Académique Documents
Professionnel Documents
Culture Documents
1.
APUNTES DE CLASE
------------------------------------------------------------------------------------------------------------------------------------------
INDICE DE CONTENIDOS
1.
2.
3.
FUNDAMENTOS ESTADSTICOS..........................................................................7
4.
5.
QU CONDICIONES HACEN FALTA PARA QUE SE PUEDA APLICAR EL
GRFICO DE CONTROL? .............................................................................................10
6.
CAPACIDAD DE PROCESO.................................................................................13
6.1.
6.2.
6.3.
6.4.
6.5.
7.
8.
9.
10.
10.1.
10.2.
10.2.1.
Comprender los fenmenos fsicos y tecnolgicos importantes
para el proceso ..........................................................................................40
10.2.2.
Definicin de la estratificacin de las medidas a tomar ...........40
10.2.3.
Estabilizar del proceso..............................................................41
10.2.4.
Toma de los datos ....................................................................41
10.2.5.
Identificacin del patrn de variabilidad ...................................41
10.2.6.
Comprobacin de la normalidad de los datos ..........................42
10.2.7.
Anlisis e interpretacin de los datos .......................................43
10.2.8.
Construccin de un intervalo de confianza de los ndices .......46
11.
11.1.
11.2.
11.3.
12.
Pg. 2
14.
14.1.
14.2.
15.
15.1.
15.2.
16.
GRFICO CUSUM........................................................................................... 60
GRFICO EWMA............................................................................................. 63
16.1.
16.2.
16.3.
16.4.
Pg. 3
1.
Pg. 4
2.
QU ES UN PROCESO?
INPUT
OUTPUT
Figura 1
Pg. 5
OK OK
OK OK
Figura 2
INPUT
OUTPUT
Mano de Obra
Mquinas
Material
Mtodo
Ambiente
Mantenimiento
Figura 3
Pg. 6
3.
FUNDAMENTOS ESTADSTICOS.
0.4
0.3
0.2
0.1
68 %
0.0
-3
-2
-1
95%
99,73%
Pg. 7
Si
X = x1 + x 2 + L + xn donde las xi son v.a de media i y varianza i 2
Entonces :
n
X N i ,
i =1
i =1
xm N ,
Pg. 8
2
DISTRIBUCIN DE LAS MEDIAS
DISTRIBUCIN DE LOS
VALORES INDIVIDUALES
0
-4
-3
-2
-1
4.
Pg. 9
Por definicin, se dice que un proceso est bajo control estadstico cuando
no hay causas asignables presentes. El Control Estadstico de Procesos se
basa en analizar la informacin aportada por el proceso para detectar la
presencia de causas asignables y habitualmente se realiza mediante una
construccin grfica denominada Grfico de Control.
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.
5.
Puede ocurrir que las caractersticas propias del proceso hagan que alguno de
los factores de variabilidad intrnsecos al mismo, tenga un efecto
preponderante, de modo que en este caso la distribucin no sea normal. Un
Pg. 10
EJEMPLO- 1:
ILUSTRACIN DE CAUSAS COMUNES EN
UN PROCESO
Un proceso de fabricacin consiste en lanzar 10 monedas al aire. Se supone
que las monedas son perfectas de manera que en el lanzamiento de cada una
se tiene un 50% de probabilidades de obtener cara, y un 50% de obtener cruz.
La calidad de cada lanzamiento de 10 monedas se mide segn el nmero de
caras obtenidas. Podramos asimilar lo anterior a un proceso industrial sometido
a 10 causas de variabilidad no normales (binomiales en este caso). Al ser
iguales, todas ellas tienen el mismo efecto sobre la variabilidad de la
produccin, por lo que las podremos considerar como causas comunes.
Si tiramos 10 monedas...
....
50%
50%
50%
50%
50%
50%
50%
50%
Pg. 11
n
(n x ) )
P( x ) = p x (1 p )
x
donde n es el nmero de monedas lanzadas (10 en este caso) y p la
probabilidad de sacar cara con una moneda (0.5 en este caso). Si se
representa grficamente, se obtiene un funcin acampanada que recuerda a
una gaussiana (ver Figura 7). Este hecho es una consecuencia del TLC. Si
aumentara el nmero de monedas, la convergencia hacia la distribucin normal
sera an mayor.
0.25
Probabilidad
0.20
0.15
0.10
0.05
0.00
0
10
x
Nmero de intentos N= 10 Probabilidad de xito P= 0.5
Pg. 12
6.
CAPACIDAD DE PROCESO
6.1.
6.2.
NDICES CP Y CPK
Cp =
Ts Ti
6
Ts Ti
Cpk = min
,
3
3
Pg. 13
De este modo se define un proceso capaz como aquel que Cpk > 1.
Aplicando estos mismos conceptos a la variabilidad atribuible de una mquina
de las que integran el proceso de fabricacin, podemos definir la capacidad de
mquina, el ndice de capacidad de mquina CM y CMk.
