GCC Civil Cap4 Graficos Control 2014 1

2
UNIVERSIDAD DE CONCEPCION
Facultad de Ingeniera
Departamento de Ingeniera Industrial
Bibliografa
G ti y C
Gestin
Control
t ld
de C
Calidad
lid d
(Ingeniera Civil)
Hernaldo Reinoso
Marzo 2013
Control Estadstico de la Calidad,

Douglas C.
C Montgomery, LimusaWiley, 2004
Hernaldo Reinoso, Departamento de Ingeniera Industrial, Universidad de Concepcin
Contenidos
Captulo 4
G fi
Grficos
de
d C
Control
t l
1. Grficos de Control
1.1 Grficos de control para variables
1.2 Grficos de control para atributos
2. Grficos de Control Especiales
Fuentes de Variabilidad de los Procesos
Causas Asignables
Causas Comunes
Proceso en control
Variacin aleatoria
Suelen ser muchas y
cada
d una produce
d
pequeas variaciones
Son parte permanente
del proceso
Son difciles de eliminar y
forman parte del sistema.
Afectan a todo el proceso
Seccin 1.1
Grficos de Control para Variables
Proceso fuera de control

Variacin sistemtica
Suelen ser pocas pero
con efectos importantes
en la variabilidad.
Aparecen
p
espordicamente.
Son relativamente fciles
d eliminar
de
li i
En general su efecto se
localiza en alguna(s)
g
( )
mquina(s) u operario(s).
Ejemplo: Distancia entre pas
Grficos de Control (GC)
60
Variacin normal
debida a la aleatoriedad
LSC
55
50
45
Variacin anormal
debida a causas asignables
LIC
40
1
8 9 10 11 12 13 14 15 16 17
Muestra
INCHALAM: Departamento de Productos Terminados

Especificaciones del producto:
- Longitud de la pa: 5 - 10 mm.
- Distancia entre pas: 127 12 mm.
mm
- Calidad del enrollado.
- Largo total del rollo: 275 o 500 m
m.
Especificaciones del proceso:
- Estado de los cuchillos que cortan las pas
pas.
- Contador de metros en la mquina.
- Carga de ruptura: 350 - 430 kg.
kg /m2.

Muestra
Obs
1
Obs
2
Obs
3
Obs
4
Obs
5
Muestra
Obs
1
Obs
2
Obs
3
Obs
4
Obs
5
123
131
130
130
130
16
122
131
131
122
126
125
127
128
123
124
17
131
123
124
122
125
131
129
124
129
125
18
130
124
128
125
123
129
100
132
124
127
19
127
123
125
131
127
123
127
123
128
129
20
0
124
128
8
127
122
129
9
126
125
125
127
122
21
123
127
122
123
128
131
129
127
129
123
22
129
130
132
125
124
129
124
129
125
124
23
122
124
125
124
124
127
130
130
123
125
24
131
128
127
125
131
10
124
127
123
131
123
25
127
129
124
132
145
11
131
122
132
128
127
26
130
125
131
123
123
12
132
125
130
125
122
27
132
127
123
125
122
13
127
130
127
123
131
28
131
123
127
122
127
14
128
127
129
125
128
29
124
129
124
126
125
15
127
129
123
126
125
30
123
127
123
129
128
Lmites de control 3 sigmas:
Lmites de control 3 sigmas quedan:

LSC = x + 3
LC
R
d2 n
En
E ell ejemplo
j
l m = 30 y n = 5.
5
x=
R=
3793.6
= 126.453
30
251
= 8.36667
30
Estudio Inicial (Fase 1): Tomar m muestras (o subgrupos)

((m entre 20 y 30)) de tamao n,, y estimar y de la
siguiente manera:
m
m
Ri m
xi
R i =1
= x = i =1
=
=
m
d2
d2
11
12
Grficos X-barra
Por lo tanto:
LSC = x + 3
LC = x
LIC = x 3
LIC = 3
R
d2 n
LSC = + 3
Grficos X-barra
10
Grficos X-barra
= 126.453 + 3
d2 n
8.36667
2.326 5
= 126.453 + 4.826
LC = x = 126.453
LIC = x 3
R
d2 n
= 126.453 3
8.36667
2 326 5
2.326
LSC = 131.279
LC = 126.453
= 126.453 4.826
8.36667
8
36667
= 3.597
2.326
LIC = 121.627
13
Grficos X-barra
Fuentes de Variabilidad de los Procesos
14
133
131
t3
129
127
t2
125
123
t1
121
0
10
15
20
25
30
Slo causas aleatorias

LIC
Hernaldo Reinoso, Departamento de Ingeniera
13
Industrial, Universidad de Concepcin
H0: El proceso est en control (Ejemplo: = 126.453)
LSC
Hernaldo Reinoso, Departamento de Ingeniera

14
Industrial, Universidad de Concepcin
15
Tipos de Error
LC
Tipos de Error
Error Tipo I
Error Tipo II
H1: El proceso no est en control (Ejemplo: 126.453)

H0 Verdadera
(En control)
H1 Verdadera
(Fuera de control)
No rechazar H0
(Continuar el
proceso)
Decisin
correcta
Error Tipo II
()
Rechazar
R
h
H0
(Ajustar el
proceso)
Error Tipo I
()
Decisin
correcta
Decisin
Error Tipo I
16
17
18
Un Proceso Estable
Un Proceso Inestable
? ?
LC
LIC
LIC
LSC
LC
LSC
19
Mejoramiento del Proceso
20
Capacidad del Proceso
Proceso
mejorado
Causas
asignables
eliminadas
LIE
t1
Causas
C
asignables
LSE
t2
Ajuste del
proceso
6
X
LIC
LC
LSC
6
21
22
Capacidad del proceso: Proporcin de producto que

cumple las especificaciones.
9 Si p representa
t lla fraccin
f
i de
d producto
d t defectuoso,
d f t
entonces la capacidad del proceso es:
0.9973
0.00135
3
LIE
1 p = P ( LIE x LSE )
0.00135
3
LSE
donde
LSE
LIE
1 p = P
z
= x
Definicin:
Cp =
LSE - LIE
6
con
R
d2
ndices de Capacidad del Proceso
LSE - - LIE
Cpk = Min
,
3
3
Un estimador de este ndice es:

