Capitulo 3 - VF PDF

Control estadístico:
Gráficos de control - variables
Capítulo 3 (Parte 1)
Control Integral de Calidad

2
© Pontificia Universidad Católica del Perú

3.1 Estimación de parámetros (1/2)
 Una variable aleatoria se encuentra descrita por

su distribución de probabilidad.
 La distribución de probabilidad esta descrita por
sus parámetros.

 Ejemplo:
• Parámetros de la distribución normal: μ y σ2
• Parámetros de la distribución de Poisson: λ

3.1 Estimación de parámetros (2/2)
 Los parámetros de las distribuciones de probabilidad:
• por lo general son desconocidos.
• hay que estimarlos a partir de los datos muestrales
 Estimador puntual:
• Es un estadístico que produce un solo valor numérico
como estimación del parámetro desconocido. Ejemplo:

♦ La media muestral x es el estimador puntual de la media
poblacional μ
♦ La varianza muestral S2 es el estimador puntual de la
varianza poblacional σ2

3.2 Concepto de población y muestra
 Población
• es el conjunto sobre el que estamos interesados en obtener
conclusiones (hacer inferencia).
• normalmente es demasiado grande para poder abarcarla
 Muestra
• es un subconjunto suyo al que tenemos acceso y sobre el que
realmente hacemos las observaciones (mediciones)

• debería ser “representativo”
• está formado por miembros “seleccionados” de la población
(individuos, unidades experimentales).

3.2 Concepto de población y muestra
 Parámetro
• Es una medida descriptiva que resume una característica
de la población.
♦ la media (µ)
♦ La varianza (σ²).
 Estadístico

• Es una medida descriptiva que resume una característica
de la muestra.
♦ x
La media muestral ( ) )
♦ la varianza muestral (S²).

3.3 Variación
 El objetivo principal de los esfuerzos de la ingeniería de

calidad es la reducción sistemática de la variabilidad en
las características clave.

Causas de la variación
 Causas fortuitas •El proceso esta bajo control estadístico
• Debido a variabilidad natura o ruido de fondo
• Efecto acumulado de muchas causas pequeñas e inevitables.
 Causas asignables •El proceso esta fuera de control estadístico
• Tres fuentes: maquinas ajustadas incorrectamente, errores del operador o

materia prima defectuosa
• Variabilidad grande en comparación con el ruido de fondo.

3.3 Variación
 Descripción de la variación:
•Representación visual de:
• Diagrama de tallo y hoja •La forma de la distribución
•La tendencia central de los
datos
• Distribución de frecuencia y el histograma •La dispersión y variabilidad
de los datos.
• Resumen numérico de datos:
♦ Promedio muestral

♦ Varianza muestral y desviación estándar muestral
Representación grafica de los
• Diagrama de caja datos:
•Localización o tendencia central
• Dispersión o variabilidad
•Apartamiento de la simetría
• Identificación de puntos atípicos
La Media
1 N
Media o promedio aritmético poblacional    Xi
N i 1
1 n
Media o promedio aritmético muestral X   Xi
n i 1
donde:

Xi = valor de la i-ésima observación de la variable en estudio
N = Tamaño de la población
n = Tamaño de la muestra

El Rango
Es la diferencia entre el máximo valor y el mínimo valor del

grupo de datos que se está analizando. Nos da una idea
general de qué tan grande es la variación. Si entre los
datos hay valores fuera de lo normal, extraños, outliers (a
estos datos se les llama espurios), el rango se va a ver
afectado porque ya sea el máximo valor (o el mínimo) va a
ser más grande (más pequeño) de lo normal.

