Professional Documents
Culture Documents
INDICE
1. INTRODUCCIN
2. GRFICOS DE CONTROL POR VARIABLE
(a) INTRODUCCIN
i. TOLERANCIA E INDICE DE CAPACIDAD
ii. PRESENCIA DE CAUSAS ASIGNABLES
iii. GRFICO DE MEDIAS Y RANGOS
(b) GRFICO DE X y R ( S)( , conocidas)
i.
ii.
iii.
iv.
v.
GRAFICO DE MEDIAS
GRAFICO DE RANGOS
GRAFICO DE DESVIACIONES
SENSIBILIDAD DEL GRFICO DE MEDIAS
TAMAO DE LA MUESTRA
Introduccin
1.1
Uno de los axiomas fundamentales de fabricacin es que nunca dos objetos pueden
fabricarse exactamente iguales, producimos con cierta variabilidad.
Cada proceso est sujeto a la influencia de muchos factores (muchos de los cuales
no podemos controlara) y por lo tanto, hay variabilidad en el resultado final del
proceso.
Ejemplo 1:
Medicin de la longitud de un cilindro de un modelo concreto, llammosle C,
producido por una mquina determinada, digamos M. Cada vez que midamos un
cilindro del mismo modelo y procedente de esa mquina estaremos repitiendo este
experimento. En el experimento definido en este ejemplo son dos los factores cuya
influencia mantenemos constante: modelo de cilindro y mquina. Hay, por contra,
infinidad de factores que en dicho experimento no controlamos. Por ejemplo, la
2
presin con que dicha mquina corta el cilindro no ser siempre exactamente igual.
La estructura microscpica de la aleaccin metlica no ser la misma. Las vibraciones que se produzcan durante el proceso sern tambin irrepetibles. La persona
que se encargue de la manipulacin de dicho proceso puede cambiar. El desgaste
de las piezas de la mquina que intervienen en el corte ser un factor que tendr
una influencia en la longitud final. En este ejemplo, aunque los cilindros sean aparentemente idnticos las repeticiones del experimento proporcionarn, con mucha
probabilidad, longitudes diferentes. Las diferencias observadas en cada repeticin
son debidas al resto de los factores que no se controlan.
Ejemplo 2:
Resultado de un juego de azar, como el resultado del lanzamiento de un dado,
lanzamiento de una moneda, giro de una ruleta o la extraccin de una carta. Cada
vez que repitamos el experimento puede salir un resultado diferente, aunque el factor
que se controla se mantenga constante: mismo dado, moneda, mesa de juego, baraja
e incluso misma persona que participa en la accin. Los factores que no se controlan
son, en realidad, muy pocos: el movimiento de la mano de la persona que ejecuta
el experimento; pero el movimiento es tan complejo que es prcticamente imposible
repetirlo ni hacerlo de manera premeditada para conseguir un resultado prefijado.
Un esquema util para resumir los diferentes factores que afectan a un proceso es
el de las 6M.
Materia prima
Metodos
de produccin
Mano de obra
Producto Final
Mquinas
Medio Ambiente
Mediccin
2.1
Introduccin
frecuencia
400
300
200
100
0
4,5
4,7
4,9
5,1
5,3
LT2 LT1
6
observacin:
Si Cp < 1 Se producen ms del 3 por mil de artculos defectuosos.
Si Cp > 1 Se producen menos del 3 por mil de artculos defectuosos.
Ver anexo (Indices de capacidad)
2.1.2
Normal Distribution
0.2
Mean,Std. dev.
17,2
20,2
density
0.16
0.12
0.08
0.04
0
0
10
15
20
25
30
Normal Distribution
0.2
Mean,Std. dev.
17,2
17,5
density
0.16
0.12
0.08
0.04
0
-8
12
22
32
42
x
Normal Distribution
Mean,Std. dev.
17,2
20,5
0.2
density
0.16
0.12
0.08
0.04
0
-5
15
25
35
45
2.1.3
El objetivo de los grficos de control por variables es controlar el proceso para que no
se vaya de control, es decir, controlar el proceso para detectar la presencia de causas
asignables. Para ello se toman muestras del proceso peridicamente y se representa,
en dos diferentes grficos:
la media muestral .
el rango muestral (o la desviacin tpica muestral).
