III.

Grficos de Control por Variables (1)

III.

GRFICOS DE CONTROL POR VARIABLES (1)

INTRODUCCIN
En cualquier proceso productivo resulta conveniente conocer en todo momento hasta qu punto nuestros productos cumplen con las especificaciones preestablecidas. Como ya comentamos en el captulo anterior, podemos decir que la calidad de un producto tiene dos grandes enemigos: (1) las desviaciones con respecto al objetivo especificado (falta de exactitud), y (2) una excesiva variabilidad respecto a los valores deseables (falta de precisin). La idea consiste en extraer muestras de un proceso productivo que se encuentra activo y, a partir de las mismas, generar grficos que nos permitan tanto estudiar la variabilidad del mismo como comprobar si los productos obtenidos cumplen o no con las especificaciones preestablecidas. En caso de apreciar en tales grficos tendencias no aleatorias o bien muestras que se siten ms all de los lmites de control consideraremos que el proceso est fuera de control. Si as ocurre, estaremos interesados en averiguar las causas especiales que afectan al proceso. En un grfico de control se representa grficamente una caracterstica de calidad T, medida o calculada a partir de muestras del producto, en funcin de las diferentes muestras. La grfica tiene una lnea central que simboliza el valor medio de la caracterstica de calidad. Finalmente, otras dos lneas (los lmites superior e inferior de control) flanquean a la anterior a una distancia determinada. Estos lmites son escogidos de manera que si el proceso est bajo control, casi la totalidad de los puntos muestrales se halle entre ellos. As, un punto que se encuentra fuera de los lmites de control se interpreta como una evidencia de que el proceso est fuera de control. Adems, incluso si todos los puntos se hallan comprendidos entre los lmites de control, pero se comportan de manera sistemtica o no aleatoria, tambin tendramos un proceso fuera de control (veremos cmo estudiar la existencia de tales patrones no aleatorios mediante los llamados tests para causas especiales).

Variable T

3 * T

Lmite superior (LSC) Lnea central Lmite inferior (LIC)

Nmero de muestra o tiempo La determinacin de los lmites de control se basa en conceptos y resultados estadsticos: supongamos, p.e., que estamos interesados en controlar la media de una variable aleatoria X cuya distribucin tiene una desviacin estndar ( y constantes durante el proceso). Sabemos (por el TCL) que, para un tamao muestral n grande, la distribucin de las medias muestrales ser aproximadamente normal con media igual a y desviacin estndar igual a /n . De este hecho se deduce que aproximadamente el 99,7% de las medias muestrales estarn contenidas en el intervalo 3 * /n , intervalo que viene definido por los lmites de control. Este sencillo razonamiento es la base para la construccin de todos los grficos de control. Observar que, como el intervalo anterior depende de n, si trabajamos con muestras de distintos tamaos los lmites de control no formarn una lnea recta, pues la distancia que les separa de la lnea central aumentar conforme n disminuya (sern lmites escalonados). III - 1

Control Estadstico de la Calidad con MINITAB Si dejamos momentneamente al margen el estudio de posibles patrones no aleatorios en el grfico de control, podemos considerar que ste no es ms que un contraste de hiptesis en el que podemos considerar como hiptesis nula Ho el hecho de que el proceso est bajo control estadstico. El que un punto se ubique entre los lmites de control es equivalente a no poder rechazar la hiptesis nula Ho; por el contrario, el que un punto se ubique fuera de los lmites de control equivale al rechazo de la hiptesis del control estadstico. Observar que la seleccin de los lmites de control equivale pues a determinar la regin crtica para probar la hiptesis nula Ho de que el proceso est bajo control estadstico: alejando dichos lmites de la lnea central se reduce (o probabilidad de cometer un error de tipo I, i.e.: que un punto caiga fuera de los lmites de control sin que haya una causa especial), si bien tambin se eleva con ello (o riesgo de cometer un error tipo II, i.e.: que un punto caiga entre dichos lmites cuando el proceso se encuentra en realidad fuera de control). En general, para un determinado, cuanto ms grande sea el tamao muestral n, tanto ms sensible ser el grfico a la hora de detectar pequeos cambios en el proceso (i.e., para fijo, a mayor n mayor ser la potencia del contraste 1-). Podemos distinguir dos grandes clases de grficos de control: los grficos de control por variables hacen uso de estadsticos obtenidos a partir de datos tales como la longitud o grosor de un elemento, mientras que los grficos de control por atributos se basan en frecuencias tales como el nmero de unidades defectuosas. As, en los grficos de control por variables es posible medir la caracterstica de calidad a estudiar. En estos casos conviene describir la caracterstica de calidad mediante una medida de tendencia central (usualmente la media muestral) y una medida de su variabilidad (usualmente el rango o la desviacin estndar). Los grficos de control por variables son ms sensibles que los grficos de control por atributos, razn por la cual son capaces de avisarnos de posibles problemas de calidad incluso antes de que stos sean ya relevantes. Por su parte, los grficos de control por atributos tienen la ventaja de sintetizar de forma rpida toda la informacin referida a diferentes aspectos de calidad de un producto, ya que permiten clasificar ste como aceptable o inaceptable; adems, no suelen necesitar de sistemas de medicin muy complejos y son ms fcilmente entendibles por los no especialistas. A continuacin se agrupan los grficos de control por variables segn el tipo de datos de que dispongamos: TIPO DE DATOS ESTADSTICOS A REPRESENTAR
Medias de subgrupos, X-barra Rangos de subgrupos, R Desviaciones estndar de subgrupos, S X-barra y R X-barra y S

