Control Por Procesos

Control Estadstico de Procesos
Parte 1
Mara Guadalupe Russell Noriega.
Facultad de Ciencias Fsico-Matemticas
Universidad Autnoma de Sinaloa.
V Verano de Probabilidad y Estadstica, CIMAT.
Del 2 al 6 de julio del 2012.
Contenido Contenido
Introduccin al Control Estadstico de Procesos
Por qu varan los procesos?
Fundamentos Estadsticos Fundamentos Estadsticos
Causas Comunes y Causas Especiales y p
Capacidad de Procesos
Monitoreo de Procesos
Cartas de Control Tipo Shewhart p
Cartas de Control de Sumas Acumuladas
Introduccin
El Control Estadstico de Procesos naci a finales de los aos 20
en los Bell Laboratories, como parte del Manejo de Calidad Total
(TQM) C t l d l C lid d T t l (TQC) (TQM) o Control de la Calidad Total (TQC).
Shewhart, en su libro Economic Control of Quality of
Manufactured Products (1931) marc la pauta que seguiran otros
discpulos distinguidos (Juran, Deming, etc.).
En 1924 Shewhart desarroll el concepto de carta de control
estadstico, el cual suele considerarse como el inicio formal del
control estadstico de calidad.
La popularidad del uso de las cartas de control en la industria se
debe a la facilidad de construccin e interpretacin Sin embargo debe a la facilidad de construccin e interpretacin. Sin embargo
su uso ha venido creciendo en reas como salud y servicios.
Introduccin
Para entender los alcances del SPC (CEP), se entiende que un
proceso es una red de componentes independientes que trabajan
juntas, con el propsito de lograr los objetivos propuestos por el ju as, co e p ops o de og a os obje os p opues os po e
sistema.
Un proceso industrial est sometido a una serie de factores
de carcter aleatorio que hacen imposible fabricar dos
productosexactamente iguales.
Las caractersticas del producto fabricado no son uniformes
y presentan variabilidad.
Esta variabilidad es no deseable y el objetivo es reducirla lo
msposible o al menosmantenerla dentro de ciertoslmites.
El Control Estadstico de Procesos es una herramienta til
para alcanzar dicho objetivo. Dado que su aplicacin es en
el momento de la fabricacin puede decirse que esta el momento de la fabricacin, puede decirse que esta
herramienta contribuye a la mejora de la calidad de la
fabricacin.
Permite tambin aumentar el conocimiento del proceso
dando lugar a la mejora del mismo.
Por que se ve
f t d f t afectado por factores
que varan
Causas de variabilidad
i
i
i
i
i
i i
i
i i
i
i
i
i
i
i
La estrategia bsica para la mejora de la calidad pasa por la
identificacin de las causas que producen variabilidad, las cuales segn
Shewhart (1931) se clasifican en: ( )
a) Causas comunes o aleatorias: Son las que provocan la llamada
variabilidad natural del proceso y obedecen a un comportamiento variabilidad natural del proceso, y obedecen a un comportamiento
aleatorio.
b) Causas especiales o atribuibles: Son aquellas que cuando estn
presentes tienen un efecto significativo en el desempeo del proceso.
Este efecto se refleja eventualmente en el patrn que presentan los
puntos graficados en la carta de control puntos graficados en la carta de control.
La variabilidad de lascausascomuneso aleatoriases el reflejo de cientos
de causas pequeas que actan de manera conjunta, y que no es p q q j , y q
posible identificar alguna en especial.
La variacin excesiva debida a causas comunes se resuelve cambiando
la tecnologa de modo que la eliminacin de las causas comunes es la tecnologa, de modo que la eliminacin de las causas comunes es
responsabilidad de la empresa.
La variabilidad de las causas especiales o atribuibles se deben
tpicamente a aspectos tales como: materiales, operadores, instrumentos
de medicin, mquinas, mtodos.
La eliminacin de las causas especiales es ms sencilla ya que
bsicamente son responsabilidad del operario.
Por definicin, se dice que un proceso est bajo control estadstico
cuando no hay causas especiales presentes. O equivalentemente
cuando nicamente acta unsistema de causasde variabilidad comn. cuando nicamente acta unsistema de causasde variabilidad comn.
El Control Estadstico de Procesos se basa en analizar la informacin que
aporta el proceso para detectar la presencia de causas especiales y
h bit l t li di t t i fi habitualmente se realiza mediante una construccin grfica
denominada Grfico o Carta de Control.
Si el proceso se encuentra bajo control estadstico es posible realizar una p j p
prediccin del intervalo en el que se encontrarn las caractersticas de la
pieza fabricada.
Medidas de variabilidad
Considere un proceso de produccin
de engranes en estado de control,
para el cual la caracterstica de
lid d l di t d l calidad es el dimetro de los
engranes en mm.
Se selecciona aleatoriamente una
Dimetros del engrane en mm
muestra de tamao n de entre los
engranes fabricados por el proceso,
en un da de produccin.
Medida de variabilidad en una
muestra.
Proporcin de engranes en la muestra
que tienen un dimetro menor a 19.8 mm?
Qu proporcin de engranes en la Q p p g
muestra cumple con la especificacin de
200.2 mm?
Histograma de los Dimetros de engranes
en mm, para una muestra de tamao n=100
19.8 19.9 20 20.1 20.2
Variabilidad en la Poblacin
f(x)
n=20 n=200 n=2000 n n 20 n 200 n 2000 n
Funcin de densidad de Probabilidad (fdp)
De la definicin frecuentista de probabilidad De la definicin frecuentista de probabilidad,
n
ocurre A que veces de
A P
n
#
lim ) (

=
Adems de la relacin entre histograma y fdp Adems de la relacin entre histograma y fdp,
se deduce que:
( ) b Y a dy y f
b
a
=
Pr ) (
En resumen una funcin f es fdp si cumple que:
1 ) ( ) , 0 ) ( ) =

R
dy y f b R y y f a
Funcin de Distribucin
La fdp f(y) contiene toda la informacin sobre la variabilidad del proceso,
es decir, si f(y) es conocida podemos contestar preguntas como:
1. Qu proporcin de los dimetros de engranes producidos por el
proceso estarn entre a y b mm?
b
dy y f ) (
2. Qu proporcin de los engranes tendrn dimetros inferiores a a mm?
a
dy y f ) (

a
dy y f ) (
3. Qu proporcin de engranes tendrn dimetros superiores a b mm?
dy y f ) (
b
Funcin de distribucin
Dada una variable aleatoria Y, se llama funcin de distribucin de la
v.a. Y a la funcin F, de recta real R en el intervalo [0,1], definida por:
( )

= =
y
y Y dt t f y F ) Pr( ) (
Una funcin de distribucin F es U a u c de ds buc es
montona no decreciente,
continua por la derecha y cumple
que:
( ) ( ) 1 lim y 0 lim = =

y F y F
y y
Primeros Momentos
La variabilidad representada exhaustivamente por la fdp, puede
caracterizarse parcialmente por los primeros dos momentos poblaciones,
definidos por:
dy y f y Y E Y Var y dy y yf Y E
R R
) ( ) ( ) ( ) ( ) ( ) (
2 2
2

= = = = =
y son la media y varianza poblacional, respectivamente.
El parmetro se conoce como parmetro de localizacin y el
parmetro de dispersin.
Parte de la variabilidad en una muestra puede caracterizarse a travs de
los primeros dos momentos muestrales identificados y definidos como: los primeros dos momentos muestrales, identificados y definidos como:
2
2
) (
1 1
Y Y S y Y Y
n
i
n
i
= =

1 1
) (
1 n
y
n
i
i
i
i

= =
Distribucin Normal
Se dice que una v.a. Y distribuye normal con parmetros y (Y~N(,))
si su fdp es:
0
) ( 1
) (
2
y
f . 0 , , ,
2
) (
exp
2
) (
2
> < < < <

y y
y
y f
La fdp normal cumple las
propiedades siguientes: propiedades siguientes:
a) f(y) es simtrica respecto del
eje y=
b) La grfica de f(y) presenta un
mximo relativo en el punto

1
c) La grfica de f(y) presenta
2
1
,
puntos de inflexin en y=.
Comportamiento de la fdp N(,)
0. 3
0. 35
0. 4
f ( x)
=1
=1
0 3
0. 4
f ( x)
=1 =2 =3 =4
0. 1
0. 15
0. 2
0. 25
=2
=3
=4
0. 1
0. 2
0. 3
=1
- 7. 5 - 5 - 2. 5 0 2. 5 5 7. 5 10
x
0. 05
=4
- 2 2 4 6
x
0. 1
0. 4
f ( x)
=0,=1
0. 8
1
F( x)
=0,=1
=1,=2
0. 1
0. 2
0. 3
=1,=2
=3,=3
0 2
0. 4
0. 6
=3,=3
- 5 - 2. 5 0 2. 5 5 7. 5 10
x
- 4 - 2 0 2 4 6 8 10
x
0. 2
Teorema de Lmite Central
El teorema del lmite central (TLC) establece que si una variable aleatoria
se obtiene como una suma de muchas causas independientes, siendo
cada una de ellasde poca importancia respecto al conjunto, entoncessu
distribucinesasintticamente normal.
{ }
generales s condicione ciertas bajo entonces
2 1 para , y varianza media con ntes independie v.a. de
de sucesin una son las donde , Si
2
i
1 2 1
, , i
X X X X S
i
i i n n
=
+ + + =
K
L
( ) 1 , 0
generales, s condicione ciertas bajo entonces
1
N
S
n
i
i n
=