Cp =
Intervalo de tolerancias Ts Ti
=
Capacidad del proceso 6
0.4
Probabilidad
0.3
0.2
0.1
INTERVALO DE TOLERANCIA
0.0
-4 Tinf -3
-2
-1
0
1
2
VARIABILIDAD PROCESO
3 Tsup4
Figura 8: ndice Cp
0.4
Probabilidad
0.3
0.2
0.1
INTERVALO DE TOLERANCIA
0.0
-4 Tinf -3
-2
-1
0
1
2
VARIABILIDAD PROCESO
3 Tsup4
Pg. 14
EJEMPLO- 2:
LA MTRICA 6 SIGMA
12
=2
6
cp =
cp =
12
=2
6
c pk =
4,5
= 1,5
3
6 S IG M A C p = 2 , p p m = 0 . 0 0 2
D E S P L A Z A D A 1 , 5 S IG M A C p k =
4 ,5 /3 = 1 ,5 ; p p m = 3 .4 0 1
-7
-6
-5
-4
-3
-2
-1
Figura 10
Pg. 15
6.3.
Pg. 16
10
Nm ero de m uestra
6.4.
Pg. 17
Cp =
Ts Ti
6 CP
Pp =
Ts Ti
6 LP
Ts Ti
,
Cpk = min
3 CP 3 CP
Ts Ti
Ppk = min
,
3 LP 3 LP
6.5.
CONCEPTO
RACIONAL
DE
GRUPO
HOMOGNEO
7.
3 / n
Pg. 18
+ 3 / n
Pg. 19
LCI = media 3
ALTO
LCI = media 3
Pg. 20
s=
(x
i 1
x)
E (s 2 ) =
n 1 2
Pg. 21
s* =
(x
i 1
x)
n 1
Var (s 2 ) =
2(n 1) 4
n2
Var (s *2 ) =
2
4
n 1
E ( s) =
2 (n / 2 )
= c 2
n [( n 1) / 2]
E( s * ) =
2
(n / 2 )
= c 4
n 1 [( n 1) / 2]
s = 1 c22
Pg. 22
1
n
s ' = 1 c42
LCS = +
3
= + A
n
LC =
LCI =
3
= A
n
LCS = (d 2 + 3d 3 ) = D2
LC = d 2
LCS = (d 2 3d 3 ) = D1
ii) Caso , desconocidos.
Si alguno de los dos fuera conocido sera un hbrido de los dos
casos i) y ii). Puesto que en este caso no se tiene ningn
conocimiento previo, es preciso estimar a partir de la media
( )
(R ) de k
Pg. 23
LCS = X + 3
R 1
= X + A2 R
d2 n
LC = X
LCI = X 3
R 1
= X A2 R
d2 n
d
LSC = 1 + 3 3 R = D4 R
d2
LC = R
d
LCI = 1 3 3 R = D3 R
d2
Una vez establecidos los lmites de control provisionales para ambos grficos,
se comprobara si alguna de las muestras est fuera de los lmites. En caso
afirmativo se procedera a buscar la causa asignable que pudiera explicar esa
anormalidad y se recalcularan los lmites. Estos lmites deben recalcularse
peridicamente, por ejemplo cada 25 muestras.
LCS = +
3
= + A
n
LC =
LCI =
3
= A
n
Pg. 24
1
2
LSC = c2 + 3 1 c2 = B2
n
LC = c2
1
2
LIC = c2 3 1 c2 = B1
n
LC = c4
2
LIC = c4 3 1 c4 = B5
o s )
de k muestras iniciales.
*
LCS = X +
3 1
S = X + A1 S
c2 n
LC = X
LCI = X
3 1
S = X A1 S
c2 n
Si se utiliza s :
Pg. 25
LCS = X +
3 1 *
S = X + A3 S *
c4 n
LC = X
LCI = X
3 1 *
S = X A3 S *
c4 n
1S
2
LSC = c2 + 3 1 c2 = B4 S
n c2
LC = S
1S
2
LSI = c2 3 1 c2 = B3 S
n c2
Si se utiliza s :
3
2
LCS = 1 +
1 c4 S * = B4 S *
c4
*
LC = S
3
2
LCI = 1
1 c4 S * = B3 S *
c4
Una vez trazados los lmites provisionales, se estudiaran los puntos fuera de
control y se recalcularan los lmites de manera anloga al caso anterior.
En las tablas siguientes se resume lo anterior:
Pg. 26
GRFICOS DE MEDIAS
DATOS
CONOCIDOS
y
LCS
LC
LCI
+A
-A
X +A
X -A
+A1 S
-A1 S
+A2 R
-A2 R
+A3 S *
-A3 S *
X +A1 S
X +A2 R
X
X
X -A1 S
X -A2 R
X +A3 S *
X -A3 S *
NINGUNO
Tabla 1
GRFICOS DE DISPERSIN
DATOS
CONOCIDOS
S
R
*
S
NINGUNO
R
*
LCS
LC
LCI
B2
D2
c2
B1
D1
d2
B6
B4 S
c4
D4 R
B4 S *
S
S
B5
B3 S
D3 R
B3 S *
Tabla 2
Pg. 27
TABLA DE COEFICIENTES
n
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
>25
2.121
1.732
1.500
1.342
1.225
1.134
1.061
1.000
0.949
0.905
0.866
0.832
0.802
0.775
0.750
0.728
0.707
0.688
0.671
0.655
0.640
0.626
0.612
0.600
3/n
A1
3.760
2.394
1.880
1.596
1.410
1.277
1.175
1.094
1.028
0.973
0.925
0.884
0.848
0.816
0.788
0.762
0.738
0.717
0.697
0.679
0.662
0.647
0.632
0.619
3/n
A2
1.880
1.023
0.729
0.577
0.483
0.419
0.373
0.337
0.308
0.285
0.266
0.249
0.235
0.223
0.212
0.203
0.194
0.187
0.180
0.173
0.167
0.162
0.157
0.153
....
