INTRODUCCIN El papel de la Estadstica en la Industria y especficamente en la Calidad comienza en la dcada de 1920 en U.S.A.

con los trabajos de Walter Shewhart, de los Laboratorios Telefnicos Bell. Sin embargo, recin en la segunda guerra mundial los mtodos estadsticos comienzan a ser utilizados sistemticamente, primero en la industria blica; y luego, en la posguerra, se generalizan a otras industrias (ver [ 1 J , Introduccin). Paralelamente, en Japn, la Estadstica comienza a jugar un rol central en la Calidad Total a partir de Deming e Ishi. kawa, entre otros. Las primeras tcnicas utilizadas estaban relacionadas con ensayo de productos por muestreo y descarte de no conformes; esto es, se proceda al control del proceso despus de su fabricacin. De a poco stas tcnicas son reemplazadas por tcnicas de Control del Proceso, o sea, Control durante la produccin (posteriormente aparecen otras tcnicas como las de Diseo de Experimentos o la llamada EVOP, que tienden a planificar antes de la produccin). El Control Estadstico de Procesos (CEP, o SPC) es un conjunto de tcnicas que tienen como objetivo controlar la calidad de un proceso de forma tal que sea posible efectuar correcciones antes de que se produzcan partes defectuosas. En general resulta muy tarde el control de la calidad de un producto despus de su completa fabricacin. Se' prefiere controlar el proceso de fabricacin, del producto o de sus componentes. Sern los mismos responsables de la produccin, quienes controlen ai mismo tiempo la calidad de la misma. De esta manera, se puede reducir o hasta eliminar la inspeccin final del producto. Llamaremos proceso a todo sistema que combine determinados factores (materias primas, maquinarias, operarios, metodologa y condiciones de produccin), establecidos de acuerdo a decisiones gerenciales, para lograr un determinado objetivo de produccin. Un objetivo puede ser por ejemplo, lograr un producto final o componente con determinado ndice de Calidad. GRFICOS POR VARIABLES Supongamos que tenemos una serie de dates medidos sobre un proceso, clasificados en N subgrupos de tamao n, tal como se explic anteriormente. Para monitorear un proceso de estas caractersticas se utilizan los grficos X-R y X-s. Se debe empezar por el grfico de R o s. Si ste indica control, se procede a confeccionar el grfico . Si no-, no tiene sentido hacerlo hasta no eliminar las causas especiales.

Consideraremos primero grficos pasos a seguir sern los siguientes : 1.Diseo del grfico

de

valores

observados.Los

Lo primero a resolver es la eleccin del tamao de las muestras, y la frecuencia de muestreo. Como ya se ha dicho antes, en. esta eleccin intervienen consideraciones no estadsticas, como el costo de la inspeccin o la criticidad del proceso estudiado dentro de la produccin. Siempre se debe mantener el criterio de tomar muestras pequeas (de 4 o 5 datos) a intervalos breves. Al respecto dice Shewhart: ". . .si el sis tema se basa en el cambio, el tamao de la muestra debe ser lo ms pequeo posible/ de manera que los promedios de la muestra no oculten ese cambio." De cualquier manera, cada proceso tiene sus propias caractersticas, y debe ser tenida en cuenta su particularidad. Si una mquina estampa un anillo cada 5 segundos, por ejemplo, en un plazo breve se podria tener una muestra de 10 o 20 elementos, lo suficientemente homognea. En algunos casos (procedimiento de muestreo costoso) se justifica un anlisis de costos que permita decidir si genera ms costo un muestreo de alta frecuencia, o el riesgo de mantener un proceso sin control durante cierto periodo de tiempo. 2.Grfico R, o s. Se comienza, por la construccin del grfico de amplitudes {R, o s) y slo si ste revela estado de control se pasa al grfico de promedios. Observar que los limites de ste ltimo dependen esencialmente de la variacin de proceso, por lo que, habiendo descontrol en el grfico de R, o s, no tiene sentido realizar el de promedios. Para cada muestra i (i=l,...,N) se calcula el promedio i y el desvo standard s< o el rango Rt. En general, si el tamao de las muestras es superior a 10, R es un -mal estimador de la dispersin natural, y debe utilizarse s. En caso contrario, ambos estimadores darn un rendimiento ms o menos equivalente. En estos casos la ventaja de R respecto de s reside en su facilidad de clculo. Recordemos que la esencia de un grfico de control, al revs de otros procedimientos estadsticos, debe ser su rapidez y la posibilidad de ser utilizarse en la misma, lnea por los propios operarios del proceso, En cambio, si se diese el caso de que la adquisicin de datos estuviera informatizada, dentro del mismo proceso, entonces convendra utilizar s. An en el caso de utilizar el grfico R, los lmites de control sern de la forma 3a, con lo que ser necesario dar una manera de estimar a a partir de R. Al respecto, .la

