Documenti di Didattica
Documenti di Professioni
Documenti di Cultura
PROCESOS
UNIVERSIDAD DEL ATLANTICO
UNIVERSIDAD DE CIENFUEGOS, CUBA
FACULTAD DE INGENIERIA
2
Módulo: Control Estadístico de Procesos
Bibliografía:
Montgomery, Douglas. Control estadístico de la calidad.
Besterfield, D. Control de la Calidad.
Pérez, Cesar. Herramientas informáticas y la calidad.
Pons Ramón; Gómez Dorta Rafael; Pons Alejandro. Control
Estadístico de Procesos. Módulo preparado para la especialización en
Ingeniería y Gestión de la Calidad
3
CONTROL ESTADÍSTICO DE PROCESOS.
GRÁFICOS DE CONTROL
CONTENIDOS
4
2.2. Las técnicas estadísticas y el control de calidad........................................10
3. Gráficos de Control. Naturaleza y objetivos....................................................12
3.1. ¿Qué es un gráfico de control?...................................................................12
3.2. Objetivos de los gráficos de control...........................................................14
3.3. Factores que intervienen en el diseño de un Gráfico de Control...............15
3.4. Tipos de gráficos de control.......................................................................16
3.4.1. Gráficos de Control por Variables........................................................16
3.4.1.1. Control de la posición.......................................................................17
3.4.1.2. Control de la dispersión....................................................................17
3.4.2. Gráficos de Control por Atributos........................................................18
3.4.2.1 Control por defectuosas.....................................................................18
3.4.2.2 Control por defectos...........................................................................18
3.4.3. Resumen...............................................................................................19
4. Gráficos de control clásicos (I): Control por variables....................................21
4.1. Construcción..............................................................................................21
4.2. Tamaño de muestra y frecuencia de muestreo............................................23
4.2.1. Tamaño de muestra requerido para el gráfico de la media...................23
4.2.2. Tamaños de muestra empleados habitualmente....................................24
4.2.3. Tamaños de muestra en procesos continuos.........................................25
4.2.4. Frecuencia de muestreo........................................................................26
4.2.2. Gráfico Media - Rango........................................................................27
4.2.3. Gráfico Media - Desviación Típica......................................................29
4.2.4. Gráfico Mediana - Rango.....................................................................31
4.2.5. Señales de falta de control...................................................................32
4.7. Establecimiento de los gráficos de control.................................................37
Diseño de gráficos de la media......................................................................39
5. Gráficos de control por atributos.....................................................................41
5.1. Control por defectuosas.............................................................................42
5.1.1. Tamaños de muestra requeridos para los gráficos de control por
defectuosas.....................................................................................................42
5.1.2. Gráfico np : Cantidad de defectuosas...................................................43
5.1.2.1 Tamaño muestral fijo.........................................................................43
5.1.2.2 Tamaño muestral Variable.................................................................44
5.1.3. Gráfico p : Proporción o fracción defectuosa.......................................45
5.1.3.1 Tamaño muestral fijo.........................................................................46
5.1.3.2 Tamaño muestral Variable.................................................................46
5.2. Control por defectos..................................................................................49
5.2.1. Tamaños de muestra requeridos para los gráficos de control por
defectos..........................................................................................................49
5.2.2. Gráfico c :Número de defectos por muestra.........................................50
5.2.3. Gráfico u : Número de defectos por unidad.........................................51
5.2.3.1 Tamaño muestral constante...............................................................51
5.2.3.1 Tamaño muestral variable..................................................................52
5.3. Señales de falta de control.........................................................................53
5
Anexo al Capítulo 5..........................................................................................57
Diseño de Gráficos de Control y cálculo de los tamaños de muestra
requeridos para gráficos de control por atributos...........................................57
6. Estudios de Capacidad.....................................................................................61
6.1. Generalidades............................................................................................61
6.2. Indices de Capacidad de procesos, bajo supuesto de Normalidad
Estadística.........................................................................................................63
6.2.1. Capacidad potencial.............................................................................63
6.2.1.1 Intervalos de confianza para Cp........................................................64
6.2.1.2. Prueba de Hipótesis para C p.........................................................65
6.2.2. Capacidad real.....................................................................................65
6.2.2.1. Un estimador de Cpk..........................................................................68
6.2.2.2. Intervalo de Confianza para Cpk........................................................68
6.2.3. Indice K..............................................................................................68
6.2.4. Capacidad modificada..........................................................................69
6.2.4.1. Valor nominal situado en el centro de las tolerancias o
especificaciones.............................................................................................69
6.2.4.2. Valor nominal situado entre las tolerancias o especificaciones.........70
6.3. Indices de Capacidad de procesos, bajo supuesto de no cumplimiento de
Normalidad Estadística.....................................................................................71
6.3.1. Indice C.............................................................................................71
6.3.2. Indice CS.............................................................................................72
6.3.3. Indice Cpc.............................................................................................72
6.4 Indices de Capacidad para datos correlacionados......................................73
7. Otros Gráficos de Control................................................................................75
7.1. Gráfico de medidas individuales y rangos móviles....................................75
7.2. Gráfico de medias móviles y rangos móviles.............................................77
7.3. Gráficos de Sumas Acumuladas (CUSUM)..............................................79
7.3.1. Gráfico CUSUM clásico o de máscara................................................79
7.3.1.1. Tamaño de muestra y frecuencia de muestreo...................................83
7.3.2. Gráficos CUSUM unilaterales.............................................................83
7.3.2.1. Gráfico CUSUM superior.................................................................83
7.3.2.2. Gráfico CUSUM inferior...................................................................85
7.4. Gráficos EWMA........................................................................................86
7.5.- Observaciones autocorrelacionadas..........................................................89
8. Gráficos de control para series de fabricación cortas......................................91
8.1. Las series de fabricación cortas.................................................................91
8.2. El control del proceso en series cortas.......................................................91
8.3. Gráfico de la desviación del nominal (DNOM).........................................92
8.4. Gráfico de la media estandarizada y de R..................................................94
8.5. Gráficos por atributos para series cortas....................................................96
8.5.1. Gráficos de control por defectuosas en series cortas...........................96
8.5.2. Gráficos de control por defectos en series cortas.................................97
9. Precontrol.........................................................................................................98
6
9.1. Naturaleza y objetivos del precontrol........................................................98
9.2. Técnica de uso del precontrol....................................................................98
10. Prácticas de Control de Calidad I................................................................102
Práctica 1: Gráficos de Control por Variables....................................................102
10.1. Introducción...........................................................................................102
10.2. Ejercicio 1. Gráficos de media - rango...................................................102
10.3. Ejercicio 2. Estudios de capacidad........................................................103
10.4. Comentarios al Ejercicio 1.....................................................................104
10.5. Comentarios al Ejercicio 2.....................................................................105
11. Práctica 2: Gráficos de Control por Atributos..............................................106
11.1. Introducción...........................................................................................106
11.2. Ejercicio 1. Gráfico de control por defectuosas.....................................106
11.3. Ejercicio 2. Gráfico de control por defectos..........................................107
11.4. Comentarios al Ejercicio 1.....................................................................108
11.5. Comentarios al Ejercicio 2.....................................................................109
7
1. Calidad y características de calidad.
1.1. Definición de calidad.
Esta opción cobra cada vez más impulso en detrimento de lo que podrían
ser definiciones de calidad más técnicas, quedando estas en un nivel de
instrumento o herramienta para conseguir la satisfacción del cliente. Ya nadie se
plantea que un producto de calidad “es aquel que cumple las especificaciones de
ingeniería per se”: hay que remontarse a la fase de diseño y criticar el propio
establecimiento de esas especificaciones. Además, y siguiendo el enfoque de
Taguchi con su función de pérdida, no todo el producto que cumple
especificaciones es igual de “bueno”, tiene la misma calidad, con lo cual las
especificaciones recobran su papel como garantes de la funcionalidad del
producto, pero no necesariamente de su calidad.
