Documenti di Didattica
Documenti di Professioni
Documenti di Cultura
MATERIAL A CUBRIR
1. 2. 3. INTRODUCCION Y SELECCIN BASES DEL GRAFICO PORVARIABLES GRAFICO PROMEDIO RANGO (X, R) 6. 5.1 Caso1. Base datos histricos 5.2 Caso 2. Base Valores estndares Estimaciones que se pueden hacer cuando el proceso est controlado 3.2 Caso 2 Base: Valores estndares o preestablecidos: Construccin, interpretacin, Prediccin 7. ESTIMACIONES QUE SE PUEDEN HACER CUANDO EL PROCESO ESTA CONTROLADO GRAFICO MEDICIONES INDIVIDUALES Y RANGO MOVIL (X,Rm) GUIA PARA LA IMPLEMENTACION DE LOS GRAFICOS DE CONTROL 5. GRAFICO PROMEDIO DESVIACION ESTANDAR (X, S)
3.1 Caso 1 Base: Datos histricos: Construccin, Interpretacin, Prediccin 3.2 Caso 2 Base: Valores estndares o preestablecidos: Construccin, interpretacin, Prediccin 4. ESTIMACIONES QUE SE PUEDEN HACER CUANDO EL PROCESO ESTA CONTROLADO
4.1 Relacin entre el R y S, 4.2 Tolerancias de diseo y naturales 4.3 Capacidad del proceso. Probabilstico
8.
9.
OBJETIVOS DE APRENDIZAJE
1.- Entender las bases estadsticas de los grficos de control para variables 2.- Saber como disear un grfico de control de variables 3.- Saber como preparar y usar los grficos de control X y R 4.- Saber como estimar la capacidad del proceso basndose en la informacin de los grficos de control 5.- Ser capaz de interpretar las tendencias en los grficos de control X y R 6.- Saber como preparar y usar grficos de control X y S 7.- Saber como preparar y usar grficos de control para mediciones individuales 8.- Entender la importancia de asumir normalidad para grficos de control individuales y como verificarlo 9.- Entender el concepto de subgrupos racionales para grficos de control por variables
2. Defina la forma como se medir lo que se quiere controlar y clasifquela por: VARIABLES: si el tema o caracterstica se mide o inspecciona midiendo la caracterstica en una escala numrica continua. el tema de control se clasifica por variables. Ejemplos de esto son el largo, peso o volumen de un objeto, la densidad o viscosidad de un lquido, el flujo o resistencia elctrica, la cantidad de calor generado, etc. Los grficos de control por variables manejan este tipo de datos continuos. De emplearse una inspeccin tipo clasificacin por categoras ATRIBUTOS. Si el tema o caracterstica que se quiere controlar se mide o inspecciona para clasificarlo (buenos o malos, cumple o no con las especificaciones las especificaciones) , o para contar la cantidad de disconformidades o no conformidades con las especificaciones esta forma de inspeccin se clasifica por atributos. Ejemplo: Contiene o no el peso neto un medicamento, Los defectos de la caja que contiene el medicamento. OBSERVE QUE REQUIERE DEFINIR: Los defectos o las disconformidades 4
SI VARIABLES Continua
NO ATRIBUTOS
Comentario
Para cada caracterstica de calidad que requiere usar grfico de control por variables se le construyen dos grficos de control
Uno mide la tendencia central de los datos: Promedio, meduana, moda) Otro mide la Dispersin de los datos (Rango, Desviacin estndar, Varianza)
2.
Figura 5-1 La necesidad de controlar la media del proceso y la variabilidad del proceso. (a) La media y desviacin estndar estn en niveles nominales. (b) La media del proceso 1 > 0. (c) La desviacin estndar del proceso 1 > 0.
