APLICACIN DEL MTODO CSP A LA MEJORA DE LA FIABILIDAD.

EJEMPLO PRCTICO

Arturo Ruiz-Falc Rojas Dr. Ing. Naval [email protected] ATISAE, Divisin Calidad y Medio Ambiente

ORIGEN DEL MTODO BSQUEDA (COMPONENTS SEARCH PATTERNS)

DE

COMPONENTES

Dorian Shainin (1914-2000) fue uno de los pioneros de la ingeniera de la calidad. En la pgina web de la American Society for Quality se puede encontrar una sinopsis biogrfica, www.asq.org. La aportacin ms importante de Shainin a la ingeniera de la calidad es un conjunto de herramientas de resolucin de problemas. En justicia es preciso indicar que no todas ellas son originales, sino que en algunas de ellas Shainin se limit a adaptar tcnicas existentes haciendo ms fcil su aplicacin a la resolucin de problemas. De cualquier manera, es innegable que el mrito de la difusin y, sobre todo, de la demostracin de la eficacia de estas herramientas, corresponde a Dorian Shainin. Las ms conocidas son las siete herramientas siguientes:

Grfico Multivari. Este grfico es original de Lou Seder, Shainin los difundi. Comparaciones emparejadas. Bsqueda de componentes - Components Search Patterns (CSP). Bsqueda de variables - Variables Search Patterns (VSP). Factoriales completos. Obviamente, Shainin no es el creador de este tipo de diseos, pero introdujo una metodologa de anlisis no paramtrico. B vs C. Diagrama de dispersin: Paralelogramo de tolerancias.

El punto fuerte de estas herramientas reside en que no es preciso tener unos conocimientos de estadstica muy elevados para poder aplicarlas, sino que siendo estadsticamente rigurosas, son intuitivas y se acercan ms al lenguaje del ingeniero. Naturalmente esto facilita su uso por aquellos que estn ms prximos al problema sin necesidad de grandes apoyos externos. El objetivo de estas herramientas es localizar y neutralizar las causas de variabilidad, o dicho en el lenguaje de Shainin, los Red X (causas principales de la variabilidad), los Pink X (causas de la variabilidad de un orden de magnitud menor) y finalmente los Pale Pink X (causas de la variabilidad de un orden de

Pgina 1

APLICACIN DEL MTODO CSP A LA MEJORA DE LA FIABILIDAD. EJEMPLO PRCTICO

magnitud considerablemente menor). En este artculo nos centraremos en el mtodo de bsqueda de componentes - Components Search Patterns (CSP).

PARA QU SIRVE EL MTODO CSP? La aplicacin ms habitual del mtodo CSP es investigar las causas que hacen que equipos montados en una lnea no fallen, mientras que otros fabricados en la misma lnea y con los mismos procedimientos, fallan. El concepto de fallo debe entenderse con toda generalidad, ya que podra aplicarse tanto a la investigacin de rechazos en pruebas finales, estudios de fallos infantiles, etc.

PROPORCIONA UNA SISTMTICA PARA AVERIGUAR POR QU UNOS EQUIPOS FALLAN Y OTROS NO

Figura 1: Aplicacin del mtodo CSP

CUNDO ES APLICABLE EL MTODO CSP? Para poder aplicar la tcnica CSP a la resolucin de un problema, es preciso que se den las siguientes condiciones: 1. Conjuntos (equipos o sistemas) que incorporen subconjuntos (equipos o componentes). Esto limita su aplicabilidad notablemente. Shainin desarroll el mtodo Bsqueda de variables - Variables Search Patterns (VSP) para extender el campo de aplicacin del CSP. 2. Las prestaciones del equipo o sistema son medibles y repetibles. Es decir, el concepto de fallo debe estar objetivado con medidas de caractersticas de funcionamiento (potencia, tiempo de respuesta, etc.). En el caso de investigar problemas relacionados con la fiabilidad, el concepto de fallo debe estar asociado a los valores de una caracterstica de calidad.