R  X max  X min

La varianza
Es una medida que cuantifica el grado de concentración de los
datos alrededor del centro cuando el centro es definido como la
media.
 X  
2
Varianza poblacional i
2  i 1
N

n
 X X
2
Varianza muestral i
S2  i 1
n 1
La desviación estándar
Es la raíz cuadrada positiva de la varianza, la

desviación estándar se encuentra en las mismas
unidades que la media.
Desviación estándar
poblacional   2

Desviación estándar
muestral S S 2

3.4. Distribución Normal
 Función densidad:
• Se dice que la variable aleatoria X sigue una
distribución normal con parámetros  y  y se denota
X ~ N (, 2)
1 x 2
1  ·( )
f ( x)  ·e
2 
2 

 Características:
• Simétrica y forma de campana.
• Medidas de tendencia central coinciden.
• Se extiende de - a +.
3.4 Distribución Normal
 Estandarización:
• Se toma como referencia una distribución normal
estándar con media  = 0 y  = 1. Se trabaja con la
distancia entre x y  en función de la desviación
estándar, tal como se muestra.
x

Z

3.5 El control Estadístico de Procesos
(SPC) (1/3)
 El SPC en línea es una herramienta básica para

alcanzar el siguiente objetivo:
• reducir la variabilidad de los parámetros clave.

3.5 El control Estadístico de Procesos
(SPC) (2/3)
 Técnicas básicas del SPC:
• Las cartas de control

♦ De variables

♦ De atributos
 Análisis de capacidad de proceso

3.6 Técnica del gráfico de Control
 El gráfico de Control:
• Es la representación grafica de una característica de
la calidad que se ha medido o calculado a partir de
una muestra contra el numero de muestra o tiempo.

3.6 Técnica del gráfico de Control
• Usos fundamentales de una carta de

control:
1. Reducción de la variabilidad del proceso
2. Monitoreo y vigilancia de un proceso

3. Estimación de los parámetros del producto o
del proceso

Como construir una gráfica de
control
1. Definir una característica de la calidad.
2. Comprobar la normalidad de los datos.
3. Escoger un subgrupo racional.
4. Reunir los datos (20 a 25 subgrupos)
5. Calcular los límites de control y la línea central

6. Revisar los límites de control y la línea central,
eliminar los puntos fuera de control y de ser el
caso recalcular los límites de control.
7. Iniciar el control.
Sub grupos Racionales
 Datos aleatorios no son sub grupos racionales

 Seleccionar subgrupos o muestras de manera
que si hay causas atribuibles, la posibilidad de
diferencia entre subgrupos sea máxima,
mientras que la probabilidad dentro del
subgrupo sea mínima.

 Base: Orden de producción
 Tener en cuenta diferencias entre turnos

Sub grupos Racionales
 Normalmente unidades consecutivas.

 Tienen que provenir de una población simple y
definida.
 El subgrupo necesita representar la población
definida.
 Establezca el tamaño mínimo del subgrupo para

reflejar la variación dentro.

Límites de control
 Los límites de control, para cualquier gráfica, se

calculan de la siguiente manera:
• LÍMITE DE CONTROL SUPERIOR (LCS):

♦ LCS = Esperado (x) + k Desviación estándar (x)
• LÍMITE DE CONTROL INFERIOR (LCI)

♦ LCI = Esperado (x) - k Desviación estándar (x)
Generalmente se utiliza
k=3
Gráfico de Control (medias)
Límite Superior
Línea Central
de Control
Nombre de la caracteristica de
la calidd que se evalua
(unidades)

Tiempo
Límite Inferior de
Control

Gráfico x - R
Procedimiento:
1. Calculamos la línea central
x
m
i
R i

x i 1
R i 1
m m

Gráfico x - R
Procedimiento:
2. Se calculan los límites de control
Estimador de la desviación Fórmulas: Fórmulas usando constantes:

estándar σ:
ˆ
LCS x  x  3
R n LCS x  x  A2 R
ˆ  ˆ
d2 LCI x  x  3 LCI x  x  A2 R
n
R
LCS R  R  3ˆ R  R  3d 3
ˆ R  d 3
R d2 LCSR  D4 R
d2 R
LCI R  R  3ˆ R  R  3d 3 LCI R  D3 R
d2
Factores para el calculo de las líneas centrales y límites de control por variables
Observaciones
en la muestra A A2 A3 c4 1/c4 B3 B4 B5 B6 d2 1/d2 d3 D1 D2 D3 D4
2
2.1210 1.8806 2.6586 0.7979 1.2533 0 3.2664 0 2.6063 1.1280 0.8865 0.8530 0 3.6870 0 3.269
3
1.7320 1.0231 1.9545 0.8862 1.1284 0 2.5684 0 2.2761 1.6930 0.5907 0.8880 0 4.3570 0 2.574
4
1.5000 0.7285 1.6281 0.9213 1.0854 0 2.2662 0 2.0879 2.0590 0.4857 0.8800 0 4.6990 0 2.282
5
1.3420 0.5768 1.4273 0.9400 1.0638 0 2.0889 0 1.9635 2.3260 0.4299 0.8640 0 4.9180 0 2.114
6
1.2250 0.4833 1.2872 0.9515 1.0510 0.0300 1.9700 0.0286 1.8744 2.5340 0.3946 0.8480 0 5.0780 0 2.004
7
1.1340 0.4193 1.1819 0.9594 1.0423 0.1180 1.8820 0.1133 1.8055 2.7040 0.3698 0.8330 0.2050 5.2030 0.0758 1.924
8
1.0610 0.3726 1.0991 0.9650 1.0363 0.1847 1.8153 0.1783 1.7517 2.8470 0.3512 0.8200 0.3870 5.3070 0.1359 1.864
9
1.0000 0.3367 1.0317 0.9693 1.0317 0.2390 1.7610 0.2317 1.7069 2.9700 0.3367 0.8080 0.5460 5.3940 0.1838 1.816
10
0.9490 0.3082 0.9753 0.9727 1.0281 0.2843 1.7157 0.2765 1.6689 3.0780 0.3249 0.7970 0.6870 5.4690 0.2232 1.777

11
0.9050 0.2851 0.9273 0.9754 1.0252 0.3220 1.6780 0.3141 1.6367 3.1730 0.3152 0.7870 0.8120 5.5340 0.2559 1.744
12
0.8660 0.2658 0.8859 0.9776 1.0229 0.3541 1.6459 0.3462 1.6090 3.2580 0.3069 0.7780 0.9240 5.5920 0.2836 1.716
13
0.8320 0.2494 0.8496 0.9794 1.0210 0.3815 1.6185 0.3736 1.5852 3.3360 0.2998 0.7700 1.0260 5.6460 0.3076 1.692
14
0.8020 0.2353 0.8173 0.9810 1.0194 0.4067 1.5933 0.3990 1.5630 3.4070 0.2935 0.7630 1.1180 5.6960 0.3281 1.672
15
8.7750 0.2231 0.7886 0.9823 1.0180 0.4279 1.5721 0.4204 1.5442 3.4720 0.2880 0.7560 1.2040 5.7400 0.3468 1.653

Ejercicio 3.1
En la tabla siguiente se presentan 10 sub grupos

de tres mediciones de la dimensión critica de una
pieza producida en el proceso de maquinado.
a) Establecer las cartas de control x barra – R
b) Si los limites de especificación son [150,90]
calcular la fracción de elementos no conformes.

1 138.1 110.8 138.7
2 149.3 142.1 105.0
3 115.9 135.6 124.2
4 118.5 116.5 130.2
5 108.2 123.8 117.1
6 102.8 112.0 135.0
7 120.4 84.3 112.8
8 132.7 151.1 124.0
9 136.4 126.2 154.7
10 135.0 115.4 149.1

n=3 (tamaño del subgrupo)
m=10 (número de subgrupos)

30


Control estadístico:
Gráficos de control – variables
Capítulo 3 (Parte 2)

Gráfico x - S
Procedimiento:
1. Calcular la línea central
Para el grafico X barra: Para el grafico S:
m m
x S

i i
x i 1
S i 1
m m

Gráfico x - S
Recordar:
Si tenemos "m" muestras de "n" unidades
cada una:
n m
 ( x  x)i
2
S i

