Control Estadstico de la Calidad y los Procesos

GRFICOS POR
VARIABLES
1

Qu es calidad?
Calidad de diseo: corresponde a la
medida en que el producto satisface las
necesidades del cliente.
Calidad de conformidad: se refiere al
grado en que el producto o servicio
concuerda con los requerimientos de
diseo.
2

Qu es calidad? (cont)
Normalmente la calidad se asocia con una
caracterstica medible del producto, la
cual se denomina caracterstica de
calidad. As, la calidad de diseo se
tranforma en especificaciones adecuadas.
Frecuentemente no se diferencia entre la
calidad de diseo y la de conformidad, sin
embargo el rea de produccin suele
centrarse en la segunda.
3

El papel de la estadstica en
el aseguramiento de calidad
Para mejorar es necesario hacer cambios.
Nos gustara tener buenos datos sobre los
cuales realizar los cambios.
Necesitamos herramientas que nos permitan
convertir datos en informacin (es decir, que
nos permitan responder preguntas).
La estadstica es la ciencia que soluciona
ambos problemas.
4

Herramientas para el
aseguramiento de calidad
Se trata de herramientas estadsticas y
analticas de uso general
Diagramas causa-efecto.
Diagramas de flujo de procesos.
Plantillas para recoleccin de datos.
Histogramas y diagramas de Pareto.
Diagramas bivariantes.
Control estadstico de procesos.
5

Control de procesos
Histricamente ha evolucionado en dos
vertientes:
Control automtico de procesos (APC)
empresas de produccin continua (empresas
qumicas)
Control estadstico de procesos (SPC) en
sistemas de produccin en serie (empresas
metalmecnicas).

Vamos a concentrarnos en el SPC.

6

Control estadstico de
procesos
Los objetivos son:
Monitorear y vigilar el desempeo del
proceso en cuanto a las caractersticas de
calidad crticas del producto, para as
minimizar la produccin defectuosa
Grficos de Control.
Estimar los parmetros del proceso para
comparar la produccin con las
especificaciones Estudios de Capacidad.

En ambos casos, se trata de herramientas

por y para la mejora continua.

Causas de la variabilidad en
un proceso
Causas Comunes

Causas Asignables

Suelen ser muchas y

cada una produce
pequeas variaciones.
Son parte permanente
del proceso
Son difciles de eliminar y
forman parte del sistema.
Afectan a todo el
conjunto de mquinas y
operarios

Suelen ser pocas pero

con efectos importantes
en la variabilidad.
Aparecen
espordicamente.
Son relativamente fciles
de eliminar
Por lo general su efecto
est localizado en una(s)
mquina(s) u operario(s).
8

Definicin de proceso bajo

control estadstico
Se dice que un proceso est bajo control
estadstico cuando solo est afectado por
causas comunes de variabilidad. Esto
significa que podemos predecir lo que va
a suceder con el proceso y sus productos.
A diferencia del APC, en el SPC el
significado de control est ms
vinculado con el monitoreo del sistema
que con la actuacin sobre el mismo.
9

Grficos de control
Se trata de diagramas en los que se
representa el comportamiento de un
proceso en el tiempo a travs de los
valores de un estadstico asociado con
una caracterstica de calidad del producto.
Desde el punto de vista estadstico, estos
grficos permiten realizar continuamente
pruebas de hiptesis sobre una de las
caracterstica del proceso.
10

Grficos de control (cont)

El objetivo de los grficos de control es
facilitar la vigilancia del proceso para as
detectar rpidamente la presencia de
causas asignables y minimizar la
produccin defectuosa.
Los diagramas de control estn pensados
para ser usados directamente por los
propios operadores, de modo que las
acciones se tomen rpidamente.
11

Grficos de control (cont)

Un grfico de control se construye a partir
de muestras tomadas regularmente en el
tiempo, para cada una de las cuales se
calcula un estadstico W asociado con un
parmetro de la distribucin de la
caracterstica de calidad. Estos valores se
grafican junto con una lnea central y un
par de lneas de control (superior e
inferior).
12

Grficos de control (cont)

3.
5

LS
C
3.
3

3.
1

Carcteisdal

2.
9

2.
7
LI
C
2.
5

Tie m
po

13

Grficos de control (cont)