EJEMPLO PROTOTIPO
Ejemplo 1 Operacin de barrenado en una pieza metlica En una fbrica de cerraduras se tiene la operacin de barrenado de un agujero que debe tener un dimetro interno de 42 6 mm. Se supone que el procedimiento de trabajo est estandarizado por lo que se quiere verificar si la variacin esta controlada y de no ser as realizar las acciones necesarias para lograrlo. El ingeniero para hacer el estudio propone extraer 25 muestras (k= 25), conteniendo cada muestra 4 lminas barrenadas (n=4). A cada una de las lminas perforadas se les midi el dimetro interno y posteriormente se calcul el promedio (xi ), rango (Ri) y desviacin estndar (Si) por muestra (i). Los resultados obtenidos se muestran en la tabla 3
NUM. DE GRUPO i 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
FECHA HORA 23-May 8:50 11:30 1:45 3:45 4:20 24-May 8:35 9:00 9:40 1:30 2:50 25-May 8:30 1:35 2:25 2:40 3:50 26-May 8:25 9:30 11:05 1:00 3:00 27-May 8:45 10:00 11:00 1:40 3:08
1 35 46 34 69 38 42 44 33 48 47 38 37 40 38 50 33 41 38 33 56 38 39 42 43 39
MEDICIONES 2 3 4 40 32 33 37 36 41 40 34 36 64 68 59 34 44 40 41 43 34 41 41 46 41 38 36 52 49 51 43 36 42 41 39 38 37 41 37 38 47 35 39 45 42 42 43 45 35 29 39 40 29 34 44 28 58 32 37 38 55 45 48 40 45 37 42 35 40 39 39 36 36 35 38 38 43 44
Desv. Est. Si 3.56 4.55 2.83 4.55 4.16 4.08 2.45 3.37 1.83 4.55 1.41 2.00 5.10 3.16 3.56 4.16 5.60 12.54 2.94 5.35 3.56 2.94 2.45 3.56 2.94 97.205 3.888
R1 = Xmayor Xmenor = 40 32 = 8
S = S1 =
n i =1
(X (X
n 1
n i =1
35 )
4 1
TOTALES PROMEDIOS
10
Por lo que se puede construir un intervalo de confianza (1-)para representar los distintos e valores del promedio muestral que se tendran si se tiene dicha media y desviacin estndar del error x =
n
11
Supongamos que R1,R2,.,Rm son los rangos de las m muestras. El rango promedio se obtiene:
12
Lnea Central
La constante A2 esta tabulada para varios tamaos de muestras en la tabla del Apndice VI
Lnea Central
Las constantes D3 y D4 estn tabuladas para varios valores de n en la tabla del Apndice VI
13
Si usamos X como un estimador de y R/d2 como un estimador de , entonces los parmetros de el grfico X son:
Lnea Central
Si definimos Si definimos
14
Ahora consideremos el grfico R. La lnea central ser R. Para determinar los lmites de control necesitamos una estimacin de R. Si asumimos que la caracterstica de calidad esta normalmente distribuida, R puede encontrarse de la distribucin del rango relativo W = R/. La desviacin estndar de W, que es d3, es una funcin conocida de n.
15
Consecuentemente, los parametros del grfico R, usando los lmites usuales de 3 sigma son:
Lnea Central
Si dejamos que
16
Fase I Aplicacin de Grficos and R Las ecuaciones 5-4 y 5-5 son lmites de control de prueba
Determinados de m muestras iniciales
Tpicamente de 20 a 25 subgrupos de tamao n entre 3 y 5
Si se encuentran muchos puntos fuera de control, deben de analizarse por si siguen conductas que permitan identificar problemas en el proceso.
