Grafico de Control
Grafico de Control
Grafico de Control
1
¿Qué es calidad?
3
El papel de la estadística en
el aseguramiento de calidad
5
Diagramas de causa-efecto
Los pasos para su construcción son:
Determinar claramente el efecto a estudiar.
Reunir a las personas que conocen del
problema y realizar una lluvia de ideas.
Seleccionar las causas aportadas, eliminando
repeticiones y errores.
Dibujar el diagrama. Lo debe hacer una
persona que conozca del problema.
6
Diagramas de causa-efecto
En muchos casos se resuelven los problemas sin
atacar las causas de los mismos, lo cual es una
práctica perjudicial.
En estos diagramas las causas que
potencialmente pueden generan un determinado
efecto se presentan en forma jerarquizada.
Por su forma, también se denominan diagramas
de espina de pescado.
7
Diagramas de causa-efecto
(cont)
MANO DE OBRA MAQUINARIA
Fatiga Abrasión
MATERIALES MÉTODO
9
Diagramas de Pareto (cont)
Número de Paradas Tiempo de Parada
Turno 1 Turno 2 Total Turno 1 Turno 2 Total
(A) Rotura de hilo 18 24 42 20 31 51
Número y tiempos (B) Cinta 15 10 25 12 10 22
de parada en una (C) Vibrador 92 88 180 62 68 130
línea de envasado (D) Tornillo sin fin 1 6 7 2 8 10
(E) Apelmazamiento 0 1 1 0 1 1
(F) Rotura de saco 2 1 3 4 1 5
(G) Otros 1 0 1 8 0 8
1.0 225 1.0
250
0.9 0.9
225 200
0.8 0.8
200 175
0.7 0.7
175
Numero de Paradas
150
Tiempo de Parada
0.6 0.6
150
125
125 0.5 0.5
100
100 0.4 0.4
75
75 0.3 0.3
50 0.2 50
0.2
25 0.1 25 0.1
0 0.0 0 0.0
C A B D F E G C A B D G F E
Causas Causas
10
Diagramas bivariantes
12
Control estadístico de
procesos
Los objetivos son:
Monitorear y vigilar el desempeño del proceso en
cuanto a las características de calidad críticas del
producto, para así minimizar la producción defectuosa
Gráficos de Control.
Estimar los parámetros del proceso para comparar la
producción con las especificaciones Estudios de
Capacidad.
En ambos casos, se trata de herramientas por y
para la mejora continua.
13
Causas de la variabilidad en
un proceso
Causas Comunes Causas Asignables
Suelen ser muchas y cada Suelen ser pocas pero con
una produce pequeñas efectos importantes en la
variaciones. variabilidad.
Son parte permanente del Aparecen esporádicamente.
proceso Son relativamente fáciles
Son difíciles de eliminar y de eliminar
forman parte del sistema. Por lo general su efecto
está localizado en una(s)
Afectan a todo el conjunto
máquina(s) u operario(s).
de máquinas y operarios
14
Definición de proceso bajo
control estadístico
Se dice que un proceso está bajo control
estadístico cuando solo está 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” está más vinculado con el
monitoreo del sistema que con la actuación
sobre el mismo.
15
Gráficos de control
Se trata de diagramas en los que se representa
el comportamiento de un proceso en el tiempo
a través de los valores de un estadístico
asociado con una característica de calidad del
producto.
Desde el punto de vista estadístico, estos
gráficos permiten realizar continuamente
pruebas de hipótesis sobre una de las
característica del proceso.
16
Gráficos de control (cont)
El objetivo de los gráficos de control es facilitar
la vigilancia del proceso para así detectar
rápidamente la presencia de causas asignables
y minimizar la producción defectuosa.
Los diagramas de control están pensados para
ser usados directamente por los propios
operadores, de modo que las acciones se
tomen rápidamente.
