de los lmites de control . Los lmites de advertencia se calculan con las expresiones: Lmite de Advertencia Superior: X +

2 A2 R 3

71
Capacidad de Procesos segn ISO 9000 Ingo Angel Francisco Arvelo

Lmite de Advertencia Inferior : X -

2 A2 R 3

2) Que alguno de los puntos muestrales se salga de los lmites de control . De producirse esta situacin , el grfico ha detectado que presumiblemente alguna causa asignable ha actuado sobre el proceso, y debe iniciarse una investigacin que concluya en su identificacin . Para efectuar esta investigacin se requiere de conocimientos tcnicos y de la ingeniera del proceso, y es un asunto que no se resuelve por medio de la teora estadstica . Para realizarla es necesario contar con archivos, registros y planillas de produccin muy bien elaboradas , que permitan al investigador llevar a cabo un seguimiento muy minucioso acerca de las materias primas , maquinarias y operarios que actuaron sobre cada subgrupo. De all la importancia de clasificar las muestras en subgrupos, y tambin la enorme insistencia que hacen las Normas ISO-9000 , acerca de la necesidad de llevar procedimientos escritos para las diferentes etapas del proceso de produccin. Una vez que la investigacin logre identificar la causa por la cual , una determinada muestra se sali de alguno de los lmites de control, esa muestra puede ser excluida del conjunto de datos , y de nuevo hay que recalcular los nuevos lmites de control con los datos restantes , hasta lograr que el proceso quede bajo control estadstico . De no encontrarse la causa , es posible que la muestra haya incurrido en error del tipo I , pero dada la probabilidad tan baja del mismo , tal situacin no debera ocurrir ms de 2 3 veces de cada 1000. As por ejemplo, si regresamos al caso anterior , encontramos que la muestra N7 se sali de control en el rango. Suponiendo que se logr identificar la causa asignable que ocasion tal situacin, podemos eliminar la muestra N7 , y recalcular la " Gran Media" , y el "Rango Medio" para las 19 muestras restantes, encontrando : Gran Media = X = 4.98 Rango Medio = R = 0.31

72
Capacidad de Procesos segn ISO 9000 Ingo Angel Francisco Arvelo

y los nuevos lmites de control :

U. C.L X = X + A2 R = 4.98 + 0.577 ( 0.31) = 5.16

L. C.L X = X - A2 R = 4.98 - 0.577 ( 0.31) = 4.80


Lnea Central = X = 4.98

U. C.LR = D4 R = 2.114 ( 0.31 ) = 0.65


L. C.LR = D3 R = 0

Lnea Central = R = 0.31 y las nuevas grficas resultan ser:

GRAFICA CORREGIDA PARA LA MEDIA

GRAFICA CORREGIDA PARA EL RANGO

73
Capacidad de Procesos segn ISO 9000 Ingo Angel Francisco Arvelo

Una vez que se ha logrado controlar el proceso , ya estamos en condiciones de estimar los parmetros del proceso e iniciar la estimacin de capacidad.

Ejemplo Propuesto: La longitud total del cuerpo de un encendedor de cigarrillos para automvil se controla empleando grficas ( X , R) . La siguiente tabla da la longitud para 20 muestras de tamao 4 cada una ( las mediciones se codifican a partir de 5.00 mm ; esto es , 15 significa 5.15 mm)

Calcule los lmites de control , y analice si el proceso se encuentra bajo control .

74
Capacidad de Procesos segn ISO 9000 Ingo Angel Francisco Arvelo

Solucin : Lmites para la media = 10.71 4.89 Lmites para el rango : [ 0 ; 14.14] . Proceso bajo control.

CONSTRUCCION DE LA GRAFICA ( X , S ) Hemos visto que cuando el tamao de muestra es mayor que 10 , la estimacin de 2" a partir del rango medio pierde eficiencia, en comparacin con la
i n

(Xi X) 2
estimacin insesgada 2
i 1

n 1

Por este motivo, cuando el tamao de los subgrupos es mayor que 10 , es preferible el uso del diagrama ( X , S ) en lugar del ( X , R ). Para la construccin de esta grfica, se utilizara como estimador de 2 al insesgado, designado como S2 y definido por la expresin siguiente:
i n
i n

( Xi
S2 =
i 1

X)

( Xi
S=
i 1

X )2

n 1

n 1

Los objetivos de un diagrama ( X , S ) son los mismos que los de un ( X , R), con la nica diferencia que utiliza la desviacin tpica muestral "S" como medida de la dispersin del proceso, en lugar de utilizar al rango muestral "R". Su construccin parte tambin de "k" muestras cada una de tamao "n", y para cada una es necesario calcular su media y su desviacin tpica muestral. Posteriormente se calcula "la gran media" , y la media de las desviaciones tpicas muestrales que designaremos por S . Los lmites de control vienen dados por:

75
Capacidad de Procesos segn ISO 9000 Ingo Angel Francisco Arvelo

Para la media: Lmite de Control Superior = U. C.L X = X + A3 S Lmite de Control Inferior = L. C.L X = X - A3 S Lnea Central =
X

El valor de A3 depende del tamao "n" del subgrupo, y se lee en la tabla del Anexo . Para la Desviacin Tpica:

Lmite Superior de Control = U. C.LS = B4 S Lmite Inferior de Control = L. C.LS = B3 S

Lnea Central = S Los valores de B3 y B4se obtienen tambin en la tabla del Anexo.

En caso de calcular " S2" con denominador "n" en lugar de "n-1" , los coeficientes A3, B3 y B4 cambian por A1 , B1 y B2 respectivamente . En el captulo de "Fundamentos Tericos" se incluye una explicacin detallada acerca del origen de estos coeficientes . Existen tambin grficos ( X , S) para subgrupos de diferente tamao, pero en general su empleo es mucho menos conocido en la industria, que los ( X , R ) por la complejidad de los clculos que requiere su construccin , y porque solo se justifica su uso cuando por razones tcnicas se considera que el tamao de los subgrupos debe ser relativamente grande , situacin sta poco frecuente por el alto costo que representa. Ejemplo: Supongamos que la tabla siguiente representa el contenido en gramos de unas latas de pur de tomate, y que se tomaron 25 muestras cada una de tamao 10 . Cada muestra fue tomada en diferentes das , y se quiere analizar mediante una grfica ( X , S ), si el proceso se encuentra bajo control.

76
Capacidad de Procesos segn ISO 9000 Ingo Angel Francisco Arvelo

Para construir la grfica, comenzamos por calcularle a cada una de las 25 muestras su media y su desviacin tpica muestral. A continuacin se da el resultado de estos clculos: Muestra N 1 2 3 4 5 6 7 8 9 10
X

S 4.86 4.90 4.69 4.19 3.11 2.76 3.85 6.05 4.29 3.52

Muestra N 14 15 16 17 18 19 20 21 22 23

S 5.21 4.28 6.19 4.61 4.74 6.40 5.15 4.82 4.82 6.20

531.30 527.79 528.00 532.55 533.17 532.83 533.65 530.83 530.78 530.25

531.51 532.91 530.79 527.16 529.20 530.03 531.11 530.10 529.99 529.64

77
Capacidad de Procesos segn ISO 9000 Ingo Angel Francisco Arvelo

11 12 13

533.33 530.91 532.89

5.35 4.32 5.27

24 25

530.37 530.24

3.24 3.54

Luego se procede a calcular la "Gran Media" y "La desviacin tpica promedio"


X = 530 .85

; S = 4.65 ; y de all los lmites de control:

U. C.L X = 530.85 + 0.975 ( 4.65 ) = 535.38


Para la media: Lnea Central = 530.85

L. C.L X = 530.85 - 0.975 ( 4.65 ) = 526.32

U. C.LS = 1.716 ( 4.65 ) = 7.98


Para la Desviacin Tpica: Lnea Central = 4.65

L. C.LS = 0.284 ( 4.65 ) = 1.32


Por ltimo se traza la grfica , y se procede a ubicar dentro de ella a cada una de los 25 puntos muestrales GRAFICA DE CONTROL PARA LA MEDIA MUESTRAL

78
Capacidad de Procesos segn ISO 9000 Ingo Angel Francisco Arvelo

GRAFICA DE CONTROL PARA LA DESVIACION TIPICA MUESTRAL Por los resultados obtenidos se infiere que el proceso se encuentra bajo control , y podemos iniciar la estimacin de capacidad.

79
Capacidad de Procesos segn ISO 9000 Ingo Angel Francisco Arvelo

CAPITULO IV : ANALISIS DE LA CAPACIDAD DEL PROCESO


En el captulo anterior se analiz la metodologa para encontrar los lmites de control, tanto la media como para la variabilidad del proceso. Estos lmites se suelen llamar "Lmites de control del proceso" , y representan la forma como histricamente ha venido operando , puesto que han sido obtenidos a partir de observaciones durante un perodo prolongado de tiempo. El lapso de tiempo que sirvi para construir la grfica de control, se suele llamar "Perodo base o de referencia ", y la grfica de control se usa para detectar cambios en el comportamiento del proceso con relacin a ese perodo. Ahora bien , el hecho de que un proceso se encuentre bajo control , no significa en ningn momento que est produciendo piezas acordes con las especificaciones que le son impuestas ; lo que significa es simplemente que se est comportando de la forma como tradicionalmente lo ha venido haciendo, y que sobre l no estn actuando causas asignables . Es necesario entonces distinguir entre "Lmites del Proceso" , y "Lmites de especificacin", puesto que representan conceptos muy diferentes . La diferencia principal entre uno y otro concepto radica en que , los lmites del proceso se aplican a muestras provenientes del proceso, y sirven para detectar cambios significativos en su comportamiento ; mientras que los lmites de especificacin se aplican para cada pieza individualmente, y representan las dimensiones que debe cumplir para satisfacer los requerimientos de calidad. Generalmente los lmites de especificacin vienen dadas por condiciones externas al proceso , tales como exigencias del consumidor , normas nacionales o internacionales etc., y de all que no necesariamente exista relacin entre ellas y los lmites del proceso. Obviamente un productor que pretenda cumplir con las condiciones de calidad impuestas externamente, debe tratar de conciliar las caractersticas de produccin del proceso con las especificaciones, y de all nace la necesidad de los estudios de capacidad. En el Captulo I, se vieron ya algunos conceptos relativos a la capacidad de procesos, entre los cuales es conveniente recordar: Proceso Capaz : Aquel donde 6 LS - LI.

80
Capacidad de Procesos segn ISO 9000 Ingo Angel Francisco Arvelo

Proceso Centrado : Aquel donde

L S LI 2 L S LI 2

Proceso corrido o Descentrado : Aquel donde : En donde: = Media Poblacional del Proceso . = Desviacin Tpica Poblacional del Proceso. LS= Lmite superior de la especificacin . LI = Lmite inferior de la especificacin .

" LS " y " LI " son evidentemente valores conocidos, pues vienen dados por las especificaciones ; pero los parmetros poblaciones "" y " " para el proceso son desconocidos , pues no es posible examinar a todas las piezas. Se plantea entonces la pregunta : cmo estimarlos ? . Una posible respuesta a esta pregunta es utilizar los estimadores estudiados en el Captulo II, en donde se vi que los estimadores convencionales para "" y " " son " X " y ''S" respectivamente . Sin embargo , estimar as los parmetros poblacionales , exige suponer que en los diferentes instantes en que fueron tomadas las observaciones , las condiciones de operacin del proceso eran las mismas. Si se toman "k" muestras de tamao "n" cada una , no es tericamente correcto fundirlas todas en una sola muestra de k n observaciones, y estimar " " a partir de ella, mediante el clculo de "S" en esa muestra fundida . Este procedimiento no es correcto, pues mediante una simple descomposicin de la suma de cuadrados de las desviaciones, se puede demostrar fcilmente que si existen diferencias entre los subgrupos, la estimacin de " " se ver afectada por tales diferencias. Una explicacin ms detallada de esta situacin puede encontrarse en los textos de Inferencia Estadstica , en el Captulo de Anlisis de la Varianza , Clasificacin Simple . Por las razones antes expuestas, al estimar los parmetros poblacionales es necesario garantizar que las diferentes muestras fueron tomadas bajo las mismas condiciones de operacin del proceso, y de all el requisito de que para

81
Capacidad de Procesos segn ISO 9000 Ingo Angel Francisco Arvelo

iniciar el anlisis de capacidad, el diagrama de control debe mostrar la ausencia de causas asignables. ESTIMACION DE LOS PARAMETROS DEL PROCESO A PARTIR DEL GRAFICO DE CONTROL La capacidad del proceso depende obviamente de las especificaciones, y de los parmetros poblacionales "" y " " . Las especificaciones afectan a la capacidad del proceso , pues en la medida en que sean ms estrechas ms difcil le resultar al proceso cumplirlas , y viceversa, en la medida en que sean ms amplias , mayor ser la probabilidad de cumplirlas. La media poblacional "" afecta la capacidad del proceso (vase Pag. 11) , pues el porcentaje de piezas que cumplirn con la especificacin no es el mismo en cuando el proceso est centrado , que en el caso de un proceso con media desplazada o corrida . La desviacin tpica poblacional " " , afecta la capacidad del proceso pues cuanto menor sea su valor, menor ser el margen de variabilidad de las piezas , y mayor la probabilidad de cumplir con la especificacin, en caso de que el proceso est centrado. De lo anterior concluimos entonces que para estimar la capacidad del proceso hay que comenzar estimando sus parmetros poblacionales "" y " " . En el Cap. III Pag.49 , vimos como en un Grfico de Control ( X , R) , se puede utilizar el rango medio " R " como un estimador del parmetro poblacional " " mediante la expresin: =
R d2

El coeficiente d2, depende del tamao de muestra y su valor numrico se encuentra en el Anexo , en la Tabla de "Constantes para las Grficas de Control" . En el caso de un Grfico de Control ( X , S) , la estimacin del parmetro poblacional " " se hace a partir de la "Desviacin tpica muestral promedio" designada como "S" , mediante la expresin: =
R . c4

El valor numrico del coeficiente c4, para distintos tamaos de muestra se lee tambin en la misma Tabla de "Constantes para las Grficas de Control" .

82
Capacidad de Procesos segn ISO 9000 Ingo Angel Francisco Arvelo

El origen de estos coeficientes "d2 " y "c4 " , as como la justificacin del mtodo de estimacin, se encuentra en el Captulo V de Fundamentos Tericos . En lo que respecta a la estimacin del parmetro poblacional "" , sta se hace para los dos tipos de diagramas de control, a travs de la "Gran Media" : = X . Ejemplo : En el captulo anterior se construy una Grfica de Control ( X , R) para el peso de las pastillas de una Industria Farmacutica, y se encontr que el proceso estaba "fuera de control" , pues una de las muestras qued fuera de los lmites . Una vez hecha la investigacin de rigor , y bajo el supuesto de que se detect la causa asignable, se procedi a recalcular los nuevos lmites de control . Para el proceso bajo control : X = 4.98 , R = 0.31 En la Tabla de Constantes para las Grficas de Control , se encuentra que para un tamao de subgrupos de n=5 , d2= 2.326 , y por tanto los parmetros 0.31 estimados del proceso son : = 4.98 , = = 0.1333 2.326 Ejemplo : En el capitulo anterior se construy una Grfica de Control ( X , S) para el contenido de unas latas de pur de tomate. Para el proceso bajo control : X = 530.85 , S = 4.65 En la Tabla de Constantes para las Grficas de Control , se encuentra que para un tamao de subgrupos de n=10 , c4= 0.9727 , y por tanto los parmetros estimados del proceso son : = 530.85 , = Ejemplos Propuestos : 1) A partir de muchas muestras de seis soldaduras cada una, se determin que el rango medio de las resistencias al esfuerzo cortante de un cierto tipo de soldadura por puntos, fue de R = 35 kN/m2 . a) Establezca los lmites de control para el rango. b) Suponiendo que el proceso est bajo control , estime la desviacin tpica del proceso . Solucin: a ) [ 7.4 ; 77.7 ] b) =13.81

4.65 = 4.78. 0.9727

83
Capacidad de Procesos segn ISO 9000 Ingo Angel Francisco Arvelo

2) El dimetro de unos vstagos va a ser controlado mediante el uso de un diagrama ( X , S). Se tomaron 25 muestras de tamao 10 cada una, se computaron los valores de
i 25 i 25

X y S para cada una de ellas, y se obtuvo :


i 1

Xi = 615.6 ;
i 1

Si = 8.60 .

a) Calcule los lmites de control . b) Suponiendo que el proceso se encuentra bajo control , estime sus parmetros . Solucin : a ) Lmites para X : [ 24.29 ; 24.96 ] . Para S : [0.10 ; 0.59] b) = 24.62 ; = 0.35 .

ANALISIS DE LAS ESPECIFICACIONES Una vez que el proceso se encuentra bajo control , y que sus parmetros han sido estimados, por el procedimiento explicado anteriormente , el paso siguiente es comparar el resultado de esta estimacin con las especificaciones . Antes de hacer este anlisis de especificaciones es conveniente revisar algunos conceptos previos , muchos de los cuales ya han sido mencionados a lo largo de esta obra , pero que dada su importancia es necesario volver sobre ellos, a fin de evitar falsas interpretaciones . Se llama especificacin al valor numrico que una cierta caracterstica de calidad debe cumplir , para que se considere al producto como satisfactorio . Generalmente las especificaciones son bilaterales, es decir, que establecen dos lmites ; as por ejemplo , cuando decimos que el dimetro de un eje debe cumplir con la especificacin (12.00 0.25 ) mm , esto significa que para que el eje sea aceptable su dimetro debe caer en el intervalo [11.75 ; 12.25 ] mm. En algunos otros casos , la especificacin puede ser unilateral, como es por ejemplo, la que se refiere a la resistencia mnima que debe tener un material. El concepto ms importante con relacin a una especificacin, es que los valores que ella establece se aplican para cada pieza individualmente, y no al promedio de una muestra o subgrupo .