NOMBRE DEL GRFICO

X-barra R S X-barra y R X-barra y S

Datos en subgrupos

Observaciones individuales

Observaciones individuales Rangos mviles Obs. Individuales y rangos mviles

Individual Rangos mviles I MR

Combinaciones de subgrupos

Medias mviles con peso exponencial Medias mviles Sumas acumuladas Obs. Individuales o medias de subgrupos segn su distancia a la lnea central

EWMA Medias mviles CUSUM Zona

Series cortas

Obs. Individuales estandarizadas y rangos mviles

Z - MR

III - 2

III. Grficos de Control por Variables (1)

TRANSFORMACIN BOX-COX PARA DATOS NO NORMALES

A fin de poder interpretar correctamente los grficos, resulta imprescindible que las observaciones provengan de una distribucin aproximadamente normal. Si nuestros datos provienen de una distribucin notablemente asimtrica, podemos aplicarles la transformacin Box-Cox para inducir normalidad. Dada una variable aleatoria Y asociada a una distribucin asimtrica, pretendemos transformarla en otra variable Y, donde Y = Y Y = Ln Y. El mtodo de Box-Cox estima aquel valor para el cual minimiza la desviacin estndar de Y . Si 0, entonces Y = Y ; en caso contrario, Y = Ln Y . Observar que si el valor obtenido para es prximo a la unidad el transformar la variable no nos supondr una gran ventaja. Ejemplo Box-Cox: Los datos contenidos en el archivo BoxCox.mtw provienen de una distribucin sensiblemente sesgada a la derecha. Consisten en 50 subgrupos de tamao 5. Los datos se encuentran en la columna C1. Seleccionar Stat > Control Charts > Box-Cox Transformation :

Rellenar los campos como se indica en la siguiente imagen:

III - 3

Control Estadstico de la Calidad con MINITAB

Box-Cox Plot for Datos

95% Conf idence Interv al

12 11 10 9 8 7 6 5 4 3 2 -1,0 -0,5 0,0 0,5 1,0 1,5 2,0 2,5 3,0

Last Iteration Info Lambda Low -0,056 Est Up 0,000 0,056 StDev 2,861 2,856 2,855

StDev

Lambda

La Tabla de Informacin correspondiente a la ltima iteracin contiene el mejor estimador para , el cual resulta ser de 0,000. Otros dos buenos estimadores seran 0,056 y 0,056. Las dos lneas rojas del grfico determinan un intervalo de confianza a nivel del 95% para el verdadero valor de . Dicho intervalo contiene a todos los posibles valores de cuya desviacin estndar es menor o igual a la indicada por la lnea horizontal discontinua, en este caso sera el intervalo de extremos 0,3 y 0,4. Dado que el mejor estimador para es el cero, la transformacin que tomaramos sera Y = Ln Y .

