Está en la página 1de 84

Control de Procesos

MS. Ing. Felipe de Mendiburu

Es una herramienta para comunicar la informacin a la ingeniera de procesos, a las operaciones de productos, y al personal de control de la calidad. Los principales elementos de un exitoso marco del control de procesos son los anlisis para entender el proceso, los mtodos para medir el proceso, y el liderazgo para cambiar el proceso.

Concepto de proceso. Proceso. Genricamente se puede definir como un conjunto de actividades o eventos (coordinados u organizados) que se realizan o suceden (alternativa o simultneamente) con un fin determinado. Calidad. Es un conjunto de caractersticas de un objeto que le proporcionan capacidad para satisfacer necesidades implcitas o explcitas. La calidad de un producto o servicio es la percepcin que tiene el cliente, es una visin del consumidor que asume conformidad con dicho producto o servicio que satisface sus necesidades. El control y mejora de los procesos es una actividad enfocada hacia la prevencin, y los gastos que implica su implementacin el cual es una buena inversin. El control y mejora de procesos es un mtodo de mejora continua de la calidad, que se basa en la reduccin sistemtica de la variacin de aquellas caractersticas que mas influyen en la calidad de los productos o servicios. Las herramientas utilizadas para la reduccin de la variacin son, fundamentalmente, el seguimiento, control y mejora de los procesos, cuyo resultado son esa caractersticas. El programa de control y mejora de procesos es un programa que, apoyado en una serie de conceptos claves (como son la prevencin frente a evaluacin y su efecto en la calidad, el trabajo en equipo, la variacin en un proceso, caractersticas de control, etc.) haciendo uso de herramientas como el anlisis de Pareto, tormenta de ideas, el diagrama de causa y efecto y otras herramientas estadsticas como los grficos de control por variable y atributo, ndice de capacidad, etc. Tienen por objetivo disminuir sistemticamente la variacin de los procesos. En el producto final el cliente, descubre y sufre los problemas de calidad del bien adquirido. El fabricante asigna recursos para detectar y corregir los problemas de calidad del producto o servicio. El fabricante disea un sistema de control y mejora de procesos con el objetivo de prevenir los problemas de calidad del producto o servicio. Realimentacin de informacin. Con los mtodos estadsticos clsicos, la atencin se dirige a la extraccin de muestras de la poblacin para inferir sobre los parmetros, en los procedimientos de control y mejora de procesos, el esfuerzo se vuelca en el estudio del proceso generador de la produccin.

En una industria de fabricacin de un producto los componentes interactivos del sistema serian los departamentos de marketing, diseo, compras, ingeniera, produccin,, ventas, servicio, posventa, etc. La empresa recibe de un entorno (suministradores) materia prima, componentes, elementos normalizados, servicios, etc.; los transforma en productos acabados y los devuelve a su entorno (usuarios de los productos)

Una de las entradas mas importantes que tiene un sistema es la informacin y como parte la informacin recibida en forma de realimentacin de la reaccin del entorno a las respuestas del sistema; es la reaccin del usuario ante el producto o servicio, sin esta realimentacin seria casi imposible corregir aspectos que no son del agrado del cliente. Variacin. Se entiende a los cambios en el valor de la caracterstica, siendo esta la respuesta de un proceso.

La variacin respecto de un valor determinado, incluso dentro de las tolerancias especificadas, considerado como el optimo y que se denominara objetivo, es la responsable de las perdidas econmicas debidas a la mala calidad del producto (ajustes, recuperaciones, reprocesado de materiales e incluso como chatarra) La variacin es un elemento inherente a la respuesta de un proceso. Se podr lograr el proceso con una variacin reducida al minino, pero nunca ser cero. Indicadores de calidad Son parmetros que indican la situacin interna y la tendencia que sigue el proceso.

Clases de indicadores de calidad. Variables (cuantificables): Duracin, tiempo de respuesta, dimensin, etc. Atributos (no cuantificables): si/no, fallo/no fallo, correcto/ incorrecto, etc. Herramientas bsicas de la calidad. Seleccin, identificacin del problema Tormenta de ideas (brainstorming). Se define un problema, se elige un moderador, se proponen ideas, se analizan y finalmente se sintetizan. Matriz de prioridades. Se utiliza para ordenar los problemas segn su importancia. 0= igual importante, 1= algo mas importante, 2= mas importante y 3= mucho mas importante. Se compara entre par de problemas y se presenta en un cuadro de doble entrada y se contabiliza el total para cada problema. Encuesta. Obtencin de informacin rpida para anlisis de los problemas Entrevista. Rene informacin directa con el involucrado.

Las 7 herramientas bsicas Hoja de levantamiento de datos. Formatos para facilitar la recogida de datos, evita errores y permite un anlisis rpido. La recogida de datos debe hacerse de manera cuidadosa y exacta, y para ello debe utilizarse plantillas. La finalidad de la plantilla puede ser de utilidad en: Controlar una variable del proceso, llevar el control de un producto defectuoso, localizar defectos, estudiar las causas que originan los defectos o una revisin completa del producto

Histograma. Resumen grafico de los datos, permite ver tendencias de datos difciles de observar en tablas simples. Es un grafico de resumen, permite ver pautas que son difciles de observar en los datos, nos da una idea de la distribucin

Diagrama de Pareto. Mediante el diagrama se trata de identificar las causas mas importantes que explican el problema, todos los factor que contribuye a un mismo efecto, pocos son los factores que responden a la mayor parte del efecto. De acuerdo a este principio, se tienen un problema con muchas causas, podemos decir que alrededor del 20% de las causas resuelven el 80% del problema y el 80% de las causas no resuelve el 20% del problema.

Con MINTAB Error Nmero A 3 B 39 C 35 D 8 E 44 F 12 H 3 I 2


Diagrama de Pareto de Error
160 140 120 Numero 100 80 60 40 20 20 0 Error Numero Porcentaje % acumulado 0 E 44 30.1 30.1 B 39 26.7 56.8 C 35 24.0 80.8 F 12 8.2 89.0 D 8 5.5 94.5 A 3 2.1 96.6 Otro 5 3.4 100.0 60 100

80 Porcentaje

40

Diagrama de causa/ efecto. Diagrama de Ishikawa, ayuda a identificar y clasificar posibles causas al problema o la calidad. Se ilustra grficamente las relaciones existentes entre el resultado (efecto) y los factores (causas). Los factores son: Mano de obra, Maquinaria, medio ambiente, recursos y mtodos aplicados .

En minitab : Estadsticas , Herramientas de calidad, Causa y Efecto

Diagrama de dispersin. Se utiliza para verificar si dos variables estn relacionas entre una causa y un efecto. Las correlaciones fuertes del factores son las que aumentan o disminuyen fuertemente el efecto (los valores estn cercanos a 1 o -1. La correlacin nula esta cercana a cero. Para la aceptacin como significativo, la probabilidad de equivocarse de decir que es distinto de cero debe ser menos del 5%.

Grficos de control. Es una herramienta de calidad, se construye en base al limites de especificacin, tolerancia o de control estadstico. Los limites de especificacin son fijados para el producto para cumplir requerimientos de calidad, los limites de tolerancia son valore un poco mas amplios, para asegurar la calidad y los limites estadsticos de control para monitorear el comportamientos aleatorio del proceso. (LSC = Limite superior de control y LIC= el inferior.

Anlisis de estratificacin. Es la separacin de las causas en categoras, facilita el diagrama de Pareto y trabaja paralelamente al diagrama de dispersin, por ejemplo una causa puede ser la bombilla elctrica, en este rubro se podra ver si esta ausente, floja, inadecuada, etc.

Herramientas de planificacin Diagrama de flujo. Sirve para mostrar una secuencia de pasos para producir un cierto resultado, un producto, una informacin, un servicio o una combinacin de estos. Diagrama de Gantt. Muestra una secuencia de actividades en una planificacin a lo largo del tiempo, permite ver si cumple con lo programado o hay retrasos. Conceptos estadsticos. Poblacin y Muestra. Cuando tenemos un conjunto muy grande de datos numricos para analizar decimos que tenemos un Universo o Poblacin de observaciones,. Cada dato numrico es un elemento de la poblacin o universo. Una Muestra es un subconjunto pequeo de observaciones extradas de un universo o poblacin. Por ejemplo, supongamos que en una fabrica a la fecha a producido 1500,001 cajas de mermelada y se registra el tipo de mermelada y el peso de la caja. Alguien podra referirse al universo o poblacin censada teniendo en mente el conjunto de las cajas. Pero cuando se habla en trminos estadsticos, se refiere a poblaciones o universos de datos. El conjunto de todas las mediciones de peso (de las caja) es un conjunto de datos y por lo tanto constituye un universo o poblacin de datos desde el punto de vista estadstico. Otro universo o poblacin de datos son tipos de mermelada. Ejemplos de poblacin y muestra. Suponga que en una empresa fabrica un lote de 10 toneladas de un producto qumico, y un tcnico debe controlar la calidad del mismo. El tcnico toma una pequea porcin, por ejemplo, 100 gramos y dir que tom una muestra del producto para analizar en el laboratorio. Hasta el momento, la muestra no fue analizada y por lo tanto no tenemos ningn dato numrico. Cuando el laboratorio efecta algn ensayo en la muestra y obtiene un resultado numrico, dicho dato podra ser analizado desde el punto de vista estadstico. Vamos a suponer hipotticamente que el tcnico contina sacando otras muestras del producto, hasta agotar el lote y cada una es ensayada en el laboratorio, que nos da los resultados.

Como se tena 10 toneladas de producto y las muestras son aproximadamente de 100 gramos, el tcnico seguramente extraer alrededor de 100000 muestras y el laboratorio entregar alrededor de 100000 resultados. Este conjunto de datos numricos es el universo o poblacin de datos. Si se toma al azar 10 de esos resultados, se dice que es una muestra de 10 elementos de ese universo o poblacin. No se debe confundir esta muestra (Desde el punto de vista estadstico) con la muestra de material que extrajo el tcnico para ser analizada en el laboratorio. Suponga que el tcnico toma solamente 5 muestras y las enva para analizar al laboratorio. El laboratorio enviar slo 5 resultados, y se dir que se tiene una muestra de datos extrada del universo o poblacin de datos total. Muchas veces resulta difcil imaginarse cual es el universo del cual se extrajo los datos. Suponga que se tiene una mquina que produce piezas de plstico en serie y un tcnico toma 5 piezas sucesivas y mide la altura con un calibre. Entonces se tiene 5 resultados, es decir una muestra de 5 elementos. Cul es el universo al cual pertenece esa muestra de datos?. Debemos imaginar lo siguiente: Si la mquina continuara trabajando en las mismas condiciones (Es decir, a la misma velocidad, con las mismas materias primas, a la misma temperatura, manejada por el mismo operario, etc.) ...y a cada pieza que produce se le mide la altura se tendra un conjunto muy grande de resultados numricos. Ese conjunto muy grande de resultados numricos que no existe, pero que podra obtenerse en esas condiciones es el universo o poblacin del cual se extrajo la muestra de 5 observaciones. Supongamos que el sindicato de la industria textil desea saber cual es el sueldo medio de un operario en esa industria. Entonces, encarga una encuesta a una empresa especializada, que entrevista a 20 operarios de la industria textil y averigua sus salarios. Estos datos son una muestra de 20 observaciones del universo o poblacin formado por los salarios de todos los operarios de la industria textil del pas. Aunque el encuestador no disponga de esos datos, sabemos que existen miles de operarios que ganan un salario determinado y por lo tanto podemos hablar de un universo o poblacin cuyos elementos son los salarios de los operarios de la industria textil en el pas. Adems, esa poblacin de datos es seguramente diferente de la poblacin de salarios de los operarios de la industria textil inglesa o brasilea (Usando una misma moneda de referencia). Qu representa una Poblacin de datos? El anlisis estadstico de una poblacin o universo de datos tiene como objetivo final descubrir las caractersticas y propiedades de aquello que gener los datos. Por ejemplo, se tiene una poblacin de escolares (Poblacin fsica, poblacin humana) y se les mide la altura. El conjunto de datos de altura constituye una poblacin o universo estadstico. El anlisis de estos datos de altura (Universo estadstico) sirve para caracterizar y estudiar a la poblacin de estudiantes (Que no es una Poblacin estadstica). Supongamos que un instituto dedicado a estudios econmicos ha realizado una encuesta de ingresos en el pas. El universo de datos generados por la encuesta sirve a los fines de caracterizar a la poblacin fsica, a la poblacin real del pas, desde un punto de vista econmico. Un ingeniero controla un proceso industrial, que genera a diario muchos lotes de un producto (Poblacin de lotes). Para cada lote se mide una caracterstica de calidad, obtenindose una gran cantidad de resultados numricos (Poblacin de datos). El ingeniero realiza esta tarea porque a travs de los datos numricos obtenidos se puede evaluar el comportamiento del proceso, que es lo que realmente le interesa.

