Control Calidad - Unidad 7 - Cartas Cusum, Ewma, Arima, Estado de Un Proceso

Universidad
Antonio Ruiz
de Montoya
Control de
Calidad
Ing. Norman
Reyes
Mayo 2015
Temas
9. Cartas CUSUM, EWMA y ARIMA:

9.1. Introduccin
9.2. Diferencias
9.3.Carta CUSUM
9.4. CUSUM de 2 lados con mscara
9.5. CUSUM tabular de 1 solo lado
9.6. Carta EWMA
9.7. Carta ARIMA para datos autocorrelacionados
9.8. Modelos ARIMA
9.9. Obtencin de la carta de control para los residuos del modelo
ARIMA
Control de Calidad Ing. Norman Reyes
10. Estado de un proceso: capacidad y estabilidad:

10.1. Estado de un proceso
10.2. Estrategias de mejora
9.1. Introduccin
Introduccin
Una desventaja de las cartas de control tradicionales (tipo shewart) que
se estudiaron en los captulos 7 y 8, es que no son rpidas para detectar
cambios pequeos en el proceso. Un cambio de nivel se considera
pequeo si es menor a 1.5 veces la desviacin estndar de la media
La carta tradicional (que es interpretada solo con la regla 1, un punto
fuera de los lmites) tarda 43.89 puntos en promedio en detectar un
cambio de magnitud
detectar un cambio de
y se tardara 71.5 puntos en promedio en

.
Este desempeo es muy lento en comparacin con la de las cartas

CUSUM, EWMA Y ARIMA, que son 4 veces ms rpidas.
9.1. Introduccin
En la prctica es ms importante detectar los cambios grandes que los

pequeos, ms si en algunos procesos es necesario detectar cualquier
cambio de nivel entonces se recomienda aplicar una de las parejas de
cartas de control:
Shewart-CUSUM o
Shewart- EWNA.
De tal manera que con la primera se detectan los cambios grandes y con
la segunda se detectan los cambios pequeos.
9.2. Diferencias
Diferencias
La diferencia entre las cartas CUSUM, EWMA y la carta Shewart es la
forma como se ponderan los datos.
Figura 1. Se muestra cmo en los estadsticos

Graficados en las cartas CUSUM, EWMA y Shewart
se toma en cuenta la informacin recabada hasta un
Tiempo de inspeccin t.
Se observa que la carta tradicional (Shewart) no tiene
Memoria y solo se considera la informacin obtenida en
El tiempo t, mientras que las cartas CUSUM y EWMA
Toman en cuenta toda la informacin, dndole algn peso
A las muestras observadas en los tiempos anteriores al t.
9.3. Carta CUSUM
Carta CUSUM
Esta carta fue propuesta por Page (1954), y el nombre de CUSUM se
debe a que es una carta en la cual se grafica la suma acumulada de las
desviaciones con respecto a la media global (si el proceso est centrado,
se podran considerar las desviaciones con respecto al valor nominal de
la caracterstica de inters).
Sean
las medias observadas en m subgrupos y sea
la
media global estimada. Entonces, en los primeros m puntos de inspeccin

sobre la carta CUSUM se grafican las siguientes sumas acumuladas:
9.3. Carta CUSUM
Siempre y cuando el proceso se mantenga bajo control estadstico

centrado sobre
, los valores de estas sumas acumuladas oscilaran
alrededor de cero.
Existen 2 maneras de construir esta carta: la CUSUM de dos lados, que
se interpreta con un dispositivo especial llamado mscara, y la CUSUM
tabular o de un solo lado, en la cual se consideran de manera separada
las sumas acumuladas por arriba y las sumas acumuladas por abajo.
9.4. CUSUM de 2 lados (con mscara)
CUSUM de 2 lados (con mscara)

En este tipo de CUSUM se grafican las sumas
, y para detectar cambios
se usa una especie de cono en forma de la letra V, al cual se le denomina

mscara y se coloca de manera horizontal sobre los puntos graficados.
Si algn punto anterior al punto de colocacin se sale de los brazos de la
mscara, el proceso se encuentra fuera de control estadstico.
Si vemos la grfica siguiente observaremos que el punto de colocacin de
la mscara es el punto 10 y se detecta un seal de fuera de control
porque el punto 8 se sale del brazo superior.
Figura 2. Mscara V y sus parmetros

fundamentales
Los parmetros fundamentales de la mscara son:

h: distancia entre el punto de colocacin y los brazos de la mscara
k: es la mitad del salto que interesa detectar
Ambos se expresan en unidades de del error estndar

La distancia gua d entre el punto de colocacin, el vrtice de la mscara y
el ngulo
se relaciona con los parmetros k y h mediante las frmulas:
Donde el 2 sale de hecho de que la escala horizontal est en unidades de

, y es necesario reescalar a unidades
para realizar los clculos. Los
valores que toman los parmetros de la mscara determinan el

desempeo de la herramienta en cuanto a su potencia para detectar
cambios de nivel de proceso.

Los parmetros d y k se relacionan con los riesgos tipo I ( ) y tipo II ( )
mediante la frmula:
Si se considera el error
pequeo (<1%), entonces d se simplifica a:
De esta ltima relacin se puede poner el riesgo
en funcin de d y k
como,

La seleccin de los parmetros de la carta se pueden hacer con la ayuda
de la tabla 1. Por ejemplo, si se quiere detectar un cambio de nivel de
magnitud
, se elige el valor
en el margen izquierdo y el
la parte superior. Si elegimos

son
en
= 300, los parmetros de la CUSUM

, con la cual se detectara el cambio de
inters en 9.4 puntos en promedio.

