Sunteți pe pagina 1din 372

1 P.

Reyes
CONTROL ESTADSTICO
DEL PROCESO



Dr. Primitivo Reyes A.

2 P. Reyes
CONTROL ESTADSTICO DEL PROCESO (CEP)
OBJETIVOS: Al finalizar el curso, el participante ser capaz
de:

1. Comprender los conceptos estadsticos para implantar
cartas de control para prevenir los defectos y mejorar
los procesos.

2. Evaluar la capacidad de un proceso y de los equipos
de medicin, identificando acciones de mejora.

3. Realizar proyectos de mejoramiento de la calidad.
3 P. Reyes
CONTENIDO
1. Importancia de la mejora continua
2. Mtodos y filosofa del CEP

3. Cartas de control por variables
4. Cartas de control por atributos

5. Cartas de control especiales
6. Anlisis de la capacidad del proceso

7. Mtodos para el proceso de mejora
continua

8. Mtodos de muestreo por atributos
9. Mtodos de muestreo por variables
4 P. Reyes
1. Importancia de
la mejora continua
5 P. Reyes
1. Importancia de la mejora continua
DIMENSIONES DE LA CALIDAD
Desempeo
Confiabilidad
Durabilidad
Serviciabilidad
Esttica
Caractersticas
Imagen del producto
Conformancia
Tiempo de entrega
Precio
Servicio al cliente
6 P. Reyes
1. Importancia de la mejora continua
CALIDAD Y MEJORAMIENTO

La calidad es adecuacin al uso e inversamente
proporcional a la variabilidad.

La mejora de la calidad se logra a travs de la
reduccin de la variabilidad por medio del CEP

TIPOS DE DATOS
Atributos: No medibles, apariencia, defectivos

Variables: Medibles, temp., voltaje
7 P. Reyes
1. Importancia de la mejora continua

PRODUCTO DEFECTIVO: No cumple una o
varias especificaciones

DEFECTO: Carcterstica especfica de un
producto que no cumple especificaciones

CARACTERISTICAS DEL PRODUCTO
Fsicas: Longitud, peso
Sensoriales: apariencia
Relacionadas con el uso: confiabilidad,
duracin, servicio, disponibilidad
8 P. Reyes
1... Antecedentes histricos
ADAM SMITH (Divisin del trabajo): 1 persona = 200
alfileres, 10 pers. = 48,000 alfileres

FEDERICK W. TAYLOR: Administracin Cientfica, ciencia
para cada elemento del trabajo, seleccin del trabajador,
capacitar, apego a proc., divisin adm. obreros

FRANK / LILLIAN GILBERTH: Afinan los movimientos,
resaltan la necesidad de interes por los trabajadores

FORDISMO: Lneas de porduccin masiva, los
trabajadores deben ser consumidores


9 P. Reyes
1... CEP en Occidente Western Electric
1924: WALTER SHEWHART realiz experimentos en
base al Teorema del Lmite Central y desarroll las
Cartas de Control del CEP

1926: HAROLD F. DODGE Y HARRY G. ROMIG,
desarrollaron las tcnicas de Muestreo Estadstico

Durante la 2a. Guerra Mundial se expande el uso del
CEP en la industria de manufactura

La aplicacin de las tcnicas estadsticas ha
evolucionado a lo que hoy se conoce como Seis
Sigma, aplicada por Motorola, GE, Sony, etc.

10 P. Reyes
1... CEP en Japn
1950s: EDWARD DEMING / JOSEPH JURAN:
Entrenaron a lderes industriales en tcnicas del CEP

1950s: KAOURU ISHIKAWA: Es un seguidor de
Deming y desarrolla el Diagrama de Ishikawa, los
Crculos de calidad e impulsa el control de calidad
total CWQC.

Los japoneses implantaron el CEP y lograron
productos de alta calidad, Occidente retoma los
mtodos de CEP hasta despus de los 1980s.

En Mxico el programa Ford ITESM de los 1990s
impuls al CEP con poco xito, hoy se retoma con el
ISO 9000:2000

11 P. Reyes
1... Antecedentes histricos
Control de calidad por inspeccin: Con la divisin del
trabajo, aparecen los inspectores, inspeccin 100%


Control estadstico del proceso: Shewhart, Deming, Juran.
Se usa en Japn (50s) y EUA (80s)


Aseguramiento de calidad (ISO 9000): Sistemas aislados
EUA (40s), Europa, etc.

12 P. Reyes
4...Mtodos de calidad para
Manufactura Delgada
Control estadstico del proceso: Previene que ocurran
problemas potenciales

Mtodos de inspeccin sucesiva: Detectan los
resultados de la operacin previa

Mtodos de auto inspeccin: Detecta los resultados de
la operacin actual

A prueba de error (Poka Yokes): Hacer que sea difcil,
realizar la tarea incorrectamente

Evitar: AQLs, concesiones, desviaciones, inspecciones al
final y en recibo

13 P. Reyes
1... Inspecciones de calidad
Inspeccin 100%
Auditora Proc.
Control Estadstico
del Proceso CEP
En la Fuente

Separa buenos
de malos

Ni asegura
Ni mejora
Investigacin
de Causas
Convive con los
defectos
Ayuda a estabilizar
el proceso

Mejora pero
no evita los def.

EVITA EL ERROR IMPIDE DEFECTOS
14 P. Reyes
1... Mtodos estadsticos para la mejora
LAS CARTAS DE CONTROL
Tcnica util para el monitoreo de procesos
Permiten identificar situaciones anormales (causas
especiales originadas por cambios en las 5Ms)
Sirven para prevenir la produccin de defectivos


0
5
10
15
LCS
Promedio
LCI
Perfil
Carta X
LSC
MEDIA
LIC
15 P. Reyes
1... Mtodos estadsticos para la mejora
DISEO DE EXPERIMENTOS
Tcnica util para identificar las variables clave que
afectan a la variabilidad de productos p procesos
Permite variar en forma sistemtica los factores y analizar
su efecto


Variables de Caracterstica
Entrada/Factores de calidad



Proceso

16 P. Reyes
1... Mtodos estadsticos para la mejora
MUESTREO DE ACEPTACIN
Tcnica que permite calificar lotes de productos como
conformes o no conformes, por medio de una muestra
representativa sin inspeccionar al 100%







MUESTRA OK?

LOTE
17 P. Reyes
1... Administracin por Calidad Total
Feigenbaum (Control de calidad total)

Deming (mejora continua, CEP, conocimiento profundo)

Juran (Trilogia de la calidad Plan, mejoramiento y control)

Crosby (Costo de la calidad)

Ishikawa (CWQC)
Taguchi (Diseos robustos)

Planes de Calidad
1. Manual
de Calidad
2. Procedimientos
3. Instructivos
Formatos Vacios
Formatos Llenos
4. Formatos
y Registros
Documentos
controlados
Poltica
Registros
de calidad

1..El Sistema de Calidad
El Sistema de Calidad se debe Establecer,
Documentar e Implantar en forma Efectiva:

QS 9000 ISO 9000:2000
Implantacin de
la poltica
El Cmo de los
procedimientos
19 P. Reyes
1... Administracin por Calidad Total
MODELOS Creacin de valor a las partes interesadas
Premio Nacional de Calidad -Mxico
Premio Malcolm Baldrige EUA
Premio Europeo a la calidad Europa
Premio Deming - Japn
Premios Estatales a la calidad - Mxico
Sistemas de gestin de calidad:
ISO 9000:2000
QS 9000
ISO 16949
VDA 6.1
20 P. Reyes
1... El CEP y la Administracin
por Calidad Total


El CEP debe ser parte de un programa mayor de calidad
total, requiere el liderazgo de la direccin, no hay
otra forma de implantarlo y mantenerlo

21 P. Reyes
1... Los costos de calidad
CROSBY: La calidad se mide con el costo de calidad
COSTOS DE PREVENCIN
Planeacin de calidad (manuales), Entrenamiento
COSTOS DE APRECIACIN
Inspecciones, pruebas y materiales de prueba
COSTOS DE FALLA INTERNA
Desperdicios, retrabajos, reinspecciones
COSTOS DE FALLA EXTERNA
Garantas, reclamaciones, demandas legales,
penalizaciones, campaas

COSTOS DE OPORTUNIDAD
Prdidas de ventas por falta de producto de buena
calidad

22 P. Reyes
2. Mtodos y filosofa
del control estadstico de proceso
(CEP)
23 P. Reyes
No existen en la naturaleza
dos cosas exactamente iguales,
ni siquiera los gemelos, por tanto la variacin es
inevitable y es analizada por la Estadstica
2. Mtodos y filosofa del CEP
24 P. Reyes
La estadstica nos proporciona mtodos para organizar y
resumir informacin, usndola para obtener diversas
conclusiones

Por ejemplo, s deseamos saber el promedio de peso de las
personas en una poblacin tenemos dos opciones:

Pesar a todas y cada una de las personas, anotar y organizar los
datos, y calcular la media.

Pesar solo una porcin o subconjunto de la poblacin (muestra).
Registrar y organizar los datos y calcular la media de la muestra,
tomndola para pronosticar o Inferir la media de toda la
poblacin.
2...La Estadstica
25 P. Reyes
2..Definiciones
Poblacin: Es la coleccin de todos los elementos (piezas,
personas, etc.). En nuestro caso sera un nmero infinito de
mediciones de las caractersticas bajo estudio.

Muestra: Es una parte o subconjunto representativo de la
poblacin, o sea un grupo de mediciones de las caractersticas.

Variable aleatoria: es una funcin o regla que asigna uno y
slo un valor de una variable " y" a cada evento en el espacio
muestral. En este caso representa una medicin particular.


Distribucin: Es la forma del patrn de variacin observado.
.

26 P. Reyes
2..Definiciones
Estadstico: Es una medicin tomada en una muestra que sirve para
hacer inferencias en relacin con una poblacin (media de la muestra,
desviacin estndar de la muestra).

Normalmente es una variable aleatoria y tiene asociada una distribucin.

Parmetro: Es el valor verdadero en una poblacin (media, desviacin
estndar, se indican con letras griegas)

Datos continuos Los datos que tienen un valor real (temperatura,
presin, tiempo, dimetro, altura )

Datos discretos: Datos que toman valores enteros (1, 2, 3, etc.)

Datos por atributos: Bueno - malo, pasa - no pasa, etc.

27 P. Reyes
2..Histograma
El Histograma es una grfica de las frecuencias que presenta
los diferentes valores de medicin y su frecuencia.

Una tabla de frecuencias lista los valores y su frecuencia:

VALOR FREC. VALOR FREC.
35 1 41 7
36 2 42 6
37 3 43 4
38 6 44 2
39 8 45 1
40 10

28 P. Reyes
2...Histograma de Frecuencia

En un proceso estable las mediciones se distribuyen normalmente, a la derecha
y a la izquierda de la media adoptando la forma de una campana.
TAMAO TAMAO
TAMAO
TAMAO
TAMAO
M
E
D
I
C
I
O
N
E
S

Media
M
E
D
I
C
I
O
N
E
S

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

Permite ver la distribucin de la frecuencia con la que ocurren las cosas en
los procesos de manufactura y administrativos.

La variabilidad del proceso se representa por el ancho del histograma, se
mide en desviaciones estndar o o, 3o cubre el 99.73%.
LSE LIE
2...Histograma de Frecuencia
30 P. Reyes
2..Las distribuciones pueden variar en:
POSICIN AMPLITUD FORMA
O TENER CUALQUIER COMBINACION
31 P. Reyes
Media - Promedio numrico o centro de
gravedad del histograma de mediciones

2...Medidas de Tendencia central
- Usa todos los datos
- Le afectan los extremos
X
Fi
=
Fi*Xi
n

i
i = 1
Donde,
Fi = Frecuencia de cada medicin
x
i
= Valor de cada medicin
individual
Mediana - Es el valor que se encuentra en medio de
los datos o mediciones

Moda - Es el valor que ms se repite

32 P. Reyes
DEFINICION:
Es una ayuda grfica para ver la variabilidad de los
datos.
Permite identificar la distribucin de los datos, muestra la
mediana, bases y extremos.

Mediana = dato intermedio entre un grupo de datos
ordenados en forma ascendente
Mediana
Valor
mnimo
Valor
mximo
Mediana inferior Mediana superior
2...Grficas de caja
33 P. Reyes
2...Medidas de variabilidad o
Dispersin Desviacin Estndar

S es usada cuando los datos corresponden a una muestra de la poblacin.
Como es el caso de una muestra de mediciones.


o tpicamente es usada si se est considerando a toda la poblacin

E (Fi*X
i
2
)- [E(Fi*Xi)]
2
/n
i=1
n
n - 1
s =
E (x
i
- x)
2
i=1
n
n
o =
34 P. Reyes
Rango: Valor Mayor Valor menor

Coeficiente de variacin: (Desv. Estndar / Media )*100%,
Se usa para comparar datos en diferentes niveles de media o tipo. Por
ejemplo:

Material No. de Media Desviacin Coeficiente
Observaciones Aritmtica Estndar de Variacin
n s S
rel

A 160 1100 225 0,204
B 150 800 200 0,250

El Material A tiene una menor variabilidad relativa relativa que el material B

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

2..Medidas de
Dispersin- Rango, CV
35 P. Reyes
Para calcular los estadsticos de la MEDIA y la DESVIACIN
ESTNDAR seguir el procedimiento siguiente:

1. - Poner el modo con MODE ., hasta que indique modo SD
2. Limpiar los registros estadsticos con SHIFT AC

3. Introducir uno por uno los datos con la tecla DATA o DT (si se repiten
con una frecuencia, introducirlos las veces necesarias)

4. Al terminar pedir los resultados: la media con SHIFT y X, la desviacin
estndar con SHIFT y X s
n-1

5. Limpiar los registros estadsticos con SHIFT y AC, antes de iniciar una
nueva operacin
2..Uso de Calculadora cientfica
36 P. Reyes
Formar la tabla siguiente donde Xi son los valores y Fi su
frecuencia (las sumas se calculan con la funcin S ):

Xi Fi X
2
i Fi*Xi Fi*X
2
i
35 1 35 35 35
36 3 1225 108 3675
37 6 1369 222 8214
38 3 1444 114 4332
39 2 1521 78 3042
40 1 1600 40 1600
SXi SFi SX
2
i SFiXi SFiX
2
i

Para calcular el promedio dividir SFiXi / SFi
Para calcular la desviacin estndar sustituir en la frmula para
S, con n = SFi

2...Mtodo Manual
37 P. Reyes
Accesar el menu de anlisis de datos con TOOLS o
HERRAMIENTAS, ANLISIS DE DATOS, ESTADSTICA
DESCRIPTIVA

o

Utilizar las funciones de Promedio, y DesvEst para la
media y desviacin estndar respectivamente
2...Clculos en Excel
38 P. Reyes
2...Ejercicio de Histogramas
Datos:

6.40 6.39 6.41 6.39 6.40
6.39 6.40 6.37 6.40 6.38

6.42 6.38 6.40 6.38 6.41
6.40 6.41 6.41 6.43 6.39

6.41 6.35 6.39 6.41 6.43
6.38 6.40 6.42 6.37 6.40

6.37 6.43 6.43 6.39 6.42
6.40 6.42 6.39 6.42 6.38

6.42 6.40 6.38 6.45 6.41
6.39 6.44 6.36 6.44 6.36
39 P. Reyes
2...Histogramas con Datos agrupados
El Histograma es una grfica de las frecuencias que presenta
los diferentes datos o valores de mediciones agrupados en
celdas y su frecuencia.

Una tabla de frecuencias lista las categoras o clases de valores
con sus frecuencias correspondientes, por ejemplo:

CLASE FRECUENCIA
1-5 7
6-10 12
11-15 19
16-20 16
21-25 8
26-30 4

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

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

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

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

41 P. Reyes
Construccin del histograma - datos agrupados
Paso 1. Contar los datos (N)
Paso 2. Calcular el rango de los datos R = (Valor mayor- valor menor)

Paso 3. Seleccionar el nmero de columnas o celdas del histograma
(K). Como referencia si N = 1 a 50, K = 5 a 7; si N = 51 - 100; K = 6 - 10.
Tambin se utiliza el criterio K = Raz (N)

Paso 4. Dividir el rango por K para obtener el ancho de clase

Paso 5. Identificar el lmite inferior de clase ms conveniente y sumarle
el ancho de clase para formar todas las celdas necesarias

Paso 6. Tabular los datos dentro de las celdas de clase
Paso 7. Graficar el histograma y observar si tiene una forma normal
42 P. Reyes
Ejemplo: Datos agrupados
Datos:

19 21 25 33 30 27 31 25 35

37 44 43 42 39 43 40 38 37

36 42 41 44 32 45 46 47 45

54 52 50 48 49 47 48 49 47

52 51 50 49 58 59 61 62 63

59 61 66 76 70


43 P. Reyes
2...Construccin del histograma
Paso 1. Nmero de datos N = 50

Paso 2. Rango R = 76 - 16 = 60

Paso 3. Nmero de celdas K = 6;

Paso 4. Ancho de clase = 60 / 6 = 10

Paso 5. Lm. de clase: 15-24, 25- 34, 35- 44, 45- 54, 55 - 64, 65-74, 75-94
Paso 6. Nmero de datos: 2 7 14 17 7 2 1
Marcas de clase 19.5 29.5 39.5 49.5 59.5 69.5 79.5

Paso 7. Graficar el histograma y observar si tiene una forma normal
44 P. Reyes
2...Construccin del histograma
0
2
4
6
8
10
12
14
16
18
15-24 25-34 35-44 45-54 55-64 65-75
Frec.
45 P. Reyes
Media - Promedio numrico o centro de
gravedad del histograma

2...Clculo de la media - datos agrupados
- Usa todos los datos
- Le afectan los extremos
x
Fi
=
Fi*Xi
n

i
i = 1
Donde,
Fi = Frecuencia de cada observacin
x
i
= Valor de cada marca de clase
Mediana - Es el valor que se encuentra en medio de
los datos

Moda - Es el valor que ms se repite

46 P. Reyes
2...Desviacin Estndar - Datos agrupados

S es usada cuando los datos corresponden a una muestra de la poblacin

Nota: Cada Xi representa la marca de clase

o tpicamente es usada si se est considerando a toda la poblacin

E (Fi*X
i
2
)- [E(Fi*Xi)]
2
/n

i=1
n
n - 1
s =
E (x
i
- x)
2
i=1
n
n
o =
NOTA: Para lo clculos con Excel, se puede utilizar el mismo mtodo
que para datos no agrupados de la pgina 13, tomando como
Xi los valores de las marcas de clase.
47 P. Reyes
Despus de correr la utileria de Histogramas con Excel se
obtuvieron los siguientes resultados (BIN RANGE: 15, 25, 35, 45,
55, 65, 75).

Bin Frequency
15 0
25 4
35 6
45 15
55 15
65 7
75 2
More 1

2...Histograma en Excel
48 P. Reyes
Accesar el menu de anlisis de datos con TOOLS o
HERRAMIENTAS, DATA ANALYSIS o ANALISIS DE
DATOS, HISTOGRAMS o HISTOGRAMAS

Marcar los datos de entrada en INPUT RANGE o
RANGO DE ENTRADA, marcar el rea de resultados
con OUTPUT RANGE o RANGO DE SALIDA y obtener
resultados y grfica

NOTA: Los datos deben estar en forma no agrupada,
Excel forma los grupos en forma automtica o se le
pueden proporcionar los lmites de las celdas.

2...Histograma en Excel
49 P. Reyes


2...Histograma en Excel
Histogram
0
10
20
1
5
2
5
3
5
4
5
5
5
6
5
7
5
.
Bin
F
r
e
q
u
e
n
c
y
Frequency
50 P. Reyes
Ejercicio
Datos:

19.5 21.3 21.3 21.3 21.3 21.2 21.4 21.4 21.4
19.6 21.3 21.4 21.3 21.3 20.9 19.5 21.3 21.5

19.6 21.4 21.5 19.8 21.0 20.6 21.5 19.7 21.3
21.3 21.3 19.7 19.8 21.4 21.4 19.9 21.3 19.8

21.6 20.4 21.4 21.4 21.4 21.4 19.6 21.5 21.2
21.4 21.5 21.4 21.5 21.4 19.8 19.8 21.2 21.3

19.4 21.4 21.4 21.3 21.3 19.7 20.1 19.9 21.3
19.5 21.3 21.2 21.4 21.6 21.4 19.8 21.3 19.4

19.8 21.3 21.2 21.4 21.6 21.4 19.8 21.3 19..4
21.3 21.2 21.3 21.6 21.4 21.5 20.2 19.4 21.1

21.3 20.2 21.4 19.7 21.4 20.1 21.3 21.4 21.5
19.5
51 P. Reyes
2...La Distribucin
Normal
52 P. Reyes
2...La distribucin Normal
La distribucin normal es una distribucin de probabilidad
que tiene media 0 y desviacin estndar de 1.