relacin entre desvo standard "natural" de un proceso, o, y rango medio de muestras de tamao n distribuidas normalmente, estn dadas por la siguiente expresin:

R
a

(i)

d2(n)

donde a2 est tabulado en funcin de n (ver apndice). 2.1.Linea Central Para la lnea central del grfico de dispersin, en el caso de utilizar R, se calcula el rango promedio ,

N y en el caso de utilizar s, el desvo standard promedio S =

2.2.Lmites de control:

iL-2.1. Lmites ..de control "para ei grfico del rango: Los limites para el grfico R son:

LSC = D4 R lic = d 3 r

donde D3 y D4 se encuentran tabulados Apndice) . Estas constantes fueron consideraciones probabilisticas, de forma bajo normalidad, la probabilidad de que un limites sea aproximadamente 0.001

en funcin calculadas tal que se valor quede

de n, (ver en base a asegure que, fuera de los

NOTA: El rango de una muestra es siempre positivo, por esta razn, si el limite inferior del grfico de rangos diera LIC < 0, se tomar este limite como igual a 0. Lo mismo valdr para el grfico s.

2.2.2.Limites de control para el grfico de s: Estos son: LSC = Bj~s LIC=B3s y B<, encuentran tabulados del mismo modo que con las antes, mismas consideraciones.

donde B.} se (Apndice)

3.Grfico X 3.1. Linea Central: La linea central LC del grfico de promedios es

simplemente el promedio de los promedios de las muestras Y M _L Y X ~

N
3,2 Lmites de Control: Estos son, si se utiliz un grfico R:

LSC = X + A2 R LIC = X - A 2 R

donde A2 est tabulado (Apndice III) en base a las consideraciones que mas arriba. Si se utiliz un grfico s:

mismas

LSC = X + 3.5 LIC X -3.s

Grficos basados en valores standard: Si los valores para las lneas de control, o los. valores medio y de dispersin ( X y a )del proceso son dados previamente por, la construccin se simplifica. En cuanto al grfico R, se debe usar la frmula (1) para estimar R a partir de a. Los valores standard pueden provenir de la historia del

proceso, o valores a ser alcanzados. Por ejemplo, un valor standard para la media puede tener que ver con un necesario ajuste en las mquinas . Sin embargo, el ingeniero de control de calidad debe estar alerta contra una seleccin arbitraria de parmetros de media y dispersin (a menor al real del proceso, por ejemplo), los que podran conllevar demasiadas situaciones de fuera de control posteriores, con el costo adicional que esto .significa. v fc

~ \

78, 1 77, 9

nro. de serie

2 0

CEP consiste bsicamente en la recoleccin (si es posible continua) de datos sobre el proceso. Esta informacin se vuelca en un diagrama o grfico, a partir del cual ser interpretada, y eventualinen te utilizada para tomar las decisiones correctivas, muchas veces antes de que los defectos significativos se produzcan. Se suele decir que, al volcar ios datos en grficos, el CEP es una forma de lograr que el proceso "hable". Asi como un mdico debe preguntar al paciente sobre-sus sntomas, para detectar posibles males antes de otorgar la medicacin necesaria; de la misma manera debemos conocer los 'sntomas" de un proceso productivo. Y en ambos casos, es mejor prevenir que curar. EL CEP, as como permite mejorar la calidad, disminuye ios costos de desecho, de inspeccin y/o de retrabajado de piezas, Le brindar tambin al operario un sentido del control sobre su tarea, un rol ms calificado en la produccin, dado que ser capaz de corregir defectos. Como en general resulta innecesariamente costoso recolectar informacin sobre la totalidad de la produccin, se someten al control solamente pequeas muestras del total. Utilizaremos sobre estas muestras una serie de tcnicas estadsticas. En este sentido, y para el logro de la calidad del y del producto, es indispensable la complementacin tcnicas estadsticas y el conocimien to especfico ingeniera de cada proceso. proceso' de las de la