Para poder considerar al proceso bajo
control, los puntos del grfico deben estar
dentro de los lmites de control y presentar
comportamiento aleatorio.
Por simplicidad, las lneas suelen
escogerse en base a una aproximacin
normal de W:
LC E (W )

LIC E (W ) 3 V (W )
LSC E (W ) 3 V (W )

14

Grficos de control (cont)

Los valores de E(W) y V(W) pueden
estimarse de la muestra u obtenerse de
registros histricos. En el segundo caso,
es importante recordar que los lmites se
refieren al proceso (lo que realmente
sucede en planta) y no a las
especificaciones de produccin (lo que
debera suceder en la planta).
15

Grficos de control (cont)

Las muestras que se obtienen en cada
punto de observacin deben ser
subgrupos racionales.
La seleccin de la frecuencia de muestreo
y del tamao de los subgrupos debe estar
basada en los conocimientos que se
tengan sobre proceso. Usualmente se
recomienda tomar al menos 20 muestras
para construir los lmites de control.
16

Grficos de control (cont)

Diagramas para control de variables: se
utiliza cuando la caracterstica de calidad
puede expresarse como una medida
numrica (dimetro de un cojinete,
longitud de un eje, etc.)
Diagramas para control de atributos: se
utiliza cuando la caracterstica de calidad
corresponde a una variable binaria
(presencia o no de defectos, etc.)
17

CARTAS DE CONTROL POR

VARIABLES
Las cartas de control se dividen en dos categoras,
diferenciadas por el tipo de datos bajo estudiovariables y atributos.

Las Cartas de Control para datos variables

son utilizadas para caractersticas que
tienen una magnitud variable. Ejemplo:
- Longitud, Ancho, Profundidad
- Peso, Tiempo de ciclo, Viscosidad
18

Grafica de Control por Variables

MEDIAS RANGOS (subgrupos de 5 - 9 partes cada x horas, para

estabilizar procesos)

MEDIANAS RANGOS (para monitorear procesos estables)

MEDIAS DESVIACIONES ESTANDAR (subgrupos de 9 o ms
partes cada hora o cada lote de proveedor para monitoreo de
procesos o proveedores)
VALORES INDIVIDUALES (partes individuales cada x horas, para
monitoreo de procesos muy lentos o qumicos)
19

Grficos de control para

variables
Se supone que la distribucin de la
caracterstica de calidad es normal(,), al
menos aproximadamente. De aqu que se
requieran dos grficos, uno para cada
parmetro de la distribucin.
Los pares ms comunes son los de medias
y desviaciones estndar, los de medias y
rangos, y los grficos para observaciones
individuales y rangos mviles.
20

10

Grficos de medias y rangos

( X R)
Se construye un grfico para la evolucin
de las medias de los grupos (asociado con
la ubicacin de la caracterstica ) y otro
para la evolucin de los rangos (asociado
con la dispersin de la caracterstica ).
Se utilizan los rangos para medir la
variabilidad ya que son fciles de calcular y
tienen una eficiencia similar a la desviacin
estndar para subgrupos pequeos.
21

Pasos para la construccin

de grficos X R
Se toman k muestras de tamao n
(usualmente constante y menor a 7).
Se calcula la media y el rango de cada
muestra:

1 n
X i xij
n j 1

Ri max xij min xij

j

Se estiman los promedios poblacionales

1 k
X Xi
k i 1

1 k
R Ri
k i 1

22

11

Grficos de medias y rangos

( X R)
Para construir los lmites de control,
recordemos que bajo la suposicin de
normalidad y control estadstico se tiene

E( X i )

SD( X i )

E X

E ( Ri ) d 2 SD( Ri ) d 3 E R d 2
donde d2 y d3 son constantes que dependen
solo de n y pueden encontrarse en tablas
como la que se presenta a continuacin.
23

Grficos de medias y rangos

( X R)
La tabla de la derecha
muestra el valor de las
constantes d2, d3, A2,
D3 y D4 para distintos
tamaos de los
subgrupos racionales.

