Sunteți pe pagina 1din 372

CONTROL ESTADÍSTICO

DEL PROCESO

Dr. Primitivo Reyes A.

P. Reyes 1
CONTROL ESTADÍSTICO DEL PROCESO
(CEP)
OBJETIVOS: Al finalizar el curso, el participante será
capaz de:

1. Comprender los conceptos estadísticos 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 medición, identificando acciones de
mejora.

3. Realizar proyectos de mejoramiento de la


calidad.
P. Reyes 2
CONTENIDO
1. Importancia de la mejora continua
2. Métodos y filosofía del CEP

3. Cartas de control por variables


4. Cartas de control por atributos

5. Cartas de control especiales


6. Análisis de la capacidad del proceso

7. Métodos para el proceso de mejora


continua

8. Métodos de muestreo por atributos


9. Métodos de muestreo por variables
P. Reyes 3
1. Importancia de
la mejora continua

P. Reyes 4
1. Importancia de la mejora continua

• DIMENSIONES DE LA CALIDAD
– Desempeño
– Confiabilidad
– Durabilidad
– Serviciabilidad
– Estética
– Características
– Imagen del producto
– Conformancia
– Tiempo de entrega
– Precio
– Servicio al cliente

P. Reyes 5
1. Importancia de la mejora continua

CALIDAD Y MEJORAMIENTO

• La calidad es adecuación al uso e


inversamente proporcional a la variabilidad.

• La mejora de la calidad se logra a través de la


reducción de la variabilidad por medio del CEP

TIPOS DE DATOS
Atributos: No medibles, apariencia, defectivos

Variables: Medibles, temp., voltaje


P. Reyes 6
1. Importancia de la mejora
continua
• PRODUCTO DEFECTIVO: No cumple una o
varias especificaciones

• DEFECTO: Carácterística específica de un


producto que no cumple especificaciones

• CARACTERISTICAS DEL PRODUCTO


– Físicas: Longitud, peso
– Sensoriales: apariencia
– Relacionadas con el uso: confiabilidad,
duración, servicio, disponibilidad

P. Reyes 7
1... Antecedentes históricos

• ADAM SMITH (División del trabajo): 1 persona = 200


alfileres, 10 pers. = 48,000 alfileres

• FEDERICK W. TAYLOR: Administración Científica, ciencia


para cada elemento del trabajo, selección del trabajador,
capacitar, apego a proc., división adm. obreros

• FRANK / LILLIAN GILBERTH: Afinan los movimientos,


resaltan la necesidad de interes por los trabajadores

• FORDISMO: Líneas de porducción masiva, los trabajadores


deben ser consumidores

P. Reyes 8
1... CEP en Occidente – Western
Electric
• 1924: WALTER SHEWHART realizó experimentos
en base al Teorema del Límite Central y desarrolló
las Cartas de Control del CEP

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


desarrollaron las técnicas de Muestreo Estadístico

• Durante la 2a. Guerra Mundial se expande el uso


del CEP en la industria de manufactura

• La aplicación de las técnicas estadísticas ha


evolucionado a lo que hoy se conoce como Seis
Sigma, aplicada por Motorola, GE, Sony, etc.

P. Reyes 9
1... CEP en Japón

• 1950’s: EDWARD DEMING / JOSEPH JURAN:


Entrenaron a líderes industriales en técnicas del
CEP

• 1950’s: KAOURU ISHIKAWA: Es un seguidor de


Deming y desarrolla el Diagrama de Ishikawa, los
Círculos de calidad e impulsa el control de
calidad total CWQC.

• Los japoneses implantaron el CEP y lograron


productos de alta calidad, Occidente retoma los
métodos de CEP hasta después de los 1980’s.

• En México el programa Ford ITESM de los 1990’s


impulsó al CEP con poco éxito, hoy se retoma
con el ISO 9000:2000
P. Reyes 10
1... Antecedentes históricos

• Control de calidad por inspección: Con la división


del trabajo, aparecen los inspectores, inspección
100%

• Control estadístico del proceso: Shewhart, Deming,


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

• Aseguramiento de calidad (ISO 9000): Sistemas


aislados EUA (40’s), Europa, etc.

P. Reyes 11
4...Métodos de calidad para
Manufactura Delgada
• Control estadístico del proceso: Previene que ocurran
problemas potenciales

• Métodos de inspección sucesiva: Detectan los


resultados de la operación previa

• Métodos de auto inspección: Detecta los resultados de


la operación actual

• A prueba de error (Poka Yokes): Hacer que sea difícil,


realizar la tarea incorrectamente

Evitar: AQLs, concesiones, desviaciones, inspecciones al


final y en recibo

P. Reyes 12
1... Inspecciones de calidad

Separa “buenos” Ni asegura


Inspección 100% de “malos” Ni mejora

Auditoría Proc. Investigación Convive con los


de Causas defectos

Control Estadístico Ayuda a estabilizar Mejora pero


del Proceso CEP el proceso no evita los def.

En la Fuente EVITA EL ERROR IMPIDE DEFECTOS

P. Reyes 13
1... Métodos estadísticos para la
mejora
• LAS CARTAS DE CONTROL
– Técnica util para el monitoreo de procesos
– Permiten identificar situaciones anormales (causas
especiales originadas por cambios en las 5M’s)
– Sirven para prevenir la producción de defectivos

15 Carta X
LCS
LSC
10
MEDIA
Promedio
LIC
LCI
5
Perfil
0

P. Reyes 14
1... Métodos estadísticos para la
mejora
• DISEÑO DE EXPERIMENTOS
– Técnica util para identificar las variables clave que
afectan a la variabilidad de productos p procesos
– Permite variar en forma sistemática los factores y
analizar su efecto

Variables de Característica
Entrada/Factores de calidad

Proceso

P. Reyes 15
1... Métodos estadísticos para la
mejora
• MUESTREO DE ACEPTACIÓN
– Técnica que permite calificar lotes de productos como
conformes o no conformes, por medio de una muestra
representativa sin inspeccionar al 100%

MUESTRA ¿OK?

LOTE
P. Reyes 16
1... Administración 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 (Diseños robustos)

P. Reyes 17
1..El Sistema de Calidad
El Sistema de Calidad se debe Establecer,
Documentar e Implantar en forma Efectiva:
QS 9000 ISO 9000:2000

Política
1. Manual
Documentos de Calidad
controlados Implantación de
2. Procedimientos la política
El “Cómo” de los
3. Instructivos procedimientos

Formatos Vacios 4. Formatos


Registros y Registros
Formatos Llenos
de calidad

Planes de Calidad
1... Administración por Calidad
Total
MODELOS – Creación de valor a las partes interesadas
• Premio Nacional de Calidad -México
• Premio Malcolm Baldrige – EUA
• Premio Europeo a la calidad – Europa
• Premio Deming - Japón
• Premios Estatales a la calidad - México
• Sistemas de gestión de calidad:
– ISO 9000:2000
– QS 9000
– ISO 16949
– VDA 6.1

P. Reyes 19
1... El CEP y la Administración
por Calidad Total

El CEP debe ser parte de un programa mayor de


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

P. Reyes 20
1... Los costos de calidad
• CROSBY: La calidad se mide con el costo de calidad
• COSTOS DE PREVENCIÓN
– Planeación de calidad (manuales), Entrenamiento
• COSTOS DE APRECIACIÓN
– Inspecciones, pruebas y materiales de prueba
• COSTOS DE FALLA INTERNA
– Desperdicios, retrabajos, reinspecciones
• COSTOS DE FALLA EXTERNA
– Garantías, reclamaciones, demandas legales,
penalizaciones, campañas

• COSTOS DE OPORTUNIDAD
– Pérdidas de ventas por falta de producto de buena
calidad

P. Reyes 21
2. Métodos y filosofía
del control estadístico de
proceso (CEP)

P. Reyes 22
2. Métodos y filosofía del CEP

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

P. Reyes 23
2...La Estadística
“La estadística nos proporciona métodos para organizar
y resumir información, usándola para obtener diversas
conclusiones”

Por ejemplo, sí deseamos saber el promedio de peso de


las personas en una población tenemos dos opciones:

Pesar a todas y cada una de las personas, anotar y


organizar los datos, y calcular la media.

Pesar solo una porción o subconjunto de la población


(muestra). Registrar y organizar los datos y calcular la
media de la muestra, tomándola para pronosticar o
Inferir la media de toda la población.

P. Reyes 24
2..Definiciones
Población: Es la colección de todos los
elementos (piezas, personas, etc.). En nuestro
caso sería un número infinito de mediciones
de las características bajo estudio.

Muestra: Es una parte o subconjunto


representativo de la población, o sea un grupo
de mediciones de las características.

Variable aleatoria: es una función o regla que


asigna uno y sólo un valor de una variable " y"
a cada evento en el espacio muestral. En este
caso representa una medición particular.

P. Reyes 25
2..Definiciones
Estadístico: Es una medición tomada en una muestra
que sirve para hacer inferencias en relación con una
población (media de la muestra, desviación estándar
de la muestra).

Normalmente es una variable aleatoria y tiene


asociada una distribución.

Parámetro: Es el valor verdadero en una población


(media, desviación estándar, se indican con letras
griegas)

Datos continuos Los datos que tienen un valor real


(temperatura, presión, tiempo, diámetro, altura )

Datos discretos: Datos que toman valores enteros (1, 2,26


P. Reyes
2..Histograma
El Histograma es una gráfica de las
frecuencias que presenta los diferentes
valores de medición 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 P. Reyes 27
2...Histograma de Frecuencia
M
E
D
Media I
C
I
O
N
TAMAÑO TAMAÑO TAMAÑO E
S

En un proceso estable las mediciones se distribuyen


normalmente, a la derecha y a la izquierda de la media
Madoptando la forma de una campana.
E
D
I
C
I
O
N
E
S TAMAÑO TAMAÑO
P. Reyes 28
2...Histograma de Frecuencia
•Permite ver la distribución 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 estándar o σ , ± 3σ cubre el 99.73%.

LIE LSE

DEFINICION
• Un Histograma es la organización de un número de
datos muestra que nos permite visualizar al
proceso de manera objetiva.
P. Reyes 29
2..Las distribuciones pueden variar en:

POSICIÓN AMPLITUD FORMA

… O TENER CUALQUIER COMBINACION

P. Reyes 30
2...Medidas de Tendencia central

Media - Promedio numérico o centro de


gravedad del histograma de mediciones
n

∑ Fi*Xi Donde,
X= i=1 i
Fi = Frecuencia de cada medición
∑ Fi xi = Valor de cada medición
individual
- Usa todos los datos
- Le afectan los extremos

Mediana - Es el valor que se encuentra


en medio de los datos o mediciones

Moda - Es el valorP. que más se repite 31


Reyes
2...Gráficas de caja

• Permite identificar la distribución de los datos,


muestra la mediana, bases y extremos.
•Mediana = dato intermedio entre un grupo de datos
ordenados en forma ascendente
Mediana inferior Mediana superior
Mediana

Valor Valor
mínimo máximo

DEFINICION:
• Es una ayuda gráfica para ver la variabilidad
de los datos.
P. Reyes 32
2...Medidas de variabilidad o
Dispersión – Desviación Estándar

S es usada cuando los datos corresponden a una


muestra de la población. Como es el caso de una
muestra de mediciones.

σ típicamente es usada si se está considerando a


toda la población
n n

Σ (Fi*Xi2 )- [Σ (Fi*Xi)]2/n Σ (xi - x)2


s = i=1 σ = i=1

n-1 n

P. Reyes 33
2..Medidas de
Dispersión- Rango, CV
Rango: Valor Mayor – Valor menor

Coeficiente de variación: (Desv. Estándar / Media )*100%,


Se usa para comparar datos en diferentes niveles de media o tipo. Por
ejemplo:

Material No. de Media Desviación Coeficiente


Observaciones Aritmética Estándar de Variación
n s Srel
  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 estándar de la Media: Es la desviación estándar de las medias de


las muestras de mediciones, se representa como la desviación
estándar de la población entre la raíz de n = númeor de mediones por
muestra.

P. Reyes 34
2..Uso de Calculadora científica

● Para calcular los estadísticos de la MEDIA y la DESVIACIÓN


ESTÁNDAR seguir el procedimiento siguiente:

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


2. Limpiar los registros estadísticos 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


desviación estándar con SHIFT y X sn-1

5. Limpiar los registros estadísticos con SHIFT y AC, antes de


iniciar una nueva operación

P. Reyes 35
2...Método Manual

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


frecuencia (las sumas se calculan con la función S ):

Xi Fi X2i Fi*Xi Fi*X2i


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 SX2i SFiXi SFiX2i

• Para calcular el promedio dividir SFiXi / SFi


• Para calcular la desviación estándar sustituir en la fórmula
para S, con n = SFi

P. Reyes 36
2...Cálculos en Excel

● Accesar el menu de análisis de datos con TOOLS o


HERRAMIENTAS, ANÁLISIS DE DATOS, ESTADÍSTICA
DESCRIPTIVA

● o

● Utilizar las funciones de Promedio, y DesvEst para


la media y desviación estándar respectivamente

P. Reyes 37
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

P. Reyes 38
2...Histogramas con Datos agrupados
El Histograma es una gráfica de las frecuencias que
presenta los diferentes datos o valores de mediciones
agrupados en celdas y su frecuencia.

Una tabla de frecuencias lista las categorías 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

P. Reyes 39
2...Definiciones - datos agrupados
Límite inferior y superior de clase
Son los numeros más pequeños y más 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 límites superiores de clase y al
decrementar los inferiores en una cantidad igual a la media de
la diferencia entre un límite superior de clase y el siguiente
límite 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 P. Reyes 40


nstrucción del histograma - datos agrupa
Paso 1. Contar los datos (N)
Paso 2. Calcular el rango de los datos R = (Valor
mayor- valor menor)

Paso 3. Seleccionar el número 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. También se
utiliza el criterio K = Raíz (N)

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


de clase

Paso 5. Identificar el límite inferior de clase más


conveniente y sumarle el ancho de clase para
formar todas las celdas necesarias
P. Reyes 41
Ejemplo: Datos agrupados
Datos:

19 21 25 33 30 27 31 25 35

37 44 43 42 39 43 40 38 37

36 42 41 44 32 45 46 47 45

54 52 50 48 49 47 48 49 47

52 51 50 49 58 59 61 62 63

59 61 66 76 70

P. Reyes 42
2...Construcción del histograma

Paso 1. Número de datos N = 50

Paso 2. Rango R = 76 - 16 = 60

Paso 3. Número de celdas K = 6;

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

Paso 5. Lím. de clase: 15-24, 25- 34, 35- 44, 45- 54, 55
- 64, 65-74, 75-94
Paso 6. Número 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
P. Reyes
y observar si tiene 43
2...Construcción del histograma

18
16
14
12
10
8
6
4
2
0
15-24 25-34 35-44 45-54 55-64 65-75
P. Reyes 44
2...Cálculo de la media - datos agrupados

Media - Promedio numérico o centro de


gravedad del histograma
n

∑ Fi*Xi Donde,
x= i=1 i
Fi = Frecuencia de cada observación
∑ Fi xi = Valor de cada marca de clase

- Usa todos los datos


- Le afectan los extremos

Mediana - Es el valor que se encuentra


en medio de los datos

Moda - Es el valor que más se repite


P. Reyes 45
2...Desviación Estándar - Datos
agrupados
S es usada cuando los datos corresponden a una muestra
de la población

Nota: Cada Xi representa la marca de clase


n n
Σ (Fi*X
σs típicamente )-usada
2
es [Σ (Fi*Xi)]
si se está
2
Σi=1(xi - x)
/n considerando 2
a toda la
= i=1 i
σ =
población n-1 n

OTA: Para lo cálculos con Excel, se puede utilizar el mismo método


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

P. Reyes 46
2...Histograma en Excel
● Después 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

P. Reyes 47
2...Histograma en Excel
● Accesar el menu de análisis 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 área de resultados
con OUTPUT RANGE o RANGO DE SALIDA y obtener
resultados y gráfica

NOTA: Los datos deben estar en forma no agrupada,


Excel forma los grupos en forma automática o se le
pueden proporcionar los límites de las celdas.

P. Reyes 48
2...Histograma en Excel

H is to g r a m

20
Frequency

10 F
0
15
25
35
45
55
65
75
.
P. Reyes 49
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

P. Reyes 50
2...La Distribución
Normal

P. Reyes 51
2...La distribución Normal
La distribución normal es una distribución de
probabilidad que tiene media 0 y desviación
estándar de 1.

El área bajo la curva o la probabilidad desde menos


infinito a más infinito vale 1.

La distribución normal es simétrica, es decir cada


mitad de curva tiene un área de 0.5.

La escala horizontal de la curva se mide en


desviaciones estándar, su número se describe con
Z.

Para cada valor Z se asigna una probablidad o área


P. Reyes 52
2...La distribución Normal

Para la población - se incluyen TODOS los datos

Para la muestra

X
µ −3σ µ −2σ µ −σ µ µ +σ µ +2σ µ +3σ

x-3s x-2s x-s x x+s x+2s x+3s

P. Reyes 53
2...La distribución Normal Estándar
La desviación estándar
sigma representa la
distancia de la media al
punto de inflexión de la
curva normal

X
x-3σ x-2σ x-σ x x+σ x+2σ x+σ 3

z
-3 -2 -1 0 1 2 3

P. Reyes 54
2...Características de la distribución norm

68%
34% 34%

+1s

95%
+2s

99.73%
+3s
P. Reyes 55
2...El valor de z
Determina el número de desviaciones estándar
entre algún valor x y la media de la población,
µ . Donde σ es la desviación estándar de la
población.

En Excel usar Fx, STATISTICAL, STANDARDIZE,


para calcular el valor de Z

z= x-µ
σ
P. Reyes 56
2...Proceso con media =100
y desviación estándar = 10

70 80 90 100 110
120 130

68%
34% 34%
90 110

13.5%
68%
13.5%
34% 34%
95%
80 120

2.356%
13.5%
68%
13.5%
2.356%
34% 34%
99.73%
70 130
P. Reyes 57
LIE LSE
Especificación Especificación
inferior superior

s _
xi
X

p
porcentaje de partes fuera de Especificaciones
P. Reyes 58
2...Áreas bajo la
curva normal

P. Reyes 59
2...Áreas bajo la curva normal
● El tiempo de vida de las baterías del conejito tiene una
distribución aproximada a la normal con una media de
85.36 horas y una desviación estándar de 3.77 horas.