Pgina 2

APLICACIN DEL MTODO CSP A LA MEJORA DE LA FIABILIDAD. EJEMPLO PRCTICO

3. Debe ser posible desmontar y volver a montar el equipo o sistema sin que se destruya. Ver Figura 2. Como consecuencia de esta condicin, este mtodo no sera aplicable a la investigacin de fallos de circuitos integrados, equipos sellados, etc. 4. Deben existir dos grupos con niveles de prestaciones muy diferentes. El problema a resolver es qu componente o componentes son los responsables de esa diferencia de resultado entre unos equipos y otros.

1 3 3 4 5 6
Figura 2: Debe ser posible desmontar y volver a montar el equipo o sistema sin que se destruya el equipo o sistema

ES DECIR, NO SE DEBE DESTRUIR EL EQUIPO POR EL DESMONTAJE.

Como hilo conductor para exponer la aplicabilidad de este mtodo, supongamos el caso de la Figura 3. Como puede comprobarse, este caso rene las cuatro condiciones anteriores. A priori, la causa de la elevada tasa de fallo puede deberse a: 1. Alguno de los seis subconjuntos o a la interaccin de los mismos (hiptesis 1). 2. Otras causas diferentes a los subconjuntos, como pueden ser efectos de montaje, distintas condiciones de operacin, etc. (hiptesis 2). Como consecuencia de la aplicacin del mtodo CSP se llegar a saber: 1. Si la causa se debe a alguno de los seis subconjuntos (hiptesis 1) o si es externa (hiptesis 2). En este ltimo caso, al menos se podr descartar con plena seguridad a los subconjuntos como responsables y debera continuarse la investigacin empleando otras tcnicas (B vs C, comparacin emparejada, VSP, etc.) 2. En caso de que se deba a alguno de los seis subconjuntos, adems se conocer cuales son los subconjuntos afectados.

Pgina 3

APLICACIN DEL MTODO CSP A LA MEJORA DE LA FIABILIDAD. EJEMPLO PRCTICO

CONJUNTO ELECTROMECNICO COMPUESTO DE SEIS SUBCONJUNTOS DESMONTABLES LA CARACTERSTICA DE CALIDAD ES MEDIBLE (POR EJ. W). ESTA CARACTERSTICA EST ASOCIADA AL FALLO EN DETERMINADAS CONDICIONES. LA TASA DE FALLO ES INACEPTABLE Y NO SE SABE LA CAUSA DE LOS FALLOS.

1 2 3 4 5 6

Figura 3: Ejemplo de aplicacin del mtodo CSP

CMO SE APLICA EL MTODO CSP? La aplicacin del CSP consta de las siguientes etapas: Etapa 1: Acotamiento (Ballpark). Sirve para comprobar si las causas principales estn incluidas. Etapa 2: Etapa de eliminacin. Sirve para eliminar las causas no influyentes. Etapa 3: Comprobacin (capping run). Sirve para comprobar que las causas clasificadas como importantes tienen un efecto significativo, y el resto no influye. Etapa 4: Anlisis factorial. Sirve para cuantificar la magnitud del efecto de los subconjuntos defectuosos en la calidad (efecto principal e interacciones entre los subconjuntos).

Etapa 1: Acotamiento (Ballpark). A su vez, la etapa inicial de acotamiento consta de los siguientes pasos: Paso 1: Seleccionar una unidad de las buenas y otra de las malas. Paso 2: Determinar un parmetro cuantitativo que represente la calidad de las mismas. En el caso del ejemplo, se considera que el equipo falla si la respuesta no llega a 20 W. Paso 3: Medir ambas unidades y anotar las medidas. Pgina 4

APLICACIN DEL MTODO CSP A LA MEJORA DE LA FIABILIDAD. EJEMPLO PRCTICO

Paso 4: Desmontar y volver a montar las unidades y volverlas a medir. Anotar las medidas. Paso 5: Repetir el desmontaje y volver a medir. Paso 6: Calcular la mediana y el rango de la medidas de cada unidad. Calcular la diferencia D de ambas medianas y el rango medio d . Si las medidas del equipo bueno no estn suficientemente separadas de las del equipo malo (es decir que el equipo bueno pueda pasar a ser malo o viceversa), entonces la causa ser externa. Si estn separadas, la causa ser debida a uno de los subconjuntos.
CON ESTO PODEMOS COMPARAR LA DIFERENCIA ENTRE LAS BUENAS Y LAS MALAS CON LA VARIABILIDAD DENTRO DE CADA GRUPO DEBIDA A OTRAS CAUSAS (MEDIDA, AJUSTES DEL MONTAJE, ETC.)