( ) 1 , 0
1
2
N
n
n
i
i

=
Teorema de Lmite Central (TLC)

Distribucin de las medias muestrales
muestras extraen se cual la de partir a ) ( n distribuci con v a una es Si N X
( ). 1 , 0 ~
/
x
, ~ x ; distribuye se
, x , muestrales medias las de n distribuci la entonces , tamao de aleatorias
muestras extraen se cual la de partir a ) , ( n distribuci con v.a. una es Si
m
m
m
N N
n
N X

/ n n

Como consecuencia del TLC la distribucin de las medias muestrales es
asintticamente normal, an en el caso de que la distribucin poblacional
no lo sea; siempre que el tamao de la muestra sea suficientemente
0
.
2
5
0
.
2
0
0
.
1
5
grande.
0
.
0
5
0
.
1
0
0
.
1
5
0
.
2
0
0
.
0
5
0
.
1
0
0
.
1
5
0
.
0
5
0
.
1
0
0 2 4 6 8 10
n =10, p =0.75
0
.
0
0
0 5 10 15 20
n =20, p =0.75
0
.
0
0
0 5 10 15 20 25 30
n =30, p =0.75
0
.
0
0
2
0
.
0
6
0
4
0
.
0
6
0
.
0
8
0
.
1
0
0
.
1
2
0
.
0
4
0
.
0
6
0
.
0
2
0
.
0
3
0
.
0
4
0
.
0
5
0 10 20 30 40 50
n =50, p =0.75
0
.
0
0
0
.
0
2
0
.
0
60 80 100 120 140
n =150, p =0.75
0
.
0
0
0
.
0
2
120 140 160 180 200 220
n =250, p =0.75
0
.
0
0
0
.
0
1
0
.
0
6
Weibull( beta =1.3, eta =10 )
2
0
0
n =5
0
.
0
2
0
.
0
4
5
0
1
0
0
1
5
0
0 5 10 15 20 25
0
.
0
5 10 15 20 25
0
5
1
5
0
n =10
2
0
0
n =20
5
0
1
0
0
5
0
1
0
0
1
5
0
4 6 8 10 12 14 16 18
0
6 8 10 12 14
0
Recapitulando, un proceso est afectado por un gran nmero de
factores (por ejemplo oscilaciones de las caractersticas del material
utilizado, variaciones de temperatura y humedad ambiental, utilizado, variaciones de temperatura y humedad ambiental,
variabilidad introducida por el operario, entre otras), que inciden en l y
que inducen una variabilidad de las caractersticas del producto
fabricado.
Si el proceso est operando de manera que existen pequeas
oscilaciones de todos estos factores (causas comunes), pero de modo
que ninguno de ellos tienen un efecto preponderante frente a los q g p p
dems, entonces por el TLC esperamos que la caracterstica de calidad
del producto fabricado se distribuya normal.
Si el proceso se encuentra bajo control estadstico es posible realizar una Si el proceso se encuentra bajo control estadstico es posible realizar una
prediccin del intervalo en el que se encontrarn las caractersticas de
la pieza fabricada y monitorear el proceso mediante un grfico de
control.
Capacidad de un Proceso
Un anlisis de capacidad evala la habilidad que tiene un proceso para
producir artculos que se ajusten a especificaciones preestablecidas, y
que por tanto satisfagan los requerimientos de los consumidores. Es decir,
cuando un proceso est en estado de control, a la amplitud del intervalo
de variabilidad de las observaciones individuales, se le denomina
capacidad.
Variabilidad causas comunes
Capacidad del proceso
Capacidad de mquina
+
Variabilidad causas especiales
=
p q
+
Otras variaciones
(Turnos, operadores,
Materia prima, etc.)
=
Tres tipos de Lmites
Los lmites LE definen los requerimientos de aceptabilidad para una unidad Los lmites LE definen los requerimientos de aceptabilidad para una unidad
individual de un proceso de manufactura o de servicio.
Los lmites LN indican los puntos en donde vara la salida de un proceso.
reas bajo la Distribucin Normal
Si un proceso normal est en control estadstico, la caracterstica de
calidad del 99.73% de los elementos fabricados estarn comprendidos en
. 3
Especificaciones y Ancho del Proceso
Bajo normalidad el ancho
del proceso se define como
6 6.
El ancho de
especificaciones puede
i i i medir cualquier cantidad
de sigmas.
LEI LES
Las curvas representan
lo observado.
Las especificaciones lo
deseado deseado.
LEI LES
Capacidad de Procesos
Proceso con
capacidad
potencial y
Dado un proceso y dadas
unas especificaciones diremos
que un proceso es capaz si
puede producir dentro de la
p y
capacidad
real.
puede producir dentro de la
especificaciones exigidas, es
decir, si su capacidad es
menor que las tolerancias. q
LIE LSE T
Ancho del Proceso
Proceso con capacidad potencial
Ancho de las Especificaciones
Proceso con capacidad potencial,
pero SIN capacidad real.
Ancho del Proceso
LIE T LSE
Capacidad de Procesos y Estabilidad
Variables de Variables de
salida inestables
pero dentro de
especificaciones
Cumple con
especificaciones
y es predecible
ya que esta bajo
control control
Las variables de
salida del proceso son
No cumple con especificaciones
salida del proceso son
estables pero baja
capacidad de cumplir
especificaciones.
No cumple con especificaciones
y causas especiales de
variabilidad presentes
ndices de Capacidad de Procesos
6 P d l A h
ciones Especifica de Ancho LEI LES
C
p
= =
6 Proceso del Ancho
p
bl i 1 C
adecuada potencial capacidad es 33 1 C
y marginal 33 . 1 C 1
aceptable in es 1
p
>
< <
<
p
C
adecuada potencial capacidad es 33 . 1 C
p
>
6 1
P i d l t l i
LEI LES C
C
p
r
= =
6 1
Proporcin de la tolerancia que
ocupara el proceso
ndice Cp
Procesos con Cp=1 Procesos con Cp=2
Ancho del Proceso
A h d l Ancho de las
Especificaciones
El ndice Cp no
toma en cuenta
l t d d l el centrado del
proceso.
% de artculos defectuosos
ndices ZU, ZL, CPU, CPL y CPK
LES
LEI
LES
LES
LEI LES
LEI
U
PU U
Z LES
C
LES
Z
3 3
=

L
PL L
Z LEI
C
LEI
Z
3 3
=
Toma en
cuenta el
centrado
{ }
PU PL PK
C C
LES LEI
C , min
3
,
3
min =
del proceso
ndice CPK
El Cpk no puede distinguir entre los tres procesos representados en la
figura.
ajustado ms a toleranci de lmite al media la de Distancia
=
PK
C
C C i l t t d
proceso del dad Semicapaci
PK
C
CPK=CP si el proceso esta centrado
Relacin entre los ndices CP y CPK
El factor que mide el grado en que el proceso se desva del valor
nominal (T) expresado en unidades de de la tolerancia, digamos k,
se expresa como:
LIE LSE
T
k
=
2
p
1 0 k LSE LIE 1 0 k Si se cumple que
LSE LIE
La relacin entre los ndices CP y CPK es:
P PK
C k C ) 1 ( =
Esta relacin implica que el CPK es menor o igual al CP, y la igualdad se
d cuando la media del proceso coincide con el valor nominal ( ).
T =
ndice Cpm
Cpm = 1
Cpm = 0.63
Cpm = 0.44
( )
2
2
1
T
C
C
P
pm
+
=
p
El ndice Cpm s distingue entre los tres
procesos de la figura. Se cumple que:
LEI LES
C

<
T
C
pm
<
6
Esta relacin implica que para que
C 1 d b li Cpm= 1, se debe cumplir
6
LEI LES
T

<
Es decir, la media del proceso no se puede alejar del valor objetivo ms
all de un sexto de la tolerancia.
Cpm coincide con el Cp y el Cpk cuando el proceso est
centrado en el valor nominal (T).
Comparacin de ndices
LEI LES
Cp CPL CPU Cpk Cpm
2 1.5 2.5 1.5 1.11
LEI LES
Cp CPL CPU Cpk Cpm
LEI LES
2 2 2 2 2
Cp CPL CPU Cpk Cpm
LEI LES
Cp CPL CPU Cpk Cpm
2 3 1 1 0.63
LEI
LES
Cp CPL CPU Cpk Cpm
2 3.5 0.5 0.5 0.43
ndices del Desempeo del Proceso
LIE LSE

LIE T T LSE
P i
global
p
LIE LSE
P
6
=

=
global global
pk
P
3
,
3
min
subgrupos entre y dentro variacin la cuenta en Toma
Global estndar Desviacin
global
CP > Pp y CPK> Ppk