● ¿Qué porcentaje de las baterías se espera que duren


80 horas o menos?

● ¿Cuál es la probabilidad de que una batería dure entre


86.0 y 87.0 horas?

● ¿Cuál es la probabilidad de que una batería dure más


de 87 horas?

P. Reyes 60
2...Cálculos con Excel
● Distribución normal estándar con media = 0 y desviación
estándar = 1: Para Z = (X - Xmedia ) / s
1. El área desde menos infinito a un valor de Z se obtiene como
sigue:
- Colocarse en una celda vacía
- Accesar el menú de funciones con Fx, STATISTICAL o
ESTADÍSTICAS, NORMSDIST o DISTSNORM, dar el valor de Z y
se obtendrá el área requerida Z

Area

2. Un valor de Z específico para una cierta área (por ejemplo


0.05) se obtiene como sigue:
- Colocarse en una celda vacía
- Accesar el menú de funciones con Fx, STATISTICAL o
ESTADÍSTICAS, NORMSINV o DISTSNORMINV, dar el valor del
área y se obtendrá el valor de la Z

P. Reyes 61
2...Cálculos con Excel
● Distribución normal, dadas una media y desviación estándar:
1. El área desde menos infinito a un valor de X se obtiene como sigue:
- Colocarse en una celda vacía
- Accesar el menú de funciones con Fx, STATISTICAL o ESTADÍSTICAS,
NORMDIST o DISTNORM, dar el valor de X, Media, Desviación Estándar
s, TRUE o VERDADERO y se obtendrá el área requerida
X
Area

2. Un valor de X específico para una cierta área (por ejemplo 0.05) se


obtiene como sigue:
- Colocarse en una celda vacía
- Accesar el menú de funciones con Fx, STATISTICAL o ESTADÍSTICAS,
NORMINV o DISTNORMINV, dar el valor del área, Media y Desviación
Estándar y se obtendrá el valor de la X

P. Reyes 62
2...Área bajo la curva normal

¿Que porcentaje de las baterías se espera que


duren 80 horas o menos?
z = (x-m) /s
z = (80-85.36)/(3.77)= - 5.36/ 3.77 = -1.42
80 85.36

-1.42 0

P. Reyes 63
2...Área bajo la curva normal

¿Cuál es la probabilidad de que una batería


dure entre 86.0 y 87.0 horas?

85.36 86 87

0 1

P. Reyes 64
2...Área bajo la curva normal

¿Cuál es la probabilidad de que una batería dure más


de 87 horas?
85.36 87

1.67 = .33 ó 33% de las veces una batería


durará más de 87 horas

P. Reyes 65
2...Ejercicios
Considere
Considere una
una media
media dede peso
peso de
de estudiantes
estudiantes de
de 75
75
Kgs.
Kgs. con
con una
una desviación
desviación estándar
estándar de
de 10Kgs.
10Kgs.
Contestar
Contestar lo
lo siguiente:
siguiente:
1.
1. ¿Cuál
¿Cuál es
es la
la probabilidad
probabilidad de
de que
que un
un estudiante
estudiante pese
pese
más
más de
de 85Kgs.?
85Kgs.?

2.
2. ¿Cuál
¿Cuál es
es la
la probabilidad
probabilidad de
de que
que un
un estudiante
estudiante pese
pese
menos
menos dede 50Kgs.?
50Kgs.?
3.
3. ¿Cuál
¿Cuál es
es la
la probabilidad
probabilidad de
de que
que pese
pese entre
entre 60
60 yy 80
80
Kgs.?.
Kgs.?.

4.
4. ¿Cuál
¿Cuál es
es la
la probabilidad
probabilidad de de que
que pese
pese entre
entre 55
55 yy 70
70
Kgs.?
Kgs.? P. Reyes 66
2... Las 7 herramientas
estadísticas
• Hoja de verificación – para anotar frecuencia de
ocurrencias de los eventos (con signos |, X, *,
etc.)

• Histogramas – para ver la distribución 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
P. Reyes 67
2... Las 7 herramientas
estadísticas
• Diagrama de Causa efecto – para identificar las
posibles causas a través de una lluvia de ideas,
la cual se debe hacer sin juicio previos y
respetando las opiniones.

• Diagrama de Dispersión – para analizar la


correlación entre dos variables, se puede
encontrar:
– Correlación positiva o negativa
– Correlación fuerte o débil
– Sin correlación.

P. Reyes 68
2... Las 7 herramientas
estadísticas
• Diagrama de flujo – para identificar los
procesos, las características críticas en cada
uno, la forma de evaluación, los equipos a usar,
los registros y plan de reacción, se tienen:
– Diagramas de flujo de proceso detallados
– Diagramas físicos de proceso
– Diagramas de flujo de valor

• Estratificación – para separar el problema


general en los estratos que lo componen, por
ejemplo, por áreas, departamentos, productos,
proveedores, turnos, etc..

P. Reyes 69
2... Causas de variación y bases
estadísticas del CEP
• Causas de variación
– Causas comunes o aleatorias, reducidas sólo por la
dirección
– Causas especiales (causadas por 6M’s), eliminadas
por personal involucrado en la operación.

• Bases estadísticas de las cartas de control


– Situación “en control” y “fuera de control”
– Prueba de hipótesis – Error alfa y error beta
– Curva característica de operación del error beta
– Límites de control - Modelo general y europeo
– Proceso de mejora – eliminando causas especiales

P. Reyes 70
2... Beneficios de las cartas de
control
• Herramienta para mejorar la productividad

• Herramientas de prevención de defectos

• Evitan ajustes innecesarios

• Proporcionan información de diagnóstico

• Proporcionan información de la capacidad del


proceso

P. Reyes 71
2.. Diseño de la carta de
control
• Límites de control
– De acuerdo a Shewhart a + - 3-sigma
– En Europa se usan l.imites de prevención a + -2
sigma
– En Europa se usan Límites Probabilísticos a + -
0.1% (+ - 3.09 sigma)

• Operación de las cartas de control


– Tamaño de muestra, subgrupo racional para
detectar variación entre subgrupos más que
dentro del mismo
– Frecuencia de muestreo para detectar cambios
– Sensibilidad para detectar causas especiales
P. Reyes 72
2... Factores de éxito para
la implantación del CEP
• LIDERAZGO GERENCIAL, SER PARTE DE UN
PROGRAMA MAYOR

• ENFOQUE DE GRUPO DE TRABAJO

• EDUCACIÓN Y ENTRENAMIENTO EN TODOS LOS


NIVELES

• ENFASIS EN LA MEJORA CONTINUA

• SISTEMA DE RECONOCIMIENTO

• APOYO TÉCNICO DE INGENIERÍA O CALIDAD

P. Reyes 73
2... Cartas de Control por
Variables
• MEDIAS RANGOS (subgrupos de 5 - 9 partes cada x
horas, para estabilizar procesos)

• MEDIANAS RANGOS (para monitorear procesos


estables)

• MEDIAS DESVIACIONES ESTANDAR (subgrupos de 9 o


más 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
químicos)

P. Reyes 74
2... Estabilización del proceso
con cartas de control
1. IDENTIFICAR LA CARACTERÍSTICA A CONTROLAR,
EN BASE A UN AMEF (análisis del modo y efecto de
falla)

2. DISEÑAR LOS PARÁMETROS DE LA CARTA (límites


de control, tamaño 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
PRODUCCIÓN DEL MISMO TURNO O DÍA

P. Reyes 75
2... Cartas de Control por Variables -
Metodología de implantación
5. CALCULAR LÍMITES PRELIMINARES DE CONTROL A
3 SIGMA

6. IDENTIFICAR CAUSAS ASIGNABLES O ESPECIALES Y


TOMAR ACCIONES PARA PREVENIR SU
RECURRENCIA

7. RECALCULAR LOS LÍMITES 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 LÍMITES DE
CONTROL CADA 25 SUBGRUPOS
9.... REDUCIR CAUSAS COMUNES DE VARIACIÓN
P. Reyes 76
2... Cartas de Control por
Atributos
p – Fracción defectiva n Constante
Se toman muestras de tamaño n constante con 30 o
más partes en forma periódica y se determina la
fracción defectiva – se utiliza para productos simples
(botellas).

p – Fracción defectiva con n variable


Igual a la anterior pero el tamaño n de las muestras
es variable en cada una – se utiliza para productos
simples (botellas)

Np – Número de productos defectivos con n constante

P. Reyes 77
2... Cartas de Control por
Atributos
c – Número de defectos
Se cuentan los defectos que tienen cada unidad de
inspección de tamaño n constante en productos
complejos – TV, computadoras

u – Defectos por unidad


Se cuentan los defectos que tienen diferentes
unidades de inspección de tamaño n variable en
productos complejos y se determinan los defectos
por unidad – TV, computadoras

P. Reyes 78
2... Cartas de Control tipo p
• p - FRACCIÓN DEFECTIVA CON n CONSTANTE

• INICIO DE CONTROL Y LIMITES PRELIMINARES

• IDENTIFICAR CAUSAS DE ANORMALIDAD Y ACCIONES

• LIMITES DE CONTROL REVISADOS

• DISEÑO DE LA CARTA DE CONTROL


– Determinación del tamaño de muestra, frecuencia
de muestreo

• CARTA DE CONTROL np

P. Reyes 79
2... Cartas de Control tipo p

• p - CON LÍMITES DE CONTROL VARIABLES

• p - CON n PROMEDIO

• p - ESTANDARIZADA

• CURVA CARACTERÍSTICA DE OPERACIÓN OC Y ARL

P. Reyes 80
2... Cartas de Control tipo c, u
• c - CARTA DE CONTROL PARA DEFECTOS
- Cambio de tamaño de la unidad de inspección

• u - CARTA DE CONTROL PARA DEFECTOS POR


UNIDAD
Carta de control u con n promedio
Carta de control u estandarizada

• U para Deméritos
– En base a la clasificación de defectos A
(críticos), B (funcionales), C (menores)

• Curva característica de operación (OC)

P. Reyes 81
3. Cartas de control
por variables

P. Reyes 82
3. CONTENIDO

1. El teorema del límite central

2. Teoría de las Cartas de Control

3. Cartas de control para variables

4. Ejercicios de aplicación

P. Reyes 83
3.1 Teorema del Límite Central

P. Reyes 84
3.1Teorema del Límite
Central
• La distribución 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:
50
40
30
20 Frec.

10
0
1 2 3 4 5 6 7 8 9

P. Reyes 85
3.1..Teorema del Límite
Central
• La distribución 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:
10
8
6
4 Frec.

2
0
3.5 4.5 5.5 6.5

P. Reyes 86
3.1Teorema del Límite
Central

Población con media µ y desviación estándar σ y


cualquier distribución.

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


promedio en cada una
X-media 1 X-media 2 X-media 3
Conforme el tamaño de muestra se incrementa las muestras se
distribuyen normalmente con media de medias µ y desviación
estándar de las medias de las muestras σ / √n. También
se denomina Error estándar de la media.

P. Reyes 87
3.1Teorema del Límite Central
PREMISAS
• Si la variable aleatoria X tiene cualquier distribución con media µ
y desviación estándar σ .

• Seleccionando muestras de tamaño n de la población se tiene:

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

• La media de las medias de las muestras será µ .


• La desviación estándar de las medias de las muestras será σ / √n.

P. Reyes 88
3.1Teorema del Límite Central
CONCLUSIONES (cont..)

• Si la población original es casi normal, las medias muestrales se distribuyen


normalmente para toda n.

• Walter Shewhart en la Western Electric (1924), demostró que para una


distribución triangular y una uniforme, n=4 era suficiente para que las medias
de las muestras se distribuyeran normalmente.

• Esta es la base del Control Estadístico del proceso.

P. Reyes 89
3.2 Teoría de las
Cartas de Control

P. Reyes 90
PROPÓSITO
• Introducir los tipos básicos de Cartas de Control
Estadístico del Proceso (CEP)

• Introducir el concepto de límites de control y la


manera de usarlos

• Interpretar cuando un proceso está “fuera de


control”.

P. Reyes 91
3.2 ¿Qué 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.
¿Qué tanto se ha mejorado?
¿Se ha hecho algo mal?

• Las cartas de control detectan la variación anormal en un


proceso, denominadas “causas especiales o asignables de
variación.”

P. Reyes 92
3.2 Reglas Básicas
❶ Se debe medir la característica del proceso adecuada en la
carta.

❷ La carta de control utilizada debe ser adecuada para medir


la característica seleccionada.

❸ Al menos se deben obtener 25 subgrupos (muestras de


grupos de partes) antes de elaborar las cartas de control.

❹ Se debe tomar la acción apropiada cuando la carta de


control lo indique.

❹ NOTA: El sistema de medición debe estar validado con un


estudio R&R antes de llevar una carta de control.

P. Reyes 93
3.2 Variación observada
en una Carta de Control
• Una Carta de control es simplemente un registro de
datos en el tiempo con límites de control superior e
inferior.

• Una carta de control identifica los datos secuenciales


en patrones normales y anormales.

• El patrón normal de un proceso se llama causas de


variación comunes.

• El patrón anormal debido a eventos especiales se


llama causa especial de variación.

➲ Tener presente que los límites de control NO son


límites de especificación.
P. Reyes 94
3.2 Causas comunes o normales

● CAUSAS COMUNES
−Siempre están presentes
−Sólo se reduce con acciones de mejora mayores
−Su reducción es responsabilidad de la dirección

● Fuentes de variación: Márgenes inadecuados de


diseño, materiales de baja calidad, capacidad del
proceso insuficiente

● SEGÚN DEMING
− El 85% de las causas de la variación son causas
comunes, responsabilidad de la dirección
P. Reyes 14 95
3.2 Variación – Causas comunes

Límite Límite
inf. de sup. de
especs. especs.

Objetivo

P. Reyes 15 96
3.2 Causas Especiales

● CAUSAS ESPECIALES
− Ocurren esporádicamente
− Son ocasionadas por variaciones anormales
(6Ms)
−Medición, Medio ambiente, Mano de obra,
Método, Maquinaria, Materiales
− Sólo se reduce con acciones en el piso o línea
− Su reducción es responsabilidad del operador
por medio del Control Estadístico del Proceso

● SEGÚN DEMING
− El 15% de las causas de la variación son causas
especiales y es responsabilidad del operador
P. Reyes 16 97
3.2 Variación – Causas especiales
Límite
inf. de
especs.

Límite
sup. de
especs.

Objetivo

P. Reyes 17 98
3.2 Anatomía de una Carta de Control
Carta
C defor
Chart control
Pitted S
15 1

LSC
3.0SL=12.76
Respuesta
ount

10
Límite Superior de Control
pleC
Estadístico

Promedio
am

C=5.640
5
S

(o línea central)
0 -3.0SL=0.000

0 5 10 15 20 25
LIC
Sample Number Límite Inferior de Control
Número de Muestra

• El promedio y los límites 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, fracción defectiva, etc.
P. Reyes 99
3.2 Patrones Fuera de Control

Corridas
7 puntos consecutivos de un lado de X-media.

Puntos fuera de control


1 punto fuera de los límites de control a 3 sigmas en
cualquier dirección (arriba o abajo).

Tendencia ascendente o descendente


7 puntos consecutivos aumentando o disminuyendo.

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

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

P. Reyes 100
3.2 Patrón de Carta
en Control Estadístico

Proceso en Control estadístico

Sucede cuando no se tienen situaciones


anormales y aproximadamente el 68% (dos
tercios) de los puntos de la carta se encuentran
dentro del ± 1 σ 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.

P. Reyes 101
3.2 Tipos de Cartas de control
• Las cartas de control se dividen en dos categorías, diferenciadas
por el tipo de datos bajo estudio- variables y atributos.

• Las Cartas de Control para datos variables son utilizadas para


características que tienen una magnitud variable. Ejemplo:
- Longitud
- Ancho
- Profundidad
- Peso
- Tiempo de ciclo
- Viscosidad

P. Reyes 102
3.2 Tipos de Cartas de control

• Las cartas para atributos son las que tienen


características como aprobado/reprobado, bueno/malo o
pasa/no pasa. Algunos ejemplos incluyen:

- Número de productos defectuosos


- Fracción de productos defectuosos
- Numero de defectos por unidad de producto
- Número de llamadas para servicio
- Número de partes dañadas
- Pagos atrasados por mes

P. Reyes 103
3.3 Construcción de Cartas
de Control para variables

P. Reyes 104
3.3.Carta X, R (Datos variables)

• Este par de cartas se utilizan para monitorear


procesos con datos variables. Una para las medias y
otra para los rangos.

• Los datos de 3 a 6 piezas consecutivas forman


subgrupos o muestras de los cuales se calcula la
media y el rango.

• La Carta X-media monitorea los promedios de las


muestras del proceso monitoreando tendencias en
la media del proceso.

• La gráfica R monitorea los rangos de las muestras


del proceso monitoreando la variabilidad del
proceso. P. Reyes 105
3.3.Carta X, R (Continuación)

Procedimiento:
❶ Identificar la característica crítica a controlar y
tamaño de subgrupo (n = 3 a 6)

❷ Iniciar la recolección de aprox. 25 subgrupos (k),


tomando partes consecutivas en cada uno.

❸ Decidir cómo y cuándo colectar la información de


los subgrupos, de tal forma de detectar cambios.

❹ Elaborar la gráfica con los datos.

❺ Analizar las cartas de control


P. Reyes 106
3.3.Carta X, R (Continuación)
Terminología
k = número de subgrupos; n = número 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
x1 + x2 + x3 + ...+ xN
x =
n
x1 + x2 + x3 + ...+ xN
x =
k
LSCX = x + A2 R
NOTA: Para el cálculo de los límites de control
LICX = x - A2 R
usar los factores mostrados en las tablas
LSCR = D4 R correspondientes a cada valor de n
LICR = D3 R estos factores para calcular Límites de Control)
P. Reyes 107
3.3.Carta X, R (Continuación)

Análisis:

• La gráfica R debe estar en control antes de


interpretar la gráfica X-media.

