0963 Control de la Calidad L11

Instructor: Ignacio Fonseca Chon

Departamento de Ingeniera Industrial Edificio 5F Planta baja GRAFICO POR VARIABLES Control de Calidad Lunes a Jueves 8:00 a 9:50 Edificio 5G 108 Semestre 2006 2
1

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

1 Seleccin del grfico por variables

1 Decida que aspecto del proceso quiere controlar: Tema de Control
Una caracterstica de calidad del producto Una caracterstica o parmetro del proceso PRODUCTO: QUE SE QUIERE CONTROLAR

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

Seleccin del grfico por variables

SELECCIONE la caracterstica de calidad a controlar

DEFINA la forma de medir la Caracterstica de calidad seleccionada

SI VARIABLES Continua

NO ATRIBUTOS

Diseo y Construccin del grfico de control

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)

TIPO DE GRFICOS DE CONTROL GR MS USADOS

No. 1. Grfico Promedio (grficoX) Juego de grficos de control Grfico Rango (Grfico R) Comentarios Muy usados por la facilidad de interpretar y calcular el promedio y rango. Se recomienda para subgrupos chicos (n<10) (porque la distribucin muestral de R se aleja de la normal a medida que aumenta n) Menos usado porque es menos fcil interpretar y calcular S. Se us para n pequea o grande. Es la alternativa del grfico R para subgrupos grandes (n10) Se usa para bajos volmenes de produccin o en procesos qumicos.. Es importante que se cumpla el principio de normalidad. Es relativamente sencillo de interpretar y calcular tanto la mediana como el rango. Su desventaja principal es la poca solidez para cumplir con las propiedades de un estimador estadstico ( insesgado, consistente, completo, suficiente y varianza mnima)

2.

Grfico Promedio (grfico X)

Grfico Desviacin Estndar (Grfico S)

Grfico para valores individuales (grfico X)

Grfico rangos mviles ( Grfico Rm)

Grfico de Medianas (grfico Xmd)

Grfico de Rangos de medianas (grfico Rmd)

CONTROL: Problema de variacin y ajuste

Tolerancias de diseo de una caracterstica de calidad: 253 gr Lmite Inferior especificado = 25 3 = 22 Lmite Superior especificado = 25 + 3 = 28

Lmite inferior de especificacin

Lmite superior de especificacin

Lmite inferior de especificacin

Lmite superior de especificacin

Lmite inferior de especificacin

Lmite superior de especificacin

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

DATOS EJEMPLO PROTOTIPO

X = X1 + X2 + +Xn n X1 = 35 + 40 + 32 + 33 = 35 4

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

PROMEDIO RANGO Xi Ri 35 8 40 10 36 6 65 10 39 10 40 9 43 5 37 8 50 4 42 11 39 3 38 4 40 12 41 7 45 8 34 10 36 12 42 30 35 6 51 11 40 8 39 7 39 6 38 8 41 6 1025 41 219 8.76

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

CONCEPTOS ESTADSTICOS GRAFICO DE CONTROL X, R

Suponga que la caracterstica de calidad esta normalmente distribuida con media y una desviacin estndar , donde y son conocidas. Si X1, X2,.,Xn es una muestra de tamao n, entonces el promedio de esta muestra es: X = X1, X2,.,Xn n X es una variable aleatoria descrita por una distribucin de probabilidad normal con media con media y desviacin estndar =
x
n

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

Informacin en Subgrupos con y desconocidas

Supongamos que R1,R2,.,Rm son los rangos de las m muestras. El rango promedio se obtiene:

12

Lmites de Control para el Grfico X

Lnea Central

La constante A2 esta tabulada para varios tamaos de muestras en la tabla del Apndice VI

Lmites de Control para el Grfico R

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

Entonces la ecuacin 5-7 se reduce a la ecuacin 5-4.

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.

la desviacin estndar de R es:

Dado que es desconocida, podemos estimar R de la siguiente manera:

15

Consecuentemente, los parametros del grfico R, usando los lmites usuales de 3 sigma son:

Lnea Central

Si dejamos que

la ecuacin 5-10 se reduce a la ecuacin 5-5.

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

Cualquier punto fuera de control debe analizarse su causa asignable

Si se encuentran causas asignables, deseche los puntos de los clculos y revise los lmites de control de prueba Contine con el anlisis hasta que todos los puntos estn bajo control Utilize los lmites de control de prueba resultantes Si no se encontro una causa asignable, hay dos opciones:
1. Elimine un punto como si se hubiera encontrado una causa asignable y revise los lmites 2. Retenga un punto y considere los lmites apropiados de control

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

Mediciones del Ancho del flujo (microns) para el proceso de horneado

Mediciones

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

Figura 5-3 Distribucin del proceso y capacidad del proceso Cp

23

Revisin de los Lmites de Control y Lnea Central

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

Fase II Grficos de Operacin

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

Figura 5-4 Continuacin de los grficos X y R del Ejemplo 5-1.