El rea bajo la curva o la probabilidad desde menos infinito
a ms infinito vale 1.

La distribucin normal es simtrica, es decir cada mitad de
curva tiene un rea de 0.5.

La escala horizontal de la curva se mide en desviaciones
estndar, su nmero se describe con Z.

Para cada valor Z se asigna una probablidad o rea bajo la
curva mostrada en la Tabla de distribucin normal
53 P. Reyes
x x+s x+2s x+3s x-s x-2s x-3s
X
3o 2o o +o +2o +3o
Para la poblacin - se incluyen TODOS los datos
Para la muestra
2...La distribucin Normal
54 P. Reyes
z
0 1 2 3 -1 -2 -3
x x+o x+2o x+o3 x-o x-2o x-3o
X
La desviacin estndar
sigma representa la
distancia de la media al
punto de inflexin de la
curva normal
2...La distribucin Normal Estndar
55 P. Reyes
68%
34% 34%
95%
99.73%
+1s
+2s
+3s
2...Caractersticas de la distribucin normal
56 P. Reyes
2...El valor de z
Determina el nmero de desviaciones estndar entre
algn valor x y la media de la poblacin, . Donde o es
la desviacin estndar de la poblacin.

En Excel usar Fx, STATISTICAL, STANDARDIZE, para
calcular el valor de Z
z = x -
57 P. Reyes
68%
34% 34%
13.5% 13.5%
95%
68%
34% 34%
13.5% 13.5%
99.73%
68%
34% 34%
2.356% 2.356%
2...Proceso con media =100
y desviacin estndar = 10
70 80 90 100 110 120 130
90 110
80 120
70 130
58 P. Reyes
_
X
xi
s
Z
LIE
Especificacin
inferior
LSE
Especificacin
superior

p
= porcentaje de partes fuera de Especificaciones
59 P. Reyes
2...reas bajo la curva
normal
60 P. Reyes
El tiempo de vida de las bateras del conejito tiene una
distribucin aproximada a la normal con una media de
85.36 horas y una desviacin estndar de 3.77 horas.


Qu porcentaje de las bateras se espera que duren 80
horas o menos?

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

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


2...reas bajo la curva normal
61 P. Reyes
Distribucin normal estndar con media = 0 y desviacin estndar =
1: Para Z = (X - Xmedia ) / s
1. El rea desde menos infinito a un valor de Z se obtiene como
sigue:
- Colocarse en una celda vaca
- Accesar el men de funciones con Fx, STATISTICAL o
ESTADSTICAS, NORMSDIST o DISTSNORM, dar el valor de Z y se
obtendr el rea requerida Z

Area

2. Un valor de Z especfico para una cierta rea (por ejemplo 0.05)
se obtiene como sigue:
- Colocarse en una celda vaca
- Accesar el men de funciones con Fx, STATISTICAL o
ESTADSTICAS, NORMSINV o DISTSNORMINV, dar el valor del
rea y se obtendr el valor de la Z

2...Clculos con Excel
62 P. Reyes
Distribucin normal, dadas una media y desviacin estndar:
1. El rea desde menos infinito a un valor de X se obtiene como
sigue:
- Colocarse en una celda vaca
- Accesar el men de funciones con Fx, STATISTICAL o
ESTADSTICAS, NORMDIST o DISTNORM, dar el valor de X,
Media, Desviacin Estndar s, TRUE o VERDADERO y se obtendr
el rea requerida
X
Area


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

2...Clculos con Excel
63 P. Reyes




Que porcentaje de las bateras se espera que duren
80 horas o menos?
z = (x-m) /s
z = (80-85.36)/(3.77)= - 5.36/ 3.77 = -1.42
85.36
80
-1.42 0
2...rea bajo la curva normal
64 P. Reyes
0 1


86 87
85.36
Cul es la probabilidad de que una batera dure
entre 86.0 y 87.0 horas?
2...rea bajo la curva normal
65 P. Reyes
85.36 87

Cul es la probabilidad de que una batera dure ms de 87
horas?
1.67 = .33 33% de las veces una batera durar ms
de 87 horas
2...rea bajo la curva normal
66 P. Reyes
Considere una media de peso de estudiantes de 75 Kgs. con
una desviacin estndar de 10Kgs. Contestar lo siguiente:
1. Cul es la probabilidad de que un estudiante pese ms de
85Kgs.?

2. Cul es la probabilidad de que un estudiante pese menos
de 50Kgs.?
3. Cul es la probabilidad de que pese entre 60 y 80 Kgs.?.

4. Cul es la probabilidad de que pese entre 55 y 70 Kgs.?
5. Cul es la probabilidad de que pese entre 85 y 100Kgs.?
2...Ejercicios
67 P. Reyes
2... Las 7 herramientas estadsticas
Hoja de verificacin para anotar frecuencia de
ocurrencias de los eventos (con signos |, X, *, etc.)

Histogramas para ver la distribucin de frecuencia de
los datos

Las cartas de control de Shewart para monitorear el
proceso, prevenir defectivos y facilitar la mejora
Cartas de control por atributos y por variables

Diagrama de Pareto para identificar prioridades
68 P. Reyes
2... Las 7 herramientas estadsticas
Diagrama de Causa efecto para identificar las
posibles causas a travs de una lluvia de ideas, la cual
se debe hacer sin juicio previos y respetando las
opiniones.

Diagrama de Dispersin para analizar la correlacin
entre dos variables, se puede encontrar:
Correlacin positiva o negativa
Correlacin fuerte o dbil
Sin correlacin.
69 P. Reyes
2... Las 7 herramientas estadsticas
Diagrama de flujo para identificar los procesos, las
caractersticas crticas en cada uno, la forma de
evaluacin, los equipos a usar, los registros y plan de
reaccin, se tienen:
Diagramas de flujo de proceso detallados
Diagramas fsicos de proceso
Diagramas de flujo de valor

Estratificacin para separar el problema general en
los estratos que lo componen, por ejemplo, por reas,
departamentos, productos, proveedores, turnos, etc..
70 P. Reyes
2... Causas de variacin y bases
estadsticas del CEP
Causas de variacin
Causas comunes o aleatorias, reducidas slo por la
direccin
Causas especiales (causadas por 6Ms), eliminadas por
personal involucrado en la operacin.

Bases estadsticas de las cartas de control
Situacin en control y fuera de control
Prueba de hiptesis Error alfa y error beta
Curva caracterstica de operacin del error beta
Lmites de control - Modelo general y europeo
Proceso de mejora eliminando causas especiales
71 P. Reyes
2... Beneficios de las cartas de control
Herramienta para mejorar la productividad

Herramientas de prevencin de defectos

Evitan ajustes innecesarios

Proporcionan informacin de diagnstico

Proporcionan informacin de la capacidad del
proceso

72 P. Reyes
2.. Diseo de la carta de control
Lmites de control
De acuerdo a Shewhart a + - 3-sigma
En Europa se usan l.imites de prevencin a + -2 sigma
En Europa se usan Lmites Probabilsticos a + - 0.1%
(+ - 3.09 sigma)

Operacin de las cartas de control
Tamao de muestra, subgrupo racional para detectar
variacin entre subgrupos ms que dentro del mismo
Frecuencia de muestreo para detectar cambios
Sensibilidad para detectar causas especiales
73 P. Reyes
2... Factores de xito para
la implantacin del CEP
LIDERAZGO GERENCIAL, SER PARTE DE UN PROGRAMA
MAYOR

ENFOQUE DE GRUPO DE TRABAJO

EDUCACIN Y ENTRENAMIENTO EN TODOS LOS
NIVELES

ENFASIS EN LA MEJORA CONTINUA

SISTEMA DE RECONOCIMIENTO

APOYO TCNICO DE INGENIERA O CALIDAD
74 P. Reyes
2... Cartas de Control por Variables
MEDIAS RANGOS (subgrupos de 5 - 9 partes cada x horas,
para estabilizar procesos)

MEDIANAS RANGOS (para monitorear procesos estables)

MEDIAS DESVIACIONES ESTANDAR (subgrupos de 9 o ms
partes cada hora o cada lote de proveedor para monitoreo de
procesos o proveedores)

VALORES INDIVIDUALES (partes individuales cada x horas,
para monitoreo de procesos muy lentos o qumicos)

75 P. Reyes
2... Estabilizacin del proceso
con cartas de control
1. IDENTIFICAR LA CARACTERSTICA A CONTROLAR, EN
BASE A UN AMEF (anlisis del modo y efecto de falla)

2. DISEAR LOS PARMETROS DE LA CARTA (lmites de
control, tamao de subgrupo, frecuencia de muestreo)

3. VALIDAR LA HABILIDAD DEL INSTRUMENTO CON UN
ESTUDIO DE REPETIBILIDAD Y REPRODUCIBILIDAD
(R&R)

4. CENTRAR EL PROCESO, CORRERLO Y MEDIR 25
SUBGRUPOS DE 5 PARTES CADA UNO, DE
PRODUCCIN DEL MISMO TURNO O DA

76 P. Reyes
2... Cartas de Control por Variables -
Metodologa de implantacin
5. CALCULAR LMITES PRELIMINARES DE CONTROL A 3
SIGMA

6. IDENTIFICAR CAUSAS ASIGNABLES O ESPECIALES Y
TOMAR ACCIONES PARA PREVENIR SU RECURRENCIA

7. RECALCULAR LOS LMITES DE CONTROL Y EN CASO
NECESARIO REPETIR EL PASO 6, ESTABLECER
LIMITES PRELIMINARES PARA SIGUIENTES CORRIDAS

8. CONTINUAR EL MONITOREO, TOMAR ACCIONES EN
CAUSAS ESPECIALES Y RECALCULAR LMITES DE
CONTROL CADA 25 SUBGRUPOS
9.... REDUCIR CAUSAS COMUNES DE VARIACIN
77 P. Reyes
2... Cartas de Control por Atributos
p Fraccin defectiva n Constante
Se toman muestras de tamao n constante con 30 o ms
partes en forma peridica y se determina la fraccin
defectiva se utiliza para productos simples (botellas).

p Fraccin defectiva con n variable
Igual a la anterior pero el tamao n de las muestras es
variable en cada una se utiliza para productos simples
(botellas)

Np Nmero de productos defectivos con n constante

78 P. Reyes
2... Cartas de Control por Atributos
c Nmero de defectos
Se cuentan los defectos que tienen cada unidad de
inspeccin de tamao n constante en productos
complejos TV, computadoras

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

79 P. Reyes
2... Cartas de Control tipo p
p - FRACCIN DEFECTIVA CON n CONSTANTE

INICIO DE CONTROL Y LIMITES PRELIMINARES

IDENTIFICAR CAUSAS DE ANORMALIDAD Y ACCIONES

LIMITES DE CONTROL REVISADOS

DISEO DE LA CARTA DE CONTROL
Determinacin del tamao de muestra, frecuencia de
muestreo

CARTA DE CONTROL np


80 P. Reyes
2... Cartas de Control tipo p
p - CON LMITES DE CONTROL VARIABLES


p - CON n PROMEDIO


p - ESTANDARIZADA


CURVA CARACTERSTICA DE OPERACIN OC Y ARL


81 P. Reyes
2... Cartas de Control tipo c, u
c - CARTA DE CONTROL PARA DEFECTOS
- Cambio de tamao de la unidad de inspeccin

u - CARTA DE CONTROL PARA DEFECTOS POR UNIDAD
Carta de control u con n promedio
Carta de control u estandarizada

U para Demritos
En base a la clasificacin de defectos A (crticos), B
(funcionales), C (menores)

Curva caracterstica de operacin (OC)

82 P. Reyes
3. Cartas de control
por variables
83 P. Reyes

1. El teorema del lmite central

2. Teora de las Cartas de Control

3. Cartas de control para variables

4. Ejercicios de aplicacin
3. CONTENIDO
84 P. Reyes


3.1 Teorema del Lmite Central
85 P. Reyes
3.1Teorema del Lmite Central
La distribucin de las medias de las muestras tienden
a distribuirse en forma normal

Por ejemplo los 300 datos (cuyo valor se encuentra
entre 1 a 9) pueden estar distribuidos como sigue:
0
10
20
30
40
50
1 2 3 4 5 6 7 8 9
Frec.
86 P. Reyes
La distribucin de las medias de las muestras tienden
a distribuirse en forma normal

Tomando de muestras de 10 datos, calculando su
promedio y graficando estos promedios se tiene:
0
2
4
6
8
10
3.5 4.5 5.5 6.5
Frec.
3.1..Teorema del Lmite
Central
87 P. Reyes

Poblacin con media y desviacin estndar o y cualquier
distribucin.

Seleccionando muestras de tamao n y calculando la X-media o
promedio en cada una
X-media 1 X-media 2 X-media 3
Conforme el tamao de muestra se incrementa las muestras se
distribuyen normalmente con media de medias y desviacin estndar
de las medias de las muestras o / \n. Tambin
se denomina Error estndar de la media.
3.1Teorema del Lmite Central
88 P. Reyes
PREMISAS
Si la variable aleatoria X tiene cualquier distribucin con
media y desviacin estndar o.

Seleccionando muestras de tamao n de la poblacin se
tiene:

CONCLUSIONES
La distribucin de todas las medias o promedios de las
muestras X-media, tienden a distribuirse normalmente

La media de las medias de las muestras ser .
La desviacin estndar de las medias de las muestras ser o /
\n.
3.1Teorema del Lmite Central
89 P. Reyes
CONCLUSIONES (cont..)

Si la poblacin original es casi normal, las medias
muestrales se distribuyen normalmente para toda n.

Walter Shewhart en la Western Electric (1924), demostr
que para una distribucin triangular y una uniforme, n=4 era
suficiente para que las medias de las muestras se
distribuyeran normalmente.




Esta es la base del Control Estadstico del proceso.
3.1Teorema del Lmite Central
90 P. Reyes


3.2 Teora de las
Cartas de Control
91 P. Reyes
PROPSITO
Introducir los tipos bsicos de Cartas de Control
Estadstico del Proceso (CEP)


Introducir el concepto de lmites de control y la
manera de usarlos


Interpretar cuando un proceso est fuera de control.
92 P. Reyes
3.2 Qu es una Carta de Control?
Una Carta de Control es como un historial del proceso...
... En donde ha estado.
... En donde se encuentra.
... Hacia donde se puede dirigir

Las cartas de control pueden reconocer cambios buenos y
malos.
Qu tanto se ha mejorado?
Se ha hecho algo mal?

Las cartas de control detectan la variacin anormal en un
proceso, denominadas causas especiales o asignables de
variacin.

93 P. Reyes
3.2 Reglas Bsicas
Se debe medir la caracterstica del proceso adecuada en la
carta.

La carta de control utilizada debe ser adecuada para medir
la caracterstica seleccionada.

Al menos se deben obtener 25 subgrupos (muestras de
grupos de partes) antes de elaborar las cartas de control.

Se debe tomar la accin apropiada cuando la carta de
control lo indique.

NOTA: El sistema de medicin debe estar validado con un
estudio R&R antes de llevar una carta de control.
94 P. Reyes
3.2 Variacin observada
en una Carta de Control
Una Carta de control es simplemente un registro de datos en
el tiempo con lmites de control superior e inferior.

Una carta de control identifica los datos secuenciales en
patrones normales y anormales.

El patrn normal de un proceso se llama causas de variacin
comunes.

El patrn anormal debido a eventos especiales se llama
causa especial de variacin.

- Tener presente que los lmites de control NO son lmites de
especificacin.
95 P. Reyes
3.2 Causas comunes o normales

CAUSAS COMUNES
Siempre estn presentes
Slo se reduce con acciones de mejora mayores
Su reduccin es responsabilidad de la direccin

Fuentes de variacin: Mrgenes inadecuados de diseo,
materiales de baja calidad, capacidad del proceso insuficiente

SEGN DEMING
El 85% de las causas de la variacin son causas
comunes, responsabilidad de la direccin



14
96 P. Reyes
3.2 Variacin Causas comunes

Lmite
inf. de
especs.
Lmite
sup. de
especs.
Objetivo
15
97 P. Reyes
3.2 Causas Especiales

CAUSAS ESPECIALES
Ocurren espordicamente
Son ocasionadas por variaciones anormales (6Ms)
Medicin, Medio ambiente, Mano de obra,
Mtodo, Maquinaria, Materiales
Slo se reduce con acciones en el piso o lnea
Su reduccin es responsabilidad del operador por
medio del Control Estadstico del Proceso

SEGN DEMING
El 15% de las causas de la variacin son causas
especiales y es responsabilidad del operador




16
98 P. Reyes
3.2 Variacin Causas especiales
Lmite
inf. de
especs.
Lmite
sup. de
especs.
Objetivo
17
99 P. Reyes
25 20 15 10 5 0
15
10
5
0
Sampl e Number
S
a
m
p
l
e

C
o
u
n
t
C Chart for Pitted S
1
C=5.640
3.0SL=12.76
-3.0SL=0.000
LSC
Lmite Superior de Control
LIC
Lmite Inferior de Control
Promedio
(o lnea central)
R
e
s
p
u
e
s
t
a

El promedio y los lmites de control se calculan a partir de los
datos.
Los datos se grafican en orden secuencial en el tiempo
(conforme ocurren). Se trata de detectar los cambios.
Los puntos graficados dependen del tipo de Carta: promedio,
rango, fraccin defectiva, etc.
3.2 Anatoma de una Carta de Control
Carta de control
Nmero de Muestra
100 P. Reyes
Corridas
7 puntos consecutivos de un lado de X-media.

Puntos fuera de control
1 punto fuera de los lmites de control a 3 sigmas en cualquier
direccin (arriba o abajo).

Tendencia ascendente o descendente
7 puntos consecutivos aumentando o disminuyendo.

Adhesin a la media
15 puntos consecutivos dentro de la banda de 1 sigma del
centro.

Otros
2 de 3 puntos fuera de los lmites a dos sigma

3.2 Patrones Fuera de Control
101 P. Reyes
Proceso en Control estadstico

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

Lo anterior equivale a tener el 68% de los puntos
dentro del tercio medio de la carta de control.

3.2 Patrn de Carta
en Control Estadstico
102 P. Reyes
3.2 Tipos de Cartas de control
Las cartas de control se dividen en dos categoras,
diferenciadas por el tipo de datos bajo estudio- variables y
atributos.

Las Cartas de Control para datos variables son utilizadas
para caractersticas que tienen una magnitud variable.
Ejemplo:
- Longitud
- Ancho
- Profundidad
- Peso
- Tiempo de ciclo
- Viscosidad



103 P. Reyes
3.2 Tipos de Cartas de control

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

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


104 P. Reyes


3.3 Construccin de Cartas
de Control para variables
105 P. Reyes
3.3.Carta X, R (Datos variables)
- Este par de cartas se utilizan para monitorear procesos con
datos variables. Una para las medias y otra para los rangos.

- Los datos de 3 a 6 piezas consecutivas forman subgrupos o
muestras de los cuales se calcula la media y el rango.

- La Carta X-media monitorea los promedios de las muestras
del proceso monitoreando tendencias en la media del
proceso.

- La grfica R monitorea los rangos de las muestras del
proceso monitoreando la variabilidad del proceso.
106 P. Reyes
3.3.Carta X, R (Continuacin)
Procedimiento:
Identificar la caracterstica crtica a controlar y tamao de
subgrupo (n = 3 a 6)

Iniciar la recoleccin de aprox. 25 subgrupos (k),
tomando partes consecutivas en cada uno.

Decidir cmo y cundo colectar la informacin de los
subgrupos, de tal forma de detectar cambios.

Elaborar la grfica con los datos.

Analizar las cartas de control
107 P. Reyes
3.3.Carta X, R (Continuacin)
Terminologa
k = nmero de subgrupos; n = nmero de muestras en cada subgrupo
X = promedio para un subgrupo
X = promedio de todos los promedios de los subgrupos
R = rango de un subgrupo
R = promedio de todos los rangos de los subgrupos
x =
x
1
+ x
2
+ x
3
+ ...+ x
N

k
x
=
x
1
+ x
2
+ x
3
+ ...+ x
N

n
LIC
X
= x - A
2
R
LIC
R
= D
3
R
LSC
X
= x + A
2
R
LSC
R
= D
4
R
NOTA: Para el clculo de los lmites de control
usar los factores mostrados en las tablas
correspondientes a cada valor de n
estos factores para calcular Lmites de Control)
108 P. Reyes
Anlisis:

La grfica R debe estar en control antes de interpretar
la grfica X-media.