17
Gráficos de control (cont)
Un gráfico de control se construye a partir
de muestras tomadas regularmente en el
tiempo, para cada una de las cuales se
calcula un estadístico W asociado con un
parámetro de la distribución de la
característica de calidad. Estos valores se
grafican junto con una línea central y un par
de líneas de control (superior e inferior).
18
Gráficos de control (cont)
3.5
LSC
3.3
C a ra c te ris tic a d e c a lid a d
3.1
2.9
2.7
LIC
2.5
Tiempo
19
Gráficos de control (cont)
Para poder considerar al proceso bajo
control, los puntos del gráfico deben estar
dentro de los límites de control y presentar
comportamiento aleatorio.
Por simplicidad, las líneas suelen escogerse
en base a una aproximación normal de W:
LC E (W ) LIC E (W ) 3 V (W )
LSC E (W ) 3 V (W ) 20
Gráficos de control (cont)
21
Gráficos de control (cont)
Las muestras que se obtienen en cada punto de
observación deben ser subgrupos racionales.
La selección de la frecuencia de muestreo y del
tamaño 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 límites de control.
22
Gráficos de control (cont)
Diagramas para control de variables: se utiliza
cuando la característica de calidad puede
expresarse como una medida numérica
(diámetro de un cojinete, longitud de un eje,
etc.)
Diagramas para control de atributos: se utiliza
cuando la característica de calidad corresponde
a una variable binaria (presencia o no de
defectos, etc.)
23
Gráficos de control para
variables
Se supone que la distribución de la
característica de calidad es normal(,), al
menos aproximadamente. De aquí que se
requieran dos gráficos, uno para cada
parámetro de la distribución.
Los pares más comunes son los de medias y
desviaciones estándar, los de medias y rangos,
y los gráficos para observaciones individuales y
rangos móviles.
24
Gráficos de medias y rangos
(X R)
Se construye un gráfico para la evolución de las
medias de los grupos (asociado con la ubicación
de la característica ) y otro para la evolución
de los rangos (asociado con la dispersión de la
característica ).
Se utilizan los rangos para medir la variabilidad
ya que son fáciles de calcular y tienen una
eficiencia similar a la desviación estándar para
subgrupos pequeños.
25
Pasos para la construcción
de gráficos X R
Se toman k muestras de tamaño n
(usualmente constante y menor a 7).
Se calcula la media y el rango de cada
muestra:
1 n
X i xij Ri max xij min xij
n j 1 j j
E ( X i ) SD( X i )
n
E X
constantes
E ( Rdi )ydd 2son
donde SD( Ri ) dque E R dsolo
3 dependen 2 de
2 3
n y pueden encontrarse en tablas como la que se
presenta a continuación.
27
Gráficos de medias y rangos
( X R)
n d2 A2 d3 D3 D4
2 1,128 1,880 0,853 0,000 3,267
La tabla de la derecha 3
4
1,693
2,059
1,023
0,729
0,888
0,880
0,000
0,000
2,575
2,282
muestra el valor de las 5
6
2,326
2,534
0,577
0,483
0,864
0,848
0,000
0,000
2,115
2,004
tamaños de los 12
13
3,258
3,336
0,266
0,249
0,778
0,770
0,284
0,308
1,716
1,692
14 3,407 0,235 0,763 0,329 1,671
subgrupos racionales. 15
16
3,472
3,532
0,223
0,212
0,756
0,750
0,348
0,640
1,652
1,636
17 3,588 0,203 0,744 0,379 1,621
18 3,640 0,194 0,739 0,392 1,608
19 3,689 0,187 0,734 0,404 1,596
20 3,735 0,180 0,729 0,414 1,586
21 3,778 0,173 0,724 0,425 1,575
22 3,819 0,167 0,720 0,434 1,566
23 3,858 0,162 0,716 0,443 1,557
24 3,895 0,157 0,712 0,452 1,548
25 3,931 0,153 0,708 0,459 1,541
28
Gráficos de medias y rangos
(X R)
Si se conocen y , estos se pueden
usarse para calcular los límites de control:
Medias
LSC A LC LIC A
Rangos
LSC D2 R LC d 2 LIC D1 R
donde
3
A D1 d 2 3d 3 D2 d 2 3d 3
n
29
Gráficos de medias y rangos
(X R)
Si no se conocen y (lo más común)
deben estimarse a partir de los datos.
