Documenti di Didattica
Documenti di Professioni
Documenti di Cultura
Si todos los puntos de la grafica se encuentran entre los dos limites de control se
considera que el proceso esta controlado. Una seal fuera de control aparece cuando un
punto trazado cae fuera de los lmites, lo cual se atribuye a
Lnea central
muestra de observacin.
Grafica C.- Cuando una observacin consiste en la cantidad de defectos por unidad de
observacin, se rastrean la cantidad de los defectos.
Grafica p para fraccin de defectos.
Cuando un proceso esta en control, la probabilidad de que cualquier pieza sea
defectuosa es p (p es la proporcin a largo plazo de piezas defectuosas para un proceso en
control) y que diferentes piezas son independientes entre si, con respecto a sus condiciones.
Considrese una muestra de n piezas obtenida en un tiempo en particular, y sea X el
numero de defectuosas y p = X/n. como X tiene una distribucin binomial, E(X) = np y V(X)
= np (1-p), por lo cual
E(p) = p V(p) = _p (1-p)_
n
Del mismo modo, si np 10 y n(1-p) 10, p tiene aproximadamente una distribucin
normal. En el caso de que p conocida (o una grafica basada en un valor fijo), los limites de
control son
_________
LCL = p - 3 _p (1-p)
n
_________
UCL = p + 3 _p (1-p)_
n
Si cada muestra esta formada por n piezas, el numero de piezas defectuosas de la iesima muestra es xi/n, entonces p1, p2, p3, . . . se trazan en la grafica de control.
Por lo general, el valor de p puede estimarse de los datos. Supngase que se dispone
de k muestras de lo que se piensa es un proceso de control, y sea
k
= pi
i=1____
XI
7
4
3
6
4
9
6
7
5
3
7
8
4
6
2
9
7
6
7
11
6
7
4
8
6
p^I
0,07
0,04
0,03
0,06
0,04
0,09
0,06
0,07
0,05
0,03
0,07
0,08
0,04
0,06
0,02
0,09
0,07
0,06
0,07
0,11
0,06
0,07
0,04
0,08
0,06
Supngase que el proceso estuvo en control durante este periodo, establezca lmites de
control y construya una grafica p. se tiene que pi = 1.52, dando:
= 1.52/25=.068 y
__________________
LCL = 0.0608 - 3 (0.0608) (0.9392)/100 = 0.0608 - 0.0717 = -0.0109
__________________
UCL = 0.0608 + 3 (0.0608) (0.9392)/100 = 0.0608 + 0.0717 = 0.1325
Por lo tanto el LCL se iguala a 0. la grafica de control muestra que todos los puntos estn
dentro de los limites de control. Esto es congruente con la suposicin de un proceso en
control.
p^i
0,1325
0,1125
0,0925
0,0725
0,0525
0,0325
0,0125
-0,0075
10
15
20
25
30
Grafica p
E(Y) =
Y =
Del mismo modo Y tiene aproximadamente una distribucin normal cuando es grande
(10 ser suficiente para la mayora de los casos). Si Y1, Y2, , Yn son variables
independientes de Poissson con parmetros
1, 2, si n. 1= = n = (la distribucin del numero de defectos por pieza es la misma
para cada pieza), entonces el parmetro de Poisson es =n.
Numero de defectos en una unidad
__
LCL = - 3
__
UCL = + 3
Con xi igual al numero total de defectos en la i-esima unidad (i= 1, 2, 3, ), se trazan puntos
con alturas x1, x2, x3, en la grafica.
Por lo general, el valor de debe estimarse de los datos. Como E(Xi) = , es natural utilizar la
estimacin = ^x testada (con base en x1, x2, xk).
La grafica c para el numero de defectos en una unidad tiene su lnea central a una altura
___
LCL = 3
___
UCL = + 3
Si LCL es negativo, se sustituye por 0.
Ejemplo.
Una empresa fabrica paneles metlicos, a veces aparecen fallas en el acabado de estos
paneles, por lo cual la compaa desea establecer una grafica de control para encontrar el
nmero de fallas. Los nmeros de fallas de cada uno de 24 paneles a los que se les hizo el
muestreo a intervalos regulares de tiempo son los siguientes:
7 10 9 12 13 6 13 7 5 11 8 10
13 9 21 10 6 8 3 12 7 11 14 10
Con xi = 2.35 y = ^
= 235/24 = 9.79
El punto correspondiente al decimoquinto panel se encuentra arriba del UCL, tras una
investigacin se encontr que la pasta empleada en ese panel tenia una viscosidad baja, al
eliminar esta observacin del conjunto de datos resulta
limites de control
__________
LCL = 9.30 3 9.30 = 0.15
___________
UCL = 9.30 + 3 9.30 = 18.45
25
20
15
10
5
0
0
10
15
Grafica c
20
25
30
4.3 GRFICAS X y R
Las cartas de control X y R se usan ampliamente para monitorear la media y la variabilidad.