8
Tal medida conlleva de modo inevitable el recurso a características
cuantitativas, que permitan el uso de herramientas estadísticas potentes y
adecuadas a cada situación. Así pues, deberemos identificar unas características
sobre las que nosotros podamos medir de modo objetivo esa calidad.
9
más importantes o más frecuentes. También el diagrama de causa/efecto, al
ayudarnos identificar las causas de los problemas de calidad, nos ayuda en la
selección de aquellas características que detecten la aparición de esas causas. Por
otra parte, el conocimiento técnico del proceso y del producto es imprescindible,
y sin él las otras herramientas pueden carecer de sentido. En esta última línea, el
diagrama de flujo del proceso, al ayudarnos a fijar ideas sobre la secuencia de
operaciones y sobre el recorrido que realiza el material, es una ayuda a tener en
cuenta.
10
serán otros los modelos a emplear, como por ejemplo el exponencial o el de
Weibull si se maneja la vida (duración hasta el fallo) del producto como índice de
calidad.
11
2. Control estadístico de la calidad. Control de procesos.
12
CLIENTES
CONTROL DE PROCESO
CONTROL DE PRODUCTO
ACABADO
CONTROL EN RECEPCIÓN
PROVEEDORES
Una mayor contradicción entre ambos enfoques surge cuando una empresa
se plantea la errónea disyuntiva de controlar su proceso de producción o controlar
sólo su propio producto acabado. Ahora si que hay una clara ventaja conceptual y
práctica en favor del planteamiento preventivo, que tiende a evitar la aparición
de la no calidad, frente al correctivo, que sólo aspira a que esa no calidad no
llegue al cliente. Mientras en el primero hay toda una serie de costes asociados a
la no calidad que son evitados, en el segundo algunos de ellos llegan a
presentarse, reduciendo la eficacia del sistema en su conjunto.
13
corregidas por las acciones que los responsables de la empresa tomen con la
información obtenida.
14
3. Gráficos de Control. Naturaleza y objetivos.
GRÁFICO DE CONTROL
60
50
LIM. SUP.
40
30 L.C.
20
10 LIM. INF.
0
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16
MUESTRA/FECHA
Figura 1.
15
Línea quebrada, indicando la evolución temporal de la
característica controlada. Es la que justifica que al estudiar los
gráficos de control se los compare con el electrocardiograma del
proceso. Cada punto o vértice de la línea representa el valor que
la característica controlada presentó en una de las muestras.
En una variable aleatoria normal, esa probabilidad del 0.27% (2.7 por
mil) es la que queda fuera del intervalo comprendido entre la media menos tres
desviaciones típicas y la media más tres desviaciones típicas (m 3). Por este
motivo este criterio es universalmente conocido como criterio 3.
16
3.2. Objetivos de los gráficos de control.
17
observado hasta el presente, considerado normal, que no debe ser superado,
mientras el proceso se mantenga estable. La línea quebrada indica la evolución de
la característica a lo largo del tiempo, y es la que permite la detección de cambios
en su comportamiento, es decir en su estabilidad.
Cuando un proceso opera sin que hayan causas asignables, sus valores
promedio y varianza se encuentran dentro de los limites de control establecidos.
Se dice entonces que el proceso se encuentra en estado de control estadístico
18
1. - El tamaño de muestra.
2.- La frecuencia de muestreo.
19
Piénsese que en prácticamente todas las variables, la situación ideal sería
obtener un resultado constante en el proceso e igual a un cierto valor nominal de
diseño, es decir posición adecuada y dispersión o heterogeneidad nula. Admitida
la imposibilidad física de tal resultado, ambos son pues los elementos que
controlamos con un gráfico de control para variables.
20
3.4.2.1 Control por defectuosas.
control por defectos, si en una misma pieza o producto puede haber más de un
defecto, realizándose el recuento del número de tales defectos presentes en una
muestra. Conlleva la utilización del modelo estadístico denominado de Poisson,
descrito en detalle en el capítulo de Modelos de Probabilidad Discretos de Textos
de Estadística.
21
3.4.3. Resumen.
GRÁFICO DE
CONTROL DE
MEDIAS
LA POSICIÓN
GRÁFICO DE
CONTROL POR
MEDIANAS
VARIABLES
GRÁFICO DE
CARACTERÍSTICA
MEDIBLE CONTROL DE
RANGO
LA DISPERSIÓN
CONTROL DE GRÁFICO DE
PROCESOS DES. TÍPICA
CARACTERÍSTICA
DE RECUENTO
CONTROL POR GRÁFICO np
DEFECTUOSAS
CONTROL POR GRÁFICO p
ATRIBUTOS
GRÁFICO c
CONTROL POR
DEFECTOS
GRÁFICO u
22
4. Gráficos de control clásicos (I): Control por variables.
4.1. Construcción.
Claridad: el gráfico de control en una herramienta gráfica, que como todas las
de este tipo persigue que el usuario aprecia en un golpe de vista aquello que se
controla. Hojas confusas que impidan esta apreciación fácil y rápida deben ser
evitadas.
Presentación de datos numéricos y gráficos en la misma página, evitando al
usuario trasiegos incómodos de papel, que únicamente facilitan el error. En el
caso de control por variables, en el que se llevarán simultáneamente dos
gráficos de control, ambos deberán estar también en la misma página.
Presencia de un pautado o cuadrícula que facilite el trazado de los gráficos a
escala.
Espacio para anotación de incidencias, fundamental para la comprensión del
comportamiento del gráfico y para la investigación de las causas especiales
detectadas.
Espacio para la completa identificación de pieza o concepto, característica
controlada, departamento, fechas de elaboración , responsable del gráfico y en
general cuantos datos se estime oportuno.
23
persona distinta y sin la presión de la producción (por ejemplo en la oficina de
línea o del departamento), pero entonces ya no es necesario que figure en la
misma hoja que el gráfico de control.
ID.
x1
x2
x3
x4
x5
suma
med.
R/s/s2
Otro tema que no por sencillo debe ignorarse es el del trazado de las líneas
básicas del gráfico (línea central y límites de control) en el documento, es decir,
fundamentalmente la selección de la escala en la que se realiza el dibujo. A nivel
de recomendación, pues en buena parte es simplemente una cuestión de
24
presentación, podríamos decir que la anchura de los límites de control debe estar
entre 1/2 y los 2/3 del espacio disponible:
25
la desviación típica .
m m0
d
Con todo ello, se puede demostrar que el tamaño de muestra requerido es:
2
z / 2 z1
n
d1
En el caso más frecuente, valdrá el 0.27%, con lo cual z será 3, diciéndose en
tal caso que se trabaja con criterio 3.
