M Dulo 1 Core Tools Var Cep

Core Tools de la AIAG
MDULO 1. CONTROL ESTADSTICO DEL PROCESO

DR. PRIMITIVO REYES AGUILAR Junio 2010 Mail: Primitivo_reyes@yahoo.co m / Pgina Web www.icicm.com Cel. 044 55 52 17 49 12
MDULO 1. CORE TOOLS DE LA AIAG - CEP P. Reyes / junio 2010
OBJETIVO: Al finalizar el Mdulo 1. Core Tools - CEP, el participante ser capaz de identificar los componentes de la variabilidad de los procesos (ISO/TS 8.1.2) y aplicar las tcnicas del Control Estadstico del Proceso para el seguimiento, anlisis y mejora de los procesos para contribuir a su mejora continua.
Contenido
Contenido..............................................................................................................................................................3 1. CONCEPTO DE VARIACIN.......................................................................................................................5 Introduccin......................................................................................................................................................5 Componentes de la variacin............................................................................................................................5 Estratificacin ..................................................................................................................................................6 Diagrama de Dispersin ..................................................................................................................................7 Histogramas ...................................................................................................................................................10 Las cartas de control.......................................................................................................................................12 Causas especiales y causas comunes .............................................................................................................13 Causas especiales o asignables:..................................................................................................................13 Causas comunes..........................................................................................................................................15 Tampering o sobreajuste.................................................................................................................................16 Distribucin de probabilidad normal..............................................................................................................17 Propiedades de la distribucin normal estndar.........................................................................................18 rea o probabilidad bajo la curva normal estndar....................................................................................18 Estandarizacin de valores reales a su equivalente Z.................................................................................23 Prueba de normalidad en Minitab...............................................................................................................25 2. CONTROL ESTADSTICO DEL PROCESO...............................................................................................27 Teorema del lmite central..............................................................................................................................27 Introduccin al Control estadstico del proceso..............................................................................................29 Qu es una carta de control?.....................................................................................................................29 Patrones principales de anormalidad en Cartas de Control .......................................................................31 Proceso de mejora en el CEP......................................................................................................................33 Cartas de control por variables.......................................................................................................................34 Cartas de control de medias-rangos (X-R).................................................................................................34 Cartas de control para lecturas individuales / Rango mvil (I-MR)...........................................................39 Cartas de control para atributos......................................................................................................................43 Carta de control para fraccin no conforme - p..........................................................................................44 Carta p con tamao de muestra variable.....................................................................................................48 Carta de control np.....................................................................................................................................52 Cartas de control para no conformidades (defectos) c y u...........................................................................55 Tamao de muestra constante - Carta c.....................................................................................................55 Carta u de Defectos por unidad..................................................................................................................59 3. CAPACIDAD DE PROCESOS....................................................................................................................62 Definiciones....................................................................................................................................................62

Introduccin a la capacidad de procesos........................................................................................................62 ndice de capacidad potencial Cp...............................................................................................................65 ndice de capacidad real Cpk......................................................................................................................66 Procedimiento para realizar estudios de capacidad del proceso.................................................................68 ndice de capacidad cpm.............................................................................................................................69 ndice de capacidad Cpkm..........................................................................................................................69 Capacidad de procesos no normales...............................................................................................................72
1. CONCEPTO DE VARIACIN
Introduccin
La variacin representa la diferencia entre las cosas, no hay en la naturaleza dos cosas EXACTAMENTE IGUALES, lo cual origina el estudio de la estadstica. La variacin es inherente en todos los procesos, por ejemplo:
Bisteck de 10 onzas
Tiempo de tostado
Tiempo de vuelo de Mxico a Acapulco
Tiempo que toma ir al trabajo
Componentes de la variacin
La variacin a largo plazo se denomina variabilidad del producto o proceso. Hay diferencia entre el promedio del proceso y la variacin de lote a lote. Puede ser necesario analizar cada lnea de productos por separado. Tambin se presenta la variacin de tiempo a tiempo, la variacin de pieza a pieza, la variacin posicional dentro de la misma pieza, el error de medicin cuando es significativo, y al final solo queda la variabilidad inherente del proceso, que es la reproducibilidad instantnea de la mquina bajo condiciones ideales.
Estratificacin
Se utiliza para separar el problema general en los estratos que lo componen, por ejemplo, por reas, departamentos, productos, proveedores, turnos, etc. Clasificacin de los datos o factores sujetos a estudio en una serie de grupos con caractersticas similares. Por ejemplo: Rechazos en general, rechazos en cada lnea, rechazos en cada mquina de la lnea.
Diagrama de Dispersin
Se utiliza para analizar la correlacin entre dos variables, se puede encontrar: Correlacin positiva o negativa, fuerte o dbil o sin correlacin. Es una herramienta que nos permite estudiar la relacin de dependencia entre dos o ms variables. El Coeficiente de correlacin r tiene valores entre -1 y 1 y el coeficiente de determinacin r2 toma valores entre 0 y 1. La ecuacin de regresin que pasa por los puntos tiene la forma Y=a+bX
Correlacin entre las variables Y y X

Correlacin Positiva Evidente 25
20 15 10 5 0 0 5 10 X 15 20 25 25 20 15 Y
Y
Correlacin Negativa Evidente

25 20 15 10 5 0 0 5 10 X 15 20 25
Sin Correlacin
25 20 15 Y
Correlacin Positiva
10 5 0 0 5 10 X 15 20 25 25 20 15 Y 10 5
Correlacin Negativa
10 5 0 0 5 10 X 15 20 25
0 0 5 10 X 15 20 25
Diagrama de dispersin y su correlacin entre X,Y Ejercicio: Hacer un diagrama de dispersin con los datos siguientes: Espesor (escala 5 por divisin)
MDULO 1. CORE TOOLS DE LA AIAG - CEP P. Reyes / junio 2010 Tiempo 4 2 8 6 10 5 7 1 Espesor 20 12 36 28 44 25 32 5
Tiempo (esc. 1/div.) En Excel se puede obtener esta grfica con la grfica de dispersin y agregando la lnea de tendencia lineal y el coeficiente de determinacin R^2 .
Espesor
50 45 40 35 30 25 20 15 10 5 0 0 2 4 6 8 10
y =4.1996x+2.6771 R =0.9939
Espesor Linear (Espesor)
12
Diagrama de Regresin lineal Ejercicio: Un jefe de mantenimiento reuni los datos siguientes de los tiempos de reparacin de un equipo con base a la experiencia del personal del tcnico . Tcni co 1 2 3 4 5 6 7 Experie ncia 1 3 4 4 6 8 10
Tiempo 80 97 92 102 103 111 119
MDULO 1. CORE TOOLS DE LA AIAG - CEP P. Reyes / junio 2010 8 9 10 10 11 13 X 123 117 136 Y
a) Obtener la ecuacin de regresin y estimar el tiempo para un tcnico de 9 aos de experiencia. b) Obtener el coeficiente de correlacin y el coeficiente de determinacin.
Histogramas
Se utilizan para ver la distribucin de frecuencia de los datos
Distribucin de frecuencias o histograma Pasos para hacer un histograma: 1. Contar el nmero de datos, identificar el valor mximo, el mnimo y el rango. 2. Determinar el ancho de clase = Rango / 5 a 8. 3. Contar cuantos datos entran dentro de cada celda. 4. Graficar las frecuencias de cada celda. Ejercicio: Realizar un histograma 2.41 17.87 33.51 38.65 3.34 18.03 33.76 39.02 4.04 18.69 34.58 39.64 4.46 19.94 35.58 40.41 8.46 20.20 35.93 40.58 9.15 20.31 36.08 40.64 11.59 24.19 36.14 43.61 12.73 28.75 36.80 44.06 13.18 30.36 36.92 44.52 15.47 30.63 37.23 45.01 con los 45.70 45.91 46.50 47.09 47.21 47.56 47.93 48.02 48.31 48.55 datos siguientes: 49.36 55.08 62.53 49.95 55.23 62.78 50.02 55.56 62.98 50.10 55.87 63.03 50.10 56.04 64.12 50.72 56.29 64.29 51.40 58.18 65.44 51.41 59.03 66.18 51.77 59.37 66.56 52.43 59.61 67.45
70.37 71.05 71.14 72.46 72.77 74.03 74.10 76.26 76.69 77.91
81.21 82.37 82.79 83.31 85.83 88.67 89.28 89.58 94.07 94.47
Paso 1. Nmero de datos = Valor mayor = Valor menor = Paso 2. Ancho de clase = Rango / 6 = redondear a: Paso 3. Contar elementos para cada clase: Columna 1 2 Intervalo 0 -17 18-35 Registro de frecuencias Frecuencia
Rango =
10
MDULO 1. CORE TOOLS DE LA AIAG - CEP P. Reyes / junio 2010 3 4 5 6 36-53 54-71 72-89 90 en adelante
Paso 4. Hacer la grfica del histograma:
Conclusiones:
En Excel se puede obtener esta grfica con la opcin de Anlisis de datos, Histograma y seleccionando la columna de datos y de lmites superiores de clases o celdas.
H istog ram
40 30 20
y c n u q e r F
10 0 17 35 53 71 B in 89 106 More
Frequency
11
Las cartas de control

Sirven para monitorear el proceso, prevenir defectivos y facilitar la mejora. Hay dos tipos de cartas de control: por atributos (juzga productos como buenos o malos) y por variables (variables como, temperaturas).
Cartas de control
Lm ite Superior de Control
Lnea Ce ntra l Lm ite I nferior de Control
Carta de control con sus lmites de control y lnea central
Carta de control
Escuche la Voz del Proceso
M E D I D A S C A L I D A D
Regin de control, captura la variacin natural del proceso original
LSC
Tendencia del proceso Causa Especial

identificada
LIC
El proceso ha cambiado
TIEMPO
Patrones de anormalidad en cartas de control Las cartas de control detectan la variacin anormal en un proceso, denominadas causas especiales o causas asignables de variacin. El patrn normal de un proceso se llama causas de variacin comunes.
12
MDULO 1. CORE TOOLS DE LA AIAG - CEP P. Reyes / junio 2010 El patrn anormal debido a eventos especiales se llama causa especial de variacin.
Causas especiales y causas comunes