MODELO DE SHEWART PARA GRFICOS DE CONTROL

Sea T un estadstico muestral que mide alguna caracterstica de calidad, y supongamos que T se distribuye de forma aproximadamente normal, con media T y desviacin estndar T . Entonces, la lnea central y los lmites superior e inferior del grfico de control vendrn dados, segn el modelo de Shewart, por:

LSC = T + 3 T Lnea central = T LIC = T 3 T

Un mtodo alternativo al de Shewart sera el modelo probabilstico: en vez de especificar los lmites de control como un mltiplo de la desviacin estndar, se hubiera podido escoger directamente la probabilidad de un error de tipo I y calcular el lmite (probabilstico) de control correspondiente. Por ejemplo, si se hubiera tomado = 0,001, entonces el mltiplo adecuado de la desviacin estndar habra sido 3,09. Observar que si la distribucin de T es aproximadamente normal, habr poca diferencia entre los lmites de tres sigma y los probabilsticos de 0,001. III - 4

III. Grficos de Control por Variables (1)

TESTS PARA CAUSAS ESPECIALES

Como dijimos en la introduccin, cuando alguno de los estadsticos muestrales cae fuera de los lmites de control, hay razones para pensar que el proceso est fuera de control. Adems, tambin es importante estudiar la posible existencia de patrones no aleatorios en la representacin de dichos estadsticos muestrales, ya que tales patrones suelen ser un sntoma de que la los parmetros del proceso estn cambiando. A tal efecto se utilizan los tests para causas especiales o asignables, trmino que se contrapone al de causas comunes o aleatorias (inherentes a todo proceso). Al igual que los lmites de control, los tests para causas especiales tienen un fundamento estadstico. As, por ejemplo, la probabilidad de que un estadstico muestral caiga por encima de la lnea central ser de 0,5 bajo los siguientes supuestos: (1) que el proceso est bajo control, (2) que estadsticos muestrales consecutivos sean independientes, y (3) que la distribucin de los estadsticos muestrales sea aproximadamente normal. Por tanto, en tales condiciones, la probabilidad de que dos estadsticos consecutivos caigan por encima de la lnea central ser de 0,5*0,5 = 0,25 , y la probabilidad de que 9 estadsticos consecutivos caigan en el mismo lado de la lnea central ser de 0,5^9 = 0,00195. Este ltimo valor se aproxima mucho a la probabilidad de un estadstico muestral caiga ms all de los lmites de control de 3 sigma (suponiendo una distribucin normal y un proceso bajo control), por lo que la existencia de estos 9 estadsticos podra interpretarse como otro indicativo de que el proceso est fuera de control. La franja comprendida entre dos y tres sigmas respecto a la lnea central se denomina zona A, la comprendida entre 1 y 2 sigmas se llama zona B, y la franja situada a menos de 1 sigma se denomina zona C. El programa Minitab permite realizar varios tests para determinar la posible existencia de causas especiales que influyan sobre la variabilidad de las observaciones (comportamiento no aleatorio de los datos):

Cada uno de los tests detecta un determinado comportamiento no aleatorio en los datos. Cuando alguno de los tests resulta positivo entonces hay indicios de que la variabilidad de las observaciones se debe a causas especiales, las cuales debern investigarse. Es importante notar que para realizar estos tests todas las muestras han de ser del mismo tamao. III - 5

Control Estadstico de la Calidad con MINITAB

Test 1: un punto situado ms all de los lmites de control

3 Zona A 2 1 Zona B Zona C Zona C Zona B Zona A

sigma

0 1 2 3

10

nmero de muestra

Test 2: nueve puntos consecutivos en el mismo lado

3 Zona A 2 1 Zona B Zona C 0 1 2 3 Zona C Zona B Zona A

sigma

10

15

muestra

Test 3: seis puntos consecutivos ascendentes o descendentes

3 Zona A 2 1 Zona B Zona C Zona C Zona B Zona A

sigma

0 1 2 3

10

nmero de muestra

Test 4: catorce puntos consecutivos alternando arriba y abajo

3 Zona A 2 1 Zona B Zona C 0 1 2 3 Zona C Zona B Zona A

sigma

10

15

muestra

III - 6

III. Grficos de Control por Variables (1)

Test 5: dos de tres puntos consecutivos situados ms all de 2 sigmas (mismo lado)
3 Zona A 2 1 Zona B Zona C Zona C Zona B Zona A

sigma

0 1 2 3

10

nmero de muestra

Test 6: cuatro de cinco puntos consecutivos situados a ms de un sigma (mismo lado)