Los valores de Z/2 y Z1 - se obtienen de una tabla de Distribución Normal, una
vez que los riesgos y han sido definidos.
el tamaño de muestra debe ser lo más bajo posible por razones de coste y de
homogeneidad (subgrupo racional) de la muestra.
si la población de la que proceden los datos no es muy anormal, las media
muestrales obtenidas con muestras de tamaño igual o superior a 4 o 5 se
26
pueden considerar ya aceptablemente normales (en virtud del teorema central
del límite).
el tamaño muestral 5 simplifica la operativa del cálculo de la media.
Por ello, en estos casos bastaría con emplear un tamaño de muestra uno: la
posición quedaría adecuadamente controlada con ese valor, y la dispersión
instantánea no existe por la propia naturaleza del proceso, por lo que no requiere
ser calculada. Caso de tomarse varias medidas, ello se justificaría por mejorar la
precisión de la estimación, pero no para valorar la variabilidad inexistente en el
proceso. Esta variabilidad, entendida ahora como evolución en el tiempo, aparece
aquí como la diferencia entre muestras consecutivas, pero no como diferencias
dentro de una misma muestra.
27
Por todo ello el tipo de gráfico de control a emplear sería de los llamados
de medidas individuales y rangos móviles, y no de los gráficos de Shewhart
estándar que a continuación estudiaremos (ver Capítulo 7).
28
retrabajos para recuperar unidades no conformes, posibles costes de garantís
por unidades defectuosas que llegan al cliente, etc..
n
xi R x max x min
x i 1
n
Serán esta media y este rango, y no los datos individuales, los que
emplearemos en el control de la posición y de la dispersión respectivamente.
29
k
Ri
R i 1
k
donde Ri es el recorrido o rango de la muestra i-esima
k es el número de muestras disponibles.
Gráfico de la Media:
donde A2, D3 y D4 son constantes leídas en tablas , adjuntas al final del Texto , en
función del tamaño de muestra.
30
Si, para el control de la dispersión, el rango aportaba como gran ventaja
para su empleo la sencillez de su cálculo, la desviación típica tiene unas mejores
características que se basan en un mejor aprovechamiento de la información, pues
mientras el rango se calcula en base a sólo los dos valores extremos de la
muestra, la desviación típica hace uso de todos los datos disponibles.
Gráfico de la Media:
k
Línea central: x i
x i 1
k
Limite Superior de Control : LCS x x A1s
Límite Inferior de Control: LCI x x A1 s
Valor a controlar
n
Si =
( x ij x ) 2
j1 i, i=1...k
n 1
Línea central: si
i 1
s
k
31
Límite Superior de Control LCS s B4 s
32
Para el control de la dispersión la mediana se acompaña normalmente del
rango, lo que permite aprovechar plenamente la ventaja de la sencillez de manejo
del gráfico.
Gráfico de la Mediana:
~
~
Línea Central: x mediana de todos los datos
~ ~ ~
Límite Superior de Control: LCS ~x ~
x A2R
~ ~ ~
Límite Inferior de Control: LCS ~ ~
x xA R 2
~
donde x i es la mediana de la muestra i-sima,
33
4.2.5. Señales de falta de control.
Distribución normal
68 %
Vemos que entre la media menos una desviación típica y la media más una
desviación típica se sitúa el 68% (algo más de los dos tercios) de la población; en
la franja comprendida entre la media menos dos y más dos desviaciones típicas
está el 95% de los valores; quedando ya la casi totalidad de la población dentro
de la banda definida entre menos tres y más tres desviaciones típicas. A la zona
situada en torno a la media entre -1 y +1 se le llama zona C; las zonas
intermedias entre 1 y 2 y entre -1 y -2 se denomina zona B; y la zona
34
exterior situada a ambos lados de la media entre 2 y 3 (-3 y -2
desviaciones típicas se llama zona A (o zona de atención).
Aunque no lleguen a implicar la salida de puntos fuera de los límites, hay una
serie de comportamientos anormales del gráfico que son también empleados
como indicio de la presencia de causas especiales. Que esa circunstancia se de
por azar es muy poco probable, y por un razonamiento similar al que hacíamos
con los puntos fuera de límites, su aparición es signo de la existencia de alguna
causa especial de variación.
En una situación estable la probabilidad que tiene un punto de caer a uno u otro
lado de la línea central, supongamos que por encima, es ½. Según eso la
probabilidad de que dos puntos consecutivos cayeran a ese mismo lado sería
35
(½)2; la de que lo hicieran 3 sería (½)3, ... , y la de que 8 consecutivos cayeran al
mismo lado sería (½)8, que es un valor inferior al 1 por mil. Así pues, si tal
circunstancia se diera, es casi imposible que sea por azar, y más bien habrá que
pensar que se ha presentado alguna causa especial. Como causas de este
comportamiento podemos citar: un cambio en las características del producto
(por ejemplo por cambio de proveedor, de partida, ...), la realización de un ajuste
o reparación en el equipo; etc.
Hay una gran número de otras señales de falta de control, que no es este el lugar
más adecuado para analizar. Citaremos para terminar sólo una se ellas: dos de
tres puntos sucesivos en el tercio exterior del gráfico (zona A). Si es a un mismo
lado de la línea central deduciremos que se ha producido un cambio de nivel. Si
los puntos están en lados contrarios de la línea central, cabe concluir que ha
aumentado la dispersión.
S EÑA L ES A DIC IO NA L ES DE FA L T A DE C O NT RO L
LCS
b3 b3
b1 b2 b4
LCI
1 2 3 4 5 6 7 8 9 0 1 2 3 4 5 6 7 8 9 0 1 2 3 4 5 6 7 8 9 0 1 2
36
y las dos muy homogéneas, con un plan de muestreo que mezcla ambas
poblaciones en cada muestra; la mejora real del proceso, que reduce su
variabilidad; etc.
b5 b6 b7
LCI
b.7) Ciclos.
Los comportamientos cíclicos también son una señal de falta de control, pues su
presencia difícilmente puede atribuirse al azar, siendo más bien debido a algún
tipo de inestabilidad en el sistema. Sus causas son de lo más variado, pudiendo
ser efecto de factores ambientales (luz, temperatura, humedad, ...), efecto de la
fatiga de operarios, turno de trabajo , de procedimientos de mantenimiento, etc.
La identificación de las causas que los provocan requiere que se preste una
37
especial atención a la duración del ciclo (diario, semanal, ...) y al momento en
que se detectó su inicio.
38
1
TOMA DE
MUESTRAS
2
CALCULAR
MEDIAS Y
RANGOS CON
MUESTRAS
EXISTENTES
3
CÁLCULO DE
LÍMITES PARA
EL RANGO
6 13
ELIMINAR
CORREGIR EL
PUNTOS
PROCESO
FUERA DE
LÍMITES
7 12
¿SE HA
¿QUEDAN
ELIMINADO
MENOS DE 20?
ALGUNO?
8
CALCULAR
LÍMITES PARA
LA MEDIA
15 9
ELIMINAR
CORREGIR EL
PUNTOS
PROCESO
FUERA
14 10
¿SE HA
?QUEDAN
ELIMINADO
MENOS DE 20?
ALGUNO?
11
ACEPTAR
LÍMITES E
INICIAR
CONTROL
39
Anexo al Capítulo 4.
x N ( m, / n)
LCS m1
P( x LCS / m m1 )
/ n
LCS = m0 + z/2 n
; LCI = m0 - z/2 n
LCS = m1 + z 1- n
; LCI = m1 + z 1- n
2
z / 2 z1
n
d1
40
siendo d1 el descentrado relativo asociado a la media m1 (como antes se vio):
m1 m 0
d
41
5. Gráficos de control por atributos.
p c
EMPRESA S.A. np u
PIEZA: CARACTERÍSTICA: OPERACIÓN: Responsable:
42
Frecuencia muestreo:
ID.
muestra
cant.def
propor.