Medidas de las variables.- La medida es un conjunto de reglas que permiten asignar nmeros a las unidades observadas de tal forma que representen adecuadamente la cantidad de un determinado atributo que poseen. La escala se construyen para medir o cuantificar las distintas respuestas a determinadas preguntas relacionadas principalmente con aspectos fsicos, opiniones, sentimientos, creencias, aptitudes, etc. podrn ser clasificadas segn los siguientes. Criterios: Nominal.- Se utiliza nicamente para identificar diferentes categoras o alternativas de respuesta. Tratamiento y prueba: Descripcin: frecuencia, diagrama de barras Medidas: moda Pruebas estadsticas: Chi-cuadrado En que cultivo ha tenido mayores problemas sanitarios Frijol Maz Papa Arroz

Ordinal.- Se utiliza para establecer una jerarqua u orden entre las respuesta. Tratamiento y prueba: Descripcin: frecuencia, diagrama de barras Medidas: moda. Pruebas estadsticas: Correlacin Friedman, Chi cuadrada. Durante la semana, Con qu frecuencia efecta trabajos de limpieza en los galpones del ganado? Nunca Pocas veces Muchas veces Siempre

De intervalo.- Se naturaleza cuantitativa y permite diferenciar distanciamiento respecto al cero. Tratamiento y prueba: Descripcin: Distribucin de frecuencia Medidas : Media, mediana, moda, desviacin tpica Pruebas estadsticas: Regresin, Anlisis Factorial. Durante la semana, Cuntas veces efecta trabajos de limpieza en los galpones de ganado? Nunca De 1 a 4 De 5 a 8 De 9 a ms

De proporcin o razn.- Netamente cuantitativa, llamada mtrica. Tratamiento y prueba: Descripcin: Distribucin de frecuencia, percentiles, Medidas: Media, mediana, moda, desviacin tpica Pruebas estadsticas: regresin, correlacin, medias, ANOVA. 9

Ejemplo: Cuntas horas a la semana dedica a la limpieza de los laboratorios? Variables. Es toda caracterstica de las unidades elementales sujetas a evaluacin, mediante medicin, conteo o calificacin. Variables Cuantitativas.- Son aquellas que generan observaciones de carcter numrico y son del tipo: Discretas.- Cuando el conjunto de todas las posibles observaciones que se generan constituyen a lo ms un conjunto infinito numerable. Por lo general se identifican por definir el termino numero Numero de artculos defectuosos Numero de defectos en el producto Numero de productos que pasan la prueba de control

Variables continuas.- Cuando el conjunto de todas las posibles observaciones que se generan constituye un conjunto infinito no numerable. Por lo general se identifican porque son obtenidos con un instrumentos de medida (balanza, un centmetro, un termmetro, etc.) - Peso de tubrculos por planta - Dimetro de tallo - Altura del rbol - Longitud del tornillo - Volumen de agua en los reservorios urbanos Variables Cualitativas.- Generan observaciones de carcter no numrico y son del tipo: Nominales.- No existe un orden entre las posibles respuestas. - Color del pintado de vehculos - Defectos de un televisor - Aceptacin de un producto en un control de calidad Jerrquicas - cuasi cuantitativas.- Cuando se puede establecer una relacin de orden entre las posibles observaciones. - Enseanza (bajo, medio ,alto) - Ingresos (bajo, medio alto) - Dao en la planta ( poco, regular, bastante) - Importancia (1= menos importante hasta 5 como muy importante)
Explorando los datos. Diagramas de tallo y hojas. En una manera simple permite ver la variabilidad de los datos, por ejemplo si los datos son de dos dgitos, el tallo lo forman las decenas y las hojas las unidades, y en una grafica ordenada se presenta el tallo y las hojas. As por ejemplo el rendimiento semanal de unas instalaciones de fabricacin de semiconductores (Montgomery, 2008)

10

rdto <c(48,53,49,52,51,52,63,60,53,64,59,54,47,49,45,64,79,65,62,60,68,65,7 3,88, 69,83,78,81,86,92,75,85,81,77,82,76,75,91,73,92) ordenando los datos: > rdto <- sort(rdto) 45 47 48 49 49 51 52 52 53 53 54 59 60 60 62 63 64 64 65 65 68 69 73 73 75 75 76 77 78 79 81 81 82 83 85 86 88 91 92 92
Tallo: Hojas 4: 5,7,8,9,9 5: 1,2,2,3,3,4,9 6: 0,0,2,3,4,4,5,5,8,9 7: 3,3,5,5,6,7,8,9 8: 1,1,2,3,5,6,8 9: 1,2,2 Frecuencia 5 7 10 8 7 3

> stem(rdto,0.5) The decimal point is 1 digit(s) to the right of the | 4 5 6 7 8 9 | | | | | | 57899 1223349 0023445589 33556789 1123568 122

En Minitab, en la opcion Graphics, Stem-and-leaf y el incremento 10 Stem-and-leaf of rdto N = 40 Leaf Unit = 1.0 5 12 (10) 18 10 3 4 5 6 7 8 9 57899 1223349 0023445589 33556789 1123568 122

Caja de Tukey (box plot). Es la caja de 5 puntos que mide la dispersin y puntos outliers (puntos en observacin). Los 5 puntos corresponden a los cuartiles 0.25, 0.5 y 0.75, formando una caja y los bigotes se extienden a lo mas 1.5 veces el rango intercuartil de los extremos y restringido por el mximo y el mnimo de los datos. > caja <- boxplot(rdto) : 5 puntos: 45.0 ,53.5, 66.5, 80.0, 92.0 En Minitab el men Graph, Box Plot. Muy util para explorar los datos. Histograma. Permite ver la distribucin (forma), localizacion o tendencia central y la dispersin o expansion. > > > > h<- hist(rdto) library(agricolae) normal.freq(h,col="red") table.freq(h) Inf Sup MC fi fri Fi 45 50 47.5 5 0.125 5 50 55 52.5 6 0.150 11 55 60 57.5 3 0.075 14 ... 90 95 92.5 3 0.075 40

Histogram of rdto
6

Fri 0.125 0.275 0.350 1.000

50

60

70

80

90

11

Con MINITAB, en la opcin Graph, Histogram. Con el diagrama de tallos y hojas y el histograma proporcionan informacin visual de la distribucin, centralidad y la variabilidad, tambin es til tener medidas de esta informacin. Mtricas de Centralizacin, dispersin, quantiles y asimetra. Medidas centrales: La medida central mas importante es el promedio muestral de los datos, otras medidas tiles son la mediana como valor que divide la muestra en 50% superior e inferior, la moda como el valor mas representativo del conjunto. Cada medida central tiene su utilidad, por ejemplo el promedio es mas utilizado para el control del proceso, porque se espera que las medidas del material observado estn muy cerca de este valor, en cambio la mediana representa la centralidad del conjunto cuando existe valores extremo, entonces cuanto mas diferente sea del promedio es sntoma que el proceso no esta bajo control estadstico y la moda indica medidas repetidas muy frecuente. Si las tres medidas estn muy cerca es sntoma de que el proceso esta bajo control. En R, estas medidas pueden ser calculadas como: > peso <- c(55.1, 57.1, 53.3, 53.9, 55.9, 53.1, 56.9, 55.3, 52.1, 53.8, 59.5, 55.7, 57.5, 53.1, 53.9, 58.8, 53.2, 53.7, 57.4, 55.9) > mean(peso) # mean(peso, , na.rm=TRUE) si hay datos faltantes, usar en todos los casos > median(peso) > quantile(peso, 0.50) Para el caso de la moda, si los datos estn sin agrupar y hay muchos valores repetidos como una variable discreta, entonces: > max(table(peso)) Si es continua, este debe ser agrupado en un histograma y luego solicitar la moda. > h<- hist(peso) > library(agricolae) > stat.freq(h)$mode En MINITAB, usar la funcin del men stat, Basic Statistics, Display Descriptive Statistics

Variacin o dispersin. Hay medias estadsticas que permiten medir la variacin de las respuestas, la medida mas importante es la desviacin estndar, porque se expresa en las mismas unidades de los datos, el rango en segundo lugar porque expresa la amplitud de los datos (mximo mnimo), utilizado cuando son pocos datos (<10), es optimo si es < 5 y reemplaza a la desviacin estndar, tambin existe una medida relativa que es el coeficiente de variacin, que es el porcentaje de variacin relativa de la desviacin estndar respecto al promedio y se espera que sea siempre menor de 5%. En R: > sd(peso) > sd(peso) > rango <- max(peso) min(peso) > cv < - sd(peso)/mean(peso)

12

En MINITAB seleccionar la opcin en Display Descriptive Statistics Percentil. Es una medida que indican el porcentaje de datos por debajo del percentil, por ejemplo: Percentil 10 0 P0.10, indica que por debajo de este valor este el 10%. En R: > quantile(peso, 0.10, type=6) Otros percentiles importantes son los cuartiles (0.25, 0.50, 0.75) , los terciles (1/3, 2/3), los deciles (0.1, 0.2, 0.3, 0.4, 0.5, 0.6, 0.7, 0.8, 0.9) En MINITAB esta en la lista de las medidas descriptivas. Asimetra. La medida indica si es simtrica o asimtrica negativa o positiva, grficamente se puede apreciar su densidad, si es asimtrica, la tendencia de la cola indica si es a la derecha (positiva) o a la izquierda (negativa). En R: > plot(density(peso)) > library(agricolae) > skewness(peso) En MINITAB esta en la lista de las medidas descriptivas.

Probabilidades.
Cada vez que realizamos un clculo matemtico para resolver un problema fsico, estamos aplicando un modelo matemtico a un fenmeno de la realidad. Este fenmeno puede ser, por ejemplo, la cada de un objeto desde cierta altura, y en este caso utilizamos el modelo Ley de Gravedad. Qu es un modelo?. Al enfrentar un problema de fsica, qumica, ingeniera, etc., estamos analizando e investigando una parte o aspecto de la realidad material que nos rodea. Para resolver el problema, necesitamos modelar esa realidad, es decir, construir una representacin en la mente de cmo ocurren los hechos, junto con ecuaciones matemticas que permitan calcular los efectos de los mismos. En ningn caso se debe confundir modelo con realidad. Un modelo es slo una representacin de la realidad utilizado para su estudio. Hay modelos matemticos que nos permiten obtener un resultado numrico preciso, por ejemplo, la velocidad de un automvil es de 175,5 Km./Hora, o la corriente elctrica que circula por un cable es de 5,7 Amperios. Este tipo de modelos matemticos se denominan determinsticos. Existen tambin fenmenos que necesitan otro tipo de tratamiento, al cual se le denomina no determinstico, probabilstico o estocsticos. Por ejemplo se ha previsto la realizacin de unas pruebas balsticas para lo cual se necesita conocer la cantidad de lluvia que va a caer en un prximo periodo de tiempo, antes de decidir la forma de llevar a cabo los ensayos. El Tcnico responsable podr informarse en el servicio meteorolgico en relacin con la presin baromtrica, la temperatura, velocidad del viento y otros datos meteorolgicos, sin embargo, no hay una ecuacin que permita con todos esos datos calcular de forma precisa los milmetros de lluvia que van a caer durante el periodo de tiempo de inters.