Ya que los Pp toman en cuenta la variabilidad a largo plazo.
Mtrica 6 sigma
6
6
12 12
7.5
0 002
0 002 ppm
4.5
0.002 ppm
0.002 ppm
0 ppm
3.4 ppm
0 ppm
6
6 ; 6
2
= =
Z Z
C C
pk p
5 4 ; 6
5 . 1 ; 2
= =
Z Z
C C
pk p
ppm 002 . 0
6 ; 6
plazo largo plazo corto
= = Z Z
ppm 4 . 3
5 . 4 ; 6
plazo largo plazo corto
= = Z Z
Procesos en Estado de Control
Qu es la calidad?
Definicintradicional: Calidad significa adecuacin para uso. Definicintradicional: Calidad significa adecuacin para uso.
Definicin moderna: La calidad es inversamente proporcional a la
variabilidad.
Definicin. El mejoramiento de calidad es la reduccin de la
variabilidad en procesos y productos.
Un proceso en estado de control es aquel que slo est afectado
por causas comunes de variacin.
Es posible modelar matemticamente la variabilidad de las causas
comunes, considerando la funcin de distribucin de la
caracterstica de inters (Normal, Binomial, Poisson).
Cartas de Control
Las cartas de control son una herramienta estadstica que permite
conocer si un proceso dado se encuentra en estado de estabilidad o
control.
Son grficas cronolgicas de los datos del proceso de inters, que nos
ayudan a entender, controlar y mejorar los procesos.
0 1 2 3 4
ayuda a e e de , co o a y ejo a os p ocesos.
Comportamiento esperado de las observaciones individuales
en un proceso en estado de control
Considere un proceso de llenado de botellas de agua que, en estado de
control, sigue una distribucin normal con media =200 cm3 y desviacin
s =0.7 cm3.
3s 3 + =
=
s 3 + =
El proceso se desajusta provoca un
El proceso se desajusta en 1
cm3 pasando a rellenar con
media 201 cm3 e igual
dispersin.
El proceso se desajusta provoca un
aumento en la variabilidad del
proceso de relleno, pasando de
s=0.7 a s = 1.
s 3 + =
s 3 + =
=
s 3 + =
=
s 3 + =
s 3 + =
Cartas de Control
Proceso
Comportamiento de la media de un proceso en estado de control
L fi ti l t id di d 4 b t ll La figura contiene el contenido medio de 4 botellas
Observaciones de la 1 a la 20 con =200 y s=0.7
Observaciones de la 21 a la 40 con =201 y s=0.7 y
Observaciones 41 a la 60 con =200 y s=1.
Cambios en la media
m= 1 2
m=2
m=6
m=3
m=2
m=5
1.5
m=14
m=52
m=28
m=7
m=18
m=5
m=52
m=6
0 5
1
m=217
m=52
m= 181
m=130
0.5
m es el nmero de muestras de tamao n que se han de tomar para
que exista una probabilidad de al menos 95% de detectar el cambio en
el proceso.
Grfico o diagrama de control
Grfico de control: Representa el comportamiento de los datos f p p
ordenados en el tiempo de un proceso.
Objetivo principal: Detectar lo antes posible cambios en el proceso.
Se busca minimizar el tiempo que transcurre desde que se produce un Se busca minimizar el tiempo que transcurre desde que se produce un
desajuste hasta que se detecta.
Falsas alarmas: Observaciones de un proceso en estado de control
interpretadas errneamente como seales de que en el proceso actan
causas especiales.
Cartas de Control tipo Shewhart
i
W
i
W i
W E 3 ) ( +
Seal de fuera de control
) (
i
W E
Probabilidad de falsas
alarmas del orden del 3%.
i
W i
W E 3 ) (
Costos de producir fuera de control.
T(1) y T(2) frecuencias de muestreo
para n proceso en el q e se para un proceso en el que se
monitorea la media
Cartas de control para variables
Construccin de los Lmites de Control
Considere una muestra aleatoria de tamao n,
Sean las estadsticas de orden:
. , , ,
2 1 n
X X X L
.
) ( ) 2 ( ) 1 ( n
X X X L
Funciones lineales de las estadsticas de orden, denominadas
usualmente L-estimadores, son de la forma
Los lmites de control se calculan a partir de los valores esperados Los lmites de control se calculan a partir de los valores esperados
y varianzas de las funciones usadas:
Construccin de los Lmites de Control
Por ejemplo, si es la media muestral de una muestra aleatoria
de tamao , donde , entonces,
( ) n
n
X
n
E X E
n
i
i
1
) (
1 1
= =
=

=
( )
n
n
n
X
n
Var X Var
n
i
i
i
2
2
2
1
1
) (
1 1
= =
=
Si representa la lnea central de una carta de control para
X T
Si representa la lnea central de una carta de control para
la medida de localizacin , los lmites son:
T 3
X T =
X T =
T
T 3
Carta X
La carta muestra las variaciones en los promedios de las
muestras. Si las con , conocidos, los lmites de
t l
X
( )
2
, ~ N X
i
control son;
n
z

2
n tamao de subgrupo
que se toma en cada
ti
2
tiempo.
probabilidad de una
falsa alarma.
2
z
cuantil de la normal e igual
a 3, si tenemos una carta de
lmites tres sigmas..
En la prctica desconocidos y deben estimarse de un En la prctica , desconocidos y deben estimarse de un
conjunto de datos histricos, Fase I (construccin de la carta de
control), hasta que el proceso se considere estable.
En la Fase II el proceso se monitorea en lnea.
Carta si y desconocidos , X
Se estima y a partir de la media de las medias y a partir de
rango, R, o bien a partir de la desviacin estndar muestral, S, de k
muestras iniciales.
, X
) 1 ( ) (
X X R
n
=
El estadstico da una estimacin de la dispersin de la
poblacin de la que procede.
Se calcula muy fcilmente y para valores muestrales pequeos, n8, se
comporta bien. Para valores mayores da una estimacin sobrevalorada de
la dispersin de la poblacin.
( )
2
1
X X S
n
Para el estadstico S, se tiene dos definiciones:

( )
2
*
1
n
( )
1
1
X X
n
S
i
i
=

=
( )
( )
1
*
1
1
=

=
X X
n
S
i
i
Estimador
insesgado
Estimador
sesgado
( )
2 2
1
n
n
S E

=
( )
2
2
*
= S E
g g
Carta si y desconocidos , X
( ) ( )
4
2
* 2 4
2
2 2
2 ) 1 ( 2
2 2
= =
= = S Var
n
S Var
Las varianzas de ambos estadsticos son, para procesos normales:
( ) ( )
2
) 1 (
2
*
2

n
S Var
n
S Var
S
S
( ) ( )
*
2
2
2
2
n n
( ) ( )
4
*
2
2
1
2
) 1 (
2
2
1
2
2
c
n
n
S E c
n
n
S E =
= =

=
En este caso ambos estadsticos son estimadores segados de .
( ) ( ) ( )
2
2
2
) (S E S E S Var
S
= =
( ) ( ) ( )
2
*
2
* *
2
) (S E S E S V
( )
2
2
2 2
2
2
2
1
1
1
c
n
c
n
n
=
( ) ( ) ( )
( )
2
4
2 2
2
4
2
1
) (
*
c c
S E S E S Var
S
= =
= =