ANALISIS DE LA VARIABILIDAD DE UN PROCESO Lo primero que debemos tener en cuenta al analizar un proceso es que el mismo no funciona siempre de la misma manera. Por el contrario, cualquier proceso est sujeto a un cierto grado de variabilidad "intrnseca" (o natural) que siempre existir, a pesar de todos los esfuerzos que se realicen , en el diseo, mantenimiento o ejecucin del mismo, para reducirla. Esa variabilidad es la consecuencia de la combinacin de muchas causas correlacionadas entre s. El origen de estas causas est por lo general relacionado con los factores antes mencionados, llamados "6 M" en idioma ingls: *los *el *las Materiales, Mtodo de fabricacin, Mquinas,

*Medio y las condiciones ambientales, *la *la Mano de obra que interviene en el proceso Medicin

La combinacin de una gran cantidad de causas relacionadas con estos factores genera una desviacin aleatoria considerable, si bien cada una por separado,, ofrecera una desviacin mnima no registrable. Al variar un proceso en forma aleatoria, est sujeto a patrones estables y repetibles de variacin. Por esta razn es que se .puede predecir con cierta precisin el comportamiento futuro. Para esto se puede confeccionar un histograma de las caractersticas medidas u observadas, obteniendo una determinada distribucin de probabilidad. Sin embargo, en algunas ocasiones, adems de esta Variabilidad intrnseca o aleatoria (variabilidad predecible), un proceso en particular puede estar afectado por alguna causa especial, no estable, que genere variaciones de mayor magnitud y no aleatorias. Este tipo de causas, llamadas especiales o asignables, deben ser detectadas y corregidas a tiempo, ya que generalmente afectan la calidad del proceso y el producto. Estas causas asignables generalmente estn asociadas con diferencias en el tiempo de los factores "6M". Ejemplos de causas especiales pueden ser: cambios significativos en las materias primas, desajuste de alguna mquina, el cambio de un operador por otro, etc. Cuando slo intervienen causas aleatorias, diremos que el proceso est bajo control (o bajo control estadstico) . Cuando intervienen adems causas asignables, diremos que est fuera de control. El objetivo principal del CEP es decidir si un dado proceso est o no bajo control. Esta decisin, como aparece ms arriba, debe ser lo suficientemente rpida para evitar que un proceso fuera de control siga funcionando por largo tiempo, ocasionando as un costo innecesario. Se tratar de procedimientos grficos (Grficos de Control) on Une. Es bastante difcil, sin recurrir a la estadstica, diferenciar entre causas especales y aleatorias (por ejemplo, una causa especial que se repite peridicamente, puede parecer tan regular que se confunda con una causa comn). Al respecto dice Shewhart: iguales/ una secuencia de no menos de 25 muestras de 4 elementos cada una que satisfagan el criterio 1(1). 1 "El estado potencial de control econmico se puede aproximar slo como un lmite estadstico, incluso despus de que las causas asignables de variabilidad han sido detectadas y eliminadas. Un control de este tipo no puede ser alcanzado en un solo da. No se puede lograr en la produccin de un elemento del cual slo se producen unas cuantas piezas. Sin embargo se puede lograr cientficamente en una produccin continua masiva...Tambin se ha observado que rara vez una persona estara justificada al determinar que se ha alcanzado un estado de control estadstico en una determinada operacin o proceso de produccin repetitivas hasta

(*) se refiere al criterio 1 de seales de descontrol. Ver ms adelante.