Tabla 1. Diseo de la carta CUSUM.

Ejemplo 1.
Una mquina automtica llena de paquetes de harina con un

peso nominal de 80 onzas (una onza equivale aprox. a 28.35 g.).
Interesa
monitorear
esta
mquina
para
detectar
cambios
pequeos de magnitud 0.15 onzas. Por medio de informacin

histrica se sabe que la media y la desviacin estndar del peso
de los paquetes es de 80.00 y 0.2 onzas, respectivamente. Cada
media hora se sacan en forma aleatoria cuatro paquetes y se
pesan. Las medias de las ltimas 20 muestras, los rangos y las
sumas que acumulan la desviacin de las medias respecto a la
media histrica (80.00), se muestran en la tabla 2.

Tabla 2.
Muestra
Media
Rango
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
79.90
79.91
79.89
80.05
79.94
79.95
79.88
79.96
80.27
79.87
79.87
80.04
80.04
80.04
80.23
80.23
80.28
80.13
80.05
80.15
0.35
0.43
0.63
0.50
0.50
0.18
0.45
0.36
0.65
0.23
0.50
0.23
0.56
0.15
0.33
0.62
0.34
0.33
0.45
0.47
Suma
acumulada
-0.10
-0.19
-0.30
-0.25
-0.31
-0.36
-0.48
-0.52
-0.25
-0.38
-0.51
-0.47
-0.43
-0.39
-0.16
0.07
0.35
0.48
0.53
0.68

Figura 3. Carta de medias para el peso de los paquetes (ejemplo1 )
En esta carta de medias se observa un proceso en control estadstico si y

solo si se aplica la regla 1. Si adems se aplicara la regla 4 de 5 puntos
ms all de la zona C, los ltimos cuatro puntos mandaran una seal de
fuera de control. .
Figura 4. Carta CUSUM con mscara para el peso

de los paquetes (ejemplo 1)
En esta se aprecia la seal de cambio de nivel con la mscara colocada

en el punto 17 dado que los puntos del 11 al 14 se salen del brazo inferior.
Adems se destaca la fuerte tendencia ascendente que se dio a partir del
punto 11, lo que podra a ayudar a identificar la causa especial del
cambio.

Detalles de obtencin de la carta CUSUM
Dado que el error estndar histrico
, e interesa detectar un
cambio de 0.15 onzas, entonces este cambio equivale a

del error estndar. As de la tabla 1 con
unidades
, se lee que
Sin embargo, no se cumple el escalamiento recomendado de dos errores

estndar por unidad en el eje horizontal, lo cual implica que el ngulo no
es de arctan(0.75/2) =20.55, sino mayor.
9.5. CUSUM tabular (de un solo lado)
CUSUM tabular (de un solo lado)

La idea de la CUSUM tabular es evitar el uso de la mscara para detectar
cambiar.
La CUSUM tabular consiste en construir una tabla en la cual se acumulan
de manera separada las desviaciones hacia arriba y hacia abajo de la
media del proceso
. Para ello, en el punto i dichas sumas se definen
como:
Con
. El parmetro K es el valor de referencia y
corresponde a la mitad del cambio que interesa detectar expresado en

unidades originales, es decir,
.

El criterio para decidir que el proceso est fuera de control es que alguna
de las sumas rebase el intervalo de decisin dado por H, donde
Observe que las sumas anteriores solo acumulan cuando la media

observada se aleja de la media del proceso ms all de K. Cuando no
acumulan al menos esta cantidad asumen el valor cero.
Los nmeros
en la tabla 3, que cuentan los puntos consecutivos
donde las sumas se mantienen distintas de cero, son tiles para estimar
la nueva media del proceso una vez que sale de control. Tal estimacin se
hace mediante una de las siguientes frmulas:

Ejemplo 2.
Para aplicar la CUSUM tabular al ejemplo de los paquetes de

harina, tenemos que la media del proceso es igual al valor
nominal
, el error estndar histrico es igual a
el cambio de nivel de inters es
y con la ayuda de la tabla
1 se encontr que el valor de referencia k = 0.75 y el intervalo de

decisin es
Al expresar estos parmetros en las unidades originales se tiene

que
y que

Tabla 3. CUSUM tabular para el ejemplo 2.

