Manual Msa 4 2010 Espanol Aamsa

1
ANLISIS DE SISTEMAS DE MEDICIN

Manual de Referencia
Cuarta Edicin
Primera Edicin, Octubre 1990 Segunda Edicin, Febrero, 1995; Segunda Impresin, Junio 1998 Tercera
Edicin, Marzo, 2002; Segunda Impresin, Mayo, 2003; Cuarta Edicin, Junio, 2010
Derechos Reservados 1990, 1995, 2002 2010 Chrysler Group LLC, Ford Motor Company, General
Motors Corporation
Este documento consiste slo de una interpretacin al espaol, y es una copia libre del Manual de Referencia de MSA-4:
2010 publicado por AIAG, y slo debe considerarse como una consulta. El nico documento oficial es el publicado
originalmente en Ingles por AIAG mismo.
ii
PREFACIO
Este manual de referencia fue desarrollado por el Grupo de Trabajo de Anlisis de Sistemas
de Medicin (MSA), autorizado por el grupo de fuerza de trabajo para los Requerimientos de
Calidad de Proveedores de Chrysler Group LLC, Ford Motor Company y General Motors
Corporation, y bajo los auspicios del Grupo de Acciones de la Industria Automotriz (AIAG). El
grupo de trabajo responsable por esta Cuarta edicin fue Michael Down (General Motors
Corporation), Frederick Czubak (Chrysler Group LLC), Gregory Gruska (Omnex), Steve
Stahley (Cummins, Inc.) y David Benham.
El manual es una introduccin al anlisis de sistemas de medicin. No tiene la intencin de
limitar la evolucin de mtodos de anlisis adecuados a procesos o gneros de
productos particulares. An y cuando estos lineamientos se pretende cubran normalmente
situaciones de sistemas de medicin que ocurren, puede haber preguntas que surjan. Estas
preguntas debieran dirigirse a sus representantes autorizados de los clientes.
Este manual cuenta con derechos de copia por Chrysler Group LLC, Ford Motor Company y
General Motors Corporation, con todos los derechos reservados, 2010. Manuales adicionales
pueden ordenarse en AIAG en www.aiag.org. El permiso para reproducir porciones de este
manual para uso dentro de organizaciones proveedores puede obtenerse en AIAG en
www.aiag.org.
Junio, 2010
iii
Gua Rpida de 4 Edicin de MSA

Tipo de Sistema de
Medicin
Variables Bsicas
Atributos Bsicos
Mtodos MSA
Rango, Promedios y Rangos, ANOVA, Sesgo,
Linealidad, Grficas de Control
Deteccin de Seales, Anlisis de Pruebas de
Hiptesis
Captulo
Ill
Ill
No Replicables (ej.,
Pruebas Destructivas)
Enfoques Alternativos
IV
Variables Complejas
Rango, Promedios y Rangos, ANOVA, Sesgo,

Linealidad, Grficas de Control
III, IV
Sistemas Mltiples,
Gages Stands de
Pruebas
Grficas de Control, ANOVA, Anlisis de Regresin
III, IV
Miscelneos
Enfoques Alternativos
IV
Otros
Artculos disponibles en el
sitio web de AIAG (www.aiag.org)
NOTA: En relacin al uso de la desviacin estndar para RRGs.

Histricamente y en forma convencional se ha usado una amplitud del 99% para representar
la amplitud total del error de las mediciones, representado por el factor de multiplicacin de
5.15 (donde RRG es multiplicado por 5.15 para representar la amplitud total del 99%).
Una amplitud de 99.73% es representada por el multiplicador de 6.0, el cual es + 3 y
representa la amplitud total de la curva normal.
Si el lector elige incrementar el nivel de cobertura o amplitud de una variacin total de las
mediciones del 99.73%, usar el 6.0 como un multiplicador en lugar de 5.15 en los clculos.
Nota: El enfoque usado en la 4. Edicin es para comparar desviaciones estndar. Esto es
equivalente a usar el multiplicador de 6 en el enfoque histrico.
El conocimiento del factor multiplicador que se use es crucial en la integridad de las
ecuaciones y clculos resultantes. Esto es especialmente importante si se hace una
comparacin entre la variabilidad y tolerancia de los sistemas de medicin.
Consecuentemente, si se usa un enfoque distinto al descrito en este manual, una declaracin
como tal debe ser claramente establecida en cualquier resultado resumen (particularmente
a aquellos ofrecidos a clientes).
iv
TABLA DE CONTENIDO
MSA 4th Edition Quick Guide ......................................................................................................................... iv
TABLA DE CONTENIDO .................................................................................................................................. v
Lista de Tablas................................................................................................................................................. vii
Lista de Figuras ............................................................................................................................................... viii
CAPTULO I Guas y Lineamientos Generales para Sistemas de Medicin ........................................... 1
Seccin A Introduccin, Propsito y Terminologa............................................................................................ 3
Introduccin .................................................................................................................................................. 3
Propsito....................................................................................................................................................... 4
Tecnologa .................................................................................................................................................... 4
Seccin B El Proceso de Medicin.................................................................................................................... 13
Sistemas de Medicin .................................................................................................................................. 13
Los efectos de la variabilidad de Sistemas de Medicin.............................................................................. 18
Seccin C Planeacin y Estrategia de las Mediciones ..................................................................................... 25
Seccin D Desarrollo de las Fuentes de Medicin............................................................................................ 29
Proceso de Seleccin de Fuentes de Gages ............................................................................................... 31
Seccin E Aspectos Clave en las Mediciones................................................................................................... 41
Seccin F Incertidumbre en las Mediciones...................................................................................................... 63
Seccin G Anlisis de Problemas de Mediciones ............................................................................................. 65
CAPTULO II Conceptos Generales para la Evaluacin de Sistemas de Medicin ............................... 67
Seccin A Antecedentes.................................................................................................................................... 69
Seccin B Seleccin/Desarrollo de Procedimientos de Prueba........................................................................ 71
Seccin C Preparacin para un Estudio de Sistemas de Medicin .................................................................. 73
Seccin D Anlisis de Resultados..................................................................................................................... 77
CAPTULO III Prcticas Recomendadas para Sistemas de Medicin Replicables ................................ 81
Seccin A Ejemplos de Procedimientos de Prueba .......................................................................................... 83
Seccin B Guas y Lineamientos Estudio de Sistemas de Medicin de Variables ........................................ 85
Guas y Lineamientos para Determinacin de la Estabilidad....................................................................... 85
Guas y Lineamientos para Determinacin del Sesgo Mtodo de Muestras Independientes .................. 87
Guas y Lineamientos para Determinacin del Sesgo Mtodo por Grficas de Control........................... 92
Guas y Lineamientos para Determinacin de la Linealidad........................................................................ 96
Guas y Lineamientos para Determinacin de la Repetibilidad y Reproducibilidad..................................... 101
Mtodo de Rangos ....................................................................................................................................... 102
Mtodo de Rangos y Promedios .................................................................................................................. 103
Mtodo de Anlisis de Varianzas (ANOVA) ................................................................................................. 123
Seccin C Estudio se Sistemas de Medicin por Atributos............................................................................... 131
Mtodos de Anlisis de Riesgos .................................................................................................................. 131
Enfoque de Deteccin de Seales ............................................................................................................... 143
Mtodo Analtico ........................................................................................................................................... 145
CAPTULO IV Otras Prcticas y Conceptos de Medicin......................................................................... 151
Seccin A Prcticas para Sistemas de Medicin No Replicables..................................................................... 153
Sistemas de medicin destructivos .............................................................................................................. 153
Sistemas donde las partes cambian en el uso/prueba ................................................................................ 153
Seccin B Estudios de Estabilidad .................................................................................................................... 155
Seccin C Estudios de Variabilidades............................................................................................................... 161
Seccin D Reconocimiento de los Efectos de una Excesiva Variacin Dentro de las Partes .......................... 167
Seccin E Mtodo de Promedios y Rangos Tratamiento Adicional ............................................................... 169
Seccin F Curva de Desempeo de Gages ...................................................................................................... 177
Seccin G Reduccin de Variacin a Travs de Lecturas Mltiples................................................................. 183
Seccin H Enfoque de la Desviacin Estndar Combinada a los GRRs.......................................................... 185
APNDICES ...................................................................................................................................................... 193
Apndice A ....................................................................................................................................................... 195

Conceptos de Anlisis de Varianza.............................................................................................................. 195
Apndice B ....................................................................................................................................................... 199
Impacto del GRR en el ndice de Habilidad Cp ............................................................................................ 199
Frmulas:...................................................................................................................................................... 199
Anlisis: ........................................................................................................................................................ 199
Anlisis Grfico:............................................................................................................................................ 199
Apndice C ....................................................................................................................................................... 203
Apndice D ....................................................................................................................................................... 205
Estudio R de Gages ..................................................................................................................................... 205
Apndice E ....................................................................................................................................................... 207
Clculo Alternativo de PV Usando un Trmino de Correccin de Errores................................................... 207
Apndice F........................................................................................................................................................ 209
Modelo de Errores P.I.S.M.O.E.A................................................................................................................. 209
Glosario ............................................................................................................................................................ 213
Lista de Referencias........................................................................................................................................ 219
Formatos Muestra............................................................................................................................................ 223
ndice................................................................................................................................................................. 227
vi
Lista de Tablas
Tabla I-B 1: Filosofa de Control e Inters Gua ................................................................................................ 18
Tabla II-D 1: Criterios de GRRs......................................................................................................................... 78
Tabla III-B 1: Datos para un Estudio de Sesgo ................................................................................................. 90
Tabla III-B 2: Estudio de Sesgo Anlisis de un Estudio de Sesgo................................................................. 92
Tabla III-B 3: Estudio de Sesgo Anlisis de un Estudio de Estabilidad para Sesgo...................................... 95
Tabla III-B 4: Datos para un Estudio de Linealidad........................................................................................... 99
Tabla III-B 5: Estudio de Linealidad Resultados Intermedios ........................................................................ 99
Tabla III-B 6: Estudio de Gages (Mtodo de Rangos) ...................................................................................... 103
Tabla III-B 6a: Hoja de Recoleccin de Datos de Repetibilidad y Reproducibilidad de Gages........................ 105
Tabla III-B 7: Tabla ANOVA............................................................................................................................... 127
Tabla III-B 8: % de Variacin y Contribucin de un Anlisis ANOVA................................................................ 127
Tabla III-B 9: Comparacin de los Mtodos de ANOVA y Promedios y Rangos .............................................. 129
Tabla III-B 10: Reporte del Mtodo ANOVA para GRRs................................................................................... 129
Tabla III-C 1: Conjunto de Datos para un Estudio de Atributos ........................................................................ 134
Tabla III-C 2: Resultados de un Estudio con Tablas Cruzadas......................................................................... 136
Tabla III-C 3: Resumen Kappa .......................................................................................................................... 137
Tabla III-C 4: Comparacin de los Evaluadores con la Referencia................................................................... 138
Tabla III-C 5: Tabla de Efectividad del Estudio ................................................................................................. 139
Tabla III-C 6: Ejemplo de Lineamientos de Criterios de Efectividad ................................................................. 140
Tabla III-C 7: Resumen de Efectividad del Estudio ........................................................................................... 140
Tabla III-C 8: Tabla III-C 1 clasificada por Valor de Referencia ........................................................................ 143
Tabla IV-A 1: Mtodos Basados en el Tipo de Sistema de Medicin ............................................................... 154
Tabla IV-H 1: Conjunto de Datos para Anlisis de la Desviacin Estndar Combinada .................................. 189
Tabla A 1: Estimativo de los Componentes de la Varianza .............................................................................. 195
Tabla A 2: Extensin 6 Sigma ........................................................................................................................... 196
Tabla A 3: Anlisis de Varianzas (ANOVA)....................................................................................................... 197
Tabla A 4: Resultados de ANOVA en Tablas.................................................................................................... 198
Tabla A 5: Resultados de ANOVA en Tablas.................................................................................................... 198
Tabla B 1: Comparacin del Cp Observado con el Actual................................................................................. 201
Tabla C 1: Tabla
*
2
......................................................................................................................................... 203
Tabla F 1: Ejemplo del Modelo PISMOEA ........................................................................................................ 211
vii
Lista de Figuras
Figura I-A 1: Ejemplo de una Cadena de Rastreabilidad para la Medicin de una Longitud ........................... 10
Figura I-B 1: Diagrama de Causas y Efectos de la Variabilidad de un Sistema de Medicin........................... 17
Figura I-E 2: Discriminacin............................................................................................................................... 46
Figura I-E 3: Impacto del Nmero de Categoras Distintas (NCD) de la Distribucin del Proceso en
Actividades de Anlisis y Control. ..................................................................................................................... 47
Figura I-E 4: Grficas de Control de Proceso.................................................................................................... 49
Figura I-E 5: Caractersticas de la Variacin de un Proceso de Medicin........................................................ 50
Figura I-E 6: Relaciones entre Sesgo y Repetibilidad....................................................................................... 62
Figura III-B 1: Anlisis de Grficas de Control para Estabilidad ....................................................................... 86
Figura III-B 2: Estudio de Sesgo Histograma de un Estudio de Sesgo.......................................................... 91
Figura III-B 3: Estudio de Linealidad Anlisis Grfico .................................................................................... 100
Figura III-B 4: Grfica de Promedios Estancada ......................................................................................... 107
Figura III-B 5: Grfica de Promedios No Estancada....................................................................................... 107
Figura III-B 6: Grfica de Rangos Estancada .............................................................................................. 108
Figura III-B 7: Grfica de Rangos No estancada ......................................................................................... 109
Figura III-B 8: Grfica de Corridas por Parte..................................................................................................... 109
Figura III-B 9: Diagrama de Dispersin ............................................................................................................. 110
Figura III-B 10: Grfica de Whiskers ................................................................................................................. 111
Figura III-B 11: Grficas de Errores................................................................................................................... 112
Figura III-B 12: Histograma Normalizado .......................................................................................................... 113
Figura III-B 13: Grfica X-Y de Promedios por Medida ..................................................................................... 114
Figura III-B 14: Comparacin de Grficos X-Y .................................................................................................. 115
Figura III-B 15: Hoja de Recoleccin de Datos Completa para R&RG ............................................................. 118
Figura III-B 16: Reporte de Repetibilidad y Reproducibilidad de Gages........................................................... 119
Figura III-B 18: Grfica de Residuales .............................................................................................................. 126
Figura III-C 1: Proceso Ejemplo con Pp = Ppk = 0.50......................................................................................... 132
Figura III-C 2: Las reas Grises Asociadas con el Sistema de Medicin....................................................... 132
Figura III-C 3: Proceso Ejemplo con Pp = Ppk = 1.33......................................................................................... 141
Figura III-C 4: Curva de Desempeo de un Gage de Atributos Graficada en Papel de Probabilidad Normal . 149
Figura III-C 5: Curva de Desempeo de un Gage de Atributos ........................................................................ 150
Figura IV-E 1: Grfica de Control de Evaluacin de Mediciones ( X & R) - 1 .................................................. 172
Figura IV-E 2: Grfica de Control de Evaluacin de Mediciones ( X & R) - 2 .................................................. 173
Figura IV-E 3: Clculos Alternativos para la Evaluacin de un Proceso de Medicin (Parte 1 de 2) ............... 174
Figura IV-E 4: Clculos Alternativos para la Evaluacin de un Proceso de Medicin (Parte 2 de 2) ............... 175
Figura IV-F 1: Curva de Desempeo de un Gage Sin Errores.......................................................................... 180
Figura IV-F 2: Curva de Desempeo de un Gage - Ejemplo ............................................................................ 181
Figura IV-F 3: Curva de Desempeo de un Gage Graficada en Papel de Probabilidad Normal...................... 182
Figura IV-H 1: Anlisis Grfico de un Estudio de Desviacin Estndar Combinada ........................................ 188
Figura IV-H 2: Diagrama de Puntos de valores h.............................................................................................. 191
Figura IV-H 3: Diagrama de Puntos de valores k .............................................................................................. 192
Figura B 1: Cp Observado vs. Actual (basado en el proceso)........................................................................... 201
Figura B 2: Cp Observado vs. Actual (basado en la tolerancia) ........................................................................ 202
viii
Captulo I
Guas y Lineamientos Generales para Sistemas de Medicin
Captulo I
Guas y Lineamientos Generales para
Sistemas de Medicin
Captulo I Seccin A
Introduccin, Propsito y Terminologa
Captulo I Seccin A
Seccin A
Introduccin
Los datos de mediciones son usados ms a menudo y en ms formas que antes. Por
ejemplo, la decisin de ajustar un proceso de manufactura o no, comnmente se
basa ahora en datos de mediciones. Los datos de mediciones, o alguna estadstica
calculada de stos, son comparados con los lmites de control estadsticos del
proceso, y si loa comparacin indica que el proceso est fuera del control
estadstico, entonces se hace un ajuste de algn tipo. De lo contrario, al proceso se
le permite trabajar sin ajustes. Otro uso de datos de mediciones es para determinar
si existe una relacin significativa entre dos o ms variables. Por ejemplo, puede
sospecharse que una dimensin crtica de una parte plstica moldeada se relaciona
con la temperatura del material de alimentacin. Esa posible relacin puede ser
estudiada usando un procedimiento estadstico llamado anlisis de regresin para
comparar las medicines de la dimensin crtica con las mediciones de la
temperatura del material de alimentacin.
Los estudios que exploren tales relaciones son ejemplos de lo que el Dr. W.E.
Deming llam estudios analticos. En general, un estudio analtico es aquel que
incrementa el conocimiento del sistema de causas que afectan el proceso. Los
estudios analticos son unos de los ms importantes que usan datos de mediciones
porque se dirigen finalmente a un mejor entendimiento de los procesos.
El beneficio de usar un procedimiento basado en datos es ampliamente determinado
por la calidad de los datos de medicin usados. Si la calidad de los datos es baja, es
muy probable que el beneficio del procedimiento sea muy bajo. Igualmente, si la
calidad de los datos es alta, es muy probable que tambin el beneficio sea alto.
Para asegurar que el beneficio derivado de los datos de medicin usados sea
altamente suficiente para garantizar el costo de su obtencin, se requiere enfocar
atencin en la calidad de los datos.
Calidad de los
Datos de
Medicin
La calidad de los datos de medicin es definida por las propiedades estadsticas de

las mltiples mediciones obtenidas del sistema de medicin operando bajo
condiciones estables. Por ejemplo, suponer que un sistema de medicin, operando
bajo condiciones estables, es usado para obtener varias mediciones de una cierta
caracterstica. Si las mediciones estn todas cerca al valor master de la
caracterstica, entonces se dice que la calidad de los datos es alta. Igualmente, si
algunas o todas de las mediciones estn lejos del valor master, entonces se dice
que la calidad de los datos es baja.
Las propiedades estadsticas ms comnmente usadas para caracterizar la calidad
de los datos son el sesgo y varianza del sistema de medicin. La propiedad llamada
sesgo se refiere a la localizacin de los datos en relacin al valor de referencia
(master), y la propiedad llamada varianza se refiere a la dispersin de los datos.
Una de las razones ms comunes para datos de baja calidad es demasiada variacin.
Mucha de la variacin en un conjunto de mediciones, puede ser debida a la
interaccin entre el sistema de medicin y su medio ambiente. Por ejemplo, un
Captulo I Seccin A
sistema de medicin usado para medir el volumen de lquido en un tanque puede

ser sensible a la temperatura ambiental del medio ambiente en el cual es usado. En
tal caso, la variacin de los datos puede ser debida a cambios en el volumen o en la
temperatura ambiente. Esto hace la interpretacin de datos ms difcil y
consecuentemente el sistema de medicin menos deseable.
Si la interaccin genera demasiada variacin, entonces la calidad de los datos puede
ser muy baja y tal que los datos no sean tiles. Por ejemplo, un sistema de medicin
con una gran cantidad de variacin puede no ser apropiado para uso en el anlisis
de un proceso de manufactura porque la variacin del sistema de medicin puede
encubrir la variacin del proceso de manufactura. Mucho del trabajo de administrar
un sistema de medicin es dirigido al monitoreo y control de la variacin. Entre
otras cosas, esto significa que se requiere nfasis en aprender como los sistemas de
medicin interactan con su medio ambiente de forma tal que se generen solo datos
de calidad aceptable.
Propsito
El propsito de este documento es presentar los lineamientos para evaluar la
calidad de un sistema de medicin. Aunque los lineamientos son generales y
suficientes para ser usados en cualquier sistema de medicin, se pretende sean
usados principalmente para sistemas de medicin en el mundo industrial. No se
pretende que este documento sea un compendio de anlisis para todos los sistemas
de medicin. Su enfoque principal es en sistemas de medicin donde puedan
replicarse lecturas de cada parte. Muchos de los anlisis son tiles con otros tipos
de sistemas de medicin y el manual contiene referencias y sugerencias. Se
recomienda que sean consultadas fuentes estadsticas competentes para situaciones
ms complejas o inusuales no discutidas aqu. No se cubre en este manual la
aprobacin requerida por los clientes para mtodos de anlisis de sistemas de
medicin.
Terminologa
La discusin del anlisis de los sistemas de medicin puede ser confusa y ambigua
sino se establece un conjunto de trminos para referirse a propiedades estadsticas
comunes y elementos relativos a los sistemas de medicin. Esta seccin ofrece un
resumen de tales trminos que son usados en este manual.
En este documento, son usados los siguientes trminos:
Medicin es definida como la asignacin de nmeros [o valores] a cosas

materiales que representen relaciones entre ellas con respecto a
propiedades particulares. Esta definicin se ofreci primero por C.
Eisenhart (1963). El proceso de asignar nmeros es definido como
proceso de medicin, y el valor asignado es definido como valor de
medicin.
Captulo I Seccin A
Gage es cualquier dispositivo usado para obtener mediciones;

frecuentemente usado para referirse especficamente a dispositivos usados
en el piso de produccin; incluye dispositivos pasa / no pasa.
Sistema de Medicin es el conjunto de instrumentos o gages, patrones,

operaciones, mtodos, dispositivos, software, personal, medio ambiente y
supuestos usados para cuantificar una unidad de medida o preparar la
evaluacin de una caracterstica o propiedad a ser medida; el proceso
completo usado para obtener mediciones.
De estas definiciones se obtiene que un proceso de medicin puede ser visto como
un proceso de manufactura que produce nmeros (datos) para sus resultados. El ver
un sistema de medicin de esta manera es til porque nos permite traer todos los
conceptos, filosofa y herramientas que han sido ya demostradas ser tiles en el
rea de control estadstico de los procesos.
_____________________________________________________________________________________________
Resumen de Trminos1
Patrn/Estndar
Bases aceptadas para comparacin
Criterios para aceptacin
Valor conocido, dentro de lmites de incertidumbre establecidos y aceptado
como un valor verdadero
Valor de referencia
Un patrn debiera tener una definicin operacional: una definicin que produzca
los mismos resultados cuando se aplique por el proveedor o el cliente, con el
mismo significado ayer, hoy y maana.
Equipo Bsico
Discriminacin, facilidad de lectura, resolucin
9 Alias: unidad de lectura ms pequea, resolucin en las mediciones,
lmite de escala o lmite de deteccin
9 Propiedad inherente dispuesta por diseo
9 Escala de unidad de medicin ms pequea o resultado de un
instrumento
9 Siempre reportada como una unidad de medida
9 Regla emprica 10 a 1
Resolucin Efectiva
9 La sensibilidad del sistema de medicin con la variacin del proceso
para una aplicacin particular
1
Ver Captulo I, Seccin E para terminologa, definiciones y discusin.
Captulo I Seccin A
9 Entrada ms pequea generada de una seal de resultado y til de

medicin
9 Siempre reportada como una unidad de medicin
Valor de Referencia
9 Valor aceptado de un artefacto
9 Requiere una definicin operacional
9 Usado como el equivalente para un valor verdadero
Valor Verdadero
9 Valor actual de un artefacto.
9 Desconocido e irreconocible.
Variacin de la localizacin
Exactitud
9 Cercana con el valor verdadero o con un valor de referencia
aceptable
9 ASTM incluye el efecto en los errores de localizacin y amplitud
Sesgo
9 Diferencia entre el promedio de las mediciones observado y el valor de
referencia
9 Un componente de error sistemtico del sistema de medicin
Estabilidad
9 El cambio de sesgo en el tiempo
9 Un proceso estable de mediciones est en control estadstico con
respecto a la localizacin
9 Alias: cambio
Linealidad
9 El cambio de sesgo sobre el rango de operacin normal
9 La correlacin de errores de sesgo mltiples e independientes sobre el
rango de operacin
9 Un componente de error sistemtico del sistema de medicin
Captulo I Seccin A
Variacin de la amplitud
Precisin2
9 Cercana de lecturas repetidas una de otra

9 Un componente de error aleatorio del sistema de medicin
Repetibilidad
9 Variacin de las mediciones obtenidas con un instrumento de medicin
cuando se use varias veces por un usuario y midiendo la misma
caracterstica y sobre la misma parte
9 La variacin sobre intentos sucesivos (en el corto plazo) y bajo
condiciones de medicin definidas y establecidas
9 Comnmente referida como VE - Variacin del Equipo
9 Habilidad o potencial de un instrumento (gage)
9 Variacin dentro del sistema
Reproducibilidad
9 Variacin en el promedio de las mediciones hechas por diferentes
usuarios usando el mismo gage y midiendo una caracterstica de una
parte
9 Para la calificacin del producto y el proceso, el error puede ser el
usuario, el medio ambiente (tiempo) o el mtodo
9 Comnmente referido como VU - Variacin de los Evaluadores
9 Variacin (condiciones) entre sistemas
9 ASTM E456-96 incluye efectos de repetibilidad, laboratorios y medio
ambiente as como efectos de los evaluadores/usuarios
R&R de Gages o RRGs

9 Repetibilidad y reproducibilidad de gages: estimativo combinado de la
repetibilidad y reproducibilidad de un sistema de medicin
9 Capacidad de un sistema de medicin; dependiendo del mtodo usado,
pueden o no incluirse los efectos del tiempo
Habilidad de los Sistemas de Medicin

9 Estimativo en el corto plazo de la variacin de los sistemas de medicin
(ej., RRGs incluyendo grficas)
En documentos de ASTM, no existe el concepto de precisin de un sistema de medicin; ej., la precisin no puede
representarse por un slo nmero.
Captulo I Seccin A
Desempeo del Sistema de Medicin

9 Estimacin en el largo plazo de la variacin del sistema de medicin
(ej., mtodo de grficas de control de largo plazo)
Sensibilidad
9 La ms pequea entrada que resulte de una seal o resultado detectable
9 Respuesta de un sistema de medicin a cambios en la propiedad
medida
9 Determinada por el diseo (discriminacin) del gage, calidad inherente
(FEO-Fabricante de Equipo Original), mantenimiento en servicio y
condicin de operacin del instrumento y patrn
9 Siempre reportada como unidad de medida
Consistencia
LCS
Promedio
Rango
LCI
9 El grado del cambio de la repetibilidad en el tiempo

9 Un proceso de medicin consistente est en control estadstico con
respecto a la amplitud (variabilidad)
Uniformidad
9 El cambio en repetibilidad sobre un rango de operacin normal
9 Homogeneidad en la repetibilidad
Medic in1
Medic in N
Variacin de los Sistemas

La variacin de los sistemas de medicin puede caracterizarse
como
Habilidad
9 Variabilidad en las lecturas tomadas en un periodo de tiempo corto
Desempeo
9 Variabilidad en las lecturas tomadas sobre un periodo de tiempo largo
9 Basado en la variacin total
Incertidumbre
9 Un rango estimado de valores acerca del valor medido en el cual el
valor verdadero se crea est contenido
El sistema de
medicin debe ser
estable y consistente
Todas las caracterizaciones de la variacin total de un sistema de medicin

asumen que el sistema es estable y consistente. Por ejemplo, los
componentes de variacin pueden incluir cualquier combinacin de
artculos mostrados en I-B 1.
Captulo I Seccin A
Estndares, Patrones El Instituto Nacional de Patrones y Tecnologa (NIST) es el Instituto Principal y

Nacional de Mediciones (NMI) en los Estados Unidos ofreciendo servicios bajo el
y Rastreabilidad
departamento de comercio de EUA. NIST, previamente como Consejo Nacional de

Patrones (NBS), sirve como la ms alta autoridad de metrologa en EUA. La
responsabilidad Primaria de NIST es ofrecer servicios de medicin y mantener
patrones de medicin que ayuden a la industria en EUA a hacer las mediciones
rastreables y que ayuden finalmente en negociaciones de productos y servicios.
NIST ofrece estos servicios directamente a muchos tipos de industrias, pero
principalmente a aquellas industrias que requieran el ms alto nivel de exactitud en
sus productos y que incorporen mediciones-de-ltima-tecnologa en sus procesos.
Institutos Nacionales
de Mediciones
La mayora de los pases industrializados alrededor del mundo cuentan con su

propio NMI y un similar a un NIST, y stos ofrecen un alto nivel de normas de
metrologa o servicios de mediciones para sus respectivos pases. NIST trabaja y
colabora con estos otros NMIs para que las mediciones que se hagan en un pas no
difieran de aquellas hechas en otro. Esto se logra a travs de acuerdos de
reconocimiento mutuo (MRAs) y ejecutando comparaciones entre laboratorios
entre NMIs. Una cosa a notar es que las habilidades de estos NMIs varan de pas a
pas y no todos los tipos de mediciones son comparados sobre bases regulares, de
forma tal que pueden existir diferencias. Por sto es importante entender por quien
son rastreables las mediciones y que tan rastreables son.
Rastreabilidad
Es un importante concepto en la negociacin de bienes y servicios. Las mediciones

que son rastreables con los mismos patrones o similares acuerdan muy
estrechamente en comparacin con aquellos que no son rastreables. Esto ayuda a
reducir la necesidad de repetir pruebas, el rechazo de producto bueno y la
aceptacin de producto malo.
La rastreabilidad es definida por el Vocabulario Internacional de ISO de Trminos
Bsicos y Generales de Metrologa (VIM), como:
la propiedad de las mediciones o valores de un estndar o patrn, el cual puede
ser relacionado con referencias establecidas, usualmente patrones nacionales o
internacionales y a travs de una cadena ininterrumpida de comparaciones y
todas con incertidumbres establecidas.
La rastreabilidad de una medicin es tpicamente establecida a travs de una
cadena de comparaciones hacia un NMI. Sin embargo, en muchos casos en la
industria, la rastreabilidad de las mediciones puede ser ligada hasta un valor de
referencia acordado o un patrn de consenso entre un cliente y un proveedor. La
liga en la rastreabilidad de estos patrones de consenso con un NMI puede no
siempre ser clara y entendida, y finalmente es crtico que las mediciones sean
rastreables en un alcance que satisfaga a las necesidades del cliente. Con los
avances en la tecnologa de las mediciones y el uso de los sistemas de medicin de
ltima tecnologa en la industria, la definicin de dnde y cmo una medicin sea
rastreable es un concepto de evolucin permanente.
Captulo I Seccin A
Patrn
Nacional
Patrn
de Referencia
Patrn de
Longitud
de Onda
Comparador de
Interferencias
Medidor de
Bloque/Comparador de
Interferencias Lser Gages de Referencia
Patrn de Trabajo
MMC
Bloques de Gages
Gage para Produccin
Gages para
Dispositivos
Micrmetros
Figura I-A 1: Ejemplo de una Cadena de Rastreabilidad para una Medicin de una Longitud
Los NMIs trabajan estrechamente con diferentes laboratorios nacionales, proveedores
de gages, compaas fabricantes de ltima tecnologa, etc. Para asegurar que sus
patrones de referencia sena apropiadamente calibrados y directamente rastreables con
los patrones mantenidos por el NMI. Las organizaciones de gobierno y de industria
privadas usan entonces sus patrones para ofrecer calibraciones y servicios de
medicin a los laboratorios de metrologa o gages de sus clientes y calibracin de
patrones primarios u otros de trabajo. Esta liga o cadena de eventos determina
finalmente la forma en la cual se llega al piso de produccin y ofrece por tanto las
bases para la rastreabilidad de las mediciones. Las mediciones pueden conectarse
hasta NIST a travs de esta cadena ininterrumpida de mediciones y la cual se dice ser
rastreable con NIST.
No todas las organizaciones cuentan con laboratorios de metrologa o gages dentro de
sus instalaciones y dependen de laboratorios externos comerciales / independientes
para ofrecer rastreabilidad en los servicios de calibracin y mediciones. Reste es un
medio aceptable y apropiado de lograr rastreabilidad con NIST, siempre y cuando la
habilidad de los laboratorios comerciales / independientes pueda asegurarse a travs
de procesos, tales como acreditamiento de laboratorios.
Sistemas de
Calibracin
Un sistema de calibracin es un conjunto de operaciones que establecen, bajo

condiciones especificadas, la relacin entre un dispositivo de medicin y un estndar
patrn rastreable con un valor de referencia e incertidumbre conocidos. La
calibracin puede tambin incluir pasos para detectar, correlacionar, reportar
eliminar por ajuste alguna discrepancia en la exactitud del dispositivo de medicin
que se est comparando.
El sistema de calibracin determina la rastreabilidad en las mediciones de los
sistemas de medicin a travs del uso de mtodos y estndares patrones de
calibracin.
Rastreabilidad es la cadena de eventos de calibracin que se crean con estndares
patrones de calibracin de una capacidad metrolgica incertidumbre en las
mediciones apropiados. Cada evento de calibracin incluye todos los elementos
necesarios, incluyendo estndares patrones, equipo de medicin y prueba siendo
verificado, los mtodos y procedimientos de calibracin, los registros y personal
calificado.
10
Captulo I Seccin A
Una organizacin puede contar con un laboratorio de calibracin interno una

organizacin que controle y mantenga los elementos de los eventos de calibracin.
Estos laboratorios internos mantienen un alcance de sus laboratorios mismos y el
cual lista las calibraciones especficas que son capaces de ejecutar, as como el
equipo y mtodos/procedimientos usados para ejecutar dichas calibraciones.
El sistema de calibraciones es parte del sistema de administracin de calidad de una
organizacin y por tanto debiera estar incluido en los requerimientos de auditorias
internas.
Programas de Aseguramiento en las Mediciones (PAMs) pueden ser usados para
verificar la aceptacin de los procesos de medicin usados a travs de los sistemas de
calibracin. Generalmente los PAMs incluyen la verificacin de los resultados de
sistemas de medicin a travs de mediciones independientes y secundarias de la
misma propiedad parmetro. Mediciones independientes implica que la
rastreabilidad del proceso de medicin secundario se deriva de una cadena a parte de
eventos de calibracin de aquellos usados para la medicin inicial. Los PAMs
pueden incluir el uso del control estadstico de los procesos (SPC) para rastrear la
estabilidad de largo plazo de un proceso de medicin.
Nota: ANSI/NCSL Z540.3 e ISO 10012 cada una ofrecen modelos para muchos de
los elementos de un sistema de calibracin.
Cuando el evento de calibracin es ejecutado por un proveedor independiente,

externo comercial de servicios de calibracin, el sistema de calibracin del
proveedor de servicios mismo puede ( pudiera) estar verificado a travs del
acreditamiento en ISO/IEC 17025. Cuando algn laboratorio calificado no est
disponible para un cierto tipo de equipo, los servicios de calibracin pueden ser
ejecutados por el fabricante del equipo mismo.
Valor Verdadero
La META del proceso de medicin es el valor verdadero de la parte. Es deseable

que cualquier lectura individual est lo ms cerca (y econmicamente posible) con
este valor. Desafortunadamente, el valor verdadero nunca puede ser conocido con
certeza. Sin embargo, la incertidumbre puede minimizarse usando un valor de
referencia basado en la definicin operacional bien definida de una caracterstica, y
usando los resultados de un sistema de medicin con una discriminacin de alto
orden y rastreable con NIST. Debido a que el valor de referencia es usado como un
substituto del valor verdadero, estos trminos se usan comnmente y en forma
intercambiable. No se recomienda este uso.
11
Captulo I Seccin A
12
Captulo l Seccin B
El Proceso de Medicin
Seccin B
El Proceso de Medicin3
Sistemas de Medicin
A fin de administrar efectivamente la variacin de cualquier proceso se requiere
tener conocimiento de
Lo que el proceso debiera estar haciendo
Lo que puede estar mal
Lo que el proceso est haciendo
Los requerimientos de especificaciones e ingeniera definen lo que un proceso

debiera estar haciendo.
El propsito de un Anlisis de Modos y Efectos de Fallas de un Proceso4
(AMEFPs) es definir los riesgos asociados con fallas potenciales del proceso
mismo y proponer acciones correctivas antes de que estas fallas puedan ocurrir. El
resultado de un AMEFP es transferido a un plan de control.
Se adquiere o logra conocimiento de lo que el proceso est haciendo evaluando los
parmetros o resultados del proceso mismo. Esta actividad, a menudo llamada
como inspeccin, es la accin de examinar los parmetros de un proceso, las partes
en proceso, los subsistemas ensamblados o los productos completos con la ayuda
de patrones adecuados y dispositivos de medicin que permitan al observador
confirmar o negar la premisa de que el proceso est operando en forma estable y
con una variacin aceptable con respecto a la meta designada por el cliente. Sin
embargo esta actividad de examen es en s un proceso.
Proceso General
Entradas
Resultados
Operacin
Proceso de Medicin
Proceso
Administrativo
Mediciones
Anlisis
Decisin
Valor
Desafortunadamente, la industria ha visto tradicionalmente la actividad de anlisis y
mediciones como una caja negra el equipo ha sido el enfoque principal-la
caracterstica ms importante, loo ms caro de un gage. La utilidad de un
instrumento, su compatibilidad con el proceso y el medio ambiente y su facilidad de
uso fueron raramente cuestionados. Consecuentemente estos gages no fueron
usados apropiadamente o simplemente no eran usados.
Secciones de este captulo se adaptaron con el permiso de Anlisis de Sistemas de Medicin Un Tutorial por G.F.
Gruska y M.S. Heappy, La Tercer Generacin, 1978, 1998.
Ver Manual de Referencia de Anlisis de Modos y Efectos de Fallas Potenciales (AMEF) 4a Edicin.
13
Captulo l Seccin B
La actividad de mediciones y anlisis es un proceso - un proceso de medicin.

Alguna o todas las tcnicas de administracin, estadsticas y lgicas del control del
proceso pueden aplicarse a dicha actividad.
Esto significa que los clientes y sus necesidades deben primero ser definidas.
El cliente, dueo del proceso, quiere tomar decisiones correctas y con el
mnimo de esfuerzo. La administracin debe ofrecer recursos para compra de
equipo que sea necesario y suficiente para hacer esto. Aunque la compra de la
mejor o ms reciente tecnologa de medicin no necesariamente garantiza
correctas decisiones en el control del proceso de produccin.
El equipo es solo una parte del proceso de medicin. El dueo del proceso debe
saber como usar correctamente dicho equipo y como analizar e interpretar
resultados. La administracin debe tambin ofrecer claras definiciones
operacionales o patrones as como entrenamiento y soporte. El dueo del proceso
en turno tiene la obligacin de monitorear y controlar el proceso de medicin para
asegurar resultados estables y correctos y los cuales incluyan una perspectiva total
del anlisis de los sistemas de medicin el estudio del gage, procedimiento,
usuario y medio ambiente; ej., condiciones normales de operacin.
Propiedades
Estadsticas de los
Sistemas de Medicin
Un sistema de medicin ideal producira solo mediciones correctas cada vez que
se usara. Cada medicin acordara siempre con alguna norma estndar.5 Un
sistema de mediciones que pudiera producir mediciones como tales sera aquel que
tuviera propiedades estadsticas de varianza cero, sesgo cero y probabilidad cero
de clasificar incorrectamente cualquier producto medido. Desafortunadamente, los
sistemas de medicin con tales propiedades deseables raramente existen, y los
gerentes de procesos, generalmente son forzados a usar sistemas de medicin que
tienen menos propiedades estadsticas deseables. La calidad de un sistema de
medicin es generalmente determinada solo por propiedades estadsticas de los
datos que produce en el tiempo. Otras propiedades, tales como costo, facilidad de
uso, etc., son tambin importantes y contribuyen a un buen sistema de medicin
global. Aunque son las propiedades estadsticas de los datos producidos lo que
determina la calidad del sistema de medicin.
Las propiedades estadsticas que son ms importantes para un uso no son las ms
importantes para otro. Por ejemplo, para algunos usos de las mquinas de medicin
de coordenadas (MMC), las propiedades estadsticas ms importantes son sesgo y
varianza pequeos. Una MMC con dichas propiedades genera mediciones que
son cercanas a los valores certificados de patrones rastreables. Los datos
obtenidos de tal mquina pueden ser muy tiles para analizar un proceso de
manufactura. Aunque no importa lo pequeo del sesgo y la varianza que la
maquina MMC pueda tener, el sistema de medicin que use la MMC puede no ser
capaz de hacer un trabajo aceptable de discriminacin entre productos buenos y
malos debido a fuentes adicionales de variacin introducidas por otros elementos
del sistema de medicin mismo.
Para una discusin ms completa sobre el asunto de estndares normas, ver Out of the Crisis, W. Edwards Dreaming,
1982, 1986, p. 279-281.
14
Captulo l Seccin B
La administracin tiene la responsabilidad de identificar las propiedades

estadsticas ms importantes para el uso final de los datos. La administracin tiene
tambin la responsabilidad de asegurar que dichas propiedades sean usadas como
una base para la seleccin de un sistema de medicin. Para lograr esto, se requieren
las definiciones operacionales de las propiedades estadsticas, as como mtodos
aceptables de medicin de stas. Aunque cada sistema de medicin puede requerir
contar con diferentes propiedades estadsticas, existen ciertas propiedades
fundamentales que definen un buen sistema de medicin. Estas incluyen:
1) Discriminacin y sensibilidad adecuados. Los incrementos de medicin
debieran ser pequeos relativos a la variacin del proceso o lmites de
especificacin para propsitos de mediciones. La comnmente conocida como
regla 10 o regla 1 a 10, establece que la discriminacin del instrumento debiera
dividir la tolerancia (o variacin del proceso) en 10 partes o ms. Esta regla
emprica tiene la intencin de ser un punto mnimo inicial y prctico para
seleccin de gages.
2) El sistema de medicin debe estar en control estadstico.6 Esto significa que
bajo condiciones repetidas, la variacin en el sistema de medicin es debida
solo a causas comunes y no a causas especiales. Esto puede referirse como
estabilidad estadstica y es mejor evaluado por mtodos grficos.
3) Para control del producto, La variabilidad del sistema de medicin debe ser
pequea comparada con los lmites de especificacin. Evala el sistema de
medicin con respecto a las tolerancias de la caracterstica.
4) Para control del proceso, la variabilidad del sistema de medicin debe

demostrar una resolucin efectiva y ser pequeo comparado con la variacin
del proceso de manufactura. Evala el sistema de medicin con la variacin de
un proceso 6- sigma y/o la variacin total del estudio MSA.
Las propiedades estadsticas del sistema de medicin pueden cambiar
conforme los artculos a ser medidos varen. Si es as, entonces la variacin
ms grande (peor) del sistema de medicin es pequea en relacin a lo ms
pequeo de la variacin del proceso o de los lmites de especificacin.
Fuentes de Variacin Similar a todos los procesos, el sistema de medicin es impactado por fuentes de
variacin aleatorias y sistemticas. Estas fuentes de variacin son debidas a causas
comunes y especiales. A fin de controlar la variacin de un sistema de medicin:
1) Identifica las fuentes potenciales de variacin.
2) Elimina (cuando sea posible) o monitorea estas fuentes de variacin.
El analista de mediciones siempre debe considerar significancias prcticas y estadsticas.
15
Captulo l Seccin B
Aunque las causas especiales dependen de la situacin, pueden identificarse

algunas fuentes de variacin tpicas. Existen diferentes mtodos para presentar y
categorizar estas fuentes de variacin tales como diagramas de causas y efectos,
diagramas de rbol de falla, etc., aunque los lineamientos presentados aqu se
enfocan a elementos principales de un sistema de medicin.
P
P
I
P
M
Patrn
Pieza de Trabajo (ej., parte)
Instrumento
Persona/Procedimiento
Medio Ambiente
El acrnimo PPIPM7 es usado para representar los seis elementos esenciales de un

sistema de medicin en general para asegurar el logro de los objetivos requeridos.
P.P.I.P.M. significa Patrn, Pieza de Trabajo, Instrumento, Persona y
Procedimiento y Medio Ambiente. Este puede tomarse como un modelo de
errores para un sistema de medicin completo.8
Los factores que afectan estas seis reas necesitan ser entendidos de manera que
puedan ser controlados o eliminados.
La figura I-B 1 despliega un diagrama de causas y efectos que muestra algunas de

las fuentes de variacin potenciales. Dado que las fuentes actuales de variacin
que afecten un sistema de medicin son nicas a dicho sistema esta figura se
presenta como un punto inicial para desarrollar las fuentes de variacin de
un sistema de medicin.
Este acrnimo fue desarrollado inicialmente por Ms. Mary Hoskins, una metrologista asociada con Honeywell, el
laboratorio de metrologa Eli Whitney y Bendix Corporation.
Ver apndice F para un modelo alternativo de errores, P.I.S.M.O.E.A.
16
17
Instrumentos
(Gages)
Caractersticas
Interrelacionadas
mass
Variacin de
Construccin
Limpieza
Construccin
Deformacin
Elstica
Propiedades
Elsticas
Soportes Futuros
Decuacin de Datos
Tolerancia de
Construccin
Efectos de Deformaciones
Sensibilidad
camping
Localizacin
Puntos de Mediciones
Pruebas de Mediciones
Rastreabilidad
Calibracin
Propiedades Elsticas
Compatibilidad
Geomtrica
gente
Artificial
Reproducibilidad
Variabilidad
p.m.
Luz
Contaminacin
de Aire
Vibracin
Componentes
Temperatura
Repetibilidad
Variabilidad en los
Sistemas de
Medicin
Sol
Iluminacin
Ciclos
Estndar vs Ambiental
Experiencia
Educacional
Fsico
Entrenamiento
Limitaciones
Patrones Visuales
Igualacin Sistema de
Componentes
Consistencia
Uniformidad
Mantenimiento
Caida deAire
Contacto Geomtrico
Estabilidad
Validacin del Diseo

-
Geometra
Coeficiente de
Expansin Trmica
Expansin
Trmica
Amplificacin
Robustercer
Definicin Operacional
Estndar
Uso
Linealidad
Estabilidad
Calibracin
Diseo
Vas
Definicin
Operacional
Experiencia
Procedimiento
Habilidades
Entrenamiento
Estrs
Actitud
Ambiental
Ergonmicos
Personal
(Evaluador)
Entendimiento
Captulo l Seccin B
Figura I-B 1: Diagrama de Causas y Efectos de la Variabilidad de un Sistema de Medicin
Pieza de Trabajo
(Parte)
Captulo l Seccin B
Efectos de la Variabilidad de los Sistemas de Medicin

Debido a que un sistema de medicin puede ser afectado por varias fuentes de
variacin, lecturas repetidas sobre la misma parte no producen un mismo e idntico
resultado. Las lecturas varan una de otra debido a causas comunes y especiales.
Los efectos de las diferentes fuentes de variacin en un sistema de medicin
debieran evaluarse en periodos de tiempo cortos y largos. La capacidad de un
sistema de medicin es el error (aleatorio) del sistema de medicin mismo en un
periodo de tiempo corto. La combinacin de errores es cuantificada con la
linealidad, uniformidad, repetibilidad y reproducibilidad. El desempeo de un
sistema de medicin, as como el desempeo de un proceso, es el efecto de todas
las fuentes de variacin en el tiempo. Esto se logra determinando si nuestro proceso
est en control estadstico (ej., estable y consistente; variaciones debidas solo a
causas comunes), est sobre meta (sin sesgo) y tiene una variacin aceptable
(repetibilidad y reproducibilidad de gages) (RRGs)) sobre un rango de resultados
esperados. Esto incrementa la estabilidad y consistencia a la capacidad de un
sistema de medicin.
Debido a que los resultados de un sistema de medicin son usados
para toma de una decisin acerca del producto y el proceso, el efecto
acumulativo de todas las fuentes de variacin es a menudo error del
sistema de medicin, o algunas veces solo error.
Efectos en las
Decisiones
Despus de medir una parte, una de las decisiones que pueden tomarse es
determinar el status de dicha parte. Histricamente, se determinara si la parte fue
aceptable (dentro de especificaciones) o no aceptable (fuera de especificaciones).
Otro escenario comn es la clasificacin de partes en categoras especficas (ej.,
tamaos de pistones).
Para el resto de la discusin, y como un ejemplo, la situacin de las dos
categoras ser usada: fuera de especificacin (malo) y dentro de
especificaciones (bueno). Esto no restringe la aplicacin de la
discusin a otras actividades de categorizacin.
Otras clasificaciones adicionales pueden ser retrabajable, recuperable o

desperdicio. Bajo la filosofa de control del producto esta actividad de clasificacin
sera la razn principal para medir una parte. Aunque, con la filosofa de control
del proceso, El inters se orienta ya sea a la variacin de la parte debida a causas
comunes o a causas especiales del proceso.
Filosofa
Control del producto

