1 Control Estadístico de CalidadCarlos Viesca González Carlos Viesca González
2 Conceptos básicos y variabilidad.CAPÍTULO 1 Conceptos básicos y variabilidad. Carlos Viesca González
3 Carlos Viesca GonzálezCALIDAD (ISO 9000:2000) Grado en el que un conjunto de características (rasgos diferenciadores) inherentes (existen en algo, especialmente como características permanentes) cumple con los requisitos (necesidad o expectativa establecida, generalmente implícita u obligatoria). Carlos Viesca González
4 Dimensiones de la calidad (Garvin, 1987)La calidad de un producto se puede evaluar de varias formas: Desempeño. ¿Desempeñará el producto la función para la cual fue creado? Confiabilidad. ¿Con qué frecuencia falla el producto? Durabilidad. ¿Cuánto dura el producto? Disponibilidad del servicio. ¿Qué tan fácil es reparar un producto? Carlos Viesca González
5 Dimensiones de la calidad (Garvin 1987)Estética. ¿Cómo se ve el producto? Características distintivas. ¿Qué más hace el producto? Calidad percibida. ¿Cuál es la reputación de la compañía o de sus productos? Conformancia o cumplimiento con los estándares. ¿Está hecho el producto conforme el diseñador lo pretendía? Carlos Viesca González
6 Calidad significa adecuación para el uso.Calidad de diseño. Un producto o servicio se produce con un grado o nivel de calidad, el cual es intencional. Carlos Viesca González
7 Carlos Viesca GonzálezAdecuación para el uso Calidad de conformancia. Qué tan bien cumple un producto o servicio con las especificaciones de diseño. Se ve afectada por: el proceso de manufactura, el entrenamiento y la supervisión, el sistema de calidad, el grado al cual se aplican los procedimientos del sistema de calidad y la motivación de la fuerza de trabajo, entre otros factores. Carlos Viesca González
8 Algunas definiciones de calidadAdecuación para el uso o para la función. El grado al cual un producto específico satisface los deseos de un cliente en particular. Proveer productos y servicios que cumplan con las expectativas de los clientes a lo largo de la vida del producto o servicio a un costo que represente valor para el cliente. Carlos Viesca González
9 Algunas definiciones de calidadEl grado al cual un producto es conforme a las especificaciones del diseño. Las características o atributos que distinguen a un artículo de otro. Conformancia con los requerimientos de ingeniería aplicables, de acuerdo con las especificaciones, dibujos y demás documentos de ingeniería relacionados. Carlos Viesca González
10 Algunas definiciones de calidadLas definiciones anteriores no han sido muy útiles por alguno o varios de los siguientes aspectos: Están basados en atributos y son de naturaleza cualitativa. Están basados en manufactura y no en diseño (se ve la calidad hasta el final del proceso de manufactura) Carlos Viesca González
11 Algunas definiciones de calidadNo establecen claramente la relación apropiada entre deseos, necesidades, expectativas del cliente y la función del producto. Un producto se puede vender por un atributo pero perderá mercado por su función, por su calidad. Carlos Viesca González
12 Función de pérdida de Taguchi.La pérdida impartida a la sociedad durante el uso de un producto es un resultado de la variación funcional y de los efectos dañinos derivados del uso del mismo (efectos colaterales que no están relacionados con la función del producto). Carlos Viesca González
13 Función de pérdida de Taguchi.Ejemplo de las agendas: Pérdidas ($) Longitud del corte del forro por agenda 21.7 22.3 Pérdidas menores mayores Para este ejemplo: Valor nominal u objetivo= 22 cm Especificaciones o tolerancias= 22 ± .3 cm Límite inferior de especificación (LIE) = 21.7 cm Límite superior de especificación (LSE) = 22.3 cm Carlos Viesca González
14 Actualmente función de pérdidaPérdida de calidad Características de calidad Valor nominal Se comporta de forma exponencial en las pérdidas Carlos Viesca González
15 Actualmente función de pérdidaEn algunos estudios empíricos se ha encontrado: Pérdidas ($) Valor nominal Pérdida de calidad Característica de calidad Tendencia Actualmente la tendencia de control de calidad es la reducción de variabilidad Carlos Viesca González
16 Carlos Viesca GonzálezVariabilidad (Devor, 1992) No existen dos productos exactamente iguales. La falla de un producto para alcanzar la función que se pretende, según el cliente, puede surgir de alguna o de las dos siguientes fuentes: Falla para lograr el desempeño nominal requerido por el diseño. Variación excesiva alrededor del nivel de desempeño nominal pretendido. Carlos Viesca González
17 Carlos Viesca GonzálezVariabilidad Las fuentes de variación son fuentes de desperdicio e ineficiencias y por cada fuente de variación identificada y removida se experimentarán incrementos en calidad y productividad. La variabilidad se puede describir en términos estadísticos y aquí es dónde encaja el uso de métodos estadísticos en el mejoramiento de la calidad. Carlos Viesca González
18 Mejoramiento de la calidad (Montgomery, 1997)Reducción de la variabilidad en procesos y productos. Excesiva variabilidad en el desempeño de un proceso se traduce frecuentemente en desperdicio. ¿Y en servicios? Reducción de desperdicio. Carlos Viesca González
19 Control estadístico de la Calidad (Besterfield, 1995)Consiste en el acopio, análisis e interpretación de datos para su uso en el control de calidad. Dos elementos importantes del CEC son el Control Estadístico de Procesos (CEP) y el Muestreo de Aceptación. Carlos Viesca González
20 Carlos Viesca GonzálezCAPÍTULO 2 Gráficas de Control Carlos Viesca González
21 Carlos Viesca GonzálezGráficas de control Característica de calidad tiempo Límite superior de control (LSC) Límite inferior de control (LIC) Línea central (LC) Dónde el tiempo representa la muestra o subgrupo Carlos Viesca González
22 Carlos Viesca GonzálezGráficas de control Las gráficas de control nos muestran cómo se compara una característica a través del tiempo. Si todos los puntos están dentro de los límites y no siguen un patrón específico, se dice que el proceso está bajo control o bajo control estadístico. Los límites de control dependen del comportamiento de los datos. Carlos Viesca González
23 Carlos Viesca GonzálezGráficas de control Concepto de control estadístico de Shewhart: Se dice que un fenómeno está controlado cuando, a través del uso de la experiencia pasada, se puede predecir al menos dentro de ciertos límites como se espera que varie el fenómeno en el futuro. Si un proceso no está en estado controlado, la productividad o el éxito económico no se garantiza. Carlos Viesca González
24 Carlos Viesca GonzálezGráficas de control Límites de especificación: dependen del diseño o del cliente. Límites de control: los determina el proceso. Carlos Viesca González
25 Zonas de una gráfica de controlZona A= media + 3= 99% de los datos Zona B= media + 2= 95% de los datos Zona C= media + = 68% de los datos Carlos Viesca González
26 Carlos Viesca GonzálezGráficas de control Ocho pruebas para verificar que una gráfica está bajo control estadístico: Prueba # 1: un dato fuera del límite de control Característica de calidad tiempo LSC LIC LC A B C Carlos Viesca González