S i 1 S i 1
n 1 m

Gráfico x - S
Procedimiento:
2. Calcular los limites de control:

S
E(S )  S  c4 . ˆ 
c4
Var (S 2 )  (1  c4 ) . 2
2

 LCSS  S  3
S
1  c42
LCS x  x  3
n c4
 S
LCI x  x  3 LCI S  S  3 1  c42
n c4
Gráfico x - S
Procedimiento:
2. Calcular los limites de control:
LCS x  x  A3 S LCSS  B4 S

LCI x  x  A3 S LCI S  B3 S

Ejemplo:
a) Halle los límites de control.
xi Si
1 138.1 110.8 138.7 129.2 15.9
2 149.3 142.1 105.0 132.1 23.8
3 115.9 135.6 124.2 125.2 9.9
4 118.5 116.5 130.2 121.7 7.4
5 108.2 123.8 117.1 116.4 7.8
6 102.8 112.0 135.0 116.6 16.6
7 120.4 84.3 112.8 105.8 19.0
8 132.7 151.1 124.0 135.9 13.8

9 136.4 126.2 154.7 139.1 14.4
10 135.0 115.4 149.1 133.2 16.9
125.5 14.6
x = S =
Distribución Chi - cuadrado
Así como la media sigue una distribución normal, la desviación estándar
sigue una distribución Chi - cuadrado
Es decir que cuando

se desee calcular
alguna probabilidad
relativa a la desviación
estándar se deberá
estandarizar con la
desviación chi –

cuadrado:
(n  1) s 2
 2
n 1 
2
Distribución Chi - cuadrado
Ejemplo:
¿Cuál es la probabilidad de que la desviación estándar
sea menor que 20?
Aquí estandarizamos con la Chi-Cuadrado y obtenemos
la probabilidad de la tabla correspondiente.

Análisis de los gráficos
Variación uniforme
Predecible, todos los puntos dentro de los límites y
distribuidos proporcionalmente a ambos lados de la línea
central. Representa al proceso ideal (baja dispersión).
65
60
Peso de las piezas (Gr.)

55
50
45
1
11
13
15
17
19
Control Integral de Calidad Nº de pieza
Puntos fuera de los límites
Situación no controlada, con "saltos", incremento
notable de la dispersión, posiblemente por fallas
"locales" o causas fortuitas
65
60
Lím. Superior
Peso de las piezas (Gr.)

55 Valor Central
Punto fuera de control
50
Lím. Inferior
45
21
23
25
27
29
31
33
35
37
39
Nº de pieza
Carrera, corrida o mal de rachas
Cambio de nivel repentino, corrimiento o sesgo del
valor de la media:
• De 7 a 8 puntos sucesivos a un lado de la línea media.
• 11 de 12 ó 13 de 15 puntos consecutivos / alternados.

Tendencia
Cambio progresivo, gradual, inclinación hacia
un límite (tendencia ascendente o
descendente).

Ciclo
Cambio estacional, de patrón repetido

Inestabilidad
Serie/conjunto de puntos erráticos, presencia de fluctuaciones muy
saltantes o "anchas". Alta dispersión.

Un proceso bajo control, estadístico no debe presentar casos de puntos
fuera de límites ni de inestabilidad.

Ejercicio
Hay:
¿Puntos fuera?
¿Carrera?
¿Tendencia?
¿Ciclo?

¿Inestabilidad?
Dónde?