A3
2.659
1.954
1.628
1.427
1.287
1.182
1.099
1.032
0.975
0.927
0.886
0.850
0.817
0.789
0.763
0.739
0.718
0.698
0.680
0.663
0.647
0.633
0.619
0.606
....
c2
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
0.9630
0.9655
0.9670
0.9684
0.9696
....
c4
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
....
B1
0
0
0
0
0.026
0.105
0.167
0.219
0.262
0.299
0.332
0.359
0.384
0.406
0.427
0.445
0.461
0.477
0.491
0.504
0.516
0.527
0.538
0.548
B2
1.943
1.858
1.808
1.756
1.711
1.672
1.638
1.609
1.584
1.561
1.541
1.523
1.507
1.492
1.478
1.465
1.454
1.443
1.433
1.424
1.415
1.407
1.399
1.392
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
B4
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
1-3/2n
1+3/2n
1-3/2n
1+3/2n
Tabla 3
3
n
3
A1 =
c2 n
A=
A2 =
A3 =
3
d2 n
3
c4 n
Pg. 28
c2 =
d2 =
c4 = c2
n
n 1
d3 = w
B3
B5
0
0
0
0
0.029
0.113
0.179
.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
....
B6
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
....
d2
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
....
d3
0.853
0.888
0.880
0.864
0.848
0.833
0.820
0.808
0.797
0.787
0.778
0.770
0.762
0.755
0.749
0.743
0.738
0.733
0.729
0.724
0.720
0.716
0.712
0.709
....
B1 = c2 B3
D1 = d 2 3d 3
B2 = c2 B4
D2 = d 2 + 3d 3
B3 = 1
3
c4
(1 c )
D3 = 1
3d 3
d2
B4 = 1 +
3
c4
(1 c )
D4 = 1 +
3d 3
d2
2
4
2
4
B5 = c4 3 (1 c42 )
B6 = c4 + 3 (1 c42 )
D1
0
0
0
0
0
0.205
0.387
0.546
0.687
0.812
0.924
1.026
1.121
1.207
1.285
1.359
1.426
1.490
1.548
1.606
1.659
1.710
1.759
1.804
....
D2
3.686
4.358
4.698
4.918
5.078
5.203
5.307
5.394
5.469
5.534
5.592
5.646
5.693
5.737
5.779
5.817
5.854
5.888
5.922
5.950
5.979
6.006
6.031
6.058
....
D3
0
0
0
0
0
0.076
0.136
0.184
0.223
0.256
0.284
0.308
0.329
0.348
0.364
0.379
0.392
0.404
0.414
0.425
0.434
0.443
0.452
0.459
....
D4
3.267
2.575
2.282
2.115
2.004
1.925
1.864
1.816
1.777
1.744
1.716
1.692
1.671
1.652
1.636
1.621
1.608
1.596
1.586
1.575
1.566
1.557
1.548
1.541
....
EJEMPLO- 3:
CONSTRUCCIN DE UN GRFICO DE
SHEWHART
La galga de los platinos es una caracterstica clave para su buen
funcionamiento. La tabla siguiente recoge medidas de 20 muestras de tamao
5. Construir los grficos de control X R , X S y X S
0,0061
0,0088
0,0080
0,0067
0,0087
0,0071
0,0078
0,0087
0,0074
0,0081
0,0078
0,0089
0,0087
0,0084
0,0074
0,0069
0,0077
0,0089
0,0081
0,0074
0,0084
0,0083
0,0080
0,0076
0,0084
0,0052
0,0089
0,0094
0,0081
0,0065
0,0098
0,0090
0,0075
0,0083
0,0091
0,0093
0,0089
0,0081
0,0090
0,0084
0,0076
0,0076
0,0094
0,0064
0,0088
0,0072
0,0087
0,0086
0,0086
0,0075
0,0081
0,0079
0,0089
0,0072
0,0083
0,0064
0,0091
0,0073
0,0086
0,0092
0,0076
0,0074
0,0075
0,0071
0,0094
0,0088
0,0065
0,0073
0,0083
0,0089
0,0062
0,0087
0,0076
0,0100
0,0078
0,0060
0,0068
0,0091
0,0087
0,0074
0,0044
0,0059
0,0070
0,0088
0,0086
0,0052
0,0068
0,0071
0,0087
0,0097
0,0084
0,0090
0,0081
0,0069
0,0077
0,0064
0,0094
0,0079
0,0080
0,0103
Tabla 4
SOLUCIN:
Media
s*
1
2
3
4
5
0,006
0,009
0,008
0,007
0,009
0,008
0,008
0,008
0,008
0,008
0,008
0,008
0,009
0,006
0,009
0,008
0,007
0,008
0,007
0,009
0,004
0,006
0,007
0,009
0,009
0,007
0,008
0,008
0,007
0,009
0,004
0,003
0,002
0,002
0,001
0,0016
0,0011
0,0009
0,0009
0,0004
0,0014
0,0010
0,0008