Interpretar la grfica X-media para puntos que no estn
aleatoriamente distribuidos

La clave consiste en eliminar la variacin excesiva antes
de tratar de identificar tendencias en los promedios de los
subgrupos del proceso
3.3.Carta X, R (Continuacin)
109 P. Reyes
3.3.Carta X, R (Continuacin)
Ejemplo 1: Psi en un componente. Se toman muestras de
Cinco componentes cada da.
Da Muestra1Muestra2Muestra3Muestra4Muestra5
1 55 75 65 80 80
2 90 95 60 60 55
3 100 75 75 65 65
4 70 110 65 60 60
5 55 65 95 70 70
6 75 85 65 65 65
7 120 110 65 85 70
8 65 65 90 90 60
9 70 85 60 65 75
10 100 80 65 60 80
n = # muestras en un subgrupo/da = 5
k = # de subgrupos (das) = 10
X = 74.6 R = 36.0
110 P. Reyes
Ejemplo 1:
3.3.Carta X, R (en Excel)
1 0 9 8 7 6 5 4 3 2 1 0
1 0 0
9 0
8 0
7 0
6 0
5 0
S u b g r o u p
M
e
d
i
a
s

X = 7 4 . 6 0
3 . 0 S L = 9 5 . 3 6
- 3 . 0 S L = 5 3 . 8 4
8 0
7 0
6 0
5 0
4 0
3 0
2 0
1 0
0
R
a
n
g
o
s

R = 3 6 . 0 0
3 . 0 S L = 7 6 . 1 2
- 3 . 0 S L = 0 . 0 0 0
Grfica Xbar/R para Muestra1-Muestra5

Cul grfica se analiza primero?
Cul es su conclusin acerca del proceso ?
111 P. Reyes
3.3.Carta X, R (Continuacin)
Ejemplo 2: Peso de partes medido diariamente, 5 muestras por da.
Da Muestra1Muestra2Muestra3Muestra4Muestra5
1 55 60 60 55 57
2 90 95 85 100 85
3 60 60 70 50 62
4 100 110 95 85 100
5 55 65 60 70 70
6 95 90 90 90 100
7 55 50 45 50 50
8 105 100 90 100 60
9 70 60 60 65 75
10 100 110 105 100 90
n = # muestras en un subgrupo (da) = 5
k = # de subgrupos (das) = 10
X = 77.2 R = 18
112 P. Reyes
Ejemplo 2:
3.3.Carta X, R (en Excel)
1 0 9 8 7 6 5 4 3 2 1 0
1 0 5
9 5
8 5
7 5
6 5
5 5
4 5
S u b g r o u p
M
e
d
i
a
s

1
1
1
1
1
1
1
1
1
1
X = 7 7 . 1 8
3 . 0 S L = 8 7 . 5 6
- 3 . 0 S L = 6 6 . 8 0
5 0
4 0
3 0
2 0
1 0
0
R
a
n
g
o
s

1
R = 1 8 . 0 0
3 . 0 S L = 3 8 . 0 6
- 3 . 0 S L = 0 . 0 0 0

Cules pesos fallaron?
Grfica Xbar/R para Muestra1-Muestra5
113 P. Reyes
3.3..Hacer una carta X-R y concluir:
MUESTRA VALORES
1 12 12 13 15 12
2 15 17 16 17 18
3 13 18 14 14 15
4 10 12 11 10 11
5 13 16 15 16 15
6 15 12 13 15 11
7 15 16 15 16 15
8 15 17 15 17 14
9 22 17 16 17 14
10 16 15 17 15 18
11 16 18 16 16 16
12 15 16 17 17 14
13 17 15 16 15 16
14 16 15 18 18 16
15 17 19 17 15 17
16 19 17 15 15 17
17 16 19 16 15 14
18 16 15 17 16 18
19 17 13 17 15 14
20 19 18 17 15 16
114 P. Reyes
- Este es un par de Cartas muy similar a las grficas X - R. La
diferencia consiste en que el tamao de la muestra puede variar y
es mucho ms sensible para detectar cambios en la media o en la
variabilidad del proceso.

- El tamao de muestra n es mayor a 9.

- La Carta X monitorea el promedio del proceso para vigilar
tendencias.

- La Carta S monitorea la variacin en forma de desviacin estndar.

- Como se dijo anteriormente, las cartas se dividen en zonas. Aqu
estn divididas en intervalos de 1 sigma.
3.3.Carta X, S
115 P. Reyes
3.3.Carta X, S (Continuacin)
Terminologa
k = nmero de subgrupos n = nmero de muestras en cada subgrupo
x = promedio para un subgrupo
x = promedio de todos los promedios de los subgrupos
S = Desviacin estndar de un subgrupo
S = Desviacin est. promedio de todos los subgrupos
x =
x
1
+ x
2
+ x
3
+ ...+ x
N

k
x =
x
1
+ x
2
+ x
3
+ ...+ x
N

n
LIC
X
= x - A
3
S
LICs = B
3
S
LSC
X
= x + A
3
S
LSC
S
= B
4
S
(usar estos factores para calcular Lmites de Control
n 5 6 7 8 9 10
B
4
2.09 1.97 1.88 1.82 1.76 1.72
B
3
0.00 0.03 0.12 0.18 0.24 0.28
A
3
1.43 1.29 1.18 1.10 1.03 0.98
C
4
.940 .952 .959 .965 .969 .973

116 P. Reyes
3.3.Carta de Individuales (Datos variables)
- A menudo esta carta se llama I o Xi.

- Esta Carta monitorea la tendencia de un proceso con datos
variables que no pueden ser muestrados en lotes o grupos.

- Este es el caso cuando la capacidad de
corto plazo se basa en subgrupos racionales de una unidad o
pieza

- La lnea central se basa en el promedio de los datos, y los
lmites de control se basan en la desviacin estndar poblacional
(+/- 3 sigmas)
117 P. Reyes
3.3.Carta X, R (Continuacin)
Terminologa
k = nmero de piezas
n = 2 para calcular los rangos
x = promedio de los datos
R = rango de un subgrupo de dos piezas consecutivas
R = promedio de los (n - 1) rangos
x =
x
1
+ x
2
+ x
3
+ ...+ x
N

n
LIC
X
= x - E
2
R
LIC
R
= D
3
R
LSC
X
= x + E
2
R
LSC
R
= D
4
R
(usar estos factores para calcular Lmites de Control n = 2)
n 2
D
4
3.27
D
3
0
E
2
2.66
118 P. Reyes

3.3. Ejemplo: Carta I (en Excel)
1 5 1 0 5 0
1 2 . 3 5
1 2 . 2 5
1 2 . 1 5
1 2 . 0 5
1 1 . 9 5
1 1 . 8 5
1 1 . 7 5
1 1 . 6 5
Nmero de Observacin

V
a
l
o
r

I
n
d
i
v
i
d
u
a
l



Carta I para Longitud de parte

1
6
6
6
8
X = 1 2 . 0 3
3 . 0 S L = 1 2 . 3 0
- 3 . 0 S L = 1 1 . 7 5
Observar la situacin fuera de control
119 P. Reyes
- Hacer dos cartas X-R y concluir:
MUESTRA 1 MUESTRA 2

1 12 2.832
2 15 2.802
3 13 2.952
4 10 2.80
5 13 2.95
6 15 2.92
7 15 2.95
8 15 2.92
9 22 2.93
10 16 2.93
3.3. Ejercicios de Cartas I o X, R
MUESTRA 1 MUESTRA 2

11 16 2.97
12 15 2.95
13 17 2.95
14 16 2.86
15 17 2.89
16 19 2.86
17 16 2.85
18 16 2.78
19 17 2.89
20 19 2.78

120 P. Reyes


4. Cartas de Control
para atributos
121 P. Reyes
4. Cartas de control para atributos
Datos de Atributos
Tipo Medicin Tamao de Muestra ?
p Fraccin de partes defectuosas, Constante o variable > 30
defectivas o no conformes

np Nmero de partes defectuosas Constante > 30


c Nmero de defectos Constante = 1 Unidad de
inspeccin

u Nmero de defectos por unidad Constante o variable en
unidades de inspeccin
122 P. Reyes
25 20 15 10 5 0
15
10
5
0
Sampl e Number
S
a
m
p
l
e

C
o
u
n
t
C Chart for Pitted S
1
C=5.640
3.0SL=12.76
-3.0SL=0.000
4. Cartas de control para Atributos
Situaciones fuera de control
Un punto fuera de los lmites de control.
Siete puntos consecutivos en un mismo lado de de la lnea central.
Siete puntos consecutivos, todos aumentando o disminuyendo.
Catorce puntos consecutivos, alternando hacia arriba y hacia abajo.
Lmite Superior de Control
Lmite Interior de Control
Lnea Central
Ahora, veamos algunos ejemplos...
Carta C
Nmero de Muestras
123 P. Reyes
4. Carta p (Atributos)
- Tambin se llaman Cartas de Porcentaje Defectivo o Fraccin
Defectiva
- Monitorea el % de defectos o fraccin defectiva en una muestra
- El tamao de muestra (n) puede variar
- Recalcula los lmites de control cada vez que (n) cambia
Terminologa
n = tamao de cada muestra (por ejemplo, produccin
semanal)
np = nmero de unidades defectuosas en cada muestra
p = proporcin (porcentaje) de defectos en cada muestra -
(fraccin defectiva)
k = nmero de muestras
124 P. Reyes
4. Carta p (Atributos)
pi = =
np # de productos defectivos en cada muestra
ni # de productos inspeccionados en la muestra
Clculo de los lmites de control
p =
n
1
p
1
+ n
2
p
2
+ n
3
p
3
+ ...+ n
k
p
k
n
1
+ n
2
+ n
3
+ ... + n
k
(1- ) p p
n
p + 3 LSC =
(1- ) p p
n
p - 3 LIC =
Nota: Recalcular los lmites en cada
muestra (ni) si n es variable
Fraccin defectiva
promedio
125 P. Reyes
4. Carta p (Cont...)
Ejemplo: Algunos componentes no pasaron la inspeccin final. Los datos de falla se
registraron semanalmente tal como se muestra a continuacin.

# de
componentes
inspeccionados
Componentes
defectuosos
Fraccin de
componentes
defectuosos
7 0 0.000
7 0 0.000
15 2 0.133
14 2 0.143
48 6 0.125
22 0 0.000
18 6 0.333
7 0 0.000
14 1 0.071
9 0 0.000
14 2 0.143
12 2 0.167
8 1 0.125
n np p
K = 13 semanas
126 P. Reyes
1 0 5 0
0 . 5
0 . 4
0 . 3
0 . 2
0 . 1
0 . 0
Nmero de muestra

P
r
o
p
o
r
c
i

n

Grfica P para Fraccin Defectiva

P = 0 . 1 1 2 8
3 . 0 S L = 0 . 4 4 8 4
- 3 . 0 S L = 0 . 0 0 0
4...Carta p (Cont..)
- Observe como el LSC vara conforme el tamao (n) de cada muestra vara.
- Por qu el LIC es siempre cero?
- Qu pas en la muestra 7? (33.3% defectos)
- Qu oportunidades para mejorar existen?,
Podemos aprender algo de las muestras 1, 2, 6, 8, y 10?
- Podra este proceso ser un buen proyecto de mejora?
p
LSC
LIC
Ejemplo:
127 P. Reyes
4... Carta np (Atributos)
- Se usa cuando se califica al producto como bueno/malo,
pasa/no pasa.
- Monitorea el nmero de productos defectuosos de una
muestra
- El tamao de muestra (n) es constante y mayor a 30.
Terminologa (igual a grfica p, aunque n es constante)
n = tamao de cada muestra (Ejemplo: produccin semanal)
np = nmero de unidades defectuosas en cada muestra
k = nmero de muestras
128 P. Reyes
4...Carta np (Atributos)
np = # de productos defectuosos en una muestra
n = tamao de la muestra
k = Nmero de muestras o subgrupos
p = Suma de productos defectuosos / Total inspeccionado
[n * k]
Clculo de los lmites de control
np =
n

p
1
+ np
2
+ n

p
3
+ ...+ np
k
k
np + 3 LSC =
LIC = np (1-p) np - 3 np (1-p)
129 P. Reyes
4...Carta np (Cont..)
n np
# de partes inspeccionadas
# de partes
defectuosas
4000 2
4000 3
4000 3
4000 2
4000 4
4000 2
4000 3
4000 3
4000 6
4000 8
4000 3
4000 4
4000 4
4000 7
4000 6
K=15 lotes
Ejemplo 1: en un proceso se inspeccionan K = 15 lotes tomando n = 4000
partes de cada lote, se rechazan algunas partes por tener defectos, como sigue:
130 P. Reyes
4... Carta np (Cont...)
1 5 1 0 5 0
1 0
5
0
Nmero de muestras

N
o
.

D
e

f
e
c
e
t
i
v
o
s


Carta np de nmero de defectivos o defectuosos

3 . 0
LSC=10.03
- 3 . 0 S
- El tamao de la muestra (n) es constante

- Los lmites de control LSC y LIC son constantes

- Esta carta facilita el control por el operador ya que el evita
hacer clculos
np
LIC
Ejemplo 1:
LIC=0.0
Np =4.018
131 P. Reyes
4... Carta c (Atributos)
- Monitorea el nmero de defectos por cada unidad de inspeccin
(1000 metros de tela, 200 m2 de material, un TV)
- El tamao de la muestra (n unidades de inspeccin) debe ser
constante
- Ejemplos:
- Nmero de defectos en cada pieza
- Nmero de cantidades ordenadas incorrectas en rdenes
de compra
Terminologa
c = Nmero de defectos encontrados en cada
unidad o unidades constantes de inspeccin
k = nmero de muestras
132 P. Reyes
4... Carta c (Atributos)
c =
Clculo de los lmites de control
c
1
+ c
2
+ c
3
+ ...+ c
k
k
c + 3 LSC = LIC = c - 3 c c
133 P. Reyes
4... Carta c (cont..)
Ejemplo: Nmero de defectos encontrados en una unidad de inspeccin que
consta de 50 partes de cada lote de 75 piezas durante 25 semanas (K = 11).
#Lote / Defectos encontrados
1 6
2 4
3 4
4 2
5 4
6 3
7 4
8 4
9 5
10 5
11 5
NOTA: Utilizar Excel para
Construir la carta c
134 P. Reyes
4... Carta c (cont..)
- Observe el valor de la ltima muestra; est fuera del lmite
superior de control (LSC)
- Qu informacin, anterior a la ltima muestra, debi haber
obviado el hecho de que el proceso iba a salir de control?
Ejemplo:
2 5 2 0 1 5 1 0 5 0
1 5
1 0
5
0
Nmero de Muestras
N

m
e
r
o

d
e

d
e
f
e
c
t
o
s



Carta C

1
C = 5 . 6 4 0
3 . 0 L SC = 1 2 . 7 6
- 3 . 0 L IC = 0 . 0 0 0
LSC
C
135 P. Reyes
4...Carta u (Atributos)
- Monitorea el nmero de defectos en una muestra de n unidades
de inspeccin. El tamao de la muestra (n) puede variar
- Los defectos por unidad se determinan dividiendo el nmero de
defectos encontrados en la muestra entre el nmero de unidades
de inspeccin incluidas en la muestra (DPU o nmero de
defectos por unidad) .

- Ejemplos:
Se toma una muestra de tamao constante de tableros PCB por
semana, identificando defectos visuales por tablero.

Se inspeccionan aparatos de TV por turno, se determinan los
defectos por TV promedio.
136 P. Reyes
4... Carta u (cont...)
Terminologa
n = tamao de cada muestra en unidades de inspeccin
(por ejemplo, produccin semanal)
c = Nmero de defectos encontrados en cada muestra
de unidades de inspeccin
u = defectos por unidad (DPU)
k = nmero de muestras
c = # de defectos en una muestra de n unidades de
inspeccin
n = Nmero de unidades de inspeccin en cada muestra
u = c / n = DPU = Nmero de defectos por unidad
137 P. Reyes
4... Carta u (cont...)
Clculo de los lmites de control
c
1
+ c
2
+ c
3
+ ...+ c
k
n
1
+ n
2
+ n
3
+ ...+ n
k
u + 3
LSC =
LIC = u - 3
u =
u
ni
u
ni
Nota: Recalcular los lmites en cada tamao de muestra (ni)
Se puede tomar n promedio o estandarizar para tener Lmites de control
constantes
Nmero de defectos por
Unidad promedio
Ui = Ci / ni Defectos por unidad para cada muestra
138 P. Reyes
4... Carta u (cont..)
Ejemplo 1: Un proceso de soldadura suelda 50 PCBs por semana
Los defectos visuales observados se registran
cada semana.
# PCB
Soldados
Defectos
Visuales
Observados DPU
50 305 6.1
50 200 4.0
50 210 4.2
50 102 2.0
50 198 4.0
50 167 3.3
50 187 3.7
50 210 4.2
50 225 4.5
50 247 4.9
50 252 5.0
50 215 4.3
n c u
k=12 semanas
139 P. Reyes
4... Carta u (Cont.)
- Observe como los lmites de control permanecen constantes
cuando se utiliza un tamao de muestra constante igual a 50
- Cules son las dos observaciones de mayor inters?
- Los datos muestran alguna tendencia?
Ejemplo 1:
1 0 5 0
6
5
4
3
2
Nmero de Muestras

C
o
n
t
e
o

d
e

m
u
e
s
t
r
a
s



Grfica U para Defectos
1
1
U = 4 . 1 9 7
3 . 0 L SC = 5 . 0 6 6
- 3 . 0 L IC = 3 . 3 2 8
LSC
LIC
u
140 P. Reyes
4... Carta u (cont...)
Ejemplo 2: Defectos encontrado al inspeccionar varios
lotes de productos registrados por semana
Lote n c = Defectos u = DPU
Lote Unidades Defectos DPU
1 10 60 6
2 12 75 6.3
3 7 42 6
4 14 77 5.5
5 12 69 5.8
6 12 72 6
7 13 76 5.8
8 10 55 5.5
9 9 51 5.7
10 14 78 5.6
11 13 72 5.5
12 13 77 5.9
13 12 74 6.2
14 10 57 5.7
15 11 62 5.6
16 13 41 3.2
17 11 30 2.7
18 15 45 3
19 15 42 2.8
20 14 40 2.9
k=20 semanas
141 P. Reyes
4... Carta u (cont..)
- Observe que ambos lmites de control varan cuando el
tamao de muestra (n) cambia.

- En que momentos estuvo el proceso fuera de control?
2 0 1 0 0
8
7
6
5
4
3
2
Nmero de Muestras

N

m
e
r
o


d
e

e
f
e
c
t
o
s



Grfica U para Defectos

U = 4 . 9 7 9
3 . 0 L SC = 6 . 7 6 8
- 3 . 0 L IC = 3 . 1 9 0
Ejemplo 2:
LSC
LIC
u
142 P. Reyes
5. Cartas de control especiales
143 P. Reyes
5. Cartas de Control especiales
CARTAS PARA CORRIDAS CORTAS (medias rangos,
pequeos lotes de produccin de productos similares)

CARTAS ESPECIALES
Cartas de Precontrol
Cartas para desgaste de herramienta
Cartas para procesos de salida mltiple

CARTAS DE CONTROL PARA ppm, para procesos muy capaces

CARTAS DE CONTROL Cusum Y EWMA (para detectar
pequeas variaciones en la media del proceso, en proceso
qumicos o farmaceticos)



144 P. Reyes
5.1 Cartas de Control para Corridas
Cortas
CARTA DE CONTROL DNOM
(Control de desviaciones resp. al objetivo, prod. similares)


CARTA DE CONTROL X-R ESTANDARIZADA
(Desviaciones estndar diferentes para los productos)


CARTAS DE CONTROL ATRIBUTOS ESTANDARIZADAS
(Para estadstico p, np, c y u)

145 P. Reyes
5.2 Cartas de Control Modificadas
y de Aceptacin
CARTA DE CONTROL MODIFICADAS
Se utilizan para control de la fraccin defectiva cuando
el Cpk es grande >=2, cuidando no salir de
especificaciones y no interesa tanto el control bajo
lmites de control




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


146 P. Reyes
5.3-5 Cartas de Control especiales
CARTAS DE PRECONTROL (ARCOIRIS)
Se basa en lmites de especificacin, dividiendo el rango
de especificaciones en cuatro partes, las dos intermedias
son verdes, las de la orilla amarillas y las que salen de
lmites, rojas. Se monitorea slo una pieza.