GRFICOS DE CONTROL Los grficos de Control, al monitorear el proceso, lo vuelven predecible. Si el proceso no se ajusta a los limites predichos, habr causas especiales que detectar. Shewhart caracteriz a los mismos como medios para: definir de manera precisa los objetivos a alcanzar para un proceso (nivel gerencial) contribuir al logro de dichos objetivos determinar si dichos objetivos fueron alcanzados Est claro que un proceso puede estar bajo control, estable, pero puede ser -"establemente malo". Control no es sinnimo de calidad. Sin embargo, que un proceso est controlado es la condicin primaria para estudiar cualquier cambio en el diseo, materiales, etc, que mejore la calidad del mismo.

Tipos de datos Dijimos arriba que el CEP comenzaba con la recoleccin de datos. Dato es cualquier valor (numrico) referido a una medicin u observacin sobre un proceso. Por ejemplo: 1.Dimetros de un eje 2 . Tenor graso de una muestra de yogur 3.Consumo "de un motor de automvil 4.Tiempo de espera en un conmutador telefnico 5.Tiempo de vida t i l de un componente 6.Resistencia a la presin de un alambre '/.Nmero de errores de tipeo por hoja escrita 8.Nmero de pins doblados en una placa electrnica 9.Cantidad de defectos superficiales en una lmina de acero Todos- estos tipos de- datos pueden ser clasificados en dos grandes clases: que se haya obtenido, en condiciones que se presume son en esencia

Datos por variables : datos continuos. En general provienen de mediciones y conllevan una magnitud fsica (temperatura, longitud, tiempo, viscosidad, etc). Son datos de este tipo 2,3,4,5,6,7 del ejemplo de arriba.

Datos por atributos: datos discretos. En general provienen de observaciones, informando la presencia. o .no . de atributos, o cuntos de ellos aparecen. Se incluyen en esta clase aquellos datos categricos del tipo SI/NO, como pasa/no pasa, producto bueno/malo, orificio centrado/no centrado, etc. Pertenecen a este tipo 1,3,9 de arriba. Por lo general, los datos por variables ofrecen mayor informacin que los datos por atributos. 0> dicho de otra manera, hace falta menos cantidad de datos para tener la misma informacin sobre el proceso. En las figuras de la pgina siguiente mostraremos algunos, ejemplos de grficos de control.

ELEMENTOS BSICOS DE UN GRFICO DE CONTROL Si bien hay diferentes tipos de grficos de control, ciertos componentes bsico que deben aparecer, a saber: hay

*Linea Central o Lnea Media (LC). Es la 'media del proceso en estudio. Puede obtenerse a travs del promedio de la serie de datos, o de otra medida de tendencia central (la mediana por ejemplo). *Lmites naturales superior e inferior (LSC, LIC) .Son los lmites por fuera de los cuales podemos decir que un valor no cumple con la tendencia general. Estn relacionados con la dispersin (histrica) del proceso, y se calculan en general a partir de los rangos o de los desvos standard de muestras sucesivas de datos. Tienen una forma parecida a la siguiente: LIC = LC - k . s LSC = LC + k . s donde LC es la lnea central, y s una medida de dispersin, y k es un valor que, dependiendo de la distribucin de los datos, nos asegure que la probabilidad de que un valor quede fuera de estos lmites sea suficientemente baja (recordar la Teora de Intervalos de Confianza) . Para datos normales se suele tomar ks=3o, con lo que tal probabilidad es menor que 0.001. Una vez fijados los lmites, si un valor cae fuera de ellos, resulta