Causas especiales o asignables:
Existen fuentes de variabilidad que pueden ser causadas por fallas en mquinas, errores de operadores, materiales defectuosos o alguna otra discrepancia de las 6Ms (medio ambiente, , personal, mtodos, materiales, maquinaria y mediciones). Esta variabilidad es muy grande en relacin con la variabilidad natural y es originada por causas especiales o asignables haciendo que el proceso opere fuera de control estadstico.
LIC
LSC LSC
Proceso fuera de control, con causas especiales presentes, el proceso no es predecible Las causas especiales normalmente provocan que los procesos sean INESTABLES y salgan de control estadstico.
Esta variabilidad se puede corregir en el rea de trabajo por el personal involucrado, y no es necesaria la intervencin de la direccin para su correccin. En una carta de control los patrones de anormalidad ms comunes son: las causas especiales, las tendencias crecientes o decrecientes y las corridas de nivel
Ejemplo de variacin anormal en el tiempo:
13
14
Causas comunes
La variabilidad natural siempre existe en cualquier proceso de produccin, no importa que tan bien diseado est. Esta variabilidad natural es denominada causas comunes o aleatorias de variabilidad, un proceso que opera en estas condiciones se dice que est en control estadstico.
SI LAS VARIACIONES PRESENTES SON IGUALES, SE DICE QUE SE TIENE UN PROCESO ESTABLE. LA DISTRIBUCION SERA PREDECIBLE EN EL TIEMPO
Prediccin
Tiempo
Proceso en control, solo causas comunes presentes De la figura cuando el proceso est en control, la mayor parte de la produccin se encuentra dentro de los lmites de control (LSC y LIC). Las causas de variacin comn son el resultado de causas naturales, o diferencias normales pequeas entre productos que se espera ver, por ejemplo: Dimetro de cobre, tiene una variacin pero dentro de control Espesor de acabado, con una variacin normal Temperatura del horno con variaciones de temperatura normales.
Cuando slo se tienen presentes en el proceso causas comunes, entonces logramos un PROCESO ESTABLE, con un patrn de comportamiento consistente y normal en el tiempo, de esta forma se pueden determinar los lmites de control dentro de los cuales se tendr la variabilidad natural de este proceso estable el 99.73% del tiempo (por estar los lmites de control a tres sigmas).
15
UCL
LCL
Esta variacin no puede ser reducida sin cambios fundamentales en el proceso por la direccin (cambio de maquinaria, nuevos materiales, etc.)
Tampering o sobreajuste.
El intento de ajustar un proceso normal y estable para reducir su variacin al final incrementa la variacin alrededor de la media del proceso ( Tampering o sobreajuste).
T ampering
Al manejar de Mxico a Acapulco, mantener la velocidad entre 90 y 110 Km/hr.
Pisar el freno se se exceden los 110 Km / hr. Pisar el acelerador si la velocidad esmenor a 90 Km / hr.
SPC for SME - David Drain
El trmino sobre ajuste o Tamperingse refiere a los ajustes que se hacen al proceso de produccin que no son estadsticamente apropiados, dado que el proceso es estable:
16
. .
Distribucin de probabilidad normal

Un proceso opera en condiciones normales, si tiene los materiales dentro de especificaciones y del mismo lote, un mtodo consistente, un medio ambiente adecuado, el operador capacitado, y el equipo ajustado correctamente, si se toman mediciones en alguna caracterstica del producto, mostrar el siguiente comportamiento:
Distribucin grfica de la variacin La Curva normal

LAS PIEZAS VARAN DE UNA A OTRA:
TAMAO
TAMAO
TAMAO
TAMAO
Pero ellas forman un patrn, tal que si es estable, se denomina distr. Normal
SIZE TAMAO TAMAO
LAS DISTRIBUCIONES PUEDEN DIFERIR EN:

UBICACIN DISPERSIN FORMA
TAMAO
TAMAO
TAMAO . . . O TODA COMBINACIN DE STAS
17
MDULO 1. CORE TOOLS DE LA AIAG - CEP P. Reyes / junio 2010 La distribucin normal es una de las distribuciones ms usadas e importantes. Se ha desenvuelto como una herramienta indispensable en cualquier rama de la ciencia, la industria y el comercio. Muchos eventos reales y naturales tienen una distribucin de frecuencias cuya forma es muy parecida a la distribucin normal. La distribucin normal es llamada tambin campana de Gauss por su forma acampanada. Cuando se incluyen todos los datos de un proceso o poblacin, sus parmetros se indican con letras griegas, tales como: promedio o media = (mu), y desviacin estndar (indicador de la dispersin de los datos) = (sigma). Para el caso de estadsticos de una muestra se tiene media = X y desv. est.= s.
Propiedades de la distribucin normal estndar

La distribucin normal estndar tiene media = 0 y desviacin estndar =1. La media, Mediana y Moda coinciden, son iguales y se localizan en el pico.
Propiedades de la distribucin normal estndar: El rea bajo la curva o probabilidad de menos infinito a ms infinito vale 1. La distribucin normal es simtrica, la mitad de curva tiene un rea de 0.5. La escala horizontal de la curva se mide en desviaciones estndar. La forma y la posicin de una distribucin normal dependen de los parmetros , , por lo que hay un nmero infinito de distribuciones normales.
LIE
LSE
rea o probabilidad bajo la curva normal estndar 18
MDULO 1. CORE TOOLS DE LA AIAG - CEP P. Reyes / junio 2010 Existe una relacin del porcentaje de probabilidad o rea bajo la curva normal a la desviacin estndar. En la figura observamos por ejemplo que el rea bajo la curva para 1 tiene un porcentaje de 68.26%, 2 = 95.46% y 3 = 99.73% .
-3s -2s -1s
+1s +2s +3s 68.26% 95.46% 99.73%
rea bajo la curva de Distribucin normal Lo anterior se puede calcular con la Tabla de distribucin normal o con Excel (Fx =distr.norm.estand(Z) proporciona el rea desde menos infinito hasta Z). En la tabla normal, se busca el valor de Z y se encuentra el rea bajo la curva. La primera tabla sirve para determinar el rea o probabilidad que se encuentra fuera del lmite inferior de especificacin, para Z menores a cero. La segunda tabla proporciona valores de rea bajo la curva para Zs mayores a cero. En cada una se muestran ejemplos de su uso.
19
Ejemplo a) Determinar el rea bajo la curva de menos infinito a Z = - 1. P(Z<= -1) = 0.1587
20
MDULO 1. CORE TOOLS DE LA AIAG - CEP P. Reyes / junio 2010 b) Determinar el rea bajo la curva de menos infinito a Z = - 2. P(Z<= - 2) = 0.0228 c) Determinar el rea bajo la curva entre Z >= -2. hasta Z <= -1. P(- 2 <= Z<= -1) = 0.1259 En Excel: Fx =distr.norm.estand(Z) proporciona el rea desde menos infinito hasta Z).
21
Ejemplo: a) Determinar el rea bajo la curva de menos infinito a Z = 1. P(Z <= 1) = 0.8413 b) Determinar el rea bajo la curva de menos infinito a Z = 2. P(Z <= 2) = 0.9772
22
MDULO 1. CORE TOOLS DE LA AIAG - CEP P. Reyes / junio 2010 c) Determinar el rea bajo la curva de Z = 1 a Z = 2. P(1 <= Z <= 2) = 0.9772 0.8413 = 0.1369 d) Determinar el rea total que representa P(Z<=-2) + P(Z>= 2.5) En Excel Fx =distr.norm.estand(Z) proporciona el rea desde menos infinito hasta Z. En Excel = 1 - distr.norm.estand(Z) proporciona el rea desde Z hasta ms infinito.
EJERCICIO: Qu porcentaje del rea bajo la curva normal estndar o probabilidad est incluido dentro de los siguientes rangos?
Fx =distr.norm.estand(Z) proporciona el rea desde menos infinito hasta Z
a) P(1.2 <= Z <= 2.2) = P(Z <= 2.2) P(Z <= 1.2) = b) P(-2.1 <= Z <= -0.4) = P(Z <= - 0.4) P(Z <= -2.1) = c) P( -1.3 <= Z <= 2.7) = P(Z <= 2.7) P(Z <= -1.3) = d) P( Z >= 2.4) = 1 - P(Z <= 2.4) = e) P( Z<=-2.9) + P(Z>= 3.1) = P(Z <= -2.9) + [1 - P(Z <=3.1)] = f) P(Z>= 1.9) = 1 - P(Z <= 1.9) = Estandarizacin de valores reales a su equivalente Z
Determina el nmero de desviaciones estndar entre algn valor X y la media de la poblacin Para calcular el valor de Z usamos la siguiente frmula.
Z= X
Z1 =
X1
Z2 =
X2
DISTRIBUCIN NORMAL CON DATOS REALES
Desviacin estndar real
X1
Media Real
X2
DISTRIBUCIN NORMAL ESTANDARIZADA
23
Desviacin estndar = 1
Z1
Media=0
Z2
Estandarizacin de datos reales para clculo de rea Ejemplo: El departamento de personal de una empresa requiere que los solicitantes a un puesto en cierta prueba alcancen una calificacin de 500. Si las calificaciones de la prueba se distribuyen normalmente con media = 485 y desviacin estndar = 30 Qu porcentaje de los solicitantes pasar la prueba? Calculando el valor de Z obtenemos: X 500 485 Z = = 0.5 = 30 Buscamos el valor correspondiente Z en las tablas de distribucin normal estndar o por medio de Excel =distr.norm.estand(0.5). Z0.5 = 0.69146 = 69.146%. donde la probabilidad de que la calificacin sea menor a 500 es P (X <= 500). Dado que el porcentaje pedido es P( X 500) la solucin es 10.69146 =0.3085, por tanto slo 30.85% de los participantes pasarn la prueba. Otra forma es tomando la Z como negativa con P(Z <= -0.5) = 0.3085.
rea bajo la curva de Distribucin normal