n
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25

d2
1,128
1,693
2,059
2,326
2,534
2,704
2,847
2,970
3,078
3,173
3,258
3,336
3,407
3,472
3,532
3,588
3,640
3,689
3,735
3,778
3,819
3,858
3,895
3,931

A2
1,880
1,023
0,729
0,577
0,483
0,419
0,373
0,337
0,308
0,285
0,266
0,249
0,235
0,223
0,212
0,203
0,194
0,187
0,180
0,173
0,167
0,162
0,157
0,153

d3
0,853
0,888
0,880
0,864
0,848
0,833
0,820
0,808
0,797
0,787
0,778
0,770
0,763
0,756
0,750
0,744
0,739
0,734
0,729
0,724
0,720
0,716
0,712
0,708

D3
0,000
0,000
0,000
0,000
0,000
0,076
0,136
0,187
0,223
0,256
0,284
0,308
0,329
0,348
0,640
0,379
0,392
0,404
0,414
0,425
0,434
0,443
0,452
0,459

D4
3,267
2,575
2,282
2,115
2,004
1,924
1,864
1,816
1,777
1,744
1,716
1,692
1,671
1,652
1,636
1,621
1,608
1,596
1,586
1,575
1,566
1,557
1,548
1,541

24

12

Grficos de medias y rangos

( X R)
Si se conocen y , estos se pueden
usarse para calcular los lmites de control:
Medias

LSC A

LC

LIC A

Rangos

LSC D2 R
LC d 2
donde
3
A
D1 d 2 3d 3
n

LIC D1 R

D2 d 2 3d 3
25

Grficos de medias y rangos

( X R)
Si no se conocen y (lo ms comn)
deben estimarse a partir de los datos.
Para las medias

LSC X A2 R

LC X

LIC X A2 R

LC R

LIC D3 R

Para los rangos

LSC D4 R
donde
3
A2
d2 n

D3 1 3

d3
d2

D2 1 3

d3
d2
26

13

Grficos de medias y rangos

( X R)
Puede justificar estas selecciones para
los lmites de control?
Lo ms comn es trabajar con n fijo para
todos los subgrupos, sin embargo en
algunos casos esto no es posible. Cmo
quedaran los lmites de control en ese
caso?

27

Grficos de medias y rangos

(cont)
Ejemplo 1.- Se
muestran datos
correspondientes a la
apertura del alabe
(en milmetros) para
un componente de la
turbina de un avin.
Se pueden ver los
clculos preliminares
en la misma tabla.

Muestra
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20

Observaciones en la muestra
33.00 29.00 31.00 32.00 33.00
33.00 31.00 35.00 37.00 31.00
35.00 37.00 33.00 34.00 36.00
30.00 31.00 33.00 34.00 33.00
33.00 34.00 35.00 33.00 34.00
38.00 37.00 39.00 40.00 38.00
30.00 31.00 32.00 34.00 31.00
29.00 39.00 38.00 39.00 39.00
28.00 33.00 35.00 36.00 43.00
38.00 33.00 32.00 35.00 32.00
28.00 30.00 28.00 32.00 31.00
31.00 35.00 35.00 35.00 34.00
27.00 32.00 34.00 35.00 37.00
33.00 33.00 35.00 37.00 36.00
35.00 37.00 32.00 35.00 39.00
33.00 33.00 27.00 31.00 30.00
35.00 34.00 34.00 30.00 32.00
32.00 33.00 30.00 30.00 33.00
25.00 27.00 34.00 27.00 28.00
35.00 35.00 36.00 33.00 30.00
Promedios:

Media
31.60
33.40
35.00
32.20
33.80
38.40
31.60
36.80
35.00
34.00
29.80
34.00
33.00
34.80
35.60
30.80
33.00
31.60
28.20
33.80
33.32

Rango
4.00
6.00
4.00
4.00
2.00
3.00
4.00
10.00
15.00
6.00
4.00
4.00
10.00
4.00
7.00
6.00
5.00
3.00
9.00
6.00
5.80

28

14

Grficos de medias y rangos

(cont)
Los lmites de control son, en este caso,
Para el grfico de medias:
LIC X A2 R 33,32 0,577 5,8 29,95
LSC X A2 R 33,32 0,577 5,8 36,65
LC 33,32
Para el grfico de rangos
LIC D3 R 2,115 5,8 12,27
LSC D4 R 0 5,8 0
LC 5,8
29