Grfico de medias
74.02
LCS=74.0134
LC= 74.00
74.01
LCI=73.9866
74
73.99
73.98
0
10
15
20
25
N de muestra
grfico de rangos
0.05
LCS=0.04918
0.04
LC=0.02326
LCI=0
0.03
0.02
0.01
0
0
10
15
20
25
N de muestra
2.2
2.2.1
Grficos de X y R ( S) (, conocidas)
Grfico de medias
X ; N(, )
n
As
p( 3 X + 3 ) = 0.997
n
n
Si observamos una media y no est dentro de ese intervalo puede deberse a:
El proceso est bajo control y hallamos extraido una muestra cuya media est
fuera de ese intervalo.
El proceso est fuera de control.
La primera razn es poco probable, slo el 3 por mil de las muestras tienen
media muestral fuera de ese intervalo, luego suponemos que el proceso est fuera de
control, es decir, ha cambiado la media o la varianza, o ambas.
Si para una muestra su media no pertenece al intervalo ( 3 n , + 3 n )
tenemos evidencia estadstica de que el proceso est fuera de control.
Grfico de control de medias
LCS (limite de control superior) = + 3 n
LC (linea central) =
LCI (limite de control inferior) = 3 n
2.2.2
Grfico de Rangos
Supongamos que
X ; N(, )
R=rango muestral=Xmax Xmin es un estimador sesgado de la desviacin tpica
E(R) = d2
V ar(R) = d23 2
9
Supongamos que
qP
(xi x)2
)
n1
X ; N(, )
b
S=desviacin
tipica corregida muestrales un estimador sesgado de la desviacin
tpica
b = c4
E(S)
b = 2 (1 c2 )
V ar(S)
4
10
Ejemplo:
Se fabrican anillos de pistn para motor de automovil mediante u proceso de
forjado. Se desea controlar el diametro de stos por medio de grficos de medias y
rangos. Se toman muestras de tamao 5 cada media hora, los datos aparecen en la
siguiente tabla. Cuando el proceso est bajo control el dimetro de los anillos se
distribuye
X ; N (74, 0.01)
N de muestra
1
2
3
4
5
6
7
8
9
10
11
12
13
Media
74.01
74.001
74.008
74.003
74.003
73.996
74
73.997
74.004
73.998
73.994
74.001
73.998
Rango
0.038
0.019
0.036
0.022
0.026
0.024
0.012
0.03
0.014
0.017
0.008
0.011
0.029
N de muestra
14
15
16
17
18
19
20
21
22
23
24
25
Media
73.99
74.006
73.997
74.001
74.007
73.998
74.009
74
74.002
74.002
74.005
73.998
Rango
0.039
0.016
0.021
0.026
0.018
0.021
0.02
0.033
0.019
0.025
0.022
0.035
11
grfico de rango
LCS = D2 = 4.918 0.01
LC = d2 = 2.326 0.01
LCI = D1 = 0 0.01
UCL = 74.01
Centerline = 74.00
X-bar
74.01
LCL = 73.99
74
73.99
73.98
0
10
15
20
25
Subgroup
Range Chart for rangos
0.05
UCL = 0.05
Range
0.04
Centerline = 0.02
LCL = 0.00
0.03
0.02
0.01
0
0
10
15
20
25
Subgroup
Como podemos observar ningn punto se sale de los grficos por lo que suponemos que el proceso se encuentra bajo control.
12
2.2.4
Hemos definido, en el apartado anterior, el grfico de control para las medias (supuesto conocido la media y la varianza del proceso en estado de control)
LCS = + 3
n
LC =
LCI = 3
n
Esta regla se denomina de los 3 sigma y es comn a todos los grficos de control
estndares.
Con el grfico de medias as definido podemos cometer dos errores, representados
en la siguiente tabla
decisin
bajo control fuera de control
bajo control
Error I
fuera de control
Error II
Error I: decimos que los parmetros del proceso han cambiado cuando en realidad
no se han modificado, falsa alarma.
