Documentos de Académico
Documentos de Profesional
Documentos de Cultura
SPC 3
SPC 3
III.
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).
Variable T
TIPO DE DATOS
Datos en subgrupos
Observaciones individuales
Observaciones individuales
Rangos mviles
Obs. Individuales y rangos mviles
Individual
Rangos mviles
I MR
EWMA
Medias mviles
CUSUM
Combinaciones de subgrupos
Series cortas
X-barra
R
S
X-barra y R
X-barra y S
Zona
Z - MR
III - 2
III - 3
12
Lambda
StDev
Low
-0,056
2,861
10
Est
0,000
2,856
Up
0,056
2,855
StDev
11
8
7
6
5
4
3
2
-1,0
-0,5
0,0
0,5
1,0
1,5
2,0
2,5
3,0
Lambda
LSC = T + 3 T
Lnea central = T
LIC = T 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
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
sigma
Zona B
Zona C
0
1
2
3
Zona C
Zona B
Zona A
10
nmero de muestra
3
Zona A
2
Zona B
sigma
1
Zona C
0
1
2
3
Zona C
Zona B
Zona A
10
15
muestra
Zona B
Zona C
0
1
2
3
Zona C
Zona B
Zona A
10
nmero de muestra
Zona B
sigma
sigma
Zona C
0
1
2
3
Zona C
Zona B
Zona A
10
15
muestra
III - 6
Zona B
sigma
Zona C
0
Zona C
Zona B
Zona A
10
nmero de muestra
Zona B
sigma
Zona C
0
Zona C
Zona B
Zona A
10
nmero de muestra
Zona B
Zona C
0
1
2
3
Zona C
Zona B
Zona A
10
muestra
15
Zona B
sigma
sigma
Zona C
0
1
2
3
Zona C
Zona B
Zona A
10
15
muestra
III - 7
x =
x =
n
Lnea central =
LIC = 3
n
LSC = + 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):
= X =
1 k
Xi
k i =1
donde
Xi =
[]
1 n
X ij
n j =1
[ ]
1 k
E Xi = x = .
k i =11
Si es desconocida, la podemos estimar a partir de los rangos Ri (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
Ri = d 2 (n)
-
R E [Ri ] d 2 (n)
E i =
=
=
d 2 ( n)
d 2 ( n) d 2 ( n)
III - 8
1 k Ri
R
=
k i =1 d 2 (n) d 2 (n)
( es estimador insesgado de )
En caso de que el tamao muestral (ni ) 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 ni asociado a cada muestra, con lo que las lneas de control no
sern rectas (darn saltos arriba y abajo segn ni disminuya o aumente),
2.
1 k
ni .
k i =1
ni X i
Ri
1
k
d 2 (ni )
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
Sample Mean
3,0SL=4,700
4
3
2,0SL=3,281
1,0SL=1,861
X=0,4417
-1,0SL=-0,9778
-1
-2
-2,0SL=-2,397
-3
-3,0SL=-3,817
-4
-5
0
10
15
20
25
i = 1,2,...,k , sea
Ri = d 2 (n) ,
Ri = d 3 (n) ,
N (d 2 (n) , d 3 (n) )
Se cumple que: Ri
n
Si es desconocida, la podemos estimar a partir de los rangos Ri 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
(ni ) 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
Sample Range
15
10
R=7,559
5
-3,0SL=0,00E+00
0
10
15
20
25
Sample Number
Sample Mean
603
3,0SL=602,4
602
601
X=600,2
600
599
598
Sample Range
Subgroup
9
8
7
6
5
4
3
2
1
0
-3,0SL=598,1
6
0
10
20
3,0SL=7,866
R=3,720
-3,0SL=0,00E+0
III - 13
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.
x =
x =
n
Lnea central =
LIC = 3
n
LSC = + 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):
= X =
1 k
Xi
k i =1
donde
Xi =
[]
1 n
X ij
n j =1
[ ]
1 k
E Xi = x = .
k i =11
Si es desconocida, la podemos estimar a partir de las desviaciones estndar Si (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
1 n
(X ij X i )2 . Se cumple que Si = c 4 (n) , donde
n 1 j =1
i = 1,2,...,k , sea S i =
S E [S i ] c 4 (n)
E i =
=
=
c 4 ( n)
c 4 ( n) c 4 ( n )
As, es buena idea tomar como estimador de el promedio de los Si / c4(n) :
1 k Si
S
=
k i =1 c 4 (n) c 4 (n)
( es estimador insesgado de )
En caso de que el tamao muestral (ni ) 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 ni asociado a cada muestra, con lo que las lneas de control no
sern rectas (darn saltos arriba y abajo segn ni disminuya o aumente),
2.
1 k
ni .
k i =1
ni X i
Si
1
k
c 4 (ni )
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 Xi1 , Xi2 , ..., Xin a las n observaciones que formaban
la muestra i-sima, donde i = 1,2,...,k.
Si = c 4 (n)
, y
Si = 1 (c 4 (n) )2
, donde c4(n) es un
2
N c 4 (n) , 1 (c 4 (n) )
Se cumple que: S i
n
Si es desconocida, la podemos estimar a partir de las desviaciones estndar Si 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
(ni ) sea diferente para cada muestra es igualmente aplicable aqu.
III - 15
LSC = + 3
Lnea central =
LIC = 3
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):
= X =
1 k
Xi
k i =1
[ ]
1 k
E[X i ] = .
k i =11
Si es desconocida, la podemos estimar a partir del rango mvil MRi (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 ,
MRi = d 2 (1)
-
sea
1 k MRi
MR
=
k 1 i = 2 d 2 (1) d 2 (1)
( es estimador insesgado de )
III - 16
MRi = d 3 (1)
MRi = d 2 (1)
N (d 2 (1) , d 3 (1) )
Se cumple que: MRi
n
Si es desconocida, la podemos estimar a partir de los rangos mviles MRi 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
11
1
1
3,0SL=1011
Individual Value
6
6
22
22
950
2 22 2
2222
2
6
2 2
2
66
850
1
0
10
20
X=936,9
5
1
-3,0SL=862,8
30
40
50
Observation Number
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
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:
Sample Mean
62,5
61,5
60,5
X=59,98
59,5
58,5
57,5
-3,0SL=57,06
56,5
55,5
0
10
15
20
25
Sample Number
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:
Sample Mean
Sample Range
Subgroup
10
3,0SL=62,81
X=59,98
-3,0SL=57,14
0
10
15
20
25
3,0SL=10,39
R=4,913
-3,0SL=0,00E+0
III - 19
Sample Mean
63
3,0SL=62,71
62
61
60
X=59,98
59
58
-3,0SL=57,24
57
Subgroup
Sample Range
10
10
15
20
25
3,0SL=10,03
R=4,745
-3,0SL=0,00E+0
III - 20
Individual Value
Subgroup
Moving Range
50
1
3,0SL=1289
X=1256
-3,0SL=1223
0
10
15
20
25
40
3,0SL=40,16
30
20
10
0
R=12,29
-3,0SL=0,00E+0
III - 21
Individual Value
Subgroup
Moving Range
50
1
3,0SL=1282
X=1254
-3,0SL=1227
0
10
15
20
25
40
30
3,0SL=33,71
20
10
0
R=10,32
-3,0SL=0,00E+0
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