Para las medias
LSC X A2 R LC X LIC X A2 R
Para los rangos
LSC D4 R LC R LIC D3 R
donde
3 d3 d3
A2 D3 1 3 D2 1 3
d2 n d2 d2
30
Gráficos de medias y rangos
(X R)
31
Gráficos de medias y rangos
(cont)
Muestra Observaciones en la muestra Media Rango
Ejemplo 1.- Se 1 33.00 29.00 31.00 32.00 33.00 31.60 4.00
2 33.00 31.00 35.00 37.00 31.00 33.40 6.00
muestran datos 3
4
35.00 37.00 33.00 34.00 36.00
30.00 31.00 33.00 34.00 33.00
35.00
32.20
4.00
4.00
correspondientes a la 5
6
33.00 34.00 35.00 33.00 34.00
38.00 37.00 39.00 40.00 38.00
33.80
38.40
2.00
3.00
apertura del alabe (en 7
8
30.00 31.00 32.00 34.00 31.00
29.00 39.00 38.00 39.00 39.00
31.60
36.80
4.00
10.00
milímetros) para un 9
10
28.00 33.00 35.00 36.00 43.00
38.00 33.00 32.00 35.00 32.00
35.00
34.00
15.00
6.00
componente de la 11
12
28.00 30.00 28.00 32.00 31.00
31.00 35.00 35.00 35.00 34.00
29.80
34.00
4.00
4.00
turbina de un avión. 13
14
27.00 32.00 34.00 35.00 37.00
33.00 33.00 35.00 37.00 36.00
33.00
34.80
10.00
4.00
32
Gráficos de medias y rangos
(cont)
Los límites de control son, en este caso,
Para el gráfico 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 gráfico de rangos
LIC D3 R 2,115 5,8 12,27
LSC D4 R 0 5,8 0
LC 5,8
33
Gráficos de medias y rangos
(cont)
A p e rtu ra p r o m e d io d e l a la b e
40
38
LSC=36.67
36
34
LC=33.32
32
30
LIC=29.98
28
5 10 15 20
Muestra
R a n g o d e a p e r tu ra d e l a la b e
15
LSC=12.27
10
LC=5.80
5
0
5 10 15 20 34
Muestra
Gráficos de medias y rangos
(cont)
Las muestras 6, 8, 11 y 19 están fuera de
control en gráfico de medias y la 9 lo esta
en el gráfico de rangos.
Cuando se estudian las causas asignables,
estas llevan a una herramienta defectuosa
en el área de moldeo. Los límites deben ser
recalculados excluyendo estas observaciones
atípicas, obteniéndose así un nuevo gráfico.
35
Gráficos de medias y rangos
(cont)
A p e rtu ra p ro m e d io d e l a la b e
40
38
36
LSC=36.10
34
LC=33.21
32
30
LIC=30.33
28
5 10 15 20
Muestra
R a n g o d e a p e r tu r a d e l a la b e
15
10
LSC=10.57
5
LC=5.00
0
5 10 15 20 36
Muestra
Gráficos de medias y
desviaciones estándar ( X s)
El utiliza el mismo gráfico de medias anterior,
pero ahora se estudia la dispersión usando un
gráfico de las desviaciones standard de cada
subgrupo.
La desviación muestral es un mejor estimador
de la variabilidad, pero más difícil de calcular.
Se prefiere en procesos con subgrupos
racionales grandes (10 o más) o en procesos
automatizados.
37
Pasos para la construcción
de gráficos X s
Se toman k muestras de tamaño n.