0,0008
0,0003
Pg. 29
MUES
TRA
Media
s*
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
0,007
0,008
0,009
0,007
0,008
0,008
0,009
0,009
0,008
0,007
0,007
0,008
0,009
0,008
0,007
0,005
0,009
0,009
0,008
0,007
0,010
0,009
0,008
0,008
0,009
0,009
0,009
0,008
0,009
0,008
0,007
0,009
0,009
0,009
0,008
0,008
0,008
0,009
0,007
0,008
0,006
0,009
0,007
0,009
0,009
0,009
0,007
0,007
0,008
0,009
0,006
0,009
0,008
0,010
0,008
0,006
0,007
0,009
0,009
0,007
0,005
0,007
0,007
0,009
0,010
0,008
0,009
0,008
0,007
0,008
0,006
0,009
0,008
0,008
0,010
Media
0,007
0,008
0,008
0,008
0,008
0,008
0,009
0,008
0,008
0,008
0,007
0,008
0,008
0,008
0,009
0,008
0,004
0,002
0,002
0,001
0,003
0,004
0,001
0,001
0,003
0,002
0,003
0,003
0,002
0,001
0,003
0,002
0,0015
0,0011
0,0010
0,0005
0,0012
0,0013
0,0005
0,0006
0,0012
0,0007
0,0013
0,0011
0,0007
0,0004
0,0012
0,0010
0,0014
0,0010
0,0009
0,0005
0,0011
0,0012
0,0004
0,0006
0,0011
0,0006
0,0012
0,0010
0,0007
0,0004
0,0011
0,0009
Tabla 5
Mtodo recorridos:
A2=
0,577 D3=
D4=
2,115
Grfico de medias:
LCS= 0,008
+ 0,577x0,002 = 0,0094
LC= 0,008
LCI= 0,008
Grfico de recorridos:
LCS= 2,115x0,002
= 0,005
LC= 0,002
LCI= 0,000x0,008
= 0,000
Pg. 30
GRFICO X-R
Media Muestral
0.0095
3.0SL=0.00935
0.0085
X=0.007970
0.0075
-3.0SL=0.0065
0.0065
Recorrido Muestral
Subgroup
10
20
3.0SL=0.00507
0.005
0.004
0.003
R=0.002400
0.002
0.001
0.000
-3.0SL=0.00E+
Pg. 31
8.
Las curvas de operacin son tiles para evaluar a priori la sensibilidad del
grfico de control frente a desplazamiento del proceso o al cambio de su
variabilidad. De estas curvas se deduce que el hecho de que los puntos estn
dentro de los lmites proporciona muy poca seguridad de que el proceso se
encuentre realmente bajo control estadstico y pone de manifiesto las
limitaciones de esta tcnica. La aplicacin de grficos de control debe
continuarse con tcnicas estadsticas avanzadas encaminadas al conocimiento
de los parmetros que influyen en el proceso (CTP en terminologa 6 Sigma) y
a la reduccin de la variabilidad (o lo que es lo mismo, al aumento de los
ndices de capacidad).
8.1.
d=
1 0
0
1
0
= P
P( d , ) = P 1
0 / n
1 / n
1 / n
1 / n
Si analizamos ahora los dos efectos por separado y dibujamos las curvas para
distintos tamaos de muestras, vemos que el grfico de medias es sensible al
desplazamiento y muy poco sensible al cambio de la variabilidad (ver Figura
15 y Figura 16).
Pg. 32
1.0
0.9
0.8
0.7
2
n=
0.6
3
n= 4
n= 5
n= =6
n 8
n=
0.5
0.4
0.3
0.2
12
n= 16
n= 0
2
n=
0.1
0.0
0.0
0.5
1.0
1.5
2.0
2.5
Probabilidad
0.9
0.8
0.7
0.6
0.5
0.4
1
Aumento de variabilidad
Pg. 33
8.2.
P ( ) = P (D1 0 w 0 D2 0 )
Para el caso del grfico S, la probabilidad de que una muestra caiga dentro de
los lmites de control puede hacerse utilizando el estadstico:
ns 2
= n21
B 2 2
B 2 2
s2
P( ) = P 1 2 0 n 2 n 2 2 0
1
1
1
B2
s2
B2
n = P 12 n 2 2 n 22 n
0
Pg. 34
Probabilidad R dentro LC
1.0
n=2
n=3
0.5
n=4
n=5
n=10 n=6
n=7
n=12 n=8
0.0
1
Probabilidad S dentro LC
1.0
n=2
0.5
n=3
n=10
n=12
n=18
n=20
0.0
1
n=6
n=7
n=8
n=4
n=5
Pg. 35
9.
Pg. 36
Regla
1
2
2
3
Descripcin
Probabi
lidad
0,27%
0,15%
0,05%
0,27%
0,06%
0,78%
4
4
5
6
6
6
7
8
9
1,56%
0,39%
0,14%
0,07%
0,02%
0,42%
0,23%
0,30%
?