Control del proceso
Inters
Est la parte en una categora

especfica?
Es la variacin del proceso estable y
aceptable?
Tabla I-B1: Filosofa de Control e Inters Gua
18
Captulo l Seccin B
La siguiente seccin trata de los efectos de los errores en las mediciones en la decisin de
un producto. Posterior a ello existe una seccin que aborda el impacto sobre decisiones
del proceso.
Efectos en las
Decisiones de
Productos
A fin de entender mejor el efecto de errores en los sistemas de medicin sobre las
decisiones del producto, considerar el caso donde toda la variabilidad en las lecturas
mltiples de una sola parte es debida a la repetibilidad y reproducibilidad del gage. Esto
es, el proceso de medicin est en control estadstico y tiene un sesgo de cero.
Puede tomarse a veces una mala decisin cuando alguna parte de la distribucin de la
medicin arriba indicada se traslape sobre un lmite de especificacin. Por ejemplo, una
parte buena puede algunas veces declararse mala (error tipo I, riesgo del productor o
falsa alarma) si:
y, una parte mala algunas veces puede declararse como buena (error tipo II), riesgo del
consumidor o proporcin perdida) si:
NOTA: Proporcin de Falsa Alarma + Proporcin de Perdida = Proporcin de

Error.
RIESGO es la probabilidad de tomar una decision que sera en detrimiento a un
individuo proceso
Esto es, con respecto a los lmites de especificacin, el potencial de tomar decisiones
equivocadas para una parte existe solo cuando el error de los sistemas de medicin
interfecta a los lmites de especificacin. Esto ofrece tres diferentes reas:
19
Captulo l Seccin B
LSL
USL
III
II
II
Meta
donde:
I
Partes malas siempre sern declaradas como malas
II
Potencial de tomar una decisin equivocada
III
Partes buenas siempre sern declaradas como buenas
Dado que el objetivo es maximizar las CORRECTAS decisiones relativas al status del
producto, existen dos opciones:
1) Mejorar el proceso de produccin: reducir la variabilidad del proceso de forma tal
que las partes no se fabriquen en las reas II.
2) Mejorar el sistema de medicin: reducir el error del sistema de medicin para reducir
el tamao de las reas II de tal forma que todas las partes que sean fabricadas caigan
dentro del rea III y por tanto minimicen el riesgo de tomar una mala decisin.
Esta discusin asume que el proceso de medicin est en control estadstico y en meta. Si
alguno de estos supuestos es violado entonces existe una pequea probabilidad de que un
valor observado conduzca a una correcta decisin.
Efecto en las
Decisiones del
Proceso
Con el proceso en control, las siguientes necesidades deben establecerse:
Control estadstico
En meta
Variabilidad aceptable
Como se explic en la seccin previa, el error en las mediciones puede generar

decisiones incorrectas acerca de un producto. El impacto en las decisiones del proceso
sera como sigue:
Llamar a una causa comn como una causa especial

Llamar a una causa especial como una causa comn
La variabilidad de los sistemas de medicin puede afectar las decisiones en relacin a la

estabilidad, meta y variacin de un proceso. La relacin bsica entre la variacin del
proceso actual y observada es:
20
Captulo l Seccin B
2obs = 2actual + 2msa

donde
2obs = varianza observada del proceso
2actual = varianza del proceso actual
2msa = varianza del sistema de medicin
El ndice de habilidad9 Cp es definido como
Cp =
Rango de Tolerancia
6
La relacin entre el ndice Cp del proceso observado y los ndices Cp del proceso actual y
el sistema de medicin se deriva sustituyendo en la ecuacin por Cp en la ecuacin de la
varianza observada de arriba:
(Cp)-2obs = (Cp)-2actual + (Cp)-2msa
Asumiendo que el sistema de medicin est en control estadstico y en meta, el Cp actual
del proceso puede compararse grficamente con el Cp observado.10
Por tanto la habilidad del proceso observada es una combinacin de la habilidad del
proceso actual ms la variacin debida al proceso de medicin. Para alcanzar un objetivo
de habilidad de un proceso especfico se requerira factorizar la variacin de las
variaciones.
Por ejemplo, si el ndice Cp del sistema de medicin fuera 2, el proceso actual requerira
un ndice de Cp mayor o igual que 1.79 a fin de lograr que el ndice calculado
(observado) sea 1.33. Si el ndice Cp del sistema de medicin fuera en s 1.33, el proceso
requerira no contar con variacin si el resultado final tuviera que ser 1.33 que es
claramente una situacin imposible.
9
10
Aunque esta discusin es usando Cp, los resultados se mantienen tambin para el ndice de desempeo Pp.
Ver apndice B para frmulas y grficas.
21
Captulo l Seccin B
Aceptacin de un Cuando un nuevo proceso tal como, maquinado, manufactura, estampado, manejo de
material, tratamiento trmico o ensamble es comprado, existe a menudo una serie de
Proceso Nuevo
pasos que tienen que completarse como parte de la actividad de compra misma. Esto
involucra a menudo algunos estudios hechos en el equipo en la localizacin del
proveedor y luego en la localizacin del cliente.
Si el sistema de medicin usado en cada localizacin no es consistente con el sistema de
medicin con el que el equipo ser usado y bajo circunstancias normales, entonces puede
generarse alguna confusin. La situacin ms comn que involucra el uso de
instrumentos diferentes es el caso donde el instrumento usado con el proveedor cuenta
con un orden de discriminacin mayor que el del instrumento de produccin (gage). Por
ejemplo, las partes medidas con una maquina de coordenadas durante la compra y luego
con un gage de alturas durante la produccin; las muestras medidas (ponderadas) en una
escala electrnica o en una escala de laboratorio mecnica durante la compra y luego
sobre una escala mecnica simple durante la produccin.
En el caso donde el sistema de medicin (de orden mayor) usado durante la compra
cuente con un RRG de 10% y el Cp actual del proceso sea de 2.0, el Cp observado del
proceso durante la compra ser de 1.96.11
Cuando este proceso es estudiado en la produccin y con el gage de produccin, se

observar una mayor variacin (ej., un Cp ms pequeo). Por ejemplo, si el RRG del
gage de produccin es del 30% y el Cp del proceso actual es todava 2.0 entonces el Cp
del proceso observado ser de 1.71.
El peor escenario ser que el gage de produccin no est calificado pero sea usado. Si el
RRG del sistema de medicin es actualmente del 60% (aunque tal hecho no sea conocido)
entonces el Cp observado sera de 1.28. La diferencia en el Cp observado de 1.96 versus
1.28 es debida al sistema de medicin diferente. Sin este conocimiento puede haber
esfuerzos en vano en buscar ver lo que est mal del nuevo proceso.
11
Para esta discusin, asuma que no existe variacin en el muestreo. En la realidad 1.96 ser el valor esperado aunque los
resultados actuales varien alrededor de este valor.
22
Captulo l Seccin B
Ajuste / Control del

Proceso
(Experimento del
Embudo)
Con frecuencia las operaciones de manufactura utilizan una pieza en el comienzo

del da para verificar que el proceso est sobre meta. Si la pieza medida est fuera
de meta, el proceso es entonces ajustado. Ms tarde y el algunos casos otra pieza es
medida y otra vez el proceso puede ajustarse. El Dr. Deming se refiere a este tipo
de mediciones y toma de decisiones como titubeo.
Considerar la situacin donde el peso del acabado de un metal precioso sobre una
pieza esta siendo controlado sobre una meta de 5.00 gr. Suponer que los resultados
de la escala usados para determinar el peso varan en +0.20 gr pero esto no se sabe
dado que nunca fue hecho el anlisis del sistema de medicin. Las instrucciones de
operacin requieren que el operador verifique el peso y haga ajustes cada hora en
base a una muestra. Si los resultados estn fuera del intervalo de 4.90 a 5.10 gr
entonces el operador ajusta el proceso otra vez.
En el ajuste, suponer que el proceso est operando a 4.95 gr pero por el error en las
mediciones el operador observa 4.85 gr. De acuerdo a las instrucciones del
operador ste debe intentar ajustar el proceso hacia arriba por 0.15 gr. Ahora el
proceso est corriendo en 5.10 gr para una meta. Cuando el operador cheque el
ajuste sta vez, observa 5.08 gr. de manera que permita al proceso trabajar. El
sobreajuste del proceso a agregado variacin y continuar hacindolo as.
Este es un ejemplo del experimento de embudo que el Dr. Deming us para
describir los efectos del titubeo.12 El error en las mediciones complica el problema.
Cuatro reglas del experimento de embudo son:
Regla 1: No hacer ajustes o tomar acciones a menos que el proceso est inestable.
Regla 2: Ajustar el proceso en una cantidad igual y en una direccin opuesta de
donde el proceso fue medido al ltimo.
Regla 3: Restablecer el proceso hacia la meta. Luego ajustar el proceso en una
cantidad igual y en una direccin opuesta de la meta.
Regla 4: Ajustar el proceso al punto de la ltima medicin.
Las instrucciones de ajuste para procesos de metales preciosos es un ejemplo de la
regla 3. Las reglas 2,3 y 4 agregan mayor variacin en forma progresiva. La regla 1
es la mejor opcin para provocar una variacin mnima.
12
Deming, W. Edwards, Out of the Crisis, Massachussets of Technology, 1982, 1986.
23
Captulo l Seccin B
Otros ejemplos del experimento de embudo son:
Recalibracin de gages en base a lmites arbitrarios ej., los lmites no reflejan

la variabilidad del sistema de medicin (regla 3).
Restablecimiento de un patrn para el sistema de medicin del control del

proceso despus de un nmero arbitrario de usos sin alguna indicacin o
historia de algn cambio (causa especial) (regla 3).
Autocompensaciones que ajustan al proceso en base a las ltimas partes

fabricadas (regla 2).
En el entrenamiento del trabajo donde el operador A entrena al operador B y

quien ms tarde entrena al operador C... sin material de entrenamiento estndar.
Similar al juego del telfono descompuesto (regla 4).
Las partes son medidas, y se encuentran fuera de meta, aunque al graficarse

sobre la grfica de control el proceso se muestra estable luego entonces no se
toma ninguna accin (Regla 1).
24
Captulo l Seccin C
Planeacin y Estrategia de las Mediciones
Seccin C
La planeacin es clave antes de disear o comprar un equipo o sistemas de
medicin. Muchas decisiones hechas durante la etapa de planeacin pudieran
afectar la direccin y seleccin de un equipo de medicin. Cul es el propsito y
cmo ser usado el resultado de una medicin?. La etapa de planeacin
establecer el curso y tiene un efecto significativo en qu tan bien el proceso de
medicin opere y puede reducir posibles problemas y errores de medicin en el
futuro.
En algunos casos y debido al riesgo involucrado en los componentes a
ser medidos o por el costo y complejidad del dispositivo de medicin el
cliente del FEO (Fabricante de Equipo Original) puede usar el proceso
APQP y decidir una estrategia de medicin con el proveedor.
No todas las caractersticas del producto y proceso requieren sistemas de

medicin y cuyo desarrollo cae en este tipo de escrutinio. Herramientas simples
de medicin estndar como micrmetro o calibradores pueden no requerir sta
estrategia de planeacin a profundidad. Una regla emprica bsica es si la
caracterstica a medir en el componente o subsistema ha sido identificada en el
plan de control o es importante en la determinacin de la aceptacin del producto
o proceso. Otra gua sera el nivel de tolerancia asignado a una dimensin
especfica. Sentido comn es la gua en cualquier caso.
Complejidad
El tipo, complejidad y propsito de un sistema de medicin puede conducir a

diferentes niveles de administracin de un programa, planeacin estratgica,
anlisis de sistemas de medicin u otra consideracin especial para la seleccin,
evaluacin y control de las mediciones. Instrumentos y dispositivos simples de
medicin (ej., reglas, cintas para medir, gages de atributos o lmites ajustados)
pueden no requerir el nivel de administracin, planeacin o anlisis que
demanden otros sistemas de medicin complejos o crticos (ej., masters de
referencia, mquinas de coordenadas, stands de prueba, sistemas de gages en
lnea y automatizados, etc.). Cualquier sistema de medicin puede requerir
mayor o menor planeacin estratgica y el escrutinio depende de la situacin de
un producto o proceso dado. La decisin del nivel apropiado debe recaer en el
equipo APQP para el proceso de medicin y los clientes. El grado actual de
involucramiento o implementacin en muchas de las actividades abajo indicadas
debiera ser dirigido por el sistema de medicin particular, las consideraciones
para el control de gages y el sistema de calibracin de soporte, la profundidad en
el conocimiento del proceso y el sentido comn.
25
Captulo l Seccin B
Identificacin del
Propsito de un
Proceso de Medicin
El primer paso es establecer el propsito de las mediciones y cmo sern

utilizadas. Un equipo multifuncional organizado en las etapas iniciales del
desarrollo del proceso de medicin es crtico en el logro de esta tarea. Se hacen
consideraciones especficas en relacin a auditorias, control del proceso, desarrollo
del producto y el proceso y anlisis del Ciclo de Vida de las Mediciones.
Ciclo de Vida de las

Mediciones
El concepto de Ciclo de Vida de las Mediciones expresa la creencia de que los

mtodos de medicin pueden cambiar en el tiempo conforme uno aprende y mejora
el proceso. Por ejemplo, la medicin puede iniciar en la caracterstica de un
producto para establecer estabilidad y habilidad del proceso. Esto puede conducir
al entendimiento de caractersticas crticas para el control del proceso que
directamente afecten las caractersticas de una parte. La dependencia en la
informacin de la caracterstica de una parte llega a ser menor y el plan de
muestreo puede reducirse para dar significado a este entendimiento (de 5 parte por
hora a una parte por turno). Tambin, el mtodo de medicin puede cambiar en la
medicin de una mquina de coordenadas a una forma de gage por atributos.
Eventualmente puede encontrarse que una pequea parte del monitoreo puede
requerirse siempre y cuando el proceso se mantenga o la medicin y monitoreo del
mantenimiento y el herramental pueda ser todo lo que se necesite. Al nivel de
mediciones le siguen el nivel de entendimiento del proceso.
La mayora de las mediciones y monitoreos pudieran terminar eventualmente con
los proveedores de los materiales de recibo. La misma medicin, sobre la misma
caracterstica, en la misma rea del proceso y sobre un periodo extenso de tiempo
es evidencia de una falta de aprendizaje o un proceso de medicin estancado.
Criterios para
seleccin del Diseo
de un Proceso de
Medicin
Antes de que un sistema de medicin pueda ser comprado, un detallado concepto

de ingeniera del proceso de medicin es desarrollado. Usando el propsito arriba
desarrollado, un equipo multifuncional de individuos desarrollar un plan y
concepto para el sistema de medicin requerido para el diseo. Aqu se presentan
algunos lineamientos:
El equipo necesita evaluar el diseo del subsistema o componente e identificar
caractersticas importantes. Estas se basan en los requerimientos de los clientes y la
funcionalidad del subsistema o componente del sistema total. Si las dimensiones
importantes ya han sido identificadas, evaluar la capacidad para medir dichas
caractersticas. Por ejemplo, si la caracterstica importante de un componente
plstico moldeado por inyeccin estuviera en una lnea de moldeo de partes, el
chequeo dimensional sera difcil y la variacin de las mediciones alta.
Un mtodo para capturar aspectos clave similares a stos sera el uso de AMEFPs
para analizar reas de riesgos en el diseo de gages, tanto de su habilidad para
medir la parte como el gage de funcionalidad (AMEFDs y AMEFPs). Esto
ayudara en el desarrollo de planes de mantenimiento y calibracin.
Desarrolla un diagrame de flujo que muestre los pasos crticos del proceso en la
manufactura o ensamble de la parte o subsistema. Identifica las entradas y salidas
clave de cada paso en el proceso. Esto ayudara en el desarrollo de los criterios y
requerimientos del equipo de medicin afectados por la localizacin en el proceso.
26
Captulo l Seccin C
Un plan de mediciones y una lista de tipos de mediciones se obtendra de esta

investigacin.13
Para sistemas de medicin complejos, se hace un diagrama de flujo del proceso
de medicin mismo. Esto incluira el envo de la parte o subsistema a ser medido,
la medicin en s y el regreso de la parte o subsistema al proceso.
Luego utiliza algn mtodo de tormenta de ideas con el grupo para desarrollar
criterios generales para cada medicin requerida. Uno de los mtodos simples a
usar es el diagrama de causas y efectos.14 Ver el ejemplo en figura 2 como un
punto inicial de pensamiento.
Algunas preguntas adicionales a considerar en relacin a la

planeacin de las mediciones:
Quin debe estar involucrado en el anlisis de las necesidades? el

diagrama de flujo y la discusin inicial facilitarn la identificacin de los
individuos clave.
Por qu debe tomarse la medicin y cmo ser utilizada? Los datos

debern usados para control, clasificacin, calificacin, etc.? La forma en
que las mediciones sern usadas puede cambiar el nivel de sensibilidad del
sistema de medicin mismo.
Qu nivel de sensibilidad se requiere? Cul es la especificacin del

producto? Cul es la variabilidad esperada del proceso? Qu tanta
diferencia entre las partes necesitar detectar el gage?
Qu tipo de informacin ser ofrecida con el gage (ej., manuales

operacin, mantenimiento, etc.) y qu habilidades bsicas del operador son
requeridas? Quin realizar el entrenamiento?
Cmo son tomadas las mediciones? Sern hechas en forma manual, sobre
un transportador en movimiento, fuera de lnea, en forma automtica, etc.?
La localizacin de las partes y los posibles dispositivos son fuentes de
variacin? Es con o sin contacto?
Cmo sern calibradas las verificaciones y stas sern comparadas con

otros procesos de medicin? Quin ser responsable por los patrones de
calibracin?
Cundo y dnde sern tomadas las mediciones? La parte estar limpia,

con aceite, caliente, etc.?
Recordar el uso de datos para sustentar supuestos comunes acerca del

proceso de medicin. Es mejor estar seguros y recolectar datos del medio
ambiente, ms que tomar decisiones en base a informacin equivocada y
tener un sistema desarrollado que no sea robusto en aspectos clave
ambientales.
13
14
Esto puede considerarse en un plan de control preliminar.

Ver Gua para el Control de Calidad, Kaoru Ishikawa, publicado por la organizacin asitica de productividad, 1986.
27
Captulo l Seccin B
Investigacin de
Varios Mtodos de
Procesos de
Medicin
Los mtodos de medicin actuales debieran investigarse previo a la inversin en

nuevo equipo. Los mtodos de medicin probados pueden ofrecer una operacin
ms confiable. Cuando sea posible, usa equipo de medicin que cuente con
registros de rastreo probados.
Diseo y Desarrollo
de Conceptos y
Propuestas
Hacer referencia a elementos sugeridos para un checklist de desarrollo de un

sistema de medicin al final del captulo I, seccin D, cuando se desarrollen y
diseen conceptos y propuestas.
Durante y despus de la fabricacin del equipo de medicin y el desarrollo del
proceso de medicin (mtodos, entrenamiento, documentacin, etc.) sern
realizados estudios experimentales y recoleccin de datos. Estos estudios y datos
sern usados para entender este proceso de medicin de forma tal que dicho
proceso y procesos futuros puedan mejorarse.
28
Captulo l Seccin D
Desarrollo de las Fuentes de Medicin
Seccin D
Introduccin
PROCESO DE
MEDICIN
ENTRADAS
SALIDAS
Esta seccin aborda el esquema de tiempo para cotizaciones / suministros de la

vida de un proceso de medicin se ha desarrollado para que sea una discusin
acerca del procesos de desarrollar un paquete de cotizacin del proceso de
medicin, obteniendo respuestas a dicho paquete, otorgando el proyecto,
completando el diseo final, desarrollando el proceso de mejoramiento y,
finalmente, casando el proceso de medicin con el proceso de produccin para el
cual fue creado. Se recomienda fuertemente que este capitulo no sea usado sin la
lectura y entendimiento de la discusin completa acerca de los procesos de
medicin. Para obtener el mximo beneficio de un proceso de medicin, estudiarlo
y abordarlo como si fuera un proceso con entradas y salidas.15
Este captulo fue escrito con la filosofa de equipo en mente. No es una
descripcin de trabajo para el comprador o agente de compras. Las actividades
descritas aqu requieren del involucramiento de un equipo para completarse
exitosamente y debiera ser administrado dentro del esquema global de un equipo
de Planeaciones Avanzadas de Calidad de Productos (APQPs). Esto puede resultar
en un saludable juego entre varias funciones de equipos conceptos que se
deriven del proceso de planeacin pueden modificarse antes de que el proveedor
de gages llegue al diseo final que satisfaga los requerimientos del sistema de
medicin.
Generalmente, el proceso de adquisicin comienza con la comunicacin formal
entre el cliente y el proveedor para un proyecto dado. La comunicacin anticipada
es crucial para el xito del proyecto. Dado que el trabajo bsico y necesario para
una efectiva y futura relacin se hace en esta etapa. El proceso de adquisicin
comienza con la presentacin formal del cliente del intento del proyecto en forma
de una Solicitud Para Cotizacin (SPC) seguida por la explicacin formal del
proveedor de su propuesta para cumplir con este intento (Cotizacin). El cliente y
proveedores necesitan entender totalmente los requerimientos del proyecto, lo que
se tiene que entregar y los mtodos con los cuales debe lograrse. Este
entendimiento se deriva de la comunicacin oportuna y precisa entre las dos
partes.
Una vez que se ha acordado un concepto y se ha establecido una relacin cliente /

proveedor para el proyecto en puerta, las actividades de diseo en detalle,
fabricacin del proceso de medicin y desarrollo pueden empezar. La
comunicacin entre el cliente y el proveedor en este punto es especialmente
importante. Dado que puede haber varios niveles de aprobaciones de conceptos a
realizarse, y posibles cambios ambientales as como el potencial de cambio de los
miembros del equipo, el proyecto del proceso de medicin pudiera ser titubeante a
an fallar. Este riesgo se reduce si se mantiene una comunicacin detallada y
frecuente y documentada entre el cliente y el proveedor y se designa la
responsabilidad formal (un individuo)por ambas partes para mantener
comunicacin. El foro y formato ideal para esta actividad es el proceso APQP.
15
Ver Captulo I, Seccin B
29
Captulo l Seccin D
Despus de que el proceso de medicin ha sido diseado conceptualmente, las

actividades alrededor de la adquisicin del proceso / sistema pueden empezar.
Coordinacin de
Datos (Datum)
Idealmente con la prevalencia actual en el uso de Tolerancias y Dimensionamiento

Geomtrico (GD&T) los datos necesitan ser coordinados (ej., hacerse idnticos) a
lo largo del proceso de manufactura y el sistema de medicin, y esto necesita
establecerse muy anticipadamente en el proceso de APQP. La responsabilidad
inicial para esto puede dejarse en el ingeniero de diseo del producto, en el control
dimensional, etc. dependiendo de la organizacin especfica. Cuando los esquemas
de datos no cuadren a lo largo del proceso de manufactura, particularmente en los
sistemas de medicin, pueden medirse cosas equivocadas, puede haber problemas
de ajuste, etc., conduciendo a un control inefectivo del proceso de manufactura.
Puede haber ocasiones en que un esquema de datos usado en un ensamble final no
pueda cuadrar posiblemente con el usado en un proceso de manufactura de un
subcomponente. Cuando tal sea el caso, esto puede determinarse lo antes posible
en el proceso APQP, de forma tal que los miembros del equipo entiendan posibles
dificultades y conflictos que puedan aparecer adelante y cuenten con oportunidades
para hacer algo al respecto. Durante este proceso, diferentes esquemas de datos
pueden necesitar ser explorados a fin de entender el impacto de las diferencias.
Ciertas mercancas presentan propiedades que pueden producir ms problemas que
otras, tal como, el centrado de un rbol de levas o alguna otra caracterstica de
redondeo, cilndrica o tubular. Por ejemplo, un rbol de levas debe ser
manufacturado sobre centros pero las propiedades importantes del producto estn
en sus lbulos. Un mtodo o esquema de datos puede requerirse para la
manufactura mientras que otro esquema es requerido para la medicin de un
producto final.
30
Captulo l Seccin D
Prerrequisitos y
Supuestos
Es
an
ea
r
r
ce
Ha
tud
io
r
tua
Pl
Ac
Antes de discutir el desarrollo con el proveedor del gage, se asume que aspectos
crticos tales como, diseo (GD&T) de ingeniera del producto correcto y el
diseo del proceso correcto (aquel que permita las mediciones en el tiempo y
localizacin en el proceso apropiados) se hallan resuelto. Sin embargo sto no
debiera demeritar la consideracin de stos aspectos crticos con los miembros
del equipo apropiados y en forma anticipada en el proceso APQP.
Se asume que el proveedor del gage ser involucrado en el proceso APQP con el
enfoque de equipo. El proveedor de gages desarrollar una clara apreciacin del
proceso de produccin global y el uso del producto de manera que se rol es
entender no solo por l sino por otros en el quipo (manufactura, calidad,
ingeniera, etc.).
Existe un pequeo traslape en algunas actividades o en el orden de estas
actividades dependiendo del programa / proyecto particular u otras restricciones.
Por ejemplo, el equipo de APQP sin muchas entradas de una fuente de gages
puede desarrollar ciertos conceptos de gages. Otros conceptos pueden requerir la
pericia de la fuente de gages. Esto puede ser dirigido por la complejidad del
sistema de medicin y una decisin del equipo acerca de lo que hace sentido.
Proceso de Seleccin de Fuentes de Gages
Desarrollo del Paquete de Cotizacin

Concepto de
Ingeniera Detallado
Antes de que el paquete de solicitud para cotizacin de un proceso de medicin

pueda ser suministrado al proveedor potencial para propuestas formales, necesita
desarrollarse un concepto de ingeniera detallado del proceso de medicin
mismo. El equipo de individuos que se emplee y sea responsable por el
mantenimiento y mejoramiento continuo del proceso de medicin tiene
responsabilidades directas para desarrollar el concepto detallado. Esto puede ser
parte del equipo de APQP. Para desarrollar mejor este concepto, necesitan
responderse varias preguntas.
El equipo puede investigar varios aspectos crticos para ayudar a decidir que
direccin o camino ser seguido para el diseo del proceso de medicin. Algunos
pueden ser dictados o pesadamente implicados por el diseo del producto.
Ejemplos de multitudes de posibles aspectos crticos que necesiten ser abordados
por el equipo cuando se desarrolle un concepto detallado pueden encontrarse en
los Elementos Sugeridos por el Checklist del Desarrollo de un Sistema de
Mediciones al final de esta seccin.
31
Captulo l Seccin D
Todos los clientes a menudo confan fuertemente en proveedores para

soluciones. Antes de que un cliente aun proveedor sugiera soluciones
para problemas del proceso, los fundamentos e intento del proceso
necesitan ser totalmente entendidos y anticipados por el equipo que sea
dueo del proceso. Luego entonces el proceso es propiamente usado,
apoyado y mejorado.
Consideraciones de
Mantenimiento
Preventivo
Qu actividades debieran programarse para el mantenimiento preventivo (ej.,

lubricacin, anlisis de vibraciones, integridad del medio de prueba, reemplazo de
partes, etc.)?. Muchas de estas actividades dependen de la complejidad del sistema
de medicin y el dispositivo o aparato. Gages simples pueden solo requerir una
inspeccin en intervalos regulares, mientras que sistemas ms complejos pueden
requerir anlisis estadsticos detallados y continuos y un equipo de ingenieros para
mantenerlos en un estado predictivo.
Las actividades del mantenimiento preventivo planeado debieran coincidir con la
iniciacin de la planeacin del proceso de medicin. Muchas actividades tales
como drenado de filtros de aire diariamente, lubricado de piezas despus de un
nmero designado de horas de operacin, etc., pueden planearse antes de que el
sistema de medicin se construya totalmente, y se desarrolle e implemente. De
hecho esto se prefiere y mejora la planeacin anticipada y los costos en las
mediciones. Los mtodos de recoleccin de datos y recomendaciones para
mantenimiento relacionadas con estas actividades pueden obtenerse del fabricante
original o desarrolladas por personal de ingeniera de planta, manufactura y
calidad. Despus de que el proceso de medicin es implementado y puesto en uso,
los datos que pertenezcan a la funcin del proceso de medicin necesitan ser
recolectados y graficados en el tiempo. Mtodos analticos simples (grficas de
corridas y anlisis de tendencias) pueden realizarse para determinar la estabilidad
del sistema. Eventualmente, conforme el juicio de la estabilidad del sistema lo
dicte, pueden programarse rutinas de mantenimiento preventivo. La conduccin
del mantenimiento preventivo sobre un sistema estable, y en base a informacin de
series de tiempo, ser de menos desperdicio que la conduccin del mantenimiento
preventivo sobre un sistema con tcnicas tradicionales.
Especificaciones
Las especificaciones sirven como lineamiento pare el cliente y el proveedor en el

diseo y construccin de un proceso. Estos lineamientos sirven para comunicar
estndares aceptables. Los estndares o patrones aceptables pueden considerarse
en dos categoras.
Estndares de diseo
Estndares construidos
El formato de los estndares de diseo puede ser diferente dependiendo de quien

est pagando el proyecto. Aspectos clave de costos pueden afectar el formato.
32
Captulo l Seccin D
Generalmente es una buena idea contar con un diseo documentado y en detalle

suficiente de manera que el diseo mismo pueda ser construido o reparado para su
intento original por cualquier constructor calificado sin embargo, esta decisin
puede ser dirigida por costo y criticalidad. El formato requerido del diseo final
puede estar en forma de CAD o dibujos de ingeniera en papel. Puede involucrar
normas de ingeniera seleccionadas de FEOs, SAE, ASTM u otra organizacin, y el
proveedor de gages debe tener acceso al ms reciente nivel y entender estas
normas. Los FEOs pueden requerir el uso de normas particulares en las fases de
diseo o construccin y pueden an requerir aprobaciones formales antes de que el
sistema de medicin pueda ser liberado para su uso.
Las normas de diseo detallarn el mtodo de comunicar el diseo mismo (CAD
ej., CATIA, Unigrafics, IGES, copia manual, etc.) para el fabricante. Puede
tambin cubrir normas de desempeo para un sistema de medicin ms complejo.
Las normas o estndares construidos cubren tolerancias en las cuales el sistema de
medicin debe ser construido. Las tolerancias de construccin deben basarse en la
combinacin de las habilidades del proceso usado para fabricar el gage o
componente del gage y la criticalidad de la medicin esperada. La tolerancia
construida no debe ser ofrecida solo como un porcentaje de la tolerancia del
producto mismo.
Si se requieren dispositivos o sistemas por duplicado, una apropiada
planeacin y estandarizacin pueden conducir a la intercambiabilidad y
flexibilidad.
El uso de componentes o subensambles estandarizados tambin conduce a

intercambiabilidad, flexibilidad, reduccin de costos y, generalmente amenos
errores en las mediciones de largo plazo.
Conforme se reciban las cotizaciones, el equipo debe integrarse para revisarlas y
evaluarlas. Ciertos puntos pueden hacerse notar:
Evaluacin de
Cotizaciones
C
O
N
C
E
P
T
O
C
O
T
I
Z
A
C
I
O
N
9 Se cumplen los requerimientos bsicos?

9 Existen algunos aspectos sobresalientes?
9 Alguno de los proveedores exhiben una condicin excepcional y por qu?
(una condicin excepcional pudiera ser una disparidad significativa con
respecto al precio o envo esto no necesariamente sera descontado como un
factor negativo un proveedor pudo haber detectado un artculo de otros no
previsto).
9 Los conceptos promueven simplicidad y facilidad de mantenimiento?
APROBACIN
33
Captulo l Seccin D
La documentacin es algunas veces no-tomada en cuenta cuando se adquiere un

proceso de medicin. La significancia que toma la documentacin con respecto a
cualquier proyecto es a menudo mal entendida. La estrategia usual atrs de la
documentacin es ofrecer un conjunto original de diseos mecnicos y elctricos
(CAD o dibujos en papel) para el hardware del proceso de medicin en el tiempo
del envo. Esto puede satisfacer los requerimientos iniciales de implementacin,
aunque esta documentacin no hace nada con respecto a definir puntos potenciales
para el montaje, sugerir posibles reas problemticas o describir como usar el
proceso. Por tanto, la documentacin requerida para cualquier proceso debe incluir
ms que el ensamble y dibujos detallados del equipo de medicin.
La documentacin efectiva de cualquier sistema sirve para el mismo propsito que
un buen mapa en un viaje. Por ejemplo, sugiere al usuario cmo llegar de un punto
a otro (instrucciones del usuario o gage). Ofrece al usuario rutas alternativas
posibles para alcanzar los puntos de destino deseados (guas de solucin de
problemas o rboles de diagnstico) si la ruta principal es bloqueada o cerrada.
Un paquete completo de documentacin puede incluir:
Conjunto reproducible de dibujos de ensamble y mecnicos detallados (CAD

o copia en papel) (incluyendo cualquier master requerido).
Conjunto reproducible del cableado elctrico, lgica y software.
Lista de refacciones sugeridas de uso pesado o de puntos / detalles de

desgaste. Esta lista debiera incluir puntos que pueden requerir tiempos de
anticipacin considerables para adquisicin.
Manuales de mantenimiento con dibujos de los equipos y los pasos para

ensamblar y desensamblar adecuadamente los componentes del equipo
mismo.
Manuales definiendo los requerimientos de servicios para ajuste, puesta a

punto y operacin y requerimientos de transporte del equipo.
Guas de rboles de diagnstico y solucin de problemas.
Reportes de certificacin (rastreabilidad con NIST cuando aplique).
Instrucciones de calibracin.
Manuales del usuario que puedan ser usados por el personal de soporte
tcnico, el operador del sistema y el personal de mantenimiento.
La lista anterior puede ser usada como un cheklist al organizar un paquete de

cotizacin; sin embargo no necesariamente incluye todo.
El tema central aqu es comunicacin. Dado que la documentacin es una forma de
comunicacin, el equipo y otros deben estar involucrados en cada nivel del
desarrollo del paquete de documentacin del proceso de medicin.
34
Captulo l Seccin D
Calificacin con el
Proveedor
El gage o sistema de medicin debiera ofrecer un layout dimensional y pruebas de

funcionalidad completas, cuando aplique, con el proveedor del sistema de
medicin antes del envo. Obviamente, el proveedor seleccionado debe contar con
equipo de medicin y personal calificado en planta a fin de lograr esto. Si no,
debieran hacerse prearreglos para que se haga este trabajo en un laboratorio
independiente y externo calificado. Los resultados de tal layout dimensional y/o de
pruebas debieran obtenerse de acuerdo con el diseo del cliente y los estndares
construidos y ser completamente documentados y disponibles para revisin por el
cliente.
Despus de un exitoso layout dimensional, el proveedor debiera ejecutar un
anlisis del sistema de medicin preliminar y formal. Esto otra vez requiere
nuevamente que el proveedor cuente con personal, conocimientos y experiencia
para lograr los anlisis apropiados. El cliente debiera predeterminar con el
proveedor (y quizs con el FEO) exactamente que tipo de anlisis se requiere en
este punto y debiera estar conciente de algn lineamiento que se requiera para el
proveedor. Algunos aspectos clave que puedan requerir discusin, negociacin o
acuerdo comn son:
Objetivo del estudio MSA preliminar:

9
9
9
Cantidad de piezas, intentos y operadores en estudio

9
Envos
Criterios de aceptacin
Uso de personal del proveedor versus personal suministrado por el cliente
Entrenamiento necesario para el personal

9 Est calificado?
9 Entiende la intencin?
9 Qu software pudiera utilizarse? Cualquier resultado que se logre en
este punto en el tiempo, debiera hacerse notar que este es meramente
preliminar y puede ser necesario un juicio para la aceptabilidad de los
resultados.
CHECKLIST
16
Repetibilidad del Gage (RG16) versus repetibilidad y reproducibilidad

(RRG)
Evaluacin del sesgo y/o linealidad
Evaluacin del propsito del cliente para las mediciones
Cundo debiera ser enviado el equipo?

Cmo debiera enviarse?
Quin retira el equipo del camin o vagn?
Se requieren seguros?
La documentacin debiera enviarse con el hardware?
El cliente cuenta con el equipo apropiado para descargar el hardware?
Dnde ser almacenado el sistema hasta el envo?
Ver Apndice D
35
Captulo l Seccin D
Calificaciones con el
Cliente
Dnde ser almacenado el sistema hasta su implementacin?
La documentacin de envo est completa y fcilmente entendible para el

cargador, transportador, descargador y cuadrilla de instalacin?
Generalmente, lo que se ha hecho para calificar el sistema de medicin

anteriormente con el proveedor y antes del envo debiera repetirse de alguna forma
con el cliente una vez que el envo se ha completado. Dado que sta llega a ser la
primera oportunidad real para estudiar el sistema de medicin en su ambiente
esperado, estndares de aceptacin y mtodos de anlisis usados aqu debieran ser
considerados seriamente. La atencin a detalle por todas las partes involucradas es
vital para el xito eventual de un sistema de medicin y el uso de datos que genere.
Antes de que cualquier anlisis de mediciones comience despus del recibo, el
sistema de medicin debiera ejecutrsele un layout dimensional completo para
confirmar que cumple con los requerimientos / normas de construccin. El alcance
de este layout puede balancearse contra el trabajo de layout hecho previamente con
el proveedor del sistema de medicin y previo al envo, y la confiabilidad en la
calidad de los resultados de layout hechos con el proveedor as como la falta de
algn dao potencial por envo. Cuando se comparen los resultados antes y
despus del envo, estar concientes de que es probable alguna diferencia en las
mediciones por la diferencia en los sistemas de medicin.
Envo de
Documentacin
La informacin que se requiere, como mnimo, para ayuda en la implementacin y

arranque de cualquier sistema es la siguiente: (esta informacin debe ser enviada al
cliente previo al envo)
Dibujos de CAD o en papel, si se requieren por el equipo
Diagrama de flujo del proceso del sistema, cuando aplique.
Manuales del usuario

9
9
9
Manual de servicio / mantenimiento

Lista de refacciones
Gua para solucin de problemas
Instrucciones de calibracin
Cualquier consideracin especial
En principio, la documentacin enviada necesita ser identificada como preliminar.

La documentacin original o reproducible no necesita ser enviada en este tiempo
porque puede ser necesaria una revisin potencial despus de su implementacin.
De hecho, es una idea inteligente no tener el paquete de documentacin original
enviado hasta despus de que el sistema completo es implementado
generalmente los proveedores son ms eficientes en la actualizacin de la
documentacin que los clientes.
36
Captulo l Seccin D
Elementos Sugeridos para un Checklist del Desarrollo de un Sistema de

Medicin
Esta lista debiera modificarse en base a la situacin y tipo del sistema de medicin. El
desarrollo del checklist final debiera ser el resultado de la colaboracin entre el cliente y el
proveedor.
Aspectos clave del diseo y desarrollo de un sistema de medicin:
Qu es lo qu se mide? Qu tipo de caracterstica es?
Es una propiedad mecnica? Es dinmica o esttica? Es una propiedad elctrica? Existe una variacin dentro de las
partes significativa?
Para qu propsito los resultados (salidas) del proceso de medicin sern usados? El mejoramiento de la
produccin, monitoreo de la produccin, estudios de laboratorio, auditorias de proceso, inspeccin de embarque e
inspeccin recibo responden a DOEs?
Quin usar el proceso? operadores, ingenieros, tcnicos, inspectores, auditores?
Entrenamiento requerido: Operador, personal de mantenimiento, ingenieros; saln de clases, aplicacin prctica, periodo
de aprendizaje.
Se han identificado las fuentes de variacin? Construir un modelo de errores (S.W.I.P.E. o P.I.S.M.O.E.A.) usando
equipos,, tormenta de ideas, conocimiento profundo del proceso, diagramas de causas y efectos o matrices.
Se ha desarrollado un AMEF para el sistema de medicin?
Sistemas de medicin flexibles vs dedicados: Los sistemas de medicin pueden ser permanentes y dedicados o pueden
ser flexibles y tener la habilidad de medir diferentes tipos de partes; ej., gages, dispositivos de gages, mquinas de
medicin por coordenadas, etc. Los gages flexibles sern ms caros pero pueden ahorrar dinero en el largo plazo.
Contacto vs No Contacto: Confiabilidad, tipo de propiedad, plan muestra, costo, mantenimiento, calibracin, habilidades
del personal requeridas, compatibilidad, medio ambiente, velocidad, tipos de probadores, deflexin de las partes,
procesamiento de imgenes. Esto puede determinarse con los requerimientos del plan de control y la frecuencia de las
mediciones (gages de contacto total pueden conseguir ajustes excesivos durante muestreos continuos). probadores de
superficie de contacto total, tipo de probador, jets de retroalimentacin por aire, procesamiento de imgenes, MMC vs
comparador ptico, etc.
Medio Ambiente: Polvo, humedad, temperatura, vibracin, ruido, interferencia electromagntica (IEM), movimiento de
aire en el ambiente, contaminantes de aire, etc. el laboratorio, el piso de produccin, oficina, etc.? El medio ambiente llega
a ser un aspecto clave con tolerancias bajas y ajustadas y en el nivel de micrones. Tambin, en los casos en que MMC, los
sistemas de visiones, ultrasnico, etc. Esto podra ser un factor de auto-retroalimentacin en proceso en los tipos de
mediciones. Aceite para corte, escombros para corte y temperaturas extremas pudieran llegar tambin a ser aspectos clave.
Se requiere que el rea est limpia?
Puntos de medicin y localizacin: Define claramente, usando GD&T, la localizacin de los dispositivos y puntos de
sujecin y donde las mediciones de la parte sean tomadas.
Mtodo de Arreglo: En estado libre vs parte sostenida y sujetada.
Orientacin de la Parte: Posicin del cuerpo contra otro.
Preparacin de la Parte: La parte debiera estar limpia, sin aceite, con temperatura estabilizada, etc. Antes de la medicin.
Localizacin del Transductor: Orientacin angular, distancia de los localizadores primarios o redes.
37
Captulo l Seccin D
Aspecto # 1 de Correlacin Gages Duplicados: Se requieren los gages por duplicado (o ms) dentro o entre plantas
para soportar los requerimientos? Consideraciones de construccin, de errores de medicin y de mantenimiento. Cul es
considerado el estndar? Cmo ser calificado cada uno?
Aspecto #2 de Correlacin- Divergencia en Mtodos: La variacin en las mediciones resulta de diferentes diseos de
sistemas de medicin ejecutndose en el mismo producto / proceso y dentro de una prctica y lmites de operacin
aceptables (ej., resultados de mediciones de MMC vs manual o ajuste abierto).
Automatizado vs Manual: En lnea, fuera de lnea, dependencia del operador.
Mediciones de Pruebas Destructivas vs No Destructivas (PND): Ejemplos: prueba de tensin, prueba de cmara salina,
espesor de cubierta de pintura / acabado, dureza, medicin dimesnional, procesamiento de imagen, anlisis qumico, estrs,
durabilidad, impacto, torsin, torque, fuerza de soldado, propiedades elctricas, etc.
Rango Potencial de Medicin: Tamao y rango esperado de las mediciones concebidas.
Resolucin Efectiva: La medicin es sensible a los cambios fsicos (habilidad para detectar variacin del proceso o
producto) para una aplicacin particular y aceptable?
Sensibilidad: La seal de entrada es la ms pequea en medida y la cual resulta en una seal de salida detectable
(discernible) y aceptable para la aplicacin del dispositivo de medicin). La sensibilidad se determina por el diseo y
calidad (FEO) inherente del gage, el mantenimiento en servicio y las condiciones de operacin.
Aspectos Clave de Construccin de un Sistema de Medicin (equipo, patrn, estandar, instrumento):
Se han abordado las fuentes de variacin identificadas en el diseo del sistema? Revisiones de diseo; verificaciones
y validaciones.
Sistema de Control y Calibracin: Programa de calibracin recomendado y auditoria al equipo y documentacin.

Frecuencia, interno o externo, parmetros, chequeos de verificacin en proceso.
Requerimientos de Entradas: Mecnicos, elctricos, hidrulicos, neumticos, supresores de pico, secadores, filtros,
aspectos clave de ajuste y operacin, aislamiento, discriminacin y sensibilidad.
Requerimientos de Salidas / Resultados: Anlogos o digitales, documentacin y registros, archivo, almacenamiento,

recuperacin, soporte.
Costo: Factores de presupuesto para el desarrollo, compra, instalacin, operacin y entrenamiento.
Mantenimiento Preventivo: Tipo, programa, costo, personal, entrenamiento, documentacin.
Facilidad de Servicio: Interno y externo, localizacin, nivel de soporte, tiempo de respuesta, disponibilidad de partes para
servicio, lista de partes estndar.
Ergonoma: Habilidad de cargar y operar el equipo sin daos en el tiempo. La necesidad de discusiones sobre los
dispositivos de medicin para orientarse en aspectos clave en cmo el sistema de medicin es interdependiente con el
operador.
Consideraciones de Seguridad: Personal, operacin, medio ambiente, protegido.
Almacenamiento y Localizacin: Establece los requerimientos alrededor del almacenamiento y localizacin del equipo
de medicin. Aspectos clave de cubiertas, medio ambiente, seguridad, disponibilidad (proximidad).
Tiempo de Ciclo de la Medicin: Cunto tiempo llevar medir una parte o caracterstica? Ciclo de medicin integrado al
control del proceso y el producto.
Habr alguna interrupcin al flujo del proceso, integridad del lote, para capturar, medir y devolver la parte?
38
Captulo l Seccin D
Manejo de Materiales: Existen racks especiales, dispositivos de sostn, equipo de transporte u otro equipo de manejo de
materiales necesarios para las partes a ser medidas o el sistema de medicin mismo?
Aspectos Ambientales: Existen algunos requerimientos ambientales especiales, condiciones, limitaciones, que afecten el
proceso de medicin o procesos vecinos? Se requiere que sea exhausto? Es necesario el control de temperatura o
humedad? Humedad, vibracin, ruido, IEM, limpieza.
Existen algunos requerimientos o condiciones de confiabilidad especiales? Se mantiene el equipo en el tiempo?

