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).




Lmite superior (LSC)
3 *
T

Lnea central


Lmite inferior (LIC)
V
a
r
i
a
b
l
e

T



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 NOMBRE DEL GRFICO
Datos en subgrupos

Medias de subgrupos, X-barra
Rangos de subgrupos, R
Desviaciones estndar de subgrupos, S
X-barra y R
X-barra y S


X-barra
R
S
X-barra y R
X-barra y S
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
3,0 2,5 2,0 1,5 1,0 0,5 0,0 -0,5 -1,0
12
11
10
9
8
7
6
5
4
3
2
95% Conf idence Interval
S
t
D
e
v
Lambda
Last Iteration Info
2,855
2,856
2,861
0,056
0,000
-0,056
StDev Lambda
Up
Est
Low
Box-Cox Plot for Datos

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:


T T
T T
LIC
LSC

3
central Lnea
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
III - 6






















































10 9 8 7 6 5 4 3 2 1 0
3
2
1
0
1
2
3
nmero de muestra
s
i
g
m
a
Zona A
Zona A
Zona B
Zona B
Zona C
Zona C
0 5 10 15
3
2
1
0
1
2
3
muestra
s
i
g
m
a
Zona A
Zona A
Zona B
Zona C
Zona C
Zona B
10 9 8 7 6 5 4 3 2 1 0
3
2
1
0
1
2
3
nmero de muestra
s
i
g
m
a
Zona A
Zona A
Zona B
Zona B
Zona C
Zona C
15 10 5 0
3
2
1
0
1
2
3
muestra
s
i
g
m
a
Zona A
Zona A
Zona B
Zona C
Zona C
Zona B
Test 1: un punto situado ms all de los lmites de control
Test 2: nueve puntos consecutivos en el mismo lado
descendentes
Test 3: seis puntos consecutivos ascendentes o
arriba y abajo
Test 4: catorce puntos consecutivos alternando
III. Grficos de Control por Variables (1)
III - 7











































0 1 2 3 4 5 6 7 8 9 10
3
2
1
0
1
2
3
nmero de muestra
s
i
g
m
a
Zona A
Zona A
Zona B
Zona B
Zona C
Zona C
0 1 2 3 4 5 6 7 8 9 10
3
2
1
0
1
2
3
nmero de muestra
s
i
g
m
a
Zona A
Zona A
Zona B
Zona B
Zona C
Zona C
15 10 5 0
3
2
1
0
1
2
3
muestra
s
i
g
m
a
Zona A
Zona A
Zona B
Zona C
Zona C
Zona B
15 10 5 0
3
2
1
0
1
2
3
muestra
s
i
g
m
a
Zona A
Zona A
Zona B
Zona C
Zona C
Zona B
Test 5: dos de tres puntos consecutivos situados ms
all de 2 sigmas (mismo lado)
Test 6: cuatro de cinco puntos consecutivos situados a
ms de un sigma (mismo lado)
Test 7: quince puntos consecutivos situados a menos
de un sigma (ambos lados)
Test 8: ocho puntos consecutivos situados a ms de
un sigma (ambos lados)
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 X
i1
, X
i2
, ..., X
in
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: =
x
y
n
x

=
Por el Teorema Central del Lmite,
|
|
.
|

\
|


n
N X
n

,

Segn el modelo de Shewart tendremos que:

n
LIC
n
LSC

3
central Lnea
3
=
=
+ =



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
i
i
X
k
X
1
1
donde

=
=
n
j
ij i
X
n
X
1
1


Observar que es estimador insesgado de ya que | | | | = = =

=
x
k
i
i
X E
k
X E
11
1
.


Si es desconocida, la podemos estimar a partir de los rangos R
i
(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 { } { } n j X Min n j X Max R
ij ij i
= 1 / 1 / . Se cumple que
, donde d = ) (
2
n d
Ri
2
(n) es un valor tabulado que depende de n .

- Notar que R
i
/ d
2
(n) es un estimador insesgado de , ya que:

| |

= =
(

) (
) (
) ( ) (
2
2
2 2
n d
n d
n d
R E
n d
R
E
i i


III - 8
III. Grficos de Control por Variables (1)
As, es buena idea tomar como estimador de el promedio de los R
i
/ d
2
(n) :

) ( ) (
1

2 1 2
n d
R
n d
R
k
k
i
i
= =

=
( es estimador insesgado de )


En caso de que el tamao muestral (n
i
) 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 n
i
asociado a cada muestra, con lo que las lneas de control no
sern rectas (darn saltos arriba y abajo segn n
i
disminuya o aumente),

2. Si los n
i
no difieren mucho unos de otros, podramos tomar

=
=
k
i
i
n
k
n
1
1
.