84
Capacidad de Procesos segn ISO 9000 Ingo Angel Francisco Arvelo

As por ejemplo , si una muestra de 4 ejes arroja un dimetro medio de por ejemplo 12.10 mm ; esto no significa que ni que la muestra cumple con la especificacin , ni que los 4 ejes la cumplen . Por el contrario, es posible que ninguna de los 4 ejes cumpla con la especificacin , como sera por ejemplo el caso de una muestra con dimetros de 11.70 , 11.72 , 12.40 y 12.58 , en donde ninguno cae en el intervalo requerido por la especificacin , y la media muestral s. Para los estadsticos muestrales, como la media, el rango, etc., aplican los lmites de control, y jams los lmites de especificacin . La situacin anteriormente descrita es una fuente enorme de confusin , cuando se utilizan grficas de control en operaciones de produccin , pues muchas veces se cree que los lmites de control son los mismos lmites de especificacin. Por esta razn , no es recomendable trazar las especificaciones sobre la grfica de control para " X " , pues existe una tendencia natural a comparar el promedio del subgrupo con los lmites de especificacin individuales. Otra mala interpretacin opuesta a la anterior, es comparar el valor individual con los lmites de control para la media , y pensar que existen problemas cuando uno de esos valores individuales cae fuera de los lmites para la media . Otro concepto que suele crear confusin, es el que se refiere a que un proceso bajo control puede producir piezas que no cumplan con la especificacin , pues si su media no est correctamente centrada , o si su desviacin es considerable , un porcentaje importante de la produccin puede salirse de la especificacin . El personal no familiarizado con estos conceptos puede inclusive llegar a sentir frustraciones al preguntarse : Para qu usar estas grficas que me indican que el proceso est bajo control , y sin embargo obtengo un porcentaje apreciable de piezas defectuosas ? . El Dr. W. Edwards Deming , en su libro " Calidad , Productividad y Competitividad. La salida de la crisis " Cap.11 , da numerosos ejemplos sobre falacias en la interpretacin de las Grficas de Control , y dice textualmente en la Pag. 259 : Los lmites de la especificacin no son lmites de actuacin. De hecho, tienen lugar grandes prdidas cuando un proceso se est ajustando continuamente en un sentido y luego en otro, para cumplir las especificaciones . Curiosamente un proceso puede que est en control estadstico, y est produciendo el 10% de artculos defectuosos, y hasta incluso el 100% .

85
Capacidad de Procesos segn ISO 9000 Ingo Angel Francisco Arvelo

De todo lo anteriormente expuesto, debemos estar claros entonces que el objetivo fundamental del Grfico de Control es el conocimiento del proceso bajo condiciones estables de operacin , y que el anlisis de especificaciones y posteriormente el estudio de capacidad , constituyen la herramienta para determinar si el proceso puede o no cumplir las especificaciones . Para iniciar el anlisis de especificaciones , debemos establecer los lmites naturales de variacin del proceso, que como sabemos de las propiedades de la distribucin normal son 3 . Obsrvese que estos lmites corresponden a cada pieza individualmente , y por tanto son comparables con las especificaciones que tambin aplican para la pieza individual . En nuestro caso , los parmetros "" y " " han sido estimados por el procedimiento sealado en la Pgina 64 , y tenemos entonces: L.N.I = Lmite natural inferior estimado del proceso = - 3 . L.N.S = Lmite natural superior estimado del proceso = + 3 . LI = Lmite inferior de especificacin ( Fijado externamente por las normas) LS = Lmite superior de especificacin ( Fijado externamente por las normas) Hecha la estimacin de los lmites naturales de variacin para el proceso, se pueden presentar las siguientes situaciones al compararlos con las especificaciones: Situacin N 1 : El intervalo de variacin natural del proceso est incluido en el intervalo definido por las especificaciones , es decir : [ L.N.I ; L.N.S ] [ LI ; LS]

Esta situacin es obviamente la ideal , y es la que identifica a un Proceso Capaz, pues aqu el proceso puede cmodamente cumplir con las especificaciones , y no habr prcticamente piezas defectuosas. En esta situacin no necesariamente el proceso est centrado.

86
Capacidad de Procesos segn ISO 9000 Ingo Angel Francisco Arvelo

De darse este caso , la nica recomendacin que se podra hacer es la de tratar de centrar el proceso, a fin de minimizar el riesgo de que por algn desajuste tanto en la media como en la desviacin, se produzcan defectuosas. Situacin N2 : Las especificaciones estn incluidas dentro del intervalo de variacin natural del proceso , es decir: [ LI ; LS] [ L.N.I ; L.N.S ] Este es el caso de un proceso no capaz, en donde las especificaciones resultan demasiado estrictas para su precisin, y por ms esfuerzos de control que se hagan , el proceso va a producir un porcentaje apreciable de piezas defectuosas .

De encontrarse este caso , centrarlo no basta y las recomendaciones deben ser radicales , tales como cambiar las maquinarias por otras ms precisas , entrenar mejor al personal , o negociar un cambio en las especificaciones por otras ms amplias, pues al proceso le resulta imposible cumplir a cabalidad con las actuales. Situacin N3 : Ninguno de los dos intervalos est incluido dentro del otro.

87
Capacidad de Procesos segn ISO 9000 Ingo Angel Francisco Arvelo

Las piezas conformes son las que se encuentran en la interseccin de ambos intervalos . Un caso extremo de esta situacin es aquella en donde la interseccin de los dos intervalos es vaca , y por tanto el 100% de la produccin ser defectuosa.

Tal situacin es a la que se refera el Dr. Deming, acerca de como un proceso bajo control estadstico puede incluso llegar a producir el 100% de piezas defectuosas , e ilustra el concepto del porque tener al proceso bajo control no puede constituir por s solo una meta . Un corrimiento significativo en la media del proceso en una u otra direccin es la causa de esta situacin N3 , y el proceso puede ser mejorado de efectuarse los ajustes necesarios para centrarlo . Una vez centrado , el proceso pasar a producir con aproximadamente el 100% de piezas correctas , en caso de que 6 LS - LI ( Situacin N 1, Proceso Capaz), o pasar a producir con un porcentaje menor que el actual de piezas defectuosas (Situacin N 2, Proceso no Capaz) , en caso de que 6 > LS - LI.

ESTIMACION DEL PORCENTAJE DE DEFECTUOSOS Una buena manera de complementar el Anlisis de Especificaciones , es estimar para las condiciones actuales de operacin del proceso ,el porcentaje de piezas defectuosas que produce . Para realizar dicha estimacin solo se necesitan los parmetros estimados del proceso , las especificaciones , y las tablas normales explicadas en el primer captulo. Ejemplo : Se toman muestras de 4 artculos de un cierto proceso de manufactura a intervalos regulares , y se mide una cierta caracterstica de calidad . Para cada

88
Capacidad de Procesos segn ISO 9000 Ingo Angel Francisco Arvelo

muestra se calcula se calcula su media X , y su rango R . Despus de 25


i 25 i 25

muestras se tiene :
i 1

Xi = 15350
i 1

Ri = 411,40 .

a) Encuentre los lmites de control . b) Suponiendo que el proceso esta bajo control estadstico , y que las especificaciones de esta caracterstica de calidad son 610 15 . Estime el porcentaje de artculos fuera de especificacin, para las condiciones actuales de operacin . c) Qu porcentaje de artculos se esperara encontrar fuera de especificacin , si el proceso estuviese centrado ? . Solucin : a) Para encontrar los lmites de control , comenzamos por calcular la "Gran Media" , y el " Rango Medio " :
X =

15350 41140 . = 614.00 ; R = = 16.46 25 25

Para un tamao de subgrupo n=4 , encontramos que las constantes para las grficas de control ( X , R ) son : A2= 0.729 , D3=0 , D4= 2.282 , y por tanto los lmites de control son :

U. C.L X = X + A2 R = 614.00 + 0.729 ( 16.46 ) = 626.00

L. C.L X = X - A2 R = 614.00 - 0.729 ( 16.46 ) = 602.00


U. C.LR = D4 R = 2.282 ( 16.46 ) = 37.56

L. C.LR = D3 R = 0
U.C.L R = D4 R = 2.282 ( 16.46 ) = 37.56 L.C.L R = D3 R = 0

b) Una vez encontrados los lmites de control , procedemos a estimar los parmetros del proceso, teniendo en cuenta que: 16.46 R = X = 614.00 ; = = = 7.99 d2 2.059

89
Capacidad de Procesos segn ISO 9000 Ingo Angel Francisco Arvelo

Ntese que estamos en presencia de la Situacin N2 , pues los lmites naturales de variacin del proceso son: L.N.I = 614 .00 - 3 ( 7.99 ) = 590.03 ; L.N.S = 614.00 + 3 ( 7.99 ) = 637.97 mientras que LI = 595 .00 ; LS = 625.00 El intervalo dado por las especificaciones [ 595.00 ; 625.00 ] est incluido en el intervalo natural de variacin del proceso [ 590.03 ; 637.97 ] , el proceso no es capaz , y en consecuencia habr un cierto porcentaje de piezas fuera de especificacin .

Para estimar este porcentaje de piezas defectuosas utilizamos las tablas normales , los parmetros estimados , y obtenemos: X = Valor numrico de la caracterstica de calidad P( X < 595) = P( Z < N ( 614.00 ; 7.992 ) ( -2.38) = 0.0087

595 - 614 ) = P ( Z < -2.38) = 7.99


595 - 614 7.99
Z

P ( 595

625 ) = P (

625 614 ) = P ( -2.38 7.99

1.38) =

(1.38) P ( X > 625) = P (Z >

(-2.38) = 0.9162 - 0.0087 = 0.9075 (1.38) = 0.0838

625 614 ) = P ( Z > 1.38) = 1 7.99

De acuerdo con estas estimaciones de probabilidad, bajo las condiciones actuales de operacin, el 90.75% de la produccin cumple con las especificaciones, y la diferencia 9.25% es defectuosa ( 0.87 % por debajo del lmite inferior de especificacin y 8.38% por encima del superior ) .

90
Capacidad de Procesos segn ISO 9000 Ingo Angel Francisco Arvelo

c) Como este proceso no es capaz, aunque se centre siempre existir un porcentaje apreciable de defectuosas , y para estimarlo basta calcular la probabilidad de encontrarse fuera de especificacin con = 610 ( punto medio) , y con = 7.99. Esta suposicin de que = 7.99 para el proceso centrado, es perfectamente legtima, pues como sabemos el valor de " " , es el reflejo de la accin de la causas comunes , y estas seguirn actuando aunque se centre el proceso , a menos que se tomen medidas radicales tales como cambiar la maquinaria, etc. P ( 595 X 625 ) = P (

595 - 610 7.99

625 610 ) = P ( -1.88 7.99

1.88) =

D(1.88) = 0.9399 ( Por ser un intervalo simtrico) = 93.99 % conformes . El porcentaje estimado de piezas defectuosas , como consecuencia de centrar el proceso se reduce entonces a 6.01% . Por no ser el proceso capaz este porcentaje no se puede reducido mas , a menos que se tomen medidas que logren disminuir su variabilidad . Estas medidas son bsicamente las consagradas en algunas de las recomendaciones de Demig tales como : a) Implantar un programa vigoroso de educacin y automejora . b) Evitar la relacin con varios proveedores a fin de reducir la variabilidad entre las materias primas. c) Evitar diferencias entre las maquinaras , y procedimientos . Ejercicios Propuestos: 1) Para elaborar un grfico de control ( X , R ) se tomaron 30 muestras cada una de tamao 4 , de una soldadura por puntos . Se midi la resistencia al esfuerzo cortante, y para cada una de las 30 muestras se calcul su media y su
i 30 i 30

rango , encontrndose :
i 1

Xi = 15450 N ,
i 1

Ri = 1206 N.

Suponiendo que el proceso est bajo control, determine: a) Los lmites para el grfico ( X , R ). b) La desviacin tpica estimada del proceso .

91
Capacidad de Procesos segn ISO 9000 Ingo Angel Francisco Arvelo

c) Si la especificacin establece que la resistencia mnima de la soldadura por puntos es de 400 N . Qu porcentaje de las soldaduras cumple con esa especificacin mnima ? . Solucin : a) Para X : [485.69 ; 544.31] , Para R : [ 0 ; 91.74 ] . b) 19.52 c) 100% . El proceso es capaz 2) Se toman muestras de tamao 6 de un proceso de manufactura, a intervalos regulares de tiempo. Se mide una caracterstica de calidad , distribuida normalmente, y se calcula el valor de x y S para cada muestra.
i 50 i 50

Despus de analizar 50 subgrupos , se tiene que:


i 1

Xi = 1000 ,
i 1

Si = 75 .

a) Calcule los lmites de control para el diagrama ( X , S ). b) Suponiendo que todos los puntos en ambas grficas , caen entre los lmites de control , cuales son los lmites naturales de variacin del proceso ? . c) Si las especificaciones son 19.0 4.0 . Cual es su conclusin acerca de la capacidad del proceso , para producir artculos conformes a estas especificaciones ? . d) Suponiendo que se puede retrabajar un artculo que exceda el lmite superior , mientras que si se encuentra por debajo del lmite inferior hay que rechazarlo, qu porcentaje estimado de artculos de recuperacin y de rechazo produce actualmente el proceso ? . e) Si el proceso se centrara en = 19.0 , cual sera el efecto en el porcentaje de artculos para recuperacin y rechazo ? . Solucin: a) Para X : [18.07 ; 21.93] , Para S : [0.045 ; 2.955] . b) [ 15.27 ; 24.73] c) No es capaz . d) Recuperacin: 2.87 % . Rechazo: 0% . e) 0.57% cada una .

ESTIMACION DE LA CAPACIDAD DEL PROCESO El concepto de "Proceso Capaz" ya ha sido explicado ampliamente en las secciones precedentes , y tambin en el Captulo I ; el problema que se analizara ahora , es el de cmo medir dicha capacidad .

92
Capacidad de Procesos segn ISO 9000 Ingo Angel Francisco Arvelo

La medicin de la capacidad es importante pues en definitiva sta ser la herramienta que permitir evaluar el proceso en una auditora de calidad , y servir tambin para comparar el proceso evaluado con otros procesos similares, a fin de decidir cul de ellos presenta una mejor disposicin para el cumplimiento de las especificaciones , y en consecuencia una mejor calidad. La capacidad del proceso se suele evaluar mediante un coeficiente llamado "Razn o Coeficiente de capacidad del proceso " , el cual cuando toma un valor igual o mayor que 1 , indica que el proceso es capaz. Para estimar este coeficiente hay que distinguir dos casos: Caso N 1 : Proceso Centrado .

Este caso ya fue definido en la Pgina N 14 , y viene dado por:

CP=

L s Li Tolerancia = 6 6

Para este caso , de proceso centrado , este coeficiente se suele llamar "Coeficiente de capacidad bsica o potencial del proceso " , pues la condicin de proceso centrado representa su estado ptimo de operacin , en lo que a porcentaje de piezas conformes se refiere . En efecto , en el Captulo de Fundamentos Tericos se demostrar el siguiente teorema: " Dada una Distribucin Normal con desviacin tpica " " , y un intervalo fijo [a,b] , el rea bajo la curva en el intervalo ser mxima cuando la media de la distribucin coincida con el punto medio del intervalo " . Grficamente, la situacin es la siguiente:

93
Capacidad de Procesos segn ISO 9000 Ingo Angel Francisco Arvelo

Este teorema aplicado al caso en que el intervalo fijo [ a , b ] es el intervalo dado por las especificaciones [ LI , LS ] , trae como consecuencia que para un proceso centrado el porcentaje de piezas conformes es mximo . Cuando el proceso es capaz, este porcentaje mximo de piezas conformes es aproximadamente el 100% , pero cuando no es capaz no alcanza el 100% ,y lamentablemente el proceso no puede ser mejorado , a menos que se logre una ampliacin en las especificaciones , o una reduccin en " ", con las consecuentes inversiones de capital que esta reduccin acarrea . Por las consideraciones anteriores , "CP " "Coeficiente de capacidad bsica del proceso " representa tambin la capacidad potencial o mxima del proceso , y si CP< 1 , no es posible garantizar que la totalidad de las piezas producidas satisfacen la especificacin . El coeficiente "CP " tiene tambin otra interpretacin muy importante, pues su 1 100% representa el porcentaje de la banda de tolerancia que inverso Cp abarca los lmites naturales de variacin del proceso, cuando ste est centrado. As por ejemplo CP= 1. 40 , se interpreta en primer lugar como una medida de que el proceso es capaz en caso de que est centrado , y en segundo lugar, 1 100% = 71,43 % , puede calculando su inverso expresado en porcentaje 140 . ser interpretado como que los lmites naturales de variacin del proceso [-3 ; + 3 ] representan el 71.43 % de los lmites de especificacin .