• Interpretar la gráfica X-media para puntos que no


están aleatoriamente distribuidos

• La clave consiste en eliminar la variación excesiva


antes de tratar de identificar tendencias en los
promedios de los subgrupos del proceso

P. Reyes 108
3.3.Carta X, R (Continuación)
Ejemplo 1: Psi en un componente. Se toman muestras de Cinco
componentes cada día.
Día Muestra1 Muestra2 Muestra3 Muestra4 Muestra5
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/día = 5
k = # de subgrupos (días) = 10
X = 74.6 R = 36.0
P. Reyes 109
3.3.Carta X, R (en Excel)
Ejemplo 1:
Gráfica Xbar/R para Muestra1-Muestra5
100
Medias

3.0SL=95.36
90
80
X=74.60
70
60
50 - 3.0SL=53.84
Subgroup 0 1 2 3 4 5 6 7 8 9 10
80 3.0SL=76.12
70
Rangos

60
50
40 R=36.00
30
20
10
0 - 3.0SL=0.000

¿Cuál gráfica se analiza primero?


¿Cuál es su conclusión acerca del proceso ?
P. Reyes 110
3.3.Carta X, R (Continuación)
Ejemplo 2: Peso de partes medido diariamente, 5 muestras por día.

Día Muestra1 Muestra2 Muestra3 Muestra4 Muestra5


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 (día) = 5
k = # de subgrupos (días) = 10
X = 77.2 R = 18
P. Reyes 111
3.3.Carta X, R (en Excel)
Ejemplo 2:
Gráfica Xbar/R para Muestra1-Muestra5
105 1 1
Medias

95 1 1 1
85 3.0SL=87.56
75 X=77.18
65 1 -3.0SL=66.80
1 1
55 1
45 1
Subgroup 0 1 2 3 4 5 6 7 8 9 10
50 1
40
Rangos

3.0SL=38.06
30
20 R=18.00
10
0 -3.0SL=0.000

• ¿Cuáles pesos fallaron?

P. Reyes 112
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
P. Reyes 113
3.3.Carta X, S

• Este es un par de Cartas muy similar a las gráficas X - R.


La diferencia consiste en que el tamaño de la muestra
puede variar y es mucho más sensible para detectar
cambios en la media o en la variabilidad del proceso.

• El tamaño de muestra n es mayor a 9.

• La Carta X monitorea el promedio del proceso para vigilar


tendencias.

• La Carta S monitorea la variación en forma de desviación


estándar.

• Como se dijo anteriormente, las cartas se dividen en zonas.


Aquí están divididas en intervalos de 1 sigma.
P. Reyes 114
3.3.Carta X, S (Continuación)
Terminología
k = número de subgrupos n = número de muestras en cada subgrupo
x = promedio para un subgrupo
x = promedio de todos los promedios de los subgrupos
S = Desviación estándar de un subgrupo
S = Desviación est. promedio de todos los subgrupos

x1 + x2 + x3 + ...+ xN
x = n 56 7 8 9
x1 + x2 + xn3 + ...+ xN 10
x = B4 2.09 1.97 1.88 1.82
k 1.76 1.72
LSCX = x + A3 S
B3 0.00 0.03 0.12 0.18
LICX = x - A3 S 0.24 0.28
LSCS = B4 S A3 1.43 1.29 1.18 1.10
LICs = B3 S (usar estos1.03
factores0.98
para calcular Límites de Control
P. Reyes 115
3.3.Carta de Individuales (Datos variables)

• A menudo esta carta se llama “I” o “Xi”.

• Esta Carta monitorea la tendencia de un proceso con


datos variables que no pueden ser muestrados en lotes
o grupos.

• Este es el caso cuando la capacidad de


corto plazo se basa en subgrupos racionales de una
unidad o pieza

• La línea central se basa en el promedio de los datos, y


los límites de control se basan en la desviación estándar
poblacional (+/- 3 sigmas)

P. Reyes 116
3.3.Carta X, R (Continuación)
Terminología
k = número 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
x1 + x2 + x3 + ...+ xN
x =
n n 2
LSCX = x + E2 R D4 3.27
LICX = x - E2 R
D3 0
LSCR = D4 R
LICR = D3 R E2 2.66
(usar estos factores para calcular Límites de Control n = 2)
P. Reyes 117
3.3. Ejemplo: Carta I (en Excel)

Carta I para Longitud de parte


Valor Individual

12.35
3.0SL=12.30
12.25 6
6 6
12.15
12.05 X=12.03
11.95
11.85 8
11.75 - 3.0SL=11.75
1
11.65
0 5 10 15

Número de Observación

Observar la situación fuera de control

P. Reyes 118
3.3. Ejercicios de Cartas I o X, R
• Hacer dos cartas X-R y
concluir: MUESTRA 1 MUESTRA 2
MUESTRA 1 MUESTRA 2

11 16
1 12 2.832
2.97
2 15 2.802
12 15
3 13 2.952 2.95
4 10 2.80 13 17
5 13 2.95 2.95
6 15 2.92 14 16
7 15 2.95 2.86
8 15 2.92 15 17
9 22 2.93 2.89
10 16 2.93 16 19
2.86
P. Reyes 119
4. Cartas de Control
para atributos

P. Reyes 120
4. Cartas de control para atributos
Datos de Atributos
Tipo Medición ¿Tamaño de Muestra ?
p Fracción de partes defectuosas, Constante o variable > 30
defectivas o no conformes

np Número de partes defectuosas Constante > 30

c Número de defectos Constante = 1 Unidad de


inspección

u Número de defectos por unidad Constante o variable en


unidades de inspección
P. Reyes 121
4. Cartas de control para Atributos
Situaciones fuera de control
❶ Un punto fuera de los límites de control.
❷ Siete puntos consecutivos en un mismo lado de de la línea
central.
❸ Siete puntos consecutivos, todos aumentando o disminuyendo.
❹ Catorce puntos consecutivos, alternando hacia arriba y hacia
Conteo de Muestras

abajo. Carta C
C Chart for Pitted S
15
Límite Superior de Control
1

3.0SL=12.76
n
t

10
o
leCu

Línea Central
mp

C=5.640
5
a
S

0
Límite Interior de Control
-3.0SL=0.000

0 5 10 15 20 25
Sampl e Number

Número de Muestras

Ahora, veamos algunos ejemplos...


P. Reyes 122
4. Carta p (Atributos)

• También se llaman Cartas de Porcentaje Defectivo o


Fracción Defectiva
• Monitorea el % de defectos o fracción defectiva en una
muestra
• El tamaño de muestra (n) puede variar
• Recalcula los límites de control cada vez que (n) cambia
Terminología
n = tamaño de cada muestra (por ejemplo, producción
semanal)
np = número de unidades defectuosas en cada muestra
p = proporción (porcentaje) de defectos en cada
muestra -
(fracción defectiva)
P. Reyes 123
4. Carta p (Atributos)

np # de productos defectivos en cada muestra


pi = =
ni # de productos inspeccionados en la muestra

Cálculo de los límites de control

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


p =
promedio
n1 + n2 + n3 + ... + nk

p (1- p) p (1- p)
LSC = p + 3 LIC = p - 3
n n

Nota: Recalcular los límites en cada


muestra (ni) si n es variable
P. Reyes 124
4. Carta p (Cont...)
Ejemplo: Algunos componentes no pasaron la inspección final. Los datos de falla se
registraron semanalmente tal como se muestra a continuación.

# de Fracciónde
componentes
n np Componenp tes componentes
inspeccionados defectuosos defectuosos

7 0 0.000
K = 13 semanas 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 P. Reyes
2 0.143 125
4...Carta p (Cont..)
Ejemplo: Gráfica P para Fracción Defectiva
0.5

0.4
3.0SL= 0.4484 LSC
Proporci

0.3
ón

0.2

0.1 P= 0.1128 p
0.0 - 3.0SL= 0.000
LIC
0 5 10
Número de muestra

• Observe como el LSC varía conforme el tamaño (n) de cada muestra v


• ¿Por qué el LIC es siempre cero?
• ¿Qué pasó en la muestra 7? (33.3% defectos)
• ¿Qué oportunidades para mejorar existen?,
¿Podemos aprender algo de las muestras 1, 2, 6, 8, y 10?
• ¿Podría este proceso ser un buen proyecto de mejora?
P. Reyes 126
4... Carta np (Atributos)

• Se usa cuando se califica al producto como bueno/malo,


pasa/no pasa.
• Monitorea el número de productos defectuosos de una
muestra
• El tamaño de muestra (n) es constante y mayor a 30.

Terminología (igual a gráfica p, aunque n es constante)


n = tamaño de cada muestra (Ejemplo: producción semanal)
np = número de unidades defectuosas en cada muestra
k = número de muestras

P. Reyes 127
4...Carta np (Atributos)

np = # de productos defectuosos en una muestra


n = tamaño de la muestra
k = Número de muestras o subgrupos
p = Suma de productos defectuosos / Total
inspeccionado [n * k]
Cálculo de los límites de control

n p1 + np2 + n p3 + ...+ npk


np =
k

LSC = np + 3 np (1-p) LIC = np - 3 np (1-p)

P. Reyes 128
4...Carta np (Cont..)
1: en un proceso se inspeccionan K = 15 lotes tomando n = 40
de cada lote, se rechazan algunas partes por tener defectos, co
n np
# d
epa
rte
s
#d ep a
rte
sin
spe
ccio
nadas d
efe
ctu
osa
s
40
00 2
40
00 3
40
00 3
40
00 2
40
00 4
40
00 2
40
00 3
40
00 3
40
00 6
40
00 8
40
00 3
40
00 4
K=15 lotes
40
00 P. Reyes 129
4
4... Carta np (Cont...)
Ejemplo 1:
Carta np de número de defectivos o defectuosos

10 3.0 LSC=10.03
No. De fecetivos

5
Np =4.018 np

0 - 3.0S LIC=0.0 LIC


0 5 10 15
Número de muestras

• El tamaño de la muestra (n) es constante

• Los límites de control LSC y LIC son constantes

• Esta carta facilita el control por el operador ya que el evita


hacer cálculos P. Reyes 130
4... Carta c (Atributos)

• Monitorea el número de defectos por cada


unidad de inspección (1000 metros de tela,
200 m2 de material, un TV)
• El tamaño de la muestra (n unidades de
inspección) debe ser constante
• Ejemplos:
- Número de defectos en cada pieza
- Número de cantidades ordenadas
incorrectas en órdenes de compra
Terminología
c = Número de defectos encontrados en cada
unidad o unidades constantes de inspección
k = número de muestras
P. Reyes 131
4... Carta c (Atributos)

Cálculo de los límites de control

c1 + c2 + c3 + ...+ ck
c=
k

LSC = c + 3 c LIC = c - 3 c

P. Reyes 132
4... Carta c (cont..)
Ejemplo: Número de defectos encontrados en una unidad de inspección 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
NOTA: Utilizar Excel para
5 4
Construir la carta c
6 3
7 4
8 4
9 5
10 5
11 5 P. Reyes 133
4... Carta c (cont..)
Ejemplo:

Carta C
15 1
Número de defectos

3.0L SC= 12.76 LSC


10

5 C = 5.640 C

0 - 3.0L IC= 0.000

0 5 10 15 20 25
Número de Muestras

• Observe el valor de la última muestra; está fuera del límite


superior de control (LSC)
• ¿Qué información, anterior a la última muestra, debió haber
obviado el hecho de que el proceso iba a salir de control?
P. Reyes 134
4...Carta u (Atributos)

• Monitorea el número de defectos en una


muestra de n unidades de inspección. El tamaño
de la muestra (n) puede variar
• Los defectos por unidad se determinan
dividiendo el número de defectos encontrados
en la muestra entre el número de unidades de
inspección incluidas en la muestra (DPU o
número de defectos por unidad) .

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

P. Reyes 135
4... Carta u (cont...)

Terminología
n = tamaño de cada muestra en unidades de inspección
(por ejemplo, producción semanal)
c = Número de defectos encontrados en cada muestra
de unidades de inspección
u = defectos por unidad (DPU)
k = número de muestras
c = # de defectos en una muestra de n unidades de
inspección
n = Número de unidades de inspección en cada muestra
u = c / n = DPU = Número de defectos por unidad
P. Reyes 136
4... Carta u (cont...)

Ui = Ci / ni Defectos por unidad para cada muestra

Cálculo de los límites de control


c1 + c2 + c3 + ...+ ck Número de defectos por
u=
n1 + n2 + n3 + ...+ nk Unidad promedio

LSC =u + 3 u LIC =u - 3 u
ni ni
Nota: Recalcular los límites en cada tamaño de
muestra (ni)
Se puede tomar n promedio o estandarizar para tener
Límites de control constantes
P. Reyes 137
4... Carta u (cont..)
Ejemplo 1: Un proceso de soldadura suelda 50 PCBs por sema
Los defectos visuales observados se registran
cada semana.
n c u
D
e fe
ctos
#PCB Visua
les
S
olda
dos O
bse
rv ado
s DPU
5
0 3
05 6
.1
5
0 2
00 4
.0
5
0 2
10 4
.2
5
0 1
02 2
.0
5
0 1
98 4
.0
5
0 1
67 3
.3
5
0 1
87 3
.7
5
0 2
10 4
.2
5
0 2
25 4
.5
k=12 semanas 5
0 2
47 4
.9
P. Reyes 138
4... Carta u (Cont.)
Ejemplo 1:

Gráfica U para Defectos


Conteo de muestras

1
6

5
LSC
3.0L SC=5.066

4
U =4.197 u
- 3.0L IC=3.328
3
LIC
2 1
0 5 10
Número de Muestras

• Observe como los límites de control


permanecen constantes cuando se utiliza un
tamaño de muestra constante igual a 50
• ¿Cuáles son las dos observaciones de mayor
interés?
P. Reyes 139
4... Carta u (cont...)
Ejemplo 2: Defectos encontrado al inspeccionar varios
lotes de productos registrados por semana
Lote n c = Defectos u = DPU
L
ot
e U
nid
ade
s D
ef
e c
tos D
PU
1 1
0 6
0 6
2 1
2 7
5 6
.3
3 7 4
2 6
4 1
4 7
7 5
.5
5 1
2 6
9 5
.8
6 1
2 7
2 6
7 1
3 7
6 5
.8
8 1
0 5
5 5
.5
9 9 5
1 5
.7
1
0 1
4 7
8 5
.6
1
1 1
3 7
2 5
.5
1
2 1
3 7
7 5
.9
1
3 1
2 7
4 6
.2
1
4 1
0 5
7 5
.7
1
5 1
1 6
2 5
.6
1
6 1
3 4
1 3
.2
k=20 1
7
semanas 1
1 3
0 2
.7
1
8 1
5 P. Reyes 4
5 1403
4... Carta u (cont..)
Ejemplo 2:
Gráfica U para Defectos
Número de efectos

7 3. 0L SC
= 6. 768
LSC
6

5 U=4. 979 u
4
- 3. 0L IC= 3. 190
3 LIC
2
0 10 20
Número de Muestras

• Observe que ambos límites de control


varían cuando el tamaño de muestra (n)
cambia.

• ¿En que momentos estuvo el proceso fuera


P. Reyes 141
5. Cartas de control especiales

P. Reyes 142
5. Cartas de Control especiales
• CARTAS PARA CORRIDAS CORTAS (medias – rangos, pequeños
lotes de producción de productos similares)

• CARTAS ESPECIALES
– Cartas de Precontrol
– Cartas para desgaste de herramienta
– Cartas para procesos de salida múltiple

• CARTAS DE CONTROL PARA ppm, para procesos muy capaces

• CARTAS DE CONTROL Cusum Y EWMA (para detectar pequeñas


variaciones en la media del proceso, en proceso químicos o
farmaceúticos)

P. Reyes 143
5.1 Cartas de Control para
Corridas Cortas
• CARTA DE CONTROL DNOM
(Control de desviaciones resp. al objetivo, prod.
similares)

• CARTA DE CONTROL X-R ESTANDARIZADA


(Desviaciones estándar diferentes para los
productos)

• CARTAS DE CONTROL ATRIBUTOS


ESTANDARIZADAS
(Para estadístico p, np, c y u)
P. Reyes 144
5.2 Cartas de Control
Modificadas
y de Aceptación
• CARTA DE CONTROL MODIFICADAS
Se utilizan para control de la fracción defectiva
cuando el Cpk es grande >=2, cuidando no salir de
especificaciones y no interesa tanto el control bajo
límites de control

• CARTA DE CONTROL DE ACEPTACIÓN


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

P. Reyes 145
5.3-5 Cartas de Control
especiales
• CARTAS DE PRECONTROL (ARCOIRIS)
– Se basa en límites de especificación, dividiendo el
rango de especificaciones en cuatro partes, las dos
intermedias son verdes, las de la orilla amarillas y
las que salen de límites, rojas. Se monitorea sólo
una pieza.

• CARTA DE CONTROL PARA PROCESOS DE SALIDA


MÚLTIPLE
– Se toma el valor mayor y el menor del proceso de
salidas múltiples, monitoreando en el tiempo

• CARTA DE CONTROL PARA DESGASTE DE HERRAMIENTA


– Se ajusta la herramienta en un extremo de los
límites de control y se deja operar hasta que llega
al otro extremo de los límites para ajuste

P. Reyes 146
5 Cartas de Control
especiales por variables
• CARTA DE CONTROL CUSUM
(Detecta pequeñas corridas de media < 1.5 sigma
con n = 1)
- Método tabular
- Mascarilla en V

• CARTA DE CONTROL EWMA


(Detecta pequeñas corridas de media <1.5 sigma con
n = 1)

• CARTA DE CONTROL DE MEDIA MOVIL


(Detecta pequeñas corridas de X, con n = 1,
sensibilidad entre la de Shewhart y EWMA)

P. Reyes 147
Cartas especiales de control

P. Reyes 148
Cartas especiales de control

• Carta de sumas acumuladas CuSum

• Carta de promedios móviles


ponderadas exponencialmente

• Carta de promedios móviles simples

P. Reyes 149
Cartas de sumas acumuladas
CuSum

P. Reyes 150
Gráfica de Sumas
acumuladas
( CuSum )
- Se usa para registrar al centro del proceso.
- Se corre en tándem (una tras otra)
- Es más sensible que la gráfica X al movimiento de los
pequeños cambios sostenidos en el centro del proceso.
- Es más sensible que la gráfica X al movimiento de
separación gradual del centro del proceso.
- Es menos sensible que la gráfica X al desplazamiento
grande e único del centro del proceso.
- Se puede aplicar a las Xs o a las Xs individuales

- Sus parámetros clásicos son h = 4; k = 0.5

P. Reyes 151
Carta de sumas acumuladas
CuSum
• Son más eficientes que las cartas de Shewhart
para detectar pequeños corrimientos en la media
del proceso (2 sigmas o menos)

– Para crear la carta Cusum se colectan m


subgrupos de muestras, cada una de tamaño n
y se calcula la media de cada muestra Xi-
media. Después se determina Sm o S’m de las
ecuaciones siguientes:
m
Sm = ∑
X(− i µ
= 0 µ
)... mediaencontrol
0 . . estim
. ada
i =1
m
1
Sm =
'

σX ∑
X−(
i =1
i =µ 0 σ
)... desves
X
. dar
tandelasm
. . edias
.