Error II: decimos que el proceso no ha cambiado cuando en realidad si se ha
modificado.
Al establecer los limites 3 sigma podemos calcular la probabilidad de falsa alarma,
es decir la probabilidad del error I
p(errorI) = p(decir que esta fuera de control / esta bajo control)=
= 1 p( 3 X + 3 / X ; N(, ) =
n
n
= 0.003
Si se quiere reducir la probabilidad de falsa alarma se puede aumentar el intervalo
ms all de 3 sigma, dando un valor K>3, los lmites se establecen en
K
n
Lgicamente esto presenta un inconveniente, que es: si el proceso cambia y sale
fuera de su estado de control, la probabilidad de que los puntos caigan dentro de los
limites, y por tanto, equivocarse aceptando que el proceso est bajo control, tambin
es mayor.
ejercicio:
Calcular la probabilidad de detectar un cambio de dos unidades en la media
utilizando grficos de control 3 sigma y 2 sigmas. Supn que el tamao muestral es
4
13
2.2.5
Tamao muestral
14
2.3
Grficos de X y R ( S) (, desconocidas)
b =
=
(utilizando los rangos)
d2
k d2
cT
ck
S
Sb1 + Sb2 + ... + S
b =
=
(utilizando los desviaciones corregidas)
c4
k c4
b = x=
Sustituyendo las estimaciones en las frmulas de las lineas del grfico de control
para el caso de y conocidos obtenemos:
Si utilizo rangos
grfico de medias
3 d2Rn
LCS = x +
LC = x
LCI = x 3 d2Rn
Si utilizo desviaciones
grfico de medias
c
LCS = x + 3 c4ST n
LC = x
c
LCI = x 3 c4ST n
grfico de rangos
LCS = R + 3d3 dR2 = R(1 + 3 dd32 ) = D4 R
LC = R
LCI = R 3d3 dR2 = R(1 3 dd32 ) = D3 R
grfico de desviaciones
2
p
1c
c
S
2
T
cT + 3
cT = B4 S
cT
LCS = S
1 c4 = (1 + 3 c4 4 )S
c4
cT
LC = S
2
p
1c4
Sc
2
T
c
cT = B3 S
cT
LCI = ST 3
1 c4 = (1 3
)S
c4
15
c4
2.4
En el apartado anterior hemos supuesto que las muestras han sido tomadas con el
proceso en estado de control. A continuacin mostramos un procedimiento iterativo
que se utiliza para garantizar (al menos de forma aproximada) que las muestras
empleadas para hacer la estimacin de parmetros corresponden al proceso en estado
de control.
Pasos:
1. Se toman k muestras (k entre 20 o 30) de tamao n (n entre 4 o 5).
2. Se estiman los parmetros
x1 + ... + xk
k
R
R1 + R2 + ... + Rk
b =
=
(utilizando los rangos)
d2
k d2
cT
ck
S
Sb1 + Sb2 + ... + S
b =
=
(utilizando los desviaciones corregidas)
c4
k c4
b = x=
N muestra
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
Media
74.01
74.001
74.008
74.003
74.003
73.996
74
73.997
74.004
73.998
73.994
74.001
73.998
73.99
74.006
73.997
74.001
74.007
73.998
74.009
Rango
0.038
0.019
0.036
0.022
0.026
0.024
0.012
0.03
0.014
0.017
0.008
0.011
0.029
0.039
0.016
0.021
0.026
0.018
0.021
0.02
N muestra
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
Media
74
74.002
74.002
74.005
73.998
74.009
74.002
73.992
74.004
73.997
74.007
74.006
73.998
74.011
74.013
74.004
74.017
74.02
74.023
74.015
2. Graficos de control
b = x = 74.0037
R
b =
= 0.0101999
d2
17
Rango
0.033
0.019
0.025
0.022
0.035
0.044
0.025
0.015
0.019