Algunas reglas de sensibilidad para las
cartas de control
1. Uno o mas puntos fuera de los límites de control
2. Dos de tres puntos consecutivos fuera de los límites de
advertencia dos sigma pero aun dentro de los limites de
control Reglas de
3. Cuatro de cinco puntos consecutivos fuera de los límites Western Electric
una sigma
4. Una corrida de ocho puntos consecutivos en el mismo
lado de la línea central
5. Seis puntos seguidos que se incrementan o se
decrementan de manera sostenida

6. Quince puntos seguidos en la zona C (tanto arriba como
abajo de la línea central)
7. Catorce puntos seguidos alternandose arriba y abajo
8. Ocho puntos seguidos en ambos lados de la línea central
pero ninguno de ellos en la zona C
9. Un patron inusual o no aleatorio de los datos
10. Uno o mas puntos cerca de un límite de control o de
advertencia
Gráfico de lecturas individuales
Características:
• Se observa dato a dato, no se trabaja con muestras.
• EI tamaño de muestra: n = 1 (individuo)
• EI número de lecturas: m ≥ 20
Inconvenientes:
• TLC no es aplicable (datos individuales).
• Es válido si la variable presenta una distribución normal.

Ejemplos:
• pH de soluciones
• Temperatura de sustancias
• Ensayo de resistencia a la tracción
• Procesos administrativos: ventas/semana, reclamos/mes
Justificación:
 Altos costos de inspección y/o ensayo.
 Ensayos destructivos.
 Alto consumo de tiempo para las mediciones.
 Producto de tipo uniforme o continuo.
 Producción en escala reducida (bajo volumen).

 Procesos administrativos.
 Entre otros ...

Cálculos:
 Estadísticos: X –barra, R-barra, S
 R: rango móvil (Ri = Xi - X¡-1 , i = 2, 3, ...
m)
 Lecturas: m
 Rangos: m – 1

 Límites: µ +/- 3σ
 LIR = 0 (ya que n = 1).

Ejercicio 3.3
Índice de cuentas por cobrar
En días equivalentes
ICC = (Monto adeudado)/(monto de venta promedio por día)

Ejercicio 3.3

Solucion:

Curvas OC y ARL
 Curvas OC
 ARL

Curvas OC
La curva de operación característica describe la

probabilidad de que un punto (parámetro que es
monitoreado) caiga dentro de los límites de
control, dado que el valor real del parámetro ha
cambiado. Por ejemplo, para el caso de un gráfico
de promedios, el eje vertical de la gráfica describe

la probabilidad de que el promedio de una
muestra tomada caiga dentro de los límites de
control, cuando en esos momentos la media del
proceso ha cambiado a µ1.
Curva OC
1,2
Pa
1
0,8
0,6
0,4

0,2
0
0 20 40 60 80 100
valor de la media

Curva OC
 Error tipo I : probabilidad de que un punto caiga

fuera de los límites de control cuando el proceso
se encuentra en control.
 Erro tipo II : probabilidad de que un punto caiga

dentro de los límites de control cuando el

proceso se encuentra fuera de control.

Curva OC
 Denominaremos Pa = probabilidad de que el punto caiga dentro de los
límites de control
 Fórmula alterna:
• Donde:
Pa    P{LCL  x  UCL   1  o  r }

Pa    ( K  r n )  ( K  r n )
K: Numero de desviaciones a los cuales se han establecido los limites de control, generalmente toma el
valor de 3.
r: Numero de desviaciones estándar que se corre la media.
n: Tamaño de subgrupo (o tamaño de muestra)

Curva OC
1.2
1 n=1
0.8 n=1
n=2
β 0.6 n=3
n=4
0.4 n=5
n=10

0.2 n=15
n=20
n=20
0
0 1 2 3 4 5 6
r
β=P(no detectar un corrimiento de rσ en la media en la primera muestra despues del corrimiento)

Continuación Ejercicio X barra -R
¿Cuál es la probabilidad de que una carta de

control de promedios detecte un corrimiento a
µ1=µ0+2σ (situación fuera de control) en la
primera muestra después del corrimiento?

Continuación Ejercicio X barra -R
¿Cuál es la probabilidad de detectar el cambio

antes de la tercera muestra?