P. Reyes 152
Carta de sumas acumuladas CuSum –
Con Máscara en V
– La carta de control CuSum se obtiene graficando los
valores de Sm o S’m como función de m.

– Si el proceso permanece centrado, la carta tenderá


hacia el valor de la media µ 0

– Si el proceso se corre gradualmente hacia arriba o


hacia abajo, será indicado en la carta. Su sensibilidad
está determinada por los parámetros 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
último punto de suma acumulada determinado y
observando que ninguno de los puntos anteriores se
salga, de otra forma tomar acción

P. Reyes 153
Carta CuSum – parámetros de la
máscara en V
h = Intervalo de decisión – Valor medio del ancho de máscara en
el punto de origen
k = Corrimiento a ser detectado en sigmas – Pendiente de los
brazos de la máscara en V
f = Respuesta inicial rápida - Identifica puntos fuera de
control en el arranque
T = Meta o especificación nominal; n = Tamaño de subgrupo

Ci = Valor de los 2 lados de la máscara en el tiempo i


C0 = 0
Ci = Ci - 1 + (i - T)
Puntos graficados de la máscara = Ci
Pendiente de la máscara en V = k σ / raiz (n)
Ancho de máscara en el origen = 2h σ / raiz (n)
Origen de la máscara en V = p
Por omisión Xmedia = µ, Sp/c4(d) = σ , T = 0, h = 4, k = .5, p = m

P. Reyes 154
Ejemplo de carta Cusum
con Máscara en V
1- 4.925
CUSUM Chart for Cusum
2- 4.675
3- 4.725
4- 4.350 4

5- 5.350 3
2
6- 5.225
Cumulative Sum

1
7- 4.770 0 0
8- 4.525 -1
-2
9- 5.225
-3
10- 4.600 -4
11- 4.625 -5

12- 5.150 -6

0 5 10 15
13- 5.325
Subgroup Number
14- 4.945
15- 5.025
16- 5.223 Target = 5, sigma = 1, h = 2, k =0.5, Vmask
P. Reyes 155
Continuación de ejemplo –
con máscara en V

CUSUM Chart for Cusum


17. 5.463
18. 5.875
19. 6.237
20. 6.841 5

Cumulative Sum

0 0

Agregando 4
Puntos adicionales
-5
Se observa que se
Salen los puntos 0 10 20
Subgroup Number
16, 17 y 18
Requiriendo acción
Target = 5, sigma = 1, h = 2, k =0.5, Vmask156
P. Reyes
Carta CuSum– Sólo un Límite
inferior o superior

CIi = valor del nivel bajo de la Cusum de un lado inferior en


tiempo i
σ
CL 0 = CU 0 = f
n

CSi =
 valor del nivel
  alto
σ de la Cusum de iun lado superior en
CIi = min
tiempo i0,

CI + −x
i −1 −
iT k
  
  n
C i= S i= ∑
j =1
 + (Kµ0
x−j   )
   σ
CSi = min 

CS + i−
0, x
−1 +iT k
 
 

n
µ0 = mediaobjetivo
.
µ1 = medianoaceptable
. . µ = +∆ 0
µ1 µ
−0 ∆ σ
CIi,= = ≈ k
Datos graficados
LIC h= −
σ= K CSi
2 2 n
Línea central = n0
Ci = 0.
cuandocam
. biael. signo
.
L
SCh =
σ
n P. Reyes 157
Cata CuSum – sólo un Límite
superior o inferior
1- 4.925
CUSUM Chart for Cusum
2- 4.675 17. 5.463
3- 4.725 18. 5.875
Upper CUSUM
4- 4.350 19. 6.237
5- 5.350 20. 6.841 2 2

Cumulative Sum
6- 5.225 1
7- 4.770
0
8- 4.525
9- 5.225 -1
10-
4.600 -2 Lower CUSUM
-2

11-
0 10 20
4.625
Subgroup Number
12-
5.150
13- Target = 5, sigma = 1, h = 2, k =0.5, One Sided
5.325 FIR = 1 sigma, P.
Reset
Reyes after each signal 158
Carta CuSum – Forma tabular para
un solo límite inf. ó sup.
• Los límites para cada valor se calculan dependiendo de si es hacia el
lado superior Sh o hacia el inferior Sl

S H ( i) = max[ 0, xi −µ( 0 −K ) +S H ( i ]1)



S L ( i) = max[ 0, −xi +µ( 0 −K ) +S H ( i ] 1)−
S H (0) = S L (0) = 0
N . y. N = No. periodos. en. que. Sh. o. Sl. son. 0≠
H L
• Como ejemplo si K = 0.5 y µ0 = 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 límite superior de control H en este caso indica
que el proceso está fuera de control

P. Reyes 159
Carta CuSum – Forma tabular para
un solo límite inf. ó sup.
Periodo Xi Xi-10.5 Sh(i) Nh

1 9.45 -1.05 0 0 En este caso el


Valor de H es 5
2 7.99 -2.51 0 0
S H ( i) = max[ 0, xi −µ( 0 −K ) +SH ( i ] 1)

3 9.29 -1.21 0 0
S L ( i) = max[ 0, −xi +µ( 0 −K ) +SH ( i ] 1)

4 11.66 1.16 1.16 1
H
5 12.16 1.66 2.82 2
6 10.18 -0.32 2.50 3
7 8.04 -2.46 0.004 4
Máscara en V
8 11.46 0.96 1.00 5
9 9.20 -1.30 P. Reyes 0 0 160
Carta EWMA de promedios
móviles ponderados
exponencialmente

P. Reyes 161
Carta de Promedios Móviles
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 decisión en relación


al estado de control del proceso en cierto
instante t depende de la medición más reciente
y de los límites de control

• En la carta EWMA la decisión depende del


estadístico EWMA que es el promedio ponderado
exponencial de los datos.

P. Reyes 162
Carta de Promedios Móviles
Ponderados Exponencialmente
(EWMA)
 Es más sensible que la gráfica X al movimiento de los
pequeños cambios sostenidos en la media del proceso.

 Es más sensible que la gráfica X al movimiento de


separación gradual de la media del proceso.

 Es menos sensible que la gráfica X a desplazamientos


grandes de la media del proceso.

 Se puede aplicar a las Xs o a las Xs individuales.

P. Reyes 163
Carta de Promedios Móviles
Ponderados Exponencialmente
(EWMA)
– Seleccionando un factor de ponderación λ la carta puede ser
sensible a corrimientos graduales pequeños en la media del
proceso. El estadístico EWMA es:

EWMAt = λ Yt +(1 − )λ EWMA


−1 t − − −t −1, 2,..,
= n
S2  λ 
S 2
EWMA =  
n  2− λ 
– EWMAo es la media (meta) de los datos históricos
– S es la desviación estándar de los datos históricos para n
grande
– Yt es la observación en el tiempo t
– n es el número de observaciones monitoreadas incluyendo 0
– 0 < λ <=1 es una constante que determina la memoria de
EWMA

P. Reyes 164
Carta de Promedios Móviles
Ponderados Exponencialmente
(EWMA)
λ determina la tasa en la cual los datos “antiguos”
entran en el cálculo del estadístico EWMA.

– Un valor de λ =1 indica que sólo el último dato


será incluido (carta Shewhart).

– Un valor grande λ de da más peso a datos


recientes y menos peso a datos antiguos. Un valor
pequeño de λ da más peso a datos antiguos

– Un valor común para λ es 0.2 para detectar


cambios 1σ y de 0.4 para detectar cambios de 2σ

P. Reyes 165
Carta de Promedios Móviles
Ponderados Exponencialmente
(EWMA)
• Los límites de control se determinan como sigue:

LSC =EWMA +0 s3 EWMA

LIC =EWMA −0 s3 EWMA


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

 Para los primeros valores de X, la desviación estándar S


 λ
2
se calcula como: S  2
S EW M A =  S1 (1 λ − ) − 
2 t 2

 2− λ
nP. Reyes  166
Carta de Promedios Móviles
Ponderados Exponencialmente
(EWMA)

• Ejemplo: Si EWMAo = 50 y s = 2.0539, λ = 0.3


entonces se tiene:
LSC = 50+ 3(0.4201)(2.0539)
= 52.5884
LIC = 50− 3(0.4201)(2.0539)
= 47.4115

Y 52 47 53 49.3 50.1 47 51

EWMA 50 50.6 49.5 50.56 50.18 50.16 49.12 49.75

P. Reyes 167
Carta EWMA del
ejemplo
Xewma
1- 52.0
2- 47.0
3- 53.0
EWMA Chart for X
4- 49.3 53
UCL=52.59
5- 50.1 52
6- 47.0
51
7- 51.0
EW M A

8- 50.1 50 Mean=50

9- 51.2 49
10- 50.5
48
11- 49.6
LCL=47.41
12- 47.6 47

13- 49.9 0 10 20
Sample Number
14- 51.3
15- 47.8
P. Reyes 168
Carta EWMA
• Los puntos a graficar son los siguientes :
Z0 = X
λ_
Z1 = X1 + (1-
λ Z0 )
λ_ λ
Z2 λ= _ X2 +λ(1- Z1 )
Z3 λ= X3 +λ(1- Z2 )
• Observa que Z es un promedio ponderado de XZ4i y=de todas
X4 +las
(1- Z3 )
Xs anteriores. Con Z = EWMA
• La típica forma de una gráfica EWMA se muestra a continuación.

UCL
Los cálculos, especialmente de los
límites de control, son tan complejos
XII

que normalmente este tipo de gráfica


LCL se realiza por medio de un paquete
subgrupo de computo.
1 2 3 4 5 6

P. Reyes 169
Carta de Promedios Móviles
Ponderados Exponencialmente
(EWMA)
• Si la desviación estándar se estima de la carta X-R
entonces los límites de control se determinan
como sigue:

λ
LSC =X + A R2
(2 − λ)
λ
LIC =X − A R2
(2 − λ)

P. Reyes 170
Carta de Promedios Móviles
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 límites 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

P. Reyes 171
Carta de Promedios Móviles
Ponderados Exponencialmente
(EWMA)
• Se puede desarrollar una ecuación para el clásico
control PROPORCIONAL, INTEGRAL y DIFERENCIAL
(PID). Donde los parámetros de las lambdas 1, 2 y
3 se seleccionan para obtener el mejor
desempeño de pronóstico

• Si e representa el error entre el valor real y


pronósticado en el periodo t se
tiene: et = X t − −z1t
t
Z t = EWMAt =Z−1t λ 1+ et λ∑
2+ e j 3λ + et ∇
j =1
P. Reyes 172
Carta de control de
promedios móviles

P. Reyes 173
Carta de control de Promedios
Móviles
• Monitorea un proceso promediando los últimos
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 pequeñas corridas
graduales en la media del proceso

• Suponiendo que se colectan muestras de


tamaño n y se obtienen sus respectivas medias
Xi. La media móvil promedio de amplitud W en el
tiempo t se define como sigue:

P. Reyes 174
Carta de control de Promedios
Móviles
+
x x ++1 x−..w
....
Mt = t t − t+ 1

VarMt( ) =
σ2

nw
3σ σ 3
LSC x =
+−−pa< <
ra −
n−=
t+w LSC x. .0
nw nt
3σ σ 3
LIC x=−−− <
par<an−
− =
t−
w LIC x. .0
nw nt

– El procedimiento de control consiste en calcular la nueva


media móvil Mt cada vez que haya una nueva media
muestral, graficando Mt en la carta, si excede los límites
de control el proceso está fuera de control

– En general la magnitud del corrimiento que se quiere


detectar esta inversamente relacionado con W, ente
mayor sea W se podr´na detectar corrimientos más
pequeños
P. Reyes 175
Ejemplo de carta de
promedios móviles
Xmm
1- 10.5
2- 6.0 Moving Average Chart for Xmm
3- 10.0
4- 11.0
15
5- 12.5
M oving Average
6- 9.5 UCL=12.12

7- 6.0 10 Mean=10

8- 10.0 LCL=7.879
9- 10.5
10- 14.5 5

11- 9.5
0 5 10 15
12- 12.0
Sample Number
13- 12.5
14- 10.5
15- 8.0
P. Reyes 176
6. Análisis de capacidad
de proceso

P. Reyes 177
6. CONTENIDO
Introducción

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


medición P. Reyes 178
6.1 Introducción

P. Reyes 179
6.1 Objetivos de la capacidad del
proceso
1. Predecir que tanto el proceso cumple
especificaciones

2. Apoyar a diseñadores de producto o proceso


en sus modificaciones

3. Especificar requerimientos de desempeño


para el equipo nuevo

4. Seleccionar proveedores

5. Reducir la variabilidad en el proceso de


manufactura
P. Reyes 180
LIE LSE

s _
Xi
X

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


de estar fuera de Especificaciones
P. Reyes 181
¿Cómo vamos a mejorar esto?

Podemos reducir la desviación estándar...

Podemos cambiar la media...

O (lo ideal sería, por supuesto) que podríamos cambiar ambas

Cualquiera que sea la mejora que lleve a cabo,


se deben tomar medidas para que se mantenga
P. Reyes 182
6.1 Capacidad a partir
de histogramas

P. Reyes 183
6.1 Procedimiento

1. Seleccionar una máquina donde realizar el


estudio

2. Seleccionar las condiciones de operación del


proceso

3. Seleccionar un operador entrenado

4. El sistema de medición debe tener habilidad


(error R&R < 10%)

5. Cuidadosamente colectar la información

6. Construir un histograma de frecuencia con los


P. Reyes 184
6.1 Teoría del camión y el túnel
únel tiene 9' de ancho (especificación). El camión tiene 10’ y el chofer es
ación del proceso). ¿Pasaría el camión? NO, la variabilidad del proceso es
la especificación.
rar es hacer que el promedio del proceso sea igual al centro de la
ificación. Si el camión tiene 8 pies de ancho ¿pasará el camión?, Si. Si
fer puede mantener el centro del camión en el centro del túnel. De otra
rá con las paredes del túnel y no pasará a pesar de ser más angosto.
El proceso debe estar en control, tener capacidad y estar centrado

Ancho 9´
Nigel´s Trucking Co.

P. Reyes 185
1 Capacidad del proceso – Fracción defectiva
capacidad en función de la fracción defectiva del Proceso se calcu
función de la fracción defectiva para cada lado del rango de Espe
Rango medio
=
Desv. Est.
Constante d2 de acuerdo al tamaño de subgrupo en X-
s valores de Z inferior y Z superior se calculan de acuerdo a las fó
guientes:

LIE - promedio del proceso LSE - Promedio del proces


Zi = Zs =
Desviación Estandar Desviación Estandar
fracción defectiva se calcula con las tablas de distribución normal
P(Zi) = Área en tabla (-Z) P(Zs) = 1 – Área corresp. a Zs en tabla (+Z)

Fracción defectiva = P(Zi) + P(Zs)

P. Reyes 186
6.1 Capacidad del proceso – Cp y Cpk
La capacidad potencial del Proceso (Cp) es una medida de la
variación del proceso en relación con el rango de Especificación.
Tolerancia LSE - LIE
Cp = =
Variación del proceso 6 Desviaciones STD.

k es una medida de la capacidad real del proceso en función de la


la media del proceso (X) en relación con con los límites de especi
n límites bilaterales da una indicación del centrado. Es el menor d
LSE - promedio del proceso
Promedio
y del proceso - LIE
CpK =
3 desviaciones STD 3 desviaciones STD

elación de capacidad (CR) es la inversa del cálculo de Cp. Este índ


ca que porcentaje de la especificación está siendo usado por la va
eso.
Rango del proceso 6 desviaciones STD
CR = =
LSE - LIE
Tolerancia
Capacidad
P. Reyes Cp, Cpk y fracción defectiva 187
6.1 Cálculo de la capacidad del
proceso
Habilidad o capacidad potencial Cp = (LSE -
LIE ) / 6 σ
Debe ser ≥ 1
para tener el potencial de
cumplir con especificaciones (LIE, LSE)

Habilidad o capacidad real Cpk = Menor


| ZI - ZS | / 3
El Cpk debe ser ≥ 1 para que el
proceso cumpla especificaciones
P. Reyes 188
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

P. Reyes 189
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
.
P. Reyes 190
6.1.. Ejemplo (cont…)

El histograma es el siguiente (se observa con forma


normal):

35
30
25
20
15 Frec.
10
5
0
170- 210- 250- 290- 330-
189 229 269 309 349

P. Reyes 191
6.1.. Ejemplo (cont…)

Calculando la media y la desviación estándar se tiene:

X-media = 264.06 s = 32.02

La variabilidad del proceso se encuentra en 6 σ =


192.12
Si las especificaciones fueran LIE = 200 y LSE = 330

Cp = (330 - 200 ) / 192.2 < 1 no es hábil 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
P. Reyes 192
6.1.. Ejercicio
Calcular la capacidad del proceso con la distribución
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 P. Reyes 193
6.2 Capacidad a partir de papel normal

P. Reyes 194
6.2 Ventajas

1. Se puede observar el comportamiento del


proceso sin tomar tantos datos como en el
histograma, 10 son suficientes

2. El proceso es más 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 línea de ajuste

4. Permite identificar la media y la desviación


estándar aproximada del proceso. Así como la
fracción defectiva, el porcentaje de datos entre
cierto rango, el Cp y el Cpk.
P. Reyes 195
6.2..Procedimiento

1. Se toman al menos n = 10 datos y se ordenan


en forma ascendente, asignándoles una posición
(j) entre 1 y n.