3 Zona A 2 1 Zona B Zona C Zona C Zona B Zona A

sigma

0 1 2 3

10

nmero de muestra

Test 7: quince puntos consecutivos situados a menos de un sigma (ambos lados)

3 Zona A 2 1 Zona B Zona C 0 1 2 3 Zona C Zona B Zona A

sigma

10

15

muestra

Test 8: ocho puntos consecutivos situados a ms de un sigma (ambos lados)

3 Zona A 2 1 Zona B Zona C 0 1 2 3 Zona C Zona B Zona A

sigma

10

15

muestra

III - 7

Control Estadstico de la Calidad con MINITAB

GRFICOS X-BARRA Y R
En la introduccin comentamos que los grficos por variables se utilizan para controlar una caracterstica mesurable del producto, como puede ser la longitud, el peso, la altura, etc. Un grfico X-barra contiene las medias muestrales de la caracterstica que se pretende estudiar, por lo que mediante l podremos detectar posibles variaciones en el valor medio de dicha caracterstica durante el proceso (desviaciones con respecto al objetivo). Un grfico R es un grfico de control para rangos muestrales. Se utiliza para medir la variacin del proceso y detectar la posible existencia de causas especiales. Es habitual usar los grficos R para estudiar la variacin en muestras de tamao no superior a 10, recurriendo a los grficos S para muestras mayores. Sea X la caracterstica de calidad que nos interesa medir, donde X N(,). Tomaremos k muestras, cada una de ellas de tamao n. Denotaremos por Xi1 , Xi2 , ..., Xin a las n observaciones que forman la muestra i-sima, donde i = 1,2,...,k. Veamos cmo construir un grfico X-barra: Por el Teorema de Distribucin Muestra, sabemos que:

Por el Teorema Central del Lmite,

x = X N , n n

x =

Segn el modelo de Shewart tendremos que:

n Lnea central = LIC = 3 n

Si es desconocida, la podemos estimar (observar que tal estimacin se realizar a partir de las k muestras obtenidas, k > 25, tomadas cuando se considera que el proceso est bajo control):
k = X = 1 X i

LSC = + 3

donde

1 n Xi = X n
ij j =1

i =1

Observar que

es estimador insesgado de ya que

[[]
EX

E X= 1 k

k i =11 i

]=
x

=.

Si es desconocida, la podemos estimar a partir de los rangos Ri (observar que tal estimacin se realizar a partir de las k muestras obtenidas, k > 25, tomadas cuando se considera que el proceso est bajo control): i = 1,2,...,k , sea

Ri = Max{X ij / 1 j n} Min{X

ij

/ 1 j n} . Se cumple que

Ri = d 2 (n)
-

, donde d2(n) es un valor tabulado que depende de n .

Notar que Ri / d2(n) es un estimador insesgado de , ya que:

 iR n) E [Ri ] d ( E = = 2 = d 2 ( n) d 2 ( n) d 2 ( n)
III - 8

III. Grficos de Control por Variables (1) As, es buena idea tomar como estimador de el promedio de los Ri / d2(n) :

= 1
k
i =1

Ri d 2 ( n)

R d 2 ( n)

( es estimador insesgado de )

En caso de que el tamao muestral (ni ) sea diferente para cada subgrupo, a la hora de calcular los lmites segn el modelo de Shewart, podemos optar por: 1. Obtener los lmites usando el ni asociado a cada muestra, con lo que las lneas de control no sern rectas (darn saltos arriba y abajo segn ni disminuya o aumente), 2. Si los ni no difieren mucho unos de otros, podramos tomar n

k i =1

ni .

En esta situacin de tamaos muestrales diferentes, los estimadores para y sern:

nX n
i i

1 Ri k d 2 (ni )

Ejemplo grfico X-barra: Supongamos que trabajamos en una planta de montaje de coches. A la hora de montar los motores, partes de la cadena de montaje se mueven verticalmente arriba y abajo a cierta distancia del nivel horizontal de referencia. A fin de asegurar la calidad de la produccin, realizamos cinco mediciones cada da laborable desde el 28 de septiembre hasta el 15 de octubre, y diez mediciones diarias desde el 18 hasta el 25 de octubre. Los datos estn contenidos en el archivo Motores.mtw . Seleccionar Stat > Control Charts > Xbar Rellenar los campos como se indica a continuacin:

III - 9

Control Estadstico de la Calidad con MINITAB

X-bar C hart for D istanci

5 4 3 6 3,0SL=4,70 0 2,0SL=3,28 1 1,0SL=1,86 1 X=0,4 417 -1 ,0 SL =-0,97 78 -2 ,0 SL =-2,39 7 -3 ,0 SL =-3,81 7

Sample Mean

2 1 0 -1 -2 -3 -4 -5 0 5 10 15 20 25

S am ple Num ber

Test Results for Xbar Chart TEST 6. 4 out of 5 points more than 1 sigma from center line (on one side of CL). Test Failed at points: 5 Observamos que el subgrupo 5 no ha superado el Test 6 ya que es el cuarto punto situado en la zona B (entre 1 y 2 desviaciones estndar de la lnea central), lo cual sugiere la existencia de causas especiales en el proceso. III - 10

III. Grficos de Control por Variables (1) Veamos ahora cmo construir un grfico R. Recordemos que X era la caracterstica de calidad que nos interesa medir, donde X N(,), y que denotamos por Xi1 , Xi2 , ..., Xin a las n observaciones que formaban la muestra i-sima, donde i = 1,2,...,k. i = 1,2,...,k , sea

Ri = Max{X ij / 1 j n} Min{X

ij

/ 1 j n}. Se cumple que

Ri = d 2 (n) Ri = d 3 (n) ,
, y Se cumple que: n.

donde d2(n), d3(n) son valores tabulados que dependen de

Ri n N (d 2 (n) , d 3 (n) )

Por tanto, segn el modelo de Shewart, tendremos que:

LSC = d 2 (n) + 3d 3 (n) Lnea central = d 2 (n) LIC = d 2 (n) 3d 3 (n)

Si es desconocida, la podemos estimar a partir de los rangos Ri como vimos para el grfico X-barra. Asimismo, la observacin que vimos en los diagramas X-barra para el caso en que el tamao muestral (ni ) sea diferente para cada muestra es igualmente aplicable aqu.

Ejemplo grfico R: A fin de estudiar la variacin en el proceso, realizaremos ahora el grfico R de los datos del ejemplo anterior (archivo Motores.mtw): Seleccionar Stat > Control Charts > R Completamos los campos:

III - 11

Control Estadstico de la Calidad con MINITAB

R Chart for Distanci

15 3,0SL=15,98

Sample Range

10 R=7,559 5

0 0 5 10 15 20 25

-3,0SL=0,00E+00

Sample Number

Test Results for R Chart TEST 6. 4 out of 5 points more than 1 sigma from center line (on one side of CL). Test Failed at points: 5 Vemos en el grfico anterior que los puntos se encuentran aleatoriamente distribuidos en la zona comprendida por los lmites de control, lo que significa que el proceso es estable. Resulta tambin importante comparar los puntos del grfico R con los del grfico X-barra para ver si siguen las mismas tendencias. En la prctica se suelen considerar los diagramas Xbarra-R, que no son otra cosa sino la presentacin conjunta de un diagrama X-barra y otro R. La razn de usar dicho diagrama conjunto es la siguiente: Si la distribucin de la v.a. X es normal (como hemos supuesto), entonces las v.a. X-barra y R son independientes (Teorema de Cochran). Por tanto, si existiese una correlacin entre los valores de X-barra y R (es decir, si los puntos en ambas grficas presentasen grficos paralelos), ello indicara que la distribucin subyacente sera sesgada (no normal), con lo que los anlisis posteriores podran estar equivocados. III - 12

III. Grficos de Control por Variables (1) Ejemplo grfico Xbarra-R: En nuestra planta de montaje de vehculos, sabemos que una de las piezas del motor debe tener una longitud de 600 2 mm a fin de satisfacer las especificaciones tcnicas. Durante un mes hemos efectuado un total de 100 mediciones (20 muestras de 5 piezas cada una) de piezas usadas en la planta, y otras 100 por cada uno de nuestros dos proveedores. Las observaciones estn contenidas en el archivo Motores2.mtw. Queremos analizar las piezas que nos ha suministrado el segundo de los proveedores: Seleccionar Stat > Control Charts > Xbar-R Completamos los campos:

Xbar/R Chart for Proveedor2

603 1 1 3,0SL=602,4

Sam ple Mean

602 601 600 599 598 6 0 10 20

X=600,2

-3,0SL=598,1

Subgroup 9 8 7 6 5 4 3 2 1 0

Sam ple Range

3,0SL=7,866

R=3,720

-3,0SL=0,00E+0

III - 13

Control Estadstico de la Calidad con MINITAB

La lnea central del grfico X-barra est situada al nivel 600,2 , lo que significa que nuestro proceso est situado dentro de los lmites establecidos, pero dos de los puntos caen fuera de los lmites de control, por lo que el proceso es inestable. Por su parte, la lnea central en el grfico R est situada en el nivel 3,720 , valor que parece excesivo si tenemos en cuenta que la mxima variacin permitida era de 2 mm, por lo que es muy probable que nuestro proceso sufra de una variacin excesiva.