CARTA DE CONTROL PARA PROCESOS DE SALIDA MLTIPLE
Se toma el valor mayor y el menor del proceso de salidas
mltiples, monitoreando en el tiempo

CARTA DE CONTROL PARA DESGASTE DE HERRAMIENTA
Se ajusta la herramienta en un extremo de los lmites de
control y se deja operar hasta que llega al otro extremo de
los lmites para ajuste


147 P. Reyes
5 Cartas de Control
especiales por variables
CARTA DE CONTROL CUSUM
(Detecta pequeas corridas de media < 1.5 sigma con n
= 1)
- Mtodo tabular
- Mascarilla en V

CARTA DE CONTROL EWMA
(Detecta pequeas corridas de media <1.5 sigma con n
= 1)

CARTA DE CONTROL DE MEDIA MOVIL
(Detecta pequeas corridas de X, con n = 1, sensibilidad
entre la de Shewhart y EWMA)

148 P. Reyes
Cartas especiales de control

149 P. Reyes
Cartas especiales de control
Carta de sumas acumuladas CuSum

Carta de promedios mviles ponderadas
exponencialmente

Carta de promedios mviles simples
150 P. Reyes
Cartas de sumas acumuladas
CuSum
151 P. Reyes
Grfica de Sumas acumuladas
( CuSum )
- Se usa para registrar al centro del proceso.
- Se corre en tndem (una tras otra)
- Es ms sensible que la grfica X al movimiento de los
pequeos cambios sostenidos en el centro del proceso.
- Es ms sensible que la grfica X al movimiento de separacin
gradual del centro del proceso.
- Es menos sensible que la grfica X al desplazamiento grande e
nico del centro del proceso.
- Se puede aplicar a las Xs o a las Xs individuales

- Sus parmetros clsicos son h = 4; k = 0.5
152 P. Reyes
Carta de sumas acumuladas CuSum
Son ms eficientes que las cartas de Shewhart para
detectar pequeos corrimientos en la media del proceso
(2 sigmas o menos)

Para crear la carta Cusum se colectan m subgrupos
de muestras, cada una de tamao n y se calcula la
media de cada muestra Xi-media. Despus se
determina Sm o Sm de las ecuaciones siguientes:
0 0
1
'
0
1
( )... . . .
1
( )... . tan . . .
m
i
i
m
i X
i
X
Sm X media en control estimada
S m X desv es dar de las medias

o
o
=
=
= =
= =

153 P. Reyes
Carta de sumas acumuladas CuSum Con
Mscara en V
La carta de control CuSum se obtiene graficando los
valores de Sm o Sm como funcin de m.

Si el proceso permanece centrado, la carta tender
hacia el valor de la media 0

Si el proceso se corre gradualmente hacia arriba o
hacia abajo, ser indicado en la carta. Su sensibilidad
est determinada por los parmetros k y h.

Una forma de identificar si el proceso sale de control
es con una mascara en V cuyo origen se coloca en el
ltimo punto de suma acumulada determinado y
observando que ninguno de los puntos anteriores se
salga, de otra forma tomar accin
154 P. Reyes
Carta CuSum parmetros de la mscara
en V
h = Intervalo de decisin Valor medio del ancho de
mscara en el punto de origen
k = Corrimiento a ser detectado en sigmas Pendiente de
los brazos de la mscara en V
f = Respuesta inicial rpida - Identifica puntos fuera de
control en el arranque
T = Meta o especificacin nominal; n = Tamao de subgrupo

Ci = Valor de los 2 lados de la mscara en el tiempo i
C0 = 0
Ci = Ci - 1 + (i - T)
Puntos graficados de la mscara = Ci
Pendiente de la mscara en V = k o / raiz (n)
Ancho de mscara en el origen = 2h o / raiz (n)
Origen de la mscara en V = p
Por omisin Xmedia = , Sp/c4(d) = o, T = 0, h = 4, k = .5, p = m

155 P. Reyes
Ejemplo de carta Cusum
con Mscara en V
1- 4.925
2- 4.675
3- 4.725
4- 4.350
5- 5.350
6- 5.225
7- 4.770
8- 4.525
9- 5.225
10- 4.600
11- 4.625
12- 5.150
13- 5.325
14- 4.945
15- 5.025
16- 5.223
15 10 5 0
4
3
2
1
0
-1
-2
-3
-4
-5
-6
0
Subgroup Number
C
u
m
u
l
a
t
i
v
e

S
u
m
CUSUM Chart for Cusum
Target = 5, sigma = 1, h = 2, k =0.5, Vmask
156 P. Reyes
Continuacin de ejemplo
con mscara en V
20 10 0
5
0
-5
0
Subgroup Number
C
u
m
u
l
a
t
i
v
e

S
u
m
CUSUM Chart for Cusum
17. 5.463
18. 5.875
19. 6.237
20. 6.841
Agregando 4
Puntos adicionales
Se observa que se
Salen los puntos
16, 17 y 18
Requiriendo accin
Target = 5, sigma = 1, h = 2, k =0.5, Vmask
157 P. Reyes
Carta CuSum Slo un Lmite
inferior o superior
CIi = valor del nivel bajo de la Cusum de un lado inferior en tiempo i


CSi = valor del nivel alto de la Cusum de un lado superior en tiempo i



Datos graficados = CIi, CSi
Lnea central = 0
0 0 CL CU f
n
o
= =
1
1
min 0,
min 0,
i i
i i
CIi CI x T k
n
CSi CS x T k
n
o
o


| |
= +
`
|
\ .
)

| |
= + +
`
|
\ .
)
LIC h
n
LSC h
n
o
o
=
=
0
1
0
1 0
1 0
( )
.
. .
2 2
0. . . .
i
i i j
j
C S x K
media objetivo
media no aceptable
K k
n
Ci cuando cambia el signo


o
=
( = = +

=
= = + A
A
= = ~
=

158 P. Reyes
Cata CuSum slo un Lmite
superior o inferior
2
1
0
-1
-2
2
-2
20 10 0
Subgroup Number
C
u
m
u
l
a
t
i
v
e

S
u
m
Upper CUSUM
Lower CUSUM
CUSUM Chart for Cusum
1- 4.925
2- 4.675
3- 4.725
4- 4.350
5- 5.350
6- 5.225
7- 4.770
8- 4.525
9- 5.225
10- 4.600
11- 4.625
12- 5.150
13- 5.325
14- 4.945
15- 5.025
16- 5.223
17. 5.463
18. 5.875
19. 6.237
20. 6.841
Target = 5, sigma = 1, h = 2, k =0.5, One Sided
FIR = 1 sigma, Reset after each signal
159 P. Reyes
Carta CuSum Forma tabular para un
solo lmite inf. sup.
Los lmites para cada valor se calculan dependiendo de
si es hacia el lado superior Sh o hacia el inferior Sl






Como ejemplo si K = 0.5 y 0 = 10 y X1 = 9.45, Sh(1)
= max [0, 9.45 10.5 + 0] = 0 etc..

Cuando Sh(i) toma un valor negativo, se regresa a cero
y continua el proceso, si excede el lmite superior de
control H en este caso indica que el proceso est fuera
de control

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

= +
= + +
= =
= =
160 P. Reyes
Carta CuSum Forma tabular para un
solo lmite inf. sup.
| |
| |
0
0
( ) max 0, ( ) ( 1)
( ) max 0, ( ) ( 1)
H i H
L i H
S i x K S i
S i x K S i

= +
= + +
Period
o
Xi Xi-
10.5
Sh(i) Nh
1 9.45 -1.05 0 0
2 7.99 -2.51 0 0
3 9.29 -1.21 0 0
4 11.66 1.16 1.16 1
5 12.16 1.66 2.82 2
6 10.18 -0.32 2.50 3
7 8.04 -2.46 0.004 4
8 11.46 0.96 1.00 5
9 9.20 -1.30 0 0
En este caso el
Valor de H es 5
H
Mscara en V
161 P. Reyes
Carta EWMA de promedios mviles
ponderados exponencialmente
162 P. Reyes
Carta de Promedios Mviles Ponderados
Exponencialmente (EWMA)
Monitorea un proceso promediando los datos de tal
forma que les da cada vez menos peso conforme son
removidos en el tiempo

En la carta de Shewhart la decisin en relacin al
estado de control del proceso en cierto instante t
depende de la medicin ms reciente y de los lmites
de control

En la carta EWMA la decisin depende del estadstico
EWMA que es el promedio ponderado exponencial de
los datos.
163 P. Reyes
Carta de Promedios Mviles Ponderados
Exponencialmente (EWMA)
Es ms sensible que la grfica X al movimiento de los
pequeos cambios sostenidos en la media del
proceso.

Es ms sensible que la grfica X al movimiento de
separacin gradual de la media del proceso.

Es menos sensible que la grfica X a desplazamientos
grandes de la media del proceso.

Se puede aplicar a las Xs o a las Xs individuales.
164 P. Reyes
Carta de Promedios Mviles Ponderados
Exponencialmente (EWMA)
Seleccionando un factor de ponderacin la carta puede ser
sensible a corrimientos graduales pequeos en la media del
proceso. El estadstico EWMA es:




EWMAo es la media (meta) de los datos histricos
S es la desviacin estndar de los datos histricos para n grande
Yt es la observacin en el tiempo t
n es el nmero de observaciones monitoreadas incluyendo 0
0 < <=1 es una constante que determina la memoria de
EWMA
1
2
2
(1 ) 1, 2,..,
2
t t t
EWMA
EWMA Y EWMA t n
S
S
n

= + =
| |
=
|

\ .
165 P. Reyes
Carta de Promedios Mviles Ponderados
Exponencialmente (EWMA)
determina la tasa en la cual los datos antiguos
entran en el clculo del estadstico EWMA.

Un valor de =1 indica que slo el ltimo dato ser
incluido (carta Shewhart).

Un valor grande de da ms peso a datos recientes y
menos peso a datos antiguos. Un valor pequeo de
da ms peso a datos antiguos

Un valor comn para es 0.2 para detectar cambios
1o y de 0.4 para detectar cambios de 2o
166 P. Reyes
Carta de Promedios Mviles Ponderados
Exponencialmente (EWMA)
Los lmites de control se determinan como sigue:




La carta EWMA requiere que se obtengan datos histricos del
proceso para calcular la Media y desviacin estndar
representativas del mismo para continuar el monitoreo,
asumiendo que estuvo en control al colectar los datos

Para los primeros valores de X, la desviacin estndar S se
calcula como:
0
0
3
3
EWMA
EWMA
LSC EWMA s
LIC EWMA s
= +
=
2
2 2 2
1 (1 )
2
t
EWMA
S
S S
n

| |
(
=
|

\ .
167 P. Reyes
Carta de Promedios Mviles Ponderados
Exponencialmente (EWMA)
Ejemplo: Si EWMAo = 50 y s = 2.0539, = 0.3 entonces
se tiene:
50 3(0.4201)(2.0539) 52.5884
50 3(0.4201)(2.0539) 47.4115
LSC
LIC
= + =
= =
Y 52 47 53 49.3 50.1 47 51
EWM
A
50 50.6 49.5 50.56 50.18 50.16 49.12 49.75
168 P. Reyes
Carta EWMA del ejemplo
20 10 0
53
52
51
50
49
48
47
Sample Number
E
W
M
A
EWMA Chart for X
Mean=50
UCL=52.59
LCL=47.41
Xewma
1- 52.0
2- 47.0
3- 53.0
4- 49.3
5- 50.1
6- 47.0
7- 51.0
8- 50.1
9- 51.2
10- 50.5
11- 49.6
12- 47.6
13- 49.9
14- 51.3
15- 47.8
169 P. Reyes
Carta EWMA
Los puntos a graficar son los siguientes :




Observa que Z es un promedio ponderado de X
i
y de todas
las Xs anteriores.
La tpica forma de una grfica EWMA se muestra a
continuacin.
Z
0
= X
Z
1
= X
1
+ (1- Z
0
)
Z
2
= X
2
+ (1- Z
1
)

Z
3
= X
3
+ (1- Z
2
)

Z
4
= X
4
+ (1- Z
3
)

Con Z = EWMA

Los clculos, especialmente de los


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

subgrupo
LCL
X
I
I

_
_
_
1 2 3 4 5 6
170 P. Reyes
Carta de Promedios Mviles Ponderados
Exponencialmente (EWMA)
Si la desviacin estndar se estima de la carta X-R
entonces los lmites de control se determinan como
sigue:
2
2
(2 )
(2 )
LSC X A R
LIC X A R

= +

171 P. Reyes
Carta de Promedios Mviles Ponderados
Exponencialmente (EWMA)
Esta carta proporciona un PRONOSTICO del siguiente
valor de la media, lo cual es muy importante para el caso
de control automatizado.

Los lmites de control permiten detectar cuando se
requiere un ajuste y la diferencia entre el valor
pronosticado y la media meta permiten identificar de
cuanto debe ser el ajuste
172 P. Reyes
Carta de Promedios Mviles Ponderados
Exponencialmente (EWMA)
Se puede desarrollar una ecuacin para el clsico control
PROPORCIONAL, INTEGRAL y DIFERENCIAL (PID).
Donde los parmetros de las lambdas 1, 2 y 3 se
seleccionan para obtener el mejor desempeo de
pronstico

Si e representa el error entre el valor real y pronsticado
en el periodo t se tiene:
1 1 2 3
1
t
t t t t j t
j
Z EWMA Z e e e

=
= = + + + V

1 t t t
e X z

=
173 P. Reyes
Carta de control de
promedios mviles
174 P. Reyes
Carta de control de Promedios Mviles
Monitorea un proceso promediando los ltimos W
datos. Con valores individuales se usa W = 2

Tiene una sensibilidad intermedia entre las cartas de
control de Shewhart y las cartas EWMA o Cusum
para detectar pequeas corridas graduales en la
media del proceso

Suponiendo que se colectan muestras de tamao n y
se obtienen sus respectivas medias Xi. La media
mvil promedio de amplitud W en el tiempo t se
define como sigue:
175 P. Reyes
Carta de control de Promedios Mviles
El procedimiento de control consiste en calcular la
nueva media mvil Mt cada vez que haya una nueva
media muestral, graficando Mt en la carta, si excede
los lmites de control el proceso est fuera de control

En general la magnitud del corrimiento que se quiere
detectar esta inversamente relacionado con W, ente
mayor sea W se podrna detectar corrimientos ms
pequeos
1 1
2
......
( )
3 3
. .0
3 3
. .0
t t t w
t
x x x
M
w
Var Mt
nw
LSC x para n t w LSC x
nw nt
LIC x para n t w LIC x
nw nt
o
o o
o o
+
+ + +
=
=
= + < < = +
= < < =
176 P. Reyes
Ejemplo de carta de
promedios mviles
Xmm
1- 10.5
2- 6.0
3- 10.0
4- 11.0
5- 12.5
6- 9.5
7- 6.0
8- 10.0
9- 10.5
10- 14.5
11- 9.5
12- 12.0
13- 12.5
14- 10.5
15- 8.0
15 10 5 0
15
10
5
Sample Number
M
o
v
i
n
g

A
v
e
r
a
g
e
Moving Average Chart for Xmm
Mean=10
UCL=12.12
LCL=7.879
177 P. Reyes
6. Anlisis de capacidad
de proceso
178 P. Reyes
6. CONTENIDO

Introduccin

1. Capacidad a partir de histogramas

2. Capacidad a partir de papel normal

3. Capacidad a partir de cartas de
control

4. Capacidad de los sistemas de
medicin


179 P. Reyes
6.1 Introduccin
180 P. Reyes
6.1 Objetivos de la capacidad del proceso

1. Predecir que tanto el proceso cumple especificaciones

2. Apoyar a diseadores de producto o proceso en sus
modificaciones

3. Especificar requerimientos de desempeo para el
equipo nuevo

4. Seleccionar proveedores

5. Reducir la variabilidad en el proceso de manufactura

6. Planear la secuencia de produccin cuando hay un
efecto interactivo de los procesos en las tolerancias
181 P. Reyes
_
X
Xi
s
Z
LIE
LSE

p = P(Xi) = porcentaje de partes con probabilidad
de estar fuera de Especificaciones
182 P. Reyes
Cmo vamos a mejorar esto?
Podemos reducir la desviacin estndar...
Podemos cambiar la media...
O (lo ideal sera, por supuesto) que podramos cambiar ambas
Cualquiera que sea la mejora que lleve a cabo,
se deben tomar medidas para que se mantenga
183 P. Reyes
6.1 Capacidad a partir
de histogramas
184 P. Reyes
6.1 Procedimiento
1. Seleccionar una mquina donde realizar el estudio

2. Seleccionar las condiciones de operacin del proceso

3. Seleccionar un operador entrenado

4. El sistema de medicin debe tener habilidad (error
R&R < 10%)

5. Cuidadosamente colectar la informacin

6. Construir un histograma de frecuencia con los datos

7. Calcular la media y desviacin estndar del proceso
185 P. Reyes
Nigels Trucking Co.
6.1 Teora del camin y el tnel
El tnel tiene 9' de ancho (especificacin). El camin tiene 10 y el chofer es perfecto
(variacin del proceso). Pasara el camin? NO, la variabilidad del proceso es mayor
que la especificacin.
Centrar es hacer que el promedio del proceso sea igual al centro de la
especificacin. Si el camin tiene 8 pies de ancho pasar el camin?, Si. Si
el chofer puede mantener el centro del camin en el centro del tnel. De otra forma
chocar con las paredes del tnel y no pasar a pesar de ser ms angosto.
Ancho 9
El proceso debe estar en control, tener capacidad y estar centrado
186 P. Reyes
6.1 Capacidad del proceso Fraccin defectiva
La capacidad en funcin de la fraccin defectiva del Proceso se calcula
En funcin de la fraccin defectiva para cada lado del rango de Especificacin.
Desv. Est.
=
Rango medio
Constante d2 de acuerdo al tamao de subgrupo en X-R
Los valores de Z inferior y Z superior se calculan de acuerdo a las frmulas
Siguientes:
Zi =
LIE - promedio del proceso
Desviacin Estandar

LSE - Promedio del proceso
Desviacin Estandar
La fraccin defectiva se calcula con las tablas de distribucin normal
P(Zi) = rea en tabla (-Z) P(Zs) = 1 rea corresp. a Zs en tabla (+Z)
Zs
=
Fraccin defectiva = P(Zi) + P(Zs)
187 P. Reyes
6.1 Capacidad del proceso Cp y Cpk
La capacidad potencial del Proceso (Cp) es una medida de la
variacin del proceso en relacin con el rango de Especificacin.
Cp
=
Tolerancia
Variacin del proceso
=
LSE - LIE
6 Desviaciones STD.
Cpk es una medida de la capacidad real del proceso en funcin de la posicin
de la media del proceso (X) en relacin con con los lmites de especificacin.
Con lmites bilaterales da una indicacin del centrado. Es el menor de:
CpK =
LSE - promedio del proceso
3 desviaciones STD
y
Promedio del proceso - LIE
3 desviaciones STD
La relacin de capacidad (CR) es la inversa del clculo de Cp. Este ndice le
indica que porcentaje de la especificacin est siendo usado por la variacin del
proceso.
CR
=
Rango del proceso
Tolerancia
=
6 desviaciones STD
LSE - LIE
Capacidad Cp, Cpk y fraccin defectiva
188 P. Reyes
6.1 Clculo de la capacidad del proceso
Habilidad o capacidad potencial Cp = (LSE - LIE ) / 6 o

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


Habilidad o capacidad real Cpk = Menor | Z
I
- Z
S
| / 3
El Cpk debe ser > 1 para que el
proceso cumpla especificaciones
189 P. Reyes
6.1.. Ejemplo
Se tomaron los datos siguientes:

265 205 263 307 220 268 260 234 299
197 286 274 243 231 267 281 265 214
346 317 242 258 276 300 208 187 264
280 242 260 321 228 250 299 258 267
265 254 281 294 223 260 308 235 283
200 235 246 328 296 276 264 269 235
221 176 248 263 231 334 280 265 272
265 262 271 245 301 280 274 253 287
261 248 260 274 337 250 278 254 274
278 250 265 270 298 257 210 280 269
215 318 271 293 277 290 283 258 275
251


190 P. Reyes
6.1.. Ejemplo (cont)
Agrupando los datos en celdas se tiene:

Intervalo Marca Frecuencia Frecuencia
de clase de clase Frecuencia Relativa Absoluta
170 - 189 179.5 2 0.02 0.02
190 - 209 199.5 4 0.04 0.06
210-229 219.5 7 0.07 0.13
230-249 239.5 13 0.13 0.26
250-269 259.5 32 0.32 0.58
270-289 279.5 24 0.24 0.82
290-309 299.5 11 0.11 0.93
310-329 319.5 4 0.04 0.97
330-349 339.5 3 0.03 1.00 .


191 P. Reyes
6.1.. Ejemplo (cont)
El histograma es el siguiente (se observa con forma normal):
0
5
10
15
20
25
30
35
170-
189
210-
229
250-
269
290-
309
330-
349
Frec.
192 P. Reyes
6.1.. Ejemplo (cont)
Calculando la media y la desviacin estndar se tiene:

X-media = 264.06 s = 32.02

La variabilidad del proceso se encuentra en 6 o = 192.12
Si las especificaciones fueran LIE = 200 y LSE = 330

Cp = (330 - 200 ) / 192.2 < 1 no es hbil el proceso

Zi = (330 - 264.06) / 32.02 Zs = (200 - 264.06) / 32.02

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



193 P. Reyes
6.1.. Ejercicio
Calcular la capacidad del proceso con la distribucin de
frecuencias siguiente considerando LIE = 530 y LSE = 580:

Intervalo Frecuencia Frecuencia
de clase Marca de clase Frecuencia Relativa Absoluta .

