Documenti di Didattica
Documenti di Professioni
Documenti di Cultura
\
|
=
Cp
P (6.3)
Para el caso del ejemplo se tiene:
P = [(1/1.68)] 100 = 59.5%
Cuando slo existe un lmite de especificaciones, el ndice de capacidad potencial
Cp o PCR se define como:
o
3
= =
LSE
PCR Cps
S
para el lmite superior (6.4)
o
3
LIE
PCR Cpi
I
= = para el lmite inferior
Ejemplo 6.2 Para el caso de la resistencia de las botellas de vidrio, si el LIE =
200psi,
67 . 0
96
64
) 32 ( 3
200 264
= =
= =
I
PCR Cp
Lo cual indica falta de habilidad, la fraccin abajo del lmite inferior es:
2
32
264 200
=
=
o
LIE
Z
I
P(x <= ZI) = 0.0228 o 2.28% por debajo del lmite inferior de especificaciones
Algunos de los ndices de capacidad potencial Cp y las piezas defectivas en partes
por milln (ppm) que estn fuera de especificaciones se muestran a continuacin:
Cp 1-lado 2-lados
0.25 226,628 453,255
0.50 66,807 133,614
0.60 35,931 71,861
Grficas de Control para Atributos Guillermo Garca Gonzlez
21
21
2014
0.70 17,865 35,729
0.80 8,198 16,395
1.00 1,350 2,700
1.10 484 967
1.20 159 318
1.30 48 96
1.40 14 27
1.50 4 7
1.60 1 2
1.70 0.17 0.34
2.00 0.0009 0.0018
Se recomienda que para procesos existentes el mnimo Cp sea de 1.33 y de 1.67
para procesos crticos, el ideal es 2.0 para procesos nuevos como es el caso de
Motorola en su programa 6-sigma.
Este ndice no toma en cuenta la localizacin relativa de la media del proceso
respecto a los lmites de especificaciones. Por lo que es necesario otro ndice
adicional.
Indice de capacidad real Cpk
Este ndice si toma en cuenta el centrado del proceso respecto a las
especificaciones, en este caso se denomina Cpk o PCRk, y se evala tomando el
mnimo entre los Cps correspondientes a cada lado de la media, como sigue,
) , (
I S
PCR PCR min PCRk Cpk = = debe ser mayor a 1
(6.5)
donde,
o
3
= =
LSE
PCR Cps
S
para el lmite superior (6.6)
o
3
LIE
PCR Cpi
I
= = para el lmite inferior
Ejemplo 6.3 Para un proceso donde los lmites de especificacin sean LSE=62,
LIE=38, la media del proceso sea =53 y su desviacin estndar o=2, se tiene:
5 . 1
32
53 62
=
= =
S
PCR Cps para el lmite superior
5 . 2
32
38 53
=
= =
I
PCR Cpi para el lmite inferior
Por tanto, el ndice de capacidad real es:
5 . 1 ) 5 . 2 , 5 . 1 ( ) , ( = = = = min PCR PCR min PCRk Cpk
I S
Grficas de Control para Atributos Guillermo Garca Gonzlez
22
22
2014
Note que el PCR a considerar corresponde al lmite de especificacin ms cercano a
la media del proceso. Siempre se cumple que,
Cpk <= Cp
Siendo el Cpk menor cuando el proceso no est centrado
Normalidad y capacidad del proceso
Las consideraciones anteriores se basan en la suposicin que el proceso tiene un
comportamiento normal, si no es as, puede ser necesario transformar los datos
con alguna funcin matemtica para dar la apariencia de normalidad, por ejemplo
la distribucin siguiente de acabado superficial en una parte maquinada no es
normal:
Frec.
a)
Microdureza
Se puede transformar cada valor x con su inverso o sea con y=1/x de esta forma la
distribucin transformada es la siguiente (ver mtodo de Box Cox con Lamda
ptima en Minitab):
Frec.
b)
Y = 1 / x
Fig. 6.6 Transformacin de datos para normalizarlos
Lo cual representa una distribucin normal.