Se calcula la media y la desviación
standard de cada muestra:
2
n
1 n xij X i
X i xij Si j 1
n 1
n j 1
Se calculan los parámetros poblacionales.
1 k
1 k
X Xi S Si
k i 1 k i 1
38
Pasos para la construcción
de gráficos X s
E( X i ) SD( X i )
n
E X
E ( S i ) c 4 SD( S i ) 1 c 4 E S c 4
2
3
A B5 c4 3 1 c42 B6 c4 3 1 c42
n
40
Pasos para la construcción
de gráficos X s
Cuando no se conocen los valores de y
los mismos se calculan a partir de los
datos para obtener los límites de control
Para el gráfico de medias:
LSC X A3 S LC X LIC X A3 S
Para el gráfico de desviaciones estándar:
LSC B4 S LC S LIC B3 S
3 1 c4 1 c4
A3 B3 1 3 B4 1 3
c4 n c4 c4
41
Pasos para la construcción
de gráficos X s
n c4 A3 B3 B4
Tabla 2.- La tabla de la 2 0,7979 2,6590 0,0000 3,2670
3 0,8862 1,9540 0,0000 2,5680
derecha muestra el valor 4
5
0,9213
0,9400
1,6280
1,4270
0,0000
0,0000
2,2660
2,0890
1.0
k=1.0
k=1.5
0.8
k=2.0
0.6
0.4
0.2
0.0
1 2 3 4 5 6
Numero de elementos en el supgrupo racional
43
Gráficos para observaciones
individuales (I) (cont)
Sin embargo, en algunos procesos no es
posible obtener más de una observación:
Debido a la forma del proceso, donde las
condiciones cambian con cada producto.
Donde se quiere comparar cada producto con la
especificación (se producen pocos artículos y son
muy caros).
En procesos continuos, donde no hay individuos.
44
Gráficos para observaciones
individuales (I) (cont)
Cuando solo se dispone de una observación 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.
Así, el gráfico de medias se sustituye por el
gráfico de las observaciones y el de rangos por
el de rangos móviles.
45
Gráficos para observaciones
individuales I (cont)
El rango móvil utiliza la información de las últimas
w observaciones para estimar la variabilidad.
46
Pasos para la construcción
de gráficos I
Se toma una observación para cada uno de
k puntos en el tiempo.
Para cada instante se calcula el rango móvil
basado en w observaciones, definido por
Ri max x j min x j , 1 i k w 1
i j i w 1 i j i w 1
LSC X 3 R d 2 LC X LIC X 3 R d 2
Para el gráfico 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.
48
Otros gráficos para control
de variables
50
Gráficos para control de
proporciones (p)
Se utiliza para atributos binarios, y por
tanto el número de ocurrencias del mismo
en un lote puede modelarse por una v.a.
Binomial. Así, basta con un gráfico que
corresponde a la proporción p de
defectuosos en la muestra.
El otro parámetro de la distribución (n),
puede ser constante o no y es conocido.
51
Pasos para la construcción
de gráficos p
Se toman k muestras cada una de tamaño ni (ni
suele escogerse de manera que se presenten
por lo menos tres o cuatro defectos).
Se calcula la fracción de individuos con el
atributo en la muestra pi.
52
Pasos para la construcción
de gráficos p (cont)
Se estima el parámetro poblacional
k
ni p i Total de artículos defectuos
i 1
p k
Total de artículos muestreados
ni
i 1
Se obtienen y grafican los límites de
control y la línea central.
p (1 p ) p (1 p )
LSC min p 3 ,1 LIC max p 3 ,0
ni ni
LC p
53
Gráficos para control para
cantidades (u)
El interés se centra ahora en ci,el número de
veces que el atributo se presenta en cada
individuo (no solo su presencia).
Si se supone que la tasa de ocurrencia de los
eventos que generan el atributo es constante
entonces es razonable asumir que la v.a.
sigue una distribución de Poisson, y por tanto,
hay que monitorear un solo parámetro ().
