Curso Lupita R

Control Estadstico de Procesos
Parte 1
Mara Guadalupe Russell Noriega.

Facultad de Ciencias Fsico-Matemticas
Universidad Autnoma de Sinaloa.
V Verano de Probabilidad y Estadstica, CIMAT.

Del 2 al 6 de julio del 2012.
Contenido
|
Introduccin al Control Estadstico de Procesos
Por qu varan los procesos?
Fundamentos Estadsticos
Causas Comunes y Causas Especiales

p
Capacidad de Procesos
Monitoreo de Procesos
Cartas de Control Tipo
p Shewhart
y Cartas de Control de Sumas Acumuladas
y
Introduccin
El Control Estadstico de Procesos naci a finales de los aos 20
en los Bell Laboratories, como parte del Manejo de Calidad Total
(TQM) o Control
C t l de
d la
l Calidad
C lid d Total
T t l (TQC).
(TQC)
Shewhart, en su libro Economic Control of Quality of
Manufactured Products (1931) marc la pauta que seguiran otros
discpulos distinguidos (Juran, Deming, etc.).
En 1924 Shewhart desarroll el concepto de carta de control
estadstico, el cual suele considerarse como el inicio formal del
control estadstico de calidad.
La popularidad del uso de las cartas de control en la industria se
debe a la facilidad de construccin e interpretacin.
interpretacin Sin embargo
su uso ha venido creciendo en reas como salud y servicios.
Introduccin
Para entender los alcances del SPC (CEP), se entiende que un
proceso es una red de componentes independientes que trabajan
juntas,
ju
as, co
con e
el p
propsito
ops o de lograr
og a los
os obje
objetivos
os p
propuestos
opues os po
por e
el
sistema.

Un proceso industrial est sometido a una serie de factores
de carcter aleatorio que hacen imposible fabricar dos
productos exactamente iguales.
Las caractersticas del producto fabricado no son uniformes
y presentan variabilidad.
Esta variabilidad es no deseable y el objetivo es reducirla lo
ms posible o al menos mantenerla dentro de ciertos lmites.
El Control Estadstico de Procesos es una herramienta til
para alcanzar dicho objetivo. Dado que su aplicacin es en
el momento de la fabricacin,
fabricacin puede decirse que esta
herramienta contribuye a la mejora de la calidad de la
fabricacin.
Permite tambin aumentar el conocimiento del proceso
dando lugar a la mejora del mismo.
Por que se ve
afectado
f t d por ffactores
t
que varan
Causas de variabilidad
i
i
i
i
i
i
i
i
i
La estrategia bsica para la mejora de la calidad pasa por la
identificacin de las causas que producen variabilidad, las cuales segn
Shewhart ((1931)) se clasifican en:
a) Causas comunes o aleatorias: Son las que provocan la llamada
variabilidad natural del proceso,
proceso y obedecen a un comportamiento
aleatorio.
b) Causas especiales o atribuibles: Son aquellas que cuando estn
presentes tienen un efecto significativo en el desempeo del proceso.
Este efecto se refleja eventualmente en el patrn que presentan los
puntos graficados en la carta de control.
control
La variabilidad de las causas comunes o aleatorias es el reflejo de cientos
q
q
j
, y q
pequeas
que actan de manera conjunta,
que no es
de causas p
posible identificar alguna en especial.
La variacin excesiva debida a causas comunes se resuelve cambiando
la tecnologa,
tecnologa de modo que la eliminacin de las causas comunes es
responsabilidad de la empresa.
La variabilidad de las causas especiales o atribuibles se deben
tpicamente a aspectos tales como: materiales, operadores, instrumentos
de medicin, mquinas, mtodos.
La eliminacin de las causas especiales es ms sencilla ya que
bsicamente son responsabilidad del operario.
Por definicin, se dice que un proceso est bajo control estadstico
cuando no hay causas especiales presentes. O equivalentemente
cuando nicamente acta un sistema de causas de variabilidad comn.
El Control Estadstico de Procesos se basa en analizar la informacin que
aporta el proceso para detectar la presencia de causas especiales y
h bit l
habitualmente
t
se realiza
li
mediante
di t
una construccin
t
i
grfica
fi
denominada Grfico o Carta de Control.
Si el p
proceso se encuentra bajo
j control estadstico es p
posible realizar una
prediccin del intervalo en el que se encontrarn las caractersticas de la
pieza fabricada.
Medidas de variabilidad
Considere un proceso de produccin
de engranes en estado de control,
para el cual la caracterstica de
calidad
de
los
lid d es ell dimetro
di t
d
l
engranes en mm.
Se selecciona aleatoriamente una
muestra de tamao n de entre los
engranes fabricados por el proceso,
en un da de produccin.
Medida de
muestra.
variabilidad
en
Dimetros del engrane en mm
una
Proporcin de engranes en la muestra

que tienen un dimetro menor a 19.8 mm?
Qu p
Q
proporcin
p
de engranes
g
en la
muestra cumple con la especificacin de
200.2 mm?
19.8
19.9
20
20.1
20.2
Histograma de los Dimetros de engranes

en mm, para una muestra de tamao n=100
Variabilidad en la Poblacin
f(x)
n=20
n
20
n=200
n
200
n=2000
n
2000
Funcin de densidad de Probabilidad (fdp)

De la definicin frecuentista de probabilidad,
probabilidad
P ( A ) = lim
# de veces que A ocurre

n
Adems de la relacin entre histograma y fdp,

fdp
se deduce que: b
f ( y ) dy = Pr (a Y b )
En resumen una funcin f es fdp si cumple que:

a) f ( y) 0
y R,
b)
f ( y ) dy = 1
Funcin de Distribucin
La fdp f(y) contiene toda la informacin sobre la variabilidad del proceso,
es decir, si f(y) es conocida podemos contestar preguntas como:
1. Qu proporcin de los dimetros de
proceso estarn entre a y b mm?
b
engranes producidos por el
f ( y)dy
a
2. Qu proporcin de los engranes tendrn dimetros inferiores a a mm?

a
f ( y)dy
3. Qu proporcin de engranes tendrn dimetros superiores a b mm?
f ( y)dy
b
Funcin de distribucin
Dada una variable aleatoria Y, se llama funcin de distribucin de la
v.a. Y a la funcin F, de recta real R en el intervalo [0,1], definida por:
F (y) =
f (t )dt = Pr(Y y)
U a funcin
Una
u c de d
distribucin
s buc F es
montona
no
decreciente,
continua por la derecha y cumple
que:
lim F ( y ) = 0
lim F ( y ) = 1
y
Primeros Momentos
La variabilidad representada exhaustivamente por la fdp, puede
caracterizarse parcialmente por los primeros dos momentos poblaciones,
definidos por:
= E (Y ) = yf ( y )dy
R
y = Var (Y ) = E (Y ) 2 = ( y ) 2 f ( y )dy
2
y son la media y varianza poblacional, respectivamente.