Evidentemente cuando CP< 1 , su inverso expresado en porcentaje es mayor que el 100% , y esto se interpreta como que los lmites naturales de variacin del proceso son ms amplios que los lmites de especificacin , y en consecuencia el proceso no puede cumplirlas a cabalidad . La estimacin de "CP " se hace a partir de la estimacin de " " de la grfica L s Li d2 bajo control; y obtenemos que para un grfico ( X , R ) : Cp 6R

En caso de haber utilizado un grfico ( X , S ): Cp

L s Li c4 6S

94
Capacidad de Procesos segn ISO 9000 Ingo Angel Francisco Arvelo

A partir del valor estimado de "CP " , y con la ayuda de las tablas normales, se puede estimar el nmero esperado de piezas defectuosas que producir el proceso , segn la siguiente tabla:

NUMERO ESPERADO DE PIEZAS DEFECTUOSAS POR CADA MILLON DE PIEZAS PRODUCIDAS

Valor de Cp

ESPECIFICACIONES UNILATERALES

ESPECIFICACIONES BILATERALES

0,50 0,75 1,00 1,10 1,20 1,30 1,40 1,50 1,60 1,70 1,80 2,00

66.800,00 12.200,00 1.350,00 483,00 159,00 48,00 13,00 3,40 0,80 0,17 0,03 0,0009

133.600,00 24.400,00 2.700,00 966,00 318,00 96,00 26,00 6,80 1,60 0,34 0,06 0,0018

Caso N 2 : Proceso no centrado . Cuando el proceso no est centrado, el porcentaje de piezas conformes no es mximo , pero esto no implica que el proceso no sea capaz , pues puede suceder que las especificaciones le resulten tan amplias que a pesar del corrimiento de la media , la casi totalidad de las piezas caigan dentro de la especificacin . Tal situacin se muestra en la siguiente figura :

95
Capacidad de Procesos segn ISO 9000 Ingo Angel Francisco Arvelo

Cuando el coeficiente de capacidad se calcula para un proceso no centrado se designa por "CPK " , y recibe el nombre de "Coeficiente de Capacidad Real" , pues refleja las condiciones reales de operacin ; mientras que el anterior "C P " es para la condicin ideal de proceso centrado. Para estimar "CPK" , es necesario identificar primero si la media del proceso est corrida hacia la izquierda o hacia la derecha , y para ello es hay que calcular las diferencias " - LI" , y "LS - " . La menor de tales diferencias indica respectivamente la direccin del corrimiento de la media del proceso , pues evidentemente cuando se produce un corrimiento hacia la derecha entonces la media del proceso est ms cerca del lmite superior de especificacin que del lmite inferior ; y viceversa . Si la menor de las diferencias es " - LI", la media est corrida hacia la izquierda, y de resultar "LS - " la menor , entonces el corrimiento es a la derecha . Para que el proceso sea capaz en este caso no centrado, la distancia de la media del proceso a su lmite ms cercano de especificacin debe ser mayor que 3 , pues de no ser as , habr un cierto porcentaje de piezas fuera de especificacin. El coeficiente de capacidad real del proceso , se define por la siguiente expresin: CPK = mnimo entre

Ls 3

- Li 3

tambin se puede escribir en funcin de los valores tipificados correspondientes a los lmites de especificacin , y queda :

CPK =

1 del menor valor entre { z1 , z2 ] 3

96
Capacidad de Procesos segn ISO 9000 Ingo Angel Francisco Arvelo

Siendo : z1 =

- Li

z2 =

Ls

La interpretacin que tiene este coeficiente es similar al del caso centrado , ya que cuando CPK < 1 , esto significa que la media del proceso se encuentra a menos de tres desviaciones tpicas del lmite de especificacin ms cercano, y por tanto el proceso no es capaz . Entre los coeficientes CP y CPK , existe una relacin matemtica dada por: CPK= CP ( 1 - k )
( Vase Cap. V: Justificacin Terica )

Siendo "k" un parmetro que se define como "ndice de localizacin " , cuyo valor depende del corrimiento que haya sufrido la media del proceso . El clculo de "k" se hace a travs de las expresin : k = = Corrimiento de la media =
0

2 T

= Punto central de la especificacin = Media verdadera del proceso .

T = Tolerancia = LS - LI

El ndice de localizacin "k" es una medida relativa del corrimiento, debido a que 1 compara el corrimiento " " , con el radio de especificacin " T " . 2 Valores de "k" cercanos a cero indican que el proceso presenta un corrimiento relativo leve , y para ellos CPK CP , mientras que a medida que el corrimiento se acenta , se obtendr un valor de CPK significativamente menor que el de CP. Valores de "k" cercanos a "1' indican un fuerte corrimiento, y que la media est muy cercana a uno de los extremos de especificacin.

97
Capacidad de Procesos segn ISO 9000 Ingo Angel Francisco Arvelo

Como CPK

Cp , un valor de CPK< 1 , con uno de CP 1 , indica que el proceso no es capaz bajo las condiciones actuales de operacin porque la media esta muy corrida , pero que de tomarse las medidas correctivas necesarias para centrarlo, el proceso llegar a ser capaz. Esta es la gran diferencia entre estos dos coeficientes, "CP" representa el valor mximo de la capacidad del proceso y no puede ser mejorado a menos que se apliquen medidas radicales o se cambien las especificaciones; mientras que "CPK" es una medida de la capacidad actual , susceptible de mejoras con simples ajustes a las maquinarias que centren el proceso. Es importante destacar que el ndice CPK puede incluso llegar a ser cero o negativo. En efecto , si la media del proceso coincide con uno de los lmites de especificacin, entonces CPK = 0 , y en este caso el porcentaje de defectuoso es de aproximadamente 50% , la como se puede apreciar el la grfica siguiente:

Dado que : CPK = mnimo entre

Ls 3

- Li ; Si 3

= LS

CPK = 0

Cuando CPK resulta negativo , la interpretacin es que la media del proceso se ha corrido tanto , que se ha llegado a colocar fuera de los lmites de especificacin, y en este caso, ms del 50% de la piezas resultan defectuosa, tal como puede verse en la grfica a continuacin :

98
Capacidad de Procesos segn ISO 9000 Ingo Angel Francisco Arvelo

Dado que : CPK = mnimo entre

Ls 3

- Li ; Si 3

> LS

CPK < 0

Como los parmetros del proceso son desconocidos , el verdadero valor de CPK es desconocido , y puede ser estimado a partir de la estimacin de los parmetros del proceso . Para un proceso bajo control con un grfico ( X , R ) tenemos:

LS X X - LI CPK = Mnimo valor entre d2 ; d2 3R 3R

mientras que para un proceso bajo control con un grfico ( X , S ) :

CPK = Mnimo valor entre

LS X X - LI c4 ; c4 3S 3S

Algunos textos y programas de computacin hacen la distincin entre un CPK para el lmite inferior , y otro CPK para el lmite superior , los definen como CPKI y CPKS respectivamente, y luego definen el Coeficiente de Capacidad Real C PK para el proceso como el menor valor entre los dos, lo cual es obviamente equivalente a lo anterior. En el caso de especificaciones unilaterales , no es aplicable el concepto de Proceso Centrado , y resulta obvio que a medida que la media del proceso se aleje en sentido contrario del lmite nico de especificacin, el proceso es ms capaz, pues el porcentaje de defectuosas disminuye, tal como se muestra en la figura siguiente para la situacin de una sola especificacin inferior:

99
Capacidad de Procesos segn ISO 9000 Ingo Angel Francisco Arvelo

La capacidad potencial "CP " no existe en estos casos , debido a que no hay un valor mximo para la capacidad del proceso . Cuanto ms se aleje la media del proceso del lmite nico de especificacin , mayor ser su capacidad . Para calcular la Capacidad real "CPK", solo interesa la distancia de la media al nico lmite de especificacin existente, la cual debe ser mayor que " 3 ", para que el proceso sea considerado capaz . CPK =

Ls 3

( Solo la especificacin superior)

CPK =

LI 3

( Solo la especificacin inferior )

La estimacin de la capacidad del proceso se hace al igual que antes , a partir de los parmetros estimados del proceso bajo control . Con relacin al valor mnimo que pueden tomar estos coeficientes para los fines de aprobacin de una auditora de calidad , es conveniente aclarar que la Norma ISO - 9000 es muy general y no los establece ; solamente consagra la conveniencia de que el proceso de produccin sea capaz . ( Vase en la "Introduccin" , el texto exacto de la norma. ) .Sin embargo , algunos autores , tales como Douglas C. Montgomery en su texto "Control Estadstico de Calidad " del Grupo Editorial Iberoamericana, Pag. 242, recomienda algunos valores mnimos para el coeficiente "CPK " , en funcin del tipo de proceso , y de la incidencia que tenga la caracterstica de calidad en la seguridad del usuario o en la calidad del producto terminado. Los valores mnimos para "CPK " , recomendados por el Dr. Douglas Montgomery son
ESPECIFICACIONES BILATERALES Procesos existentes Procesos nuevos Parmetro de seguridad, de resistencia, o crtico del proceso existente. Parmetro de seguridad, de resistencia, o crtico del proceso nuevo 1.67 1.60 1.50 1.45 1.33 1.50 ESPECIFICACIONES UNILATERALES 1.25 1.45

100
Capacidad de Procesos segn ISO 9000 Ingo Angel Francisco Arvelo

Se entiende por caracterstica de seguridad aquella cuya falta de cumplimiento pueda ocasionar daos fsicos al usuario tales como por ejemplo , la resistencia de un material . Se entiende por parmetro crtico aquel cuya falta de cumplimiento ocasiona que el producto terminado sea declarado como inservible . El valor CP= 1.33 corresponde a un proceso centrado con lmites de especificacin de 4 , mientras que el de CP= 1.67 para 5 . Ejemplo : Un dado de extrusin se emplea para producir barras de aluminio . El dimetro de las barras es una caracterstica de calidad crtica , que debe encontrarse dentro de las especificaciones ( 0.5035 0.0010 ) pulgadas. Se toman 20 muestras de 5 barras cada una , y se les calcula su media y su rango muestral . Los valores dados en la tabla siguiente son los tres ltimos dgitos de las mediciones ; esto es, 34.2 se lee como 0.50342 Muestra
X

1 34.2 3

2 31.6 4

3 31.8 4

4 33.4 5

10 38.6 4

35.0 32.1 4 2

32.6 33.8 34.8 7 9 10

Muestra 11
X

12 34.0 6

13 36.0 4

14 37.2 7

15

16

17 35.0 4

18

19

20 34.0 4

35.4 8

35.2 33.4 3 10

34.4 33.9 7 8

a) Establezca los diagramas ( X , R ) , revisando los lmites de control tentativos si es necesario , suponiendo que pueden encontrarse causas asignables . b) Calcule los coeficientes CP y CPK, e interprete el resultado. c) Estime el porcentaje de defectuosos que est produciendo el proceso. Solucin : a) X = 34.32 , R = 5.65 Los lmites de control tentativos son: U. C.L X = 34.32 + 0.577 ( 5.65 ) = 37.58 Lnea Central: X = 34.32

101
Capacidad de Procesos segn ISO 9000 Ingo Angel Francisco Arvelo

L. C.L X = 34.32 - 0.577 ( 5.65 ) = 31.06


U.C.LR = 2.114 (5,65 ) = 11.94 Lnea Central R = 5,65 L.C.L R = 0

La muestra N 10 est fuera de control para X . Suponiendo que fueron encontradas las causas asignables , la muestra N 10 puede ser eliminada , y resulta: X = 34.09 ; R = 5.74 Eliminada la muestra N 10 , los lmites de control revisados pasan a ser:

U. C.L X = 34.09 + 0.577 ( 5.74 ) = 37.40


Lnea Central: X = 34.09

L. C.L X = 34.09 - 0.577 ( 5.65 ) = 30.83


U.C.LR = 2,114 ( 5,74 ) = 12.13 Lnea Central R = 5.74 L.C.L R = 0 El proceso queda bajo control b) Los parmetros estimados del proceso son : 2.47
45.0 25.0 CP = = = 1.35 6(2.47)

X = 34.09 ; =

5.74 = 2.326

El proceso es potencialmente capaz .

Sin embargo, como = 34.09 , y el punto central de la especificacin es 35.0, el proceso est corrido hacia la izquierda. Los coeficientes de capacidad real estimados son:

102
Capacidad de Procesos segn ISO 9000 Ingo Angel Francisco Arvelo

L S X 45 34.09 X LI 34.09 25 = = 1.23 ; Cpks = = = 1.47 CpkI = 3 (2.47) 3 (2.47) 3 3


CPK = Menor valor entre { 1.23 ; 1.47 } = 1.23 A pesar de estar la media corrida hacia la izquierda , la especificaciones le resultan tan cmodas , que el proceso sigue siendo capaz. Otra manera de estimar a CPK, es mediante el ndice de localizacin: Para nuestro caso , se tiene: T = LS - LI = 45.0 -25.0 = 20.0

= X

= 34.09 - 35.0 = 0.91

K=

2 2 (0.91) = = 0.091 20.0 T

El ndice de localizacin resulta ser 0.091 9.1 % , lo que se interpreta como una relacin entre el corrimiento de la media con el radio de la especificacin . No existen normas acerca de los valores permisibles para este ndice de localizacin, entre otras razones porque su incidencia en la capacidad real del proceso depende de su capacidad potencial "Cp" , de manera que un valor de k=0.091 , puede interpretarse como descentralizacin no influyente cuando C P es mucho mayor que 1 como este caso, pero muy influyente en la Capacidad real si CP 1. Una vez calculado "k" , se tiene : CPK= CP( 1- k) = 1.35 ( 1 - 0.091) = 1.23 lo que coincide con la estimacin realizada por el otro mtodo . c) En cuanto a la estimacin del porcentaje de piezas defectuosas que actualmente est produciendo el proceso , tenemos que el porcentaje de piezas conformes es: P ( 25 = X 45 ) = P (

25 34.09 2.47

45 34.09 ) = P ( -3.68 2.47

4.42)

( 4.42 ) -

( -3.68) = 0.99988

P ( defectuosas) = 1 - 0.99988 = 0.00012 = 0.012 % .

103
Capacidad de Procesos segn ISO 9000 Ingo Angel Francisco Arvelo

El porcentaje estimado de piezas defectuosas da evidentemente insignificante , pues el proceso result capaz ; pero podra reducirse an ms si se centrara .

EJERCICIOS PROPUESTOS : 1) Veinticinco muestras de tamao 5 cada una , se extraen de un proceso a intervalos regulares, y se obtienen los siguientes datos:
i 25 i 25

Xi = 367.00 ;
i 1 i 1

Ri = 8.60

a) Calcule los lmites de control para el diagrama ( X , R ) . b) Suponiendo que el proceso est bajo control , y que los lmites de especificacin son 14.50 0.50 , qu conclusiones se pueden extraer acerca de la capacidad del proceso, para operar dentro de estas especificaciones ? . c) Estime el porcentaje de artculos defectuosos que se producirn bajo las condiciones actuales de operacin. d) Estime los coeficientes CP , CPK, y el "ndice de localizacin" . Interprete los resultados . Solucin : a) [14.48 ; 14.88] y [ 0 ; 0.73] . c) 1.54 % . d) CP = 1.13 ; CPK= 0.72 ; k= 0.36 . 2) Se toman 18 muestras de tamao 10 cada una ,con el propsito de construir un grfico ( X , S), para controlar el contenido de una cierta sustancia dentro de unas piezas.
i 18 i 18

Los resultados obtenidos dan:


i 1

Xi = 595.8 ;
i 1

Si = 8.24 .

a) Encuentre los lmites de control para el grfico ( X , S ) . b) Si las especificaciones establecen que el contenido mnimo de esta sustancia debe ser de 33 gramos , estime el porcentaje de piezas que no la cumplen. c) Calcule el coeficiente Cpk, e interprete el resultado. Solucin : a) [ 32.65 ; 33.55 ] y [ 0.13 ; 0.79] b) 41.68% . c) CPK= 0.07

104
Capacidad de Procesos segn ISO 9000 Ingo Angel Francisco Arvelo

OTROS METODOS PARA ESTIMAR LA CAPACIDAD DEL PROCESO A pesar de que la metodologa anteriormente descrita para estimar la capacidad del proceso es la que ms se utiliza, y es prcticamente la nica que aparece dispersa en algunos textos de " Control Estadstico de Calidad " , algunos autores consideran que la misma presenta un punto dbil, cual es el supuesto de normalidad para las piezas individuales que fabrica el proceso. En efecto , la distribucin estadstica de la caracterstica de calidad en estudio para las piezas individuales , se suele llamar en el lxico del "Control Estadstico de Procesos" , la "Distribucin subyacente " , y en el caso de la teora de los grficos de control , el supuesto de normalidad para esta distribucin subyacente es el fundamento para determinar todos los coeficientes A2, A3, B3, B4 , d2 , c4 , etc. , indispensables para su construccin . Por otro lado , dado que el grfico de control se aplica para promedios , X , R , S , etc., la normalidad de estos promedios no garantiza la normalidad de las observaciones individuales, pues en la teora estadstica se estudia un teorema conocido como " Teorema Central del lmite " , el cual garantiza la normalidad de los promedios , sea cual fuere la distribucin de las observaciones individuales . De lo anterior se deduce entonces que la normalidad de la distribucin subyacente no queda plenamente demostrada a partir de las grficas de control, y que es necesario demostrarla de una manera ms rigurosa mediante la aplicacin de las pruebas de ajuste estudiadas en el Cap. II . Una de las consecuencias de la no normalidad sobre la distribucin subyacente, es que ya no es vlido el porcentaje de 99.73 % de observaciones individuales para el intervalo [- 3 ; + 3 ] . Segn la "Desigualdad de Chebyshev" , para una distribucin subyacente cualquiera , este porcentaje es de 88.89 % por lo menos:
2

P(|X-|

3 )

1-

8 = 88.89 % 9

En el Cap. V ( Fundamentos Tericos ) , se dan algunos de los resultados obtenidos por ciertos investigadores, acerca del efecto de la no normalidad sobre los grficos de control .