El control del promedio del proceso, o nivel de calidad medio, suele hacerse con la grfica de
control para medias, o grfica X . La variabilidad de proceso puede monitorizar con una
grfica de control para el rango, llamada grfica R. Generalmente, se llevan grficas X y R
separadas para cada caracterstica de la calidad de inters.
Las grficas X y R se encuentran entre las tcnicas estadsticas de monitoreo y control de
procesos en lnea ms importantes y tiles.
Los pasos para crear las grficas se irn detallando paso a paso con un ejemplo de
contenido de plomo en agua.
Creando una grfica R en Excel
Toma de muestras
Peridicamente se toma una pequea muestra (por ejemplo, de cinco unidades) del proceso,
y se calcular el promedio (X) y el rango (R) de cada una. Debe recolectarse un total de al
menos 50 medias individuales (esto es, diez muestras de cinco cada una) antes de calcular
los lmites de control. stos se establecen a +3o para los promedios y rangos muestrales.
Los valores de X y R se grafican por separado contra sus lmites a +3o.
Por ejemplo:
Se ha obtenido una grfica del contenido de plomo en partes por billn de 5 muestras de
agua registradas diariamente por un periodo de 5 das, que se muestra a continuacin:
Da
1
2
3
4
5
6
1
13
0
4
3
5
9
Muestras de agua
2
3
4
8
2
5
6
1
9
2
4
3
15
8
3
10
5
4
5
13
7
5
8
15
4
5
0
7
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
0
9
14
3
5
3
5
13
7
12
9
6
7
10
3
3
3
0
2
3
2
0
3
9
4
3
0
9
8
2
11
5
0
7
4
1
0
0
7
0
3
2
3
1
4
16
5
7
4
0
0
5
0
2
14
5
1
10
4
1
5
10
5
10
0
3
5
4
5
7
9
10
3
6
5
0
7
7
8
12
0
4
8
3
7
12
10
5
6
6
4
2
13
2
8
13
9
0
3
2
8
4
3
7
6
13
9
13
2
7
12
4
9
7
10
4
4
11
6
0
Estos datos servirn para el desarrollo de las grficas X y R. stos debern ser introducidos
en una hoja de Excel como se muestra en el cuadro.
Clculo del rango R de las muestras
A continuacin, debern calcularse los rangos promedios de las muestras. El rango es la
diferencia del valor mayor de la muestra menos el valor menor de la muestra, esto es, de
manera muy abstracta, R = M m, donde M es el mayor y m es el menor.
Aplicando este conocimiento a nuestro ejemplo, se calculan los valores de los rangos
muestrales de la siguiente forma:
Da
1
1
2
3
4
5
Muestras de agua
2
3
4
13
8
2
5
0
6
1
9
4
2
4
3
3
15
8
3
5
10
5
4
Ri
8
15
4
5
0
11
15
2
12
10
Da
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
1
13
0
4
3
5
9
0
9
14
3
5
3
5
13
7
12
9
6
7
10
3
3
3
0
2
3
2
0
3
9
Muestras de agua
2
3
4
8
2
5
6
1
9
2
4
3
15
8
3
10
5
4
5
13
7
4
4
3
3
0
6
0
0
5
9
5
0
8
0
7
2
2
7
11
14
8
5
5
12
0
1
0
7
10
4
4
4
8
1
1
3
0
5
7
0
10
12
7
5
10
0
10
5
3
0
6
2
3
6
3
5
4
1
4
2
4
5
13
16
7
2
5
9
8
7
10
13
5
8
15
4
5
0
7
9
0
3
2
8
4
3
7
6
13
9
13
2
7
12
4
9
7
10
4
4
11
6
0
Ri
11
15
2
12
10
8
9
9
14
9
8
5
11
8
7
9
5
12
7
12
9
10
9
7
8
3
11
16
6
13
Como ya se ha explicado, los lmites superior e inferior nos ayudan a deducir si nuestro
grfico se encuentra dentro o fuera de control. Por esto es necesario ubicar su lugar en el
histograma ( que se har posteriormente) con ayuda de las siguientes frmulas abreviadas:
Limite de control superior = D4 R
Limite de Control Inferior = D3 R
Donde D3 y D4 son constantes aplicadas en nuestro ejemplo, y que se encuentran en la
siguiente tabla:
Nmero de
observaciones en
una muestra
2
3
4
5
6
7
8
9
10
11
12
13
14
15
A2
1.880
1.023
0.729
0.577
0.483
0.419
0.373
0.337
0.308
0.285
0.266
0.249
0.235
0.223
D3
0
0
0
0
0
0.076
0.136
0.184
0.223
0.256
0.284
0.308
0.329
0.348
D4
3.268
2.574
2.282
2.114
2.004
1.924
1.864
1.816
1.777
1.744
1.717
1.692
1.671
1.652
Factor para la
estimacin de R:
d2=R/s
1.128
1.693
2.059
2.326
2.534
2.704
2.847
2.97
3.078
3.173
3.258
3.336
3.407
3.472
Grfico R
25
20
15
10
5
0
0
10
15
20
25
30
Da
1
2
3
4
5
6
1
13
0
4
3
5
9
Muestras de agua
2
3
4
8
2
5
6
1
9
2
4
3
15
8
3
10
5
4
5
13
7
5
8
15
4
5
0
7
Xi
7.2
6.2
3.4
6.8
4.8
8.2
= (13+8+2+5+8)/5 = 7.2
= (0+6+1+9+15)/5 = 6.2
= (4+2+4+3+4)/5 = 3.4
= (3+15+8+3+5)/5 = 6.8
= (5+10+5+4+0)/5 = 4.8
= (9+5+13+7+7)/5 = 8.2
Da
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
1
13
0
4
3
5
9
0
9
14
3
5
3
5
13
7
12
9
6
7
10
3
3
3
0
2
3
2
0
3
9
Muestras de agua
2
3
4
8
2
5
6
1
9
2
4
3
15
8
3
10
5
4
5
13
7
4
4
3
3
0
6
0
0
5
9
5
0
8
0
7
2
2
7
11
14
8
5
5
12
0
1
0
7
10
4
4
4
8
1
1
3
0
5
7
0
10
12
7
5
10
0
10
5
3
0
6
2
3
6
3
5
4
1
4
2
4
5
13
16
7
2
5
9
8
7
10
13
5
8
15
4
5
0
7
9
0
3
2
8
4
3
7
6
13
9
13
2
7
12
4
9
7
10
4
4
11
6
0
Xi
7.2
6.2
3.4
6.8
4.8
8.2
4
3.6
4.4
3.8
5.6
3.6
8.2
8.4
2.8
9.2
6.8
4.8
4.2
7.8
7.4
4.4
4.2
3.6
4.8
2.8
5.6
7.2
6.2
7.8
10
15
20
25
30
Las X fuera de los lmites de control son sea de un cambio general que afecta a todas las
piezas posteriores al primer subgrupo fuera de los lmites. El registro que se guarda durante
la recoleccin de datos, la operacin del proceso y la experiencia del trabajador deben
estudiarse para descubrir la variable que pudo haber causado que saliera de los lmites de
control. Las causas comunes son un cambio en el material, el personal, la preparacin de la
mquina, el desgaste de las herramientas, la temperatura o la vibracin.
Las R fuera de los lmites de control indican que la uniformidad de proceso ha cambiado. Las
causas comunes son un cambio en el personal, un aumento en la variabilidad del material o
desgaste excesivo en la maquinaria del proceso.
Una sola R fuera de control puede ser causada por un cambio en el proceso ocurrido
mientras se tomaba la muestra del subgrupo.
Se buscan patrones poco usuales o no aleatorios. Nelson (1984, 1985) proporciona ocho
pruebas para detectar esos patrones en las graficas de control usando lmites de control a
3 :
Prueba 1. Un punto fuera de la zona A.
Prueba 2. Nueve puntos seguidos en la zona C.
Prueba 3. Seis puntos seguidos con aumento o disminucin estables.
Prueba 4.Catorce puntos seguidos alternando arriba y abajo.
Prueba 5. Dos de cada tres puntos seguidos en la zona A o ms all.
Prueba 6. Cuatro de cada cinco puntos seguidos en la zona B o ms all.
Prueba 7. Quince puntos seguidos en la zona C (arriba y debajo de la recta central).
Prueba 8. Ocho puntos seguidos a ambos lados de la recta central.