El parmetro se conoce como parmetro de localizacin y el
parmetro
de dispersin.
Parte de la variabilidad en una muestra puede caracterizarse a travs de

los primeros dos momentos muestrales,
muestrales identificados y definidos como:
1 n
Y = Yi
n i =1
1 n
y S =
(Yi Y ) 2
n 1 i =1
2
Distribucin Normal
|
Se dice que una v.a. Y distribuye normal con parmetros y (Y~N(,))

si su fdp es:
( y )2
1
f ( y) =
exp
,
2
2
2
< y < , < y < , > 0.
La fdp normal cumple

propiedades siguientes:
las
a) f(y) es simtrica respecto del

eje y=
b) La grfica de f(y) presenta un
mximo relativo en el punto
1
2
c) La grfica de f(y) presenta
puntos de inflexin en y=.
Comportamiento de la fdp N(,)

f(x)
f(x)
=1
0.4
=2
=3
=1
=4
=1
0.4
0.35
0.3
=1
0 3
0.3
0.25
=2
0.2
0.2
0.15
=3
=4
0.1
0.1
0.05
x
x
-2
-7.5
f(x)
-5
-2.5
2.5
7.5
10
F(x)
1
0.4
=0,=1
=0,=1
=1,=2
0.8
0.3
=3,=3
0.6
=1,=2
0.2
0.4
=3,=3
0.1
0 2
0.2
x
-5
-2.5
2.5
7.5
10
x
-4
-2
10
Teorema de Lmite Central

El teorema del lmite central (TLC) establece que si una variable aleatoria
se obtiene como una suma de muchas causas independientes, siendo
cada una de ellas de poca importancia respecto al conjunto, entonces su
distribucin es asintticamente normal.
Si S n = X 1 + X 2 + L + X n , donde las {X i } i 1 son una sucesin de

de v.a. independientes con media i y varianza i2 , para i = 1, 2 ,K
entonces bajo ciertas condiciones generales,
generales
n
S n i
i =1
i
i =1
N (0,1)
Teorema de Lmite Central (TLC)

Distribucin de las medias muestrales
Si X es una v.a.
v a con distribuci n N ( , ) a partir de la cual se extraen muestras
aleatorias de tamao n, entonces la distribuci n de las medias muestrales, x m ,
se distribuye;

xm ~ N ,
xm
~ N (0,1).
/ n
10
0.00
0.00
0.00
0.05
0.05
0.05
0.10
0.10
0.15
0.10
0.20
0.15
0.25
0.15
0.20
Como consecuencia del TLC la distribucin de las medias muestrales es

asintticamente normal, an en el caso de que la distribucin poblacional
no lo sea; siempre que el tamao de la muestra sea suficientemente
grande.
10
15
20
10
n = 20, p = 0.75
15
20
25
30
n = 30, p = 0.75
10
20
30
n = 50, p = 0.75
40
50
0.03
0.00
0.00
0.00
0.02
0.01
0.02
0.0
04
0.02
0.06
0.04
0.08
0.04
0.10
0.06
0.05
0.12
2
0.06
n = 10, p = 0.75
60
80
100
n = 150, p = 0.75
120
140
120
140
160
180
n = 250, p = 0.75
200
220

n=5
0.0
50
5
0.02
100
0.04
150
0.06
200
Weibull( beta = 1.3, eta = 10 )
10
15
20
25
10
20
25
n = 20
50
50
100
100
150
150
200
n = 10
15
10
12
14
16
18
10
12
14

Recapitulando, un proceso est afectado por un gran nmero de
factores (por ejemplo oscilaciones de las caractersticas del material
utilizado, variaciones de temperatura y humedad ambiental,
variabilidad introducida por el operario, entre otras), que inciden en l y
que inducen una variabilidad de las caractersticas del producto
fabricado.
Si el proceso est operando de manera que existen pequeas
oscilaciones de todos estos factores (causas comunes), pero de modo
que ninguno
q
g
de ellos tienen un efecto p
preponderante
p
frente a los
dems, entonces por el TLC esperamos que la caracterstica de calidad
del producto fabricado se distribuya normal.
Si el proceso se encuentra bajo control estadstico es posible realizar una
prediccin del intervalo en el que se encontrarn las caractersticas de
la pieza fabricada y monitorear el proceso mediante un grfico de
control.
Capacidad de un Proceso
Un anlisis de capacidad evala la habilidad que tiene un proceso para
producir artculos que se ajusten a especificaciones preestablecidas, y
que por tanto satisfagan los requerimientos de los consumidores. Es decir,
cuando un proceso est en estado de control, a la amplitud del intervalo
de variabilidad de las observaciones individuales, se le denomina
capacidad.
Variabilidad causas comunes
+
Variabilidad causas especiales
=
Capacidad del proceso
Capacidad
p
de mquina
q
+
Otras variaciones
(Turnos, operadores,
Materia prima, etc.)
=
Tres tipos de Lmites
Los lmites LE definen los requerimientos de aceptabilidad para una unidad

individual de un proceso de manufactura o de servicio.
Los lmites LN indican los puntos en donde vara la salida de un proceso.
reas bajo la Distribucin Normal
Si un proceso normal est en control estadstico, la caracterstica de

calidad del 99.73% de los elementos fabricados estarn comprendidos en
3 .
Especificaciones y Ancho del Proceso

Bajo normalidad el ancho
del proceso se define como
6.
6
LES
LEI
El
ancho
de
especificaciones
puede
medir
i cualquier
i
cantidad
i
de sigmas.
Las curvas representan

lo observado.
Las especificaciones lo
deseado.
deseado
LEI
LES
Capacidad de Procesos
Dado un proceso y dadas
unas especificaciones diremos
que un proceso es capaz si
puede producir dentro de la
especificaciones exigidas, es
decir, si su capacidad es
menor q
que las tolerancias.
Proceso con
capacidad
p
potencial y
capacidad
real.
LIE
LSE
Ancho del Proceso

Ancho de las Especificaciones
Proceso con capacidad potencial,

potencial
pero SIN capacidad real.
LIE
LSE
Ancho del Proceso
Capacidad de Procesos y Estabilidad
Variables
de
salida inestables
pero dentro de
especificaciones
Cumple
con
especificaciones
y es predecible
ya que esta bajo
control
Las
variables
de
salida del proceso son
estables pero baja
capacidad de cumplir
especificaciones.
No cumple con especificaciones

y
causas
especiales
de
variabilidad presentes
ndices de Capacidad de Procesos

Anchode Especificaciones LES LEI
=
Cp =
A h del
Ancho
d l Proceso
P
6
Cp < 1
es in
i aceptable
bl
1 < C p < 1.33

C p > 1.33
marginal y
es capacidad potencial adecuada
1
6
Cr =
=
C p LES LEI
Proporcin
P
i de
d la
l tolerancia
t l
i que
ocupara el proceso
ndice Cp
Procesos con Cp=1
Procesos con Cp=2

Ancho del Proceso
Ancho
A h de
d las
l
Especificaciones
El ndice Cp no
toma en cuenta
ell centrado
t d d
dell
proceso.
% de artculos defectuosos
ndices ZU, ZL, CPU, CPL y CPK

LEI
LES
LEI
ZU =
Toma en
cuenta el
centrado
del proceso
C PU =
LES ZU
=
3
3
LEI
LEI Z L
C PL =
=
3
3
LEI LES
,
= min
= min{C PL , C PU }
3
3
ZL =
C PK
LES
LES
ndice CPK
El Cpk no puede distinguir entre los tres procesos representados en la
figura.
C PK =
Distancia de la media al lmite de tolerancia ms ajustado

Semicapacidad del proceso
CPK=C
CP sii ell proceso esta
t centrado
t d
Relacin entre los ndices CP y CPK

El factor que mide el grado en que el proceso se desva del valor
nominal (T) expresado en unidades de de la tolerancia, digamos k,
p
se expresa
como:
2T
k=
LSE LIE
Si LIE LSE
se cumple que 0 k 1
La relacin entre los ndices CP y CPK es:
C PK = (1 k )C P
Esta relacin implica que el CPK es menor o igual al CP, y la igualdad se
d cuando la media del proceso coincide con el valor nominal ( =T ).
ndice Cpm
Cpm = 1
Cpm = 0.63
Cppm = 0.44
C pm =
CP
(
T )2
1+
2
El ndice Cpm s distingue entre los tres

procesos de la figura. Se cumple que:
C pm <
LES LEI
6 T
Esta relacin implica que para que