muy poco verosmil (probabilidad muy pequea) que se haya mantenido constante el patrn de variacin, y deberamos asumir que hay causas especiales (ver Riesgo). Hay que tener en cuenta que lmites naturales (que provienen de la Estadstica del Proceso) no son necesariamente lo mismo que los lmites de especificacin, o de tolerancia (determinados por Ingeniera) . Ms adelante volveremos sobre este punto. * Limites de advertencia (LSA, LIA) .Son limites similares a los anteriores, pero ms cercanos a LC. Indicar. una advertencia sobre la posibilidad de que el proceso se haya ido o se est yendo del control. Por ejemplo, si en el caso anterior usamos k=3, para construir LSA, LIA, podernos usar k=2 . * Muestras o Subgrupos. En general se toman subgrupos (svbgrupos racionales, segn Shewhart) de datos, dentro de los ;cuales sea posible suponer slo causas comunes de variabilidad. Esto se logra tomando valores lo ms cercanos posibles entre s en el tiempo, y en la mismas condiciones (sin variar los materiales, los operarios, etc.) La variacin interna de los subgrupos ser entonces utilizada para estimar la variabilidad debida a causas comunes, y comparada con la variacin a ms largo plazo y bajo distintas condiciones. En sntesis, los subgrupos debern elegirse tal que la variabilidad interna (intra muestras) de ellos sea la mnima posible, y que la variabilidad entre ellos (inter muestras) sea la mxima posible, para asegurarse de detectar, si existieran, causas especiales. La cuidados determinacin de los subgrupos, siguiendo estos criterios, es un tema critico en la elaboracin de grficos de control. Una incorrecta determinacin de subgrupos seguramente conducir a resultados errneos. pequeos). Por otro lado muestras mayores permiten detectar desvos menores. * Frecuencia. Relacionada con el tiempo entre dos subgrupcs consecutivos. Del mismo modo que en el caso anterior, cuanto mayor sea la frecuencia del muestreo, ms probable ser detectar causas asignables. Si la frecuencia es demasiado baja (largo tiempo entre dos muestras sucesivas) se corre el riesgo de que efectos especiales sean "disimulados en el promedio" sin registrar tendencias temporales. La prctica actual en la industria es tomar muestras pequeas (no ms de 5 datos) a intervalos lo ms cortos posibles. Por ejemplo, si por razones de costo estamos limitados a realizar 100 mediciones sobre una lnea continua de produccin de tiempo total 5 horas, ser preferible tomar 20 muestras de tamao 5 (espaciadas en 15 minutos), que tomar 5 muestras de tamao 20 (espaciadas en 1 hora) .

* Riesgo. Representa la probabilidad de que un proceso controlado s e a r e q i strado como no controlado. Puede ocurrir por ejemplo que un valor (una muestra o un dato individual, segn sea el caso quede fuera de los lmites naturales, simplemente por cuestiones aleatorias, sin que exista una causa especial detectadle. Este riesgo, que ser pequeo si los lmites naturales son bien elegidos, est emparentado con el error de tipo I o error a en la Teora de Tests de Hiptesis^ Siguiendo la terminologa ~~de "~"~sta teora, diremos entonces que el error a ser decidir que un proceso - realmente bajo control - est fuera de control. Esta decisin equivocada implicara una serie de costos adicionales (detencin del proceso, chequeos, etc. ) innecesarios. El otro riesgo posible (error de tipo II o fr) implicara que un proceso fuera de control siga funcionando. En general, este riego no es considerado importante dado que, a la larga, si el proceso est realmente fuera de control, las anomalas sern detectadas, y slo se habr perdido algo ms de tiempo o de unidades defectuosas. Sin embargo, en cierto tipo de procesos (alta elaboracin y baja produccin, en procesos donde no sea posible controlar los pasos intermedios) pueden no valer estas consideraciones. Observacin sobre falta ds normalidad: An cuando las distribuciones subyacentes no sean normal es/ es costumbre basar los lmites de control en 3CT . Si la distribucin no es normal, la probabilidad de caer fuera de estos lmites puede variar. Por ejemplo, si la distribucin es asimtrica en direccin positiva, el lmite superior 3cr quedar por debajo del lmite de probabilidad 0.001, en tanto el limite inferior 3a quedar por encima del limite de probabilidad inferior O. 001, Esto significa que el riesgo de buscar causas especiales de variacin positiva cuando no existen, ser mayor de 0.001, y el riesgo de buscar causas especiales de variacin negativa 'cuando no existen ser menor de 0.001 . Si la asimetra fuera hacia el otro lado, estas consideraciones se invierten. En cualquier caso, la normalidad de los datos puede ser chequeada por medio de un grfico de probabilidad, antes de confeccionar el grfico de control. * Grficos simultneos. Debemos tener en cuenta que la frase proceso bajo control se refiere no solamente a estabilidad del valor medio, sino tambin a la no modificacin de- las dispersiones. Por esta razn, para los datos por variable, se grafican al mismo tiempo medidas de tendencia central (promedio, mediana) del proceso y de dispersin (desviacin standard, rango) . Hablaremos entonces por ejemplo, de grficos X-R (promedio -