Esto necesita verificarse antes del uso para produccin?
Refacciones: Lista comn, suministros adecuados y un sistema para ordenamiento en piso, disponibilidad, tiempos de
anticipacin entendidos y tomados en cuenta. Es adecuado y seguro el almacenamiento disponible (refacciones,
mangueras, cinturones, switches, solenoides, vlvulas, etc.)?
Instrucciones del Usuario: Secuencia de sujecin, procedimientos de limpieza, interpretacin de datos, grficas, ayudas
visuales amplias. Disponibles y desplegadas apropiadamente.
Documentacin: Dibujos de ingeniera, rboles de documentacin, manuales del usuario, lenguaje, etc.
Calibracin: Comparacin con patrones aceptables. Disponibilidad y costo de patrones aceptables. Frecuencia
recomendada, requerimientos de entrenamiento. Se requiere tiempo muerto?
Almacenamiento: Se requieren requerimientos o consideraciones especiales relativos al almacenamiento del dispositivo

de medicin? Cubiertas, medio ambiente, seguridad para daos / robos, etc.
A Prueba de Errores: Errores del proceso de medicin pueden conocerse para ser corregidos fcilmente (muy fcil) por
el usuario? Entradas de datos, uso incorrecto del equipo, aprueba de fallas o errores
Aspectos Clave de Implementacin del Sistema de Medicin (Proceso):
Soporte: Quin dar apoyo al proceso de medicin? Tcnicos de laboratorio, ingenieros, produccin mantenimiento,
servicios contratados y externos?
Entrenamiento: Qu entrenamiento ser necesario para los operadores / inspectores / tcnicos, ingenieros para usar y
mantener el proceso de medicin? Aspectos de tiempo, recursos y costo. Quin entrenar? Dnde se realizar el
entrenamiento? Requerimientos para tiempos de anticipacin? Coordinado con el uso actual del proceso de medicin.
Administracin de Datos: Cmo sern administrados los resultados de datos del proceso de medicin? Manuales,
computarizados, mtodos de resumen, frecuencia en los resmenes, mtodos de revisin, frecuencia de revisiones,
requerimientos de los clientes, requerimientos internos. Disponibilidad, almacenamiento, recuperacin, soporte, seguridad.
Interpretacin de datos.
Personal: Se requiere contratar personal para soportar el proceso de medicin? Aspectos de costo, tiempo y
disponibilidad. Actual o nuevo.
Mtodos de Mejoramiento: Quin mejorar el proceso de medicin en el tiempo? Ingenieros o personal de produccin,
mantenimiento, calidad? Qu mtodos de evaluacin sern usados? Existe un sistema para identificar mejoramientos
necesarios?
Estabilidad de Largo Plazo: Mtodos de evaluacin, formato, frecuencia, y necesidad de estudios de largo plazo.
Cambios, ajustes, contaminacin, integridad operacional. Estos errores de largo plazo pueden ser medidos, controlados,
entendidos y pronosticados?
Consideraciones Especiales: Atributos del inspector, limitaciones fsicas o aspectos de salud: ceguera en color, visin,
esfuerzo, fatiga, ergonoma.
39
Captulo l Seccin D
40
Captulo l Seccin E
Aspectos Clave de las Mediciones
Seccin E
Aspectos Clave en las Mediciones
Tres aspectos clave fundamentales deben abordarse en la evaluacin de un sistema de
medicin:
1) El sistema de medicin debe demostrar sensibilidad adecuada.
9 Primero, el instrumento (y patrn) cuentan con una discriminacin adecuada?
La discriminacin (o clase) es arreglada por diseo y sirve como el punto inicial
bsico para seleccionar un sistema de medicin. Tpicamente, se aplica la regla
10, la cual establece que la discriminacin del instrumento debiera dividir la
tolerancia o variacin del proceso en 10 partes o ms.
9 Segundo, el sistema de medicin demuestra una resolucin efectiva? En
relacin a la discriminacin, determina si el sistema de medicin tiene la
sensibilidad para detectar cambios en la variacin del producto o proceso para la
aplicacin y condiciones dadas.
2) El sistema de medicin debe ser estable.
9 Bajo condiciones de repetibilidad, la variacin del sistema de medicin es
debida solo a causas comunes y no especiales (caticas).
9 El analista de las mediciones debe considerar siempre significancias prcticas y
estadsticas.
3) Las propiedades estadsticas (errores) son consistentes sobre un rango esperado y
adecuadas para el propsito de las mediciones (control del producto o proceso).
La tradicin de reportar los errores en las mediciones solo como un porcentaje de la
tolerancia es inadecuado para los retos del mercado, que ponen nfasis en
mejoramientos estratgicos y continuos del proceso mismo. Conforme los procesos
cambien y mejoren, el sistema de medicin debe ser revaluado para su propsito
esperado. Es esencial para la organizacin (administracin, planeador de las
mediciones, operador de produccin y analista de calidad) entender el propsito de las
mediciones y aplicar evaluaciones apropiadas.
41
Captulo l Seccin E
Tipos de Variaciones
de los Sistemas de
Medicin
A menudo se asume que las mediciones son exactas, y frecuentemente los anlisis
y conclusiones se basan en esta suposicin. Un individuo puede fallar en
determinar si hay variacin en el sistema de medicin el cual afecta las mediciones
individuales, y consecuentemente, las decisiones se basan en datos. El error de un
sistema de medicin puede ser clasificado en 5 categoras: sesgo, repetibilidad,
reproducibilidad, estabilidad y linealidad.
Uno de los objetivos de un estudio de un sistema de medicin es obtener
informacin relativa a la cantidad y tipos de variaciones de medicin asociadas con
un sistema de medicin cuando este interacta con su medio ambiente. Esta
informacin es valiosa, dado que para el promedio del proceso de produccin, es
mucho ms prctico reconocer la repetibilidad y el sesgo en la calibracin y
establecer lmites razonables para estos, que ofrecer gages extremadamente exactos
con una muy alta repetibilidad. Las aplicaciones de tal estudio ofrecen lo siguiente:
Un criterio para aceptar equipo de medicin nuevo.
Una comparacin de un dispositivo de medicin contra otro.
Una base para evaluar un gage que se sospecha est deficiente.
Una comparacin para equipo de medicin antes y despus de su reparacin.
Un componente requerido para calcular la variacin del proceso y el nivel de

aceptabilidad para el proceso de produccin.
Informacin necesaria para desarrollar una Curva de Desempeo de un gage

(CDG)17, el cual indica la probabilidad de aceptar una parte de un valor
verdadero.
Las siguientes definiciones ayudan a describir los tipos de errores o variaciones

asociados con un sistema de medicin, de forma tal que cada trmino sea
claramente entendido para discusiones posteriores. Para cada definicin se ofrece
una ilustracin la cual despliega grficamente el significado del trmino en
cuestin.
17
Ver Captulo V, Seccin C.
42
Captulo l Seccin E
Definiciones y
Fuentes Potenciales
de Variacin
Definicin Operacional
Una definicin Operacional es aquella con la que la gente puede hacer negocios.
Una definicin operacional con seguridad, redondeo, confiable o alguna otra
[caracterstica]de calidad debe ser comunicable, con el mismo significado al
vendedor que al comprador, y el mismo significado que ayer y hoy para el
operador de produccin. Ejemplo:
1) Una prueba especfica de una pieza de material o ensamble.
2) Un criterio (o criterios) para juicio.
3) Una decisin: si o no, de si el objeto o material cumpli o no cumpli con
el criterio (o criterios) 18
Estndar / Patrn
Un estndar es cualquier cosa que se tome por consenso general como una base
para comparacin, un modelo aceptado. Puede ser un artefacto conjunto
(instrumentos, procedimientos, etc.) ajustado y establecido por una autoridad como
una regla para medicin de cantidad, peso, alcance, valor o calidad.
El concepto de conjunto fue formalizado en la norma de ANSI/ASQC M1-1996 19.
Este trmino fue usado para enfatizar el hecho de que todas las influencias que
afecten las incertidumbres en las mediciones necesitan tomarse en cuenta; ej.,
medio ambiente, procedimiento, personal, etc. un elemento simple de un conjunto
sera un grupo para la calibracin de blocks de gages que consiste de un block
estndar de gages, un comparador, un operador, medio ambiente y el
procedimiento de calibracin.
Estndares / Patrones de Referencia
Un estndar generalmente de la ms alta calidad metrolgica disponible en una
cierta localizacin, de la cual se derivan las mediciones hechas en dicha
localizacin.
Equipo de Medicin y Prueba (EMyP)
Todos los instrumentos de medicin, estndares de medicin, materiales de
referencia y aparatos auxiliares que sean necesarios para ejecutar una medicin.
Estndar de Calibracin
Un estndar que sirva como referencia en el desempeo de las calibraciones de
rutina. Con la intencin de que acte como un pulido entre la carga de calibracin
y los estndares de referencia del laboratorio.
18
19
W. E. Deming, Out of the Crisis (1982, 1986) pag. 277.

Esta definicin fue despus actualizada como Equipo de Medicin y Prueba EMyP por Estndares y Normas
Militares subsecuentes.
43
Captulo l Seccin E
Estndar de Transferencia
Un estndar para comparar un estndar por separado de un valor conocido con una
unidad que ha sido calibrada.
Master
Un estndar usado como referencia en el proceso de calibracin. Tambin puede
ser definido como estndar de referencia o calibracin.
Estndar de Trabajo
Un estndar cuya intencin de uso sea ejecutar mediciones de rutina dentro del
laboratorio, no como un estndar de calibracin, pero que puede ser usado como un
estndar de transferencia.
Se requiere dar una especial consideracin a los materiales
seleccionados para un estndar. Los materiales empleados deben
reflejar el uso y alcance del sistema de medicin, as como fuentes de
variacin en base a tiempo tales como, factores de montaje y
ambientales (temperatura, humedad, etc.).
Equipo de Medicin y Prueba
PATRON DE REFERENCIA
Master
PATRON DE TRANSFERENCIA
PATRON DE CALIBRACION
PATRON DE TRANSFERENCIA
PATRON DE TRABAJO
Patrn de Chequeo
Figura I-E 1: Relacin Entre los Diferentes Estndares
44
Master
Captulo l Seccin E
Estndar de Chequeo
Un artefacto de medicin que reagrupa de una forma muy similar lo que el
proceso est diseado para medir, pero que es inherentemente ms estable que el
proceso de medicin a ser evaluado.
Valor de Referencia
Un valor de referencia, tambin conocido cono valor de referencia aceptable o
valor master, es el valor de un artefacto o conjunto que sirve como una referencia
acordada para comparacin. Los valores de referencia aceptables se basan en lo
siguiente:
Se determinan por el promedio de varias mediciones con un equipo de

medicin de ms alto nivel (ej., laboratorio de metrologa o equipo para
layout).
Valores legales: definidos y obligados por la ley.
Valores tericos: basados en principios cientficos.
Valores asignados: basados en el trabajo experimental (y soportados por una

teora razonable) de alguna organizacin nacional o internacional.
Valores de consenso: basado en trabajo experimental colaborativo y bajo los

auspicios de un grupo cientfico o de ingeniera; definido por el consenso de
usuarios tales como organizaciones profesionales y de negocio y de
comercio.
Valores por acuerdo: valores expresamente acordados por las partes

afectadas.
En todos los casos el valor de referencia requiere ser basado en una definicin
operacional y en los resultados de un sistema de medicin aceptable; para lograr
esto, el sistema de medicin usado para determinar el valor de referencia debiera
incluir:
Instrumentos con una resolucin de mayor orden y con un error del sistema
de medicin menor que los sistemas usados para evaluaciones normales.
Estar calibrados con estndares rastreables con NIST u otro INM.
Valor Verdadero
El valor verdadero es la medida actual de una parte. Aunque este valor es
desconocido e irreconocible, es la meta del proceso de medicin. Cualquier
lectura individual debe estar lo ms cerca (y econmicamente) posible a este
valor. Desafortunadamente, el valor verdadero nunca puede ser conocido con
certeza. El valor de referencia es usado como el mejor aproximado del valor
verdadero en todos los anlisis. Dado que el valor de referencia es usado como
un equivalente como el valor verdadero, comnmente estos trminos son usados
en forma intercambiable. No se recomienda este uso20.
20
Ver tambin ASTM: E177-90a.
45
Captulo l Seccin E
Discriminacin
Discriminacin es la cantidad de cambio de un valor de referencia que un
instrumento puede detectar y fielmente indicar. Esto es tambin referido como
facilidad de lectura o resolucin.
La medida de esta habilidad tpicamente es el valor de la graduacin ms
pequea sobre la escala del instrumento. Si el instrumento cuenta con
graduaciones toscas, entonces puede usarse media graduacin. Una regla
emprica general es que la discriminacin del instrumento de medicin debe
contar con al menos una dcima del rango a medir.
Tradicionalmente este rango se ha tomado como una especificacin del producto.
Recientemente la regla 10 a 1 se ha interpretado para significar que el equipo de
medicin es capaz de discriminar al menos una dcima de variacin del proceso.
Esto es consistente con la filosofa de la mejora continua (ej., el enfoque del
proceso es una meta designada por el cliente).
Figura I-E 2: Discriminacin
La regla emprica arriba indicada puede considerarse como un punto inicial para
determinar la discriminacin dado que no incluye cualquier otro elemento de a
variabilidad de un sistema de medicin.
Debido a las limitaciones econmicas y fsicas, el sistema de medicin no percibe todas
las partes de la distribucin de un proceso como si fueran caractersticas medidas por
separado o diferentes. En lugar de ello, las caractersticas medidas sern agrupadas por
los valores medidos en categoras de datos. Todas las partes de la misma categora de
datos tendrn el mismo valor para la caracterstica medida.
Si el sistema de medicin no cuenta con una discriminacin (sensibilidad o resolucin
efectiva), puede no ser un apropiado sistema para identificar la variacin del proceso o
cuantificar los valores de las caractersticas individuales de una parte. Si tal es el caso,
debieran usarse mejores tcnicas de medicin.
La discriminacin es inaceptable para anlisis si no puede detectarse la variacin del
proceso, e inaceptable para control si no puede detectarse la variacin por causas
especiales (ver Figura I-E 3).
46
Captulo l Seccin E
Numero de Categoras
Control
Puede ser usado solo para
control si:
La variacin del proceso es
pequea comparada con las
especificaciones.
La funcin de prdida es
plana sobre la variacin del
proceso esperada.
La fuente de variacin
principal provoca un cambio
en el promedio.
Puede ser usado con

tcnicas de control de semivariables basadas en la
distribucin del proceso.
Puede producir grfica de
control de variables no
sensibles.
Puede ser usada con

grficas de control para
variables.
Anlisis
No Aceptable para estimar

ndices y parmetros del
proceso.
Slo indica si el proceso est
fabricando partes conformes
o no conformes.
Generalmente no aceptable
para estimar parmetro e
ndices del proceso dado que
slo ofrece estimativos
burdos.
Recomendable
Figura I-E 3: Impacto del Nmero de Categoras Distintas (NCD) de la Distribucin del Proceso en
Actividades de Anlisis y Control.
Sntomas de una discriminacin inadecuada pueden aparecer en las grficas de rangos.
La figura I-E 4 contiene dos conjuntos de grficas de control derivadas de los mismos
datos. La grfica de control (a) muestra la medicin original con la ms cercana
milsima de pulgada. La grfica de control (b) muestra stos datos redondeados a la ms
prxima centsima de una pulgada. La grfica de control (b) parece estar fuera de
control debido a los supuestos lmites ajustados. Los rangos cero son ms un producto
de redondeo que una indicacin de la variacin de un subgrupo.
Una buena indicacin de una discriminacin adecuada puede verse en la variacin del
proceso para grficas de rangos con SPC. En particular, cuando las grficas de rangos
muestran solo uno, dos o tres posibles valores para el rango dentro de lmites de control,
las mediciones se hacen con una discriminacin inadecuada. Tambin, si la grfica de
rangos muestra cuatro posibles valores para el rango dentro de lmites de control y ms
de un cuarto de los rangos son cero, entonces las mediciones se han hecho con una
discriminacin inadecuada. Otra buena indicacin de una discriminacin inadecuada es
sobre una grfica de probabilidad normal donde los datos son estancados en paquetes en
lugar de fluir a lo largo de la lnea de 45 grados.
47
Captulo l Seccin E
Regresando a la figura I-E 4, la grfica de control (b), existen solo dos posibles
valores para el rango dentro de lmites de control (valores de 0.00 y 0.01). Por
tanto, la regla identifica correctamente la razn de falta de control por la
discriminacin inadecuada (sensibilidad o resolucin efectiva).
Este problema puede ser resuelto, por supuesto, cambiando la habilidad de detectar
la variacin dentro de los subgrupos incrementando la discriminacin de las
mediciones. Un sistema de medicin cuenta con una discriminacin adecuada si la
resolucin aparente es pequea relativa a la variacin del proceso. Por tanto una
recomendacin para una adecuada discriminacin sera para una resolucin
aparente tener a lo mucho una dcima parte de seis sigma de desviacin estndar
del proceso total en lugar de la regla tradicional la cual con una resolucin aparente
sera a lo mucho una dcima de la extensin de la tolerancia.
Eventualmente, existen situaciones que llegan a un proceso estable y altamente
hbil usando un sistema de medicin estable y el mejor en su clase y en los
lmites prcticos de tecnologa. La resolucin efectiva puede ser inadecuada y un
mejoramiento adicional del sistema de medicin llega a ser imprctico. En estos
casos especiales, la planeacin de las mediciones puede requerir tcnicas
alternativas para el monitoreo del proceso. La aprobacin por el cliente tpicamente
es requerida en tcnicas alternativas para el monitoreo del proceso.
48
Captulo l Seccin E
Figura I-E 4: Grficas de Control de Proceso21
21
La figura I-E 4 fue desarrollada usando datos de Evaluacin de los Procesos de Medicin, por Wheeler y Lyday,
derechos de copia 1989, SPC Press, Inc., Knoxville, Tennessee.
49
Captulo l Seccin E
Para la mayora de los procesos de medicin, la variacin total de las mediciones

es usualmente descrita como una distribucin normal. La probabilidad normal es
un supuesto de los mtodos estndar para anlisis de sistemas de medicin. De
hecho existen sistemas de medicin que no son distribuidos normalmente. Cuando
esto pasa, y se asume normalidad, el mtodo MSA puede sobre estimar el error del
sistema medicin. El analista de mediciones debe reconocer y corregir
evaluaciones para sistemas con mediciones no normales.
Variacin del
Proceso de
Medicin
Figura I-E 5: Caractersticas de la Variacin de un Proceso de Medicin
Variacin de las
Instalaciones
Exactitud
Un concepto genrico de lo exacto en relacin a qu tan cerca se ha acordado entre
el promedio de uno o ms resultados medidos y un valor de referencia. El proceso
de medicin debe estar en estado de control estadstico, de lo contrario la exactitud
del proceso no tiene significado.
En algunas organizaciones la exactitud se usa en forma intercambiable con el
sesgo. La ISO (Organizacin Internacional para la Estandarizacin) y la ASTM
(American Society for Testing and Materials) se usa el trmino exactitud para
cubrir tanto el sesgo como la repetibilidad. A fin de evitar confusin que pudiera
resultar del uso de la palabra exactitud ASTM recomienda que se use el trmino
sesgo solo como un descriptor del error de localizacin. Esta poltica se seguir en
este texto.
Sesgo
El sesgo es a menudo referido como exactitud. Debido a que la exactitud tiene
varios significados en la literatura, no se recomienda su uso como una alternativa
para sesgo.
50
Captulo l Seccin E
Sesgo es la diferencia entre el valor verdadero (valor referencia) y el promedio

observado de las mediciones sobre la misma caracterstica y la misma parte.
Sesgo es la medida del error sistemtico del sistema
de medicin. Es la contribucin del error total
integrado por los efectos combinados de todas las
fuentes de variacin, conocidas o no conocidas, cuya
contribucin al error total tiende a compensar en
forma consistente y predecible todos los resultados de
aplicaciones repetidas del mismo proceso de
medicin para el tiempo de las mediciones mismas.
Posibles causas para un sesgo excesivo son:
El instrumento necesita calibracin
Instrumento, equipo o dispositivo desgastado
Master daado o desgastado, error en el master
Calibracin o uso de un master de ajuste inapropiados
Instrumento de baja calidad diseo o conformancia
Error de linealidad
Gage equivocado para la aplicacin
Diferente mtodo de medicin ajuste, carga, sujecin, tcnica
Medicin de caracterstica equivocada
Distorsin (del gage o la parte)
Medio ambiente temperatura, humedad, vibracin, limpieza
Violacin a algn supuesto, error en la aplicacin de una constante
Aplicacin tamao de la parte, posicin, habilidad del operador, fatiga, error

de observacin (facilidad de lectura, paralelismo)
El procedimiento de medicin empleado en el proceso de calibracin (ej., usando

masters) debiera ser lo ms idntico posible al procedimiento de medicin de la
operacin normal.
51
Captulo l Seccin E
Estabilidad
Estabilidad (o cambio) es la variacin total en las mediciones obtenida con un
sistema de medicin sobre el mismo master o partes cuando se mida una
caracterstica misma sobre un periodo de tiempo extenso. Esto es, la estabilidad
es un cambio en sesgo en el tiempo.
Posibles causas para inestabilidad incluyen:
El instrumento necesita calibracin, reducir el intervalo de calibracin
Desgaste normal u obsolescencia
Mantenimiento deficiente aire, energa elctrica, hidrulico, filtros,

corrosin, oxidacin, limpieza
Master desgastado o daado, error en el master
Calibracin o uso del master para ajuste inapropiados
Instrumento de calidad deficiente diseo o conformancia
Falta de robustez en el diseo del instrumento o mtodo
Mtodo de medicin diferente ajuste, carga, sujecin, tcnica
Distorsin (del gage o la parte)
Cambio ambiental- temperatura, humedad, vibracin, limpieza
Violacin a un supuesto, error en la aplicacin de una constante

Linealidad
La diferencia de sesgo a travs del rango (de medicin) de operacin esperado
del equipo es llamada linealidad. La linealidad puede tomarse como un cambio de
sesgo con respecto al tamao.
52
Captulo l Seccin E
Notar que la linealidad inaceptable puede venir en una variedad de sabores. No

asuma un sesgo constante.
Posibles causas para errores de linealidad incluyen:
El instrumento necesita calibracin, reducir el intervalo de calibracin
Mantenimiento deficiente aire, energa elctrica, hidrulica, filtros,

corrosin, oxidacin, limpieza
Masters desgastados o daados, error en los masters mnimo / mximo
53
Captulo l Seccin E
Variacin de
Amplitud
Calibracin (no cubriendo el rango de operacin) o uso de los masters de

ajuste inapropiados
Calidad deficiente del instrumento diseo o conformancia
Falta de robustez del diseo del instrumento o mtodo
Diferente mtodo de medicin ajuste, carga, sujecin, tcnica
Cambios de distorsin (del gage o la parte) con el tamao de las partes
Medio ambiente temperatura, humedad, vibracin, limpieza
Violacin a algn supuesto, error en la aplicacin de una constante

Precisin
Tradicionalmente, la precisin describe el efecto neto de la discriminacin,
sensibilidad y repetibilidad sobre un rango de operaciones (tamao, rango y
tiempo) del sistema de medicin. En algunas organizaciones la precisin se usa en
forma intercambiable con la repetibilidad. De hecho, la precisin es muy a menudo
usada para describir la variacin esperada de las mediciones repetidas sobre el
rango de medicin; tal rango puede ser tamao o tiempo (ej., un dispositivo es tan
preciso en el rango bajo como en el rango alto de medicin, o tan preciso hoy
como ayer). Uno podra decir que la precisin es qu tan repetible la linealidad es
con respecto al sesgo (aunque el primero es aleatorio y los otros son errores
sistemticos). ASTM define la precisin en un sentido amplio para incluir la
variacin de diferentes lecturas, gages, gente, laboratorios o condiciones.
Repetibilidad
Este es tradicionalmente referido como variabilidad dentro del mismo evaluador.
Repetibilidad es la variacin en las mediciones obtenida con un instrumento de
medicin cuando se use varias veces por un evaluador y midiendo la misma
caracterstica y sobre la misma parte. Esta es la variacin o habilidad inherente
del equipo mismo. Repetibilidad es comnmente referida como la variacin del
equipo (EV), aunque esto puede ser dudoso. De hecho, repetibilidad es una
variacin de causa comn (error aleatorio) de intentos sucesivos y bajo
condiciones definidas de medicin. El mejor trmino para repetibilidad es
variacin dentro del sistema cuando las condiciones de medicin estn ajustadas y
definidas parte ajustada, instrumento, estndar, mtodo, operador, medio
ambiente y supuestos. Adicional a la variacin dentro del equipo, la repetibilidad
incluye todas las variaciones internas (ver ms adelante) de cualquier condicin en
el modelo de errores.
54
Captulo l Seccin E
Posibles causas para una repetibilidad deficiente incluyen:
Dentro de la parte (muestra): forma, posicin, acabado en la superficie, cerilla,

consistencia de la muestra
Dentro del instrumento: reparacin, montaje, falla en el equipo o dispositivo,

calidad o mantenimiento deficiente
Dentro del estndar: calidad, clase, montaje
Dentro del mtodo: variacin en ajuste, tcnica, restablecimiento a cero,

fijacin, sujecin, densidad de punto
Dentro del evaluador: tcnica, posicin, falta de experiencia, habilidad de

manejo o entrenamiento, sentimiento, fatiga
Dentro del medio ambiente: fluctuaciones de ciclo corto en temperatura,

humedad, vibracin, iluminacin, limpieza
Violacin a algn supuesto estable, operacin apropiada
Falta de robustez en el diseo del

deficiente
Distorsin (del gage o la parte), falta de rigidez
Aplicacin tamao de la parte, posicin, error de observacin (facilidad de

lectura, paralelismo)
instrumento o mtodo, uniformidad
Reproducibilidad
Este tradicionalmente se refiere a la variabilidad entre evaluadores. La
reproducibilidad es tpicamente definida como la variacin en el promedio de las
mediciones hechas por diferentes evaluadores usando el mismo equipo de
medicin cuando se mide la misma caracterstica y sobre la misma parte. Esto a
menudo es verdad para instrumentos manuales influenciados por la habilidad del
operador. Esto no es verdad, sin embargo, para procesos de medicin (ej., sistemas
automatizados) donde el operador no es una fuente principal de variacin. Por esta
razn, la reproducibilidad se refiere a la variacin promedio entre sistemas o entre
condiciones de medicin.
La definicin de ASTM v ms all de
esto para incluir potencialmente no
tambin diferentes: gages, laboratorios
y medio ambiente (temperatura,
humedad), as como el incluir la
repetibilidad en el clculo de la
reproducibilidad.
55
Captulo l Seccin E
Fuentes potenciales de errores en la reproducibilidad incluyen:
Entre las partes (muestras): el promedio de las diferencias cuando se miden

tipos de partes A, B, C, etc. Usando el mismo instrumento, operadores y
mtodo.
Entre instrumentos: el promedio de las diferencias usando instrumentos A, B,

C, etc. Para las mismas partes, operadores y medio ambiente. NOTA: en el
estudio de error de reproducibilidad, ste a menudo se confunde con el mtodo
y/u operador.
Entre estndares: la influencia promedio de los diferentes estndares de ajuste

en el proceso de medicin.
Entre mtodos: el promedio de las diferencias causado por cambiar las

densidades de punto, sistemas manuales vs automatizados, restablecimiento a
cero, mtodos de sostenimiento o sujecin, etc.
Entre evaluadores (operadores): la diferencia promedio entre operadores A, B,

C, etc. Causada por entrenamiento, tcnica, habilidades y experiencia. Este es
un estudio recomendado para calificacin del producto y el proceso y con un
instrumento de medicin manual.
Entre el medio ambiente: la diferencia promedio en las mediciones en el

tiempo 1, 2, 3, etc. Causado por ciclos ambientales; este es el estudio ms
comn para sistemas altamente automatizados en la calificacin del producto y
el proceso.
Violacin de un supuesto en el estudio.
Falta de robustez en el diseo del instrumento o mtodo.
Efectividad en el entrenamiento del operador.
Aplicacin tamao de la parte, posicin, error de observacin (facilidad de

lectura, paralelismo).
Como se mencion en las dos definiciones anteriores, existen
diferencias en las definiciones usadas por ASTM y las usadas por este
manual. La literatura de ASTM se enfoca a evaluaciones entre
laboratorios con el inters de las diferencias de laboratorio a laboratorio
incluyendo el potencial por diferentes operadores, gages y medio
ambiente as como la repetibilidad dentro del laboratorio. Por tanto, sus
definiciones necesitan abarcar estas diferencias. Por normas de ASTM,
repetibilidad es lo mejor que el equipo estar bajo condiciones actuales
(un operador, un gage, corto periodo de tiempo) y reproducibilidad
representa ms tpicamente condiciones de operacin cuando haya
variaciones de fuentes mltiples.
R&R de Gages o RRGs

El R&R de una gage es un estimativo de la variacin combinada de la repetibilidad
y la reproducibilidad. Establecido de otra manera, el RRG es la varianza e igual a la
suma de las varianzas dentro y entre los sistemas.
56
Captulo l Seccin E
2RRG = 2reproducibilidad + 2repetibilidad
Sensibilidad
Sensibilidad es la entrada ms pequea que resulte en una seal o resultado
detectable (usable). Es la respuesta del sistema de medicin a cambios en la
propiedad medida. La sensibilidad es determinada por el diseo del gage
(discriminacin), su calidad inherente (FEO), el mantenimiento en servicio y las
condiciones de operacin del instrumento y estndar. Siempre es reportada como
una unidad de medida.
Los factores que afectan la sensibilidad incluyen:
La habilidad para humedecer un instrumento
Habilidad del operador
Repetibilidad del dispositivo de medicin
La habilidad para ofrecer un cambio libre en la operacin en el caso de gages

electrnicos o neumticos
Condiciones bajo las cuales el instrumento es usado tales como ambiente, aire,
polvo, humedad.
Consistencia
Consistencia es la diferencia en la variacin de las mediciones tomadas en el
tiempo. Puede ser vista como repetibilidad en el tiempo.
UCL
Promedio
Rango
LCL
Los factores que impactan la consistencia son variaciones de causas especiales tales
como:
Temperatura de las partes
Calentamiento requerido para equipo electrnico
Equipo desgastado
57
Captulo l Seccin E
Uniformidad
Uniformidad es la diferencia en la variacin a lo largo del rango de operacin del
gage. Puede considerarse que existe homogeneidad (similitud) de la repetibilidad en
el tamao.
Los factores que impactan la uniformidad incluyen:
Variacin de los
Sistemas de
Medicin
El dispositivo permite medidas ms pequeas / grandes para una posicin

diferente
Deficiente facilidad de lectura en la escala
Paralelismo en la lectura
Habilidad / Capacidad
La habilidad de un sistema de medicin es un estimativo de la variacin combinada
de los errores de medicin (aleatorios y sistemticos) y basados en una evaluacin
de corto plazo. La habilidad simple incluye los componentes de:
Sesgo o linealidad no corregidos
Repetibilidad y reproducibilidad (RRG), incluyendo consistencia de corto plazo

Hacer referencia al captulo III para mtodos tpicos y ejemplos para cuantificar
cada componente.
Un estimativo de habilidad de las mediciones, por tanto, es una expresin del error
esperado para condiciones definidas, alcance y rango del sistema de medicin (a
diferencia de la incertidumbre en las mediciones, el cual es una expresin del rango
esperado del error o valores asociados con un resultado de medicin). La expresin
de habilidad de variaciones combinadas (varianza) cuando los errores de las
mediciones no estn correlacionados (aleatorios e independientes) puede
cuantificarse como:
2habilidad = 2sesgo (linealidad) + 2RRG

Hay dos puntos esenciales para entender y aplicar correctamente la habilidad de las
mediciones:
Primero, un estimativo de la habilidad siempre est asociado con un alcance de las
mediciones definido condiciones, rango y tiempo. Por ejemplo, para decir que la
habilidad de un micrmetro de 25 mm es 0.1 mm es incompleta sin calificar el
alcance y rango de las condiciones de medicin. Otra vez, esto es porque un modelo
de errores para definir un proceso de medicin es muy importante. El alcance para
un estimativo de habilidad en las mediciones pudiera ser muy especfico o una
declaracin general de operacin, sobre una porcin limitada o un rango entero de
medicin. En el corto plazo pudiera significar: la habilidad sobre una serie de ciclos
de mediciones, el tiempo para completar la evaluacin RRG, un periodo
especificado de produccin o el tiempo representado para la frecuencia de
58
Captulo l Seccin E
calibracin. Una declaracin de habilidad en las mediciones no solo necesita ser

completo sino replicar en forma razonable las condiciones y rango de medicin. Un
plan de control documentado pudiera servir para este propsito.
Segundo, la consistencia y uniformidad (errores de repetibilidad) de corto plazo
sobre el rango de las mediciones son incluidos en el estimativo de la habilidad. Para
un instrumento simple, tal como un micrmetro de 25 mm., la repetibilidad sobre el
rango completo de las mediciones usando operadores con habilidades se espera sea
consistente y uniforme. En este ejemplo, el estimativo de habilidad puede incluir el
rango completo de las mediciones para mltiples tipos de propiedades y bajo
condiciones generales. Los sistemas de mediciones de mayor rango o ms
complejos (ej., una MMC) pueden demostrar errores en las mediciones de linealidad
(no corregida), uniformidad y consistencia de corto plazo sobre un rango o medida.
Debido a que estos errores se correlacionan no pueden combinarse usando la simple
frmula lineal anteriormente mostrada. Cuando la linealidad (no corregida),
uniformidad o consistencia varan significativamente sobre un rango, el planeador
de las mediciones y analista tienen solo dos opciones prcticas:
1) Reportar la habilidad mxima (peor de los casos) para las condiciones
completas y definidas y el alcance y rango del sistema de medicin o
2) Determinar y reportar evaluaciones mltiples de la habilidad para
porciones definidas del rango de medicin (ej., rango bajo, medio, alto).
Desempeo
As como en el desempeo del proceso, el desempeo del sistema de medicin es el
efecto neto de todas las fuentes de variacin significativas y determinables en el
tiempo. El desempeo cuantifica una evaluacin de largo plazo de los errores
(aleatorios y sistemticos) combinados de las mediciones. Por tanto, el desempeo
incluye componentes de error de largo plazo de:
Habilidad (errores de corto plazo)
Estabilidad y consistencia
Hacer referencia al captulo III para mtodos y ejemplos tpicos para cuantificar
cada componente.
Un estimativo del desempeo en las mediciones es una expresin del error esperado
para condiciones definidas, alcance y rango del sistema de medicin (a diferencia de
la incertidumbre en las mediciones, la cual es una expresin del error esperado del
rango o valores asociados con un resultado de medicin). La expresin del
desempeo de la variacin (varianza) combinada cuando los errores de las
mediciones no se correlacionan (aleatorios e independientes) puede cuantificarse
como:
2performance = 2habilidad + 2estabilidad + 2consistencia
59
Captulo l Seccin E
Otra vez, justo como en la habilidad de corto plazo, el desempeo de largo plazo
est siempre asociado con un alcance definido de las mediciones condiciones,
rango y tiempo. El alcance para un estimativo del desempeo en las mediciones
pudiera ser muy especfico o una declaracin general de operacin, sobre una
porcin limitada o el rango completo de medicin. En el largo plazo pudiera
significar: el promedio de evaluaciones de varias habilidades en el tiempo, el error
promedio en el largo plazo de una grfica de control de mediciones, una evaluacin
de los registros de calibracin o estudios de linealidad mltiple, un promedio del
error de varios estudios RRG sobre la vida y rango del sistema de medicin en
cuestin. Una declaracin del desempeo en las mediciones necesita ser lo ms
completo y razonable para representar las condiciones y rango de la medicin.
La consistencia y uniformidad (errores de repetibilidad) de largo plazo sobre un
rango de mediciones est incluido en el estimativo de desempeo, El analista de las
mediciones debe estar conciente de la correlacin potencial de errores a fin de no
sobreestimar el estimativo del desempeo. Esto depende de cmo los errores
componentes fueron determinados. Cuando la linealidad (no corregida),
uniformidad o consistencia de largo plazo varen significativamente y sobre el
rango, el planeador de las mediciones y analista cuentan solo con dos opciones
prcticas:
1) Reportar el desempeo mximo (peor de los casos) para las condiciones
definidas completas, y el alcance y rango del sistema de medicin, o
2) Determinar y reportar evaluaciones mltiples de desempeo para una
porcin definida del rango de medicin (ej., rango bajo, medio, alto).
Incertidumbre
La incertidumbre de las mediciones es definida por VIM como un parmetro,
asociado con el resultado de una medicin, que caracteriza la dispersin de los
valores que pudieran ser razonablemente atribuibles a lo medido.22 Ver
captulo 1, seccin F, para ms detalles.
Comentarios
De los parmetros de un sistema de medicin, la exactitud y la precisin son las

ms familiares para el personal de operacin, dado que stos se usan en la vida
diaria as como en discusiones tcnicas y de ventas. Desafortunadamente, estos
trminos son tambin los menos claros dado que a menudo se toman como
intercambiables. Por ejemplo, si un gage es certificado por una agencia
independiente como exacto, o si el instrumento est garantizado para tener una alta
precisin por el vendedor, entonces se piensa incorrectamente que todas las
lecturas caern muy cerca de los valores actuales. Esto no est conceptualmente
equivocado pero s puede conducir a decisiones equivocadas acerca del producto y
proceso.
Esta ambigedad afecta al sesgo y a la repetibilidad (como medidas de exactitud y
precisin). Es importante hacer notar que:
22
Lo medido es entonces definido por VIM como la cantidad particular sujeta a medicin.
60
Captulo l Seccin E
El sesgo y la repetibilidad son independientes una de otra (ver Figura I-E 6).
El controlar una de estas fuentes de error no garantiza el control de las otras.

Consecuentemente los programas de control de los sistemas de medicin
(tradicionalmente referidos como Programas de Control de Gages) deben
cuantificar y rastrear todas las fuentes de variacin relevantes.23
23
Ver tambin Captulo I, Seccin B.
61
Captulo l Seccin E
Figura I-E 6: Relacin entre Sesgo y Repetibilidad
62
Captulo l Seccin F
Incertidumbre en las Mediciones
Seccin F
La incertidumbre en las mediciones es un trmino usado internacionalmente para
describir la calidad de un valor de medicin. An y cuando este trmino ha sido
tradicionalmente reservado para muchas de las mediciones de alta exactitud
ejecutadas en laboratorios de metrologa o gages, muchos clientes y estndares
normas de sistemas de calidad requieren que la incertidumbre en las mediciones
sea conocida y consistente con la habilidad requeridas de las mediciones de
cualquier equipo de inspeccin, medicin o prueba.
En esencia, la incertidumbre es el rango asignado a los resultados de las
mediciones que describe, dentro de un nivel de confiabilidad definido, el rango
esperado para contener los resultados de mediciones verdaderos. La
incertidumbre en las mediciones es normalmente reportada como una cantidad
bilateral. La incertidumbre es una expresin cuantificada de la confiabilidad en
las mediciones. Una expresin simple de este concepto es:
Medicin verdadera = medicin observada (resultado) + U
U es el trmino para la incertidumbre expandida de lo medido y el resultado de
la medicin. La incertidumbre expandida es el error estndar combinado (uc), o
desviacin estndar de los errores (aleatorios y sistemticos) combinados en el
proceso de medicin multiplicado por un factor de cobertura (k) que representa el
rea de la curva normal para un nivel de confiabilidad deseado. Recordar que una
distribucin normal a menudo se aplica como un supuesto o principio para los
sistemas de medicin. La Gua para la Incertidumbre en las Mediciones de
ISO/IEC establece el factor de cobertura como suficiente para reportar la
incertidumbre al 95% de una distribucin normal. Esto a menudo se interpreta
como k=2.
U = kuc
El error estndar combinado (uc) incluye todos los componentes significativos de
la variacin del proceso de medicin. En la mayora de los casos, los mtodos de
anlisis de sistemas de medicin ejecutados de acuerdo con este manual pueden
ser usados como una herramienta para cuantificar muchas de las fuentes de
incertidumbre en las mediciones. A menudo, el componente de error ms
significativo puede ser cuantificado por 2desempeo. Otras fuentes de error
significativas pueden aplicarse en base a la aplicacin de las mediciones mismas.
Una declaracin de incertidumbre debe incluir un alcance adecuado que
identifique todos los errores significativos y permita que las mediciones se
repliquen. Algunas declaraciones de incertidumbre construyen en el largo plazo,
otras en el corto plazo, el error del sistema de medicin. Sin embargo, la
expresin simple puede ser cuantificada como:
63
= 2desempeo +
2
otros
Captulo l Seccin F
Es importante recordar que la incertidumbre en las mediciones es simplemente un

estimativo de que tanto puede variar una medicin en el tiempo de la medicin
misma. Debiera considerar todas las fuentes significativas de variacin en las
mediciones en el proceso de medicin adems de los errores significativos de
calibracin, patrones master, mtodo, medio ambiente y otros no considerados
previamente en el proceso de medicin. En muchos casos, este estimativo usa
mtodos de MSA y RRG para cuantificar estos errores estndar significativos. Es
apropiado re-evaluar peridicamente la incertidumbre, relacionada sta a un
proceso de medicin para asegurar la exactitud continua del estimativo.
Incertidumbre en las
Mediciones y MSA
La diferencia principal entre incertidumbre y MSA es que el MSA se enfoca a

entender el proceso de medicin, determinando la cantidad de error en el proceso
mismo, y evaluando la adecuacin del sistema de medicin para control del
producto y proceso. MSA promueve el entendimiento y mejoramiento (reduccin
de la variacin). La incertidumbre es el rango de los valores de medicin,
definidos para un intervalo de confiabilidad y asociados con un resultado de
medicin y esperados para incluir el valor verdadero de las mediciones.
Rastreabilidad en las
Mediciones
La rastreabilidad es la propiedad de una medicin o el valor de un estndar, tal

que puede relacionarse con referencias establecidas, usualmente patrones
nacionales o internacionales, a travs de una cadena ininterrumpida de
comparaciones y todas con incertidumbres establecidas. Por tanto el
entendimiento de la incertidumbre en las mediciones de cada enlace en la cadena
es esencial. Incluyendo las fuentes de variacin de las mediciones de corto y largo
plazo que sean introducidas por el proceso de medicin y la cadena de
rastreabilidad, la incertidumbre de las mediciones en le sistema de medicin
pueden evaluarse asegurando que todos los efectos de rastreabilidad se tomen en
cuenta. Este, por tanto, puede reducir aspectos clave de correlacin en las
mediciones.
Gua ISO para la

Expresin de la
Incertidumbre en las
Mediciones
La Gua para la Expresin de la Incertidumbre en las Mediciones (GIM) es una

gua de cmo la incertidumbre de las mediciones puede evaluarse y expresarse.
An y cuando ofrece al usuario un entendimiento de la teora y establece
lineamientos de cmo la incertidumbre en las fuentes de medicin puede
clasificarse y combinarse, y debiera ser considerado un documento de
referencia de alto nivel, no un manual tipo como. Ofrece una gua o
lineamiento al usuario en algunos de los tpicos ms avanzados tales como,
independencia estadstica de las fuentes de variacin, anlisis de sensibilidad,
grados de libertad, etc. que son crticos cuando se evalan sistemas de medicin
ms complejos y/o de parmetros mltiples.
64
Captulo I Seccin G
Anlisis de Problemas de Mediciones
Seccin G
El entendimiento de la variacin de las mediciones y su contribucin a lo que hace una
variacin total necesita ser un paso fundamental en la solucin bsica del problema.
Cuando la variacin en el sistema de medicin excede todas las dems variables, llega a
ser necesario analizar y resolver aquellos aspectos clave antes de trabajar con el resto
del sistema. En algunos casos la contribucin de la variacin del sistema de medicin es
pasada por alto o ignorada. Esto puede causar prdida de tiempo y recursos conforme el
enfoque se hace al proceso mismo, cuando la variacin reportada es actualmente
causada por el dispositivo de medicin.
En esta seccin se hace una revisin a los pasos bsicos para solucin de problemas y
se muestra como se relacionan al entendimiento de aspectos clave en un sistema de
medicin. Cada compaa puede usar un proceso de solucin de problemas y el cual el
cliente le haya aprobado.
Si el sistema de medicin fue desarrollado usando mtodos de este manual, la mayora
de los pasos iniciales ya existen. Por ejemplo, un diagrama de causas y efectos puede ya
existir ofreciendo lecciones valiosas aprendidas del proceso de medicin. Estos datos
deben ser recolectados y evaluados previo a cualquier solucin formal de algn
problema.
Paso 1
Identifica los Aspectos Clave

Cuando se est trabajando con sistemas de medicin, como cualquier proceso, es
importante definir claramente el problema o aspecto clave. En el caso de aspectos clave
de mediciones, esto puede tomar forma de exactitud, variacin, estabilidad, etc. El
aspecto importante a ser es tratar de aislar la variacin de las mediciones y su
contribucin, de la variacin del proceso (la decisin puede ser trabajar en el proceso
ms que trabajar en el dispositivo de medicin). La declaracin del aspecto clave
necesita ser una definicin operacional que cualquiera entienda y sea capaz de actuar en
el aspecto en cuestin.
Paso 2
Identifica el Equipo
El equipo para solucin de un problema, en este caso, depende de la complejidad del
sistema de medicin y el aspecto clave. Un sistema de medicin simple puede requerir
solo un par de gente. Pero conforme el sistema y aspecto clave lleguen a ser ms
complejos el equipo puede crecer en tamao (el mximo tamao de un equipo debe
limitarse a diez miembros). Los miembros del equipo y la funcin que ellos representan
necesitan ser identificados en la hoja de solucin de problemas.
Paso 3
Diagrama de Flujo del Sistema de Medicin y el Proceso

El equipo revisara cualquier diagrama de flujo histrico del sistema de medicin y el
proceso. Esto llevara a la discusin de informacin conocida y no conocida a cerca de
las mediciones y su interrelacin con el proceso. El proceso de graficar el flujo puede
identificar miembros adicionales a agregar al equipo.
65
Captulo I Seccin G
Paso 4
Diagrama de Causas y Efectos