LSE - LIE
C p =
,
6
23
ndices de Capacidad del Proceso
R
d2
Cp > 1.33 : El proceso es capaz

Cp < 1.00 : El proceso no es capaz
Cpk 1 : Proceso es capaz

Cpk < 1 : Proceso NO es
capaz
1.00 Cp 1.33 : El proceso es capaz, pero

debera ser vigilado a
medida que CP 1.00
24
25
Capacidad del Proceso: Ejemplo

Datos: LSE = 139
LIE = 115
Media = 126.42 (De los grficos de control)
a)Cuntas unidades no conformes se encontrarn en

dicho embarque?
D llos grficos
De
fi
d
de control
t l
b) Cunto disminuye el porcentaje anterior si el

proceso estuviera centrado en la especificacin
nominal?
De tablas, con n = 5
Cp =
Cpk = Min
}=
Grficos X-barra y R
Se
S sabe
b que:
27
Grficos X-barra y R
Usando los estimadores yya indicados:
m
x ~ N x , x2
2
= N ,
Lmites de control 3 sigmas para X-barra:
LSC = + 3
LC =
LIC = 3
26
Suponga un proceso bajo control donde el proceso no est

centrado en la media (o especificacin) nominal. Suponga
adems
d que Cpk superior
i = 7/6 y que Cpk inferior
i f i = 1/6
1/6. U
Un
embarque de este producto est compuesto por 100 lotes de
10.000 unidades cada uno.
Variable de Calidad: Distancia entre pas
R
7.07
=
=
=
d 2 2.326
Ejercicio (Listado 2, 2010)
= x =
x
i =1
Ri m
R i =1
=
=
d2
d2
los lmites de control 3 sigmas quedan
quedan,
LSC = x + 3
R
d2 n
= x + A2 R
LC = x
LIC = x 3
R
d2 n
= x A2 R
28
29
Grficos X-barra y R
Anlogamente para el grfico R el modelo es :
133
LSC = R + 3 R
131
LC = R
127
R = d3
LC = 126.421
126 421
126
LIC = 122.343
124
30
LC
C = 7.071
0
20
LIC = 0
10
= 3.040
3 040
30
25
LSC = 17.691
17 691
LC = 8.367
20
LIC = 0
= 3.597
5
10
15
20
25
30
128
LSC = 14.953
25
30
LSC = 130.500
20
20
Grfico x-barra
15
15
10
130
40
10
Grfico R
Ejemplo: Eliminacin causas asignables
10
40
LIC = 121.627
121
R
d2
R
1
LSC = R + 3 d 3
= R 1 + 3 d3 = D4 R
d2
d2
LC = R
R
1
LIC = R 3 d3
= R 1 3 d3 = D3 R
d2
d2
LC = 126.453
126 453
123
9 Entonces los lmites para el grfico R son:
122
LSC = 131.279
125
Considerando:
C
R = R ,
30
31
Fase I y Fase II de la Aplicacin de GC

Fase I: Anlisis retrospectivo de los datos del proceso
usado para construir los lmites de control de prueba
9 Detectar
D t t cambios
bi grandes
d y sostenidos
t id en llos
parmetros;
9 Detectar outliers,, errores de medicin,, errores de
registro, etc.
9 Identificacin y remocin de las causas asignables
Grfico R
Fase II: El GC se utiliza para monitorear el proceso

9 Proceso es razonablemente estable
9 Monitoreo del proceso, ms que en traerlo a control
0
0
10
30
Grfico x-barra
129
LIC = R 3 R
132
15
20
25
30
32
33
Ejercicio
En un proceso de produccin de una cierta pieza, se van a

usar grficos de control X-barra y R para controlar el
dimetro de la pieza en cm.
cm Se ha decidido realizar un
estudio inicial seleccionando 20 muestras (subgrupos) cada
media hora del proceso, cada una de 4 piezas. Las
mediciones
di i
di
dieron
l siguientes
los
i i t resultados:
lt d
20
X
i =1
= 219.5
20
R
i =1
= 130
Curvas OC (Operation Characteristic)
34
Probabilidad de detectar un cambio en la media

desde a + k
+ k
Muestra Media Rango

g
5
9
10
17.25
3.75
13.75
4.00
2.00
18.00
a) Calcule los lmites de control 3-sigmas correspondientes

a la fase I
35
Curvas OC
Curva OC: Probabilidad de cometer error de tipo II ()

cuando la media ha cambiado en k sigmas.
Est dada por
= P LIC X LSC / = + k
LIC ( + k )
LSC ( + k )
= P
z
n
n
Probabilidad de error tipo I: () = Probabilidad de rechazar

que ell proceso est
t en control
t ld
dado
d que est
t en control
t l
36
Curvas OC
1
Es fcil ver que, si el proceso est en control,
= 1
37
Curvas OC: Ejercicio
Curvas OC para un Grfico X-barra
38
En el ejemplo de la distancia entre pas, calcule la

probabilidad de detectar un aumento de 1.5 sigmas
p
g
en la media del proceso.
Suponga
S
que la
l varianza
i
no cambia
bi
Cul es la magnitud de cambio que se puede
detectar con probabilidad 0.7.
Calcule el tamao muestral necesario para que la
probabilidad de detectar el cambio anterior sea 0.9
Nmero Medio de Muestras para