2
2
1
1 c
n
S
=
2
4
1
*
c
S
=
Carta
R X
La carta monitorea las variaciones en los promedios de las muestras.
La carta R monitorea la variabilidad de un proceso. Es decir, muestra las
variaciones de los rangos de las muestras.
X
Lo ms conveniente es empezar con la construccin de la carta R.
Si la carta R muestra que la variabilidad del proceso esta fuera de
control, lo mejor es controlar la variabilidad antes que construir la carta
. X
A partir de y se trazan los lmites provisionales de la manera siguiente.
X R
R A X
R
X LCS
2
1
3 + = + =
En el grfico de Medias: En el grfico de Rangos:
R D R
d
LCS
3
3 1 =
+ =
R A X
R
X LCI
X LC
R A X
d n
X LCS
2
2
3
1
3
3
= =
=
+ +
R D R
d
LCI
R LC
R D R
d
LCS
3
4
2
3 1
3 1
=
=
+ =
R A X
d n
X LCI
2
2
3 3 = =
R D R
d
d
LCI
3
2
3
3 1 =
=
Carta
R X
Estimacin de las constantes d2 y d3, por simulacin, utilizadas en la
construccin de la carta
R X
d2 d3
1.118145 0.8495161
1.693288 0.884309
Programa en R
#Estimacin de d2 y d3. El estadstico W = Rango/sigma, denominado
# recorrido relativo, con E(W) = d2 y raiz(varianza) = d3.
2.059194 0.8825737
2.323239 0.8602215
2.533122 0.8498462
2.70243 0.8322734
Programa en R
W <-0; W2<-0; nn<-100000; n <- as.matrix(seq(1,25,1)); nl<-length(n);
d2<-matrix(0,nl,1);d3<-matrix(0,nl,1)
for (j in 1:nl)
{ W<-0; W2<-0;
2.84786 0.8188604
2.973336 0.8085068
3.078241 0.7991577
3.17815 0.78777
3.261795 0.77942
for(i in 1:nn)
{ rdatos <-rnorm(n[j],0,1); #Se simulan datos de una normal estndar
rango <-range(rdatos)#funcin que obtiene el rango de los datos
W <-W + (rango[2]-rango[1])/1
3.261795 0.77942
3.336109 0.7690239
3.402547 0.7607124
3.466029 0.7531938
3.532219 0.7473171
W2 <-W2 + ( (rango[2]-rango[1])/1)^2
}
d2[j] <-W/nn # E(W)=d2
d3[j]<-sqrt((W2/(nn-1))-2*(d2[j])*(W/(nn-1))+ (nn/(nn-1))*( (d2[j])^2))#
3.585279 0.7449061
3.638498 0.7374566
3.68987 0.733514
3.736589 0.7312419
3 781558 0 7259207
sigmaW=d3; j<-j+1;
}
cbind(d2,d3)
3.781558 0.7259207
3.818268 0.7200756
3.860174 0.7163147
3.894794 0.7132323
3.93311 0.7110048
Carta
S X
La carta S monitorea la variabilidad de un proceso, es similar a la carta R,
solo que ahora se calculan y grafican las desviaciones estndar para
cada grupo.
Carta
S X Carta
*
S X
Carta
S X
Estimacin de las constantes c2 y c4 involucradas en la obtencin de los
lmites de control de las cartas por medio de simulacin.
, S X
Programa en R
C2 C4
#Estimacin de c2 y c4
C <-0; W2<-0; nn<-100000;
n < as matrix(seq(1 25 1))
Programa en R 0.5634149 0.796789
0.7235947 0.8862189
0.7983276 0.9218293
0.8402237 0.9393986
0 867655 0 9504685
n <- as.matrix(seq(1,25,1))
nl<-length(n); c2<-matrix(0,nl,1); c4<-matrix(0,nl,1)
for (j in 1:nl)
{
0.867655 0.9504685
0.8880728 0.9592283
0.9022891 0.9645876
0.9147785 0.9702691
0.9223831 0.9722771
C<-0; CC<-0;
for(i in 1:nn)
{
rdatos <-rnorm(n[j],0,1); #Se simulan datos de una normal estndar
C <- C + sd(rdatos)
0.9308393 0.9762725
0.9366463 0.9782952
0.9412656 0.9797003
0.9449452 0.980616
C C sd(rdatos)
CC <- CC +( sd(rdatos) * sqrt((n[j]-1)/n[j]) )
}
c4[j] <-C/nn; c2[j]<-CC/nn;
j<-j+1
}
0.9489709 0.9822782
0.9526069 0.9838482
0.9541755 0.9835416
0.957595 0.9853571
0 9594323 0 985723
}
cbind(c2[-1],c4[-1])
0.9594323 0.985723
0.96143 0.9864064
0.9641059 0.9879146
0.9653752 0.9880931
Carta para n grande
S X
En muestras pequeas, el rango y la desviacin estndar tienen un
comportamiento similar. Sin embargo, en muestras grandes la ocurrencia
de un valor extremo produce un rango grande, pero tiene un efecto
menor sobre la desviacin estndar.
Como la distribucin de S es no simtrica, se puede construir una carta S,
con lmites de probabilidad en lugar de los lmites 3 con lmites de probabilidad en lugar de los lmites 3.
( )
2
) 1 (
2
2
~
1
n
S n
2
( )

<
<

1
1
2
) 1 ,
2
1 (
2
2
2
) 1 ,
2
(
S n
P
n n
Entonces,
1
2
) 1 ,
2
(
=

n
LCI
n
< <

1
1 1
2
) 1 ,
2
1 (
2
) 1 ,
2
(
n
S
n
P
n n
1
2
) 1 ,
2
1 (
=

n
LCS
n
Carta para n grande

S X
Como antes tomamos como estimacin de a
Finalmente, la carta S con lmites de probabilidad queda definida como
1
2
) 1 ,
2
(
=