El equipo revisara cualquier diagrama de causas efectos histrico sobre el sistema de
medicin. Esto podra, en algunos casos, generar una solucin total o parcial. Esto
tambin llevara a una discusin de informacin conocida y no conocida. El equipo
utilizara conocimientos del tema en cuestin para identificar inicialmente aquellas
variables con la ms grande contribucin del aspecto clave. Estudios adicionales
pueden hacerse para sustentar las decisiones.
Plan-Hacer-Estudiar-Actuar (PHEA) 24
Paso 5
Es
tu
Esto llevara al esquema de planear hacer estudiar actuar, el cual es una forma de
estudio cientfico. Se planean experimentos, se recolectan datos, se determina la
estabilidad, se hacen hiptesis y se prueban hasta que se alcance una solucin
apropiada.
r
ce
Paso 6
ea
Ha
dio
ar
Pla
n
tu
Ac
D
Posible Solucin y Prueba de las Correccin
Los pasos y solucin son documentados para registrar la decisin. Un estudio
preliminar es ejecutado para validar la solucin. Esto puede hacerse usando alguna
forma de diseo de experimentos para validar la solucin. Tambin, pueden ejecutarse
estudios adicionales en el tiempo incluyendo variaciones ambientales y de materiales.
Paso 7
Institucionaliza el Cambio
La solucin final se documenta en un reporte; luego el departamento y funciones
apropiadas cambian el proceso de manera que el problema no sea recurrente en el
futuro. Esto puede requerir cambios en procedimientos, estndares o patrones y
materiales de entrenamiento. Este es uno de los pasos ms importantes en el proceso.
La mayora de los aspectos clave y problemas han ocurrido en algn punto en el tiempo
u otro.
24
W. Edwards Deming, The New Economics for Industry, Government, Education, The MIT Press, 1994, 2000
66
Captulo II
Conceptos Generales para Evaluaciones de Sistemas de Medicin
Captulo II
Conceptos Generales para Evaluaciones
de Sistemas de Medicin
67
Captulo II
Conceptos Generales para Evaluaciones de Sistemas de Medicin
68
Captulo II - Seccin A
Antecedentes
Seccin A
Antecedentes
Dos reas importantes que necesitan ser evaluadas son:
1) Verifica que la variable correcta est siendo medida y en la localizacin
apropiada para la caracterstica. Verifica los dispositivos y sujecin si aplica.
Identifica tambin cualquier aspecto clave y crtico ambiental que sea
interdependiente con las mediciones. Si la variable equivocada est siendo
medida, entonces no importa que tan exacto o preciso es el sistema de
medicin, y simplemente consumir recursos sin ofrecer beneficios.
2) Determina que propiedades estadsticas del sistema de medicin necesitan
determinarse a fin de ser aceptable. A fin de determinar esto, es importante
saber como son usados los datos, que sin tal conocimiento, las propiedades
estadsticas apropiadas no puedan determinarse. Despus de que las
propiedades estadsticas se han determinado, el sistema de medicin debe ser
evaluado para saber si actualmente cuenta o no con dichas propiedades.
Etapa 1 & 2
Entendimiento del
proceso de medicin y
satisface los
requerimientos?
La prueba de la Etapa 1 es una evaluacin para verificar que la variable correcta

est siendo medida y en la localizacin para la caracterstica apropiada con base
en la especificacin del diseo del sistema de medicin. (Verifica dispositivos y
sujecin si aplica) Tambin si existen aspectos ambientales crticos que sean
interdependientes con la medicin. La etapa 1 pudiera usar un experimento
diseado estadsticamente para evaluar el efecto del ambiente operativo en los
parmetros del sistema de medicin (ej., sesgo, linealidad, repetibilidad y
reproducibilidad). La etapa 1 prueba los resultados para indicar que el ambiente
de operacin no contribuya significativamente a la variacin global del sistema
de medicin. Adicionalmente, la variacin atribuible al sesgo y linealidad del
dispositivo de medicin debiera ser pequea comparada con los componentes de
repetibilidad y reproducibilidad.
El conocimiento logrado durante las pruebas e la etapa 1 debiera ser una entrada
para el desarrollo del programa de mantenimiento del sistema de medicin as
como el tipo de prueba que debiera usarse durante la etapa 2. Los aspectos
ambientales pueden conducir a un cambio en localizacin o a un ambiente
controlado para el dispositivo de medicin.
Por ejemplo, si existe un impacto significativo de la repetibilidad y
reproducibilidad sobre la variacin total del sistema de medicin, un
experimento estadstico y simple de dos factores pudiera realizarse
peridicamente como la prueba de la etapa 2.
El proceso de
medicin satisface los
requerimientos en el
tiempo?
La prueba de la Etapa 2 ofrece un monitoreo continuo de las fuentes clave de

variacin para una confiabilidad continua del sistema de medicin (y los datos
generados) y/o una seal de que el sistema de medicin se haya degradado en el
tiempo.
69
Captulo Il Seccin A
Antecedentes
70
Captulo II - Seccin B
Seleccin/Desarrollo de Procedimientos de Prueba
Seccin B
Seleccin / Desarrollo de Procedimientos de Prueba
Cualquier tcnica puede ser til si sus limitaciones son entendidas y observadas.25
Muchos procedimientos apropiados estn disponibles para evaluacin de
sistemas de medicin. La seleccin de cual procedimiento usar depende de
muchos factores, la mayora de los cuales necesita determinarse sobre la base de
caso por caso para cada sistema de medicin ase revaluado. En algunos casos,
pueden requerirse pruebas preliminares para determinar si un procedimiento es
apropiado o no para un sistema de medicin particular. Dichas pruebas
preliminares deben ser una parte integral de las pruebas de la etapa 1 discutidas
en la seccin anterior.
Los aspectos clave y generales a considerar cuando se seleccione o desarrolle un
procedimiento de evaluacin incluyen:
25
26
Los estndares o normas tales como, los rastreables con NIST, debieran ser
usados en las pruebas, y si es as, qu nivel de estndar o patrn es
apropiado? Los estndares son frecuentemente esenciales para evaluar la
exactitud de un sistema de medicin. Si no se usan estndares o patrones, la
variabilidad del sistema de medicin puede an ser evaluada, aunque puede
no ser posible evaluar su exactitud con una credibilidad razonable. La falta
de tal credibilidad puede ser un aspecto clave, por ejemplo, en la intencin
de resolver una diferencia aparente entre el sistema de medicin de un
fabricante y el sistema de medicin de un cliente.
Para pruebas continuas en la etapa 2, puede considerarse el uso de

mediciones a ciegas. Las mediciones a ciegas son mediciones obtenidas en
el ambiente de medicin actual por un operador que no sepa que tal
evaluacin del sistema de medicin se est conduciendo. Pruebas
apropiadamente administradas y basadas en mediciones a ciegas
generalmente no son contaminadas por el bien conocido Efecto
Hawthorne.26
El costo de las pruebas.
El tiempo requerido para las pruebas.
Cualquier otro trmino para el cual no haya una definicin comnmente

aceptada debiera ser definido operacionalmente. Ejemplos de tales trminos
incluyen exactitud, precisin, repetibilidad, reproducibilidad, etc.
W. Edwards Deming, The Logic of Evaluation, The Handbook of Evaluation Research, Vol. 1, Elmer L. Struening y
Marcia Guttentag, Editores
El Efecto Hawthorne se refiere a los resultados de una serie de experimentos industriales, ejecutados en los trabajos
de Hawthorne de Western Electric entre Noviembre 1924 y Agosto 1932. En los experimentos, los investigadores
modifican sistemticamente las condiciones de trabajo de cinco ensambladores y monitorean los resultados.
Conforme las condiciones se mejoran, la produccin se incrementa. Sin embargo, cuando las condiciones de trabajo
se degradan, la produccin contina mejorndose. Se pens que esto trajo resultados a los trabajadores para
desarrollar una actitud mas positiva hacia el trabajo en si, como resultado de ser ellos parte del estudio, mas que el
resultado de cambiar las condiciones de trabajo. Ver Una Historia de los Experimentos Hawthorne, por Richard
Gillespie, Cambridge University Press, New York, 1991.
71
Captulo Il Seccin B
Seleccin/Desarrollo de Procedimientos de Prueba
Las mediciones tomadas por el sistema de medicin se comparan con las

mediciones tomadas por otro sistema? Si es as, debiera considerarse el uso
de procedimientos de prueba que se soporten en el uso de estndares o
patrones tales como los discutidos en la etapa 1 arriba indicada. Si no se
usan estndares o patrones, puede ser posible determinar si los dos sistemas
de medicin estn trabajando bien juntos o no. Sin embargo, si los sistemas
no estn trabando bien juntos, entonces puede no ser posible, sin el uso de
estndares o patrones, determinar que sistema necesita mejoramiento.
Con qu frecuencia debieran ejecutarse las pruebas de la etapa 2? Esta

decisin puede basarse en las propiedades estadsticas del sistema de
medicin individual y en las consecuencias con la instalacin, y los clientes
de la instalacin de un proceso de manufactura que de hecho, no sea
monitoreado debido a que el sistema de medicin no est operando
apropiadamente.
Adicional a estos aspectos clave y generales, otros aspectos clave que son
especficos al sistema de medicin particular a ser probados pueden ser tambin
importantes. El encontrar los aspectos clave especficos que sean importantes a
un sistema de medicin particular es uno de los dos objetivos de las pruebas de la
etapa 1.
72
Captulo II Seccin C
Preparacin para un Estudio de un Sistema de Medicin
Seccin C
Como en cualquier estudio o anlisis, la planeacin y preparacin suficiente debe
ser hecha previo a la conduccin de un estudio de un sistema de medicin. La
preparacin tpica y previa para conducir el estudio es como sigue:
1) El enfoque a usar debiera planearse. Por ejemplo, determinar usando juicio
de ingeniera, observaciones visuales o un estudio de un gage, si existe la
influencia de un evaluador en la calibracin o uso del instrumento. Existen
algunos sistemas de medicin donde el efecto de la reproducibilidad puede
ser considerado como insignificante; por ejemplo, cuando se oprime un
botn y se imprime un nmero.
2) El nmero de evaluadores, nmero de partes de la muestra y nmero de
lecturas repetidas debiera determinarse por anticipado. Algunos factores a
considerar en esta seleccin son:
(a) Criticalidad de la dimensin las dimensiones crticas requieren ms
partes y/o intentos. La razn es el grado de confiabilidad deseado
para estimaciones del estudio de un gage.
(b) Configuracin de la parte las partes a granel o pesadas pueden
determinar el que sean pocas muestras y ms intentos.
3) Dado que el propsito es evaluar el sistema de medicin total, los
evaluadores elegidos debieran ser seleccionados de aquellos que
normalmente operen el instrumento.
4) La seleccin de las partes de una muestra es crtico para un anlisis
apropiado y depende totalmente del diseo del estudio MSA, del propsito
del sistema de medicin y de la disponibilidad de las muestras de las partes
que representen el proceso de produccin.
Para situaciones de control de los productos donde resulten las
mediciones y se determinen criterios de decisin, el cumplimiento o
incumplimiento con la especificacin de una caracterstica (ej.,
inspeccin 100% o muestreo), deben seleccionarse muestras (o
estndares), aunque no necesitan cubrir el rango completo del proceso.
La evaluacin del sistema de medicin se basa en las tolerancias de la
caracterstica (ej., % de RRG con la TOLERANCIA).
Para situaciones del control del proceso, donde resulten las mediciones y
se determinen criterios de decisin, la estabilidad del proceso, la
direccin y cumplimiento con la variacin natural del proceso (ej., SPC,
monitoreo del proceso, habilidad y mejoramiento del proceso), la
disponibilidad de muestras sobre el rango de operacin completo llega a
ser muy importante. Un estimativo independiente de la variacin del
proceso (estudio de habilidad del proceso) es recomendable al evaluar la
adecuacin del sistema de medicin para control del proceso (ej., % de
RRG con la variacin del proceso).
73
Captulo Il Seccin C
Cuando un estimativo independiente de la variacin del proceso no est

disponible, O para determinar la direccin del proceso y la adecuacin
continua del sistema de medicin para el control del proceso, las partes de la
muestra deben ser seleccionadas del proceso y representar el rango de
operacin de produccin completo. La variacin en las partes de la muestra
(PV) seleccionadas para el estudio MSA es usada para calcular la Variacin
Total (TV) del estudio mismo. En ndice TV (ej., % de RRG del TV) es un
indicador de la direccin del proceso y estabilidad continua del sistema de
medicin para el control del proceso. Si las partes de la muestra NO
representan el proceso de produccin, el TV debe ser ignorado den la
evaluacin. El ignorar el TV no afecta las evaluaciones usando la tolerancia
(control del producto) o un estimativo independiente de la variacin del
proceso (control del proceso).
Las muestras pueden seleccionarse tomando una muestra por da por varios
das. Otra vez, esto es necesario porque las partes sern tratadas en el anlisis
como si representaran el rango de variacin de la produccin en el proceso.
Dado que cada parte ser medida varias veces, cada parte debe numerarse
para identificacin.
5) El instrumento debiera contar con una discriminacin tal que permita al
menos un dcimo de la variacin del proceso esperado de la caracterstica
sea ledo directamente. Por ejemplo, si la variacin de la caracterstica es
0.001, el equipo debiera ser capaz de leer un cambio de 0.0001.
6) Asegura que el mtodo de medicin (ej., evaluador e instrumento) est
midiendo la dimensin de la caracterstica y siguiendo un procedimiento de
medicin definido.
La manera en la cual se conduce un estudio es muy importante. Todos los anlisis
presentados en este manual asumen independencia estadstica de las lecturas
individuales 27. Para minimizar la probabilidad de resultados no confiables,
necesitan tomarse los siguientes pasos:
1) Las mediciones debieran tomarse en un orden aleatorio 28 para asegurar
cualquier impulso o cambio que pudiera ocurrir y hacer un estudio
totalmente aleatorio. Los evaluadores no debieran ser advertidos de cul
nmero de parte est siendo checada a fin de evitar cualquier posible sesgo
por conocimiento. Sin embargo, la persona que conduce el estudio debiera
saber cul es la parte numerada que est siendo checada y registrar los datos
como tales, esto es, Evaluador A, parte 1, primer intento; Evaluador B, parte
4, segundo intento, etc.
2) En la lectura del equipo, los valores de mediciones debieran registrarse en
un lmite prctico con la discriminacin del instrumento. Los dispositivos
mecnicos deben leerse y registrarse con las unidades ms pequeas de la
discriminacin de la escala. Para lecturas electrnicas, el plan de mediciones
debe establecer una poltica comn para registrar el dgito de la derecha ms
significativo del display. Los dispositivos anlogos debieran registrar en un
medio de la graduacin ms pequea o el lmite de sensibilidad o resolucin.
Para dispositivos anlogos si la ms pequea de la escala es 0.0001,
entonces los resultados de las mediciones debieran registrarse en 0.00005.
27
28
No existe correlacin entre las lecturas.

Ver Captulo III, Seccin B, Aleatoriedad e Independencia Estadstica
74
Captulo II Seccin C
3) El estudio debiera ser administrado y observado por una persona que

entienda la importancia de conducir un estudio confiable.
Cuando se desarrollen programas de pruebas de etapa 1 o etapa 2 existen varios
factores que necesitan ser considerados:
Qu efecto tiene el evaluador en el proceso de medicin? Si es posible, los
evaluadores que normalmente usen el dispositivo de medicin debieran ser
incluidos en el estudio.
Cada evaluador debiera usar el procedimiento incluyendo todos
los pasos que ellos usen normalmente para obtener las lecturas.
El efecto de las diferencias entre los mtodos que los evaluadores
usen ser reflejado en la reproducibilidad del sistema de medicin.
Es la calibracin del evaluador del equipo de medicin muy probable una

causa significativa de variacin? Si es as, los evaluadores debieran
recalibrar el equipo antes de cada grupo de lecturas.
Cuntas partes de la muestra y lecturas repetidas son requeridas? El
nmero de partes requeridas depende de la significancia de la caracterstica
a ser medida y del nivel de confiabilidad requerido en el estimativo de
variacin del sistema de medicin.
Aunque el nmero de evaluadores, intentos y partes puede ser
variable cuando se usen las prcticas recomendadas y discutidas
en este manual, el nmero de evaluadores, intentos y partes
debiera mantenerse constante entre programas de pruebas de
etapa 1 y etapa 2 o entre pruebas secuenciales de la etapa 2 para
sistemas de medicin comunes. El mantener condiciones comunes
entre programas de pruebas y pruebas secuenciales mejorar las
comparaciones entre los diferentes resultados de pruebas.
75
Captulo Il Seccin C
76
Captulo II Seccin D
Anlisis de Resultados
Seccin D
Los resultados debieran evaluarse para determinar si el dispositivo de medicin
es aceptable para su aplicacin esperada. Un sistema de medicin debiera ser
estable antes de ser vlido cualquier anlisis adicional.
Error por Ensamble

Dispositivo
Criterios de Aceptacin Error por Ensamble Dispositivo de

Gages
Un gage inapropiado en el diseo de sus dispositivos ensamblado pobremente
incrementa el error en las mediciones. Esto se encuentra normalmente cuando las
mediciones indican despliegan alguna inestabilidad en el proceso condiciones
fuera de control. Esto puede ser debido a variaciones del gage excesivas una
repetibilidad pobre y valores de RRG pobres.
En general, la primer cosa a hacer cuando existe algn aspecto clave aparente en
las mediciones es revisar el ensamble y las instrucciones de ajuste, para estar
seguros de que el gage fue apropiadamente ensamblado, (NOTA: esto no estara en
las instrucciones) y, por ejemplo, los sujetadores/probadores estn correctamente
posicionados y tengan la carga correcta. Tambin, para mediciones automatizadas,
verificar que el programa sigue el protocolo requerido esperado.
Si se encuentran problemas en alguna de estas reas, se resetea repara el gage y
los dispositivos, y entonces se vuelve a correr la evaluacin de las mediciones.
Error de Localizacin
Criterios de Aceptacin Error de Localizacin

El error de la localizacin es normalmente definido analizando el sesgo y la
linealidad.
En general, el sesgo o error de linealidad de un sistema de medicin es inaceptable
si es significativamente diferente de cero o excede el mximo error permisible
establecido por el procedimiento de calibracin de gages. En tales casos, el sistema
de medicin debiera recalibrarse o aplicarse una correccin de compensacin para
minimizar este error.
Error de Amplitud
Criterios de Aceptacin Error de Amplitud

Los criterios para saber si la variabilidad de un sistema de medicin es satisfactoria
dependen del porcentaje de la variabilidad del proceso de manufactura / produccin
o de la tolerancia de la parte que es consumida por la variacin del sistema de
medicin. Los criterios de aceptacin final para sistemas de medicin especficos
dependen del medio ambiente y propsito del sistema de medicin y debieran ser
acordados con el cliente. (Ver Captulo I Seccin B Los Efectos en la
Variabilidad de los Sistemas de Medicin)
Cuando se inicia la evaluacin de sistemas de medicin por una
organizacin, puede ser til establecer prioridades en cules sistemas de
medicin enfocarse. Dado que la variacin final (total) se basa en una
combinacin de la variacin del proceso y las mediciones,
, cuando el SPC ha sido aplicado

para control del proceso recoleccin de datos del proceso mismo, y
las grficas de control indican que el proceso es estable, el sistema de
medicin puede ser considerado como aceptable para dicho uso y no
77
Captulo Il Seccin D
requiere alguna re evaluacin por separado 29. Si alguna condicin no

conformancia fuera de control se encuentra en esta situacin, la primera
cosa que debiera hacerse es evaluar el sistema de medicin.
Para sistemas de medicin cuyo propsito es analizar un proceso, los lineamientos
y guas generales para la aceptacin de un sistema de medicin son como sigue:
GRR
Abajo del 10
porciento
Del 10 al 30
porciento
Arriba del
30 porciento
Decision
Generalmente considerado como
un sistema de medicin
aceptable.
Puede ser acceptable para
algunas aplicaciones
Se considera inaceptable
Comentarios
Recomendado, especialmente til cuando se trate de
separar clasificar partes cuando se requiere cerrar el
control del proceso.
La decision debiera basarse en, por ejemplo, importancia
de las mediciones en la aplicacin, costos de
dispositivos de medicin, costos de retrabajos
reparaciones.
Debiera ser aprobado por el cliente.
Debiera hacerse todo esfuerzo por mejorar el sistema de
medicin.
Esta condicin puede ser abordada por el uso de una
estrategia de mediciones apropiada; por ejemplo, usando
el resultado promedio de varias lecturas sobre la misma
caracterstica de la parte, a fin de reducir la variacin
final en las mediciones.
Tabla II-D 1: Criterios RRG

Mtrico Adicional para el Error de Amplitud
Otro estadstico de la variabilidad de un sistema de medicin es el nmero de
categoras distintas (ndc) 30. Este estadstico indica el nmero de categorias en las
cuales el proceso de medicin puede dividirse. Este valor debiera ser mayor igual
a 5.
Precaucin:
El uso de guas y lineamientos para RRG como un todo per se NO es una
prctica aceptable para determinar la aceptabilidad de un sistema de medicin.
29
30
Si el proceso total est en control estadstico por ambas grficas de promedios y variaciones y la variacin total es
aceptable, entonces puede asumirse que (1) ambas variabilidades actuales del proceso y las mediciones son
aceptables, (2) la variacin de las mediciones no es aceptable con respecto a la variacin del proceso (la cual es
extremadamente pequea) aunque ambos estn en control estadstico. En ambos casos el proceso est fabricando
producto aceptable. En el caso (2) la existencia de una no conformancia una condicin fuera de control podra ser una
falsa alarma (ej., el producto es aceptable pero la evaluacin dice que no lo es) y la cual causara una evaluacin de
ambos sistema de medicin y proceso.
Ver Captulo I, Seccin E, Aspectos Clave en las Mediciones.
78
Captulo II Seccin D
La aplicacin de guas y lineamientos de inicio asume que la estadstica calculada

son estimativos determinantes de la variabilidad del sistema de medicin (los cuales
no lo son). Especificando las guas y lineamientos como criterios de inicio pueden
llevar a un comportamiento equivocado. Por ejemplo, el proveedor puede ser
creativo en lograr un bajo RRG eliminando fuentes de variacin en la vida real (ej.,
interacciones de la parte con el gage) manipulando el estudio de las mediciones
(ej., produciendo partes fuera de la variacin esperada del proceso).
Comentarios en la Aplicacin y Aceptabilidad de Gages
Cuando se ve un RRG y la variacin de las mediciones es importante ver cada
aplicacin en lo individual, para ver que se requiere y cmo van a ser usadas las
mediciones. Por ejemplo: la precisin requerida de una medicin de temperatura
puede ser diferente para aplicaciones no similares. El termostato de un cuarto puede
regular la temperatura para confort humano y a un precio muy econmico, pero
pudiera tener un RRG arriba de 30%. Es aceptable para esta aplicacin. Pero en un
laboratorio, donde pequeas variaciones en la temperatura pueden impactar en
resultados de pruebas, se requiere una ms sofisticada medicin y control de
temperatura. Este termostato sera ms caro y se requiere que cuente con una menor
variabilidad (ej., para tener un ms bajo RRG).
La aceptacin final de un sistema de medicin no debiera concretarse a
un solo conjunto de ndices. El desempeo de largo plazo del sistema de
medicin debiera ser tambin revisado usando anlisis grficos en el
tiempo.
79
Captulo Il Seccin D
80
Captulo III
Prcticas Recomendadas para Sistemas de Medicin Replicables
Captulo III
PRACTICAS RECOMENDADAS PARA SISTEMAS DE
MEDICIN REPLICABLES
81
Captulo IIl Seccin A

Ejemplos de Procedimientos de Prueba
82
Captulo III Seccin A

Seccin A
Ejemplos de procedimientos de prueba especficos son presentados en este
captulo. Los procedimientos son simples de usar y pueden aplicarse en un
ambiente de produccin. Como se discuti previamente, el procedimiento de
prueba que debiera usarse para entender un sistema de medicin y cuantificar su
variabilidad depende de las fuentes de variacin que pudieran afectar el sistema
de medicin mismo. En muchas situaciones las fuentes principales de medicin
son debidas al instrumento (gages/equipo), la persona (evaluador) y el mtodo
(procedimiento de medicin). Los procedimientos de prueba en este captulo son
suficientes para este tipo de anlisis de sistemas de medicin.
Los procedimientos son apropiados de usar cuando:
9 Solo dos factores o condiciones de medicin (ej., evaluadores y partes)
ms la repetibilidad del sistema de medicin estn siendo estudiados.
9 El efecto de la variabilidad dentro de cada parte es insignificante.
9 No existe interaccin estadstica entre los evaluadores y las partes.
9 Las partes no cambian dimensionalmente durante el estudio.
Un diseo estadstico de experimentos puede conducirse y/o conocimientos del
tema en cuestin pueden aplicarse para determinar si estos procedimientos son
apropiados para cualquier sistema de medicin especfico.
83
Captulo IIl Seccin A

84
Captulo III Seccin B

Guas y Lineamientos Estudios de Sistemas de Medicin de Variables
Seccin B
Guas y Lineamientos Estudio de Sistemas de Medicin de Variables
Esta seccin contiene lineamientos de implementacin para tcnicas de sistemas de
medicin descritas en el capitulo 1, seccin E. Una completa revisin de la seccin
E es recomendable para asegurar una apropiada aplicacin de estos lineamientos.
GUAS Y LINEAMIENTOS PARA DETERMINACIN DE LA ESTABILIDAD

Conduccin de un Estudio
1) Obtn una muestra y establece sus valores de referencia en relacin a un
estndar rastreable. Si no existe alguno disponible, seleccionar una parte de
produccin 31 que caiga en el rango medio de las mediciones de produccin y
desgnala como la muestra master para el anlisis de estabilidad. No se
requiere un valor de referencia conocido para rastrear la estabilidad del
sistema de medicin.
Puede ser deseable contar con muestras master para valores mnimos, altos y
de rango medio de las mediciones esperadas. Se recomiendan por separado
las mediciones y grficas de control.
2) Sobre una base peridica (diariamente, semanalmente), mide la muestra
master de 3 a 5 veces. El tamao de la muestra y frecuencia debieran basarse
en el conocimiento del sistema de medicin. Algunos factores pudieran incluir
que tan frecuente sea requerido la recalibracin o reparacin, que tan
frecuente sea usado el sistema de medicin y que tan extremas son las
condiciones de operacin. Las lecturas necesitan tomarse en diferentes
tiempos para representar cuando el sistema de medicin est realmente siendo
usado. Esto tomar en cuenta calentamientos, medio ambiente u otros factores
que pudieran cambiar durante el da.
3) Graficar los datos en una grfica de control X & R o X & s bajo el orden de
tiempo.
Anlisis de Resultados - Grfico

4) Establecer lmites de control y evaluar condiciones fuera de control o
inestables usando el anlisis estndar de grficas de control.
31
Debiera tomarse precaucin cuando el master de produccin pudiera experimentar un excesivo desgaste debido al uso,
material o manejo. Esto puede requerir el modificar la parte de produccin tal como el acabado, para extender la vida del
master mismo.
85
Captulo IIl Seccin B

Anlisis de Resultados Numrico

Adems del anlisis normal de grficas de control, no existe un anlisis numrico y
especfico o ndice para estabilidad. 32
Si el proceso de medicin es estable, los datos pueden usarse para determinar el
sesgo del sistema de medicin.
Tambin, la desviacin estndar de las mediciones puede usarse como una
aproximacin de la repetibilidad del sistema de medicin mismo. Esta puede
compararse con la del proceso para determinar si la repetibilidad del sistema de
medicin es adecuada para la aplicacin.
El diseo de experimentos u otras tcnicas analticas de solucin de
problemas pueden requerirse para determinar los contribuidores
primarios de la falta de estabilidad del sistema de medicin.
Ejemplo Estabilidad
Para determinar si la estabilidad de un nuevo instrumento de medicin es aceptable,
el equipo de proceso selecciona una parte prxima al punto medio del rango del
proceso de produccin. Esta parte es enviada al laboratorio de medicin para
determinar el valor de referencia el cual es 6.01. El equipo mide esta parte 5 veces
una vez al turno por cuatro semanas (20 subgrupos). Despus de que todos los datos
son recolectados, las grficas XR son desarrolladas (ver Figura III-B 1).
Grfica Xbarra/R para Estabilidad
Figura III-B 1: Anlisis de la Grfica de Control para Estabilidad

El anlisis de las grficas de control indica que el proceso de medicin es
estable dado que no hay efectos de causas especiales obvias visibles.
32
Ver Manual de Referencia del SPC.
86

GUAS Y LINEAMIENTOS PARA DETERMINACIN DEL SESGO 33 Mtodo de Muestras

Independientes
Conduccin del Estudio

El mtodo de muestras independientes para determinar si el sesgo es aceptable usa
la Prueba de Hiptesis:
Ho sesgo = 0
H1 sesgo 0
El sesgo promedio calculado es evaluado para determinar si el sesgo pudiera ser
debido a variaciones aleatorias (muestreo).
En general, el error del sesgo y la linealidad de un sistema de medicin es
aceptable si no es significativamente diferente de cero, cuando se compare con la
repetibilidad. Consecuentemente, la repetibilidad debe ser aceptable cuando se
compare con la variacin del proceso a fin de que este anlisis sea til.
1) Obtn una muestra y establece su valor de referencia en relacin aun

estndar o patrn rastreable. Si no existe alguno disponible, selecciona
una parte de produccin que caiga en el rango medio de las mediciones
de produccin y desgnala como la muestra master para el anlisis de
sesgo. Mide la parte n >10 veces en el cuarto de herramientas y calcula el
promedio de las lecturas n. Usa este promedio como el valor de
referencia.
Puede ser deseable contar con muestras master para valores mnimos,
altos y de rango medio de las mediciones esperadas. Si esto se hace,
analiza los datos usando un estudio de linealidad.
2) Cuenta con un solo evaluador para que mida la muestra n >10 veces de
una forma normal.
Resultados de Anlisis Grfico

3) Determina el sesgo de cada lectura:
sesgoi = xi valor Referencia
4) Grafica los datos como histograma en relacin al valor de referencia.
Revisa el histograma, usando el conocimiento del tema en cuestin, para
determinar si causas especiales o anomalas estn presentes. Si no,
contina con el anlisis. Precaucin especial debe tenerse para alguna
interpretacin o anlisis cuando n < 30.
33
Ver Captulo I, Seccin E, para una definicin operacional y discusin de causas potenciales.
87

Resultados de Anlisis Numrico

5) Calcula el sesgo promedio de las n lecturas
n
sesgo
promedio =
sesgo
i =1
6) Calcula la desviacin estndar de la repetibilidad (ver tambin Estudios

de Gages, Mtodo de Rangos, mostrado adelante).
n
repetibilidad
= r =
X i X
i =1
n 1
Si est disponible un estudio RRG (y vlido) el clculo de la desviacin

estndar de la repetibilidad debiera basarse en los resultados del estudio.
7)
Determine si la repetibilidad es aceptable calculando el
%EV = 100 [EV/TV] = 100[
repetibilidad/TV]
Cuando la variacin total (TV) se base en la variacin esperada del proceso (se
prefiere) el rango de especificacin dividido por 6 (ver tambin el estudio RRG
abajo).
Si el %EV es largo (ver Captulo II, Seccin D), entonces la variacin del
sistema de medicin puede ser inaceptable. Dado que el anlisis de sesgo asume
que la repetibilidad es aceptable, la continuacin del anlisis del sistema de
medicin con un %EV largo podra conducir a resultados que se malinterpreten
confusos. Nota TF: Qu especficamente suponemos ver en Seccin D que ligue
con EV?
8) Determina el estadstico t para el sesgo: 34
=
b
estadstic o t = t sesgo =
sesgo
promedio
9) El sesgo es aceptable (estadsticamente cero) en un nivel si

el valor p asociado con
34
La incertidumbre para el sesgo es dada con
88
bias
es ms que ;

Cero cae dentro de los lmites de confiabilidad de 1 basados

en el valor de sesgo:
Sesgo b tv ,1 cero Sesgo + b tv ,1

2
2
donde v = n 1 y
t v ,1
es encontrado usando las tablas estndar de t.

2
El nivel usado depende del nivel de sensibilidad, el cual es necesario

para evaluar / controlar el proceso y es asociado con la funcin de prdida
(curva de sensibilidad) del producto / proceso. Debiera obtenerse un
acuerdo con el cliente si se utiliza un nivel diferente al valor por defaul de
0.05 (confiabilidad del 95%).
Ejemplo Sesgo
Un ingeniero de manufactura estaba evaluando un nuevo sistema de medicin para
monitorear un proceso. Un anlisis del equipo de medicin indic que no debiera
ver aspectos clave de linealidad, de manera que el ingeniero tuviera solo el sesgo del
sistema de medicin evaluado. Es seleccionada una sola parte dentro del rango de
operacin del sistema de medicin y basada en la variacin documentada del
proceso. Esta parte fue medida por una inspeccin de layout para determinar su
valor referencia. La parte fue entonces medida quince veces por el operador lder.
89

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
I
N
T
E
N
T
O
S
Valor de Referencia = 6.00

5.8
5.7
5.9
5.9
6.0
6.1
6.0
6.1
6.4
6.3
6.0
6.1
6.2
5.6
6.0
Sesgo
-0.2
-0.3
-0.1
-0.1
0.0
0.1
0.0
0.1
0.4
0.3
0.0
0.1
0.2
-0.4
0.0
Tabla III-B 1: Datos de Estudio de Sesgo

Usando una hoja de clculo y software estadstico, el supervisor generara el
histograma y anlisis numrico (ver Figura III-B 2 y Tabla III-B 2).
Frecuencia
1
0
5.6
5.7
5.8
5.9
6.0
6.1
Valor de las Mediciones
90
6.2
6.3
6.4

Histograma del Estudio - sesgo
Frecuencia
(Con H0 y un intervalo de confianza del 95% para t para el promedio)
Estudio - sesgo
Tabla III-B 2: Estudio de Sesgo - Histograma del Estudio de Sesgo
El histograma no mostraba alguna anomala punto ms all de sus lmites que
requiriera anlisis y revisin adicional.
La repetibilidad de 0.2120 se compare contra la variacin del proceso esperada
(desviacin estndar) de 2.5. Dado que el %EV = 100(.212/2.5) = 8.5%, la
repetibilidad es aceptable y el anlisis de sesgo puede continuar.
Dado que el cero cae dentro del intervalo de confiabilidad del sesgo (-0.1107,
0.1241), el ingeniero puede asumir que el sesgo de las mediciones es aceptable
asumiendo que el uso actual no introduce fuentes adicionales de variacin.
91

Valor Medido
Promedio
15
6.0067
Valor de Referencia = 6.00, = 0.05

Valor t
Intervalo de Confianza del
Sesgo
df
Significativo
95% del Sesgo
Promedio
(2 colas)
Inferior
Superior
Estadstico
t
Valor
Medido
Error
Desviacin
Estndar de
Estndar, r
la Media, b
0.2120
0.0547
0.12
14
2.14479
0067
-0.1107
0.1241
Tabla III-B 2: Estudio de Sesgo Anlisis del Estudio de Sesgo 35

GUAS Y LINEAMIENTOS PARA DETERMINACIN DEL SESGO Mtodo por Grficas de Control

Si se usa una grfica X & R para medir la estabilidad, los datos pueden tambin
usarse para evaluar el sesgo. El anlisis de la grfica de control debiera indicar
que el sistema d medicin es estable antes de que el sesgo se evaluado.
1)
Obtn una muestra y establece su valor de referencia en relacin a un

estndar o patrn rastreable. Si no existe uno disponible, selecciona una
parte de produccin que caiga en el rango medio de las mediciones de
produccin y desgnala como la muestra master para el anlisis del sesgo.
Mide la parte n >10 veces en el cuarto de herramientas y calcula el
promedio de las n lecturas. Usa este promedio como el valor de
referencia.
2) Conduce el estudio de estabilidad con g (subgrupos) 20 subgrupos de

tamao m.
35
Aun y cuando los datos son ofrecidos con un dgito despus del punto decimal, los resultados son mostrados por un
programa estadstico tpico usando doble precisin; ej., con dgitos decimales mltiples.
92

Anlisis de Resultados Grfico

3)
Si la grfica de control indica que el proceso es estable y m = 1, usa el

anlisis descrito para el mtodo de muestras independientes (ver arriba).
4)
Si m 2, grafica los datos en un histograma relativos al valor de referencia.

Revisa el histograma, usando conocimientos del asunto tema en cuestin,
para determinar si estn presentes causas especiales anomalas. Si no,
continua con el anlisis.
Anlisis de Resultados Numrico

5)
Obtn la X de la grfica de control.
6)
Calcula el sesgo restando el valor de referencia de X .

sesgo = X - valor de referencia
7)
Calcula la desviacin estndar de la repetibilidad usando el promedio de los

rangos.
repetibilidad =
R
d 2*
donde d*2 se basa en el tamao (m) de los subgrupos y el nmero de

subgrupos en la grfica (g). (ver Apndice C).
8)
Determina si la repetibilidad es aceptable calculando el

%EV = 100[EV/TV] = 100 [ repetibilidad /TV]
Cuando la variacin total (TV) se base en la variacin del proceso esperada
(preferida) el rango de especificacin se divida por 6 (ver tambin el
estudio RRG abajo).
Si el %EV es grande (ver Captulo II, seccin D), entonces la variacin
del sistema de medicin puede ser inaceptable. Dado que el anlisis de
sesgo asume que la repetibilidad es aceptable, el continuar el anlisis con
un sistema de medicin con un %EV grande conducira a resultados que
podran mal interpretarse confusos; ej., el anlisis puede indicar que el
sesgo es estadsticamente cero, mientras que la magnitud absoluta del
sesgo excede a los valores aceptables del equipo.
93

9)
Determina el estadstico t para el sesgo: 36
b = r
gm
estadstico t = t sesgo =
sesgo
10) El sesgo es aceptable (estadsticamente cero) en el nivel si el cero cae

dentro de los lmites de confiabilidad de 1 y alrededor del valor del
sesgo:
Sesgo b tv ,1 cero Sesgo + b tv ,1

2
2
donde v se encuentra en el Apndice C

y t se encuentra usando las tablas estndar para t.
v ,1
El nivel de usado depende del nivel de sensibilidad que sea necesario para
evaluar / controlar el proceso y es asociado con la funcin de prdida (curva de
sensibilidad) del producto / proceso. Debiera obtenerse un acuerdo con el cliente si
se usa un nivel de diferente al valor por defaul de 0.05 (confiabilidad del 95%).
Ejemplo Sesgo
En referencia a la Figura III-B 1 el estudio de estabilidad fue realizado sobre una parte
que tena un valor de referencia de 6.01. El promedio global de todas las muestras (20
subgrupos de tamao 5 para n = 100 muestras) fue de 6.021. El sesgo calculado es por
tanto 0.011.
Usando una hoja de clculo y software estadstico, el supervisor generara un anlisis
numrico (Tabla III-B 3).
Dado que el cero cae dentro del intervalo de confiabilidad del sesgo (-0.0299, 0.0519),
el equipo de procesos puede asumir que el sesgo de las mediciones es aceptable
asumiendo que el uso actual no introduce fuentes de variacin adicionales.
36
La incertidumbre para el sesgo es dada por
b .
94

Valor Medido
X , Media
100
6.021
Error
Desviacin
Estndar de
Estndar
la Media b
0.2048
0.02048
Valor de Referencia = 6.01, = 0.05, m=5, g = 20, d 2* = 2.334, d2 = 2.326

Intervalo de Confianza del
Valor
Estadstico
Sesgo
95% del Sesgo
df
Significativo de t
t
(2 colas)
Inferior
Superior
Valor
Medido
0.5371
72.7
1.993
0.011
-0.0299
0.0519
Tabla III-B 3: Estudio de Sesgo Anlisis de un Estudio de Estabilidad para Sesgo
Anlisis de Estudios de Sesgo

Si el sesgo es estadsticamente no cero, investigar las siguientes posibles causas:
Error en el master o valor de referencia. Procedimiento de chequeo del

master.
Instrumento desgastado. Esto puede mostrarse en el anlisis de estabilidad

y sugerira un programa de mantenimiento o reconstruccin.
Instrumento hecho para dimensiones equivocadas.
Instrumento midiendo la caracterstica equivocada.
Instrumento no calibrado apropiadamente. Revisar el procedimiento de

calibracin.
Instrumento usado en forma inapropiada por el evaluador. Revisar las

instrucciones de medicin.
Algoritmo incorrecto para la correccin del instrumento.
Si el sistema de medicin cuenta con un sesgo no cero, donde debiera ser posible
recalibrarse para lograr un sesgo de cero a travs de la modificacin del
hardware, software o ambos. Si el sesgo no puede ajustarse a cero, todava puede
usarse a travs de un cambio en el procedimiento (ej., ajustando cada lectura por
el sesgo). Dado que esto cuenta con un alto riesgo de error del evaluador, debiera
usarse solo con la concurrencia del consumidor.
95

GUAS Y LINEAMIENTOS PARA DETERMINACIN DE LA LINEALIDAD 37

La linealidad puede evaluarse usando los siguientes lineamientos:
1) Selecciona g > 5 partes cuyas mediciones, debido a la variacin del proceso,
cubren el rango de operacin del gage.
2) Mide cada parte con una inspeccin de layout para determinar su valor de
referencia y confirmar que el rango de operacin del gage en cuestin est
cubierto.
3) Mide cada parte m >10 veces sobre el gage en cuestin por uno de los
operadores quien normalmente use el gage mismo.
9 Selecciona las partes al azar para minimizar algn sesgo del evaluador
en las mediciones.
Anlisis de Resultados Grfico

4) Calcula el sesgo de la parte por cada medicin y el promedio de los sesgos
para cada parte.
Sesgoi,j = Xi,j (valor de Referencia)i

m
Sesgo
i, j
Sesgoi =
j =1
5) Grafica los sesgos individuales y loa promedios de los sesgos con respecto a
los valores de referencia sobre una grfica lineal. (ver Figura III-B 3)
6) Calcula y grafica la mejor lnea ajustada y la banda de confiabilidad de la
lnea misma usando las ecuaciones siguientes.
Para el mejor ajuste de la lnea, usar: yi = axi + b
donde
xi = valor de Referencia
yi = Promedio de los sesgos

y
37
Ver Captulo I, Seccin E, para una definicin operacional y discusin de causas potenciales.
96

a=
= pendiente
xy gm x y
2
1
x 2 gm ( x )
b = y a x = int ercepcin
Para un dado x0, los lmites para el nivel de confianza 38 son:
donde s =
2
i
b yi a xi yi
gm 2
2 2
1
(x 0 x ) s
inferior: b + ax0 t gm, 2,1
+
2
2 gm
(xi x )
2
2
1
(
x0 x )
+
superior: b + ax0 + t gm , 2,1
s
2

2 gm
(
)
x
x
7) La desviacin estndar de la variabilidad de la repetibilidad.
repetibilidad
=s
Determina si la repetibilidad es aceptable calculando el

%EV = 100 [EV/TV] = 100 [ repetibilidad /TV]
Donde la variacin total (TV) se basa en al variacin del proceso

esperada (preferida) el rango de especificacin dividido por 6 (ver
tambin el estudio RRG abajo).
Si el %EV es largo (ver Captulo II, Seccin D), entonces la variacin
del sistema de medicin puede ser inaceptable. Dado que el anlisis de
sesgo asume que la repetibilidad es aceptable, la continuacin del
anlisis del sistema de medicin con un %EV largo podra conducir a
resultados que se malinterpreten confusos.
8) Graficar la lnea de sesgo = 0 y revisar la grfica para indicaciones de
causas especiales y aceptacin de la linealidad. (ver ejemplo de la Figura IIIB 3).
38
Ver la nota para la seleccin del nivel en el rea de Guas y Lineamientos para Determinar el Sesgo, en Captulo III,
Seccin B.
97

Para que la linealidad del sistema de medicin sea aceptable, la lnea de

sesgo = 0 debe extenderse totalmente dentro de las bandas de
confiabilidad de la lnea ajustada.
Anlisis de Resultados - Numrico

9) Si el anlisis grfico indica que la linealidad del sistema de medicin es
aceptable entonces la siguiente hiptesis debiera ser verdad:
H0: a = 0
inclinacin = 0
no rechazar si
t =
tgm 2,1 2
2
(x j x )
Si la hiptesis anterior es verdad entonces el sistema de medicin tiene el mismo

sesgo para todos los valores de referencia. Para que la linealidad sea aceptable
este sesgo debe ser 0.
H0 : b = 0
interseccin (sesgo) = 0
No rechazar si
t =
b
2
1
s
+
2
gm (xi x )
tgm 2,1 2
Ejemplo - Linealidad
Un supervisor de planta estaba presentando un nuevo sistema de medicin para un
proceso. Como parte de un PPAP 39, la linealidad del sistema de medicin necesitaba
ser evaluada. Se seleccionaron 5 partes alrededor del rango de operacin del sistema de
medicin y en base a la variacin del proceso documentado. Cada arte fue medida por
una inspeccin de layout para determinar su valor de referencia. Cada parte fue
entonces medida 12 veces por el operador titular. Las partes fueron seleccionadas al
azar durante el estudio.
39
Manual del Proceso de Aprobacin de Partes para Produccin, 4. Edicin, 2006
98

I
N
T
E
N
T
O
S
Valor de
Referencia
de la Parte
1
2
3
4
5
6
7
8
9
10
11
12
2.00
2.70
2.50
2.40
2.50
2.70
2.30
2.50
2.50
2.40
2.40
2.60
2.40
4.00
5.10
3.90
4.20
5.00
3.80
3.90
3.90
3.90
3.90
4.00
4.10
3.80
6.00
5.80
5.70
5.90
5.90
6.00
6.10
6.00
6.10
6.40
6.30
6.00
6.10
8.00
7.60
7.70
7.80
7.70
7.80
7.80
7.80
7.70
7.80
7.50
7.60
7.70
10.00
9.10
9.30
9.50
9.30
9.40
9.50
9.50
9.50
9.60
9.20
9.30
9.40
Tabla III-B 4: Datos del Estudio de Linealidad

Usando una hoja de clculo y software estadstico, el supervisor gener la grfica
de linealidad (Figura III-B 3).
Parte
Valor de
Referencia
1
2
3
S
4
5
E
6
7
S
8
9
G
10
11
O
12
Promedio del
Sesgo
2.00
0.7
0.5
0.4
0.5
0.7
0.3
0.5
0.5
0.4
0.4
0.6
0.4
0.491667
4.00
1.1
-0.1
0.2
1.0
-0.2
-0.1
-0.1
-0.1
-0.1
0.0
0.1
-0.2
0.125
6.00
-0.2
-0.3
-0.1
-0.1
-0.0
0.1
0.0
0.1
0.4
0.3
0.0
0.1
0.025
8.00
-0.4
-0.3
-0.2
-0.3
-0.2
-0.2
-0.2
-0.3
-0.2
-0.5
-0.4
-0.3
-0.29167
10.00
-0.9
-0.7
-0.5
-0.7
-0.6
-0.5
-0.5
-0.5
-0.4
-0.8
-0.7
-0.6
-0.61667
Tabla III-B 5: Estudio de Linealidad Resultados Intermedios
99

Ejemplo de Linealidad
Y = 0.736667 0.131667X
R-Sq = 71.4 %
Valores de Referencia
Figura III-B 3: Estudio de Linealidad Anlisis Grfico
El anlisis grfico indica que las causas especiales pueden estar influenciando al
sistema de medicin. Los datos para el valor de referencia 4 parecen ser
bimodales.
An si los datos para el valor de referencia 4 no fueran considerados, el anlisis

grfico muestra claramente que este sistema de medicin tiene un problema de
linealidad. El valor de R2 indica que un modelo lineal puede no ser un modelo
apropiado para estos datos.40 An si el modelo lineal fuera aceptado, la lnea de
sesgo = 0 intersecta los lmites de confiabilidad ms que estar contenido
dentro de stos.
En este punto, el supervisor debe empezar el anlisis y resolucin del problema

del sistema de medicin, dado que el anlisis numrico no ofrecer ningn
aspecto adicional. Sin embargo, queriendo estar seguro que el trabajo en papel no
se deja pendiente, el supervisor calcula el estadstico t para la inclinacin e
interseccin:
ta = -12.043
tb= 10.158
Tomando el defaul = 0.05 y yendo a las tablas t con (gm 2) = 58 grados de
libertad y una proporcin de 0.975, el supervisor llega al valor crtico de:
40
Ver textos estndar de estadstica sobre el anlisis de qu tan apropiado es usar un modelo lineal para describir las
relaciones entre dos variables.
100

t58,.975= 2.00172
Dado que valor absoluto de t a > t 58,,975 , el resultado obtenido del anlisis
grfico es reforzado con el anlisis numrico- existe un problema de linealidad
con este sistema de medicin.
En este caso, no importa que relacin tenga tb con t58,.975 dado que existe un
problema de linealidad. Las posibles causas para problemas de linealidad pueden
encontrarse en el captulo I, seccin E, Variacin de la Localizacin.
Si el sistema de medicin tiene un problema de linealidad, necesita ser
recalibrado para lograr un sesgo de 0 a travs de la modificacin del hardware,
software o ambos.
Si el sesgo no puede ser ajustado a cero a travs del rango del sistema de
medicin, todava puede ser usado para control del producto / proceso, pero sin
anlisis hasta que el sistema de medicin llegue a ser estable.
Dado que esto cuenta con un alto riesgo de error del evaluador,
debiera ser usado solo con la concurrencia del cliente.
Guas y Lineamientos para Determinar la Repetibilidad y Reproducibilidad 41

El Estudio de Gages de variables puede ser ejecutado usando un diferente
nmero de diferentes tcnicas. Tres mtodos aceptables sern discutidos en
detalle en esta seccin. Estos son:
Mtodo de los Rangos

Mtodo de los Promedios y Rangos (incluyendo el mtodo de las
Grficas de Control)
Mtodo de ANOVA
Excepto para el mtodo de los Rangos, el diseo de los datos para el estudio es
muy similar para cada uno de estos mtodos. Se prefiere el mtodo ANOVA
porque mide el error del gage por la interaccin entre el operador y las partes,
mientras que los mtodos de los Rangos y los Promedios y los Rangos no
incluyen esta variacin. Como se present, todos los mtodos ignoran las
variaciones entre las partes (tales como, redondeado, adelgazamiento
diamtrico, planicidad, etc. como se discute en el Captulo IV, Seccin D en sus
anlisis.
El enfoque de ANOVA puede identificar la interaccin entre las partes y el
evaluador, aunque tambin puede evaluar otras fuentes de variacin lo cual
es la razn de porqu se incluy. Histricamente, se hacia el supuesto de que
la interaccin es cero, en cuyo caso los resultados de ambos enfoques eran
equivalentes. Con esto dicho, el enfoque de ANOVA se prefiere por su
flexibilidad si es que el usuario tiene acceso a un apropiado programa de
computadora. Si no, el enfoque de X barra y R es apropiado y puede hacerse
manualmente va un programa de computadora.
41
Ver Captulo I, Seccin E, para una definicin operacional y discusin de las causas potenciales.
101

Sin embargo, el sistema de medicin total incluye no solo el gage mismo y su sesgo
respectivo, repetibilidad, etc., sino tambin puede incluir la variacin de las partes a
ser checadas. La determinacin de cmo manejar la variacin dentro de las partes
necesita basarse en un entendimiento racional del uso esperado de la parte y el
propsito de las mediciones.
Finalmente, todas las tcnicas en esta seccin estn sujetas al prerrequisito de
estabilidad estadstica.
Aunque la reproducibilidad es usualmente interpretada como la
variacin del evaluador, existen situaciones donde esta variacin es
debida a otras fuentes de variacin misma. Por ejemplo, con algunos
sistemas de medicin en proceso no existen evaluadores humanos. Si
todas las partes son manejadas, ajustada y medidas por el mismo
equipo, entonces la reproducibilidad es cero; ej., solo es necesario un
estudio de repetibilidad. Sin embargo, si se usan dispositivos
mltiples, entonces la reproducibilidad es la variacin entre los
dispositivos.
Mtodo de los Rangos

El mtodo de rangos es un estudio de gages de variables modificado el cual ofrece
una aproximacin rpida de la variabilidad de las mediciones. Este mtodo ofrece
solo una grfica global del sistema de medicin. No secciona la variabilidad en
repetibilidad y reproducibilidad. Es tpicamente usada como un chequeo rpido para
verificar que la RRG no haya cambiado.
Este enfoque tiene el potencial de detectar un sistema de medicin no
aceptable 42 el 80% del tiempo con un tamao de muestra de 5 y el
90% del tiempo con un tamao de muestra de 10.
El mtodo de rangos tpicamente utiliza dos evaluadores y 5 partes para el estudio.