D t t un Cambio
Detectar
C bi
9 Longitud Media de las Corridas o Average Run
Length (ARL)
9 Supuesto: muestras o subgrupos independientes
9 K = Nmero de muestras antes de detectar el
cambio (v. a.)
ARL = E [K ] =
k P (K = k ) =
k =1
k k 1 (1 ) = 1
k =1
y, si el proceso est en control, el ARL es:

ARL =
39
Ejercicio
9 Continuacin de ejercicio anterior
b) Suponga que en la fase II la primera muestra que
sali fuera de control fue la nmero 213 con una
media de 25.017 y un rango de 6. Qu hacer? Si esto
es una indicacin de que ocurri un cambio de 2 en la
media del proceso, cundo, en promedio
(o probablemente),
probablemente) pudo haber ocurrido ese cambio?
Por qu?
p g ahora q
que en la fase II,, las medias de las
c)) Suponga
ltimas 98 muestras cayeron arriba de la lnea central,
pero dentro del lmite 2-sigmas. Qu hacer?
40
Interpretacin de los GC X-barra y R
41
42
Control al Estndar
Para :
LSC = + 3
LC
LIC = 3
ob
bien:
e
LSC = + A
LC =
con
LIC = A
Control al Estndar
Para R:
LSC = R + 3 R
LC = R
LIC = R 3 R
Pero como:
entonces
R
=
d2
R = d3
LSC = d 2 + 3 d 3 = ( d 2 + 3 d 3 ) = D2
A=
3
n
43
Ejercicio
Para controlar un proceso de envasado se lleva un grfico
de control (al estndar) del peso (g). Se establece como
estndar
t d una media
di del
d l proceso igual
i
l a 1000 g., LSC =
1020 y LIC = 980. Se sabe adems que el error tipo I es del
0.6% y el intervalo de especificacin
p
es 1000 50g.
g
a) Si Cpk = 1.14 determinar el tamao de las muestras.
b) Calcular los lmites de control del grfico R
c) Calcular el nmero de muestras que, en promedio, es
necesario extraer para detectar un aumento de 18g en
la media del proceso.
p
LC = d 2
LIC = d 2 3 d 3 = ( d 2 3 d 3 ) = D1
44
45
46
Grficos X-barra y S
Grficos X-barra y S
Un estimador insesgado de 2 es
Los grficos x-barra y S son preferidos a los

grficos X-barra y R cuando:
S2 =
a) El tamao de la muestra es moderadamente

grande: n > 10 o 12.
(x
i =1
x)
n 1
Sin embargo la desviacin estndar muestral no es

un estimador insesgado de .
b) El tamao muestral n es variable

En realidad
E ( S ) = c4
Por otro lado
S = 1 c42
Grficos X-barra y S : conocida

Para S:
LSC = E ( S ) + 3 S = c4 + 3 1 c 42 = B6
LC = E ( S ) = c 4
LIC = E ( S ) 3 S = c4 3 1 c42 = B5
donde
B 6 = c 4 + 3 1 c 42
B 5 = c 4 3 1 c 42
9 Los valores c4, B5 y B6 dependen del tamao

muestral n y se leen de tablas.
47
Grficos X-barra y S : desconocida

En este caso:
S
=
c4
con
S=
S
i =1
Por lo tanto, los lmites de control para x-barra

estn dados por:
LSC = x + A3 S
LC = x
LIC = x A3 S
donde
A3 =
3
c4 n
9 Los valores c4 y A3 dependen del tamao muestral

n y se leen de tablas.
48
Grficos X-barra y S : desconocida
49
50

15
Por otro lado, los lmites de control para S son:

LSC = S + 3 S = S + 3
S
1
1 c 42 = 1 + 3
1 c 42
c4
c4
12
9
S = B4 S
6
3
LC = S
LSC = S 3 S = S 3
S
1
1 c 42 = 1 3
1 c 42
c4
c
4
S = B3 S
0
0
10
15
20
25
30
9 Los valores c4, B4 y B3 dependen del tamao

muestral n y se leen de tablas.
51

133
131
129
127
125
123
121
0
10
15
20
25
30
Subgrupos Racionales
G
Grfico
f
x-barra controla o monitorea la variabilidad
entre-muestras
Grfico R controla o monitorea la variabilidad dentro-dedentro de
la-muestra
La estimacin de la desviacin estndar de usada
para construir los lmites de control se calcula a partir
de la variabilidad dentro-de-la-muestra
No es correcto estimar usando
52
Mediciones Individuales: Grficos X
53
54
GC para Mediciones Individuales
n=1
Algunas situaciones en las que n = 1 son:
LSC = x + 3
9 Inspeccin automatizada donde se analiza cada unidad
LSC = D4 MR
LC = x
9 Produccin
Prod ccin es lenta y no permite m
muestras
estras ma
mayores
ores
LC = MR
MR
d2
LIC = x 3
9 Mediciones repetidas difieren slo debido a errores de

medicin
di i o d
de llaboratorio,
b t i como en muchos
h procesos
qumicos
Donde
MR =
LIC = D3 MR
9 En
E procesos como lla produccin
d
i d
de papell d
donde
d llas
mediciones del gramaje a lo ancho presentan muy
poca variabilidad y el objetivo
p
j
es controlar el g
gramaje
j
a lo largo del papel
MRi
i =2
m 1
xi xi 1
i =2
m 1
55
Mediciones Individuales: Ejemplo

Lote N Azitromicina, X
MR
d2
56
Lote N
Azitromicina, X
MR(2)
MR(2)
486,5
------
11
491,0
6,0
507,0
20,5
12
491,5
0,5
518,5
11,5
13
491,5
0,0
516 3
516,3
22
2,2
14
493 1
493,1
16
1,6
486,5
29,8
15
493,5
0,4
487,6
1,1
16
497,7
4,2
490,5
2,9
17
492,5
5,2
494,5
4,0
18
493,5
1,0
490 8
490,8
37
3,7
19
484 0
484,0
95
9,5
10
485,0
5,8
20
492,0
8,0
x = 494,175
LSC = 494,175 + 3
MR = 6,20526
6,20526
6
20526
= 510,678
1.128
LC = 494,175
494 175
LIC = 494,175
,
3
6,20526
= 477,672
,
1.128
LSC = ( 3.267 ) 6,20526 = 20,2744