Cpm= 1,
1 se debe
d b cumplir
li
T <
LES LEI
6
Es decir, la media del proceso no se puede alejar del valor objetivo ms

all de un sexto de la tolerancia.
Cpm coincide con el Cp y el Cpk cuando el proceso est
centrado en el valor nominal (T).
Comparacin de ndices
LEI
LEI
LEI
LEI
LES
LES
LES
LES
Cp
CPL
CPU
Cpk
Cpm
1.5
2.5
1.5
1.11
Cp
CPL
CPU
Cpk
Cpm
Cp
CPL
CPU
Cpk
Cpm
0.63
Cp
CPL
CPU
Cpk
Cpm
3.5
0.5
0.5
0.43
ndices del Desempeo del Proceso
LSE LIE
Pp =
6 global
LSE T T LIE
Ppk = min
i
,
3 global 3 global
global Desviacin estndar Global

Toma en cuenta la variacin dentro y entre subgrupos
C P > Pp
CPK> Ppk
Ya que los Pp toman en cuenta la variabilidad a largo plazo.
Mtrica 6 sigma
12
12
7.5
4.5
0 002 ppm
0.002
0 002 ppm
0.002
0 ppm
3.4 ppm
C p = C pk = 2
Z corto plazo = 6 ; Z largo plazo = 6
0.002 ppm
C p = 2; C pk = 1.5
Z corto plazo = 6 ; Z largo plazo = 4.5
3.4 ppm
Procesos en Estado de Control

Qu es la calidad?
Definicin tradicional: Calidad significa adecuacin para uso.
Definicin moderna: La calidad es inversamente proporcional a la
variabilidad.
Definicin. El mejoramiento de calidad es la reduccin de la
variabilidad en procesos y productos.
|
Un proceso en estado de control es aquel que slo est afectado

por causas comunes de variacin.
Es posible modelar matemticamente la variabilidad de las causas
comunes, considerando la funcin de distribucin de la
caracterstica de inters (Normal, Binomial, Poisson).
Cartas de Control
Las cartas de control son una herramienta estadstica que permite
conocer si un proceso dado se encuentra en estado de estabilidad o
control.
Son grficas cronolgicas de los datos del proceso de inters, que nos
ayudan a e
ayuda
entender,
e de , co
controlar
o a y mejorar
ejo a los
os p
procesos.
ocesos.
Comportamiento esperado de las observaciones individuales

en un proceso en estado de control
Considere un proceso de llenado de botellas de agua que, en estado de
control, sigue una distribucin normal con media =200 cm3 y desviacin
s =0.7 cm3.
= + 3s
3
= + 3s
El proceso se desajusta provoca un
aumento en la variabilidad del
proceso de relleno, pasando de
s=0.7 a s = 1.
El proceso se desajusta en 1
cm3 pasando a rellenar con
media 201 cm3 e igual
dispersin.
= + 3s
=
= + 3s
= + 3s
=
= + 3s
Cartas de Control
Proceso
Comportamiento de la media de un proceso en estado de control
L figura
La
fi
contiene
ti
ell contenido
t id medio
di de
d 4 botellas
b t ll
Observaciones de la 1 a la 20 con =200 y s=0.7
=201 y s=0.7
Observaciones de la 21 a la 40 con
Observaciones 41 a la 60 con =200 y s=1.
Cambios en la media
m= 1
m=2
m=2
m=3
1.5
m=6
m=5
m=7
m=6
m=14
m=28
m=18
m=52
m=52
m=217
m= 181
1
0 5
0.5
m=130
m es el nmero de muestras de tamao n que se han de tomar para

que exista una probabilidad de al menos 95% de detectar el cambio en
el proceso.
Grfico o diagrama de control

f
p
p
Grfico
de control: Representa
el comportamiento
de los datos
ordenados en el tiempo de un proceso.
Objetivo principal: Detectar lo antes posible cambios en el proceso.
Se busca minimizar el tiempo que transcurre desde que se produce un
desajuste hasta que se detecta.
Falsas alarmas: Observaciones de un proceso en estado de control
interpretadas errneamente como seales de que en el proceso actan
causas especiales.
Cartas de Control tipo Shewhart
Wi
Seal de fuera de control

E (Wi ) + 3 Wi
E (Wi )
E (Wi ) 3 Wi
Costos de producir fuera de control.

T(1) y T(2) frecuencias de muestreo
para un
n proceso en el que
q e se
monitorea la media
Probabilidad de falsas
alarmas del orden del 3%.
Cartas de control para variables

Construccin de los Lmites de Control
Considere una muestra aleatoria de tamao n, X 1 , X 2 , L , X n .
Sean las estadsticas de orden: X (1) X ( 2 ) L X ( n ) .
Funciones lineales de las estadsticas de orden, denominadas
usualmente L-estimadores, son de la forma
Los lmites de control se calculan a partir de los valores esperados

y varianzas de las funciones usadas:
Construccin de los Lmites de Control

Por ejemplo, si
es la media muestral de una muestra aleatoria
de tamao , donde
, entonces,
1
E (X ) = E
n
1
X
=
(n ) =
i
n
i =1
1 n
1
Var ( X ) = Var X i = 2 ( n
n
n i =1
Si
T=X
) =
representa la lnea central de una carta de control para
la medida de localizacin T = X , los lmites
T 3 T
son:
Carta X
La carta X muestra las variaciones en los promedios de las
muestras. Si las X i ~ N , 2
con , conocidos, los lmites de
control
t l son;
n
2
probabilidad de una
falsa alarma.
n tamao de subgrupo
que se toma en cada
ti
tiempo.
cuantil de la normal e igual
a 3, si tenemos una carta de
lmites tres sigmas..
En la prctica ,
desconocidos y deben estimarse de un
conjunto de datos histricos, Fase I (construccin de la carta de
control), hasta que el proceso se considere estable.
En la Fase II el proceso se monitorea en lnea.
Carta
X,
si y desconocidos
Se estima y a partir de la media de las medias X , y a partir de

rango, R, o bien a partir de la desviacin estndar muestral, S, de k
muestras iniciales.
El estadstico R = X ( n ) X (1 )
poblacin de la que procede.
da una estimacin de la dispersin de la
Se calcula muy fcilmente y para valores muestrales pequeos, n8, se

comporta bien. Para valores mayores da una estimacin sobrevalorada de
la dispersin de la poblacin.
Para el estadstico S, se tiene dos definiciones:
2
1 n
(X i X )
S=
n i =1
( )
ES
n 1 2
=
1 n
(X i X )
n 1 i =1
S* =
Estimador
sesgado
g
( )
2
E S* = 2
Estimador
insesgado
g
Carta
X,
si y desconocidos
Las varianzas de ambos estadsticos son, para procesos normales:
S2 = Var (S 2 ) =
2
E (S ) =
2(n 1) 4
2
n
n

2
2 =c
2
n n 1
( )
2
2*2 = Var S * =
S
2
4
(n 1)
n

2
2 =c
E S* =
4
(n 1) n 1
( )
En este caso ambos estadsticos son estimadores segados de .
S 2 = Var(S ) = E(S 2 ) (E(S ))2