Tabla 6
Pg. 37
Cmo lo interpreta?
Racha en una mitad
Racha creciente o
decreciente
Pg. 38
10.
PROCESO?
Un estudio de capacidad de proceso tiene por objeto de conocer:
10.2. CMO
SE REALIZA UN
CAPACIDAD DE PROCESO?
ESTUDIO
DE
Pg. 39
Pg. 40
Pg. 41
APLICACIN MINITAB
Dentro del men Graph->Probability_Plot, Minitab cuenta con
contrastes grficos de ajuste para varias distribuciones.
Si se selecciona la distribucin normal y se representan
los datos del Ejemplo 3 (ver Figura 21) se observa que alguno
de los valores de los extremos est fuera de las bandas de
confianza del 95%, lo que es un indicio de falta de
normalidad.
Pg. 42
ML Estimates
Mean
99
0.007966
StDev 0.0010901
Percent
95
90
Goodness of Fit
80
70
60
50
40
30
20
AD*
10
5
1
0.004
0.005
0.006
0.007
0.008
0.009
0.010
0.011
0.012
Data
Figura 21: Graph->Probability-Plot->Normal
Pg. 43
0.827
s =
2
P
APLICACIN MINITAB
Dentro del men Stat->Control Charts-> Xbar-R, Si
se selecciona la columna en la que estn los
datos y se indican el tamao del lote = 5, se
obtiene la Figura 22. En ella puede apreciarse
dos puntos fuera de control, lo que indica que la
variabilidad a corto plazo, representada por los
ndices cp y cpk no debe utilizarse para
cuantificar la variabilidad total del proceso.
COMPROBACIN ESTABILIDAD
Sample Mean
10
UCL=7.948
7
Mean=6.429
6
5
4
Subgroup
1
3
10
Sample Range
LCL=4.909
UCL=5.569
5
4
3
R=2.634
2
1
0
LCL=0
Pg. 44
EJEMPLO- 4:
MTODOS DE ESTIMACIN DE LA
VARIABILIDAD. CLCULO DE LOS NDICES
La variabilidad inherente del proceso (CP) puede estimarse a travs del
recorrido muestral medio R , (para tamaos de muestra n<10), y tambin
puede hacerse a travs de la media ponderada de las desviaciones tpicas
muestrales. Veamos un ejemplo con los datos de la Tabla 7).
Tolerancia superior: 10.00
Tolerancia superior: 5.00
Muestra Muestra Muestra Muestra Muestra Muestra Muestra Muestra Muestra Muestra
1
2
3
4
5
6
7
8
9
10
Pieza 1
5.35
4.55
5.05
7.41
9.23
8.92
9.08
7.18
5.35
4.45
Pieza 2
3.96
5.85
5.41
8.02
6.99
11.53
6.95
6.75
5.98
4.57
Pieza 3
4.70
4.13
6.18
7.19
9.17
9.37
7.13
6.66
5.03
4.88
Pieza 4
4.40
3.59
6.54
7.11
8.58
9.37
9.81
5.24
7.32
3.54
Pieza 5
3.07
3.66
4.68
5.51
8.11
7.68
5.78
7.32
6.59
6.49
MEDIA
4.30
4.36
5.57
7.05
8.42
9.38
7.75
6.63
6.05
4.78
RANGO
2.27
2.26
1.87
2.51
2.23
3.85
4.03
2.08
2.29
2.95
Sm
0.85
0.92
0.78
0.93
0.92
1.39
1.65
0.83
0.93
1.08
Tabla 7
x = 6.43
R=
2.27 + 2.26 + 1.87 + 2.51 + 2.23 + 3.85 + 4.03 + 2.08 + 2.29 + 2.95
= 2.63
10
sM =
0.85 + 0.92 + 0.78 + 0.93 + 0.92 + 1.39 + 1.65 + 0.83 + 0.93 + 1.08
= 1.03
10
R
2.63
=
= 1.11
d 2 ( n = 5) 2.3626
sM
1.03
=
=
= 1.09
c4 ( n = 5) 0.9400
CP =
CP
Pg. 45
LP =
( x i x )2
i =1
n 1
50
(x
i =1
6.43)
50 1
= 1.92
Como conclusin:
Pg. 46
(n 1)s 2
n21
que llevara a los siguientes lmites del intervalo de confianza para la varianza.
(n 1)s 2
n21 (1 / 2)
(n 1)s 2
n21 ( / 2)
n21 (1 / 2 )
n 1
cp
n21 ( / 2 )
n 1
Sin embargo, para que esto sea cierto, es necesario una buena normalidad de
los datos, hecho que no siempre se cumple. Por esta razn resulta ms
apropiado recurrir a mtodos de estimacin no paramtricos (por ejemplo,
mtodo de bootstrap).
11.
Pg. 47
11.2. CONSECUENCIAS
QUE
TIENE
EN
EL
ANLISIS.