LC = 6,20526
LIC = 0
57
58

30
520
25
510
MR((2)
20
500
15
490
10
480
5
0
470
0
12
16
20
Mediciones Individuales: Otro Ejemplo

Lote N
N
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
pH
6,14
6,07
6,20
6 07
6,07
6,05
6,12
6,07
6,10
5,57
6,10
6,02
6,11
6,50
6,11
6 08
6,08
6,07
6,08
6,14
6,19
6,07
Peso
especfico
1,0068
1,0076
1,0048
1 0062
1,0062
1,0069
1,0058
1,0060
1,0070
1,0075
1,0069
1,0033
1,0033
1,0070
1,0070
1 0083
1,0083
1,0061
1,0080
1,0070
1,0077
1,0080
Viscosidad
7,69
7,97
8,85
8 62
8,62
8,93
8,90
8,57
6,60
8,21
8,65
8,12
9,44
8,20
8,17
7 72
7,72
8,72
9,18
8,45
8,45
8,47
12
16
59
Ejemplo: Mediciones
sobre 20 lotes de
Novotears Colirio (1)
(1) C. GONZLEZ G., VALIDACIN
RETROSPECTIVA Y CONTROL
ESTADSTICO DE PROCESOS EN
LA INDUSTRIA FARMACUTICA,
UNIDAD DE PRCTICA PARA OPTAR
AL TTULO DE QUMICO FARMACUTICO
DE LA UNIVERSIDAD DE CHILE.
UNIVERSIDAD DE CHILE, FACULTAD
DE CIENCIAS QUMICAS Y FARMACUTICAS
DEPARTAMENTO DE CIENCIAS Y
TECNOLOGA FARMACUTICA
LABORATORIOS SAVAL, Santiago, Chile, 2005
20
60
61
62
63

6,5
64
6,48354
Ph
6,3
6,1
X
6,093
,
5,9
5,70246
5,7
55
5,5
0
8
12
Observacin
16
20
65
66
0,6
05
0,5
0,479775
MR(2)
0,4
Ph
0,3
0,2
0,146842
0,1
0
0,0
0
8
12
Observacin
16
20
67
Ejercicio
Se desea establecer un grfico de control para el porcentaje de
humedad de comprimidos del antibitico Trex. Sea X la variable
que representa
q
p
este p
porcentaje.
j La tasa de p
produccin es de
10000 cajas de 10 comprimidos por hora. El mtodo de
muestreo utilizado consiste en una medicin del porcentaje de
humedad cada 1 hora del proceso. En el estudio inicial se
obtuvieron las siguientes 10 mediciones:
3.7 3.4 3.7 3.5 3.5 3.3 2.9 7.0 5.0 3.8
a) Obtenga los lmites 3 sigmas para X y MR. Si hay puntos fuera
de control suponga que las causas asignables han sido
encontradas y eliminadas.
eliminadas
b) Una vez que el proceso ha sido llevado a control, calcule la
probabilidad de detectar un aumento de 2 en la media,
dentro de las 5 horas inmediatamente siguientes al cambio.
cambio
68
Ejercicio (Certamen 1, 2011-1)
69
Grficos X: Ejemplo adicional
70
c) Suponga que los lmites de especificacin coinciden con los

de tolerancia natural y que el proceso se mantiene bajo
control
t l Cuntos
C t
comprimidos
i id
no conformes
f
se producirn
d i
entre cada seal fuera de control? Justifique. Cul es el
valor de Cp y Cppk en este caso? Por qu?
d) El supervisor de produccin ha propuesto estimar la
desviacin estndar del p
proceso con la desviacin estndar
de las 10 observaciones del estudio inicial. Es correcto
dicho procedimiento? Por qu? Qu efectos tendra sobre
los grficos de control? Por qu?
71
72
73
74

149
147.917
147
145
144.645
143
141.374
141
0
10
12
4.01876
MR
R(2)
4
3
2
1.23
1
0
0.0
0
10
12
75
Seccin 1.2
Grficos de Control para Atributos
77
Grficos p
Por lo tanto
tanto, dado p los lmites de control son:
9 p = probabilidad de no cumplir con las especificaciones
LSC = p + 3
9 Unidades producidas son independientes
LIC = p 3
D
p =
n
9 Debe estimarse p
p (1 p )
n
Grficos p
El estimador de p es:
p=
i =1
mn
p i =
Di
p (1 p )
9 Si Di es el nmero de unidades
nidades no conformes
en la muestra i entonces:
p = p, y
9 Se seleccionan m (20 o 25) cada una de tamao n.
9 Adems se sabe que:
p2 =
p (1 p )
LC = p
9 D = Nmero de unidades no conformes en una muestra

de tamao n
9 Un estimador de p es:
78
Grficos p
pi
i =1
Di
n
79
80
Grficos p : Ejemplo
9 En una fbrica de molduras se inspeccionan 100
unidades cada hora durante 20 horas
9 La cantidad de molduras defectuosas se registr
en la tabla siguiente.
Por lo tanto los lmites de control son:

LSC = p + 3
p (1 p )
n
LC = p
LIC = p 3
p (1 p )
9 Elabore un grfico p
9 Si alguno de los puntos cae fuera de los lmites de control,
suponga que se han determinado las causas asignables,
y elabore un grfico p revisado.
81
Grficos p : Ejemplo
Muestra
Nmero de
molduras
defectuosas
Di
1
2
3
4
5
6
7
8
9
10
5
5
3
3
4
9
0
1
5
6
0.12
Muestra
Nmero de
molduras
defectuosas
Di
11
12
13
14
15
16
17
18
19
20
9
3
3
6
1
12
4
2
4
5
0.06
Nmero total de molduras defectuosas
82
Grficos p : Ejemplo
0.1
0.08
0 04
0.04
0.02
0
0
12
16
20
Muestra
90
83
Grficos p : Ejemplo
0.12
Grficos c: Tamao muestra constante