531 - 535 533 6
536 - 540 538 8
541 - 545 543 12
546 - 550 548 13
551 - 555 553 20
556 - 560 558 19
561 - 565 563 13
566 - 570 568 11
571 - 575 573 8

194 P. Reyes
6.2 Capacidad a partir de papel normal
195 P. Reyes
6.2 Ventajas
1. Se puede observar el comportamiento del proceso sin
tomar tantos datos como en el histograma, 10 son
suficientes

2. El proceso es ms sencillo ya que no hay que dividir el
rango de la variable en intervalos de clase

3. Visualmente se puede observar la normalidad de los
datos, si se apegan a la lnea de ajuste

4. Permite identificar la media y la desviacin estndar
aproximada del proceso. As como la fraccin defectiva, el
porcentaje de datos entre cierto rango, el Cp y el Cpk.
196 P. Reyes
6.2..Procedimiento
1. Se toman al menos n = 10 datos y se ordenan en forma
ascendente, asignndoles una posicin (j) entre 1 y n.

2. Se calcula la probabilidad de cada posicin con la frmula
siguiente: Pj = (j - 0.5) / n
3. En el papel especial normal se grafica cada punto (Xj, Pj)
4. Se ajusta una lnea recta que mejor aproxime los puntos

5. Si no hay desviaciones mayores de la lnea recta, se considera
normal el proceso y se procede a hacer las identificaciones:

La media ser el punto en X correspondiente a Pj = 0.5
La desv. Estndar es la dif. En Xj correspondiente a Pj = 0.5 y
Pj = 0.84
197 P. Reyes
6.2... Ejemplo
Se tomaron los datos siguientes (Xj), ordenndolos y calculando la
probabilidad de su posicin (Pj)

Pos.J Valor Xj Pj Pos. J Xj Pj
1 197 0.025 11 271 0.525
2 200 0.075 12 275 0.575
3 215 0.125 13 277 0.625
4 221 0.175 14 278 0.675
5 231 0.225 15 280 0.725
6 242 0.325 16 283 0.775
7 245 0.325 17 290 0.825
8 258 0.375 18 301 0.875
9 265 0.425 19 318 0.925
10 265 0.475 20 346 0.975

198 P. Reyes
6.2... Ejemplo (cont..)
Graficando los puntos y ajustndolos con una recta que
minimice los errores con cada punto se tiene:
0.5
X Media
0.84
Desv. Estndar
Xj
Pj
LIE
Fraccin
Defectiva
199 P. Reyes
Pi
0.999
0.998
0.995
0.99
0.98
0.97
0.96
0.94
0.90
0.84
0.80
0.75
0.70
0.60
0.50
0.40
0.30
0.25
0.20
0.16
0.10
0.08
0.04
0.02
0.01
0.005
0.002
0.001
Normal distribution probability paper Xi
Pi = ( I - 0.5 ) / N
200 P. Reyes
P - V a l u e : 0 . 5 3 8
A - S q u a r e d : 0 . 3 1 5
A n d e r s o n - D a r l i n g N o r m a l i t y T e s t
N : 1 0 0
S t D e v : 1 3 9 . 6 8 2
A v e r a g e : 5 0 4 . 2 3 2
9 0 0 8 0 0 7 0 0 6 0 0 5 0 0 4 0 0 3 0 0 2 0 0
. 9 9 9
. 9 9
. 9 5
. 8 0
. 5 0
. 2 0
. 0 5
. 0 1
. 0 0 1
P

r
o

b

a

b

i
l
i
t
y

C 1
N o r m a l P r o b a b i l i t y P l o t
El trazo normal es el siguiente:

El eje Y es un rango no lineal de probabilidades normales.

El eje X es un rango lineal de la variable que se est analizando.

Si los datos son normales, la frecuencia de ocurrencias en varios valores
Xi, puede predecirse usando una lnea slida como modelo. Por ejemplo,
slo ms del 20% de los datos del proceso seran valores de 400 o
inferiores.

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

1210 2105

1275 2230

1400 2250

1695 2500

1900 2625
203 P. Reyes
6.3 Capacidad a partir
de cartas de control
204 P. Reyes
EN CASOS ESPECIALES COMO ESTOS
DONDE LAS VARIACIONES PRESENTES SON
TOTALMENTE INESPERADAS
TENEMOSUN PROCESO INESTABLE o IMPREDECIBLE.

?
? ?
? ?
? ?

205 P. Reyes
6.3 Proceso en control
SI LAS VARIACIONES PRESENTES SON IGUALES,
SE DICE QUE SE TIENE UN PROCESO ESTABLE.
LA DISTRIBUCION SERA PREDECIBLE EN EL TIEMPO
Prediccin
Tiempo

206 P. Reyes
6.3 Control y Capacidad de Proceso
Control de Proceso:

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

Capacidad de Proceso:

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

L a capacidad no se puede determinar a menos que
el proceso se encuentre en Control y Estable.
207 P. Reyes
6.3 Proceso en control estadstico

La distribucin de la mayora de las caractersticas medidas forman una curva en
forma de campana o normal, si no hay causas especiales presentes, que alteren
la normalidad . cuales son las causas comunes?
Distribucin
del Proceso
Area entre 0 y 1s
-Probabilidad de Ocurrencia
_
x = media
s= sigma; es la
desviacin
estndar; medida
de la variacin
del proceso.
14 % 14 %
2% 2%
-3s -2s -1s x +1s +2s 3s
99.73%
34% 34%
x
208 P. Reyes
6.3.. Desviacin Estndar del proceso o
Donde,
o = Desviacin estndar de la poblacin
d
2
= Factor que depende del tamao del subgrupo en la carta de
control X - R
C
4
= Idem al anterior para una carta X - S
NOTA: En una carta por individuales, d2 se toma para n = 2 y
RangoMedio=Suma rangos / (n -1)
o = R o o = S

d
2
c
4
209 P. Reyes
6.3 Capacidad del proceso
Cuando las causas comunes son la nica variacin:
C
p
El ndice de capacidad potencial del proceso compara
la amplitud del proceso con la amplitud especificada.

Cp = (LSE - LIE) / 6 o
Cpk
El ndice de capacidad real del proceso compara la media
real con el lmite de especificaciones ms cercano (LE) a esta.
_
Cpk = LE X o Cpk = menor |Z
1
, Z
2
| / 3
3 o
210 P. Reyes
6.3 Ejemplo (carta X - R)
De una carta de control X - R (con subgrupo n = 5) se obtuvo lo
siguiente, despus de que el proceso se estabiliz quedando slo con
causas comunes:

Xmedia de medias = 264.06 Rmedio = 77.3

Por tanto estimando los parmetros del proceso se tiene:

= X media de medias o = Rmedio / d2 =77.3 / 2.326 = 33.23
[ d2 para n = 5 tiene el valor 2.326]

Si el lmite de especificacin es: LIE = 200.

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

211 P. Reyes
6.3 Ejemplo (carta X - S)
De una carta de control X - S (con subgrupo n = 5) se obtuvo lo
siguiente, despus de que el proceso se estabiliz quedando slo con
causas comunes:

Xmedia de medias = 100 Smedio = 1.05

Por tanto estimando los parmetros del proceso se tiene:

= X media de medias o = Smedio / C
4
= 1.05 / 0.94 = 1.117
[ C
4
para n = 5 tiene el valor 0.94 ]

Si el lmite de especificacin es: LIE = 85 y el LSE = 105.
El Cpk = (105 - 100) / (1.117 ) (3) = 1.492
El Cp = (105 - 85) / 6 (1.117 ) = 2.984
por tanto el proceso es capaz de cumplir con especificaciones

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

Xmedia de medias = 40 Rmedio = 5


2) De una carta de control X - S (con subgrupo n = 6) se obtuvo lo
siguiente, despus de que el proceso se estabiliz quedando slo con
causas comunes (LIE = 15, LSE = 23):

Xmedia de medias = 20 Smedio = 1.5

213 P. Reyes
6.4 Capacidad de los
sistemas de medicin
214 P. Reyes
6.4 Definiciones
Exactitud
Desviacin respecto del valor verdadero del promedio de las
mediciones
Valor verdadero:
Valor correcto terico / estndares NIST
Sesgo
Distancia entre el valor promedio de todas las mediciones y el
valor verdadero. Error sistemtico o desviacin
Estabilidad
La variacin total en las mediciones obtenidas durante un
perodo de tiempo prolongado
Linealidad
Diferencia en los valores de la escala, a travs del rango de
operacin esperado del instrumento de medicin.
Precisin
Medicin de la variacin natural en mediciones repetidas
215 P. Reyes
6.4 Posibles Fuentes de la
Variacin del Proceso
La Repetibilidad y la Reproducibilidad (R&R), son los errores
ms relevantes en la medicin.
Variacin del proceso,
real
Variacin de la medicin
Variacin total del proceso,
observada
Reproducibilidad
Repetibilidad
Variacin
dentro de la
muestra
Estabilidad
Linealidad
Sesgo
Variacin originada
por el calibrador
Calibracin
216 P. Reyes
6.4 Definicin de la Repetibilidad
REPETIBILIDAD
Repetibilidad: Es la variacin de las mediciones obtenidas con un
mismo instrumento de medicin, cuando es utilizado varias veces por
un operador, al mismo tiempo que mide las mismas caractersticas en
una misma parte y bajo las mismas condiciones de medicin.
217 P. Reyes
6.4 Definicin de la Reproducibilidad
Reproducibilidad: Es la variacin, entre promedios de las mediciones
hechas por diferentes operadores que utilizan un mismo instrumento
de medicin cuando miden las mismas caractersticas en una misma
parte, bajo las mismas condiciones.
Reproducibilidad
Operador-A
Operador-C
Operador-B
218 P. Reyes
6.4 ESTNDARES INTERNACIONALES

En Mxico se tiene el CENEAM o el Centro
Nacional de Metrolgia

En EUA se tiene el NIST (National Institute of
Standards and Technolog)

Un Estndar primario es certificado por NIST o por
una organizacin alterna que use procedimientos de
calibracin actualizados

Los Estndares secundarios son calibrados por el
depto. de Metrologa de las empresas en base a los
estndares primarios, para efectos de calibracin.
219 P. Reyes

Los Estndares secundarios se transfieren a
Estndares de trabajo en produccin.

Para determinar la exactitud de los sistemas de
medicin se debe conocer su rastreabilidad a
Estndares nacionales e internacionales.

Resolucin: Para que el equipo de medicin
tenga una discriminacin adecuada en la
evaluacin de las partes, su resolucin debe
ser al menos 1/10 de la variabilidad del proceso
( LTNS - LTNI = 6 o )

6.4 ESTNDARES INTERNACIONALES
220 P. Reyes
Sesgo es la diferencia entre el promedio observado de las
mediciones y el valor verdadero.
6.4 Definicin del Sesgo
Valor
Verdadero
Sesgo
221 P. Reyes
Estabilidad (o desviacin) es la variacin total de las mediciones
obtenidas con un sistema de medicin, hechas sobre el mismo
patrn o sobre las mismas partes, cuando se mide una sola de sus
caractersticas, durante un perodo de tiempo prolongado.

6.4 Definicin de la Estabilidad
Tiempo 1
Tiempo 2
222 P. Reyes
6.4 Definicin de la Linealidad
Linealidad es la diferencia en los valores real y observado, a travs del
rango de operacin esperado del equipo.
Rango de Operacin del equipo
Valor
verdadero
Valor
verdadero
Rango inferior Rango superior
Sesgo
Menor
Sesgo
mayor
223 P. Reyes
6.4 Estabilidad del Calibrador
Cmo Calcularla

Para calibradores que normalmente se utilizan sin ajuste, durante
periodos de tiempo relativamente largos.

Realizar un segundo estudio R&R del Calibrador justo antes de que
venza el tiempo de re calibracin.

La estabilidad del calibrador es la diferencia entre los promedios
sobresalientes de las mediciones resultantes de los dos estudios.
Causas posibles de poca estabilidad

El calibrador no se ajusta tan frecuentemente como se requiere

Si es un calibrador de aire, puede necesitar un filtro o un regulador

Si es un calibrador electrnico, puede necesitar calentamiento previo.

224 P. Reyes
Precisin en relacin a la variacin
total



Identificar qu porcentaje de la variacin total debe absorberse
como error de medicin.


<10% Aceptable
10-30%. Puede ser aceptable, dependiendo qu tan crtico es
el grado de la medicin.
>30%. Inaceptable!
%R&R
Var. Total
=
R&R
*100
Error R&R = RPT
2
+ REPR
2
Para la fase de control del proyecto,
slo substituya la Tolerancia por
Variacin Total.

TV= R&R + PV
PV= variacin de parte = Rp x K3
225 P. Reyes
EL VALOR DEL R&R ES UN PORCENTAJE DE LA VARIACION TOTAL DEL
PROCESO:
Mientras ms mayor sea el % del R&R, mayor ser el rea de
incertidumbre para conocer la dimensin verdadera de las partes.
ERROR TIPO 1: Pueden estarse aceptando partes que estn fuera de
especificaciones
ERROR TIPO 2: Pueden estarse rechazando partes que estn dentro de
especificaciones
Lo que fue
medido
VARIACIN DE PARTE
A PARTE
LIE LSE
OBJETIVO
La dimensin verdadera de
las partes se encuentra en
algn lugar de la la regin
sombreada
226 P. Reyes
Generalmente intervienen de dos a tres
operadores

Generalmente se toman 10 unidades

Cada unidad es medida por cada operador, 2
3 veces.
6.4 Estudio de R&R
227 P. Reyes
6.4 Mtodos de estudio del error R&R:

I. Mtodo de Promedios- Rango
Permite separar en el sistema de medicin lo referente
a la Reproducibilidad y a la Repetibilidad.
Los clculos son ms fciles de realizar.

II. Mtodo ANOVA
Permite separar en el sistema de medicin lo referente a la
Reproducibilidad y a la Repetibilidad.
Tambin proporciona informacin acerca de las interacciones de
un operador y otro en cuanto a la parte.
Calcula las varianzas en forma ms precisa.
Los clculos numricos requieren de una computadora.
El Mtodo ANOVA es Ms Preciso
228 P. Reyes
6.4 Realizando el estudio R&R
Las partes deben seleccionarse al azar, cubriendo el RANGO
TOTAL DEL PROCESO . Es importante que dichas partes sean
representativas del proceso total (80% DE LA VARIACION)

10 partes NO son un tamao de muestra significativo para una
opinin slida sobre el EQUIPO DE MEDICIN a menos que

Los operadores deben haber sido debidamente entrenados
para realizar las mediciones

Se debe medir con mucho cuidado en el mismo punto de las
partes, con una limpieza absoluta en el medidor y partes.
229 P. Reyes
6.4 Proc. para realizar un estudio de R&R
1. Ajuste el calibrador, o asegrese de que ste haya sido
calibrado.

2. Marque cada pieza con un nmero de identificacin que
no pueda ver la persona que realiza la medicin.

3. Haga que el primer operador mida todas las muestras
una sola vez, siguiendo un orden al azar.

4. Haga que el segundo operador mida todas las muestras
una sola vez, siguiendo un orden al azar.

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

231 P. Reyes
Planteamiento del problema:
Las partes producidas en el rea de produccin, se rechazaron
en 3% por problemas dimensionales.
6.4 Ejemplo:
CTQ: Mantener una tolerancia 0.125
Sistema de Medicin: Se miden las partes con un calibrador de 2.
Estudio R&R del La dimensin A es medida por dos
Calibrador: operadores, dos veces en 10 piezas.
232 P. Reyes
Se toman 5 partes y se miden por ambos operadores:
Pieza Operador A Operador B Rango A-B
#1 4 2 2
#2 3 4 1
#3 6 7 1
#4 5 7 2
#5 9 8 1
Rango Medio = Suma R / 5 = 7 / 5 = 1.4
El error del sistema de medicin = 4.33 * Rmedio = 4.33 x 1.4 = 6.1
El error contra tolerancia = (Error / Tol.) *100, por ejemplo si la tolerancia
es de 20, el % de error es de 30.5%, siendo inadecuado .
6.4 Mtodo corto
233 P. Reyes
Mtodo Largo con X-media y Rango
Operador A Operador B
Pieza # 1er. Intento 2o. Intento Rango 1er. Intento 2o. Intento Rango Prom. lecturas
1 9.376 9.358 9.354 9.361
2 9.372 9.320 9.372 9.372
3 9.378 9.375 9.278 9.277
4 9.405 9.388 9.362 9.370
5 9.345 9.342 9.338 9.339
6 9.390 9.360 9.386 9.370
7 9.350 9.340 9.349 9.349
8 9.405 9.380 9.394 9.381
9 9.371 9.375 9.384 9.385
10 9.380 9.368 9.371 9.376
Totales

234 P. Reyes
1. Clculo de las X-medias
Operador A Operador B
Pieza # 1er. Intento 2o. Intento Rango 1er. Intento 2o. Intento Rango Prom. Lecturas
1 9.376 9.358 9.354 9.361 9.362
2 9.372 9.320 9.372 9.372 9.359
3 9.378 9.375 9.278 9.277 9.327
4 9.405 9.388 9.362 9.370 9.381
5 9.345 9.342 9.338 9.339 9.341
6 9.390 9.360 9.386 9.370 9.377
7 9.350 9.340 9.349 9.349 9.347
8 9.405 9.380 9.394 9.381 9.390
9 9.371 9.375 9.384 9.385 9.379
10 9.380 9.368 9.371 9.376 9.374
Totales 93.772 93.606 93.588 93.580
Xmedia -A 9.3689 Xmedia-B 9.3584


235 P. Reyes
2. Clculo de los Rangos
Operador A Operador B
Pieza # 1er. Intento 2o. Intento Rango 1er. Intento 2o. Intento Rango Prom. Lecturas
1 9.376 9.358 0.018 9.354 9.361 0.007 9.362
2 9.372 9.320 0.052 9.372 9.372 0.000 9.359
3 9.378 9.375 0.003 9.278 9.277 0.001 9.327
4 9.405 9.388 0.017 9.362 9.370 0.008 9.381
5 9.345 9.342 0.003 9.338 9.339 0.001 9.341
6 9.390 9.360 0.030 9.386 9.370 0.016 9.377
7 9.350 9.340 0.010 9.349 9.349 0.000 9.347
8 9.405 9.380 0.025 9.394 9.381 0.013 9.390
9 9.371 9.375 0.004 9.384 9.385 0.001 9.379
10 9.380 9.368 0.012 9.371 9.376 0.005 9.374
Totales 93.772 93.606 0.174 93.588 93.580 0.052
Xmedia - A 9.3689 Xmedia - B 9.3584
Rmedio A 0.0174 Rmedio B 0.0052
Rango de 0.0630
LSCR = D4 x Rmedia
Probar que ningn rango salga de control
Xpartes
Rmedio-A Rmedio-B
XmediaP
236 P. Reyes
Ancho de tolerancia====>
Nmero de intentos =>
Nmero de partes ==>
Nmero de operadores
K1 4.56
(K1 = 4.56 para 2 ensayos y 3.05 para 3 ensayos)
K2 3.65
X-media mx.=>
X-media min =>
Diferencia
de X-medias
R-media de =>
Todos los
operadores
K3 (para 10
Partes)
1.62
3. Identificacin de Parmetros del Estudio y Clculos
Totales 93.772 93.606 0.174 93.588 93.580 0.052
RmediaA 9.3689 XmediaB 9.3584
RmedioA 0.0174 RmedioB 0.0052
Rpartes 0.0630
(K2 = 3.65 para 2 operadores y 2.7 para 3 operadores)
0.25
2
10
2
9.3689
9.3584
0.0105
0.0113
r
n
Rango
de
Medias
de
partes
Rpartes
237 P. Reyes
LCmedias = Xmedia de medias +- A2 x R
Carta de Medias X: Grficar cada una de las medias de las
lecturas de cada operador, calcular media de medias y lmites
de control y verificar que haya cuando menos el 20% de
puntos fuera de control, asegurando que el instrumento
discrimina las diferentes partes.
Carta de Rangos: Graficar los rangos de las lecturas de cada
operador, calcular rango promedio de ambos operadores y
lmites de control, verificar que ningn rango sale de lmites, en
caso contrario repetir las lecturas fuera de control.
LCrangos = D4 x Rmedio (de ambos operadores)
6.4 Cartas de control X - R
238 P. Reyes
0.0515
EV = R x K1 =
Repetibilidad: La variacin del dispositivo de medicin (EV)
se calcula sobre cada grupo de mediciones tomadas por un
operador, en una sola parte.
0.0259
Reproducibilidad: La variacin en el promedio de las
mediciones (AV) se calcula sobre el rango de los promedios de
todas las mediciones, para cada operador, menos
el error del calibrador. Si la raz es negativa se toma cero.
AV = (Xdif * K2)
2
- (DV
2
/(r * n)) =
6.4 Clculo de R&R
239 P. Reyes
R&R = EV
2
+ AV
2
=
El componente de varianza para Repetibilidad y
Reproducibilidad (R&R) se calcula combinando la varianza
de cada componente.
PV = Rparte x K3 =
0.1021
El componente de varianza para las partes (PV), se calcula
sobre el rango de los promedios de todas las mediciones,
para cada parte.
0.0577
6.4 Clculo de R&R
240 P. Reyes
TV = R&R
2
+ PV
2
=
0.1172
La variacin total (TV) se calcula combinando la varianza de
Repetibilidad y Reproducibilidad y la variacin de la parte.
6.4 Clculo de R&R
20.61
10.36
23.07
Comparando contra la tolerancia (LSE LIE):
%EV = 100*EV/Ancho de tolerancia =