0 Rangodeprtulab5 10 15 28 30 Apertuaomdilbe32 34 36 38 40

Grficos de medias y rangos

(cont)
LS
C =3 6 .
67

L C =3 3 .
32

LI
C =2 9 .
98

10

15

20

M
ues t
r a

LS
C =1 2 .
27

L C =5 .
80

10

15

20

30

M
ues t
r a

15

Grficos de medias y rangos

(cont)
Las muestras 6, 8, 11 y 19 estn fuera de
control en grfico de medias y la 9 lo esta
en el grfico de rangos.
Cuando se estudian las causas asignables,
estas llevan a una herramienta defectuosa
en el rea de moldeo. Los lmites deben
ser recalculados excluyendo estas
observaciones atpicas, obtenindose as
un nuevo grfico.
31

0 Rangodeprtulabe5 10 15 28 30 Apertuaomdilbe32 34 36 38 40

Grficos de medias y rangos

(cont)
LS
C =3 6 .
10

L C =3 3 .
21

LI
C =3 0 .
33

10

15

20

M
ues t
r a

LS
C =1 0 .
57

L C =5 .
00

10

15

20

32

M
ues t
r a

16

Grficos de medias y
desviaciones estndar ( X s)
El utiliza el mismo grfico de medias
anterior, pero ahora se estudia la
dispersin usando un grfico de las
desviaciones standard de cada subgrupo.
La desviacin muestral es un mejor
estimador de la variabilidad, pero ms
difcil de calcular. Se prefiere en procesos
con subgrupos racionales grandes (10 o
ms) o en procesos automatizados.
33

Pasos para la construccin

de grficos X s
Se toman k muestras de tamao n.
Se calcula la media y la desviacin
standard de cada muestra:
1 n
X i xij
n j 1

Si

xij X i

j 1

n 1

Se calculan los parmetros poblacionales.

1 k
X Xi
k i 1

1 k
S Si
k i 1
34

17

Pasos para la construccin

de grficos X s
Para calcular los lmites de control
necesitamos conocer la esperanza y la
varianza de estos estimadores:

E( X i )
SD( X i )
E X
n
E ( S i ) c 4 SD( S i ) 1 c42 E S c 4

donde de nuevo c4 depende solo de n puede

obtenerse de tablas.
35

Pasos para la construccin

de grficos X s
Si se conocen y el clculo de los
lmites de control es muy sencillo:
Para las medias:

LSC A

LC

LIC A

Para las desviaciones estndar:

LSC B6 R

3
n

LC c4

B5 c4 3 1 c42

LIC B5 R

B6 c4 3 1 c42
36

18

Pasos para la construccin

de grficos X s
Cuando no se conocen los valores de y
los mismos se calculan a partir de los
datos para obtener los lmites de control
Para el grfico de medias:

LSC X A3 S

LC X

LIC X A3 S

Para el grfico de desviaciones estndar:

LSC B4 S
A3

3
c4 n

LC S
LIC B3 S
1 c4
1 c4
B3 1 3
B4 1 3
c4
c4
37

Pasos para la construccin

de grficos X s
Tabla 2.- La tabla de la
derecha muestra el valor
de las constantes c4, A3, B3
y B4 para distintos
tamaos de los subgrupos
racionales.

c4

A3

B3

B4

2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25

0,7979
0,8862
0,9213
0,9400
0,9515
0,9594
0,9650
0,9693
0,9727
0,9754
0,9776
0,9794
0,9810
0,9823
0,9835
0,9845
0,9854
0,9862
0,9869
0,9876
0,9882
0,9887
0,9892
0,9896

2,6590
1,9540
1,6280
1,4270
1,2870
1,1820
1,0990
1,0320
0,9750
0,9270
0,8860
0,8500
0,8170
0,7890
0,7630
0,7390
0,7180
0,6980
0,6800
0,6630
0,6470
0,6330
0,6190
0,6060

0,0000
0,0000
0,0000
0,0000
0,0300
0,1180
0,1850
0,2390
0,2840
0,3210
0,3540
0,3820
0,4000
0,4280
0,4480
0,4660
0,4820
0,4970
0,5100
0,5230
0,5340
0,5450
0,5550
0,5650