Unidad de inspeccin: una entidad para la que es
conveniente llevar registros.
0.1
0.08
Habitualmente es una unidad del producto pero podra

ser un grupo de 5 unidades, 12 unidades, una caja, 5
metros de tela, etc.
0.06
0 04
0.04
0.02
0
0
12
16
20
Sea x: el nmero de disconformidades en la unidad de

i
inspeccin,
i entonces:
t
Muestra
P ( X = x) = p(x) =
e c c x
,
x!
x = 0, 1,, 2,, ...,, c > 0
En este caso, E(X) = c y V(X) = c
84
85
Grficos c: Tamao Muestra Constante
9 La tabla siguiente presenta el

nmero de no conformidades
observadas
b
d en 26 muestras
t
sucesivas de 20 ventanas de
pvc para viviendas sociales.
9 Notar que, por razones de
conveniencia, la unidad de
inspeccin se define como 20
ventanas.
9 De la tabla puede obtenerse
que las 26 muestras contienen
516 no conformidades. Por lo
tanto c puede estimarse con:
b) c desconocida
a) c conocida
LSC = c + 3 c
LSC = c + 3 c
LC = c
LC = c
LIC = c - 3 c
LIC = c 3 c
m
donde
c=
x
i =1
m
representa el nmero medio observado de no conformidades
en una conjunto preliminar de m muestras de n unidades
de inspeccin
86
Grficos c: Ejemplo
Nmero de Nmero de no
la muestra conformidades
1
2
3
4
...
...
26
21
24
16
12
...
...
15
Total
516
c =
516
= 19.85
19 85
26
87
88
Grficos c: Ejemplo
Grficos c: Ejemplo
Grfico c
516
c =
= 19.85
26
LSC = c + 3 c = 19.85
19 85 + 3 19
19.85
85 = 33
33.22
22
LC
= c = 19.85
LIC = c 3 c = 19.85 3 19.85 = 6.48
40
Nmero de D
Disconformid
dades
9 Por lo tanto
tanto, los lmites de control de prueba son:
45
35
33.21
30
28.76
25
20
19.85
15
10.94
10
6.48
5
0
10
15
20
25
Muestras
Grficos de Suma Acumulada: CUSUM
90
9 til para detectar cambios pequeos

9 Particularmente efectivos para n = 1
Seccin 2
9 Se basan en la estadstica
i
Ci = ( x j 0 )
Grficos de Control Especiales
j =1
9 Dos maneras de representar las cusums:

- Forma tabular
- Forma de V-mask
91
92
Grficos de Suma Acumulada: CUSUM

Ejemplo:
m = 30,
= 1 = 1,
1
n = 1, = 1, 0 = 10
1 = 0 + 1 = 10 + 1 =11
11
9 Los primeros 20 datos corresponden a una N(10, 1) y

los ltimos 10 datos a una N(11, 1)
LSC = 13
LC = 10
LIC = 7
9 El objetivo del ejemplo es mostrar que un grfico X-barra

X barra
no muestra ningn punto fuera de control a pesar del
cambio en la media del proceso.
9 En las pginas siguientes se muestran los datos y el
correspondiente grfico X
X-barra
barra
93
94
Grficos CUSUM: Forma Tabular
Grficos de las Sumas Ci
9 Primero se analizar el caso n = 1
Ci = ( x j 0 )
9 Sea xi = la i-sima observacin del proceso
j =1
9 Cuando el proceso est en control xi ~ N(0, )

9 La desviacin estndar se supone conocida o
que se dispone de una estimacin
9 El valor 0 puede interpretarse como un valor objetivo
(Target) para la caracterstica de calidad
C0 = 0
95
Grficos CUSUM: Forma Tabular
Grficos CUSUM: Forma tabular

Clculo de las estadsticas:
Se utilizan dos estadsticas:

C+ : que acumula desviaciones por encima de 0 , y
C : que
C
q e ac
acumula
m la desviaciones
des iaciones por debajo de 0
Estas
E
estadsticas
d i
se d
denominan:
i
C+ : Suma acumulada superior,
p
y
C : Suma acumulada inferior
Ci+ = max 0, xi ( 0 + K ) + Ci+1

Ci = max 0, ( 0 K ) xi + Ci1
Valores iniciales: C + = C = 0
0
0
K : Ge
Generalmente
e a e te llamado
a ado valor
a o de referencia.
ee e ca
A menudo K se elige como:
K =
1 0
2
donde = magnitud del cambio que se quiere

detectar rpidamente.
96
97
98

Ejemplo:
9 Notar que estas estadsticas acumulan las desviaciones

respecto de 0 que son mayores que K , hacindose
cero en caso contrario.
m = 30,
n = 1, = 1, 0 = 10
= 1 = 1,
1
K=
9 Debe seleccionarse un intervalo de decisin H.