n 1 2
1
2 2
2
=
c2 = 1 c22
n
n
1
S = 1 c22
n
( )
S 2 = Var
V (S* ) = E S* (E((SS* ))
2
= 2 c4 2 = 2 1 c4
2
S = 1 c42
*
Carta X R
La carta X monitorea las variaciones en los promedios de las muestras.
La carta R monitorea la variabilidad de un proceso. Es decir, muestra las
variaciones de los rangos de las muestras.
Lo ms conveniente es empezar con la construccin de la carta R.
Si la carta R muestra que la variabilidad del proceso esta fuera de
control, lo mejor es controlar la variabilidad antes que construir la carta X .
A partir de X y R se trazan los lmites provisionales de la manera siguiente.
En el grfico de Medias:
LCS = X + 3
LC = X
LCI = X 3
1 R
= X + A2 R
n d2
1 R
= X 3A2 R
n d2
En el grfico de Rangos:
d3
LCS = 1+ 3 R = D4 R
d2
LC = R
d3
LCI = 1 3 R = D3 R
d2
Carta X R
Estimacin de las constantes d2 y d3, por simulacin, utilizadas en la
construccin de la carta X R
d2
d3
Programa en R
#Estimacin de d2 y d3. El estadstico W = Rango/sigma, denominado
# recorrido relativo, con E(W) = d2 y raiz(varianza) = d3.
W <-0; W2<-0; nn<-100000; n <- as.matrix(seq(1,25,1)); nl<-length(n);
d2<-matrix(0,nl,1);d3<-matrix(0,nl,1)
for (j in 1:nl)
{ W<-0; W2<-0;
for(i in 1:nn)
{ rdatos <-rnorm(n[j],0,1); #Se simulan datos de una normal estndar
rango <-range(rdatos)#funcin que obtiene el rango de los datos
W <-W + (rango[2]-rango[1])/1
W2 <-W2 + ( (rango[2]-rango[1])/1)^2
}
d2[j] <-W/nn # E(W)=d2
d3[j]<-sqrt((W2/(nn-1))-2*(d2[j])*(W/(nn-1))+ (nn/(nn-1))*( (d2[j])^2))#
sigmaW=d3; j<-j+1;
}
cbind(d2,d3)
1.118145
0.8495161
1.693288
0.884309
2.059194
0.8825737
2.323239
0.8602215
2.533122
0.8498462
2.70243
0.8322734
2.84786
0.8188604
2.973336
0.8085068
3.078241
0.7991577
3.17815
0.78777
3.261795
0.77942
3.336109
0.7690239
3.402547
0.7607124
3.466029
0.7531938
3.532219
0.7473171
3.585279
0.7449061
3.638498
0.7374566
3.68987
0.733514
3.736589
0.7312419
3 781558
3.781558
0 7259207
0.7259207
3.818268
0.7200756
3.860174
0.7163147
3.894794
0.7132323
3.93311
0.7110048
Carta X S
La carta S monitorea la variabilidad de un proceso, es similar a la carta R,
solo que ahora se calculan y grafican las desviaciones estndar para
cada grupo.
Carta X S
Carta X S
Carta X S
Estimacin de las constantes c2 y c4 involucradas en la obtencin de los
lmites de control de las cartas X S , por medio de simulacin.
Programa en R
#Estimacin de c2 y c4
C <-0; W2<-0; nn<-100000;
n << as.matrix(seq(1,25,1))
as matrix(seq(1 25 1))
nl<-length(n); c2<-matrix(0,nl,1); c4<-matrix(0,nl,1)
for (j in 1:nl)
{
C<-0; CC<-0;
for(i in 1:nn)
{
rdatos <-rnorm(n[j],0,1); #Se simulan datos de una normal estndar
C <- C + sd(rdatos)
CC <- CC +( sd(rdatos) * sqrt((n[j]-1)/n[j]) )
}
c4[j] <-C/nn; c2[j]<-CC/nn;
j<-j+1
}
cbind(c2[-1],c4[-1])
C2
C4
0.5634149
0.796789
0.7235947
0.8862189
0.7983276
0.9218293
0.8402237
0.9393986
0 867655
0.867655
0 9504685
0.9504685
0.8880728
0.9592283
0.9022891
0.9645876
0.9147785
0.9702691
0.9223831
0.9722771
0.9308393
0.9762725
0.9366463
0.9782952
0.9412656
0.9797003
0.9449452
0.980616
0.9489709
0.9822782
0.9526069
0.9838482
0.9541755
0.9835416
0.957595
0.9853571
0 9594323
0.9594323
0 985723
0.985723
0.96143
0.9864064
0.9641059
0.9879146
0.9653752
0.9880931
Carta X S para n grande

En muestras pequeas, el rango y la desviacin estndar tienen un
comportamiento similar. Sin embargo, en muestras grandes la ocurrencia
de un valor extremo produce un rango grande, pero tiene un efecto
menor sobre la desviacin estndar.
Como la distribucin de S es no simtrica, se puede construir una carta S,
con lmites de probabilidad en lugar de los lmites 3.
3
(n 1)S 2 ~ 2
( n 1)
2
2
(
n 1)S2
2
P <
< =1
2
(1 , n1)
2
( 2 , n1)
2
2
( , n1)
(1 , n1)
2
2
=1
< S <
P
n 1
n 1
LCI =
Entonces,
( , n 1)
2
n 1
2
LCS =
(1 , n 1)
2
n 1
Carta X S para n grande

Como antes tomamos como estimacin de a
Finalmente, la carta S con lmites de probabilidad queda definida como
S
LCI =
c4
( , n1)
2
n 1
LC = S
S
LCS =
c4
(1 , n1)
2
n 1
Ejemplos
Normal Q-Q Plot
1.94
LC= 1.933
1.85
1.90
1.90
Medias
1.95
2.00
1.98
LCS= 1.995
-1
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
1.86
6
LCI= 1.87
-2
Subgrupo
Carta de Rangos
LCS= 0.19
LC
LC= 0.084
0.05
LC
0.10
0.15
LCS
R
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
0.00
0
LCI= 0
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
1.95
5
2.00
0.20
Carta de Medias
1.90
datos[1,]<-c(1.88, 1.93, 1.98, 1.88)

datos[2,]<-c(1.93, 1.97, 1.89, 1.94)
datos[3,]<-c(1.92, 1.95, 1.90, 1.98)
datos[4,]<-c(1.89 ,1.89, 1.90, 1.94)
datos[5 ]< c(1 95 ,1.93,
datos[5,]<-c(1.95
1 93 1.90,
1 90 1.93)
1 93)
datos[6,]<-c(2.00, 1.95, 1.94, 1.89)
datos[7,]<-c(1.95, 1.93, 1.97, 1.85)
datos[8,]<-c(1.87, 1.98, 1.96, 2.04)
datos[9,]<-c(1.96, 1.92, 1.98, 1.88)
datos[10,]<-c(1.99, 1.93, 2.01, 2.02)
datos[11,]<-c(1.93, 1.95, 1.90, 1.93)
datos[12,]<-c(1.95, 1.98, 1.89, 1.90)
datos[13,]<-c(1.88, 1.93, 1.88, 1.90)
datos[14 ]<-c(1
datos[14,]<
c(1.97,
97 1.88,
1 88 1.92,
1 92 1.96)
1 96)
datos[15,]<-c(1.91, 1.91, 1.96, 1.93)
datos[16,]<-c(1.98, 1.90, 1.92, 1.91)
datos[17,]<-c(1.93, 1.94, 1.95, 1.90)
datos[18,]<-c(1.82, 1.92, 1.95, 1.94)
d
datos[19,]<-c(2.00,
[19 ] (2 00 1
1.97,
97 1
1.99,
99 1
1.95)
95)
datos[20,]<-c(1.98, 1.94, 1.96, 1.88)
Carta de Medias
1.85
n=4
#tamao de subgrupo
subgrupos=20 #cantidad de subgrupos
datos<-matrix(nrow=subgrupos,ncol=n)
Subgrupo
Ejemplos
En el departamento de ensamble de motores de una planta
automotriz, se tiene que una de las partes del motor, el rbol de
levas, debe tener una longitud de 600mm(+/-)2mm para cumplir
con las especificaciones de ingeniera.
ingeniera
Un rbol de levas es un mecanismo formado por un eje en el
que se colocan distintas levas, que pueden tener distintas
f
formas
y tamaos
t
y estar
t orientadas
i t d de
d diferente
dif
t manera, para
activar diferentes mecanismos a intervalos repetitivos, como por
ejemplo unas vlvulas, es decir constituye un temporizador
mecnico cclico.
Hay un problema crnico con la longitud del rbol de levas, ya
que se sale de especificaciones, y crea un problema de
red ccin del rendimiento de la lnea de produccin
reduccin
prod ccin y altas
tasas de re trabajo y desperdicio.
El supervisor
p
del departamento
p
quiere correr cartas de medias y
q
rangos para monitorear esta caracterstica, durante un mes.
Para esto recibe 20 muestras de tamao 5 del proveedor.
Ejemplos (rbol de levas)

Muestras de longitudes (en mm) de rboles de levas.