2. Se calcula la probabilidad de cada posición con


la fórmula siguiente: Pj = (j - 0.5) / n
3. En el papel especial normal se grafica cada
punto (Xj, Pj)
4. Se ajusta una línea recta que mejor aproxime
los puntos

5. Si no hay desviaciones mayores de la línea


recta, se considera normal el proceso y se procede
a hacer las identificaciones:
P. Reyes 196
6.2... Ejemplo

Se tomaron los datos siguientes (Xj), ordenándolos y


calculando la probabilidad de su posición (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 0.975 197
P. Reyes
6.2... Ejemplo (cont..)

Graficando los puntos y ajustándolos con una


recta que minimice los errores con cada punto se
tiene:
Pj

0.84

0.5

Desv. Estándar
Fracción
Defectiva

LIE X Media Xj
P. Reyes 198
P
i =(I-0
.5)/ N
Pi
0
.99 9
0
.99 8
0
.99 5
0 .9
9
0 .9
8
0 .9
7
0 .9
6
0 .9
4
0 .9
0
0 .8
4
0 .8
0
0 .7
5
0 .7
0
0 .6
0
0 .5
0
0 .4
0
0 .3
0
0 .2
5
0 .2
0
0 .1
6
0 .1
0
0 .0
8
0 .0
4
0 .0
2
0 .0
1
0
.00 5
0
.00 2
0
.00 1
N
orm
ald
is
trib
utio
npro
bab
ilit
ypa
per P. Reyes X
i
199
N o r m a l P r o b a b i li ty P lo t

. 999
. 99
. 95

Probability
. 80
. 50
. 20
. 05
. 01
. 001

200 300 400 500 600 700 800 900


C1
A v erage: 504.232 A nders on-Darli ng Normali ty Test
StDev: 139.682 A-S quared: 0.315
N: 100 P-V al ue: 0.538

El trazo normal es el siguiente:

El eje Y es un rango no lineal de probabilidades


normales.

El eje X es un rango lineal de la variable que se está


analizando.

Si los datos son normales, la frecuencia de


ocurrencias en varios valores
P. Reyes
Xi, puede predecirse 200
Diferentes trazos en papel de probabilidad Norm

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

1210 2105

1275 2230

1400 2250

1695 2500
P. Reyes 202
6.3 Capacidad a partir
de cartas de control

P. Reyes 203
EN CASOS ESPECIALES COMO ESTOS
DONDE LAS VARIACIONES PRESENTES SON
TOTALMENTE INESPERADAS
TENEMOSUN PROCESO INESTABLE o “IMPREDECIBLE”.
?
? ?
? ?
? ?

P. Reyes 204
6.3 Proceso en control
SI LAS VARIACIONES PRESENTES SON IGUALES,
SE DICE QUE SE TIENE UN PROCESO “ESTABLE”.
LA DISTRIBUCION SERA “PREDECIBLE” EN EL TIEMPO

Predicción

Tiempo

P. Reyes 205
6.3 Control y Capacidad de Proceso

ntrol de Proceso:

ando la única fuente de variación es normal o de causa común, se dice


e el proceso esta operando en “CONTROL”.

pacidad de Proceso:

dición estadística de las variaciones de causa común que son


mostradas por un proceso. Un proceso es capaz cuando
ausa común de variación cae dentro de las especificaciones
cliente.

L a capacidad no se puede determinar a menos que


el proceso se encuentre en Control y Estable.

P. Reyes 206
6.3 Proceso en control estadístico
La distribución de la mayoría de las características
medidas forman una curva en forma de campana o
normal, si no hay causas especiales presentes, que
x Arealas
alteren la normalidad . ¿cuales son entre 0 y 1scomunes?
causas
-Probabilidad de Ocurrencia
Distribución
del Proceso

_
x = media
34% 34% s= sigma; es la
desviación
estándar;
medida
14 % 14 % de la
2% 2% variación
-2s -1s x +1s +2s 3sproceso.
del
99.73% P. Reyes 207
6.3.. Desviación Estándar del proceso σ

σ =R ο σ =
S
d2 c4
Donde,
Donde,
σσ == Desviación
Desviaciónestándar
estándarde
dela
lapoblación
población
dd2 ==Factor
Factorque
quedepende
dependedel
deltamaño
tamañodel
delsubgrupo
subgrupoen
enla
lacarta
cartade
de
2
control
controlXX--RR
CC4 ==Idem
Idemal
alanterior
anteriorpara
parauna
unacarta
cartaXX--SS
4

NOTA:
NOTA: En
Enuna
unacarta
cartapor
porindividuales,
individuales,d2
d2se
setoma
tomapara
parann==22yy
RangoMedio=Suma rangos / (nP.-1)
Reyes 208
6.3 Capacidad del proceso

Cuando las causas comunes son la única variación:


ElCp
índice de capacidad potencial del proceso compara
la amplitud del proceso con la amplitud especificada.

Cp = (LSE - LIE) / 6 σ

Cpk de capacidad real del proceso compara la medi


El índice
real con el límite de especificaciones más cercano (LE) a
_
Cpk = LE – X o Cpk = menor |Z1 , Z2| / 3

P. Reyes 209
6.3 Ejemplo (carta X - R)

De una carta de control X - R (con subgrupo n = 5)


se obtuvo lo siguiente, después de que el proceso
se estabilizó quedando sólo con causas comunes:

Xmedia de medias = 264.06 Rmedio = 77.3

Por tanto estimando los parámetros del proceso se


tiene:

µ = X media de medias σ = Rmedio / d2 =77.3 /


2.326 = 33.23
[ d2 para n = 5 tiene el valor
2.326]

Si el límite de especificación
P. Reyes
es: LIE = 200. 210
6.3 Ejemplo (carta X - S)

De una carta de control X - S (con subgrupo n = 5)


se obtuvo lo siguiente, después de que el proceso
se estabilizó quedando sólo con causas comunes:
Xmedia de medias = 100 Smedio = 1.05
Por tanto estimando los parámetros del proceso se
tiene:

µ = X media de medias σ = Smedio / C4 = 1.05 /


0.94 = 1.117
[ C4 para n = 5 tiene el valor
0.94 ]

Si el límite de especificación es: LIE = 85 y el LSE


= 105. P. Reyes 211
6.3 Ejercicios

1) De una carta de control X - R (con subgrupo n =


8) se obtuvo lo siguiente, después de que el
proceso se estabilizó quedando sólo 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, después de que el
proceso se estabilizó quedando sólo con causas
comunes (LIE = 15, LSE = 23):

Xmedia de medias = 20 Smedio = 1.5


P. Reyes 212
6.4 Capacidad de los
sistemas de medición

P. Reyes 213
6.4 Definiciones
Exactitud
Desviación respecto del valor verdadero del promedio de
las mediciones
Valor verdadero:
Valor correcto teórico / estándares NIST
Sesgo
Distancia entre el valor promedio de todas las mediciones
y el valor verdadero. Error sistemático o desviación
Estabilidad
La variación total en las mediciones obtenidas durante un
período de tiempo prolongado
Linealidad
Diferencia en los valores de la escala, a través del rango
de operación esperado del instrumento de medición.
Precisión
Medición de la variación natural
P. Reyes en mediciones repetidas 214
6.4 Posibles Fuentes de la
Variación del Proceso
Variación total del
proceso, observada

Variación del Variación de la


proceso, real medición
Variación
dentro de Variación originada
Reproducibilidad
la muestra por el calibrador

Repetibilidad Estabilidad Linealidad Sesgo

Calibración

La “Repetibilidad” y la “Reproducibilidad” (R&R), son


los errores más relevantes en la medición.
P. Reyes 215
6.4 Definición de la Repetibilidad

REPETIBILIDAD

Repetibilidad: Es la variación de las mediciones


obtenidas con un mismo instrumento de medición,
cuando es utilizado varias veces por un operador, al
mismo tiempo que mide las mismas características
en una misma parte y bajo las mismas condiciones
de medición.
P. Reyes 216
6.4 Definición de la
Reproducibilidad
Operador-B
Operador-C

Operador-A

Reproducibilidad

Reproducibilidad: Es la variación, entre promedios


de las mediciones hechas por diferentes
operadores que utilizan un mismo instrumento de
medición cuando miden las mismas características
en una misma parte, bajo las mismas condiciones. 217
P. Reyes
6.4 ESTÁNDARES INTERNACIONALES

• En México se tiene el CENEAM o el


Centro Nacional de Metrológia

• En EUA se tiene el NIST (National


Institute of Standards and Technologý)

•Un Estándar primario es certificado


por NIST o por una organización
alterna que use procedimientos de
calibración actualizados

• Los Estándares secundarios son


calibrados por el depto. de Metrología
de las empresas en base a los
P. Reyes 218
6.4 ESTÁNDARES INTERNACIONALES

• Los Estándares secundarios se


transfieren a Estándares de trabajo en
producción.

•Para determinar la exactitud de los


sistemas de medición se debe conocer
su rastreabilidad a Estándares
nacionales e internacionales.

Resolución: Para que el equipo de


medición tenga una discriminación
adecuada en la evaluación de las
partes, su resolución debe ser al
menos 1/10 de la variabilidad del
P. Reyes 219
6.4 Definición del Sesgo
Valor
Verdadero

Sesgo

Sesgo es la diferencia entre el promedio


observado de las mediciones y el valor
verdadero.
P. Reyes 220
6.4 Definición de la Estabilidad

Tiempo 2

Tiempo 1

Estabilidad (o desviación) es la variación total de


las mediciones obtenidas con un sistema de
medición, hechas sobre el mismo
patrón o sobre las mismas partes, cuando se mide
una sola de sus características, durante un período
de tiempo prolongado. P. Reyes 221
6.4 Definición de la Linealidad
Valor Valor
verdadero verdadero

Sesgo Sesgo
Menor mayor

Rango inferior Rango superior


Rango de Operación del equipo

Linealidad es la diferencia en los valores real y


observado, a través del rango de operación
esperado del equipo.

P. Reyes 222
6.4 Estabilidad del
Calibrador
Cómo 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 calibración.

» 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 electrónico, puede necesitar calentamiento previo.

P. Reyes 223
Error R&R = RPT2 + REPR2
Para la fase de control del
• Precisión en relación a la variación proyecto, sólo substituya
total la Tolerancia por Variación
Total.

%R&R= R&R *100 TV= R&R + PV


Var. Total PV= variación de parte
= Rp xtotal
• Identificar qué porcentaje de la variación K3 debe
absorberse como error de medición.

<10% Aceptable
10-30%. Puede ser aceptable, dependiendo qué tan
crítico es el grado de la medición.
>30%. ¡Inaceptable!

P. Reyes 224
EL VALOR DEL R&R ES UN PORCENTAJE DE LA VARIACION
TOTAL DEL PROCESO:

La dimensión verdadera de
las partes se encuentra en VARIACIÓN DE PARTE
algún lugar de la la región A PARTE
sombreada…

Lo que fue
medido

LIE OBJETIVO LSE


Mientras más mayor sea el % del R&R, mayor será el área de
incertidumbre para conocer la dimensión verdadera de las partes.
ERROR TIPO 1: Pueden estarse aceptando partes que están fuera de
especificaciones
ERROR TIPO 2: Pueden estarse rechazando partes que están dentro de
especificaciones
P. Reyes 225
6.4 Estudio de R&R
• Generalmente intervienen de dos a tres operadores

• Generalmente se toman 10 unidades

• Cada unidad es medida por cada operador, 2 ó 3 veces.

P. Reyes 226
6.4 Métodos de estudio del error R&R:

étodo de Promedios- Rango


ermite separar en el sistema de medición lo referente
la Reproducibilidad y a la Repetibilidad.
os cálculos son más fáciles de realizar.

Método ANOVA
rmite separar en el sistema de medición lo referente a la
eproducibilidad y a la Repetibilidad.
mbién proporciona información acerca de las interacciones
n operador y otro en cuanto a la parte.
alcula las varianzas en forma más precisa.
os cálculos numéricos requieren de una computadora.

El Método ANOVA es Más Preciso


P. Reyes 227
6.4 Realizando el estudio
R&R
 Las partes deben seleccionarse al azar,
cubriendo el RANGO TOTAL DEL PROCESO . Es
importante que dichas partes sean
representativas del proceso total (80% DE LA
VARIACION)

 10 partes NO son un tamaño de muestra


significativo para una opinión sólida sobre el
EQUIPO DE MEDICIÓN a menos que

 Los operadores deben haber sido


debidamente entrenados para realizar las
mediciones

 P. Reyes 228
6.4 Proc. para realizar un estudio de
R&R
1. Ajuste el calibrador, o asegúrese de que éste haya
sido calibrado.

2. Marque cada pieza con un número de identificación


que no pueda ver la persona que realiza la medición.

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.

P. Reyes 229
6.4 Proc. para realizar un estudio de
R&R
5. Continúe 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 número
requerido de ensayos
7. Utilice el formato proporcionado para determinar las
estadísticas del estudio R&R
– Repetibilidad
– Reproducibilidad
– %R&R
– Desviaciones estándar de cada uno de los conceptos
mencionados
– Análisis del % de R&R contra Variación Total y contra
tolerancia
8. Analice los resultados y determine los pasos a seguir, si
los hay.
P. Reyes 230
6.4 Ejemplo:

Planteamiento del problema:


Las partes producidas en el área de
producción, se rechazaron en 3% por
problemas dimensionales.
CTQ: Mantener una tolerancia ±
0.125”
Sistema de Medición: Se miden las partes con un
calibrador de 2”.

Estudio R&R del La dimensión A es medida por dos


Calibrador: operadores, dos veces en 10 piezas.

P. Reyes 231
6.4 Método corto

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 medición = 4.33 * Rmedio =
4.33 x 1.4 = 6.1
P. Reyes 232
Método Largo con X-media y Rango
O perador A O perador B
Pieza # 1er. In ten to 2o. In ten to R an go 1er. In ten to 2o. In ten to R an go
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
Totale s

P. Reyes 233
1. Cálculo de las X-medias
Operador A Operador B
Pieza # 1er. In ten to 2o. In ten to R an go 1er. In ten to 2o. In ten to R an go
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 93.772 93.606 93.588 93.580
Xm edia -A 9.3689 Xmedia-B 9.3584
P. Reyes 234
2. Cálculo de los Rangos
O perador A O perador B
XmediaP
Pieza # 1er. In ten to2o . In ten to R an g o 1er. In ten to2o . In ten to R an g o
1 9.376 9.358 0.018 9.354 9.361 0.007
2 9.372 9.320 0.052 9.372 9.372 0.000
3 9.378 9.375 0.003 9.278 9.277 0.001
4 9.405 9.388 0.017 9.362 9.370 0.008
5 9.345 9.342 0.003 9.338 9.339 0.001
6 9.390 9.360 0.030 9.386 9.370 0.016
7 9.350 9.340 0.010 9.349 9.349 0.000
8 9.405 9.380 0.025 9.394 9.381 0.013
9 9.371 9.375 0.004 9.384 9.385 0.001
10 9.380 9.368
Rmedio-A 0.012 Rmedio-B
9.371 9.376 0.005
Totales 93.772 93.606 0.174 93.588 93.580 0.052
X m edia - A 9.3689 X m edia - Xpartes
B 9.3584
LSCR = D4 x Rmedia Probar P.
Aque
ningún rango salga de control 235
R m edio 0.0174
Reyes R m edio B 0.0052
. Identificación de Parámetros del Estudio y Cálculos
Totales 93.772 93.606 0.174 93.588 93.580 0.05
RmediaA 9.3689 XmediaB 9.3584Rpartes
RmedioA 0.0174 RmedioB 0.005
Rpart
Rango de
Medias
Ancho de tolerancia====> 0.25 X-media máx.=> 9.3689
de
r Número de intentos => 2 X-media min => 9.3584
partes
n Número de partes ==> 10 Diferencia 0.0105
Número de operadores 2 de X-medias

K1 4.56 R-media de => 0.0113


Todos los
operadores

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


K2 3.65 K3 (para 10 1.62
Partes)
(K2 = 3.65 para 2 operadores
P. Reyes
y 2.7 para 3 operadores) 236
6.4 Cartas de control X - R

Carta de Medias X: Gráficar cada una de las


medias de las lecturas de cada operador,
calcular media de medias y límites de
control y verificar que haya cuando menos
el 20% de puntos fuera de control,
asegurando que el instrumento discrimina
LCmedias = Xmedia
las diferentes de medias +- A2 x R
partes.

Carta de Rangos: Graficar los rangos de las


lecturas de cada operador, calcular rango
promedio de ambos operadores y límites de
control, verificar que ningún rango sale de
límites, en caso contrario repetir las lecturas
fuera de control.
LCrangos = D4 x Rmedio (de ambos operadores)
P. Reyes 237
6.4 Cálculo de R&R
Repetibilidad: La variación del dispositivo
de medición (EV) se calcula sobre cada
grupo de mediciones tomadas por un
operador, en una sola parte.
EV = R x K1 = 0.0515

Reproducibilidad: La variación 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 raíz es negativa
se toma cero. 2
AV = (Xdif * K2) - (DV2/(r * n)) = 0.0259

P. Reyes 238
6.4 Cálculo de R&R

El componente de varianza para


Repetibilidad y Reproducibilidad (R&R) se
calcula combinando la varianza de cada
componente.
R&R = EV2 + AV2 0.0577
=
El componente de varianza para las partes
(PV), se calcula sobre el rango de los
promedios de todas las mediciones, para
cada parte.

PV = Rparte x K3 = 0.1021

P. Reyes 239
6.4 Cálculo de R&R

La variación total (TV) se calcula combinando la


varianza de Repetibilidad y Reproducibilidad y
la variación de la parte.