En este estudio, ambos evaluadores miden cada parte una a la vez. El rango para
cada parte es la diferencia absoluta entre la medicin obtenida por el evaluador A y
la medicin obtenida por el evaluador B. La suma de rangos es encontrada y el
promedio de rangos R es calculado. La variacin total de las mediciones es
1
donde d 2* es
d 2*
encontrada multiplicando el promedio de los rangos por

encontrado en el apndice C, con m = 2 y g = nmero de partes.
Partes
1
2
3
4
5
42
Evaluador A
0.85
0.75
1.00
0.45
0.50
Evaluador B
0.80
0.70
0.95
0.55
0.60
ej., %RRG > 30%
102
Rango (A,B)
0.05
0.05
0.05
0.10
0.10

Promedio de los Rangos (R ) =
0.35
= 0.07
5
R R 0.07
RRG = * =
=
= 0.0588
d 2 1.19 1.19
(Desviacin Estndar del Proceso = 0.0777 del Estudio Previo)
RRG
% RRG = 100 *
= 75.7%
DesviacinEstndardel Pr oceso
Tabla III-B 6: Estudio de Gages (Mtodo de los Rangos)

Para determinar qu porcentaje de la desviacin estndar del proceso consume la
variacin de las mediciones, convertir el RRG a un porcentaje multiplicando por
100 y dividiendo entre la desviacin estndar del proceso. En el ejemplo (ver tabla
III-B 6), la desviacin estndar del proceso para esta caracterstica es 0.0777, por
tanto,
RRG
% RRG = 100 *
= 75.7%
DesviacinEstndar Pr oceso
Ahora que el porcentaje del RRG para el sistema de medicin es determinado,

debiera darse una interpretacin de los resultados. En la tabla III-B 6, se determina
que el porcentaje de RRG es 77.5% y la conclusin es que el sistema de medicin
necesita mejoramientos.
Mtodos de los Promedios y Rangos

El mtodo de los promedios y rangos ( X & R) es un enfoque el cual ofrece un
estimativo de la repetibilidad y reproducibilidad para un sistema de medicin. A
diferencia del mtodo de rangos, este enfoque permite que la variacin del sistema
de medicin sea seccionada en dos componentes por separado, repetibilidad y
reproducibilidad.43 Si embargo, la variacin debida a la interaccin entre el
evaluador y las partes/gage no es tomada en cuenta para el anlisis.
43
El mtodo ANOVA puede ser usado para determiner la interaccin entre el gage y los evaluadores, si existe tal.
103


Aunque el nmero de evaluadores, intentos y partes puede variar, la discusin
subsecuente representa las condiciones ptimas para conducir el estudio. Hacer
referencia a la hoja de datos RRG en III-B 6a. El procedimiento detallado es como
sigue:
1) Obtn una muestra de n > 5 partes
de la variacin del proceso.
44
que represente el rango actual o esperado
2) Haz referencia a los evaluadores como A, B, C, etc. y al nmero de partes 1

hasta n de manera que los nmeros no sean visibles a los evaluadores.
Ver Captulo II, Seccin C
3) Calibra el gage si esto es parte de los procedimientos normales del sistema de

medicin. Permite al evaluador A medir n partes en un orden aleatorio 45 y
registra los resultados en el rengln 1.
4) Permite a los evaluadores B y C medir las mismas partes n sin ver las lecturas de
uno con otro; entonces registra los resultaos en los renglones 6 y 11
respectivamente.
5) Repite el ciclo usando un orden aleatorio diferente de las mediciones. Registra

los datos en los renglones 2,7 y 12. Registra los datos en la columna apropiada.
Por ejemplo si la primer pieza media es la parte 7 entonces registra el resultado
en la columna etiquetada como parte 7. Si son necesarios tres intentos, repite el
ciclo y registra los datos en los renglones 3, 8 y 13.
6) Los pasos 4 y 5 pueden cambiar a lo siguiente cuando el tamao de las partes es
grande o no hay disponibilidad de partes simultneamente, lo cual hace
necesario:
9 Permita que el evaluador A mida la primer parte y registre la lectura en el
rengln 1. Luego el evaluador B mide la primer parte y registra la lectura en
el rengln 6. Luego el evaluador C mide la primer parte y registra la lectura
en el rengln 11.
9 Permite que el evaluador A repita la lectura de la primer parte y registren
dicha lectura en el rengln 2, el evaluador B registra la lectura repetida en el
rengln 7 y el evaluador C registra la lectura repetida en el rengln 12. Repite
este ciclo y registra los resultados en los renglones 3, 8 y 13 si se aplican 3
intentos.
7) Un mtodo alternativo puede usarse si los evaluadores son de diferentes turnos.
Permite que el evaluador A mida todas las 10 partes y registre las lecturas en el
rengln 1. Luego el mismo evaluador A repite las lecturas en un orden diferente
y registra los resultados en los renglones 2 y 3. Haz lo mismo con los
evaluadores B y C.
44
45
El nmero total de rangos generados debe ser > 15 para un nivel mnimo de confiabilidad en los resultados. Aunque
la forma fue diseada para un mximo de 10 partes, este enfoque no se limita a ese nmero. Como en cualquier
tcnica estadstica, mientras ms grande es el tamao de muestra, es menor la variacin del muestreo y menor el riesgo
resultante ser presente.
Ver Captulo III, Seccin B, Aleatoriedad e Independencia Estadstica
104

Hoja de Recoleccin de Datos de Repetibilidad y Reproducibilidad de Gages

Evaluador
/Intento #
1
Parte
1
10
0.29
-0.56
1.34
0.47
-0.80
0.02
0.59
-0.31
2.26
-1.36
Promedio
0.41
-0.68
1.17
0.50
-0.92
-0.11
0.75
-0.20
1.99
-1.25
0.64
-0.58
1.27
0.64
-0.84
-0.21
0.66
-0.17
2.01
-1.31
Promedio
Xa =
Rango
Ra =
0.08
-0.47
1.19
0.01
-0.56
-0.20
0.47
-0.63
1.80
-1.68
0.25
-1.22
0.94
1.03
-1.20
0.22
0.55
0.08
2.12
-1.62
0.07
-0.68
1.34
0.20
-1.28
0.06
0.83
-0.34
2.19
-1.50
Promedio
Xb =
Rango
Rb =
10
11
0.04
-1.38
0.88
0.14
-1.46
-0.29
0.02
-0.46
1.77
-1.49
12
-0.11
-1.13
1.09
0.20
-1.07
-0.67
0.01
-0.56
1.45
-1.77
13
-0.15
-0.96
0.67
0.11
-1.45
-0.49
0.21
-0.49
1.87
-2.16
14 Promedio
Xc =
Rango
15
Rc =
16 Promedio
X=
Rp =
por Parte
17
18
19
R = ([(Ra =
)] + [Rb =
X DIFF = [X Max =
*
LCSR = R =
] + [R
] [X Min =
] [D
]) [# deEvaluadores =
]=
R=
]=
]=
* * D 4 = 3.27 para 2 intentos y 2.58 para 3 intentos. UCLR representa el lmite de las lecturas
individuales Rs. Circular aquellas que estn fuera de ste lmite. Identificar las causas y
corregirlas. Repetir estas lecturas usando el mismo evaluador y unidad como originalmente
se us o descartar los valores y recalcular el promedio y R y el valor del lmite de las
observaciones restantes.
Notas:
Figura III-B 6a: Hoja de Recoleccin de Datos de Repetibilidad y Reproducibilidad de Gages
105

Anlisis de Resultados Grafico 46

El uso de herramientas grficas es muy importante. Las herramientas grficas
especficas usadas dependen del diseo experimental empleado para recolectar los datos.
Un esquema sistemtico de los datos para variaciones aparentes por causas especiales y
usando herramientas grficas debiera anteceder a un anlisis estadstico.
Las siguientes son algunas de las tcnicas que se ha probado son tiles. (ver tambin el
Mtodo de Anlisis de Varianzas).
Los datos del anlisis del sistema de medicin pueden ser desplegados grficamente con
grficas de control. La idea de usar grficas de control para responder preguntas
relativas a un sistema de medicin ha sido aplicada por Western Electric (Ver Manual
de Control Estadstico de la Calidad de AT&T de la Lista de Referencias).
Grfica de
Promedios
Los promedios de las lecturas mltiples por cada evaluador y en cada parte son
graficados por evaluador con el nmero de arte como un ndice. Esto puede ayudar a
determinar la consistencia entre evaluadores.
El gran promedio y los lmites de control determinados usando el promedio de los
rangos tambin son graficados. La grfica de promedios resultante ofrece una indicacin
de la facilidad de uso del sistema de medicin.
El rea dentro de los lmites de control representa la sensibilidad (ruido) de las
mediciones. Dado que el grupo de partes usado en el estudio representa la variacin del
proceso, aproximadamente una mitad o ms de los promedios debiera caer fuera de los
lmites de control. Si los datos muestran este patrn, el sistema de medicin debiera ser
adecuado para detectar variaciones de parte a parte, y el sistema de medicin mismo
puede ofrecer informacin til para analizar y controlar el proceso. Si menos de la mitad
cae fuera de los lmites de control entonces el sistema de medicin carece de una
resolucin efectiva y adecuada o la muestra no representa la variacin esperada del
proceso.
46
Descripciones detalladas de estos anlisis estn fuera del alcance de este documento. Para mayor informacin, ver
referencias y buscar asistencia de fuentes estadsticas competentes.
106
Promedio

Figura III-B 4: Grfica de Promedios Estancada 47

Revisar que todas las grficas indiquen que el sistema de medicin parece tener una
suficiente discriminacin para los procesos con la variacin descrita por las partes de la
muestra. No existen diferencias aparentes entre evaluador a evaluador.
Figura III-B 5: Grfica de Promedios No Estancada
47
Con el enfoque ANOVA, esta es tambin referida como grfica de interaccin de evaluadores por - partes
107

Graficas de Rangos
La grfica de control de rangos es usada para determinar si el proceso est en control. La
razn es que no importa que tan grande sea el error de las mediciones pero los lmites de
control permitirn tal error. Esto es porque las causas especiales necesitan ser
identificadas y retiradas antes de que el estudio de las mediciones sea relevante.
Los rangos de las lecturas mltiples por cada evaluador y en cada parte son graficadas en
una grfica estndar de rangos incluyendo los rangos promedios y los lmites de control.
Del anlisis de datos graficados pueden darse varias interpretaciones. Si todos los rangos
estn en control, los evaluadores estn haciendo el mismo trabajo.
Si un evaluador est fuera de control, el mtodo usado difiere de los otros.
Si todos los evaluadores estn fuera de los rangos de control, el sistema de medicin es
sensible a la tcnica del evaluador y requiere mejoramientos para obtener datos tiles.
Ninguna grfica debiera desplegar patrones en los datos relativos a los
evaluadores o partes.
Los rangos no son datos ordenados. El anlisis de tendencias normales de la
grfica de control no debe usarse an y cuando los puntos graficados sean
conectados por lneas.
La estabilidad se determina por un punto o puntos fuera de lmites de
control; patrones dentro del evaluador o dentro de las partes. El anlisis de la
estabilidad debiera considerar la significancia practica y estadstica.
La grfica de rangos puede ayudar a determinar:

El control estadstico con respecto a la repetibilidad.
La consistencia del proceso de medicin entre los evaluadores para cada parte.
Rango
Parte
Figura III-B 6: Grfica de Rangos Estancada
108

Figura III-B 7: Grfica de Rangos No estancada
La revisin de las grficas anteriores indica que no hay diferencias entre la variabilidad de
los evaluadores.
Grfica de Corridas
Las lecturas individuales son graficas por parte para todos los evaluadores (ver Figura
III-B 8) para obtener detalles de:
El efecto de las partes individuales sobre la consistencia de la variacin

La indicacin de lecturas irregulares (ej., lecturas anormales)
Figura III-B 8: Grfica de Corridas por Parte
La revisin de la grfica anterior no indica algn punto ms all de los lmites o partes
inconsistentes.
109

Diagrama de
Dispersin
Las lecturas individuales son graficadas por parte y por evaluador (ver Figura III-B 9)
para obtener detalles de:
Consistencia entre los evaluadores
Indicacin de posibles anormalidades
Interacciones parte evaluador
La revisin de la Figura III-B 9 no indica alguna irregularidad significativa aunque

indica que el evaluador C pueda tener lecturas inferiores que los otros evaluadores.
Figura III-B 9: Diagrama de Dispersin
110

En las grficas de bigotes, los valores de datos altos y bajos y el promedio por parte
por evaluador son graficados (ver Figura III-B 10). Esto ofrece detalles de:
Consistencia entre evaluadores.
Indicacin de irregularidades.
Interacciones parte evaluadores.
Valor
Grficas de Bigotes
Evaluador
Parte
Figura III-B 10: Grfica de Bigotes
La revisin de la Figura III-B 10 no indica que haya alguna irregularidad significativa

aunque muestra que el proveedor B puede contar con a mayor variabilidad.
111

Graficas de Errores
Los datos del anlisis del sistema de medicin pueden ser analizados corriendo grficas
de errores (ver Figura III-B 11) de las desviaciones individuales de los valores de
referencia aceptados. La desviacin individual o error para cada parte es calculado como
sigue:
Error = Valor Observado - Valor de Referencia
Error = Valor Observado Promedio de las mediciones de la parte

Esto depende de si los valores de referencia de los datos a ser medidos estn disponibles
o no.
Figura III-B 11: Grficas de Errores
La revisin de las grficas anteriores indica que:
El evaluador A cuenta con un sesgo positivo global
El evaluador B cuenta con la mayor variabilidad pero sin sesgo aparente
El evaluador C cuenta con un sesgo negativo global
112

La grfica de histograma (Figura III-B 12) es una grfica que despliega la distribucin
de frecuencias del error del gage de los evaluadores que participaron en el estudio.
Tambin muestra su distribucin de frecuencia combinada.
Histograma
Normalizado
Si los valores de referencia estn disponibles:

Error = Valor Observado Valor de Referencia
De lo contrario:
Valor Normalizado = Valor Observado Promedio de las Partes
La grfica de los histogramas ofrece un bosquejo visual y rpido de cmo el error es
distribuido. Aspectos clave tales como si el sesgo o falta de consistencia existe en las
mediciones tomadas por los evaluadores, puede identificarse an antes de que los datos
sean analizados.
El anlisis de los histogramas (Figura III-B 12) refuerza a las grficas de errores. Estas
tambin indican que solo el evaluador B tiene una forma simtrica. Esto puede indicar
que los evaluadores A y C estn introduciendo una fuente de variacin sistemtica que
est resultando en los sesgos.
Figura III-B 12: Histograma Normalizado 48

-
48
Hacer notar que el 0.0 de cada uno de los histogramas estn alineados cada uno con respecto a los otros.
113

graficados con el valor de referencia o los promedios globales de las partes como
ndice (ver Figura III-B 13). Esta grfica puede ayudar a determinar:
Diagrama X-Y de
Promedios por
Medida
La Linealidad (s se usa el valor de referencia).
La Consistencia en la linealidad entre evaluadores.
-1
-2
Ev. B
0
-1
-2
-3
-3
-3
-2
-1
-3
-2
-1
Referencia
Referencia
3
2
1
Ev. C
Ev. A
0
-1
-2
-3
-3
-2
-1
Referencia
Figura III-B 13: Diagramas X-Y de Promedios por Medida
114

Comparacin de
Grficas X-Y
graficados uno con otro de los evaluadores como ndices. Esta grfica compara los
valores obtenidos por un evaluador contra los dems (ver Figura III-B 14). Si
hubiera un acuerdo perfecto entre proveedores, los puntos graficados describiran
una lnea recta a travs del origen y un eje a 45o.
Ev. A
Ev. B
Ev. C
Figura III-B 14: Comparacin de Diagramas X - Y
115

Clculos Numricos Los clculos de la Repetibilidad y Reproducibilidad de Gages son mostrados en las
Figuras III-B 15 y III-B 16. La Figura III-B 15 muestra la hoja de recoleccin de
datos en la cual se registran todos los resultados del estudio. La Figura III-B 16
despliega un reporte en el cual toda la informacin identificada es registrada y se
hacen todos los clculos de acuerdo con las frmulas prescritas.
Formatos en blanco y reproducibles se encuentran disponibles en la
seccin de formatos muestra. El procedimiento para realizar los clculos
despus de que los datos se ha recolectado es como sigue:
(Lo siguiente se refiere a la Figura III-B 15)

1) Restar la lectura ms pequea de la lectura ms larga en los renglones 1, 2 y
3; registrar el resultado en el rengln 5. Hacer lo mismo para renglones 6, 7
y 8; y 11, 12 y 13, y registrar los resultados en los renglones 10 y 15
respectivamente.
2) Los registros en los renglones 5, 10 y 15 son rangos y por tanto siempre ser
valores positivos.
3) Totaliza el rengln 5 y divide el total por el nmero de las partes
muestreadas para obtener el promedio de los rangos para los primeros
intentos de los evaluadores R a . Hacer lo mismo para renglones 10 y 15 y
obtener R b y R c .
4) Transfiere los promedios de los renglones 5, 10 y 15 ( R a , R b , R c ) al
rengln 17. Smalos y divdelos por el nmero de los evaluadores y registra
el resultado (promedio de todos los rangos).
5) Registra (valor promedio) en el rengln 19 y multiplcalo por D449 para
obtener el lmite superior de control. Notar que D4 es 3.27 si se realizan dos
intentos. El valor del Lmite Superior de Control (UCLR) de los rangos
individuales es registrado en el rengln 19. NOTA: El valor del Lmite
Inferior de Control (LCLR) para menos de 7 intentos es igual a cero.
6) Repite las lecturas que se produzcan en un rango mayor que el UCLR
calculado usando el mismo evaluador y parte como originalmente se aplic,
o descarta dichos valores y recalcula el promedio y y el valor del lmite
UCLR en base al tamao de muestra revisado. Corrige las causas especiales
que generaron la condicin fuera de control. Si los datos fueran graficados y
analizados usando una grfica de control como se discuti previamente, esta
condicin se habra ya corregido y no ocurrira aqu.
7) Suma los renglones (renglones 1, 2, 3, 6, 7, 8, 11, 12 y 13). Divide la suma
en cada rengln por el nmero de partes muestreadas y registra estos valores
en la columna que est ms a la derecha titulada como promedio.
49
Ver Manual de Referencia del Control Estadstico de los Procesos (SPC), 1995, u otra fuente de referencia
estadstica para una tabla de factores.
116

8) Suma los promedios de los renglones 1, 2 y 3 y divide el total por el nmero

de intentos y registra el valor en el rengln 4 en la celda de X a . Repite esto
para los renglones 6,7 y 8; y 11, 12 y 13 y registra los resultados en las
celdas para X b y X c en los renglones 9 y 14, respectivamente.
9) Registra los promedios mximo y mnimo de los renglones 4, 9 y 14 en el
espacio apropiado en el rengln 18 y determina la diferencia. Registra esta
diferencia en el espacio titulado como X DIFF en el rengln 18.
10) Suma las mediciones para cada intento, para cada parte, y divide el total por
el nmero de mediciones (nmero de intentos por nmero de evaluadores).
Registra los resultados en el rengln 16 en los espacios provistos para el
promedio de las partes.
11) Resta el promedio de las partes ms pequeo del promedio de las partes ms
largo y registra el resultado en el espacio titulado RP en el rengln 16. RP es
el rango de los promedios de las partes.
(Lo siguiente se refiere a la Figura III-B 16)
12) Transfiere los valores calculados de , X DIFF y RP a los espacios en blanco

provistos en el reporte adicional.
13) Ejecuta los clculos bajo la columna titulada Anlisis de las Unidades de
Medicin en el lado izquierdo del formato.
14) Ejecuta los clculos bajo la columna titulada % de la Variacin Total en
el lado derecho del formato.
15) Checa los resultados para asegurarse de que no haya errores.
117

Hoja de Recoleccin de Datos para Repetibilidad y Reproducibilidad de Gages

Evaluador
/Intento #
1
Parte
Promedio
10
0.29
-0.56
1.34
0.47
-0.80
0.02
0.59
-0.31
2.26
-1.36
0.194
0.41
-0.68
1.17
0.50
-0.92
-0.11
0.75
-0.20
1.99
-1.25
0.166
0.64
-0.58
1.27
0.64
-0.84
-0.21
0.66
-0.17
2.01
-1.31
0.211
Promedio
Rango
0.447 -0.607 1.260
0.537 -0.853 0.100
0.667 -0.227 2.087 -1.307
X a = 0.1903
0.35
0.12
0.17
0.17
0.12
0.23
0.16
0.14
0.27
0.11
Ra = 0.184
0.08
-0.47
1.19
0.01
-0.56
-0.20
0.47
-0.63
1.80
-1.68
0.001
0.25
-1.22
0.94
1.03
-1.20
0.22
0.55
0.08
2.12
-1.62
0.115
0.07
-0.68
1.34
0.20
-1.28
0.06
0.83
-0.34
2.19
-1.50
0.089
Promedio
0.133 -0.790 1.157
0.413 -1.013 0.027
0.617 -0.297 2.037 -1.600 X b = 0.0683
0.18
0.75
0.40
1.02
0.72
0.42
0.36
0.71
0.39
0.18
0.04
-1.38
0.88
0.14
-1.46
-0.29
0.02
-0.46
1.77
-1.49
-0.223
12 2
-0.11
-1.13
1.09
0.20
-1.07
-0.67
0.01
-0.56
1.45
-1.77
-0.256
13 3
-0.15
-0.96
0.67
0.11
-1.45
-0.49
0.21
-0.49
1.87
-2.16
-0.284
14 Promedio
-0.073 -1.157 0.880
10 Rango
11 C
15 Rango
0.19
16 Promedio
por Parte
0.42
0.42
0.169 -0.851 1.099
0.150 -1.327 0.483
0.080 -0.503 1.697 -1.807
X c = -0.2543
0.09
0.20
Rc = 0.328
0.39
0.38
0.10
R = ([(Ra = 0.184 )] + [Rb = 0.513] + [Rc = 0.328]) [# deEvaluadores = 3] = 0.3417
18
X DIFF = X Max = 0.1903 X Min = 0.2543 = X DIFF = 0.4446
19
] [
0.42
0.67
0.367 -1.064 -0.186 0.454 -0.342 1.940 -1.571
17
Rb = 0.513
X = .0014
Rp = 3.511
R = 0.3417
LCSR = R = 0.3417 [D 4 = 2.58] = LCSR = 0.8816
* * D 4 = 3.27 para 2 intentos y 2.58 para 3 intentos. UCLR representa el lmite de las lecturas
individuales Rs. Circular aquellas que estn fuera de ste lmite. Identificar las causas y corregirlas.
Repetir estas lecturas usando el mismo evaluador y unidad como originalmente se us o descartar
los valores y recalcular el promedio y R y el valor del lmite de las observaciones restantes.
Notas:
Figura III-B 15: Hoja de Recoleccin de Datos Completada para R&RG
118

Reporte de Repetibilidad y Reproducibilidad de Gages

Nombre y No. De Parte:
Caractersticas:
Especificaciones:
Nombre del gage:

No. De gage:
Tipo de Gage:
Dato : R = 0.3417
X DIFF = 0.4446
Fecha:
Revisado por:
Rp=3.511
% de Variacin Total (TV)
Anlisis de Medicin Unitaria

Repetibilidad Variacin del Equipo (EV)
EV = R K 1
%EV = 100[EV/TV]
=0.3417x0.5908
Intentos
K1
0.8862
0.5908
= 0.20188
= 100 [0.20188/1.14610]
=17.62%
Reproducibilidad Appraiser Variacin (AV)
(X DIFF K 2 )2 (EV 2
AV =
nr
%AV =100 [AV/TV]
(0.4446 0.5231)2 (0.201882 (10 3))
=0.22963
=100 [0.22963/1.14610]
Evaluadores
K2
0.7071
0.5231
= 20.04%
Repetibilidad y Reproducibilidad (RRG)
RRG = EV 2 + AV 2
=
(0.20188
+ 0.229632
%RRG = 100 [RRG/TV]
Partes
= 0.30575
K3
=
[0.30575/1.14610]
100
0.7071
0.5231
Variacin de Parte (PV)
0.4467 %PV = 100 [PV/TV]
PV = Pp K 3
0.4030
= 100 [1.10456/1.14610]
0.3742
=96.38%
Variacin Total (TV)
0.3534
TV = RRG 2 + PV 2
0.3375
0.3249
10
0.3146
=1.10456
(0.30575
+ 1.104562
= 1.14610
= 26.68%
ndc = 1.41 PV
RRG
= 1.41 (1.10456/0.30575)
= 5.094~5
Para informacin sobre la teora y constantes usadas en el formato ver Manual de Referencia MSA, 4. edicin
Figura III-B 16: Reporte de Repetibilidad y Reproducibilidad de Gages
119

Anlisis de
Resultados Numricos
Los formatos de hoja y reporte de recoleccin de datos de la repetibilidad y

reproducibilidad de gages, Figuras III-B 15 y III-B 16, ofrecen un mtodo para el
anlisis numrico de los datos de un estudio.50 El anlisis estima la variacin y
porcentaje de la variacin del proceso para el sistema de medicin total, y sus
componentes de repetibilidad, reproducibilidad y variacin de la parte. Esta
informacin necesita ser comparada y complementada con los resultados del anlisis
grfico.
En el lado izquierdo del formato (Figura III-B 16) con Anlisis de las Unidades de
Medicin se calcula la desviacin estndar para cada componente de variacin.
La repetibilidad o variacin del equipo (EV o E ) se determina multiplicando el
promedio de los rangos ( ) por una constante (K1). K1 depende del nmero de intentos
aplicados en el estudio del gage y es igual al inverso de d 2* , el cual se obtiene del
apndice C. d 2* depende del nmero de intentos (m) y el nmero de partes por el
nmero de evaluadores (g) (se asume que es mayor que 15 al calcular el valor de K1).
La reproducibilidad o variacin de los evaluadores (AV o A) se determina
multiplicando la mxima diferencia promedio entre los evaluadores ( X DIFF ) por una
constante (K2). K2 depende del nmero de evaluadores usados en el estudio del gage y
es el inverso de d 2* el cual se obtiene del apndice C. d 2* depende del nmero de
evaluadores (m) y g =1, dado que solo existe el clculo de un rango. Dado que la
variacin del evaluador es contaminada pro la variacin del equipo, debe ajustarse
restando una fraccin de la variacin del equipo. Por tanto, la variacin de los
valuadores (AV) es calculada por
(X DIFF K 2 )2 (EV )
AV =
nr
Donde n = nmero de partes y r = nmero de intentos.

Si se calcula un valor negativo bajo el smbolo de la raz cuadrada, la variacin de los
evaluadores (AV) es cero por defaul.
La variacin del sistema de medicin para repetibilidad y reproducibilidad (RRG o M)
se calcula sumando el cuadrado de la variacin del equipo y el cuadrado de la variacin
de los evaluadores, y sacando la raz cuadrada como sigue:
RRG =
(EV )2 + ( AV )2
Generalmente, existen cuatro diferentes enfoques para determinar la variacin del

proceso, la cual es usada para analizar la aceptacin de la variacin de las mediciones:
50
Los resultados numricos en el ejemplo fueron desarrollados como si fueran calculados manualmente; ej., los resultados
fueron realizados y redondeados a un digito decimal adicional. El anlisis con programas de computadora debiera mantener
los valores intermedios con una mxima precisin con el lenguaje de programacin / computadora. Los resultados de un
programa de computadora vlido pueden diferir de los resultados del ejemplo en el lugar del segundo decimal o mayor pero
el anlisis final se mantendr igual.
120

1) usando la variacin del proceso

o variacin del proceso, tomada de las partes en el studio RRG mismo
o uso cuando la muestra seleccionada representa la variacin del proceso
esperada (opcin preferida)
2) sustitucin de la variacin del proceso
o uso cuando muestras suficientes para representar el proceso no estn
disponible aunque un proceso existente con una variacin del proceso
similiar est disponible
3) valor meta de Pp ( Ppk)
o uso cuando muestras suficientes para representar el proceso no estn
disponible y un proceso existente con una variacin del proceso
similiar no est disponible se espera que el nuevo proceso cuente con
una menor variabilidad que algn proceso existente
4) tolerancia de la especificacin
o cuando el sistema de medicin es usado para clasificar el proceso y el
proceso cuenta con Pp < 1.0
La variacin de las partes (parte a parte; variacin de las partes sin variacin de las
mediciones) (PV o P) se determina multiplicando el rango de los promedios de las
partes (RP) por una constante K3). K3 depende del nmero de partes usadas en el estudio
del gage y es el inverso de d 2* el cual se obtiene del apndice C. d 2* depende del
nmero de partes (m) y (g). En este caso g = 1 dado que solo existe el clculo de un
rango.
La variacin total (TV o T) del estudio se calcula entonces sumando el cuadrado de las
variaciones de repetibilidad y reproducibilidad y la variacin de las partes (PV) y
aplicando la raz cuadrada como sigue:
TV =
(RRG )2 + (PV )2
Usando Informacin Histrica de las Variaciones

Para usar este enfoque, la informacin debe venir de un proceso que est en control
estadstico. Si la variacin del proceso es conocida y su valor se basa en 6, entonces
puede ser usado en lugar de la variacin total del estudio (TV) calculada de los datos del
estudio del gage. Esto se logra ejecutando los siguientes dos clculos:
1) TV =
2)
Variacin Pr oceso
6.00
PV =
(TV )2 (RRG )2
121

Usando el valor meta de Pp ( Ppk)

Para usar la opcin de Pp, usar la siguiente TV en el anlisis de RRG:
Dado que
entonces
TV =
TV =
USL LSL
USL LSL USL LSL

=
6s
6TV
USL LSL
6p
(TV ) (GRR )
2
PV =
Usando la Tolerancia (Rango de la Especificacin)

Cuando se compara el error de las mediciones de un estudio RRG con la tolerancia, esto
es lo mismo que compararlo con el proceso de produccin con un Pp de 1.00. Los
clientes FEO (Fabricantes de Equipo Original) raramente esperan una variacin del
proceso tan baja como un Pp(k) de 1.00, ni aceptan un proceso con tan bajo nivel de
desempeo. Puede hacer ms sentido comparar la variacin de las mediciones con un
nivel de desempeo meta del proceso de produccin que cumpla con los requerimientos
del cliente. 51
Para usar esta opcin, use la siguiente TV en el anlisis de RRG:
TV =
PV =
USL LSL
6
(TV ) (GRR )
2
ndices
Una vez que la variabilidad para cada factor en el estudio del gage se determina, puede
comparase con la variacin total (TV). Esto se logra ejecutando los clculos del lado
derecho del formato de reporte del gage (Figura III-B 16) con el ttulo Porcentaje de la
Variacin Total.
El porcentaje de la variacin del equipo (% de EV) consume el total de la variacin
(TV) y es calculado por 100 [EV / TV ] . Los porcentajes de los otros factores de
consumo de la variacin total pueden ser calculados igualmente como sigue:
% AV = 100[AV TV ]
% RRG = 100[RRG TV ]
% PV = 100[PV TV ]
LA SUMA DEL PORCENTAJE CONSUMIDO POR CADA FACTOR

NO SERA IGUAL AL 100%.
Los resultados de este porcentaje de variacin total necesitan ser evaluados para
determinar si el sistema de medicin es aceptable para su aplicacin esperada.
51
Por ejemplo, ver Manual de PPAP de Chrysler, Ford, y GM.
122

Si el anlisis se basa en las tolerancias en lugar de la variacin del proceso,

entonces el formato del Reporte de Repetibilidad y Reproducibilidad de Gages
(Figura III-B 16) puede ser modificado de manera que el lado derecho del formato
represente el porcentaje de la tolerancia en lugar del porcentaje de la variacin
total. En tal caso, %EV, %AV, %RRG y %PV son calculados sustituyendo el valor
de la tolerancia dividida por seis en el denominador de los clculos en lugar de la
variacin total (TV). Ambos enfoques pueden tomarse dependiendo del uso
esperado de sistema de medicin y los deseos del cliente.
El paso final en el anlisis numrico es determinar el nmero de categoras distintas que
pudieran ser distinguidas confiadamente por el sistema de medicin. Este es el nmero
de los intervalos de confianza no traslapados en un 97%, los cuales se extienden en la
variacin esperada del producto. 52
ndc = 1.41 PV
RRG
Dado que el anlisis grfico no ha indicado alguna variacin por causas especiales, la
regla emprica para la repetibilidad y reproducibilidad del gage (porcentaje RRG) puede
encontrarse en el captulo II, seccin D.
Para anlisis, el ndc es el mximo de uno de los valores calculados, truncado a un
entero. Este resultado debiera ser mayor igual a 5.
Para evitar un ndc = 0, lo cual es posible con el truncado en s, algunos programas de
computadora redondean el resultado calculado. Esto puede resultar en diferencias en los
reportes finales cuando los mismos datos son evaluados por diferentes programas
Cuando se use el enfoque de Pp para TV, el clculo para ndc es:
TV2 = PV2 + RRG2
PV2 = TV2 - RRG2
entonces
ndc = 1.41
PV
= 1.41
RRG
TV RRG
2
RRG
Mtodo de Anlisis de Varianzas (ANOVA)

El anlisis de varianzas (ANOVA) es una tcnica estadstica y estndar y puede ser
utilizada para analizar los errores den las mediciones y otras fuentes de variabilidad de
los datos en un estudio de sistemas de medicin. En el anlisis de varianza, la varianza
puede ser seccionada en cuatro categoras: partes, evaluadores, interaccin entre las
partes y evaluadores y error de replicacin debida al gage.
52
La importancia del nmero de categoras distintas (ndc) en actividades de anlisis y control es discutida en el
Captulo I, Seccin E, Aspectos Clave de Mediciones (especialmente Figura I-E 3). El clculo de ndc es revisado
en Captulo II, Seccin B, Anlisis de Resultados Numricos.
123

Las ventajas de las tcnicas ANOVA, comparadas con los mtodos de promedios y
rangos, son que:
Son capaces de manejar cualquier ajuste experimental
Pueden estimar las varianzas en forma ms exacta
Extractan ms informacin (tal como el efecto de la interaccin de las partes y los

evaluadores) de datos experimentales
Las desventajas son que los clculos numricos son ms complejos y los usuarios
requieren un cierto grado de conocimiento estadstico para interpretar los resultados. El
mtodo ANOVA como se describe en las siguientes secciones es aconsejable,
especialmente si existe disponible una computadora.
Aleatoriedad e
Independencia
Estadstica
La generacin de
nmeros aleatorios es
demasiado importante
para dejarlo a la
suerte.
Robert R. Covevou 54
El mtodo para recolectar los daros es importante en un mtodo ANOVA. Si los datos
no son recolectados en forma aleatoria, esto puede conducir a fuentes de valores de
sesgo. Una forma simple para asegurar un diseo balanceado para (n) partes, (k)
evaluadores y (r) intentos es a travs de la aleatoriedad. Un enfoque comn para
aleatoriedad es escribir A1 en una tira de papel para denotar las mediciones del primer
evaluador sobre la primera parte.
Hacer esto hasta A(n) para las mediciones del primer evaluador en las n partes. Sigue el
mismo procedimiento para el siguiente evaluador hasta incluir los k evaluadores.
Smbolos similares son usados donde B1, C1 denotan las mediciones para los
evaluadores A y B de la primera parte. Una vez que todas las combinaciones nk son
escritas, entonces las tiras de papel son puestas en un recipiente. Una tira de papel es
seleccionada a la vez. Estas combinaciones (A1, B2, ...) son el orden de medicin en el
cual el estudio de gages ser ejecutado. Una vez que todas las combinaciones nk son
seleccionadas, estas son puestas de regreso en el recipiente y el procedimiento se sigue
otra vez. Esto se hace para un total de r veces para determinar el orden de experimentos
para cada repeticin.
Existen enfoques alternativos para generar una muestra aleatoria. Debiera ponerse
cuidado para diferenciar entre el muestreo aleatorio, arbitrario y conveniente. 53
En general todos los esfuerzos necesitan tomarse para asegurar independencia
estadstica dentro del estudio.

Los datos pueden recolectarse de una forma aleatoria usando una forma similar a la
Tabla III-B 6a. Para nuestro ejemplo, existen 10 partes y 3 evaluadores, y el
experimento ha sido ejecutado en forma aleatoria y tres veces por cada combinacin
parte y evaluador.
53
54
Ver Wheeler y Lyday, Evaluating the Measurement Process, Segunda Edicin, 1989, p. 27.
Robert R. Coveyou (1915 20 Feb 1996) was an American mathematician who was a health physicist with the
Manhattan Project from 1943 during WW II. He became a recognized expert in pseudo-random number generators.
124

Anlisis Grfico
Cualquier mtodo grfico ofrecido en la discusin de anlisis grfico anterior puede ser
usado en el anlisis grfico mismo de los datos recolectados, como parte de un estudio
ANOVA. Estos mtodos pueden ser usados para confirmar y ofrecer algn detalle
adicional de los datos mismos (ej., tendencias, ciclo, etc.)
Promedio
Un mtodo grfico que se sugiere es el llamado grfico de interaccin. Este grfico

confirma los resultados de la prueba F de si la interaccin es o no significativa. En esta
grfica de interaccin particular, el promedio de las mediciones por evaluador por parte
vs por nmero de parte (1, 2, ... etc.) son graficados en la Figura III-B 17. Los puntos
para el promedio de las mediciones de cada evaluador por parte son conectados a las
lneas (nmero de evaluadores) k del formato. La forma de interpretar la grfica es que
si las lneas k son paralelas no existe interaccin. Cuando las lneas son no paralelas, la
interaccin puede ser significativa. Mientras ms grande es el ngulo de interseccin,
ms grande es la interaccin. Debieran tomarse medidas apropiadas para eliminar
causas de la interaccin. En el ejemplo en la Figura III-B 17, las lneas son
cercanamente paralelas, indicando que no existe una interaccin significativa.
Figura III-B 17: Grfico de Interaccin

Otra grfica que algunas veces es de inters es la grfica de residuales. Esta grfica no
es ms que un chequeo para la validez de los supuestos. Uno de los supuestos es que el
(error del) gage es una variable aleatoria de una distribucin normal. Los residales, los
cuales son las diferencias entre las lecturas observadas y los valores pronosticados, son
graficados. El valor pronosticado es el promedio de las lecturas repetidas por cada
evaluador y para cada parte. Si los residuos no son dispersos aleatoriamente arriba y
abajo de cero (lnea horizontal de referencia), pudiera ser porque los supuestos son
incorrectos y lo cual sugiere una investigacin adicional de los datos.
125

Residual
Residuales Versus los Valores Ajustados

(la respuesta es valor)
Valor Ajustado
Figura III-B 18: Grfico de Residuales
Clculos Numricos
Aunque los valores pueden calcularse manualmente, la mayora de la gente usa
programas de computadora para generar lo que se llama tabla de Anlisis de Varianzas
(ANOVA) (ver apndice A).
La tabla ANOVA aqu se compone de 5 columnas (ver Tabla III-B 7).
La columna de Fuentes es la causa de la variacin.
La columna de DF que son los grados de libertad asociados con la fuente.
La columna de SS o suma de cuadrados es la desviacin alrededor del promedio de

la fuente.
La columna de MS o promedios al cuadrado es la suma de los cuadrados dividido

por los grados de libertad.
La columna de la razn o proporcin F, calculada para determinar la significancia

estadstica del valor de la fuente.
La tabla de ANOVA es usada para seccionar la variacin total en cuatro componentes:

partes, evaluadores, interaccin de los evaluadores y las partes y repetibilidad debida al
instrumento.
Para propsitos de anlisis, los componentes de varianzas negativas se fijan en cero.
Esta informacin es usada para determinar las caractersticas del sistema de medicin
como en el Mtodo de Promedios y Rangos.
126

Fuente
DF
SS
MS
Evaluadores
3.1673
1.58363
34.44*
Partes
88.3619
9.81799
213.52
Evaluador por Parte
18
0.3590
0.01994
0.434
Equipo
60
2.7589
0.04598
Total
89
94.6471
*Nivel de Significancia de =0.05
Tabla III-B 7: Tabla ANOVA
La Tabla III-B 7 muestra los clculos de ANOVA para los datos del ejemplo de la Figura
III-B 15 asumiendo un modelo de efectos arreglados. La Tabla III-B 9 muestra la
comparacin del mtodo ANOVA con el mtodo de promedios y rangos. La Tabla III-B
10 muestra el reporte RRG para el mtodo de ANOVA.
Estimativo de la
Varianza
2
= 0.039973
(Repetibilidad)
2 = 0.051455
(Evaluador)
2 =0
(Interaccin)
Sistema = 0.09143
2 + 2 +2
2 = 1.086446
Variacin Total (Partes)
Desviacin Estndar
()
% Variacin Total
EV = 0.199933
18.4
3.4
AV = 0.226838
20.9
4.4
RRG = 0.302373
27.9
7.8
PV = 1.042327
96.0
92.2
TV =1.085
100
INT = 0
% Contribucin
Tabla III-B 8: % de Variacin y Contribucin del Anlisis de ANOVA

(El estimativo de la varianza se basa en el modelo sin interacciones)
127

ndc = 1.41 1.04233
0.30237
) = 4.861 5
Variacin Total (VT ) = RRG 2 + PV 2
(componentes )
% de la Variacin Total = 100
(total )
2 (componentes )
% de la Contribucin (con la Varianza Total) = 100

2
(total )
Anlisis de Estudios RRG

Los mtodos de promedios y rangos y ANOVA ofrecen informacin relativa a las
causas de la variacin de un sistema de medicin o gages.
Por ejemplo, si la repetibilidad es grande comparada con la reproducibilidad, las
razones pueden ser:
El instrumento necesita mantenimiento.
El gage puede requerir ser rediseado para ser ms rgido.
La sujecin o localizacin del gage necesita mejorarse.
Existe una variacin dentro de la parte excesiva.
Si la reproducibilidad es grande comparada con la repetibilidad, entonces las

posibles causas podran ser:
El evaluador necesita ser mejor entrenado en como usar y leer el instrumento

del gage.
Las calibraciones del gage no son claras.

El dispositivo de algn tipo puede requerir el ayudar al evaluador a usar el
gage ms consistentemente.
128

Mtodo
LC 55
Inferior 90%
RRG*
0.175
0.133
-0.266
EV
AV
INTERACCIN
RRG
PV
Desviacin
Estndar
0.202
0.230
NA
0.306
1.104
LC
Superior 90%
0.240
1.016
-0.363
% de la
Variacin Total
17.06
20.1
NA
26.7
96.4
ANOVA
0.177
0.200
0.231
18.4
EV
0.129
0.227
1.001
20.9
AV
-0
-0
INTERACCIN
0.302
1.033
27.9
0.237
RRG
1.042
96.0
PV
* En el mtodo de promedios y rangos, el componente de interaccin no puede estimarse.
Tabla III-B 9: Comparacin de los Mtodos ANOVA y Promedios y Rangos
Nombre y No. de la Parte:

Caracterstica:
Especificaciones:
Nombre del Gage:

No. de Gage:
Tipo de Gage:
Fecha:
Hecho por:
% de la Variacin
Porcentaje de
Total
Contribucin
Repetibilidad (EV)
0.200
18.4
3.4
Reproducibilidad (AV)
0.227
20.9
4.4
Evaluador por Parte (INT)
0
0
0
RRG
0.302
27.9
7.9
Parte a - Parte (PV)
1.042
96.0
92.2
El sistema de medicin es aceptable para Anlisis y Control del Proceso
Desviacin Estndar
Nota:
Tolerancia = N.A.
Nmero de categoras distintas de datos (ndc) = 4
Variacin Total (TV) = 1.085
Tabla III-B 10: Reporte de mtodo ANOVA RRG
55
CL = Lmite de Confiabilidad
129

130
Captulo III Seccin C

Estudio de Sistemas de Medicin de Atributos
Seccin C
LSL
II
USL
III
II
Tarjeta
Los sistemas de medicin de atributos son los tipos de sistemas de medicin donde los
valores de mediciones mismas son una de un nmero finito de categoras. Esto es en
contraste con los sistemas de medicin de variables los cuales pueden resultar en un
infinito de valores. Los ms comunes de stos son el gage pasa/no pasa el cual cuenta
solo con dos posibles resultados. Otros sistemas de atributos, por ejemplo los
estndares visuales, pueden resultar en 5 a 7 categoras distintas tales como, muy
bueno, bueno, aceptable, pobre y muy pobre. Los anlisis descritos en los captulos
posteriores no pueden usarse para evaluar tales sistemas.
Como se discuti en el Captulo I, Seccin B, existe un riesgo cuantificable cuando se
estn usando sistemas de medicin en la toma de decisiones. Dado que el riesgo
mayor est en los lmites de la categora, el anlisis ms apropiado sera la
cuantificacin de la variacin del sistema de medicin con la curva de desempeo de
un gage. (Ver Captulo IV Seccin F)
MTODOS DE ANLISIS DE RIESGOS

En algunas situaciones de atributos no es factible obtener suficientes partes con valores
de referencia variables. En tales casos, los riesgos en tomar decisiones equivocadas o
inconsistentes 56 pueden evaluarse usando:
Anlisis de Pruebas de Hiptesis
Teora de Deteccin de Seales
Dado que estos mtodos no cuantifican la variabilidad de los sistemas de medicin,

solo debieran usarse bajo consentimiento del cliente. La seleccin y uso de tales
tcnicas debiera basarse en buenas prcticas estadsticas, un entendimiento de las
fuentes de variacin potenciales que afecten el producto y los procesos de medicin, y
el efecto de una decisin incorrecta en los procesos restantes y el cliente final.
Las fuentes de variacin de los sistemas de atributos debieran minimizarse usando los
resultados de investigaciones sobre factores humanos y ergonoma.
Posibles Enfoques
Escenario
El proceso de produccin est en control estadstico y cuenta con ndices de
desempeo de Pp = Ppk = 0.5 el cual es inaceptable. Debido a que el proceso est
fabricando producto no conforme, se requieren acciones de contencin para sacrificar
las partes no aceptables del flujo de produccin.
56
Esto incluye la comparacin de evaluadores mltiples
131

Figura III-C 1: Proceso Ejemplo con Pp = Ppk = 0.50

Para actividades de contencin, el equipo de procesos selecciona un gage de atributos
que compare cada parte con un conjunto de lmites especficos y acepte la parte si los
lmites se satisfacen; de lo contrario rechaza la parte (conocido como gage pasa / no
pasa). La mayora de los gages de este tipo son ajustados para aceptar y rechazar en
base a un conjunto de partes master. A diferencia de un gage de variables, este gage de
atributos no puede indicar que tan bien o mal est una parte, si no solo que la parte se
acepta o se rechaza (ej., 2 categoras). Como en todos los gages, este gage de atributos
tiene areas Grises donde pueden tomarse decisiones equivocadas (ver Figura III-C 2
abajo y Captulo II, Seccin B).
Figura III-C 2: Las reas Grises Asociadas con el Sistema de Medicin

Dado que esto no se ha documentado por el equipo, se necesita estudiar el sistema de
medicin. Sin embargo, para abordar las reas de riesgo alrededor de los lmites de
especificacin, el equipo selecciona aproximadamente 25% de las partes en cerca
del lmite superior de especificacin. En algunos casos donde es difcil hacer tales
partes, el equipo puede decidir usar un porcentaje inferior, reconociendo que esto
puede incrementar la variabilidad de los resultados. Si no es posible hacer partes cerca
de los lmites de especificacin, el equipo debiera reconsiderar el uso de gages de
atributos para este proceso. Conforme sea apropiado para cada carcterstica, las
partes debieran ser medidas en forma independiente con un gage de variables y con
una variacin aceptable (ej., una CMM). Cuando se mida un atributo verdadero que no
pueda ser medido con un gage de variables, usense otros medios tales como, expertos
para predeterminar cules muestras son buenas defectuosas.
132

Se usan tres evaluadores, con cada evaluador tomando tres decisin en cada parte.
Una decision aceptable fu designada con un uno (1) y una decision no aceptable con
un cero (0). La decision de referencia y los valores de referencia de la variable
mostrados en la Tabla III-C 1 inicialmente no fueron determinados. La tabla tambin
indica en la columna de Codificado si la parte est en el area I, area II area III
indicado por -, x, y + respectivamente.
Anlisis de Pruebas de Hiptesis Mtodo Tabular Cruzado

Dado que el equipo no saba las decisiones de referencia para las partes, ellos
desarrollaron tabulaciones tablas cruzadas comparndo cada uno de los evaluadores
con los otros.
El proceso de tables cruzadas analiza los datos de la distribucin para dos ms
variables categricas. Los resultados presentados en un formato de una matriz
forman una tabla de contingencia que ilustra la interdependencia entre las variables. 57
57
Las tabulaciones tablas cruzadas estn disponibles en muchos paquetes de software de anlisis estadsticos y son usadas en
tablas de funciones como pivote en hojas de datos.
133