0.017
0.026
0.023
0.014
0.025
0.03
0.034
0.019
0.025
0.023
0.029
Range
0.06
UCL = 0.05
0.05
Centerline = 0.02
0.04
LCL = 0.00
0.03
0.02
0.01
0
0
10
20
30
40
Subgroup
UCL = 74.02
X-bar
74.02
Centerline = 74.00
LCL = 73.99
74.01
74
73.99
73.98
0
10
20
30
40
Subgroup
b = x = 74.0027
R
b =
= 0.0101937
d2
18
Range
0.06
UCL = 0.05
0.05
Centerline = 0.02
0.04
LCL = 0.00
0.03
0.02
0.01
0
0
10
20
30
40
Subgroup
UCL = 74.02
X-bar
74.02
Centerline = 74.00
LCL = 73.99
74.01
74
73.99
73.98
0
10
20
30
40
Subgroup
b = x = 74.0023
R
b =
= 0.0102484
d2
Volvemos a representar los grficos de control utilizando estas nuevas estimaciones, obteniendo:
19
Range
0.06
UCL = 0.05
0.05
Centerline = 0.02
0.04
LCL = 0.00
0.03
0.02
0.01
0
0
10
20
30
40
Subgroup
X-bar Chart for media2
74.03
UCL = 74.02
X-bar
74.02
Centerline = 74.00
LCL = 73.99
74.01
74
73.99
73.98
0
10
20
30
40
Subgroup
Ahora no hay ningn punto fuera del grfico entonces las estimaciones de los
parmetros del proceso en situacin de control son las obtenidas en ltimo
lugar.
20
2.5
Lo que se debe esperar en un grfico de control es una distribucin de puntos aleatoria alrededor de la linea central.(patrn no aleatorio o natural) , por ejemplo:
X-bar Chart for medias
74.02
UCL = 74.01
Centerline = 74.00
X-bar
74.01
LCL = 73.99
74
73.99
73.98
0
10
15
20
25
Subgroup
LCS=74.0134
LC= 74.00
74.01
LCI=73.9866
74
73.99
73.98
0
10
15
20
25
N de muestra
21
2.6
LCS = + 3
wn
LC =
LCI = 3
wn
representando el limite de control para el primer ejemplo del dimetro de los
pistones, utilizando amplitud 3:
Grfico de medias moviles
74.02
UCL = 74.01
Centerline = 74.00
MA
74.01
LCL = 73.99
74
73.99
73.98
0
10
15
n de muestra
22
20
25
1 si el artculo es defectuoso
X=
0 si el artculo no es defectuoso
Si el proceso de producin est bajo contro estadstico ( no actan causas asignables) entonces
X ; bernoulli(p)
(p es la proporcin de articulos defectuosos cuando el proceso est bajo control)
Defino, la capacidad del proceso como 1-p
Si en el proceso de producin intervienene causas asignables la proporcin de
elementos defectuosos aumenta. El objetivo de los grficos de control por atributos
es detectar rapidamente la presencia de causas asignables en el proceso.
Se toman muestras en periodos regulares de tiempo y las voy representando en
el grfico de control por atributos, este grfico puede ser de dos formas:
1. Grfico de nmero de defectos en la muestra de tamao n ( si represento el
nmero de defectos)
2. Grfico de proporcin de defectos en la muestra (si represento la proporcin
de defectos en la muestra)
3.1
Luego
p
p
p(np 3 np(1 p) r np + 3 np(1 p)) = 0.997 si el proceso est bajo control
as
23
ejemplo
Se envasa jugo de naranja en botes de cartn. Se considera que el bote es
disconforme si al llenarlo gotea. Se sabe que la proporcin de botes defectuosos es
0.23.
Para controlar el proceso se establece un control por atributos, tomando muestras
de tamao 50 cada hora.