S
LCI
n
1
2
4
=

S LC
n c
1
2
) 1 ,
2
1 (
4

=

n c
S
LCS
n
4
Ejemplos Ejemplos
2
.
0
0
Normal Q-Q Plot
1
.
9
8
LCS= 1.995
Carta de Medias
n=4 #tamao de subgrupo
subgrupos=20 #cantidad de subgrupos
datos<-matrix(nrow=subgrupos,ncol=n)
1
.
8
5
1
.
9
0
1
.
9
5
6
1
.
9
0
1
.
9
4
M
e
d
i
a
s
LC= 1.933
LCI= 1.87
datos[1,]<-c(1.88, 1.93, 1.98, 1.88)
datos[2,]<-c(1.93, 1.97, 1.89, 1.94)
datos[3,]<-c(1.92, 1.95, 1.90, 1.98)
datos[4,]<-c(1.89 ,1.89, 1.90, 1.94)
datos[5 ]< c(1 95 1 93 1 90 1 93)
-2 -1 0 1 2
1
.
8
6
Subgrupo
123456789
1
0
1
1
1
2
1
3
1
4
1
5
1
6
1
7
1
8
1
9
2
0
2
1
2
2
datos[5,]<-c(1.95 ,1.93, 1.90, 1.93)
datos[6,]<-c(2.00, 1.95, 1.94, 1.89)
datos[7,]<-c(1.95, 1.93, 1.97, 1.85)
datos[8,]<-c(1.87, 1.98, 1.96, 2.04)
datos[9,]<-c(1.96, 1.92, 1.98, 1.88)
5
2
.
0
0
LCS
Carta de Medias
0
.
1
5
0
.
2
0
LCS= 0.19
Carta de Rangos
datos[10,]<-c(1.99, 1.93, 2.01, 2.02)
datos[11,]<-c(1.93, 1.95, 1.90, 1.93)
datos[12,]<-c(1.95, 1.98, 1.89, 1.90)
datos[13,]<-c(1.88, 1.93, 1.88, 1.90)
datos[14 ]<-c(1 97 1 88 1 92 1 96)
1
.
8
5
1
.
9
0
1
.
9
5
LC
LC
0
.
0
0
0
.
0
5
0
.
1
0
R
LC= 0.084
LCI= 0
datos[14,]< c(1.97, 1.88, 1.92, 1.96)
datos[15,]<-c(1.91, 1.91, 1.96, 1.93)
datos[16,]<-c(1.98, 1.90, 1.92, 1.91)
datos[17,]<-c(1.93, 1.94, 1.95, 1.90)
datos[18,]<-c(1.82, 1.92, 1.95, 1.94)
d [19 ] (2 00 1 97 1 99 1 95)
123456789
1
0
1
1
1
2
1
3
1
4
1
5
1
6
1
7
1
8
1
9
2
0
2
1
0
Subgrupo
123456789
1
0
1
1
1
2
1
3
1
4
1
5
1
6
1
7
1
8
1
9
2
0
2
1
2
2
datos[19,]<-c(2.00, 1.97, 1.99, 1.95)
datos[20,]<-c(1.98, 1.94, 1.96, 1.88)
Ejemplos Ejemplos
En el departamento de ensamble de motores de una planta
automotriz, se tiene que una de las partes del motor, el rbol de
levas, debe tener una longitud de 600mm(+/-)2mm para cumplir
con las especificaciones de ingeniera con las especificaciones de ingeniera.
Un rbol de levas es un mecanismo formado por un eje en el
que se colocan distintas levas, que pueden tener distintas
f t t i t d d dif t formas y tamaos y estar orientadas de diferente manera, para
activar diferentes mecanismos a intervalos repetitivos, como por
ejemplo unas vlvulas, es decir constituye un temporizador
mecnico cclico. mecnico cclico.
Hay un problema crnico con la longitud del rbol de levas, ya
que se sale de especificaciones, y crea un problema de
red ccin del rendimiento de la lnea de prod ccin altas reduccin del rendimiento de la lnea de produccin y altas
tasas de re trabajo y desperdicio.
El supervisor del departamento quiere correr cartas de medias y p p q y
rangos para monitorear esta caracterstica, durante un mes.
Para esto recibe 20 muestras de tamao 5 del proveedor.
Ejemplos (rbol de levas) Ejemplos (rbol de levas)
Muestras de longitudes (en mm) de rboles de levas.
Normal Q-Q Plot
Carta de Medias
6
0
2
6
0
4
6
0
1
6
0
2
6
0
3
a
s
LCS= 602.37
Los promedios de las
medias y los rangos son
600.23 y 3.72 resp.
9
6
5
9
8
6
0
0
5
9
8
5
9
9
6
0
0
6
M
e
d
i
LC= 600.2
LCI= 598.08
El promedio de las
medias se encuentra
dentro de las
ifi i l
-2 -1 0 1 2
5
9
5
Subgrupo
123456789
1
0
1
1
1
2
1
3
1
4
1
5
1
6
1
7
1
8
1
9
2
0
2
1
2
2
especificaciones, lo
mismo ocurre con las
medias excepto para las
muestras 2 y 14, que
t ib d l
0
2
6
0
4
LCS
Carta de Medias
8
1
0
LCS= 7.86
Carta de Rangos
estn por arriba del
LCS y la muestra 9,
que est en el LCI.
El di d l
5
9
8
6
0
0
6
0
LC
LC
2
4
6
R
LC= 3.72
El promedio de los
rangos es algo grande,
considerando que la
mxima variacin
permitida es de 2
5
9
6
123456789
1
0
1
1
1
2
1
3
1
4
1
5
1
6
1
7
1
8
1
9
2
0
2
1
0
Subgrupo
123456789
1
0
1
1
1
2
1
3
1
4
1
5
1
6
1
7
1
8
1
9
2
0
2
1
2
2
LCI= 0
permitida es de 2
mm., hay un exceso de
variacin en el proceso.
Sin subgrupos 2 y 14 g p y
2
6
0
4
Normal Q-Q Plot
6
0
4
LCS= 602 14
Carta de Medias
Despus de una
investigacin con el
5
9
8
6
0
0
6
0
2
6
0
0
6
0
2
M
e
d
i
a
s
LC= 599.93
LCS= 602.14
investigacin con el
responsable del proceso,
se lleg a la
identificacin de causas
-2 -1 0 1 2
5
9
6
5
9
8
Subgrupo
123456789
1
0
1
1
1
2
1
3
1
4
1
5
1
6
1
7
1
8
1
9
2
0
LCI= 597.72 asignables para las
muestras 2 (falla de
maquina) y 14 (error
del operador) ms no
6
0
4
Carta de Medias
1
0
Carta de Rangos
del operador), ms no
para la nueve.
Luego se eliminaron las
6
0
0
6
0
2
LC
LCS
4
6
8
R
LC= 3.833
LCS= 8.10
muestras 2 y 14,
obteniendo nuevamente
las cartas de medias y
rangos.
5
9
6
5
9
8
123456789
1
0
1
1
1
2
1
3
1
4
1
5
1
6
1
7
1
8
1
9
LC
0
2
123456789
1
0
1
1
1
2
1
3
1
4
1
5
1
6
1
7
1
8
1
9
2
0
LCI= 0
rangos.
Al eliminar los subgrupos 2 y 14, ya no tenemos seales de fuera de control, en
ambas cartas.
Observamos ahora que el promedio de las medias ha disminuido pero el Observamos ahora que el promedio de las medias ha disminuido, pero el
promedio de los rangos ha aumentado. Esto se debe a las magnitudes de las
observaciones eliminadas, los subgrupos tenan poca variabilidad pero valores
grandes.
Como ya no hay seales de fuera de control, el proceso es estable y podemos
ahora iniciar el monitoreo del proceso (Fase II), tomando peridicamente
muestras de 5 arboles de levas.
Chenet al. (2001)
Ejemplo diametros de cilindros Ejemplo diametros de cilindros
( )
presentan un conjunto
de medidas de los
dimetros interiores de
cilindros de un tipo de
motor.
El conjunto de datos
esta formado por 35
muestras de tamao
n=5 recolectadas
cada media hora. Los
datos corresponden a
los tres ltimos dgitos
de los valores reales
medidos de la forma
3.5205, 3.5202, 3.5204,
y as sucesivamente.
El inters es establecer
un control estadstico
de este proceso
mediante cartas de
control.
Normal Q-Q Plot
Carta de Medias
Ejemplo dimetros de cilindros Ejemplo dimetros de cilindros
2
1
0
2
0
2
2
0
6
a
s
LC= 200.251
LCS= 204.702
La carta de medias
muestra que los
b
1
9
0
2
0
0
1
9
4
1
9
8
M
e
d
i
LCI= 195.800
subgrupos 1 y 11
exceden el lmite de
control superior.
-2 -1 0 1 2
Subgrupo
123456789
1
0
1
1
1
2
1
3
1
4
1
5
1
6
1
7
1
8
1
9
2
0
2
1
2
2
2
3
2
4
2
5
2
6
2
7
2
8
2
9
3
0
3
1
3
2
3
3
3
4
3
5
3
6
3
7
2
1
0
Carta de Medias
2
0
2
5
LCS= 16 311
*
*
Carta de Rangos
La carta de Rangos
t l
9
0
2
0
0
LC
LCS
LCI
5
1
0
1
5
R
LC= 7.7143
LCS= 16.311
LCI= 0
muestra que los
subgrupos 6 y 16
exceden el lmite de
control superior.
1
9
123456789
1
0
1
1
1
2
1
3
1
4
1
5
1
6
1
7
1
8
1
9
2
0
2
1
2
2
2
3
2
4
2
5
2
6
2
7
2
8
2
9
3
0
3
1
3
2
3
3
3
4
3
5
3
6
0
Subgrupo
123456789
1
0
1
1
1
2
1
3
1
4
1
5
1
6
1
7
1
8
1
9
2
0
2
1
2
2
2
3
2
4
2
5
2
6
2
7
2
8
2
9
3
0
3
1
3
2
3
3
3
4
3
5
3
6
3
7
C 0
p
Normal Q-Q Plot
Carta de Medias
U i ti i
0
2
2
0
6
2
0
2
2
0
6
s
LCS= 204.135
Carta de Medias
Una investigacin
mostr que los dos
valores de rangos
de los subgrupos 6
9
4
1
9
8
2
0
9
4
1
9
8
2
M
e
d
i
a
LC= 200.236
LCI= 196.337
g p
y 16 correspondan
a tiempos en que el
operador regular se
ausentaba y dejaba
-2 -1 0 1 2
1
9
1