Este tipo de control se aplica cuando las unidades se clasifican como correctas o
defectuosas. Podemos encontrar multitud de ejemplos, tanto en la industria como
en los servicios: pieza correcta/defectuosa, operación realizada/no realizada,
identificación correcta/incorrecta, teléfono presente/ausente, etc.
Los dos gráficos que se manejan son el p y el np. El primero lleva en control a
través de la proporción de defectuosas y el segundo directamente por el número
de defectuosas. Como es fácil comprender, el uso del segundo tipo de gráfico, np,
requiere que el tamaño de muestra se mantenga constante para que los valores
que se obtienen sean comparables.
43
Así pues, para los gráficos np ó p, definir el tamaño de muestra requiere
disponer de la siguiente información:
Con todo ello, se puede demostrar que el tamaño de muestra requerido es:
2
z /2 p 0q 0 z p1q1
n
p1 p0
Línea central: np i
np i 1
k
44
donde: npi es la observación asociada a la muestra i-sima consistente en el
número de unidades no conformes detectadas,
k es el número de muestras empleadas para la construcción del gráfico
(habitualmente de 20 a 25 muestras) ,
n es el tamaño de la muestra (fijo) , y
p es la proporción media observada de unidades no conformes.
p = np / n
Puede ocurrir que al emplear la fórmula del LCI se obtenga un valor negativo. En
tal caso, puesto que no pueden aparecer menos de cero defectuosas por muestra,
se tomará como tal límite inferior de control al cero (lo cual es casi equivalente a
decir que no hay límite inferior de control).
45
Es decir los límites de control son variables , segun sea el tamaño muestral
utilizado.
i k
Línea central = n p donde n =[ ni / k y p como ya se definió
i 1
= =
Di pi
Línea central: p
i 1 i 1
kn k
p (1 - p)
Límite inferior: LCI = p -3
n
p (1 - p)
Límite superior: LCS = p3
n
46
donde pi es la observación asociada a la muestra i-esima consistente en la
proporción de unidades no conformes detectadas, k es el número de muestras
empleadas para la construcción del gráfico (habitualmente de 20 a 25 muestras) y
p es la proporción media observada de unidades no conformes.
47
planteamiento cuando las oscilaciones del tamaño muestral son menores del 10%
del tamaño muestral medio. O bien que al comparar los diferentes tamaños
muestrales, estos no llegan a ser tan significativamente
diferentes, por lo que se suele aceptar que si las oscilaciones
de ni son inferiores al diez por cien del tamaño medio de la
muestra, no se modifique el valor LCI y LCS. Esto se
consigue remplazando el valor de “ni “ en las fórmulas de los
los límites de control superior e inferior anteriores por “ n ”
i k
n= [ ni / k
i 1
48
n = (3/ 0.03)2 (0.01) (0.99) = 99
(1 p )
L.C.I = p - k p(1 p ) / n > 0 n> p
k2
Por ejemplo si p = 0.03 y se usan límites de tres sigmas , el tamaño muestral
sería de
n > (0.97/0.03) (3)2 = 291
Según que el tamaño de muestra sea constante a lo largo del control o no lo sea,
consideraremos dos tipos de gráficos: El primero, para tamaño de muestra normal
es el gráfico del número de defectos por muestra, “c”; el segundo es el gráfico
del número de defectos por unidad, “ u” , que se emplea con muestras de
tamaño variable.
49
5.2.1. Tamaños de muestra requeridos para los gráficos de control
por defectos.
Así pues, para los gráficos c (número de defectos por muestra) o para los
gráficos u (número de defectos por unidad) , definir el tamaño de muestra
requiere disponer de la siguiente información:
Con todo ello, se puede demostrar que el tamaño de muestra requerido es:
2
z /2 0 z 1
n
1 0
50
Formalmente es uno de los gráficos más sencillos que se emplean, dada la
sencillez de las expresiones que nos permiten obtener los distintos elementos del
gráfico:
k
Línea central: c i
c i 1
k
Se debe usar este gráfico sólo cuando el tamaño de muestra sea fijo.
ci
ui =
n
Por ejemplo , un fabricante de circuitos integrados para ordenadores desea
establecer un Gráfico de Control del número de defectos antes de iniciar el
montaje de ellos y decide que cada muestra debera contener 5 de tales circuitos.
Es decir la “unidad de inspección” está formada por 5 circuitos.
Realiza una campaña para colectar 25 de tales muestras
51
k
Línea central: u i
u i 1
k
u
Límite inferior: LCI = u-3
n
u
Límite superior: LCS = u3
n
52
Límite inferior: LCI = u - 3 [ u / ni 1/2
Las señales de falta de control son básicamente las mismas que arriba se
comentaron para los gráficos por variables, con alguna pequeña salvedad que
ahora se comentará.
53
menos defectos o defectuosas de lo normal, lo cual ya no está claro que deba
preocuparnos.
Si se presenta esta circunstancia, es casi imposible que sea por azar, y más bien
habrá que pensar que se ha presentado alguna causa especial. Como causas
posibles de este comportamiento podemos citar: cambio en las características del
producto (por ejemplo por cambio de proveedor, de partida, ...); realización de un
ajuste o reparación en el equipo; cambio de operario; etc.
S EÑA L ES A DIC IO NA L ES DE FA L T A DE C O NT RO L
LCS
b3 b3
b1 b2 b4
LCI
1 2 3 4 5 6 7 8 9 0 1 2 3 4 5 6 7 8 9 0 1 2 3 4 5 6 7 8 9 0 1 2
54
Hay un gran número de otras señales de falta de control no teniendo excesivo
sentido analizarlas exhaustivamente. Citaremos para terminar sólo una de ellas:
dos de tres puntos sucesivos en el tercio exterior del gráfico (zona A). Si es a un
mismo lado de la línea central deduciremos que se ha producido un cambio de
nivel. Si los puntos están en lados contrarios de la línea central, cabe concluir que
ha aumentado la dispersión.
b5 b6 b7
LCI
55
Si es anormal la presencia de demasiados puntos en el tercio central, también lo
es la presencia de pocos, es decir de menos (significativamente) de 2/3 de los
puntos junto a la línea central. Entre sus posibles causas podemos citar: error en
el cálculo de los límites; empeoramiento real del proceso, con aumento de su
dispersión; mezcla de poblaciones, con un plan de muestreo que tome cada
muestra de una u otra población alternativamente; etc.
b.7) Ciclos.
Los comportamientos cíclicos también son una señal de falta de control, pues su
presencia difícilmente puede atribuirse al azar, siendo más bien debido a algún
tipo de inestabilidad en el sistema. Sus causas son de lo más variado, pudiendo
ser efecto de factores ambientales (luz, temperatura, humedad, ...), efecto de la
fatiga de operarios, de procedimientos de mantenimiento, etc. La identificación
de las causas que los provocan requiere que se preste una especial atención a la
duración del ciclo (diario, semanal, ...) y al momento en que se detectó su inicio.
1 2 3 4 5 6 7 8 9 0 1 2 3 4 5 6 7 8 9 0 1 2 3 4 5 6 7 8 9 0 1 2 3 4 5 6
56
Anexo al Capítulo 5.