13

De la misma forma, ningn operador puede calcular cuanto va a subir la Bolsa, ni siquiera si va a subir o bajar, an cuando tenga a su alcance todas las variables econmicas disponibles. Este tipo de fenmenos no admiten un modelo matemtico, sino un modelo probabilstico, que como resultado nos da la probabilidad de que llueva una cierta cantidad o simplemente no llueva. En otras situaciones se busca por ejemplo, la probabilidad de que la bolsa de valores suba un cierto porcentaje y no interesa cuanto va ha subir. Algunos ejemplos de fenmenos para los cuales es apropiado utilizar un modelo probabilstico: a) Se fabrican artculos en una lnea de produccin y se cuenta el nmero de artculos defectuosos producidos en 24 horas. b) Se venden bolsas de 10 semillas y se interesa en la germinacin. c) Se cuenta el numero de papas que da una planta y tambin el numero de daadas. En todos estos casos, el resultado no es predecible con absoluta certeza. Hay varios resultados posibles que puedan resultar. Para cada experimento que se realice para estudiar el fenmeno, esta se inicia con el conocimiento del espacio muestral que corresponde al conjunto de todos los resultados posibles que pueden producirse: El caso a) el resultado puede ser: 0, 1, 2 ., como no se puede saber, se considera el infinito. En el caso b) la respuesta es 0,1,2,,10, el numero es finito, y el caso c) puede ser 0, 1, 2, y es infinito. Como no se puede saber el resultado, es posible estimar la probabilidad de que germine un numero determinado. Para hallar la probabilidad en cualquier caso, es necesario conocer los posibles resultados del experimento, es decir su espacio muestral, as: a = {0,1, 2, 3,, } b = {0,1, 2, 3,, 10} c = {0,1, 2, 3,, } Para calcular la probabilidad, se puede utilizar los siguientes criterios: Por conteo: Probabilidad solicitada = # casos posibles / # total de casos Por frecuencia: Se extraen muestras y se determina la frecuencia relativa respecto del numero total observado. Por teora de la probabilidad axiomtica. Para este caso en necesario estimar la probabilidad de los elemento del espacio muestral, construir su distribucin y utilizando la teora de conjuntos y las reglas de probabilidad se puede determinar la probabilidad de un evento. La probabilidad por conteo es la probabilidad clsica, matemtica; pero esto solo funciona si cada elemento del espacio muestral tiene igual probabilidad y que los elementos son independientes. Para comprender el concepto, suponga que el experimento consistente en lanzar un dado y observar el numero que aparece en la cara superior. = {1,2,3,4,5,6}

14

Mediante la probabilidad clsica. Probabilidad( aparece el numero 4 ). De seis posibles resultados, solo uno cumple lo solicitado, entonces la probabilidad es: 1/6 = 0.16666 Mediante la frecuencia, se lanza el dado 100 veces y se determina la proporcin de veces que aparece el numero 4. Este caso se puede hacer con R. > M <- 1:6 > muestra <- sample(M,100, replace=TRUE) > table(muestra)/100 1 2 3 4 5 6 0.14 0.19 0.16 0.16 0.19 0.16 La probabilidad seria 0.16 Mediante la probabilidad axiomtica., se utiliza otros conceptos para el calculo de la probabilidad, as: La probabilidad es un valor entre 0 y 1 La probabilidad del espacio muestral es 1 (basta la ocurrencia de un elemento del espacio muestral) Si A es un evento del espacio muestral, su probabilidad es menor o igual a 1. Si B es otro evento, entonces la probabilidad que ocurran uno u otro es P(A U B) = P(A) +P(B) P(A y B) Si las ocurrencia pueden seguir alguna ley de probabilidad conocida, entonces es posible hallar la probabilidad mediante la distribucin de probabilidad, esta puede ser Binomial, Poisson, Normal, etc. Algunas distribuciones importantes en control estadstico Asumiendo que la medida de un producto del proceso es obtenida mediante un instrumento o por el conteo de productos defectuosos o defectos por unidad; las distribuciones de estas medidas tienen a tener comportamientos muy cercanos a distribuciones importantes de la estadstica, como es la Normal para las medidas con instrumentos, Binomial para el numero de unidades defectuosas o Poisson para el numero defectos por unidad. A medida que aumentamos la cantidad de observaciones de la poblacin, se puede construir un grfico con un nmero de intervalos, aunque de menor amplitud (El rango total cubierto por la poblacin es el mismo). Si continuamos este proceso, con intervalos cada vez mas estrechos y numerosos, los altibajos en el grfico de la distribucin de frecuencias tienden a desaparecer. En el lmite, el ancho del intervalo tiende a cero y la poblacin puede representarse por una distribucin de probabilidad continua. La distribucin de probabilidad para medidas continuas es la Funcin de densidad de probabilidad, y de atributos Funcin de probabilidad. La diferencia entre ambas es para el calculo de la probabilidad, en la funcion de densidad se debe intergrar para calcular la probabilidad P(x < xo) y en la funcion de probabilidad, el valor es directo P(x = xo) por ejemplo. Existen otras distribuciones tericas, como la Exponencial, Weibull, etc. Cada una de ellas tiene su propio campo de aplicacin, que se sostiene en un determinado comportamiento de los fenmenos, y al aplicarla se est haciendo en forma implcita la suposicin de que los datos cumplan las suposiciones del modelo. La Distribucin Normal Una distribucin muy importante es la Distribucin Normal o de Gauss. La ecuacin matemtica de la funcin de Gauss es la siguiente:

15

Grfico de la distribucin normal =9


Densidad de probabilidad

Una distribucin muy importante es la Distribucin Normal o de Gauss. La ecuacin matemtica de la funcin de Gauss es la siguiente:

0.12 0.10 0.08 0.06 0.04 0.02 0.00 1 3 5 7 9 11 13 15 17 =3

f ( x; , ) =

1 2

(x)
2

variable aleatoria x

La distribucin normal es una curva en forma de campana, con eje de simetra en el punto correspondiente al promedio del universo . La distancia entre el eje de simetra de la campana y el punto de inflexin de la curva es igual a , la desviacin estndar de la poblacin. El rea total debajo de la curva es igual a 1. El rea debajo de la curva comprendida entre y + es aproximadamente igual a 0,68 del rea total; entre -2 y +2 es aproximadamente igual a 0,95 del rea total: Es importante ver que los nicos parmetros necesarios para dibujar el grfico de la distribucin normal ( campana de Gauss) son la Media y desviacin estndar de la poblacin. La Distribucin Normal estndar La distribucin normal de la siguiente manera:

f ( z;0,1) =

1 2

; con

z=

Esta es la frmula de la Distribucin Normal estndar o Tipifica. Se puede observar, en ella un slo parmetro, z, que incluye al promedio y la desviacin estndar de la poblacin. Esta funcin est tabulada. Al calcular Z, lo que estamos haciendo, en realidad, es un cambio de variable de la normal por el cual movemos la campana de Gauss centrndola en el 0 del eje X, y modificamos el ancho para que la desviacin estndar sea 1. De esta manera tenemos tabulada una funcin de Gauss que no depende de cual sea el promedio y la desviacin estndar de nuestra poblacin real. El cambio de variable hace que se conserve la forma de la funcin y que sirva para cualquier poblacin, siempre y cuando esa poblacin tenga una distribucin normal. Para calcular las probabilidades de una poblacin normal, se calcula Z y en la tabla de la normal estndar se calcula el valor En R para hallar la probabilidad se utiliza la funcin pnorm() Si X es normal con una media 9 y una desviacin estndar de 3, entonces: Prob( X > 6) Prob( 2 < X < 7) en R: 1- pnorm(6,9,3) en R: pnorm(7,9,3) - pnorm(2,9,3)

En el caso de una normal estndar para las probabilidades solicitadas son: Prob( X > 6) = Prob( Z > -1) en R: 1 - pnorm(-1)

16

Prob( 2 < X < 7) = Prob( -1/3 < Z < 1/3) , en R: pnorm(1/3) - pnorm(-1/3) Binomial. Se genera de los experimentos de Bernoulli, en donde el resultado son independientes en un xito o fracaso y la probabilidad de xito es constante e igual a p. La variable binomial es le numero de xitos en n experimentos de bernoulli. En control de procesos, p representa la fraccin de artculos defectuosos o disconformes y y el numero de artculos defectuosos o disconformes en una muestra aleatoria de tamao n

n P( y ) = y

pq

n y

n! y! ( n y )!
n y

pq

n y

( p + q)
Los

n n = y =0 y

pq

, p+q=1
de la
2

parmetros

estadsticos

variable

aleatoria

es:

y = np ; la varianza es: resulta: = npq


La media es:

= npq , y, finalmente, la desviacin estndar

Para hallar probabilidad con binomial en R, se necesita el valor de p=probabilidad de xito y n=tamao de la muestra. Si se tiene una muestra de 10 semillas y la probabilidad que una semilla germine es 0.8, entonces: Prob(germinen al menos 7) = 1 - pbinom(6, size=10, prob=0.8) Prob(germine 5) = dbinom(5,10,0.8) = pbinom(5,10,0.8) - pbinom(4,10,0.8)

Poisson.
Se define como el numero de xitos en una unidad espacio o tiempo, el numero puede ser 0, 1, 2 hasta el infinito. En control de procesos se puede considerar el caso de el numero de defectos o disconformidades en una unidad de producto.

P( x ) = e

k!

; x=0,1,2,,

Para entender la Distribucin de Poisson, se analiza un ejemplo detenidamente. Suponga que se tiene una tabla rectangular de madera, de 1 metro por 1 metro, pintada con un recubrimiento sobre cuya superficie se presentan aleatoriamente pequeos defectos. Estos defectos podran ser por ejemplo partculas muy pequeas de pigmento que no fueron bien molidas al fabricar la pintura. Se desea calcular la probabilidad de que aparezcan estos defectos y para ello podramos subdividir la superficie en zonas rectangulares mas pequeas y de igual tamao.

17

Tenemos la superficie dividida en 4 zonas rectangulares de igual tamao. Observamos que en algunas zonas aparece un defecto superficial y en otras no. Vamos a hacer las siguientes suposiciones: En cada zona slo puede aparecer 1 defecto. Si la probabilidad de que aparezca un defecto en todo el rea es p, la probabilidad de que aparezca un defecto en una zona es p/4. Entonces, utilizando la Distribucin Binomial podemos calcular la probabilidad de que en nuestra superficie aparezcan 0, 1, 2, 3, 4 defectos:

x 4 p 4 n p P( x) = 1 n 4 4
el promedio es: 4 p/4 = p Pero se sabe que en realidad en cada zona podran aparecer ms de 1 defecto. Esto hace inexacto el clculo. Se podra hacer un clculo ms exacto si se subdivide las zonas:

Dividimos cada zona en 4 y ahora tenemos 16 zonas. La probabilidad de tener 1 defecto en una zona es p/16 con lo que podemos entonces calcular la probabilidad de tener 0, 1, 2, 3, ...., 16 defectos en el rea total:

n 16 p 16 n p P( x ) = el promedio seria 16 p/16 = p 1 n 16 16


An as podran aparecer ms defectos por zona, por lo que si dividimos nuevamente cada zona en 4 tendramos 64 zonas y ahora la probabilidad de tener 1 defecto en una zona sera p/64 La probabilidad de tener 0, 1, 2, 3, ....., 64 defectos en la superficie total sera:

P( x ) =

x 64 p 64 x p 1 x 64 64

y tambin el promedio seria 64 p/64 = p

Lo que se esta haciendo es ir aumentando n al mismo tiempo que disminuye p en igual proporcin y de ese modo, el promedio de defectos en la superficie total n.p se mantiene constante. Como se ve, al suponer que en cada subzona slo puede haber 1 defecto o ningn defecto estamos cometiendo un error. Este error se hace cada vez menor, porque a medida que subdividimos el rea total se hace menos probable que en una subzona aparezca ms de un defecto. Si se continua subdividiendo el rea indefinidamente, la frmula binomial nos dar la probabilidad de obtener 0, 1, 2, 3, ... n defectos, con n tendiendo a infinito, por lo que se tendr la funcin de Poisson propuesta. Los parmetros estadsticos de la variable aleatoria x es: media = n.p = y su variancia npq = Ejemplo. Se confeccionan prendas de vestir, la probabilidad de la presencia de una falla en el cosido del botn de una prenda es 0.001, si se confeccionan en lotes de 1000 prendas. El numero de promedio es 1 falla por lote:

18

Prob(existan al menos 5 fallas en el lote) = 1 ppois(5, 1) Prob(exactamente 4 fallas) = dpois(4,1) = ppois(4, 1)- ppois(3, 1) Prueba de hiptesis. El contraste de hiptesis o prueba de hiptesis es una herramienta ampliamente utilizada para comparar mediciones y tomar decisiones basadas en una probabilidad. Los pasos a seguir para aplicar esta metodologa son: Plantear unas hiptesis Escoger el estadstico para la prueba Utilizar la distribucin del estadstico para el calculo de las probabilidades para tomar la decisin sobre las hiptesis planteadas. Y, a partir de ah, decidir si, con los datos de la muestra se puede caracterizar la poblacin. Herramientas para contrastar hiptesis Los dos tipos de distribuciones ms importantes, aunque no nicos, para el contraste de hiptesis, son las distribuciones Normal y t-student. En R, la prueba de t-student se realiza con la funcin t.test() El contraste de hiptesis es un conjunto de reglas que permite decidir cul de entre dos hiptesis debe ser aceptada como cierta en base a los resultados obtenidos en una observacin muestral. Se conocen como hiptesis nula (Ho) e hiptesis alternativa (Ha). La hiptesis nula puede mantenerse mientras los datos no indiquen su falsedad; la hiptesis nula nunca se puede afirmar, solo se acepta o rechaza. Por lo tanto se decide si la informacin muestral est en concordancia con la Ho, o bien se rechaza, con lo cual se acepta Ha. Son dos tipos de hiptesis: Paramtricas que se refieren a conjeturas sobre el parmetro de una distribucin. No paramtricas que responden a afirmaciones acerca de la naturaleza de la distribucin.

Regin crtica. Tipos de errores En la prctica el Contraste de Hiptesis consiste en estudiar si un estadstico que es funcin de las observaciones de la muestra est dentro de una regin llamada de aceptacin, o se encuentra en la regin de rechazo o regin crtica, de tal forma que si el estadstico se encuentra en la regin de aceptacin se aceptar la hiptesis nula y si cae en la regin de rechazo se rechazar dicha hiptesis. El estadstico muestral es un fenmeno aleatorio, por lo que pudiera pasar que aunque la Ho fuera cierta, el estadstico se encontrara en la regin de rechazo, en esta situacin estaramos cometiendo un Error de Tipo I (). Otra posible situacin sera encontrar el estadstico en la regin de aceptacin siendo la Ho falsa, con lo que cometeramos un Error Tipo II (). La forma de minimizar este problema es empleando muestras de tamao grande. Generalmente se procede fijando una probabilidad de error . Al valor se le denomina nivel de significacin y habitualmente es del 5%. Aunque existen diversos tipos de contrastes de hiptesis, en este caso solo se tratara dos casos, que son el contraste de medias y el contraste de diferencias de medias.

19

Contraste de medias Con la notacin que habitualmente se utiliza en el contraste de hiptesis tendremos que es la media de la poblacin, la desviacin tpica de la poblacin, s la desviacin tpica de la muestra, n es el tamao de muestra, X la media de la muestra, y Z o t es el estadstico. Con relacin al contraste de medias, suelen emplearse dos tipos de pruebas, las pruebas unilaterales y las pruebas bilaterales, que tienen, respectivamente, las siguientes estructuras. Prueba unilateral Ho: = o H1: > o Prueba bilateral Ho: = o H1: o

Hiptesis nula Hiptesis alterna Estadstico Z ~ N(0,1) Nivel de significacin Regin critica Aceptacin Ho

Z=

Z=

=0.05 Z > 1.645 Z 1.645

=0.05 Z/2 < -1.96 o Z/2 > 1.96 -1.96 Z 1.96

Ejemplo 1. Un laboratorio farmacutico afirma que el anti-inflamatorio fabricado por ellos elimina la inflamacin en 14 minutos en los casos corrientes. Con el objeto de comprobar estadsticamente esta afirmacin, elegimos al azar 18 pacientes con inflamaciones varias y tomamos como variable de respuesta el tiempo transcurrido entre la administracin del anti-inflamatorio y el momento en que desaparece la inflamacin. Adems, nos dicen que la variable tiempo transcurrido entre la administracin del antiinflamatorio y el momento en que desaparece la inflamacin sigue una distribucin normal de media 14 y desviacin 7. El tiempo medio de respuesta de la muestra fue de 19 minutos. Se pide comprobar la afirmacin del laboratorio a un nivel de significacin de 0.05. Solucin. Primero consideremos los datos que tenemos. X = 19, = 14, s = 7, n = 18 Planteemos ahora las hiptesis de este test. Queremos contrastar la hiptesis nula a partir de la afirmacin de la empresa que dice que la inflamacin desaparece en 14 minutos; as pues, tendremos: Hiptesis nula Ho : = 14 La hiptesis alternativa ser el caso desfavorable, en esta ocasin para la empresa, y puede escribirse: Hiptesis alternativa Ha : > 14 Procederemos aceptando de entrada la hiptesis nula ( = 14), calculando el estadstico y observando si se sita en la regin crtica Z > 1.645. Si as sucediera, se rechazara la hiptesis nula. Sustituyendo los parmetros de la poblacin y de la muestra en el estadstico tenemos :

Z=

19 14 = 3.03 7 18

Con se puede observar el estadstico se sita en la regin crtica y ,por lo tanto no sigue el criterio de aceptacin de la hiptesis nula.

20

De ese modo, rechazaramos la hiptesis Ho de que = 14 y concluimos que a un nivel 0.05 el tiempo medio de eliminar la inflamacin por este anti-inflamatorio es superior a 14 minutos. Contraste de diferencia de medias Sean

X 1 y X 2 dos promedios de muestras provenientes de dos poblaciones. Los tamaos

de cada una de estas muestras son n1 y n2 respectivamente. Queremos observar si la diferencia entre las medias es significativa o no, es decir, comprobar si podemos aceptar que 1 = 2. Prueba unilateral Ho: 1 = 2 H1: 1- 2 > 0
Z=

Hiptesis nula Hiptesis alterna

2 1

( )
1 2 2 2 2

Prueba bilateral Ho: 1 = 2 H1: 1 - 2 0


Z=

Estadstico Z ~ N(0,1) Nivel de significacin Regin critica Aceptacin Ho

+
2

2 1

( )
1 2 2 2 2

+
2

=0.05 Z > 1.645 Z 1.645

=0.05 Z/2 < -1.96 o Z/2 > 1.96 -1.96 Z 1.96

Si las desviaciones de las poblaciones son desconocidas y slo se conoce las desviaciones de las muestras, entonces considerar la distribucin t-student. Ejemplo 2. Se conocen los datos de dos muestras de dos poblaciones, que son los siguientes: X 2 = 78 X 1 = 74
2 = 225 s1

s2 2 = 169

n1 = 42 n2=56 Se pide contrastar estadsticamente si hay diferencia entre las dos poblaciones, a un nivel de significacin del 0.05. Las dos poblaciones siguen una distribucin Normal N(1, 1 ) y N(2, 2 )
2 2

Solucin. Sabemos que las distribuciones de las dos poblaciones son Normales, pero desconocemos el valor de su desviacin, slo conocemos el valor de la desviacin tpica de las muestras. Por ahora, planteemos las hiptesis: Hiptesis nula Ho: 1 - 2 = 0, es decir, 1 = 2 Hiptesis alternativa Ha : 1 - 2 0, es decir, 1 2 Aunque el estadstico que correspondera a esta prueba es el asociado a una distribucin tstudent, por ser las desviaciones de las poblaciones desconocidas, como el tamao de las muestras es elevado y sabemos que una distribucin t-student con muchos grados de libertad se aproxima a la Normal, entonces se puede utilizar el estadstico normal estndar: Con los datos de la poblacin y de la muestra, se calcula el estadstico, aceptando, por ahora, la hiptesis nula (1 = 2), posteriormente debe observar donde se sita el estadstico Z.
Z= (74 78) 0 225 169 + 42 56 = 1.38

El estadstico se sita en la regin de aceptacin de la hiptesis nula, con lo que se acepta la Ho (1 = 2), y se concluye que no hay evidencia estadistica para afirmar que ambas poblaciones son diferentes.

21

Comprobacin de la normalidad de una muestra. Muchas pruebas estadsticas y las cartas de control estn basadas en el supuesto de que el universo donde proviene la muestra est normalmente distribuida. Por tanto, es prudente cuando sea posible, comprobar este supuesto de normalidad. Son varios los procedimientos disponibles para realizar la prueba. Hay prueba grafica mediante los cuantiles, con R: > qqnorm(x) > qqline(x) Y con MINITAB que adems del grafico da el estadstico de Anderson y Darling. En R se debe ejecutar el estadstico deseado, por ejemplo > shapiro.test(x) para otros estadsticos debe usar el paquete nortest, por ejemplo Anderson y Darling > library(nortest) > ad.test(x) Shapiro es mas exigente que Anderson y Darling para muestras pequeas CONTROL ESTADSTICO DE PROCESOS Un sistema de control del proceso puede definirse como un sistema de realimentacin de la informacin en el que hay 4 elementos fundamentales: Proceso Se entiende como el conjunto de actividades de personas, equipos, materiales utilizados, mtodos y el medio ambiente, que intervienen en la construccin de un producto. El comportamiento real del proceso, la calidad de la produccin y su eficacia productiva dependen de la forma en que se dise y construy, as como la forma en que es administrado. El sistema de control del proceso es til si este sirve para mejorar el producto y las actividades que la permitan. Informacin sobre el Comportamiento El proceso de produccin incluye no solo los productos producidos, sino tambin los estados intermedios que definen el estado operativo del proceso tales como temperaturas, duracin de los ciclos, etc. Si esta informacin se recopila e interpreta correctamente, podr indicar si son necesarias tales medidas para corregir el proceso productivo. No obstante, si no se toman las medidas adecuadas y oportunas, todo el trabajo de recogida de informacin ser un trabajo perdido. Actuacin sobre el Proceso Las actuaciones sobre el proceso estn orientadas al futuro, ya que se toman en caso necesario para impedir que ste se deteriore. Estas medidas pueden consistir en la modificacin de las operaciones (por ejemplo, instrucciones de operarios, cambios en los materiales de entrada, etc.) o en los elementos bsicos del proceso mismo (por ejemplo, el equipo -que puede necesitar mantenimiento, o el diseo del proceso en su conjunto- que puede ser sensible a los cambios de temperatura o de humedad del taller). Debe llevarse un control sobre el efecto de estas medidas, realizndose ulteriores anlisis y tomando las medidas que se estimen necesarias.