Normal Q-Q Plot
LCS= 602.37
601
6
600
LCI= 598.08
598
5
-1
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
59
96
-2
Subgrupo
Carta de Rangos
604
10
Carta de Medias
60
02
R
4
LC= 3.72
LC
LCI= 0
0
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
600
598
LC
596
El promedio de las
medias se encuentra
dentro
de
las
especificaciones,
ifi i
l
lo
mismo ocurre con las
medias excepto para las
muestras 2 y 14, que
estn
t
por arriba
ib
d l
del
LCS y la muestra 9,
que est en el LCI.
LCS= 7.86
LCS
Los promedios de las

medias y los rangos son
600.23 y 3.72 resp.
LC= 600.2
599
598
600
Medias
602
602
604
603
Carta de Medias
Subgrupo
El promedio
di
d
de
l
los
rangos es algo grande,
considerando que la
mxima
variacin
permitida es de 2
mm., hay un exceso de
variacin en el proceso.

Sin subgrupos
g p 2 y 14
Normal Q-Q Plot
604
600
LC= 599.93
598
602
LCS= 602
602.14
14
LCI= 597.72
-2
-1
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
596
598
600
Medias
602
2
604
Carta de Medias
Subgrupo
Carta de Rangos
10
604
Carta de Medias
LCS= 8.10
LCS
LC= 3.833
4
LC
600
LC
598
602
Despus
de
una
investigacin con el
responsable del proceso,
se
lleg
a
la
identificacin de causas
asignables para las
muestras 2 (falla de
maquina) y 14 (error
del operador),
operador) ms no
para la nueve.
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
596
LCI= 0
Luego se eliminaron las

muestras 2 y 14,
obteniendo nuevamente
las cartas de medias y
rangos.

Al eliminar los subgrupos 2 y 14, ya no tenemos seales de fuera de control, en
ambas cartas.
Observamos ahora que el promedio de las medias ha disminuido,
disminuido pero el
promedio de los rangos ha aumentado. Esto se debe a las magnitudes de las
observaciones eliminadas, los subgrupos tenan poca variabilidad pero valores
grandes.
Como ya no hay seales de fuera de control, el proceso es estable y podemos
ahora iniciar el monitoreo del proceso (Fase II), tomando peridicamente
muestras de 5 arboles de levas.
Ejemplo diametros de cilindros

Chenet
al.
((2001))
presentan un conjunto
de medidas de los
dimetros interiores de
cilindros de un tipo de
motor.
El conjunto de datos
esta formado por 35
muestras de tamao
n=5
recolectadas
cada media hora. Los
datos corresponden a
los tres ltimos dgitos
de los valores reales
medidos de la forma
3.5205, 3.5202, 3.5204,
y as sucesivamente.
El inters es establecer
un control estadstico
de este proceso
mediante cartas de
control.
Ejemplo dimetros de cilindros

Normal Q-Q Plot
206
Carta de Medias
202
LC= 200.251
198
200
Medias
210
LCS= 204.702
-2
-1
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
194
190
LCI= 195.800
La carta de medias
muestra que los
subgrupos
b
1 y 11
exceden el lmite de
control superior.
Subgrupo
Carta de Rangos
20
210
25
Carta de Medias
LCS= 16
16.311
311
15
10
LC
200
LCS
LC= 7.7143
19
90
LCI
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
LCI=
C 0
Subgrupo
La carta de Rangos
muestra
t
que los
l
subgrupos 6 y 16
exceden el lmite de
control superior.
p

Normal Q-Q Plot
206
206
Carta de Medias
202
2
LC= 200.236
LCI= 196.337
-2
-1
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
19
94
19
94
198
198
Medias
20
02
LCS= 204.135
Sin 6 y 16
Carta de Rangos
LCS= 14.288
206
15
Carta de Medias
Subgrupo
10
LC= 6.7576
198
LC
202
LCS
LCI
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
194
LCI= 0
LCI
Subgrupo
Una
U
investigacin
i
ti
i
mostr que los dos
valores de rangos
de los subgrupos
g p 6
y 16 correspondan
a tiempos en que el
operador regular se
ausentaba y dejaba
un reemplazo con
menos experiencia,
a cargo de la
produccin.
Se observa que la
variabilidad ha sido
controlada, as que
se pasa ahora a
controlar la media
del proceso.

Normal Q
Q-Q
Q Plot
206
206
Carta de Medias
LC= 199.9484
198
198
Medias
20
02
202
2
LCS= 203.894
-2
-1
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
194
194
LCI= 196.002
Sin 1 y 11
Carta de Rangos
LCS= 14.459
15
206
Carta de Medias
Subgrupo
El subgrupo 11 ocurre a
la
1:00
p.m.
y
corresponde al arranque
de la lnea de produccin
inmediatamente despus
del descanso del lunch y
cuando las maquinas han
sido
apagadas
por
cambio de herramienta.
LC= 6.8387
198
LC
202
10
LCS
El subgrupo
g p 1 ocurre a
las
8:00
a.m.
y
corresponde al arranque
de la produccin, cuando
las maquinas estn fras.
fras
LCI
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
194
LCI= 0
Subgrupo
Como se encontraron
causas asignables, estos
puntos se eliminan y las
cartas se vuelven a
calcular.
Se observa en estas ltimas grficas que tanto las cartas de

medias como de rangos estn en control estadstico.
Se puede concluir que el proceso esta bajo control respecto de su
variabilidad y valor medio, finalizando el anlisis de la Fase I.
Se retienen estos ltimos lmites de control para utilizarlos en el
control del proceso en lnea, es decir durante la Fase II
Subgrupos racionales
El primer paso en el establecimiento de cartas de medias y rangos,
es la seleccin de las muestras.
Es importante que todas las muestras sean muestras racionales (o
subgrupos racionales). Esto es, grupos de observaciones cuya
variacin, solo es atribuible a las causas comunes.
Cuando tomamos las muestras, minimizando la ocurrencia de
causas especiales dentro de ellas, maximizamos la oportunidad de
detectar causas especiales cuando estas ocurren entre las
muestras.
Muestrear de:
o Diferentes mquinas
o Durante perodos
d extendidos
did de
d tiempo
i
o Productos combinados de diferentes fuentes
No son mtodos racionales de muestreo y deben evitarse.
El tamao de los subgrupos se rige por los siguientes principios:
Los subgrupos deben de reflejar solo las causas comunes
Los subgrupos deben asegurar la presencia de la distribucin
normal para las medias muestrales.
Los subgrupos deben garantizar una alta capacidad de
deteccin de causas especiales o asignables.
Los subgrupos deben ser suficientemente pequeos para facilitar
su medicin y reducir el costo de operacin.
Cuando estas consideraciones se toman en cuenta,
g p , resulta ser entre 3 y 6.
frecuentemente,, el tamao de los subgrupo,
Aunque usualmente se toman 5 observaciones en cada muestra.
La frecuencia de muestreo, debe considerarse cuidadosamente,
ya que cuando un proceso se muestrea con una frecuencia muy
baja,
j las cartas de medias y rangos
g resultan ser de p
poca utilidad
para identificar y resolver problemas.
Algunos puntos que vale la pena tomar en cuenta pare
determinar la frecuencia de muestreo son:
Naturaleza general de la estabilidad del proceso.
La frecuencia con que se presentan eventos en el proceso
(cambios de turno, de materia prima, de condiciones
ambientales).
ambientales)
Costo del muestreo
Reglas para deteccin de seales de alarma