En la tabla anterior podemos destacar que a partir del punto 15 la suma
por arriba comienza a acumular hasta salirse del intervalo de decisin H =
0.34 justo en el punto 17 hasta el punto 20 (puntos marcados con *), lo
cual indica que el proceso est fuera de control.
Aunque con nos basta con la representacin tabular para poder tomar
una decisin con respecto al control
del proceso, el figura siguiente
muestra la representacin grfica.
Figura 5. Representacin de la
CUSUM tabular
Los puntos en la grfica son las medias observadas y las sumas

acumuladas por arriba y por abajo se representan con una barra en forma
de T. Cuando estas barras superan los lmites de control dados por H, se
detecta una seal fuera de control
9.6. Carta EWMA
Carta EWMA
La carta EWMA (por sus siglas en ingls: Exponentially Weighted MovingAverage) significa promedios mviles exponencialmente ponderados y fue
propuesta
por Roberts (1959). Esta carta tiene un desempeo muy
parecido a la CUSUM en la deteccin de pequeos cambios de nivel del

proceso, con la ventaja de que es ms fcil de construir. El estadstico
EWMA, que se grafica al tiempo t en la carta, est dado por la frmula
recursiva:
Donde
centrado, y
que coincide con el valor nominal si el proceso est

.
9.6. Carta EWMA
Por ejemplo, hasta
, las tres primeras sumas estaran dadas por:
A partir de esto es claro que el parmetro
determina la profundidad de la
memoria de la EWMA: mientras ms cerca est de cero es mayor el peso

de los datos histricos, es decir, recuerda ms el pasado. Mientras que si
est ms cerca de uno, tiene ms influencia la ltima media observada y
el pasado tiene menos peso.
9.6. Carta EWMA
De tal forma que cuando
sera equivalente a la carta de medias
tradicional, que no da ningn peso a la informacin anterior a un punto

dado.
que
La
experiencia
ha
mostrado
que
lo
adecuado
es
, y el valor 0.2 es el ms tpico.
La varianza del estadstico
est dado por:
9.6. Carta EWMA

Donde n es el tamao del subgrupo. De aqu que los lmites en el punto
subgrupo t estn dados por:
El trmino
tiende a 1 cuando t se incrementa, de manera
que la varianza de
se va incrementando y con ello los lmites de
control de la carta EWMA se van abriendo hasta estabilizarse en:
9.6. Carta EWMA

Ejemplo 3.
Para obtener una carta EWMA del peso de paquetes del ejemplo
1, se obtienen las sumas, se aplican las frmulas previas y,
usando el valor tpico de
se obtienen las sumas ponderadas:
, etc. Los lmites de control se obtienen con las frmulas previas,
usando tamao de muestra o subgrupo
Con estos elementos se obtiene la carta EWMA de la figura 6.
9.6. Carta EWMA
Figura 6. EWMA para el peso de paquetes,

Ejemplo 3
Aparecen fuera de los lmites de control los
Mismos puntos que se detectaron con las
Cartas CUSUM.
Carta ARIMA para datos autocorrelacionados

Esta carta es importante en los casos cuando las mediciones sucesivas
en el proceso no son independientes. Este es el caso de muchos
procesos qumicos, donde las mediciones sucesivas del proceso o su
producto tienen una fuerte correlacin, as como tambin procesos donde
ocurren derivas o desvos a travs del tiempo provocadas por aspectos
como desgastes, calentamientos ,etc.
Si se usara las tradicionales cartas de control, estas generaran muchas
seales fuera de control, cuando en realidad en el proceso no estn
actuando causas especiales. El uso de cartas tradicionales suponen que
los datos son independientes.

Ejemplo 4.
En un proceso qumico se mide la concentracin cada 2 horas. A

continuacin, ordenados por rengln, se presentan 120 datos
obtenidos en este proceso.
17. 16. 16. 16. 17. 16. 16. 17. 17. 17. 16. 17. 17. 17. 17. 17. 17. 17.
0 6 3 1 1 9 8 4 1 0 7 4 2 4 4 0 3 2
17. 16. 17. 17. 17. 17. 17. 17. 17. 17. 17. 17. 17. 18. 17. 17. 17. 17.
4 8 1 4 4 5 4 6 4 3 0 8 5 1 5 4 4 1
17. 17. 17. 17. 17. 17. 16. 17. 17. 17. 17. 17. 16. 17. 17. 16. 16. 16.
6 7 4 8 6 5 5 8 3 3 1 4 9 3 6 9 7 8
16. 17. 16. 17. 17. 16. 17. 16. 16. 18. 17. 17. 17. 16. 17. 16. 17. 17.
8 2 8 6 2 6 1 9 6 0 2 3 0 9 3 8 3 4
17. 16. 16. 17. 16. 17. 16. 16. 16. 16. 16. 16. 16. 16. 16. 16. 16. 16.
7 8 9 0 9 0 6 7 8 7 4 5 4 6 5 7 4 4
16. 16. 16. 16. 17. 16. 17. 17. 16. 16. 16. 17. 16.
17. 17. 16. 16. 16.
Figura 7. Grfico X para concentracin

Ejemplo 4
En esta grfica se detectan muchas
Seales de fuera de control, en una
Especie de rachas, que pareciera que
Son provocadas por tendencias o
Mediciones sucesivas que no son
Independientes.

Para probar la falta de independencia hay varias formas, muchas de ellas
se basan en los coeficientes muestrales de autocorrelacin. Se xi una
serie de n valores, con i = 1,2,3,,n; el coeficiente de autocorrelacin
simple rk con retardo o desfasamiento k, est dado por:
Donde
es la media aritmtica de la variable x en la serie. De esta
manera el r1 calcula la correlacin entre los valores sucesivos (retardo 1),

es decir entre las parejas formadas (xi,xi+1), el r2 considera los datos con
retardo 2 para
estimar la correlacin entre las parejas (xi,xi+2); y as
sucesivamente.