54
Pasos para la construcción
de gráficos u
Se toman ni individuos (con ni tal que se
presente el atributo alrededor de 10 veces)
en cada uno de k puntos en el tiempo.
Se calcula el número promedio de defectos
en cada instante:
55
Pasos para la construcción
de gráficos u (cont)
Se estima el parámetro poblacional
k
ci Total de defectos
i 1
k
Total de artículos muestreados
ni
i 1
Se obtienen y grafican los límites de
control y la línea central.
LSC 3 LC LIC 3
ni ni
56
Ejemplo de gráficos u
Ejemplo 2: En una línea de estampado
de telas, se toman rollos de 50 metros de
tela y se cuenta en cada uno de ellos el
número de manchas de pintura que se
presentan. Los resultados para 10
muestras se muestran a continuación:
Muestra 1 2 3 4 5 6 7 8 9 10 Total
Defectos 14 12 20 11 7 10 21 16 19 23 153
Num de rollos 10,0 8,0 13,0 10,0 9,5 10,0 12,0 10,5 12,0 12,5 107,5
1,40 1,50 1,54 1,10 0,74 1,00 1,75 1,52 1,58 1,84 1,42
57
Ejemplo de gráficos u (cont)
3 .0
Ta s a d e d e fe c to s p o r ro llo
2 .5
2 .0
1 .5
1 .0
0 .5
1 2 3 4 5 6 7 8 9 10
Tiempo
58
Ejemplo de gráficos u (cont)
59
Gráficos u y el sistema de
deméritos
En algunos casos no todos los tipos de
defectos que pueden presentar las piezas
tienen la misma gravedad. En ese caso
hay dos opciones:
Construir un gráfico u para cada uno de los
tipos de defectos.
Asignar un “puntaje” a cada tipo de defecto
dependiendo de su gravedad y luego graficar
un índice promediado de los defectos.
60
Gráficos p y el sistema de
deméritos (cont)
Defecto Grave Normal Leve
Deméritos 10 5 1
#/unidad x3 x2 x1
63
Interpretación de los
gráficos de control
Necesitamos determinar si el proceso está bajo
control, lo cual se traduce en que los puntos
mostrados estén dentro de los límites de
control y presenten un comportamiento
aleatorio.
Para esto se utilizan una serie de reglas
empíricas, cuya presentación se facilita si el
área dentro de los límites de control se divide
en regiones iguales.
64
Interpretación de los
gráficos de control (cont) 1 0 .5
C a ra c te rís tic a d e C a lid a d
Zona A
Zona B
Zona C
1 0 .0
Zona C
Zona B
9 .5
Zona A
5 10 15 20 25
Muestra
65
Interpretación de los
gráficos de control (cont)
A las reglas empíricas que se utilizan para
determinar si un proceso está bajo control
se les suele denominar reglas de parada.
Corresponden a sucesos que tienen muy
baja probabilidad de ocurrir si el proceso
está bajo control.
Cada una de ellas provee información
sobre el tipo de causa asignable que
puede estar afectando al proceso.
66
Reglas de parada
Zona A
Zona B
Zona C
1 0 .0
Zona C
Zona B
9 .5
Zona A
5 10 15 20 25
Muestra
67
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.
C a r a c te r ís tic a d e C a lid a d
1 0 .5
Zona A
Zona B
Zona C
1 0 .0
Zona C
Zona B
9 .5
Zona A
5 10 15 20 25
Muestra
68
Reglas de parada (cont)
Catorce puntos en fila alternando
arriba y abajo. Indica correlación negativa
entre los datos (cuando hay excesos en una, a
la siguiente pieza es muy reducida y viceversa).
C a r a c te r ís tic a d e C a lid a d
1 0 .5
Zona A
Zona B
Zona C
1 0 .0
Zona C
Zona B
9 .5
Zona A
5 10 15 20 25
Muestra
69
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.