TV = R&R2 + PV2 = 0.1172

Comparando contra la tolerancia (LSE


– LIE): 20.61
%EV = 100*EV/Ancho de tolerancia
=
10.36

%AV = 100*AV/Ancho de tolerancia


= 23.07
P. Reyes 240
6.4 Cálculo de R&R

Comparando contra la variación


Total del proceso:

%EV = 100*EV/Variación total 43.95


=

%EV = 100*AV/ Variación total 22.10


=

%R&R = 100*R&R/ Variación total49.20


=

%PV = 100*PV Variación total 87.06


=
P. Reyes 241
6.4 Ejercicios

Para un estudio de R&R 2 operadores midieron


con el mismo equipo de medición 10 partes en 3
intentos cada uno,obteniendo:
Mediciones Mediciones
Número 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
P. Reyes 242
7. Métodos de
mejora continua

P. Reyes 243
7. CONTENIDO

1. Proceso de cambio organizacional

2. Trabajo en equipo

3. Manejo efectivo de juntas

4. Solución de problemas por medio de


la Ruta de la Calidad

5. Ejemplos

P. Reyes 244
7.1 Proceso de Cambio
organizacional

P. Reyes 245
7.1 Organizaciones tradicionales

 Buscar culpables, Burocracia


 Enfoque a seguir procedimientos y reglas
 Olvido al cliente

 Alto desperdicio en tiempo, materiales, papel


 Poca atención al empleado, mala seguridad
 Comunicación sólo en sentido vertical
 Mal Mantenimiento
 Poco involucramiento y compromiso
 Feudos/Revanchas/Política negativa
 Autoridad jerárquica, sin equipos
 Alta rotación / Alto ausentismo
 Bajo desempeño
P. Reyes 246
7.1 Organizaciones modernas

 El cliente es la máxima prioridad


 Operación limpia (ISO 14000)
 Competitividad y finanzas sanas

 Sistemas simples visuales y Operación estable


 Entrega oportuna y Trabajo en equipos
 Ambiente de trabajo seguro y agradable

 Desarrollo de empleados con multihabilidades


 Comunicación alta, horizontal y abierta
 Desarrollo de personal, decisiones participativas
 Productividad y mejora continua,
reconocimientos
 Empowerement a empleados
P. Reyes / Personal 247
7.1 Organización Multifuncional
Team
Gerenci
al

Costos ProducciónR HumanosMaterialesChampion


Champion

Patrocinadores
Facilitador de
Facilitador de
Facilitador de Procesos de
Procesos /
Mantenimiento Recursos
Proyectos
/ Proyectos Humanos
Tipos de equipos: Kaizen, Tarea, Proyectos, CCC,
celdas de mfra., unidades de negocio
P. Reyes 248
7.1 Reestructuración
organizacional

• Equipos de trabajo: solución de problemas,


propósito especial, autodirigidos
• Organización horizontal: elementos clave

• Planes de reconocimiento: individual, grupal,


capacitación
• Diseño de puestos de trabajo: especialización,
ampliación, rotación de puestos, enriquecimiento

• Normas de trabajo
• Métodos para la medición del trabajo: estudios de
tiempo, muestreos, estándares
• Curvas de aprendizaje

P. Reyes 249
7.1 Equipos Kaizen

• Las tres fases claves


– Percepción
– Desarrollo de la idea, entre más simples mejor
– Implantación de la idea y efectos, Kaizen busca
el camino más corto para lograr el propósito

• Puntos críticos de éxito


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

P. Reyes 250
7.1 Estrategias para
Recursos Humanos
• Eliminar continuamente actividades que no agregan
valor
• Reducir el número de categorías ampliando alcance
de los puestos
• Proporcionar recomendaciones a la Alta Dirección
sobre métodos para aplanar la organización

• Crear oportunidades e incentivos para la rotación


normal de puestos y capacitación cruzada.
• Invertir en el desarrollo de Multihabilidades de los
empleados
• Incluir planes de desarrollo de personal que estén en
línea con las metas y objetivos

• Facultamiento y desarrollo del personal

P. Reyes 251
7.1 Proceso de cambio
organizacional
1. Autoanálisis de la empresa.
2. Establecer objetivos.
3. Desarrollo del equipo gerencial.
4. Establecimiento de filosofías y políticas.
5. Planeación estratégica.
6. Desarrollo de equipos.
7. Control y seguimiento de los equipos de
trabajo.
8. Evaluación de resultados: indicadores clave.
9. Comunicación en todas direcciones.

P. Reyes 252
7... Consejos para
administradores
1. Mantener actitud positiva.

2. Poner planes por escrito.

3. Buscar causas de problema en el sistema.

4. Ser humilde: Escuchar a subordinados.

5. No tener miedo a expresar ideas.

6. Tomarse tiempo para capacitar a


subordinados.

7. Pensar, revisar y revisar.

8. Decir “no” a planes no realistas.

P. Reyes 253
7... Consejos para
administradores
9. Tener empatía con la gente.

10. Reducir la rotación de personal.

- Reclutamiento y selección.

- Orientación.

- Inducción de personal nuevo.

- Supervisión y capacitación en el puesto.

- Auxilio de Recursos Humanos.

11. Falta gente capacitada ¡Haga algo!

-Capacitar a la propia gente.

12. Conocer a sus sindicatos.


P. Reyes 254
7.2 Equipos de trabajo

P. Reyes 255
7.2 Equipos de trabajo
• OBJETIVOS

– Establecer una situación de control.


– Elevar el estado de ánimo.
– Mejorar las relaciones humanas.
– Mejorar el área 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.

P. Reyes 256
7.2 Introducción
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
3.- LA FORMACION DE UNA DEL
CULTURA EQUIPO

P. Reyes 257
7.2 ¿Qué es un...?

CIRCULO DE CALIDAD?

EQUIPO DE TRABAJO?

EQUIPO PARA EL MEJORAMIENTO


DE LA CALIDAD?

GRUPOS PARTICIPATIVOS PARA LA SOLUCION DE


PROBLEMAS?.

O EQUIPOS DE MEJORA CONTINUA?


P. Reyes 258
7.2 Tienen en común...
6 ó 7 (maximo 10) personas trabajando

en estrecha interrelacion,

interacción y comunicación

dirigidas hacia un

OBJETIVO COMUN

P. Reyes 259
7.2.. Análisis de Fuerzas

FUERZAS NEGATIVAS. FUERZAS POSITIVAS.

EQUIPO
DE
TRABAJO

DESINTEGRACION
DEL EQUIPO

LOGRO DE METAS Y DE
OBJETIVOS COMUNES

P. Reyes 260
7.2 Ejemplos de fuerzas negativas

HABILIDADES FALTA DE ESPIRITU


PERSONALES DE EQUIPO
NO APROVECHADAS

INCAPAZ DE
PRIORIDADES DE OBJETIVO PARTICIPAR EN LOS
DEPARTAMENTO INTERESES DEL
DEL EQUIPO
EQUIPO
CONFLICTO DE OBJETIVOS
EQUIPO PERSONALES

P. Reyes 261
7.2 El objetivo del equipo
EL
ELOBJETIVO
OBJETIVODEL
DELEQUIPO
EQUIPOELIMINA
ELIMINALAS
LASFUERZAS
FUERZASNEGATIVAS
NEGATIVAS

1.-Este objetivo debe ser definido por todos los integrantes d


Equipo y este debe ser medible y con fecha de cumplimient
________________________________________________________________
_______________________________________________________________
_______________________________________________________________
_______________________________________________________________

2.-¿Cuales son mis objetivos como integrante del


equipo....?
_______________________________________________________________

_______________________________________________________________

_______________________________________________________________

_______________________________________________________________
P. Reyes 262
7.2 ¿QUE PUEDO HACER YO PARA AYUDAR
A LOGRAR LOS OBJETIVOS DEL EQUIPO...?

1.-__________________________________________________________
__________________________________________________________
__________________________________________________________

2.-__________________________________________________________
__________________________________________________________
__________________________________________________________

3.-__________________________________________________________
__________________________________________________________
__________________________________________________________

4.-__________________________________________________________
__________________________________________________________
__________________________________________________________

P. Reyes 263
7.2 Normas de los equipos

Cada equipo establece sus propias normas de


trabajo, tomando en cuenta los elementos
siguientes:

LA
SEGURIDAD
SEGURIDAD OTROS LA CALIDAD

EL MANTENIMIENTO DEL
MANTENIMIENTO EQUIPO LA PRODUCCION

ASISTENCIA O LOS COSTOS


EL MEDIO AMBIENTELOS CLIENTES
PUNTUALIDAD

P. Reyes 264
7.2 Normas de los equipos
1.- Ser puntual y asistir a todas las reuniones ( a
menos que el equipo acuerde lo contrario ).
2.- Nunca enojarse se tenga o no razón.
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.- __________________________________________
P. Reyes 265
7.2 Responsabilidades del equipo
PROMOVER EL ESPIRITU
DE COLABORACION EN
LOS INTEGRANTES DEL
EQUIPO A TRAVES DE:

COOPERACION

ASISTENCIA COMUN

DIVISION DEL TRABAJO

P. Reyes 266
7.2 Organización de los equipos

TODOS PERTENECEN A UNA MISMA AREA DE


TRABAJO
PERO TIENEN RESPONSABILIDADES
DIFERENTES.
EQUIPOS MULTIDISCIPLINARIOS.
SE FORMAN POR UN EL LIDER DEL EQUIPO ES
LIDER Y MIEMBROS ELEGIDO POR LOS
DEL EQUIPO MIEMBROS DEL EQUIPO

EL LIDER APLICA EL LIDERAZGO POSITIVO,


EDUCA, DESARROLLA, APOYA, ENTUSIASMA Y
DESARROLLA
P. Reyes 267
7.2 Organización de los equipos
¿EN DONDE SE REUNEN...?
1.-SE REUNEN EN UN LUGAR
ESPECIAL
EN EL AREA DE TRABAJO

2.-LEJOS DEL MISMO SI ES


POSIBLE
¿CADA CUANDO SE REUNEN...?

PERIODICAMENTE DE ACUERDO A LAS


NECESIDADES DEL EQUIPO. (1 0 2
VECES POR SEMANA, 1 VEZ AL MES,
ETC.)
P. Reyes 268
7.2 Organización de los equipos

LOS EQUIPOS DE MEJORA


CONTINUA
REQUIEREN DE CAPACITACIÓN
CONTINUA:

DETECTAN SUS NECESIDADES


DE ENTRENAMIENTO

P. Reyes 269
7.2 ¿De quién necesitan apoyo . . . ?

1. Apoyo Total de la direccion / gerencia


general.

2. Del líder que coordina y desarrolla a los


integrantes.

3. De otras áreas, especialistas o técnicas


que les ayudan a resolver los problemas
que ellos no pueden resolver.

P. Reyes 270
7.2 El líder del equipo

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

HONESTIDAD

HABILIDAD DE COMUNICARSE
Y
ELIMINAR
ELIMINARELELFRACASO
FRACASO
HACIENDO
HACIENDOPOSIBLE
POSIBLELO
LOIMPOSIBLE
IMPOSIBLE

P. Reyes 271
7.2 De quién necesitan apoyo

EQUIPOS DE
MEJORA CONTINUA
LIDER DE EQUIPO

EQUIPO DE TRABAJO
DE APOYO

EQUIPO GERENCIAL

DIRECCION EQUIPO DIRECTIVO

P. Reyes 272
7.2 Problemas comunes

1. Apatía de los equipos para generar resultados.


2. Falta de apoyo económico y motivación
personal por la dirección.
3. Comunicación mínima entre jefes y
coordinadores.
4. Apatía de la gente.
5. Poca comunicación.
6. Exceso de “bomberazos” en áreas saturadas
de trabajo.
7. No se mantiene la disciplina por el líder del
equipo.

P. Reyes 273
7.2 Problemas comunes

8. La situación de crisis afecta a los equipos


9. No hay compromiso de la Dirección.
10. Mala actitud de personal y no hay
medición de trabajo estadísticamente.
11. No se cuenta con asesoría profesional.
12. Escasez de tiempo para juntas de trabajo
13. No hay un sistema de control y
aseguramiento de calidad.que funcione

P. Reyes 274
7.2 Problemas comunes

14. Baja participación de los departamentos. de la


empresa.
15. Falta de involucramiento de las gerencias y
dirección.
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 aplicación de las 7
herramientas estadísticas.
19. Falta constancia y disciplina en las tareas una
vez iniciadas.

P. Reyes 275
7.2 Problemas comunes

20. Cambio de citas de reunión por actividades de


participantes.
21. Falta de conocimiento de métodos de
estandarización.
22. Falta de involucramiento de algunas áreas de
calidad total.
23. Problemas de inestabilidad generados por la
crisis.

P. Reyes 276
7.3 Manejo efectivo de
Juntas y reuniones

P. Reyes 277
7.3 Tipos de reuniones
• Para control y mejora (30-60 min.)
– Asignar tareas y responsabilidades.
– Contribuir a procesos de solución de problemas.

• De comunicación (15 - 20 min.)


– Metas de la semana, avisos de reunión, breve
explicación

• De información (10 - 15 min.)


– Reporte de evento.
– Reflexiones de lectura/tarea.

P. Reyes 278
7.3 Tipos de reuniones

• De estudio (30-60 min.)


– Trabajo en equipo, calidad.
– Conocimiento de producto o servicio.

• De seguimiento (15 - 30 min.)


– Verificación y análisis de tareas
asignadas en Control y Mejora.

• De memorandum (5 – 10 min.)
– Avisos escritos de diversa índole.

P. Reyes 279
7.3 Función del coordinador

1.- Crear una atmósfera apropiada para que los


participantes externen sus ideas y opiniones
libremente.

2.- Obtener la información 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!

P. Reyes 280
7.3 Funciones del coordinador
1.- Pedir ideas a todo el grupo y en forma
Individual.
2.- Mantener la junta en el tema.

3.- Clarificar la información.


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 opinión.
P. Reyes 281
7.3 Recomendaciones
1.- Tengan los temas y objetivos por escrito y
visibles enfrente del lugar de reunión.

2.- Difiera la información 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.

P. Reyes 282
7.3 Ejercicio

Seleccionar un tema a tratar de la vida real

Establecer reglas y objetivos

NOTAS
¿ Como se comporto el equipo . . . ?

___________________________________________________

____________________________________________________

____________________________________________________

____________________________________________________
P. Reyes 283
7.3 Ejercicio
¿ Como se comportaron los integrantes . . . ?
____________________________________________________

____________________________________________________

____________________________________________________

____________________________________________________

¿ Se cumplio el objetivo . . . ? SI___


NO____

¿ Por que . . . ?
____________________________________________________

____________________________________________________

____________________________________________________
P. Reyes 284
7.4 Solución de problemas por
medio de la Ruta de Calidad

P. Reyes 285
7.4 Los 11 pasos de la Ruta de la
calidad
1. Selección del problema
2. Razón de la selección
3. Establecimiento de objetivos
4. Programa de actividades
5. Diagnóstico de la situación actual

6. Identificación de causas
7. Análisis de soluciones
8. Implantación de soluciones
9. Verificación de soluciones
10.Prevención de la reincidencia y
estandarización
11.Reflexiones y tareas
P. Reyes futuras 286
7.4 La ruta de la calidad
1.- SELECCIÓN DEL TEMA

PLANEAR 2.- RAZON DE LA


P 3.- ESTABLECER OBJETIVOS ESTABLECER LA
SELECCIÓN
FORMA IDEAL
4.- PROGRAMA DE
ACTIVIDADES
5.- DIAG. DE SITUACION
ACTUAL
HACER 6.- ANALISIS DEL PROBLEMA BUSQUEDA DE
EN CASO
D 7.- ANÁLISIS DE CAUSA REAL DE NO
SOLUCIONES HABER
8.- IMPLANTAR SOLUCIONES EFECTO
CHECAR
C 9.- VERIFICACION DE
SOLUCIONES
10.- PREVENCION DE LA
ACTUAR REINCIDENCIA POR INICIATIVA
A HACER
11.- REFLEXION Y TAREAS
UN EJEMPLO
FUTURAS
INMEDIATAMENTE

P. Reyes 287
7.4 Beneficios de la ruta de la
calidad

1.- Es un método estándar 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.

P. Reyes 288
1. Selección del problema

P. Reyes 289
1. Selección del problema

Análisis de situación actual e identificación


de problemas.

Una vez seleccionado el tema:

- Comprensión de elementos
situacionales.

- Cuantificación de datos reales.

- Identificación de factores de
variabilidad.
P. Reyes 290
1. Selección del problema

* Seleccionar el problema en base a las


políticas de la organización, al jefe inmediato
y a los resultados de sus actividades diarias.
Se sugieren sean problemas enfocados a
impactar al cliente.

* ¿Cómo nombrar el problema? Menor Costo,


Más rápido, Mejor desempeño

1).- Expresar concretamente el grado del


problema. (el tema no deberá ser demasiado
amplio). P. Reyes 291
1. Selección del problema

2).- Es mejor no usar la solución para nombrar


un problema, sin antes realizar la búsqueda de
la causa verdadera, se creará duda de si esa
solución es la definitiva.

3).- Criterios para seleccionar el problema

Seguridad Calidad

Entrega Costo

Moral P. Reyes
2 GUOQCSTORY.PPT
292
2. Razón de la Selección

¿Porque?

P. Reyes
3 GUOQCSTORY.PPT
293
2. Razón de la Selección
*Expresar los antecedente, la importancia y la
prioridad de los problemas.

•Explicar por qué se seleccionó el problema

* Efecto económico, reclamo de


mercado,rechazos, % de ventas perdidas , otros.

* Impacto para los procesos posteriores, monto de


pérdida, incremento de tiempo de operación, paro
de línea, etc.