As, rk mide la relacin lineal entre los valores de la serie con un retardo o
desfasamiento de k unidades de tiempo. Se puede demostrar que los
valores de rk estn entre -1 y 1, y un valor de rk cercano a 1 quiere decir
que las observaciones separadas por un desfasamiento de k unidades de
tiempo, tienen una fuerte tendencia a moverse juntas en forma lineal con
pendiente positiva. Mientras que un valor cercano a -1 significa que las
observaciones separadas por un desfasamiento de k unidades de tiempo,
tienen una fuerte tendencia a desplazarse juntas en forma lineal con
pendiente negativa.

Por su parte el coeficiente de autocorrelacin parcial con retardo k est
dado por:

El coeficiente rkk para un retardo k quiere decir que no considera las
correlaciones acumuladas hasta el retardo k.
De los datos del ejemplo 4 se obtiene que r1 = 0.52 y r2 = 0.51; lo que sin
lugar a dudas habla de una correlacin moderada entre los valores de la
serie correspondiente.
Una prueba tpica de independencia de la serie, obtenida a partir de los
coeficientes rk es la de Box-Pierce (Box y Pierce, 1970), que se obtiene
con el siguiente estadstico:

El cual tiene una distribucin ji-cuadrada con m grados de libertad, por lo
que sse rechaza la independencia de la serie si . En este caso m<n, es la
longitud mxima de retardo considerada para calcular la autocorrelacin,
usualmente m<25. Si se aplica esta prueba a los datos del ejemplo 4, con
m = 24, se obtiene que el estadstico que le corresponde un valor p =
0.0000, por lo que se rechaza con mucha fuerza la hiptesis de
independencia de la serie de la concentracin del proceso qumico.
De esta manera no es apropiado analizar el control de tal proceso con
base a una carta de control tradicional.

La suposicin tradicional de que los datos xi generados por el proceso
son independientes con una distribucin normal , se traduce en que en el
tiempo t el valor xi se representa por el modelo:
Donde son independientes y tienen una distribucin normal con media
cero y desviacin estndar . De esta manera en la prctica el control
estadstico del proceso se traduce en asegurar que , estimados por los
residuos , efectivamente siguen una distribucin normal (0, ).
Si la suposicin de independencia no se cumple entonces se propone un
modelo adecuado para ; si este modelo capta en forma apropiada los
patrones de autocorrelacin que ocurren en el proceso, entonces ser
posible analizar el control del proceso con los residuos de este otro
modelo.
9.8. Modelos ARIMA
Modelos ARIMA
Una de las familias de modelos ms usuales para describir datos
autocorrelacionados son los autoregresivos o AR. Por ejemplo, el modelo
autoregresivo de primer orden, AR (1), est dado por:
Donde y , los parmetros del modelo, son constantes desconocidas que

es necesario estimar de los propios datos; y los tambin se les llama
ruido blanco. Notar que el modelo est postulando que hay una relacin
directa proporcional entre el valor anterior del proceso, , y el actual , de tal
forma que a mayor sea el valor ms fuerte es tal relacin.
9.8. Modelos ARIMA

La generalizacin de lo anterior, el modelo autoregresivo de orden p,
AR(p), est dado por:
Otra familia muy til para modelar datos autocorrelacionados son los
modelos de medias mviles, el de orden q, MA (q), est dado por:
9.8. Modelos ARIMA

Donde y los son los parmetros del modelo que es necesario estimar a
partir de los datos; y los errores , con usualmente se supone que tienen
distribucin normal con media cero y desviacin estndar . Note que en el
caso de los modelos MA la relacin entre la observacin actual y las
anteriores se establece a travs de los errores anteriores .
Ambas familias de modelos son muy flexibles y pueden hacer un buen
trabajo para modelar la mayora de los patrones de autocorrelacin. Claro
que en algunos
tipos de autocorrelacin hay necesidad de combinar
ambos tipos de modelos, de donde resultan los modelos ARMA (p,q).
9.8. Modelos ARIMA

Por ejemplo el ARMA(1,1) est dado por:
Ciertos tipos de autocorrelacin o no estacionariedad de la serie se puede

corregir tomando las diferencias sucesivas entre los valores de la serie,
por
ejemplo
la
primera
segunda
diferencia,
estn
dadas,
respectivamente por:
9.8. Modelos ARIMA

Al tomar estas diferencias, le da una gran flexibilidad de ajuste a los
modelo ARMA(p,q), y cuando esto se hace se habla de modelos ARIMA
(autoregresivos, integrados, medias mviles).
Por ejemplo el ARIMA (0,1,1) es un modelo de medias mviles de primer
orden aplicada a las primeras diferencias, cuya forma es la siguiente:
Para seleccionar el modelo ARMA (p,q) que ajusta apropiadamente a la

serie hay varias estrategias, entre las ms usadas est el uso de los
coeficientes de autocorrelacin simple y parcial, con los criterios que se
muestran en la tabla 4
9.8. Modelos ARIMA

Tabla 4. Criterios bsicos para decidir el modelo ARIMA.
Modelo
FAC (funcin de
autocorrelacin
simple)
FACP (funcin de
autocorrelacin
parcial)
AR (p)
Coeficientes
diferentes de cero
con decaimiento
exponencial o
sinoidal hasta
converger a cero
Solo las primeras p

autocorrelaciones
parciales son
distintas de cero.
MA (q)
Solo las primeras q
autocorrelaciones
simples son distintas
de cero
ARMA (p,q)
Comportamiento
irregular de las
primeras q
autocorrelaciones, y
despus convergen a
Las autocorrelaciones
parciales convergen a
cero.
Sucesin que
converge a cero.
9.8. Modelos ARIMA