27 Carlos Viesca GonzálezGráficas de control Prueba # 2: Ocho puntos en forma consecutiva por arriba o por debajo del promedio Prueba # 3: Cinco puntos consecutivos en forma ascendente o descendente Característica de calidad tiempo LSC LIC LC A B C Característica de calidad tiempo LSC LIC LC A B C Carlos Viesca González
28 Carlos Viesca GonzálezGráficas de control Prueba # 4: Catorce puntos alternándose en forma consecutiva arriba y abajo. Prueba # 5: Dos o tres puntos en la zona A o más allá Característica de calidad tiempo LSC LIC LC A B C Característica de calidad tiempo LSC LIC LC A B C Carlos Viesca González
29 Carlos Viesca GonzálezGráficas de control Prueba # 6: Cuatro de cinco puntos consecutivos en la zona B o más allá Prueba # 7: Quince puntos consecutivos en la zona C Característica de calidad tiempo LSC LIC LC A B C Característica de calidad tiempo LSC LIC LC A B C Carlos Viesca González
30 Carlos Viesca GonzálezGráficas de control Prueba # 8: Ocho puntos consecutivos que no caigan en la zona C Característica de calidad tiempo LSC LIC LC A B C Carlos Viesca González
31 Carlos Viesca GonzálezGráficas de control Cuando una gráfica no está en control estadístico, se puede deber a: Causas comunes de variación: fuentes de variación dentro de un proceso que tienen una distribución estable y repetible en el tiempo. Causas especiales de variación: factores que causan variación y que no están actuando siempre sobre el proceso. Carlos Viesca González
32 Estadística de las gráficas de controlPrueba de hipótesis: Ho: El proceso está bajo control vs Ha: El proceso no está bajo control Error tipo I: Rechazar Ho cuando Ho es verdadero. Se concluye que “el proceso no está bajo control, cuando realmente si lo está”. P(Error tipo I)= Carlos Viesca González
33 Estadística de las gráficas de controlError tipo II: Aceptar Ho cuando Ho es falsa. Se concluye que “el proceso está bajo control, cuando realmente no lo está”. P(Error tipo II)= Para fines de cálculo de y , suponga que el proceso no está bajo control si hay un cambio en la media del mismo. Carlos Viesca González
34 Estadística de las gráficas de controlFórmulas: Carlos Viesca González
35 Estadística de las gráficas de controlLSC LIC La media cambia El error tipo II se obtiene con la nueva media Carlos Viesca González
36 Curva característica de operaciónEs una medida de de la bondad de una gráfica de control para detectar cambios en los parámetros de los procesos (, ). P(no detectar cambios)= Cambios en la media del proceso Carlos Viesca González
37 ARL (Average run length)Denota el número de muestras que en promedio se requieren para detectar una señal fuera de control. Si el proceso está bajo control: Entre más grande sea el ARL es mejor, ya que no se tienen muchas falsas alarmas. Carlos Viesca González
38 ARL (Average run length)Si el proceso no está bajo control: Entre más pequeño sea el ARL necesito menos muestras para calcular el error tipo II Carlos Viesca González
39 Efectos de los límites de control sobre y si los límites de control son más anchos: se reduce se incrementa si los límites de control son más angostos: se incrementa se reduce si se toman muestras más grandes: Carlos Viesca González
40 Tasa global de error tipo IIDonde: K= # de reglas independientes usadas como criterios para situaciones fuera de control. i= P(error tipoI) con la regla Carlos Viesca González
41 Tipos de gráficas de controlPara valores continuos: Gráfica de medias y desviación estándar. Gráfica de medias y rangos. Gráfica de observaciones individuales y rangos móviles. Carlos Viesca González
42 Tipos de gráficas de controlPara valores discretos (atributos): Gráfica de proporción de artículos defectuosos (p) Gráfica de número de artículos defectuosos (np) Gráfica de número de defectos o disconformidades (C) Gráfica de número de defectos por unidad (U) Carlos Viesca González
43 Beneficios de las gráficas de controlSon herramientas efectivas para entender la variación del procesoy ayudan a lograr el control estadístico. Si un proceso está en control estadístico su desempeño es predecible y tanto el fabricante como el cliente pueden confiar en niveles consistentes de calidad y en costos estables para lograr la calidad. Un proceso bajo control estadístico se puede mejorar a través de la reducción de variación y el centrado en un valor objetivo; esto reduce costos y mejora la productividad. Carlos Viesca González
44 Beneficios de las gráficas de controlLas gráficas de control proporcionan un lenguaje común para comunicar información sobre el desempeño de un proceso entre muy diversas personas dentro y fuera de la empresa. Las gráficas de control indican dónde está o quien tiene la posible solución de un problema, con lo cual se minimiza la confusión, frustración y el costo de los esfuerzos mal dirigidos para la solución de un problema. Carlos Viesca González
45 Gráficas para variablesCAPÍTULO 2.1 Gráficas para variables Carlos Viesca González
46 Gráfica de medias y rangosCarlos Viesca González
47 Gráficas de medias y rangosEl procedimiento es el mismo que en las gráficas de medias y desviación estándar. La forma de obtener los límites de control y la línea central es la siguiente: Carlos Viesca González
48 Gráficas de medias y rangosGráfica de rangos: Carlos Viesca González
49 Gráficas de medias y rangosGráfica de medias: antes de calcular los límites es necesario que esté bajo control la gráfica de rangos. Carlos Viesca González
50 Gráficas de medias y rangos= se puede obtener a partir de los datos recopilados, pero generalmente se obtiene de la información proporcionada por la gráfica de un proceso bajo control. Carlos Viesca González
51 Interpretación de gráfica de rangosEsta gráfica se debe analizar primero, ya que el comportamiento de los promedios y de los rangos de los subgrupos depende de la variabilidad estimada de las piezas. Se deben verificar las ocho pruebas Verificar que no haya tendencias Carlos Viesca González
52 Interpretación de gráfica de mediasSi la gráfica de rangos está bajo control, la dispersión del proceso está estable y por lo tanto se puede analizar la gráfica de los promedios; los límites de control de esta gráfica se basan en la cantidad de variación de los rangos. Con la gráfica de medias se determina si el centro del proceso está cambiando con el tiempo y si ese es el caso, entonces existen causas especiales de variación que están ocasionando esos problemas. Carlos Viesca González
53 Gráfica de medias y desviación estándarCarlos Viesca González
54 Procedimiento para elaborar una gráfica x - SDefina cuál será la característica de la calidad: Otorgar la máxima prioridad a aquellas variables o características medibles y expresables mediante números y que causen problemas en producción o costos. Escoja el subgrupo racional: Los elementos que conformen cada subgrupo deberán de haberse producido básicamente dentro de las mismas condiciones. Carlos Viesca González
55 Procedimiento para elaborar una gráfica x - SRecolectar los datos: Recoger información de 25 subgrupos con más de 10 datos en cada subgrupo. Regístrelos en una hoja de datos. Calcular los promedios para cada subgrupo Calcular : dividiendo el total de los promedios de cada subgrupo por el número de subgrupos. Carlos Viesca González