Entre todos los integrantes del equipo pueden


evaluar las razones arriba descritas mediante las 7
P. Reyes
4
294
GUOQCSTORY.PPT
2. Razón de la Selección
Ejemplo 1: Se enfoca el tema de manera multilateral con la matriz de
evaluación
Criterio de evaluación 3 puntos 2 puntos
1 punto
Evaluación

Problema Impor- Prior. Política Periodo Facti- Orden


tancia Depto. de Ejec. bilidad

DEVOLUCIONES 12 Puntos
1er. lugar

10 Puntos
ENTREGAS TARDIAS 2o. lugar

10 Puntos
DOCS. INADEC. 2o. lugar

9 Puntos
NIVEL SERVICIO 3er. lugar

P. Reyes 295
Ejemplo2 : Utilización de la gráfica lineal y el diagrama de Pareto.

periodo 6/Mayo/’98 - 15/junio/’98

n = 5,000
x = 0.48 %
% de incidencia

(%)

1
0.51 0.53
0.47
0.8 0.45 0.46 0.46

objetivo del grupo 0.3%


0.6

6/mayo-11 13 - 16 20 - 24 27 - 31 3/junio - 7 10 - 15
0.4

PARETO DE DEFECTOS DEL PRODUCTO A


0.2 PERIODO 6/MAY/98 AL 15/JUNIO/98 (%)
(CASOS)
NUMERO DE DEFECTOS

n = 170
0
170 100

% ACUMULADO
160
140
80
120
30 %
100
51 60
80 31 27 25 20 16 40
60
CONTAMINACION

ALTURA MAYOR

ADHESION
MULTIPLE

Y MENOR
CORTE

40
CORTE
DOBLE

PORO

BAJA
20
20
0 0
Al verificar el grado de incumplimiento respecto al 0.3% del objetivo de grupo y además de investigar
las causas de incumplimiento se encontró que ”DOBLE CORTE" es el más problemático,
por lo que se seleccionó como tema.
P. Reyes
5 GUOQCSTORY.PPT
296
3. Establecimiento de objetivos
PUNTO CRITICO ACTIVIDADES
* Aclarar la meta del valor del objetivo. * Indicar el objetivo con valores en forma numérica
en lo posible.
* No plasmar simplemente los deseos y * El objetivo debe tener relación 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 decisión de impulso ¿QUÉ? ****** Reducir el defectuoso en productos A
(sin analizar).
¿HASTA CUÁNDO?****De Mayo del 97 a
(Punto clave para establecer el valor Abril del 98
objetivo). ¿HASTA CUANTO?****Bajar hasta 1% ó
* Definirlo tomando en cuenta las políticas menos del 1% promedio de defectuoso.
de la empresa.

* En caso de no tener un concepto claro de * Hay un método para establecer el objetivo


las políticas, 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, distribución 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 áreas.
(3).- Que se requiera la selección de las actividades
conforme a la habilidad real del grupo de trabajo

Establecer un objetivo que tenga relación con la selección del tema y razón de la selección.
P. Reyes 297
Ejemplo n° 1 Establecimiento del
Objetivo con fundamento

EJEMPLO N°2 CONCEPTO CONTENIDO ESTABLECIDO


VALOR OBJETIVO IGUAL O MENOR DE 1%
FECHA LIMITE FIN DE Abril de 1998

EFECTO ESPERADO
3% DE INCREMENTO EN EL % DE AHORRO

IGUALAR AL
(%) 8 x 1 NIVEL PAIS
6 1
2
2
IGUALAR
4 3 2
4 AL
PASADO
2 3 IGUALAR A
OTRAS LINEAS
0 4 ESTABLECER
10 11 12 1 2 3 4 EN BASE A LA
POLITICA
6 MESES
El objetivo debe ser establecido en consenso OBJETIVO FINAL
P. Reyes 298
Ejemplo n° 3: Establecimiento gradual del objetivo

Se debe tomar en cuenta el problema real anterior, etc.,


para que los datos sean razonables y convincentes.

CONDICION ACTUAL
(%) 6
5
V P
4
E E 3 OBJ. PRIMARIO
N R 2
1 OBJ. SECUNDARIO 0%
T D
A I 0 1 2 3 4 5 6
S D OBJETIVO FINAL
A
S
PERIODO DE TIEMPO

P. Reyes
7 GUOQCSTORY.PPT
299
4. Programa de actividades
ASIGNACION DE LAS TAREAS
POR QUE ? QUE ? QUIEN ? CUANDO ? COMO ?
PROPOSITO CONCEPTO DE ACT. RESP. FECHA

CONOCER LA HOJA DE
COMPRENDER LA
SITUACION Juan Pérez may-97 CHEQUEO
SITUACION ACTUAL
ACTUAL GRAFICA
DIAGRAMA D
¿QUE ESTA
ANALISIS TODOS JUN. 97 CAUSA Y
MAL ?
EFECTO
¿COMO SE PLAN DE
ACCIONES
PUEDE TODOS JUN. 97 ACCIONES
CORRECTIVAS
MEJORAR ? CORRECTIV
¿SE PUEDE
CONFIRMAR EFECTO TODOS JUL. 97 GRAFICA
MEJORAR ?
CAMBIO DE ING.
EMISION DE
PROCEDIMIENTOS Y PRODUCT JUL. 97
CAMBIO
PREVENCION ESPECIFICACIONES O.
DE P. Reyes
8 GUOQCSTORY.PPT
300
5. Diagnóstico de la situación actual
PUNTO CRITICO ACTIVIDADES

Observar de manera exhaustiva la condición real de * Investigar a fondo


de manera que se pueda
lo problemático y checar a través de los datos. dar el siguiente
paso (análisis).

Investigar la diferencia en las variaciones del * Investigar


clasificando por tiempo, proceso, turno
comportamiento de los fenómenos. operador, método de
operación, material, lote,
procedimiento, tipo de máquina,
clima,
EJEMPLO No. 1 PARETO
Lo que se busca es confirmar la condición real no 100%
temperatura,
100
80%
humedad, operación, estándar
80 60%
encontrar las ideas de solución.
60 inmediato ver físicamente las cosas en campo, siendo realista, mostrar
* De 40%
gráficamente
40 lo investigado de tal forma que se vean fácilmente las
20%
diferencias, problemas, etc. Usar las 7H’s, concluir e iniciar análisis.
20
0
O
N

IO
O

S
ZA
AS

AD
IO

80% VITALES

O
ET

C
AN

TR
C

SU
EJ

C
PL
LU

O
D
U

O 20% TRIVIALES
D
M

IV
R
O
Q

O
O
TA

U
EV

PR
C

EQ
D

IN

P. Reyes 301
6. Identificación de causas
DIAGRAMA DE CAUSA EFECTO
ISHIKAWA O ESPINA DE PESCADO

P. Reyes 302
6. Identificación de causas
Determinar las causas raíz.
1. Análisis de posibles causas.
2. Relación causa-efecto.
3. Uso de herramientas.
4. Cuantificación de posibles causas
5. Selección de causas reales.
6. Experimentación y prueba de
hipótesis y causas probables.
7. Determinación de causas reales.

P. Reyes 303
6. Identificación de causas
PUNTO CRITICO ACTIVIDADES
- Identificar las posibles causas verdaderas - En base al conocimiento de la
situación actual,
(factores) del análisis de la situación 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 análisis - Repetir la pregunta "porqué" 4-
5 veces
- Buscar la causa(s) real(es) desde los factores. - Ir a piso a verificar
físicamente cuantas veces
- Hay casos en que se pueden conseguir los efec- sea necesario, sobre
todo observar MAQUINARIA
bien. FALTA
MANO DE OBRA
FALTA
tos (resultados) de un análisisAIRE al investigar a fon- - Analizar a fondo
CAPACITACION
BARRA SOPORTE DE RETROALIMENTACIO FALTA DE
involucrando al jefe inmediato, N
PAPEL DESALINEADO COMPROMISO
do la situación actual. ROLLOS PESADOS staff y las áreas
LINEA DE
relacionadas. APLICACIÓN DE PAPEL
BOLSA
* Identificar las causas
DAÑADAreales en forma resumida.
PAPEL MANUAL No se MALdebe
CORTEtratar
PAPEL de
PAPEL FUERA MAT. FRESCO
solucionar un problema diciendo excusas. Ejemplo: "Es la NOprimera
SE MIDEN vez que
ESPESORES
DE
aparece“, "No tenemos
ESPESOR experiencia",POCOetc.
ESPESOR NO SE SIGUE EL PROC:
MATERIAL
FLUJO DE PAPEL EN APLICACIÓN DE
LA PARTE CINTA
SUPERIOR INCORRECTO
METODO
DEL MOLDE
P. Reyes 304
7. Análisis de soluciones

Cada causa tiene soluciones basadas


en:

1. Definición de soluciones.

2. Evaluación de éstas.

3. Definición cuantitativa de mejores.

4. Uso de métodos de Control de


Calidad.

5. Desarrollo de plan de
implementación.

P. Reyes 305
7. Análisis de soluciones
PUNTO CRITICO ACTIVIDADES
* Eliminar la causa real que se encontró como resul- * Planear las medidas
correctivas para cada una
tado del análisis. (no eliminar los fenómenos) de las causas
encontradas a través del análisis.
* 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 físicas, más que personales, pa- 2) Medida
correctiva.
EJEMPLO No. 1: sobre las causas raíz

Factibilidad
Evaluación

Prioridad
ra que la acción correctiva sea estable y sin para

Efecto

FECHA
3 PUNTOS

LIDER
prevenir
2 PUNTOS
la reincidencia
1. CONTROLAR
variación.
1 PUNTO (poka-yoke) ESPESORES EN MAQ.
•Evaluar las ideas de Kaizen. Hacer una evaluación de efectos, factibilidad,
5 J Pérez. Junio 97
A. CONTROL DE
economía, ESPESORES
grado de tecnología, operatividad, seguridad, etc.
2. VERIFICAR 4 Elaborar
OPERADORES Junio 97
propuesta operativa ESPESORES
DE PLÁSTICO y preparar los recursos requeridos. Junio 97
ANTES DEDE 3 OPERADORES
3. CAMBIAR
LINEA CONSTRUIR
MATERIAL
DE
PAPEL 1. MODIFICACION AL Julio 97
B. MODIFICAR 5
APLICACIÓN
APLICADOR DEL PAPEL J. Pérez
DE PAPEL. Julio 97
2. CAMBIAR ANCHO DE 4 J. Pérez
PAPEL

P. Reyes
14 GUOQCSTORY.PPT
306
8. Implantación de soluciones

P. Reyes
15 GUOQCSTORY.PPT
307
8. Implantación de
soluciones
1. Explicación de implementación.
2. Descripción de áreas afectadas.
3. Descripción de obstáculos.
4. Análisis cuantitativo de impacto.
5. Análisis cuantitativo de situación
mejorada vs. situación actual.
6. Medición de efectos secundarios.
7. Uso de herramientas .

P. Reyes 308
8. Implantación 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 áreas* Los equipos implantan las acciones correctivas
EJEMPLO 1 y después poner en práctica las luciones.
* LISTADO
Obtener laMEDIDAS
DE LAS aprobación de las áreas relacionadas, turno o puesto, Jefe
CORRECTIVAS
inmediato etc. Es ¿A decir,
QUE? - ¿COMO?
NO CUANDO
Comunicar a todos los involucrados de DONDEla mejora RESU JUICIO
a realizar. QUIEN
TOPE PROC. DE LTAD
LIMPIEZA O
AUNQUE SE DA
BARRA DE EFECTO J. PÉREZ
1 JULIO 97 APLICACION NO ES PERSISTENTE

PARA LOS EXISTE POCO L.TORRES


2 JULIO 97 MOLDES DEFECTO

P. Reyes 309
8. Implantación de soluciones
PARA LA LINEA DE PAPEL:
APLICACIÓN
ANTERIOR
DEL PAPEL

CON LA ACCION CORRECTIVA


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

P. Reyes
9. Verificación de soluciones
PUNTO CRITICO ACTIVIDADES
* Verificar hasta obtener efectos estables ampliando * Hacer análisis
comparativo antes y después
los datos históricos en gráficas de la etapa de * En caso de
aplicar varias medidas correctivas
"razón de selección del tema" , Verificar los efectos
intangibles sin omisiones
* Comparar el efecto en gráfica entre antes y después
de KAIZEN respecto al objetivo. confirmar el efecto
sobre cada concepto de
(relación humana, capacidad, trabajo en equipo,
contramedidas.
entusiasmo, área de trabajoEjemplo
alegre). 1.
*% 2.5
Determinar los beneficios monetarios, indirectos e intangibles.Investigar si
D
existen áreas y 2operaciones similares
2.22
2.33
tanto dentro como %Dfuera
<1% de la planta,
.19 2.14
E 2
2.1
para aplicar las mismas2 contramedidas. Dar reconocimiento.
1.9
F 1.8 1
1..7
76
E 1.6
1.5 1.5
C 1.32
1.4
1.3
T 1.2

U 1 0.94
0.9 0.87
0.79
S
O 0.5 P. Reyes 311
Ejemplo 3.

UM I M IC RO V - T IM ING B E L T S
B E NC HM ARK ING D E F E C T UO S O T IM ING B E L T S

9.5
10

8 6.85

6
3.3 3.27
%
4 2.66

2 0.9

0
M ONC KS C . DUM FRIES COREA BRASIL JAPON M EXICO

P. Reyes 312
10. Prevención de la reincidencia –
Estandarización

DISPOSITIVOS A PRUEBA DE ERROR ( Poka


- Yokes ).
P. Reyes 313
10. Estandarización

1. Controles para la mejora.

2. Formas para eliminar causas.

3. Datos de control de resultados.

4. Aplicación de soluciones en otros


procesos.

5. Uso de métodos de estandarización.


.

P. Reyes 314
10. Prevención de la reincidencia
PUNTO CRITICO ACTIVIDADES
* Hacer estandarización para prevenir la reincidencia * Mantener y controlar
los efectos
* Con el fin de mantener y controlar lo estandariza- * Hacer
estandarización.
do, establecer sistemas y realizar la revisión de los Equipos
equipos, capacitación y entrenamiento de manera Poka-yoke, dibujos,
hoja de especificaciones,
periódica. instructivo de manejo, muestreo de
límite.
EJEMPLO 1: Mano de obra
Confirmar el resultado de la modificación Capacitación y
Por qué Qué Donde Cuándo Quién Cómo
Medidas5de
adiestramiento W habilidad
1H
Why ComunicarWhat adecuadamente a las áreas
Where When Who How
técnica en base a la operación
correctivas
Integrar botador Chequeo
involucradas Calidad:
Botador En almacén Carta
1 vez cadaTurnarde Chequeo
control de
1 de electrodo despostilladora
de de Htas. 3 días responsable
visual
proceso. en martillo de filos electrodo hoja de chequeo
Adopción de Chequeo Base de Proceso Cada Turnar Chequeo
electrodo roscado de daño en electrodo usuario. semanaresponsable
visual
2 rosca inferior hoja de chequeo

Prevención dePrevención Chequeo


3 Automatización sobrecalenta-de sobreca- En el 2 veces Turnar
proceso visual
por día responsable
de paro de agua miento lentamiento cada día hoja de chequeo
Cada vez que se presente un problema, se investiga y se toman medidas correctivas
P. Reyes 315
Ejemplo No. 2

5W
Por Cuánd
1H Qué Donde Quién Cómo
1 Medidas qué o
correctivas
What Where When Who How
Why

2
CORRECTA CHE
INTEGRAR
APLICACIÓN QUE
TOPE APLICA J.
DE PAPEL. TOPE JULIO O
DOR PEREZ
DE 97 VISU
PAPEL AL
TISSUE

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

P. Reyes
11. Reflexiones

Análisis de resultados
1. Comparación cuantitativa.
2.Evaluación cuantitativa de
resultados intangibles.
3. Análisis del impacto económico
4. Presentación de resultados

Conclusiones
1. Evaluación objetiva.
2. Descripción de problemas
pendientes.
3. Descripción del plan
P. Reyes de acción. 317
11. Reflexiones y tareas futuras

P. Reyes 318
11. Reflexiones y tareas futuras
PUNTOS CRITICOS ACTIVIDADES
* Aclarar la diferencia entre la planeación y el resul- * Aclarar los puntos
positivos y negativos.
tado. Reflexionar sobre la satisfacción lograda. * Registrar las
actividades tomando en cuenta
* Resumir los planes futuros en forma concreta. el efecto físico, QC
Story, administración de
EJEMPLO:
* Aprovechar puntos positivos de resultado y apren- grupo, juntas,
A) Efecto físico. A
herramientas, programa,
B) Participación. J B
der de puntos negativos. asignación de funciones,
C) Aprovechamiento
entusiasmodel método QC.
D) Trabajo en equipo. I C
E) % Participación en
juntas.
F) Puntualidad H
G) Asignación de D
funciones.
H) Mejora de G
conocimiento. E
F
I) % de cumplimiento
de programa.
J) No. de juntas. Gráfica de Radar

P. Reyes 319
7.5 Ejemplos

P. Reyes 320
8. Métodos de muestreo

P. Reyes 321
Muestreo aleatorio estadístico

Muestra n

Lote N

P. Reyes 322
Muestreo de aceptación

• Calificación de lotes: sin inspección, insp. 100% y muestreo

• Ventajas de la aceptación por muestreo:


– Aplicable a pruebas destructivas
– Menor costo de inspección
– Menor tiempo de inspección
– Menor manejo de producto
– Presión al proveedor para mejorar su calidad

• Desventajas de la aceptación por muestreo


– Riesgo de aceptar lotes malos o rechazar buenos
– Poca información sobre el producto o proceso
– Requiere planeación

P. Reyes 323
Tipos de muestreo de
aceptación
• Muestreo por atributos
– Muestreo simple
– Muestreo doble
– Muestreo múltiple

• Muestreo por variables


– Calificación por variables (un plan por cada
característica)
– Plan en base a la posición de la media

P. Reyes 324
Formación de lotes y
muestreo
• Los lotes deben ser homogéneos es decir haberse
producido bajo las mismas condiciones de manufactura

• Es mejor inspeccionar lotes grandes que pequeños

• Los lotes deben ser fáciles 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

P. Reyes 325
Muestreo por atributos

P. Reyes 326
Muestreo simple por atributos
• Se define por su tamaño de muestra n y el
número de aceptación c máxima de partes
defectivas (N tamaño de lote)

• Pa es la probabilidad de aceptar un lote con


fracción defectiva p con base en el plan de
inspección
Pa n-c
1
• Pa es
0.8la probabilidad acumulada
Curva de Poisson de
característica
(Excel)
0.5 Operación dado una
0.3 Tamaño de muestra n
0.1 y un criterio de aceptación c
0.05 0.1 0.15 0.2 0.25 0.3 p Prov.
P. Reyes 327
Muestreo simple por atributos

n =tamaño de . muestra
.
c = criterio de
. aceptacion
.
d = defectivos encontrados
. en
. la. muestra
.
p = fraccion defectiva
. en
. el. lote
.
c
n!
Pa =P (d ≤ c )= ∑ p −(1 p )
d n −
d

d =0 d !(n −d )!