Por otra parte, las hipótesis que se contrastan en un gráfico de control por
defectuosas son H0: np = np0 frente a H1: np np0, y debemos además definir
una calidad baja, np1, que queramos aceptar pocas veces, a fin de tener dos
puntos de la curva característica: (np0, ) y (np1, ).
LCS np 0
P( x LCS / np np 0 ) 1 / 2
np 0 (1 p 0 )
LCS np1
P( x LCS / np np1 )
np1 (1 p1 )
57
Por ser la normal una distribución simétrica, se ha tomado sólo el límite
superior de control, para el que la probabilidad de ser excedido bajo control será
/2.
LCS np 0 z1 / 2 np 0 q 0
2
z / 2 p 0 q 0 z np1q 1
n
p1 p 0
el límite de control inferior estaría, como podemos deducir por simple simetría o
analíticamente, situado en:
LCI np 0 z1 / 2 np 0 q 0
x = Ps() N(, )
y = Ps(n) N(n, n )
58
Puesto que las muestras estarán habitualmente formadas por más de una
unidad, la comprobación de la condición para aproximar a la normal deberá
hacerse sobre esta última distribución, viendo si n>5.
Por otra parte, las hipótesis que se contrastan en un gráfico de control por
defectuosas son H0: = 0 frente a H1: 0, y debemos además definir una
calidad baja, 1 (1>0) que queramos aceptar pocas veces, a fin de tener dos
puntos de la curva característica: (0, ) y (1, ). (0 y 1 son los números
medios de defectuosas en una unidad).
LCS n 0
P( y LCS / 0 ) 1 / 2
n 0
LCS n 1
P( y LCS / 1 )
n 1
LCS n 0 z1 / 2 n 0
2
z /2 0 z 1
n
1 0
LCI n 0 z1 / 2 n 0
59
6. Estudios de Capacidad.
6.1. Generalidades.
60
Para que esa variabilidad natural que acabamos de definir tenga sentido y
sea representativa de la situación a todo lo largo del periodo analizado, deberá
haber habido en éste una situación de estabilidad en la característica, es decir la
situación que llamábamos en un capítulo anterior “proceso bajo control
estadístico”. Si ese estado no se ha conseguido, los valores que nos den los
estudios de capacidad serán inconsistentes y poco representativos.
61
6.2.1. Capacidad potencial.
Este índice fue diseñado para ser usado sólo bajo las siguientes condiciones:
1.- Procesos con datos normalmente distribuidos [ N ( , 2 ) .
2.- Independencia entre un dato y otro.
3.- Datos colectados de un proceso bajo control estadístico (estable).
T+-T- T+-T-
62
m1 m2
6 6
Proceso centrado Proceso descentrado
63
Es decir , Ho : C p C 0 v/s H1 : C p C 0 con un nivel de 100(1 - ) de
confianza , donde C0 es el valor mínimo para Cp de una organización en
particular.Utilizando la expresión desarrollada por Kane
Cp = Cp [ (n -1)/ 2n - 1 , 1/2
T- T+
64
3 3
Para este índice Cpk la interpretación es similar a la que se hacía antes con
el índice de capacidad potencial:
65
Tabla 6.1. Probabilidades de defectuosas asociados a valores de CPU y CPL.
CPU 0 0,1 0,2 0,3 0,4 0,5 0,6 0,7 0,8 0,9 1 1,1 1,2 1,3 1,4 1,5 1,6 1,7
PU 0,50 0,38209 0,27425 0,18406 0,11507 0,06681 0,03593 0,01786 0,00820 0,00347 0,00135 0,00048 0,00016 0,00005 0,00001 0,0 0,0 0,0
CPL PL
0 0,50 * 0,88209 0,77425 0,68406 0,61507 0,56681 0,53593 0,51786 0,50820 0,50347 0,50135 0,50048 0,50016 0,50005 0,50001 0,50 0,50 0,50
0,1 0,38209 0,88209 0,76418 0,65634 0,56615 0,49716 0,44890 0,41802 0,39995 0,39029 0,38556 0,38344 0,38257 0,38225 0,38214 0,38210 0,38209 0,38209 0,38209
0,2 0,27425 0,77425 0,65634 0,54851 0,45831 0,38932 0,34106 0,31018 0,29212 0,28245 0,27772 0,27560 0,27474 0,27441 0,27430 0,27427 0,27426 0,27425 0,27425
0,3 0,18406 0,68406 0,56615 0,45831 0,36812 0,29913 0,25087 0,21999 0,20192 0,19226 0,18753 0,18541 0,18454 0,18422 0,18411 0,18407 0,18406 0,18406 0,18406
0,4 0,11507 0,61507 0,49716 0,38932 0,29913 0,23014 0,18188 0,1510 0,13293 0,12327 0,11854 0,11642 0,11555 0,11523 0,11512 0,11508 0,11507 0,11507 0,11507
0,5 0,06681 0,56681 0,44890 0,34106 0,25087 0,18188 0,13361 0,10274 0,08467 0,0750 0,07027 0,06816 0,06729 0,06697 0,06686 0,06682 0,06681 0,06681 0,06681
0,6 0,03593 0,53593 0,41802 0,31018 0,21999 0,1510 0,10274 0,07186 0,05379 0,04413 0,03940 0,03728 0,03641 0,03609 0,03598 0,03594 0,03593 0,03593 0,03593
0,7 0,01786 0,51786 0,39995 0,29212 0,20192 0,13293 0,08467 0,05379 0,03573 0,02606 0,02133 0,01921 0,01835 0,01802 0,01791 0,01788 0,01787 0,01787 0,01786
0,8 0,00820 0,50820 0,39029 0,28245 0,19226 0,12327 0,0750 0,04413 0,02606 0,01640 0,01166 0,00955 0,00868 0,00836 0,00825 0,00821 0,00820 0,00820 0,00820
0,9 0,00347 0,50347 0,38556 0,27772 0,18753 0,11854 0,07027 0,03940 0,02133 0,01166 0,00693 0,00482 0,00395 0,00363 0,00352 0,00348 0,00347 0,00347 0,00347
1 0,00135 0,50135 0,38344 0,27560 0,18541 0,11642 0,06816 0,03728 0,01921 0,00955 0,00482 0,00270 0,00183 0,00151 0,00140 0,00136 0,00135 0,00135 0,00135
1,1 0,00048 0,50048 0,38257 0,27474 0,18454 0,11555 0,06729 0,03641 0,01835 0,00868 0,00395 0,00183 0,00097 0,00064 0,00053 0,00050 0,00049 0,00048 0,00048
1,2 0,00016 0,50016 0,38225 0,27441 0,18422 0,11523 0,06697 0,03609 0,01802 0,00836 0,00363 0,00151 0,00064 0,00032 0,00021 0,00017 0,00016 0,00016 0,00016
1,3 0,00005 0,50005 0,38214 0,27430 0,18411 0,11512 0,06686 0,03598 0,01791 0,00825 0,00352 0,00140 0,00053 0,00021 0,00010 0,00006 0,00005 0,00005 0,00005
1,4 0,00001 0,50001 0,38210 0,27427 0,18407 0,11508 0,06682 0,03594 0,01788 0,00821 0,00348 0,00136 0,00050 0,00017 0,00006 0,00003 0,00002 0,00001 0,00001
1,5 0,0 0,50 0,38209 0,27426 0,18406 0,11507 0,06681 0,03593 0,01787 0,00820 0,00347 0,00135 0,00049 0,00016 0,00005 0,00002 0,00001 0,0 0,0
1,6 0,0 0,50 0,38209 0,27425 0,18406 0,11507 0,06681 0,03593 0,01787 0,00820 0,00347 0,00135 0,00048 0,00016 0,00005 0,00001 0,0 0,0 0,0
1,7 0,0 0,50 0,38209 0,27425 0,18406 0,11507 0,06681 0,03593 0,01786 0,00820 0,00347 0,00135 0,00048 0,00016 0,00005 0,00001 0,0 0,0 0,0
* Los valores de CPU y CPL no pueden ser cero simultáneamente.