56 Procedimiento para elaborar una gráfica x - SCalcular S: Calcular la desviación estándar de cada subgrupo. Calcular : dividiendo el total de las S de cada subgrupo por el número de subgrupos. Carlos Viesca González
57 Procedimiento para elaborar una gráfica x - SCalcular las líneas de control: Calcular cada una de las líneas de control para la gráfica y la gráfica S con las siguientes fórmulas: Carlos Viesca González
58 Procedimiento para elaborar una gráfica x - SGráfica S: Línea central: Límite superior de control: Límite inferior de control: Nota importante: En estas gráficas de control la desviación estándar se estima con la expresión Carlos Viesca González
59 Procedimiento para elaborar una gráfica x - SLínea central: Límite superior de control: Límite inferior de control: Carlos Viesca González
60 Procedimiento para elaborar una gráfica x - SDibujar las líneas de control: Preparar una hoja de papel cuadriculado; dividirla en dos partes iguales para las dos gráficas, colocando en la parte inferior la de desviaciones estándar y en la parte superior la de medias; marcar cada eje vertical de la izquierda con los valores de las media y de las desviaciones estándar, según sea el caso, y el eje horizontal con los números de los subgrupos. Dibuje una línea sólida para la línea central y una línea punteada para los límites. Carlos Viesca González
61 Procedimiento para elaborar una gráfica x - SLocalizar los puntos: Registrar los valores de la media y de la desviación estándar de cada subgrupo, por partes, según el número del subgrupo. Registrar los datos que puedan ser de utilidad: Escriba el tamaño del subgrupo (n) en el extremo superior izquierdo de la gráfica de medias. Carlos Viesca González
62 Interpretación de gráfica SPrimero se debe analizar esta gráfica, ya que si no está bajo control estadístico los límites de la gráfica de medias no tendrán sentido. En caso de que no este bajo control estadístico, se deberán encontrar las causas especiales de variación y eliminar los puntos fuera de control y recalcular los límites. Carlos Viesca González
63 Interpretación de gráfica de mediasDespués de haber revisado la gráfica S, es cuando se interpreta la de medias. Nunca se deben relacionar los puntos en una gráfica de medias con los límites de especificación, ya que los puntos en la gráfica son promedios y las especificaciones corresponden a valores individuales, presentando una variabilidad mayor que los subgrupos. Carlos Viesca González
64 Carlos Viesca GonzálezPara ambas gráficas Se deben verificar las ocho pruebas Verificar que no se presente ningún patrón. Datos normales. Carlos Viesca González
65 Límites de tolerancia naturalEstos límites se basan en observaciones individuales. Carlos Viesca González
66 Carlos Viesca GonzálezCapacidad del proceso Cp Cpk Carlos Viesca González
67 Índices de capacidad del procesoLos índices de capacidad del proceso intentan en un solo número si un proceso puede cumplir consistentemente con los requerimientos impuestos sobre un proceso por clientes internos o externos. Estos índices no tienen unidades, lo cual permite comparar dos procesos completamente diferentes. Carlos Viesca González
68 Índices de capacidad del procesoLa limitante principal de estos índices es que no tienen significado si los datos analizados provienen de un proceso fuera de control y la razón es que la capacidad del proceso es una predicción y solo se puede predecir algo que es estable. Carlos Viesca González
69 Índices de capacidad del procesoPara estimar la capacidad de un proceso, es necesario que se cumplan dos condiciones: Proceso bajo control estadístico Que los datos se distribuyan normalmente Carlos Viesca González
70 Índices de capacidad del procesoGeneralmente se usan dos índices para evaluar la capacidad del proceso para producir dentro de especificaciones: Cp: índice de capacidad potencial del proceso. No toma en cuenta la media observada del proceso. Cpk: índice de capacidad o habilidad real del proceso. Si toma en cuenta la media observada en el proceso. Carlos Viesca González
71 Índices de capacidad del procesoAntes de ver como calcular el Cp y el Cpk, es necesario revisar algunos conceptos. Carlos Viesca González
72 Índices de capacidad del procesoDónde: LSTN = límite superior de tolerancia natural LITN = límite inferior de tolerancia natural LSE = límite superior de especificación LIE = límite inferior de especificación Carlos Viesca González
73 Índices de capacidad del proceso6 se puede considerar como la dispersión real del proceso. Puesto que ambos límites se disponen a una distancia de la media 3 respectivamente, entonces la proporción de observaciones entre ambos límites es del 99.73% Carlos Viesca González
74 Índices de capacidad del procesoLa diferencia LSE – LIE se puede considerar que es la dispersión permitida del proceso. Si no se conoce la , la x doble barra es la media estimada del proceso, la cual se obtiene como la línea central de un gráfica de medias. Carlos Viesca González
75 Índices de capacidad del procesoLa es la desviación estándar del proceso, la cual si no se conoce, se estima de la gráfica de control de la variabilidad del proceso. Carlos Viesca González
76 Límites de especificación o toleranciasSon característicos de una parte o artículo determinado. Están basados en consideraciones funcionales. Están relacionados con una medición de una sola parte. Carlos Viesca González
77 Límites de control de una gráfica de controlSon característicos de un proceso determinado. Están basados en la media y en la variabilidad de un proceso. Dependen de los parámetros de muestreo, como tamaño de muestra y el riesgo alfa. Se usan para identificar la presencia o ausencia de causas especiales de variación en el proceso. Carlos Viesca González
78 Carlos Viesca GonzálezCálculo del Cp Carlos Viesca González
79 Carlos Viesca GonzálezInterpretación del Cp Antes de hacer algo sobre ese punto, cerciorese de que el proceso esté bajo control estadístico, si es así, entonces: Cp > 1; el proceso es potencialmente capaz de producir dentro de los límites de especificación y genera un porcentaje de defectuosos menor del .27% Carlos Viesca González
80 Carlos Viesca GonzálezInterpretación del Cp Cp = 1; el proceso es apenas capaz, la proporción de defectuosos es .27%. Los límites de especificación son iguales a los límites de tolerancia natural. Cp < 1; el proceso no es potencialmente capaz, la proporción de defectuosos es mayor a 27 en 10, 000. Carlos Viesca González
81 Nivel de habilidad de un proceso% producto fuera de especificaciones 3 2700 ppm 4 64 ppm 5 6 partes en 10 millones 6 Menos de 1 parte en 10 millones * Considerando un proceso centrado y media fija Carlos Viesca González
82 Carlos Viesca GonzálezCálculo del Cpk Es un índice o medida del desempeño real del proceso que toma en cuenta la media del mismo. Un proceso con su media centrada puede tener un Cp de 2, mientras que otro proceso con su media cercana al LSE también puede tener un Cp de 2, siempre que su disposición sea la misma. Si se compara el desempeño de ambos proceso con base en el Cpk, los resultados serían muy diferentes. Carlos Viesca González
83 Carlos Viesca GonzálezCálculo del Cpk Carlos Viesca González
84 Interpretación del CpkCpk > 1.33; el proceso es capaz y es comúnmente usado como una meta para muchas compañías. 1 < Cpk < 1.33; el proceso es marginalmente capaz. Cpk < 1; el proceso no es capaz Carlos Viesca González