485
3 0 .8 5 %
Z.0 5
Ejemplo: Suponga que un proceso tiene una distribucin normal dada tiene una media de 20 y una desviacin estndar de 4. Calcule la probabilidad P (X >=24) = 1 P(X <= 24) = En la barra de herramientas seleccione el icono de funciones fx>Estadsticas>Distr.Norm.Estand. OK. El sistema muestra la siguiente ventana, en la cual llenamos los siguientes datos:
24
Clculo del rea bajo la curva normal sin Z

El resultado de la frmula = 0.8413. , dado que esta es la probabilidad P(X 24), la probabilidad buscada es: P(X > 24) = 1 - 0.8413= 0.1587 EJERCICIO: Un producto tiene un peso promedio de 75 Kgs. con una desviacin estndar de 10Kgs. a) Cul es la probabilidad de que un producto pese ms de 85Kgs.? b) Cul es la probabilidad de que un producto pese menos de 55Kgs.? c) Cul es la probabilidad de que el producto pese entre 60 y 80 Kgs.?. d) Cul es la probabilidad de que el producto pese entre 55 y 70 Kgs.? e) Cul es la probabilidad de que el producto pese entre 85 y 100Kgs.?
Prueba de normalidad en Minitab

Para probar normalidad de datos, se pueden utilizar los mtodos de Anderson Darling o Ryan, en el caso de tener ms de 15 datos y la de Kolmogorov Smirnov si se tienen 15 o menos datos, y la grfica de probabilidad normal. a) Mtodo de Anderson Darling o Ryan Joiner. 1. Stat > Basic statistics > Normality Test 2. Variable C1 Seleccionar Ryan Joiner test OK El P value debe ser mayor a 0.05 para que los datos sean normales
25
Grfica de probabilidad de un proceso normal

b) Otra opcin por medio de una grfica de probabilidad normal, se tiene: 3. Graph > Probability plot > Normal 4. Graph Variable C1 OK Los puntos deben quedar dentro del intervalo de confianza.
26
2. CONTROL ESTADSTICO DEL PROCESO

Teorema del lmite central
W. A. Shewhart demostr que cuando se extraen muestras de tamao 4 6 de distribuciones casi normales, triangulares, uniformes, etc., y se calculan las medias de esas muestras, al graficar las medias en un histograma siguen una distribucin normal.1 Encontr que las medias de las muestras correspondan a las medias de la poblacin y que la desviacin estndar de las medias de las muestras estn relacionadas con la desviacin estndar de la poblacin, como sigue:
__ =
X
Donde n es el tamao de la muestra y es la desviacin estndar de la poblacin. Seleccionando muestras de tamao n y calculando la X-media o promedio en cada una se tiene:
Poblacin con media y desviacin estndar y cualquier distribucin.
X1 X-media 1
X2 X-media 2
X3 X-media 3
Distribucin de las medias muestrales - Normal
Shewhart, W.A., Economic Control of Quality of Manufactured Product, Van Nostrand Reinhold Co., 1931, p. 182
27
Comportamiento de las medias muestrales extradas de otras distribuciones:
Por ejemplo si la distribucin de la poblacin de los datos es la siguiente (no es normal), la distribucin de sus medias muestrales de tamao 5 si es normal, es la base del CEP:
Histogram of Datos
40 12 10 30 F requency F requency 8 6 4 10 2 0 0
Histogram of Media
20
4 Datos
3.0
3.6
4.2
28
4.8 5.4 Media
6.0
6.6
7.2
Conforme el tamao de muestra se incrementa las muestras se distribuyen normalmente con media de medias y desviacin estndar de las medias de las muestras / n. Tambin se denomina Error estndar de la media. Este teorema es la base fundamental del CEP.
Introduccin al Control estadstico del proceso

El CEP es una tcnica que permite aplicar el anlisis estadstico para medir, monitorear y controlar procesos por medio de cartas de control. Su propsito es la deteccin oportuna de la ocurrencia de causas especiales, para tomar acciones correctivas antes de que se produzcan unidades defectivas o no conformes, para lo cual se utilizan las cartas de control en lnea, permitiendo tambin la estimacin de la capacidad o habilidad del proceso y la reduccin continua de la variabilidad hasta donde sea posible. Beneficios que proporciona el CEP: Son herramientas para mejorar la productividad Son herramientas de prevencin de defectos Evitan ajustes innecesarios Proporcionan informacin de diagnstico Proporcionan informacin de la capacidad del proceso
Qu es una carta de control?

Una Carta de Control es como un historial del proceso.... En donde ha estado....En donde se encuentra....Hacia donde se puede dirigir Una Carta de control es simplemente un registro de datos en el tiempo con lmites de control superior e inferior, diferentes a los lmites de especificacin y determinados con la variacin natural del proceso .
Cartas de control
Lm ite Superior de Control
Lnea Ce ntra l Lm ite I nferior de Control
29
Carta de control con sus lmites de control

Las cartas de control pueden reconocer cambios favorables y desfavorables. Qu tanto se ha mejorado? Se ha hecho algo inadecuado? Las cartas de control detectan la variacin anormal en un proceso, denominadas causas especiales o causas asignables de variacin. El patrn normal de un proceso se llama causas de variacin comunes. El patrn anormal debido a eventos especiales se llama causa especial de variacin.
Cartas de Control
Causas normales o comunes
Causa especial
DEFI NI CI ON Es una ayuda grfica para el control de las variaciones de los procesos adm inistrativos y de m anufactura.
Analoga del manejo en carretera con el CEP
Patrones de anormalidad en la carta de control

Escuche la Voz del Proceso
M E D I D A S C A L I D A D
Regin de control, captura la variacin natural del proceso original
LSC
LIC
Tendencia del proceso (7P) Causa Especial

identifcada
Corrida del Proceso (7P)

TIEMPO
30
Patrones de anormalidad ms frecuentes Patrones principales de anormalidad en Cartas de Control

Puntos fuera de control: Una carta de control indicar una condicin fuera de control cuando uno o ms puntos se encuentren ms all de los lmites de control.
Tendencias: Se pueden presentar tendencias hacia arriba o hacia abajo en las cartas de control (ascendentes o descendentes), se considera que 7 puntos o ms indican una situacin fuera de control.
Corrimiento en la media del proceso: Esto puede ser generado por un cambio en mtodos, operadores, materias primas, mtodos de inspeccin, etc. se considera que 7 puntos o ms indican una situacin fuera de control
31
Otros patrones de anormalidad del proceso
Para reconocer un patrn de comportamiento no slo se requiere conocer las tcnicas estadsticas, sino tambin es necesario tener un conocimiento profundo del proceso. Debe tenerse cuidado de no exagerar en la aplicacin de las reglas ya que se pueden tener muchas falsas alarmas quitndole efectividad al programa del CEP.
32
MDULO 1. CORE TOOLS DE LA AIAG - CEP P. Reyes / junio 2010 Proceso en Control estadstico: Sucede cuando no se tienen situaciones anormales y aproximadamente el 68% (dos tercios) de los puntos de la carta se encuentran dentro del 1 de las medias en la carta de control. Es decir, se tiene aprox. el 68% de los puntos dentro del tercio medio de la carta de control. Si se trata de ajustar el proceso cuando solo la variacin comn est presente, podemos incurrir en Sobre ajustes o Tampering.
Proceso de mejora en el CEP

El proceso de mejora usando la carta de control requiere la accin de la supervisin, operador e ingeniera, la carta de control slo detecta causas especiales o asignables. Para identificar y eliminar las causas asignables, es importante encontrar las causas raz del problema y atacarlas para lo cual se puede utilizar el Plan de accin para situaciones fuera de control (PASFC), activado con la ocurrencia de cada evento. Es una lista de verificacin, que indica las causas potenciales asignables y acciones que resuelven la situacin fuera de control. Este es un documento vivo que debe ser actualizado constantemente.
ENTRADA
PROCESO
SALIDA
SISTEMA DE EVALUACIN
Verificacin y seguimiento
Deteccin de causa asignable
33
MDULO 1. CORE TOOLS DE LA AIAG - CEP P. Reyes / junio 2010 Implantar Accin problema Correctiva PASFC Identificar causa raz del
Proceso de mejora utilizando la carta de control
Cartas de control por variables

Una caracterstica que se mide en una escala numrica se denomina una variable. Por ejemplo temperaturas, dimensiones, volumen, tiempo, etc. Para control de las caractersticas del producto se pueden utilizar las cartas de control de medias rangos ( X R ) para monitorear la media y la variabilidad, con objeto de evitar o minimizar que se tengan productos fuera de especificaciones y estabilizar los procesos. Para un control estadstico del proceso por variables, se utiliza la carta por lecturas individuales y rango mvil (I-MR), para parmetros del proceso donde slo se toma una lectura a la vez.
Cartas de control de medias-rangos (X-R)