Pu: Probabilidades de defectuosos por la Tolerancia Inferior; Pu: Probabilidades de defectuosos por la Tolerancia Superior
CP 0.05 0,1 0,2 0,3 0,4 0,5 0,6 0,7 0,8 0,9 1 1,1 1,2 1,3 1,4 1,5 1,6 1,7
pmin 0.88076 0,76418 0,54851 0,36812 0,23014 0,13361 0,07186 0,03573 0,01640 0,00693 0,00270 0,00097 0,00032 0,00010 0,00003 0,00001 0,0 0,0
Pmin: Probabilidad mínima de defectuosas
6.2.2.1. Un estimador de Cpk
El índice Cpk contiene dos parámetros los cuales deben ser estimados:
y .
Un estimador de C pk = [ d - X - 0.5 ( T+ + T- ) / 3 S
pk = min { C
C pu , C
pl }
donde : pu = ( T + - X ) / 3 ;
C pl = ( X - T- ) / 3 S
C
pk [ 1 Z1 - /2 / [ ( 2n - 2)1/2
C
6.2.3. Indice K.
K = M - min (M - T- ; T+ - M)
Cuando 0 < K < 1 , la media del proceso está localizada entre el valor nominal
y un límite de especificación.
= X - 0.5( T+ +T- ) / d
Una estimación del índice K
Cpk = (1 - K )Cp
Se puede definir un índice que en una sola expresión haga una valoración
conjunta de variabilidad y descentrado. Tal es el denominado Cpm, cuya definición
es la siguiente:
T T
C pm
6 '
n ( x i M )2
donde: ' n 1
i 1
M es el valor nominal
Al analizar el denominador del índice Cpm veremos que mientras más cerca
estén las observaciones “xi” del valor nominal “M” , el valor del índice tenderá
a umentar. Por el contrario, mientras más alejadas estén las observaciones “xi”
del valor nominal “M” el valor del índice tenderá a cero.
68
Cuando “M” está en el centro de las tolerancias , el valor de la media del
proceso “ x ” tienda a coincidir con “M” y el valor de las observaciones “x i”
estén dentro de tolerancias , entonces el valor de Cpm estará alrededor del “1” .
6.2.4.2. Valor nominal situado entre las tolerancias o
especificaciones.
Cpm = T+ - T- / 6
Cpm = T+ - T- / 6 = T+ - T- / 6 2 + ( - M )2 1/2
1 cp
Cpk = Cp - ( )2 - 1 1/2 o también
3
cpm
cp
Cpm = consecuentemente
1 9( cp cpk ) 2
Cpm = T+ - T- / 6 S2 + ( X - M )2 1/2
69
Este índice fue propuesto por Pearn (1992) .Tiene la ventaja de ser más
sensible a las desviaciones respecto del valor nominal , que los índices Cp , Cpk ,
Cpm .
6.3.1. Indice C
Este índice fue propuesto por Pearn (1992). Es tal vez el primer índice de
capacidad para datos no-normales.
( T T )
C = = d / (0.5 )
donde “ “ es una constante elegida tal que la probabilidad
la distribución de X .
Dada la robustez de éste índice, también pude ser aplicado para calcular el índice
Cpk .
Wright (1995) ,tomó el índice Cpmk y le incorporó una expresión que permite
“penalizar” el sesgo de la distribución de los datos , en el caso unimodal y de
no-normalidad .
70
C s = d - - M / 32 + ( - M)2 + 3 / 1/2
Este índice fue introducido por Luceño (1996) ,y fue diseñado para considerar las
tendencias de posicionamiento y de dispersión del proceso , proporcionando a su
vez intervalos de confianza insensibles al no cumplimiento de normalidad
estadística de los datos .
pc
C = (T+- T-) / 6 c/ 21/2
t , n - 1
c
sc
n
1 n 1 n 2
2
x i M
2
donde s c = ( n 1) ( xi M c) 2 =
( n 1)
( nc )
i 1 I 1
pc
C / {1 t , n - 1 Sc / ( c n ) }
71
El autor usa el factor 6 / 2 = 7.52 en el denominador ,que es igual a 6
cuando la distribución es N (, 2 ). También señala que el intervalo de
confianza es insensible al incumplimiento de normalidad, pues está basado en el
Teorema Central del Límite.
Dado que se tiene la distribución del estimador, también es posible realizar
pruebas de hipótesis,a un nivel de confianza prestablecido.
C pc 1 c n
( ) < t , n-1 para rechazar H0
Cpc 0 sc
Xt - = ( Xt-1 - ) + t
donde E(t ) = 0 , Var (t ) = 2 , E (t * t ) = 0 para t t
es el parámetro de autrorregresión del modelo
2
Var (Xt )
2
1
72
T T
2
2
Cpmr = 2 donde = 2
6
2
r ( M ) r
1
n
2
pmr
C
+
= (T - T ) / 6 -
donde = (x i M ) /n
i 1
El valor esperado de 2 es
2
E ( 2 ) = r (1+2 ) donde 2 = ( - M) / r 2
2
1
Var ( 2 ) =
2
( r )2 {
2
2
+ 22 11 }
n
1
73
En determinadas circunstancias nos podemos encontrar con una
imposibilidad de disponer de más de una medida de la característica estudiada
por cada toma, lo cual en la terminología de los gráficos de Shewhart equivaldría
a decir que se trabaja con tamaño de muestra uno. Ello ocurre típicamente cuando
los ritmos de producción son muy lentos (menos de una unidad por turno) con lo
que la espera para disponer de una muestra significativa sería inaceptablemente
larga o si el análisis a que debe someter la pieza es muy costoso. En tales casos
se puede usar el llamado gráfico de medidas individuales.
El formato del gráfico es por entero similar a los ya vistos, por ejemplo el
media-recorrido. Los límites de control en este gráfico vienen dados por las
siguientes expresiones:
donde E2, D3 y D4 son constante que aparecen tabuladas. Estas ultimas son las
mismas que las empleadas para el gráfico de Shewhart del rango.
LCS: x 3 sx
LCI: x 3 sx
R
sx
d2
74
3
y por tanto: E2
d2
nº 1 2 3 4 5 6 7 8 9
medida 15 12 13 9 14 16 14 11 15
rango 3 4 5 7 2 5 4
Tabla 6.1.
M E D ID A S IN D IV ID U A L E S
2 2
2 0
1 8
1 6
1 4
1 2
1 0
R A N G O S M O V IL E S
1 2
1 0
0
1 2 3 4 5 6 7 8 9
Figura 6.1.
75
Si el tiempo entre datos sucesivos es muy elevado, sólo las
descorrecciones muy grandes podrían ser detectadas rápidamente, mientras
que para las de menor magnitud transcurriría un tiempo inaceptable. Una
posible solución a este problema consiste en trabajar con criterio 2, bien es
cierto que sacrificando al hacerlo el error de primera especie, que sube a un 5%
(desde el 0.027% del criterio 3).