Parte
A -1
A -2
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
43
44
45
46
47
48
49
50
1
1
0
0
0
1
1
1
0
1
1
0
1
1
1
1
1
1
1
1
1
0
1
1
0
0
1
1
1
0
1
1
1
0
1
1
0
1
0
1
1
0
1
1
0
1
1
0
1
0
1
1
0
0
0
1
1
1
0
1
1
0
1
1
1
1
1
1
1
1
1
0
1
1
0
1
1
1
1
0
1
1
1
0
1
1
0
1
0
1
1
0
0
1
0
1
1
0
1
0
A -3
B -1
B -2
B -3
C -1
C -2
C -3
Referencia
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
1
1
0
1
0
0
1
1
1
1
1
1
0
1
1
1
1
1
1
1
1
1
1
0
0
0
0
0
0
0
0
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
0
0
0
0
0
1
0
0
1
1
1
1
1
1
1
1
0
1
1
1
1
0
0
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
0
1
0
1
0
1
0
1
1
0
1
0
1
1
0
0
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
0
0
0
0
0
0
0
0
0
0
0
0
0
0
1
0
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
0
0
0
1
0
0
0
0
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
0
0
1
0
1
1
0
1
1
1
1
1
1
1
1
0
1
1
1
1
0
1
1
0
0
0
0
0
0
0
0
1
1
1
1
1
1
1
1
0
0
0
0
0
0
0
0
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
0
0
0
0
0
0
0
0
1
1
1
1
1
1
0
1
1
1
1
1
1
1
1
1
0
0
0
0
0
0
0
0
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
0
0
0
0
0
0
0
0
1
1
1
1
1
1
1
1
0
0
0
0
0
0
0
0
Tabla III-C 1: Conjunto de Datos para un Estudio de Atributos
134
Valor de
Referencia
Cdigo
0.476901
0.509015
0.576459
0.566152
0.570360
0.544951
0.465454
0.502295
0.437817
0.515573
0.488905
0.559918
0.542704
0.454518
0.517377
0.531939
0.519694
0.484167
0.520496
0.477236
0.452310
0.545604
0.529065
0.514192
0.599581
0.547204
0.502436
0.521642
0.523754
0.561457
0.503091
0.505850
0.487613
0.449696
0.498698
0.543077
0.409238
0.488184
0.427687
0.501132
0.513779
0.566575
0.462410
0.470832
0.412453
0.493441
0.486379
0.587893
0.483803
0.446697
+
+
x
x
+
+
+
x
+
x
+
+
+
+
+
+
x
x
+
+
x
+
+
+
x
+
+
+
x
+
x
+
+
+
x
+
+
+
+
-

El primer paso es sumarizar los datos observados. Revisando Tabla III-C1, el equipo
examin los datos por pares de observadores, contando cuando ellos acordaron y
desacordaron para cada conjunto de evaluaciones. Esto es, par alas evaluaciones, hay
34 veces donde A-1 = 1 y B-1 = 1; hay 32 veces donde A-2 = 1 y B-2 = 1; y hay 31
veces donde A-3 = 1 y B-3 = 1 para un acuerdo total de 97. La tabla de abajo se
construy para sumarizar la distribucin de los datos para el par de observadores
A*B. Se prepararon tablas similares para pares de observadores B*C y A*C.
B
.00
A
0.00
1.00
44
6
(acuerdan) (desacuerdan)
3
97
(desacuerdan)
(acuerdan)
47
103
1.00
Total
Total
50
100
150
El Segundo paso es estimar la distribucin de datos esperada. Cul es la probabilidad

de que un par de observadores acuerde desacuerde en alguna observacin,
puramente por suerte? En 150 observaciones el Observador A rechaz la parte 50
veces y el Observador B rechaz la parte 47 veces:
PA0 = 47/150 = 0.313

PB0= 50/150 = 0.333
Dado que los dos observadores son independientes, la probabilidad de que ellos
acuerden el que la parte est mala est dada por:
p( A0I B0) =
p p
A0
B0
= 0.104
El nmero esperado de veces que el Observador A y el Observador B acuerden el que

la parte est mala es estima multiplicando la probabilidad combinada por el nmero
de observaciones:
150 x (pA0 pB0) = 150 x (47/150) x (50/150) = 15.7
El equipo hace estimaciones similares para cada par de categoras y para cada par de
observadores para completar las siguientes tablas:
135

Tabulacin Cruzada A * B
B
A
0.00
1.00
Total
Cuenta
Cuenta Esperada
Cuenta
Cuenta Esperada
Cuenta
Cuenta Esperada
0.00
44
15.7
3
31.3
47
47.0
Total
1.00
6
50
34.3
50.0
97
100
68.7
100
103
150
103.0 150.0
Tabulacin Cruzada B * C
C
B
0.00
1.00
Total
Cuenta
Cuenta Esperada
Cuenta
Cuenta Esperada
Cuenta
Cuenta Esperada
0.00
42
16.0
9
35.0
51
51.0
Total
1.00
5
47
31.0
47.0
94
103
68.0 103.0
99
150
99.0 150.0
Tabulacin Cruzada A * C
C
A
0.00
1.00
Total
Cuenta
Cuenta Esperada
Cuenta
Cuenta Esperada
Cuenta
Cuenta Esperada
0.00
43
17.0
8
34.0
51
51.0
1.00 Total
7
50
33.0
50.0
92
100
66.0 100.0
99
150
99.00 150.0
Tabla III-C 2: Resultados del Estudio de Tablas Cruzadas

Para determinar el nivel de este acuerdo, el equipo utiliza el kappa (de Cohen) el cual
mide el acuerdo entre las evaluaciones de dos evaluadores cuando estn evaluando el
mismo objeto. Un valor de 1 indica que el acuerdo es perfecto. Un valor de 0 indica
que el acuerdo no es mejor que una mera probabilidad. El kappa solo est disponible
en las tablas en las cuales ambas variables usen los mismos valores de las categoras y
cuenten con el mismo nmero de categoras mismas. 58
58
Existe un cierto nmero de estadsticos que puede ser usado para determiner el acuerdo entre evaluadores. Diferentes
estadsticos son apropiados para diferentes tipos de mediciones. Ver la Lista de Referencias incluyendo: Bland, J. M., y Altman,
D.G. (1986); Cohen, J. (1960); Everitt, B. (1996); Fleiss, j.L. (1971); Krippendorf, K. (2004); Saal, F.E. Downey, R.G. y Lahey,
M.A. (1980); Shrout, P. y Fleiss, J.L. (1979); y Uebersax, John S. (1987)
136

Kappa es una medida de acuerdo entre estimadores que prueba si las cuentas en las
celdas diagonales (las partes que reciben la misma estimacin) difieren de aquellas
esperadas solo por probabilidad.
Hacer
po= la suma de las proporciones observadas en las celdas diagonales.
pe= la suma de la proporcin esperada en las celdas diagonales.
Entonces
Kappa =
po pe
1 pe
Kappa es una medida ms que una prueba59. La medida es juzgada usando un error
estndar asinttico para construir el estadstico t. Una regla emprica general es que
los valores de kappa mayores que 0.75 indican u n acuerdo bueno a excelente (con
un mximo de kappa = 1). Valores menores que 0.4 indican un acuerdo pobre.
Kappa no toma en cuenta el tamao del desacuerdo entre los
estimadores, solo si ellos acuerdan o no. 60
Calculando las medidas de kappa para los evaluadores, el equipo concluye con lo
siguiente:
Kappa
A
B
C
A
-0.86
0.78
B
0.86
-0.79
C
0.78
0.79
--
Tabla III-C 3: Resumen de Kappa

Este anlisis indica que todos los evaluadores muestran un buen acuerdo cada uno
con los otros.
Este anlisis es necesario para determinar si existen diferencias entre los evaluadores
aunque no nos dice que tan bien el sistema de medicin clasifica partes buenas de las
malas. Para este anlisis el equipo tiene las partes evaluadas usando un sistema de
evaluacin por variables y usa los resultados para determiner la decision de
referencia.
Con esta nueva informacin otro grupo de tables cruzadas es desarrollado
comparando cada evaluador con la decision de referencia.
59
60
Como en todas las evaluaciones por categoras, un nmero grande de partes que cubran el espectro completo
de posibilidades es necesario.
Cuando las observaciones son medidas en una escala ordinaria y por categoras un Kappa ponderado puede
usarse para un mejor acuerdo de medicin. El acuerdo entre dos estimadores es tratado como Kappa aunque
los desacuerdos son medidos por el nmero de categoras con los cuales los estimadores difieren.
137

Total
Total
Total
Tabulacin Cruzada A * REF

REF
.00
1.00
0.00
Cuenta
45
5
Cuenta Esperada
16.0
34.0
1.00
Cuenta
3
97
Cuenta Esperada
32.0
68.0
Cuenta
48
102
Cuenta Esperada
48.0 102.0
Tabulacin Cruzada B * REF

REF
0.00
1.00
0.00
Cuenta
45
2
Cuenta Esperada
15.0
32.0
1.00
Cuenta
3
100
Cuenta Esperada
33.0
70.0
Cuenta
48
102
Cuenta Esperada
48.0 102.0
Total
50
50.0
100
100
150
150.0
Total
47
47.0
103
103.0
150
150.0
Tabulacin Cruzada C * REF

REF
0.00
1.00 Total
0.00
Cuenta
42
9
51
Cuenta Esperada
16.3
34.7
51.0
1.00
Cuenta
6
93
99
Cuenta Esperada
31.7
67.3
99.0
Cuenta
48
102
150
Cuenta Esperada
48.0 102.0 150.0
Tabla III-C 4: Comparaciones de los Evaluadores con la Referencia

El equipo tambin calcula la medida kappa para determinar el acuerdo de cada
evaluador con el valor de referencia.
A
.88
Kappa
B
.92
C
.77
Estos valores pueden interpretarse como que cada uno de los evaluadores tiene
un buen acuerdo con el estndar.
138

El equipo de proceso calcula entonces la efectividad del sistema de medicin.
Efectividad =
No.DecisionesCorrectas
TotaldeOpertunidadesporDecision
% del Evaluador1
Ev. A
Ev. B
Ev. C
50
50
50
Fuente
Total
Inspeccionado
# Iguales
42
45
Negativos Falsos (Evaluador Sesgado hacia el Rechazo)
Positivos Falsos (Evaluador Sesgado hacia la Aceptacin)
Mezclado
95% del UCI
93%
97%
Score
84%
90%
Calculado
95% del LCI
71%
78%
40
42
45
40
90%
80%
0
0
8
93%
84%
0
0
5
97%
90%
0
0
10
90%
80%
66%
71%
78%
66%
Score del % Efectivo del Sistema3

Total Inspeccionado
# en Acuerdo
95% del UCI
Score Calculado
95% del LCI
% del Score vs Atributo2

Ev. A
Ev. B
Ev. C
50
50
50
50
39
89%
78%
64%
Score del % Efectivo del Sistema vs

Referencia4
50
39
89%
78%
64%
Notas
(1) El evaluador acuerda con el mismo en todos los intentos.
(2) El evaluador acuerda en todos los intentos con el estndar conocido.
(3) Todos los evaluadores acuerdan dentro y entre ellos mismos.
(4) Todos los evaluadores acuerdan dentro y entre ellos mismos y con la referencia.
(5) UCI y LCI son los lmites de intervalos de confianza superior e inferior, respectivamente.
Tabla III-C 5: Tabla de Estudio de Efectividad

Las pruebas mltiples de hiptesis entre cada par de evaluadores puede conducirse con
la hiptesis nula:
Ho: La efectividad de ambos evaluadores es la misma.

Dado que el score calculado de cada evaluador cae dentro del intervalo de confiabilidad
de los otros, el equipo concluye que no pueden rechazar la hiptesis nula. Esto refuerza
las conclusiones de las medidas de Kappa.
Para anlisis adicionales, uno de los miembros del equipo obtiene la siguiente tabla la
cual ofrece lineamientos para los resultados de cada evaluador.
139

Decisin
Sistema de
Medicin
Aceptable para el
evaluador
Marginalmente
aceptable para el
evaluador puede
requerirse
mejoramiento
No aceptable para
el evaluador
requiere
mejoramiento
Efectividad
Proporcin
Perdida
Proporcin de
Falsa Alarma
90%
2%
5%
80%
5%
10%
< 80%
> 5%
> 10%
Tabla III-C 6: Ejemplo de Guas y Lineamientos para Criterios de Efectividad

Resumiendo toda la informacin que ya se tiene, el equipo concluye con esta tabla.
Efectividad
A
B
C
84%
90%
80%
Proporcin
Perdida
6.3%
6.3%
12.5%
Proporcin de
Falsa Alarma
4.9%
2.0%
8.8%
Tabla III-C 7: Resumen del Estudio de Efectividad

Estos resultados muestran que el sistema de medicin tena diferentes niveles de
desempeo en Efectividad, Proporcin Perdida y Proporcin de Falsa Alarma,
dependiendo del evaluador. Ningn evaluador contaba con resultados aceptables en
todas las tres categoras. Ningn evaluador contaba con resultados inaceptables en todas
las tres categoras. Los lineamientos de aceptacin necesitaban ser modificados para
ste proceso? Son stos riesgos aceptables? Los evaluadores requeran un mejor
entrenamiento? Podra ser mejorado el ambiente de las mediciones? y ms importante
Qu piensa el cliente acerca del sistema de medicin y estos resultados? - Cules eran
sus expectativas?
Los clientes aceptan stos niveles de riesgo?
Tamao de Muestra
La pregunta siempre se crea: Cuantas muestras debieran ser usadas en el estudio? Para
desmayo de la mayora de la gente, la respuesta es suficientes. El propsito de
cualquier estudio de mediciones (variables atributos) es entender las propiedades del
sistema de medicin. Un nmero suficiente de muestras debiera ser seleccionado para
cubrir el rango de operacin esperado (ver tambin Captulo II Seccin C). Con los
sistemas de mediciones por atributos, las reas de inters son las
140

reas Tipo II (ver Captulo I, Seccin B). Si la habilidad inherente del proceso es buena
(ej., Cp, Cpk Ppk grandes) entonces una muestra aleatoria pequea puede no tener
muchas ( algunas) muestras en esta rea. Esto significa que conforme se mejora la
habilidad del proceso, la muestra aleatoria requerida para el estudio de atributos debiera
llegar a ser ms grande.
En el ejemplo anterior, los ndices fueron Pp, Ppk = 0.5 (ej., un desempeo de proceso
esperado de aproximadamente del 13% de no conformancia), la muestra seleccionada
fue 50.
Un ejemplo alternativo a las muestras grandes es la muestra salteada donde las partes
son seleccionadas especficamente de las reas del Tipo II para incrementar la muestra
aleatoria para asegurar que el efecto de la variabilidad del evaluador sea vista.
Aspectos a Considerar
1)
No existen criterios de decisin basados en la teora para un riesgo aceptable. Los

lineamientos anteriores son heursticos y desarrollados en base a creencias
individuales acerca de lo que pasa como aceptable. Los criterios de decisin
finales debieran basarse en el impacto (ej., riesgo) de mantener el proceso y el
cliente final. Este es un tema de decisiones y no estadstico.
2)
El anlisis anterior depende de los datos. Por ejemplo, si los ndices del proceso
son Pp = Ppk = 1.33, entonces todas las decisiones seran correctas dado que
ninguna parte caera en la regin II (las reas grises) del sistema de medicin.
Figura III-C 3: Proceso de Ejemplo con Pp = Ppk = 1.33

Con esta nueva situacin, se concluira que todos los evaluadores son aceptables
dado que no habra errores de medicin.
141

3)
Generalmente existe un concepto equivocado de lo que realmente los resultados

de tablas cruzadas significan. Por ejemplo, los resultados del evaluador B de la
Tabla III-C 4 son:
0.00
1.00
Total
Tablas Cruzadas B* REF

REF
0.00
1.00
Cuenta
45
2
% dentro de Ref.
93.8%
2.0%
Cuenta
3
100
% dentro de Ref.
6.3%
98.0%
Cuenta
48
102
% dentro de Ref.
100.0%
100.0%
Total
47
31.3%
103
68.7%
150
100.0%
Dado que el propsito de la inspeccin es encontrar todas las partes no conformes, la

mayora de la gente ve la esquina superior izquierda como una medida de la efectividad
de encontrar partes malas. Este % es la probabilidad de decir que una parte es mala
dado que es mala:
Pr (llamar la parte mala una parte mala)

Asumiendo que el proceso es mejorado a un Pp = Ppk = 1.00, la probabilidad de inters
hacia el fabricante es:
Pr (la parte es mala es llamada mala)

Para determinar sto de los datos anteriores, debe usarse el Teorema de Bayes.
Pr (l lamadomalo malo )* Pr (malo )

Pr (llamadomalo malo ) * Pr (malo ) + Pr (llamadomalo bueno )* Pr (bueno )
.938 * (.0027 )
Pr (malo llamadomalo ) =
.938 * (.0027 ) + .020 * (.9973)
Pr (malo llamadomalo ) = .11
Pr (malo llamadomalo ) =
Estos resultados indican que si la parte es llamada mala existe una probabilidad de 1 en
10 de que sea verdaderamente mala.
4)
El anlisis no utiliza informacin de datos de variables ni informacin de orden

relativo, la cual estuviera disponible cuando los valores de referencia de
decisiones se determinaron.
142

Enfoque de Deteccin de Seales

Un enfoque alternativo es usar la teora de Deteccin de
Seales 61 para determinar una aproximacin de la amplitud
del rea de la regin II y de esto, el RRG del sistema de
medicin. Esto requiere que cada una de las partes de la
muestra puedan ser evaluadas fuera de lnea por sistemas de
medicin de variables. Este valor de referencia es mostrado
en la columna de Valor Ref en la Tabla III-C1.
Pasos:
1) Determina la Tolerancia (rango de la especificacin); de
la Figura III-C 1:
USL = .550
LSL = .450
Entonces la Tolerancia = USL-LSL = .100. Este valor
usado es usado para calcular el RRG.
Guas y Lineamientos:
Si Ppk>1, comparar el sistema de medicin con el
proceso.
Si Ppk<1, comparar el sistema de medicin con la
tolerancia.
Esta regla toma en cuenta la comparacin del sistema de
medicin con el que sea ms estricto, el proceso la
tolerancia.
En este ejemplo, el Ppk = .5 (ver Figura III-C 1), de manera
que el proceso es mayor que la tolerancia y este sistema de
medicin debiera por tanto compararse con la tolerancia.
Tabla III-C 8: Tabla III-C 1 clasificada por Valor de Referencia

Para los datos en la Tabla III-C 1.
2)
Ordenar por rango los datos (y celdas adyacentes) de la ms alta a la ms

baja en base en los Valores de Referencia individuales (ver Tabla III-C 8;
Nota: esta tabla ha sido dividida en dos columnas para ahorrar espacio.).
3)
Identifica los puntos inicial y final de las dos reas IIs. En Tabla III-C 8 esto
se muestra en la columna de Code ( Cdigo):
+ = aceptado con acuerdo total
- = rechazado con acuerdo total (en Tabla III-C 1)
X = desacuerdo
La amplitud estas zonas es lo que estamos tratando de determinar, y la
amplitud promedio de estas zonas es usada para comparar el
61
Ver Lista de Referencia: Baker 1975
143

sistema de medicin con la tolerancia de la especificacin, con la amplitud

6 sigma del proceso (dependiendo de la situacin).
4)
Zone I = partes acordadas

por todos los evaluadores
para ser rechazadas.
Haciendo referencia a la grfica de arriba, hacer que dUSL = distancia entre la

ltima parte aceptada por todos los evaluadores y la primera parte rechazada
por todos. Esta distancia es equivalente a la zona II gris alrededor de USL
arriba, limitada por la zona I superior a la derecha, y la zona III a la
izquierdas. Note los valores circulados en la Tabla III-C 8 arriba.
Zone III = partes acordadas

por todos los evaluadores
para ser aceptadas.
Zone II = partes
cuestionables sin un 100%
de acuerdo, alrededor de
cada lmite de
especificacin.
Meta
5)
Hacer que dLSL = la distancia entre la ltima parte aceptada por todos los
evaluadores en Zona III y la primer parte rechazada por todos los
evaluadores en la Zona I.
Hacer que di = distancia entre la ltima parte aceptada por todos los
evaluadores y la primer parte rechazada por todos (para cada
especificacin).
Entonces,
d = promedio (di)
es un estimativo 62 de la amplitud de las reas de la regin II y, por tanto,
un estimativo de RRG = 6 * RRG
En este ejemplo (p. 126) donde la tolerancia es 0.100,
dLSL = 0.470832-0.446697 = 0.024135
dUSL = 0.566152-0.542704=0.023448
d = 0.0237915
el %RRG estimado es,
%RRG = 24%
Dado que este ejemplo fue generado por un sistema de medicin con
un %RRG = 25% actual, este estimativo conducira a la misma
evaluacin del sistema de medicin.
Si solo la informacin de los datos ordenados estuviera disponible,
esta tcnica puede todava usarse aunque requiere conocimiento del
asunto tema para cuantificar ds.
62
La bondad de este estimativo depende del tamao de la muestra y de que tan cerca la muestra represente al
proceso. Mientras ms grande es la muestra, mejor es el estimativo.
144

METODO ANALITICO 63
Como en cualquier sistema de medicin, la estabilidad del proceso debiera verificarse
y, si es necesario, monitorearse. Para sistemas de medicin de atributos, las grficas de
control de atributos con muestras constantes en el tiempo es una forma comn de
verificar la estabilidad. 64
Para un sistema de medicin de atributos, el concepto de la Curva de Desempeo de un
Gage (ver captulo V, seccin C) es usado para desarrollar un estudio de un sistema de
medicin, el cual se use para evaluar la cantidad de repetibilidad y sesgo del sistema de
medicin en cuestin. Este anlisis puede usarse en sistemas de medicin de 1 y 2
lmites. Para un sistema de medicin de dos lmites, solo un lmite necesita ser
examinado con los supuestos de linealidad y error de uniformidad. Por conveniencia, el
lmite inferior es usado para discusin.
En general, el estudio de los sistemas de medicin de atributos consiste en la obtencin
de valores referencia para varias partes seleccionadas. Estas partes son evaluadas un
cierto nmero de veces, (m), con el nmero total de aceptadas (a), para cada parte
registrada. De los resultados, puede evaluarse la repetibilidad y el sesgo.
La primera etapa de un estudio de atributos es la seleccin de las partes. Es esencial que
el valor de referencia sea conocido para cada parte usada en el estudio. Debieran
seleccionarse 8 partes en intervalos equidistantes y lo ms cerca y prctico posibles.
Los valores mximo y mnimo debieran representar el rango del proceso. Aunque esta
seleccin no afecta la confiabilidad en los resultados, si afecta el nmero total de partes
necesarias para completar el estudio del gage. Las 8 partes deben correrse a travs del
gage, m = 20 veces y registrarse el nmero de aceptadas, (a).
Para el estudio total, la parte ms pequea debe contar con el valor a = 0; la parte ms
grande, a = 20; y las otras 6 partes, 1< a < 19. Si estos criterios no son satisfechos, ms
partes con valores de referencia conocidos, (X) deben correrse a travs del gage hasta
que las condiciones anteriores se cumplan. Si para el valor ms pequeo a 0,
entonces mas y mas partes pequeas son tomadas y evaluadas hasta que a = 0. Si para
el valor ms grande a 20, entonces ms y ms partes grandes son tomadas hasta que
a = 20. Si 6 de las partes no cuentan con 1< a < 19, pueden tomarse partes adicionales
en puntos seleccionados a lo largo del rango. Estos puntos son tomados como puntos
medios de las mediciones de las partes ya medidas en el estudio. El primer intervalo
con el final a = 0 empieza desde la ms grande medicin donde a = 0. Para el final con
a = 20, el primer intervalo comienza en la medicin ms pequea donde a = 20. Para
mejores resultados, debieran tomarse muestras para finales con a = 0 y a = 20 y
trabajarse hacia el punto medio del rango de la parte. Si es necesario, el procedimiento
puede repetirse hasta que se cumplan los criterios.
Una vez que los criterios de recoleccin de datos han sido satisfechos, las
probabilidades de aceptacin deben calcularse para cada parte usando las siguientes
ecuaciones:
63
64
Adaptada con el permiso de Anlisis de Sistemas de Gages por Atributos por J. McCaslin & G.Gruska, ASQC, 1976.
Caveat: np > 4
145

Pa
a + 0.5
m
a 0.5
m
0.5
a
< 0.5,
m
a
if
> 0.5,
m
a
if
= 0.5
m
if
a0
a 20
Los ajustes cubren los casos donde 1 a 19 . Para los casos donde a = 0 fijar P'a =0
excepto para el valor de referencia ms grande con a = 0, en el cual P'a =0.025. Para los
casos donde a = 20 entonces P'a =1 excepto para el valor de referencia ms pequeo con
a = 20 y en el cual P'a =0.975.
Una vez que el P'a ha sido calculado para cada XT, la Curva de Desempeo del Gage
(CDG) puede desarrollarse. Aunque la CDG puede presentarse grficamente (ver Figura
III-C 5), el uso del papel de distribucin normal (ver Figura III-C 4) produce estimativos
ms exactos de la repetibilidad y el sesgo.
Las probabilidades calculadas son graficadas en papel de probabilidad normal y una
lnea de mejor ajuste es trazada a travs de estos puntos. El sesgo es igual al lmite
inferior menos la medicin del valor referencia que corresponda a P'a =0.5,
Sesgo = Lmite Inferior de Especificacin - XT(en Pa = 0.5)

La repetibilidad es determinada encontrando las diferencias de las mediciones del valor
referencia correspondientes a P'a=0.995 P'a=0.005 y dividiendo por un factor de ajuste
de 1.08. 65
Re petibilidad =
XT (a P' a = 0.995) XT (a P ' a = 0.005)

1.08
Para determinar si el sesgo es significativamente diferente de cero, el siguiente

estadstico es usado:
t=
6.078 Sesgo
Re petibilidad
Si este valor calculado es mayor que 2.093 (t025,19), entonces el sesgo es

significativamente diferente de cero.
Un ejemplo clarificar la recoleccin de datos de un estudio de atributos y el clculo de
la repetibilidad y sesgo.
65
El factor de ajuste (sin sesgo) de 1.08 es especfico para un tamao de muestra de 20 y fue determinado a travs de una
simulacin de ste enfoque con un rango de repetibilidad del 99%. Para convertir el resultado a un rango de 6 sigma, se
divide por 5.15 y se multiplica por 6.
146

Ejemplo
Un gage de atributos est siendo usado para medir una dimensin que tiene una
tolerancia de + 0.010. El gage es un dispositivo de inspeccin al 100% automtico y de
final de lnea que es afectado por la repetibilidad y sesgo. Para ejecutar el estudio de
atributos, se corren 8 partes con valores de referencia en intervalos de 0.002 desde
0.016 hasta 0.002, a travs del gage 20 veces cada parte. El nmero de aceptados para
cada parte es
XT
-0.016
-0.014
-0.012
-0.010
-0.008
-0.006
-0.004
-0.002
a
0
3
8
20
20
20
20
20
Dado que existen dos valores de referencia con 1 a 19 , al menos cuatro partes ms
deben ser encontradas. Entonces, es necesario correr partes con valores de referencia en
los puntos medios de los valores existentes. Estos valores de referencia y el nmero de
aceptados es:
-0.015
-0.013
-0.011
1
5
16
Ahora existen 5 valores de referencia con 1 a 19 . El procedimiento requiere que

una parte ms se encuentre con 1 a 19 . Entonces, la siguiente parte es evaluada.
-0.0105
18
Ahora que los criterios de recoleccin de datos se han satisfecho, las probabilidades de
aceptacin pueden calcularse usando los ajustes binomiales mostrados abajo.
XT
-0.016
-0.015
-0.014
-0.013
-0.012
-0.011
-0.0105
-0.010
-0.008
a
0
1
3
5
8
16
18
20
20
147
Pa
0.025
0.075
0.175
0.275
0.425
0.775
0.875
0.975
1.000

Estas probabilidades son graficadas en un papel de probabilidad normal como se

muestra en la Figura III-C 4. Graficando una lnea de mejor ajuste a travs de estos
puntos, pueden determinarse el sesgo y la repetibilidad. El sesgo es igual al lmite
inferior menos la medicin del valor referencia que corresponda a P'a=0.5.
De la Figura III-C 4:
Sesgo = -0.010 - (-0.0123) = 0.0023

La repetibilidad se determina encontrando las diferencias de las mediciones del valor
referencia correspondientes a P'a=0.995 y P'a=0.005 y dividiendo por 1.08. De la Figura
III-C 4:
0.0084(0.0163)
1.08
0.0079
=
= 0.0073
1.08
R=
Then
repetibilidad
R
= 0.00142 and the associated GRR range is 0.0085
5.15
Para determinar si el sesgo es significativamente diferente de cero, calcular:
t=
=
6.078 Sesgo
repetibilidad
6.078 0.0023
0.00142
= 9.84
Dado que t0.025,19=2.093, el sesgo es significativamente diferente de cero.

Como en la Curva de Desempeo de un Gage para variables mostrada en el Captulo IV,
Seccin F, la CDG de atributos puede tambin ser graficada en papel de escala normal
(ver Figura III-C 5). Esto puede lograrse en una de dos formas. Un enfoque sera correr
el estudio de la muestra en otro lmite de la especificacin. En el ejemplo, el mtodo
largo para el estudio de atributos tambin tendra que conducirse en el lmite ms alto
de la especificacin y calcularse los valores graficados.
Sin embargo y debido a los supuestos mencionados previamente, no sera necesario
correr el estudio otra vez. Dado que la forma de la curva en el lmite superior debiera ser
una imagen de espejo de la curva misma en el lmite inferior, la nica consideracin
necesaria es la localizacin de la curva con respecto a los valores XT. Esta localizacin
se determina por el sesgo.
La posicin correcta de la curva sera definida en el punto donde la P'a = 0.5, y el valor
de XT es igual al lmite de la especificacin menos el sesgo. En el ejemplo, este punto
sera XT= 0.010 - 0.0023 = 0.0077. La CDG graficada en esta forma se muestra en la
Figura III-C 4.
148

99.8
99.5
Repetibilidad = 0.0079
Desajustada
99.0
0.5
1.0
98.0
2.0
5.0
95.0
90.0
80.0
10.0
20.0
30.0
70.0
40.0
60.0
50.0
40.0
30.0
0.2
50.0
60.0
70.0
20.0
80.0
10.0
90.0
5.0
95.0
2.0
98.0
1.0
99.0
0.5
99.5
0.2
99.8
-0.016
-0.014
-0.012
-0.01
Sesgo = -0.010 - (-0.0123) = 0.0023

Tabla III-C 4: Curva de Desempeo de Gage de Atributos Graficada en Papel de Probabilidad
Normal
149

LSL
USL
p
1 .0
Probabilidad de Aceptacin
0 .9
0 .8
0 .7
0 .6
0 .5
0 .4
0 .3
0 .2
0 .1
0 .0
-0 .0 2 0 -0 .0 1 5 -0 .0 1 0 -0 .0 0 5 0 .0
0 .0 0 5 0 .0 1 0 0 .0 1 5 0 .0 2 0
V a lo r d e R e fe re n c ia d e la s P a rte s M e d id a s
Sesgo=0.0023 RRG=0.0085
Figura III-C 5: Curva de Desempeo de Gages de Atributos
150
Captulo IV
Otras Prcticas y Conceptos de Medicin
CAPTULO IV
Otras Prcticas y Conceptos de Mediciones
151
Captulo IV
152
Captulo IV Seccin A
Prcticas para Sistemas de Medicin Complejos No Replicables
Seccin A
Prcticas para Sistemas de Medicin No Replicables
El enfoque de este manual de referencia es sistemas de medicin donde las lecturas
puedan replicarse para cada parte. No todos los sistemas de medicin tienen esta
caracterstica; por ejemplo:
Sistemas de mediciones destructivas

Sistemas donde la parte cambia en el uso / prueba; ej., pruebas de dinammetro
en motores o transmisiones
Lo siguiente son ejemplos de enfoques para anlisis de sistemas de

medicin, incluyendo aquellos no discutidos previamente en este manual.
No se pretende que sea una lista completa cubriendo cada tipo de sistema
de medicin si no solo ejemplos de varios enfoques. Si un sistema de
medicin no se ajusta al enfoque del manual, se recomienda ayuda y
consulta de fuentes estadsticas competentes.
Sistemas de medicin destructivos

Cuando la parte (caracterstica) a ser medida es destruida por el acto mismo de
medicin el proceso es conocido como medicin destructivas. Esto incluye la
clase completa de sistemas de medicin conocidos como sistemas de medicin
destructivos; por ejemplo, pruebas de soldadura destructivas, pruebas de acabado
metlico destructivas, pruebas de cmara de humedad/salina, pruebas de impacto
(gravelometro) de espectrometra de masas y otros procesos de pruebas de
caractersticas de materiales.
Estos son los ejemplos clsicos de sistemas de medicin no replicables dado
que lecturas repetitivas no pueden tomarse para una misma parte.
Sistemas donde la parte cambia en el uso/prueba

Sin embargo, existen otros sistemas de medicin los cuales son no replicables, y
donde la parte misma no es daada por el proceso de medicin aunque la
caracterstica a ser medida cambia. Ejemplos de esto son: pruebas de fuga con
datos cualitativos, pruebas usando stands de prueba de mquinas, stands de
pruebas de transmisin, dinammetros de vehculos, etc.
El anlisis de estos sistemas depende de si
1) Un conjunto de partes homogneas (variacin pequea entre partes)
puede encontrarse para representar una sola parte;
2) La vida de anaquel de la caracterstica (propiedad) es conocida y se
extiende ms all de la duracin esperada del estudio ej., la
caracterstica medida no cambia dentro de un perodo esperado de uso;
3) Las propiedades dinmicas (cambiantes) pueden ser estabilizadas
153
Captulo IV
El mapeo de los estudios descritos en este captulo y los diferentes escenarios es

como sigue:
Estudios de Estabilidad
Escenario
S1
S2
S3
S4
S5
La parte no cambia por el proceso de medicin, ej., los sistemas

de medicin que no son destructivos (replicables) y sern usados
con partes (especimenes) con:
Propiedades estticas, o
Propiedades dinmicas (cambiantes) as cuales han sido
estabilizadas
La vida de anaquel de la caracterstica (propiedad) es conocida y
se extiende ms all de la duracin esperada del estudio; ej., la
caracterstica medida no cambia durante el periodo esperado de
uso.
Sistemas de medicin destructivos.
Otros sistemas de medicin no replicables.
Sistemas de medicin con caractersticas dinmicas: ej., stands de
prueba
Estudios de Variabilidad
Escenario
V1
V2
V3
V4
V5
V6
V7
V8
La parte no cambia por el proceso de

medicin; ej., lo sistemas de
medicin que son no destructivos y
sern usados con partes
(especimenes) con:
Propiedades estticas, o
Propiedades dinmicas
(cambiantes) las cuales han sido
estabilizadas
Lo anterior con p>2 instrumentos.
Sistemas de medicin destructivos.
Otros sistemas de medicin no
replicables.
Sistemas de medicin con
caractersticas dinmicas: ej., stands
de prueba
Sistemas de medicin con
caractersticas dinmicas con p>3
instrumentos
Tabla IV-A 1: Mtodos Basados en los Tipos de Sistemas de Medicin.
154
V9
Captulo IV Seccin B
Seccin B
S1: Una Parte 66, Medicin nica por Ciclo
Aplicacin:
a) Sistemas de medicin en los cuales la parte no cambia por el proceso de
medicin; ej., sistemas de medicin que no son destructivos y sern usados con
partes (especimenes) con:
9 Propiedades estticas, o
9 Propiedades dinmicas (cambiantes) que han sido estabilizadas
b) La vida de anaquel de la caracterstica (propiedad) es conocida y se extiende
ms all de la duracin del estudio; ej., la caracterstica medida no cambia
durante el periodo esperado de uso.
Supuestos:
El sistema de medicin es conocido (documentado) para una respuesta lineal

sobre un periodo esperado de la caracterstica (propiedad).
Las partes (especimenes) cubren el rango esperado de la variacin del proceso

de la caracterstica.
Analiza usando las grficas X & mR
Determina la estabilidad del sistema de medicin:

9 Compara los puntos graficados con los lmites de control
9 Checa tendencias (solo la grfica x)
Compara e = R
d 2*
(error total de las mediciones) con el estimativo de la
repetibilidad E de un estudio de variabilidad (ver siguiente seccin).
66
Determina el sesgo si el valor de referencia es conocido:

sesgo = x - valor de referencia
Puede usarse un estndar o patrn de referencia si es apropiado para el proceso.
155
Captulo IV Seccin B
S2: 3 Partes n > 3 67, Medicin nica por Ciclo por Parte
Aplicacin:
medicin; ej., sistemas de medicin que no son destructivos y sern usados con
9 Propiedades estticas, o
9 Propiedades dinmicas (cambiantes) que han sido estabilizadas.
b) La vida de anaquel de la caracterstica (propiedad) es conocida y se extiende
ms all de la duracin del estudio; ej., la caracterstica medida no cambia
durante el periodo esperado de uso.
Supuestos:
El sistema de medicin es conocido (documentado) para una respuesta lineal

sobre un periodo esperado de la caracterstica (propiedad).

Analiza usando una grfica [z, R]: donde zi = xi i
Y i es el valor estndar (de referencia), o determinado por el promedio de un

nmero grande de lecturas sucesivas de la parte (espcimen).
Determine la estabilidad del sistema de medicin:

9 Compare los puntos graficados con los lmites de control
9 Cheque tendencias (solo en grfica z)
Compare
68
e = R
d 2*
con el estimativo de la repetibilidad E de un estudio
de variabilidad.
Determine el sesgo si los valores de referencia son conocidos.

sesgo = x - valor de referencia
Determina la linealidad si se usan n > 3 partes:

9 Las partes (especimenes) deben cubrir el rango esperado de la propiedad
9 Cada parte (espcimen) debiera ser analizada por separado para el sesgo y
la repetibilidad
9 Cuantifica la linealidad usando el anlisis de linealidad discutido en el
captulo III, seccin B.
67
68
Puede usarse un estndar o patrn de referencia si es apropiado para el proceso.

Si se involucra a ms de un evaluador en la recoleccin de datos, entonces E (estimativo de la
repetibilidad) es afectada tambin por la reproducibilidad del sistema de medicin. Cuantifica la
reproducibilidad con grficas de correlacin y bigotes e indexadas por evaluador (ver captulo III,
seccin B).
156
Captulo IV Seccin B
Si se usa ms de un instrumento es este estudio, determina la consistencia

(homogeneidad de la variacin) entre los instrumentos; ej., uso de la prueba F,
prueba de Bartlett, prueba de Levene 69, etc.
S3: Muestra Grande de un Proceso Estable

Aplicacin:
El sistema de medicin debe estar evaluando una muestra (recolectada y aislada)
homognea y distribuida e idnticamente independiente (dii). Las mediciones de
las partes individuales (especimenes) no son replicadas por lo que este estudio
puede usarse con sistemas de medicin destructivos y no replicables.
Supuestos:
La vida de anaquel de la caracterstica (propiedad) es conocida y se extiende

ms all de la duracin esperada del estudio; ej., la caracterstica medida no
cambia durante el periodo esperado de uso y/o almacenamiento.

de la caracterstica (propiedad).
La linealidad del sistema de medicin es conocida (documentada) sobre el

rango esperado de la caracterstica (propiedad). (Si la respuesta es no lineal, las
lecturas deben ajustarse).
Determinando la variabilidad total a travs de un estudio de habilidad con n>30

partes. (Este estudio preliminar debiera tambin ser usado para verificar la
consistencia de la muestra: ej., todas las partes (especimenes) vienen de una
distribucin unimodal).
Analiza:
69
2
2
total
= Pr2 oceso + sistemamed
iciones
Midiendo una o ms lecturas individuales de la muestra aislada en periodos de

tiempo, use grficas x & R o x & mR con lmites de control determinados por
el estudio de habilidad.
Compare los puntos graficados con los lmites de control.
Cheque tendencias.
Dado que las partes (especimenes) no cambian (una muestra aislada), cualquier
indicacin de inestabilidad sera atribuida a un cambio en el sistema de
medicin.
Dataplot, National Institute of Standars and Technology, Statistical Engineering Divisin (www.itl.nist.gov)
157
Captulo IV Seccin B
S4: Especimenes Divididos (General), Espcimen nico por Ciclo

Aplicacin:
Las mediciones de pociones de partes (especimenes) individuales no son replicadas
de forma tal que el estudio puede ser usado con sistemas de medicin destructivos
y no replicables.
Supuestos:


Los especimenes son divididos en m porciones. Con m=2 porciones, este a

menudo es llamado estudio de prueba volver a probar.
Analiza usando:
La grfica de rangos para rastrear la consistencia de las mediciones

(confundida con la consistencia dentro del lote).
Compara e = R
d 2*
con el estimativo de la repetibilidad E de un estudio de
variabilidad.
2
Este es un estudio de lmite superior: e2 = E2 + btwn
Grfica para rastrear la consistencia del proceso de produccin.
S4 con Pares de Partes Consecutivas (Homogneas) de Diferentes Lotes S4a

Este estudio es el mismo que S4 con partes homogneas de diferentes lotes. Es un
2
2
estudio de lmite superior, dado que e2 = E2 + btwn
+ lots
158
Captulo IV Seccin B
S5: Stands de Prueba

En esta situacin, instrumentos de medicin mltiple (stands de prueba) evalan
las mismas caractersticas de un flujo continuo del producto. El flujo del producto
es asignado aleatoriamente a stands individuales.
S5a: Respuestas de Atributos

Analiza usando las grficas p:
Determina la consistencia (de las decisiones) entre los stands: una grfica
simple incluyendo los resultados de todos los stands.
Determina la estabilidad dentro de los stands individuales: grficas separadas

para cada stand.
Analiza la estabilidad total del sistema con una grfica p & mR, donde
promedio de todos los stands de prueba en un cierto da.
p es el
S5b: Respuestas de Datos de Variables

Analiza usando ANOVA y tcnicas grficas: 70
Calcula x & s para cada stand de prueba (por caracterstica), en el periodo de
tiempo.
70
Determina la consistencia entre los stands: una grfica simple x & s incluyendo
los resultados de todos los stands.
Determina la estabilidad dentro de los stands individuales: grfica x & s por

separado para cada stand.
Cuantifica la consistencia (homogeneidad de variacin) entre los stands; ej., usa

la prueba F, de Bartlett, de Levene, etc.
Determina si todos los stands cuentan con la misma meta comparando los
promedios de los stands; ej., usando un anlisis ANOVA de un sentido. Si existe
alguna diferencia, asla los diferentes stands usando, por ejemplo, la prueba T
de Tukey.
Ver tambin James, P.D., Graphical Displays of Gages R&R Data, AQC transaction, ASQC, 1991
159
Captulo IV Seccin B
160
Captulo IV Seccin C
Estudios de Variabilidades
Seccin C
Todos los estudios descriptivos son enumerativos por naturaleza y describen el
sistema de medicin (incluyendo los efectos del medio ambiente) durante el
estudio. Dado que los sistemas de medicin son usados para toma de decisiones
futuras acerca de los productos, proceso o servicios, es necesaria una conclusin
analtica acerca del sistema de medicin. La transicin de resultados enumerativos
analticos requiere conocimientos del tema y pericia para:
Asegurar que todas las fuentes de variacin de las mediciones son consideradas
en el diseo y en la ejecucin del estudio.
Analizar los resultados (datos) a la luz del uso esperado, medio ambiente,
control, mantenimiento, etc.
V1: Estudios Estndar RRG

Estos estudios estn contenidos dentro de este manual de referencia. Estos
estudios incluyen anlisis grficos y numricos.
V1a Mtodo de Rangos (R&R)
V1b Mtodo de Rangos (R&R y dentro de las partes)
V1c Mtodo ANOVA
V1d Mtodo de Rangos/ANOVA Modificado
V2: Lecturas Mltiples con p>2 Instrumentos

Esto permite la comparacin de instrumentos mltiples.
Aplicacin:
medicin; ej., sistemas de medicin que son no destructivos y sern basados con
1) Propiedades estticas, o
2) Propiedades dinmicas (cambiantes) las cuales han sido estabilizadas.
Supuestos:

ms all de la duracin esperada del estudio; ej.,la caracterstica medida no
cambia durante el periodo esperado de uso.
Partes (especimenes) cubren el rango esperado de la variacin del proceso de la

caracterstica.
161
Captulo IV Seccin C
Analiza usando los estimativos de Grubbs 71 (o Thompson) 72 :
La variabilidad del proceso
La variabilidad del instrumento = repetibilidad
Los clculos de la regin de confiabilidad estn disponibles.
V3: Especmenes Divididos (m = 2)

Aplicacin:
Las mediciones de porciones individuales de las partes (especimenes) no son
replicadas de manera que este estudio puede ser usado en sistemas de medicin
destructivos y no replicables y puede ser usado para analizar sistemas de medicin
con caractersticas dinmicas.
Supuestos:

Las partes (especmenes) cubren el rango esperado de la variacin del proceso

Los especmenes son divididos en m porciones. Con m=2 porciones, este es a

menudo llamado estudio de prueba volver a probar.
Analiza usando tcnicas de regresin:
Estima la repetibilidad con el trmino del error: E = e
Linealidad (comparando la lnea estimada con la lnea a 45)
V3a - V3 con Pares de Partes Consecutivas

Este estudio es el mismo que V3 pero usando pares consecutivos de partes ms que
especimenes divididos. Este estudio es usado en situaciones donde la parte no
puede ser dividida sin destruir la propiedad a ser medida.
Este es un estudio de lmites superior: E e + btwn
71
72
Ver lista de referencias, Grubbs, F.E., 1973.

Ver lista de referencias, Thompson, W.A., Jr., 1963.
162
Captulo IV Seccin C
V4: Especimenes Divididos (General)

Aplicacin:
Las mediciones de porciones individuales de partes (especimenes) no son
replicadas de manera que el estudio puede usarse para sistemas de medicin
destructivos y no replicables y puede ser usado para analizar sistemas de medicin
con caractersticas dinmicas.
Supuestos:


Dividir los especimenes en m porciones donde m=0 mod 2 o 3; m > 2 (ej., m=3,
4, 6, 9, ...).
Analiza usando:
Tcnicas RRG estndar incluyendo grficas
ANOVA Diseo de Bloques Aleatorio (ANOVA en dos sentidos)
V4a - V4 con Pares de Partes Consecutivas (homogneas) de

Diferentes Lotes
Este estudio es el mismo que V4 usando pares consecutivos de partes ms que
especimenes divididos. Este estudio es usado en situaciones donde la parte no
puede ser dividida sin destruir la propiedad a ser medida.
Este es un estudio de lmite superior: E e + partes + lotes
Los siguientes estudios asumen que la caracterstica (propiedad) de la
parte (espcimen) es dinmica.
V5: Igual que V1 con Partes Estabilizadas

Las partes usadas en el estudio son estabilizadas usando un proceso en base a
conocimientos de ingeniera y pericia; Ej., motores que son fracturados vs
motores verdes.
163
Captulo IV Seccin C
V6: Anlisis de Series de Tiempo

Supuestos:
Lecturas repetidas son tomadas sobre periodos especificados de tiempo.


Analiza determinando el modelo de degradacin para cada parte de la

muestra:
E = e
Consistencia de degradacin (si n>2)
Lecturas repetidas son tomadas en periodos de tiempo especificados.
Degradacin en el sistema de medicin es conocida (documentada) para contar

con una respuesta lineal en periodos de tiempo especificados.