%AV = 100*AV/Ancho de tolerancia =

%R&R = 100*R&R/Ancho de tolerancia =
241 P. Reyes
Comparando contra la variacin Total del
proceso:

%EV = 100*EV/Variacin total =


%EV = 100*AV/ Variacin total =


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


%PV = 100*PV Variacin total =

CRITERIO: El % R&R debe ser menor al 10%
43.95
22.10
49.20
87.06
6.4 Clculo de R&R
242 P. Reyes
6.4 Ejercicios
Para un estudio de R&R 2 operadores midieron con el mismo equipo
de medicin 10 partes en 3 intentos cada uno,obteniendo:
Mediciones Mediciones
Nmero de operador A de operador B
de parte 1 2 3 1 2 3
1 50 49 50 50 48 51
2 52 52 51 51 51 51
3 53 50 50 54 52 51
4 49 51 50 48 50 51
5 48 49 48 48 49 48
6 52 50 50 52 50 50
7 51 51 51 51 50 50
8 52 50 49 53 48 50
9 50 51 50 51 48 49
10 47 46 49 46 47 48
243 P. Reyes
7. Mtodos de
mejora continua

244 P. Reyes
7. CONTENIDO

1. Proceso de cambio organizacional

2. Trabajo en equipo

3. Manejo efectivo de juntas

4. Solucin de problemas por medio de la
Ruta de la Calidad

5. Ejemplos

245 P. Reyes
7.1 Proceso de Cambio organizacional
246 P. Reyes
7.1 Organizaciones tradicionales


Buscar culpables, Burocracia
Enfoque a seguir procedimientos y reglas
Olvido al cliente

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

OEl cliente es la mxima prioridad
OOperacin limpia (ISO 14000)
OCompetitividad y finanzas sanas

OSistemas simples visuales y Operacin estable
OEntrega oportuna y Trabajo en equipos
OAmbiente de trabajo seguro y agradable

ODesarrollo de empleados con multihabilidades
OComunicacin alta, horizontal y abierta
ODesarrollo de personal, decisiones participativas
OProductividad y mejora continua, reconocimientos
OEmpowerement a empleados / Personal motivado
OAlta Calidad, enfoque a la gente
248 P. Reyes
Facilitador de
Procesos de
Recursos Humanos
Team
Gerencial
R Humanos
Materiales Champion Produccin Costos
Facilitador de
Procesos /
Proyectos
Facilitador de
Mantenimiento /
Proyectos
P a t r o c i n a d o r e s
7.1 Organizacin Multifuncional
Tipos de equipos: Kaizen, Tarea, Proyectos, CCC,
celdas de mfra., unidades de negocio
249 P. Reyes
7.1 Reestructuracin organizacional
Equipos de trabajo: solucin de problemas, propsito
especial, autodirigidos
Organizacin horizontal: elementos clave

Planes de reconocimiento: individual, grupal,
capacitacin
Diseo de puestos de trabajo: especializacin,
ampliacin, rotacin de puestos, enriquecimiento

Normas de trabajo
Mtodos para la medicin del trabajo: estudios de
tiempo, muestreos, estndares
Curvas de aprendizaje


250 P. Reyes
7.1 Equipos Kaizen
Las tres fases claves
Percepcin
Desarrollo de la idea, entre ms simples mejor
Implantacin de la idea y efectos, Kaizen busca el
camino ms corto para lograr el propsito

Puntos crticos de xito
Mejoras en la seguridad, en la calidad, productividad,
WIP, control visual



251 P. Reyes
7.1 Estrategias para
Recursos Humanos
Eliminar continuamente actividades que no agregan
valor
Reducir el nmero de categoras ampliando alcance de
los puestos
Proporcionar recomendaciones a la Alta Direccin sobre
mtodos para aplanar la organizacin

Crear oportunidades e incentivos para la rotacin
normal de puestos y capacitacin cruzada.
Invertir en el desarrollo de Multihabilidades de los
empleados
Incluir planes de desarrollo de personal que estn en
lnea con las metas y objetivos

Facultamiento y desarrollo del personal
252 P. Reyes
1. Autoanlisis de la empresa.
2. Establecer objetivos.
3. Desarrollo del equipo gerencial.
4. Establecimiento de filosofas y polticas.
5. Planeacin estratgica.
6. Desarrollo de equipos.
7. Control y seguimiento de los equipos de
trabajo.
8. Evaluacin de resultados: indicadores clave.
9. Comunicacin en todas direcciones.
7.1 Proceso de cambio
organizacional
253 P. Reyes
7... Consejos para administradores
1. Mantener actitud positiva.
2. Poner planes por escrito.
3. Buscar causas de problema en el sistema.
4. Ser humilde: Escuchar a subordinados.
5. No tener miedo a expresar ideas.
6. Tomarse tiempo para capacitar a subordinados.
7. Pensar, revisar y revisar.
8. Decir no a planes no realistas.
254 P. Reyes
7... Consejos para administradores
9. Tener empata con la gente.
10. Reducir la rotacin de personal.
- Reclutamiento y seleccin.
- Orientacin.
- Induccin de personal nuevo.
- Supervisin y capacitacin en el puesto.
- Auxilio de Recursos Humanos.
11. Falta gente capacitada Haga algo!
-Capacitar a la propia gente.
12. Conocer a sus sindicatos.
255 P. Reyes
7.2 Equipos de trabajo
256 P. Reyes
7.2 Equipos de trabajo
OBJETIVOS

Establecer una situacin de control.
Elevar el estado de nimo.
Mejorar las relaciones humanas.
Mejorar el rea de trabajo.
Pensar y usar los conocimientos.
Ampliar la forma de pensar.
Mejorar el ingreso.
Mejorar el aseguramiento de calidad.
Los ingenieros se pueden dedicar a otras tareas.
257 P. Reyes
7.2 Introduccin
HAY TRES PUNTOS IMPORTANTES EN RELACION A:
EQUIPOS DE TRABAJO
O
CIRCULOS DE CALIDAD
1.- EL DESARROLLO DEL PERSONAL
2.- LA ARMONIA ENTRE LAS PERSONAS

OBJETIVOS
DEL
EQUIPO

3.- LA FORMACION DE UNA
CULTURA
258 P. Reyes
CIRCULO DE CALIDAD?
EQUIPO DE TRABAJO?
EQUIPO PARA EL MEJORAMIENTO
DE LA CALIDAD?
GRUPOS PARTICIPATIVOS PARA LA SOLUCION DE
PROBLEMAS?.
O EQUIPOS DE MEJORA CONTINUA?
7.2 Qu es un...?
259 P. Reyes
6 7 (maximo 10) personas trabajando

en estrecha interrelacion,

interaccin y comunicacin

dirigidas hacia un
OBJETIVO COMUN
7.2 Tienen en comn...
260 P. Reyes
FUERZAS NEGATIVAS. FUERZAS POSITIVAS.
EQUIPO
DE
TRABAJO
DESINTEGRACION
DEL EQUIPO
LOGRO DE METAS Y DE
OBJETIVOS COMUNES
7.2.. Anlisis de Fuerzas
261 P. Reyes
HABILIDADES
PERSONALES
NO APROVECHADAS
PRIORIDADES DE
DEPARTAMENTO
CONFLICTO DE
EQUIPO
FALTA DE ESPIRITU
DE EQUIPO
INCAPAZ DE
PARTICIPAR EN LOS
INTERESES DEL
EQUIPO
OBJETIVOS
PERSONALES
OBJETIVO
DEL
EQUIPO
7.2 Ejemplos de fuerzas negativas
262 P. Reyes
EL OBJETIVO DEL EQUIPO ELIMINA LAS FUERZAS NEGATIVAS
1.-Este objetivo debe ser definido por todos los integrantes del
Equipo y este debe ser medible y con fecha de cumplimiento.
________________________________________________________________
_______________________________________________________________
_______________________________________________________________
_______________________________________________________________

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

_______________________________________________________________

_______________________________________________________________

_______________________________________________________________



7.2 El objetivo del equipo
263 P. Reyes
7.2 QUE PUEDO HACER YO PARA AYUDAR
A LOGRAR LOS OBJETIVOS DEL EQUIPO...?
1.-__________________________________________________________
__________________________________________________________
__________________________________________________________

2.-__________________________________________________________
__________________________________________________________
__________________________________________________________

3.-__________________________________________________________
__________________________________________________________
__________________________________________________________

4.-__________________________________________________________
__________________________________________________________
__________________________________________________________

264 P. Reyes
Cada equipo establece sus propias normas de trabajo, tomando en
cuenta los elementos siguientes:
SEGURIDAD
MANTENIMIENTO
ASISTENCIA O
PUNTUALIDAD
DEL
EQUIPO
LA CALIDAD
LA PRODUCCION
LOS COSTOS
LA SEGURIDAD
EL MANTENIMIENTO
EL MEDIO AMBIENTE
OTROS
LOS CLIENTES
7.2 Normas de los equipos
265 P. Reyes
7.2 Normas de los equipos
1.- Ser puntual y asistir a todas las reuniones ( a menos que el
equipo acuerde lo contrario ).
2.- Nunca enojarse se tenga o no razn.
3.- Cumplir con las asignaciones.
4.- Cumplir con las fechas compromiso., etc.
Cuales son las normas de funcionamiento de mi equipo de
mejora...?

1.- __________________________________________

2.- __________________________________________

3.- __________________________________________

266 P. Reyes
PROMOVER EL ESPIRITU
DE COLABORACION EN
LOS INTEGRANTES DEL
EQUIPO A TRAVES DE:
COOPERACION
ASISTENCIA COMUN
DIVISION DEL TRABAJO
7.2 Responsabilidades del equipo
267 P. Reyes
TODOS PERTENECEN A UNA MISMA AREA DE TRABAJO
PERO TIENEN RESPONSABILIDADES DIFERENTES.
EQUIPOS MULTIDISCIPLINARIOS.
EL LIDER DEL EQUIPO ES
ELEGIDO POR LOS MIEMBROS
DEL EQUIPO
EL LIDER APLICA EL LIDERAZGO POSITIVO, EDUCA,
DESARROLLA, APOYA, ENTUSIASMA Y DESARROLLA
7.2 Organizacin de los equipos
SE FORMAN POR UN LIDER Y
MIEMBROS DEL EQUIPO
268 P. Reyes
EN DONDE SE REUNEN...?
1.-SE REUNEN EN UN LUGAR ESPECIAL
EN EL AREA DE TRABAJO

2.-LEJOS DEL MISMO SI ES POSIBLE
CADA CUANDO SE REUNEN...?
PERIODICAMENTE DE ACUERDO A LAS
NECESIDADES DEL EQUIPO. (1 0 2 VECES POR
SEMANA, 1 VEZ AL MES, ETC.)
7.2 Organizacin de los equipos
269 P. Reyes

LOS EQUIPOS DE MEJORA CONTINUA
REQUIEREN DE CAPACITACIN
CONTINUA:

DETECTAN SUS NECESIDADES
DE ENTRENAMIENTO
7.2 Organizacin de los equipos
270 P. Reyes
7.2 De quin necesitan apoyo . . . ?
1. Apoyo Total de la direccion / gerencia general.


2. Del lder que coordina y desarrolla a los integrantes.


3. De otras reas, especialistas o tcnicas que les ayudan
a resolver los problemas que ellos no pueden resolver.


4. De otros equipos de mejora.
271 P. Reyes
ELIMINAR EL FRACASO
HACIENDO POSIBLE LO IMPOSIBLE
FLEXIBILIDAD
Y
PACIENCIA
HONESTIDAD
HABILIDAD DE COMUNICARSE
LIDER:
ES AQUEL QUE GUIA, ENSEA Y DA EL EJEMPLO A SU
EQUIPO DE MEJORA CONTINUA. DEBEN TENER....
7.2 El lder del equipo
272 P. Reyes
EQUIPOS DE
MEJORA CONTINUA
DIRECCION
LIDER DE EQUIPO

EQUIPO DE TRABAJO
DE APOYO
EQUIPO GERENCIAL
EQUIPO DIRECTIVO
7.2 De quin necesitan apoyo
273 P. Reyes
7.2 Problemas comunes
1. Apata de los equipos para generar resultados.
2. Falta de apoyo econmico y motivacin personal
por la direccin.
3. Comunicacin mnima entre jefes y coordinadores.
4. Apata de la gente.
5. Poca comunicacin.
6. Exceso de bomberazos en reas saturadas de
trabajo.
7. No se mantiene la disciplina por el lder del
equipo.

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

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

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

7.2 Problemas comunes
277 P. Reyes
7.3 Manejo efectivo de
Juntas y reuniones
278 P. Reyes
7.3 Tipos de reuniones
Para control y mejora (30-60 min.)
Asignar tareas y responsabilidades.
Contribuir a procesos de solucin de problemas.

De comunicacin (15 - 20 min.)
Metas de la semana, avisos de reunin, breve
explicacin

De informacin (10 - 15 min.)
Reporte de evento.
Reflexiones de lectura/tarea.
279 P. Reyes
7.3 Tipos de reuniones
De estudio (30-60 min.)
Trabajo en equipo, calidad.
Conocimiento de producto o servicio.

De seguimiento (15 - 30 min.)
Verificacin y anlisis de tareas asignadas en
Control y Mejora.

De memorandum (5 10 min.)
Avisos escritos de diversa ndole.
280 P. Reyes
1.- Crear una atmsfera apropiada para que los participantes
externen sus ideas y opiniones libremente.

2.- Obtener la informacin necesaria ..

3.- Anticipar las reacciones positivas y negativas de las personas.

4.- Crear un sentido de trabajo en equipo, que sea llevado al mismo
lugar de trabajo.


HACIENDO POSIBLE LO IMPOSIBLE!
7.3 Funcin del coordinador
281 P. Reyes
1.- Pedir ideas a todo el grupo y en forma Individual.
2.- Mantener la junta en el tema.

3.- Clarificar la informacin.
4.- Ayudar a desarrollar ideas completas.

5.- Replantear el punto si no esta claro.
6.- No culpar nunca a nadie si no es claro en sus ideas.

7.- Aceptar todas y cada una de las sugerencias.
8.- No criticar, modificar o evaluar de inmediato una opinin.

9.- Asegurarse que se cumplan los objetivos (Dando seguimiento)
10.- Asegurarse que la agenda sea cubierta en el tiempo
establecido.
7.3 Funciones del coordinador
282 P. Reyes
7.3 Recomendaciones
1.- Tengan los temas y objetivos por escrito y visibles enfrente del lugar
de reunin.
2.- Difiera la informacin que no este relacionada con el tema a
discutir .
3.- De reconocimiento a los participantes cuyas opiniones se
relacionen directamente con el tema, este debe ser verbal y frente
al grupo.
283 P. Reyes
NOTAS
Como se comporto el equipo . . . ?

___________________________________________________

____________________________________________________

____________________________________________________

____________________________________________________
7.3 Ejercicio
Seleccionar un tema a tratar de la vida real

Establecer reglas y objetivos
284 P. Reyes
Como se comportaron los integrantes . . . ?
____________________________________________________

____________________________________________________

____________________________________________________

____________________________________________________


Se cumplio el objetivo . . . ? SI___ NO____


Por que . . . ?
____________________________________________________

____________________________________________________

____________________________________________________

7.3 Ejercicio
285 P. Reyes
7.4 Solucin de problemas por
medio de la Ruta de Calidad
286 P. Reyes
7.4 Los 11 pasos de la Ruta de la
calidad
1. Seleccin del problema
2. Razn de la seleccin
3. Establecimiento de objetivos
4. Programa de actividades
5. Diagnstico de la situacin actual
6. Identificacin de causas
7. Anlisis de soluciones
8. Implantacin de soluciones
9. Verificacin de soluciones
10. Prevencin de la reincidencia y
estandarizacin
11. Reflexiones y tareas futuras

287 P. Reyes
1.- SELECCIN DEL TEMA
2.- RAZON DE LA SELECCIN
3.- ESTABLECER OBJETIVOS
4.- PROGRAMA DE ACTIVIDADES
5.- DIAG. DE SITUACION ACTUAL
6.- ANALISIS DEL PROBLEMA
7.- ANLISIS DE SOLUCIONES
8.- IMPLANTAR SOLUCIONES
9.- VERIFICACION DE SOLUCIONES
10.- PREVENCION DE LA
REINCIDENCIA
11.- REFLEXION Y TAREAS
FUTURAS
PLANEAR
P
HACER
D
CHECAR
C
ACTUAR
A
ESTABLECER LA
FORMA IDEAL
BUSQUEDA DE
CAUSA REAL
POR INICIATIVA
HACER
UN EJEMPLO
INMEDIATAMENTE
EN CASO
DE NO
HABER
EFECTO
7.4 La ruta de la calidad
288 P. Reyes
7.4 Beneficios de la ruta de la
calidad
1.- Es un mtodo estndar para resolver problemas.

2.- Se usa para mejorar procesos administrativos, de
manufactura e individuales.

3.- Se usa para sistematizar la forma en que se mejoran
los procesos.
289 P. Reyes
1. Seleccin del problema
290 P. Reyes
1. Seleccin del problema

Anlisis de situacin actual e identificacin de
problemas.

Una vez seleccionado el tema:

- Comprensin de elementos situacionales.

- Cuantificacin de datos reales.

- Identificacin de factores de variabilidad.
291 P. Reyes
1. Seleccin del problema
* Seleccionar el problema en base a las polticas de la
organizacin, al jefe inmediato y a los resultados de sus
actividades diarias. Se sugieren sean problemas enfocados a
impactar al cliente.


* Cmo nombrar el problema? Menor Costo, Ms rpido,
Mejor desempeo


1).- Expresar concretamente el grado del problema. (el tema
no deber ser demasiado amplio).
292 P. Reyes
2).- Es mejor no usar la solucin para nombrar un problema, sin
antes realizar la bsqueda de la causa verdadera, se crear duda
de si esa solucin es la definitiva.


3).- Criterios para seleccionar el problema

Seguridad Calidad

Entrega Costo

Moral
2 GUOQCSTORY.PPT
1. Seleccin del problema
293 P. Reyes
2. Razn de la Seleccin
Porque?
3 GUOQCSTORY.PPT
294 P. Reyes
2. Razn de la Seleccin
*Expresar los antecedente, la importancia y la prioridad de los
problemas.

Explicar por qu se seleccion el problema

* Efecto econmico, reclamo de mercado,rechazos, % de ventas
perdidas , otros.

* Impacto para los procesos posteriores, monto de prdida,
incremento de tiempo de operacin, paro de lnea, etc.

Entre todos los integrantes del equipo pueden evaluar las razones
arriba descritas mediante las 7 herramientas bsicas, las 7 nuevas
herramientas, etc; y enfocarse en un solo tema.
4 GUOQCSTORY.PPT
295 P. Reyes
Ejemplo 1: Se enfoca el tema de manera multilateral con la matriz de evaluacin
Criterio de evaluacin 3 puntos 2 puntos 1 punto


2. Razn de la Seleccin
Impor-
tancia
Prior. Poltica
Depto.
Evaluacin
Periodo
de Ejec.
Facti-
bilidad
Orden
Problema
DEVOLUCIONES
ENTREGAS TARDIAS
DOCS. INADEC.
NIVEL SERVICIO
12 Puntos
1er. lugar
10 Puntos
2o. lugar
10 Puntos
2o. lugar
9 Puntos
3er. lugar
296 P. Reyes
PARETO DE DEFECTOS DEL PRODUCTO A
PERIODO 6/MAY/98 AL 15/JUNIO/98

n = 170
( % )
(CASOS)
170
160
140
120
100
80
60
40
20
0
51
31
27
25
30 %
20
16
N
U
M
E
R
O

D
E

D
E
F
E
C
T
O
S

100


80

60

40

20

0

%

A
C
U
M
U
L
A
D
O

D
O
B
L
E

C
O
R
T
E

C
O
R
T
E

M
U
L
T
I
P
L
E

C
O
N
T
A
M
I
N
A
C
I
O
N


P
O
R
O

A
L
T
U
R
A

M
A
Y
O
R

Y

M
E
N
O
R

B
A
J
A


A
D
H
E
S
I
O
N

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

5 GUOQCSTORY.PPT
%

d
e

i
n
c
i
d
e
n
c
i
a

0.51
0.45
0.53
0.46
0.47
0.46
objetivo del grupo 0.3%
6/mayo-11 13 - 16 20 - 24 27 - 31 3/junio - 7 10 - 15
Ejemplo2 : Utilizacin de la grfica lineal y el diagrama de Pareto.