D D
Inicial 1er Desm. 2o Desm. Inicial 1er Desm.2o Desm.

Buena Mala

CASO A) LAS BUENAS Y LAS MALAS ESTN CLARAMENTE SEPARADAS

CASO B) LAS BUENAS Y LAS MALAS NO ESTN CLARAMENTE SEPARADAS

Figura 4: Comparacin de la variabilidad entre grupos con la variabilidad dentro del grupo

D D
Inicial 1er Desm. 2o Desm. Inicial 1er Desm.2o Desm.

Buena Mala

CASO A) LAS BUENAS SIGUEN SIENDO BUENAS Y LAS MALAS SIGUEN SIENDO MALAS A PESAR DE LAS OPERACIONES DE MONTAJES, LUEGO LA CAUSA SER DEBIDA A ALGUNO DE LOS SUBCONJUNTOS

CASO B) LAS BUENAS PUEDEN PASARA A SER MALAS Y VICEVERSA CON LOS MISMOS COMPONENTES, LUEGO LA CAUSA NO SER DEBIDA A ALGUNO DE LOS SUBCONJUNTOS. HABR QUE BUSCARLA EN OTRO SUBCONJUNTO, MEDIDA, AJUSTES DEL MONTAJE, ETC

Figura 5: Comparacin de la variabilidad entre grupos con la variabilidad dentro del grupo (continuacin)

Pgina 5

APLICACIN DEL MTODO CSP A LA MEJORA DE LA FIABILIDAD. EJEMPLO PRCTICO

El criterio para establecer si se est en el caso A o en el B es el siguiente (ver Figura 6): 1. Las tres medidas de la unidad buena deben ser mejores que las tres medidas de la unidad mala. 2. La diferencia d de ambas medianas debe ser mayor que: D > 1,25 * d Cuando se dan estas circunstancias se se puede afirmar con un nivel de confianza del 95% la causa del problema (el Red X y el Pink X en terminologa de Shainin) est en alguno de los subconjuntos.

D > 1,25d

Buena Mala

Inicial

1er Desm.

2o Desm.

Figura 6: Criterio de decisin

Aplicacin al ejemplo
En el ejemplo se han obtenido las medidas de la Tabla 1.

RECORRIDO UNIDAD MEDIDA 1 MEDIDA 2 MEDIDA 3 MEDIANA d BUENA M 32 30 33 32 3 MALA M 10 9 8 9 2

Tabla 1: Medias obtenidas en los tres desmontajes

D = 32 9 = 23
d =

2 + 3 = 2 ,5 2

Pgina 6

APLICACIN DEL MTODO CSP A LA MEJORA DE LA FIABILIDAD. EJEMPLO PRCTICO

D = 23; d = 2,5; 1,25 * 2,5 = 3,12 << 23 Por lo que podemos concluir que ambos grupos estn suficientemente separados (es decir que la causa de los fallos est en alguno de los seis componentes).

Etapa 2: Etapa de eliminacin. La etapa inicial de eliminacin consta a su vez de los siguientes pasos: Paso 1: Listar los componentes por orden de importancia en el resultado. Para ello se requiere el concurso de especialistas. Si el orden no fuera el real, la nica consecuencia es que se tarda ms tiempo en llegar a la localizacin del Red X y el Pink X. Paso 2: Calcular los lmites de control dentro de los cuales pueden variar los resultados del ensayo debido nicamente a causas aleatorias. d es el rango medio de los dos grupos de dos desmontajes (tres medidas en cada grupo). Este clculo se hace de la siguiente manera:
* LC medianas = mediana t 2 + 2 ( 0,95) d / d 2 = mediana 2 ,776 d / 1,81

Paso 3: Permutar el primer componente en los dos conjuntos, anotar el resultado (ver Figura 7). Si no hay cambio, este componente es inerte, tanto l como sus interacciones. Es decir no es la causa del problema y queda descartado. Continuar la investigacin. Ver Figura 8. Si el resultado se invierte, el componente cambiado es sin ninguna duda el Red X. No es preciso continuar los ensayos. Ver Figura 9. Si hay un cambio parcial, es un Pink X. Continuar la investigacin ya que existirn otros Pink X. Ver Figura 10. Reiterar Paso 3: Volver a cambiar el componente y continuar con el siguiente hasta que estn localizados el Red X o los Pink X.