V7: Anlisis Lineal

Supuestos:
Analiza por regresin lineal:

E = e
Consistencia de degradacin (si n>2)
V7a - V7 con una Muestra Homognea

Analiza por regresin lineal:
Este es un estudio de lmite superior: E e + btwn
V8: Tiempo vs Degradacin de la Caracterstica (Propiedades)

V6 & V7 Pueden modificarse para determinar si la degradacin es tiempo (ej., vida
de anaquel) o depende de la actividad.
164
Captulo IV Seccin C
V9: V2 con Lecturas Mltiples Simultaneas y p>3 Instrumentos

Analiza igual como V2 (ver tambin Lipson & Sheth, sec. 13.2).
165
Captulo IV Seccin C
166
Captulo IV Seccin D
Cuantificando el Efecto de Variacin Excesiva Dentro de las Partes
Seccin D
Reconocimiento de Efectos de Variaciones Excesivas dentro de las Partes
El entendimiento de las fuentes de variacin de un sistema de medicin es
importante para todas las aplicaciones de las mediciones pero llega a ser ms
crtico cuando existe una variacin significativa dentro de las partes. La variacin
dentro de las partes puede causar que la evaluacin del sistema de medicin
ofrezca resultados errneos. Esto es porque la variacin dentro de las partes no
tomada en cuenta afecta el estimativo de repetibilidad, reproducibilidad o ambos.
Esto es, la variacin dentro de las partes puede aparecer como un componente
significativo de la variacin del sistema de medicin. El entendimiento de la
variacin dentro de las partes presente en el producto resultar en un
entendimiento ms significativo de la adecuacin del sistema de medicin para la
tarea en cuestin.
Ejemplos de variaciones dentro de las partes las cuales pueden encontrarse son:
redondeado, concentricidad, planicidad, perfil, cilindricidad, etc. 73 Es posible que
ms de una de estas caractersticas pueda estar presente al mismo tiempo dentro de
la misma parte (error compuesto). La fuerza de cada caracterstica y sus
interdependencias pueden componer los datos y el entendimiento resultante del
sistema de medicin. El reconocimiento y anlisis de estas fuentes de variacin
adicionales durante el estudio de un sistema de medicin es importante para
entender la variacin actual del sistema de medicin mismo. Un DOE, ANOVA u
otra tcnica estadstica ms sofisticada puede requerirse para analizar esta
situacin. Cual sea la metodologa usada debiera ser aprobado por el representante
de la calidad del proveedor cliente.
Tambin, las decisiones que los ingenieros de diseo de producto tomen pueden
inconcientemente afectar como una parte es medida, como un dispositivo puede
ser diseado, y el resultado puede afectar los resultados del error en las
mediciones. Un ejemplo puede ser una parte plstica que tenga una caracterstica
crtica sobre una lnea de partido (una lnea de partido tpicamente tiene exceso de
material plstico y donde dos mitades de un molde se juntan, y por tanto es una
superficie no controlada). Estos factores deben ser considerados durante un AMEF
de diseo.
Una vez que los componentes de variacin dentro de las partes son entendidos,
puede ser posible controlar estos factores dentro del sistema de medicin (ej.,
rediseando el gage, o usando diferentes mtodos / equipo de dispositivos) de
manera que los datos futuros no sean confundidos.
73
Muchas de estas propiedades son controladas en el diseo a travs de tolerancias y dimensionamiento geomtrico
(T&DG). T&DG ofrece un mtodo definido operacionalmente para checar partes de una manera funcional.
Generalmente, un chequeo funcional es un chequeo de atributos. Cuando se requieren datos de variables, aspectos
clave pueden derivarse como el usar un gage diseado para un chequeo funcional que produzca datos de variables.
Esto algunas veces puede hacerse usando un gage funcional como un dispositivo de fijacin para un estudio en MMC.
Sin embargo, cuando esto se hace es crtico que el dispositivo sostenga la parte firmemente y repetidamente en la
misma localizacin (si no, el estudio MSA resultante debiera generar este error).
167
Captulo IV Seccin D
Cuantificando el Efecto de Variacin Excesiva Dentro de las Partes
Una vez que los componentes de variacin dentro de las partes son entendidos,
puede ser posible controlar estos factores dentro del sistema de medicin (ej.,
rediseando el gage usando diferentes mtodos/equipo para dispositivos) de
manera que datos futuros no sean confundidos.
168
Captulo IV Seccin E
Mtodo de Promedios y Rangos Tratamiento Adicional
Seccin E
Existe una consideracin inicial que vale la pena mencionar relativa al mtodo de
Promedios y Rangos en la evaluacin de un sistema de medicin. 74
El propsito principal de este enfoque grfico es el mismo que el de otros anlisis
de sistemas de medicin bien diseados: para determinar si el proceso de medicin
es adecuado para medir la variacin del proceso de manufactura y/o evaluar el
cumplimiento del producto.
Pasos del
Procedimiento
Todos los gages estn haciendo el mismo trabajo?

Todos los evaluadores estn haciendo el mismo trabajo?
La variacin del sistema de medicin es aceptable con respecto a la variacin

del proceso?
Qu tan buenos son los datos obtenidos del proceso de medicin o en cuntos
grupos o categoras no traslapados pueden los datos ser divididos?
1) Debiera tenerse cuidado en seguir la Preparacin para el Estudio de los

Sistemas de Medicin, captulo II, seccin C.
2) Hacer que cada evaluador cheque cada muestra para la caracterstica a ser
estudiada. Registre los primeros chequeos en el rengln superior de los datos
de la grfica de control (ver Figura IV-E 1 y 2).
3) Repetir los chequeos y registrar los datos en el segundo rengln de los datos de
la grfica de control. (Nota: no permita que los evaluadores vean sus lecturas
originales cuando estn haciendo este segundo chequeo). Los datos debieran
mostrar ahora dos chequeos sobre la misma parte por cada evaluador.
4) Analice los datos calculando el promedio
subgrupo.
(X )
y el rango (R) para cada
5) Grafique los valores de los rangos en la grafica de rangos y calcule el

promedio de rangos (R ) (incluya todos los rangos de los subgrupos (R) para
todos los evaluadores). Dibuje este rango promedio sobre la grfica. Use el
factor D4 para n=2 para calcular el lmite de control para la grfica de rangos.
Dibuje este lmite y determine si todos los valores estn en control.
9 Si todos los rangos estn en control, todos los evaluadores estn haciendo el
mismo trabajo. Si un evaluador est fuera de control, su mtodo difiere de
los otros.
9 Si todos los evaluadores cuentan con rangos fuera de control, el sistema de
medicin es sensible a la tcnica del evaluador y se requiere mejoramiento
para obtener datos tiles.
74
El ejemplo de la grfica de control es tomado con el permiso de Evaluacin del Proceso de Medicin por Wheeler
y Lyday (ver Lista de Referencias).
169
Captulo IV Seccin E
( )
6) Luego, grafique el promedio para cada subgrupo X para todos los

evaluadores en la grfica de promedios (ver Figura IV-E 1 y 2). Los valores
promedio representan la variacin y la variacin en las mediciones.
Calcule el promedio de promedios ( X ) (Incluya todos los promedios de los
( )
subgrupos X para todos los evaluadores. Dibuje este gran promedio ( X ) en la

grfica.
Calcule ahora los lmites de control para esta grfica usando el factor A2 para n=2
y el rango promedio R de la grfica de rangos y dibuje estos limites sobre la
grfica de promedios. Ntese en este estudio que la grafica de rangos contiene solo
la variacin de las mediciones. Por tanto, el rea entre los lmites de control de los
promedios representa la cantidad de la variacin de las mediciones en el sistema.
( )
Si todos lo promedios caen dentro de los lmites de control, la variacin de las

mediciones eclipsa la variacin del proceso. En otras palabras, el proceso de
mediciones tiene mayor variacin que el proceso de manufactura, y no es de valor
en el monitoreo o control de dicho proceso.
Si menos de la mitad de los promedios cae fuera de los lmites, el sistema de
medicin es inadecuado para el control del proceso. Por otro lado, si la mayora de
los promedios cae fuera de los lmites de control, indica que las seales del proceso
de manufactura son mayores que la variacin de las mediciones. Este sistema de
medicin puede ofrecer datos tiles para el control del proceso.
Ejemplo de Hoja de Trabajo

La pregunta de Qu tan buenos son los datos recolectados por el sistema de
medicin? puede responderse completando el ejemplo de la hoja de trabajo,
Figura IV-E 3 y 4. Todos los datos necesarios para la hoja de trabajo pueden
encontrarse en las grficas de promedios y rangos descritas anteriormente.
Los siguiente pasos son usados para completar el ejemplo de la hoja de trabajo
(Figura IV-E 3 y 4):
1) Identifique las mediciones y la caracterstica a ser evaluada, quin est
haciendo el estudio y la fecha del estudio mismo.
( )
2) El promedio de los rangos de los subgrupos R se obtiene directamente de la

grfica de control.
3) El nmero de replicaciones (r) es el nmero de veces en que cada evaluador
checa la misma parte.
4) Calcule la desviacin estndar estimada de la repetibilidad ( e ), como se
muestra en la Figura IV-E 3 y usando el valor d 2 para el correspondiente r.
5) Inserte el nmero de evaluadores (nA) en el espacio provisto.
6) Inserte el nmero de muestras (n) en el espacio provisto.
170
Captulo IV Seccin E
7) Calcule el promedio de cada evaluador promediando todas las muestras

obtenidas por cada evaluador y registre estos promedios en el espacio provisto
para cada evaluador (A, B, C).
8) Examine los promedios de cada evaluador (A, B, C) y determine el rango de
los promedios de los evaluadores restando el mnimo del mximo e insrtelo en
el espacio para (RA).
9) Calcule la desviacin estndar estimada de los proveedores ( A ) como se
muestra usando el valor d 2* para el valor correspondiente a n .
A
10) Calcule los promedios de las muestras promediando el valor obtenido de todos
los proveedores para cada muestra. Por ejemplo, (promedio de la muestra 1 del
evaluador A + promedio de la muestra 1 del evaluador B + promedio de la
muestra 1 del ltimo evaluador y divida esta suma por el nmero de
evaluadores). Este es el mejor estimativo del valor verdadero de la muestra.
Coloque el valor para cada muestra en el espacio provisto (1, 2, 3...9, 10) en la
Figura IV-E 4.
11) Observe los promedios de las muestras (1, 2, 3...9, 10) y calcule el rango de los
promedios de las muestras (RP) restando el mnimo del mximo. Inserte este
valor en el espacio provisto.
12) Estime la desviacin estndar muestra - a - muestra ( P ) como se muestra
usando el valor d 2* para el valor correspondiente de n.
13) Calcule la Razn Seal - a - Ruido (SN) dividiendo la desviacin estndar
de la muestra por la desviacin estndar de las mediciones e inserte en el
espacio provisto.
SN =
p
RRG
14) Determine el nmero de categoras distintas de producto que pudieran

distinguirse por estas mediciones. Multiplique SN por 1.41 e inserte en el
espacio provisto (Figura IV-E 4).
Solo la parte entera de este nmero necesita considerarse dado
que est definiendo categoras distintas. (Elimine todas las
fracciones decimales) (ver figura 34b).
Si el nmero de categoras es menor que dos (2), el sistema de medicin no tiene
valor en el control del proceso. Se puede decir que todo el ruido y una parte no son
diferentes uno de otro.
Si el nmero de categoras es dos (2), significa que los datos pueden dividirse solo
en grupos alto y bajo; sin embargo ste es solo el equivalente de datos de atributos.
Si el nmero de categoras es tres (3), los datos pueden dividirse en grupos alto,
medio y bajo. Este es ligeramente un mejor sistema de medicin.
Un sistema de medicin conteniendo cuatro (4) o ms categoras ser mucho mejor
que los primeros tres ejemplos.
171
Captulo IV Seccin E
Figura IV-E 1: Grfica de Control ( X y R) - 1 para Evaluacin de las Mediciones
172
Captulo IV Seccin E
Figura IV-E 2: Grfica de Control ( X -R) - 2 para Evaluacin de las Mediciones

173
Captulo IV Seccin E
Mediciones
Evaluadas LONGITUD DE AJUSTE
Hecho
por
R.W.L.
Fecha
ERROR DE REPLICACION: Rango Promedio de los Subgrupos = R = 7.6

Nmero de Replicaciones = Tamao del Subgrupo = r = 2
Estima
la
Desviacin
Estndar
de
las
Replicaciones
R
= e = 6.738
d2
CALCULO PARA EFECTO DE LOS EVALUADORES

nA
2
3
4
5
6
d 2*
1.410
1.906
2.237
2.477
2.669
7
8
9
2.827
2.961
3.076
10
5.3
= A
1.906
r
2
3
4
5
d2
1.128
1.693
2.059
5
6
7
8
9
10
2.326
2.534
2.704
2.847
2.970
3.078
Escribe abajo los promedios de

los evaluadores:
Evaluadores Promedio
Numero de Evaluadores = nA = 3
=n=5
Numero de Muestras
108.1-102.8 = RA
Rango de los Promedios de los
Evaluadores
MM-DD-YY
= RA = 5.3
A
B - lo
C - hi
D
E
103.1
102.8
108.1
-------
----
R
= A = 2.781
d 2*
3.178
Figura IV-E 3: Clculos Alternativos para Evaluacin de un Proceso de Medicin (Parte 1

de 2)
174
Captulo IV Seccin E
CALCULOS PARA LA DESVIACIN ESTANDAR DEL ERROR DE LAS MEDICIONES

El Estimativo de la desviacin estndar del error en las mediciones es:
m = e2 + A2
= (6.7376) + (2.7806)
= 7.289
2
Escribe el valor apropiado para m aqu: m = 7.289
CALCULOS PARA PROPORCIONES SEALES A RUIDO:

n
d 2*
1.410
1.906
2.237
2.477
2.669
2.827
2.961
3.076
10
3.178
Escribe el promedio de cada pieza de la muestra o lote abajo:

113.67 83.0 = Rp
Rango para estos Promedios de Muestras = Rp = 30.67
111.17
Estima la Desviacin Estndar de Muestra a Muestra:
113.33
3 - Lo
83.00
102.17
5 - Hi
113.67
30.67
= 12.38
2.477
Rp
= p = 12.38
d 2*
Proporcin Seal a Ruido:
-----
12.38
p
= 1.698
= 1.698
m
7.289
-----
-----
-----
10
-----
Por tanto el nmero de categoras distintas de productos que pueden ser confiablemente
distinguidas para estas mediciones es 1.41 x 1.698

1.41 p = 2.395
m
Ejemplo Promedio
Este es el nmero de intervalos de confiabilidad del 97% no traslapados que extendern el rango de la variacin del
producto. (Un intervalo de confiabilidad del 97% y centrado en una medicin nica contendra el valor actual del
producto que es representado por dicha medicin el 97% del tiempo).
Figura IV-E 4: Clculos Alternativos para Evaluacin de un Proceso de Medicin (parte 2 de 2)
175
Captulo IV Seccin E
176
Captulo IV Seccin F
Curva de Desempeo de Gages
Seccin F
Curva de Desempeo de Gages 75
El propsito de desarrollar una Curva de Desempeo de Gages (CDG) es determinar
la probabilidad de aceptar o rechazar una parte a partir de un valor de referencia.
Idealmente, la CDG para una medicin sin errores es mostrada en la Figura IV-F 1.
Sin embargo, esto es para sistemas de medicin ideales ms que lo que ocurra
normalmente.
Una vez que la cantidad de error ha sido determinada, es posible calcular la
probabilidad de aceptar una parte de algn valor de referencia cuando se use un
sistema.
Para lograr esto, se hace el supuesto de que el error del sistema de medicin consiste
principalmente de falta de repetibilidad, reproducibilidad y sesgo. Adems, la
repetibilidad y reproducibilidad son consideradas con una distribucin normal con
una varianza 2 . Consecuentemente, el error del gage est distribuido normalmente
con una media de XT, el valor de referencia, ms el sesgo, y cuenta con una varianza,
2 . En otras palabras:
Valor Actual del Gage = N X T + b, 2
La probabilidad de aceptar una parte de algn valor de referencia es ofrecida por la

relacin
N (X
UL
Pa =
+ b, 2 dx
LL
Usando la tabla estndar normal
UL ( X T + b )
LL ( X T + b )
Pa =

donde
UL ( X T + b )
2
= N X T + b, dx

UL
LL ( X T + b )
2
= N X T + b, dx
LL
75
Adaptado con el permiso de Anlisis de Sistemas de Atributos de Gages por J.McCaslin & G.Gruska, ASQC, 1976.
177
Captulo IV Seccin F
Ejemplo:
Determine la probabilidad de aceptar una parte cuando el valor de referencia del
torque es 0.5 Nm, 0.7 Nm, 0.9 Nm.
Usando los datos de un estudio previamente conducido:
Especificacin Superior
Especificacin Inferior
sesgo
=
=
=
=
RRG
UL
LL
B
0.05 Nm
=
=
=
1.0 Nm
0.6 Nm
0.05 Nm
Aplicando lo anterior a las frmulas de la pgina anterior:
UL ( X T + b ) LL ( X T + b )
Pa =

1.0 (0.5 + 0.05)

0.6 (0.5 + 0.05)
Pa =

0.05
0.05
Pa = (9.0 ) (1.0)
= 1.0 - 0.84
= 0.16
Esto es, cuando la parte tiene un valor de referencia de 0.5 Nm ser rechazada
aproximadamente 84% del tiempo.
Ejemplo de una Curva de Desempeo de Gages:

Para
X T = 0.7 Nm
1.0 (0.7 + 0.05)
0.6 (0.7 + 0.05)
Pa =

0.05
0.05
Pa = (5.0) ( 3.0)
= 0.999
Si el valor de referencia de la parte es 0.7 Nm entonces se rechazar menos de
aproximadamente 0.1% del tiempo.
Para
X T = 0.9 Nm
1.0 (0.9 + 0.05) 0.6 (0.9 + 0.05)
Pa =

0.05
0.05
Pa = (1.0) ( 7.0)
= 0.84
178
Captulo IV Seccin F
Si el valor de referencia de la parte es 0.9 Nm entonces ser rechazado

aproximadamente menos del 16% del tiempo.
Si la probabilidad de aceptacin es calculada para todos los valores de XT y graficada,
entonces la curva de desempeo del gage, como es mostrada en la Figura IV-F 2 se
obtendra.
Esta misma curva puede ser graficada ms fcilmente en papel de probabilidad
normal, como se muestra en la Figura IV-F 3. Una vez graficada, la CDG ofrece la
probabilidad de aceptar una parte de cualquier tamao.
Adems, una vez desarrollada la CDG, puede usarse para calcular el error de
repetibilidad y reproducibilidad, y el error del sesgo. 76
El rango 6 RRG puede determinarse encontrando el valor de XT que corresponde a Pa
= 0.99865 (z = 3), y el valor de XT que corresponde a Pa = 0.00135 (z = -3) para los
dos lmites. El RRG es la diferencia entre los dos valores de XT, como se muestra
grficamente en la Figura IV-F 3.
Un estimativo del sesgo se determina encontrando para XT, los lmites superior o
inferior que correspondan a Pa = 0.5 y calculando:
B = X T- LSL o BB = XT - USL
dependiendo de cual lmite XT se seleccione. 77
76
77
Ver Estudio de Atributos de Gages, Captulo III, Seccin C.

Esto asume que el sistema de medicin es lineal sobre el rango de operacin.
179
Captulo IV Seccin F
LSL
USL
1.0
0.9
0.8
0.7
0.6
0.5
0.4
0.3
0.2
0.1
0.0
0.3
0.4
0.5
0.6
0.7
0.8
0.9
1.0
1.1
1.2
Valor de Referencia de las Partes Medidas

Sesgo = 0.00 Rango RRG = 0.00
Figura IV-F 1: Curva de Desempeo del Gage Sin Error
180
Captulo IV Seccin F
USL
LSL
1.0
0.9
0.8
0.7
0.6
0.5
0.4
0.3
0.2
0.1
0.0
0.4
0.5
0.6
0.7
0.8
0.9
1.0
1.1
1.2
Valor Valores de Referencia de las Partes Medidas

Sesgo = 0.05 RRG = 0.28
Figura IV-F 2: Curva de Desempeo del Gage - Ejemplo
181
Captulo IV Seccin F
Figura IV-F 3: Curva de Desempeo del Gage Graficada en Papel de Probabilidad Normal
182
Captulo IV Seccin G
Reduccin de la Variacin a Travs de Lecturas Mltiples
Seccin G
Si la variacin del presente sistema de medicin no es aceptable (arriba del 30%),
existe un mtodo que puede usarse para reducir la variacin a un nivel aceptable
hasta que puedan hacerse mejoramientos al sistema de medicin mismo. La
variacin no aceptable puede reducirse tomando lecturas mltiples y
estadsticamente independientes (no correlacionadas) de la caracterstica de la parte
a ser evaluada, determinando el promedio de estas mediciones y permitiendo que el
valor numrico del resultado sea sustituido por la medicin individual. Este mtodo,
por supuesto consumir tiempo, pero es una alternativa hasta que se hagan
mejoramientos al sistema de medicin (ej., rediseando o comprando un nuevo
sistema). El procedimiento para este mtodo alternativo es como sigue:
1) Determine el nmero de lecturas mltiples requeridas para cumplir con un
nivel de variacin aceptable.
2) Siga el procedimiento de estudio de gages discutido previamente en estos
lineamientos.
Ejemplo:
En el ejemplo de la corporacin XYZ, el porcentaje de la variacin de la tolerancia
del RRG es 25.5%, con una amplitud 6 sigma igual a 0.24. El cliente quiere reducir
esta figura a al menos 15%, el cual sera un equivalente de amplitud de 6 sigma de
0.14. 78
Para determinar el nmero de lecturas mltiples requerido para cumplir el criterio
deseado del 15%, primero debe entenderse que la distribucin de las medidas
individuales y el promedio tienen el mismo valor promedio numrico. Segundo, que
la varianza de la distribucin de los promedios es igual a la varianza de la
distribucin de las lecturas individuales dividida por el tamao de la muestra.
Entendiendo esta relacin como se muestra abajo, el nmero de lecturas mltiples
requerido puede entonces determinarse.
(6 x )2 = (6 )
Esto puede aproximarse por
(6s ) = (6s )
x
y
0.14 =
76
0.24
n
Ver nota en pgina vi.
183
Captulo IV Seccin G
de manera que
n = 1.714
y
n = 3(redondeado al entero ms prximo)
Por tanto, 3 lecturas mltiples sobre la caracterstica de la parte reduciran la
variacin total del sistema de medicin a aproximadamente 0.14 y el %RRG a 15%.
Este mtodo debiera ser considerado como un paso temporal hasta que se hagan
mejoramientos al sistema de medicin. Este debiera usarse solo con concurrencia
del cliente.
184
Captulo IV Seccin H
Enfoque de la Desviacin Estndar Combinada con RRG
Seccin H
Enfoque de la Desviacin Estndar Combinada con RRG 79
El anlisis de un sistema de medicin generalmente asume que los datos replicados
de todas las partes / especimenes pueden obtenerse de todos los evaluadores en un
forma aleatoria. Esto no siempre puede ser posible. Si el anlisis del sistema de
medicin incluye localizaciones mltiples puede no ser factible logsticamente el
demandar un muestreo aleatorio. Tambin algunas muestras, anlisis notablemente
qumicos y metalrgicos (estudios entre e intra laboratorios) pueden requerir una
seccin cruzada de las diversas muestras que no sean parte de un proceso
homogneo y pueden no estar disponibles al mismo tiempo.
Estas situaciones pueden manejarse usando un DOE anidado. Un enfoque
alternativo es el estudio de la desviacin estndar combinada del RRG el cual sigue
la metodologa discutida en ASTM E691.
Este enfoque ve a cada parte como un material por separado y entonces calcula las
desviaciones estndar de la repetibilidad y reproducibilidad como en E691. Esto
producir valores mltiples y por separado de repetibilidad y reproducibilidad.
Dado que las partes son consideradas como esencialmente idnticas, se asume que
estos estimativos por separado son efectivamente idnticos. Por supuesto nunca
sern exactamente los mismos, pero su promedio ofrecer un buen estimativo del
nivel verdadero de repetibilidad y reproducibilidad similar.
Si este enfoque es usado para evaluar un grupo de
laboratorios, existe la preocupacin de cual sera la naturaleza
de la reproducibilidad. Si esta es mayor que cero, la mayora
del tiempo (esto es para la mayora de los materiales) debiera
interpretarse como la aplicacin de que existen diferencias
entre operadores, ej., en un programa interlaboratoiros sto
sugerira que existen diferencias reales entre laboratorios.
Aplicacin
Secuencial
Aunque el enfoque E691 es tpicamente usado con una muestra completa, permite
asimismo un enfoque secuencial. Este es til cuando todas las muestras no estn
disponibles al mismo tiempo. Tambin puede ser utilizado como parte del proceso
de calibracin para mantener informacin de la variabilidad del sistema de
medicin.
La siguiente descripcin del estudio asume que el estudio mismo ser aplicado de
una forma secuencial.

Debiera tenerse cuidado en seguir la Preparacin para el Estudio de un Sistema de
Medicin mostrado en el captulo II, seccin C.
Contine del paso 6 de la pgina 74:
79
Partes de esta seccin incluyen todo lo de Estadsticas de Consistencia es contribucin de Neil Ullman de la
American Society for Testing and Materials (ASTM International).
185
Captulo IV Seccin H
7) Hacer que cada uno de los m 2 evaluadores evalen la parte para r 3

lecturas. Registre los datos en renglones apropiados de la hoja de recoleccin
de datos (ver formatos de ejemplo). (Nota: no permita que los evaluadores
vean sus lecturas originales al hacer estos chequeos mltiples).
( )
8) Calcule el promedio X y la desviacin estndar (s) para la nueva parte para

cada evaluador.
9)
Grafique los valores de desviacin estndar sobre la grfica de desviacin

estndar y calcule el promedio de la desviacin estndar misma (s ) (incluya la
desviacin estndar de todos los subgrupos y para todos los evaluadores).
Dibuje este promedio de la desviacin estndar sobre la grfica. Use el factor
B4 con r muestras para calcular el lmite superior de control para la grfica de
la desviacin estndar. Dibuje este lmite y determine si todos los valores estn
en control (ver Figura IV-H 1).
( )
10) Grafique el promedio X para cada subgrupo para todos los evaluadores
sobre la grfica de promedios (ver Figura IV-H 1). Los valores promedio
representan la variacin del proceso y la variacin de las mediciones.
11) Calcule el promedio de promedios ( X ) (incluya los promedios de todos los
subgrupos X para todos los evaluadores). Dibuje la lnea de este gran
( )
promedio ( X ) en la grfica.
12) Calcule los lmites de control para esta grfica usando el factor A2 para un r y
una desviacin estndar de los promedios (s ) de la grfica de desviacin
estndar; dibuje estos lmites en la grfica de promedios.
13) Analice los daros usando las grficas de control y otras tcnicas grficas
discutidas en el mtodo de promedios y rangos (ver Captulo III).
14) Evale los parmetros del sistema de medicin para cada parte combinando los
resultados de los evaluadores.
m
sx =
g
s
i =1
2
xi
m
m
Re petibilidad g = s E g =
i =1
2
si
Re producibilidad g = s A g = s x2g
RRGg = s RRG g = s + s
2
Eg
2
Ag
186
s E2 g
m
Captulo IV Seccin H
E691 sigue el convencionalismo de que la reproducibilidad del

MSA se refiera como la variacin de los evaluadores y el RRG
del MSA es llamado reproducibilidad. En este caso,
sappr = s x2
sr2
3
2
s R = sr2 + sappr
donde sr = sE = Repetibilidad y sR = RRG = Reproducibilidad

ASTM
15) Evale los parmetros globales del sistema de medicin combinando o
acumulando los resultados de las partes donde g = nmero de partes.
g
Re petibilidad = s E =
s
i =1
2
Ei
g
g
Re producibilidad = s A =
s
i =1
2
Ai
RRG = s RRG =
s
i =1
2
RRGi
Cuando se calcula el porcentaje de la variacin total, la desviacin estndar

histrica para el proceso debiera usarse.
Si las partes cubren una amplia variedad de los procesos, por
ejemplo diferentes especimenes metalrgicos o qumicos, la
evaluacin del porcentaje de la variacin total debiera basarse
en la variacin del proceso de los especimenes especficos y no
de la variacin total sobre todos los especimenes.
Debiera darse cuidado a la interpretacin de los parmetros
del sistema de medicin en el caso donde los evaluadores estn
localizados en diferentes instalaciones (ej., laboratorios).
La Repetibilidad incluira variacin entre los equipo as como
variacin dentro de los equipos. Esto puede evaluarse
calculando y comparando la Repetibilidad dentro de cada
localizacin.
La Reproducibilidad incluira variacin entre localizaciones as
como variacin entre evaluadores. Estos componentes no
pueden separase con este estudio.
187
Captulo IV Seccin H
Promedio de las Muestras
Grfica de Respuesta Xbarra-S
Desv. Est. de las Muestras
Muestra
Muestra
Figura IV-H 1: Anlisis Grfico del Estudio de la Desviacin Estndar Combinada 80
80
Lmites de control basados en la desviacin estndar combinada acumulada y ajustada por una constante de no sesgo
188
Captulo iV Seccin H
Tabla IV-H 1: Conjunto de Datos de Anlisis de Desviacin Estndar Combinada

189
Captulo IV Seccin H
Estadsticas de
Consistencia
Los mtodos de ASTM e ISO 81 sugieren que dos estadsticas de consistencia, h y
k, sean calculadas. Los valores de h se calculan por
h=
x appr x parte
Sx
Para el evaluador A y la parte 1, el promedio ( x appr anterior) es 0.447y el promedio

de las partes ( x parte anterior) es 0.169. La desviacin estndar entre los evaluadores
( s x anterior) es 0.262. Por tanto
h=
0.447 0.167 0.278

=
= 1.06
0.262
0.262
El valor de k es la razn de la desviacin estndar para cada parte y cada evaluador

con la desviacin estndar de la repetibilidad. En este caso (evaluador A y parte 1)
es:
k=
desviacin estndar ( EvualuadorA, Parte1) 0.178

=
= 1.35
repetibilidad
0.132
Una razn por la que stos se calculan es permitir comparaciones entre materiales
muy diferentes.
Aunque en este ejemplo no hay una coleccin de materiales ampliamente diferentes
y los cuales tengan diferentes niveles y posiblemente desviaciones estndar muy
diferentes, los clculos h y k de E691 pueden todava usarse para comparar la
desviacin estndar de la repetibilidad y los valores respuesta por los evaluadores. La
siguiente tabla de h y ks se listan por evaluador.
h
Ev.
A
B
C
1
1.06
-0.14
-0.93
2
0.87
0.22
-1.09
3
0.82
0.29
-1.11
4
0.86
0.24
-1.10
Parte
5
6
0.88
0.32
0.21
0.80
-1.09 -1.12
7
0.65
0.50
-1.15
8
0.80
0.32
-1.12
9
0.69
0.46
-1.15
10
prom h z
1.05
0.80
2.53
-0.11 0.28
0.88
-0.94 -1.08 -3.41
mediana
k
A
B
C
81
1.35
0.77
0.76
0.25
1.50
0.82
0.49
1.15
1.20
0.28
1.70
0.14
0.23
1.50
0.84
0.65
1.20
1.07
Ver ISO 5725
190
0.59
1.40
0.83
0.35
1.68
0.24
0.77
1.07
1.13
0.27
0.45
1.65
K
0.42
1.30
0.84
z
-3.20
3.14
-0.17
Captulo IV Seccin H
En las ltimas dos columnas estn los promedios y el valor de el valor z para
ver si los evaluadores son significativamente diferentes. Los valores de h indican
que el evaluador A es significativamente alto y el evaluador C es significativamente
bajo en sus lecturas del tamao de las partes. Es tambin esta significativa
diferencia lo que genera la desviacin estndar del RRG.
Las desviaciones estndar de la repetibilidad pueden tambin ser evaluadas
observando los valores k. Para hacer esto, calcule la mediana k y luego un
aproximado del score z. Con este estudio, la mediana esperada es alrededor de
0.861 y con una desviacin estndar de aproximadamente 0.439. La mediana k para
el evaluador A es entonces alrededor de 3.2 desviaciones estndar abajo del nivel
esperado y el evaluador B es significativamente alto. Por tanto vemos diferencias
muy grandes en el desempeo de solo 3 operadores.
Las grficas de h (Figura IV-H 2) y k (Figura IV-H 3) tambin ayudan a ilustrar
estas diferencias. El evaluador C tiene los resultados mucho ms bajos que los
otros. Similarmente, los valores k muestran que tan abajo la variacin del evaluador
A es con respecto a la repetibilidad. Estos ciertamente son aspectos clave a ser
examinados acerca del desempeo del mtodo de medicin y como es realizado por
estos evaluadores.
Figura IV-H 2: Grfica de Puntos de valores h
191
Captulo IV Seccin H
Figura IV-H 3: Grfica de Puntos de valores k
192
Apndices
APENDICES
193
194
Apndice B
Impacto de RRG sobre el ndice de Habilidad Cp
Apndice A
Anlisis de Conceptos de Varianza
El anlisis numrico de las RRGs puede hacerse siguiendo las frmulas de la
Tabla A 3. Esto es lo que se le llama Tabla de Anlisis de Varianza (ANOVA). La
tabla de ANOVA se compone de 6 columnas:
La columna de fuentes es la causa de variacin.
La columna DF es el grado de libertad asociado con la fuente.
La columna SS o suma de cuadrados es la desviacin alrededor de la media

de la fuente.
La columna MS o cuadrado de la media es la suma de cuadrados dividida por

los grados de libertad.
La columna EMS o cuadrado de la media esperado determina la combinacin

lineal de los componentes de varianza para cada MS. La tabla ANOVA
sectoriza la fuente total de variacin en cuatro componentes: partes,
evaluadores, interaccin entre las partes y evaluadores y error replicado
debido a la repetibilidad del equipo / gage.
La columna de proporcin F se calcula solo por la interaccin en una

ANOVA de MSA; se determina por la interaccin de la media cuadrada
dividida por el error de la media cuadrada.
El estimativo de los componentes de varianza para cada fuente se ofrece en la

Tabla A 1. 82
Estimativo de Varianza
Equipo (EV)
Interaccin (INT)
Evaluador (AV)
Parte (PV)
2 = MSe83
MS AP MSe
r
MS
A MS AP
2 =
nr
MS P MS AP
2 =
kr
2 =
Tabla A 1: Estimativo de los Componentes de Varianza

Dado que cada media cuadrada es una cantidad muestra sujeta a la variacin del
muestreo y los clculos involucran diferencias de promedios al cuadrado, entonces
son posibles los estimativos de componentes de varianza negativos.
82
83
En esta tabla, se asume que todos los componentes de la variacin son de efectos aleatorios.
En esta aplicacin de ANOVA a los anlisis de sistemas de medicin, el trmino de error de ANOVA es equivalente a
la variacin del equipo MSA, MSE
195
Apndice B
Este es un pequeo problema dado que los estimativos componentes de la varianza

master son iguales o tienden a cero o cuentan con un tamao de muestra
pequeo. Para propsitos de anlisis, los componentes de varianza negativos se
hacen cero.
La desviacin estndar es ms fcil de interpretar que la varianza por que tiene las
mismas unidades de medicin de la observacin original. En la prctica, la medida
bsica de amplitud es dada por 6 veces la desviacin estndar. 84 La Tabla A 2
muestra la extensin de 6 sigma para una medida de repetibilidad llamada
variacin del equipo (EV) y una medida de reproducibilidad llamada variacin del
evaluador (AV). Si la interaccin entre las partes y los evaluadores es significativa,
entonces existe un modelo no adicional y por tanto se ofrece un estimativo de sus
componentes de varianza. El RRG en la Tabla A 2 es la variacin total del sistema
de medicin.
EV = 6 MS e
Variacin del Equipo = Repetibilidad
MS A MS AP
nr
MS AP MS e
=6
r
AV = 6
Variacin del Evaluador = Reproducibilidad
I AP
Interaccin del Evaluador por Parte
RRG =
PV = 6
(EV )2 + ( AV )2 + (I AP )2
MS p MS AP
kr
R&R del Gage

Variacin de las Partes
Tabla A 2: Amplitud de 6 Sigma

En el modelo aditivo la interaccin no es significativa y los componentes de
varianza para cada fuente se determinan como sigue: Primero, la suma de l
cuadrado del error del gage ( SS e de la Tabla A 3), se agrega a la suma del
cuadrado de la interaccin del evaluador por parte ( SS AP de la Tabla A 3) y el
cual es igual a la suma de cuadrados acumulados (SS combinado ) con
(nkr n k + 1)85 grados de libertad. Por tanto el SS pool ser dividido por
(nkr n k + 1) para calcular MS pool . Los lmites de extensin 6 sigma sern
entonces:
EV = 6 MS pool
AV = 6
RRG =
PV = 6
84
MS A MS pool
nr
(EV )
+ ( AV )
MS p MS pool
kr
Este es el rango de 99.73%. Ver nota en pgina vi.
196
85
Apndice B
Donde n = nmero de partes, k = nmero de evaluadores y r = nmero de intentos.
A fin de determinar si la interaccin es significativa, calcular el
estadstico F de la interaccin del evaluador por parte (ver Tabla A
3). Comparar este estadstico F en un punto de porcentaje alto con
la distribucin F como numerador y grado de libertad como
denominador tomado de ANOVA (Tabla A 3).
A fin de reducir el riesgo de concluir falsamente de que no hay efectos de

interaccin, seleccionar un nivel de significancia alto. Una vez que el RRG sea
determinado entonces el porcentaje del RRG puede calcularse en relacin al
desempeo del proceso.
n
x2 x2
SS p = i.. ...
nkr
i =1 kr
k x2
x...2
. j.
SS A =
nkr
j =1 nr
( )
TSS = xijm
i =1 j =1 m =1
xij2. n xi2.. k x.2j . x...2

+
=
nkr
r
kr
nr
i =1 j =1
i =1 j =1
SS AP
x...2
nkr
SS e = TSS SS A + SS P + SS Ap
Fuente
Evaluador
DF
k 1
SS
SS A
MS
MS A =
SS A
(k 1)
Partes
n 1
SS P
MS P =
SS P
(n 1)
(n 1)(k 1)
SS AP
MS AP =
Equipo
nk (r 1)
SS E
MS e =
Total
nkr 1
TSS
Evaluador por
parte
]
F
SS AP
(n 1)(k 1)
SS e
nk (r 1)
EMS
2 + r 2 + nr 2
2 + r 2 + kr 2
MS AP
MS e
2 + r 2
Evaluador N(0,2)
Partes N(0,2)
Evaluador por parte
N(0, 2 )
Equipo N( 0, 2 )
Tabla A 3: Anlisis de Varianza (ANOVA)
197
Apndice B
Tablas A 4 y A 5 muestran los clculos de ANOVA para los datos de nuestro

ejemplo de la Figura III-B 15.
Fuente
DF
SS
MS
Evaluador
Partes
2
9
18
60
89
3.1673
88.3619
0.3590
2.7589
94.6471
1.58363
9.81799
0.01994
0.04598
79.41*
492.29*
0.434
Evaluador por parte
Equipo
Total
EMS
2 + 3 2 + 30 2
2 + 3 2 + 9 2
2 + 3 2
* Nivel de Significancia a = 0.05
Tabla A 4: Resultados Tabulados de ANOVA

Dado que el valor F calculado para la interaccin (0.434) es menor que el valor crtico de F ,18, 60, el trmino
interaccin es acumulado combinado con el trmino (de error) del equipo. Esto es, el estimativo de la varianza se
basa en el modelo sin interacciones.
Estimativo de la
Varianza
2
= 0.039973
(Equipo)
2 = 0.051455
(Evaluador)
2 =0
(Interaccin)
RRG = 0.09143
Desv. Std.
()
0.199933
0.226838
6 ()
EV = 1.199598
% de la
Variacin Total
18.4
% de
Contribucin
3.4
AV = 1.361028
20.9
4.4
INT = 0
0.302373
RRG = 1.814238
27.9
7.8
= 1.086447
1.042327
Pv = 6.253962
96.0
92.2
(Parte)
Variacin Total
1.085
TV = 6.51
100.0
+ 2 +2
Tabla A 5: Resultados Tabulados de ANOVA

ndc = 1.41(PV RRG ) = 1.41(6.25 1.81) = 4.87 4
Variacin Total (TV) = RRG 2 + PV 2

6 ( componentes )
% de la Variacin Total = 100
6
( total )
= 100 ( componentes )
( total )
6 2 ( componentes )
( componentes )
=
100
% de Contribucin (de la Varianza Total) = 100
2
2
6 ( total )
(
total
)
198
Apndice B
Apndice B
Frmulas:
2
2
2
Obs
= Act
+ Meas
Donde Obs = la variacin del proceso observada

Act = la variacin del proceso actual
Meas = la variacin del sistema de medicin
Cp x =
U L
6 x
donde U,L son los valores de especificacin superior e inferior

x = 0bs o Act conforme es definido en (1)
% RRG = RRG p *100%

con base en la variacin del proceso
RRG p =
k Meas
6 Obs
(4)
2
2
Nota: RRG p 1 dado que desde Obs
Meas
por la ecuacin (1)
con base en el rango de tolerancia:
RRG p =
k Meas
U L
(5)
En (4) y (5), normalmente k se toma como 6.
Anlisis:
Cp Obs = Cp Act *
= Cp Act *
Act
Obs
2
2
Meas
Obs
Obs
usando (1)
con el RRG basado en la variacin del proceso
Cp Obs
Obs 1 RRG 2
= Cp Act *
usando (4)
Obs
= Cp Act * 1 RRG 2
(6)
199
Apndice B
Cp Act =
Cp Obs
(6)
1 RRG 2
con RRG basado en el rango de tolerancia

RRG =
1
* Meas usando (2) y (5)
Cp Obs Obs
consecuentemente
Cp Obs = Cp Act * 1 (Cp Obs * RRG )
(7)
y
Cp Act =
Cp Obs
1 (Cp Obs * RRG )
(7)
200
Apndice B
Anlisis Grfico
Con base en (6) la familia de lneas para Cpobs con respecto a CpAct es:
Figura B 1: Cp Observados vs. Actual (basado en el proceso)

Actual
RRG
10%
1.3
1.29
1.3
1.29
20%
30%
40%
50%
60%
70%
Cp observado con el Cp en base al Rango del Proceso
1.27
1.24
1.19
1.13
1.04
0.93
Cp observado con el Cp en base a la Tolerancia
1.26
1.20
1.11
0.99
0.81
0.54
Tabla B 1: Comparacin del Cp Observado con el Cp Actual
201
90%
0.57
nada
Apndice B
Con base en (7), la familia de lneas para CpAct con respecto a CpObs es:
Figura B 2: Cp Observado vs. Actual (en base a la tolerancia)
202
Tabla de Apndice C
Table C 1: d 2 Table
203
Entradas de la Tabla: 1er lnea de cada celda son los grados de libertad (v) y la 2a lnea de cada celda es d*2; d2 es el valor infinito de d*2 ; valores adicionales de v pueden
ser construidos de la diferencia de las constantes, cd.
Nota: La notacin usada en esta tabla sigue la de Acheson Duncan, Quality Control and Industrial Statistics, 5a edicin, McGraw-Hill, 1986.
de tamao m.
t2
es distribuida aproximadamente como una distribucin 2 con v grados de libertad y donde R es el rango promedio de los g subgrupos
Apndice C
Tabla d2*
d 2*
v
Apndice D
Estudio R de Gages
204
Apndice D
Estudio R de Gages
Apndice D
Estudio R de Gages
Aplicacin:
Ofrece una determinacin preliminar de la repetibilidad de un gage de corto

plazo solamente.
Puede ser usado para chequeo antes de envo por el proveedor del gage.
Puede ser usado en preproduccin cuando la disponibilidad de partes es

mnima.
Puede ser usado durante el desarrollo del gage ej., para una comparacin
rpida de las diferentes localizaciones de sujecin; comparacin de diferentes
metodologas.
Este mtodo NO PUEDE ser usado para aceptacin final de un gage sin
otros mtodos MSA ms completos y detallados.
Supuestos:
La variacin y estabilidad del proceso no pueden ser conocidas hasta este punto
en el tiempo.
La linealidad y el sesgo no son aspectos crticos.
La reproducibilidad no se considera aqu.
El propsito es enfocarse solo a la repetibilidad del gage.
La grfica I/MR (Lecturas Individuales/Rangos Mviles) ofrece una evaluacin

mnima de la estabilidad.
Anlisis a travs de:

Tomar una parte, por un operador; colocar la parte en el dispositivo, medir; quitar la
parte del dispositivo; repetir esto 9 veces ms con la misma parte y el mismo
operador.
Graficar los datos con una grfica IRM; evaluar la estabilidad. Si los datos aparecen
no estables, aplicar acciones correctivas. 86
Si aparecen estables, calcular el sigma de las lecturas individuales con s para todas
las lecturas o MR / d 2* ; multiplicar por 6; dividir este valor por la tolerancia de la
caracterstica; multiplicar por 100%. Revisar el %Repetibilidad contra patrones de
aceptabilidad del gage previamente establecidos, o usarlo para propsitos
comparativos durante el desarrollo del gage.
86
Algo de juicio puede requerirse aqu, ya que 10 subgrupos de datos individuales son insuficientes para
determinar la estabilidad; sin embargo, obvias inestabilidades pueden todava estimarse y ofrecer un valor
para el anlisis.
205
Apndice D
Estudio R de Gages
206
Apndice E
Calculo Alternativo de PV Usando el Trmino de Correccin de Errores.
Apndice E
Calculo Alternativo de PV Usando el Trmino de Correccin de Errores
PV ha sido definido aqu como
TV 2 RRG 2 . Dado que esta definicin de las
partes puede incluir EV, puede haber ocasiones en que sea importante extraer la
influencia de EV sobre PV. Esto puede hacerse con la frmula siguiente (ntese la
similitud con la frmula de AV dnde las influencias de EV son extractadas).
PV =
(R
EV 2
2
)
K
p
3
k r
donde RP = rango de los promedios entre partes, k = # de evaluadores, r = # de

intentos.
El reconocimiento de este mtodo para calcular PV fue publicado en 1997. 87 Este
mtodo se presenta aqu como la alternativa estadsticamente ms correcta para la
definicin aceptada comn e histricamente de PV usada en este manual.
Generalmente, cuando EV contamina a PV, lo hace en un alcance de solo un punto o
dos porcentuales.
87
Datos Confiables es un Servicio Producto Importante, Donald S. Ermer y Robin Yang E-Hok,
University of Wisconsin, Madison publicado en The Standard, ASQ Newsletter of the Measurement Quality
Divisin, Vol 97-1, Invierno, 1997.
207
Apndice E
Calculo Alternativo de PV Usando el Trmino de Correccin de Errores.
208
Apndice F
Modelo de Errores P.I.S.M.O.E.A.
Apndice F
Similar a todos los procesos, un sistema de medicin es impactado por fuentes de
variacin aleatorias y sistemticas. Estas fuentes de variacin son debidas a causas
comunes y especiales (caticas). A fin de entender, controlar y mejorar un sistema
de medicin, las fuentes potenciales de variacin deben ser primero identificadas.
Aunque las causas especficas dependen de la situacin, un modelo general de
errores puede ser usado para categorizar las fuentes de variacin de un sistema de
medicin. Existen varios mtodos para presentar y categorizar estas fuentes de
variacin, usando simples causas y efectos, matrices o diagramas de rbol.
El acrnimo P.I.S.M.O.E.A. 88 representa otro modelo til para definir un sistema
de medicin por sus fuentes de variacin bsicas. No es solo un modelo sino que
representa una aplicacin de apoyo universal.
Fuente de Error
P
I
M
O
Alias o Componente
Parte de produccin, muestra lo que se mide,
Unidad Bajo Prueba (UBP), artefacto y estndar de
Parte
chequeo.
Gage, unidad de M&TE, gage master mquina de
Instrumento
medicin, stand de prueba.
Escala, referencia, artefacto, estndar de chequeo,
estndar intrnseco, consenso, Materiales Estndar
Estndar/Patrn
de Referencia (MER), clase, criterios de
aceptacin.
Entrenamiento en el trabajo, verbal, instrucciones
de trabajo, plan de control, plan de inspeccin,
Mtodo
programa de pruebas, programa de partes.
Evaluador, tcnico de pruebas o calibraciones,
Operador
auditor, inspector.
Temperatura, humedad, contaminacin, orden y
limpieza, iluminacin, posicin, vibracin, energa
Medio Ambiente
elctrica, Interferencia Electromagntica (IEM),
ruido, tiempo, aire.
Estadsticos, operacionales, de calibracin,
constantes, valores de manuales, estabilidad
Supuestos
trmica, mdulos de elasticidad, leyes de la ciencia.
Factor o Parmetro
Desconocido
Medios de comparacin
Valor conocido aceptado
como verdadero*, valor
de referencia o criterios
de aceptacin
Cmo
Quin
Condiciones de la
medicin, ruido
Criterios, constantes o
suposiciones para una
medicin confiable
* Los valores verdaderos actuales o fsicos son desconocidos.
La fuente de error del alias vara con la aplicacin de las mediciones y la industria.
Estos son ejemplos comunes. Sin embargo, el efecto de los parmetros y
caractersticas siempre es el mismo.
88
P.I.S.M.O.E.A. fue originalmente desarrollado por Mr. Gordon Skattum, ASQ CQE Senior, metrologista y Director de
Manufactura Integrada en Rock Valley College Technology Center.
209
Apndice F
Todos los mtodos de Anlisis de Sistemas de Medicin son herramientas de

calidad. Todas las herramientas de calidad se basan en supuestos. Si se violan los
supuestos, la herramienta llega a ser impredecible al mximo y pudiera conducir a
una conclusin falsa en lo peor.
Los supuestos estadsticos tpicos de un estudio R&R de gages incluyen: proceso
normal, intentos aleatorios e independientes, estabilidad y criterios de pruebas
repruebas. Cuando uno o ms supuestos se violen (ej., proceso de medicin no
normal, sesgo del operador) la herramienta y anlisis llega a ser finalmente no
estable, confusa y dudosa. Las evaluaciones del porcentaje de RRGs para el control
del producto y el proceso pueden ser sobreestimadas. Existen tambin supuestos no
estadsticos en relacin a los sistemas de medicin (ej., calibracin, operacional,
coeficientes y proporciones de expansin, leyes fsicas y constantes. El planeador
de las mediciones debiera ser capaz de identificar, controlar, corregir o modificar el
mtodo MSA para ajustar violaciones significativas de los supuestos en el proceso
de medicin.
La violacin de los criterios de prueba reprueba siempre es una consideracin
para las pruebas destructivas o los sistemas de medicin en proceso donde la
caracterstica est cambiando. El planeador de las mediciones debe considerar
hbridos apropiados, con modificaciones o tcnicas alternativas para el estudio del
sistema de edicin estndar.
Los supuestos tienden a contribuir en una mayor proporcin a la variacin total de
las mediciones cuando: 1) se usen mtodos o herramientas ms poderosos (ej.,
ANOVA, anlisis de regresin, diseos de experimentos, predicciones de
probabilidad y grficas de control), y 2) se incremente la precisin de las
mediciones. Las aplicaciones de mediciones de alta precisin deben a menudo
planearse para la correccin de coeficientes y expansin trmica, deformacin,
arrastres o deslizamientos u otros supuestos en el proceso de medicin.
El gran peligro para un analista de calidad o planeador de las mediciones en
relacin a los supuestos es que se asuma que sean insignificantes o constantes y por
tanto ignorados.
La Tabla F 1 demuestra ejemplos del modelo PISMOEA para tres diferentes
situaciones de medicin.
210
Apndice F
Fuente
de Error
I
S
Produccin tpica, MSA

Automotriz
Automatizacin del
Proceso o Stand de
Pruebas
Unidades de
produccin, muestras
Partes de produccin aleatorias,
de prueba, estndares
rango completo del proceso
de chequeo,
artefactos
Tipo nico para el gage de
CCD, MMC, stand de
pruebas
produccin
Escala y geometra,
Escala, estndar master, o clase;
estndares de
cumple con la regla 1 a 10
referencia de prueba
Procedimientos Operativos
Sop documentado,
Estndar (sop), a menudo verbales, programa de CCD o
pueden ser documentados; plan de ciclo de prueba
control
automatizado
Operador de pruebas
restringido, y con
Tpicos (2-3), entrenados, quienes
entrenamiento
normalmente operan
especializado y
habilidades
Produccin y condiciones de
operacin estables
A menudo controlado
Estadsticos, a menudo ignorados
Estadsticos, con
aplicacin especfica
Propsito
Control del
producto,
inspeccin 100%
Control Del Proceso (SPC)
Calibracin
Gages, UBP, muestra

de prueba, lo que se
mide
Gage y equipo master
Master, referencia,
intrnseca o por
consenso, artefacto
Documentado,
procedimiento formal
de calibracin
Tcnico calificado,
evidencia de
competencia en ISO
17025
Lmites de control
optimizados, fuentes
de error principales
No puede asumirse,
fuentes de error
principales
Control del
producto,
tolerancias de
calibracin
Tabla F 1 Ejemplos del Modelo PISMOEA

El grado de influencia y contribucin a las variaciones de las mediciones para
fuentes de errores especficas depende de la situacin. Una matriz, causas y efectos
o diagrama de rbol de fallas ser una herramienta til para identificar y entender
las fuentes dominantes de la variacin de las mediciones para control y
mejoramiento.
El anlisis de los sistemas de medicin empieza entendiendo el propsito y proceso
de las mediciones mismas. Todas las fuentes de errores caticas y no legtimas
deben ser retiradas. Un estudio de mediciones es un experimento planeado que
sigue los siguientes conceptos: DEFINE las fuentes de error significativas,
ARREGLA algo, permite uno o ms factores de CONTROL a cambiar, MIDE
intentos mltiples, ANALIZA resultados y TOMA ACCIONES.
211
Glosario
212
Glosario
GLOSARIO
Ver el Manual de Referencia del Control Estadstico de los Procesos (SPC) para definiciones adicionales
del glosario.
Ver nota de la pgina iv.
5.15 vs 6 RRG Multiplying
Factor
(Factor Multiplicativo 5.15 vs
6 RRG )
Accuracy
(Exactitud)
Cercana por acuerdo entre el valor observado y el valor aceptado como

referencia.
Analysis of Variance
(Anlisis de Varianza)
Mtodo estadstico (ANOVA) a menudo usado en el diseo de experimentos

(DOE), para analizar datos de variables de grupos mltiples, a fin de
comparar promedios y analizar fuentes de variacin.
Apparent Resolution
(Resolucin Aparente)
El tamao del incremento ms pequeo en el instrumento de medicin es la

resolucin aparente. Este valor es tpicamente usado en la literatura como
publicidad para clasificar el instrumento de medicin. El nmero de categoras
de datos puede determinarse dividiendo el tamao entre la extensin (6) de
la distribucin esperada del proceso.
NOTA: El nmero de dgitos desplegados o reportados no siempre indican la
resolucin del instrumento. Por ejemplo, las partes medidas como 29.075,
29.080, 29.095, etc., son registradas como mediciones de cinco (5) dgitos.
Sin embargo, el instrumento puede no tener una resolucin de 0.001 sino de
0.005.
Appraiser Variation
(Variacin del Evaluador)
La variacin en las mediciones promedio de la misma parte (lo medido) entre

los diferentes evaluadores (operadores) usando el mismo instrumento de
medicin y mtodo y en un ambiente estable. La variacin del evaluador (AV)
es una de las fuentes comunes de la variacin (error) de los sistemas de
medicin que resulta de las diferencias en las habilidades del operador o la
tcnica usando el mismo sistema de medicin. La variacin del evaluador es
comnmente asumida como error de reproducibilidad y asociada con un
sistema de medicin; sto no siempre es verdad (Ver Reproducibilidad)
Bayes Theorem
(Teorema de Bayes)
Una formula matemtica usada para calcular probabilidades condicionales.