6.2.4 INDICE DE CAPACIDAD POTENCIAL Cpkm PCRkm
Dos procesos pueden tener un Cpk igual a uno, pero sin embargo no
necesariamente estn centrados respecto a la media de las especificaciones como
se muestra a continuacin:
LIE LSE LIE LSE
Grficas de Control para Atributos Guillermo Garca Gonzlez
23
23
2014
PROCESO A: Cpk = 1 PROCESO B: Cpk =1
Fig. 6.7 Procesos con Cpk = 1 pero con centrado diferente
Un nuevo ndice que toma en cuenta el centrado es el siguiente:
Si ) (
2
1
LIE LSE T + = (6.7)
2 2
) ( T + = o t (6.8)
o
=
T
(6.9)
Se tiene,
2 2 2
1 ) ( 6
6
o
t
+
=
+
= =
LIE LSE
T
LIE LSE LIE LSE
PCR Cp
km km
(6.10)
Una condicin necesaria para que Cpkm sea mayor de uno es:
) (
6
1
LIE LSE T <
Ejemplo 6.4 Para los procesos A y B ilustrados anteriormente se tiene:
Lmites de especificacin: LIE = 38, LSE = 62, T = 50
Proceso A: Media = 50, desv. estndar = 5
Proceso B: Media = 57.7, desv. estndar = 2.5
Entonces Cpkm (A) = 0 . 1
0 1
1
=
+
Cpkm (B) = 63 . 0
) 3 ( 1
2
2
=
+
Por tanto es mejor el proceso A, centrado en la media.
En base a lo anterior se ha propuesto otro ndice de capacidad por Pearn (1992),
que toma en cuenta el descentrado de la media del proceso respecto del de
especificaciones, o sea:
2
1 +
= =
Cpk
PCR Cp
pmk pmk
(6.11)
Nota: Es muy importante que el proceso sea normal, de lo contrario se obtendrn
resultados inexactos. Cuando los procesos son ligeramente anormales se pueden
utilizar los mtodos de Pearson, transformar los datos por Box Cox o usar Weibull.
Capacidad del proceso con Cartas de Control
Grficas de Control para Atributos Guillermo Garca Gonzlez
24
24
2014
La carta de control es un mejor instrumento para evaluar la capacidad del proceso
porque se puede observar que el proceso est en control ya sea en forma
instantnea o durante el tiempo antes de evaluar la capacidad.
Se puede observar que cuando el proceso est en control, no existen causas
asignables que puedan ser corregidas, y la nica alternativa para reducir la
variabilidad es con la intervencin de la administracin.
En casos especiales como estos donde las variaciones presentes son totalmente
inesperadas tenemos un proceso inestable impredecible.
Fig. 6.10 Comportamiento de un proceso fuera de control
Si las variaciones presentes son iguales, se dice que se tiene un proceso estable.
La distribucin ser predecible en el tiempo.
Fig. 6.11 Comportamiento de un proceso dentro de control
Clculo de la desviacin estndar del proceso
2
d
R
= o
4
C
S
= o (Para cartas de control X-R y X-S respectivamente)
Donde,
S = Desviacin estndar de la poblacin
d
2
= Factor que depende del tamao del subgrupo en la carta de control X - R
?
? ?
? ?
? ?
Prediccin
Tiempo
Grficas de Control para Atributos Guillermo Garca Gonzlez
25
25
2014
C
4
= dem al anterior para una carta X - S
En una carta por individuales, d2 se toma para n = 2 y Rango Medio = Suma rangos
/ (n -1)
Ejemplo 6.7 (carta X - R)
De una carta de control X - R (con subgrupo n = 5) se obtuvo lo siguiente, despus
de que el proceso se estabiliz quedando slo con causas comunes:
x
= 64.06 , R
= 77.3
Por tanto estimando los parmetros del proceso se tiene:
( ) medias de media x =
23 . 33
326 . 2
3 . 77
2
= = =
d
R
o
Si el lmite de especificacin es: LIE = 200.
El
( )
23 . 33 3
06 . 264 200
=
pk
C = 0.64 por tanto el proceso no cumple con las
especificaciones.
Ejemplo 6.8 (carta X - S)
De una carta de control X - S (con subgrupo n = 5) se obtuvo lo siguiente, despus
de que el proceso se estabiliz quedando slo con causas comunes:
05 . 1 , 100 = = s x
Por tanto estimando los parmetros del proceso se tiene:
100 = = x
4
C
s
= o = 117 . 1
094 .
05 . 1
=
C
4
para n = 5 tiene el valor 0.94
Si el lmite de especificacin es: LIE = 85 y el LSE = 105.
El
( )
492 . 1
117 . 1 3
100 105
=
=
pk
C
El
( )
984 . 2
117 . 1 6
85 105
=
=
p
C
Por lo tanto el proceso es capaz de cumplir con especificaciones.