Los criterios de análisis y vigilancia de estos gráficos son los mismos que
los expuestos para los gráficos de media-rango, siendo también de aplicación las
mismas señales de falta de control (supuesto que se mantiene el criterio 3).
nº 1 2 3 4 5 6 7 8 9
medida 15 12 13 9 14 16 14 11 15
media 13.3 11.3 12 13 14.7 13.7 13.3
rango 3 4 5 7 2 5 4
Tabla 6.2.
La Tabla 6.2 muestra los cálculos realizados para obtener las medias
móviles y los rangos sobre los mismos datos del apartado anterior. En base a ellos
se obtienen los siguientes valores para el gráfico de control:
76
las primeras respecto a las segundas. Así mismo obsérvese que los límites de
control son más estrechos para este gráfico que para el anterior, debido a dos
motivos: en primer lugar ahora se trabaja con tamaño de muestra tres, mientras
antes se hacía con tamaño 1. En segundo lugar las oscilaciones que presenta la
serie de datos suavizada son menores, y en consecuencia deben ser más
estrechos los límites de oscilación permitida.
M E D ID A S IN D IV ID U A L E S Y M E D IA S M Ó V IL E S
20
18
16
14
12
10
6
m e d id a
4
m e d ia
2
0
1 2 3 4 5 6 7 8 9
Figura 6.2.
77
periódicamente complementar estos gráficos con algún tipo de control de la
dispersión.
H0 : m = m0
H1 : m m0
Por contra, cuando la media real del proceso esté, por ejemplo, por
encima de la referencia m 0 , las desviaciones empezarán a ser todas positivas y
su suma acumulada St empezará a crecer, tanto más de prisa cuanto mayor sea la
desviación entre la media del proceso y m 0 . Si la media del proceso estuviera por
78
debajo de la referencia, ocurriría justamente lo contrario y la suma acumulada
decrecería de modo más claro cuanto mayor fuera la descorrección.
79
St
4k
3k
2k d
Figura 6.3.
Los parámetros de diseño del gráfico son los tres que aparecen en la Figura
6.3 :
80
R s
sx y de aquí sx x
d2 n
D
sx
3. Decidir el riesgo de primera especie que aceptamos correr (), que con
frecuencia se sitúa en el 0.0027, por similitud con los gráficos estándar de
Shewhart.
2 1 2 ln
d 2 ln y si es pequeño queda d
2
D
arctg
2k
81
En líneas generales son válidas las consideraciones que se hicieron sobre
estos dos temas para los gráficos por variables de Shewhart. Algún autor (Ewan,
1963) sugiere emplear el siguiente tamaño de muestra :
2.25 s2x
n
D
Los gráficos CUSUM unilaterales son dos gráficos que controlan cada uno
de ellos las desviaciones en un sentido u otro de la media del proceso. Tendremos
pues un gráfico para el control de los aumentos (Superior) de la media y otro
para el control de sus disminuciones ( Inferior).
H0 : m = m0
H1 : m = m1 (con m1>m0)
zi xi m0
que, en el supuesto de que el proceso sea estable, tendrá media nula. La suma
acumulada de esas desviaciones sería St, definida por :
82
t t
S t z i ( x i m0 ) S t 1 ( x t m0 ) S t 1 z t
i 0 i0
yi z i d x i m0 d
sus sumas acumuladas serán :
t
Yt y i
i 1
m1 m 0
d
2
83
min Yk + C
Yk
SEÑAL DE
FALTA DE
CONTROL
Figura 6.4.
En este caso del gráfico CUSUM inferior las hipótesis contrastadas son :
H0 : m = m0
H1 : m = m1 (con m1<m0)
t
Yt' ( x i m 0 d )
i 1
donde “d” es ahora un valor negativo, y como valor recomendado para d
tomaríamos también
m1 m 0
d
2
84
También igual que antes, la elección de C dependerá de los valores del
riesgo de primera especie que admitamos, influyendo así mismo en el ARL para
una cierta desviación (que es la inversa de 1-, siendo el riesgo de segunda
especie).
SEÑAL DE
FALTA DE
Yk CONTROL
max Yk - C
Figura 6.5.
85
El estadístico representado y controlado en la media móvil exponencial
calculada con las medias de las sucesivas muestras que se van obteniendo :
Z t x t (1 ) Z t 1
dónde es una constante que toma valores entre cero y uno. Al tratarse de una
fórmula recurrente, el problema de la inicialización, es decir la fijación del valor
de Z0, debe ser resuelta antes de iniciar el uso de la expresión anterior.
Habitualmente se toma como valor de Z0 la media general estimada con las
muestras anteriores.
Con ello vemos que cuanto mayor sea mayor es el peso que se otorga al
último resultado obtenido y menos a la información anterior, reduciendo por tanto
la inercia en el movimiento de Zt. Como caso extremos, si =1 estaríamos en el
caso del gráfico de la media. Esto será adecuado en procesos de por sí bastante
estables, que no estén afectados por demasiado ruido. En cambio, cuando el ruido
que afecta a nuestros datos es elevado, una valor bajo de reduce su
importancia, permitiendo captar mejor el comportamiento de la variable
controlada. Valores de bajos son idóneos para la detección de pequeñas
descorrecciones en la media del proceso.
donde Var ( x ) = 2 / n
86
usuario en la fase de diseño del gráfico. Poniendo esta expresión en función de la
desviación típica de la variable original x, obtenemos las fórmulas habitualmente
empleadas:
LCS x k x
(2 ) n
LCI x k x
(2 ) n
LCS x k x
(2 ) n
1 (1 ) 2 t
LCI x k x
(2 ) n
1 (1 ) 2 t
En el caso frecuente de que la desviación típica x no sea conocida la
estimaremos bien a través de la varianza muestral o bien a través del recorrido
muestral.
87
7.5.- Observaciones autocorrelacionadas.
88
Kramer y Schmid (1997) concluyen que para un proceso AR(1) la carta de
Shewart de las observaciones es de mejor desempeño que la carta de Shewhart
de los residuos cuando la correlación es positiva.
Lin y Adams (1996) consideran cartas de control residules para cambios de salto
y de tendencia en modelos AR(1) y de media móvil integrado IMA (1,1), y
recomienda una combinación de cartas EWMA y de Shewhart para los residuos.
Montgomery y Friedman (1989) desarrollaron cartas de control para los
residuos basados sobre el hecho de que cambios en la media o dispersión de los
datos originales podrían causar los cambios correspondientes en los residuos y
estos cambios pudieran ser detectados por las cartas estándares de control. Sin
embargo, Wardell, Moskowitz y Plante (1992- 1994) , Schmid (1995) muestran
evidencias de que usar solamente la carta residual no es suficiente para detectar
algunas causas especiales. Los patrones de cambio en el proceso se alteran por el
modelo de serie de tiempo, por lo tanto es importante identificar los respectivos
patrones de cambios antes y después de que el modelo de series de tiempo se
haya aplicado .
89
8. Gráficos de control para series de fabricación cortas.
Los buenos resultados obtenidos en general con los gráficos de control han
motivado que se realicen esfuerzos para extender su campo de aplicación a las
series de fabricación cortas. El propio desarrollo de los procesos productivos, al
hacerlos más flexibles y adaptables a las necesidades de los clientes, ha otorgado
un mayor peso a este tipo de fabricaciones y por ende ha aumentado la
importancia de su control.