GRFICOS X-BARRA Y S
Ya sabemos que siempre que se intente controlar una caracterstica de calidad cuantitativa, es una prctica habitual controlar el valor medio de la caracterstica de calidad y su variabilidad. Esta ltima se estudia mediante un grfico R (como ya vimos), o mediante un grfico S, el cual es un grfico de control para desviaciones estndar muestrales. Por tanto, podemos usar los grficos S para estudiar la variabilidad del proceso y detectar la posible existencia de causas especiales. Resulta habitual utilizar los grficos S para muestras de tamao superior a 10, utilizando los grficos R en caso contrario. Sea X la caracterstica de calidad que nos interesa medir, donde X N(,). Tomaremos k muestras, cada una de ellas de tamao n. Denotaremos por Xi1 , Xi2 , ..., Xin a las n observaciones que forman la muestra i-sima, donde i = 1,2,...,k. Ya vimos cmo construir un grfico X-barra: Por el Teorema de Distribucin Muestra, sabemos que:

Por el Teorema Central del Lmite,

x = X N , n n

x =

Segn el modelo de Shewart tendremos que:

n Lnea central = LIC = 3 n

Si es desconocida, la podemos estimar (observar que tal estimacin se realizar a partir de las k muestras obtenidas, k > 25, tomadas cuando se considera que el proceso est bajo control):
k = X = 1 X i

LSC = + 3

donde

1 Xi =

i =1

ij n j =1

Observar que

es estimador insesgado de ya que

EX

EX =

[ ]

]=
i x

=.

1 k k i =11

Si es desconocida, la podemos estimar a partir de las desviaciones estndar Si (observar que tal estimacin se realizar a partir de las k muestras obtenidas, k > 25, tomadas cuando se considera que el proceso est bajo control):

III - 14

III. Grficos de Control por Variables (1)

i = 1,2,...,k , sea

Si =

1 n 1

(X )
n i j =1

ij

X . Se cumple que Si = c 4 (n)

, donde

c4(n) es un valor tabulado que depende de n . Notar que Si / c4(n) es un estimador insesgado de , ya que:

iS E [S i ] c (n) E = = 4 = c 4 ( n) c 4 ( n) c 4 (n )
As, es buena idea tomar como estimador de el promedio de los Si / c4(n) :

Si

S c 4 ( n)

( es estimador insesgado de )

i =1

c 4 ( n)

En caso de que el tamao muestral (ni ) sea diferente para cada subgrupo, a la hora de calcular los lmites segn el modelo de Shewart, podemos optar por: 1. Obtener los lmites usando el ni asociado a cada muestra, con lo que las lneas de control no sern rectas (darn saltos arriba y abajo segn ni disminuya o aumente), 2. Si los ni no difieren mucho unos de otros, podramos tomar n

k i =1

ni .

En esta situacin de tamaos muestrales diferentes, los estimadores para y sern:

nX n
i i

1 Si k c 4 (ni )

Veamos ahora cmo construir un grfico S. Recordemos que X era la caracterstica de calidad que nos interesa medir, donde X N(,), y que denotamos por Xi1 , Xi2 , ..., Xin a las n observaciones que formaban la muestra i-sima, donde i = 1,2,...,k. i = 1,2,...,k , se cumple que valor tabulado que depende de n. Se cumple que:

Si = c 4 (n) , Si = y

1 (c 4 ( n) )

, donde c4(n) es un

S i N n

( n) , 1 (c 4

2 (n) )

Por tanto, segn el modelo de Shewart, tendremos que:

LSC = c 4 (n) + 3

(c 4
1

( n) )

Lnea central = c 4 (n) LIC = c 4 (n) 3

(c 4

( n) )