85 Gráfica de observaciones individuales y rangos móvilesCarlos Viesca González
86 Gráfica de observaciones individuales y rangos móvilesSe usa para procesos lentos que conducen a bajas tasas de producción o cuando es muy costoso tomar muestras grandes o bien, en procesos automatizados. Carlos Viesca González
87 Gráfica de observaciones individuales y rangos móvilesGráfica de rangos móviles: está gráfica no tiene interpretación, debido a la forma en que se obtienen los rangos. Carlos Viesca González
88 Gráficas de observaciones individuales y rangos móvilesGráfica de observaciones individuales: para ser interpretada necesita estar bajo control. Carlos Viesca González
89 Gráficas para atributos: p, np C, UCAPÍTULO 2.2 Gráficas para atributos: p, np C, U Carlos Viesca González
90 Gráficas para atributosAlgunas características de calidad recolectadas como datos de atributos sólo toman dos valores: Conforme, no conforme Pasa, no pasa Presencia, ausencia de algo Carlos Viesca González
91 Gráficas para atributosTales disconformidades o defectos se observan frecuentemente de manera visual y ocasionan que un producto o una parte de un producto sea considerado como defectuoso. En estos casos, la calidad se evalúa por atributos. Carlos Viesca González
92 Carlos Viesca GonzálezImportancia Se pueden aplicar tanto en procesos técnicos como administrativos. En muchas ocasiones se dipone de datos que son de atributos y no se requiere incurrir en gastos adicionales. Si no existe información disponible, se recolecta rápidamente y a un bajo costo. Carlos Viesca González
93 Carlos Viesca GonzálezImportancia Muchos reportes, resúmenes que maneja la administración son atributos y se pueden aprovechar más si se analizan como gráficas de control. El uso de las gráficas de control de atributos en medidas de calidad globales claves, frecuentemente puede indicar a áreas específicas del proceso que pueden requerir un análisis más detallado. Carlos Viesca González
94 Definiciones importantesDefecto: falla o no conformidad que ocasiona que un artículo no satisfaga los requerimientos especificados. Artículo defectuoso: artículo que tiene uno o más defectos. Fracción defectuosa: es la razón del número de artículos defectuoso en la muestra (d), respecto al total de los artículos de la muestra (n) Carlos Viesca González
95 Gráfica para la proporción de piezas defectuosasCarlos Viesca González
96 Gráfica para la proporción de piezas defectuosasLa gráfica p, miden la proporción de piezas disconformes en un grupo de artículos que se inspeccionan. Esto puede aplicar a una muestra de 100 piezas. Las muestras pueden constantes o variables. Carlos Viesca González
97 Gráfica para la proporción de piezas defectuosasPara muestras constantes: Carlos Viesca González
98 Gráfica para la proporción de piezas defectuosasPara muestras variables: Carlos Viesca González
99 Carlos Viesca GonzálezInterpretación Para interpretar la gráfica p, se hace de la misma manera que las otras gráficas, se debe: Verificar que los puntos no excedan los límites de control. Los puntos se deben distribuir aleatoriamente dentro de los límites de control. No deben mostrar tendencias Los puntos debe apareceren orden aleatorio en el tiempo. Carlos Viesca González
100 Gráfica para el número de piezas defectuosasGráfica np Carlos Viesca González
101 Gráfica para el número de piezas defectuosasEn algunas ocasiones es conveniente hacer una gráfica de control, en la que se grafique el número de defectuosos en la muestra en lugar de la proporción de defectuosos. Para hacer esto se requiere que el tamaño de la muestra sea constante. En esencia proporciona la misma información que una gráfica p. Carlos Viesca González
102 Gráfica para el número de piezas defectuosasPara muchas personas este tipo de gráficas es más fácil de interpretar que la p. La desventaja que presenta la gráfica np es que no es fácil manejar e interpretar el número de dectuosos si se desconoce el tamaño de la muestra. Tanto la gráfica p y np, tienen fundamento en la distribución binomial, la interpretación es la misma que la gráfica p. Carlos Viesca González
103 Gráfica para el número de piezas defectuosasCarlos Viesca González
104 Gráfica para proporciones y piezas defectuosasCuando se tienen diferentes tamaños de muestras se debe usar una gráfica de proporciones adecuada al caso. Carlos Viesca González
105 Gráfica de número de defectos en la muestraGráfica C Carlos Viesca González
106 Gráfica de número de defectos en la muestraEs posible desarrollar gráficas de control ya sea para el número total de no conformidades en una unidad o el número promedio de no conformidades por unidad. Estas gráficas de control usualmente asumen que la ocurrencia de una no conformidad en una muestra es bien modelada por una distribución Poisson. Carlos Viesca González
107 Gráfica de número de defectos en la muestraPara poder realizar esta gráfica se requiere que el tamaño de la muestra sea constante. Carlos Viesca González
108 Gráfica de número de defectos en la muestraCarlos Viesca González
109 Gráfica de número de defectos por unidadGráfica U Carlos Viesca González
110 Gráfica de número de defectos por unidadEsta gráfica se basa en el número promedio de no conformidades por unidad inspeccionada. Si encontramos x cantidad de no conformidades en la muestra de n unidades inspeccionadas, entonces podemos obtener el número promedio de no conformidades por unidad inspeccionada de la siguiente manera: Carlos Viesca González
111 Gráfica de número de defectos por unidadSe utiliza para unidades de longitud, área, volumen, etc. n puede ser constante o variable. Con n variable: n promedio Límites para cada n Límites para ciertas n Límites estandarizados Carlos Viesca González
112 Gráfica de número de defectos por unidadCarlos Viesca González
113 Carlos Viesca GonzálezCAPÍTULO 2.3 Gráficas CUSUM y EWMA Carlos Viesca González
114 Carlos Viesca GonzálezGráfica CUSUM La gráfica CUSUM, se usa para detectar pequeños cambios en la media del proceso. Carlos Viesca González
115 Carlos Viesca GonzálezGráfica CUSUM Carlos Viesca González
116 Construcción de una gráfica CUSUMProceso tabular: Se basa en los cálculos de los CUSUM unilaterales, superior e inferior: Carlos Viesca González
117 Construcción de una gráfica CUSUMEl procedimiento se inicia haciendo: K es un valor de referencia o de holgura y frecuentemente se determina como: Carlos Viesca González
118 Construcción de una gráfica CUSUMEl proceso está fuera de control si C+ o C- exceden el valor de H, un valor razonable para H es .5. Para esta gráfica no se realizan las 8 pruebas, ya que los datos dependen unos de otros. Carlos Viesca González
119 Construcción de una gráfica CUSUMCuando el ajuste que se debe hacer en el proceso tiene por objetivo hacer que la media regrese al valor objetivo puede ser útil estimar la media actual del proceso. Carlos Viesca González
120 Carlos Viesca GonzálezGráfica EWMA La gráfica EWMA, constituye una buena alternativa a las gráficas de control de Shewart para el caso en que interesa detectar pequeños cambios en la media del proceso. Se usa típicamente para muestras de tamaño 1, aun cuando se puede usar con tamaños de muestra mayores. Carlos Viesca González