Usar gráficos del tipo CUSUM y EWMA, que por su mayor sensibilidad frente
a descorrecciones permiten un seguimiento más cercano del proceso.
Usar gráficos de medidas individuales.
Adaptar los gráficos estándar.
90
Usar gráficos de la desviación del nominal (DNOM) cuando por un mismo
proceso circulan diferentes productos, en cantidades insuficientes cada uno de
ellos como para someterlo a un control estándar.
91
Gráfico de la desviación - Rango:
Gráfico de la desviación:
Línea central: y
Límite de Control Superior: LCS = y A 2 R
Límite de Control Inferior: LCI = y A 2 R
Gráfico del rango:
Línea central: R
Límite de Control Superior: LCS = D 4 R
Límite de Control Inferior: LCI = D 3 R
92
Gráfico de la desviación - Desviación típica:
Gráfico de la Desviación:
k
yi
Línea central:
y i 1
k
Limite Superior de Control : LCS y y A 1 s
Límite Inferior de Control: LCI y y A 1 s
93
nominal con que se produce cada unidad (ya considerado en gráfico DNOM)
como la variabilidad que afecta a cada una.
Ri
R si
Rj
LCI = D3 LCS = D4
xi N j
x is
Rj
Con ello los límites del gráfico de control de la posición a través de la
media estandarizada serán los siguientes:
94
8.5. Gráficos por atributos para series cortas.
95
Gráfico c (número de defectos por muestra) estandarizado:
c c
zi i
c
Gráfico u (número de defectos por unidad) estandarizado:
u u
zi i
u/n
LCS =+3
Línea Central = 0
LCI = -3
96
9. Precontrol.
97
A esas zonas le llamamos, de izquierda a derecha (ver Figura 9.1): Zona I a
la comprendida entre el límite inferior de tolerancia y la línea de -1.5
desviaciones típicas; zona II a la comprendida entre -1.5 y +1.5 desviaciones
típicas; y zona III a la comprendida entre +1.5 desviaciones típicas y el límite
superior de especificación.
Zonas de Precontrol
T- T+
I II III
86.64%
99.73%
Figura 9.1.
98
4. El proceso se da por aceptado cuando cinco piezas consecutivas están en la
zona II. Si aparece antes de que eso ocurra alguna en zonas I o III, se vuelve al
paso 2. Si aparece alguna fuera de especificaciones se vuelve a comenzar.
TOMAR UNA
PIEZA
FUERA DE SI CORREGIR EL
TOLERANCIAS PROCESO
NO SI
SI DOS PIEZAS NO
EN ZONAS I/III
EN I/III
NO
7
CINCO NO
SEGUIDAS
OK
SI
COMENZAR
PRODUCCIÓN
99
Figura 9.2.
100
10. Prácticas de Control de Calidad I.
muestra x1 x2 x3 x4 x5
1 61.4 60.7 62.8 58.6 60.7
2 56.9 59.5 57.7 58.8 63.0
3 59.5 59.9 55.7 59.0 57.3
4 54.8 58.8 56.1 55.4 61.5
5 63.9 57.9 62.3 65.7 62.6
6 58.9 62.1 55.0 60.2 60.1
7 62.7 55.0 59.7 60.0 57.6
8 61.3 59.0 62.0 59.2 55.0
9 56.4 59.7 67.3 59.2 60.1
10 63.5 57.5 56.2 59.2 63.1
11 60.5 60.4 63.1 62.9 60.6
12 62.6 60.6 60.0 59.9 61.7
13 52.4 61.4 58.8 58.6 58.5
14 57.4 57.1 63.5 65.2 66.7
15 65.1 61.4 64.2 62.7 55.3
101
muest x1 x2 x3 x4 x5
ra
1 59.2 59.2 61.7 63.9 63.2
2 59.8 63.4 58.8 57.6 57.9
3 56.6 64.3 66.5 60.7 58.4
4 60.4 59.5 58.4 60.8 58.8
5 65.0 60.6 58.4 66.5 58.5
6 63.7 66.7 65.2 64.2 61.5
7 59.0 66.4 59.5 65.9 64.7
8 65.2 66.2 65.6 65.3 66.4
9 65.0 61.1 66.2 61.1 65.2
10 66.0 65.0 66.3 60.6 62.9
11 65.9 68.0 62.1 61.6 67.8
12 63.8 58.7 64.7 68.6 63.0
13 58.7 66.3 65.8 58.9 67.9
14 68.6 65.5 62.1 66.9 67.8
15 62.2 66.3 65.9 61.8 68.0
16 64.2 60.9 66.6 67.6 64.8
17 69.7 67.4 66.9 66.7 64.9
18 61.4 64.3 66.3 65.0 66.7
19 63.2 61.1 62.1 68.1 64.6
20 61.4 65.9 66.0 61.8 65.2
102
El estudio a realizar corresponde a control por variables, siendo esta la
opción que se deberá elegir al completar la pantalla de Configuración Básica a
la que se accede al entrar al programa. En esa pantalla se seleccionará el resto de
opciones según sea conveniente.
103
de la pantalla, sobre la malla de datos. Si se desea ver también el histograma de
los datos, en el que se trazan también las especificaciones, seleccionaremos en el
menú Variables la opción Histograma. La misma opción puede activarse desde
la barra de botones mediante:
104
11. Práctica 2: Gráficos de Control por Atributos.
11.1. Introducción.
105
Tamaño de Número de Tamaño de Número de
muestra defectuosas muestra defectuosas
124 5 128 10
130 3 132 3
134 5 125 3
129 7 135 6
138 4 113 6
138 10 127 5
126 10 140 9
115 9 139 5
134 9 118 5
130 6 117 6
118 5 125 8
148 3 112 10
114 5 126 6
126 7 115 3
125 4 104 5
123 10 115 6
131 10 113 5
135 9 111 7
112 9 118 4
119 6 114 7
Tabla 11.1.
Se pide:
106
La Tabla 11.2 recoge los resultados (número de defectos superficiales)
observados en veinticinco muestras consecutivas, todas ellas de tamaño 20. (Los
datos van en columnas).
6 1 2 3 1
2 5 1 2 0
5 1 1 1 0
3 0 2 1 1
2 3 3 0 2
Tabla 11.2.
11.4. Comentarios al Ejercicio 1.
Figura 11.1.
Figura 11.2.
107
Deberá elegirse el correcto para este caso. También en ese momento se deben
configurar los límites de control, definiendo el periodo base para el cálculo de los
mismos. Para ello se empleará la opción Límites de control del menú
Configurar, definiendo en ella el periodo inicial y la duración del periodo base
(Figura 11.3).
Figura 11.3.
A partir del momento en que estén introducidas las 20 muestras del periodo
base, con cada nueva muestra se debe ir comprobando la posible aparición de
cualquier señal de falta de control, haciendo uso, si se requiere, de la opción
correspondiente del programa, situada en el menú Atributos, opción Falta de
Control, o bien accionando el botón:
108
Figura 11.4.
Figura 11.5.
Cómo se aprecia en la Figura 11.5, los datos a introducir son la longitud del
periodo base (número de muestras que emplearemos para el cálculo de los
diferentes límites) y la muestra inicial de ese grupo. Esta ventana es similar a la
de la Figura 11.3.
109