22

Actuacin sobre la Produccin

Las actuaciones sobre la produccin estn orientadas al pasado, porque la misma implica la deteccin de productos ya producidos que no se ajustan a las especificaciones. Si los productos fabricados no satisfacen las especificaciones, ser necesario clasificarlos y retirar o reprocesar aquellos no conformes con las especificaciones. Este procedimiento deber continuar hasta haberse tomado las medidas correctoras necesarias sobre el proceso y haberse verificado las mismas, o hasta que se modifiquen las especificaciones del producto. Es obvio que la inspeccin seguida por la actuacin nicamente sobre la produccin es un pobre sustituto de un rendimiento eficaz del proceso desde el comienzo. El Control del Proceso centra la atencin en la recogida y anlisis de informacin sobre el proceso, a fin de que puedan tomarse medidas para perfeccionar el mismo. Hay dos formas diferentes de diseo y anlisis de sistemas de control que utilizan herramientas estadsticas : - Control Estadstico de Proceso (SPC). - Control adaptativo, que utiliza lazos de retroalimentacin para predecir futuros valores de las variables de proceso. Este control dice cuando hay que corregir para mantener a las variables con oscilaciones mnimas alrededor de los valores objetivos y est basado en el anlisis de series Temporales (BoxJenkins). Este ultimo puede implementarse mediante sistemas de control automtico digital (caso ms habitual) o mediante grficos de control. La herramienta: Control Estadstico de Procesos (SPC) El SPC es una herramienta estadstica que se utiliza en el puesto de trabajo para conseguir el producto adecuado y a la primera. Los grficos de control constituyen el procedimiento bsico del SPC. Con dicho procedimiento se pretende cubrir 3 objetivos:

23

- Seguimiento y vigilancia del proceso - Reduccin de la variacin - Menos costo por unidad En cualquier proceso productivo, por muy bien que se disee y por muy cuidadosamente que se controle, siempre existir una cierta variabilidad inherente, natural, que no se puede evitar. Esta variabilidad natural, este ruido de fondo, es el efecto acumulado de muchas pequeas causas de carcter, esencialmente, incontrolable. Cuando el ruido de fondo sea relativamente pequeo consideraremos aceptable el nivel de funcionamiento del proceso y diremos que la variabilidad natural es originada por un sistema estable de causas de azar. Un proceso sobre el que solo actan causas de azar se dice que est bajo control estadstico. Por el contrario, existen otras causas de variabilidad que pueden estar, ocasionalmente, presentes y que actuarn sobre el proceso. Estas causas se derivan, fundamentalmente, de tres fuentes: - Ajuste inadecuado de las mquinas - Errores de las personas que manejan las mquinas - Materia prima defectuosa. La variabilidad producida por estas causas suele ser grande en comparacin con el ruido de fondo y habitualmente sita al proceso en un nivel inaceptable de funcionamiento. Denominaremos a estas causas causas asignables y diremos que un proceso funcionando bajo causas asignables est fuera de control. Un objetivo fundamental del SPC. es detectar rpidamente la presencia de causas asignables para emprender acciones correctoras que eviten la fabricacin de productos defectuosos. Alcanzar un estado de control estadstico de proceso puede requerir un gran esfuerzo pero es slo el primer paso. Una vez alcanzado, podremos utilizar la informacin de dicho control como base para estudiar el efecto de cambios planificados en el proceso de produccin con el objetivo de mejorar la calidad del mismo. La Operacin Evolutiva es un tipo de Diseo de Experimentos en lnea (aplicado al proceso productivo) que sirve como herramienta para acercarnos a las condiciones ptimas de funcionamiento del proceso. Grficos SPC Los grficos de control se puede utilizar para supervisar la calidad de muchas caractersticas: a) Monitoreo de las observaciones individuales o subgrupos para los datos continuos. b) Los grficos de control para los datos continuos en los subgrupos se usan en pares para controlar los cambios o tendencias en la localizacin y dispersin. c) Los grficos de control de datos discretos se puede utilizar para detectar cualquier aumento en el nmero de unidades no conformes o defectos en la unidad producida

24

Los grficos de control o cartas de control son una importante herramienta utilizada en control de calidad de procesos. Bsicamente, una Carta de Control es un grfico en el cual se representan los valores de algn tipo de medicin realizada durante el funcionamiento de un proceso continuo, y que sirve para controlar dicho proceso. Vamos a tratar de entenderlo con un ejemplo. Supongamos que tenemos una mquina de inyeccin que produce piezas de plstico, por ejemplo de PVC. Una caracterstica de calidad importante es el peso de la pieza de plstico, porque indica la cantidad de PVC que la mquina inyect en la matriz. Si la cantidad de PVC es poca la pieza de plstico ser deficiente; si la cantidad es excesiva, la produccin se encarece porque se consume ms materia prima.

En el lugar de salida de las piezas, hay un operario que cada 30 minutos toma una, la pesa en una balanza y registra la observacin. Suponga que estos datos se registran en un grfico de lneas en funcin del tiempo.

En R:
> par(mar=c(3,3,3,3)) > plot(peso,ylim=c(48,62), type="b", col="blue", xlab="numero piezas", ylab="Peso de la pieza(g)", axes=F, pch=16) > axis(1,1:20) > axis(2,seq(48,62,2)) > title(main="Grfico de las observaciones") > abline(h=mean(peso),col="red", lty=4, lwd=2)
G r fic o d e la s o b s e r v a c io n e s

de

Peso de la pieza(g)

48 1

52

56

60

11

13

15

17

19

n u m e ro d e p i e za s

Se observa una lnea quebrada irregular, que nos muestra las fluctuaciones del peso de las piezas a lo largo del tiempo. Esta es la fluctuacin esperable y natural del proceso. Los valores se mueven alrededor de un valor central (El promedio de los datos), la mayor parte del tiempo cerca del mismo. Pero en algn momento puede ocurrir que aparezca uno o ms valores demasiado alejados del promedio. Cmo podemos distinguir si esto se produce por la fluctuacin natural del proceso o porque el mismo ya no est funcionando bien? El control estadstico de procesos provee la respuesta a la anterior pregunta y a continuacin veremos como lo hace.

25

Todo proceso de fabricacin funciona bajo ciertas condiciones o variables que son establecidas por las personas que lo manejan para lograr una produccin satisfactoria.

Cada uno de estos factores est sujeto a variaciones que realizan aportes ms o menos significativos a la fluctuacin de las caractersticas del producto, durante el proceso de fabricacin. Los responsables del funcionamiento del proceso de fabricacin fijan los valores de algunas de estas variables, que se denominan variables controlables. Por ejemplo, en el caso del inyector se fija la temperatura de fusin del plstico, la velocidad de trabajo, la presin del pistn, la materia prima que se utiliza (Proveedor del plstico), etc. Proceso bajo control estadstico Un proceso de fabricacin es una suma compleja de eventos grandes y pequeos. Hay una gran cantidad de variables que sera imposible o muy difcil controlar. Estas se denominan variables no controlables. Por ejemplo, pequeas variaciones de calidad del plstico, pequeos cambios en la velocidad del pistn, ligeras fluctuaciones de la corriente elctrica que alimenta la mquina, etc. Los efectos que producen las variables no controlables son aleatorios. Adems, la contribucin de cada una de dichas variables a la variabilidad total es cuantitativamente pequea. Son las variables no controlables las responsables de la variabilidad de las caractersticas de calidad del producto. Los cambios en las variables controlables se denominan Causas Asignables de variacin del proceso, porque es posible identificarlas. Las fluctuaciones al azar de la variables no controlables se denominan Causas No Asignables de variacin del proceso, porque no son pasibles de ser identificadas. Causas Asignables: Son causas que pueden ser identificadas y que conviene descubrir y eliminar, por ejemplo, una falla de la mquina por desgaste de una pieza, un cambio muy notorio en la calidad del plstico, etc. Estas causas provocan que el proceso no funcione como se desea y por lo tanto es necesario eliminar la causa, y retornar el proceso a un funcionamiento correcto. Causas No Asignables: Son una multitud de causas no identificadas, ya sea por falta de medios tcnicos o porque no es econmico hacerlo, cada una de las cuales ejerce un pequeo efecto en la variacin total. Son inherentes al proceso mismo y no pueden ser reducidas o eliminadas a menos que se modifique el proceso. Cuando el proceso trabaja afectado solamente por un sistema constante de variables aleatorias no controlables (Causas no asignables) se dice que est funcionando bajo Control Estadstico. Cuando, adems de las causas no asignables, aparece una o varias causas asignables, se dice que el proceso est fuera de control. El uso del control estadstico de procesos implica algunas hiptesis que describiremos a continuacin: 1) Una vez que el proceso est en funcionamiento bajo condiciones establecidas, se supone que la variabilidad de los resultados en la medicin de una caracterstica de calidad del producto se debe slo a un sistema de causas aleatorias, que es inherente a cada proceso en particular. 2) El sistema de causas aleatorias que acta sobre el proceso genera un universo hipottico de observaciones (mediciones) que tiene una Distribucin Normal. 3) Cuando aparece alguna causa asignable provocando desviaciones adicionales en los resultados del proceso, se dice que el proceso est fuera de control

26

La funcin del control estadstico de procesos es comprobar en forma permanente si los resultados que van surgiendo de las mediciones estn de acuerdo con las dos primeras hiptesis. Si aparecen uno o varios resultados que contradicen o se oponen a las mismas, es necesario detener el proceso, encontrar las causas por las cuales el proceso se apart de su funcionamiento habitual y corregirlas. La puesta en marcha de un programa de control estadstico para un proceso implica dos etapas:

Antes de pasar a la segunda etapa, se verifica si el proceso est ajustado. En caso contrario, se retorna a la primera etapa. En la 1 etapa se recogen unas 100-200 mediciones, con las cuales se calcula el promedio y la desviacin estndar:

X = Xi y S = n

(X i X ) ; para muestras mayor 30, S = n 1

(X i X ) n

Luego se calculan los Lmites de Control de la siguiente manera: Lmite inferior =

X - 3,09 s ; Lmite superior = X + 3,09 s

S es un estimador de Estos lmites surgen de la hiptesis que la distribucin de las observaciones es normal. En general se utilizan lmites de 2 sigmas de 3 sigmas alrededor del promedio. En la distribucin normal, el intervalo de 3,09 sigmas alrededor del promedio corresponde a una probabilidad de 0,998. Se construye un grfico de prueba y se traza una lnea recta a lo largo del eje de ordenadas (Eje X), a la altura del promedio (Valor central de las observaciones) y otras dos lneas rectas a la altura de los lmites de control. En el grfico de prueba se representan los puntos correspondientes a las observaciones con las que se calcularon los lmites de control y se analiza detenidamente para verificar si est de acuerdo con la hiptesis de que la variabilidad del proceso se debe slo a un sistema de causas aleatorias o si, por el contrario, existen causas asignables de variacin. Esto se puede establecer porque cuando la fluctuacin de las mediciones se debe a un sistema constante de causas aleatorias la distribucin de las observaciones es normal: Cuando las observaciones sucesivas tienen una distribucin normal, la mayor parte de los puntos se sita muy cerca del promedio, algunos pocos se alejan algo ms y prcticamente no hay ninguno en las zonas ms alejadas. Es difcil decir como es el grfico de un conjunto de puntos que siguen un patrn aleatorio de distribucin normal, pero s es fcil darse cuenta cuando no lo es. Si no se descubren causas asignables entonces se adoptan los lmites de control calculados como definitivos, y se construyen cartas de control con esos lmites. > par(mar=c(4,4,4,4)) > LS <- mean(peso)+3.09*sd(peso)

27

> LI <- mean(peso)-3.09*sd(peso) > abline(h=LI,col="green") > abline(h=LS,col="green")

Grfico de las observaciones

Peso de la pieza(g)

48 1

52

56

60

11

13

15

17

19

numero de piezas
Nuevas observaciones son medidas. En la carta anterio, los nuevos puntos serian: Pesos = 53.5, 58.1,53, 52, 57, 52.3, 53.8, 59, 48.6, 57.2, 53.2, 58.7 > y<-c(53.5, 58.1,53, 52, 57, 52.3, 53.8, 59, 48.6, 57.2, 53.2, 58.7) > plot(21:32,y,ylim=c(46,64), type="b", col="blue", xlab="numero de piezas", ylab="Peso de la pieza(g)", axes=F, pch=16) > axis(1,21:32) > axis(2,seq(46,64,2)) > title(main="Grfico de las observaciones") > abline(h=mean(peso),col="red", lty=4, lwd=2) > abline(h=LI,col="green") > abline(h=LS,col="green")
Grfico de las observaciones
62 46 21 50 54 58

Peso de la pieza(g)

22

23

24

25

26

27

28

29

30

31

32

numero de piezas

Si slo hay pocos puntos fuera de control (2 3), estos se eliminan, se recalculan la media, desviacin estndar y lmites de control con los restantes, y se construye un nuevo grfico de prueba. Cuando las observaciones no siguen un patrn aleatorio, indicando la existencia de causas asignables, se hace necesario investigar para descubrirlas y eliminarlas. Una vez hecho esto, se debern recoger nuevas observaciones y calcular nuevos lmites de control de prueba, comenzando otra vez con la primera etapa. En la 2 etapa, las nuevas observaciones que van surgiendo del proceso se representan en el grfico, y se controlan verificando que estn dentro de los lmites, y que no se produzcan patrones no aleatorios.