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

=
i
i i
n
X n
y

=
) (
1

2 i
i
n d
R
k





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














25 20 15 10 5 0
5
4
3
2
1
0
-1
-2
-3
-4
-5
Sample Number
S
a
m
p
l
e

M
e
a
n
X-bar Chart for Distanci
X=0,4417
1,0SL=1,861
2,0SL=3,281
3,0SL=4,700
-1,0SL=-0,9778
-2,0SL=-2,397
-3,0SL=-3,817
6

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 X
i1
, X
i2
, ..., X
in
a las n observaciones que formaban
la muestra i-sima, donde i = 1,2,...,k.

i = 1,2,...,k , sea { } { } n j X Min n j X Max R
ij ij i
= 1 / 1 /
= ) (
3
n d
. Se cumple que
, y , donde d = ) (
2
n d
Ri

Ri
2
(n), d
3
(n) son valores tabulados que dependen de n.

Se cumple que: ( )

) ( , ) (
3 2
n d n d N R
n i

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

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



Si es desconocida, la podemos estimar a partir de los rangos R
i
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
(n
i
) 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
0 5 10 15 20 25
0
5
10
15
Sample Number
S
a
m
p
l
e

R
a
n
g
e
R Chart for Distanci
R=7,559
3,0SL=15,98
-3,0SL=0,00E+00

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:




20 10 Subgroup 0
603
602
601
600
599
598
S
a
m
p
l
e

M
e
a
n
X=600,2
3,0SL=602,4
-3,0SL=598,1
9
8
7
6
5
4
3
2
1
0
S
a
m
p
l
e

R
a
n
g
e
R=3,720
3,0SL=7,866
-3,0SL=0,00E+0
Xbar/R Chart for Proveedor2
1
6
1
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 X
i1
, X
i2
, ..., X
in
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: =
x
y
n
x

=
Por el Teorema Central del Lmite,
|
|
.
|

\
|


n
N X
n

,

Segn el modelo de Shewart tendremos que:

n
LIC
n
LSC

3
central Lnea
3
=
=
+ =



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
i
i
X
k
X
1
1
donde

=
=
n
j
ij i
X
n
X
1
1


Observar que es estimador insesgado de ya que | | | | = = =

=
x
k
i
i
X E
k
X E
11
1
.

Si es desconocida, la podemos estimar a partir de las desviaciones estndar S
i
(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 ( )

=
n
j
i ij i
X X
n
S
1
2
1
1
. Se cumple que , donde
c
= ) (
4
n c
Si
4
(n) es un valor tabulado que depende de n .

- Notar que S
i
/ c
4
(n) es un estimador insesgado de , ya que:

| |

= =
(

) (
) (
) ( ) (
4
4
4 4
n c
n c
n c
S E
n c
S
E
i i


As, es buena idea tomar como estimador de el promedio de los S
i
/ c
4
(n) :

) ( ) (
1

4 1 4
n c
S
n c
S
k
k
i
i
= =

=
( es estimador insesgado de )


En caso de que el tamao muestral (n
i
) 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 n
i
asociado a cada muestra, con lo que las lneas de control no
sern rectas (darn saltos arriba y abajo segn n
i
disminuya o aumente),

2. Si los n
i
no difieren mucho unos de otros, podramos tomar

=
=
k
i
i
n
k
n
1
1
.

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

=
i
i i
n
X n
y

=
) (
1

4 i
i
n c
S
k


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 X
i1
, X
i2
, ..., X
in
a las n observaciones que formaban
la muestra i-sima, donde i = 1,2,...,k.

i = 1,2,...,k , se cumple que , y = ) (
4
n c
Si
( )
2
4
) ( 1 n c
Si
= , donde c
4
(n) es un
valor tabulado que depende de n.

