Académique Documents
Professionnel Documents
Culture Documents
Copyright © 20xx Author 1 and Author 2. This article is distributed under the Creative
Commons Attribution License, which permits unrestricted use, distribution, and reproduction in
any medium, provided the original work is properly cited.
Abstract
Las cartas de control son la herramienta más poderosa para analizar la variación
en la mayoría de los procesos. Han sido difundidas exitosamente en varios países
dentro de una amplia variedad de situaciones para el control del proceso. Estas
gráficas fueron desarrolladas por el Dr. Shewhart son gráficas poligonales que
muestran en el tiempo el estado de un proceso. Las cartas de control enfocan la
atención hacia las causas especiales de variación cuando estas aparecen y reflejan
la magnitud de la variación debida a las causas comunes (Las causas comunes o
aleatorias se deben a la variación natural del proceso). Las causas especiales o
atribuibles son por ejemplo: un mal ajuste de máquina, errores del operador,
defectos en materias primas. Se dice que un proceso está bajo Control Estadístico
cuando presenta causas comunes únicamente. Cuando ocurre esto tenemos un
proceso estable y predecible. Cuando existen causas especiales el proceso está
fuera de Control Estadístico; las gráficas de control detectan la existencia de estas
causas en el momento en que se dan, lo cual permite que podamos tomar acciones
al momento.
Las gráficas de control se usan entre otras cosas:
• Para verificar que los datos obtenidos poseen condiciones semejantes.
• Para observar un proceso productivo, a fin de poder investigar las causas de un
comportamiento anormal.
• Al distinguir entre las causas especiales y las causas comunes de variación, dan
una buena indicación de cuándo un problema debe ser corregido localmente y
cuando se requiere de una acción en la que deben de participar varios
departamentos o niveles de la organización.
Existen diferentes gráficas de control en función de la variable a observar y del
proceso a controlar. El proceso a controlar puede depender de una variable o de
características llamadas atributos. Recordemos la diferencia entre una variable y
un atributo. En Control de Calidad mediante el término variable se designa a
cualquier característica de calidad “medible” tal como una longitud, peso,
temperatura, etc. Mientras que se denomina atributo a las características de
calidad que no son medibles y que presentan diferentes estados tales como
conforme y disconforme o defectuoso y no defectuoso. Según sea el tipo de la
característica de calidad a controlar así será el correspondiente tipo de Gráfico de
Control a obtener:
𝑿𝒊 = ∑ 𝑥𝑖
𝑖=1
n
X = promedio de un subgrupo
Xi = Valor de la variable madida
n = Tamaño de la muestra
X = ∑Xi R = ∑Ri
K k
1 Section
Text of section 1.
2 Section
Text of Section 2.
1. Metodo
Sub x1 x2 x3
1 24,40 24,15 24,4
2 24,25 24,4 24,15
3 24,15 24,15 24,2
4 24,65 24,4 24,4
5 24,4 25 24,4
6 24,6 24,15 25
7 24,6 25 24,55
8 24,65 24 24,50
9 24,85 24,60 24,4
10 24,15 25 24,4
FASE 1
A partir de la table No. 1 y del uso de las ecuaciones 3 y 4, calculamos el 𝑥̅= 24.505 y R̅
= 0.22, como se observa en el histograma (grafico No.1)
Grafico 1. Histograma Variable Longitud
µ = 24.465 y σ = 0.2871
El intervalo de confianza para la longitud del 95% para una media que es 24.465
[24.3578, 24.5722] y el intervalo de confianza del 95% para la desviación estandar se
encuentre entre [0.2286, 0.3859], adicionalmente trabajamos con el supuesto que los
datos de la muestra pueden representarse por la distribución normal, para lo que
procedemos a formular las hipotesis de la siguiente forma:
Ho: Media = 25
H1:Mayor que 25
Bajo el estadistico t=- 10.20, obtenemos un Valor –P= 1.0, lo que no permite rechazar la
hipotesis nula para un alfa de 0.05, en tanto podemos inferir que los datos siguen una
distribución normal.
En el grafico 3 se observan los limites de control para 𝑥̅ son: LSCX: 24.915, LCX: 24.465,
LICX: 24.0149, cuyos datos tienen un comportamiento alrededor del limite central de
control, existiendo una estabilidad estadistica en la medida de localización como lo es la
media.
Grafico 3. Carta de Control X bar - Longitud
Apartir del grafico 3 observamos que no se generan valores atipicos o proximos a los
limites superior e inferior, es decir la grafica de los estadistico se encuentra estable por lo
que procedemos a calcular la media y el sigma del proceso, las cuales son nuestros
nuevos parametros, información que resultará util al implementar la fase 2.
FASE II
En esta fase se procede a la toma de nuevas longitudes para los chazos de 25 mm de
manera aleatoria donde n=15 (ver tabla 3)
MEDIDA DE LONGITUD
DE CHAZOS
Sub x1
1 22,99
2 25,12
3 24,1
4 22,6
5 23,83
6 24,1
7 23,62
8 24,05
9 23,97
10 23,49
11 25,37
12 23,51
13 24,48
14 25,04
15 22,11
Se procede a sacar los graficos de control para el estadistico 𝑥̅ y R, pero antes
realizamos el cambio del tipo de studio, del estudio inicial que correspondia a la fase I al
estudio de control estandar, en el cual debemos anexar los parametros calculado en la
fase I como lo es; la media y la desviación estandar (Ver tabla No. 2), asi mismo los
graficos los trabajaremos con limites superior e inferior de 3 Sigma.
Grafico 4. Grafico de Rango - Longitud Control.
En el grafico 4 del estadistico R los limites resultants son: LSCR: 1,13267, LCR:
0.440001, LICR: 0, podemos afirmar que los datos tienen un comportamiento alrededor
del limite superior, de lo que podemos inferir que presenta poca estabilidad estadistica,
debido a la variabilidad en las medidas de longitude respecto a los parametros
estudiados.
En el grafico 5 se observan los limites de control para 𝑥̅ son: LSCX: 24.9151, LCX:
24.465, LICX: 24.0149, cuyos datos tienen un comportamiento alrededor del limite
inferior de control, es decir las longitudes de los chazos no se encuentran alrededor o
proxima a la media sino por debajo a los limites inferior, esta inestabiidad obedece a
varios factores por lo que se realiza un estudio de causas apartir del diagrama espina de
pescado
References
[1] D.H. Ackley, G.E. Hinton and T.J. Sejnowski, A learning algorithm for
Boltzmann machine, Cognitive Science, 9 (1985), 147 - 169.
[2] F.L. Crane, H. Low, P. Navas, I.L. Sun, Control of cell growth by plasma
membrane NADH oxidation, Pure and Applied Chemical Sciences, 1 (2013),
31 - 42. http://dx.doi.org/10.12988/pacs.2013.3310
[3] D.O. Hebb, The Organization of Behavior, Wiley, New York, 1949.
https://www.indexfix.com/docs/FT_TACO_es.pdf