En cierto momento se propuso agregar a las cartas de control
mecanismos de deteccin de seales fuera de control ms
rpidamente.
p da e e.
El manual de Western Electric (1956) sugiri un conjunto de reglas
de decisin para detectar patrones no aleatorios en las cartas de
control.
El problema con la adicin de estas reglas de deteccin de

seales fuera de control, es que aumenta bastante el nmero de
falsas alarmas y puede ser muy complicado estar revisando
frecuentemente el proceso para encontrar las causas de las
seales.
Patrones de Inestabilidad de CC
PRUEBA 1. Un punto fuera de los lm ites de c ontrol
LSC A+
LC
LIC
LSC A+
B+
C+
CBA-
LIC
B
B+
C+
CBA-
..
. .. . .
.. .. ..
.
LC
LIC
B+
C+
CBA-
LSC A+
LC
PRUEBA 7. Quince puntos consecutivos en la zona C

(por abajo y arriba de la linea central)
LSC A+
.. ... .. ...
. . ...
.. . .
...
LC
LIC
PRUEBA 5. Dos de tres puntos c onsec utivos en la zona A
PRUEBA 4.Catorce puntos alternandose hac ia abajo

y arriba
LSC A+
LIC
LIC
B+
C+
CBA-
..
.
LIC
B+
C+
CBA-
.
.
B+
C+
CBA-
. .
LIC
.
. .
.
.
..
.
.
.
..
..
..
PRUEBA 6.Cuatro de cinco puntos consecutivos en la zona

B o m s all de ella.
LC
PRUEBA 8. Ocho puntos consecutivos en ambos lados

de la linea central c on ningn punto en la zona C.
LSC A+
A+
LSC A+
LC
PRUEBA 3. Seis puntos c onsec utivos c on un asc enso o

desc enso c onstante.
LSC
B+
C
C+
CBA-
LC
LC
PRUEBA 2.Nueve puntos c onsecutivos todos por arriba o por

abajo de la linea c entral.
B+
C+
CBA-
. ...
.
.. .
..
Se muestran las zonas y sus probabilidades normales de que un punto
caiga en cada una de ellas.
Las probabilidades de que estas pruebas nos den una falsa alarma
cuando los puntos son variables aleatorias normales se dan a
continuacin.
Las probabilidades correspondientes a estos Grficos que son los
siguientes .
Prueba 1:
Probabilidad = 0.0027
Prueba 2:
Probabilidad = 2(1/2)9 = 0.00391
Prueba 3:
Probabilidad = 2/6! = 0.00277

0 00277
Prueba 4:
Prueba 5:
Prueba 6:
Prueba 7:
Probabilidad = (0.68268)15 = 0.00326
Prueba 8:
Probabilidad = (0.31732)8 = 0.000103
ARL combinado
La consideracin de un nmero grande de reglas de
deteccin de fuera de control, aumenta notablemente
el nmero esperado de falsas alarmas.
Suponiendo que las reglas actan de forma
independiente, y considerando
1 =
Probabilidad de no salir de control
1-
Probabilidad de no salir de control , por la regla

i 12
i=1,2,,n.
Tenemos que,
= 1
1 =
n
i =1
n
i =1
(1 i )
(1 i )
ARL combinado
Sustituyendo las probabilidades de salir de control para las
diferentes reglas tenemos que la probabilidad de salir, de
acuerdo a una o mas de las reglas es,
= 1 (1 .0027 )(1 .00391)(1 .00277 )(1 .00461)

(1 .00304 )(1 .00553 )(1 .00326 )(1 .0001)
= .02564
Por lo que la longitud promedio de corrida es,

es
ARL
= 1 / = 1 / . 02564
= 39 . 01
Este es un valor muy pequeo, por lo tanto si se

consideran reglas de fuera de control adicionales a la
de Shewhart, habra que seleccionar un nmero
reducido, que tenga sentido.
Cartas de control para observaciones individuales

Se usan cuando los datos no se pueden agrupar de una manera
natural. Esto ocurre cuando la inspeccin o medicin de las
unidades es muy costosa o demanda mucho tiempo. Tambin
utilizamos estas cartas cuando los procesos son de tipo continuo.
Ej
Ejemplos:
l
Procesos qumicos
Industria de bebidas alcohlicas, en las que debe pasar desde 1
hasta ms de 100 horas para tener resultados de los procesos de
fermentacin y destilacin.
Mediciones de rendimiento, desperdicio, de consumo de agua,
energa elctrica, etc.
Cartas de control tipo Shewhart para observaciones

individuales
En la carta de observaciones individuales, se grafica
directamente la observacin, que suponemos tiene
distribucin
i i
i normal, con media
i y desviacin
i i tpica
i
.
Los lmites de control de esta carta son de la forma:
En este caso estimamos la desviacin utilizando los

rangos mviles de orden 2, que se forman tomando
parejas
j
de observaciones
i
sucesivas
i
y calculando su
rango, como se muestra a continuacin,
X i
Rango
g
22
25
3
19
6
21
2
Cartas de control tipo Shewhart para observaciones

individuales y de Promedios Mviles
La desviacin tpica se estima como,
= R /d
= R / 1 . 128
La constante d 2 ya es conocida, solo que aqu consideramos que

es funcin del tamao muestral n=2.
Adems de la carta de observaciones individuales, podemos
construir tambin la carta de medias mviles para monitorear la
variacin del proceso. Los lmites de ambas cartas son los
siguientes:
Lmites de la carta de
observaciones
b
i
i di id l
individuales
LC = X
LCI = X 3 R / 1 . 128
LCS = X + 3 R / 1 . 128
Lmites de la carta de
medias mviles
LC = R
LCI = 0
LCS = 3 . 267 R
Cartas para observaciones individuales

Ejemplo. En la produccin de tequila se miden varias caractersticas
de calidad a lo largo del proceso, ya sea por regulaciones oficiales
o por criterios propios de cada empresa. Una de las caractersticas
es ell grado
d brix
b i residual
id l despus
d
de
d la
l molienda
li d (cantidad
(
tid d de
d
azcar que queda en el gabazo del agave), que mide . Esta es una
variable del tipo entre ms pequea mejor, y el valor mximo
tolerado que se tiene en una empresa en particular es ES=3.5%.
ES=3 5%
Despus de mole cada lote se determina el grado brix residual, por
lo que se considera un proceso lento, que ser ms apropiado
analizar con una carta de individuales.
individuales A continuacin se dan los
ltimos 40 lotes molidos consecutivos ms recientes
2
2.4
2.2
1.4
2.3
1.8
1.5
1.5
2.1
1.6
2.2
1.9
2.4
3.3
2.1
2.1
1.8
1.6
2.1
1.2
1.8
2.4
1.9
2.4
2.4
1.7
1.8
2.1
1.7
2.1
1.6
2.4
2.1
1.8
1.3
1.8
1.7
1.6

Carta de individuales
2.0
Brix
2.5
3.0
LCS= 3.0982
LC= 1.9525
En la carta observamos que no

hay tendencias, ni ningn patrn
especial, salvo un punto fuera del
LCS, que corresponde al lote 15.
Al investigar, se encontr que
durante la molienda de ese lote
ocurri
algo
especial
especial,
se
desajusto el molino.
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
1.0
1.5
Note que el LCS esta dentro de

ES 3 5 por lo
ES=3.5
l que sii este
t proceso
se contrala (errneamente) con
LCI= 0.8068
la especificacin superior como
LCS,, el lote 15 no caera fuera y
por lo tanto no se detectara el
Lote
desajuste del molino.
Lo anterior y otros cambios y desajuste podran llevar a un deterioro
importante de la eficacia del proceso y la reaccin
sera
demasiado
tarde.
Cartas para observaciones individuales y promedios

mviles
Lote 15
Normal Q-Q Plot
-1
LC= 1.95
LCI= 0.80
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
-2
1.0 1.5 2.0 2.5 3.0