C a r a c t e r í s t ic a d e C a l id a d
1 0 .5
Zona A
Zona B
Zona C
1 0 .0
Zona C
Zona B
9 .5
Zona A
5 10 15 20 25
Muestra
70
Reglas de parada (cont)
Dos de tres puntos consecutivos en
la zona A o más allá. Indican un
incremento en la varianza del proceso.
C a r a c te r ís tic a d e C a lid a d
1 0 .5
Zona A
Zona B
Zona C
1 0 .0
Zona C
Zona B
9 .5
Zona A
5 10 15 20 25
Muestra
71
Reglas de parada (cont)
Estructuras periódicas. Estas están
asociadas normalmente con cambios de turnos,
operarios, días de la semana, etc.
C a ra c te rís tic a d e C a lid a d
1 0 .5
Zona A
Zona B
Zona C
1 0 .0
Zona C
Zona B
9 .5
Zona A
5 10 15 20 25
Muestra
72
Reglas de parada (cont)
73
Interpretación de los
gráficos de control (cont)
El calculo del nivel de significancia para las
reglas de parada que se establezcan es
importante para un correcto análisis. Un
punto que incumple una regla de parada es
una ALARMA pero no necesariamente
significa que nuestro proceso está fuera de
control, ya que si no podemos ligarlo a una
causa asignable puede tratarse del azar.
74
Ejemplos adicionales
Ejemplo 3.- Dentro de Día Defectos Día Defectos
un proceso de moldeo de 1
2
9
16
16
17
9
5
PVC las piezas elaboradas 3 5 18 6
pueden presentar o no 4
5
6
7
19
20
4
11
defectos superficiales. 6
7
9
3
21
22
3
1
Cada día se toman 100 8 9 23 3
defectuosas. 14
15
6
7
29
30
5
4
75
Ejemplos adicionales (cont)
También se dispone de un registro de
eventos en la línea, que puede resumirse
como:
Día Evento
5 Reemplazo de la mezcladora.
10 Nuevo empleado asume la operación del
proceso.
18 Se comenzó a utilizar resina (materia
prima) de otro proveedor.
22 Sustitución del sistema de enfriamiento, lo
que permitió un incremento en la
temperatura de inyección de PVC.
76
Ejemplos adicionales (cont)
El gráfico p correspondiente a estos datos
es el siguiente
P ro p o rc io n d e p ie z a s c o n d e fe c to s s u p e rfic ia le s
0 .2 0
0 .1 5
LSC=0.1323
0 .1 0
LC=0.0606
0 .0 5
0 .0
LIC=0.0000
0 5 10 15 20 25 30
Dia
77
Ejemplos adicionales (cont)
Si bien el punto 2 aparece fuera de los
límites, no existe en el registro ningún
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 línea 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 (día 22). El 30 es similar. 78
Ejemplos adicionales (cont)
Nuestra conclusión es que la temperatura de
inyección influye sobre la frecuencia en que
aparecen defectos superficiales. El cambio del
sistema de enfriamiento permitió elevar la
temperatura, lo cual redujo el número de
defectos.
Para avalar nuestra observación se podría
haber realizado una prueba de igualdad de
proporciones.
79
Tolerancias y capacidad
La literatura suele distinguir entre dos tipos
de tolerancias:
Tolerancias de diseño: las cuales son fijadas
por el departamento de ingeniería. Están
relacionadas con el concepto de calidad en el
diseño.
Tolerancias de naturales: que vienen dadas
por las características de la máquina o
proceso.
80
Tolerancias y capacidad
(cont)
Si las tolerancias naturales de un proceso son
más estrictas que las tolerancias de diseño
entonces es fácil obtener calidad de
conformidad.
Sin embargo, si las tolerancias de diseño se
vuelven incompatibles con las tolerancias
naturales de nuestro proceso, muy difícilmente
lograremos elaborar productos que las
satisfagan.