28

Como se ve, el 99,8 % de las observaciones deben estar dentro de los lmites de 3,09 sigmas alrededor de la media. Esto significa que slo una observacin en 500 puede estar por causas aleatorias fuera de los lmites de control. Cuando se encuentra ms de un punto en 500 fuera de los lmites de control, significa que el sistema de causas aleatorias que provocaba la variabilidad habitual de las observaciones ha sido alterado por la aparicin de una causa asignable que es necesario descubrir y eliminar. En ese caso, el supervisor del proceso debe detener la marcha del mismo e investigar con los que operan el proceso hasta descubrir la(s) causas que desviaron al proceso de su comportamiento habitual. Una vez eliminadas las causas del problema, se puede continuar con la produccin normal. Estos lmites de control se escogen de forma que si el proceso est bajo control, prcticamente todos los puntos del grfico estarn contenidos entre dichos lmites. En tanto los puntos estn dentro de los limites no ser precisa ninguna accin correctora porque se supone que el proceso est bajo control. Sin embargo, un punto fuera de los lmites de control se interpreta como una evidencia de que el proceso est fuera de control debiendo investigarse la naturaleza de la causa o causas asignables presentes a fin de eliminarlas, adoptando la oportuna medida correctora. Si el proceso est bajo control, adems de situarse los puntos dentro de los lmites de control, todos los puntos del grfico presentarn una posicin originada por el azar sin la presencia de patrones especiales de variabilidad. IMPORTANTE : No hay que confundir los lmites de control con los lmites de tolerancia. Los lmites de tolerancia son los valores de una determinada caracterstica que separan valores correctos e incorrectos de la misma (fijados normalmente por el proyectista para que el producto funcione adecuadamente) Los lmites de control son aquellos entre los cuales el estadstico ha considerado (sean valores individuales medias, medianas, recorridos desviaciones tpicas, sumas acumuladas, etc.) tiene una probabilidad muy alta de situarse cuando el proceso est bajo control (no hay causa asignable) Variables y atributos Las cartas de control estadstico de calidad esta separadas por tipo de variable continuas y discretas (atributo): Para variable: a) Para el promedio y rango. b) Para promedio y su desviacin. c) Cartas individuales. Para atributo: d) e) Para un proporcin de unidades defectuosas Para el numero de defectos por unidad

Si la caracterstica de calidad puede medirse y expresarse como un valor se la define como variable. En tales casos es conveniente describir la caracterstica de calidad con una medida de tendencia central y una medida de dispersin mediante los llamados grficos de control por variables. Los grficos X son los ms ampliamente utilizados para controlar la tendencia central mientras que los grficos de rango (recorrido) y de desviacin tpica se utilizan para controlar la dispersin. Muchas caractersticas cualitativas no se miden en una escala cuantitativa. En estos casos, juzgaremos si una unidad de producto es o no conforme si posee ciertos

29

atributos o en otro caso contando el nmero de defectos que aparecen en cada unidad de producto el cual se considerara una variable discreta. Eficacia estadstica de los grficos de control El objetivo bsico de un grfico de control es detectar, de la forma ms rpida posible, cambios en el proceso. Cuando un punto cae fuera de los lmites de control se dice que el proceso est fuera de control, que existe una causa asignable. Realmente, como en cualquier contraste de hiptesis estadstico existe una probabilidad de dictaminar una situacin fuera de control cuando el proceso est realmente bajo control (error tipo I) as como una probabilidad de (error tipo II) de decir que el proceso est bajo control (puntos entre lmites de control) cuando realmente el proceso est fuera de control. Al disear el grfico tenemos presente estos dos errores, que determinan la eficacia estadstica del mismo. GRFICOS DE CONTROL POR VARIABLES Introduccin. Grficos basados en un estudio inicial Muchos estudios pueden ser aplicados con las cartas de control para fines de un estudio estadstico de procesos, as por ejemplo:

Hospital - Exactitud del laboratorio de anlisis - Exactitud de la reclamacin de los pagos de seguros - Entrega a tiempo de comidas y medicamentos Banco - Exactitud al procesar los cheques - Tiempo de espera de clientes para ser atendido en ventanilla - Tiempo de demora en la aceptacin de un crdito, desde la solicitud. Compaa de seguros - Tiempo de respuesta para procesar la reclamacin de los pagos de seguros. - Exactitud en la facturacin - Tiempo de demora en la aceptacin de un seguro, desde la solicitud. Oficina de correos - Exactitud al clasificar - Tiempo de entrega - Porcentaje de correspondencia de entrega inmediata entrega a tiempo Ambulancia - Tiempo de respuesta (desde la llamada hasta el lugar de los hechos) - Tiempo de demora en el retorno al hospital Departamento de polica - Incidencia del crimen en el rea - Numero de multas de transito. - Numero de denuncias diarias por robo.

30

Hotel -

Proporcin de habitaciones con limpieza satisfactoria. Hora de salida. Numero de quejas recibidas. Numero de habitaciones ocupadas por da.

Transporte - Proporcin de camiones con carga adecuada. - Proporcin de mnibus con un nmero suficiente de pasajeros. - Cantidad en dinero de dao por queja. Autoservicio - Porcentaje de veces que el trabajo se termina segn lo prometido. - Numero de partes sin existencia. - Numero de quejas recibidas. - Numero de clientes por horario de atencin (Almuerzo, Cena)
Muchas caractersticas de calidad pueden expresarse en trminos de medida numrica, por ejemplo, el dimetro de una pieza de un equipo puede medirse con un micrmetro y expresarse en milmetros. Una caracterstica que sea medible tal como un volumen, peso, o cualquier otra medida en general, es una variable. Cuando se refiere a una variable, es una prctica normal el controlar tanto el valor medio como la dispersin. El control del valor medio se realiza, habitualmente, con el grfico de control para medias, rango o dispersin. El control de la dispersin puede efectuarse bien con el grfico de control de la desviacin tpica (grfico S) o con el grfico de control de rangos (grfico R). El uso del grfico R est ms extendido que el del grfico S. En el control del proceso es necesario mantener el control sobre ambos: Media y dispersin del proceso. La figura 2 representa la situacin de un proceso. En a) tanto la media m como la desviacin tpica s estn bajo control a sus valores nominales (o, So) y en consecuencia la mayor parte de la produccin del proceso cae dentro de los lmites de especificacin. En la figura b) la media se ha trasladado 1 > o dando como resultado una cierta fraccin de la roduccin fuera de especificacin. En la figura c) la desviacin tpica ha cambiado de S0 a S1, lo que origina tambin que un parte de la produccin est fuera de control.
Bajo la norma u=o
= So

Desplazamiento a la derecha u=1


= So

Aumento de la variacin u=o


= S1

Esp Inf

Esp Sup

Esp Inf

o 1

Esp Sup

Fig 2.a A.- Grfico de la media y Rango

Fig 2.b

Esp Inf

Esp Sup

Fig 2.c

Supongamos que una variable est normalmente distribuida con media y desviacin tpica y que ambas son conocidas. Si X1, X2, ... son mediciones de una muestra de tamao n, la media muestral, dada por :

+ + ... + X n X = X1 X 2 n
est normalmente distribuida con media m y desviacin tpica X probabilidad de que cualquier media muestral caiga en el intervalo:

n . Adems, la

31

( Z / 2 X ; + Z / 2 X )
es 1 - , siendo el error tipo I o Nivel de significacin. Es decir que el proceso ha sufrido cambios cuando en realidad el proceso sigue igual, los parametros de la distribucin normal N( , )) no cambiaron.

Pr ob Z / 2 X < X < + Z / 2 X = 1
Por consiguiente, si y son conocidos la expresin anterior puede utilizarse para determinar los lmites de control de la media muestral. Habitualmente se usa los lmites 3 reemplazando Z/2 por 3. Si la media muestral cae fuera de estos lmites, esto indicar que la media del proceso no permanece en . Se supone distribucin original era normal. Si no lo fuera, los anteriores resultados seran tambin aproximadamente vlidos por aplicacin del teorema central del lmite. En la prctica no se conoce ni , por consiguiente, se estima a partir de muestras previas obtenidas del proceso cuando se cree que ste est bajo control. Esta estimacin debe basase como mnimo en 20 o 25 muestras. Supongamos que disponemos de (m) muestras, cada una de ellas con (n) observaciones. Tpicamente, n ser pequeo 4 5. En esa situacin, el mejor estimador de la media del proceso ser

+ + ... + X m X = X1 X 2 m
se utilizar como valor de la lnea central del grfico. Para construir los lmites de control, necesitamos un estimador de la desviacin tpica . Podemos estimar a partir de los rangos o de las desviaciones tpicas de las (m) muestras. De momento, se har la estimacin a partir de los rangos. Si X1, X2,..., Xn, son mediciones de una muestra de tamao n, el rango de la muestra es R =Xmax - Xmin. La variable aleatoria W = R/ sigue una distribucin conocida denominada distribucin del rango relativo. Los parmetros de esta distribucin son funcin del tamao de muestra (n). La media de W es (d2) y la desviacin tpica (d3). En consecuencia, un estimador de es R/d2. Los valores de d2 estn tabulados (Tabla del apndice IV). Si

+ ... + R m R = R1 m
la mejor estima de ser Cuando el tamao de la muestra es pequeo: n = 4 5 el mtodo de estimar a partir del rango da casi tan buen resultado como estimarla a partir de la varianza muestral. Sin embargo, para valores de n, no mayores de 10, pierde rpidamente eficiencia ya que ignora toda la informacin comprendida entre Xmax y Xmin. Si se usa

X como estimador de y R

como estimador de entonces los lmites de

control del grfico de medias quedaran:

32

Z/2 lo obtendramos de las tablas de Distribucin Normal (Tabla I), una vez elegido (error tipo I). Normalmente Z/2 = 3 ( = 0,0027), en este caso la cantidad esta tabulada y el calculo de los lmites de control es:

LCL = X A2 R ; UCL = X + A2 R ; Linea central: X


Que son los limites de control de la carta X Los valores de A2 estn tabulados en la tabla del apndice IV (Montgomery, 2007). Limites de control de la carta R. Para los limites de control de R, se puede utilizar los valores de la tabla

UCL =

D4 R ;

Linea.Central = R ; LCL =

D3 R

El uso de la carta R es para ver la variabilidad de respuestas. Si el proceso esta bajo control estadstico, los valores deben estar en la franja de los limites en forma aleatoria. Esta Carta se analiza en primera instancia, antes de analizar la carta de promedios. Si no esta bajo control, no se puede analizar la carta de promedios. En resumen se puede expresar:

Promedio:

Rango:

Caso: El tiempo de respuesta para el anlisis de CBC desde el laboratorio a la sala de urgencias en un hospital local es una cualidad caracterstica importante que debe controlarse. El tiempo de rotacin se registr ms de 20 das en un perodo de un mes. Cuatro muestras fueron seleccionadas al azar por da y los tiempos de respuesta (en minutos) fueron registradas. Los tiempos as como las medias de los subgrupos y los rangos.

33

El promedio total y el rango promedio se dan en la ltima fila de la tabla.

A partir de las tablas de control, con n = 4, encontramos A2 = 0,729, D3 = 0 y D4 = 2,282. Los lmites de control para el grfico X de control son: Promedio:

Rango:

34

Limites de control de la carta de promedios - S. Siempre que sea posible debe usarse la desviacin estndar en vez del rango, es recomendable cuando n>10, para muestras menos de 10 se debe usar la carta de control, R. A medida que n aumenta, el rango pierde eficiencia estadstica. Las cartas de control del promedio y de la desviacin estndar son similares.