Aqu se muestran las grficas FAC y FACP para los datos del ejemplo 4.
Figura 8. Autocorrelaciones estimadas para concentracin
Figura 9. Autocorrelaciones parciales estimadas para concentracin
9.9. Obtencin de la carta de control para

residuos del modelo ARIMA
Obtencin de la carta de control para los residuos del modelo

ARIMA
Para obtener la carta ARIMA para los residuos lo primero que se debe
decidir es el modelo que describe la autocorrelacin de los datos del
proceso. Aqu es conveniente apoyarse en un software y en los criterios
bsicos de la tabla 4. Con el uso de Statgraphics, que aplica el mtodo de
mxima verosimilitud no condicionada, se tiene que el modelo AR(2) para
los datos del ejemplo 4 est dado por:
Con el modelo ajustado se calculan los residuos, con la expresin,

En la tabla 5 se muestra una parte de estos residuos para las primeras
observaciones. En caso de un modelo AR (2) el primer residuo que se
puede calcular es la de la medicin 3, ya que con base en las primeras 2
observaciones se estima puntualmente que la tercera estar dada por:
As se estimaba que la tercera observacin fuera igual a 16.86, pero fue

16.3, por lo que el residuo es igual a -0.56.

La carta ARIMA para procesos con autocorrelacin consiste en llevar una
grfica de control tradicional para los residuos. La lnea central de esta
carta ser igual a cero (la media de los residuos), y los lmites , hay 2
formas de obtener esta desviacin estndar, de forma similar a como se
hace en las cartas de control de medias y de individuales.
La primera es a travs del rango mvil de orden 2 entre los residuos,

en donde la desviacin estndar estar dada por la media de estos
rangos dividida por 1.128.
La otra es a travs de la raz cuadrada del cuadrado medio del error

del modelo ajustado.

Aqu usamos la primera opcin. Por ello como la media de los rangos
mviles es igual a 0.3757, al dividirla entre 1.128, se obtiene que . Por lo
tanto los lmites de control para la carta ARIMA (2,0,0) para los residuos
del ejemplo 4, estn dados por LCI = -0.9992 y LCS = 0.9992; que
redondeando a dos cifras decimales quedan como -1.00 y 1.00,
respectivamente.

Figura 10. Grfico de residuos ARIMA para concentracin
Estado de un proceso
Una de las tareas bsicas para caracterizar y mejorar un proceso es
evaluar su estado en cuanto a su capacidad y estabilidad, ya que en
funcin de esto el proceso tendr 4 categoras, y para cada una de estas
se recomiendan estrategias de mejora diferente.
Es necesario mencionar que para que tenga sentido que un proceso sea
capaz, primero se debe garantizar que es estable a travs del tiempo. Sin
embargo, es posible afirmar que un proceso es capaz, con independencia
de su estabilidad, si el nivel de disconformidades es suficientemente bajo
como para garantizar que no habr esfuerzos inmediatos para tratar de
disminuirlas y mejorar su capacidad.
Figura 11. Posibles estados de un proceso

En funcin de los ndices de inestabilidad y
de la capacidad

Los 4 posibles estados de un proceso se deriva de 1 par de preguntas
fundamentales:se considera que el proceso es capaz de cumplir con las
especificaciones de calidad? Y para propsitos prcticos el proceso se
puede catalogar como estable a travs del tiempo, considerando su
tendencia central y la amplitud de su variabilidad?
Estas preguntas puede contestarse en forma afirmativa o negativa, y eso
genera 4 tipos de respuestas: S-S, S-No, No-S y No-No, como se
ilustra en la siguiente tabla
Tabla 5. Cuatro estados de un proceso.

Para contestar dichas preguntas es necesario hacer un studio de
capacidad y estabilidad con una perspectiva a largo plazo, como se
sugiere en los siguientes pasos.
1. Delimitar datos histricos. Se toma datos histricos del proceso que
reflejen la realidad de este en cuanto a sus principales variables de
salida durante un lapso considerable en donde no se han realizado
grandes modificaciones al proceso. En caso de que se hayan
realizado modificaciones, como en los procesos en etapa de
arranque, se recomienda iniciar una recoleccin intensiva de datos
para realizar el estudio.
Este lapso depende de la velocidad del proceso:

Tabla 6. Velocidad del proceso vs lapso
Velocidad del proceso
Lapso
En un proceso masivo
en el que se producen
cientos o miles de
piezas o partes por da,
y que a diario se
muestrean y se miden
decenas de tales partes
Es suficiente
contemplar las
mediciones realizadas
en las ltimas dos a
cuatro semanas. En este
lapso se podra tener de
300 a 500 subgrupos
En un proceso lento que

genera pocos resultados
por da, y que por ello
en una semana se
hacen pocos muestreos
y mediciones
Es necesario contemplar
un periodo mayor (tener
los datos de los ltimos
100 a 200 puntos gra
ficados en la carta de
control correspondiente
es un buen punto de
partida)
En los procesos
semimasivos
Se aplica un criterio
intermedio. Control de Calidad Ing. Norman Reyes

2.
Analizar estabilidad. Para estudiar la estabilidad del proceso, a travs

del tiempo, que comprende los datos histricos y calcular el ndice de
inestabilidad, St, se recomiendan dos actividades:
.Estudiar tanto las cartas como se obtuvieron en el pasado como
los cambios detectados con ellas. Buscando identificar los patrones
especiales de variacin, como son: puntos fuera de los lmites,
tendencias, ciclos, etc. A partir de esto se verifica si hay algn tipo
de inestabilidad predominante y se calcula el ndice, St.