1
1.5
2.0
Brix
2.5
3.0
LCS= 3.0
Lote
0.5
1..0
LCS= 1.4
LC= 0.43
LCI= 0
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
0.0
Rango.movvil
1.5
Carta de Rangos mviles
Lote
Rango
Lote mvil
1
NA
2
04
0.4
3
0.2
4
0.8
5
0.9
6
0.5
7
0.3
8
0.0
9
0.6
10 0.1
11 0.4
04
12 0.6
13 0.3
14 0.5
15 0.9
16 1.2
17 0.0
18 0.3
19 0.2
20 0.5
05
Lote
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
3
19
40
Rango
Mvil
0.9
06
0.6
0.2
0.4
0.5
0.5
0.0
0.7
0.1
0.3
04
0.4
0.4
0.5
0.8
0.3
0.3
0.5
0.5
0.1
01
0.1
-2
-1
0
1
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
2
21
2
22
2
23
2
24
2
25
2
26
2
27
2
28
2
29
2
30
3
31
3
32
3
33
3
34
3
35
3
36
3
37
3
38
3
39
3
40
4
41
4
-1
1.2
1..4
Brix
1.8
8
LC= 1.9179
1.6
2.0
2.2
2.4

Normal Q-Q Plot
LCS= 2.9678
LCI= 0.8681
Lote
Cartas de control para atributos

Existen muchas caractersticas de calidad que no son medidas con
instrumento de medicin en una escala continua,
continua o al menos en una
escala numrica.
Por ejemplo
j
puede ser ms conveniente contar el nmero de no
conformes en una muestra dada. En este caso la unidad de referencia
puede ser la unidad producto, como el nmero de impurezas en un vaso
de vidrio, o una unidad o cantidad fsica, como el nmero de impurezas
por dm cuadrado.
cuadrado
Cuando se monitorean procesos que producen este tipo de datos, se
utilizan cartas de control para atributos.
Carta p (Proporcin de no conformes)

Una carta p muestra las variaciones en la proyeccin de unidades no
conformes de una produccin. Este caso surge cuando en cada tiempo
se selecciona una muestra de n artculos y se cuenta el nmeros de ellos
no conformes (defectuosos).
(defectuosos) Se supone independencia de estos
artculos, con el objeto de usar la distribucin binomial, o como ocurre
frecuentemente, su aproximacin a la distribucin normal.
Si p conocido los lmites de control 3 son:
p3
p (1 p)
n
Como p no se conoce usualmente, se estima de un conjunto de datos

histricos, por ejemplo, sean m muestras, cada una de tamao n, es decir,
en cada tiempo se seleccionan n artculos para inspeccin.
Sea Xi, i=1,2,,m, el nmero de artculos defectuosos en cada muestra. El
estimador usual de p es:
1 m
p=
Xi
nm i =1
Carta p (Proporcin de no conformes)

Los lmites de control de la carta p son:
LCS = p + 3
p (1 p )
n
LC = p
LCI = p 3
p (1 p )
n
Los valores de Xi/n, i=1,2,,m, se grafican en la carta. Si uno o varios

puntos quedan fuera de los LC se inicia la bsqueda de las causas
especiales, los puntos son eliminados y los lmites de control recalculados.
U
Una
vez que ell proceso esta
t controlado
t l d los
l lmites
l it de
d control
t l se aplican
li
prospectivamente a muestras futuras.
En muchas situaciones no se puede garantizar el mismo valor de n en cada
tiempo, por ejemplo, una muestra a seleccionar podra ser la produccin diaria
de una fbrica, la cual puede variar da a da.
Ejemplo Carta p con n constante

Carta p
0.10
0.12
LC = p =
Nm.totalde artculosdefectuosos
Nm.totalde artculosinspeccion
p
ados
0.06
0.02
0.04
LC= 0.045
LCI= 0.001
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
0.00
0.0
08
LCS= 0.089
Subgrupo
Durante
25
das
se
inspeccionaron 200 artculos
t
ell nmero
d
de
y se contaron
defectuosos por da.
La grfica muestra que
todos los puntos estn bajo
control. Por lo tanto los
lmites se usarn en el
futuro
inmediato
para
controlar la fraccin de
artculos
defectuosos,
siempre que se mantengan
l misma
las
i
condiciones
di i
b j
bajo
las cuales se tomaron las 25
muestras.
Carta p con n variable

Si n no es constante, los lmites de control pueden calcularse como:
LCS = p + 3
p (1 p )
ni
LC = p
LCI = p 3
p (1 p )
ni
Donde ni es el tamao de la i-sima muestra.

muestra Esto significa que la carta
mostrar lmites de control variables.
Por cuestiones de simplicidad se sugiere tomar el valor de n como:
Total de Inspeccion ados

n=
Total de subgrupos
Ejemplo Carta p con n variable

En una empresa del ramo alimenticio, mediante ciertas mquinas se
empaquetan salchichas en sobres o paquetes. La forma de evaluar si el
subproceso de empaquetado se hizo de manera adecuada es haciendo
una inspeccin visual de los paquetes para determinar que se satisfagan
diferentes atributos de calidad, por ejemplo,
Que la cantidad de salchichas dentro del sobre sea la correcta
Que dentro del sobre no quede aire 8empaque al vaco)
Se han tenido problemas en este ltimo atributo , por lo que hay un
operador
d
que a la
l vez que est
t all pendiente
di t de
d la
l mquina
i
d
de
empacadora, hace la inspeccin para separar los paquetes con aire.
p
porque
p
q
reduce la vida de
El atributo de falta de vaco es importante
anaquel del producto.

Subgrupo
[1,]
[2,]
[3,]
[3 ]
[4,]
[5,]
[6,]
[7,]
[8,]
[9,]
[10 ]
[10,]
[11,]
[12,]
[13,]
[ ]
[14,]
[15,]
[16,]
[17,]
[18,]
[19,]
[20,]
ni
595
593
607
596
602
599
600
590
599
601
598
600
597
594
595
597
599
596
607
601
di
15
5
8
10
6
5
5
7
2
4
9
17
4
5
3
10
7
5
4
9
Subgrupo
[21,]
[22,]
[23,]
[23 ]
[24,]
[25,]
[26,]
[27,]
[28,]
[29,]
[30 ]
[30,]
[31,]
[32,]
[33,]
[34 ]
[34,]
[35,]
[36,]
[37,]
[38,]
[39,]
[40,]
ni
594
606
601
598
599
590
588
597
604
605
597
603
96
597
607
596
598
600
608
592
di
7
5
7
4
2
3
5
3
6
5
7
9
5
3
8
15
4
6
8
5
di=paquetes con aire
Total de defectuosos
Total de inspeccionados
257
=
= 0.011
23942
p=
Total de inspeccionados
Total de subgrupos
23942
=
= 598.6
40
n=

0.02
25
Carta p
0.015
0.005
0.0
010
LC= 0.011
LCI=0
0.000
LCI= -0.001
1
2
3
4
5
6
7
8
9
10
1
11
1
12
1
13
1
14
1
15
1
16
1
17
1
18
1
19
1
20
2
21
2
22
2
23
2
24
2
25
2
26
2
27
2
28
2
29
2
30
3
31
3
32
3
33
3
34
3
35
3
36
3
37
3
38
3
39
3
40
4
41
4
42
4
0.020
LCS= 0.023
Subgrupo
La carta muestra que el

proceso de empaquetado no
fue estable, ya que las
proporciones
de
los
i
d
l
subgrupos 1, 12 y 36 estn
por arriba del LCS.
Se desprende que durante el
empaquetado
de
estos
subgrupos
el
proceso
funcion en presencia de
causas especiales, lo que
ocasion
que
las
proporciones de defectuosos
sean muy grandes.