Cuando el proceso no sigue una distribucin normal debido a causas
intrnsecas a su propia naturaleza, lo expuesto anteriormente se ve afectado de
la siguiente manera:
a) La interpretacin de los ndices y en cuanto a la fraccin de
producto fuera de tolerancia ha de hacerse para la distribucin
que siga el proceso. Si no se conoce la distribucin, utilizando la
desigualdad de Tchebichef, slo se puede asegurar que la cola
situada ms all de 3 de la media no es superior a 1/9=11%
(frente a 0,135% en el caso de un proceso normal).
b) Los coeficientes utilizados para estimar S y R no son vlidos y
por lo tanto tampoco lo son los lmites de control calculados para
el grfico de medias y recorridos.
c) Es posible que la distribucin del grfico de medias sea a pesar de
todo normal en virtud del TLC. No obstante si la distribucin del
proceso tiene un grado elevado de asimetra sera necesario que el
tamao de la muestra fuese superior a 25 o 30 (en lugar de 4 5
como es habitual) para que se pudiera considerar normal a la
distribucin de las medias.
Pg. 48
11.3. TCNICAS
DE
NORMALIZACIN
DE
LOS
DATOS.
La tcnica de normalizacin de datos ms eficaz es la transformacin de BoxCox. Esta transformacin es la siguiente:
Pg. 49
( )
(x + m ) 1)
ln ( x + m )
( 0) (x x > m )
( = 0) (m > 0)
lim x ( ) = ln ( x + m )
0
La
funcin
de
verosimilitud
de
los
datos
normalizados
es:
n
1 )
L( ) = ln ( 2 ( ) ) + ( 1) ln( xi )
n
i =1
Donde:
2 ( ) =
2
1 n ( )
(
x x ( ) )
n i =1
Pg. 50
TRANSFORMACIN DE BOX-COX
SELECCIN DEL LAMBDA PTIMO
Verosimilitud
-100
-200
-300
-2
-1
0.37
lambda
lambda
-2.00
-1.50
-1.00
-0.50
0.00
0.25
0.50
1.00
1.50
2.00
Verosimilitud
-304.427
-221.758
-153.238
-105.654
-81.808
-77.440
-77.475
-86.631
-105.244
-131.009
Relacin
mediavarianza
Transformacin
estabilizadora de la
varianza
Inversa
2
1,5
-1/2
0
Inversa de
cuadrada
Logaritmo
0,5
Raz cuadrada
const
No se transforma
-1
la
Ejemplos tpicos de
aplicacin
raz
Anlisis
de
varianzas
muestrales, grficos de control
de series cortas en el que se
conjuguen familias de varios
espesores.
Datos procedentes de una
distribucin de Poisson.
Pg. 51
EJEMPLO- 5:
NORMALIZACIN DE DATOS DE UN
PROCESO NO NORMAL
En la Figura 25 se ha representado el histograma de un proceso de proteccin
superficial. A la vista del citado histograma, se concluye la no normalidad de los
datos. Se desea realizar una transformacin que los normalice.
APLICACIN MINITAB
Men
Stat->Control
Charts->Box-Cox
Transformation. Los datos corresponden a muestras
de
tamao
5
de
25
lotes.
La
respuesta
proporcionada por MINITAB es la indicada en la
Figura 26, en la que se indica
=0.113 como el
valor ptimo. Una vez transformados los datos, se
puede
comprobar
su
normalidad
mediante
un
histograma
(ver
Figura
27)
o
un
papel
probabilstico,
de
modo
anlogo
al
hecho
anteriormente (ver Figura 28).
Frecuencia
30
20
10
0
2
10 12 14 16 18 20
22
Espesores
Pg. 52
60
50
StDev
40
Lambda
StDev
Low 0.056
2.784
Est 0.113
2.782
Up
2.783
0.170
30
20
10
0
-5
-4
-3
-2
-1
Lambda
Frecuencia
20
10
0
1.0
1.1
1.2
1.3
1.4
Espesores
Pg. 53
ML Estimates
Mean
99
1.18537
StDev 0.0832140
Percent
95
90
Goodness of Fit
80
70
60
50
40
30
20
AD*
0.291
10
5
1
0.88
0.98
1.08
1.18
1.28
1.38
1.48
Data
12.
GRFICOS
DE
CONTROL
APLICACIONES ESPECIALES
PARA
MR)
En ocasiones interesa realizar grficos de control a valores individuales, es
decir, es la particularizacin a muestras de tamao = 1. Al ser la muestra
unitaria no resulta posible calcular la variabilidad dentro de la misma. Para
resolver esto, se hace una agrupacin artificial de cada elemento con el
siguiente, de manera que se asocia la variacin entre dos unidades
consecutivas a la variacin intermuestral. Esta variacin se estima a travs del
recorrido mvil (moving range MR), que se calcula mediante la diferencia de
dos valores consecutivos.
EJEMPLO- 6:
APLICACIN AL ANLISIS DE DATOS DE
VISCOSIDAD DE UN PROCESO QUMICO
Pg. 54
Los datos proceden del libro Implementing Six Sigma. Smarter Solution Using
Statistical Methods de Forrest W. Breyfogle III.. Corresponden a la medida de
la viscosidad en cP de 20 lotes de un compuesto qumico.
APLICACIN MINITAB
Men Stat->Control Charts->I -MR. La respuesta
proporcionada por MINITAB es la indicada en la
Figura 29.