Hacer un estudio inicial con los datos histricos, es decir, analizar todos
los datos en la misma carta de control para identificar los patrones
especiales de variacin que se describieron en el captulo 7 y, con base en
esto, sacar conclusiones y calcular el ndice de inestabilidad, St.
Si en cualquiera de las dos actividades el ndice St que se calcula es
demasiado grande (por ejemplo, mayor a 10%), entonces ser un indicativo
que se est ante un proceso con alta inestabilidad. En caso de que en ambos
estudios el ndice St, sea pequeo, de 1 a 3 puntos porcentuales, entonces el
proceso se considerar razonablemente estable.

3. Estudiar la capacidad. Se aplica a los datos histricos un anlisis de
capacidad. En particular, es importante obtener los ndices de
capacidad de corto plazo Cp y Cpk, sus equivalentes de largo plazo
Pp y Ppk y un histograma.
A partir de esto, es necesario ver cmo es la distribucin de los datos
con respecto a especificaciones, y si hay problemas de capacidad es
preciso identificar si se debe a problemas de centrado y/o a exceso
de variacin.

Si la variable es de atributos (proporcin o porcentaje de defectuosos, nmero
de defectos por lote, etc.), tambin es recomendable analizar por medio del
histograma la proporcin de defectos, estimar el porcentaje promedio de
defectos o su correspondiente PPM y trasladar stos a su correspondiente
ndice Cp.
En ambos casos, de acuerdo con el anlisis realizado y la poltica de calidad
de la empresa, es necesario concluir si la capacidad del proceso para cumplir
las especificaciones de calidad es aceptable.

Ejemplo 5.
Figura 12. Carta p para dientes defectuosos.

A partir de los dos estudios anteriores se tendr el estado del proceso en cuanto a
estabilidad y capacidad, con lo cual ser posible adoptar la estrategia de mejora
ms adecuada al proceso.
Estrategias de mejora
Proceso tipo D (inestable e incapaz)
Esta estrategia se aplica a los procesos que tienen baja capacidad para cumplir
con especificaciones y que, adems, son altamente inestables. Por ello, se
recomienda orientar los esfuerzos de mejora a detectar y eliminar las causas de la
inestabilidad.
Ms que tratar de identificar qu pas en cada punto especial, es mejor orientarse
a identificar los patrones que sigue tal inestabilidad, para de esa manera generar
conjeturas (hiptesis) sobre las posibles causas de la inestabilidad.
Es necesario considerar que un proceso muy inestable se caracteriza por estar
pobremente estandarizado, en donde es posible que haya cambios continuos o
mucha variacin atribuible a materiales, mtodos, mediciones, diferencias en las
condiciones de operacin de la maquinaria y desajustes, distintos criterios y
capacitacin de operarios, etctera.

Con base en lo anterior, enseguida se describen tres actividades especficas de la
estrategia para este tipo de procesos.
Mejorar la aplicacin y uso de las cartas de control
Para identificar las causas especiales de la inestabilidad, el primer paso es revisar
el actual sistema de monitoreo del proceso, con la finalidad de mejorarlo en forma
significativa. En este sentido, ser necesario implantar una o ms cartas de
control, si es que no existan; y si ya existen, es preciso revisar su diseo y
operacin.
Buscar y eliminar las causas de la inestabilidad
Una actividad que se puede realizar en paralelo a la anterior es retomar el estudio
realizado sobre los datos histricos con el que se determin que el proceso es
inestable. Pero ahora, con nfasis en identificar el tipo de inestabilidad
predominante en el proceso. Luego, es necesario hacer una lista de las variables
de entrada o situaciones que podran causar ese tipo de patrn de inestabilidad.

Una vez realizada esa lista, lo que sigue es confirmar cul de ellas en realidad
genera esos cambios en el proceso, a travs de 2 enfoques principales:
Analizar la distribucin de los datos de manera estratificada, es decir, comparar
los resultados del proceso de acuerdo con las diferentes causas bajo sospecha.
Por ejemplo, si se presume que la inestabilidad se debe a la fuerte variacin de
lote a lote de materia prima, entonces se procede a comparar los resultados
que se logran con los diferentes lotes. Lo mismo ocurre cuando se sospecha de
cualquier variable de entrada, instrumentos de medicin, operadores, mtodos
de trabajo, etc. Aqu, la clave es agrupar y analizar los datos en funcin de la
sospecha.
El otro enfoque es disear y correr de manera adecuada un experimento con la
finalidad de corroborar las conjeturas que se tienen sobre las causas de la
inestabilidad.