Para elaborar la carta, inicialmente se toman al menos 25 subgrupos con muestras de cinco partes cada cierto periodo (por ejemplo cada hora). Para elaborar la carta, inicialmente se toman al menos 25 subgrupos con muestras de cinco partes cada cierto periodo (por ejemplo cada hora), se determinan los lmites de control preliminares, se identifican situaciones fuera de control, se investigan las causas y se toman acciones preventivas para prevenir la reincidencia y se recalculan los lmites de control futuros. Ejemplo: Se toman varios datos de hilos y se construye una carta de medias rangos con m = subgrupos, donde el rango se calcula tomando el valor mayor menos el valor menor del subgrupo, con n = 5. Por ejemplo:
Variables X1 X2 X3 X4 X5 Subgrupo 1 2 4 3 5 1 09:00 a.m. Subgrupo 2 5 3 6 7 4 10:00 a.m. Subgrupo m 3 4 1 5 2 11:00 a.m.
34

Media Rango 3 4 5 4 3 4
Se obtiene una media de medias X y un rango promedio R, para proceder a determinar los lmites de control como sigue: Las constantes para n = 5 de esta carta son A2 = 0.577, D3 = 0, D4 = 2.114. LSCx = X + A2 x R LICx = X - A2 x R Para el caso de los rangos, la lnea central es R . los lmites de control para el rango son: LSCr= D4 x R LICr = 0
Se identifican situaciones fuera de control, se investigan las causas y se toman acciones preventivas para prevenir la reincidencia y se recalculan los lmites de control futuros.
Carta de control X-R fuera de control Despus de identificar las causas de las situaciones fuera de control en los subgrupos 2 y 14 y tomando acciones preventivas para evitar la reincidencia, se eliminan los subgrupos fuera de control y se recalculan los lmites de control.
35

Xbar-R Chart of Supp2
602 Sample Mean 601 600 599 598 2 4 6 8 10 Sample 12 14 16 18 _ _ X=599.938 UCL=602.247
LCL=597.629
8 Sample Range 6 4 2 0 2 4 6 8 10 Sample 12 14 16 18
UCL=8.465
_ R=4.003
LCL=0
Carta de control de medias rangos X-R estable . Ejercicio Hacer una carta X-R utilizando las fichas de ejemplo por equipos.
36
37
MDULO 1. CORE TOOLS DE LA AIAG - CEP P. Reyes / junio 2010 Ejercicio: Obtener una carta de Medias Rangos X-R, Se monitorean cada hora subgrupos de 5 dimetros de una parte metlica con los siguientes resultados: Datos de cada uno de los subgrupos x1 x2 x3 x4 x5 Xm
Xmm -+A2*Rm Xm m LICx 16.2 16.0 92 21 16.2 16.0 92 21 16.2 16.0 92 21 16.2 16.0 92 21 16.2 16.0 92 21 16.2 16.0 92 21 16.2 16.0 92 21 16.2 16.0 92 21 16.2 16.0 92 21 16.2 16.0 92 21 16.2 16.0 92 21 16.2 16.0 92 21 16.2 16.0 92 21 16.2 16.0 92 21 16.2 16.0 92 21 16.2 16.0 92 21 16.2 16.0 92 21 16.2 16.0 92 21 16.2 16.0 92 21 LSCx Ri 16.56 3 0.80 16.56 3 0.50 16.56 3 0.40 16.56 3 0.50 16.56 3 0.40 16.56 3 0.90 16.56 3 0.40 16.56 3 0.20 16.56 3 0.30 16.56 3 0.50 16.56 3 0.50 16.56 3 0.80 16.56 3 0.50 16.56 3 0.30 16.56 3 0.30 16.56 3 0.30 16.56 3 0.20 16.56 3 0.50 16.56 3 0.40 Rm 0.47 0.47 0.47 0.47 0.47 0.47 0.47 0.47 0.47 0.47 0.47 0.47 0.47 0.47 0.47 0.47 0.47 0.47 0.47 LICr LSCr 0.99 0 4 0.99 0 4 0.99 0 4 0.99 0 4 0.99 0 4 0.99 0 4 0.99 0 4 0.99 0 4 0.99 0 4 0.99 0 4 0.99 0 4 0.99 0 4 0.99 0 4 0.99 0 4 0.99 0 4 0.99 0 4 0.99 0 4 0.99 0 4 0.99 0 4
15.8 16.3 16.2 16.1 16.6 16.20 16.3 15.9 15.9 16.2 16.4 16.14 16.1 16.2 16.5 16.4 16.3 16.30 16.3 16.2 15.9 16.4 16.2 16.20 16.8 16.9 16.7 16.5 16.6 16.70 16.1 15.8 16.7 16.6 16.4 16.32 16.1 16.3 16.5 16.1 16.5 16.30 16.2 16.1 16.2 16.1 16.3 16.18 16.3 16.2 16.4 16.3 16.5 16.34 16.6 16.3 16.4 16.1 16.5 16.38 16.2 16.4 15.9 16.3 16.4 16.24 15.9 16.6 16.7 16.2 16.5 16.38 16.4 16.1 16.6 16.4 16.1 16.32 16.5 16.3 16.2 16.3 16.4 16.34 16.4 16.1 16.3 16.2 16.2 16.24 16 16.2 16.3 16.3 16.2 16.20
16.4 16.2 16.4 16.3 16.2 16.30 16 16.4 16.2 16.4 16.5 16.1 16.24 16 16.3 16.4 16.4 16.30
38
MDULO 1. CORE TOOLS DE LA AIAG - CEP P. Reyes / junio 2010 16.4 16.4 16.5 16 15.8 16.22 Media de medias 16.29 (Xmm) 2 16.2 92 16.0 16.56 21 3 Rmed A2=0.577 io 0.70 0.47 0.47 0 0.99 4
a) Obtener una carta de control X-R de medias rangos. Est el proceso en control estadstico? En Excel (seleccionar la informacin de la carta X verde y despus la del rango R amarillo, usar el asistente de grficas, grfica de lneas, ajustar escalas y colores) En Minitab, copiar los datos de las columnas X1 a X5 e C1 a C5. Stat > Control Charts > Variable charts for subgroups > Xbar R Seleccionar Subgroups across rows off X1 X2 X3 X4 X5 Xbar Options seleccionar Estimate Rbar OK b) Si no est en control, asumir que se pueden identificar las causas asignables, y que se toman acciones para prevenir su recurrencia, eliminar el subgrupo 4 (seleccionar el rengln 4 y borrarlo en Minitab) recalcular los lmites de control con otra corrida.
Cartas de control para lecturas individuales / Rango mvil (I-MR)

Se aplican para un tamao de muestra n =1, por ejemplo: 1. Cuando hay inspeccin automtica de parmetros o piezas individuales. 2. La tasa de produccin es muy baja y conviene tomar muestras de una pieza. 3. Las mediciones entre unidades muestra difieren muy poco (slo por errores de medicin de laboratorio) como en procesos qumicos. Los rangos mviles se empiezan a calcular a partir de la segunda muestra, tomando la diferencia entre cada dos valores consecutivos como sigue: MR i =
X
i
X i 1
Ejemplo: Se toman varios datos de viscosidades y se construye una carta de lecturas individuales, donde el rango se calcula tomando cada dos valores consecutivos, por tanto el valor de n = 2 y habr (m 1) rangos en total. Con m = nmero de valores individuales. Por ejemplo:
Valores individuals X 12 15 11 14 8 Rango 3 4 3 6
39

9 1
Al final se hace un promedio de los valores X y un promedio de rangos mviles R y los lmites de control de la carta I-MR se calculan como sigue, para n=2 (E2 =2.66, D3=0, D4=3.27): Para la carta I: y para la carta R:
LSCx = X + E 2 * R ) LICx = X E 2 * R )
LICr = 0
LSCr = D4 * R
I-MR Chart of Supp1

1 1
601 I ndividual Value
UCL=601.176
600
_ X=599.548
599
598
1
LCL=597.920 1 10 20 30 40 50 60 Observation
1
70
80
90
100
2.4 Moving Range

1
1.8 1.2 0.6 0.0 1 10 20 30 40 50 60 Observation 70 80 90 100
UCL=2.000
__ MR=0.612 LCL=0
Carta de control I-MR. El proceso no est en control estadstico.
Ejercicio equipos.
Hacer una carta I-MR utilizando las fichas de ejemplo por
40