105
Capacidad de Procesos segn ISO 9000 Ingo Angel Francisco Arvelo

ESTIMACION DE LA CAPACIDAD A PARTIR DEL HISTOGRAMA Con el fin de garantizar que la distribucin subyacente sigue realmente una Distribucin Normal , este mtodo toma un conjunto de observaciones individuales provenientes del proceso ( 100 por lo menos), las agrupa en intervalos de clase para construir el histograma , posteriormente les hace una prueba de normalidad por alguno de los mtodos ya explicados en el Cap.II, y en caso de que sea aceptada , a partir de all estima su capacidad. Aparentemente el mtodo tiene la ventaja de garantizar la normalidad , y adems de hacer una mejor estimacin de los parmetros del proceso , pues indudablemente una estimacin de " " basada en "S" para 100 observaciones individuales , es mucho ms confiable que otra estimacin basada en R en S , para varios subgrupos de un tamao relativamente pequeo . Sin embargo ,el problema que se presenta ahora es el de cmo garantizar que estas 100 ms observaciones individuales , han sido tomadas bajo unas condiciones estables de operacin del proceso ? ; pues si durante el desarrollo del muestreo aparecen causas asignables , la estimacin de " " que se haga a partir de ellas no ser realista , la hiptesis de normalidad resultar rechazada , la capacidad del proceso resultar subevaluada , y con el agravante de que aquellas observaciones correspondientes a la accin de las causas asignables no podrn ser identificadas. Lamentablemente, sin la ayuda de las grficas de control, no podemos tener una probabilidad relativamente alta de poder afirmar que el proceso est operando bajo condiciones estables, y de all que la estimacin de su capacidad no pueda aislarse de la construccin de tales grficas. La forma como opera el mtodo es la siguiente : 1) Se procede a tomar una muestra de 100 observaciones individuales como mnimo del proceso . La muestra se toma en subgrupos de 4 5 observaciones cada una, a intervalos de tiempo suficientemente distantes , al igual que como se explic para la construccin de una grfica ( X , R) , lo que exigir tomar 20 25 subgrupos . 2) Se procede al igual que antes a construir el grfico, y a eliminar aquellas muestras fuera de control, una vez detectada la causa asignable. 3) Con el proceso bajo control , se toman todas aquellas observaciones individuales correspondientes a las muestras que no fueron eliminadas sin

106
Capacidad de Procesos segn ISO 9000 Ingo Angel Francisco Arvelo

hacer distincin de subgrupos, y se clasifican en una tabla agrupada de frecuencias , siguiendo los procedimientos de Estadstica Descriptiva . Esto garantiza que las observaciones individuales provienen de un proceso estable, sin la accin aparente de causas asignables . 4) A la tabla agrupada de frecuencias se le dibuja un histograma , y se le aplican pruebas de normalidad , o papel probabilstico. 5) De resultar afirmativa la prueba de ajuste, se estiman los parmetros del proceso , a partir de la tabla agrupada de frecuencias. 6) Con los parmetros estimados , se estima el porcentaje de piezas fuera de especificacin, y los coeficientes de capacidad CP y CPK . Ejemplo: Tomemos los datos correspondientes a las 20 muestras de 5 pastillas del captulo anterior Estos datos ya fueron analizados, y los parmetros del proceso estimados, resultando ser = 4.98 , = 0.1333 .

Apliquemos ahora este nuevo mtodo , a fn de obtener una estimacin de los parmetros del proceso a partir del histograma . Como la muestra N 7 fue eliminada, los datos quedaron reducidos a 19 muestras de tamao 5 cada una, es decir 95 observaciones. Estas 95 observaciones se clasifican en una tabla de frecuencias:
Peso
frecuencia

4.5 1

4.6 1

4.7 2

4.8 13

4.9 20

5.0 30

5.1 18

5.2 7

5.3 3

107
Capacidad de Procesos segn ISO 9000 Ingo Angel Francisco Arvelo

Los parmetros estimados resultan ser = X = 4.98 ; = S = 0.1458 A continuacin procedemos a verificar la normalidad de las observaciones individuales, mediante la aplicacin de la prueba chi - cuadrado de bondad del ajuste, para lo cual es necesario clasificarlas en intervalos. Teniendo en cuenta que se trata de una variable continua los lmites reales de cada observacin son de 0,05. Posteriormente con las tablas normales se calculan las frecuencias esperadas, y se procede tal como se explic en el Cap. II , teniendo en cuenta que la hiptesis a probar es : H0: El peso de una pastilla se ajusta a una Distribucin Normal . H1: El peso de una pastilla no se ajusta a una Distribucin Normal . Los resultados obtenidos se dan en la tabla a continuacin: Peso de la Pastilla < 4.75 4.75 - 4.85 4.85 - 4.95 4.95 - 5.05 5.05 - 5.15 5.15 - 5.25 5.15 5.25 fi 4 13 20 30 18 7 3 10 pi 0.0582 0.1302 0.2330 0.2657 0.1926 0.0888 0.0315 =0.1203 ei 5.53 12.37 22.13 25.24 18.29 8.44 2.99 11.43

108
Capacidad de Procesos segn ISO 9000 Ingo Angel Francisco Arvelo

Siguiendo las reglas de la prueba chi- cuadrado (Capitulo II), como el ltimo intervalo result con una frecuencia esperada menor que 5 , se fundi con el anterior .
i=k 2

( fi - e i ) 2 ei i=1

Para este caso k = 6 , pues al final resultaron 6 intervalos despus de hecha la fusin de los dos ltimos intervalos. Hechos los clculos, se obtiene : significacin del 5% , es :
2 2

= 1.74 ; mientras que el valor crtico dado

por la tabla chi cuadrado con 6-1-2= 3 grados de libertad, a un nivel de


0.05;3

= 7.81 , lo que evidentemente conlleva a la

aceptacin de la hiptesis de que el peso de cada pastilla individualmente sigue una Distribucin Normal . Tambin hubiera podido verificarse la normalidad con el papel probabilstico, el cual hubiera quedado de la siguiente forma:

Una vez verificada la normalidad de los pesos individuales, y con los parmetros estimados : = 4.98 ; = 0.1458 , que result ligeramente mayor que 0.1333, estimacin a partir de R del grfico de control , se hace el anlisis de especificaciones y de capacidad , a igual que como se explic en las secciones respectivas .

109
Capacidad de Procesos segn ISO 9000 Ingo Angel Francisco Arvelo

Es de hacer notar que este mtodo de estimacin de la capacidad del proceso a partir de su histograma , est muy poco difundido en la Bibliografa de Control Estadstico de Calidad ; solo aparece tratado de una forma muy breve en los siguientes textos: 1) Control Estadstico de Calidad . Douglas C. Montgomery Grupo Editorial Ibero Americana. Mxico 2) Control de Calidad . Bertrand L. Hansen Editorial Hispano Europea . Barcelona . Espaa Este ltimo texto lo denomina "Mtodo de la Amplitud Unica" , ya que para estimar el porcentaje poblacional de piezas dentro de los lmites muestrales, utiliza el rango o amplitud de la muestra unificada . En opinin muy personal del autor, las razones que han prevalecido para la escasa difusin de este mtodo, a pesar de ser muy completo, son las siguientes: 1) En primer lugar una razn terica, pues el uso de los estimadores convencionales de "" y de " " supone que las observaciones muestrales son aleatorias e independientes, y como en ste mtodo las observaciones son tomadas en subgrupos, es discutible la legitimidad de estos supuestos. Sin embargo, el supuesto de independencia entre las observaciones tiene cierto asidero, pues el mtodo exige que el histograma sea construdo para el proceso bajo control , y con esta exigencia se garantiza que no existan diferencias significativas entre los distintos subgrupos . 2) En segundo lugar, una razn prctica, pues ste mtodo es mucho ms laborioso , requiere un mayor conocimiento de los mtodos estadsticos , y al final arroja la misma estimacin del parmetro "" . En cuanto a la estimacin de " " , este mtodo dar siempre una estimacin ligeramente mayor , pues la suma total de cuadrados para las observaciones se ver ligeramente afectadas por las diferencias poco significativas entre los subgrupos. La ventaja de este mtodo con relacin al convencional es la de garantizar con bastante certeza la normalidad del proceso. El mtodo convencional no la garantiza, sino que la supone.

110
Capacidad de Procesos segn ISO 9000 Ingo Angel Francisco Arvelo

Posiblemente el lector se preguntar; qu hacer en caso en caso de que la normalidad resulte rechazada ? . La respuesta a esta pregunta la dan los mtodos no paramtricos , o libres de distribucin , que permiten analizar las especificaciones sin la necesidad del supuesto de normalidad , pero con la desventaja de requerir tamaos de muestra mayores . Una informacin ms detallada sobre estos mtodos puede encontrarse en el ya citado texto del Dr. Douglas Montgomery , Pag. 262 , as como tambin en el texto "Estadstica para Ingenieros " de los autores Albert Bowker y Gerald Lieberman , de la Editorial Prentice Hall . Tambin existe un mtodo conocido como " Lot Plot " , el cual puede ser aplicado an cuando la distribucin no sea normal . Una explicacin detallada de este mtodo puede encontrarse en el texto " Control de Calidad y Estadstica Industrial" del autor Acheson J. Duncan , en el Cap. 23 de "Procesos y procedimientos especiales " , y que se utiliza principalmente como plan de muestreo por variables .

INFERENCIAS RELATIVAS A LA CAPACIDAD DEL PROCESO Hemos visto que la capacidad del proceso se mide a travs de tres indicadores: El porcentaje de piezas defectuosas que produce , el cual debe ser prcticamente cero para un proceso capaz , y los dos coeficientes de capacidad, el potencial "CP " y el real "CPK" , los cuales deben ser ambos mayores que 1 para un proceso capaz . A lo largo de este captulo, hemos visto como estimar estos indicadores de la capacidad del proceso . Sin embargo, no podemos olvidar que estos procedimientos conducen a estimaciones puntuales de tales indicadores porque se apoyan en la estimacin puntual de los parmetros del proceso . Al ser toda estimacin puntual un valor particular de un estadstico muestral, esta estimacin estar sujeta a la aleatoriedad de la muestra , y por lo tanto no se puede afirmar que el valor estimado del parmetro sea exactamente igual al verdadero valor poblacional. Hasta el momento , los textos de "Control Estadstico de Calidad" y presumiblemente las auditoras de calidad , han tratado el problema basados

111
Capacidad de Procesos segn ISO 9000 Ingo Angel Francisco Arvelo

exclusivamente en la estimacin puntual , olvidando por completo que la estimacin obtenida es en realidad un valor particular de una variable aleatoria , y que si se hiciera otra evaluacin de la capacidad a partir de otra muestra , muy seguramente el resultado sera otro. Desde un punto de vista estrictamente terico , lo ms correcto sera que la estimacin de estos indicadores de capacidad se hiciera por intervalos , y que la decisin relativa a la aprobacin de una auditora de calidad se hiciera mediante una prueba de hiptesis . Es decir , que si las normas exigieran por ejemplo , que para un determinado proceso el valor mnimo del coeficiente de capacidad real debe ser de 1.33 , entonces la decisin de aprobacin o improbacin de la capacidad del proceso a los fines de dar cumplimiento a lo exigido por la Norma ISO - 9000 , se hiciera mediante la Prueba de Hiptesis: H0 : CPK 1.33 El proceso cumple con la norma. El proceso no cumple con la norma.

H1 : CPK < 1.33

Hasta la fecha , no ha sido desarrollada una metodologa para probar este tipo de hiptesis , y segn algunas investigaciones realizadas por el autor , el problema se encuentra en fase de investigacin . El problema sera fcil de resolver en caso de que la hiptesis se refiera al coeficiente de Capacidad Real "CP" , y la decisin se tomara en base a una sola muestra , como por ejemplo la unificada, considerada en el mtodo anterior de estimacin a partir del histograma . La prueba de hiptesis: H0 : CP CP0

H1 : CP < CP0 se reduce a una prueba unilateral para la varianza , de las ya estudiadas en la

H0 :
que sera de la forma:

L S - LI 6 Cp0 L S - LI 6 Cp0

H1:

En cuanto a la estimacin por intervalos para los coeficientes de capacidad , y para el porcentaje de defectuosos que fabrica el proceso , se presenta el mismo

112
Capacidad de Procesos segn ISO 9000 Ingo Angel Francisco Arvelo

problema , pues hasta la fecha no se ha encontrado la distribucin estadstica de sus correspondientes estimadores . Una estimacin por intervalos para "CP" en base a una sola muestra , podra ser obtenida a partir del intervalo de confianza para 2, que como se sabe de la Inferencia Estadstica es :

(n - 1)S2
2 / 2; n-1

(n -1)S2
2 1 / 2; n-1

; lo que dara el siguiente

intervalo del (1- ). 100% de confianza para CP :


2 1 / 2; n-1

n 1

L S-LI ; 6S

/ 2; n-1

n 1

L S-LI 6S

En donde:

2 1

/ 2; n-1 =

Abscisa que en una Distribucin chi- cuadrado con (n-1) grados de libertad deja a la derecha un rea "1 ".

/ 2; n-1

= Abscisa que en una Distribucin chi- cuadrado con (n-1) grados de libertad deja a la derecha un rea " ".

El problema est en que la estimacin de la capacidad del proceso no es recomendable hacerla en base a una sola muestra por las razones de estabilidad que ya conocemos ,y por ese motivo las frmulas anteriores no son aplicables cuando la estimacin de " " se hace a partir del rango medio R , o a partir de S , segn el grfico de control utilizado, pues se modifican las condiciones tericas bajo las cuales se obtiene el intervalo de confianza anterior.

113
Capacidad de Procesos segn ISO 9000 Ingo Angel Francisco Arvelo

Por este motivo se hace necesario encontrar la distribucin del estimador de C P y de CPK , bajo estas nuevas condiciones de estimacin, en base a k subgrupos de tamao n cada uno. En el apndice se encuentran unos artculos de aparicin relativamente recente en revistas especializadas, en donde se aborda el problema. Uno de los artculos titulados " How Reliable is your Capability Index ?" de A.F Bissel, enfrenta el problema de la estimacin por intervalos para los coeficientes de capacidad , mediante la introduccin de dos ndices bsicos que define como: L S LI LS LI I= ; IK= IK = ;y posteriormente analiza el nmero efectivo de grados de libertad con que se realiza la estimacin, el cual designa por f. analiza el nmero efectivo de grados de libertad con que se realiza la estimacin , el cual designa por "f" . Finalmente , el autor A.F Bissel obtiene unas expresiones aproximadas para el intervalo de confianza correspondiente a IK, a partir del cual se puede obtener el de CPK. Tambin se incluye en el apndice , otro artculo titulado " Bootstrap Confidence Interval Estimates of CPK . An Introduction ". Este artculo propone una metodologa para estimar por intervalos al coeficiente CPK, por un mtodo denominado "Bootstrap " , que consiste en tomar una muestra aleatoria de tamao "n" del proceso , y posteriormente tomar otra muestra con reemplazamiento , tambin de tamao "n" , pero proveniente de la muestra original, la cual denomina " muestra bootstrap" . Como existen nn muestras bootstrap posibles , cada una de ellas conduce a un valor estimado de CPK ( no necesariamente todos nicos) . La distribucin de estos valores de CPK, depender evidentemente de la muestra original tomada del proceso, y a partir de all obtiene un intervalo de confianza para CPK , el cual resulta centrado en su valor puntual estimado, y con una amplitud funcin de la desviacin tpica de estos diferentes valores de CPK. Tambin se incluye en el apndice un programa para obtener el referido intervalo de confianza para CPK , por este mtodo "Bootstrap" . La estimacin por intervalos tanto para " CP " como para " CPK " , es sin embargo demasiado reciente y an no ha sido incorporada en los textos de "Control Estadstico de Calidad". No es de extraar que un futuro prximo, en las

114
Capacidad de Procesos segn ISO 9000 Ingo Angel Francisco Arvelo

auditoras de calidad se exijan , as como tambin las pruebas de hiptesis para la verificacin de que el proceso cumple con los requisitos cuantitativos mnimos de capacidad , que an la norma ISO - 9000 no establece .

RELACION ENTRE LOS LIMITES NATURALES DEL PROCESO Y LOS LIMITES NATURALES DE SUS COMPONENTES Es muy frecuente que la capacidad de un proceso resulte errneamente evaluada porque su lmites naturales de variacin han sido mal establecidos. En la Pag. 67 vimos que para hacer la evaluacin de la capacidad del proceso es necesario comparar sus lmites naturales de variacin con las especificaciones , y que estos lmites naturales se hallan: L.N.I = - 3 L.N.S = + 3

En algunas oportunidades los lmites naturales de variacin para una variable no se determinan por la observacin directa de ella, si no indirectamente a travs de otras , y es muy frecuente que en esa determinacin se cometan errores , que luego afecten la evaluacin de la capacidad del proceso Ejemplos de tales situaciones son las siguientes: 1) Imaginemos que tenemos un envase cilndrico , y que se han determinado los lmites naturales de variacin para su dimetro y para su altura. Supongamos que los del dimetro son (10.00 0.25 ) cms , y que los de la altura son ( 18.00 0.30 ) cms . Cuales son los lmites naturales de variacin para el volumen del envase ? . Una persona poco experimentada en el manejo de tcnicas estadsticas hara el siguiente razonamiento : La situacin ms desfavorable para el volumen es cuando tanto el dimetro como la altura estn en el lmite natural inferior , es decir 9.75 cms y 17.70 cms respectivamente , y teniendo en cuenta que V= r2h , el mnimo volumen para el envase es 1.312,52 cm3, y luego hara un razonamiento similar para el mximo , con un dimetro de 10.25 cms y una altura de 18.30 cms , obteniendo un lmite natural superior para el volumen de 1.510,04 cm3. Tal razonamiento aparentemente lgico, es incorrecto desde el punto de vista estadstico, por la siguiente razn :

115
Capacidad de Procesos segn ISO 9000 Ingo Angel Francisco Arvelo

Los lmites naturales de variacin para cada variable, se dan para un 99% de probabilidad de cobertura , de manera que obtener un envase que tenga ambas dimensiones dimetro y altura por debajo o por encima de su respectivo lmite natural de variacin , tiene una probabilidad muy inferior al 1% ; suponiendo independencia entre ambas variables esta probabilidad sera : 2x0.005 x 0.005 = 5 x 10-5. El intervalo calculado [ 1.312 , 52 ; 1.510, 04 ] , es en consecuencia mucho ms amplio que el intervalo natural de variacin para el volumen . 2) Otra situacin similar a la anterior se presenta cuando en un proceso hay que mezclar diversos ingredientes . Supongamos que en una determinada etapa del proceso hay que mezclar dos envases de un ingrediente "A" con un envase de otro ingrediente "B" , y que estudios estadsticos han comprobado que los lmites naturales de variacin para el ingrediente "A" son entre 420 y 438 gramos , mientras que los del ingrediente "B" entre 510 y 516 gramos . Un razonamiento similar al utilizado anteriormente nos llevara a la falsa conclusin de que los lmites naturales de variacin para el producto resultante son entre 2 x 420 + 510 = 1350 gramos y 2 x 438 + 516 = 1392 gramos . Este intervalo [ 1350 ; 1392] resulta mucho ms amplio que el de 99% de probabilidad de cobertura , ya que es muy poco probable que al azar seleccionemos dos envases "A" con un contenido inferior a 420 , acompaados de otro envase con contenido inferior a 510 gramos . Esta probabilidad sera(0.005)3, para cada lado , y en total 2x(0.005)3, lo que evidentemente da una probabilidad de cobertura superior al 99% para el intervalo encontrado. El lector seguramente se preguntar que si el razonamiento anterior no es el correcto , que debe hacerse entonces para encontrar los lmites naturales de variacin del proceso ? . Lamentablemente el problema no es fcil de resolver en el caso general . Solamente cuando las variables involucradas siguen cada una de ellas Distribuciones Normales independientes, y la relacin entre la variable del proceso es una funcin lineal de ellas , existe un procedimiento sencillo para resolver el problema . En el primer ejemplo , donde la funcin no es lineal : V = r2h , la situacin es compleja desde el punto de vista estadstico , pues hay que encontrar la Distribucin del Volumen, a partir de la Distribucin del dimetro y de la altura , aplicando tcnicas de Transformacin de Variables Aleatorias , Funciones de Variables Aleatorias , y mtodos aproximados basados en desarrollos en series