Ejemplo 6.
Con base en los registros disponibles se observa que de los 150 lotes reportados
en la figura 12, en 21 se ha utilizado materia prima del otro proveedor y que son
los lotes 4, 20, 23, 28, 29, 47, 50, 53, 63, 66, 68, 83, 85, 110, 115, 117, 118, 123,
127, 134 y 147.
Para confirmar que efectivamente en estos lotes la proporcin de defectuosos es
mayor que en el resto, se realiza un anlisis por separado en funcin del
proveedor.
Tabla 7. Estadstica para la proporcin de defectuosos

Resultados obtenidos del anlisis por separado en funcin del proveedor. Se observa que las
proporciones tienden a ser mayores cuando se utiliza el material del proveedor 0, ya que la
mediana para el proveedor 0 es 0.196, frente a 0.150 del otro. Asimismo, el mximo del proveedor
1 prcticamente coincide con el cuartil inferior del otro, lo cual significa que 75% de los
porcentajes de rechazo del proveedor 0 son an ms grandes que el mximo del proveedor 1. En
suma, con los estadsticos y el diagrama de caja se concluye que trabajar con la materia prima
del proveedor 0 incrementa, en promedio, 4.3 puntos porcentuales (0.193-0.150) el porcentaje de
dientes rechazados, por lo que cada vez que se trabaje con ese material es ms probable que la
correspondiente proporcin se salga del lmite de control superior.
Figura 13. Diagramas de caja para comprobar la proporcin de

Rechazo en funcin del proveedor de materia prima.

Cabe aclarar que no todas las proporciones correspondientes al proveedor 0
cayeron fuera del LCS debido a que su promedio (0.193) est justo dentro del LCS
de la carta p (figura 12), por lo que se espera que ms o menos la mitad de estas
proporciones supere el LCS, como efectivamente ocurri. En la prctica, esto
puede ocultar o no hacer tan evidente la presencia de la causa especial cuando se
introduce el otro material, pero el anlisis elimina cualquier duda. Al investigar por
qu con el material se incrementaban los dientes rechazados, se encontr que el
tamao de partcula de material era ligeramente mayor. Por ello, se estableci que
de preferencia habra que utilizar la materia prima del proveedor 1, y que en caso
de que por alguna fuerte razn fuera necesario trabajar con el material del
proveedor 0, ste primero debera tamizarse (cernirse) y de esa manera retener
las partculas ms grandes
Volver a evaluar el estado del proceso
Una vez que se logre reducir las causas especiales de la inestabilidad, es
necesario volver a evaluar el estado del proceso y proceder de acuerdo con el
nuevo estado del proceso. Por ejemplo, si efectivamente se han disminuido las
causas de la inestabilidad, el proceso correspondiente ser ms estable y quizs
an incapaz. Si ste fuera el caso, lo que sigue es aplicar la estrategia tipo C.

Proceso tipo C (estable pero incapaz)
La estrategia para procesos tipo C se aplica cuando el proceso fue catalogado
como estable pero con baja capacidad de cumplir especificaciones. Es decir, se
est ante un proceso establemente malo que genera piezas fuera de
especificaciones o piezas que no cumplen con ciertos atributos de calidad.
Por ello, la estrategia de mejora est orientada a mejorar la capacidad del proceso
mediante las siguientes actividades:
Revisar y mejorar la aplicacin de las cartas de control
Esto se hace por dos razones, por un lado, es recomendable que todo proceso
tenga un buen sistema de monitoreo para detectar sus cambios de manera
oportuna. La otra razn es que, en ocasiones, en algunos procesos es probable
que algunas de las aparentes causas comunes que generan los problemas de
capacidad en realidad sean causas especiales que se podran detectar con un
buen diseo (o rediseo) y la utilizacin de las cartas de control.

Investigar las causas de la baja capacidad mediante un proyecto de
mejora
Para ello, es necesario retomar el estudio de capacidad que se desarroll para
definir el estado del proceso y, a partir de ste, establecer la magnitud del
problema y la razn bsica por la que el proceso genera producto no conforme,
ya sea por exceso de variacin o porque el proceso est descentrado.
A continuacin, de acuerdo con lo anterior y con la magnitud e importancia del
problema, se integra un equipo de mejora para que busque la solucin del
problema en forma metdica, y superar la tendencia de muchas organizaciones
de probar ocurrencias sin razn, que es inspirada por el enfoque prueba y
error
Un proyecto formal se puede realizar siguiendo ya sea los ocho pasos en la
solucin de un problema (ver captulo 1) o la metodologa Seis Sigma (DMAMC)

Volver a evaluar el estado del proceso
De esta forma, despus de cada proyecto de mejora es necesario volver a
evaluar el estado del proceso para ver en qu medida ha mejorado. En teora,
se deben seguir aplicando proyectos de mejora de capacidad hasta que el
proceso sea capaz y conserve su estabilidad (proceso tipo A).
En caso de que despus de mltiples intentos bien estructurados no se logre
cumplir de manera satisfactoria la capacidad del proceso, ser necesario
pensar en otras alternativas, tales como un rediseo del proceso en el cual se
introduzcan nuevas tecnologas.

Proceso tipo B (capaz pero inestable)
Es un proceso que funciona en presencia de causas especiales de variacin,
pero stas son tales que se est relativamente satisfecho con el desempeo del
proceso en trminos de objetivos previos o especificaciones (su ndice de
defectivo es bajo, por ejemplo); de tal forma que se est ante un proceso capaz
pero inestable.
Ante esto, se tiene cierta vulnerabilidad porque en un momento dado esa
inestabilidad puede ocasionar problemas en trminos de especificaciones.
Si se quiere conocer y mejorar tal proceso, habra que empezar por identificar y
eliminar las causas de la inestabilidad; por ello, es necesario aplicar las mismas
actividades sugeridas para el proceso tipo D (inestable e incapaz).