Las muestra observadas en las ltimas 30 horas presentan los siguientes resultados.
n muestra n defectuosos n muestra n defectuosos
1
12
16
8
2
15
17
10
3
8
18
5
4
10
19
13
5
4
20
11
6
7
21
20
7
16
22
18
8
9
23
24
9
14
24
15
10
10
25
9
11
5
26
12
12
6
27
7
13
17
28
13
14
12
29
9
15
22
30
6
24
np
24
UCL = 20.43
20
Centerline = 11
16
LCL = 2.57
12
8
4
0
0
10
15
20
25
30
n muestra
3.2
r1 + r2 + ... + rk
kn
2. Sustituyendo las estimaciones en las frmulas de las lineas del grfico de control
para el caso de p conocida obtenemos:
3.3
o o
grfico para n
p de defectuosos
LCS = nb
p + 3 nb
p(1 pb)
LC = nb
p
p
LCI = nb
p 3 nb
p(1 pb)
En el apartado anterior hemos supuesto que las muestras han sido tomadas con el
proceso en estado de control. A continuacin mostramos un procedimiento iterativo
que se utiliza para garantizar (al menos de forma aproximada) que las muestras
empleadas para hacer la estimacin de parmetros corresponden al proceso en estado
de control.
Pasos:
1. Se toman k muestras (k almenos 25) de tamao n (n mayor que 50).
25
r1 + r2 + ... + rk
kn
2. Estimacin
pb =
ri
347
=
= 0.2313
nk
50 30
LCS = nb
p + 3 nb
p(1 pb) = 50 0.2313 + 3 50 0.2313 0.7687 = 20.51
LC = nb
p = 11.57
p
LCI = nb
p 3 nb
p(1 pb) = 50 0.2313 3 50 0.2313 0.7687 = 2.62
26
grafico np
np
24
UCL = 20.51
20
Centerline = 11.57
16
LCL = 2.62
12
8
4
0
0
10
15
20
25
30
Subgroup
pb =
2. Nuevo grfico
301
= 0.215
50 28
LCS = nb
p + 3 nb
p(1 pb) = 50 0.215 + 3 50 0.215 0.785 = 19.46
LC = nb
p = 10.5
p
3. grfico
grafico np
np
24
UCL = 19.46
20
Centerline = 10.75
16
LCL = 2.04
12
8
4
0
0
10
15
Subgroup
27
20
25
30
pb =
2. grfico
281
= 0.208
50 27
LCI = nb
p 3 nb
p(1 pb) = 50 0.208 3 50 0.208 0.792 = 1.20
3. grfico
grafico np
np
24
UCL = 19.02
20
Centerline = 10.41
16
LCL = 1.80
12
8
4
0
0
10
15
20
25
30
Subgroup
4. Todas las muestras estn dentro del grfico por lo que suponemos que todas
han sido tomadas cuando el proceso estaba bajo control
Estimacin de la capacidad del proceso=1 pb = 1 0.208
28
1.
1.1
, CONOCIDAS
GRFICO DE MEDIAS
LCS
LC
LCI
1.2
1.2.1
= + 3
n
=
= 3
n
LCS
LC
LCI
1.2.2
= B6
= c4
= B5
RANGOS
LCS
LC
LCI
= d2 + 3d3 = D2
= d2
= d2 3d3 = D1
2.
2.1
, DESCONOCIDAS
GRFICO DE MEDIAS (utilizando desviaciones corregidas)
LCS
LC
LCI
2.2
LCS
LC
LCI
2.3
2.3.1
= x+3
d2 n
= x
= x3
d2 n
LCS
LC
LCI
2.3.2
Sc
T
= x+3
c4 n
= x
Sc
T
= x3
c4 n
p
q
Sc
1 c24 c
T
2 = (1 + 3
= Sc
+
3
c
)ST = B4 Sc
T
T
4
c4
c4
= Sc
T
p
Sc
1 c24 c
T
c
= ST 3
= (1 3
)ST = B3 Sc
T
c4
c4
RANGOS
LCS
LC
LCI
= R+3
d3
R = D4 R
d2
= R
= R3
d3
R = D3 R
d2
Apndice B
s :
c2
sT :
c4
:
R
d2
D1
D2
D3
D4
B3
B4
B5
B6
0.5642
0.7236
0.7979
0.8407
0.8686
0.8882
0.9027
0.9139
0.9227
0.9300
0.9359
0.9410
0.9453
0.9490
0.9523
0.9551
0.9576
0.9599
0.9619
0.9638
0.9655
0.9670
0.9684
0.9696
0.7979
0.8862
0.9213
0.9400
0.9515