116
Capacidad de Procesos segn ISO 9000 Ingo Angel Francisco Arvelo

de Taylor . Una explicacin muy detallada sobre estas tcnicas puede encontrarse en los siguientes textos : 1) Estadstica Matemtica con Aplicaciones . Menderhall , Wackerly y Scheaffer . Grupo Editorial Iberoamericana . Cap. 6 2) Probabilidad y Aplicaciones Estadsticas . Meyer . Addison Iberoamericana . Cap. 5 y 6 . Wesley

En el segundo ejemplo , la relacin es lineal , pues si designamos por "Y" al peso de la mezcla , se tiene : Y = XA1 + XA2 + XB, siendo XA y XB el peso de un envase "A" y de uno "B" respectivamente . Ntese que no es correcto escribir Y = 2 XA + XB , pues al ser aleatorio el peso de cada caja , no necesariamente el peso total de las dos cajas es de una multiplicado por 2 . En la Teora Estadstica se estudia un teorema cuya demostracin se da en el Cap. V , y el cual establece lo siguiente : Si X1 , X1 .... Xn son variables aleatorias independientes , y normalmente distribuidas , entonces una funcin lineal de ellas : Y = a0 + a1 X1 + a2 X2+ .... + an Xn tambin seguir una Distribucin normal , y sus parmetros son :
Y

= a 0 + a1
2 Y 2 = a1

+ a2 + a2 2

2+

.... + an

2 1

2 2

2 + .... + an

2 n

Aplicando este teorema para el ejemplo 2 , podemos hallar los lmites naturales de variacin para el peso de la mezcla , procediendo como sigue: Si los lmites naturales para el peso de las cajas tipo "A" son 420 y 438 , suponiendo normalidad tenemos : A= 429 , y 6 A = 438- 420 = 18 A = 3 y 2 por consiguiente XA N ( 429 ; 3 ) . De manera anloga, si para el ingrediente "B" sus lmites naturales de variacin son 510 y 516 , entonces se obtiene : B= 513 , B= 1 , y XB N(513;12) .

117
Capacidad de Procesos segn ISO 9000 Ingo Angel Francisco Arvelo

Al ser Y = XA1 + XA2 + XB, mediante la aplicacin del teorema se concluye entonces que Y N ( 1371 ; 19 ), y en consecuencia los limites naturales de variacin para el peso de la mezcla sera : Lmite Natural Inferior = Lmite Natural Superior =
Y

-3
Y+

Y= Y=

1371 - 3 1371 + 3

19 = 1357.92

19 = 1384.08

El intervalo obtenido es evidentemente ms estrecho que el obtenido por el razonamiento incorrecto explicado anteriormente . Ejemplo propuesto : Para hacer un montaje , es necesario ensamblar tres componentes de la forma como se indica en la figura :

Las dimensiones de cada componente son variables aleatorias independientes, que siguen cada una distribucin normal , y sus lmites naturales de variacin son de (1.00 0.04 ) pulgadas para X1 , (3.00 0.05 ) pulgadas para X2 y (2.00 0.02 ) pulgadas para X3. Analice si el proceso es capaz de cumplir con las especificaciones ( 6.00 0.06 ) para el ensamble . Calcule el porcentaje de piezas fuera de especificacin y su coeficiente de capacidad CP. Solucin : No es capaz . 0.74 % . CP = 0.8944 .

ANALISIS DE CAPACIDAD MEDIANTE DISEO DE EXPERIMENTOS Cuando un proceso resulta no capaz para cumplir unas especificaciones , la pregunta que inmediatamente debe hacerse el ingeniero o investigador es qu puedo hacer para convertir este proceso en capaz ? . La gran mayora de las veces no es posible conseguir una ampliacin de las especificaciones , que sera el camino ms cmodo y econmico para convertir al proceso en capaz , pues las mismas son generalmente exigencias de normas internacionales .

118
Capacidad de Procesos segn ISO 9000 Ingo Angel Francisco Arvelo

Otra posibilidad para convertir el proceso en capaz es la aplicacin de las diversas recomendaciones del Dr. Deming , tendientes a reducir la variabilidad del proceso , ya mencionadas anteriormente. La alternativa de sustituir las maquinarias y equipos por otros ms precisos es tan costosa , que muchas veces no es considerada . El "Diseo de Experimentos" es una principales herramientas estadsticas que permite reducir la variabilidad de un proceso, mediante la identificacin de los factores y variables que ms lo afectan . En efecto, en un proceso industrial intervienen una serie de variables , algunas de ellas controlables , tales como temperatura , presin , tiempo , velocidad de giro de ciertas maquinarias , etc., que afectan en mayor o en menor grado las caractersticas del producto obtenido . Un experimento controlado consiste en tomar una serie de observaciones de las caractersticas de calidad del producto, modificando simultneamente varias de las variables de entrada al proceso . As por ejemplo, para distintos niveles de presin , temperatura , etc. , se observa el valor de una cierta caracterstica de calidad , y se analiza su variabilidad . Mediante el uso de estas tcnicas se logra identificar las llamadas variables activas , que son aquellas que realmente tienen una incidencia significativa en el comportamiento del proceso , y en las caractersticas de calidad del producto terminado. La identificacin de estas variables activas es de gran utilidad para aumentar la capacidad del proceso , pues mediante un control ms estricto de ellas, se puede lograr un comportamiento ms estable del proceso , y en consecuencia un producto mucho ms homogneo. Estas tcnicas de "Diseo de Experimentos" son de reciente aplicacin en el medio industrial , pero eran ya conocidas an antes de la segunda guerra mundial , con aplicaciones muy concretas en la agricultura , pues all intervienen gran cantidad de variables como condiciones climatolgicas , caractersticas del suelo , tipos de fertilizantes , etc. , y mediante su aplicacin se logr identificar la combinacin ptima de estos factores , y obtener un ptimo aprovechamiento del suelo . Las tcnicas de Diseo de Experimentos son el complemento indispensable para los " Diagramas Causa - Efecto" , pues no todas las causas que se sealan

119
Capacidad de Procesos segn ISO 9000 Ingo Angel Francisco Arvelo

en ellos son significativamente influyentes en el proceso , y mediante la utilizacin del " Diseo de Experimentos " , algunas de las causas consideradas inicialmente como importantes en la calidad del producto , pueden ser desechadas, e incorporadas otras . En el apndice se incluye un artculo titulado Designing Process Capability Studies de George C. Runner, en donde se hace referencia a los beneficios de los experimentos diseados en el Control Estadstico de Procesos. Una mayor informacin sobre estos mtodos , puede encontrarse en el texto "Diseo y Anlisis de Experimentos" del mismo autor ya mencionado Douglas C. Montgomery , del Grupo Editorial Iberoamericana .

EJERCICICIOS DE RECAPITULACION

1) Los datos siguientes representan la resistencia a la presin interna de unas botellas para bebidas gaseosas expresada en p.s.i, y estn organizados en 20 muestras de 5 boteas cada una . Muestra N
1 2 3 4 5 6 7 8 9 10 265 197 346 280 265 200 221 265 261 278 205 286 317 242 254 235 176 262 248 250 263 274 242 260 281 246 248 271 260 265 307 243 258 321 294 328 263 245 274 270 220 231 276 228 223 296 231 301 337 298

Muestra N
11 12 13 14 15 16 17 18 19 20 268 267 300 250 260 276 334 280 250 257 260 281 208 299 308 264 280 274 278 210 234 299 265 214 187 264 258 267 235 283 269 235 265 272 253 287 254 274 280 269 215 318 271 293 277 290 283 258 275 251

a) Construya un grfico de control ( X , R) . Analice si el proceso est bajo control , y determine los lmites de control .

120
Capacidad de Procesos segn ISO 9000 Ingo Angel Francisco Arvelo

b) Si las especificaciones exigen que las botellas para bebidas gaseosas deben tener una resistencia interna mnima de 200 p.s.i . Analice si este proceso es capaz de cumplir con esta especificacin . c) Estime el coeficiente de capacidad real , y el porcentaje de botellas que no cumplen con la especificacin . d) Unifique las muestras , construya el histograma , verifique la normalidad del proceso , y recalcule el coeficiente CPK, y el porcentaje de piezas fuera de especificacin . Solucin : a) Proceso bajo control . Para X : ( 210.46 ; 308.66 ) . Para R : ( 0 ; 163. 49 ) . b) No es capaz . c) CPK = 0.64 . 2.68 % .

2) Las especificaciones para una pieza son 600 20 . La produccin de esta pieza ha estado bajo control durante un largo tiempo , mediante el uso de un grfico ( X , R ) . Los lmites de este diagrama para subgrupos de tamao 9 son: Diagrama para X Lmite Superior Linea Central Lmite Inferior 616 610 604 Diagrama para R 32.36 17.82 3.28

a) Cules son sus conclusiones acerca de la capacidad del proceso ? . b) Estime los coeficientes CP, CPK y el porcentaje de piezas fuera de especificacin. Solucin : a) No es capaz por no estar centrado . b) CP= 1.11 potencialmente capaz . CPK = 0.56 . 4.75 % fuera de especificacin . es

3) Un proceso distribuido normalmente emplea el 66.67 % de la banda de especificacin, est centrado en la dimensin nominal, y se localiza a la mitad entre los lmites de especificacin superior e inferior.

121
Capacidad de Procesos segn ISO 9000 Ingo Angel Francisco Arvelo

a) Cual es su coeficiente de capacidad actual CP ? . b) Qu porcentaje de defectuosas produce actualmente ? . c) Suponga que la media se corre a una distancia de exactamente 2 desviaciones tpicas por debajo del lmite superior de especificacin. Cual es ahora su nuevo coeficiente de capacidad real ? . d) Despus del corrimiento , cul es el nuevo porcentaje de piezas defectuosas? . Solucin : a) CP = 1.50 . b) 3.40 por milln de piezas producidas . c) CPK = 0.67 d) 2.28 % . 4) Se utiliza un diagrama ( X , R ) con subgrupos de tamao 8 , para controlar la resistencia a la tensin ( expresada en libras) de un hilo. Se seleccionaron 30 muestras, se calcul para cada una su media y su rango , y
i 30 i 30

se obtuvo:
i 1

Xi = 607,80 ,
i 1

Ri = 144 .

Suponiendo que el proceso queda bajo control , y que existe una especificacin inferior que establece que la resistencia de este hilo debe ser de 16 lb. como mnimo, calcule el coeficiente de capacidad , y el porcentaje de piezas fuera de especificacin . Solucin : CPK = 0.84 no es capaz . 0.59 %

5) Se utiliza un diagrama ( X , S ) , con subgrupos de tamao 4 para controlar una cierta caracterstica de calidad . Los lmites de este diagrama son: Diagrama para X Lmite Superior Lnea Central Lmite Inferior 201.63 200.00 198.37 Diagrama para S 2.266 1.000 0

Suponiendo que el diagrama indica control, y que las especificaciones son 200.00 2.50 . a) Cules son sus conclusiones acerca de la capacidad del proceso ? .

122
Capacidad de Procesos segn ISO 9000 Ingo Angel Francisco Arvelo

b) Estime el coeficientes CP , y el porcentaje de piezas fuera de especificacin . Solucin: CP = 0.77 no es capaz . 2.14 % .

6) Un eje consiste en seis secciones diferentes colocadas una al lado de la otra. Se sabe que las longitudes de estas secciones componentes son variables aleatorias independientes, distribuidas normalmente con las siguientes medias y varianzas : (8.10 ; 0.05) , ( 7.25 ; 0.04 ) , ( 9.75 ; 0.06) (3.45 ; 0.04) , (17.15 ; 0.10) y (6.20 ; 0.07) . Si las especificaciones establecen que el eje ensamblado tenga una longitud de (52.0 1.5) pulgadas. Calcule el coeficiente de capacidad real del proceso de ensamblaje, y el porcentaje de ejes fuera de especificacin. Solucin : CPK = 0.78 no es capaz . 1.37%

7) Dos resistencias son conectadas en serie, para armar un circuito cuya resistencia total debe ser de (16.00 0.25) ohmios. Suponiendo que la resistencia de cada una, es una variable aleatoria normalmente distribuida, cules deben ser los lmites naturales mximos de variacin de estas resistencias? , para que la conexin sea capaz de cumplir con la especificacin. Solucin : 8.0000 0.1768

123
Capacidad de Procesos segn ISO 9000 Ingo Angel Francisco Arvelo

CAPITULO V : FUNDAMENTOS TEORICOS


Los diferentes mtodos y procedimientos , destinados a estimar la capacidad de un proceso industrial, y que han sido analizados en los captulos anteriores, tienen su fundamento en la Teora Estadstica, especialmente en la Estadstica Matemtica . Tal como se explic en la introduccin , el autor no ha querido condicionar la explicacin de estos mtodos al desarrollo paralelo de su fundamentacin , debido a que tal enfoque desvirtuara el propsito de esta obra , la cual pretende servir de referencia a aquellas personas , ingenieros , tcnicos , empresarios ,cientficos , auditores de calidad , etc., que para los fines de dar cumplimiento a lo establecido en las Normas ISO-9000 , tengan que evaluar la capacidad de un proceso industrial determinado . El objetivo de este captulo es imprimirle a la obra un carcter ms acadmico , que muestre el fundamento terico de los mtodos , procedimientos y frmulas que han sido presentadas a lo largo de los cuatro captulos anteriores , a fin de que se entienda que detrs de toda esta metodologa existe todo un basamento terico , y que los coeficientes , tablas y frmulas utilizadas no tienen jams un carcter emprico ; sino que por el contrario , obedecen a un riguroso proceso matemtico de demostracin . La lectura de este captulo no es necesaria para aquellas personas a quienes solo interesa el aspecto metodolgico, y para ellos es suficiente con los cuatro captulos anteriores . Para una mejor comprensin, es conveniente que el lector repase algunos conceptos previos de "Teora de Probabilidades" e "Inferencia Estadstica " , tales como : Valor esperado y Varianza de Variables aleatorias. Funcin generadora de momentos . Funciones de variables aleatorias . Mtodos para la obtencin de estimadores . Estimadores insesgados . La justificacin de las diferentes propiedades y metodologas ha sido desarrollada en el mismo orden en que han sido tratadas.

124
Capacidad de Procesos segn ISO 9000 Ingo Angel Francisco Arvelo

PROPIEDADES DE LA CURVA NORMAL La funcin de densidad correspondiente a la curva normal es :

f ( x)
A partir de all se demuestra : 1) Los parmetros "" y " distribucin .
2

1 2

(x - ) 2 e 2

- <x<

" representan la media y la varianza de la

En primer lugar "" y " 2" son parmetros porque para cualquier valor que ellos tomen, el rea bajo la curva es siempre igual a 1 , pues :
1 2
(x- ) 2 2 2

dx = 1

x
En efecto, si en esta integral hacemos el cambio de variable : z =

se obtiene :

1 2

z2 2

dz = 2

1 2

z2 2

dz
1 2t

Haciendo la sustitucin: t =

1 2 z 2

dt = z dz

dz =

dt , resulta:

2 2

1 1 dt = 2t

1 t

dt =

1 ( ) 2 =1

lo que demuestra que efectivamente la ecuacin de la curva normal corresponde a una funcin densidad continua de probabilidad , y en donde "" y " 2 " son parmetros . Para demostrar que estos parmetros son realmente la media y la varianza de la distribucin, es necesario hallar primero su funcin generadora de momentos MX( t) :

125
Capacidad de Procesos segn ISO 9000 Ingo Angel Francisco Arvelo

MX(t) = E(etX) =

e tx

1 2

(x- ) 2 2 2

dx

Para calcular esta integral es necesario sumar los exponentes que corresponden a la base comn e, luego completar cuadrados , , y se llega al siguiente resultado: MX(t) = e
t 1 2
2 2

Una vez obtenida la funcin generadora de momentos, por derivacin sucesiva y evaluando en t=0 , es posible obtener los diferentes momentos de la distribucin , y as :

dMX ( t) =( dt

t) e

1 2

2 2

E(X) =

dMX ( t) dt t

=
0

Derivando por segunda vez, y evaluando en t=0 : E(X2) = E (X2) [ E (X) ]2 =

d2MX ( t) dt
2

2 t 0

En consecuencia: Var (X) = demostracin .

, lo que completa la

2) La simetra respecto de la media es fcilmente demostrable, pues basta con verificar que la ecuacin de la curva , que como ya sabemos es:

1 ; no se altera cuando se sustituye ( x - ) , por su 2 simtrico respecto de la media que es [- (x-)] . f ( x)


Como consecuencia de la simetra, el coeficiente momento de sesgo se anula. El coeficiente momento de sesgo poblacional para una variable aleatoria viene dado por: =
E( X E( X ))3
3 ( Var ( X )) 2

(x - ) 2 e 2 -

El numerador de esta expresin puede ser desarrollado: E( X - E(X) )3= E (X3- 3 X2 E(X) + 3X (E(X))2 - (E(X))3) =

126
Capacidad de Procesos segn ISO 9000 Ingo Angel Francisco Arvelo 3

E (X ) - 3 E (X2) E(X) + 3 E(X) (E(X))2 - (E(X))3 = E (X3) - 3 E (X2) E(X) + 2 (E(X))3

Para la Normal, los dos primeros momentos respecto al origen ya son conocidos pues: E ( X ) = ; E (X2) = 2 + 2, y el tercero puede ser obtenido a partir de la tercera derivada de funcin generadora de momentos, en t=0: E (X3) =
d 3M X (t) dt
3 t 0

+3

Reemplazando resulta : E( X - E(X) )3=


3

+3

-3(

+2

= 0

=0.