Grficas de Control para Atributos Guillermo Garca Gonzlez
26
26
2014
Capacidad de procesos con minitab normales y no normales
Generar 100 datos aleatorios en Minitab con Media = 264.6 y Desviacin estndar
S = 32.02 con
1. Calc > Random data > Normal
2. Generate 100 Store in columns C1 Mean 264.06 Estndar deviation
32.02 OK
Considerando Lmites de especificaciones LIE = 200 y LSE = 330
Nos aseguramos que los datos se distribuyan normalmente con la prueba de Ryan
como sigue:
3. Stat > Basic statistics > Normalita Test
4. Variable C1 Seleccionar Ryan Joiner test OK
El P value debe ser mayor a 0.05 para que los datos se distribuyan normalmente
Otra opcin por medio de una grfica de probabilidad normal, se tiene:
5. Graph > Probability plot > Normal
6. Graph Variable C1
7. Distribution Normal OK
Los puntos deben quedar dentro del intervalo de confianza para indicar que es
normal la distribucin.
Datos
P
e
r
c
e
n
t
350 300 250 200 150
99.9
99
95
90
80
70
60
50
40
30
20
10
5
1
0.1
Mean
>0.100
269.3
StDev 30.72
N 100
RJ 0.994
P-Value
Probability Plot of Datos
Normal
Grficas de Control para Atributos Guillermo Garca Gonzlez
27
27
2014
Determinacin de la capacidad del proceso
Una vez comprobada la normalidad de los datos, determinar la capacidad con:
1. Stat > Quality tools > Capability anlisis > Normal
2. Single column C1 Subgroup size 1 Lower Spec 200 Upper spec 330
3. Estimate R-bar OK
Los resultados se muestran a continuacin:
Datos
P
e
r
c
e
n
t
400 350 300 250 200 150
99.9
99
95
90
80
70
60
50
40
30
20
10
5
1
0.1
Mean
0.533
269.3
StDev 30.72
N 100
AD 0.317
P-Value
Probability Plot of Datos
Normal - 95% CI
360 330 300 270 240 210
LSL USL
Process Data
SampleN 100
StDev (Within) 30.83472
StDev (Ov erall) 30.80011
LSL 200.00000
Target *
USL 330.00000
Sample Mean 269.25354
Potential (Within) Capability
CCpk 0.70
Ov erall Capability
Pp 0.70
PPL 0.75
PPU 0.66
Ppk
Cp
0.66
Cpm *
0.70
CPL 0.75
CPU 0.66
Cpk 0.66
Observ ed Performance
PPM<LSL 10000.00
PPM>USL 30000.00
PPMTotal 40000.00
Exp. Within Performance
PPM<LSL 12353.30
PPM>USL 24415.36
PPMTotal 36768.66
Exp. Ov erall Performance
PPM<LSL 12272.69
PPM>USL 24288.79
PPMTotal 36561.48
Within
Overall
Process Capability of Datos
Grficas de Control para Atributos Guillermo Garca Gonzlez
28
28
2014
Interpretacin:
La desviacin estndar Within se determina en base al Rango medio y d2 (1.128
para n = 2), con esta se determinan los ndices de capacidad potencial Cp y real
Cpk, lo cual es adecuado para un proceso en control o normal.
La desviacin estndar Overall se determina con la desviacin estndar de todos
los datos de la muestra dividido entre el factor C4 = 4(n-1)/(4n 3), con esta
desviacin estndar se determinan los ndices de desempeo Pp y Ppk as como
el desempeo Overall, no importando si el proceso est en control o no, en este
ltimo caso los valores no tienen significado prctico.
Opcin Six Pack
Para mostrar toda la informacin relevante:
Determinar la capacidad con:
4. Stat > Quality tools > Capability Six Pack > Normal
5. Single column C1 Subgroup size 5 Lower Spec 200 Upper spec 330
6. Estimate R-bar OK
Los resultados se muestran a continuacin:
En este caso de la grfica de probabilidad normal, los datos siguen una distribucin
normal.
Capacidad de procesos no normales.