17
Tabla 5-1
Nmero de muestra
18
19
Media muestral
Media
Subgrupo
Figura 5-2 Los grficos X y R (de Minitab) para el ancho del flujo en un proceso de horneado rpido
Rango muestral
20
Estimacin de la capacidad del proceso Los grficos X y R proveen informacin acerca del desempeo o capacidad de el proceso. De el grfico X, podemos estimar la media del ancho del flujo de la resistencia en el proceso de horneado rpido como x = 1.5056 microns. La desviacin estndar del proceso puede ser estimada usando la ecuacin 5-6; que es:
donde el valor de d2 para tamaos de muestra 5 es encontrado en la tabla del Apndice VI. Los lmites de especificacin del ancho del flujo son 1.50 + 0.50 micros. La informacin en el grfico de control puede ser usada para describir la capacidad del proceso de producir productos que cumplan con las especificaciones. Asumiendo que el ancho de flujo es una variable aleatoria con distribucin normal, con media 1.5056 y desviacin estndar 0.1398, podemos estimar la fraccin de productos no-conformes producidos como:
Estos es, cerca de 0.035 por ciento (350 partes por milln ppm) de unidades producidas estarn fuera de especificaciones.
21
Otra manera de expresar la capacidad del proceso es en trminos de la razn de la capacidad del proceso (PCR) Cp, que para una caracterstica de calidad con lmites de especificacin superior e inferior son (USL y LSL, respectivamente) es:
Hay que notar que la expansin 6 del proceso es la definicin bsica de capacidad del proceso. Ya que usualmente es desconocida, debemos reemplazarla con una estimacin. Frecuentemente usamos = R/d2 como un estimador de , resultando en una estimacin Cp de Cp. Para el proceso de horneado rpido, ya que R/d2 = = 0.1398, observamos que:
es simplemente el porcentaje de el ancho de la especificacin que el proceso usa. Para el proceso de horneado rpido un estimador de P es:
22
23
Un uso efectivo de los grficos de control requieren una verificacin y revisin periodica de los lmites de control y lnea central Algunas veces los usuarios reemplazan la lnea central en el grfico x el valor objetivo con Cuando el grfico R est fuera de control, los puntos fuera de control son eliminados y se vuelve a obtener un valor de R revisado, el cual es usado para determinar los nuevos lmites y lnea central del grfico R y los nuevos lmites del grfico .
24
El uso del grfico de control para monitorear produccin futura, una vez que los lmites establecidos sean confiables, se llama la fase II de uso de los grficos de control (Figura 5-4) Una corrida del grfico que muestra observaciones individuales en cada muestra, es llamado un grfico de tolerancia o diagrama de caja (Figura 5-5), y puede revelar patrones u observaciones inusuales en la informacin
25
Tabla 5-2 Muestras adicionales para el Ejemplo 5-1 Tamao de Muestra Mediciones
26
Media Muestral
Media
Subgrupo
Rango Muestral
27
Ancho de Flujo
Figura 5-5 Grfico de caja construido usando el procedimiento de Minitab box plot para el ancho del flujo
28
USL (determinados externamente) Figura 5-6 Relacin de los lmites naturales de tolerancia, lmites de control, y lmites de especificaciones.
29
Subgrupos Racionales Grficos x monitorean variabilidad entremuestras Grficos R miden variabilidad dentro de las muestras El estimador de la desviacin estandar usado para construir lmites de control es calculado de la variabilidad dentro de las muestras No es correcto estimar usando
30
Para el grfico ,escojer un tamao pequeo de muestra es consistente con la magnitud de cambio en el proceso que se desea detectar. Para cambios moderados a grandes, pequeos cambios de muestra son efectivos. Para cambios pequeos, grandes tamaos de muestra son necesarios. Para pequeos tamaos de muestra, el grfico R es relativamente insensible a cambios en la desviacin estndar. Para muestras grandes (n > 10 or 12), los grficos s o s2 son mejores opciones.