Para los limites de control de promedios y S se puede utilizar los valores de la tabla de las cartas de control.

UCL = X + UCL =

A3 S ;

LCL = X

A3 S B3 S

B4 S ;

Linea.Central = S ; UCL =

El uso de la carta R o S es para ver la variabilidad de respuestas. Si el proceso esta bajo control estadstico, los valores deben estar en la franja de los limites en forma aleatoria. Esta Carta se analiza en primera instancia la carta R o S, antes de analizar la carta de promedios. Si no esta bajo control, no se puede analizar la carta de promedios. Considere el ejemplo del tiempo de respuesta para el anlisis de CBC: Para el promedio:

Para la desviacin:

Los valors de tabla para n=4 corresp[onden:

Cartas de control con Minitab. Ejemplo 1. Utilice los datos de viscosidad del archivo.xls y copie a Minitab. Construya la carta de control individual. Stat Control Charts Variables Chars for Individuals Individuals

35

Y seleccione el campo Viscosidad.

El proceso esta dentro de los limites estadsticos de control. Interprete los limites estadsticos y analice la secuencia.
I Chart of Viscosidad
35.0 UCL=34.802 34.5

Individual Value

34.0 33.5 _ X=33.523

33.0

32.5 LCL=32.245 32.0 1 2 3 4 5 6 7 8 9 10 11 Observation 12 13 14 15

Ejemplo 2. Utilice los datos de pistones del archivo a Minitab. Stat Control Charts Variables Chars for Groups Xbar-R

Xbar -R C har t of diame tro


U C L= 74.01487 74.01 Sample M ean _ _ X= 74.00118

74.00

73.99 LC L= 73.98749 1 3 5 7 9 11 13 S a m p le 15 17 19 21 23 25

0.048 Sample Range 0.036 0.024 0.012 0.000 1 3 5 7 9 11 13 S a m p le 15 17 19 21 23 25

U C L= 0.05019

_ R = 0.02373

LC L= 0

Como se puede apreciar, las cartas indican que el proceso esta bajo control estadstico. Los limites para la carta de promedios son: UCL: 74.01 LCL: 73.98 Centrado: 74.001 Los limites para la carta R UCL: 0.05 LCL: 0 Centrado: 0.023 Si los limites de especificacin dado por los tcnicos es:

36

USL: 74.05 y LSL: 73.95 Entonces la desviacin estndar estimada es: 0.023 / 2.326 = 0.0099 d2 = 2.326 segun la tabla para n=5 Cp = 1.68, 100/Cp = 59.8% Se concluye que el proceso satisface las especificaciones y se puede decir que el proceso utiliza el 60% de la banda de especificacin. Cartas de control con R

> # viscosity data (Montgomery, pag. 242) > x <- c(33.75, 33.05, 34, 33.81, 33.46, 34.02, 33.68, 33.27, 33.49, 33.20, 33.62, 33.00, 33.54, 33.12, 33.84) > library(qcc) > color<-colors() > qcc.options(bg.margin="white",bg.figure=color[66]) > qcc(x, type="xbar.one") Call: qcc(data = x, type = "xbar.one") xbar.one chart for x Summary of group statistics: Min. 1st Qu. Median Mean 3rd Qu. 33.00 33.23 33.54 33.52 33.78 Group sample size: 1 Number of groups: 15 Center of group statistics: 33.52333 Standard deviation: 0.4261651 Control limits: LCL UCL 32.24484 34.80183
xbar.one Cha rt for x
Group summary statistics 34.5 UC L

Max. 34.02

33.5

CL

32.5

LC L 1 2 3 4 5 6 7 8 Group 9 10 12 14

Number of groups = 15 C enter = 33.52333 S tdD ev = 0.4261651

LC L = 32.24484 UC L = 34.80183

Number beyond limits = 0 Number violating runs = 0

37

# Archivos externos, en txt

> pistones <- read.table("pistones.txt",header=TRUE) > pistones diametro muestra prueba 1 74.030 1 TRUE 2 74.002 1 TRUE 3 74.019 1 TRUE 4 73.992 1 TRUE 5 74.008 1 TRUE
.. > attach(pistones) > diametro <- qcc.groups(diametro, muestra) > diametro [,1] [,2] [,3] [,4] [,5] 1 74.030 74.012 73.998 73.990 74.009 2 73.985 74.020 73.996 73.995 73.995 3 74.000 74.020 73.990 74.000 73.995 4 74.007 73.988 73.987 74.002 74.010 5 73.990 74.015 73.996 74.000 74.002 6 74.008 73.967 74.013 73.993 74.005 7 74.025 73.997 73.992 74.003 74.014 8 74.005 73.995 74.007 74.016 74.003 9 74.009 73.994 73.984 74.019 74.030 10 73.995 74.010 73.996 73.995 74.008 .. 40 74.013 73.989 73.986 74.007 74.020 40 muestras de tamao igual a 5

> qcc(diametro[1:25,], type="xbar") Call: qcc(data = diametro[1:25, ], type = "xbar") xbar chart for diametro[1:25, ] Summary of group statistics: Min. 1st Qu. Median Mean 3rd Qu. 73.99 74.00 74.00 74.00 74.00 Group sample size: 5 Number of groups: 25 Center of group statistics: 74.00118 Standard deviation: 0.009785039 Control limits: LCL UCL 73.98805 74.0143

Max. 74.01

38

xbar Chart for diametro[1:25, ]


Group summary statistics 73.990 74.000 74.010 UCL

CL

LCL 1 3 5 7 9 11 13 Group 15 17 19 21 23 25

Number of groups = 25 Center = 74.00118 StdDev = 0.009785039

LCL = 73.98805 UCL = 74.0143

Number beyond limits = 0 Number violating runs = 0

> qcc(diametro[1:25,], type="R")

R Chart for diametro[1:25, ]


Group summary statistics UCL 0.04 0.02

CL

0.00

LCL 1 3 5 7 9 11 13 Group 15 17 19 21 23 25

Number of groups = 25 Center = 0.02276 StdDev = 0.009785039

LCL = 0 UCL = 0.04812533

Number beyond limits = 0 Number violating runs = 0

> qcc(diametro[1:25,], type="S")

39

S Chart for diameter


0.020 Group summary statistics 0.000 0.005 LCL 1 3 5 7 9 11 13 15 17 19 21 23 25 27 29 31 33 35 37 39 Group 0.010 0.015 UCL

Number of groups = 40 Center = 0.009435682 LCL = 0 StdDev = 0.009992449 UCL = 0.01966438

Number beyond limits = 0 Number violating runs = 1

Para un estudio con diferentes tamao por muestra, Los limites de control es variable. Por ejemplo elimine algunas observaciones de las 125 observaciones. salen <- c(9, 10, 30, 35, 45, 64, 65, 74, 75, 85, 99, 100) > > > > > detach(pistones) nuevo <- pistones[-salen,] attach(nuevo) diametro <- qcc.groups(diametro, muestra) qcc(diametro[1:25,], type="xbar")
xb a r C h a rt fo r d ia m e tr o [1 : 2 5 , ]
Group summary statistics 74.015 UC L

74.000

CL

73.985

LC L

11

13 G ro up

15

17

19

21

23

25

N um b e r o f g ro up s = 2 5 C e nte r = 7 4 .0 0 0 7 5 S td D e v = 0 .0 0 9 8 5 6 7 0 1

L C L is va ria b le U C L is va ria b le

N um b e r b e yo nd lim its = 0 N um b e r vio la ting runs = 0

> qcc(diametro[1:25,], type="R") > qcc(diametro[1:25,], type="S") > qcc(diametro[1:25,], type="xbar", newdata=diameter[26:40,])

40

xbar Chart for diametro[1:25, ] and diametro[26:40, ]


Group summary statistics
Calibration data in diametro[1:25, ] New data in diametro[26:40, ]

74.01

UCL

CL 73.99

LCL 1 3 5 7 9 12 15 18 21 Group 24 27 30 33 36 39

Number of groups = 40 Center = 74.00075 StdDev = 0.009856701

LCL is variable UCL is variable

Number beyond limits = 3 Number violating runs = 1

> qcc(diametro[1:25,], type="S", newdata=diametro[26:40,])

S Chart for diametro[1:25, ] and diametro[26:40, ]


Group summary statistics
Calibration data in diametro[1:25, ] New data in diametro[26:40, ]

0.020

UCL

0.010

CL

0.000

LCL 1 3 5 7 9 12 15 18 21 Group 24 27 30 33 36 39

Number of groups = 40 Center = 0.00938731 StdDev = 0.009930923

LCL = 0 UCL is variable

Number beyond limits = 0 Number violating runs = 0

En MINITAB con tamaos de muestra diferente. Para el ejemplo se utilizara los mismos datos usados en R. Copiar los datos nuevos de archivo a MINITAB Hallar la carta promedio S para los datos prueba=TRUE Obtener el promedio y la desviacin estndar, debe ser: 74.00075 y 0.00953

41

Con estos datos construir las cartas promedio-R seleccionando prueba=FALSE En opcin xbar colocar el promedio y la desviacin estndar. El grafico es similar al encontrado con el programa R.
Xbar-R Chart of diametro
1

74.02 Sample M ean

1 1

U C L=74.01354 74.01 _ _ X=74.00075

74.00

73.99 26 27 28 29 30 31 32 33 34 Sample 35 36 37 38 39 40

LC L=73.98796

U C L=0.04687 0.04 Sample Range 0.03 0.02 0.01 0.00 26 27 28 29 30 31 32 33 34 Sample 35 36 37 38 39 40 LC L=0 _ R=0.02217

Los datos nuevos son evaluados en la carta bajo control estadstico, los valores fuera de la lnea estn fuera de control y se debe considerar que se debe a causas asignable. Interpretacin de los grficos

X ,R

Una vez desarrolladas las tcnicas para el clculo de los grficos de control conviene establecer unas pautas generales tendentes a ayudar a la "lectura de los grficos", con vistas a obtener el mximo provecho de ellos. a) Generales Los grficos de control pueden indicar una situacin fuera de control an sin existir puntos fuera de los lmites de control cuando los puntos representados sigan pautas distintas al comportamiento aleatorio. En algunos casos estas pautas pueden utilizarse para realizar modificaciones que reduzcan la variabilidad del proceso (objetivo bsico del SPC.) Para interpretar pautas en el grfico X es preciso antes asegurarse de que el grfico R est bajo control. Lo primero ser, pues, eliminar las causas asignables correspondientes al grfico R. Esto, en muchos casos, eliminar automticamente las pautas del grfico

X.
Normalmente slo interesan los puntos fuera de los intervalos. Estos debern marcarse o destacarse (por ejemplo, con un crculo rojo). Los puntos que estn muy cerca de las lneas de control conviene marcarlos con un semicrculo (rojo, cuando estn fuera y negro cuando caen dentro. No es conveniente dedicar demasiada atencin al movimiento de los puntos dentro de los lmites de control, excepto en los casos de sesgo y tendencia que veremos mas adelante.