Se cumple que: ( ) |
.
|

\
|


2
4 4
) ( 1 , ) ( n c n c N S
n
i


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

( )
( )
2
4 4
4
2
4 4
) ( 1 3 ) (
) ( central Lnea
) ( 1 3 ) (
n c n c LIC
n c
n c n c LSC
=
=
+ =

Si es desconocida, la podemos estimar a partir de las desviaciones estndar S
i
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
(n
i
) 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 X
1
, X
2
,
..., X
K
a las k observaciones. Veamos cmo construir un grfico Individual:


Observar que i = 1,2,...,k , X
i
N(,) .


Segn el modelo de Shewart tendremos que:

3
central Lnea
3
=
=
+ =
LIC
LSC



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):

=
= =
k
i
i
X
k
X
1
1


Observar que es estimador insesgado de ya que | | | | = =

=
k
i
i
X E
k
X E
11
1
.


Si es desconocida, la podemos estimar a partir del rango mvil MR
i
(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 . Se cumple que
, donde d
{ } {
1 1
,

=
i i i i i
X X Min X X Max MR }
= ) 1 (
2
d
MRi
2
(1) es un valor tabulado.


- Notar que MR
i
/ d
2
(1) es un estimador insesgado de , ya que:

| |

= =
(

) 1 (
) 1 (
) 1 ( ) 1 (
2
2
2 2
d
d
d
MR E
d
MR
E
i i


As, es buena idea tomar como estimador de el promedio de los MR
i
/ d
2
(1) :

) 1 ( ) 1 ( 1
1

2
2
2
d
MR
d
MR
k
k
i
i
=

=
( es estimador insesgado de )



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 X
1
, X
2
, ..., X
n
a las k observaciones.


i = 2,...,k , sea . Se cumple que ,
y donde d
{ } {
1 1
,

=
i i i i i
X X Min X X Max MR

} = ) 1 (
2
d
MRi
= ) 1 (
3
d
MRi
2
(1) , d
3
(1) son valores tabulados.


Se cumple que: ( )

) 1 ( , ) 1 (
3 2
d d N MR
n
i


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

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



Si es desconocida, la podemos estimar a partir de los rangos mviles MR
i
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
50 40 30 20 10 0
1050
950
850
Observation Number
I
n
d
i
v
i
d
u
a
l

V
a
l
u
e
I Chart for Peso
X=936,9
3,0SL=1011
-3,0SL=862,8
6
6
6
2
2
2
2
2
1
2
22
2
2
2
2
1
5
6
1
1
6
2
2
2
2
1
1

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:
25 20 15 10 5 0
64,5
63,5
62,5
61,5
60,5
59,5
58,5
57,5
56,5
55,5
Sample Number
S
a
m
p
l
e

M
e
a
n
X-bar Chart for presion
X=59,98
3,0SL=62,89
-3,0SL=57,06

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:

























0 Subgroup 5 10 15 20 25
56
57
58
59
60
61
62
63
64
S
a
m
p
l
e

M
e
a
n
X=59,98
3,0SL=62,81
-3,0SL=57,14
0
5
10
S
a
m
p
l
e

R
a
n
g
e
R=4,913
3,0SL=10,39
-3,0SL=0,00E+0
Xbar/R Chart for presion
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:



0 Subgroup 5 10 15 20 25
57
58
59
60
61
62
63
S
a
m
p
l
e

M
e
a
n
X=59,98
3,0SL=62,71
-3,0SL=57,24
0
5
10
S
a
m
p
l
e

R
a
n
g
e
R=4,745
3,0SL=10,03
-3,0SL=0,00E+0
Xbar/R Chart for presion


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.

0 Subgroup 5 10 15 20 25
1220
1230
1240
1250
1260
1270
1280
1290
1300
I
n
d
i
v
i
d
u
a
l

V
a
l
u
e
X=1256
3,0SL=1289
-3,0SL=1223
0
10
20
30
40
50
M
o
v
i
n
g

R
a
n
g
e
R=12,29
3,0SL=40,16
-3,0SL=0,00E+0
Grfico de Medias y Rangos Mviles

1
1

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:



0 Subgroup 5 10 15 20 25
1220
1230
1240
1250
1260
1270
1280
1290
1300
I
n
d
i
v
i
d
u
a
l

V
a
l
u
e
X=1254
3,0SL=1282
-3,0SL=1227
0
10
20
30
40
50
M
o
v
i
n
g

R
a
n
g
e
R=10,32
3,0SL=33,71
-3,0SL=0,00E+0
Grfico de Medias y Rangos Mviles

1
1

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