GRAFICA DE CONTROL DE LECTURAS INDIVIDUALES
NOMBRE DE PARTE No. DE PARTE REA OPERACIN MAQUINA CARACTERSTICA No. DE GRAFICA FECHA DE INICIO FECHA DE TERMINO
Cp. :
CALIBRADOR T. MUESTRA FRECUENCIA TIPO DE EVALUA.
CPK: % Z Inf.:
% Z Sup.:
UNIDADES NOMINAL L.S.E. L.I.E. X L.S.C.x L.I.C.x R L.S.C. R L.I.C. R
% NC:
9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30
INSTRUCCIONES 1.- Encierre en un crculo los patrones anormales de comportamiento ( puntos fuera de los lmites de control, tendencias, adhesiones, etc). 2.- Investigue y corrija la causa del comportamiento. Si no es posible llame a su supervisor o Ing. de Manufactura. 3.- Registre la (s) causa (s) del comportamiento en la bitcora (al reverso de la grfica), as como las acciones realizadas o propuestas para corregir la falla.
LECTURAS
4.- Indique en el ltimo rengln, justo abajo del subgrupo correspondiente, las causas por las cuales se deja de graficar de acuerdo a la frecuencia indicada, si es que se presentan el caso. Utilice las siguientes claves: A) Fin de corrida de produccin B) Falta de material C) Ajuste de lnea / mquina D) Cambio de modelo E) Fin de turno F) Otro (indicar)
INICIALES
RANGOS
FECHA HORA
CONSTANTES E2 D2 D3 D4 2.67 1.13 0 3.27
X
VALORES
41
MDULO 1. CORE TOOLS DE LA AIAG - CEP P. Reyes / junio 2010 Carta de control I-MR: se muestran a continuacin los siguientes datos de mediciones individuales de una viscosidad de un elemento (constantes para n = 2, E2 = 2.66, D3 = 0, D4 = 3.27): =Xm -+ E2*Rm Viscocid LIC ad Xm x LSCx D3*Rm =D4*Rm 6.00 6.00 5.92 6.08 Rango Rm LICr LSCr 5.98 6.00 5.92 6.08 0.02 0.033 0 0.109 0.033 0.109 5.97 6.00 5.92 6.08 0.01 0 0.033 0.109 6.01 6.00 5.92 6.08 0.04 0 0.033 0.109 6.15 6.00 5.92 6.08 0.14 0 0.033 0.109 6.00 6.00 5.92 6.08 0.15 0 0.033 0.109 5.97 6.00 5.92 6.08 0.03 0 0.033 0.109 6.02 6.00 5.92 6.08 0.05 0 0.033 0.109 5.96 6.00 5.92 6.08 0.06 0 0.033 0.109 6.00 6.00 5.92 6.08 0.04 0 0.033 0.109 5.98 6.00 5.92 6.08 0.02 0 0.033 0.109 5.99 6.00 5.92 6.08 0.01 0 0.033 0.109 6.01 6.00 5.92 6.08 0.02 0 0.033 0.109 6.03 6.00 5.92 6.08 0.02 0 0.033 0.109 5.98 6.00 5.92 6.08 0.05 0 0.033 0.109 5.98 6.00 5.92 6.08 0.00 0 0.033 0.109 6.01 6.00 5.92 6.08 0.03 0 0.033 0.109 5.99 6.00 5.92 6.08 0.02 0 0.033 0.109 5.99 6.00 5.92 6.08 0.00 0 0.033 0.109 5.98 6.00 5.92 6.08 0.01 0 0.033 0.109 6.01 6.00 5.92 6.08 0.03 0 0.033 0.109 5.99 6.00 5.92 6.08 0.02 0 0.033 0.109 5.98 6.00 5.92 6.08 0.01 0 0.033 0.109 5.99 6.00 5.92 6.08 0.01 0 0.109 6.00 6.00 5.92 6.08 0.01 0.033 0 =abs(Xj Promedio Xm Xi) = Rango i Rm En Excel (seleccionar la informacin de la carta X verde y despus la del rango R amarillo, usar el asistente de grficas, grfica de lneas, ajustar escalas y colores) En Minitab, copiar los datos de la viscosidad a una columna C1 u otra. Stat > Control Charts > Variable charts for individuals > I MR I-MR Options > Estimate > n = 2 Variable Viscocidad OK a) Est el proceso en control estadstico? ___ Si ___ No
42
MDULO 1. CORE TOOLS DE LA AIAG - CEP P. Reyes / junio 2010 b) En caso de que no se encuentre en control estadstico eliminar el punto que sale de control (se asume que se identifica la causa y se toman acciones para prevenir su recurrencia seleccionar el punto 5 y borrarlo con DEL) para estar en control y recalcular los lmites, repetir corrida en Minitab.
Cartas de control para atributos

Muchas caractersticas de calidad no pueden ser representadas con nmeros, solo por cualidades (pasa no pasa) denominados atributos. En tales casos cada artculo o servicio completo se clasifica como conforme o no conforme a especificaciones y/o estndares , es decir como defectivo o no defectivo, no defectuoso o defectuoso, bueno o malo, discrepante o no discrepante.
Cuando el producto no es funcional es no conforme, defectivo o defectuoso. Puede ser reparado o desperdicio. Para controlar productos defectivos o no conformes, se utiliza la carta de control p de fraccin defectiva o la np para el nmero de defectivos o de no conformes. Se aplica a productos simples (tornillos, lpices, botellas, etc.) Cuando ms bien se controla el nmero de defectos o no conformidades que se observan en un producto, se utiliza la carta de control para no conformidades o defectos c cuando la muestra es constante o la u cuando es variable o constante. Se aplica a productos complejos (coches, TV, cmaras de video, escritorios, refrigeradores, etc.) Un defecto o no conformidad es una discrepancia respecto a los estndares establecidos o a las especificaciones.
El producto puede ser funcional pero puede tener defectos o no conformidades, que pueden ser corregidas con retrabajo o no se pueden corregir y ser desperdicio. En estas cartas de control se recomienda un tamao de muestra de al menos 50 partes.
43
Carta de control para fraccin no conforme - p

La fraccin no conforme es la relacin entre el nmero de artculos discrepantes entre el total de artculos, se expresa como fraccin decimal, aunque tambin se puede expresar en porcentaje. El artculo o servicio puede tener varias caractersticas de calidad que son examinadas por un inspector, si el artculo no est de acuerdo a los estndares, se le considera como defectuoso o no conforme. La fraccin defectiva o no conforme en la muestra se define como la relacin entre el nmero de unidades no conformes D al tamao de muestra n, o sea:
pi =
Di ni
La distribucin de este estadstico sigue la distribucin binomial por tanto los lmites de control de la carta p son: LSCp = p + 3 p (1 p ) n
__ __ __
LCp = p LICp = p 3 p (1 p ) n
__ __ __
__
Si el LIC es negativo, toma el valor de
cero.
Cuando la fraccin defectiva del proceso es desconocida, se estima de los datos observados en m muestras iniciales, cada una de tamao n, por lo general se toman 20 a 25 de estas. As si Di son unidades no conformes en la muestra i , la fraccin defectiva de la muestra i - sima estar dada como: pi = D i / n i = 1, 2, 3,....., m
y el promedio de las fracciones individuales no conformes cuando p es desconocida es:
p=
Di
i =1
mn
p
i =1
Una vez hecha la grfica trazando los lmites anteriores, cualquier punto que se encuentre fuera de control debe ser investigado, si se encuentra una causa
44
MDULO 1. CORE TOOLS DE LA AIAG - CEP P. Reyes / junio 2010 asignable o especial, deben tomarse medidas correctivas para prevenir su recurrencia, los puntos correspondientes a la situacin fuera de control se eliminan y se calculan de nuevo los lmites de control preliminares. Ejemplo: Para un servicio de mantenimiento se tomaron datos de 30 muestras (m) de 50 partes cada una (n) contabilizando las partes defectuosas o no conformes en cada muestra (Di) como sigue:
Partes Partes Partes defectuos defectuos defectuos Muestra as Muestra os Muestra as 1 12 11 5 21 20 2 15 12 6 22 18 3 8 13 17 23 24 4 10 14 12 24 15 5 4 15 22 25 9 6 7 16 8 26 12 7 16 17 10 27 7 8 9 18 5 28 13 9 14 19 13 29 9 10 10 20 11 30 6 Como en total se encontraron 347 partes defectuosas (Suma de Di) o no conformes, se estima p como sigue:
p=
Di
i =1
mn
p
i =1
347 = 0.2313 (30)(50)
Corrida en Minitab 1. Stat > Control Charts > Atrribute charts > P 2. Variable Partes defectuosas Subgroup size 50 3. OK Los lmites de control usando Minitab son: LSCp = 0.4102 LCp = 0.2313 LICp = 0.0524 Est en control estadstico el proceso?
45
MDULO 1. CORE TOOLS DE LA AIAG - CEP P. Reyes / junio 2010 Si no, identificar la causa que ocasiona la anormalidad, tomar acciones para prevenir su recurrencia, eliminar puntos fuera de control y recalcular lmites de control
P Chart for No confo

0.5 1 0.4 UCL=0.4102 1
Proportion
0.3 P=0.2313 0.2 0.1 LCL=0.05243 0.0 0 10 20 30
Sample Number Carta de control P para la fraccin de partes defectuosas
De la carta de control se observa que las muestras 15 y 23 estn fuera de los lmites de control, de tal forma que el proceso est fuera de control. Eliminando estos puntos y adems el punto 21 se tiene el proceso dentro de control con una fraccin defectiva promedio del 20.8%.
46
47
Carta p con tamao de muestra variable

En algunas aplicaciones para la fraccin defectiva o no conforme, la muestra es la inspeccin 100% de las partes producidas en un periodo de tiempo, por tanto la muestra ser variable. En este caso los lmites de control son variables: Los lmites de control para cada muestra con base en la fraccin defectiva promedio p y su tamao de muestra son LC = p 3 p (1 p ) / ni . La amplitud de los lmites es inversamente proporcional a la raz cuadrada del tamao de muestra. Ejemplo: Se tomaron datos del resultado de la inspeccin diaria, registrando los defectivos del da y la produccin total.
Pi Pprom LIC LSC 0.20 0.17 0.055 0.282 0.17 0.17 0.058 0.279 0.14 0.17 0.055 0.283 0.16 0.17 0.056 0.281 0.13 0.17 0.055 0.283 0.28 0.17 0.057 0.280 0.20 0.17 0.058 0.279 0.14 0.17 0.057 0.280 0.11 0.17 0.017 0.320 0.13 0.17 0.006 0.331 0.14 0.17 0.010 0.327 0.13 0.17 0.014 0.323 0.16 0.17 0.018 0.319 0.10 0.17 0.008 0.329 0.14 0.17 0.018 0.319 0.17 0.17 0.014 0.323 0.17 0.17 0.013 0.324 0.20 0.17 0.011 0.326 0.17 0.17 0.013 0.324 0.21 0.17 0.005 0.332 LC=Pprom+3*(Pprom*(1Pprom= 0.17 Pprom)/ni)) Si algn LIC es menor a cero, toma el valor de cero. En Excel graficar la zona verde con una grfica de lnea. En Minitab, copiar los datos de servicios no conformes y muestras a dos columnas de Minitab Stat > Control charts > Attribute charts > p Defectuosos 20 18 14 16 13 29 21 14 6 6 7 7 9 5 8 9 9 10 9 10 Producci n 98 104 97 99 97 102 104 101 55 48 50 53 56 49 56 53 52 51 52 47
48