3,2670
2,5680
2,2660
2,0890
1,9700
1,8820
1,8150
1,7610
1,7160
1,6790
1,6460
1,6180
1,5940
1,5720
1,5520
1,5340
1,5180
1,5030
1,4900
1,4770
1,4660
1,4550
1,4450
1,4350

38

19

Grficos para observaciones

individuales (I)

Probai0ld.etcarunmbiodekvarnzselamdi 0.2 0.4 0.6 0.8 1.0

En general, es preferible utilizar ms de

una observaciones para estimar el estado
del proceso en cada instante de tiempo.
k =1 .
0
k =1 .
5
k =2 .
0

N um
er o

6
de

39

e le m
ent
os

Grficos para observaciones

individuales (I) (cont)
Sin embargo, en algunos procesos no es
posible obtener ms de una observacin:
Debido a la forma del proceso, donde las
condiciones cambian con cada producto.
Donde se quiere comparar cada producto con
la especificacin (se producen pocos artculos y
son muy caros).
En procesos continuos, donde no hay
individuos.
40

20

Grficos para observaciones

individuales (I) (cont)
Cuando solo se dispone de una
observacin en cada instante es necesario
modificar los diagramas anteriores ya que
ni podemos promediar en cada punto ni es
posible obtener estimaciones de la
variabilidad en cada instante.
As, el grfico de medias se sustituye por el
grfico de las observaciones y el de rangos
por el de rangos mviles.
41

Grficos para observaciones

individuales I (cont)
El rango mvil utiliza la informacin de las
ltimas w observaciones para estimar la
variabilidad.

Para w = 2

Estos grficos son ms susceptibles a

alteraciones en la hiptesis de normalidad
de la caracterstica de calidad. Puede
explicar por qu?
42

21

Pasos para la construccin

de grficos I
Se toma una observacin para cada uno de
k puntos en el tiempo.
Para cada instante se calcula el rango
mvil basado en w observaciones, definido
por
R max x min x , 1 i k w 1
i

i j i w1

i j i w1

k w1
Se estiman
1 k los parmetros1 poblacionales
X xi
R
Ri
k i 1
k w 1 i 1
43

Pasos para la construccin

de grficos I (cont)
Los lmites de control y lnea central son:
Para el grfico de medias:

LSC X 3R d 2

LC X

LIC X 3R d 2

Para el grfico de rangos:

LSC D4 R

LC R

LIC D3 R

Para obtener d2, D3, D4 y se utiliza la

tabla 1 con n = w. Usualmente se escoge
w = 2 por simplicidad.
44

22

Otros grficos para control

de variables
Diagramas de sumas acumulativas
(CUSUM), los cuales permiten detectar
ms rpidamente cambios en la media de
una variable.
Grficos de medias mviles pesadas
exponencialmente (EWMA), para procesos
donde las observaciones no son
independientes (procesos continuos).
45

Variaciones sobre los

grficos de control
Construccin de lmites de control en base
a valores histricos de los parmetros.
Construccin probabilstica de los lmites
de control. Aunque en la mayor parte de
los casos los lmites son aproximadamente
iguales a los limites probabilsticos, para
muestras pequeas es posible mejorar.

46

23

Interpretacin de los
grficos de control
Necesitamos determinar si el proceso est
bajo control, lo cual se traduce en que los
puntos mostrados estn dentro de los
lmites de control y presenten un
comportamiento aleatorio.
Para esto se utilizan una serie de reglas
empricas, cuya presentacin se facilita si
el rea dentro de los lmites de control se
divide en regiones iguales.
47

9.5 CarctesidCal 10. 10.5

Interpretacin de los
grficos de control (cont)

Zo n a

Zo n a

Zo n a

Zo n a

Zo n a

Zo n a

1 01 52 02 5
M
ues t
r a

48

24

Interpretacin de los
grficos de control (cont)
A las reglas empricas que se utilizan para
determinar si un proceso est bajo control
se les suele denominar reglas de parada.
Corresponden a sucesos que tienen muy
baja probabilidad de ocurrir si el proceso
est bajo control.
Cada una de ellas provee informacin
sobre el tipo de causa asignable que
puede estar afectando al proceso.
49

Reglas de parada
Un punto fuera de la zona A.