Rango Muestral

27

Lmite de especificacin superior 2.00 micros

Ancho de Flujo

Lmite de especificacin inferior 1.00 micros

Figura 5-5 Grfico de caja construido usando el procedimiento de Minitab box plot para el ancho del flujo

28

Lmites de Especificaciones vs. Control

Los lmites de Control se obtienen de la variabilidad del proceso natural, o de los lmites de las tolerancias naturales de un proceso Lmites de Especificaciones son determinados externamente, por ejemplo cliente o diseadores No hay ninguna relacin estadstica o matemtica entre los lmites de control y los lmites de especificaciones
Distribucin de valores de X Lnea central de grfico X LSL (determinados externamente)

Distribucin de mediciones de procesos individuales, X

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

Gua para el diseo de grficos de control

Los grficos de control requieren especificar el tamao de la muestra, ancho de los lmites de control, y frecuencia de muestreo
Una solucin exacta requiere informacin detallada sobre caractersticas estadsticas as como factores econmicos El problema de elegir el tamao de la muestra y la frecuencia de muestreo es el esfuerzo de distribuir el muestreo

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

Lmites de Probabilidad en los grficos

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

5-2.3 Grficos Basados en Valores Estndares

Lnea Central

Lnea Central

Lnea Central

33

5-2.4 Interpretacin de los grficos X y R

Nmero de muestra Figura 5-8 Ciclos en un grfico de control

Nmero de muestra Figura 5-9 Una mezcla de patrones

Nmero de muestra Figura 5-10 Un cambio en el nivel del proceso

Nmero de muestra Figura 5-11 Una tendencia en proceso

Nmero de muestra Figura 5-12 Un patrn de estratificacin

34

5-2.5 El efecto de la No-normalidad en los grficos X y R

Un supuesto en el desempeo de las propiedades es que la distribucin de la caracterstica de calidad es normal
Si la distribucin de la caracterstica no es normal, pueden obtenerse distribuciones de muestreo y sacarse lmites de probabilidad exactos.

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

5-2.6 La Funcin Caracterstica de Operacin

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:

De hay que, en nuestro ejemplo, obtenemos

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

5-2.7 La longitud promedio de la corrida para la carta X

Para cualquier grfico de control Shewhart, hemos observado que el ARL puede expresarse como: P( de que un punto caiga fuera de control) o

Para el ARL bajo control y

39

40

Longitud promedio de la corrida (muestras), para detectar el corrimiento, ARL

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)

Unidades individuales esperadas para detectar un corrimiento l

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

CARTAS DE CONTROL PARA x y S

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

Generalmente se definen las constantes

Por consiguiente, los parmetros de la carta S pueden escribirse como

Lnea central

44

Cuando se usa S / C4 para estimar , los lmites de control de la carta x correspondiente puede definirse como

Sea la constante A3 = 3/ [C4(n)] Entonces lo parmetros de la carta x se vuelven

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

Respectivamente. Por consiguiente, los parmetros de la carta x son

Y para la carta S 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

5-3.2 Las cartas de control x y S con tamao de muestra variable

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

Los lmites de control para la carta S son

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

5-3.3 La carta de control S2

La mayora de los ingenieros de calidad emplean la carta R o la carta S para monitorear la variabilidad del proceso, inclinndose por la carta S en vez de la carta R para tamaos de muestra de moderados a grandes. Algunos en la prctica recomiendan una carta de control basada directamente en la varianza muestral S2 son

55

5-4 LA CARTA DE CONTROL SHEWART PARA MEDICIONES INDIVIDUALES

En muchas situaciones, el tamao de la muestra usado para monitorear el proceso es n = 1; es decir, la muestra consta de una unidad individual. Algunos ejemplos de estas situaciones son: 1. Se usa la tecnologa de inspeccin y medicin automatizada, y se analiza cada unidad manufacturada, por lo que no hay ninguna base racional para hacer subgrupos. La velocidad de produccin es muy lenta, y no es conveniente dejar que se acumulen tamaos de muestra de n > 1antes de anlisis. El largo intervalo entra las observaciones ocasionar problemas con la formacin de los subgrupos racionales. Las mediciones repetidas del proceso difieren nicamente por el error de laboratorio o de anlisis, como en muchos procesos qumicos. Se hacen mediciones mltiples en la misma unidad del producto, como la medicin del espesor de xido en varios sitios diferentes de una oblea en la manufactura de semiconductores. En las plantas de procesamiento, como en una fbrica de papel, las mediciones de algn parmetro, tal como el espesor de un recubrimiento a lo ancho de un rollo, diferirn muy poco y producirn una desviacin estndar que ser demasiado pequea si el objetivo es controlar el espesor del recubrimiento a lo largo del rollo.

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

Fase II Operacin e interpretacin de las cartas

Valor individual Subgrupo Subgrupo Rango mvil

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

Crowder (1987b) showed that

Longitudes promedio de la corrida

Average Run Lengths

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)

Borrer, Montgomery, and

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

Datos de resistividad para el ejemplo 5-6

Resistividad

66

Porcentaje acumulado

Porcentaje acumulado

Resistividad Figura 5-23 Grfica de probabilidad normal de la resistividad.

Ln (Resistividad) Figura 5-24 Grfica de probabilidad normal de ln(resistividad).

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

Una pieza fundida de la industria aerospacial

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

Desv. Est de la muestra

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

Carta de rango mvil de las medias de los subgrupos Rango mvil

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

Desv. Est muestra

Carta S de todos los datos

72

TRMINOS Y CONCEPTOS IMPORTANTES|

Longitud promedio de la corrida Cartas de control para observaciones individuales. Interpretacin de las cartas de control Carta de control de rango mvil Lmites de tolerancia natural para un proceso Cartas de control y la normalidad Curvas caractersticas de operacin para cartas de control x Patrones en las cartas de control Fase I de uso de las cartas de control Fase II de uso de las cartas de control Lmites de probabilidad para cartas de control Capacidad del proceso ndice de capacidad del proceso Carta de control R Carta de control s Carta de control s2 Cartas de control Schewart Lmites de especificacin Lmites de control tres-sigma Diagrama de tolerancia Lmites de control de prueba Tamao de muestra variable en las cartas de control Cartas de control para variables Carta de control x

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