Al investigar lo ocurrido en los subgrupos 1, 12 y 36 se encontr que durante
esas horas se haba cambiado el rollos de la pelcula plstica de empaque, ya
sea porque se termin o porque se empez a empaquetar otra presentacin.
Carta p
0.020
LCS= 0.020
0.010
0.015
n = 598.68
0.0
005
LC= 0.009
LCI=0
0.000
LCI= -0.002
-0 002
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
p = 0.0094
Subgrupo
Interpretacin: se espera que

de
cada
598
paquetes
aproximadamente
p
la
proporcin de paquetes con
problemas de vaco vare entre
0 y 0.021.
Carta np (nmero de defectuosos)

En ocasiones cuando el tamao del subgrupo o muestra es constante, es
ms conveniente usar la carta np, en la que se grafican el nmero de
defectuosos por subgrupo di, en lugar de las proporciones.
Los lmites de control para la carta np, son:
LCS = n p + 3 n p (1 p )
LC = n p
LCI = n p 3 n p (1 p )
Ejercicio: Realice la carta np para los datos del ejemplo en que durante
25 das se inspeccionaron 200 artculos y se contaron el nmero de
d f
defectuosos
por da.
d Modifique
difi
ell programa correspondiente.
di
Carta c (Nmero de defectos)

En muchos casos es ms conveniente trabajar con el nmero de defectos
por unidad, en lugar del porcentaje de unidades defectuosas. La carta c
analiza la variabilidad del nmero de defectos por subgrupo.
Los lmites de control se obtienen suponiendo que el estadstico ci, sigue
una distribucin de Poisson, donde ci es el nmero de defectos o eventos
en el ii-simo
simo subgrupo o muestra.
muestra
Los estimadores de la media y la varianza del este este estadsticos son:
c = c =
i
Total de defectuosos
Total de subgrupos
c 2 = c
i
Y los lmites de control:
LCS = c + 3 c
LC = c
LCI = c 3 c
Ejemplo Carta c
En una fabrica de muebles se inspecciona con detalle el
acabado de las mesas cuando salen del departamento de
laca. La cantidad de defectos que son encontrados en cada
mesa son registrados con el fin de conocer y mejorar el proceso.
15
Se muestras los defectos en las ltimas 30 mesas, es claro que

estamos ante una variable a ser analizada por carta c, ya que
una misma mesa puede tener varios defectos y de diferentes
Carta c
tipos.
LC= 6.3667
LCI -1.203
LCI=
1 203
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
No
o. Defectos
10
LCS= 13.936
Artculos
Art.
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
ci
7
5
10
2
6
5
4
9
7
5
6
7
8
4
5
12
8
10
4
7
3
10
6
6
7
4
5
6
8
5
Carta u
Cuando el nmero de artculos inspeccionados
p
en una unidad muestral n vara de
unidad a unidad, es mejor graficar la estadstica
u=
c
n
Que representa el nmero de artculos defectuosos por unidad o artculo.

Para esta carta el LC es
como,
, el nmero promedio de defectos por artculo.

artculo Y
c 1
Var (u ) = Var = 2 Var (c)
n n
La varianza de u se estima por:
1
c/n u
Var
(
c
)
=
=
2
n
n
n
u
LCS
u
3
=
+
Los lmites de control quedan como:
n
LC = u
u
LCI = u 3
n
Ejemplo Carta u
En una fbrica se ensamblan artculos electrnicos y al final del
proceso se hace una inspeccin por muestreo para detectar
defectos relativamente menores, y as retroalimentar el proceso
para enfocar bien las acciones de mejora. En particular en la
tabla siguiente
g
se p
presentan el nmero de defectos observados
en muestreos realizados sobre 24 lotes consecutivos de piezas
electrnicas. El nmero de piezas inspeccionadas en cada lote
es variable, por lo que no es apropiado analizar el nmero de
defectos p
por muestra, ci, mediante una carta c, es mejor
j
analizar el nmero promedio de defecto por pieza, ui, mediante
la carta u.
Para calcular los lmites de control de la carta tenemos q
que:
549
u=
= 1.04
525
n = 21.875
n
[1,] 20
[2,] 20
[3,] 20
[4,] 20
[5,] 15
[6,] 15
[7,] 15
[8,] 25
[9 ] 25
[9,]
[10,] 25
[11,] 25
[12,] 30
[13,] 30
[14 ] 30
[14,]
[15,] 30
[16,] 30
[17,] 30
[[18,]
,] 30
[19,] 15
[20,] 15
[21,] 15
[22,] 15
[23 ] 15
[23,]
[24,] 15
c
17
24
16
26
15
15
20
18
26
10
25
21
40
24
46
32
30
34
11
14
30
17
18
20
Ejemplo Carta u
Carta u
LCS= 1.7016
LC= 1.0457
Se observa que el
proceso no funciona de
manera estable,
t bl ya que
en la muestra del lote
21 el nmero promedio
de defectos p
por p
pieza se
sale del lmite de
control superior.
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
LCI= 0.3898
Lote
En la fabricacin de tal
lote ocurri un evento
especial.
Ejemplo Carta u
2.0
Sin lote 21
2.5
Carta u
0.5
5
1.0
LC= 1.0176
0.0
LCI= 0.3749
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
-0.5
1.5
LCS= 1.6603
Lote
FIN
GRACIAS.

Curso Lupita R

Cargado por

Información del documento

Título original

Derechos de autor

Formatos disponibles

Compartir este documento

Compartir o incrustar documentos

Opciones para compartir

¿Le pareció útil este documento?

¿Este contenido es inapropiado?

Copyright:

Formatos disponibles

Curso Lupita R

Cargado por

Copyright:

Formatos disponibles

Control Estadstico de Procesos

Mara Guadalupe Russell Noriega.

V Verano de Probabilidad y Estadstica, CIMAT.

Introduccin al Control Estadstico de Procesos

Por qu varan los procesos?

Causas Comunes y Causas Especiales

Por qu varan los procesos?

Por qu varan los procesos?

Dimetros del engrane en mm

Proporcin de engranes en la muestra

Histograma de los Dimetros de engranes

Funcin de densidad de Probabilidad (fdp)

# de veces que A ocurre

Adems de la relacin entre histograma y fdp,

En resumen una funcin f es fdp si cumple que:

engranes producidos por el

2. Qu proporcin de los engranes tendrn dimetros inferiores a a mm?

3. Qu proporcin de engranes tendrn dimetros superiores a b mm?

y son la media y varianza poblacional, respectivamente.

Parte de la variabilidad en una muestra puede caracterizarse a travs de

Se dice que una v.a. Y distribuye normal con parmetros y (Y~N(,))

< y < , < y < , > 0.

La fdp normal cumple

a) f(y) es simtrica respecto del

Comportamiento de la fdp N(,)

Teorema de Lmite Central

Si S n = X 1 + X 2 + L + X n , donde las {X i } i 1 son una sucesin de

Teorema de Lmite Central (TLC)

Teorema de Lmite Central (TLC)

Como consecuencia del TLC la distribucin de las medias muestrales es

Teorema de Lmite Central (TLC)

Weibull( beta = 1.3, eta = 10 )

Teorema de Lmite Central (TLC)

Tres tipos de Lmites

Los lmites LE definen los requerimientos de aceptabilidad para una unidad

reas bajo la Distribucin Normal

Si un proceso normal est en control estadstico, la caracterstica de

Especificaciones y Ancho del Proceso

Las curvas representan

Ancho del Proceso

Proceso con capacidad potencial,

Ancho de las Especificaciones

Capacidad de Procesos y Estabilidad

No cumple con especificaciones

ndices de Capacidad de Procesos

1 < C p < 1.33

Procesos con Cp=2

ndices ZU, ZL, CPU, CPL y CPK

Distancia de la media al lmite de tolerancia ms ajustado

Relacin entre los ndices CP y CPK

La relacin entre los ndices CP y CPK es:

El ndice Cpm s distingue entre los tres

Esta relacin implica que para que

Es decir, la media del proceso no se puede alejar del valor objetivo ms

ndices del Desempeo del Proceso

global Desviacin estndar Global

Ya que los Pp toman en cuenta la variabilidad a largo plazo.

Ancho de las Especificaciones

Ancho de las Especificaciones

Z corto plazo = 6 ; Z largo plazo = 6

Z corto plazo = 6 ; Z largo plazo = 4.5

Procesos en Estado de Control

Un proceso en estado de control es aquel que slo est afectado