Si es desconocida, la podemos estimar a partir de las desviaciones estndar Si el grfico X-barra.

como vimos para

Asimismo, la observacin que vimos en los diagramas X-barra para el caso en que el tamao muestral (ni ) sea diferente para cada muestra es igualmente aplicable aqu. III - 15

Control Estadstico de la Calidad con MINITAB

GRFICOS INDIVIDUAL Y MR-BARRA

Los grficos de control por variables pueden tambin construirse para observaciones individuales procedentes de la lnea de produccin. Esto puede resultar necesario cuando el considerar muestras de tamao mayor que 1 resulte demasiado caro, inconveniente, o imposible. En este procedimiento de control se emplea el rango mvil de dos observaciones sucesivas para estimar la variabilidad del proceso. Sea X la caracterstica de calidad que nos interesa medir, donde X N(,). Denotaremos por X1 , X2 , ..., XK a las k observaciones. Veamos cmo construir un grfico Individual: Observar que i = 1,2,...,k , Xi N(,) . Segn el modelo de Shewart tendremos que:

LSC = + 3 Lnea central = LIC = 3

Si es desconocida, la podemos estimar (observar que tal estimacin se realizar a partir de las k observaciones obtenidas, k > 25, tomadas cuando se considera que el proceso est bajo control):

= X = 1 X i k i =1
Observar que

es estimador insesgado de ya que

E [X ] =

k i =11

E[X i ] = .

Si es desconocida, la podemos estimar a partir del rango mvil MRi (observar que tal estimacin se realizar a partir de las k observaciones obtenidas, k > 25, tomadas cuando se considera que el proceso est bajo control): i = 2,...,k , sea

MRi = Max{X i , X i 1 } Min{X i X i1}

. Se cumple que

MRi = d 2 (1)
-

, donde d2(1) es un valor tabulado.

Notar que MRi / d2(1) es un estimador insesgado de , ya que:

MR E [MRi ] d (1) i E = = 2 = d2 d 2 (1) d 2 (1) (1)

As, es buena idea tomar como estimador de el promedio de los MRi / d2(1) :

MR

MR

( es estimador insesgado de )

k 1 i = 2 d 2 (1)

d 2 (1)

III - 16

III. Grficos de Control por Variables (1) Como hemos comentado, junto a los grficos de control individuales podemos considerar tambin los grficos de control para los rangos mviles asociados, grficos que nos ayudarn a controlar la variabilidad de las observaciones registradas. Veamos cmo construir un grfico MR-barra. Recordemos que X era la caracterstica de calidad que nos interesa medir, donde X N(,), y que denotamos por X1 , X2 , ..., Xn a las k observaciones. i = 2,...,k , sea

MRi = Max{X i , X i 1 } Min{X i X i 1 } . Se cumple que MRi = d 2 (1) ,

donde d2(1) , d3(1) son valores tabulados.

MRi = d 3 (1)
y Se cumple que:

MRi n N (d 2 (1) , d 3 (1) )

Por tanto, segn el modelo de Shewart, tendremos que:

LSC = d 2 (1) + 3d 3 (1) Lnea central = d 2 (1) LIC = d 2 (1) 3d 3 (1)

Si es desconocida, la podemos estimar a partir de los rangos mviles MRi segn ya vimos.

Ejemplo grfico I: Hemos registrado en la columna C1 del archivo Mat_Prima.mtw el peso de cada lote de una determinada materia prima. Seleccionar Stat > Control Charts > Individuals Completamos los campos:

III - 17

Control Estadstico de la Calidad con MINITAB

I Chart for Peso

1050 1 1 6 6 22 22 2 22 2 2 22 2 2 6 2 2 6 2 6 850 0 10 1 20 11 3,0SL=1011

Individual Value

950

X=936,9

5 1 30 40 50

-3,0SL=862,8

Observation Number

TEST 1. One point more than 3,00 sigmas from center line. Test Failed at points: 14 23 30 31 44 45 TEST 2. 9 points in a row on same side of center line. Test Failed at points: 9 10 11 12 13 14 15 16 17 18 19 20 21 33 34 35 36 TEST 5. 2 out of 3 points more than 2 sigmas from center line (on one side of CL). Test Failed at points: 24 30 31 45 TEST 6. 4 out of 5 points more than 1 sigma from center line (on one side of CL). Test Failed at points: 5 6 7 29 30 31 32 45