La probabilidad de una hiptesis condicional G en un cuerpo de datos M dado
es la razn de la probabilidad incondicional de la conjuncin de la hiptesis
con los datos de la probabilidad incondicional de los datos mismos.
La probabilidad del condicional G en M es definida como
PM(G)=P(GyM)/P(G), siempre y cuando ambos trminos de esta razn
existan y P(G)>0
Bias
(Sesgo)
La diferencia entre el promedio de las mediciones observadas (intentos sobre

condiciones de repetibilidad) y el valor referencia; histricamente referido
como exactitud el sesgo es evaluado y expresado como un solo punto dentro
del rango de operacin del sistema de medicin.
Calibration
(Calibracin)
Conjunto de operaciones que establecen, bajo condiciones especificadas, la

relacin entre un dispositivo de medicin y un estndar rastreable con un
valor de referencia e incertidumbre conocidos. La calibracin puede tambin
incluir pasos para detectar, correlacionar, reportar o eliminar por ajustes
cualquier discrepancia en la exactitud del dispositivo de medicin a ser
comparado.
213
Glosario
Calibration Interval
(Intervalo de Calibracin)
Cantidad especificada de tiempo o conjunto de condiciones entre

calibraciones durante las cuales los parmetros de calibracin de un
dispositivo de medicin son considerados como vlidos.
Capability
(Capacidad)
Estimativo de la variacin combinada de los errores (aleatorios y

sistemticos) de las mediciones y en base a evaluaciones de corto plazo del
sistema de medicin.
Confidence Interval
(Intervalo de Confiabilidad)
Intervalo rango de valores, calculado de datos de muestras, que contienen,

con un (100 - ) grado de certidumbre, el parmetro de inters de la
poblacin, ej., el promedio verdadero de la poblacin.
, llamado el Nivel de Confiabilidad, es la probabilidad de cumplimiento del
error Tipo I.
Ver Montgomery (1997) Juran y Godfrey (1999) para mtodos de clculo.
Control Chart
(Grfica de Control)
Grfica de la caracterstica de un proceso, basada en mediciones de una

muestra y con un orden en tiempo, usada para desplegar el comportamiento
de un proceso, identificar patrones de variacin del proceso, evaluar
estabilidad e indicar la direccin del proceso mismo.
Despliega los valores graficados de algn estadstico recolectados de
una caracterstica, una lnea central y uno dos lmites de control.
Minimiza la prdida econmica neta de los errores Tipo I y II.
Tiene dos usos bsicos: como un juicio para determinar si un proceso
est operando en control estadstico, y para ayuda en el mantenimiento
del control estadstico.
Data
(Datos)
Recoleccin de observaciones bajo un conjunto de condiciones, que pueden

ser variables (un valor cuantificado y unidad de medida) o discretas (atributo
o datos de conteo tales como, aceptado / rechazado, bueno / malo, pasa / no
pasa, etc.).
Designed Experiment
(Experimento Diseado)
Estudio planeado que involucra anlisis estadsticos de una serie de pruebas

en el cual se hacen cambios a propsito a factores del proceso y a los efectos
observados, a fin de determinar la relacin de las variables del proceso y
mejorar el proceso mismo.
Discrimination
(Discriminacin)
Alias unidad ms pequea y legible, discriminacin es la resolucin en las

mediciones, lmite de escala, o unidad detectable ms pequea del
dispositivo de medicin y estndar / patrn. Es una propiedad inherente del
diseo de un gage y reportada como una unidad de medicin o clasificacin.
El nmero de categoras de datos es a menudo referido como razn de
discriminacin dado que describe cuantas clasificaciones pueden
distinguirse confiablemente dada la variacin observada del proceso.
Distinct Data Categories

(Categoras de Datos
Distintas)
Nmero de clasificaciones de datos o categoras que pueden ser distinguidas

confiablemente y determinadas por una resolucin efectiva del sistema de
medicin y la variacin de las partes de un proceso observado, para una
aplicacin dada. Ver ndc.
Effective Resolution
(Resolucin Efectiva)
El tamao de la categora de datos cuando se considere que la variacin total

del sistema de medicin sea la resolucin efectiva. El tamao se determina
por la longitud del intervalo de confiabilidad y en base a la variacin del
sistema de medicin. El nmero de categoras distintas, ndc, puede
determinarse dividiendo el tamao entre la extensin esperada de la
distribucin del proceso. Para una resolucin efectiva, un estimativo estndar
de ste ndc (en un nivel de confiabilidad del 97%) es 1.41 (PV / RRG). Ver
Wheeler, 1989, para una interpretacin alternativa.
214
F ratio
(Razn/Proporcin F)
Glosario
Estadstico que representa la proporcin matemtica del error del cuadrado
de los promedios entre grupos y el error del cuadrado de los promedios
dentro de los grupos, para un conjunto de datos usado para determinar la
probabilidad de ocurrencia aleatoria en u nivel de confiabilidad seleccionado.
Gage R&R (GRR)

(R&R de Gages (RRG))
Estimativo de la variacin combinada de la repetibilidad y reproducibilidad

para un sistema de medicin. La varianza de RRGs es igual a la suma de las
varianzas dentro del sistema y entre sistemas.
Histogram
(Histograma)
Representacin grfica (grfica de barras) de la frecuencia de datos

agrupados para ofrecer una evaluacin visual de la distribucin de los datos.
In Control
(En Control)
Estado de un proceso cuando solo muestra variaciones por causas aleatorias

y comunes (en oposicin a las caticas, asignables o especiales). Un proceso
que opere solo con variaciones aleatorias es estadsticamente estable.
Independent
(Independiente)
La ocurrencia de un evento variable que no tiene efecto sobre la probabilidad

de otro evento variable que ocurra.
Independent and Identically

Distributed
(Distribuido en forma
Independiente e Idntica)
Comnmente referido como dii. Grupo homogneo de datos que son

independientes y distribuidos aleatoriamente en una distribucin comn.
Interaction
(Interaccin)
El efecto combinado o resultados de dos o ms variables que es significativo.

No aditividad entre evaluadores y partes. Las diferencias de los evaluadores
dependen de la parte a ser medida.
Inter-Rater Agreement
(Acuerdo EntreEvaluadores)
(Tambin confiabilidad entre-evaluadores, concordancia). El grado de

acuerdo entre evaluadores. Ofrece un resultado score de qu tanta
homogeneidad, concenso, hay entre evaluaciones ofrecidas por los
evaluadores.
Existe un nmero de estadsticos que pueden ser usados para determinar la
confiabilidad entre evaluadores, y los cuales son apropiados para diferentes
tipos de mediciones. Algunas opciones son: probabilidad conjunta de
acuerdo, el kappa de Cohen y el kappa de Fleiss relacionado, la correlacin
entre evaluadores, el coeficiente de correlacin y concordancia y la
correlacin intra-clases.
Kappa (Cohens)
(El Kappa de Cohen)
Una medida estadstica de acuerdo entre evaluadores para artculos items

cualitativos (categricos). Toma en cuenta el acuerdo que ocurre por
probabilidad.
Linearity
(Linealidad)
La diferencia en errores de sesgos sobre el rango de operacin esperado del

sistema de medicin. En otros trminos, linealidad expresa la correlacin de
errores de sesgos mltiples e independientes sobre el rango de operacin.
Long-Term Capability
(Habilidad de Largo Plazo)
Medida estadstica de la variacin dentro de los subgrupos exhibida para un

proceso sobre un periodo largo de tiempo. Esta difiere del desempeo porque
no incluye la variacin entre los subgrupos.
Measurand
(Lo que se Mide)
Cantidad o sujeto particular a medir bajo condiciones especificadas; un

conjunto definido de especificaciones par la aplicacin de una medicin.
Measurement System
(Sistema de Medicin)
El conjunto de instrumentos o gages, estndares o patrones, operaciones,

mtodos, dispositivos, software, personal, medio ambiente y supuestos
usados para cuantificar una unidad de medida o una evaluacin de la
caracterstica a ser medida; el proceso completo y usado para obtener
mediciones.
215
Glosario
Measurement Systerm Error

(Error del Sistema de
Medicin)
Variacin combinada y debida al

reproducibilidad, estabilidad y linealidad.
sesgo
del
gage,
repetibilidad,
Metrology
(Metrologa)
La ciencia de las mediciones.
ndc (ndc)
Nmero de categoras distintas. 1.41 PV
Non- repicable
(No Replicable)
Inhabilidad de tomar mediciones repetidas sobre la misma muestra o

componente y debido a la naturaleza dinmica de lo que se mide.
Number of Distinct
Categories
(Nmero de Categoras
Distintas)
Ver ndc.
Out-of-Control
(Fuera de Control)
Estado de un proceso cuando exhibe variaciones por causas caticas,

asignables o especiales. Un proceso que est fuera de control es
estadsticamente no estable.
Part Variation
(Variacin de las Partes)
Relativo al anlisis de los sistemas de medicin, la variacin de las partes

(PV) representa la variacin esperada de parte a parte y de tiempo a tiempo
para un proceso estable.
Part-to-Part Variation
(Variacin de Parte a Parte)
Variaciones pieza-a-pieza debidas a la medicin de partes diferentes.
Performance
(Desempeo)
Un estimativo de la variacin combinada de los errores (aleatorios y

sistemticos) en las mediciones y basados en evaluaciones de largo plazo del
sistema de medicin; incluye todas las fuentes de variacin significativas y
determinables de variacin en el tiempo.
Precision
(Precisin)
El efecto neto de la discriminacin, sensibilidad y repetibilidad sobre el rango

(tamao, rango y tiempo) de operacin del sistema de medicin. El algunas
organizaciones la precisin se usa en forma intercambiable con la
repetibilidad. De hecho, la precisin es ms a menudo utilizada para describir
la variacin esperada de mediciones repetidas sobre el rango de medicin. El
rango puede ser tamao o tiempo. El uso de trminos componentes y ms
descriptivos es generalmente preferido sobre el trmino precisin.
Probability
(Probabilidad)
Estimativo (en proporcin o fraccin) basado en una distribucin particular de

los datos recolectados, describiendo la probabilidad de que ocurra un evento
especfico. Los estimativos de probabilidad varan entre 0 (evento imposible)
y 1 (algo seguro). Conjunto de condiciones o causas trabajando juntas para
producir un resultado.
Process Control
(Control del Proceso)
Estado operacional donde el propsito de las mediciones y los criterios de

decisin aplican a la produccin de tiempo real para evaluar la estabilidad del
proceso y lo que se mide o propiedad de la variacin del proceso natural; el
resultado de una medicin indica que el proceso es estable y en control o
fuera de control.
Product Control
(Control del Producto)
Estado operacional donde el propsito de las mediciones y los criterios de

decisin son evaluar lo que se mide o las propiedades para cumplir con una
especificacin; el resultado de las mediciones es dentro de tolerancias o
fuera de tolerancia.
216
RRG
Reference Value
(Valor de Referencia)
Glosario
Valor de lo que se mide que sea reconocido y sirva como un valor master o
de referencia acordado para comparaciones:
valor terico o establecido y basado en principios cientficos;
valor asignado
internacional;
valor por consenso y basado en trabajo experimental colaborativo y bajo

los auspicios de un grupo cientfico o de ingeniera; o
para una explicacin especfica, valor obtenido y acordad y usando un

mtodo de referencia aceptable.
basado
en
alguna
organizacin
nacional
Valor consistente con la definicin de una cantidad especfica y aceptada,

algunas veces en forma convencional, como apropiada para un propsito
dado.
NOTA: Otros trminos usados como sinnimos del valor referencia.
Valor referencia aceptable
Valor aceptable
Valor convencional
Valor verdadero y convencional
Valor asignado
El mejor estimativo del valor
Valor master
Medicin del master
Regression Analysis
(Anlisis de Regresin)
Estudio estadstico de la relacin entre dos o ms variables. Clculo para

definir la relacin matemtica entre dos o ms variables.
Repeatibility
(Repetibilidad)
Variacin aleatoria y por causas comunes que resulta de intentos sucesivos y

bajo condiciones de medicin definidas. A menudo referida como variacin
del equipo (EV) aunque esto es dudoso. El mejor trmino para repetibilidad
es variacin dentro de los sistemas cuando las condiciones de las mediciones
son arregladas y definidas parte acordada, instrumento, estndar / patrn,
mtodo, operador, medio ambiente y supuestos. Adems de la variacin
dentro de los equipos, la repetibilidad incluye toda la variacin interna de las
condiciones en el modelo de errores en las mediciones.
Replicable
(Replicable)
La habilidad de tomar mediciones repetidas sobre la misma muestra o

componente, cuando no haya un cambio fsico significativo de lo que se mide
o el ambiente de medicin.
Replication
(Replicado)
Intentos de pruebas mltiples bajo condiciones de repetibilidad (idnticas).
Reproducibility
(Reproducibilidad)
La variacin en el promedio de las mediciones causada por un cambio en las

condiciones normales del proceso de medicin. Tpicamente, se ha definido
como la variacin en el promedio de las mediciones de la misma parte entre
diferentes evaluadores (operadores), usando el mismo instrumento de
medicin y mtodo y en un medio ambiente estable. Esto a menudo es
verdad para instrumentos manuales influenciados por habilidades del
evaluador. No es verdad, sin embargo, para procesos de medicin (ej.,
sistemas automatizados) donde el operador no es una fuente de variacin
mayor. Por esta razn, la reproducibilidad es referida como el promedio de
las variaciones entre sistemas o entre condiciones de mediciones.
217
Glosario
Resolution
(Resolucin)
Puede aplicarse a la resolucin de las mediciones o a la resolucin efectiva.

La habilidad o capacidad de un sistema de medicin para detectar e indicar
fielmente si existen pequeos cambios sobre la caracterstica medida. (Ver
tambin discriminacin).
La resolucin de un sistema de medicin es si existe una probabilidad
igual de que el valor indicado de cualquier parte y el cual difiera de una parte
de referencia por menos que ser el mismo que el valor indicado de la
parte de referencia. La resolucin de un sistema de medicin es impactada
por el instrumento de medicin as como otras fuentes de variacin del
sistema de medicin total.
Scatter Diagram
(Diagrama de Dispersin)
Grfica X -Y de daros para evaluar la relacin entre dos variables.
Sensitivity
(Sensibilidad)
Seal de entrada ms pequea que resulta de la seal de un resultado

detectable (discernible) para un dispositivo de medicin. Un instrumento
debiera ser al menos tan sensible como sus unidades de discriminacin. La
sensibilidad se determina por el diseo y calidad inherentes del gage, el
mantenimiento en servicio y las condiciones de operacin. La sensibilidad es
reportada en unidades de medicin.
Significance Level
(Nivel de Significancia)
Nivel estadstico y seleccionado para probar la probabilidad de resultados

aleatorios; tambin asociado con el riesgo, expresado como el riesgo alfa
( ), que representa la probabilidad de un error en las decisiones.
Stability
(Estabilidad)
Se refiere a la estabilidad estadstica de un proceso de medicin y a la

estabilidad en las mediciones en el tiempo. Ambas son vitales para un
sistema de medicin y adecuadas para su propsito esperado. Estabilidad
estadstica implica un proceso predecible y bajo mediciones, operando dentro
de variaciones de causas comunes (en control). La estabilidad de las
mediciones (alias rumbo o direccin) aborda el cumplimiento necesario del
estndar o referencia de las mediciones sobre una vida (tiempo) de operacin
del sistema de medicin.
Tolerance
(Tolerancia)
Desviacin permitida a partir de un valor estndar o nominal que mantiene la

funcin, adecuacin y forma.
Ver tambin Especificacin
Uncertainty
(Incertidumbre)
Parmetro asociado con el resultado de una medicin, que caracteriza la

dispersin de los valores que pudiera estar razonablemente atribuida a los
que se mide (VIM); el rango asignado a un resultado de medicin que
describe, dentro de un nivel de confiabilidad definido, los lmites esperados
que contienen los resultados de mediciones verdaderos. Incertidumbre es
una expresin cuantificada de la confiabilidad de las mediciones.
Unimodal
(Unimodal)
Grupo de datos contiguos que cuentan con una moda.
218
Lista de Referencias
1.
ASTM E691-99, Standard Practice for Conducting an Interlaboratory Study to determine the
Precision of a Test Method, (www.astm.org).
2.
ASTM E177-90, Standard Practice for Use of the Terms Precision and Bias in ASTM Test
Methods.
3.
ASTM E456-96, Standard Terminology for Relating to Quality and Statistics.
4.
AT&T Statistical Quality Control Handbook, Delmar Printing Company, Charlotte, N.

C, 1984.
5.
Baker, E. Signal Detection Theory of Quality Control Inspector Performance, Journal of

Quality Technology, Vol. 7, No.2, April 1975.
6.
Bland, J. M., and Altman, D.G. (1896). Statistical methods for assessing agreement between
two methods of clinical measurement. Lancet i. pp. 307-310.
7.
Burdick, Richard K., y Larsen, Greg A., Confidence Intervals on Measures of Variability in
R&R Studies, Journal of Quality Technology, Vol. 29, No. 3, Julio 1997.
8.
Cohen, J. (1960) A coefficient for agreement for nominal scales in Education ans
Psychological Measurement. Vol. 20, pp. 37-46.
9.
Dataplot, National Institute of Standards and Technology, Statistical Engineering Davison

(www.itl.nist.gov).
10.
Deming, W. E., Out of the Crisis, Massachusetts Institute of Technology, 1982, 1986.
11.
Deming, W.E., The New Economics for Industry, Government, Education, The MIT Press
1994, 2000.
12.
Duncan, A. J., Quality Control and Industrial Statistics, 5 ed., Richard D. Irwin, Inc.,
Homewood, Illinois, 1986
13.
Eagle, A. R:, A Meted For Handling Errors in Testing and Measuring. Industrial Quality
Control, Marzo, 1954, pp.10-14
14.
Ermer, Donald S., y E-Hok, Robin Yang, Reliable Data is an Important Commodity,
University de Wisconsin, Madison; published in The Standard, ASQ Newsletter of the
Measurement Quality Division, Vol. 97-1, Winter 1997.
15.
Everitt, B. (1996) Making Sense of Statistics in Psychology (Oxford University Press).
16.
Fleiss, J. L. (1971) Measuting nominal scale agreement among many raters in Psychological
Buuletin. Vol. 76, No. 5, pp. 378-382.
17.
Foster, Lowell W., GEO-METRICS: The Metric Application of Geometric Tolerancing, AddisonWesley Publishing Company, Massachusetts, 1993.
219
18.
Gillespie; Richard, A History of the Hawthorne Experiments, Cambridge University Press, New
York , 1991.
19.
Grubbs, F.E., On Estimating Precision of Measuring Instruments and Product Variability,

Journal of the American Statistical Association, Vol. 43, 1948, pp. 243-264.
20.
Grubbs, F. E., Errors of Measurement, Precision, Accuracy and the Statistical Comparison of
Measuring Instruments, Technometrics, Vol. 15, February 1973, pp. 53-66.
21.
Gruska, G. F., and Heaphy, M.S., Measurement Systems Analysis, TMI Conference
Workshop, Detroit, Michigan, 1987.
22.
Guidance to the Expression of Uncertainty in Measurement, ISO/IEC Guide 98: 1995.
23.
Hahn, J. H. and Nelson, W., A Problem in the Statistical Comparison of Measuring Devices,
Technometrics, Vol. 12., No. 1, Febrero 1970, pp. 95-102.
24.
Hamada, Michaeln and Weerahandi, Sam, Measurement System Assesment Via Generalized
Inference, Journal of Quality Technology, Vol. 32, No. 3, Julio 2000.
25.
Hayes, A. F. & Krippendorff, K. (2007). Answering the call for a standard reliability measure for
coding data. Communication Methods ans Measures, 1, 77-89.
26.
Heaphy, M. S., et. al., Measurement Systems Parameters, Society of Manufacturing

Engineering-IQ81-154, Detroit, Michigan, 1981.
27.
Hicks, Charles R. and Turner K.V. Jr. Fundamental Concepts in the Design of Experiments,
Osford University Press, New York, 1999.
28.
International Vocabulary of Basic and General Terms in Metrology (abbr. VIM), ISO/IEC Guide
99: 2007.
29.
Ishikawa, Kaoru, Guidance to Quality Control, Asian Productivity Organization, 1986.
30.
Jaech, J.L., Further Tests of Significance for Grubbs Estimators, Biometrics, 27, December,
1971, pp. 1097-1101.
31.
James, P. D. Graphical Displays of Gages R&R Data, AQC Transaction, ASQC, 1991.
32.
Krippendorff, K. (2004). Content analysis: And introduction to its methodology. Thousand

Oaks, CA: Sage. pp. 219-250.
33.
Lipson, C., and Sheth, N. J., Statistical Design & Analysis of Engineering Experiment, McGrawHill, New York, 1973.
34.
Maloney, C. J., and Rostogi, S. C., Significance Test for Grubbs Estimators, Biometrics, 26,
December, 1970. pp. 671-676.
35.
Mandel, J., Repeatability and Reproducibility, Journal of Quality Technology, Vol. 4, No. 2,
April, 1972, pp. 74-85.
220
36.
McCaslin, J. A., and Gruska, G. F., Analysis of Attribute Gage Systems, ASQC Technical
Conference Transactions, 1976, pp. 392-399.
37.
Measurement Systems Analysis Reference Manual, Third Edition, Chrysler, Ford, GM, Third
Printing, 2002.
38.
Minitab Users Guide: Guide to Minitab: Release 15 - Minitab, Minitab, Inc., 2007.
39.
Montgomery, Douglas C., and Runger, George C., Gauge Capability and Designed
Experiments. Part I: Basic Methods; Part II: Experimental Design Models and Variance
Component Estimation, Quality Engineering, Marcel Dekker, Inc., 1993.
40.
Nelson, L., Use of the Range to Estimate Variability, Journal of Quality Technology, Vol. 7,
No. 1, January, 1975, pp. 46-48.
41.
Potential Failure Mode and Effects Analysis (FMEA) Reference manual, Fourth Edition,
DaimlerChrysler, Ford, GM, 2008.
42.
Production Part Approval Process (PPAP), Fourth Edition, DaimlerChrysler, Ford, GM, 2008.
43.
Saal, F.E. Downey, R.G. and Lahey, M.A (1980) Rating the Ratings: Assessing the
Psychometric Quality of Rating Data in Psycholgical Bulletin. Vol. 88, No. 2, pp. 413-428.
44.
Shrout, P. and Fleiss, J. L. (1979) Intraclass correlation: uses in assessing rater reliability in
Psychological Bulletin. Vol. 86, No. 2, pp. 420-428.
45.
Spiers, Beryl, Analysis of Destructive Measuring Systems, ASQC Quality Congress

Transactions, Toronto, 1989.
46.
Statistical Process Control Reference Manual (SPC), Second Edition, Chrysler, Ford, GM,
2005.
47.
Thompson, W. A., Jr., The Problem of Negative Estimates of Variance Components, Annals
Mathematical Statistics, No. 33, 1962, pp. 273-289.
48.. Thompson, W. A., Jr., Precision of Simultaneous Measurement Procedures, American

Statistical Association Journal, June, 1963, pp. 474-479.
49.
Traver, R. W., Measuring Equipment Repeatability The Rubber Ruler, 1962 ASQC
Convention Transactions, pp. 25-32.
50.
Tsai, Pingfang, Variable Gauge Repeatability and Reproducibility Study Using the Analysis of
Variance Method, Quality Engineering, Marcel Dekker, Inc. 1988.
51.
Uebersax, John S. (1987). Diversity of Decision making models and the measurement of
interrater agreement in Psychological Bulletin. Vol. 101, pp. 140-146.
52.
Vardeman, Stephen B., and Van Valkenburg, Enid S., Two-Way Random-Effects Analyses
and Gauge R&R Studies, Technometrics, Vol. 41, No. 3, August 1999.
53.
Wheeler, D. J., Evaluating the Measurement Process When the Testing is Destructive,
TAPPI, 1990 Polymers Lamination & Coatings Conference Proceedings, (www.tappi.org
search for document plc90905).
221
54.
Wheler, D.J., and Lyday, R. W., Evaluating the Measurement Process, SPC Press, Inc.,
Knoxville, Tennesse, 2006.
222
Formatos de Muestra
El lector cuenta con el permiso de reproducir los formatos de sta seccin para uso interno
solamente, y no para uso comercial reventa
Los formatos de sta seccin cada uno representa un posible formato para la recoleccin y reporte
datos de RRG. No son mutuamente excluyentes de otros tipos de formatos los cuales pueden
contener la misma informacin y lograr los mismos resultados.
223
Hoja de Recoleccin de Datos de Repetibilidad y Reproducibilidad de Gages

Evaluador/
Intento # 1
A
1
2
3
Promedio
Rango
B
1
2
3
Promedio
Rango
C
1
2
3
Promedio
Rango
Promedio
de Parte
([(R
PARTE
6
10
PROMEDIO
Xb =
Rb =
Xc =
Rc =
X =
Rp =
b
LCS R = R =
Xa =
Ra =
)] + [R
X DIFF = [X Max =
*
] + [R
] [X Min =
] [D
]) [# DE
EVALUADORE S =
]=
R=
X DIFF =
]=
]=
D 4 = 3.27 para 2 intentos y 2.58 para 3 intentos. LCSR representa el lmite de los Rs individuales. Circular aquellos
que estn fuera de ste lmite. Identifica las causas y corrgelas. Repite estas lecturas usando el mismo evaluador y
*
unidad como se originalmente o descarta los valores y recalcula el promedio y R y el valor lmite de las observaciones
restantes.
Notas:
224
Reporte de Repetibilidad y Reproducibilidad de Gages (RRGs)

Nombre y No. de Parte:
Caractersticas:
Especificaciones:
Fecha:
Hecho por:
Nombre del Gage:

No. de Gage:
Tipo de Gage:
Dato : R =
Rp =
% de Variacin Total (TV)
X DIFF =
Anlisis de las Unidades de Medicin
Repetibilidad Variacin del Equipo (EV)
EV = R K 1
%EV = 100[EV/TV]
= R K 1
=
Intentos
K1
0.8862
0.5908
= 100 [
=
Reproducibilidad Variacin del Evaluador (AV)
AV =
=
(X DIFF K 2)2 (EV 2 nr )
)2 (
%AV =100 [AV/TV]
))
= 100 [
Evaluadores
K2
0.7071
0.5231
Repetibilidad y Reproducibilidad (RRG)

RRG = EV 2 + AV 2
%RRG = 100 [RRG/TV]

Partes
K3
0.7071
0.5231
0.4467
0.4030
= 100 [
0.3742
Variacin Total (TV)
0.3534
TV = RRG 2 + PV 2
0.3375
ndc = 1.41 PV
0.3249
= 1.41 [
10
0.3146
Variacin de Partes (PV)
PV = Pp K 3
=
%PV = 100 [PV/TV]
x
.
= 100 [
RRG
Para informacin sobre teora y constantes usadas en este formato, ver Manual de Referencia de MSA, Cuarta edicin.
225
226
ndice
ndice
227
ndice
Acceptability Criteria (Criterios de Aceptabilidad), 79
Accuracy (also see Bias) (Exactitud (ver tambin
Sesgo)), 6,50,215, 222
Analysis of Variance (ANOVA) (Anlisis de Varianza
(ANOVA)), 103, 105, 109, 125, 126, 127, 128,
129, 130, 131, 161, 163, 165, 169, 197, 199, 200,
212, 215
Analytic Method (Mtodo Analtico), 147
Apparent (Aparente), 215
Appraiser Variation (AV) (Variacin de los
Evaluadores (AV)), 7, 122, 124, 125, 129, 131,
197, 198, 200, 212, 215
ASTM (American Society For Testing And Materials),
5, 6, 7, 33, 45, 50, 54, 55, 56, 187, 189, 192, 221
Attribute (Atributo), 133, 136, 147, 151, 152, 161,
179, 181, 223
Average (Promedio), 95, 103, 105, 108, 109, 114,
115, 119, 126, 128, 129, 130, 131, 171, 176, 177,
188, 226
Bias (Sesgo), 6, 50, 51, 61, 62, 89, 90, 91, 92, 93,
94, 96, 97, 99, 215, 221
Calibration (Calibracin), 10, 34, 36, 38, 39, 43, 213,
215, 216
Calibration Standard (Estndar de Calibracin), 43
Capability Index (ndice de Habilidad), 201
Cause and Effect (Causas y Efectos), 17, 68
Cause and Effect Diagram (Diagrama de Causas y
Efectos), 17, 68
Charts, Error (Grfica de Errores), 114
Check Standard (Estndar de Chequeo), 45
Consistency (Consistencia), 8, 57, 110, 112, 113,
116, 187, 192
Control Chart Analysis (Anlisis de Grficas de
Control), 88
Control Charts (Grficas de Control), 49
Coordinate Measuring Machine (CMM) (Mquina de
Medicin por Coordenadas (MMC)), 14, 25, 26,
37, 38, 59, 134, 169, 213
Cp (see Capability Index) (Cp (ver ndice de
Habilidad)), 21, 22, 143, 201, 203, 204
Cross-Tabulation (Tabulacin Cruzada), 135
Customer (Cliente), 4, 48, 91, 96, 233
Designed Experiment (Diseo de Esperimentos),
216, 223
Destructive Measurement Systems (Sistemas de
Medicin Destructivos), 155, 156
impact testing (gravelometer) (pruebas de
impacto (gravelometro)), 155
mass spectroscopy (espectroscopia de masas),
155
plating testing (pruebas de acabado metlicos),
155
material characteristic testing (pruebas de
caractersticas materiales), 155
weld testing (pruebas de soldadura), 155
Discrimination (Discriminacin), 5, 41, 46, 216
Drift (see Stability) (Flujo (ver Estabilidad)), 6, 39
Effective Resolution (Resolucin Efectiva), 38, 216
Effectiveness (Efectividad), 141, 142
Environment (Medio Ambiente), 16, 37, 51, 54, 211
Equipment Variation (EV) (see also Repeatability)
(Variacin del Equipo (VE) (ver tambin
Repetibilidad)), 227
Ergonomics (Ergonoma), 38
Error (Error), 19, 39, 79, 80, 97, 114, 115, 182, 209,
211, 213, 218
Error Charts (Grficas de Errores), 114

Error Rate (Proporcin de Errores), 19
EV (see Equipment Variation) (VE (ver Variacin del
Equipo), 54, 90, 93, 95, 99, 122, 124, 125, 129,
131, 197, 198, 200, 209, 219, 227
False Alarm Rate (Proporcin de Falsa Alarma), 19,
142
Fixturing (Dispositivos), 37
FMEA (AMEF), 13, 26, 37, 169, 223
Gage (Gage), 5, 7, 31, 35, 42, 56, 61, 79, 81, 90, 103,
105, 107, 118, 121, 122, 125, 131, 147, 148, 150,
151, 152, 161, 179, 180, 181, 182, 183, 184, 198,
207, 211, 212, 213, 217, 222, 223, 226, 227
Gage Performance Curve (GPC) (Curva de
Desempeo de Gages (CDG)), 42, 147, 148, 150,
151, 152, 179, 180, 181, 182, 183, 184
Gage Repeatability (GR) (Repetibilidad de Gages
(RG)), 35, 107, 118, 120, 121, 122, 125, 226, 227
Gage Repeatability and Reproducibility (GRR)
(Repetibilidad y Reproducibilidad de Gages
(RRG)), 7, 56, 107, 118, 121, 122, 125, 161, 198,
212, 217, 222, 226, 227
Geometric Dimensioning and Tolerancing (GD&T)
(Tolerancias y Dimensionamiento Geomtrico
(T&DG)), 169
GPC (see Gage Performance Curve) (CDG (ver
Curva de Desempeo de Gages)), 42, 148, 150,
179, 181
GRR (see Gage Repeatability and Reproducibility)
(RRG (ver Repetibilidad y Reproducibilidad de
Gages)), 7, 18, 22, 35, 56, 58, 60, 64, 75, 76, 79,
80, 81, 90, 95, 99, 104, 105, 106, 122, 123, 124,
125, 129, 130, 131, 145, 146, 150, 163, 165, 181,
185, 186, 187, 189, 193, 197, 198, 199, 200, 201,
202, 203, 212, 216, 217, 225, 227
Guide to the Expression of Uncertainty in
Measurement (Gua para la Expresin de la
Incertidumbre en las Mediciones), 222
Histogram (Histogramas), 93, 115, 217
Hypothesis Test Analyses (Anlisis de Pruebas de
Hiptesis), 133, 135
Kappa (Kappa), 138, 139, 217
Linearity (Linealidad), 6, 51, 52, 98, 100, 101, 102,
116, 164, 207, 217
Location Error (Error de Localizacin), 79
Maintenance (Mantenimiento), 34, 36, 38
Master (Master), 44, 213
Measurand (Lo Que se Mide), 60, 217
Measurement Life Cycle (Ciclo de Vida de las
Mediciones), 26
Measurement system (Sistema de Medicin), 1, 7, 8,
13, 17, 18, 28, 31, 37, 38, 39, 67, 68, 69, 75, 79,
83, 87, 131, 133, 134, 155, 156, 171, 187, 212,
218, 222, 223
Measurement System Performance (Desempeo del
Sistema de Medicin), 8
Measurement Uncertainty (Incertidumbre de las
Mediciones) , 63
Miss Rate (Proporcin de Prdida), 19, 142
NIST (National Institute of Standards and
Technology) (NIST (National Institute of Standards
and Technology)), 9, 159, 221
228
ndice
NIST (see National Institute of Standards and
Technology) (NIST (ver National Institute of
Standards and Technology)), 9, 10, 11, 34, 45,
73
NMI (National Measurement Institute) (INM (Instituto
Nacional de Mediciones)), 9, 10, 45
Non- replicable (No replicable), 218
Number of Distinct Categories (ndc) (Nmero de
Categoras Distintas (ncd)), 47, 80, 125, 131, 216,
218, 227
Observed Value (Valor Observado), 114, 115
Operational Definition (Definicin Operacional), 43
P.I.S.M.O.E.A., 16, 37, 211
P.I.S.M.O.E.A. Error Model (Modelo de Errores
P.I.S.M.O.E.A.), 211
Performance Curve (Curva de Desempeo), 42, 147,
148, 150, 151, 152, 179, 180, 181, 182, 183, 184
Pooled Standard Deviation (Desviacin Estndar
Acumulada Combinada), 187, 190, 191
Precision (Precisin), 7, 54, 218, 221, 222, 223
Process Control (Control de Procesos), 49, 75, 131,
215, 218, 223
Proces Failure Mode Effects Analysis (PFMEA)
(Anlisis de Modos y Efectos de Fallas de Proceso
(AMEFP)), 13
Product Control (Control del Producto), 75, 218
R&R (see Gage Repeatability and Reproducibility or
GRR) R&R (ver Repetibilidad y Reproducibilidad de
Gage o RRG), 7, 56, 163, 198, 212, 217, 221, 222,
223
Random (Aleatorio), 213, 223
Randomization (Aleatoriedad) , 76, 106
Range (Rango), 38, 90, 95, 103, 104, 105, 110, 111,
124, 126, 128, 129, 130, 131, 160, 163, 171, 176,
177, 188, 203, 207, 223, 226
Range Chart (Grfica de Rangos), 110, 111
Range Method (Mtodo de Rangos), 90, 104, 105,
128, 131, 163, 171, 188
Reference Value (Valor de Referencia), 45, 92, 101,
114, 115, 145, 219
Replicable (Replicable), 83, 155, 219
Reproducibility (Reproducibilidad), 7, 55, 77, 103,
107, 118, 121, 122, 125, 131, 189, 198, 207, 215,
219, 222, 223, 226, 227
Resolution (Resolucin), 38, 215, 216, 220
Resolution Apparent (Resolucin Aparente), 215
Resolution Effective (Resolucin Efectiva), 38, 216

Risk Analysis Methods (Mtodos de Anlisis de
Riesgos), 133
Rule of Tens (Regla de Diez), 15, 41
Run Chart (Grfica de Corridas), 111
S.W.I.P.E., 16, 37
Scatter Plot (Grfico de Correlacin), 112
Sensitivity (Sensibilidad), 8, 38, 57, 220
Signal Detection Approach (Enfoque de Deteccin
de Seales), 145
Standard (Estndar), 5, 16, 43, 44, 45, 105, 163,
165, 176, 177, 187, 190, 191, 198, 209, 211, 213,
221
Standard, Calibration (Calibracin Estndar), 43
Standard, Check (Chequeo Estndar), 45
Standard, Reference (Referencia Estndar), 43
Standard,Transfer (Transferencia Estndar), 44
Standard, Working (Trabajo Standar), 44
Statistical Process Control (SPC) (Control
Estadstico de los Procesos (SPC)), 11, 47, 49,
75, 79, 88, 118, 213, 215, 223, 224
Test Stands (Stands de Prueba), 155, 156, 161
Tolerance (Tolerancia), 124, 131, 145, 203, 220
Total Variation (TV) (Variacin Total (VT)), 15, 76,
90, 95, 99, 119, 123, 124, 125, 129, 131, 200,
227
Traceability (Rastreabilidad), 9, 10, 64
Transfer Standard (Estndar de Transferencia), 44
True Value (Valor Verdadero), 45
Uncertainty (see Measurement Uncertainty)
(Incertidumbre (ver Incertidumbre en las
Mediciones)), 8, 60, 63, 64, 65, 220, 222
Uniformity (Uniformidad), 8, 58
Variable Gage Study (Estudio de Gages de
Variables), 103
Variation (Variacin), 7, 15, 50, 76, 103, 119, 123,
129, 131, 169, 185, 198, 200, 215, 218, 227
Whiskers Chart (Grfica de Bigotes) , 113
Width Error (Error de Amplitud), 79, 80
Working Standard (Estndar de Trabajo), 44
229
230
Retroalimentacin
Proceso de Retroalimentacin del Usuario del Manual MSA

Consistente con el proceso de mejoramiento continuo, este manual de anlisis de sistemas de medicin
(msa) de la industria automotriz est siendo sujeto a un proceso de revisiones peridicas y formales. En
conjunto con el concepto de satisfaccin de los clientes, estas revisiones no solo acarrean
consideraciones sobre cambios en requerimientos que apliquen de fabricantes de vehculos y de ao a
ao, sino tambin de retroalimentacin de usuarios del manual para propsitos de hacerlo de ms valor
agregado y efectivo a la industria automotriz y a las comunidades de usuarios. Al mismo tiempo, favor
de sentirse libre de ofrecer, por escrito, sus comentarios de retroalimentacin, pros y cons, relativos a la
facilidad de entendimiento del manual, facilidad hacia el usuario, etc., en las reas indicadas abajo. Por
favor indique los nmeros de pginas especficos del manual cuando sea apropiado. Enviar su
retroalimentacin a la direccin indicada abajo:
Su Nombre
Representando
Nombre de la Compaa/Divisin
Direccin
Telfono
Por favor liste sus tres clientes automotrices mas importantes y su localizacin.
Localizacin del Cliente
Comentarios de Retroalimentacin (anexar hojas adicionales si es necesario)
Enviar Comentarios a:
Automotive Industry Action Group
Suite 200
26200 Lahser Road
Southfield, Michigan 48033
MSA, 4a.
Por favor accese a www.aiag.org para emitir su retroalimentacin electrnicamente.
231

Manual Msa 4 2010 Espanol Aamsa

Cargado por

Copyright:

Formatos disponibles

Manual Msa 4 2010 Espanol Aamsa

Cargado por

Información del documento

Título original

Derechos de autor

Formatos disponibles

Compartir este documento

Compartir o incrustar documentos

Opciones para compartir

¿Le pareció útil este documento?

¿Este contenido es inapropiado?

Copyright:

Formatos disponibles

Manual Msa 4 2010 Espanol Aamsa

Cargado por

Copyright:

Formatos disponibles

1

ANLISIS DE SISTEMAS DE MEDICIN

Gua Rpida de 4 Edicin de MSA

Rango, Promedios y Rangos, ANOVA, Sesgo,

Grficas de Control, ANOVA, Anlisis de Regresin

NOTA: En relacin al uso de la desviacin estndar para RRGs.

Apndice A ....................................................................................................................................................... 195

Tabla F 1: Ejemplo del Modelo PISMOEA ........................................................................................................ 211

La calidad de los datos de medicin es definida por las propiedades estadsticas de

sistema de medicin usado para medir el volumen de lquido en un tanque puede

Medicin es definida como la asignacin de nmeros [o valores] a cosas

Gage es cualquier dispositivo usado para obtener mediciones;

Sistema de Medicin es el conjunto de instrumentos o gages, patrones,

Ver Captulo I, Seccin E para terminologa, definiciones y discusin.

9 Entrada ms pequea generada de una seal de resultado y til de

9 Cercana de lecturas repetidas una de otra

R&R de Gages o RRGs

Habilidad de los Sistemas de Medicin

Desempeo del Sistema de Medicin

9 El grado del cambio de la repetibilidad en el tiempo

Variacin de los Sistemas

Todas las caracterizaciones de la variacin total de un sistema de medicin

Estndares, Patrones El Instituto Nacional de Patrones y Tecnologa (NIST) es el Instituto Principal y

departamento de comercio de EUA. NIST, previamente como Consejo Nacional de

La mayora de los pases industrializados alrededor del mundo cuentan con su

Es un importante concepto en la negociacin de bienes y servicios. Las mediciones

Gage para Produccin

Un sistema de calibracin es un conjunto de operaciones que establecen, bajo

Una organizacin puede contar con un laboratorio de calibracin interno una

Cuando el evento de calibracin es ejecutado por un proveedor independiente,

La META del proceso de medicin es el valor verdadero de la parte. Es deseable

Lo que el proceso debiera estar haciendo

Lo que puede estar mal

Lo que el proceso est haciendo

Los requerimientos de especificaciones e ingeniera definen lo que un proceso

La actividad de mediciones y anlisis es un proceso - un proceso de medicin.

La administracin tiene la responsabilidad de identificar las propiedades

4) Para control del proceso, la variabilidad del sistema de medicin debe

El analista de mediciones siempre debe considerar significancias prcticas y estadsticas.

Aunque las causas especiales dependen de la situacin, pueden identificarse

El acrnimo PPIPM7 es usado para representar los seis elementos esenciales de un

La figura I-B 1 despliega un diagrama de causas y efectos que muestra algunas de

Validacin del Diseo

Figura I-B 1: Diagrama de Causas y Efectos de la Variabilidad de un Sistema de Medicin

Efectos de la Variabilidad de los Sistemas de Medicin

Otras clasificaciones adicionales pueden ser retrabajable, recuperable o

Control del producto

Est la parte en una categora

Tabla I-B1: Filosofa de Control e Inters Gua

NOTA: Proporcin de Falsa Alarma + Proporcin de Perdida = Proporcin de

Partes malas siempre sern declaradas como malas

Potencial de tomar una decisin equivocada

Partes buenas siempre sern declaradas como buenas

Con el proceso en control, las siguientes necesidades deben establecerse:

Como se explic en la seccin previa, el error en las mediciones puede generar

Llamar a una causa comn como una causa especial

La variabilidad de los sistemas de medicin puede afectar las decisiones en relacin a la

2obs = 2actual + 2msa

Cuando este proceso es estudiado en la produccin y con el gage de produccin, se