rango), o de grficos X-s (promedio, desvo standard) . Es-to no se realiza hace con los datos por atributo, dado que en estos casos valor medio y dispersin suelen estar relacionados. * Criterios de falta de control. El hecho de que un valor individual caiga fuera de los lmites naturales no es el nico indicio de falta de control. Por ejemplo, supongamos que 11 datos consecutivos se presentan en un orden creciente. La probabilidad de que esto pase bajo control estadstico (hiptesis nula) es 1 / 210 = 0.001 . Es ms verosmil suponer una tendencia sistemtica en el proceso (causa especial) que atribuir al azar (causas comunes) el comportamiento del proceso. Se - revela entonces falta de control. En general, cualquier batch de datos con algn patrn determinado que pueda indicar no aleatoriedad revela falta de control. Veremos ms adelante algunas de las ms usadas de estas seales de descontrol. alguna informacin til sobre el proceso Los datos deben ser volcados lo ms pronto posible luego de su medicin u observacin. Recordar que un grfico es una herramienta de control a tiempo real. * Tipos des Grficos: Se distinguen dos grandes tipos de grficos de control: aquellos basados en dato observados, y aquellos basados en datos previos. En los primeros, los lmites de control se calculan en base a los mismos datos que -se graficarn luego. Se debe contar para esto con un nmero apreciable de datos (en ningn caso n<25) De lo contrario, los lmites obtenidos debern ser considerados como tentativos, y recalculados no bien se tenga mayor informacin disponible. Se debe tener en cuenta que, una vez calculados los lmites de control, stos sean quizs utilizados por perodos grandes de tiempo, por lo que deben ser razonablemente confiables. (ver ms abajo: .Validacin de lmites de control). En los grficos basados en valores histricos, los lmites, en cambio, vienen dados previamente, ya sea por informacin histrica, como valores standard relacionados con especificaciones, o como valores objetivos : ( target) a ser alcanzados por el proceso. En este caso los lmites debern ser provistos en forma externa al proceso, existiendo una responsabilidad gerencial.

Tabla 3-1
Table of Const anls and Formu las or Contr ol Chart s (Cont .)

-1

Tabla 3 Chart for M er]jan s (X) Factors for Control Limils Subgroup Size 2 Chart for Ranees (R) Divisors for Estmale of Standard Dcviation d* Factors for Control Limils D4 Do E
2

Chart for Individuis (X) Factors for Control Lirnils

Charts for Individuis* Median Charls, ** CLx, LCLx= X Aj K UCL* - D 4 I LCLP Divisors for Standard = ir/d Dcviation a

0UCI-xforLCL = 5T = nr/d2 Chart Ranees (R)

X

Hjt UCLr = Estmale of Factors D<TT LCLu = Dfor 3E

Control Limils Da D<

_ _
A2

1 .880

1.128 1.693 2.059 2.326 2.534

2.704 2.847 2.970
-

3 4
5 6 7 8 9 10

1.187 0.796 0.691 0.548

0.508 0.433 0.412

3.26 7 2.57 4 2.28 2 2.11 4

2.004 1.924

2.660 1.772 1.457 1.290 1.184

1.109 1.054

1.128 1.693 ' 2.059 2.326

2.534 2.704 2,847 2.970

- 3.267 - 2.574 - 2.282 - 2.114

- 2.004

0.07 6 0.13 6 0.18 4

0.223

0.076
1.924

0.362

3.078

1.86 4 1.81 6 1.77 7

0.136 1 .864
0.184 1.816 0.223

1.010
0.975

3.078

1.777

Tab le O Con sla nts and For mul as for Con trol Cha rts

-1

-1

-1

-1

-1

-1

-1

-1

-1

-1

-1

-1

-1

-1

-1

-1

-1

-1

-1

-1

-1

-1

-1

-1

-1

-1

-1

-1

-1

-1

-1

-1
XXand Rs Charls* and Charts' Ch rts for a Standard Dpvialions (s) Divisors for Estimate of Standard De vial ion
c