H Esto se
ver despus.
1 = 0 + 1 = 10 + 1 =11
11
H=5
9 Para la muestra 1: C1+ = max 0, x1 10.5 + C0+
9 Mientras,
Mientras elegimos H = 5
C1 = max 0, 9.5 x1 + C0
9 Si el valor de alguna de estas estadsticas excede el

intervalo de decisin H, se considera que el proceso
est fuera de control
y como
C0+ = C0 = 0
C1+ = max [0, 9.45 10.5 + 0] = 0

C1 = max [0,
09
9.5
5 9.45
9 45 + 0] = 0
0.05
05
99
100

9 Para la muestra 2:
C2+ = max 0, x2 10.5 + C1+
= max
[0, x2 10.5 + 0]
= max [0,
0 7
7.99
99 10
10.5
5 + 0] = 0
C2 = max 0, 9.5 x2 + C1
= max
[0, 9.5 x2 + 0.05]
= max [0, 9.5 7.99 + 0.05 ] = 1.56
Sea N+ = nmero de veces consecutivas en que Ci+ > 0, y

N nmero de veces consecutivas en que Ci > 0
101
102
Anlisis del ejemplo

1 De la tabla se observa que la suma acumulada superior
1.
en la muestra 29 es Ci+ = 5.28 > H = 5
2. Por lo tanto puede concluirse que el proceso est fuera
de control en este punto
3. Como N+ = 7 en el perodo 29, puede concluirse que el
el proceso estuvo en control hasta la muestra 29 7 = 22
4. O sea que probablemente el cambio ocurri entre las
muestras 22 y 23

Observacin:
9 Definamos H = h y K = k
9 Puede verificarse que h = 4 o 5, y k = , proporcionan
un grfico CUSUM con un buen desempeo en
trminos del ARL frente a cambios de 1 en la media
del proceso
9 En efecto, si k = , puede verificarse que si h = 4,
ARL = 8.38,, y si h = 5,, ARL = 10.4
9 En cambio, en un grfico Shewhart (para individuos),
para esta magnitud de cambio
cambio, ARL = 43.96
43 96
103
104
Grficos CUSUM: Extensin a n > 1

9 Sea n el tamao de cada subgrupo
9 Reemplazar xi por la media muestral de cada subgrupo
9 Reemplazar por
x =
9 Se recomienda n > 1 si esto implica alguna economa

de escala o por alguna otra razn vlida.
105
Grficos CUSUM:
Grficos de Control: EWMA
En
E nuestro
t ejemplo:
j
l
9 El promedio exponencialmente ponderado se define como:
+
C29
= 0 + K + +
N
= 10.0 + 0.5 +
106
zi = xi + (1 ) zi 1
5.28
7
donde 0 1 y z0 = 0
= 11.25
9 Algunas
Al
veces z0 = x
Es decir, si la variable de inters es la viscosidad, la

media de sta ha cambiado a 11.25
( o x sii
n >1
9 Sustituyendo
y
recursivamente se p
puede obtener:
Por lo tanto la variable manipulable que afecta la

viscosidad habra que ajustarla de tal manera que
l viscosidad
la
i
id d di
disminuya
i
1
1.25
25
i 1
zi = (1 ) xi j + (1 ) z0
j
j =0
107
Grficos EWMA
Grficos EWMA
Las ponderaciones (1-)j decrecen geomtricamente

con la antigedad
g
de las muestras
Adems estas ponderaciones suman 1, puesto que
i 1
(1 )
j =0
1 (1 )
1 (1 )
= 1 (1 )
108
Por ejemplo,
ejemplo si = 0.2,
0 2 la ponderacin de la muestra
actual es 0.2 y la de las muestras precedentes son
0.16,, 0.128,, 0.1024,, ,, etc.
Si las observaciones xi son variables independientes

con varianza 2, entonces:
2i

V ( zi ) = z2i = 2
1 (1 )
Por lo tanto:
LSC = 0 + L
1 (1 )2 i
LC = 0
LIC = 0 L
1 (1 )2 i
109
Grficos EWMA
Grficos EWMA
Ejemplo: Mismo ejemplo anterior con = 0.2 y L = 2.7
9 Notar que cuando i es grande, el trmino [1 (1 - )2i]

tiende a 1.
9 En este caso los limites de control se aproximan a:
LSC = 0 + L
LC = 0
LIC = 0 L
9 La eleccin de L y se discutir mas adelante

Grficos EWMA
9 Para i = 1:
z1 = x1 + (1 ) z0
= 0.1( 9.45 ) + 0.9 (10 ) = 9.945
110
Subgrupo
g p
i
Observacin
xi
EWMA
zi
1
2
3
4
5
6
7
8
9
10
9.45
7 99
7.99
9.29
11.66
12.16
10.18
8.04
11.46
9.20
10 34
10.34
9.945
9.7495
9
7495
9.70355
9.8992
10.1253
10.1307
9.92167
10.0755
9.98796
10 0232
10.0232
Subgrupo
g p Observacin
i
xi
...
23
24
25
26
27
28
29
30
...
12.29
11.50
10.60
11.08
10.38
11.62
11.31
10 52
10.52
EWMA
zi
...
...
10.2495
10.3745
10.3971
10.4654
10.4568
10.5731
10.6468*
10 6341*
10.6341
111
112
Grficos EWMA
9 Lmites de control estabilizados:
LSC = 10 + 2.7
2 7 (1)
0.1
= 10
10.62,
62
2 0.1
9 Los lmites de control para i = 1 son:

LSC = 10 + 2.7 (1)
0.1
2(1)
1 (1 0.1) = 10.27
2 0.1
LC = 10
LIC = 10 2.7
2 7 (1)
LIC = 10 2.7 (1)
0.1
= 9.38
2 0.1
Extensin al caso n > 1

0.1
2(1)
1 (1 0.1
0 1) = 9.73
9 73
2 0.1
9 Como z1 = 9.945 est dentro de los lmites, el proceso

est en control en el subgrupo 1
9 Reemplazar xi por la media muestral de cada subgrupo

9 Reemplazar por
x =
113
Grficos EWMA
Diseo de un grfico EWMA

La eleccin de y L puede hacerse considerando
la siguiente tabla para los ARL frente a cambios de
k en la media del proceso:
10,8
LSC = 10.62
10,5
E
EWMA
114
Grficos EWMA
LC = 10
LIC = 9.38
10,2
9,9
9,6
9,3
0
10
15
20
25
30
Grficos de Promedios Mviles: MA