81
Tolerancias y capacidad
(cont)
Tolerancias de diseño
82
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 relación con las
especificaciones del producto (tolerancias de
diseño).
No tiene sentido hablar de capacidad para
procesos que no se encuentran en estado de
control.
83
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 drásticas.
Determinar valores “razonables” para las
especificaciones de un producto nuevo.
Elegir entre diversos proveedores.
84
Estudios de capacidad (cont)
En la industria a veces se habla de dos tipos
de capacidad
Capacidad de las máquinas (u operarios) o
capacidad a corto plazo.
Capacidad del proceso o capacidad a largo plazo.
Los requisitos de capacidad a corto plazo
suelen ser más exigentes que los de largo
plazo, ¿puede decir por qué?
85
Estudios de capacidad (cont)
Se dice que un proceso es capaz para
producir un determinado artículo a un
nivel de calidad si la probabilidad de
que los productos que se elaboran
correspondan con las especificaciones es
al menos .
Está concepción está ligada a una función
de utilizada 0-1.
86
Estudios de capacidad (cont)
El resultado de un estudio de capacidad suele
presentarse en la forma de un histograma al
cual se le añaden indicaciones sobre el valor
objetivo de la característica de calidad y los
límites de especificación de la misma. También
pueden utilizarse los diagramas de control.
Además, suelen utilizarse algunos índices para
facilitar el análisis.
87
Indices de capacidad
Si los procesos están centrados:
Capacidad de máquinas LST LIT
Cm
8
Capacidad de procesos 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
distribución normal.
88
Indices de capacidad (cont)
Ciertas industrias (aviación, automóviles)
utilizan otros valores como 10 y 12.
Se desea que el índice 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
pequeño cambio en las condiciones puede hacer que
pierda esta cualidad.
Si Cp > 1.33 el proceso es capaz y robusto.
89
Indices de capacidad (cont)
90
Indices de capacidad (cont)
Puede comprobarse fácilmente que
C mk C m y C pk C p
y que la igualdad se cumple si y solo si el
proceso está centrado. Además, entre mayor
es la diferencia, mayor es el descentramiento
Los índices Cmk y Cpk pueden interpretarse
como la capacidad hasta la tolerancia más
próxima.
91
Indices de capacidad (cont)
92
Capacidad y falta de
normalidad
Si la distribución de los datos no es normal, es
posible que aparezcan más defectos de los
que se esperan bajo un índice de normalidad.
Una forma de corregir el problema es hallar
límites universales (desigualdad de
Chebyshev), pero estos tenderán a ser
demasiado amplios.
Otra forma es ajustar una distribución.
93
Ejemplos
Ejemplo 5: Se tienen datos sobre la
resistencia a la presión interna de botellas
para gaseosas en 20 muestras de 5
observaciones cada una. Los gráficos de
control correspondientes pueden verse a
continuación. Las especificaciones para el
proceso establecen que la resistencia debe ser
superior a 200, y no se establecen valores
máximos.
94
Ejemplos (cont)
350
300
Medias
250
200
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20
x
200
Rangos
100
0
-100
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20
95
Ejemplos (cont)
De las gráficas es claro que el proceso
está 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 localización del proceso como
X 264,06
96
Ejemplos (cont)
Nótese que el límite de especificación es
unilateral (botellas con mucha resistencia no
son de ningún modo defectuosas). Así pues:
97
Ejemplos (cont)
35
LIE
28
F re c u e n c ia a b s o lu ta
21
14
7
0
160 180 200 220 240 260 280 300 320 340 360
Resistencia interna
98
Ejemplos (cont)
Este es un ejemplo de un proceso bajo control
(estable) pero que funciona a un nivel de
calidad inaceptable (capacidad insuficiente).
La producción de artículos defectuosos en
este caso no puede ser controlada por el
operario ya que solo están presentes causas
comunes. Es necesaria la intervención de la
gerencia.
99
Ejemplos (cont)