I
n
d
i
v
i
d
u
a
l
V
a
l
u
e
100 90 80 70 60 50 40 30 20 10 1
320
240
160
_
X=269.3
UCL=361.8
LCL=176.7
M
o
v
i
n
g
R
a
n
g
e
100 90 80 70 60 50 40 30 20 10 1
100
50
0
__
MR=34.8
UCL=113.6
LCL=0
Observation
V
a
l
u
e
s
100 95 90 85 80
300
250
200
360 330 300 270 240 210
400 300 200
Within
Overall
Specs
Within
StDev 30.83472
Cp 0.70
Cpk 0.66
CCpk 0.70
Ov erall
StDev 30.80011
Pp 0.70
Ppk 0.66
Cpm *
1
1
Process Capability Sixpack of Datos
I Chart
Moving Range Chart
Last 25 Observations
Capability Histogram
Normal Prob Plot
AD: 0.317, P: 0.533
Capability Plot
Grficas de Control para Atributos Guillermo Garca Gonzlez
29
29
2014
Cuando los datos provienen de poblaciones no normales una opcin para realizar
el estudio de capacidad de procesos es mediante la distribucin Weibull.
Ejemplo en Minitab
En una compaa se manufacturan losetas para piso, el problema que se tiene es
referente a la deformacin en las mismas. Se toman 100 mediciones durante 10
das. El lmite superior de especificacin (USL) = 3.5 mm Realice un estudio de
capacidad con la ayuda de Minitab e interprete los resultados.
Generar 100 datos aleatorios en Minitab con Factor de forma = 1, Factor de escala
= 1 con
8. Calc > Random data > Weibull
9. Generate 100 Store in columns C1 Shape parameter 1.2 Scale parameter
1 Threshold parameter 0 OK
Considerando Lmites de especificaciones LIE = 0 y LSE = 3.5
Determinar la capacidad con:
7. Stat > Quality tools > Capability anlisis > NoNormal
8. Single column C1 Dsitribution Weibull Lower Spec 0 Upper spec 3.5
9. Estimate R-bar OK
Los resultados se muestran a continuacin:
3.5 3.0 2.5 2.0 1.5 1.0 0.5 0.0
USL
Process Data
SampleN 100
Shape 1.24929
Scale 0.88470
LSL *
Target *
USL 3.50000
Sample Mean 0.82279
Ov erall Capability
Pp *
PPL *
PPU 0.85
Ppk 0.85
Observ ed Performance
PPM<LSL *
PPM>USL 10000
PPMTotal 10000
Exp. Ov erall Performance
PPM<LSL *
PPM>USL 3795.26
PPMTotal 3795.26
Process Capability of Datos1
Calculations Based on Weibull Distribution Model
Grficas de Control para Atributos Guillermo Garca Gonzlez
30
30
2014
El histograma no muestra evidencia de alguna discrepancia seria entre el modelo y
los datos, ya que la curva muestra buen ajuste. Sin embargo observamos que
algunos datos caen fuera del lmite superior de especificacin. Lo cual quiere decir
que en algunos casos la deformacin ser mayor a 3.5 mm.
El ndice Ppk y Ppu
2
= 0.85 lo cual nos dice que el desempeo del proceso no es
capaz ya que 0.85<.1.33
Tambin observamos que PPM > USL 3,795 lo cual significa que aproximadamente
3,795 PPM estarn fuera de los lmites de especificaciones.
Tambin se cuenta con la opcin Six Pack para esta opcin.
Grficas de Control para Atributos Guillermo Garca Gonzlez
31
31
2014
Grfica de
Control
de Atributos
Piezas
Defectuosas
Grfica p Grfica np
Defectos por
pieza
Grfica u
Grfica c
CONCLUSIN
Del desarrollo de los conceptos y ejemplos se puede observar el enorme potencial
que posee la utilizacin del Control Estadstico de la calidad como instrumento y
herramienta destinada a un mejor control, una forma ms eficaz de tomar
decisiones en cuanto a ajustes, un mtodo muy eficiente de fijar metas y un
excepcional medio de verificar el comportamiento de los procesos.
Grficas de Control para Atributos Guillermo Garca Gonzlez
32
32
2014
BIBLIOGRAFA
http://www.prograweb.com.mx/CEC/
Grficos de Control por Atributos unidad IV
http://www.itescam.edu.mx/principal/sylabus/fpdb/recursos/r5730
5.DOC
www.slideshare.net/.../graficas-de-control-por-atributo-
www.fundibeq.org/opencms/.../graficos_de_control_por_atributospdf
www1.uprh.edu/.../para%20el%20curso/Graficasdecontrol
p
www.monografias.com
SIP I Methodology & tools training
www.gestiopoly.com
Goetsch, D. L. & Davis, S. B.; 2003. Quality Management. 4t Edition.
Prentice Hall.
http://ingenieriaindustrialupvmtareasytrabajos.files.wordpress.com/
2012/08/cartas-de-control-por-atributos1.pdf
uiesepifanioCCetigtpdf