El grfico nos muestra 6 puntos situados fuera de los lmites de control, as como 17 puntos localizados dentro de los mismos pero que no han cumplido el segundo de los tests, lo que sugiere la existencia de causas especiales de variacin. III - 18

III. Grficos de Control por Variables (1)

EJEMPLOS DE APLICACIN
Ejemplo 1: En un proceso de manufactura se miden las presiones de rotura del alambre metlico en muestras de tamao variable tomadas en 25 das consecutivos. Los datos estn contenidos en el archivo presiones.mtw. Para analizar si el proceso est bajo control usaremos grficos X-barra y R. El programa nos proporciona el siguiente grfico X-barra:

X-bar Chart for presion

64,5 63,5 62,5 3,0SL=62,89

Sample Mean

61,5 60,5 59,5 58,5 57,5 56,5 55,5 0 5 10 15 20 25 -3,0SL=57,06 X=59,98

Sample Number
El grfico anterior indica la existencia de control estadstico (no hay puntos fuera de los lmites de control, ni tendencias, ni ciclos, ni patrones en los datos, etc.). A continuacin realizaremos un grfico X-barra/R:

Xbar/R Chart for presion

64 63 62 61 60 59 58 57 56 0 5 10 15 20 25

Sam ple Mean

3,0SL=62,81

X=59,98

-3,0SL=57,14

Subgroup

Sam ple Range

10

3,0SL=10,39

R=4,913

-3,0SL=0,00E+0

III - 19

Control Estadstico de la Calidad con MINITAB En los grficos anteriores se observa la presencia de control estadstico en el proceso. Tanto la media como la desviacin tpica varan dentro de los lmites de control y no se observan problemas de tendencias, ni de patrones en los datos, ni de ciclos, ni de estratificacin, ni de cambios bruscos en el proceso, etc. Dada la situacin clara de proceso bajo control, forzaremos a que el programa considere tamaos de subgrupos iguales a su valor medio 5. As podremos comprobar la existencia de control a travs de los tests para causas especiales:

Xbar/R Chart for presion

63 3,0SL=62,71

Sam ple Mean

62 61 60 59 58 57 -3,0SL=57,24 0 5 10 15 20 25 X=59,98

Subgroup

Sam ple Range

10

3,0SL=10,03

R=4,745

-3,0SL=0,00E+0

Test Results for Xbar Chart Test Results for R Chart Observamos que ninguno de los tests ha dado positivo, y que los grficos muestran un proceso aparentemente bajo control.

III - 20

III. Grficos de Control por Variables (1) Ejemplo 2: En un proceso de fabricacin de motores de aviones se controla el peso de 25 de ellos. Los resultados se guardan en el archivo aviones.mtw. Pretendemos comprobar si el proceso se encuentra bajo control. Dado que estamos ante un proceso en el que disponemos de una nica muestra de observaciones individuales, usaremos el grfico I-MR.

Grfico de Medias y Rangos Mviles

1300 1290 1280 1270 1260 1250 1240 1230 1220 0 5 10 1 3,0SL=1289

Individual Value

X=1256

-3,0SL=1223 15 20 25

Subgroup

50

1 3,0SL=40,16

Moving Range

40 30 20 10 0

R=12,29 -3,0SL=0,00E+0

Test Results for I Chart TEST 1. One point more than 3,00 sigmas from center line. Test Failed at points: 13 Test Results for MR Chart TEST 1. One point more than 3,00 sigmas from center line. Test Failed at points: 14 En el output anterior se observa la existencia de un punto fuera de control, e correspondiente a la observacin nmero 13. Vamos a eliminar dicho punto del anlisis usando la opcin Estimate:

III - 21

Control Estadstico de la Calidad con MINITAB El nuevo output que obtenemos es:

Grfico de Medias y Rangos Mviles

1300 1290 1280 1270 1260 1250 1240 1230 1220 0 5 10 1 3,0SL=1282

Individual Value

X=1254

-3,0SL=1227 15 20 25

Subgroup

50

1 3,0SL=33,71

Moving Range

40 30 20 10 0 R=10,32 -3,0SL=0,00E+0

Vemos que seguimos teniendo un problema de falta de control, por lo que deberemos analizar a fondo las causas atribuibles y realizar un estudio exhaustivo de materiales, mano de obra y circunstancias que pudieran incidir en el proceso de fabricacin.

III - 22