9
Subgrupo
123456789
1
0
1
1
1
2
1
3
1
4
1
5
1
6
1
7
1
8
1
9
2
0
2
1
2
2
2
3
2
4
2
5
2
6
2
7
2
8
2
9
3
0
3
1
3
2
3
3
3
4
3
5
Sin 6 y 16
ausentaba y dejaba
un reemplazo con
menos experiencia,
a cargo de la
2
0
6
LCS
Carta de Medias
1
5LCS= 14.288
Carta de Rangos
produccin.
Se observa que la
variabilidad ha sido
1
9
8
2
0
2
LC
LCI
5
1
0
R
LC= 6.7576
LCI= 0
variabilidad ha sido
controlada, as que
se pasa ahora a
controlar la media
1
9
4
123456789
1
0
1
1
1
2
1
3
1
4
1
5
1
6
1
7
1
8
1
9
2
0
2
1
2
2
2
3
2
4
2
5
2
6
2
7
2
8
2
9
3
0
3
1
3
2
3
3
3
4
0
Subgrupo
123456789
1
0
1
1
1
2
1
3
1
4
1
5
1
6
1
7
1
8
1
9
2
0
2
1
2
2
2
3
2
4
2
5
2
6
2
7
2
8
2
9
3
0
3
1
3
2
3
3
3
4
3
5
LCI 0
del proceso.
Normal Q QPlot
El subgrupo 1 ocurre a
0
2
2
0
6
Normal Q-Q Plot
2
0
2
2
0
6
LCS= 203.894
Carta de Medias
g p
las 8:00 a.m. y
corresponde al arranque
de la produccin, cuando
las maquinas estn fras
4
1
9
8
2
0
4
1
9
8
2
M
e
d
i
a
s
LC= 199.9484
LCI= 196.002
las maquinas estn fras.
El subgrupo 11 ocurre a
la 1:00 p.m. y
Sin 1 y 11
-2 -1 0 1 2
1
9
1
9
Subgrupo
123456789
1
0
1
1
1
2
1
3
1
4
1
5
1
6
1
7
1
8
1
9
2
0
2
1
2
2
2
3
2
4
2
5
2
6
2
7
2
8
2
9
3
0
3
1
3
2
3
3
corresponde al arranque
de la lnea de produccin
inmediatamente despus
del descanso del lunch y
2
0
6
LCS
Carta de Medias
1
5
LCS= 14.459
Carta de Rangos
del descanso del lunch y
cuando las maquinas han
sido apagadas por
cambio de herramienta.
1
9
8
2
0
2
LC
LCI
0
5
1
0
R
LC= 6.8387
LCI= 0
Como se encontraron
causas asignables, estos
puntos se eliminan y las
1
9
4
123456789
1
0
1
1
1
2
1
3
1
4
1
5
1
6
1
7
1
8
1
9
2
0
2
1
2
2
2
3
2
4
2
5
2
6
2
7
2
8
2
9
3
0
3
1
3
2
0
Subgrupo
123456789
1
0
1
1
1
2
1
3
1
4
1
5
1
6
1
7
1
8
1
9
2
0
2
1
2
2
2
3
2
4
2
5
2
6
2
7
2
8
2
9
3
0
3
1
3
2
3
3
puntos se eliminan y las
cartas se vuelven a
calcular.
Se observa en estas ltimas grficas que tanto las cartas de
medias como de rangos estn en control estadstico.
Se puede concluir que el proceso esta bajo control respecto de su
variabilidad y valor medio, finalizando el anlisis de la Fase I.
Se retienen estos ltimos lmites de control para utilizarlos en el
control del proceso en lnea, es decir durante la Fase II
Subgrupos racionales Subgrupos racionales
El primer paso en el establecimiento de cartas de medias y rangos,
es la seleccin de las muestras.
Es importante que todas las muestras sean muestras racionales (o
subgrupos racionales). Esto es, grupos de observaciones cuya
variacin, solo es atribuible a las causas comunes.
Cuando tomamos las muestras, minimizando la ocurrencia de
causas especiales dentro de ellas, maximizamos la oportunidad de
detectar causas especiales cuando estas ocurren entre las detectar causas especiales cuando estas ocurren entre las
muestras.
Muestrear de:
o Diferentes mquinas
d did d i
Muestrear de:
o Durante perodos extendidos de tiempo
o Productos combinados de diferentes fuentes
No son mtodos racionales de muestreo y deben evitarse.
El tamao de los subgrupos se rige por los siguientes principios:
Los subgrupos deben de reflejar solo las causas comunes
Los subgrupos deben asegurar la presencia de la distribucin
normal para las medias muestrales.
Los subgrupos deben garantizar una alta capacidad de
deteccin de causas especiales o asignables.
Los subgrupos deben ser suficientemente pequeos para facilitar
su medicin y reducir el costo de operacin.
Cuando estas consideraciones se toman en cuenta,
frecuentemente, el tamao de los subgrupo, resulta ser entre 3 y 6. , g p , y
Aunque usualmente se toman 5 observaciones en cada muestra.
La frecuencia de muestreo, debe considerarse cuidadosamente,
ya que cuando un proceso se muestrea con una frecuencia muy
baja, las cartas de medias y rangos resultan ser de poca utilidad j y g p
para identificar y resolver problemas.
Algunos puntos que vale la pena tomar en cuenta pare
determinar la frecuencia de muestreo son:
Naturaleza general de la estabilidad del proceso.
La frecuencia con que se presentan eventos en el proceso
(cambios de turno, de materia prima, de condiciones
ambientales) ambientales).
Costo del muestreo
Reglas para deteccin de seales de alarma Reglas para deteccin de seales de alarma
En cierto momento se propuso agregar a las cartas de control
mecanismos de deteccin de seales fuera de control ms
rpidamente. pda e e.
El manual de Western Electric (1956) sugiri un conjunto de reglas
de decisin para detectar patrones no aleatorios en las cartas de de decisin para detectar patrones no aleatorios en las cartas de
control.
El problema con la adicin de estas reglas de deteccin de
seales fuera de control, es que aumenta bastante el nmero de
falsas alarmas y puede ser muy complicado estar revisando
frecuentemente el proceso para encontrar las causas de las
seales.
Patrones de Inestabilidad de CC Patrones de Inestabilidad de CC
A+
B+
C+
LSC
LC
PRUEBA 1. Un punto fuera de los lmites de control
.
X
A+
B+
C
LSC
PRUEBA 2.Nueve puntos consecutivos todos porarriba o por
abajo de la linea central.
A+
B+
LSC
PRUEBA 3. Seis puntos consecutivos con un ascenso o
descenso constante.
X
.
.
.
A -
B -
C-
LIC
LC
.
X
C+
A -
B -
C-
LIC
LC
X
.
.
.
.
.
.
.
.
B+
C+
A -
B -
C-
LIC
LC
.
.
.
.
.
. .
.
.
X
A+
B+
LSC
PRUEBA 4.Catorce puntos alternandose hacia abajo
y arriba
. .
.
.
.
.
A+
B+
LSC
PRUEBA 5. Dos de tres puntos consecutivos en la zona A
.
.
.
X
A+
B+
LSC
PRUEBA 6.Cuatro de cinco puntos consecutivos en la zona
B o ms all de ella.
.
.
.
X
B
C+
A -
B -
C-
LIC
LC
X
.
.
.
.
.
.
.
.
.
.
.
.
C+
A -
B -
C-
LIC
LC
.
.
.
X
B+
C+
A -
B -
C-
LIC
LC
.
.
.
.
.
.
.
X
X
A+
B+
C+
LSC
LC
PRUEBA 7. Quince puntos consecutivos en la zona C
(por abajo y arriba de la linea central)
.
.
.
.. .
.
.
.
.
A+
B+
C+
LSC
LC
PRUEBA 8. Ocho puntos consecutivos en ambos lados
de la linea central con ningn punto en la zona C.
.
.
.
.
C+
A -
B -
C-
LIC
LC
X
.
.
..
.
.
.
.
.
. . C+
A -
B -
C-
LIC
LC
. .
.
.
X
Se muestran las zonas y sus probabilidades normales de que un punto
caiga en cada una de ellas.
Las probabilidades de que estas pruebas nos den una falsa alarma
cuando los puntos son variables aleatorias normales se dan a
continuacin.
Las probabilidades correspondientes a estos Grficos que son los
siguientes .
Prueba 1: Probabilidad = 0.0027
Prueba 2: Probabilidad = 2(1/2)
9
= 0.00391
Prueba 3: Probabilidad = 2/6! = 0 00277 Prueba 3: Probabilidad = 2/6! = 0.00277
Prueba 7: Probabilidad = (0.68268)
15
= 0.00326
Prueba 8: Probabilidad = (0.31732)
8
= 0.000103
ARL combinado ARL combinado
La consideracin de un nmero grande de reglas de
deteccin de fuera de control, aumenta notablemente
el nmero esperado de falsas alarmas. el nmero esperado de falsas alarmas.
Suponiendo que las reglas actan de forma
independiente, y considerando
=
=
i
- 1
1
Probabilidad de no salir de control