3) En cuanto a la propiedad de que la mediana de la Distribucin Normal tambin esta representada por el parmetro "" , la misma se desprende de la simetra , y de que el rea total bajo la curva es igual a 1 . En efecto, por simetra : P ( X P(X ) + P (X > ) = 1 ) = P (X > ) , y como adems : P(X ) = P (X > ) =

1 2

" " es la mediana .

4) Tambin el parmetro "" es la moda de la distribucin , pues al ser f(x) una funcin del tipo exponencial , el mximo se alcanzar cuando el exponente sea mximo ; y evidentemente [-( x - )2] es mximo , cuando x= . 5) La demostracin de que el coeficiente momento de curtosis vale "3" para cualquier Distribucin Normal , es quizs la ms interesante , y parte de la definicin del coeficiente momento de curtosis para la poblacin dado por: =

E( X E( X))4 ( Var( X))2

E( X - E(X) )4= E (X4- 4 X3 E(X) + 6 X2 (E(X))2 - 4 X (E(X))3+ (E(X))4) = E (X4 ) - 4 E(X3) E(X) + 6 E(X2) (E(X))2 - 4 E(X) (E(X))3+ (E(X))4= E (X4 ) - 4 E(X3) E(X) + 6 E(X2)(E(X))2 - 3 (E(X))4 Los tres primeros momentos ya se conocen, y el cuarto se obtiene derivando por cuarta vez la funcin generadora de momentos, y evaluando en t=0 :

127
Capacidad de Procesos segn ISO 9000 Ingo Angel Francisco Arvelo

E(X4) =

d 4 M X (t) dt
4 t 0
4

+6

+3

E( X - E(X) )4 = 3

+6
4

+3

-4(

+3

+6(

-3

y como Var (X) =

3 (

4 2 2

= 3

Con relacin al valor 0,263 para el coeficiente percentlico de curtosis , el mismo sale de las tablas normales , pues como es sabido este coeficiente se calcula mediante la expresin :
1 (Q 3 Q1) 2 = P90 P10

Coeficiente percentlico de curtosis = Segn las tablas : Q3= + 0.674 Q1 = - 0.674 P90= + 1.282 P10= - 1.282

( 75% de rea a la izquierda ) ( 25% de rea a la izquierda ( 90% de rea a la izquierda ) ( 10% de rea a la izquierda )

Sustituyendo en la expresin, resulta el valor 0,263 antes sealado , para cualquier curva normal , independientemente de sus parmetros .

ESTIMACION DE LOS PARAMETROS DE UNA DISTRIBUCION NORMAL A lo largo de toda la obra se ha planteado el problema de la estimacin de los parmetros de una Distribucin Normal . Esta estimacin resulta indispensable para estimar la capacidad del proceso , y hemos visto que para el caso del parmetro " " no hay lugar a dudas de que la media de la muestra " X " , resulta el mejor estimador ; mientras que para el parmetro " 2" no existe un estimador ptimo . La justificacin terica de esta situacin es la siguiente:

128
Capacidad de Procesos segn ISO 9000 Ingo Angel Francisco Arvelo

Para estimar los parmetros de una distribucin cualquiera, existen dos mtodos importantes : el de mxima verosimilitud y el de momentos . La aplicacin de cualquiera de estos dos mtodos a la Distribucin Normal, en base a una muestra aleatoria X1, X2 , ...., Xn proveniente de la variable "X", conduce a los mismos estimadores , cuales son:
i n i n

Xi

(Xi
; 2 =Varianza Muestral = S2=
i 1

X)2

= Media Muestral = X =

i 1

En efecto, al aplicar el mtodo de mxima - verosimilitud a la Distribucin Normal , y en base a una muestra aleatoria X1, X2 , ...., Xn, encontramos que la funcin de verosimilitud viene dada por la funcin de densidad conjunta de la muestra :
i n

L(X1, X2 , ...., Xn) =

1 e 2

( x1 2

)
2

1 e 2

( xn 2

)
2

( xi

)2
2

1
n

i 1

( 2 )

Los estimadores son aquellos valores de los parmetros que le dan a la muestra mxima verosimilitud, y para obtenerlos hay que maximizar a la funcin de verosimilitud L(X1, X2 , ...., Xn), para lo que resulta ms cmodo maximizar su logaritmo, puesto que los productos se transforman en sumas lo que facilita la derivacin ,y por ser el logaritmo una funcin creciente , en donde ste alcance su mximo , la funcin tambin .
i n

n Tomando logaritmos : ln L = - n ln ln(2 ) 2 parcialmente para hallar los valores


i n

( xi
i 1

)2

2 2 que
i n

; y luego derivando maximizan resulta:

ln L

( xi = 2
i 1

)
2 i n

= 0

( xi
i 1

) = 0
i n

; simplificando:
( xi )
3 2 i 1

( xi
= 0

)2
2

ln L

= -

+ 2

-n +

i 1

= 0

129
Capacidad de Procesos segn ISO 9000 Ingo Angel Francisco Arvelo

i n

xi
y al resolver el sistema, se obtienen los estimadores:
i 1

n
i n

= X X) 2 = S2

( xi 2 =
i 1

Al analizar el Hessiano con las segundas derivadas , se comprueba que se trata de un mximo . El mtodo de momentos tambin conduce a los mismos estimadores , tal como se demuestra a continuacin : Segn este mtodo , los momentos muestrales se utilizan para estimar a sus correspondientes poblacionales , y partir de esa estimacin se obtiene la de los parmetros .
E( X )

Para la Normal , los momentos poblacionales son :

E( X 2 )

m1

X
i n

mientras que los momentos muestrales son:


m2

xi2
i 1

Para hallar los estimadores por este mtodo de momentos , es necesario


X
i n

resolver el siguiente sistema para y 2 :


2 2

xi2
i 1

X
i n i n

cuya solucin es:


2

xi2
i 1

( xi X
2

X) 2 = S2

i 1

130
Capacidad de Procesos segn ISO 9000 Ingo Angel Francisco Arvelo

Esto demuestra que los dos mtodos proporcionan los mismos estimadores, pero sin embargo, el de 2 no es ptimo por la razn siguiente: Un buen estimador puntual debe reunir cuatro requisitos: a) Ser insesgado. b) Ser consistente. c) Ser suficiente. d) Tener mnima varianza. Cuando se examina a los estimadores anteriores a la luz de estas propiedades, se encuentra que " X " las cumple todas, y por tanto es el mejor estimador posible para " " . Con S2 no ocurre lo mismo , pues no es ni insesgado ni de mnima varianza , y por lo tanto no es un estimador ptimo para 2. Para suplir esta deficiencia , se han propuesto otros estimadores , entre los
i n

( xi
cuales el ms importante es : 2 = Cuasivarianza Muestral = S2 = c
i 1

X) 2

n 1

Este estimador tampoco es de mnima varianza , pero es insesgado , y por ello algunos autores lo prefieren frente al de mxima verosimilitud. En la bibliografa estadstica es frecuente que se designe por S2 indistintamente a uno u otro estimador , y se les llame a ambos "Varianza Muestral" , lo que obviamente ocasiona una gran confusin a los lectores no enterados de la problemtica .
i n

xi
Otro estimador para " " es : =
i 1

Este estimador es insesgado , tal como se demuestra a continuacin : Sea: X N( ; 2) , y sea: Y = | X |.

(X
Como Y = | X | , se tiene : Y =

) ; si X ) ; si X

(X

131
Capacidad de Procesos segn ISO 9000 Ingo Angel Francisco Arvelo

Una de las propiedades del valor esperado establece que si Y = (X) , y "X" es una variable aleatoria continua con funcin densidad f(x) , entonces el valor esperado de la variable Y viene dado por :

( x)f( x)dx .

Aplicando esta propiedad al caso en que la variable X es una normal, se obtiene:


1 e 2
(x 2 )2
2

E(Y) =

(x

dx +
(x 2 )2
2

(x

1 e 2

(x 2

)2
2

dx =

Por simetra: E(Y) = 2

(x

1 e 2

dx
z2 2

x
Con el cambio de variable: z =
z2 2 0

se obtiene : E(Y) = 2

1 z e 2

dz

2 E(Y) = e 2

Basndonos en este resultado , tenemos entonces que para el caso de una muestra aleatoria X1, X2 , ...., Xn , obtendremos entonces "n" desviaciones absolutas Y1, Y2 , ...., Yn, cada una con valor esperado igual al obtenido anteriormente .
i n

i n

Xi
Por tanto, si se define el estimador de " " como: =
i n
i 1

Yi
=
i 1

E( Yi )
se concluye que : E( )= el estimador es insesgado .
i 1

2 2

; lo que demuestra que

Es importante recordar que sobre estimador se apoya la Prueba de Geary, analizada en el segundo captulo Otros estimadores para " " son los basados en la grfica de control (Pag. 64), que son los que realmente se utilizan para estimar la capacidad del proceso:

132
Capacidad de Procesos segn ISO 9000 Ingo Angel Francisco Arvelo

R R Grfico ( X , R) ; = Grfico ( X , S) d2 c4

La justificacin terica de estos estimadores ser analizada ms adelante. FUNDAMENTO DE LAS TABLAS NORMALES Es sabido de la Teora de Probabilidad , que para encontrar la probabilidad de que una variable aleatoria continua "X" , tome un valor dentro de un intervalo [a,b] , es necesario integrar su funcin de densidad f(x) entre esos lmites, lo que da como resultado el rea bajo la curva en el intervalo. Cuando este concepto lo aplicamos a la curva normal , encontramos lo siguiente:

Esta integral no ha podido ser resuelta por los mtodos ordinarios de integracin, y se ha tenido que recurrir a mtodos numricos. Si se resolviera la integral para valores particulares de los parmetros "" y " " , nos encontraramos con el problema de que las tablas seran incompletas , pues su uso estara limitado a aquellas aplicaciones en donde los parmetros tomen valores contenidos en la tabla . La tipificacin de la normal aparece entonces como una respuesta a la necesidad de elaborar unas tablas generales , que puedan ser utilizadas para cualquier valor de los parmetros . La tipificacin de la Normal puede ser demostrada por dos procedimientos diferentes:

x
1) Haciendo en la integral el cambio de variable: z = Por efecto de esta sustitucin, la integral queda transformada en :
b

P (a

b) =

1 -2 e dz 2

z2

133
Capacidad de Procesos segn ISO 9000 Ingo Angel Francisco Arvelo

En la nueva integral, los parmetros no aparecen dentro de la funcin a integrar, y adems se observa que esta funcin corresponde a la funcin de densidad de una curva normal con = 0 y =1, que se define como la Normal Tipificada o Estndar . De lo anterior se deduce entonces que el rea bajo la curva en una normal cualquiera para un intervalo [ a , b ] , es igual al rea bajo la normal tipificada abentre los lmites y . Las tablas dan el resultado de la integracin numrica correspondiente a la funcin de densidad de la normal tipificada desde "- " hasta un lmite

1 -2 e dy . y cualquiera "z' , es decir su funcin de distribucin: (z) = 2 ste es el fundamento del procedimiento explicado en el uso de las tablas normales.
z

y2

Con relacin al uso de la tablas, es fcil ver por simetra las siguientes relaciones entre las lecturas : (-z) = 1 D(z) = (z) (z) (-z) = (z) - ( 1 (z) ) = 2 (z) -1

Los porcentajes de 68.27% , 95.42 % y 99.73 % dados en la Pag. 3 , y sobre los cuales se apoya toda la Teora de Grficos de Control , salen de las tablas Normales , pues para una Normal cualquiera al tipificarla se tiene : P(P(-2 P(-3 X X X + ) = P ( -1 Z Z Z 1 ) = D ( 1 ) = 0.6827 . 2 ) = D ( 2 ) = 0.9545. 3 ) = D ( 3 ) = 0.9973 .

+ 2 ) = P ( -2 + 3 ) = P ( -3

2) Otra manera de demostrar la tipificacin de la normal es a partir de su funcin generatriz de momentos . En efecto si X N( ; 2), y se define la variable Z =

X-

La funcin generatriz de momentos de la variable "Z" ser : MZ(t) = E(e ) = E( e


tZ

)= E( e

)= e

E( e

134
Capacidad de Procesos segn ISO 9000 Ingo Angel Francisco Arvelo

Teniendo en cuenta que la funcin generatriz de momentos para la Distribucin Normal , es: MX(t) = E(e ) = e
t X
tX

1 2

2 2

, se deduce entonces que:


1 2 t 2

E( e

) = Mx ( ( ) ) = e
t
t 1 2 t 2

1 2

t2
2

= e

; y por lo tanto :

e MZ(t) = e = ; que corresponde a la funcin generatriz de momentos de una Distribucin Normal con =0 y =1 , lo que demuestra que la Xtransformacin Z = convierte a una Distribucin Normal cualquiera en la

1 2 t 2 e

Normal Tipificada , y de all la razn de las tablas normales . PROCESOS CENTRADOS En el Captulo I se estableci la conveniencia de que un proceso est centrado , y posteriormente, al considerar la Capacidad del Proceso , se enunci el siguiente Teorema: " Dada una Distribucin Normal con desviacin tpica " " , y un intervalo fijo [a,b], el rea bajo la curva en el intervalo ser mxima cuando la media de la distribucin coincida con el punto medio del intervalo " . Sobre este Teorema se fundamenta el hecho de que la capacidad mxima del proceso se obtiene cuando est centrado. Su demostracin es la siguiente:

Supongamos que tenemos un intervalo fijo [a ,b] , y que la media de la Distribucin est ubicada en un punto cualesquiera " " ; el rea bajo en el intervalo [a, b] ser entonces una funcin de " " . Designando por
b a

( ) a la referida funcin, se tiene que :


(x- ) 2 2 2

( )=

1 e 2

dx =

1 -2 e dz = 2

z2

b-

)- (

a-

135
Capacidad de Procesos segn ISO 9000 Ingo Angel Francisco Arvelo

Se busca aquel valor de " " que maximiza el rea bajo la curva en el intervalo 1 b 1 a ( )+ ( )= 0 [a, b] , para lo cual hay que derivar ( ) : ( ) = Como (z) representa la Funcin de Distribucin de la Normal Tipificada, su derivada (z) ser su funcin de densidad , que como se sabe es :
1 (z)= f(z) = La primera derivada de la funcin e 2 2 cero proporciona entonces la siguiente ecuacin: z2

( ) igualada a

( ) =

1 2

(b- ) 2 2 2

1 2

(a- ) 2 2 2

=0

(b- ) 2 2 2

=e b.

(a- ) 2 2 2

lo que conduce a : b- = - ( a- ) , pues por hiptesis a

a b 2 central del intervalo [a ,b] .


b- = - ( a- ) =

La primera derivada

( ) se anula en el punto

Al hacer un anlisis con la segunda derivada =

( ) , se encuentra que para

a b se cumple: 2

( ) < 0 ,lo comprueba que en l se alcanza un mximo.

Cuando el teorema anterior se aplica al caso particular, en el que el intervalo fijo [a, b] est representado por los lmites de la especificacin [L I , LS] , se concluye entonces que un proceso centrado tiene mxima probabilidad de producir una pieza dentro de los lmites de especificacin, y por lo tanto tiene mxima capacidad . Tambin se mencion que en algunas oportunidades conviene descentrar el proceso. Esta situacin se da cuando el costo de una pieza defectuosa es diferente por un lado que por el otro . Para encontrar el punto donde debe ubicarse la media del proceso , en situaciones como esta se procede como sigue : Supongamos que la pieza debe encontrarse entre los lmites de especificacin [LI , LS] , y que cuando cumple con la especificacin el beneficio para la empresa es de Bs. K, dado por la diferencia entre el precio de venta de una pieza buena y el costo de producirla.

136
Capacidad de Procesos segn ISO 9000 Ingo Angel Francisco Arvelo

Supongamos tambin que una pieza defectuosa puede ser corregida y llevada a los lmites de especificacin, pero que debido al costo de la correccin el beneficio disminuye . Sea K1< K , el beneficio obtenido por una pieza que se encuentre por debajo del lmite inferior , y sea K2< K el beneficio obtenido por una pieza por encima del lmite superior . Estos valores se obtienen restando del precio de venta de una pieza buena el costo de producirla y el costo de corregirla. En caso de que la pieza no se pueda corregir por alguno de los dos extremos, entonces K1 K2 sern negativos, y representan la prdida por producir una pieza defectuosa , que es su costo de produccin . Designando por "Y" al beneficio por producir una pieza, tenemos que su valor esperado ser : E ( Y ) = K1 P ( X < L I ) + K P ( L I X LS) + K2 P ( X >LS) = ( )

Este valor esperado es una funcin ( ) de la media del proceso, y lo que se busca es aquel valor de que maximiza la ganancia esperada . Tipificando a la variable "X" se obtiene: ( ) = K1 P ( Z <

LI

)+ KP(

LI

LS

) + K2 P ( X >

LS

( ) = K1

LI

)+ K[ (

LS

)-

LI

)]+ K2 [1-

LS

)] =

( ) = (K1 -K)

LI

) + ( K- K2 )

LS

) + K2

Al derivar para hallar el valor de que maximiza, resulta : ( ) = (K1 -K) (-

LI

) + ( K- K2 ) (-

) (

LS

)=0

Teniendo en cuenta que (z) representa la funcin de densidad de la Normal Tipificada, y simplificando , resulta :
(LI - ) 2 2 2 (LS - ) 2 2 2 (LS - ) 2 2 2 (LI - ) 2 2 2

(K1 -K) e

+ ( K- K2 ) e

=0

( K- K2 ) e

= (K -K1) e

137
Capacidad de Procesos segn ISO 9000 Ingo Angel Francisco Arvelo

ln( K- K2 )( -

(LS - ) 2 2
2

) = ln(K -K1) ( -

(LI - ) 2 2
2

)
2 LI L S K K1 + ln 2 L S LI K K2

Al despejar de esta expresin, se obtiene :

Esta frmula es muy importante, pues permite determinar el punto donde debe ubicarse la media del proceso para obtener el mximo beneficio esperado , y en ella puede verse que cuando K1 = K2 , es decir cuando el beneficio o la prdida es el mismo a ambos lados de la distribucin , el proceso debe estar centrado. De esta frmula tambin se deduce que cuando K 1 < K2 , es decir cuando el beneficio es mayor del lado derecho que del izquierdo , que es la situacin ms frecuente pues las defectuosas por la izquierda por lo general son incorregibles, entonces la media del proceso debe estar corrida hacia la derecha .