ARL (Average Run Length)
La longitud de corrida promedio es el número de
muestras necesarias que se tomarán hasta darnos
cuenta de que el proceso se encuentra fuera de
control, es decir hasta que tengamos una señal de
fuera de control. La fórmula para calcular el valor del
ARL esta dada por:
1
ARL 

El ARL fuera de control es:
1 
El ARL en control es: 1

ARLo 

ARL
400
ARL 350
300
250
200
150
100

50
0
0 20 40 60 80 100
valor de la media

ARL
400
350
300
250
n=1 n=1
ARL
200 n=2
n=3
150
n=5

100 n=10
50
0
0 0.5 1 1.5 2 2.5 3
n=10 r
Beneficios de los gráficos de control de
procesos
 Registro histórico (datos útiles).
 Predictibilidad (características del proceso),
 Confiabilidad (proceso estable?).
 Determinar causas especiales (evitables).
 Acciones correctivas (evitar puntos fuera).
 Acciones preventivas (evitar tendencias).

 Mejoras (causas de "rachas" convenientes).
 Diagnóstico, evaluación y toma de decisiones.
 Autocontrol, control en las fuentes.
 Respuesta rápida (durante el proceso, no al terminar).

Capitulo 3 - VF PDF

Transféré par

Informations du document

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

Capitulo 3 - VF PDF

Transféré par

Droits d'auteur :

Formats disponibles

Control estadístico:

Gráficos de control - variables

Control Integral de Calidad

© Pontificia Universidad Católica del Perú

 Una variable aleatoria se encuentra descrita por

© Pontificia Universidad Católica del Perú

Control Integral de Calidad

© Pontificia Universidad Católica del Perú

Control Integral de Calidad

© Pontificia Universidad Católica del Perú

Control Integral de Calidad

© Pontificia Universidad Católica del Perú

Control Integral de Calidad

 El objetivo principal de los esfuerzos de la ingeniería de

© Pontificia Universidad Católica del Perú

 Causas fortuitas •El proceso esta bajo control estadístico

• Debido a variabilidad natura o ruido de fondo

• Efecto acumulado de muchas causas pequeñas e inevitables.

 Causas asignables •El proceso esta fuera de control estadístico

• Tres fuentes: maquinas ajustadas incorrectamente, errores del operador o

© Pontificia Universidad Católica del Perú

• Variabilidad grande en comparación con el ruido de fondo.

Control Integral de Calidad

• Resumen numérico de datos:

© Pontificia Universidad Católica del Perú

© Pontificia Universidad Católica del Perú

Control Integral de Calidad

Es la diferencia entre el máximo valor y el mínimo valor del

© Pontificia Universidad Católica del Perú

Control Integral de Calidad

© Pontificia Universidad Católica del Perú

Es la raíz cuadrada positiva de la varianza, la

© Pontificia Universidad Católica del Perú

Control Integral de Calidad

© Pontificia Universidad Católica del Perú

© Pontificia Universidad Católica del Perú

 El SPC en línea es una herramienta básica para

• reducir la variabilidad de los parámetros clave.

© Pontificia Universidad Católica del Perú

 Técnicas básicas del SPC:

• Las cartas de control

© Pontificia Universidad Católica del Perú

 Análisis de capacidad de proceso

Control Integral de Calidad

© Pontificia Universidad Católica del Perú

• Usos fundamentales de una carta de

2. Monitoreo y vigilancia de un proceso

© Pontificia Universidad Católica del Perú

Control Integral de Calidad

© Pontificia Universidad Católica del Perú

 Datos aleatorios no son sub grupos racionales

© Pontificia Universidad Católica del Perú

Control Integral de Calidad

 Normalmente unidades consecutivas.

© Pontificia Universidad Católica del Perú

Control Integral de Calidad

 Los límites de control, para cualquier gráfica, se

• LÍMITE DE CONTROL SUPERIOR (LCS):

• LÍMITE DE CONTROL INFERIOR (LCI)

© Pontificia Universidad Católica del Perú

© Pontificia Universidad Católica del Perú

Control Integral de Calidad

© Pontificia Universidad Católica del Perú