9n=1
L=3.054
L=2.998
L=2.962
L=2.814
L=2.615
= 0.40
= 0.25
= 0.20
= 0.10
= 0.05
0
0.25
0 50
0.50
0.75
1.00
1.50
2.00
2.50
3.00
500
224
71 2
71.2
28.4
14.3
5.9
3.5
2.5
2.0
500
170
48 2
48.2
20.1
11.1
5.5
3.6
2.7
2.3
500
150
41 8
41.8
18.2
10.5
5.5
3.7
2.9
2.4
500
106
31 3
31.3
15.9
10.3
6.1
4.4
3.4
2.9
500
84.1
28 8
28.8
16.4
11.5
7.1
5.2
4.2
3.5
115
Grficos MA
9 Mismo ejemplo anterior, con w = 5.
9 Promedio mvil de orden w p

para la muestra i:
LSC = 10 + 3
x + xi 1 + ... + xi w +1
Mi = i
w
i
1
V (xj ) = 2
w
j = i w +1
=
2
j = i w +1
9 Por lo tanto:
LSC = 0 + 3
1.0
5
= 11.34
LIC = 10 3
1.0
5
= 8.66
9 Para 0 < i < 5, los lmites son:
9 La varianza del promedio mvil es:
1
V ( Mi ) = 2
w
116
LIC = 0 3
0 3
= 10 3
1
i
9 Para n > 1 reemplazar xi por la media muestral de cada

subgrupo y reemplazar por
x =
117
Grficos MA
118
Grficos MA
Ejemplo:
1
2
3
4
5
6
.
.
28
29
30
9.45
7.99
9.29
11.66
12.16
10.18
.
.
11.62
11.31
10 52
10.52
Mi
9.95
8.72
8.91
9.5975
10.11
10.256
.
.
11.036
10.998
10 982
10.982
13
MA
Subgrupo Observacin
i
xi
LSC = 11.34
12
LC = 10
11
LIC = 8.66
10
9
8
7
0
10
15
20
25
30
119
Grficos de Control Multivariados
9 Muchas situaciones donde es necesario el control de

dos o ms caractersticas de calidad relacionadas
En general, si hay p caractersticas de calidad

independientes, la probabilidad de error de tipo I es:
9 Por ejemplo, el dimetro interior y exterior de un anillo

puede ser importante
p
p
p
para determinar la utilidad de
la pieza
9 Al mantener GC para cada caracterstica de calidad,
calidad
la probabilidad de tener un punto fuera de los lmites
3 sigma es 0.0027
9 La probabilidad de que en ambos grficos se tenga
una seal fuera de control es (0.0027)2 = 0.00000729
' = 1 (1 )
Y la probabilidad de que las p medias caigan dentro

de los lmites de control simultneamente es:
(1 )
Esta distorsin es cada vez mayor mientras mayor es p.

Si las caractersticas de calidad no son independientes,
las probabilidades anteriores no son vlidas y no hay
una manera fcil de calcularlas
120
121
Distribucin Normal Multivariada
122
Ejemplo: Distribucin normal bivariada
=
0
1 0
1
= 0
Regin de control
usando lmites de
control independientes
Distribucin Normal Bivariada

=0
= 0.3
03
123
= 0.6
06
Distribucin Normal Bivariada
= 0.9
09
124
125
126
Control Multivariado de Promedios
Grfico de Control Chi-Cuadrado
x1 y x2 : Medias muestrales de muestras de tamao n
9 Sea p = 2 (2 caractersticas de calidad)

9 x1 y x2 se distribuyen conjuntamente de acuerdo a
una distribucin
di t ib i normall multivariante
lti i t
9 Entonces la variable:
02 =
9 1 y 2 son las medias

9 1 y 2 son las desviaciones estndar, y
n
2 x )2 + 2 ( x )2 2 ( x )( x )
1
1
2
2
12
1
1
2
2
2 2 ( 1
12
2
1
2
2
es tal que
9 12 es la covarianza
02 ~ 2 con 2 g. l .
9 1, 2 y 12 se suponen conocidas
127
Elipse de control
Este es el caso donde

las variables son
independientes,
o sea 12 = 0

Elipse de control
E t es ell caso donde

Este
d d
Las variables son
dependientes,
dependientes
o sea 12 0
128
129
130
Un GC Chi-Cuadrado con p = 2 caractersticas de calidad
Caso general con p caractersticas de calidad
x1
x
2
x= .

.
xp

Vector de medias de muestras de

tamao n de las p caractersticas
de calidad
131
La estadstica que se grafica es:
Estimacin de y
n
= n ( x ) ' 1 ( x )
2
0
x jk =
donde
' = 1, 2 , ... , p
= Vector de medias en-control de

las p caractersticas, y
9 Los
L llmites
it d
de control
t l son:
i =1
S =
2
jk
= Matriz de covarianzas
(x
i =1
ijk
ijk
j = 1, 2,..., p,
,
x jk )
n 1
j = 1, 2
2,..., p,
k = 1, 2,..., m
k = 1, 2
2,..., m
Covarianza:
LSC =
2
,p
LIC = 0
S jjhk =
1 n
( xijkj x jjk ) ( xihk xhk )
n 1 i =1
k = 1, 2,..., m
j h
132
133
134

9 Y, por lo tanto,
m
xj =
x
k =1
jk
S j2 =
j = 1, 2,..., p
S
k =1
2
jk
{ }
x = xj
j = 1, 2,..., p
x1

x2
= .

