Documentos de Académico
Documentos de Profesional
Documentos de Cultura
Variable T
2.
Es importante notar que los grficos P, NP, y U permiten trabajar con muestras de tamaos diferentes,
mientras que los grficos C estn diseados para muestras de igual tamao.
IV - 1
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.
3
Zona A
2
Zona B
sigma
1
Zona C
0
1
2
3
Zona C
Zona B
Zona A
10
nmero de muestra
IV - 2
3
Zona A
2
Zona B
sigma
Zona C
0
Zona C
Zona B
Zona A
10
15
nmero de muestra
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
nmero de muestra
IV - 3
GRFICO P________________________________________________________
Un grfico P es un grfico de control del porcentaje o fraccin de unidades defectuosas (cociente entre
el nmero de artculos defectuosos en una poblacin y el nmero total de artculos de dicha poblacin).
Los principios estadsticos que sirven de base al diagrama de control P se basan en la distribucin
Binomial: supngase que el proceso de produccin funciona de manera estable, de tal forma que la
probabilidad de que cualquier artculo no est conforme con las especificaciones es p, y que los artculos
producidos sucesivamente son independientes; entonces, si seleccionamos k muestras aleatorias de n
artculos del producto cada una, y representando por Xi al nmero de artculos defectuosos en la muestra isima, tendremos que Xi B(n,p).
xi = np
Xi = np(1 p )
Sabemos que:
i =
Para cada muestra, definimos la v.a. fraccin disconforme muestral como: p
Xi
. Observar que
n
E[X i ]
=p
n
p i
N p,
n
Var [ p i ] =
Var [X i ]
n
p (1 p )
n
p(1 p )
Por tanto,
p (1 p )
n
Lnea central = p
LSC = p + 3
LIC = p 3
Si p 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):
p=
p(1 p )
n
1 k
p i
k i =1
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
IV - 4
Tambin se puede optar por tomar un n comn e igual al mayor de los ni , con lo que
obtendramos unos lmites de control bastante sensibles, ya que la amplitud de la franja que
indica proceso en estado de control es inversamente proporcional al tamao de la muestra.
p=
n p
i =1
k
n
i =1
Ejemplo grfico P: Supongamos que trabajamos en una planta que produce tubos de imagen para
televisores. De cada lote producido se extraen algunos tubos y se procede a inspeccionarlos,
clasificndolos en defectuosos y no defectuosos. Si alguno de los lotes presenta demasiados tubos
defectuosos, se realiza una inspeccin del 100% de las unidades que lo componen. Un grfico P nos
permitir, entre otras cosas, saber cundo hemos de realizar una inspeccin completa. Usaremos los
datos guardados en el archivo tubos.mtw :
Seleccionar Stat > Control Charts > P...
Rellenar los campos como se indica:
IV - 5
Proportion
0,3
0,2
P=0,1685
0,1
-3,0SL=0,004728
0,0
0
10
20
Sample Number
Dado que la muestra 6 cae fuera de la zona de control, sera conveniente realizar una inspeccin del
100% de los componentes del lote.
IV - 6
GRFICO NP______________________________________________________
El diagrama NP est basado en el nmero de unidades defectuosas. Este tipo de grficos permite tanto
analizar el nmero de artculos defectuosos como la posible existencia de causas especiales en el proceso
productivo. Los principios estadsticos que sirven de base al diagrama de control NP se basan en la
distribucin Binomial:
Supngase que el proceso de produccin funciona de manera estable, de tal forma que la probabilidad de
que cualquier artculo no est conforme con las especificaciones es p, y que los artculos producidos
sucesivamente son independientes; entonces, si seleccionamos k muestras aleatorias de n artculos del
producto cada una, y representando por Xi al nmero de artculos defectuosos en la muestra i-sima,
tendremos que Xi B(n,p).
xi = np
Xi = np(1 p )
Sabemos que:
i =
Para cada muestra, definimos la v.a. fraccin disconforme muestral como: p
Xi
. Observar que
n
E[X i ]
=p
n
i
N np, np(1 p)
Por tanto, np
n
Var [ p i ] =
Var [X i ] p (1 p )
=
n
n2
LSC = np + 3 np (1 p)
Lnea central = np
LIC = np 3 np (1 p)
Si p 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):
p=
1 k
p i
k i =1
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:
IV - 7
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.
3.
Tambin se puede optar por tomar un n comn e igual al mayor de los ni , con lo que
obtendramos unos lmites de control bastante sensibles, ya que la amplitud de la franja que
indica proceso en estado de control es inversamente proporcional al tamao de la muestra.
1 k
ni .
k i =1
p=
n p
i =1
k
n
i =1
IV - 8
GRFICO C________________________________________________________
El diagrama C est basado en el nmero total de defectos (o no conformidades) en la produccin. Los
principios estadsticos que sirven de base al diagrama de control C se basan en la distribucin de Poisson:
Para construir el diagrama de control C empezamos por tomar k muestras X1, X2, ...,XK , de ni unidades
cada una, i.e.: Xi = (Xi1, ..., Xi ni ). Sea u el nmero esperado de unidades defectuosas en cada una de las
muestras.