31
xyR
Es comn expresar los lmites de control en los grficos X y R como un mltiple de la desviacin estndar de los puntos estadsticos en los grficos. Si k es el mltiplo escogido, entonces los lmites son referidos como los lmites de k-sigma. Donde el valor mas usual es k = 3. Como se menciono en el captulo 4, es tambin posible definir los lmites de control especificando el nivel del error tipo I para la prueba. Tales lmites de control son llamados lmites de probabilidad y son usados extensamente en Inglaterra y en algunas partes de Europa Oriental. Es muy sencillo escoger lmites de probabilidad para el grfico X. Dado que X sigue aproximadamente una distribucin normal, podemos obtener un error tipo I deseado escogiendo el mltiplo de sigma en los grficos de control como k = Z/2, donde Z/2 es el punto del porcentaje superior /2 de la distribucin normal estndar. Note que los lmites usuales de tres-sigma implican que el error tipo I de probabilidad es = 0.0027. Si escogemos = 0.002, por ejemplo, como la mayora de los que recomiendan los lmites de probabilidad lo hacen, entonces Z/2 = Z0.001 = 3.09. Consecuentemente, hay poca diferencia entre tales lmites de control y los lmites de control de tressigma. Tambin podemos construir un grfico R usando los lmites de probabilidad. Si = 0.002, los 0.001 y 0.999 porcentaje de los puntos de la distribucin del rango relativo W = R/ son requeridos. Estos puntos dependen del tamao del subgrupo n. Denotando estos puntos por medio de W0.001(n) y W0.999(n), y estimando por medio de R/d2, obtendramos los 0.001 y 0.999 lmites para el grfico R como W0.001(n)(R/d2) y W0.999(n)(R/d2). Si dejamos a D0.001 = W0.001(n)/d2 y D0.99 = W0.999(n)/d2, entonces los lmites de probabilidad para el grfico R son:
32
Lnea Central
Lnea Central
Lnea Central
33
34
Burr (1967) not que la teora de la normal en los lmites de control es muy robusta para asumir normalidad Schilling and Nelson (1976) indicaron que en la mayora de los casos, tamaos de muestra 4 o 5 son suficientes para asegurar robustez en la asuncin de normalidad en el grfico Distribucin de muestreo de R no es simtrica, sin embargo los x lmites simtricos de 3-sigma son una aproximacin y el riesgo no es 0.0027. El grfico R es mas sensible a las desviaciones de normalidad que los grficos x Asunciones de normalidad e independencia no son la preocupacin primaria en la fase I
35
Para ilustrar el uso de la ecuacin 5-19, supongamos que usamos un grfico X con L = 3 (los lmites usuales de 3-sigma), el tamao de muestra n = 5, y que deseamos determinar la probabilidad de detectar un cambio de 1 = 0 + 2 en la primera muestra despus del cambio. Entonces, dado que L = 3, k = 2, y n = 5, obtenemos:
36
En general, el nmero esperado de muestras tomadas antes de detectar un cambio, es simplemente el promedio de muestras esperadas, o:
En otras palabras, el nmero esperado de muestras tomadas para detectar un cambio de 1.0 con n = 5 es 4.
37
Figura 5-13 Curvas caractersticas de operacin para el grfico x con lmites tres-sigma. = P (de no detectar un cambio de k en la media en la primera muestra despus del cambio).
Razn de la desviacin estndar del proceso nuevo y viejo Figura 5-14 Curvas caractersticas de operacin para el grfico R con lmites tres-sigma. (Adaptado de A. J. Duncan, Grficos R de las Caractersticas de Operacin, Control Industrial de la Calidad, vol. 7, no. 5, pp. 40-41, 1951, con permiso de la Asosiacin Americana para el Control de la Calidad.)
38
39
40
Figura 5-15 Longitud promedio de la corrida (muestras)en la carta x con lmites tres sigma, donde la media del proceso se corre en k. Adaptacin de Modern Methods for Quality Control and Improvement, de H. M. Wadsworth, K.S. Stephens y A. B. Godfrey, John Wiley & Sons, 1986)
Figura 5-16 Longitud promedio de la corrida (unidades individuales) de la carta x con lmites de tres sigma, donde la media del proceso se corre en k. Adaptacin de Modern Methods for Quality Control and Improvement, de H. M. Wadsworth, K.S. Stephens y A. B. Godfrey, John Wiley & Sons,
1986)
41
5-3
Aun cuando es muy comn la utilizacin de las cartas x y R, en ocasiones es deseable estimar la desviacin estndar del proceso directamente en vez de indirectamente mediante el uso del rango R. Esto lleva a las cartas de control para x y S, donde S es la desviacin estndar muestral. En general, las cartas x y S con preferibles a sus contrapartes ms familiares, las cartas x y R, cuando 1. El tamao de la muestra n es moderadamente grande -por ejemplo n > 10 o 12. (Recurdese que el mtodo del rango para estimar pierde eficiencia estadstica para muestras de moderadas a grandes.) El tamao de la muestra n es variable.