Corresponde a un cambio repentino en la media

o la dispersin del proceso.

9.5 CarctesidCal 10. 10.5

Zo n a

Zo n a

Zo n a

Zo n a

Zo n a

Zo n a

1 01 52 02 5
M
ues t
r a

50

25

Reglas de parada
Siete puntos en fila, todos crecientes
o decrecientes. Se presenta cuando hay
cambios paulatinos en la media, debida a
desgastes en herramientas o personal.

9.5 CarctesidCal 10. 10.5

Zo n a

Zo n a

Zo n a

Zo n a

Zo n a

Zo n a

1 01 52 02 5
M
ues t
r a

51

Reglas de parada (cont)

Catorce puntos en fila alternando
arriba y abajo. Indica correlacin negativa

entre los datos (cuando hay excesos en una, a

la siguiente pieza es muy reducida y viceversa).

9.5 Carctesidla 10. 10.5

Zo n a

Zo n a

Zo n a

Zo n a

Zo n a

Zo n a

1 01 52 02 5
M
ues t
r a

52

26

Reglas de parada (cont)

Quince puntos en fila en la zona C. El
proceso ha reducido su varianza (hay
sobreestabilidad en el sistema). Es importante
investigar la fuente de la mejora.

9.5 CarctesidCal 10. 10.5

Zo n a

Zo n a

Zo n a

Zo n a

Zo n a

Zo n a

1 01 52 02 5
M
ues t
r a

53

Reglas de parada (cont)

Dos de tres puntos consecutivos en
la zona A o ms all. Indican un
incremento en la varianza del proceso.

9.5 Carctesidla 10. 10.5

Zo n a

Zo n a

Zo n a

Zo n a

Zo n a

Zo n a

1 01 52 02 5
M
ues t
r a

54

27

Reglas de parada (cont)

Estructuras peridicas. Estas estn

asociadas normalmente con cambios de turnos,

operarios, das de la semana, etc.

9.5 CarctesidCal 10. 10.5

Zo n a

Zo n a

Zo n a

Zo n a

Zo n a

Zo n a

1 01 52 02 5
M
ues t
r a

55

Reglas de parada (cont)

Nunca trate de explicar la influencia de
todos y cada uno de los eventos que
ocurren en la planta a travs de grficos
de control. El procedimiento correcto es
detectar ALARMAS y luego usar los
registros de eventos para determinar si
corresponden a causas asignables o a
causas comunes.
56

28

Interpretacin de los
grficos de control (cont)
El calculo del nivel de significancia para
las reglas de parada que se establezcan
es importante para un correcto anlisis.
Un punto que incumple una regla de
parada es una ALARMA pero no
necesariamente significa que nuestro
proceso est fuera de control, ya que si
no podemos ligarlo a una causa asignable
puede tratarse del azar.
57

Ejemplos adicionales
Ejemplo 3.- Dentro de
un proceso de moldeo de
PVC las piezas elaboradas
pueden presentar o no
defectos superficiales.
Cada da se toman 100
piezas al azar de la lnea
de produccin y se cuenta
el nmero de piezas
defectuosas.

Da
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15

Defectos
9
16
5
6
7
9
3
9
10
4
7
10
6
6
7

Da
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30

Defectos
9
5
6
4
11
3
1
3
0
4
6
1
6
5
4

58

29

Ejemplos adicionales (cont)

Tambin se dispone de un registro de
eventos en la lnea, que puede resumirse
como:
Da

Evento

5
10

Reemplazo de la mezcladora.
Nuevo empleado asume la operacin del
proceso.
Se comenz a utilizar resina (materia
prima) de otro proveedor.
Sustitucin del sistema de enfriamiento, lo
que permiti un incremento en la
temperatura de inyeccin de PVC.