0.9594
0.9650
0.9693
0.9727
0.9754
0.9776
0.9794
0.9810
0.9823
0.9835
0.9845
0.9854
0.9862
0.9869
0.9876
0.9882
0.9887
0.9892
0.9896
1.128
1.693
2.059
2.326
2.534
2.704
2.847
2.970
3.078
3.173
3.258
3.336
3.407
3.472
3.532
3.588
3.640
3.689
3.735
3.778
3.819
3.858
3.895
3.931
0
0
0
0
0
0.204
0.388
0.547
0.687
0.811
0.922
1.025
1.118
1.203
1.282
1.356
1.424
1.487
1.549
1.605
1.659
1.710
1.759
1.806
3.686
4.358
4.698
4.918
5.078
5.204
5.306
5.393
5.469
5.535
5.594
5.647
5.696
5.741
5.782
5.820
5.856
5.891
5.921
5.951
5.979
6.006
6.031
6.056
0
0
0
0
0
0.076
0.136
0.184
0.223
0.256
0.283
0.307
0.328
0.347
0.363
0.378
0.391
0.403
0.415
0.425
0.434
0.443
0.451
0.459
3.267
2.575
2.282
2.115
2.004
1.924
1.864
1.816
1.777
1.744
1.717
1.693
1.672
1.653
1.637
1.622
1.608
1.597
1.585
1.575
1.566
1.557
1.548
1.541
0
0
0
0
0.030
0.118
0.185
0.239
0.284
0.321
0.354
0.382
0.406
0.428
0.448
0.466
0.482
0.497
0.510
0.523
0.534
0.545
0.555
0.565
3.267
2.568
2.266
2.089
1.970
1.882
1.815
1.761
1.716
1.679
1.646
1.618
1.594
1.572
1.552
1.534
1.518
1.503
1.490
1.477
1.466
1.455
1.445
1.435
0
0
0
0
0.029
0.113
0.179
0.232
0.276
0.313
0.346
0.374
0.399
0.421
0.440
0.458
0.475
0.490
0.504
0.516
0.528
0.539
0.549
0.559
2.606
2.276
2.088
1.964
1.874
1.806
1.751
1.707
1.669
1.637
1.610
1.585
1.563
1.544
1.526
1.511
1.496
1.483
1.470
1.459
1.448
1.438
1.429
1.420
1.
ndice de Capacidad, Cp
Cp =
LT S LT I
6
2.
Estos ndices se utilizan cuando los lmites de tolerancia son unilaterales. Por ejemplo,
el tiempo de realizacin de una oferta, la tensin de rotura de un material, la temperatura
mxima que admite un componente electrnico, etc. En estos casos, la tolerancia se mide
desde el valor nominal central hasta el extremo inidicado por la especificacin. Esta cantidad se compara con 3. Se utiliza CpL cuando existe una especificacin mnima, pero no
mxima, mientras que CpU se usa cuando se debe cumplir con una especificacin mxima.
CpL
N LT I
3
LT I N
3
Cuando cualquiera de estos dos ndices es menor que 1, el proceso no cumplir las
especificaciones.
Cuando no se conozca el valor nominal del proceso N , se sustituir por la media muestral x.
CpU
3.
4.
Coeficiente K
Si K > 0 el proceso tiene un sesgo hacia valores superiores al nominal (sesgo positivo)
Si K < 0 el proceso tiene un sesgo hacia valores inferiores al nominal (sesgo negativo)
5.
Coeficiente n-sigma
= + n
= n
1 Interpretacin
2 Interpretacin
Defectos por milln de oportunidades,
cuando se produce un cambio en la
media de 1,5
Normal Distribution
0,4
0,4
0,3
0,3
0.001 DPMO
0.001 DPMO
density
density
Normal Distribution
0,2
0,1
1.5
3.4 DPMO
0,2
0,1
0
12
14
16
LTI
18
20
LTS
22
12
14
16
LTI
20
18
+1.5
x
LTS
22
Nivel
DPMO (1 interpretacin)
DPMO (2 Interpretacin)
45500
308537
2700
66807
63
6210
0.57
233
0.002
3.4
24