Variable Defectuosos Subgroups in Produccin OK
P Chart of Serv_ no_ conf

0.35 0.30 0.25 Proportion 0.20 0.15 0.10 0.05 0.00 1 3 5 7 9 11 Sam ple 13 15 17 19 LCL=0.0047 _ P=0.1685
1
UCL=0.3324
Tests performed with unequal sample sizes
Est el proceso de control estadstico? NO a. Asumir que se pueden identificar las causas asignables, eliminar el subgrupo 6 que sale de control y recalcular los lmites de control con otra corrida
P Chart of Serv_ no_ conf
0.35 0.30 0.25 Proportion 0.20 0.15 0.10 0.05 0.00 1 3 5 7 9 11 Sample 13 15 17 19 LCL=0 UCL=0.3199
_ P=0.1596
Tests performed with unequal sample sizes
49
50
GRAFICA DE CONTROL POR ATRIBUTOS

MODELO No. PARTE AREA OPERACIN MAQUINA / LINEA CARACTERISTICA CALIBRADOR T. MUESTRA
No. GRAFICA
FECHA INICIO
FECHA TERMINO
FRECUENCIA
TIPO DE EVALUACION
UNIDADES
LSE
LIE
NP
LSC
LIC
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
RECOMENDACIONES 1.- Encierre en un crculo los patrones anormales de comportamiento 2.- Investigue y corrija las causas del comportamiento ( si es posible ) Si no es posible llama a su supervisor 3.- Registre las causas del comportamiento en la bitcora, al reverso de la grfica, asi como las acciones realizadas o propuestas para correguir la falla 4.- Indique en el ltimo rengln, y justo abajo del ltimo subgrupo graficado, las causas por las cuales se deja de graficar de acuerdo con la frecuencia indicada, si es que se presenta el caso. Utilice las siguientes claves: A) Fin de corrida de produccin B) Falta de material C) Ajuste de lnea y/o Mquina D) Cambio de modelo F) Fin de turno G) Otro ( Indicar )
L E C T U R A S
FECHA HORA INICIALES CANT. INSP. CANT. RECH. % RECH. A B C D E D G H FALTA DE REGISTRO A B C D E D G H
DEFECTOS
51
Carta de control np
En lugar de tener fracciones no conformes, si el tamao de muestra es constante, se pueden utilizar directamente el nmero de artculos defectivos o no conformes np, para evitarle operaciones aritmticas al operador, los parmetros de esta carta son: np(i) = Di, np(media) = promedio(Di)
LSC np = np + 3 np (1 p )
LC np = np
LIC np = np 3 np (1 p )
si es negativo toma del valor de cero.
Si no se conoce el valor de p, se puede estimar con la p . El nmero de defectivos o no conformes es un entero, por tanto es ms fcil de graficar e interpretar por los operadores que llevan el C.E.P.
Ejemplo: Se toma muestras de tamao n de muestra constante de 200 muestras. Al inspeccionar m = 30 muestras se encontraron las siguientes partes defectuosas o no conformes en cada muestra respectivamente: Defectuos as nPprom 8 10.60 13 10.60 7 10.60 8 10.60 5 10.60 13 10.60 7 10.60 12 10.60 27 10.60 10 10.60 12 10.60 6 10.60 10 10.60 9 10.60 13 10.60 7 10.60 8 10.60 5 10.60 15 10.60 25 10.60 7 10.60 10 10.6 5 10.6 12 10.6
LIC 1.095 1.095 1.095 1.095 1.095 1.095 1.095 1.095 1.095 1.095 1.095 1.095 1.095 1.095 1.095 1.095 1.095 1.095 1.095 1.095 1.095 1.095 1.095 1.095
LSC 20.105 20.105 20.105 20.105 20.105 20.105 20.105 20.105 20.105 20.105 20.105 20.105 20.105 20.105 20.105 20.105 20.105 20.105 20.105 20.105 20.105 20.105 20.105 20.105
52

6 6 10 17 14 11 Prom.= 10.6 1.095 10.6 1.095 10.6 1.095 10.6 1.095 10.6 1.095 10.6 1.095 10.6 P prom= 20.105 20.105 20.105 20.105 20.105 20.105 0.053
En Excel graficar la zona verde. En Minitab Stat > Control charts > Attribute charts > np Variable Defectuosas Subgroups size 200 OK
Est el proceso en control estadstico? NO Asumir que se pueden identificar las causas asignables, eliminar los puntos que salen de control y recalcular los lmites de control. Repetir tantas veces como sea necesario hasta tener un proceso estable. La capacidad del proceso se determina como Cp = (1 Pmedia)*100 = donde Pmedia = nPmedia / n = nPmedia / 20. Cp = 95.25%
53

No. GRAFICA
FECHA INICIO
FECHA TERMINO
FRECUENCIA
TIPO DE EVALUACION
UNIDADES
LSE
LIE
NP
LSC
LIC
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
L E C T U R A S
DEFECTOS
54
Cartas de control para no conformidades (defectos) c yu

Una no conformidad o defecto es una caracterstica especfica que no cumple con la especificacin del producto. Las no conformidades pueden tener una gravedad diferente desde menores hasta crticas. Se pueden desarrollar cartas de control para el nmero total de no conformidades en una unidad o el nmero promedio de no conformidades por unidad de inspeccin.
Tamao de muestra constante - Carta c

Una unidad de inspeccin (ni) es simplemente una entidad para la cual es conveniente registrar el nmero de defectos (Ci), puede formarse con 5 unidades de producto, 10 unidades de producto, etc. Los lmites de control para la carta de no conformidades son: Cmedia = Promedio de Ci: LSCc = c + 3 LCc = c LICc = c - 3
c c
en el caso que sea negativo toma el valor cero
Ejemplo: los defectos encontrados en partes metalicas (1 unidad de inspeccin = 1 parte) son respectivamente: LC = C+C 3raiz*(C )
Defect os 9 11 2 5 15 13 8 7 5 2 4 4 2 5 5 2 Cmedia 5.55 5.55 5.55 5.55 5.55 5.55 5.55 5.55 5.55 5.55 5.55 5.55 5.55 5.55 5.55 5.55 LIC 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 LSC 12.62 12.62 12.62 12.62 12.62 12.62 12.62 12.62 12.62 12.62 12.62 12.62 12.62 12.62 12.62 12.62
55

3 2 1 6 Promedio 5.55 5.55 5.55 5.55 5.55 0 0 0 0 12.62 12.62 12.62 12.62
En Excel grafica la zona verde.

En Minitab Stat > Control charts > Attribute charts > C Variable Errores OK
C Chart of Errores
16 14 12 Sample Count 10 8 6 4 2 0 1 3 5 7 9 11 Sam ple 13 15 17 19 LCL=0 _ C=5.53
1 1
UCL=12.58
Est el proceso en control estadstico? Si __
No __X__
Asumir que se pueden identificar las causas asignables, eliminar los puntos que salen de control y recalcular los lmites de control. Repetir tantas veces como sea necesario hasta tener un proceso estable.
C Chart of Errores
10 UCL=10.22
8 Sample Count
6 _ C=4.13
0 1 3 5 7 9 Sample 11 13 15
LCL=0
56

No. GRAFICA
FECHA INICIO
FECHA TERMINO
FRECUENCIA
TIPO DE EVALUACION
UNIDADES
LSE
LIE
NP
LSC
LIC
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
L E C T U R A S
DEFECTOS
57
La capacidad del proceso se determina con el nmero de errores mximo aceptable. Por ejemplo si el LSE = 5, la media es 4.13 y la probabilidad de Poisson para encontrar cero defectuosos es: =Poisson(5, 4.13, 1) = 0.7644 o 76.44%
Para la investigacin de los defectos se sugiere realizar un Diagrama de Pareto con los defectos registrados en la carta de control, para tomar acciones. Diagrama de Pareto Se utiliza para identificar problemas o causas principales: Ejemplo: Se tienen los defectos siguientes: A. Emulsin 20 B. Grasa 60 C. Derrame 80 D. Tapa barrida 30 E. Mal impresa 10 Construir un diagrama de Pareto y su lnea acumulativa
Pareto Chart of C1
200 100 80
150 Count
60 100 40 50
20
0 C1 Count Percent Cum %
C 80 40.0 40.0
B 60 30.0 70.0
D 30 15.0 85.0
A 20 10.0 95.0
Other 10 5.0 100.0
Diagrama de Pareto Ejercicio: Hacer un diagrama de Pareto con los principales defectos en una lnea: Tipo de Descripcin del defecto Frecuencia defecto A B C D E
58
Percent
MDULO 1. CORE TOOLS DE LA AIAG - CEP P. Reyes / junio 2010 Frecuencia %
Conclusiones:
Carta u de Defectos por unidad

Si se encuentra un total de c no conformidades en la muestra de n unidades de inspeccin, entonces el promedio de no conformidades por unidad de inspeccin u es:
ui =
ci ni
Los lmites de control son:

LSC u = u + 3 u n
LC u = u
LSC u = u + 3 u n Si es negativo se toma cero.
Donde u representa el nmero promedio de no conformidades por unidad en un conjunto de datos preliminar. Los lmites anteriores se consideran lmites preliminares.
Ejemplo: Obtener una carta u para los Defectos encontrados en lotes de Partes variables: LC=U+3*raiz(U/ni) LSC
U Defecto s Lote Ui
Umedia LIC
59