Charl for Averages (X) Factors for Subgroup Sizc n 2 3 4 5 G 7 Control Limits 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 0.212 0.203 0.194 0.187 0.180 0.173 0.167 0.162 0.157 ; 0.153 Chart for Divisors for Estmate of Standard D vial ion Ranees (R) Fac ors for Cora rol Limita D
-

Chart for Averager (X) Factors for Control Limits A3 2.659 1.954 1.628 1.4 27 1.287 3.382 3.099 1.032 0.975 0.927 0.886 0.850 0.837 0.789 0.763 0.739 0.718 0.698 0.680 0.C63 0.647 0.633 0.619 0.606 UCLjr. LCLj

Factors for Control Limits B 3 B, - 3.267 - 2.568 - 2.266 - 2.089 0.030 1.970 0.3 3 8 1.882 0.3 85 1.815 0.239 1.761 0.284 3.716 0.321 1.679 0.354 3.646 0.382 1.618 0.406 1.594 0.428 1.572 0.448 1.552 0.466 1.534 0.482 1.538 0.497 1.503 0.510 1.490 0.523 1.477 0.534 3.466 0.545 1.455 0.555 1.445 0.565 1.435

' ('J>
3.128 1.693 2.059 2.326 2.534 2.704 2.84 7 2.970 3.078 3.173 3.258 3.336 3.407 3.472 3.532 3.588 3.640 3.689 3.735 3.778 3.819 3.858 3.895 3.931

<

3.267 2.5/4 2.282 2.114 2.004 1.924 1.864 3.83 6 1.777 1.744 1.717 1.693 1.612 1.653 1.637 1.622 1.608 1.597 3.585 1.575 3.566 3.557 1.5-5 8 .1.541

0.7979 0.8862 0.9213 0.94 00 0.9535 0.9594 0.9650 0.9693 0.9727 0.9754 0.9776 0.9794 0.9810 0.9823 0.9835 0.9845 0.9854 0.9862 0.9869 0.9876 0.9882 0.9887 0.9892 0.9896 = :t Aj|

0.076 0.3 36 0.184 0.223 0/25 6 0.263 0.307 0.328 0.347 0.363 0.378 0.391 0.403 0.415 0.425 0.434 0.443 0.453 0.459

&
9 10 31 12 13 14 35 16 17 18 19 20 21 22 > 23 : 2-1 i 25
/

\JCLx, LCL = 5T A

fe

UCL LCLr <

= D 1a = D jR "

UCL, B LCL, '= Bj|T

- -Ve r/c<

i* Tamao muestral. La cantidad de

-1
mediciones repetidas en cada subgrupo. Una problema importante consiste en saber determinar el tamao muestral y la frecuencia de un grfico, lo cual depende no slo de consideraci ones estadstica s, sino del costo de la inspeccin. Esta claro que la probabilida d de encontrar un desvo del proceso de una magnitud dada, aumenta con el tamao muestral (muestras pequeas permiten detectar slo desvos considerabl es; muestras grandes permitirn detectar tambin

-1
desvos ms * Implem entaci n de los grfic os de contro l. Al confec cionar un grfic o debere mos regist rar en el mismo toda la inform acin que creamo s que pueda llegar a ser til, adems de los datos numri cos, incluy endo nmero de orden, tipo de materi al,

-1
nombre del operad or, fecha, turno, horari os de las medici ones, etc. Del mismo modo inclui r toda observ acin que, a pricri , pueda supone r que genere alguna modifi cacin en los datos. De esta manera se podr relaci onar causas con efecto s. Los grfic os pasado s

-1
deben ser conven ientem ente archiv ados, pudien do siempr e dar