Probabilidad de no salir de control , por la regla
i 1 2 i=1,2,,n.
=
n
) 1 ( 1
Tenemos que,
=
=
=
=
n
i
i
i
i
1
1
) 1 ( 1
) 1 ( 1

ARL combinado ARL combinado
Sustituyendo las probabilidades de salir de control para las
diferentes reglas tenemos que la probabilidad de salir, de
acuerdo a una o mas de las reglas es,
) 0001 . 1 )( 00326 . 1 )( 00553 . 1 )( 00304 . 1 (
) 00461 . 1 )( 00277 . 1 )( 00391 . 1 )( 0027 . 1 ( 1

=
02564 .
) )( )( )( (
=
Por lo que la longitud promedio de corrida es
01 . 39 02564 . / 1 / 1 = = = ARL
Por lo que la longitud promedio de corrida es,
Este es un valor muy pequeo, por lo tanto si se
consideran reglas de fuera de control adicionales a la consideran reglas de fuera de control adicionales a la
de Shewhart, habra que seleccionar un nmero
reducido, que tenga sentido.
Cartas de control para observaciones individuales Cartas de control para observaciones individuales
Se usan cuando los datos no se pueden agrupar de una manera
natural. Esto ocurre cuando la inspeccin o medicin de las
unidades es muy costosa o demanda mucho tiempo. Tambin
utilizamos estas cartas cuando los procesos son de tipo continuo.
Ej l Ejemplos:
Procesos qumicos
Industria de bebidas alcohlicas, en las que debe pasar desde 1
hasta ms de 100 horas para tener resultados de los procesos de
fermentacin y destilacin.
Mediciones de rendimiento, desperdicio, de consumo de agua,
energa elctrica, etc.
Cartas de control tipo Shewhart para observaciones
individuales
individuales
En la carta de observaciones individuales, se grafica
directamente la observacin, que suponemos tiene
i i i i i i i distribucin normal, con media y desviacin tpica .
Los lmites de control de esta carta son de la forma:
.
3
En este caso estimamos la desviacin utilizando los
rangos mviles de orden 2, que se forman tomando
j i i
3
parejas de observaciones sucesivas y calculando su
rango, como se muestra a continuacin,
Rango
i
X
3 25
22
g
i
2 21
6 19
individuales y de Promedios Mviles
individuales y de Promedios Mviles
La desviacin tpica se estima como,
128 . 1 / /
2
R d R
X
= =
La constante ya es conocida, solo que aqu consideramos que
es funcin del tamao muestral n=2.
2
d
Adems de la carta de observaciones individuales, podemos
construir tambin la carta de medias mviles para monitorear la
variacin del proceso. Los lmites de ambas cartas son los
Lmites de la carta de
b i i di id l
Lmites de la carta de
siguientes:
128 1 / 3R X LCI
X LC =
R LC =
observaciones individuales
medias mviles
128 . 1 / 3
128 . 1 / 3
R X LCS
R X LCI
+ =
=
R LCS
LCI
267 . 3
0
=
=
Cartas para observaciones individuales Cartas para observaciones individuales
Ejemplo. En la produccin de tequila se miden varias caractersticas
de calidad a lo largo del proceso, ya sea por regulaciones oficiales
o por criterios propios de cada empresa. Una de las caractersticas
l d b i id l d d l li d ( tid d d es el grado brix residual despus de la molienda (cantidad de
azcar que queda en el gabazo del agave), que mide . Esta es una
variable del tipo entre ms pequea mejor, y el valor mximo
tolerado que se tiene en una empresa en particular es ES=3 5% tolerado que se tiene en una empresa en particular es ES=3.5%.
Despus de mole cada lote se determina el grado brix residual, por
lo que se considera un proceso lento, que ser ms apropiado
analizar con una carta de individuales A continuacin se dan los analizar con una carta de individuales. A continuacin se dan los
ltimos 40 lotes molidos consecutivos ms recientes
2 2.4 2.2 1.4 2.3 1.8 1.5 1.5 2 2.4 2.2 1.4 2.3 1.8 1.5 1.5
2.1 2 1.6 2.2 1.9 2.4 3.3 2.1
2.1 1.8 1.6 2.1 1.2 1.8 2 2.4
1.9 2.4 2.4 1.7 1.8 2.1 1.7 2.1
1.6 2.4 2.1 1.8 1.3 1.8 1.7 1.6
.
0
LCS= 3.0982
Carta de individuales
En la carta observamos que no
hay tendencias, ni ningn patrn
especial, salvo un punto fuera del
2
.
5
3
LCS, que corresponde al lote 15.
Al investigar, se encontr que
durante la molienda de ese lote
ocurri algo especial se
1
.
5
2
.
0
B
r
i
x
LC= 1.9525
ocurri algo especial, se
desajusto el molino.
Note que el LCS esta dentro de
ES 3 5 l i t
1
.
0
LCI= 0.8068
ES=3.5 por lo que si este proceso
se contrala (errneamente) con
la especificacin superior como
LCS, el lote 15 no caera fuera y
Lote
123456789
1
0
1
1
1
2
1
3
1
4
1
5
1
6
1
7
1
8
1
9
2
0
2
1
2
2
2
3
2
4
2
5
2
6
2
7
2
8
2
9
3
0
3
1
3
2
3
3
3
4
3
5
3
6
3
7
3
8
3
9
4
0
4
1
4
2
, y
por lo tanto no se detectara el
desajuste del molino.
Lo anterior y otros cambios y desajuste podran llevar a un deterioro
importante de la eficacia del proceso y la reaccin sera demasiado
tarde.
Cartas para observaciones individuales y promedios
mviles
Cartas para observaciones individuales y promedios
mviles
3
.
0
Normal Q-Q Plot
3
.
0
LCS= 3.0
Lote 15
Rango
mvil
NA
0 4
Rango
Mvil
0.9
0 6
Lote
1
2
Lote
21
22
1
.
5
2
.
0
2
.
5
1
.
0
1
.
5
2
.
0
2
.
5
B
r
i
x
LC= 1.95
LCI= 0.80
0.4
0.2
0.8
0.9
0.5
0.6
0.2
0.4
0.5
0.5
2
3
4
5
6
22
23
24
25
26
-2 -1 0 1 2
1
Lote
123456789
1
0
1
1
1
2
1
3
1
4
1
5
1
6
1
7
1
8
1
9
2
0
2
1
2
2
2
3
2
4
2
5
2
6
2
7
2
8
2
9
3
0
3
1
3
2
3
3
3
4
3
5
3
6
3
7
3
8
3
9
4
0
4
1
4
2
0.3
0.0
0.6
0.1
0 4
0.0
0.7
0.1
0.3
0 4
7
8
9
10
11
27
28
29
30
31
.
0
1
.
5
v
i
l
LCS= 1.4
Carta de Rangos mviles
0.4
0.6
0.3
0.5
0.9
0.4
0.4
0.5
0.8
0.3
11
12
13
14
15
31
32
33
34
35
0
.
0
0
.
5
1
.
R
a
n
g
o
.
m
o
v
LC= 0.43
LCI= 0
1.2
0.0
0.3
0.2
0 5
0.3
0.5
0.5
0.1
0 1
16
17
18
19
20
36
37
3
19
40
Lote
123456789
1
0
1
1
1
2
1
3
1
4
1
5
1
6
1
7
1
8
1
9
2
0
2
1
2
2
2
3
2
4
2
5
2
6
2
7
2
8
2
9
3
0
3
1
3
2
3
3
3
4
3
5
3
6
3
7
3
8
3
9
4
0
4
1
4
2
0.5 0.1 20 40
2
.
4
Normal Q-Q Plot
5
8
2
.
0
2
.
2
3
4
LCS= 2.9678
.
4
1
.
6
1
.
8
1
2
B
r
i
x
LC= 1.9179
LCI= 0.8681
-2 -1 0 1 2
1
.
2
1
.
-
1
0
123456789
1
0
1
1
1
2
1
3
1
4
1
5
1
6
1
7
1
8
1
9
2
0
2
1
2
2
2
3
2
4
2
5
2
6
2
7
2
8
2
9
3
0
3
1
3
2
3
3
3
4
3
5
3
6
3
7
3
8
3
9
4
0
4
1
Lote
2222222222333333333344
Cartas de control para atributos
Existen muchas caractersticas de calidad que no son medidas con
instrumento de medicin en una escala continua o al menos en una instrumento de medicin en una escala continua, o al menos en una
escala numrica.
Por ejemplo puede ser ms conveniente contar el nmero de no j
conformes en una muestra dada. En este caso la unidad de referencia
puede ser la unidad producto, como el nmero de impurezas en un vaso
de vidrio, o una unidad o cantidad fsica, como el nmero de impurezas
por dm cuadrado por dm cuadrado.
Cuando se monitorean procesos que producen este tipo de datos, se
utilizan cartas de control para atributos.
Carta p (Proporcin de no conformes)
Una carta p muestra las variaciones en la proyeccin de unidades no
conformes de una produccin. Este caso surge cuando en cada tiempo
se selecciona una muestra de n artculos y se cuenta el nmeros de ellos
no conformes (defectuosos) Se supone independencia de estos no conformes (defectuosos). Se supone independencia de estos
artculos, con el objeto de usar la distribucin binomial, o como ocurre
frecuentemente, su aproximacin a la distribucin normal.
) 1 (
Si p conocido los lmites de control 3 son:
n
p p
p
) 1 (
3

Como p no se conoce usualmente, se estima de un conjunto de datos

histricos, por ejemplo, sean m muestras, cada una de tamao n, es decir,
en cada tiempo se seleccionan n artculos para inspeccin.
Sea Xi, i=1,2,,m, el nmero de artculos defectuosos en cada muestra. El
estimador usual de p es:
m
1
=
=
i
i
X
nm
p
1
1
Carta p (Proporcin de no conformes)
Los lmites de control de la carta p son:
p p
p LCS
) 1 (
3

+ =
p p
LCI
p LC
n
) 1 (
3

=
n
p p
p LCI
) 1 (
3 =
Los valores de Xi/n, i=1,2,,m, se grafican en la carta. Si uno o varios
puntos quedan fuera de los LC se inicia la bsqueda de las causas
especiales, los puntos son eliminados y los lmites de control recalculados.
U l t t l d l l it d t l li Una vez que el proceso esta controlado los lmites de control se aplican
prospectivamente a muestras futuras.
En muchas situaciones no se puede garantizar el mismo valor de n en cada En muchas situaciones no se puede garantizar el mismo valor de n en cada
tiempo, por ejemplo, una muestra a seleccionar podra ser la produccin diaria
de una fbrica, la cual puede variar da a da.
Ejemplo Carta p con n constante
Carta p
0
.
1
2
Carta p
ados inspeccion artculos de total Nm.
s defectuoso artculos de total Nm.
= = p LC
0
8
0
.
1
0
LCS= 0.089
p
Durante 25 das se
inspeccionaron 200 artculos
t l d
0
.
0
6
0
.
0
p
LC= 0.045
La grfica muestra que
y se contaron el nmero de
defectuosos por da.
0
.
0
2
0
.
0
4
todos los puntos estn bajo
control. Por lo tanto los
lmites se usarn en el
futuro inmediato para
0
.
0
0
123456789
1
0
1
1
1
2
1
3
1
4
1
5
1
6
1
7
1
8
1
9
2
0
2
1
2
2
2
3
2
4
2
5
2
6
2
7
LCI= 0.001
futuro inmediato para
controlar la fraccin de
artculos defectuosos,
siempre que se mantengan
l i di i b j
Subgrupo
las misma condiciones bajo
las cuales se tomaron las 25
muestras.
Carta p con n variable
Si n no es constante, los lmites de control pueden calcularse como:
p p
p LCS
) 1 (
3