Pgina 7

APLICACIN DEL MTODO CSP A LA MEJORA DE LA FIABILIDAD. EJEMPLO PRCTICO

PERMUTA COMPONENTE 1

NO HAY CAMBIO DE RESULTADO

HAY CAMBIO DE RESULTADO

CAMBIO PARCIAL DE RESULTADO

COMPONENTE 1 INOCUO

COMPONENTE 1 = RED X

COMPONENTE 1 = PINK X

VOLVER A CAMBIAR 1 E IR AL SIGUIENTE

Figura 7: Permutacin ordenada de los subconjuntos entre ambas unidades

40

CASO 1: NO AFECTA AL RESULTADO. ESTE COMPONENTE ES INERTE Y NO ES LA CAUSA DEL PROBLEMA. DESCARTARLO Y CONTINUAR PERMUTANDO.

30

20

10

Inicial

D- 1

D-2

Capping run

Figura 8: Descartar el subconjunto como causa de los fallos

Pgina 8

APLICACIN DEL MTODO CSP A LA MEJORA DE LA FIABILIDAD. EJEMPLO PRCTICO

CASO 2: SE INVIERTE EL RESULTADO. EUREKA EL COMPONENTE CAMBIADO ES EL RED X! PROBLEMA SOLUCIONADO

40

30

20

10

Inicial

D- 1

D-2

Capping run

Figura 9: Este subconjunto es causa del fallo

40

CASO 3: NO SE INVIERTE EL RESULTADO PERO EST FUERA DE LOS LMITES DE CONTROL. EUREKA EL COMPONENTE CAMBIADO ES UN PINK X ! ESTE ELEMENTO ES PARCIALMENTE RESPONSABLE DEL PROBLEMA. CONTINUAR PERMUTANDO

30

20

10

Inicial

D- 1

D-2

Capping run

Figura 10: Este subconjunto es causa del fallo pero existe otra causa adicional

Aplicacin al ejemplo

Pgina 9

APLICACIN DEL MTODO CSP A LA MEJORA DE LA FIABILIDAD. EJEMPLO PRCTICO

El equipo de expertos piensa que el problema seguramente se debe al subconjunto denominado como 1, a continuacin coloca al 2, despus al 3, etc. Los lmites de control son:
LC Sup Buenas = 32 + 2,776 * 2,5 / 1,81 = 36 LC Inf Buenas = 32 2,776 * 2,5 / 1,81 = 28 LC Sup Malas = 9 + 2,776 * 2,5 / 1,81 = 13 LC Inf Malas = 9 2,776 * 2,5 / 1,81 = 5

En la Tabla 2 se recogen los datos del ejemplo y en la Figura 11 se han representado grficamente. De aqu se concluye que los subconjuntos 2 y 4 son la causa de los fallos. Esto no coincide exactamente con lo que esperaban los expertos, pero esta falta de acierto inicial no ha impedido llegar a una conclusin.

Componente Montaje Resultado cambiado "bueno"

Lmites de Control inferior

Inicial D-1 D-2 Mediana Recorrido 1 2 3 4 5 6 Capping run

= = =

1MRB 2MRB 3MRB 4MRB 5MRB 6MRB 2B4BRM

32 30 33 32 3 31 25 30 22 31 30 31

Lmites Montaje de "malo" Control superior = = =

Resultado

Lmites de Control inferior

Lmites de Control superior

Conclusin

28,2 28,2 28,2 28,2 28,2 28,2 28,2

35,8 1BRM 35,8 2BRM 35,8 3BRM 35,8 4BRM 35,8 5BRM 35,8 6BRM 35,8 2M4MRB

10 9 8 9 2 10 12 11 15 12 9 12

5,2 5,2 5,2 5,2 5,2 5,2 5,2

12,8 12,8 2 Pink X, + 12,8 12,8 4 Pink X, + 12,8 12,8 12,8

Tabla 2: Datos del ejemplo

Pgina 10

APLICACIN DEL MTODO CSP A LA MEJORA DE LA FIABILIDAD. EJEMPLO PRCTICO

40

30

20

10

Inicial

D- 1

D-2

Capping run

Figura 11: Datos del ejemplo

Etapa 3: Comprobacin (capping run). Si X e Y son los componentes calificados como Red X y Pink X, y R son el resto de los componentes, el subndice B corresponde al componente proveniente de la unidad buena y el M de la mala. Montar y ensayar las unidades:

X BYB R M X M YM RB
El ensayo debe confirmar que la primera unidad est dentro del rango de las buenas, pese a tener todos los componentes malos salvo el Red X y el Pink X, y la segunda unidad dentro del rango de las malas. Si el ensayo no lo confirmase es que existe alguna causa no considerada hasta ahora.

Aplicacin al ejemplo
Los datos obtenidos son 31 y 12 (ver Tabla 2 y Figura 12) que confirman a los subconjuntos 2 y 4 como causa de los fallos.

Pgina 11

APLICACIN DEL MTODO CSP A LA MEJORA DE LA FIABILIDAD. EJEMPLO PRCTICO

40

30

20

10

Inicial

D- 1

D-2

Capping run

Figura 12: Ensayo de confirmacin

Etapa 4: Anlisis factorial. El anlisis factorial tiene como objetivo estimar los efectos principales de los componentes que hayan resultado ser Red X y Pink X, as como sus interacciones. Resulta que con los ensayos anteriores se han realizado suficientes experimentos para realizar un anlisis factorial 2k donde k es el nmero de componentes Red X o Pink X. Este anlisis puede realizarse de manera convencional. Entonces que aporta CSP con respecto a haber abordado la resolucin del problema mediante un diseo factorial de manera convencional? Puesnos hemos evitado poner de acuerdo a los expertos en qu factores son los que hay que ensayar, a qu niveles hay que hacerlo, etc., en caso de que no sea factible abordar un diseo factorial completo (en este caso se hubieran requerido 26 = 64 ensayos, cules son los generadores ms adecuados para disear un ensayo factorial, fraccional, etc. El mtodo CSP nos ha llevado a un diseo factorial completo en el que intervienen todos los factores significativos.

Aplicacin al ejemplo
Con los veinte ensayos realizados se puede construir un diseo factorial completo 22 con ensayos replicados para las distintas condiciones experimentales (2, 8, 2 y 8 rplicas respectivamente, ver Figura 13). Si se considerara til, se podra estimar los efectos de los subconjuntos defectuosos en el resultado empleando la metodologa habitual de los diseos factoriales. En este caso la ecuacin sera:

Pgina 12

APLICACIN DEL MTODO CSP A LA MEJORA DE LA FIABILIDAD. EJEMPLO PRCTICO

R = 19,53 + 4,47 K 2 + 5,97 K 4 + 1,03K 2 K 4

K2 y K4 representan si el subconjunto 2 y 4 son de los buenos (en ese caso toman valor 1) o de los malos (en esa caso toman valor 1). En este caso y puesto que se ha identificado la causa del problema, esta ecuacin no aporta ms utilidad que testimoniar el efecto de la interaccin (tercer sumando).

2 RPLICAS
Experimento Result. 2B 25 4M 15

8 RPLICAS
20,000 Bueno 31,000
Experimento Result. Inicial B 32 D-1 B 30 D-2 B 33 1B 31 3B 30 5B 31 6B 30 Cap. Run B 31

SUBCONJUNTO 4

8 RPLICAS
Experimento Result. Inicial M 10 D-1 M 9 D-2 M 8 1M 10 3M 11 5M 12 6M 9 Cap. Run M 12

2 RPLICAS
10,125 Malo Malo SUBCONJUNTO 2 Bueno 17,000
Experimento Result. 4B 22 2M 12

Figura 13: En el ejemplo se han obtenido datos para un diseo factorial completo con rplicas.