Quienes planean intentan seleccionar procesos que tengan 6 de la habilidad del proceso
dentro de la amplitud de tolerancia. Una medida de esta relacin es la tasa de capacidad:
Cp = Tasa de capacidad =
LES - LEI
6s
Un proceso que cumple bien con los lmites de especificacin (rango de especificacin =
+3 ) tiene un Cp de 1.0. Lo crtico de muchas aplicaciones y la realidad de que el promedio
del proceso no permanecer en el punto medio del rango de especificacin sugiere que Cp
debe ser al menos 1.33.
Decisin
1.33<ICP<2.22
1<ICP<1.33
0.67<ICP<1
ICP<0.67
As, el ndice Cp mide la capacidad potencial, suponiendo que el promedio del proceso es
igual al punto medio de los lmites de especificacin y que el proceso est operando bajo
control estadstico; como con frecuencia el promedio no se encuentra en el punto medio, es
til tener un ndice de habilidad que refleje ambas variaciones y la localizacin del promedio
del proceso. Tal ndice es Cpk.
El ndice Cpk refleja la proximidad de la media actual del proceso al lmite de especificacin
superior (LES) o bien, al lmite de especificacin inferior (LEI). Cpk se estima mediante:
X - LEI LES - X
C pk = min
,
3s
3s
Si el promedio actual es igual al punto medio del rango de especificacin, entonces Cpk = Cp.
Entre ms alto sea el valor de Cpk, ms baja ser la cantidad de producto que est fuera de
los lmites de especificacin.
Los siguientes son dos tipos de estudios de capacidad del proceso:
1. Estudio del potencial del proceso. En este estudio se obtiene una estimacin de lo que
puede hacer un proceso bajo ciertas condiciones, es decir, la variabilidad en
condiciones definidas a corto plazo para un proceso en estado de control estadstico.
El ndice Cp estima la capacidad del proceso.
2. Estudio del desempeo del proceso. En este estudio, una estimacin de la habilidad
del proceso proporciona un panorama de lo que el proceso est haciendo durante un
periodo largo. Tambin se supone un estado de control estadstico. El ndice Cpk
estima la capacidad.
=21/600
=22/600
=20/600
.
.
.
.
.
y as
sucesivamente.
50
40
30
20
10
0
1
Nmero muestral
Grficos p
Fundamentos tericos
BASADOS: En la distribucin binomial y requiere que se cumplan las tres primeras
suposiciones del grfico np. Al contrario del np, los grficos p pueden ser usados para
tamaos de muestra iguales o diferentes.
SE LLAMAN AS PORQUE: Emplean la proporcin de elementos disconformes en las
muestras en lugar de el nmero de disconformidades.
Calculando los lmites de control para grficos p
Las finalidades principales de conocer los lmites de control de la grfica p, son:
- Poner a la atencin de la direccin cualesquiera cambios en el grado promedio de
calidad.
- Descubrir los puntos altos fuera de control que requieren actuar
Descubrir los puntos bajos fuera de control que indiquen normas menos estrictas para
inspeccin o causas errticas de mejoramiento de calidad
Las frmulas que nos permiten encontrar los valores de los lmites cuando el tamao de la
muestra es igual son:
_________
_p (1-p)
n
_________
*LCL = p - 3
*Sp
_p (1-p)
n
_________
*UCL = p + 3
_p (1-p)_
n
Proporcin
0.08
0.06
0.04
0.02
0
1
5
Muestras
Hay algunos casos en los que el tamao de las muestras es distinto cada vez. En esos casos
se utiliza la frmula de n- (mencionada anteriormente) para sacar un promedio del tamao
muestral, y posteriormente se hace la sustitucin en las frmulas.
alguna base racional para establecer los subgrupos. Aqu los grficos de control tambin son
una prueba general de homogeneidad.
Aunque en los grficos X , los lmites de probabilidad son, al igual que los lmites 3sigma, equidistantes respecto a la lnea central , en los grficos R no lo son.
Un punto en el que los defensores de los lmites de probabilidad han puesto mayor nfasis
es que, para los tamaos de subgrupo usuales de 5 elementos o menos, el lmite inferior 3sigma en estos grficos es cero. Por lo contrario para un tamao de subgrupo de tres o
mayor, le corresponder un lmite de control inferior mayor que cero.