2.
En esta seccin se ilustra la construccin y operacin de las cartas de control x y S. Se indica asimismo cmo tratar un tamao de la muestra variable y se discute una alternativa de la carta S.
Lnea central
42
Cuando no hay un valor estndar dado para , entonces debe estimarse analizando datos pasados. Suponer que se cuenta con m muestras preliminares, cada una de tamao n, y sea Si, la desviacin estndar de la i-sima muestra. El promedio de las desviaciones estndar es
El estadstico S / C4, es un estimador insesgado de . Por lo tanto, los parmetros de la carta S seran
Lnea central
43
Lnea central
44
Cuando se usa S / C4 para estimar , los lmites de control de la carta x correspondiente puede definirse como
45
EJEMPLO 5-3
Tabla 5-3 automvil Nmero de muestra Mediciones del dimetro interior (mm) de los anillos para pistones de motores de Observaciones
46
La construccin de las cartas x y S se ilustrar utilizando las mediciones de los dimetros interiores de los anillos para pistones de la tabla 5-3. El gran promedio y la desviacin estndar promedio son
47
Nmero de muestra
Nmero de muestra
Figura 5-17 Las cartas de control x y S para el ejemplo 5-3 a) La carta x con lmites de control basados en S. b) La carta de control S
48
49
EJEMPLO 5-4
Tabla 5-4 Mediciones del dimetro interior (mm) de los anillos para pistones de motores de automvil Observaciones Nmero de muestra
50
Considere los datos de la Tabla 5-4, que es una modificacin de los datos de los anillos para pistones usados anteriormente. Obsrvese que los tamaos de la muestra varan de n = 3 a n = 5. Pueden usarse los procedimientos descritos anteriormente para establecer las cartas de control x y S.La gran media ponderada y la desviacin estndar promedio ponderada se calculan con las ecuaciones 5-30 y 5-31 como sigue:
51
Por lo tanto, la lnea central de la carta x es x = 74.001, y la lnea central de la carta S es S = 0.0103. Los lmites de control pueden calcularse ahora con facilidad. Para ilustrar, considresela primera muestra. Los lmites para la carta x son
52
Obsrvese que se ha utilizado los valores de A3, B3 y B4 para n1 = 5. Para los lmites de la segunda muestra se usaran los valores de estas constantes para n2 = 3. En la tabla 5-5 se resumen los clculos de los lmites de control para las 25 muestras. Las cartas de control se muestran en la Fig. 5-18
53
Nmero de muestra
Nmero de muestra
Figura 5-18 Las cartas de control x y S para los datos de los anillos para pistones de la muestra variable, ejemplo 5-4
54
55
2.
3. 4.
5.