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

n = 5,000
x = 0.48 %

( % )

1


0.8


0.6


0.4


0.2


0
297 P. Reyes
* Aclarar la meta del valor del objetivo. * Indicar el objetivo con valores en forma numrica
en lo posible.
* No plasmar simplemente los deseos y * El objetivo debe tener relacin con el
expectativas en el objetivo, si no esta- efecto esperado .
blecer un objetivo factible de manera es-
calonada.
* El objetivo debe de ser concreto.
* Establecer un objetivo con fundamento, Ejemplo:
no se debe tomar una decisin de impulso QU? ****** Reducir el defectuoso en productos A
(sin analizar).
HASTA CUNDO?****De Mayo del 97 a
(Punto clave para establecer el valor Abril del 98
objetivo). HASTA CUANTO?****Bajar hasta 1%
* Definirlo tomando en cuenta las polticas menos del 1% promedio de defectuoso.
de la empresa.

* En caso de no tener un concepto claro de * Hay un mtodo para establecer el objetivo
las polticas, analizar la importancia de final de una vez; otro estableciendolo en forma
los problemas y / o mejoras, cuando nos gradual entre objetivo primario y secundario,
ocasionen un defecto al proceso pos- establecer periodos de tiempo cortos.
terior, factibilidad de cumplimiento, pro-
grama, distribucin de cargo, etc. y de- Establecer objetivos graduales en los casos
finirlo. Siguinetes:
(1).- Que el tema sea demasiado grande y se
requiera dividirlo.
(2).- Que el tema sea complicado y que se relacione
con otras reas.
(3).- Que se requiera la seleccin de las actividades
conforme a la habilidad real del grupo de trabajo


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


PUNTO CRITICO
ACTIVIDADES
3. Establecimiento de objetivos
298 P. Reyes
Ejemplo n 1 Establecimiento del
Objetivo con fundamento
CONCEPTO
VALOR OBJETIVO
FECHA LIMITE
EFECTO ESPERADO
CONTENIDO ESTABLECIDO
IGUAL O MENOR DE 1%
FIN DE Abril de 1998
3% DE INCREMENTO EN EL % DE AHORRO
( % )
8

6

4

2

0
10 11 12 1 2 3 4
4 3 2
x
6 MESES
2
1
IGUALAR AL
PASADO
IGUALAR A
OTRAS LINEAS
3
ESTABLECER
EN BASE A LA
POLITICA
IGUALAR AL
NIVEL PAIS
4
El objetivo debe ser establecido en consenso
1
OBJETIVO
FINAL
2
EJEMPLO N2
299 P. Reyes
Se debe tomar en cuenta el problema real anterior, etc.,
para que los datos sean razonables y convincentes.
(%)
V
E
N
T
A
S


6
OBJ. PRIMARIO
5
4
3
2
1
0
OBJ. SECUNDARIO
OBJETIVO FINAL
PERIODO DE TIEMPO
0%
6 5
CONDICION ACTUAL
4 3 2 1
Ejemplo n 3: Establecimiento gradual del objetivo
P
E
R
D
I
D
A
S



7 GUOQCSTORY.PPT
300 P. Reyes
4. Programa de actividades
POR QUE ? QUE ? QUIEN ? CUANDO ? COMO ? DONDE ?
PROPOSITO CONCEPTO DE ACT. RESP. FECHA
CONOCER LA
SITUACION
ACTUAL
COMPRENDER LA
SITUACION ACTUAL
Juan Prez may-97
HOJA DE
CHEQUEO Y
GRAFICA
Mquina
QUE ESTA
MAL ?
ANALISIS TODOS JUN. 97
DIAGRAMA DE
CAUSA Y
EFECTO
Reunin
COMO SE
PUEDE
MEJORAR ?
ACCIONES
CORRECTIVAS
TODOS JUN. 97
PLAN DE
ACCIONES
CORRECTIVAS
Reunin
SE PUEDE
MEJORAR ?
CONFIRMAR EFECTO TODOS JUL. 97 GRAFICA Mquina
CAMBIO DE
PROCEDIMIENTOS Y
ESPECIFICACIONES
ING.
PRODUCT
O.
JUL. 97
EMISION DEL
CAMBIO
Mquina
REFLEXION DE LAS
ACTIVIDADES Y
TAREAS FUTURAS
TODOS ene-98
LLUVIA DE
IDEAS
Reunin
PREVENCION
DE
REINCIDENCIA
ASIGNACION DE LAS TAREAS
8 GUOQCSTORY.PPT
301 P. Reyes
5. Diagnstico de la situacin actual
PUNTO CRITICO
ACTIVIDADES

Observar de manera exhaustiva la condicin real de * Investigar a fondo de manera que se pueda
lo problemtico y checar a travs de los datos. dar el siguiente paso (anlisis).

Investigar la diferencia en las variaciones del * Investigar clasificando por tiempo, proceso, turno
comportamiento de los fenmenos. operador, mtodo de operacin, material, lote,
procedimiento, tipo de mquina, clima,
Lo que se busca es confirmar la condicin real no temperatura, humedad, operacin, estndar
encontrar las ideas de solucin.
* De inmediato ver fsicamente las cosas en campo, siendo realista, mostrar grficamente lo investigado de
tal forma que se vean fcilmente las diferencias, problemas, etc. Usar las 7Hs, concluir e iniciar anlisis.


80% VITALES
20% TRIVIALES
PARETO
0
20
40
60
80
100
20%
40%
60%
80%
100%
EJEMPLO No. 1
302 P. Reyes
6. Identificacin de causas
DIAGRAMA DE CAUSA EFECTO
ISHIKAWA O ESPINA DE PESCADO
303 P. Reyes
6. Identificacin de causas
Determinar las causas raz.
1. Anlisis de posibles causas.
2. Relacin causa-efecto.
3. Uso de herramientas.
4. Cuantificacin de posibles
causas
5. Seleccin de causas reales.
6. Experimentacin y prueba de
hiptesis y causas probables.
7. Determinacin de causas reales.

304 P. Reyes
6. Identificacin de causas
PUNTO CRITICO
ACTIVIDADES
- Identificar las posibles causas verdaderas - En base al conocimiento de la situacin actual,
(factores) del anlisis de la situacin actual identificar las posibles causas verdaderas o factores
- Se utiliza el diagrama de causa-efecto (Ishikawa) VERIFICAR CADA UNO DE LOS FACTORES
como una alternativa de anlisis - Repetir la pregunta "porqu" 4-5 veces
- Buscar la causa(s) real(es) desde los factores. - Ir a piso a verificar fsicamente cuantas veces
- Hay casos en que se pueden conseguir los efec- sea necesario, sobre todo observar bien.
tos (resultados) de un anlisis al investigar a fon- - Analizar a fondo involucrando al jefe inmediato,
do la situacin actual. staff y las reas relacionadas.
* Identificar las causas reales en forma resumida. No se debe tratar de solucionar un problema diciendo
excusas. Ejemplo: "Es la primera vez que aparece, "No tenemos experiencia", etc.
METODO
BARRA SOPORTE DE
PAPEL DESALINEADO
MANO DE OBRA
MATERIAL
MAQUINARIA
LINEA DE
PAPEL
FALTA CAPACITACION
FALTA DE COMPROMISO
RETROALIMENTACION
FALTA AIRE
ROLLOS PESADOS
BOLSA DAADA
PAPEL FUERA DE
ESPESOR
MAT. FRESCO
APLICACIN DE
PAPEL MANUAL
FLUJO DE PAPEL EN
LA PARTE SUPERIOR
DEL MOLDE
MAL CORTE PAPEL
APLICACIN DE
CINTA
INCORRECTO
NO SE SIGUE EL PROC:
NO SE MIDEN ESPESORES
POCO ESPESOR
305 P. Reyes
7. Anlisis de soluciones
Cada causa tiene soluciones basadas en:
1. Definicin de soluciones.
2. Evaluacin de stas.
3. Definicin cuantitativa de mejores.
4. Uso de mtodos de Control de
Calidad.
5. Desarrollo de plan de
implementacin.
306 P. Reyes
7. Anlisis de soluciones
PUNTO CRITICO ACTIVIDADES
* Eliminar la causa real que se encontr como resul- * Planear las medidas correctivas para cada una
tado del anlisis. (no eliminar los fenmenos) de las causas encontradas a travs del anlisis.
* Recabar todas las ideas de los miembros del gru- * Dividir las medidas correctivas en dos tipos:
po, jefe inmediato y personas relacionadas. 1) Medida contingente provisional
* Pensar medidas fsicas, ms que personales, pa- 2) Medida correctiva. sobre las causas raz
ra que la accin correctiva sea estable y sin para prevenir la reincidencia
variacin. (poka-yoke)
Evaluar las ideas de Kaizen. Hacer una evaluacin de efectos, factibilidad, economa, grado de tecnologa,
operatividad, seguridad, etc. Elaborar propuesta operativa y preparar los recursos requeridos.
EJ EMPLO No. 1:
14 GUOQCSTORY.PPT
3 PUNTOS
2 PUNTOS
1 PUNTO
Evaluacin
E
f
e
c
t
o




F
a
c
t
i
b
i
l
i
d
a
d

P
r
i
o
r
i
d
a
d

J Prez.

5
4
3
OPERADORES
OPERADORES
J. Prez
J. Prez
5
4
L
I
D
E
R

F
E
C
H
A

Junio 97
Junio 97
Junio 97
Julio 97
Julio 97

LINEA
DE
PAPEL


A. CONTROL DE
ESPESORES
DE PLSTICO


B. MODIFICAR
APLICACIN
DE PAPEL.
1. CONTROLAR
ESPESORES EN MAQ.
2. VERIFICAR
ESPESORES
ANTES DE
CONSTRUIR
3. CAMBIAR DE
MATERIAL
2. CAMBIAR ANCHO DE
PAPEL
1. MODIFICACION AL
APLICADOR DEL PAPEL
307 P. Reyes
8. Implantacin de soluciones
15 GUOQCSTORY.PPT
308 P. Reyes
1. Explicacin de implementacin.
2. Descripcin de reas afectadas.
3. Descripcin de obstculos.
4. Anlisis cuantitativo de impacto.
5. Anlisis cuantitativo de situacin
mejorada vs. situacin actual.
6. Medicin de efectos secundarios.
7. Uso de herramientas .
8. Implantacin de soluciones
309 P. Reyes
8. Implantacin de soluciones
PUNTO CRITICO
ACTIVIDADES
* Realizar las medidas como se habian acordado * Antes de aplicar las medidas correctivas
* Verificar si no hay efectos secundarios * Probar las ideas de mejora, investigar efectos
* Dar capacitacion y entrenamiento. secundadarios que puedan afectar al producto o reas*
Los equipos implantan las acciones correctivas y despus poner en prctica las luciones.
* Obtener la aprobacin de las reas relacionadas, turno o puesto, Jefe inmediato etc. Es decir,
Comunicar a todos los involucrados de la mejora a realizar.

EJ EMPLO 1
LISTADO DE LAS MEDIDAS CORRECTIVAS
NO
CUANDO
A QUE? - COMO?
DONDE RESU
LTAD
O
JUICIO QUIEN
TOPE PROC. DE
LIMPIEZA
1
2
JULIO 97
JULIO 97
BARRA DE
APLICACION
PARA LOS
MOLDES
AUNQUE SE DA
EFECTO
NO ES PERSISTENTE
EXISTE POCO
DEFECTO
J. PREZ
L.TORRES
P. Reyes
PARA LA LINEA DE PAPEL:
APLICACIN
ANTERIOR
DEL PAPEL
CON LA ACCION CORRECTIVA
SE MODIFIC LA APLICACIN DEL PAPEL,
ASEGURADO CON UN TOPE (POKA YOKE)
EN LA BARRA DE APLICACION
8. Implantacin de soluciones
311 P. Reyes
9. Verificacin de soluciones

PUNTO CRITICO
ACTIVIDADES
* Verificar hasta obtener efectos estables ampliando * Hacer anlisis comparativo antes y despus
los datos histricos en grficas de la etapa de * En caso de aplicar varias medidas
correctivas
"razn de seleccin del tema" , Verificar los efectos intangibles sin omisiones
* Comparar el efecto en grfica entre antes y despus
de KAIZEN respecto al objetivo. confirmar el efecto sobre cada concepto de
(relacin humana, capacidad, trabajo en equipo, contramedidas.
entusiasmo, rea de trabajo alegre).
* Determinar los beneficios monetarios, indirectos e intangibles.Investigar si existen reas y operaciones
similares tanto dentro como fuera de la planta, para aplicar las mismas contramedidas. Dar reconocimiento.
2.1
2
1.9
1.8
1.7
1.6
1.5
1.4
1.3
1.2
1.1
1
2.19
2.14
2.22
2.33
1.76
1.32
0.9
0.87
0.94
0.79
0.99
0.94
0
0.5
1
1.5
2
2.5
may-97 jun-97 jul-97 ago-97 sep-97 oct-97 nov-97 dic-97 ene-98 feb-98 Mzo-98 abr-98
%D < 1 %
Ejemplo 1.
%
D
E
F
E
C
T
U
S
O

312 P. Reyes
9.5
6.85
3.3
3.27
2.66
0.9
0
2
4
6
8
10
%
MONCKS C. DUMFRIES COREA BRASIL JAPON MEXICO
UMI MICRO V - TIMING BELTS
BENCHMARKING DEFECTUOSO TIMING BELTS
Ejemplo 3.
313 P. Reyes
10. Prevencin de la reincidencia
Estandarizacin
DISPOSITIVOS A PRUEBA DE ERROR ( Poka - Yokes ).
314 P. Reyes

1. Controles para la mejora.

2. Formas para eliminar causas.

3. Datos de control de resultados.

4. Aplicacin de soluciones en otros
procesos.

5. Uso de mtodos de estandarizacin.
.
10. Estandarizacin
315 P. Reyes
10. Prevencin de la reincidencia
PUNTO CRITICO
ACTIVIDADES
* Hacer estandarizacin para prevenir la reincidencia * Mantener y controlar los efectos
* Con el fin de mantener y controlar lo estandariza- * Hacer estandarizacin.
do, establecer sistemas y realizar la revisin de los Equipos
equipos, capacitacin y entrenamiento de manera Poka-yoke, dibujos, hoja de especificaciones,
peridica. instructivo de manejo, muestreo de lmite.
Mano de obra
Confirmar el resultado de la modificacin Capacitacin y adiestramiento de habilidad
Comunicar adecuadamente a las reas tcnica en base a la operacin
involucradas Calidad: Carta de control de proceso.
EJEMPLO 1:
1
3
2
Medidas
correctivas
5 W 1 H
Integrar botador
de electrodo
en martillo
Adopcin de
electrodo roscado
Automatizacin
de paro de agua

Por qu
Why
Qu
What
Donde
Where
Cundo
When
Quin
Who
Cmo
How
Chequeo
despostilladora
de filos
Chequeo
de dao en
rosca
Prevencin de
sobrecalenta-
miento

Botador
de
electrodo
Base de
electrodo
inferior
Prevencin
de sobreca-
lentamiento
En almacn
de Htas.
Proceso
usuario.
En el
proceso

1 vez cada
3 das
Cada
semana
2 veces
por da
Turnar
responsable
Turnar
responsable
Turnar
responsable
cada da
Chequeo
visual
hoja de chequeo
Chequeo
visual
hoja de chequeo
Chequeo
visual
hoja de chequeo
Cada vez que se presente un problema, se investiga y se toman medidas correctivas
P. Reyes
1
2
Medidas
correctiva
s
5 W
1 H
INTEGRAR
TOPE
ELABORAR
PROCEDIMIEN
TO
Por
qu
Why
Qu
What
Donde
Where
Cun
do
When
Quin
Who
Cmo
How
CORRECTA
APLICACIN
DE PAPEL.
PARA
ESTANDARIZAR
LAS
OPERACIONES

TOPE
INST.PARA
APLICAR
DE PAPEL
TISSUE

APLICA
DOR
DE
PAPEL
TISSUE
PROCESO
DEL
USUARIO
JULIO
97
AGOSTO
97
J.
PEREZ
ING. DE
PRODUC
TO
PRO
CEDI-
MIEN
TO
CHE
QUE
O
VISU
AL
Ejemplo No. 2
317 P. Reyes
Anlisis de resultados
1. Comparacin cuantitativa.
2.Evaluacin cuantitativa de resultados
intangibles.
3. Anlisis del impacto econmico
4. Presentacin de resultados

Conclusiones
1. Evaluacin objetiva.
2. Descripcin de problemas pendientes.
3. Descripcin del plan de accin.
11. Reflexiones
318 P. Reyes
11. Reflexiones y tareas futuras
319 P. Reyes
11. Reflexiones y tareas futuras
PUNTOS CRITICOS
ACTIVIDADES
* Aclarar la diferencia entre la planeacin y el resul- * Aclarar los puntos positivos y negativos.
tado. Reflexionar sobre la satisfaccin lograda. * Registrar las actividades tomando en cuenta
* Resumir los planes futuros en forma concreta. el efecto fsico, QC Story, administracin de
* Aprovechar puntos positivos de resultado y apren- grupo, juntas, herramientas, programa,
der de puntos negativos. asignacin de funciones, entusiasmo

EJEMPLO:
A) Efecto fsico.
B) Participacin.
C) Aprovechamiento
del mtodo QC.
D) Trabajo en equipo.
E) % Participacin en
juntas.
F) Puntualidad
G) Asignacin de
funciones.
H) Mejora de
conocimiento.
I) % de cumplimiento
de programa.
J) No. de juntas.
Grfica de Radar
A
B
C
D
E
F
G
H
I
J
320 P. Reyes
7.5 Ejemplos
321 P. Reyes
8. Mtodos de muestreo
322 P. Reyes
Muestreo aleatorio estadstico
Lote N
Muestra n
323 P. Reyes
Muestreo de aceptacin
Calificacin de lotes: sin inspeccin, insp. 100% y
muestreo

Ventajas de la aceptacin por muestreo:
Aplicable a pruebas destructivas
Menor costo de inspeccin
Menor tiempo de inspeccin
Menor manejo de producto
Presin al proveedor para mejorar su calidad

Desventajas de la aceptacin por muestreo
Riesgo de aceptar lotes malos o rechazar buenos
Poca informacin sobre el producto o proceso
Requiere planeacin

324 P. Reyes
Tipos de muestreo de aceptacin
Muestreo por atributos
Muestreo simple
Muestreo doble
Muestreo mltiple

Muestreo por variables
Calificacin por variables (un plan por cada
caracterstica)
Plan en base a la posicin de la media

325 P. Reyes
Formacin de lotes y muestreo
Los lotes deben ser homogneos es decir haberse
producido bajo las mismas condiciones de
manufactura

Es mejor inspeccionar lotes grandes que pequeos

Los lotes deben ser fciles de manejar tanto con el
cliente como con el proveedor

Las muestras se deben seleccionar en forma
aleatoria y deben ser representativas de todo el
lote


326 P. Reyes
Muestreo por atributos
327 P. Reyes
Muestreo simple por atributos
Se define por su tamao de muestra n y el nmero de
aceptacin c mxima de partes defectivas (N tamao de
lote)

Pa es la probabilidad de aceptar un lote con fraccin
defectiva p con base en el plan de inspeccin n-c

Pa es la probabilidad acumulada de Poisson (Excel)
0.05 0.1 0.15 0.2 0.25 0.3 p Prov.
Pa
1
0.8
0.5
0.3
0.1
Curva caracterstica de
Operacin dado una
Tamao de muestra n
y un criterio de aceptacin c
328 P. Reyes
Muestreo simple por atributos
0
. .
. .
. . . .
. . . .
!
( ) (1 )
!( )!
c
d n d
d
n tamao de muestra
c criterio de aceptacion
d defectivos encontrados enla muestra
p fraccion defectiva en el lote
n
Pa P d c p p
d n d

=
=
=
=
=
= s =

Calcular la probabilidad de aceptar un


Lote defectivo con p=0.01, n=89, c=2
329 P. Reyes
Muestreo simple por atributos
Variar la p de 0.005, 0.01 0.09 y
Obtener la curva OC Tipo B, N grande.
Se usa la distr. Binomial o de Poisson

a) Determinar la Pa con n=89 y
c = 0, 1 y 2
b) Observar que pasa si se varia n
para n=50, 100, 200 para c=2

330 P. Reyes
Muestreo simple por atributos
Variar la p de 0.005, 0.01 0.09 y
Obtener la curva OC Tipo A, N <= 10n.
Se usa la distribucin Hipergeomtrica

a) Determinar la Pa con n=50, N = 500
c = 0, 1 y 2
b) Observar que pasa si se anteponen
A las curvas OC tipo B
331 P. Reyes
Diseo de un plan de muestreo
con una curva OC especfica
Si se quiere un plan en el cual p1 = 0.01 y alfa = 0.05,
p2=0.06 y beta = 0.1 se procede como sigue:

Se localiza en el nomograma la interseccin de las lneas
que conectan (p1=0.02, 1-alfa=0.99) y (p2=0.06,
beta=0.1)

Se localiza la interseccin y se determinan n y c del
mismo nomograma


Encontrar el plan de muestreo para
p1 = 0.02, alfa =0.01, p2 =0.06 y
Beta=0.1
332 P. Reyes
Inspeccin rectificadora
Entrada de 100
lotes de cierto
proveedor con
N=10,000 y
p = 0.02
n =200
c = 1
P=0.02
Pa
91 lotes son
rechazados y
seleccionados
por el
proveedor, deja
910,000 piezas
OK
9 lotes son
aceptados a pesar
de tener un 2%
defectivo:
Es decir ingresan
88,820 piezas OK
Y 1800 piezas KO

Total de piezas OK
998,820
Piezas defectivas
1,800
0.18% AOQ
AOQ
Alm.
333 P. Reyes
Muestreo simple por atributos
Conforme se disminuye c o se aumenta n la probabilidad
de aceptar lotes defectivos se reduce Pa

AOQ es la calidad de salida promedio despus de aplicar
un plan de muestreo a los lotes del proveedor, donde
algunos lotes se aceptan y otros se rechazan para
seleccin 100%
0.05 0.1 0.15 0.2 0.25 0.3 p Prov.
AOQ = p*Pa
0.3
0.25
0.20
0.15
0.1
AOQL
Planta
Almacn
Fraccin
defectiva
que ingresa
al almacn
o planta
despus de
aplicar el
plan de
muestreo
Fraccin
defectiva
que enva el
proveedor
334 P. Reyes
Inspeccin rectificadora
Variar la p de 0.005, 0.01 0.09 y
Obtener la curva AOQ para N grande
Se usa la distr. Binomial o de Poisson

a) Determinar la AOQ= p*Pa con
n=89 y c = 0, 1 y 2
b) Observar que pasa si se varia n
para n=50, 100, 200 para c=2

335 P. Reyes
Inspeccin rectificadora
Variar la p de 0.005, 0.01 0.09 y
Obtener la curva ATI para N grande
Se usa la distr. Binomial o de Poisson

a) ATI=n + (1-Pa)(N-n) con
n=89 y c = 2
b) Observar que pasa si se varia n
para N=1000, 5000 y 10000 con
n = 89, c=2
336 P. Reyes
Inspeccin rectificadora
ATI
p
N=10,000
N=5,000
N=1,000
10,000
337 P. Reyes
Planes de muestreo doble
Bajo ciertas circunstancias es necesario tomar una
segunda muestra para tomar una decisin.
Muestras n1 y n2 con criterios de aceptacin c1 y
c2
Inspeccionar 1a.
Muestra con n1=50
d1 = # de defectivos
Inspeccionar 2a.
Muestra con n2=50
d2 = # de defectivos
Si
d1<=c1=1
Aceptar lote
Si
d1 > c2 = 3
Rechazar lote
Si d1 + d2
<= c2 =3
Aceptar lote
Si d1+d2 > c2
Con c2 = 3
Rechazar lote
1< d1 <= 3
338 P. Reyes
Curva OC Muestreo doble
Pa
p
Probabilidad de rechazo
con Primera muestra
Probabilidad de
Aceptacin con
Primera muestra
Probabilidad de
Aceptacin con
Muestras combinadas
339 P. Reyes
Curva OC Muestreo doble
{ } { } { }
{ } { } { }
1
1 50 1
1 0
0.279 0.010 0.289
50!
(0.05) (1 0.05) 0.279
1!(50 1)!
(1) (2) 0.009 0.001 0.01
(1) 1 2, 2 1 1 2 * 2 1 0.009
(2) 1 3, 2 0 1 3 * 2 0 0.001
I II
a a
I d d
a
d
II II II
a a a
II
a
II
a
Pa P P
P
d d
P P P
P P d d P d P d
P P d d P d P d

=
= + = + =
= =

= + = + =
= = s = = s =
= = = = = = =

Probabilidad de aceptacin en el muestreo doble


340 P. Reyes
Curva OC Muestreo doble
{ } { } { }
{ } { } { }
{ }
2
1 50 1
1 0
Pr
50!
1 (0.05) (1 0.05)
1!(50 1)!
(1) (2)
(1) 1 2, 2 1 1 2 * 1 2 1
(2) 1 3, 2 1 1 3 * 1 2 0
I II
r r
I d d
r
d
II II II
r r r
II
r
II
r
P P
P
d d
P P P
P P d d P d P d
P P d d P d P P d

=
= +
=

= +
( = = > = = s

= = > = = =

Probabilidad de rechazo
341 P. Reyes
Curva ASN Average Sample Number
{ }
{ }
1 1 ( 1 2)(1 1)
1 . . . .
. . . .
1 ( 1 1) ( 1 3)
( 1 3) 1 ( 1 3)
ASN n P n n P
P P lote aceptado en primera muestra
P lote rechazado en primera muestra
P P d P d
P d P d
= + +
= +
= s + >
> = s
ASN bajo inspeccin completa
342 P. Reyes
Curva ASN Average Sample Number
|
|
2
1 1
1 ( 1, ) 2 ( 2, 2
2 1
( 2 1, 2 2)
( 1, ) . . . . . . 1
( 2, 2 ) . . var . 2 . . . . . . 2
( 2 1, 2 2) . .
c
L
j c
M
L
M
ASN n P n j n P n c j
c j
P n c j
p
P n j probabilidad de j defectivos en muestra n
P n c j prob de obser c j o menos defectivos en muestra n
P n c j prob de o
= +
= + +
+
+ + +
=
=
+ + =

var . 2 2. . . . 2 1 bser c j defectivos en muestra n + +


ASN bajo inspeccin recortada en 2a. Muestra al tener d >c2
343 P. Reyes
Curvas de ASN para diferentes planes de
muestreo: simple, doble y doble recortado
60
90
120
ASN
p
0.02 0.04 0.06 0.08 0.10 0.12
Inspeccin
simple
Inspeccin doble
completa
Inspeccin
recortada
Plan: n1=60, n2=120, c1=2, c2=3
344 P. Reyes
Diseo de planes de muestreo dobles
Se utilizan tablas especiales para disear los planes
de muestreo doble en funcin de (p1, 1-alfa) y (p2,
beta)
345 P. Reyes
Curva AOQ y ATI Muestreo doble
( 1) ( 1 2) *
1* ( 1 2) * (1 )
I II
a a
I II
a a
P N n P N n n p
AOQ
N
ATI n P n n P N Pa
(
+

=
= + + +
Ecuaciones para AOQ y ATI:
346 P. Reyes
Muestreo mltiple
Es una extensin del muestreo doble, por ejemplo:

Muestra Aceptar Rechazar
20 0 3
40 1 4
60 3 5
80 5 7
100 8 9

Su ventaja es que las muestras requeridas en cada
etapa son ms pequeas que las requeridas en
muestreo simple o doble y se tiene menor costo pero es
ms complejo
347 P. Reyes
Muestreo secuencial
348 P. Reyes
Muestreo secuencial
Se toma una secuencia de muestras de un lote n
dependiendo de los resultados de la inspeccin

Para cada punto la X es el nmero de puntos
seleccionados hasta cierto tiempo y la ordenada el
nmero de defectivos hallados


7
6
5
4
3
2
1
0
-1
-2
No.de
Defectivos
10 20 30 40
Rechazar
Aceptar
Continuar
Xa
Xb
-h1
h2
349 P. Reyes
Muestreo secuencial
sn h X
ACEPTACION
+ =
1
sn h X
RECHAZO
+ =
2

k h
|
|
.
|

\
|
=
|
o 1
log
1
k h
|
.
|

\
|

=
o
| 1
log
2
) 1 (
) 1 (
log
2 1
1 2
p p
p p
k

=
k
p
p
s
|
|
.
|

\
|

=
2
1
1
1
log
Curva OC
p1 s p2
1-Alfa
Beta
Calcular ecuaciones
para:
p1 = 0.01, Alfa = 0.05
p2 = 0.06, Beta = 0.10
h2/(h1+h2)
350 P. Reyes
Resultados del muestreo
secuencial
n Xa Xr Xa Xr
1 -1.192 1.598 -1 2
2 -1.164 1.626 -1 2
3 -1.136 1.654 -1 2
4 -1.108 1.682 -1 2
5 -1.08 1.71 -1 2
6 -1.052 1.738 -1 2
7 -1.024 1.766 -1 2
8 -0.996 1.794 -1 2
9 -0.968 1.822 -1 2
10 -0.94 1.85 -1 2
11 -0.912 1.878 -1 2
12 -0.884 1.906 -1 2
13 -0.856 1.934 -1 2
14 -0.828 1.962 -1 2
15 -0.8 1.99 -1 2
16 -0.772 2.018 -1 3
17 -0.744 2.046 -1 3
18 -0.716 2.074 -1 3
19 -0.688 2.102 -1 3
20 -0.66 2.13 -1 3
21 -0.632 2.158 -1 3
22 -0.604 2.186 -1 3
23 -0.576 2.214 -1 3

n Xa Xr Xa Xr
24 -0.548 2.242 -1 3
25 -0.52 2.27 -1 3
26 -0.492 2.298 -1 3
27 -0.464 2.326 -1 3
28 -0.436 2.354 -1 3
29 -0.408 2.382 -1 3
30 -0.38 2.41 -1 3
31 -0.352 2.438 -1 3
32 -0.324 2.466 -1 3
33 -0.296 2.494 -1 3
34 -0.268 2.522 -1 3
35 -0.24 2.55 -1 3
36 -0.212 2.578 -1 3
37 -0.184 2.606 -1 3
38 -0.156 2.634 -1 3
39 -0.128 2.662 -1 3
40 -0.1 2.69 -1 3
41 -0.072 2.718 -1 3
42 -0.044 2.746 -1 3
43 -0.016 2.774 -1 3
44 0.012 2.802 0 3
45 0.04 2.83 0 3
46 0.068 2.858 0 3
351 P. Reyes
Frmulas muestreo secuencial
C
B
P
C
A
P ASN
a a
) 1 ( +
|
.
|

\
|
=
o
|

=
1
log A
o
|
=
1
log B
|
|
.
|

\
|

+
|
|
.
|

\
|
=
1
2
1
2
1
1
log ) 1 ( log
p
p
p
p
p
p C
Nmero promedio de muestras inspeccionadas
Nivel de calidad promedio de salida AOQ = p*Pa
y ATI
N P
C
A
P ATI
a a )
1 ( +
|
.
|

\
|
=
Nmero de muestras que
inspecciona el cliente
unicamente
Nmero de muestras que
inspecciona cliente y el
proovedor
352 P. Reyes
Uso de tablas de muestreo
MIL-STD-105E
ANSI Z1.4, ISO 2859
353 P. Reyes
Tablas de muestreo MIL-STD
105E o ANSI Z1.4
Requiere informacin de:
Tamao del lote N

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

Magnitud del AQL (fraccin defectiva aceptable en
lotes)
Es la fraccin defectiva que se negoca entre
cliente y proveedor como aceptable en aprox.
Del 91 al 99% de las veces (1 alfa).

Alfa es el riesgo del proveedor y beta el del
consumidor
354 P. Reyes
Tablas de muestreo MIL-STD
105E o ANSI Z1.4
Contempla tres tipos de muestreo:
Simple

Doble

Mltiple

En cada uno de los tipos se prevn los planes de inspeccin:
Inspeccin normal

Inspeccin reducida

Inspeccin estricta
355 P. Reyes
Tablas de muestreo MIL-STD
105E o ANSI Z1.4
Iniciando con Inspeccin normal, proporciona informacin
de:
Tamao de muestra n
Criterio de aceptacin Aceptar con
Criterio de rechazo Rechazar con

Contempla cambiar de Insp. Normal a Estricta si:
Se rechazan 2 de 5 lotes consectivos
Regresa a la Normal si se aceptan 5 lotes consecutivos

Contempla cambiar a Insp. Reducida si:
Se han aceptado 10 lotes consecutivos
Regresa a Normal si se rechaza un lote
356 P. Reyes
Tablas de muestreo MIL-STD
105E o ANSI Z1.4
Ejemplo: Si N = 2,000 y AQL = 0.65%, Nivel de
inspeccin II

La tabla I indica letra cdigo K

La tabla II-A para inspeccin normal indica el plan
de muestreo n = 125, Aceptar = 2, Rechazar = 3

La tabla IIB para inspeccin estricta indica el plan
de muestreo n = 125, Aceptar = 1, Rechazar = 2

La tabla IIC para inspeccin reducida indica el plan
de muestreo n = 50, Aceptar = 1, Rechazar = 3

357 P. Reyes
Tablas de muestreo MIL-STD
105E o ANSI Z1.4
Buscar los planes equivalentes en curva CO para
muestreo doble y mltiple


Las tablas solo incluyen algunos valores de n que se
incrementan conforme al lote es mayor, sin embargo la
razn de N/n disminuye rpidamente dando economa de
inspeccin


Las flechas ascendentes y descendentes indican cambio
de letra y plan (n-c) dentro del mismo plan de inspeccin
Ejercicios
358 P. Reyes
Planes de muestreo Dodge - Romig
Planes para proteccin en LTPD (lot tolerant percent
defective), o fraccin defectiva que se desea rechazar el
90% de las veces (Pa = 0.1) para componentes
crticos

Es necesario conocer el LTPD y la fraccin defectiva
promedio del proceso p y el tamao de lote N

La p puede obtenerse de una carta p histrica con 25
lotes promediando los valores pi de las muestras
tomadas

Ejemplo: Si N = 5000, p = 0.25% de no conformes y
LTPD de 1%. Se obtiene de la tabla de LTPD
n = 770 y c = 4

359 P. Reyes
Planes de muestreo Dodge - Romig
Planes para proteccin en AOQL (average outgoing quality
limit) o mxima fraccin defectiva que se desea ingresar a la
empresa despus de aplicar un plan de muestreo

Asumiendo N = 5000, AOQL = 3% y fraccin defectiva del
proveedor en sus lotes del 1%, se obtiene de la tabla:

n = 65 c = 3 LTPD = 10.3% (punto donde Pa=0.1)

Asumiendo que al 1% de fraccin defectiva, se acepta el 99%
de las veces (AQL), entonces el ATI es:

ATI = n + (1-Pa)(N-n) = 65+(0.01)(5000-65) = 114.35
360 P. Reyes
Muestreo por variables
361 P. Reyes
Muestreo por variables
El parmetro de inters debe seguir una distribucin
normal

Una ventaja es que el tamao de muestra es ms
pequeo que en su equivalente por atributos

Una desventaja es que se requiere un plan por cada
caracterstica, el de atributos considera varias a la
vez

Para disear planes de muestreo por variables se
utiliza un Nomograma como en el caso de atributos



362 P. Reyes
Muestreo simple por variables
Mtodo I Distancia k de X a Lim. Esp.
Se define por su tamao de muestra n y el nmero de aceptacin
k distancia mnima de la media de la muestra al lmite de
especificacin LIE o LSE.

Se toma una muestra y se evala la caracterstica obteniendo un
valor de MEDIA y de DESVIACIN ESTANDAR, con estos datos se
determina Z y se compara con el valor mnimo de K. El lote se
acepta si |Z| >= k es lo minimo que puede valer Z, porque en el
momento mas pequeo es mas se acerca al limite de aceptacin

1.05 1.1 1.15 1.2 1.25 1.3 Dimensin X
Posicin de la media en
Relacin con el lmite de
Especificacin inferior LIE
LIE
Z
Z = (LIE-Xm)/s
Conforme se
Recorre a la derecha
la fraccin defectiva
disminuye
363 P. Reyes
Muestreo simple por variables
Mtodo I Distancia k de X a Lim. Esp.

Pa es la probabilidad de aceptar un lote con fraccin
defectiva p con base en el plan de inspeccin n-k


0.05 0.1 0.15 0.2 0.25 0.3 p Prov.
Pa
1
0.8
0.5
0.3
0.1
Curva caracterstica de
Operacin dado una
Tamao de muestra n
y un criterio de aceptacin k
364 P. Reyes
Determinacin de la fraccin
defectiva en la muestra por el Mtodo II
LIE
Qi
Qs
LSE
P(Qi) P(Qs)
Pasos:
1.Se toma una muestra de tamao n
2. Se mide la caracterstica de inters
3. Se calcula la Media y la desv. Estandar de la muestra
4. Se determina el valor de Qi y Qs en funcin de especs. LIE, LSE
4. Se determina el valor de P(Qt) = P(Qi) + P(Qs) bajo la normal
X
s
Aceptar el lote
Si P(Qtot) <= M
365 P. Reyes
Frmulas
) 1 /(

= n n
LIE X
Q
LIE
o
) 1 /(

= n n
X LSE
Q
LSE
o
( 1)
n
Q Z
n
=

Buscar en tabla P(Q) para una n


366 P. Reyes
Muestreo simple por variables
Mtodo II de M = fracc. Def. mx.
Se define por su tamao de muestra n y el nmero
de aceptacin M mxima fraccin defectiva
aceptable en la muestra

Pa es la probabilidad de aceptar un lote con
fraccin defectiva p con base en el plan de
inspeccin n-M

0.05 0.1 0.15 0.2 0.25 0.3 p Prov.
Pa
1
0.8
0.5
0.3
0.1
Curva caracterstica de
Operacin dado una
Tamao de muestra n
y un criterio de aceptacin M
367 P. Reyes
Tablas de muestreo ASQC-Z1.9
Requiere informacin de (por cada caracterstica variable):
Tamao del lote
Nivel de inspeccin (especial o normal Default II)
Magnitud del AQL (fraccin defectiva aceptable en lotes)

Contempla dos tipos de muestreo:
Mtodo I utilizando el valor de K
Mtodo II utilizando el valor de M

En cada uno de los tipos se prevn los planes de inspeccin:
Inspeccin normal
Inspeccin reducida
Inspeccin estricta
368 P. Reyes
Tablas de muestreo ASQC-Z1.9
Iniciando con Inspeccin normal, proporciona informacin
de:
Tamao de muestra n
Criterio de aceptacin K (mx) o M (mn)

Contempla cambiar de Insp. Normal a Estricta si:
Se rechazan 2 de 5 lotes consectivos
Regresa a la Normal si se aceptan 5 lotes consecutivos

Contempla cambiar a Insp. Reducida si:
Se han aceptado 10 lotes consecutivos
Regresa a Normal si se rechaza un lote
369 P. Reyes
Tablas de muestreo ANSI Z1.9
Ejemplo: Si N = 2,000 y AQL = 0.65%, Nivel de inspeccin
II

La tabla I indica letra cdigo K

La tabla II-A para inspeccin normal indica el plan de
muestreo n = 125, Aceptar = 2, Rechazar = 3

La tabla IIB para inspeccin estricta indica el plan de
muestreo n = 125, Aceptar = 1, Rechazar = 2

La tabla IIC para inspeccin reducida indica el plan de
muestreo n = 50, Aceptar = 1, Rechazar = 3

370 P. Reyes
Tablas de muestreo ASQC-Z1.9
Mtodo I con el valor de K
Ejemplo: Si N = 40 y AQL = 1%, Nivel de inspeccin II teniendo
un Lmite Superior de especificaciones LSE = 209

La tabla A-2 indica letra cdigo D

La tabla B-1 para inspeccin normal indica el plan de
muestreo n = 5, Criterio de aceptacin K = 1.52

Se toma una muestra de 5 mediciones (197, 188, 184, 205
y 201)

Calculando la media de la muestra es X = 195 y la desv.
Estndar s = 8.81, por tanto Z = 1.59

Conclusin: Como Z es mayor que K, se acepta el lote
371 P. Reyes
Tablas de muestreo ASQC-Z1.9
Mtodo II con el valor de M
Ejemplo: Si N = 40 y AQL = 1%, Nivel de inspeccin II teniendo
Lmite Superior de Especificaciones LIE = 180, LSE = 209
La tabla A-2 indica letra cdigo D

La tabla B-3 para inspeccin normal indica el plan de muestreo
n = 5, Criterio de aceptacin M = 3.33%

Se toma una muestra de 5 mediciones (197, 188, 184, 205 y
201)

Calculando la media de la muestra es X = 195 y la desv.
Estandar s = 8.81, por tanto s = 1.59, Zi = 1.7

P(Zi) = 0.66%, P(Zs) = 2.19%, P(Zt) = 2.85%
Conclusin: Como P(Zt) es menor que M, se acepta el lote
372 P. Reyes
Plan de muestreo para
asegurar la media del lote
Si deseamos aceptar lotes con una probabilidad Pa
siempre que tengan una media mxima Xmedia
histrica y que deseamos rechazar los lotes el 90%
de las veces si llegan con una fraccin defectiva p
0.30 0.30
1.645 (95%)
0.10
0.40
1.282 (10%)
0.10
9
0.356
A A
A
A
X X
n n
X
n
n
X
o

= = +

=
=
=

S-ar putea să vă placă și