TAMAO DE MUESTRA REQUERIDO PARA UNA PRUEBA BILATERAL DE MEDIA La justificacin de la frmula dada en el Captulo II , es la siguiente :

Ho:
En una prueba de hiptesis del tipo :

0 0

H1:
con varianza
2

conocida , la zona de aceptacin es :

X
/2

/2

es decir :

/2

/2

Si el proceso se desajusta y pasa a producir con una media 1, se quiere que la probabilidad de no detectar tal desajuste y seguir aceptando que = 0, sea apenas " " ,es decir: P( Supongamos que
1 > 0,

/2

/2

1)

es decir que la media se corri hacia la derecha.

138
Capacidad de Procesos segn ISO 9000 Ingo Angel Francisco Arvelo

Despreciando el rea a la izquierda del lmite


0

/2

; se tiene que el rea bajo la zona de aceptacin de H0 es

Teniendo en cuenta para tipificar , que la varianza de la media muestral " X " es
2 n
0

/2

, se obtiene :
n

=- z .

Al despejar n , se llega a la frmula:

(z
n =

/2

z )2
0

)2

A una frmula idntica se llega, si se supone que la media se corri hacia la izquierda.

DISTRIBUCION DEL RANGO MUESTRAL La obtencin de los diferentes coeficientes utilizados en la construccin de un grfico de control ( X , R ) , as como la posterior estimacin de los parmetros del proceso , est fundamentada en la distribucin de la variable aleatoria "Rango Muestral " . Por este motivo , no es posible explicar la teora que sustenta la construccin de tales grficas , sin antes analizar este problema . Como es sabido , el Rango de una muestra aleatoria X1, X2 , ...., Xn, es un estadstico definido como : R = Mximo { X1, X2 , ...., Xn } - Mnimo { X1, X2 , ...., Xn } .

Para hallar la distribucin de "R" , comencemos por encontrar la distribucin de

139
Capacidad de Procesos segn ISO 9000 Ingo Angel Francisco Arvelo

U = Mximo { X1, X2 , ...., Xn } y la de V = Mnimo { X1, X2 , ...., Xn } , para un caso general , en donde la variable observada "X" , tiene una funcin de densidad continua cualesquiera f(x) . Estamos en presencia de un caso de una funcin de variables aleatorias, y aplicando el mtodo de la "Funcin de Distribucin" , para la variable "U" : G(u) = P (U P(X u) =
u

u) = P(X1
f ( x)dx

X2
u

u ......
f ( x)dx)n

Xn

u ) = [P(X

u)]n

G(u) = (

Al derivar para obtener la funcin de densidad de U resulta: g(u) = n f (u) (


u

f ( x)dx)n

Al proceder de manera anloga con V se obtiene: H(v) = P (V v) = 1 - P (V > v) = 1- P(X1 > v X2 > v ...... Xn > v )

= 1 - [P( X > v)] n . P( X > v) =


f ( x)dx

H(v) = 1 - (

f ( x)dx)n

h(v) = n f ( v) (

f ( x)dx)n

Como las variables "U" y "V" no son independientes, no es posible multiplicarlas para hallar su funcin de densidad conjunta, y de all obtener la funcin de densidad de R = U - V . El razonamiento para encontrar V , es el siguiente: (u,v) , funcin de densidad conjunta entre U y

Para que "U" caiga en el intervalo (u , u +du) , y simultneamente "V" en el intervalo (v , v + dv) , es necesario que una cualquiera de las "n" observaciones caiga en (u , u +du) , otra cualquiera en (v , v + dv), y las ( n- 2) restantes en el intervalo ( v + dv, u) . Tomando en cuenta que tenemos "n" observaciones de "X" , y que la menor puede ser cualquiera de ellas , la mayor cualquier otra , y las intermedias las (n - 2) restantes, el nmero de permutaciones entre las observaciones es segn n! la frmula multinomial: = n (n-1) 1 ! 1 ! (n-2) !

140
Capacidad de Procesos segn ISO 9000 Ingo Angel Francisco Arvelo

La probabilidad de que los eventos anteriores ocurran es : (u,v) du dv = n (n-1) [ f(u) du ] [ f(v) dv] ( f ( x) dx)
v u u n 2

.
n 2

y en consecuencia : (u,v) = n (n-1) f(u) f(v) ( f ( x) dx)


v

.; v

u u

(u,v) = n (n-1) f(u) f(v) ( F(u) - F(v)) n-2.; v

Una vez encontrada la funcin de densidad conjunta entre U y V , ya es posible hallar la funcin de densidad del Rango R = U - V , aplicando nuevamente el mtodo de la funcin de distribucin , segn el cual : Q(r)=P(R r)=P(U-V r)=P(U V+r)

Esta probabilidad se calcula por integracin de la funcin conjunta: Q(r)=


v r v

n(n 1) f(u) f(v) ( F(u) - F(v)) n-2 du dv


f ( v)dv
v r v

Q( r ) = n (n -1)

f (u) ( F(u) - F(v)) n-2 du

La segunda integral puede ser resuelta mediante la sustitucin : y = F(u) , pues dy = f(u) du , y cambiando los lmites de integracin resulta : Q( r ) = n (n -1)
f ( v)dv
F( v r ) F( v )

( y F(v))n

dy

Q( r ) = n

f ( v)(F(v r ) F(v))n 1dv

Por ltimo, al derivar la funcin de distribucin Q(r) , se obtiene la funcin de densidad " q(r) " para el rango muestral , y resulta : q( r ) = n ( n -1 )
f ( v)(F(v r ) F(v))n
2

f ( v r )dv ; r

Cuando la expresin anterior se aplica al caso de la Distribucin Normal, el problema adquiere una dimensin muy compleja desde el punto de vista

141
Capacidad de Procesos segn ISO 9000 Ingo Angel Francisco Arvelo

matemtico, pues su funcin de densidad f(x), no es posible integrar, y por lo tanto no es posible obtener expresiones analticas exactas para las funciones F(v+r) ni F(v) . Para resolver tal situacin, existen algunas expresiones, obtenidas por desarrollos en serie u otros mtodos numricos, que permiten con bastante exactitud aproximar a f(x) a F(x) . Una de tales frmulas, es por ejemplo la siguiente:
( 83 z 351) z 562 703 165 z

(z)

1-

1 e 2

; 0 < z < 5.5

Esta frmula permite generar la tabla de la Funcin de Distribucin para la Normal Tipificada , con valores de "z" comprendidos entre 0 < z < 5.5 , con un error relativo inferior al 0,042% . Teniendo en cuenta que F(x) = (

) , y mediante el uso de frmulas

polinmicas aproximadas para desarrollar en serie una funcin exponencial , es posible resolver la integral para " q(r) " , y luego obtener el valor esperado del rango muestral mediante la resolucin de la integral. E(R) =
r q(r) dr =d2

El valor esperado del Rango Muestral resulta proporcional a " " ; sta constante de proporcionalidad , es la que se designa por el coeficiente "d 2" en las respectivas tablas , y su valor obviamente depende de "n" . Cuando se construye la grfica ( X , R) , el Rango Medio " R " de los diferentes subgrupos es un estimador de E(R) , pues la media muestral de cualquier variable es siempre un estimador insesgado de su valor esperado , y de all la justificacin del procedimiento descrito, segn el cual :

E(R) = R = d2

R d2

A partir de " q(r) " se obtiene tamben la "Desviacin Tpica del Rango Muestral", que se necesitar luego para determinar los lmites de control correspondientes a "R", que tambin resulta proporcional a " " , siendo "d3" la constante de proporcionalidad .

142
Capacidad de Procesos segn ISO 9000 Ingo Angel Francisco Arvelo

E(R2) =

r 2q(r)dr ; Var ( R ) = E(R2) - [ E(R) ]2 ; y se llega a

R=

Var (R) =d3

El valor numrico del coeficiente "d3" depende de "n" , y se encuentra en las tablas de "Constantes para las Grficas de Control". Lamentablemente no existe una frmula general que permita generar el valor de los coeficientes d2 y d3 en funcin del tamao de muestra "n" , y es necesario calcularlos evaluando la integral por mtodos numricos , para cada valor de "n" . Para el caso particular n=2 , es posible calcular el valor de los coeficientes d 2 y d3,sin necesidad de mtodos numricos , mediante el siguiente razonamiento: En este caso, el rango muestral , puede definirse como: R = | X2 - X1| siendo X1 y X2 dos observaciones independientes provenientes de un proceso normal , con media y varianza 2 . Por ser la variable Y = X2 - X1 una combinacin lineal entre dos normales independientes obtenemos que: Y ( 0 ; 2 2) (Vese Pag. 118) , y adems R=|Y|. Al ser la variable "Y" una normal de media "0" y varianza 2 propiedad ya demostrada, y obtenemos: E(R) =
2

, podemos aplicar la

Se defini "d2" como la constante de proporcionalidad entre E(R) y " " , por tanto 2 , para el caso n=2 se tiene: d2 = = 1.128 ; tal como aparece en las tablas . Para hallar la varianza del Rango Muestral , se tiene: Var ( R ) = E(R2) - [ E(R) ]2 ; E(R2) = E(X2- X1)2= E(Y2) = Var (Y) ; por tener "Y" valor esperado igual a cero. Pero Var (Y) = 2 Var ( R ) =2
2 2

E(R2) = 2
2

y por tanto :
2

= (2

143
Capacidad de Procesos segn ISO 9000 Ingo Angel Francisco Arvelo

"d3" se defini como la constante de proporcionalidad entre Por tanto para el caso n=2 : d3=

R=

Var (R) , y

= 0.853

LIMITES DE CONTROL PARA LA GRAFICA ( X , R) Cuando se elabora una grfica ( X , R) y resulta estar bajo control , lo que se est haciendo en realidad , es una prueba de hiptesis bilateral para la media Ho: 0 del tipo: en donde 0 es la Gran Media , representada por la media H1: 0 histrica del proceso; de forma que cuando la muestra cae entre los lmites de control para la media , lo que se est aceptando es que el proceso est operando sin cambios significativos con relacin a la forma como lo vena haciendo en el pasado. Si la varianza " aceptada cuando :
2

" del proceso fuera conocida , esta hiptesis resultara


0

/2

/2

Los dos extremos de este intervalo definen los lmites de control para la media de la muestra , con las siguientes modificaciones : a)
0

est representado por la Gran Media X

b) Z /2 = 3, lo que trae como consecuencia que el nivel de significacin de la prueba sea de apenas 0.27% , o lo que es lo mismo , en caso de que no exista un corrimiento real de la media con relacin a su promedio histrico , la muestra tiene una probabilidad de 99.73 % , de caer entre los lmites de control . c) Como el valor de " " es desconocido, se sustituye por su correspondiente valor estimado a partir del grfico de control, que tal como hemos visto es R = . d2 Por las aproximaciones anteriores, se obtiene que los lmites del intervalo de aceptacin para la Hiptesis son:

U. C.L X

/2

= X + 3

R d2 n

= X + A2 R

144
Capacidad de Procesos segn ISO 9000 Ingo Angel Francisco Arvelo

L. C.L X =

/2

= X - 3

X - A2 R d2 n =

En consecuencia, tenemos que la justificacin del coeficiente A2 es: A2 =


3 d2 n

Con relacin a los lmites de control para el rango, lo que se hace es definir el intervalo R 3 R, que en realidad no tiene una probabilidad de 99.73% para el "Rango Muestral" , pues ste no sigue una Distribucin Normal . Teniendo en cuenta que : se obtiene que : = d3
R

= d3

, y que el valor estimado de " " es =

R , d2

R . d2

Los lmites de control para el "Rango Muestral" sern entonces :

U. C.LR = R + 3

= R + 3 d3

R 3 d3 = (1 + ) R = D4 R d2 d2

L.C.LR = R - 3

= R - 3 d3

R 3 d3 = (1) R = D3 R d2 d2

La relacin entre los coeficientes es en consecuencia : D4= 1 +

3 d3 d2

; D3 = 1-

3 d3 d2

JUSTIFICACION DE LA GRAFICA ( X ,S) Para justificar la metodologa de construccin de una grfica ( X ,S), es necesario hallar primero la Distribucin estadstica de la variable aleatoria "S" , al igual que como se hizo antes con la variable aleatoria "R" . Para hallar esta Distribucin , partimos de una ya conocida que es la de "S 2 "*4.

145
Capacidad de Procesos segn ISO 9000 Ingo Angel Francisco Arvelo

En efecto , en la Inferencia Estadstica se demuestra mediante la aplicacin de "Formas Cuadrticas" , que la variable Cuadrado con (n-1) grados de libertad . Designando por "U" a la referida variable tenemos entonces : U=
(n 1)S2
2
2

(n 1)S2
2

se distribuye como una Chi -

(n-1)

La funcin de densidad de "U" es conocida , y su expresin es : f(u) =

1 n 1 ( )2 2
n 1 2

n 1 u 1 2 u e 2

; u>0

y puesto que la variable "S" , esta relacionada con "U" a travs de : S=

U n 1

se cae en un problema de " Funciones de variables aleatorias" , en donde se quiere hallar la funcin de densidad de "S" a partir de la de "U" . Para resolverlo , se aplica el mtodo de la Funcin de Distribucin , y se obtiene: G(s) = P ( S
n 1

s) = P (

U n 1

s )=P(U

n 1
2

s2 )

G(s) =

s2

1 n 1 ( )2 2
n 1 2

n 1 u 1 2 u e 2

du

Esta integral corresponde a la "Funcin de Distribucin" de la variable "U" , en el n 1 2 n 1 2 valor 2 s , es decir : G (s) = F ( 2 s ). Por derivacin de G(s) , se obtiene la funcin de densidad correspondiente a "S" , y resulta : g ( s) = G (s) = F (
n 1
2

s2 )

2(n 1)
2

s=

2(n 1)
2

s f(

n 1
2

s2 )

146
Capacidad de Procesos segn ISO 9000 Ingo Angel Francisco Arvelo

g ( s) =

1 n 1 ( ) 2
n 1 2 2

n 1
2

n 1 2 n 1 1 2 s 2 ) e 2

2(n 1)
2

Al simplificar, se obtiene el resultado buscado, funcin de densidad de la variable aleatoria "S" : g(s)=
1 n 1 ( ) 2
n 3 2 2

n 1
2

n 1 2 n 1 2 s ) 2 e 2

sn

;s

El valor esperado de "S" es en consecuencia: E(S) =


1 n 1 ( ) 2
n 3 2 2

s g(s) ds

E(S) =

n 1
2

n 1 2 n 1 s 2 e 2 2 )

sn

ds

Esta integral puede ser resuelta mediante la sustitucin: y =

n 1 2
2

s2

Hecha la sustitucin, y las simplificaciones algebraicas de rigor , se llega a: E(S) =


1 n 1 ( ) 2 2 n -1
n 1 y 2 e-y

dy

La integral obtenida es justamente


1 n 1 ( ) 2 2 n -1

n ( ) , y por lo tanto : 2
n ( ) = c4 2

E(S) =

en donde el coeficiente c4 , viene dado por la expresin : c4 =

n ( ) 2 n 1 ( ) 2

2 n -1

147
Capacidad de Procesos segn ISO 9000 Ingo Angel Francisco Arvelo

Las tablas lo que hacen es computar el valor de c4 , para diversos valores del tamao de muestra "n" , y as por ejemplo : Para n=2 c4 =

( 2) 1 ( ) 2

c4 =

2 =

= 0.7979

Para n=5

c4 =

5 ( ) 2 c4 = 2 (2) 4

3 1 2 2 2

3 = 0.9400 4 2

Una mayor explicacin sobre las propiedades de la Funcin Gamma, puede encontrarse en los textos de "Clculo Avanzado" , como por ejemplo el de Murray R. Spiegel , de la coleccin Schaum de la Editorial Mac.Graw Hill . Una vez encontrado E(S) , es necesario ahora hallar Var ( S) , a fin de poder calcular los lmites de control para "S" . Como Var (S) = E (S2) - [ E(S)]2 , se plantea el problema de calcular E (S2) , el cual pudiera ser resuelto , resolviendo la siguiente integral : E (S2) =
0

s 2g( s)ds

Este camino es sin embargo muy complicado, y resulta mucho ms sencillo para encontrar E (S2), aprovechar la demostracin que se hace en Inferencia Estadstica , para comprobar que S2 , es un estimador insesgado para 2, y segn la cual : E (S2) = 2 . En conclusin : Var ( S ) = Al tener E(S) y
s
2

- c2 4

= (1 - c 2 ) 4

1 c2 4

,ya se est en condiciones de justificar los lmites de control

para la grfica ( X ,S). Como ya se explic antes, la grfica es realidad una Prueba de Hiptesis Ho: 0 bilateral para la media, del tipo: ; en donde si H1: 0 la varianza " 2" del proceso fuera conocida , H0 resultara aceptada cuando :
0

/2

/2

Se hacen las mismas consideraciones anteriores, y se tiene:

148
Capacidad de Procesos segn ISO 9000 Ingo Angel Francisco Arvelo

a)

est representado por la Gran Media X

b) Z /2 = 3. c) Como el valor de " " es desconocido, hay que estimarlo, y en dicha estimacin es en donde se diferencia sta grfica con la ( X ,R). Se demostr que : E(S) = c4 , y se sabe que la media de las desviaciones tpicas muestrales S , es un estimador insesgado de E(S) . Por lo tanto :

E(S) = S = c4

S c4

Sustituyendo el valor estimado , en los lmites de aceptacin para H0, se obtienen los lmites de control , y resulta:

U. C.L X

/2

= X + 3

S c4 n
S

= X + A3 S

L. C.L X =

/2

X - 3

X - A3 S c4 n =

En consecuencia , tenemos que la justificacin del coeficiente A3 es :


A3 3 c4 n

Con relacin a los lmites de control para la desviacin tpica muestral , la justificacin es prcticamente la misma que para el Rango Muestral, y estn basados en el intervalo S 3 s , que a pesar de no tener una probabilidad de 99.73% por no ser la variable "S" una Distribucin Normal , tiene segn la Desigualdad de Chebyshev una probabilidad de por lo menos 88.89% de contener al valor de "S" de una muestra aleatoria , proveniente de un proceso bajo control. Teniendo en cuenta que :
s

1 c2 4
1 c2 4

, y que el valor estimado de es:


S c4

S , se obtiene que : s c4

Los lmites de control para el "Rango Muestral" sern entonces :

149
Capacidad de Procesos segn ISO 9000 Ingo Angel Francisco Arvelo

U. C.L s

S 3 s = S + 3 1 c2 4

S = B4 S c4

L. C.L s

S 3 s = S - 3 1 c2 4

S = B3 S c4

La relacin entre los coeficientes es en consecuencia :

B4

3 1 c2 4 c4

; B3

3 1 c2 4 c4

EFECTOS DE LA NO NORMALIDAD Una gran limitacin de las grficas de control es el supuesto de normalidad para la Distribucin subyacente. Esta limitacin ha quedado manifiesta en este captulo, donde todas las demostraciones anteriores, parten del supuesto de que f(x), funcin de densidad para la caracterstica de calidad de las piezas individuales, es la correspondiente a una Distribucin Normal . Evidentemente si este axioma no se cumple, toda la teora anterior pierde su fundamento. Algunos autores han investigado el efecto de la no normalidad sobre la teora de los grficos de control, especialmente en los ( X ,R). A continuacin se transcribe textualmente lo que el Dr. Douglas C. Montgomery dice sobre el particular , en su texto : "Control Estadstico de la Calidad" : Varios autores han estudiado el efecto de las desviaciones respecto de la normalidad, en los diagramas de control. Burr ( 1967) hace notar que las constantes de los lmites de control segn la teora normal comn, son muy slidas respecto a la suposicin de normalidad, y pueden utilizarse a no ser que la poblacin sea extremadamente anormal. Schilling y Nelson ( 1976) tambin estudiaron el efecto de lo no normalidad sobre los lmites de control del diagrama de x . Investigaron la Distribucin uniforme, la de tringulo recto, la gamma ( con = 1 , r = 1/2 , 1, 2, 3 y 4), y dos bimodales, formadas por la combinacin de dos distribuciones normales. Su estudio indica que en la mayora de los casos, es suficiente con utilizar muestras de tamao 4 5 para asegurar una solidez razonable con respecto a la suposicin normal. Los peores casos se observaron para valores pequeos de "r" en la distribucin gamma [ r = 1/2 y r =1(la distribucin

150
Capacidad de Procesos segn ISO 9000 Ingo Angel Francisco Arvelo

exponencial)] . Por ejemplo, tales investigadores informan que el riesgo " " real es de 0.014 menos, si n 4 para la distribucin gamma con r = 1/2 , en contraste con un valor terico de 0.0027 para la distribucin normal. Mientras que el uso de lmites de control de tres sigma en el diagrama de X producir un riesgo " " de 0.0027 si la distribucin subyacente es normal, no se puede decir lo mismo para el diagrama de R. La distribucin muestral de R es asimtrica, incluso en un muestreo a partir de la distribucin normal, y la larga extremidad (o cola) se encuentra en el lado alto o positivo. Por lo tanto, los lmites simtricos de tres sigmas son solamente una aproximacin, y el riesgo " " en tal diagrama de R no es igual a 0,0027. ( en realidad , para n = 4 , es de = 0.000461). Adems, el diagrama de R es ms sensible a desviaciones respecto a la normalidad que el diagrama de X . Una alternativa frente a la no normalidad son los mtodos no paramtricos , o libres de distribucin , pero tienen el inconveniente de requerir mayores tamaos de muestra . En los artculos incluidos en el apndice se hace referencia a estos mtodos .

RELACION MATEMATICA ENTRE LOS COEFICIENTES DE CAPACIDAD En el captulo IV se estableci que entre los coeficientes CP y CPK , existe una relacin matemtica dada por: CPK= CP ( 1 - k ) Su demostracin es la siguiente: "k" es el "ndice de localizacin " , definido por : K donde: = Corrimiento de la media =
0

2 T

= Punto central de la especificacin = = Media real del proceso.

LI L S . 2

T = Tolerancia en las especificaciones = LS - LI .

151
Capacidad de Procesos segn ISO 9000 Ingo Angel Francisco Arvelo

Por definicin : Cp

L s LI 6

T 6
Ls 3

T = 6 CP

2 6 Cp 3 Cp

(1*)

Adems: CPK = mnimo entre

- Li 3

Si el proceso est corrido hacia la derecha: Cpk Pero tal como puede apreciarse en la grfica: LS =

Ls 3

LS -

=3

CPK

T 2

T 2

= 3

CPK

T 2
3 Cpk 3 Cp

3 Cpk

Sustituyendo en 1* resulta: k

T 2

3 Cp 3 Cpk 3 Cp
CPK= CP ( 1 - k )

Cp

Cpk Cp

Al despejar CPK resulta: k CP = CP - CPK

Si el proceso est corrido hacia la izquierda: Cpk

LI 3

y procediendo de manera anloga, se llega a idntico resultado ; lo que completa la demostracin de que para ambos casos se verifica: CPK= CP ( 1 - k )

FUNCION LINEAL DE VARIABLES NORMALES En el captulo IV , se enunci el siguiente Teorema : Si X1 , X1 .... Xn son variables aleatorias independientes , y normalmente distribuidas , entonces una funcin lineal de ellas : Y = a0 + a1 X1 + a2 X2+ .... + an Xn

152
Capacidad de Procesos segn ISO 9000 Ingo Angel Francisco Arvelo

tambin seguir una Distribucin normal , y sus parmetros son :


Y

= a 0 + a1
2 1

+ a2
2 2

2+

.... + an
2 n

2 Y

2 = a1

+ a2 2

2 + .... + an

Su demostracin es la siguiente: Sea MY(t) = E (e tY) ; la funcin generadora de momentos correspondiente a la variable "Y" . Desarrollando se obtiene : MY(t)= E(et( a0
a1X1 a2 X 2 an Xn )

E(e( ta0

a1tX1 a2 tX 2 an tXn )

E(eta0 eta1X1 etan Xn )

Al ser variables aleatorias independientes, el valor esperado del producto es igual al producto de los valores esperados, y por lo tanto: MY(t)

E(eta0 )E(eta1X1 )E(etan Xn ) = eta0 E(eta1X1 )E(etan Xn )

Cada uno de los valores esperados resultantes, corresponde a una funcin generadora de momentos, pero evaluada en ait, es decir : E(e tai Xi ) = MXi (a i t) Se sabe que para una Normal, su funcin generatriz de momentos es:
MX i ( t ) E(e
tX i

1 2 it 2

MX i ( a i t )

E(e

tai X i

ai t

1 2

2 i

ai2 t 2

y por lo tanto , la funcin generadora de momentos para "Y" va a resultar:


MY ( t ) e e
a0 t
1 1

at

1 2

2 1

2 a1 t 2

an t

1 2

2 n

2 an t 2

i n

= e

( a0
i 1

ai i ) t

1 in 2 ( ai 2 i1

2 i

) t2

La funcin generadora de momentos obtenida para la variable "Y" , corresponde


i n
Y

a0
i 1 i n

ai

justamente a la de una Distribucin Normal , con parmetros:


2
Y

ai2
i 1

2 i

tal como se quera demostrar.

153
Capacidad de Procesos segn ISO 9000 Ingo Angel Francisco Arvelo

CAPITULO VI : CONCLUSIONES Y RECOMENDACIONES


1) Para realizar un estudio de capacidad es requisito indispensable elaborar como paso previo un grfico de control, con el objeto de verificar la estabilidad del proceso. En general , es preferible utilizar un grfico ( X , R) , a menos que por razones tcnicas sea necesario mantener un control ms estricto sobre la variabilidad del proceso, en cuyo caso debe utilizarse uno ( X , S) . La formacin de subgrupos debe hacerse de manera que cada uno de ellos sea lo ms homogneo posible, y que exista una gran probabilidad de variacin de un subgrupo a otro , para lo cual es recomendable tomar las muestras de cada subgrupo a partir de la produccin de un perodo breve de tiempo , o de un mismo lote. 2) Existen dos metodologas importantes para evaluar la capacidad de un proceso de produccin , que son: a) A partir del grfico de control. b) A partir del histograma. Ambas metodologas tienen ciertas limitaciones en su fundamentacin terica, y por ser complementarias, lo recomendable es utilizar ambas, a fin de obtener una mejor estimacin de la capacidad del proceso. Una evaluacin hecha por una sola de las metodologas, tiene el inconveniente de estar basada en unos supuestos, de los cuales no se tiene una razonable certeza, de que el proceso o la muestra los cumple. 3) No existen en las Normas ISO-9000 sealamientos acerca de la metodologa a seguir para evaluar la capacidad del proceso , ni tampoco acerca de los valores mnimos exigidos para los indicadores de su capacidad . Lo recomendable es que el organismo competente seale pautas sobre el particular, ya que actualmente la certificacin de la capacidad del proceso , a los fines de dar cumplimiento a lo previsto en la Norma ISO-9000 , queda a criterio del auditor . 4) Los indicadores de capacidad deberan ser estimados por intervalos, y la certificacin de capacidad mediante pruebas de hiptesis..

154
Capacidad de Procesos segn ISO 9000 Ingo Angel Francisco Arvelo

Esta recomendacin permitira que el auditor tome una decisin ms racional con relacin a la certificacin de capacidad.. Como este problema se encuentra en fase de desarrollo, una recomendacin para la Universidades e Institutos de Investigacin, es que inicien un anlisis ms a fondo del problema, a fin de desarrollar una nueva metodologa que permita establecer de una manera ms precisa que la actual, los requisitos que debe reunir un proceso de produccin, para que le sea concedida la certificacin de capacidad. 5) La condicin ptima de operacin de un proceso es cuando est centrado , pues en ste punto su capacidad de calidad es mxima . En conclusin, los responsables de la calidad del proceso deben canalizar su esfuerzos para tratar de lograr un proceso centrado; con la nica excepcin de la situacin en que el costo de corregir una pieza defectuosa es diferente para cada extremo, en cuyo caso, la media de operacin del proceso debe determinarse por la frmula dada en el captulo IV. 6) Es recomendable la realizacin de experimentos con el proceso, a fin de poder detectar los factores que lo afectan de manera significativa, y reducir as su variabilidad. La clusula de la Norma ISO-900O (ver Introduccin) as lo sugiere , y por lo tanto un estudio de capacidad solamente , no es suficiente para dar cumplimiento a lo establecido en ella . 7) La revisin de las especificaciones del proceso es tambin otra recomendacin muy importante , pues el estudio de capacidad supone que son conocidas . Un error en la fijacin de las especificaciones ocasiona consecuencias gravsimas en la evaluacin de la capacidad del proceso, y por ello es muy importante que estn perfectamente definidas. 8) Otra recomendacin importante para las empresas de produccin, es la que se refiere a la formacin de su personal en Mtodos Estadsticos. A lo largo de toda la obra hemos visto como la evaluacin de capacidad exige el manejo de numerosas destrezas en tcnicas estadsticas, para cuya realizacin se requiere un entrenamiento adecuado del personal. Esta recomendacin es extensible tambin a las Facultades de Ingeniera,, ya que en los planes de estudio de las diversas especialidades de Ingeniera , es

155
Capacidad de Procesos segn ISO 9000 Ingo Angel Francisco Arvelo

frecuente encontrar que la enseanza de la Estadstica no existe , o est minimizada. Si se toma en consideracin que el Ingeniero es por lo general, el profesional llamado a gerenciar los procesos de produccin, resulta obvio que para poder establecer metas de calidad en la produccin industrial, debe fortalecerse su formacin en esta disciplina.

COMENTARIO FINAL Un estudio de capacidad no puede ser visto como un hecho aislado con el propsito de aprobar una auditora , y lograr una certificacin de calidad ; debe formar parte de un programa continuo de mejoramiento de la calidad, en donde el liderazgo gerencial es de vital importancia . Las tcnicas de control y mejoramiento de procesos no son mtodos que se aplican una vez, slo cuando el proceso est en problemas, sino que deben tener un carcter permanente, para lo cual se requiere el apoyo decidido de la gerencia . La participacin y el compromiso de la gerencia constituyen el paso ms importante en todo el proceso de mejoramiento. La gerencia desempea un papel modelo, y el resto de la organizacin la considerar como gua y ejemplo. El trabajo en equipo es tambin muy importante, pues la identificacin de los factores que afectan el comportamiento del proceso requiere del concurso de todo el personal involucrado. Una de las tareas clave en la aplicacin de los diagramas de control estadstico, es la determinacin de las variables apropiadas sobre las cuales se debe aplicar el control, as como tambin los puntos del proceso de produccin , en los que debe establecerse el control; y para ello se requiere de un adecuado trabajo en equipo . Un programa de Control Estadstico de Procesos debe reunir los siguientes requisitos para que pueda tener xito: 1. Liderazgo gerencial. 2. Trabajo en equipo. 3. Educacin del personal a todos los niveles.

156
Capacidad de Procesos segn ISO 9000 Ingo Angel Francisco Arvelo

4. Enfasis en el mejoramiento continuo.. Todos los miembros de la gerencia y del equipo, deben recibir capacitacin relativa a las herramientas apropiadas para el mejoramiento del proceso. Un diagrama de flujo del proceso para mejorar su entendimiento acerca de la forma como opera, es un buen mtodo para analizarlo, y para establecer los puntos donde podran aplicarse con provecho los controles. Tambin es importante desarrollar criterios de medicin relativos a las variables claves, para lo cual se debe contar con equipos de laboratorio adecuadamente calibrados. En este sentido es muy importante tambin contar con normas y procedimientos escritos acerca de la forma como deben hacerse estos ensayos y mediciones, ya que si no existe uniformidad, sta variabilidad se reflejar injustamente como una variabilidad del proceso, y en consecuencia en una inadecuada evaluacin de su capacidad.. Por ltimo, es importante recordar que el contenido de esta obra slo considera los aspectos relativos al estudio de capacidad, pero que esto es slo uno de los muchos aspectos que evala la Norma ISO-9000, y que por lo tanto su cumplimiento no garantiza la obtencin de la correspondiente certificacin de calidad. La evaluacin del sistema de calidad hecho por la norma ISO-9000 es muchsimo ms amplia, y obedece a un concepto ms global como es el de CALIDAD TOTAL.

157
Capacidad de Procesos segn ISO 9000 Ingo Angel Francisco Arvelo

BIBLIOGRAFIA
1 - Arvelo L , Francisco . 525 Problemas de Estadstica . Editorial Litextu. 2- Besterfield , Dale H. Quality Control . Prentice Hall Inc. 3- Blake , Ian F. An Introduccion to Applied Probability . John Wiley & Sons. 4- Bowker , Albert H & Lieberman, Gerald J. Estadstica para Ingenieros Editorial Prentice Hall Internacional . 5- DeGroot , Morris H. Probabilidad y Estadstica. Addison-Wesley Iberoamericana . 6- Deming , W. Edwards Calidad , Productividad y Competitividad . La salida de la crisis . Ediciones Diaz de Santos , S.A . 7- Derenzo , Stephen E. Approximations for Hand Calculators. Manuales Hewlett - Packard. 8- Duncan , Acheson J. Control de Calidad y Estadstica Industrial. Editorial Alfaomega . 9- Grant , Eugene L. Control de Calidad Estadstico . Editorial CECSA . 10- Guttman & Wilks & Hunter Introductory Engineering Statistics. John Wiley & Sons. 11- Hansen , Bertrand L. Control de Calidad . Editorial Hispano Europea .

158
Capacidad de Procesos segn ISO 9000 Ingo Angel Francisco Arvelo

12- Hines , William W & Montgomery , Douglas C. Probabilidad y Estadstica para Ingeniera y Administracin . Editorial CECSA . 13- Ishikawa , Kaoru Guide to Quality Control . Asian Productivity Organization . 14- Juran , J.M & Gryna , Frank M. Jr. Planificacin y Anlisis de la Calidad . Editorial Revert , S.A . 15- Kennedy , John B. & Neville , Adam M. Estadstica para Ciencias e Ingeniera . Editorial Harla . 16- Kreyszig , Erwin . Introductory Mathematical Statistics . Principles and Methods . John Wiley & Sons. 17- Lindgren , B.W Statistical Theory . The MacMillan Company . 18- Lpez Casuso , Rafael Introduccin al Clculo de Probabilidades e Inferencia Estadstica Universidad Catlica Andrs Bello . 19- Menderhall & Wackerly & Scheaffer Estadstica Matemtica con Aplicaciones . Grupo Editorial Iberoamericana . 20- Meyer , Paul L. Probabilidad y Aplicaciones Estadsticas . Addison-Wesley Iberoamericana . 21- Montgomery , Douglas C. Control Estadstico de la Calidad Grupo Editorial Iberoamericana . 22- Spiegel , Murray R. Estadstica Coleccin Schaum . Editorial Mc. Graw Hill . 23- Walpole , Ronald E. & Myers , Raymond H. Probabilidad y Estadstica . Editorial Mc. Graw Hill Interamericana .

S-ar putea să vă placă și