56
En muchas aplicaciones de la carta de control para unidades individuales se usa el rango mvil de dos observaciones sucesivas coma base para estimar la variabilidad del proceso. El rango mvil (MR por sus siglas en ingls) se define como
57
EJEMPLO 5-5
Tabla 5-6 Viscosidad de la pintura tapaporo para aviones Viscosidad Rango Mvil Nmero de tanda
58
La viscosidad de una pintura tapaporo es una caracterstica de la calidad importante. El producto se produce por lotes, y debido a que la produccin de cada lote se lleva varias horas, la velocidad de produccin es demasiado lenta para permitir tamaos de muestra mayores que uno. En la tabla 5-6 se muestra la viscosidad de los 20 lotes anteriores. Para establecer la carta de control de las observaciones individuales, obsrvese que el promedio muestral de las 20 lecturas anteriores dela viscosidad es x = 34.088 y que el promedio de los rangos mviles de dos observaciones es MR = 0.48. Para establecer la carta de rango mvil se observa que D3 = 0 y D4 = 3.267 para n = 2. Por lo tanto, la carta de rango mvil tiene lnea central MR = 0.5726, LCL = 0 y UCL = D4MR = (3.267)(0.5726) = 1.871. En la figura 5-19b se muestra la carta de control. Los parmetros para la carta de control de la mediciones individuales son
Lnea central
Si se usa un rango mvil de n = 2 observaciones, entonces d2 = 1.128. Para los datos de la tabla 5-6, se tiene
Lnea central
59
Subgrupo
Rango mvil
Valor individual
Figura 5-19
Cartas de control para (a) el rango mvil y para (b) observaciones individuales de viscosidad.
60
Figura 5-20
Cartas de control revisadas para la viscosidad en trminos de observaciones individuales y rangos mviles.
61
Tabla 5-7
La viscosidad de la pintura tapaporo para aviones, tandas 16-30 Viscosidad| Rango Mvil
Nmero de tanda
El rango mvil para la tanda 21 se calcul como la diferencia en las lecturas de la viscosidad entre las tandas 21 y 20; esto es, MR21 = |x21 -x20| = |(34.39 - 34.05) = 0.34|
62
Subgrupo
Rango mvil
Valor individual
Figura 5-21
Cartas de control revisadas para la viscosidad en trminos de observaciones individuales y rangos mviles.
63
Crowder (1987b) demostr que la ARL ARL0 of combined individuals de la carta de control conchart with and moving-range datos combinados de lecturas individuales y conventional 3-sigma limits is de rangos mviles conless than ARL generally much lmites 0 convencionales de 3 sigma es, (= 370) of standard Shewhart generalmente, mucho menor que el ARL Tamao del cambio control chart (=370) de la carta de control estndar de Schewart Ability de las cartas de La habilidad of individuals chart to detect small shifts is para observaciones individuales very poor Rather than pequeos es detectar corrimientosnarrowing the 3sigma muy limitada. limits, correct approach to detecting small shifts is a -En lugar de estrechar losor cumulative-sum lmites de 3 sigma, exponentially weighted el enfoque correcto de moving-average control chart detectar pequeos cambios a travs (Chapter 8) de una carta de control de sumas acumuladas o de promedio mvil ponderado exponencialmente 64
Normalidad
Borrer, Montgomery,found inRunger (1999) y Runger (1999) encontraron is la ARL control ARL que bajo dramatically affected by control es afectada de manera dramtica por los datos nonnormal data no normales One approach for Un enfoque para data is to nonnormal tratar el problema del incumplimiento de lalimits determine control normalidad serafor individualslmites de determinar los control control de la cartaon percentiles chart based para mediciones individuales conunderlying of correct base en los percentiles de distribucin distribution fundamental correcta. Se requieren Requires at least 100 and al menos de 100 observaciones, pero preferably 200 observations de preferencia 200)
Percentil
Viscosidad Figura 5-22 Grfico de la probabilidad normal de la viscosidad de la pintura tapaporos. Datos obtenidos de la tabla 5-6, ejemplo 5-5
65
EJEMPLO 5-6
Tabla 5-8
Muestra
66
Porcentaje acumulado
Porcentaje acumulado
67
MRi Figura 5-25 Cartas de control de las mediciones individuales y del rango mvil pata ln (resistividad). Ejemplo 5-6
Ln (xi)
68
EJEMPLO 5-11
Las necesidades de hacer con cuidado la seleccin de los subgrupos racionales En la figura 5-26a se muestra una pieza fundida utilizada en un motor de turbina de gas para aviones. Esta pieza es tpica de las que se fabrican mediante procesos de fundicin y maquinado para usarlas en motores de turbina de gas y en unidades auxiliares de poder en la industria aerospacial -piezas cilndricas creadas haciendo rotar la seccin transversal alrededor del eje central. La altura de la aleta de esta pieza es una caracterstica crtica de la calidad.