9 11 2 5 15 13 8 7 5 2 4 4 2 5 5 2 3 2 1 6 110 101 98 105 110 100 98 99 100 100 102 98 99 105 104 100 103 100 98 102 Umedia 0.082 0.109 0.020 0.048 0.136 0.130 0.082 0.071 0.050 0.020 0.039 0.041 0.020 0.048 0.048 0.020 0.029 0.020 0.010 0.059 0.055 0.055 0.055 0.055 0.055 0.055 0.055 0.055 0.055 0.055 0.055 0.055 0.055 0.055 0.055 0.055 0.055 0.055 0.055 0.055 0.055 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0.12 0.12 0.13 0.12 0.12 0.12 0.13 0.13 0.12 0.12 0.12 0.13 0.13 0.12 0.12 0.12 0.12 0.12 0.13 0.12
En Excel graficar la zona verde. En Minitab, copiar los datos de Defectos y Facturas en dos columnas de Minitab Stat > Control charts > Attribute > u Variable Defectos Subgroups in Lote OK
Est el proceso en control estadstico? Si____
No X_____ Asumir que se pueden identificar las causas asignables, eliminar los puntos que salen de control y recalcular los lmites de control
60

No. GRAFICA
FECHA INICIO
FECHA TERMINO
FRECUENCIA
TIPO DE EVALUACION
UNIDADES
LSE
LIE
NP
LSC
LIC
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
L E C T U R A S
DEFECTOS
61
3. CAPACIDAD DE PROCESOS
Definiciones
Proceso: ste se refiere a alguna combinacin nica de mquinas, herramientas, mtodos, materiales y personas involucradas en la produccin. Capacidad o habilidad: Esta palabra se usa en el sentido de aptitud, basada en el desempeo probado, para lograr resultados que se puedan medir. Capacidad del proceso: Es la aptitud del proceso para producir productos dentro de los lmites de especificaciones de calidad. Capacidad medida: Esto se refiere al hecho de que la capacidad del proceso se cuantifica a partir de datos que, a su vez, son el resultado de la medicin del trabajo realizado por el proceso. Capacidad inherente: Se refiere a la uniformidad del producto que resulta de un proceso que se encuentra en estado de control estadstico, es decir, en ausencia de causas especiales o atribuibles de variacin. Variabilidad natural: Los productos fabricados nunca son idnticos sino que presentan cierta variabilidad, cuando el proceso est bajo control, solo actan las causas comunes de variacin en las caractersticas de calidad. Valor Nominal: Las caractersticas de calidad tienen un valor ideal ptimo que es el que desearamos que tuvieran todas las unidades fabricadas pero que no se obtiene, aunque todo funcione correctamente, debido a la existencia de la variabilidad natural.
Introduccin a la capacidad de procesos

Su propsito es determinar la capacidad del proceso para cumplir especificaciones o requerimientos establecidos, se usa para: 1. Predecir que tanto el proceso cumple especificaciones 2. Apoyar a diseadores de producto o proceso en sus modificaciones 3. Especificar requerimientos de desempeo de equipo nuevo 4. Seleccionar proveedores 5. Reducir la variabilidad en el proceso de manufactura 6. Planear la secuencia de produccin cuando hay un efecto interactivo de los procesos en las tolerancias.
62
MDULO 1. CORE TOOLS DE LA AIAG - CEP P. Reyes / junio 2010 La capacidad de los procesos para cumplir especificaciones se refiere a la uniformidad de los procesos medida como la variabilidad del producto, hay dos formas de pensar en esta variabilidad: 1. La variabilidad natural en un cierto tiempo (variabilidad instantnea). 2. La variabilidad en el tiempo. Es usual tomar 8-sigma de la poblacin como la dispersin en la distribucin de la caracterstica de calidad del producto como medida de la capacidad del proceso. Los lmites de tolerancia natural del proceso, superior (LTNS) e inferior (LTNI) , se encuentran en 4 , o sea: LTNS = + 4 LTNI = - 4 Para un proceso normal, los lmites de tolerancia naturales incluyen 99.9936% de la variable, slo (64 ppm) de la salida del proceso se encontrar fuera de estos lmites de tolerancia naturales. Sin embargo, si el proceso no es normal, el porcentaje puede diferir grandemente. Esto se esquematiza en la figura siguiente:
LTNS
LTNI 32 ppm def. 32ppm def.
Localizacin de los lmites de tolerancia natural
63
Cmo vamos a mejorar esto?

Podemos reducir la desviacin estndar...
Podemos cambiar la media...
O (lo ideal sera, por supuesto) que podramos cambiar ambas
Cualquiera que sea la mejora que lleve a cabo, asegurarse que se mantenga
Teora del camin y el tnel

El tnel tiene 9' de ancho (especificacin). El camin tiene 10 y el chofer es perfecto (variacin del proceso). Pasara el camin? NO, la variabilidad del proceso es mayor que la especificacin. Centrar es hacer que el promedio del proceso sea igual al centro de la especificacin. Si el camin tiene 8 pies de ancho pasar el camin?, Si. Si el chofer puede mantener el centro del camin en el centro del tnel. De otra forma chocar con las paredes del tnel y no pasar a pesar de ser ms angosto. El proceso debe estar en control, tener capacidad y estar centrado
Ancho 9 Nigels Trucking Co.
Capacidad potencial (Cp) y capacidad real del proceso (Cpk)
64
Capacidad del proceso Fraccin defectiva

La capacidad en funcin de la fraccin defectiva del Proceso se calcula En funcin de la fraccin defectiva para cada lado del rango de Especificacin. Rango medio Desv. Est.= Constante d2 de acuerdo al tamao de subgrupo en X-R Los valores de Z inferior y Z superior se calculan de acuerdo a las frmulas Siguientes:
Zi
LIE - promedio del proceso

Desviacin Estandar
Zs
LSE - Promedio del proceso Desviacin Estandar
La fraccin defectiva se calcula con las tablas de distribucin normal

P(Zi) = rea en tabla (-Z) P(Zs) = 1 rea corresp. a Zs en tabla (+Z)
Fraccin defectiva = P(Zi) + P(Zs)
Clculo de la fraccin defectiva
ndices de Capacidad del proceso ndice de capacidad potencial Cp

Compara la amplitud de variacin permitida por las especificaciones entre la amplitud de variacin entre los lmites de tolerancia naturales del proceso. La funcin P (inverso de Cp) es el porcentaje de la banda de especificaciones usada por el proceso.
65

1 P = Cp 100
Habilidad o capacidad potencial
Cp = (LSE - LIE ) / 6 st
Debe ser 1.33, si est entre 1 1.33 requiere mucho control, <1 inac. para tener el potencial de cumplir con especificaciones (LIE, LSE) Habilidad o capacidad real Cpk = Menor | ZI y ZS | / 3 El Cpk debe ser 1.33 para que el proceso cumpla especificaciones, entre 1 y 1.33 requiere control, <1 inac.
ndice de capacidad real Cpk

Este ndice si toma en cuenta el centrado del proceso respecto a las especificaciones, en este caso se denomina Cpk, y se evala tomando el menor de los Cps correspondientes a cada lado de la media. Cps = PCR S = LSE 3 Cp superior Cpi = PCR I =
LIE 3
Cp inferior
66
67
Procedimiento para realizar estudios de capacidad del proceso

1. Seleccionar una mquina donde realizar el estudio (se requiere al menos una produccin de 300 partes). 2. Establecer el proceso a sus condiciones normales de operacin (de acuerdo a sus especificaciones). 3. Seleccionar un operador entrenado. 4. El sistema de medicin debe tener una resolucin de al menos el 10% y una habilidad o capacidad R&R < 10% (error de medicin respecto a tolerancia). 5. Cuidadosamente colectar la informacin en una carta de control X-R o I-MR. 6. Construir la carta de control y estabilizar el proceso hasta que este en control. 7. Calcular la media y desviacin estndar del proceso (S = Rmedia / d2). 8. Calcular las Zs correspondientes al lmites superior de especificaciones Zs y al lmite inferior de especificaciones Zi. 9. Determinar la fraccin defectiva con la tabla normal P(Zs) + P(Zi). 10. Calcular el ndice de capacidad potencial Cp = (LSE LIE) / (6*s), debe ser mayor a 1.33. 11. Determinar el ndice de capacidad real Cpk = Menor |Zs; Zi| / 3, debe ser mayor a 1.33. 12. Tomar las acciones correctivas necesarias Ejemplo: Para el caso de anillos de pistones, donde el LSE = 74.05mm y el LIE= 73.95mm y de la carta R se estim =
R = 0.0099 por tanto se tiene: d2
Cp = PCR = (LSE LIE) / 6 = (74.05 73.95) / 6 (0.0099) = 1.68
La fraccin que utiliza el proceso de las especificaciones es:

P =1/Cp*100 = [(1/1.68)]* 100 = 59.5% Cuando slo existe un lmite de especificaciones, el ndice de capacidad potencial Cp o PCR se define como: Para el caso de la resistencia de las botellas de vidrio, si el LIE = 200psi,
Cp = 264 200 64 = = 0.67 3(32) 96
Lo cual indica falta de habilidad, la fraccin abajo del lmite inferior es: ZI = LIE 200 264 = = 2 32
68
MDULO 1. CORE TOOLS DE LA AIAG - CEP P. Reyes / junio 2010 P(x <= ZI) = 0.0228 o 2.28% por debajo del lmite inferior de especificaciones. 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. El Cpk toma en cuenta la localizacin relativa de la media del proceso respecto a los lmites de especificaciones. Ejemplo: Para un proceso donde los lmites de especificacin sean LSE=62, LIE=38, la media del proceso sea =53 y su desviacin estndar =2, se tiene: Cps = PCRS = 62 53 53 38 = 1.5 para el LSC, Cpi = PCRI = = 2.5 para el LIC. 32 32
Por tanto, el ndice de capacidad real es:

Cpk = PCRk = min( PCR S , PCR I ) = min(1.5,2.5) = 1.5
Siempre se cumple que, Cpk <= Cp, Siendo el Cpk menor cuando el proceso no est centrado. Los criterios de mnimo Cpk son similares a los del Cp.
ndice de capacidad cpm

Es un indicador de capacidad potencial que toma en cuenta el centrado del proceso: Si V = X T
Cp
2
donde T es el centro de las especificaciones.