121 Carlos Viesca GonzálezGráfica EWMA La gráfica EWMA para la media del proceso: Un promedio móvil exponencialmente ponderado se define de la siguiente forma: donde: 0< 1 es una constante El valor de inicio (que se requiere con la primera muestra cuando i = 1) es el objetivo del proceso, con lo cual z0 = 0 En ocasiones z0 = promedio de los datos preliminares Carlos Viesca González
122 Carlos Viesca GonzálezGráfica EWMA Los límites de control para una gráfica EWMA están dados por las siguientes expresiones: Carlos Viesca González
123 Carlos Viesca GonzálezGráfica EWMA Dónde: L es la anchura de los límites de control, el múltiplo de sigma. Es común tomar L = 3, proporciona buenos resultados sobre todo cuando lambda es grande. En general, cuanto más pequeños sean los cambios que se desea detectar, más pequeños serán los valores de lambda. Carlos Viesca González
124 Carlos Viesca GonzálezGráfica EWMA La gráfica se elabora colocando en el eje horizontal el número de la muestra i (tiempo) y en el eje vertical el valor de la z que le corresponde. Carlos Viesca González
125 Muestreo para aceptación de lotesCAPÍTULO 3 Muestreo para aceptación de lotes Carlos Viesca González
126 Muestreo para aceptación de lotesObjetivos: Comprender y aplicar los conceptos básicos del muestreo de aceptación. Identificar y diferenciar los sistemas de muestreo de aceptación para atributos, particularmente el MIL - STD - 105E. Comprender el funcionamiento de un sistema de muestreo de aceptación para variables. Carlos Viesca González
127 Muestreo para aceptación de lotesIntroducción: El muestreo para aceptación es un campo importante del control estadístico de la calidad, es otra herramienta para evaluar la calidad de un producto. Los fundamentos de muestreo para aceptación se desarrollaron en 1925 a 1927 en los Laboratorios Bell; después sólo se aplica esporádicamente y no es sino hasta la Segunda Guerra Mundial cuando se incorpora en los estándares militares de calidad. A partir de ese momento se difunde el uso masivo del muestreo de aceptación, el cual se aplica hasta la fecha. Carlos Viesca González
128 Muestreo para aceptación de lotesConceptos generales: Aspectos importantes en el muestreo: El propósito del muestreo de aceptación es juzgar lotes, no estimar su calidad. Los planes de muestreo para aceptación no proporcionan alguna forma directa de control de calidad, sólo admite o descarta lotes. El uso más eficiente del muestreo para aceptación no es “inyectar calidad al producto mediante la inspección”, sino más bien como una herramienta de verificación para asegurar que la producción o salida de un proceso está conforme a los requisitos. Carlos Viesca González
129 Muestreo para aceptación de lotesEnfoques para juzgar un lote: Aceptarlo sin inspección: Útil en casos en que el proceso del proveedor es tan adecuado (relación de capacidad de proceso de 3 ó 4) que casi nunca genera artículos defectuosos, o en los que no existe una justificación económica para juzgar artículos defectuosos. Carlos Viesca González
130 Muestreo para aceptación de lotesEfectuar una inspección al 100%: esto es inspeccionar cada artículo en el lote, quitar todas las unidades defectuosas encontradas (se pueden devolver al proveedor, retrabajarlas, cambiarlas por artículos conformes o rechazarlas). Se usa cuando el componente es muy crítico y dejar pasar un artículo defectuoso daría como resultado un costo inaceptablemente alto de una falla en etapas sucesivas, o cuando la capacidad del proceso del abastecedor es inadecuada para satisfacer las especificaciones. Carlos Viesca González
131 Muestreo para aceptación de lotesUtilizar el muestreo para aceptación: Es muy probablemente útil cuando: La prueba es destructiva Es muy alto el costo de una inspección al 100% una inspección al 1005 no es tecnológicamente factible, o cuando se necesitaría tanto tiempo que la planeación de la producción se vería seriamente afectada. Carlos Viesca González
132 Muestreo para aceptación de lotesHay que inspeccionar muchos artículos y la tasa de errores de inspección es lo suficientemente alta como para que una inspección al 100% pudiera dejar pasar un mayor porcentaje de artículos defectuosos que un plan de muestreo. El proveedor tiene un excelente historial de calidad, y se desea alguna reducción en la inspección al 100%, pero la relación de capacidad de su proceso es lo suficientemente baja como para que la no inspección no sea una buena alternativa. Existen riesgos potencialmente serios respecto a la posibilidad legal por el producto, y aunque es satisfactorio el proceso del abastecedor, se requiere aplicar un proceso de vigilancia continua. Carlos Viesca González
133 Muestreo para aceptación de lotesVentajas del muestreo por aceptación: Es menos costoso, pues requiere menor inspección. Menor daño del producto, al haber menor manejo del mismo. Menos inspectores y por lo tanto menos capacitación. Reducción de los errores de inspección. Puede aplicarse en el caso de pruebas destructivas. El rechazo de lotes completos, en lugar de la simple devolución de los artículos defectuosos, constituye una motivación más fuerte para que el proveedor mejore la calidad de sus productos. Carlos Viesca González
134 Muestreo para aceptación de lotesDesventajas del muestreo para aceptación: Existe el riesgo de aceptar lotes “malos” y rechazar lotes “buenos”. Hay que agregar planeación y documentación. Generalmente la muestra proporciona menor información acerca del producto Carlos Viesca González
135 Muestreo para aceptación de lotes¿Porqué es válido el muestreo? Una pieza da rápida información sobre la calidad de las piezas de un lote. Pero además, de la muestra se pueden obtener conclusiones acerca de lo bien o mal que se desarrolló un proceso en el momento de extraer una muestra (aplicación en gráficas de control). Así, el proceso puede hablar del producto. El muestreo de aceptación también es válido para las piezas no inspeccionadas obtenidas del mismo proceso que las inspeccionadas. Carlos Viesca González
136 Muestreo para aceptación de lotesRazones para usar muestreo de aceptación: No se puede asumir que el proceso sea estable, ni es siempre posible que a la larga lo sea. En operaciones que se realizan bajo trabajo intensivo, las causas asignables no siempre se pueden conocer. Aún cuando se puedan conocer las causas asignables, existen procesos que no se pueden parar y ajustar de inmediato. Es común una gran variación entre operadores y el manejo de las gráficas de control para cada operador no es tan sencillo. Carlos Viesca González
137 Muestreo para aceptación de lotesFormación de lotes: El muestreo por aceptación puede desarrollarse en una base de lote por lote o en un flujo continuo de productos, aunque los planes de muestreo más comúnmente usados se basan en muestreo por lotes. Entre los diferentes tipos de lotes que se pueden formar (de manufactura, de embarque, etc.), los lotes de inspección son los que se utilizan en muestreo de aceptación. Carlos Viesca González
138 Muestreo para aceptación de lotesFrecuentemente los lotes de inspección se constituyen por la forma en que el producto se maneja o se embarca; en otras ocasiones se puede influir en el tamaño y en la forma en que se constituyen estos lotes, en cuyo caso se deben aplicar los siguientes dos principios: Es deseable que haya homogeneidad dentro del lote. Si los lotes son homogéneos, son mejores lotes grandes que pequeños. Carlos Viesca González