Figura 5-26
69
Los datos sobre las alturas de las aletas se colectan se colectan seleccionando cinco aletas al azar de cada pieza fundida fabricada. Inicialmente, la compaa construy cartas de control x y S para estos datos a fin de controlar y mejorar el proceso. Esto produjo en general muchos puntos fuera de control en la carta x, con un punto ocasional fuera de control en la carta S. En la figura 5-27 se muestran las cartas x y S tpicas para 20 piezas fundidas. Un anlisis ms cuidadoso del procedimiento para establecer las cartas de control revel que el problema principal era el uso de cinco mediciones en una sola pieza como subgrupo racional, y que las condiciones fuera de control de las carta x no proporcionaban una base slida para una accin correctiva.
Media muestral
Media
Subgrupo
Figura 5-27 Cartas de control x y S tpicas (de Minitab) para la altura de los labes de piezas fundidas de la fig.. 5-26
70
Recurdese que la carta de control para x aborda la cuestin de si la variabilidad entre las muestras es consistente o no con la variabilidad dentro de la muestra. En este caso no lo es: las aletas de una sola pieza fundida se forman en conjunto en un molde de cera comn. Es posible que la altura de las aletas en una sola pieza fundida especfica sean muy similares, y es razonable pensar que habr ms variacin en la altura promedio de las aletas entre las piezas fundidas. La situacin se manej utilizando la carta S de la manera acostumbrada para medir la variacin en la altura de las aletas. Sin embargo, ya que es evidente que esta desviacin estndar es demasiadopequea para proporcionar una base vlida para controlar x, el ingeniero de calidad de la compaa decidi tratar la altura promedio de las aletas de cada pieza fundida como una medicin individual y controlar la altura promedio de las aletas utilizando una carta de control para mediciones individuales con una carta de rango mvil. Esta solucin dio esplndidos resultados en la prctica, y el grupo de tres cartas de control proporcion una excelente base para el mejoramiento del proceso.
71
En la figura 5-28 se muestra este conjunto de tres cartas de control generadas por Minitab. El paquete Minitab genera automticamente estas cartas, llamndolas cartas de control entre/dentro. Obsrvese que la carta de las mediciones individuales indica control mientras que la carta x de la figura 5-27 no lo haca.. En esencia, el rango mvil de la altura promedio de las aletas proporciona una estimacin mucho ms razonable de la variabilidad de la altura entre las piezas. La carta S puede considerarse como una medida de la variabilidad en la altura de los labes de una sola pieza fundida. Se quiere que esta variabilidad sea la menor posible, para que todas la aletas de la misma pieza sean prcticamente idnticas.
Carta de las mediciones individuales de las medias delos subgrupos Valor individual
Media
Subgrupo
Figura 5-28 Cartas de control de las mediciones individuales, de rango mvil y S para la altura de los labes de las piezas fundidas de la figura 5-26
72
73
OBJETIVOS DE APRENDIZAJE
1. Entender la base estadstica de las cartas de control Shewart para variables 2. Saber cmo disear las cartas de control para variables 3. Saber cmo construir y utilizar las cartas de control x y R 4. Saber cmo estimar la capacidad del proceso a partir de la informacin de una carta de control 5. Saber cmo interpretar los patrones en las cartas de control x y R 6. Saber cmo construir y utilizar las cartas de control x y s o s2 7. Saber cmo construir y utilizar cartas de control para mediciones individuales 8. Entender la importancia de la suposicin de normalidad para carta de control individual y saber cmo verificar esta suposicin 9. Entender el concepto de subgrupo racional para cartas de control para variables 10. Determinar la longitud de la corrida promedio para cartas de control de variables
74