LSE LIE 6 2 + ( T ) 2
C pm =
1+V
Cuando T es igual a X media del proceso, Cpm = Cp = Cpk
ndice de capacidad Cpkm

Es un indicador de capacidad real que toma en cuenta el centrado del proceso: Si T es el centro de las especificaciones.
C pkm = Cpk T 1+
2
Cuando T es igual a X media del proceso, Cpkm = Cpk
Con Minitab: Con los datos de la carta X-R anterior, una vez que se
encuentra en control: a) Con los lmites de especificacin reales de la lnea o producto LIE = 15.2 y LSE = 16.6:
69
MDULO 1. CORE TOOLS DE LA AIAG - CEP P. Reyes / junio 2010 En Minitab: Stat > Quality tools > Capability analysis (Normal) Seleccionar Subgroups across rows off X1 X2 X3 X4 X5 Lower spec 15.2 Upper spec 16.6 Estimate: Methods of estimate sigma R-Bar Options: Display Percents o Parts per million / Capability Stat Cp, Cpk o Benchmark Zs OK OK b) Calcular la desviacin estndar del proceso o sigma Std Dev. Within c) Determinar los lmites de tolerancia natural del proceso (Media de medias +4*sigma): LTNI = Media de medias 4*sigma = LTNS = Media de medias + 4*sigma = d) Cul es el valor de la fraccin defectiva total fuera de especificaciones (Exp. Within performance % Total )? e) Cul es el valor del Cp = es potencialmente hbil el proceso?. f) Cul es el valor del Cpk = Es realmente hbil el proceso? g) Qu recomendara para mejora capacidad real del proceso?.
Con Minitab: Con los datos de la carta I-MR anterior, una vez que se
encuentra en control: a) si los lmites de especificacin son LIE = 5.95 y LSE = 6.06, determinar lo siguiente: En Minitab: Stat > Quality tools > Capability analysis (Normal) Data is arranged as a single column: Viscocidad Subgroup size 1 Lower spec 5.95 Upper spec 6.06 Estimate: Methods of estimate sigma R-Bar Options: Display Percents o Parts per million / Capability Stat Cp, Cpk o Benchmark Zs OK OK b) Determinar la Desviacin estndar (St dev. Within )= desviacin estndar = Rmedio / d2 = (d2 = 2.326)
70
MDULO 1. CORE TOOLS DE LA AIAG - CEP P. Reyes / junio 2010 Media (Mean) = c) Limites de tolerancia natural del Proceso (variacin natural del proceso): LTNI = Media - 4* Desv. Estandar = LTNS = Media + 4* Desv. Estandar = d) Zlie = (ZLSL)= Zlse = (ZUSL) = Z=(Lim. spec.Media)/Desv.estandar e) P(Zlie)= (Exp. Within performance %<LSL) = P(Zlse)= (Exp. Within performance) = (%>USL) = En Excel P(Z)=DISTR.NORM.ESTAND(Zlie o Zlse)
f) Fraccin defectiva = % Total Within = P(Zlie) + P(Zlse) = _ Indices de capacidad g) Potencial Cp = h) Real Cpk = Conclusiones _
i) Qu se puede hacer para mejorar el Cpk? _ Ejemplo: De una carta de control X - R (con subgrupos de n = 5), despus de que el proceso se estabiliz quedando slo con causas comunes, se obtuvo lo siguiente: Xmedia de medias = 264.06 Rmedio = 77.3 Por tanto estimando los parmetros del proceso se tiene: = X media de medias = Rmedio / d2 = [ d2 para n = 5 tiene el valor 2.326] Si el lmite de especificacin es: LIE = 200. El Cpk = por tanto el proceso ? cumple con las especificaciones Ejercicio : De una carta de control X - R (con tamao de subgrupo n = 5), despus de que el proceso se estabiliz quedando slo con causas comunes (LIE = 36, LSE = 46) se obtuvo lo siguiente: Xmedia de medias = 40 Rmedio = 5 a) Determinar la desviacin estndar del proceso b) Determinar los lmites de tolerancia natural del proceso c) Determinar la fraccin defectiva o porcentaje fuera de especificaciones d) Determinar el Cp
71
MDULO 1. CORE TOOLS DE LA AIAG - CEP P. Reyes / junio 2010 e) Determinar el Cpk f) Determinar el Cpm g) Determinar el Cpkm h) Establecer conclusiones de los resultados anteriores
Capacidad de procesos no normales

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 5. Calc > Random data > Weibull 6. 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: 1. Stat > Quality tools > Capability anlisis > NoNormal 2. Single column C1 Distribution Weibull Lower Spec 0 Upper spec 3.5 3. Estimate R-bar OK Los resultados se muestran a continuacin:
72
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 Ppu2 = 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.
En Minitab otras opciones son transformar los datos con los mtodos de Box Cox o Johnson y despus determinar la capacidad del proceso de manera tradicional calculando el Cp y el Cpk. MINITAB: Transformacin de Box Cox File > Open worksheet > Tiles.mtw Stat > Control Charts > Box Cox Transformation Variable Warping Subgroup size 1 OK
2
Los ndices Pp y Ppk son similares a los ndices Cp y Cpk , se refieren a la capacidad del proceso a largo plazo.
73
Para normalizar la variable anormal, se eleva a la potencia indicada en Best Value (0.5) y este valor es cero, se toma el logaritmo natural de la variable. En ambos casos tambin se deben transformar los lmites de especificaciones.
74

M Dulo 1 Core Tools Var Cep

Uploaded by

Document Information

Original Title

Copyright

Available Formats

Share this document

Share or Embed Document

Sharing Options

Did you find this document useful?

Is this content inappropriate?

Copyright:

Available Formats

M Dulo 1 Core Tools Var Cep

Uploaded by

Copyright:

Available Formats

Core Tools de la AIAG

MDULO 1. CONTROL ESTADSTICO DEL PROCESO

MDULO 1. CORE TOOLS DE LA AIAG - CEP P. Reyes / junio 2010

MDULO 1. CORE TOOLS DE LA AIAG - CEP P. Reyes / junio 2010

MDULO 1. CORE TOOLS DE LA AIAG - CEP P. Reyes / junio 2010

MDULO 1. CORE TOOLS DE LA AIAG - CEP P. Reyes / junio 2010

Tiempo de vuelo de Mxico a Acapulco

Tiempo que toma ir al trabajo

MDULO 1. CORE TOOLS DE LA AIAG - CEP P. Reyes / junio 2010

MDULO 1. CORE TOOLS DE LA AIAG - CEP P. Reyes / junio 2010

Correlacin entre las variables Y y X

Correlacin Negativa Evidente

Espesor Linear (Espesor)

Tiempo 80 97 92 102 103 111 119

MDULO 1. CORE TOOLS DE LA AIAG - CEP P. Reyes / junio 2010

Paso 4. Hacer la grfica del histograma:

MDULO 1. CORE TOOLS DE LA AIAG - CEP P. Reyes / junio 2010

Las cartas de control

Lnea Ce ntra l Lm ite I nferior de Control

Carta de control con sus lmites de control y lnea central

Regin de control, captura la variacin natural del proceso original

Tendencia del proceso Causa Especial

Causas especiales y causas comunes

MDULO 1. CORE TOOLS DE LA AIAG - CEP P. Reyes / junio 2010

MDULO 1. CORE TOOLS DE LA AIAG - CEP P. Reyes / junio 2010

MDULO 1. CORE TOOLS DE LA AIAG - CEP P. Reyes / junio 2010

SPC for SME - David Drain

MDULO 1. CORE TOOLS DE LA AIAG - CEP P. Reyes / junio 2010

Distribucin de probabilidad normal

Distribucin grfica de la variacin La Curva normal

LAS DISTRIBUCIONES PUEDEN DIFERIR EN:

TAMAO . . . O TODA COMBINACIN DE STAS

Propiedades de la distribucin normal estndar

rea o probabilidad bajo la curva normal estndar 18

-3s -2s -1s

+1s +2s +3s 68.26% 95.46% 99.73%

MDULO 1. CORE TOOLS DE LA AIAG - CEP P. Reyes / junio 2010

MDULO 1. CORE TOOLS DE LA AIAG - CEP P. Reyes / junio 2010

DISTRIBUCIN NORMAL CON DATOS REALES

Desviacin estndar real

DISTRIBUCIN NORMAL ESTANDARIZADA

MDULO 1. CORE TOOLS DE LA AIAG - CEP P. Reyes / junio 2010

rea bajo la curva de Distribucin normal

MDULO 1. CORE TOOLS DE LA AIAG - CEP P. Reyes / junio 2010

Clculo del rea bajo la curva normal sin Z

Prueba de normalidad en Minitab

MDULO 1. CORE TOOLS DE LA AIAG - CEP P. Reyes / junio 2010

Grfica de probabilidad de un proceso normal

MDULO 1. CORE TOOLS DE LA AIAG - CEP P. Reyes / junio 2010

2. CONTROL ESTADSTICO DEL PROCESO

Poblacin con media y desviacin estndar y cualquier distribucin.

Distribucin de las medias muestrales - Normal

MDULO 1. CORE TOOLS DE LA AIAG - CEP P. Reyes / junio 2010

Comportamiento de las medias muestrales extradas de otras distribuciones:

4.8 5.4 Media

MDULO 1. CORE TOOLS DE LA AIAG - CEP P. Reyes / junio 2010

Introduccin al Control estadstico del proceso

Qu es una carta de control?

Lnea Ce ntra l Lm ite I nferior de Control

MDULO 1. CORE TOOLS DE LA AIAG - CEP P. Reyes / junio 2010

Carta de control con sus lmites de control

Causas normales o comunes

Analoga del manejo en carretera con el CEP