18
22

59

Ejemplos adicionales (cont)

0. Propcindezasofectsupriale0.5 0.1 0.15 0.2

El grfico p correspondiente a estos datos

es el siguiente

LS
C =0 .
132

L C =0 .
060

LI
C =0 .
000
5

10
15
20
25
30
D ia

60

30

Ejemplos adicionales (cont)

Si bien el punto 2 aparece fuera de los
lmites, no existe en el registro ningn
evento que nos haga creer que el proceso
se encontraba fuera de control.
Al llegar al punto 29 se presenta una racha
de 9 puntos bajo la lnea central (lo cual
tiene una probabilidad de 0,00195 en un
proceso bajo control). Esto se puede
relacionar con el cambio en el sistema de
enfriamiento (da 22). El 30 es similar. 61

Ejemplos adicionales (cont)

Nuestra conclusin es que la temperatura
de inyeccin influye sobre la frecuencia en
que aparecen defectos superficiales. El
cambio del sistema de enfriamiento
permiti elevar la temperatura, lo cual
redujo el nmero de defectos.
Para avalar nuestra observacin se podra
haber realizado una prueba de igualdad
de proporciones.
62

31

Tolerancias y capacidad
La literatura suele distinguir entre dos
tipos de tolerancias:
Tolerancias de diseo: las cuales son fijadas
por el departamento de ingeniera. Estn
relacionadas con el concepto de calidad en el
diseo.
Tolerancias de naturales: que vienen dadas
por las caractersticas de la mquina o
proceso.
63

Tolerancias y capacidad
(cont)
Si las tolerancias naturales de un proceso
son ms estrictas que las tolerancias de
diseo entonces es fcil obtener calidad
de conformidad.
Sin embargo, si las tolerancias de diseo
se vuelven incompatibles con las
tolerancias naturales de nuestro proceso,
muy difcilmente lograremos elaborar
productos que las satisfagan.
64

32

Tolerancias y capacidad
(cont)
Mercado

Tolerancias naturales

Tolerancias de diseo

Las tolerancias de diseo deben ser

realistas: deben representar un
compromiso entre el mercado y nuestro
sistema de produccin.
65

Estudios de capacidad
Su objetivo es cuantificar la variabilidad
inherente a un proceso o a una parte del
mismo (determinar tolerancias naturales)
y analizar dicha variabilidad en relacin
con las especificaciones del producto
(tolerancias de diseo).
No tiene sentido hablar de capacidad para
procesos que no se encuentran en estado
de control.
66

33

Estudios de capacidad (cont)

Los objetivos que se pueden perseguir a
la hora de realizar un estudio de
capacidad pueden ser diversas:
Determinar si nuestros procesos son capaces
de elaborar productos con la calidad que
requiere el mercado. Esto permite detectar la
necesidad de acciones drsticas.
Determinar valores razonables para las
especificaciones de un producto nuevo.
Elegir entre diversos proveedores.
67

Estudios de capacidad (cont)

En la industria a veces se habla de dos
tipos de capacidad
Capacidad de las mquinas (u operarios) o
capacidad a corto plazo.
Capacidad del proceso o capacidad a largo
plazo.

Los requisitos de capacidad a corto plazo

suelen ser ms exigentes que los de largo
plazo, puede decir por qu?
68

34

Estudios de capacidad (cont)

Se dice que un proceso es capaz para
producir un determinado artculo a un
nivel de calidad si la probabilidad de
que los productos que se elaboran
correspondan con las especificaciones es
al menos .
Est concepcin est ligada a una funcin
de utilizada 0-1.
69

Estudios de capacidad (cont)

El resultado de un estudio de capacidad
suele presentarse en la forma de un
histograma al cual se le aaden
indicaciones sobre el valor objetivo de la
caracterstica de calidad y los lmites de
especificacin de la misma. Tambin
pueden utilizarse los diagramas de control.
Adems, suelen utilizarse algunos ndices
para facilitar el anlisis.
70

35

Indices de capacidad
Si los procesos estn centrados:
Capacidad de mquinas C LST LIT
m
Capacidad de procesos

8
LST LIT
Cp
6

Los valores de 6 y 8 se han fijado de

modo que la conformidad sea de al menos
99.865% y 99.997% si los datos
provienen de una distribucin normal.
71

Indices de capacidad (cont)