Calcular la probabilidad de aceptar un


Lote defectivo con p=0.01, n=89, c=2
P. Reyes 328
Muestreo simple por atributos
Variar la p de 0.005, 0.01 – 0.09 y
Obtener la curva OC Tipo B, N grande.
Se usa la distr. Binomial o de Poisson

a) Determinar la Pa con n=89 y


c = 0, 1 y 2
b) Observar que pasa si se varia n
para n=50, 100, 200 para c=2

P. Reyes 329
Muestreo simple por atributos
Variar la p de 0.005, 0.01 – 0.09 y
Obtener la curva OC Tipo A, N <= 10n.
Se usa la distribución Hipergeométrica

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

P. Reyes 330
Diseño de un plan de
muestreo
con una curva OC específica
• 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 intersección de las


líneas que conectan (p1=0.02, 1-alfa=0.99) y
(p2=0.06, beta=0.1)

• Se localiza la intersección 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 P. Reyes 331
Inspección rectificadora

9 lotes son
Entrada de 100 aceptados a pesar
n =200
lotes de cierto de tener un 2%
proveedor con Pa c=1
defectivo:
N=10,000 y
Es decir ingresan
p = 0.02
P=0.02 88,820 piezas OK
AOQ
Y 1800 piezas KO

91 lotes son Total de piezas OK Alm.


rechazados y
seleccionados 998,820
por el
Piezas defectivas
proveedor, deja
910,000 piezas 1,800
OK
P. Reyes
0.18% AOQ 332
Muestreo simple por atributos
• Conforme se disminuye c o se aumenta n la
probabilidad de aceptar lotes defectivos se
reduce Pa

• AOQ es la calidad de salida promedio después de


aplicar un plan de muestreo a los lotes del
proveedor, donde algunos lotes se aceptan y
otros se rechazan Planta
para selección 100%
Fracción AOQ = p*Pa
defectiva
que ingresa 0.3 Almacén
al almacén o
planta 0.25 Fracción
después de defectiva
aplicar el
0.20 AOQL que envía
plan de 0.15 el
muestreo proveedor
0.1
0.05 0.1 0.15 0.2 0.25 0.3 p Prov.
P. Reyes 333
Inspección 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

P. Reyes 334
Inspección 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
P. Reyes 335
Inspección rectificadora

ATI 10,000 N=10,000

N=5,000

N=1,000

p
P. Reyes 336
Planes de muestreo doble
• Bajo ciertas circunstancias es necesario
tomar una segunda muestra para tomar una
decisión. Muestras n1 y n2 con criterios de
aceptación c1Inspeccionar
y c2 1a.
Muestra con n1=50
d1 = # de defectivos Si
Si
d1 > c2 = 3
d1<=c1=1
1< d1 <= 3 Rechazar lote
Aceptar lote Inspeccionar 2a.
Muestra con n2=50
d2 = # de defectivos
Si d1 + d2 Si d1+d2 > c2
<= c2 =3 Con c2 = 3
Aceptar lote Rechazar lote

P. Reyes 337
Curva OC – Muestreo doble

Pa Probabilidad de rechazo
con Primera muestra

Probabilidad de
Aceptación con
Probabilidad de
Muestras combinadas
Aceptación con
Primera muestra

p
P. Reyes 338
Curva OC – Muestreo doble
Probabilidad de aceptación en el muestreo doble

Pa = PaI + PaII =0.279 +0.010 =0.289


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

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


P (1) = P{ d1 = 2, d 2 ≤1} = P{ d1 =2} * P{ d 2 ≤}1
a
II
=0.009
PaII (2) = P{ d1 = 3, d 2 = 0} = P{ d1 =3} * P{ d 2 =}0 =0.001

P. Reyes 339
Curva OC – Muestreo doble
Probabilidad de rechazo

Pr = P + P
r
I
r
II

2
50!
P =1− ∑
r
I
(0.05) 1d (1 −0.05)50− 1d

d 1= 0 d1!(50 − d1)!

P = Pr (1) + Pr (2)
r
II II II

PrII (1) = P{ d1 = 2, d 2 >1} = P{ d1 =2} * 1 −P{ d 2 }≤1 


PrII (2) = P{ d1 = 3, d 2 ≥1} = P{ d1 =3} * P{ 1 −P{ d 2 =}0}

P. Reyes 340
Curva ASN – Average Sample
Number
ASN bajo inspección completa

ASN = n1 P1 + ( n1 + n2)(1 − P1)


P1 = P{ lote.aceptado.en. primera.muestra
} +
P { lote. rechazado. en. primera. muestra}
P1 = P ( d1 ≤ 1) + P ( d1 > 3)
P ( d1 > 3) = 1 − P ( d1 ≤ 3)

P. Reyes 341
Curva ASN – Average Sample
Number
ASN bajo inspección recortada en 2a. Muestra al tener d >c2

c2
ASN = n1 + ∑ P( n1, [j) n2L P ( n2, c2 j− +
j = c1 +1

c2 − j + 1
+ PM ( n2 1,+c2 j − 2) ]+
p
P( n1, j) = probabilidad . de. j. defectivos.en. muestra. n1
PL ( n2, c2− j) = prob. de. obser var . c2 −j. o. menos. defectivos. en. muest
ra n . 2
PM ( n2 + 1, c2 − j + 2) = prob. debser
. o var . c2− j+ 2. defectivos. en. muestra. n2 1+

P. Reyes 342
Curvas de ASN para diferentes planes
de muestreo: simple, doble y doble
recortado
Plan: n1=60, n2=120, c1=2, c2=3
120
ASN
Inspección doble
completa

Inspección
90
simple

Inspección
recortada
60
0.02 0.04 0.06 0.08 0.10 0.12
p
P. Reyes 343
Diseño de planes de muestreo dobles

• Se utilizan tablas especiales para diseñar los


planes de muestreo doble en función de (p1,
1-alfa) y (p2, beta)

P. Reyes 344
Curva AOQ y ATI – Muestreo doble

Ecuaciones para AOQ y ATI:

 PaI ( N − n1) + PaII ( N − n1 − n2) * p


AOQ =
N
ATI = n1* PaI + ( n1 + n2) * PaII +N (1 −Pa)

P. Reyes 345
Muestreo múltiple

• Es una extensión 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 más pequeñas que las requeridas en
muestreo simple o doble y se tiene menor costo pero
es más complejo

P. Reyes 346
Muestreo secuencial

P. Reyes 347
Muestreo secuencial
• Se toma una secuencia de muestras de un lote
n dependiendo de los resultados de la
inspección

• Para cada punto la X es el número de puntos


seleccionados hasta cierto tiempo y la
No.de ordenada
7 Xb
el número de defectivos hallados
Defectivos 6
5 Rechazar
4
Continuar Xa
3
h2
2 Aceptar
1
0
-1 10 20 30 40
-2
-h1 P. Reyes 348
Muestreo secuencial

X ACEPTACION = −h1 + sn Curva OC

1-Alfa
X RECHAZO = h2 + sn
h2/(h1+h2)
p 2 (1 − p1 )
k = log
p1 (1 − p 2 )
Beta

 1 − p1 
s = log  ÷ k
p1 s p2
 1 − p2 

 1− β  Calcular ecuaciones
h2 =  log ÷k
 α  para:

 1 −α  p1 = 0.01, Alfa = 0.05


h1 =  log  ÷ k
 β  P. Reyes p2 = 0.06, Beta = 0.10 349
Resultados del muestreo
n
secuencial
Xa Xr Xa Xr n Xa Xr Xa Xr
1 -1.192 1.598 -1 2 24 -0.548 2.242 -1 3
2 -1.164 1.626 -1 2 25 -0.52 2.27 -1 3
3 -1.136 1.654 -1 2 26 -0.492 2.298 -1 3
4 -1.108 1.682 -1 2 27 -0.464 2.326 -1 3
5 -1.08 1.71 -1 2 28 -0.436 2.354 -1 3
6 -1.052 1.738 -1 2 29 -0.408 2.382 -1 3
7 -1.024 1.766 -1 2 30 -0.38 2.41 -1 3
8 -0.996 1.794 -1 2 31 -0.352 2.438 -1 3
9 -0.968 1.822 -1 2 32 -0.324 2.466 -1 3
10 -0.94 1.85 -1 2 33 -0.296 2.494 -1 3
11 -0.912 1.878 -1 2 34 -0.268 2.522 -1 3
12 -0.884 1.906 -1 2 35 -0.24 2.55 -1 3
13 -0.856 1.934 -1 2 36 -0.212 2.578 -1 3
14 -0.828 1.962 -1 2 37 -0.184 2.606 -1 3
15 -0.8 1.99 -1 2 38 -0.156 2.634 -1 3
16 -0.772 2.018 -1 3 39 -0.128 2.662 -1 3
17 -0.744 2.046 -1 3 40 -0.1 2.69 -1 3
18 -0.716 2.074 -1 3 41 -0.072 2.718 -1 3
19 -0.688 2.102 -1 3 42 -0.044 2.746 -1 3
20 -0.66 2.13 -1 3 43 -0.016 2.774 -1 3
21 -0.632 2.158 -1 3 44 0.012 2.802 0 3
22 -0.604 2.186 -1 3 45 0.04 2.83 0 3
46 0.068 2.858 0 3
350
23 -0.576 2.214 -1 3
P. Reyes
Fórmulas muestreo
secuencial
Número promedio de muestras inspeccionadas
 A B Número de muestras que
ASN = Pa   + (1 − Pa ) inspecciona el cliente
C  C
unicamente

β 1− β p   1 − p2
C = p log 2  + (1 − p ) log


A = log B = log
α  p1   1 − p1 
1−α

Nivel de calidad promedio de salida AOQ = p*Pa


y ATI
Número de muestras que
 A
ATI = Pa   + (1 − Pa ) N inspecciona cliente y el proovedor
C 

P. Reyes 351
Uso de tablas de muestreo
MIL-STD-105E
ANSI Z1.4, ISO 2859

P. Reyes 352
Tablas de muestreo MIL-STD
105E o ANSI Z1.4
• Requiere información de:
– Tamaño del lote N

– Nivel de inspección (especial o normal )


• Se usa inspección especial cuando las
características no son críticas o en pruebas
destructivas. El nivel de default es el II

– Magnitud del AQL (fracción defectiva aceptable en


lotes)
• Es la fracción defectiva que se negocía 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
P. Reyes 353
Tablas de muestreo MIL-STD
105E o ANSI Z1.4
• Contempla tres tipos de muestreo:
– Simple

– Doble

– Múltiple

• En cada uno de los tipos se prevén los planes de


inspección:
– Inspección normal

– Inspección reducida

– Inspección estricta
P. Reyes 354
Tablas de muestreo MIL-STD
105E o ANSI Z1.4
• Iniciando con Inspección normal, proporciona
información de:
– Tamaño de muestra n
– Criterio de aceptación 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
P. Reyes 355
Tablas de muestreo MIL-STD
105E o ANSI Z1.4
• Ejemplo: Si N = 2,000 y AQL = 0.65%, Nivel de inspección
II

– La tabla I indica letra código K

– La tabla II-A para inspección normal indica el plan de


muestreo n = 125, Aceptar = 2, Rechazar = 3

– La tabla II—B para inspección estricta indica el plan de


muestreo n = 125, Aceptar = 1, Rechazar = 2

– La tabla II—C para inspección reducida indica el plan


de muestreo n = 50, Aceptar = 1, Rechazar = 3

P. Reyes 356
Tablas de muestreo MIL-STD
105E o ANSI Z1.4
• Buscar los planes equivalentes en curva CO para
muestreo doble y múltiple

• Las tablas solo incluyen algunos valores de n que


se incrementan conforme al lote es mayor, sin
embargo la razón de N/n disminuye rápidamente
dando economía de inspección

• Las flechas ascendentes y descendentes indican


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

P. Reyes 357
Planes de muestreo Dodge - Romig

• Planes para protección en LTPD (lot tolerant percent


defective), o fracción defectiva que se desea rechazar el
90% de las veces (Pa = 0.1) – para componentes críticos

• Es necesario conocer el LTPD y la fracción defectiva


promedio del proceso p y el tamaño de lote N

• La p puede obtenerse de una carta p histórica 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

P. Reyes 358
Planes de muestreo Dodge -
Romig
• Planes para protección en AOQL (average outgoing quality
limit) o máxima fracción defectiva que se desea ingresar a la
empresa después de aplicar un plan de muestreo

• Asumiendo N = 5000, AOQL = 3% y fracción 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 fracción 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

P. Reyes 359
Muestreo por variables

P. Reyes 360
Muestreo por variables

• El parámetro de interés debe seguir una distribución normal

• Una ventaja es que el tamaño de muestra es más pequeño


que en su equivalente por atributos

• Una desventaja es que se requiere un plan por cada


característica, el de atributos considera varias a la vez

• Para diseñar planes de muestreo por variables se utiliza un


Nomograma como en el caso de atributos

P. Reyes 361
Muestreo simple por variables
Método I – Distancia k de X a Lim.
Esp.
• Se define por su tamaño de muestra n y el número de
aceptación k distancia mínima de la media de la muestra
al límite de especificación LIE o LSE.

• Se toma una muestra y se evalúa la característica


obteniendo un valor de MEDIA y de DESVIACIÓN
ESTANDAR, con estos datos se determina Z y se compara
con el valor mínimo de K. El lote se acepta si |Z| >= k es
lo minimo que puede valer Z, porque en el momento mas
pequeño
LIE es mas se acerca al limite de aceptación
Posición de la media en
Conforme se Z Relación con el límite de
Recorre a la derecha
la fracción defectiva Especificación inferior LIE
disminuye

Z = (LIE-Xm)/s
1.05 1.1 1.15 1.2 1.25 1.3 Dimensión X
P. Reyes 362
Muestreo simple por variables
Método I – Distancia k de X a Lim.
Esp.

Pa es la probabilidad de aceptar un lote con


fracción defectiva p con base en el plan de
inspección n-k

Pa
1 Curva característica de
0.8 Operación dado una
0.5 Tamaño de muestra n
0.3 y un criterio de aceptación k
0.1
0.05 0.1 0.15 0.2 0.25 0.3 p Prov.
P. Reyes 363
Determinación de la fracción
defectiva en la muestra por el
Pasos:
Método II
1.Se toma una muestra de tamaño n
2. Se mide la característica de interés
3. Se calcula la Media y la desv. Estandar de la muestra
4. Se determina el valor de Qi y Qs en función de especs. LIE, LSE
4. Se determina el valor de P(Qt) = P(Qi) + P(Qs) bajo la normal

LIE X LSE
Aceptar el lote
Si P(Qtot) <= M
Qi Qs
s

P(Qi) P(Qs)
P. Reyes 364
Fórmulas

Q= Z n
(n − 1)

X − LIE
QLIE = n /( n − 1)
σ

LSE − X
QLSE = n /( n − 1)
σ

Buscar en tabla P(Q) para una n


P. Reyes 365
Muestreo simple por variables
–Método II de M = fracc. Def.
máx.
• Se define por su tamaño de muestra n y el
número de aceptación M máxima fracción
defectiva aceptable en la muestra

• Pa es la probabilidad de aceptar un lote con


fracción defectiva p con base en el plan de
Pa
inspección n-M
1 Curva característica de
0.8 Operación dado una
0.5 Tamaño de muestra n
0.3 y un criterio de aceptación M
0.1
0.05 0.1 0.15 0.2 0.25 0.3 p Prov.
P. Reyes 366
Tablas de muestreo ASQC-Z1.9
• Requiere información de (por cada característica variable):
• Tamaño del lote
• Nivel de inspección (especial o normal – Default II)
• Magnitud del AQL (fracción defectiva aceptable en lotes)

• Contempla dos tipos de muestreo:


• Método I utilizando el valor de K
• Método II utilizando el valor de M

• En cada uno de los tipos se prevén los planes de inspección:


• Inspección normal
• Inspección reducida
• Inspección estricta

P. Reyes 367
Tablas de muestreo ASQC-
Z1.9
• Iniciando con Inspección normal, proporciona
información de:
• Tamaño de muestra n
• Criterio de aceptación K (máx) o M (mín)

• 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
P. Reyes 368
Tablas de muestreo ANSI Z1.9
• Ejemplo: Si N = 2,000 y AQL = 0.65%, Nivel de inspección
II

• La tabla I indica letra código K

• La tabla II-A para inspección normal indica el plan de


muestreo n = 125, Aceptar = 2, Rechazar = 3

• La tabla II—B para inspección estricta indica el plan de


muestreo n = 125, Aceptar = 1, Rechazar = 2

• La tabla II—C para inspección reducida indica el plan de


muestreo n = 50, Aceptar = 1, Rechazar = 3

P. Reyes 369
Tablas de muestreo ASQC-
Z1.9
Método I con el valor de K
• Ejemplo: Si N = 40 y AQL = 1%, Nivel de inspección II
teniendo un Límite Superior de especificaciones LSE = 209

• La tabla A-2 indica letra código D

• La tabla B-1 para inspección normal indica el plan de


muestreo n = 5, Criterio de aceptación 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. Estándar s = 8.81, por tanto Z = 1.59

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


P. Reyes 370
Tablas de muestreo ASQC-
Z1.9
Método II con el valor de M
• Ejemplo: Si N = 40 y AQL = 1%, Nivel de inspección II
teniendo Límite Superior de Especificaciones LIE = 180, LSE
= 209
• La tabla A-2 indica letra código D

• La tabla B-3 para inspección normal indica el plan de


muestreo n = 5, Criterio de aceptación 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%


• Conclusión: Como P(Zt) es menor que M, se acepta el lote
P. Reyes 371
Plan de muestreo para
asegurar la media del lote
• Si deseamos aceptar lotes con una
probabilidad Pa siempre que tengan una
media máxima Xmedia histórica y que
deseamos rechazar los lotes el 90% de las
veces si llegan con una fracción defectiva p
X A − 0.30 X A − 0.30
= = + 1.645− − (95%)
σ 0.10
n n
X A − 0.40
= − 1.282− − (10%)
0.10
n
n=9
X A = 0.356

P. Reyes 372

S-ar putea să vă placă și