Para cada muestra se calcula el nmero uij de defectos de la unidad Xij , j = 1,...,ni .
ni
u
j =1
ij
Por otro lado, si denotamos por ui al valor esperado de defectos en la muestra i-sima, tendremos que
ui =
1
ni
ni
u
j =1
ij
[ ]
1
c i , i.e.: c i = u i ni .
ni
[ ]
Es frecuente suponer que el nmero de defectos (sucesos no habituales) en una poblacin grande sigue
una distribucin de Poisson. En este caso, supondremos que ci Po(niu).
N ni u , ni u
Se cumplir que c i
n
LSC = ni u + 3 ni u
Lnea central = ni u
LIC = ni u 3 ni u
Si u = E[ ui ] 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):
u =
1 k
ui
k i =1
Como el tamao muestral (ni ) es 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.
3.
Tambin se puede optar por tomar un n comn e igual al mayor de los ni , con lo que
obtendramos unos lmites de control bastante sensibles, ya que la amplitud de la franja que
indica proceso en estado de control es inversamente proporcional al tamao de la muestra.
1 k
ni .
k i =1
IV - 9
3,0SL=7,677
Sample Count
6
5
4
3
C=2,725
2
1
-3,0SL=0,00E+00
0
0
10
20
30
40
Sample Number
Dado que los puntos parecen seguir un patrn aleatorio y ninguno de ellos cae fuera de los lmites de
control de 3 sigma, podemos concluir que el proceso est bajo control.
IV - 10
GRFICO U________________________________________________________
El diagrama U est basado en el nmero de defectos por unidad de inspeccin producida. Los principios
estadsticos que sirven de base al diagrama de control U se basan en la distribucin de Poisson:
Para construir el diagrama de control U empezamos por tomar k muestras X1, X2, ...,XK , de ni unidades
cada una, i.e.: Xi = (Xi1, ..., Xi ni ). Sea u el nmero esperado de unidades defectuosas en cada una de las
muestras.
Para cada muestra se calcula el nmero uij de defectos de la unidad Xij , j = 1,...,ni .
ni
u
j =1
ij
Por otro lado, si denotamos por ui al valor esperado de defectos en la muestra i-sima, tendremos que
ui =
1
ni
ni
u
j =1
ij
[ ]
1
c i , i.e.: c i = u i ni .
ni
[ ]
Es frecuente suponer que el nmero de defectos (sucesos no habituales) en una poblacin grande sigue
una distribucin de Poisson. En este caso, supondremos que ci Po(ni u).
Se cumplir que c i
N ni u , ni u
n
y, por tanto,
LSC = u + 3 u
u
N u ,
u i
n
.
n
i
ni
Lnea central = u
LIC = u 3 u
Si u = E[ ui ] 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):
u =
ni
1 k
ui
k i =1
Como el tamao muestral (ni ) es 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.
3.
Tambin se puede optar por tomar un n comn e igual al mayor de los ni , con lo que
obtendramos unos lmites de control bastante sensibles, ya que la amplitud de la franja que
indica proceso en estado de control es inversamente proporcional al tamao de la muestra.
1 k
ni .
k i =1
IV - 11
EJEMPLOS DE APLICACIN_________________________________________
Ejemplo 1:
Una compaa electrnica manufactura circuitos en lotes de 500 y quiere controlar la
proporcin de circuitos con fallos.
Con este fin examina 20 lotes, obteniendo en cada lote el nmero de circuitos defectuosos que se indican en el
archivo circuitos.mtw .
Pretendemos analizar si el proceso est bajo control estadstico a partir de un grfico P:
Proportion
0,04
3,0SL=0,03878
0,03
0,02
P=0,02000
0,01
-3,0SL=0,001217
0,00
0
10
20
Sample Number
TEST 1. One point more than 3,00 sigmas from center line.
Test Failed at points: 2
Se observa que ha fallado el contraste 1 para causas especiales, lo cual indica que el proceso est fuera
de control estadstico.
IV - 12
Sample Count
0 ,6
3 ,0 S L =0 ,5 7 4 0
0 ,5
0 ,4
0 ,3
U =0 ,2 8 8 0
0 ,2
0 ,1
-3 ,0 S L = 0 ,0 0 2 0 7 6
0 ,0
0
10
15
20
25
C C h a rt fo r d e fe c tu o
1
15
Sample Count
3 ,0 S L = 1 3 ,6 7
10
C = 6 ,2 0 0
5
-3 ,0 S L = 0 ,0 0 E + 0 0
0
0
10
20
S a m p le N u m b e r
A partir del grfico anterior, se observa que el proceso no parece estar bajo control estadstico.
IV - 13