ALGUNAS ACLARACIONES Y JUSTIFICACIONES ESTADSTICAS A continuacin se responden algunas preguntas que surgen habitualmente cuando se presenta este mtodo. Por qu se debe concentrar los esfuerzos en los Red X en lugar de dispersarlos solucionando otras causas menos influyentes? Si bien es bueno conocer y eliminar todas las causas de la variabilidad, es mucho ms eficiente concentrar los esfuerzos en reducir el efecto de las causas que ms influyen. En efecto, supongamos que un proceso est afectado por dos causas de variabilidad, una de ellas produce una variabilidad de cinco unidades y la otra de una unidad. Si suponemos que estas causas son estadsticamente independientes, la variabilidad total sera:

T = 5 2 + 12 = 26 = 5,1

Pgina 13

APLICACIN DEL MTODO CSP A LA MEJORA DE LA FIABILIDAD. EJEMPLO PRCTICO

Si se eliminara la causa menos influyente la variabilidad total pasara a ser:

T = 5 2 + 0 = 25 = 5,0
Lo que representa una reduccin de la variabilidad del 2%. Por el contrario si se reduce la causa ms influyente en una unidad (reduccin equivalente a eliminar la causa menos influyente), el efecto en la variabilidad total sera:
T =

(5 1)2 + 12

= 17 = 4,1

Siendo ahora la reduccin de la variabilidad del 20%. Obsrvese la analoga entre esta conclusin y el conocido principio de Pareto.
Por qu se emplea las medianas en lugar de las medias para fijar los lmites de control? Sin entrar en una discusin sobre las ventajas y desventajas que presenta el uso de cada una de ellas, valgan las siguientes consideraciones:

1. Las tres medidas iniciales se espera que estn influidas solo por lo que se denomina causas comunes, lo que equivale a suponer que se distribuirn normalmente.< Esto implica que la distribucin esperada sea simtrica. 2. En distribuciones simtricas la media y la mediana coinciden. 3. El clculo de la mediana de tres datos es muy sencillo (el valor de el medio). 4. En la Figura 14 se compara la distribucin de las medias con la de las medianas, procedentes de muestras de tamao tres de una poblacin normal. Como puede verse la diferencia es muy pequea, siendo un poco ms dispersos los datos de las medianas. No habra ningn inconveniente en proceder de una forma ms convencional empleando medias en lugar de medianas.

Pgina 14

APLICACIN DEL MTODO CSP A LA MEJORA DE LA FIABILIDAD. EJEMPLO PRCTICO

COMPARACIN DE LA DISTRIBUCIN DE LAS MEDIANAS Y LAS MEDIAS

1000 MUESTRAS ALEATORIOS N(0,1) n=3 -1,8 -1,2 -0,6 0,0 0,6 1,2 1,8 Mediana 140 120 Frecuencia 100 80 60 40 20 0 -1,8 -1,2 -0,6 0,0 0,6 1,2 1,8 Media

Figura 14: Comparacin de la distribucin de la media y la mediana

Por qu se emplea los recorridos en lugar de las desviaciones tpicas para fijar los lmites de control? El clculo de los recorridos es tambin ms sencillo que el de las desviaciones tpicas. Por otra parte, el empleo de recorridos es muy frecuente en ingeniera de calidad (grficos X-R, etc.). Para tamaos de muestra pequeos (< 8) no hay ningn inconveniente en emplearlos para estimar la desviacin tpica de un proceso en lugar de la desviacin tpica muestral. De dnde sale el coeficiente d2* que se emplea la ecuacin de los lmites de control? Este coeficiente corrige el sesgo para estimar la desviacin tpica a partir del recorrido medio obtenido en m muestras de n elementos cada una. En la Tabla 3 se dan valores para otras combinaciones de m y n. Obsrvese que en la medida que crece el nmero de muestras m, el valor de d2* converge hacia el coeficiente d2 empleado habitualmente en los grficos X-R. Esto es porque en estos grficos se estima la desviacin tpica del proceso a partir del recorrido medio de ms de 20 muestras.

d * d2

Pgina 15

APLICACIN DEL MTODO CSP A LA MEJORA DE LA FIABILIDAD. EJEMPLO PRCTICO

Nmero de Muestras (m)

1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 d2

2 1.41 1.28 1.23 1.21 1.19 1.18 1.17 1.17 1.16 1.16 1.16 1.15 1.15 1.15 1.15 1.13