Ci = (x j 0 )
j=1
Promedio
Recorrido
X - X0
(X X )
0
1
2
3
4
5
199.2
198
198.6
201
197.6
11
14
10
18
11
-1.3
-2.5
-1.9
0.5
-2.9
-1.3
-3.8
-5.7
-5.2
-8.1
6
7
8
9
10
198.8
196.6
201.6
199.8
200.6
7
2
10
12
17
-1.7
-3.9
1.1
-0.7
0.1
-9.8
-13.7
-12.6
-13.3
-13.2
11
12
13
14
15
198.8
198.4
202.6
200.2
197.8
9
10
9
7
16
-1.7
-2.1
2.1
-0.3
-2.7
-14.9
-17
-14.9
-15.2
-17.9
16
17
18
19
20
199
202.4
198.8
197.8
198.8
9
8
16
6
8
-1.5
1.9
-1.7
-2.7
-1.7
-19.4
-17.5
-19.2
-21.9
-23.6
21
22
23
24
25
199.2
204.2
200.2
199.6
201.2
14
7
20
13
13
277
-1.3
3.7
-0.3
-0.9
0.7
-24.9
-21.2
-21.5
-22.4
-21.7
Suponga que las especificaciones para este articulo son 190.5 y 210.5 utilice el valor nominal
de 200.5
normal y un grado de riesgo de 0.027 correspondiente a limites 3- Sigmas
X 0 como
en una grafica de control de Shewhart. La magnitud del desplazamiento, D, que se debera
de tratar casi con certidumbre es de 7.8 ms. Utilice un factor de escala y =5
RESPUESTAS
Formulas
n
d = E ( )
D
tan =
D
2y
Datos
= 0.0027
E ( ) = 13.215
X 0 = 200.5
D = 7 .8
y=5
d 2 = 2.326( porquen = 5)
n=5
Procedimiento
R=
277
= 11.08
25
R
d2 n
11.08
= 2.13
(2.326) 5
( )
2.13
d = 13.215
= 0.985unidades
7 .8
tan =
7 .8
7 .8
=
= tan 1 (0.78) = 3757 '
(2)(5) 10
En donde () = factor que es funcin de la probabilidad aceptable de error Tipo I para los
diversos valores de que se dan a continuacin. (0.0027) corresponde a la probabilidad del
error Tipo I () relacionada con los lmites 3-sigmas normales de Shewhart.
1/2
(prueba
unilateral)
(prueba
bilateral)
()
d2 =
0.00135
0.005
0.01
0.025
0.05
0.0027
0.01
0.02
0.05
0.1
13.215
10.597
9.21
7.378
5.991
d3 =
c2 =
RMS
R
Nmero de
observaciones
a partir de
c4 =
R , s RMS y
Factor
Factor
Factor
Factor
en subgrupo
n
2
3
4
5
d2
d3
c2
c4
1.128
1.693
2.059
2.326
0.8525
0.8884
0.8798
0.8641
0.5642
0.7236
0.7979
0.8407
0.7979
0.8862
0.9213
0.94
6
7
8
9
10
2.534
2.704
2.847
2.97
3.078
0.848
0.8332
0.8198
0.8078
0.7971
0.8686
0.8882
0.9027
0.9139
0.9227
0.9515
0.9594
0.965
0.9693
0.9727
11
12
13
14
15
3.173
3.258
3.336
3.407
3.472
0.7873
0.7785
0.7704
0.763
0.7562
0.93
0.9359
0.941
0.9453
0.949
0.9754
0.9776
0.9794
0.981
0.9823
16
17
18
19
20
3.532
3.588
3.64
3.689
3.735
0.7499
0.7441
0.7386
0.7335
0.7287
0.9523
0.9551
0.9576
0.9599
0.9619
0.9835
0.9845
0.9854
0.9862
0.9869
21
22
23
24
25
3.778
3.819
3.858
3.895
3.931
0.7242
0.7199
0.7159
0.7121
0.7084
0.9638
0.9655
0.967
0.9684
0.9696
0.9876
0.9882
0.9887
0.9892
0.9896
30
35
40
4.086
4.213
4.322
0.6926
0.6799
0.6692
0.9748
0.9784
0.9811
0.9914
0.9927
0.9936
45
50
4.415
4.498
0.6601
0.6521
0.9832
0.9849
0.9943
0.9949
55
60
65
70
75
4.572
4.639
4.699
4.755
4.806
0.6452
0.6389
0.6337
0.6283
0.6236
0.9863
0.9874
0.9884
0.9892
0.99
0.9954
0.9958
0.9961
0.9964
0.9966
80
85
90
95
100
4.854
4.898
4.939
4.978
5.015
0.6194
0.6154
0.6118
0.6084
0.6052
0.9906
0.9912
0.9916
0.9921
0.9925
0.9968
0.997
0.9972
0.9973
0.9975