139 Muestreo para aceptación de lotesSi se tienen lotes grandes, los tamaños de muestra también serán grandes y se obtendrá una determinación más confiable de la aceptabilidad del lote, siempre que el lote en cuestión sea homogéneo. Carlos Viesca González
140 Muestreo para aceptación de lotesMuestreo aleatorio: Las tablas de muestreo publicadas suponen que las muestras se obtienen al azar, esto es, que cada una de las unidades de producto no inspeccionadas tienen la misma probabilidad de ser la siguiente seleccionada para la muestra. Para realizar un muestreo aleatorio, se requiere numerar las piezas de un lote y seleccionar números aleatorios que indiquen cuáles unidades serán seleccionadas. Carlos Viesca González
141 Muestreo para aceptación de lotesSelección de números aleatorios: Usando una tabla de números aleatorios A través de una calculadora que incluye esta opción Un recipiente de bolas o papeles numerados El método de selección influye en los resultados del muestreo, buscándose obtener una “muestra representativa” de un lote. Carlos Viesca González
142 Muestreo para aceptación de lotesSesgo del muestreo: Tomar una muestra de la misma localización dentro de cajas, estantes, etc. Echar un vistazo al producto y seleccionar sólo aquellas piezas defectuosas o no defectuosas. Ignorar las partes del lote difíciles de muestrear. Carlos Viesca González
143 Muestreo para aceptación de lotesClasificación de los planes de muestreo: Planes por atributos: Un lote se acepta o se rechaza según el número de defectuosos que se presentan en el mismo. Planes por variables: Un lote se acepta o se rechaza según el valor de la media (por ejemplo) de la característica de calidad en la muestra; la media se compara con un valor admitido que define el plan. Carlos Viesca González
144 Planes de muestreo de aceptación por atributosErrores de inspección: En la implantación de un muestreo de aceptación se supone que el inspector sigue el plan de muestreo que debe aplicar y que la inspección se hace sin errores. Carlos Viesca González
145 Planes de muestreo de aceptación por atributosTerminología: Defecto: Alejamiento de una característica de la calidad del nivel o estado deseado que se presenta con gravedad suficiente para dar un producto que no satisface los requisitos de utilización normales o razonablemente previstos. Disconformidad: Alejamiento de una característica de la calidad del nivel deseado, que se presenta con gravedad suficiente para dar un producto o servicio que no cumple con los requisitos de la especificación. Carlos Viesca González
146 Planes de muestreo de aceptación por atributosClasificación de los defectos según su gravedad: El muestreo sea distinto para cada clase de defecto (tamaños de muestra). Sea común el plan de muestreo. pero que el número de defectos permitidos sea diferente para cada clase, según su gravedad. Carlos Viesca González
147 Planes de muestreo de aceptación por atributosTipos de planes de muestreo de aceptación por atributos: Planes de muestreo simple Planes de muestreo doble: Carlos Viesca González
148 Planes de muestreo de aceptación por atributosCurva Característica de Operación (Curva CO): Gráfica en la que se muestra la probabilidad de que el plan de muestreo acepte el lote en función de la fracción defectuosa de un lote, con base en la cual se observa cómo reaccionará el plan a cualquier nivel de disconformes en el lote. Con la curva CO para un plan de muestreo (determinado por el valor de n y de c) se puede evaluar si este proporciona un buen grado de control sobre la calidad del lote; de no ser así entonces se busca otro plan que corresponda con las necesidades del usuario. Carlos Viesca González
149 Planes de muestreo de aceptación por atributosProbabilidad de aceptar un lote: Para calcular la probabilidad de aceptar un lote (Pa), primero se debe definir qué tipo de plan de muestreo se aplicará. Así tenemos planes de muestreo tipo A (planes que seleccionan piezas de lotes simples de tamaño N y que se basan en el modelo Hipergeométrico) y planes tipo B (planes para seleccionar piezas de una serie de lotes, se extraen muestras aleatorias de tamaño n de una población infinita, y que están fundamentados en el modelo probabilístico Binomial). Carlos Viesca González
150 Planes de muestreo de aceptación por atributosRiesgos y parámetros de muestreo: Riesgo del vendedor o del productor se conoce como riesgo alfa y es la probabilidad de que un “buen” lote (de lata calidad) sea rechazado por el plan de muestreo. Se fija en 0.01, 0.05 ó 0.10. Riesgo del comprador (empresa o quién usará un producto). También llamado riesgo beta. Es la probabilidad de que un lote “malo” o de baja calidad sea aceptado por el plan de muestreo. Carlos Viesca González
151 Planes de muestreo de aceptación por atributosPlanes, esquemas y sistemas de muestreo: Plan de muestreo: Plan específico que establece el tamaño o tamaños de muestra a utilizar y el correspondiente criterio de aceptación o no aceptación. Esquema de muestreo: Conjunto específico de procedimientos que, habitualmente, consisten en planes de muestreo para aceptación en los que se establecen los tamaños de los lotes, los tamaños de las muestras y los criterios de aceptación, o el alcance de la inspección y muestreo al 100%. Carlos Viesca González
152 Planes de muestreo de aceptación por atributosSistema de muestreo: Con el uso de un sistema de muestreo se evita el trabajo de calcular la curva CO para diferentes valores de n y c y seleccionar el que cumpla con los riesgos del comprador y del vendedor preestablecidos. Los sistemas de muestreo incluyen las curvas CO, con base en las cuales se selecciona el plan de muestreo que proporcione el nivel de protección que el usuario desea. Carlos Viesca González
153 Planes de muestreo de aceptación por atributosMedidas de desempeño: Nivel de Calidad Aceptable (NCA o AQL). El porcentaje de Defectuosos Tolerados en el Lote (PDTL o LTPD). El límite de Calidad Media de Salida (LCMS o AOQL), y La inspección Total Promedio (ITP o ATI). Carlos Viesca González
154 Planes de muestreo de aceptación por atributosEl Nivel de Calidad Aceptable: El AQL es el nivel de calidad o porcentaje de defectuosos que, para los fines de inspección, es el límite de una medida satisfactoria del proceso. El promedio del proceso es el porcentaje promedio de defectuosos o número promedio de defectuosos por 100 unidades de producto enviado por el proveedor para la inspección original. Carlos Viesca González
155 Planes de muestreo de aceptación por atributosLa inspección original es la primera inspección de una cantidad particular de un producto. El AQL es un valor designado del porcentaje de defectuosos, para el cual los lotes serán aceptados la mayor parte de las veces por el procedimiento de muestreo utilizado. El AQL especifica un valor del nivel de calidad del productor. Carlos Viesca González
156 Planes de muestreo de aceptación por atributosPorcentaje de unidades defectuosas toleradas en el lote (PDTL): El LTPD es un valor numérico específico para el nivel de calidad del consumidor; generalmente se refiere a un punto en la curva CO en el cual el Pa es 0.10 y la mayoría de los sistemas basados en el PDTL se basan en ese valor de Pa. Carlos Viesca González