Tamao de la muestra (n) 3 4 5 6 1.91 2.24 2.48 2.67 1.81 2.15 2.40 2.60 1.77 2.12 2.38 2.58 1.75 2.11 2.37 2.57 1.74 2.10 2.36 2.56 1.73 2.09 2.35 2.56 1.73 2.09 2.35 2.55 1.72 2.08 2.35 2.55 1.72 2.08 2.34 2.55 1.72 2.08 2.34 2.55 1.71 2.08 2.34 2.55 1.71 2.07 2.34 2.55 1.71 2.07 2.34 2.55 1.71 2.07 2.34 2.54 1.71 2.07 2.34 2.54 1.69 2.06 2.33 2.53

7 2.83 2.77 2.75 2.74 2.73 2.73 2.72 2.72 2.72 2.72 2.72 2.72 2.71 2.71 2.71 2.70

8 2.96 2.91 2.89 2.88 2.87 2.87 2.87 2.87 2.86 2.86 2.86 2.85 2.85 2.85 2.85 2.85

Tabla 3: Tabla de coeficientes d2*

Por qu se emplea la t de Student en el clculo de los lmites de control? El procedimiento empleado habitualmente para construir un intervalo de confianza de la media de muestras de tamao n una poblacin normal, se basa en que el estadstico:

(x 0 )
s

p t n 1

n Se distribuye segn una t de Student con n-1 grados de libertad. En este caso:

Se dispone de dos muestras, cada una de ellas con dos grados de libertad, por lo que la t de Student tendr cuatro grados de libertad. Se pretende construir unos lmites de control para valores individuales (muestras de n=1). Estos lmites de control se construyen con un nivel de confianza del 95%, lo que implica que existe un 5% de probabilidades de que el valor de respuesta lo sobrepase. Esto supone tener un 5% de probabilidades de concluir que un componente sea Pink X sin que en realidad lo sea. En lugar de con medias, se trabaja con medianas, que como se ha indicado antes, en este caso se comportan de manera similar. La estimacin de la desviacin tpica se hace a travs del recorrido medio de las dos muestras en lugar de la desviacin tpica s media de las dos muestras, por lo que se debe reemplazar s por: Pgina 16

APLICACIN DEL MTODO CSP A LA MEJORA DE LA FIABILIDAD. EJEMPLO PRCTICO

d * d2 Con estas consideraciones se llega a la ecuacin: s

* LC medianas = mediana t 2 + 2 ( 0,95) d / d 2 = mediana 2 ,776d / 1,81

Por qu tiene que ser D >1,25*d Por simplicidad estadstica razonemos en medias en lugar de en medianas (como se ha visto, en esta caso la diferencia es irrelevante). Lo que se est haciendo es un contraste de hiptesis:

La hiptesis nula H0 es: ambas muestras proceden de la misma poblacin. Es decir el que sea buena o mala con esos componentes es puro azar. La hiptesis alternativa H1 es: cada muestra procede de una poblacin distinta. Es decir, cada muestra procede de poblaciones distintas (una buena y otra mala) con distinta media.

Si las diferencias de las medias de las muestras obtenidas difieren ms de un determinado valor, no es verosmil pensar que la hiptesis H0 sea cierta y se admitir su complementaria H1. Este contraste se apoya en el siguiente estadstico pivote:

(x1 x2 ) (1 2 ) (n1 1)s12 + (n2 1)s 22 1

n1 + n 2 2

1 n + n 2 1

p t n1 + n2 2

En este caso:

Las dos muestras son de tamao 3, n1 = n2 = 3. El nivel confianza es el 95%. En la hiptesis nula 1 = 2. Una vez ms, en lugar de con medias, se trabaja con medianas, y la estimacin de la desviacin tpica se hace a travs del recorrido medio de las dos muestras.

Por lo tanto el contraste queda:

D d * d2 2+ 2 1 1 + 3+ 3 2 3 3 = t 3+ 3 2

Pgina 17

APLICACIN DEL MTODO CSP A LA MEJORA DE LA FIABILIDAD. EJEMPLO PRCTICO

D t 3+ 3 2 2 = * 3 d d2 * d2 =1.81 y el valor de la t de Student con 4 grados de libertad, al 95% a dos colas es 2.78. Luego el valor crtico es:

D 2.78 2 = * = 1.25 3 d 1.81

Pgina 18