Proceso tipo A (estable y capaz)
Se est ante un proceso sin problemas serios de calidad. Por lo tanto, las
actividades de esta estrategia estn enfocadas en mantener en tal estado el
proceso y explorar alternativas para mejorar su productividad y/u operabilidad.
Revisar y mejorar, en su caso, la aplicacin de las cartas de control. Es
verificar que el actual sistema de monitoreo del proceso es el adecuado, y si
es necesario evaluar la conveniencia de generar esquemas de control ms
econmicos, por ejemplo, utilizar otra carta de control, reducir la frecuencia o
el tamao de muestreo, etctera.
Explorar alternativas para mejorar la confiabilidad e incrementar la
productividad y/u operabilidad del proceso. Buscar mejoras en la
confiabilidad del proceso detectando sus fallas ms recurrentes y ms
graves (Aplicar AMEF). Tambin, incrementar la productividad del proceso
mejorando su eficiencia: tiempo desperdiciado por paro de equipos,
desbalanceo de lneas (capacidades), falta de materiales, retrasos en
suministros y en las rdenes de compra, mantenimiento y reparaciones. Otra
lnea de accin es trabajar para lograr un proceso esbelto, mejorando su flujo
y eliminando actividades que no agregan valor.

Control Calidad - Unidad 7 - Cartas Cusum, Ewma, Arima, Estado de Un Proceso

Caricato da

Informazioni sul documento

Descrizione originale:

Titolo originale

Copyright

Formati disponibili

Condividi questo documento

Condividi o incorpora il documento

Opzioni di condivisione

Hai trovato utile questo documento?

Questo contenuto è inappropriato?

Copyright:

Formati disponibili

Control Calidad - Unidad 7 - Cartas Cusum, Ewma, Arima, Estado de Un Proceso

Caricato da

Copyright:

Formati disponibili

Universidad

9. Cartas CUSUM, EWMA y ARIMA:

10. Estado de un proceso: capacidad y estabilidad:

Control de Calidad Ing. Norman Reyes

y se tardara 71.5 puntos en promedio en

Este desempeo es muy lento en comparacin con la de las cartas

En la prctica es ms importante detectar los cambios grandes que los

Control de Calidad Ing. Norman Reyes

Figura 1. Se muestra cmo en los estadsticos

Control de Calidad Ing. Norman Reyes

9.3. Carta CUSUM

las medias observadas en m subgrupos y sea

media global estimada. Entonces, en los primeros m puntos de inspeccin

Control de Calidad Ing. Norman Reyes

9.3. Carta CUSUM

Siempre y cuando el proceso se mantenga bajo control estadstico

, los valores de estas sumas acumuladas oscilaran

9.4. CUSUM de 2 lados (con mscara)

CUSUM de 2 lados (con mscara)

, y para detectar cambios

se usa una especie de cono en forma de la letra V, al cual se le denomina

Control de Calidad Ing. Norman Reyes

9.4. CUSUM de 2 lados (con mscara)

Figura 2. Mscara V y sus parmetros

Los parmetros fundamentales de la mscara son:

Control de Calidad Ing. Norman Reyes

9.4. CUSUM de 2 lados (con mscara)

se relaciona con los parmetros k y h mediante las frmulas:

Donde el 2 sale de hecho de que la escala horizontal est en unidades de

para realizar los clculos. Los

valores que toman los parmetros de la mscara determinan el

9.4. CUSUM de 2 lados (con mscara)

pequeo (<1%), entonces d se simplifica a:

De esta ltima relacin se puede poner el riesgo

Control de Calidad Ing. Norman Reyes

9.4. CUSUM de 2 lados (con mscara)

la parte superior. Si elegimos

= 300, los parmetros de la CUSUM

inters en 9.4 puntos en promedio.

Control de Calidad Ing. Norman Reyes

9.4. CUSUM de 2 lados (con mscara)

Control de Calidad Ing. Norman Reyes

9.4. CUSUM de 2 lados (con mscara)

Una mquina automtica llena de paquetes de harina con un

pequeos de magnitud 0.15 onzas. Por medio de informacin

Control de Calidad Ing. Norman Reyes

9.4. CUSUM de 2 lados (con mscara)

Control de Calidad Ing. Norman Reyes

9.4. CUSUM de 2 lados (con mscara)

En esta carta de medias se observa un proceso en control estadstico si y

Control de Calidad Ing. Norman Reyes

9.4. CUSUM de 2 lados (con mscara)

Figura 4. Carta CUSUM con mscara para el peso

En esta se aprecia la seal de cambio de nivel con la mscara colocada

9.4. CUSUM de 2 lados (con mscara)

cambio de 0.15 onzas, entonces este cambio equivale a

Sin embargo, no se cumple el escalamiento recomendado de dos errores

Control de Calidad Ing. Norman Reyes

9.5. CUSUM tabular (de un solo lado)

CUSUM tabular (de un solo lado)

. Para ello, en el punto i dichas sumas se definen

. El parmetro K es el valor de referencia y