Individual Value
75
Mean=74.2
70
LCL=68.17
Subgroup
Secuencia
Moving Range
UCL=80.23
80
10
20
10
20
8
7
6
5
4
3
2
1
0
UCL=7.406
R=2.267
LCL=0
Pg. 55
EJEMPLO- 7:
APLICACIN DEL GRFICO I-MR-R/S AL
ESTUDIO DE CAPACIDAD DE PROCESOS DEL EJEMPLO
4
Como las muestras tienen tamao 5, se puede emplear el grfico R.
APLICACIN MINITAB
Men
Stat->Control
Charts->I
MR-R/S.
respuesta
proporcionada
por
MINITAB
es
indicada en la Figura 30.
Pg. 56
La
la
Moving Range
Individual Value
UCL=9.287
Mean=6.429
LCL=3.570
UCL=3.511
3
2
1
R=1.075
LCL=0
Sample Range
UCL=5.569
R=2.634
LCL=0
Subgroup
Subscripts
1
ra
st
2
ra
st
3
ra
st
4
ra
st
5
ra
st
6
ra
st
7
ra
st
8
ra
st
9
ra
st
10
tra
10
13.
De acuerdo con lo expuesto, resulta obvio que el grfico de control es muy til y
se aplica fcilmente al caso de la fabricacin masiva de productos iguales. Sin
embargo, la tendencia industrial actual es:
Pg. 57
3.1.
3.2.
3.3.
3.4.
Pg. 58
EJEMPLO- 8:
APLICACIN MINITAB
Men Stat->Control Charts->ZMR. Los datos
encuentran en el fichero Ejemplo13.MTW.
respuesta
proporcionada
por
MINITAB
es
indicada en la Figura 31.
se
La
la
Pg. 59
Standardized Log(data)
UCL=3
Mean=0
LCL=-3
Subgroup
10
Moving Range
15
UCL=3.686
3
2
1
R=1.128
LCL=0
14.
OTROS GRFICOS
VARIABLES
DE
CONTROL
POR
Pg. 60
(x1 0 )
(x1 0 ) + (x2 0 )
(x1 0 ) + (x2 0 ) + (x3 0 )
M
Pg. 61
SUMAS ACUMULADAS
Grfico CUSUM
d=
h
k
EJEMPLO- 9:
Estos datos corresponden con la tabla 7.3 del libro Statistical Quality Control
and Improvement de Nicholas R. Farnum. Son 75 datos de concentracin de
nquel tomados a lo largo de 25 das y distribuidos en 3 turnos diarios.
APLICACIN MINITAB
Men Stat->Control Charts->CUSUM.La respuesta
proporcionada por MINITAB es la indicada en la
Figura 33. El valor nominal es 4.5 y se conoce
que = 0.203066. Se ha tomado h = 5 y k = 0.5.
En este grfico puede observarse que el proceso
se sale de control en la muestra nmero 49.
Pg. 62
CONCENTRACIN DE NIQUEL
Cumulative Sum
10
10
20
30
40
50
60
70
80
Subgroup Number
Pg. 63
)
)
xi = xi + (1 )xi 1
La aplicacin de esta frmula recurrente requiere fijar un
)
)
primer valor a x0 (normalmente x0 x ) y al parmetro .
Este parmetro representa el mayor o menor peso que tienen
los datos anteriores. De manera emprica se le da un valor
comprendido entre 0,10 y 0,30. Esta indefinicin de es
probablemente la mayor limitacin del grafico EWMA.
)
4) Se dibujan los puntos xi sobre el grfico y se fijan los
siguientes lmites de control (son variables para cada
punto).
LCS = x 0 +
3
2i
1 (1 )
n 1
LCI = x 0
3
2i
1 (1 )
1
Pg. 64
EWMA
4.7
4.6
4.5
Mean=4.5
4.4
4.3
LCL=4.297
0
10
20
30
40
50
60
70
80
Sample Number
15.
DISTRIBUCIN BINOMIAL
Como se recordar si x es una variable aleatoria binomial B(n,p), E(x) = np y
x2= npq. Adems se verifica que:
Pg. 65
a) Grfico np
b) Grfico p
Sirve para controlar la fraccin defectuosa . Los lmites de
control son:
LCS = p + 3
p (1 p )
n
LC = p
LCI = p 3
p (1 p )
n
Pg. 66
RECHAZOS
14
22
9
19
21
18
16
16
21
14
15
16
21
9
25
15
14
13
10
21
19
23
15
12
19
17
15
13
19
12
PROBADOS
286
281
310
313
293
305
322
316
293
287
307
328
296
296
317
297
283
321
317
307
317
323
304
304
324
289
299
318
313
289
Tabla 9
SOLUCIN:
Disponiendo los clculos en forma tabular para un grfico tipo p.