+ =
i
p p
p LC
n
) 1 (
=
i
n
p p
p LCI
) 1 (
3

=
Donde ni es el tamao de la i-sima muestra Esto significa que la carta Donde ni es el tamao de la i-sima muestra. Esto significa que la carta
mostrar lmites de control variables.
Por cuestiones de simplicidad se sugiere tomar el valor de n como:
subgrupos de Total
ados Inspeccion de Total
= n
Ejemplo Carta p con n variable
En una empresa del ramo alimenticio, mediante ciertas mquinas se
empaquetan salchichas en sobres o paquetes. La forma de evaluar si el
subproceso de empaquetado se hizo de manera adecuada es haciendo
una inspeccin visual de los paquetes para determinar que se satisfagan
diferentes atributos de calidad, por ejemplo,
Que la cantidad de salchichas dentro del sobre sea la correcta Que la cantidad de salchichas dentro del sobre sea la correcta
Que dentro del sobre no quede aire 8empaque al vaco)
Se han tenido problemas en este ltimo atributo , por lo que hay un
d l t l di t d l i d operador que a la vez que est al pendiente de la mquina de
empacadora, hace la inspeccin para separar los paquetes con aire.
El atributo de falta de vaco es importante porque reduce la vida de p p q
anaquel del producto.
Subgrupo ni di
[1,] 595 15
[2,] 593 5
[3 ] 607 8
Subgrupo ni di
[21,] 594 7
[22,] 606 5
[23 ] 601 7
di=paquetes con aire
s defectuoso de Total
= p
[3,] 607 8
[4,] 596 10
[5,] 602 6
[6,] 599 5
[23,] 601 7
[24,] 598 4
[25,] 599 2
[26,] 590 3
011 . 0
23942
257
ados inspeccion de Total
= =
= p
[7,] 600 5
[8,] 590 7
[9,] 599 2
[10 ] 601 4
[27,] 588 5
[28,] 597 3
[29,] 604 6
[30 ] 605 5
23942
ados inspeccion de Total
= n
[10,] 601 4
[11,] 598 9
[12,] 600 17
[13,] 597 4
[ ]
[30,] 605 5
[31,] 597 7
[32,] 603 9
[33,] 96 5
[34 ] 597 3
6 . 598
40
23942
subgrupos de Total
= =
= n
[14,] 594 5
[15,] 595 3
[16,] 597 10
[17,] 599 7
[34,] 597 3
[35,] 607 8
[36,] 596 15
[37,] 598 4
40
[17,] 599 7
[18,] 596 5
[19,] 607 4
[20,] 601 9
[37,] 598
[38,] 600 6
[39,] 608 8
[40,] 592 5
2
5
Carta p
La carta muestra que el
proceso de empaquetado no
fue estable, ya que las
i d l
0
.
0
2
0
0
.
0
2
LCS= 0.023 proporciones de los
subgrupos 1, 12 y 36 estn
por arriba del LCS.
0
1
0
0
.
0
1
5
p
LC= 0.011
Se desprende que durante el
empaquetado de estos
subgrupos el proceso
funcion en presencia de
0
.
0
0
5
0
.
0funcion en presencia de
causas especiales, lo que
ocasion que las
proporciones de defectuosos
0
.
0
0
0
123456789
1
0
1
1
1
2
1
3
1
4
1
5
1
6
1
7
1
8
1
9
2
0
2
1
2
2
2
3
2
4
2
5
2
6
2
7
2
8
2
9
3
0
3
1
3
2
3
3
3
4
3
5
3
6
3
7
3
8
3
9
4
0
4
1
4
2
LCI= -0.001
LCI=0
sean muy grandes.
Subgrupo
111111111122222222223333333333444
Al investigar lo ocurrido en los subgrupos 1, 12 y 36 se encontr que durante
esas horas se haba cambiado el rollos de la pelcula plstica de empaque, ya
sea porque se termin o porque se empez a empaquetar otra presentacin.
0
.
0
2
0
LCS= 0.020
Carta p
68 . 598
0094 . 0
=
=
n
p
0
.
0
1
5
Interpretacin: se espera que
de cada 598 paquetes
aproximadamente la
0
0
5
0
.
0
1
0
p
LC= 0.009
p
proporcin de paquetes con
problemas de vaco vare entre
0 y 0.021.
0
.
0
0
0
0
.
0
LCI= -0 002
LCI=0
Subgrupo
123456789
1
0
1
1
1
2
1
3
1
4
1
5
1
6
1
7
1
8
1
9
2
0
2
1
2
2
2
3
2
4
2
5
2
6
2
7
2
8
2
9
3
0
3
1
3
2
3
3
3
4
3
5
3
6
3
7
3
8
3
9
LCI= -0.002
Carta np (nmero de defectuosos)
En ocasiones cuando el tamao del subgrupo o muestra es constante, es
ms conveniente usar la carta np, en la que se grafican el nmero de
defectuosos por subgrupo di, en lugar de las proporciones.
Los lmites de control para la carta np, son:
) 1 ( 3 p p n p n LCS + =
) 1 ( 3
) (
p p n p n LCI
p n LC
p p p
=
=
Ejercicio: Realice la carta np para los datos del ejemplo en que durante
25 das se inspeccionaron 200 artculos y se contaron el nmero de
d f d difi l di defectuosos por da. Modifique el programa correspondiente.
Carta c (Nmero de defectos)
En muchos casos es ms conveniente trabajar con el nmero de defectos
por unidad, en lugar del porcentaje de unidades defectuosas. La carta c
analiza la variabilidad del nmero de defectos por subgrupo.
Los lmites de control se obtienen suponiendo que el estadstico ci, sigue
una distribucin de Poisson, donde ci es el nmero de defectos o eventos
en el i-simo subgrupo o muestra en el i simo subgrupo o muestra.
Los estimadores de la media y la varianza del este este estadsticos son:
c
c
i
i
c
c
=
= =
2
subgrupos de Total
Y los lmites de control:

c LC
c c LCS 3
=
+ =
c c LCI 3 =
Ejemplo Carta c
En una fabrica de muebles se inspecciona con detalle el
acabado de las mesas cuando salen del departamento de
laca. La cantidad de defectos que son encontrados en cada
mesa son registrados con el fin de conocer y mejorar el proceso.
7
5
10
2
1
2
3
4
Art. ci
Se muestras los defectos en las ltimas 30 mesas, es claro que
estamos ante una variable a ser analizada por carta c, ya que
una misma mesa puede tener varios defectos y de diferentes
tipos.
2
6
5
4
9
7
4
5
6
7
8
9
Carta c
5
6
7
8
4
5
10
11
12
13
14
1
5
LCS= 13.936
5
12
8
10
4
7
15
16
17
18
19
20 5
1
0
o
.

D
e
f
e
c
t
o
s
LC= 6.3667
7
3
10
6
6
7
20
21
22
23
24
25
0
5
N
o
LCI 1 203
4
5
6
8
5
26
27
28
29
30
Artculos
123456789
1
0
1
1
1
2
1
3
1
4
1
5
1
6
1
7
1
8
1
9
2
0
2
1
2
2
2
3
2
4
2
5
2
6
2
7
2
8
2
9
3
0
3
1
3
2
LCI= -1.203
Carta u
Cuando el nmero de artculos inspeccionados en una unidad muestral n vara de p
unidad a unidad, es mejor graficar la estadstica
n
c
u =
n
Que representa el nmero de artculos defectuosos por unidad o artculo.
Para esta carta el LC es el nmero promedio de defectos por artculo Y
u
Para esta carta el LC es , el nmero promedio de defectos por artculo. Y
como,
u
) (
1
) (
2
c Var
n n
c
Var u Var =
=
La varianza de u se estima por:
n
u
n
n c
c Var
n
= =
/
) (
1
2
Los lmites de control quedan como:
u LC
n
u
u LCS 3
=
+ =
n
u
u LCI 3 =
Ejemplo Carta u
En una fbrica se ensamblan artculos electrnicos y al final del
n c
y
proceso se hace una inspeccin por muestreo para detectar
defectos relativamente menores, y as retroalimentar el proceso
para enfocar bien las acciones de mejora. En particular en la
tabla siguiente se presentan el nmero de defectos observados
n c
[1,] 20 17
[2,] 20 24
[3,] 20 16
[4,] 20 26
g p
en muestreos realizados sobre 24 lotes consecutivos de piezas
electrnicas. El nmero de piezas inspeccionadas en cada lote
es variable, por lo que no es apropiado analizar el nmero de
defectos por muestra, ci, mediante una carta c, es mejor
[5,] 15 15
[6,] 15 15
[7,] 15 20
[8,] 25 18
[9 ] 25 26
p j
analizar el nmero promedio de defecto por pieza, ui, mediante
la carta u.
Para calcular los lmites de control de la carta tenemos que:
[9,] 25 26
[10,] 25 10
[11,] 25 25
[12,] 30 21
[13,] 30 40
[14 ] 30 24
q
[14,] 30 24
[15,] 30 46
[16,] 30 32
[17,] 30 30
[18,] 30 34
04 . 1
525
549
= = u
[ ,]
[19,] 15 11
[20,] 15 14
[21,] 15 30
[22,] 15 17
[23 ] 15 18
525
875 21
[23,] 15 18
[24,] 15 20
875 . 21 = n
Ejemplo Carta u
3
Carta u
Se observa que el
proceso no funciona de
t bl
2
LCS= 1.7016
manera estable, ya que
en la muestra del lote
21 el nmero promedio
de defectos por pieza se
1
u
LC= 1.0457
p p
sale del lmite de
control superior.
En la fabricacin de tal
0
LCI= 0.3898
En la fabricacin de tal
lote ocurri un evento
especial.
123456789
1
0
1
1
1
2
1
3
1
4
1
5
1
6
1
7
1
8
1
9
2
0
2
1
2
2
2
3
2
4
2
5
2
6
Lote
Ejemplo Carta u
Carta u
2
.
5
Carta u
Sin lote 21
1
.
5
2
.
0
LCS= 1.6603
5
1
.
0
u
LC= 1.0176
0
.
0
0
.
5
LCI= 0.3749
-
0
.
5
123456789
1
0
1
1
1
2
1
3
1
4
1
5
1
6
1
7
1
8
1
9
2
0
2
1
2
2
2
3
2
4
2
5
Lote
FIN
GRACIAS.

Control Por Procesos

Uploaded by

Document Information

Copyright

Available Formats

Share this document

Share or Embed Document

Sharing Options

Did you find this document useful?

Is this content inappropriate?

Copyright:

Available Formats

Control Por Procesos

Uploaded by

Copyright:

Available Formats

Control Estadstico de Procesos

Teorema de Lmite Central (TLC)

CP > Pp y CPK> Ppk

Para el estadstico S, se tiene dos definiciones:

Carta para n grande

Probabilidad de no salir de control

Como p no se conoce usualmente, se estima de un conjunto de datos

Y los lmites de control:

You might also like