Ciertas industrias (aviacin, automviles)
utilizan otros valores como 10 y 12.
Se desea que el ndice de capacidad sea
tan grande como sea posible:
Si Cp < 1 se dice que el proceso no es capaz.
Si 1 < Cp < 1.33 el proceso es capaz, pero
cualquier pequeo cambio en las condiciones
puede hacer que pierda esta cualidad.
Si Cp > 1.33 el proceso es capaz y robusto.
72

36

Indices de capacidad (cont)

Cuando el proceso no est centrado se
hace necesario redefinir los ndices.
Para mquinas:
LST X X LIT
C mk min
,

Para procesos:
LST X X LIT
C pk min
,

3
3
73

Indices de capacidad (cont)

Puede comprobarse fcilmente que
Cmk Cm

C pk C p

y que la igualdad se cumple si y solo si el

proceso est centrado. Adems, entre
mayor es la diferencia, mayor es el
descentramiento
Los ndices Cmk y Cpk pueden interpretarse
como la capacidad hasta la tolerancia ms
prxima.
74

37

Indices de capacidad (cont)

De hecho, la misma idea sobre la que se
basan estos ndices puede utilizarse en el
caso de especificaciones unilaterales.
Cmo podra hacerlo?
En algunos casos se estudia la evolucin
de la capacidad del proceso en el tiempo
mediante grficos de control.

75

Capacidad y falta de
normalidad
Si la distribucin de los datos no es
normal, es posible que aparezcan ms
defectos de los que se esperan bajo un
ndice de normalidad.
Una forma de corregir el problema es
hallar lmites universales (desigualdad de
Chebyshev), pero estos tendern a ser
demasiado amplios.
Otra forma es ajustar una distribucin.
76

38

Ejemplos
Ejemplo 5: Se tienen datos sobre la
resistencia a la presin interna de botellas
para gaseosas en 20 muestras de 5
observaciones cada una. Los grficos de
control correspondientes pueden verse a
continuacin. Las especificaciones para el
proceso establecen que la resistencia
debe ser superior a 200, y no se
establecen valores mximos.
77

20 250Medias 30 350

Ejemplos (cont)

1
2
3
4
5
6
7
8
9
1
1
0
1
1
1
2
1
3
1
4
1
5
1
6
1
7
1
8
2
9
0

-10 0 Rangos 10 20

1
2
3
4
5
6
7
8
9
1
1
0
1
1
1
2
1
3
1
4
1
5
1
6
1
7
1
8
2
9
0
x

78

39

Ejemplos (cont)
De las grficas es claro que el proceso
est bajo control. Por tanto podemos
estimar la variabilidad natural del proceso
debida a causas comunes como:
R
77,3

33,23
d 2 2,326
y la localizacin del proceso como

X 264,06
79

Ejemplos (cont)
Ntese que el lmite de especificacin es
unilateral (botellas con mucha resistencia
no son de ningn modo defectuosas). As
pues:
LIT 264,06 200
C pkl

0,64
3
3 33,23
Lo cual es un valor muy bajo, especialmente
si consideramos que se trata de un
parmetro relacionado con la seguridad.
80

40

0 7 Frecuniabsolt14 21 28 35

Ejemplos (cont)
LI
E

11
6
2
8
0
2
0
0
2
2
0
2
4
0
2
6
0
3
8
0
3
0
0
3
2
0
3
4
0
6
00
R e s is t
e n c ia

in t
er na

La muestra presenta un 3% de observaciones

fuera de especificacin, en lnea con el 2,6%
que se espera de la aproximacin normal.
Cmo se obtiene este ltimo nmero?
81

Ejemplos (cont)
Este es un ejemplo de un proceso bajo
control (estable) pero que funciona a un
nivel de calidad inaceptable (capacidad
insuficiente).
La produccin de artculos defectuosos en
este caso no puede ser controlada por el
operario ya que solo estn presentes
causas comunes. Es necesaria la
intervencin de la gerencia.
82

41

Ejemplos (cont)
De hecho, es fcil calcular el nivel de
variabilidad aceptable para el proceso. Si
se desea un ndice de capacidad de 1,33
entonces
LIT 264,06 200

16,055
3 1,33
3 1,33
es decir, se hace necesario cortar la
dispersin a menos de la mitad.
83

42