Pg. 67
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
14
22
9
19
21
18
16
16
21
14
15
16
21
9
25
15
14
13
10
21
19
23
15
12
19
17
15
13
19
12
286
281
310
313
293
305
322
316
293
287
307
328
296
296
317
297
283
321
317
307
317
323
304
304
324
289
299
318
313
289
Media=
0,049
0,078
0,029
0,061
0,072
0,059
0,050
0,051
0,072
0,049
0,049
0,049
0,071
0,030
0,079
0,051
0,049
0,040
0,032
0,068
0,060
0,071
0,049
0,039
0,059
0,059
0,050
0,041
0,061
0,042
0,054
LCS
LCI
0,094
0,094
0,092
0,092
0,093
0,093
0,092
0,092
0,093
0,094
0,093
0,091
0,093
0,093
0,092
0,093
0,094
0,092
0,092
0,093
0,092
0,092
0,093
0,093
0,092
0,094
0,093
0,092
0,092
0,094
0,014
0,013
0,015
0,016
0,014
0,015
0,016
0,016
0,014
0,014
0,015
0,017
0,015
0,015
0,016
0,015
0,014
0,016
0,016
0,015
0,016
0,016
0,015
0,015
0,016
0,014
0,015
0,016
0,016
0,014
Tabla 10
Pg. 68
GRFICO P
0.10
3.0SL=0.09368
P=0.05385
0.05
-3.0SL=0.01402
0.00
0
10
20
30
Muestra
DISTRIBUCIN DE POISSON
Si x es una v.a de Poisson de constante , E(x) = y x2= . Adems se
verifica que Si > 5 entonces P( ) N
a) Grfico c
Sirve para controlar el nmero de defectos en la unidad de
producto o en una muestra de tamao preestablecido. Los
lmites de control son:
LCS = c + 3 c
LC = c
LCI = c 3 c
Si el valor calculado para el LCI, se toma 0.
Pg. 69
a) Grfico u
Sirve para controlar el nmero de medio de defectos en
una muestra de tamao n (por ej. nmero de unidades
inspeccionadas, longitud o superficie de producto, etc.).
Los lmites de control son:
LCS = u + 3
u
n
LC = u
LCI = u 3
u
n
c
n
c
un
=
=
n
n
u
n
1
6
16
3
2
7
17
2
3
7
18
0
4
6
19
0
5
8
20
1
6
6
21
2
7
5
22
5
8
8
23
1
9
1
24
7
10
6
25
7
11
2
26
1
12
5
27
5
Tabla 11
SOLUCIN:
Los lmites de control y lnea central para un grfico tipo c son:
Pg. 70
13
5
28
5
14
4
29
8
15
3
30
8
GRFICO C
3.0SL=10.81
Nmero de
errores
10
C=4.467
-3.0SL=0.00E+00
0
0
10
20
30
Sample Number
16.
PROCESO PILOTO
En esta etapa es necesario nombrar un grupo de trabajo interdisciplinar que
afronte este trabajo. Se deben realizar las siguientes tareas:
Preparar un diagrama de flujo del producto desde la
entrada de materia prima hasta la entrega del producto al
cliente.
Sobre el diagrama anterior seleccionar aquellos procesos
que resulten crticos (estn dando problemas en la
Pg. 71
CONTROL PILOTO
Definicin de la caracterstica de calidad a controlar.
Seleccin del tipo del tipo de grfico a utilizar.
Definicin del procedimiento de toma de muestras
(consecutivas o distribuidas a lo largo del intervalo).
Definicin del tamao de muestras. Para grficos de
control por variables se suele tomar n =5 si la distribucin
del proceso es sensiblemente normal. Si no es normal, es
preciso aumentar n para normalizar la distribucin de las
medias muestrales.
Definicin de la periodicidad de toma de muestras. Ser
ms frecuente cuanto menor sea Cpk, ms inestable sea el
proceso y mayor sea el coste del producto.
Definicin del procedimiento de medicin y equipo
necesario.
Definicin del sistema de recogida de datos y preparacin
del grfico.
Formacin del personal afectado en SPC y en la medicin.
Puesta en marcha del grfico de control. y estudio de la
capacidad de mquina y proceso.
Eliminacin de causas asignables presentes.
Pg. 72
16.3. FASE
3: ANLISIS
RESULTADOS
DE
LOS
PRIMEROS
Pg. 73
A C T IVID A D 1 :
R e a l i c e l o s e j e r c i c i o s i n c l u i d o s e n e l d o c u m e n to s Ej e r c i c i o s d e
C o n tr o l Es ta d s ti c o d e Pr o c e s o s
Tiempo estimado de desarrollo: Cada ejercicio debe resolverse en un tiempo
que oscila entre 15 y 30 minutos.
Recurso(s) Utilizado(s): EXCEL, MINITAB O CENTURION
A quin debe enviarse la actividad: En caso de dificultad, comentarse en el
foro
Formato de envo: Ficheros de EXCEL, MINITAB o CENTURION
Extensin: La menor posible
Respuesta del tutor: Foro y coloquio en clase.
Responde brevemente a la siguiente pregunta:
Qu nuevas posibilidades ves en los mtodos estadsticos en la mejora de la
calidad?
R ESU M EN
especiales o asignables.
Las causas comunes son muchas y de poca importancia relativa. Son
responsables de la variabilidad natural del proceso.
Las causas especiales o asignables tiene una influencia mayor en la
variabilidad del proceso.
Un proceso est en control estadstico cuando no est afectado por causas
especiales o asignables.
Los grficos de control sirven para detectar la presencia de causas
especiales o asignables.
Pg. 74