157 Planes de muestreo de aceptación por atributosEl Límite de Calidad Media de Salida (LCMS o AOQL): Se aplica sólo al muestreo en el que a los lotes rechazados se les hace una inspección al 100% para sustituir los artículos defectuosos encontrados por piezas buenas, que es lo que se denomina inspección rectificadora. Carlos Viesca González
158 Planes de muestreo de aceptación por atributosLa inspección Total Promedio (ITP o ATI): Se puede graficar la ITP esperada para cualquier nivel de calidad de un lote (p) contra el valor de p y usar esta gráfica para determinar los costos asociados a la inspección rectificadora. Carlos Viesca González
159 Planes de muestreo de aceptación por atributosEl sistema de muestreo MIL - STD - 105E: El manejo de normas publicadas como ésta (entre las más comunes también está la ANSI/ASQC Z1.4), presenta la ventaja de que facilita la negociación entre vendedor y comprador. Es el más conocido de los planes de muestreo que utilizan como índice de calidad el NCA; proporciona una gran seguridad en la aceptación de los lotes cuando la proporción de defectuosos es menor o igual al NCA. Carlos Viesca González
160 Planes de muestreo de aceptación por atributosTipos de inspección: La MIL . STD - 105E incluye planes para muestreo de aceptación simple, doble y múltiple basados en el AQL. Los AQL contenidos en los planes varían de 0.01% hasta 10% (para el conteo de disconformes) y de arriba del 10% hasta 1000% (para el conteo de disconformes en 100 unidades). Carlos Viesca González
161 Planes de muestreo de aceptación por atributosDado un AQL el sistema proporciona varios planes de muestreo con el fin de motivar al proveedor en función de la calidad del producto que envía; así, es posible aplicar tres tipos de inspección para cada uno de los tres tipos de muestreo señalados líneas arriba: normal, estricta y reducida. Carlos Viesca González
162 Planes de muestreo de aceptación por atributosLa inspección normal se utiliza al inicio del proceso de inspección y continúa aplicándose durante el tiempo que el vendedor esté produciendo aparentemente piezas con el NCA o mejores. La inspección estricta se aplica cuando hay evidencia de que la calidad del producto se ha deteriorado, lo cual forzará al productor a enviar productos que sean tan buenos o mejores que el NCA. Si la historia reciente de la calidad de un producto ha sido excepcionalmente buena, se puede adoptar la inspección reducida, con lo cual se obtiene una reducción de costos de inspección al revisarse una muestra más pequeña. Carlos Viesca González
163 Planes de muestreo de aceptación por atributosReglas para el cambio de tipos de inspección: De normal a estricta. Si se realiza una inspección normal, se establece la inspección estricta cuando dos de cinco lotes consecutivos se han rechazado en la inspección original. De estricta a normal. Cuando se ha estado aplicando una inspección estricta, la inspección normal se establece si se han presentado cinco lotes aceptables consecutivos en la inspección original. Carlos Viesca González
164 Planes de muestreo de aceptación por atributosDe normal a reducida. Se puede pasar de la aplicación de una inspección normal a una reducida si se satisfacen las siguientes cuatro condiciones: A los diez lotes anteriores se les ha aplicado inspección normal y ninguno ha sido rechazado en la inspección original. Carlos Viesca González
165 Planes de muestreo de aceptación por atributosEl número total de defectuosos en las muestras de los diez lotes anteriores es menor o igual al número límite. Si la autoridad responsable lo aprueba. Si la producción está en fase estable. Carlos Viesca González
166 Planes de muestreo de aceptación por atributosDe reducida a normal. Se puede pasar de la inspección reducida a la normal si ocurre alguna de las siguientes situaciones en la inspección original: Se rechaza un lote. Se acepta un lote al que se aplicó inspección reducida, pero el número de defectuosos encontrado es mayor que el número de aceptación y menor que el número de rechazo. Carlos Viesca González
167 Planes de muestreo de aceptación por atributosLa producción ha venido a menos o ha sido irregular. Otras condiciones que propicien el establecimiento de la inspección normal. Carlos Viesca González
168 Planes de muestreo de aceptación por atributosLos niveles de inspección: En la MIL - STD - 105E, el tamaño de muestra se determina con base en el tamaño del lote, el tipo de inspección y el nivel de inspección; existen tres niveles de inspección generales para cada uno de los tipos ya mencionados anteriormente: el I, el II y el III. Carlos Viesca González
169 Planes de muestreo de aceptación por atributosAl nivel II le corresponde una inspección normal y es el que generalmente se usa. El nivel I se usa cuando se permite una menor discriminación en el proceso de muestreo y requiere cerca de la mitad de la cantidad a inspeccionar del nivel II. Carlos Viesca González
170 Planes de muestreo de aceptación por atributosEl nivel III se adopta cuando se requiere una mayor discriminación y usualmente requiere dos veces la cantidad a inspeccionar del nivel II. El nivel de inspección se establece en un contrato o por la autoridad responsable. Carlos Viesca González
171 Planes de muestreo de aceptación por atributosLos niveles especiales S-1, S-2, S-3 y S-4 se usan cuando se requiere tamaños de muestra pequeños (se involucran pruebas destructivas o muy caras) y pueden o deben tolerarse grandes riesgos en el muestreo (menor poder discriminatorio). Carlos Viesca González
172 Planes de muestreo de aceptación por atributosOperación del sistema de muestreo MIL - STD - 105E: Seleccionar los planes apropiados de las tablas publicadas en el estándar. Usar las reglas de cambio del nivel de inspección, cuando la calidad del lote cambia. Carlos Viesca González
173 Planes de muestreo de aceptación por atributosProcedimiento para el uso estándar: Determinar el NCA aceptable (basado en un acuerdo entre el productor y el cliente) Decidir el nivel de inspección a usar. Determinar el tamaño del lote. Usar la tabla de Letras de Código del Tamaño de Muestra para seleccionar la letra código apropiada (anexo). Carlos Viesca González
174 Planes de muestreo de aceptación por atributosDecidir el tipo de procedimiento de muestreo: simple, doble o múltiple. Usar la tabla correspondiente al procedimiento de muestreo seleccionado y al nivel de inspección para encontrar el tamaño de muestra y los números de rechazo y aceptación para el plan. Empiece usando el plan seleccionado y lleve un registro de las aceptaciones y rechazos para que pueda aplicar las reglas de cambio. Carlos Viesca González
175 Carlos Viesca GonzálezCAPÍTULO 4 Confiabilidad Carlos Viesca González
176 Carlos Viesca GonzálezConfiabilidad Se basa en la distribución normal, exponencial y weibull. Tasa de falla tiempo Etapa de madurez Carlos Viesca González
177 Carlos Viesca GonzálezConfiabilidad La confiabilidad se define como la probabilidad de que un producto desempeñe la función para la cual fue elaborado , bajo condiciones dadas y durante un periodo de tiempo determinado. La confiabilidad es un aspecto de la calidad que específicamente considera el comportamiento de la calidad a lo largo del tiempo. Carlos Viesca González