.
x
p
S12 S12
S2
S=
.
.
.
S1p
. S 2p
.
.
.
.
Sp
.
S jh =
S
k =1
jhk
Cuando el proceso est en control, S es estimador

insesgado de
j k
135
Grfico T2: Ejemplo
El grfico de Control T2 de Hotelling

T 2 = n x x ' S 1 x x
Fase 1: Grficos para establecer el control
LSC =
p ( m 1)( n 1)
mn m p +1
(1895 1973)
F , p, m n m p +1
Fase 2: Grficos para controlar produccin futura
LSC =
p ( m + 1)( n 1)
mn m p +1
F , p, m n m p +1
9 Nota:
N t En
E ambos
b casos LIC = 0
136
137
Grfico T2: Ejemplo

T2 =
10
(1.23 )( 0.83 ) ( 0.79 )
138
Grfico T2: Ejemplo
0.83 ( x1 115.59 ) + 1.23 ( x2 1.06 )

2 ( 0.79 )( x1 115.59 )( x2 1.06 )
9 Por ejemplo, para la primera muestra:
T 2 = 25.2016129
25 2016129 ( 0
0.095948
095948 + 0
0.000492
000492 0
0.010744
010744 )
= 2.1424 2.16
9 Para la fase 1:
LSC =
2 (19 )( 9 )
20 (10 ) 20 2 + 1
F0.001,2, 20 (10) 20 2+1
= 1.91F0.001, 2,179 = 13.72

Grfico
T2:
Observaciones Individuales
m muestras de tamao n = 1
{ }
x = xj
x1

x2
= .

.

x 2
S12 S12
S2
S=
139
140
Grfico
Observaciones Individuales
9 Lmites de control para la fase 2

.
.
.
S1p
S2p
.
.
2
S p
LSC =
T 2 = n ( x x ) ' S 1 ( x x )
Vector de
medias
p ( m + 1)( m 1)
m 2 mp
F , p, m p
LIC = 0
9 Si m es grande (por ejemplo, m > 100) puede usarse
Estadstica T2 de Hotelling
Vector de
observaciones
T2:
LSC =
p ( m 1)
mp
F , p, m p
o bien
LSC = 2, p

GCC Civil Cap4 Graficos Control 2014 1

Transféré par

Informations du document

Description originale:

Titre original

Copyright

Formats disponibles

Partager ce document

Partager ou intégrer le document

Options de partage

Avez-vous trouvé ce document utile ?

Ce contenu est-il inapproprié ?

Droits d'auteur :

Formats disponibles

GCC Civil Cap4 Graficos Control 2014 1

Transféré par

Droits d'auteur :

Formats disponibles

2

Control Estadstico de la Calidad,

Hernaldo Reinoso, Departamento de Ingeniera Industrial, Universidad de Concepcin

2. Grficos de Control Especiales

Fuentes de Variabilidad de los Procesos

Proceso fuera de control

Hernaldo Reinoso, Departamento de Ingeniera Industrial, Universidad de Concepcin

Ejemplo: Distancia entre pas

Grficos de Control (GC)

Hernaldo Reinoso, Departamento de Ingeniera Industrial, Universidad de Concepcin

INCHALAM: Departamento de Productos Terminados

Ejemplo: Distancia entre pas

Lmites de control 3 sigmas:

Lmites de control 3 sigmas quedan:

Hernaldo Reinoso, Departamento de Ingeniera Industrial, Universidad de Concepcin

Estudio Inicial (Fase 1): Tomar m muestras (o subgrupos)

Hernaldo Reinoso, Departamento de Ingeniera Industrial, Universidad de Concepcin

Hernaldo Reinoso, Departamento de Ingeniera Industrial, Universidad de Concepcin

Fuentes de Variabilidad de los Procesos

Slo causas aleatorias

H0: El proceso est en control (Ejemplo: = 126.453)

Hernaldo Reinoso, Departamento de Ingeniera

H1: El proceso no est en control (Ejemplo: 126.453)

Hernaldo Reinoso, Departamento de Ingeniera Industrial, Universidad de Concepcin

Hernaldo Reinoso, Departamento de Ingeniera Industrial, Universidad de Concepcin

Hernaldo Reinoso, Departamento de Ingeniera Industrial, Universidad de Concepcin

Mejoramiento del Proceso

Capacidad del Proceso

Hernaldo Reinoso, Departamento de Ingeniera Industrial, Universidad de Concepcin

Capacidad del Proceso

Capacidad del Proceso

Capacidad del proceso: Proporcin de producto que

Hernaldo Reinoso, Departamento de Ingeniera Industrial, Universidad de Concepcin

ndices de Capacidad del Proceso

Un estimador de este ndice es:

Hernaldo Reinoso, Departamento de Ingeniera Industrial, Universidad de Concepcin

ndices de Capacidad del Proceso

Cp > 1.33 : El proceso es capaz

Cpk 1 : Proceso es capaz

1.00 Cp 1.33 : El proceso es capaz, pero

Hernaldo Reinoso, Departamento de Ingeniera Industrial, Universidad de Concepcin

Capacidad del Proceso: Ejemplo

a)Cuntas unidades no conformes se encontrarn en

b) Cunto disminuye el porcentaje anterior si el

Hernaldo Reinoso, Departamento de Ingeniera Industrial, Universidad de Concepcin

Hernaldo Reinoso, Departamento de Ingeniera Industrial, Universidad de Concepcin

Lmites de control 3 sigmas para X-barra:

Suponga un proceso bajo control donde el proceso no est

Variable de Calidad: Distancia entre pas

Ejercicio (Listado 2, 2010)

Hernaldo Reinoso, Departamento de Ingeniera Industrial, Universidad de Concepcin

Hernaldo Reinoso, Departamento de Ingeniera Industrial, Universidad de Concepcin

Hernaldo Reinoso, Departamento de Ingeniera Industrial, Universidad de Concepcin

Ejemplo: Eliminacin causas asignables

Hernaldo Reinoso, Departamento de Ingeniera Industrial, Universidad de Concepcin

9 Entonces los lmites para el grfico R son:

Fase I y Fase II de la Aplicacin de GC

Fase II: El GC se utiliza para monitorear el proceso

Ejemplo: Distancia entre pas

Hernaldo Reinoso, Departamento de Ingeniera Industrial, Universidad de Concepcin

Hernaldo Reinoso, Departamento de Ingeniera Industrial, Universidad de Concepcin

En un proceso de produccin de una cierta pieza, se van a