178 Carlos Viesca GonzálezConfiabilidad Sistema en serie: todos los componentes están relacionados de manera que el sistema deja de funcionar si alguno de sus componentes falla. Carlos Viesca González
179 Carlos Viesca GonzálezConfiabilidad Sistema en paralelo: todos sus componentes están relacionados de manera que el sistema deja de funcionar si todos sus componentes fallan. Carlos Viesca González
180 Confiabilidad Ejemplo: Entonces la confiabilidad del sistema es:RA= .90 RB= .95 Entonces la confiabilidad del sistema es: Carlos Viesca González
181 Distribución del tiempo de fallaTasa de falla tiempo 2.- Etapa de madurez 1.- periodo inicial 3.- envejecimiento Los artículos de mala calidad son eliminados. Periodo de vida útil. Etapa de reemplazo. Carlos Viesca González
182 Carlos Viesca GonzálezTiempo entre fallas t= variable aleatoria que representa el tiempo de vida del producto, tiempo entre fallas de un producto. f(t)= función de probabilidad o función de densidad. Carlos Viesca González
183 Carlos Viesca GonzálezTiempo entre fallas F(t)= función de probabilidad o densidad acumulada (probabilidad de que un producto falle hasta antes del tiempo t) Carlos Viesca González
184 Carlos Viesca GonzálezTiempo entre fallas Confiabilidad (R(t))= confiabilidad de que un producto no falle antes del tiempo t. f(t) tiene una varianza y una media. Carlos Viesca González
185 Carlos Viesca GonzálezTiempo entre fallas Media: puede ser el tiempo media hasta que el producto falla (MTTF) es decir, que no se puede reparar. Carlos Viesca González
186 Carlos Viesca GonzálezTiempo entre fallas Tiempo medio entre fallas (MTBF): se aplica para productos que se puedan reparar, es el tiempo medio entre fallas. Carlos Viesca González
187 Carlos Viesca GonzálezTiempo entre fallas Tasa de fallas: Carlos Viesca González
188 Funciones de probabilidadExponencial: Cuando la tasa de fallas es constante, la función de probabilidad que describe la vida de un producto es exponencial. Carlos Viesca González
189 Funciones de probabilidad exponencial= número de fallas por ud. de tiempo. = tiempo medio por fallas (MTBF) o tiempo medio para fallas. Carlos Viesca González
190 Funciones de probabilidad exponencialEsta distribución es útil para representar la tasa de fallas en la etapa de madurez en la gráfica similar a la tina de baño. Carlos Viesca González
191 Funciones de probabilidad exponencial f(t) tiempo 1 R(t) tiempo Carlos Viesca González
192 Funciones de probabilidad exponencialTasa de fallas Z(t) tiempo Carlos Viesca González
193 Funciones de probabilidadNormal: Esta distribución puede representar situaciones en las cuales no se presentan fallas durante un periodo de tiempo, y repentinamente muchas o todas las pzas. comienzan a fallar, alrededor de cierto tiempo que coincide con la media . Carlos Viesca González
194 Funciones de probabilidad normalComo la tasa de fallas tiene un comportamiento creciente, la distribución puede modelar algunas situaciones en el periodo de envejecimiento. Carlos Viesca González
195 Funciones de probabilidad normalf(t) tiempo f(t) tiempo Carlos Viesca González
196 Funciones de probabilidad normalZ(t) tiempo Tasa de fallas Carlos Viesca González
197 Funciones de probabilidadWeibull: Esta distribución es la más utilizada en estudios de confiabilidad, ya que puede modelar casi cualquier situación ya sea en periodos con tasa creciente, constante o decreciente. Carlos Viesca González
198 Funciones de probabilidad weibullLa tasa de falla es: Carlos Viesca González
199 Funciones de probabilidad weibullConfiabilidad: La media es: Carlos Viesca González
200 Funciones de probabilidad weibullLos parámetros de la distribución son: m: representa la forma de la distribución : representa la magnitud de la media to: es un parámetro de posición La combinación apropiada de valores de los tres, es lo que facilita su uso en diversas condiciones. Carlos Viesca González
201 Funciones de probabilidad weibullf(t) 2 m =.5 m =1 m =2 m =4 Carlos Viesca González
202 Funciones de probabilidad weibullR(t) 2 m =.5 m =1 m =2 m =4 Carlos Viesca González
203 Funciones de probabilidad weibullZ(t) 2 m =.5 m =1 m =2 m =4 Carlos Viesca González
204 Funciones de probabilidad weibullPara m<0 la tasa de falla es decreciente y para m>0 creciente. Con m=1 la tasa de falla es constante y la distribución weibull es identica a la exponencial. El efecto del parámetro to es desplazar la función hacia la derecha, ya que se supone que no ocurren fallas para un periodo t
205 Modelo exponencial en confiabilidadConfiabilidad del sistema en serie: Carlos Viesca González
206 Modelo exponencial en confiabilidadConfiabilidad del sistema en paralelo: Carlos Viesca González
207 Pruebas de vida fallas observadasEn base a fallas observadas se selecciona de un lote una muestra aleatoria de n pzas y es sometida a pruebas bajo condiciones ambientales determinadas, observándose los tiempos de falla de los componentes individuales, los tiempos de falla observados son: Carlos Viesca González
208 Pruebas de vida fallas observadasSi el tamaño de la muestra es n, la vida acumulada por las uds probadas hasta la falla r, sera Tr. Si en la prueba se reemplazan los elementos que fallan, entonces: Carlos Viesca González
209 Pruebas de vida fallas observadasSi las piezas que fallan no se reemplazan, entonces: Para ambos casos, el estimador de vida normal será: Carlos Viesca González
210 Pruebas de vida fallas observadasUn intervalo de confianza para vida media, se puede encontrar ya que el estadístico 2Tr/ tiene una distribución ji – cuadrada con 2r grados de libertad. Carlos Viesca González
211 Pruebas de vida tiempo transcurridoEn base al tiempo transcurrido, otro porcedimiento de prueba de vida consiste en suspender la prueba después de transcurrido cierto tiempo fijo T y considerar el número de fallas observadas k como una variable aleatoria. Carlos Viesca González
212 Pruebas de vida tiempo transcurridoEn el caso de que la prueba se realice con reemplazo, entonces: Carlos Viesca González
213 Pruebas de vida tiempo transcurridoSi las pruebas se realizan sin reemplazo, entonces: Carlos Viesca González
214 Pruebas de vida tiempo transcurridoEl estimador y el intervalo de confianza para la vida media será: Carlos Viesca González
215 Modelo Weibull en confiabilidadConfiabilidad en componentes: Carlos Viesca González
216 Modelo Weibull en confiabilidadEn relación a la expresión vista anteriormente: Carlos Viesca González
217 Carlos Viesca GonzálezFunción gamma Resultados conocidos: Carlos Viesca González
218 Carlos Viesca GonzálezFunción weibull Si =1 y =3.5, la tasa de falla aumenta y la distribución weibull es útil para modelar la vida de productos en la etapa de envejecimiento. También en este caso la distribución weibull se aproxima a la distribución normal. Carlos Viesca González
219 Carlos Viesca GonzálezFunción weibull Si =1 y =.5, la tasa de fallas decrece y la distribución es útil para modelar el tiempo de vida de los componentes en la etapa inicial o depuración. Carlos Viesca González
220 Carlos Viesca GonzálezFunción weibull Si =0 y =1, entonces la distribución weibull se convierte en la exponencial. Carlos Viesca González