42

Se considera que el proceso est en estado controlado cuando: 25 puntos consecutivos caen dentro de los lmites de control En 100 puntos consecutivos no hay ms de 2 que caen fuera de lmites de control

No obstante se debe investigar y corregir la anomala. Se considera, tambin, que hay anomala en el proceso cuando varios puntos caen al mismo lado de la lnea central: 7 o ms puntos consecutivos 10 de 11 puntos consecutivos 12 de 14 puntos consecutivos

Cuando los puntos caen masivamente en el entorno de la lnea central (sobre-estabilidad), deben analizarse las causas (pues suponen una mejora) para intentar hacerlas permanentes. Los cambios en el grfico de

X no tienen porque reflejarse en el de R. Sin embargo, un cambio en la variabilidad (R), si que suele traducirse en cambios en el de medias ( X ).
Los cambios de turnos (operarios), de materias primas, etc. pueden dar lugar a periodicidades (ciclos). Cuando hay grandes-fluctuaciones en los puntos, suele deberse al mal manejo o falta de entrenamiento o inters del operario u operarios.

b) Aspectos especficos de los grficos R Un punto que sobrepasa el lmite superior puede indicar: La variabilidad del proceso ha empeorado Cambio de persona o instrumento de medida En todos los casos en los que un punto cae fuera de los lmites de control (superior o inferior), hay que comprobar antes de cualquier accin: Que el punto ha sido bien marcado Que los lmites han sido bien calculados. Frecuentemente, pueden detectarse cambios anormales del proceso antes de que este se salga de los lmites de control. Estos cambios son advertidos por un Sesgo en el grfico, como ocurre en el caso de que 7 o ms puntos sucesivos caigan en el lado superior de la lnea central, sin salirse de los lmites.. Un "sesgo" significa mayor variabilidad en la produccin (cambio de lote de producto, avera de mquina, etc.) Cuando el sesgo est por debajo de la lnea central R, esto indica MENOR variabilidad en el proceso, lo que es indicador de una mejora, que debe ser estudiada para intentar hacerla permanente. En la practica, un 60% de los puntos deben caer en la parte central, un 40% en las 2/3 restantes aproximadamente. Si no es as, conviene recalcular de nuevo los lmites de control. Cada vez que un punto salga de los lmites de control, y se detecte y se corrije la causa, deberan recalcularse los lmites de control. En cualquier caso estos deberan recalcularse cada 5-6 meses. En los nuevos clculos deben suprimirse los datos que estn fuera de lmites de control, siempre y cuando se hayan determinado y eliminado las causas.

43

Cuando la carta R indica bajo control, la variabilidad del proceso est controlada, por lo que el proceso es estable, y puede pasar a analizarse el Grfico c) Aspectos especficos de los grficos

X.

Un punto fuera de lmites indica generalmente: El proceso ha sido modificado en ese momento o desde la ltima toma de muestra Modificacin de la medida por cambio de persona o instrumento de medicin El punto est mal marcado o los lmites estn mal calculados

Al igual que en los Grficos R, existe sesgo cuando hay 7 o ms puntos seguidos a un mismo lado de la lnea de

X.

Una tendencia puede significar un desajuste gradual del proceso. Igual que en los grficos R, el reparto de puntos aproximado debe ser 60% en el tercio central, 40% lo restante. El reclculo de los lmites de control debe hacerse a la vez en las dos cartas. Cartas de control de atributos. Defecto: una caracterstica del producto que no cumple con los requisitos de la especificacin tcnica. Unidad defectuosa: Es la unidad de producto que contiene uno o ms defectos Algunas caractersticas de calidad no pueden ser representadas convenientemente por medio de variables cuantitativas. En estos casos, las unidades de producto se clasifican en conformes o en no conformes segn la caracterstica o caractersticas cualitativas sean o no conformes con las especificaciones. Las caractersticas de calidad de este tipo se denominan atributos. Los datos de tipo atributo tienen solamente dos valores: Conforme / no conforme, pasa/no pasa, funciona / no funciona, presente / ausente. Tambin se consideran atributos aquellas caractersticas cuantitativas que se registran en trminos de sino como por ejemplo, el dimetro de un eje cuya conformidad solo la medimos en trminos de aceptable/no aceptable, las imperfecciones de pintura en una puerta de un automvil, las burbujas en la laca de un detonador, la presencia/ausencia de un percutor, etc. Tipos de grficos de control por atributos: Clasificacion: P ( n constante o variable) y NP (n constante Conteo: u ( n variable) y c ( n constante)

Grfico p para porcentajes defectuosos Grfico np para el nmero de unidades defectuosas Grfico c para el nmero de defectos Grfico u para el nmero de defectos por unidad inspeccionada En la practica solo son 3: Carta P, C y U.

44

Cartas de control: numero y porcentaje de unidades defectuosas Grfico p para porcentajes defectuosos La fraccin no conforme de un colectivo se define como el cociente entre el nmero de unidades defectuosas y el nmero total de unidades en dicho colectivo. Cada unidad de producto puede ser examinada por el inspector respecto de una o varias caractersticas cualitativas. Si la unidad inspeccionada no es conforme respecto a la especificacin en una o ms caractersticas, se clasifica como no conforme. Habitualmente, la fraccin no conforme se expresa en forma decimal aunque puede tambin indicarse en tanto por ciento. La distribucin binomial es la base estadstica del grfico de control por atributos. Supondremos que el proceso est operando de forma estable y que la posibilidad de que una unidad de producto sea defectuosa es constante y de valor p. Tambin, supondremos que las unidades producidas sucesivamente son independientes. Entonces, si tomamos una muestra de n unidades, y llamamos x al nmero de unidades no conformes, la probabilidad de que x tome los valores 0, 1, 2.... n vendr determinada por la distribucin binomial con parmetros n, p:

El valor medio y la varianza de esta distribucin son :

La fraccin muestral no conforme se define como el cociente entre el nmero de unidades no conformes en la muestra x y el tamao de la misma p = x/n. El valor medio y la varianza de p sern respectivamente :

como consecuencia de la relacin p = x/n Construccin del grfico de control p La base estadstica para definir los lmites de control es comn con los restantes grficos de Shewhart: Si W es un estadstico que describe una determinada caracterstica de calidad 2 siendo w y w su media y su varianza, los lmites de control se definen como:

UCL = + K ; Central = ; LCL = K


K es la distancia de los lmites de control a la lnea central expresada como un mltiplo de sw. Habitualmente escogeremos K = 3. Supongamos que se conoce o se especifica la fraccin p no conforme de un proceso de produccin. Entonces los limites de control resulta:

UCL = p + 3

p(1 p) p(1 p) ; LCL = p 3 ; Central = p n n

La operativa consiste en tomar sucesivas muestras de n unidades, contar dentro de cada muestra el nmero de unidades no conformes y calcular = D/n llevando este valor al

45

grfico. En tanto permanezca dentro de los lmites de control y la secuencia de puntos no seale ninguna pauta distinta a la que puede surgir por mero azar, diremos que el proceso est bajo control al nivel p de fraccin no conforme. Si por el contrario, observamos algn punto fuera de control o un patrn inusual diremos que la fraccin defectuosa ha cambiado a un nivel diferente y que el proceso est fuera de control. Cuando se desconoce p, debe estimarse a partir de los datos. El procedimiento a seguir es seleccionar m muestras preliminares, cada una de tamao n. Como norma general, m estar comprendido entre 20 y 25. Si Di es el nmero de unidades defectuosas en la muestra i, calcularemos la fraccin defectuosa en la muestra como

= Di ; i = 1, 2... .n y la media de estas fracciones, P = Di , estimar la media p del p n n.m


proceso siendo los lmites de control:

UCL = p + 3

p (1 p ) p (1 p ) ; LCL = p 3 ; Central = P n n

Frecuentemente se utiliza solo el lmite superior. Estos lmites de control se consideran como limites de prueba y sirven para determinar si el proceso estaba bajo control cuando las m muestras iniciales fueron seleccionadas. Si todos los puntos caen dentro de los lmites de control y no se observa ninguna pauta anormal dictaminaremos que el proceso estaba bajo control a la toma de las m muestras y los lmites de prueba sern validos para controlar la produccin actual y la futura. Los lmites de control para la produccin actual deben basarse en datos obtenidos de una situacin estable. Por ello, cuando alguno de los puntos iniciales est fuera de control se hace necesario revisar los lmites de control. Esto se realiza examinando cada punto fuera de control y buscando las causas asignables. Si se localiza la causa asignable se descarta el punto correspondiente y se vuelven a calcular los lmites de control con los puntos restantes. Puede darse el caso que alguno de estos restantes puntos se encuentre ahora fuera de control respecto de los nuevos lmites ya que estos sern, normalmente, ms estrechos que los iniciales. Entonces, deben repetirse los pasos dados anteriormente hasta que todos los puntos se encuentren dentro de control con lo que ya podremos adoptar los lmites hasta entonces provisionales como lmites definitivos. Si el grfico de control se basa en un valor estndar conocido (un objetivo) para la fraccin no conforme p, entonces el clculo de lmites de prueba es, generalmente, innecesario aunque deben tomarse ciertas precauciones en el sentido de comprobar si el proceso est bajo control a un valor de p diferente del indicado en el objetivo. Por ejemplo, supongamos que la Direccin seala como valor objetivo p = 0,01 pero que el proceso se encuentra realmente bajo control a p = 0,05. Utilizando el grfico correspondiente a p = 0,01 encontraremos muchos puntos fuera de control sin que aparezca causa asignable. No obstante, suele ser til esta opcin para mejorar el nivel de calidad llevando el proceso al nivel adecuado, sobre todo en procesos donde la fraccin no conforme puede ser controlada mediante un proceso sencillo de ajuste. Diseo del grfico p El grfico p tiene tres parmetros a especificar: Tamao y frecuencia de muestras y distancia entre lmites de control. Es frecuente calcular el grfico de control a partir de la inspeccin realizada a lo largo de un periodo de tiempo determinado. Un da, un turno, etc. En este caso, la frecuencia y el tamao de la muestra estn relacionados. Generalmente, se selecciona inicialmente una frecuencia de muestra apropiada para la produccin a inspeccionar y de ah resulta el tamao de la muestra.

46

Los subgrupos racionales pueden jugar tambin un papel importante en determinar la frecuencia de muestra. Por ejemplo, si hay tres turnos y sospechamos que entre turnos puede variar el nivel de calidad utilizaremos cada turno como un subgrupo sin mezclarlos para obtener una fraccin diaria no conforme. Si p es pequeo n deber ser suficientemente grande para encontrar, al menos una unidad defectuosa en la muestra. Se ha sugerido que el tamao de muestra debe ser lo bastante grande para tener una probabilidad de aproximada de 50% de detectar un cambio de una determinada magnitud. Por ejemplo, para p = 0,01 y que queremos que la probabilidad de detectar un cambio a p = 0,05 sea del 50%, entonces aproximamos la distribucin binomial respecto de la normal, escogeremos de tal forma que el lmite de Control Superior coincide con la fraccin no conforme en la situacin de fuera de control. Si es la magnitud del cambio del proceso, entonces n debe satisfacer

=K

k p(1 p) , entonces n = n

p (1 p )

(3/0.04)^2*0.01*0.99= 55.68 En nuestro ejemplo, p = 0,01, el cambio = 0,05-0,01 = 0,04 y K=3 n = 56

Los lmites 3 son los que se usan con ms frecuencia aunque pueden adaptarse otros ms sensibles a costa de exponerse a situaciones ms frecuentes de falsa alarma. A veces, suelen usarse limites ms estrechos (por ejemplo 2) dentro de una situacin de urgencia para mejorar la calidad de un proceso. Estos lmites deben utilizarse con precaucin porque las falsas alarmas destruyen la confianza de los operadores en los grficos de control, en este caso, n=25. Hay que tener en cuenta que los lmites de control estudiados se basan en la distribucin binomial que considera constante la proporcin defectuosa p y que los valores sucesivos son independientes. En procesos en los que las unidades no conformes estn agrupadas o en los que la probabilidad de producir una unidad defectuosa depende de que la anterior unidad producida haya sido no defectuosa, no son aplicables este tipo de grficos. Deben examinarse con cuidado aquellos puntos situados por debajo del lmite de control inferior. Estos puntos no suelen ser lo que aparentemente indican: Una mejora en la calidad del proceso por disminucin de a sino que suelen originarse por errores en la inspeccin o por causa de aparatos de medida mal calibrados. Tambin puede deberse a que los operadores hayan registrado datos ficticios para cubrir su responsabilidad. Elementos defectuosos: defectos por unidad (DPU) Cada elemento se clasifica en una de dos categoras, como por ejemplo pasa/no pasa o defectuoso/no defectuoso. Usted cuenta el nmero de elementos defectuosos y determina la proporcin (o porcentaje). Ejemplo Un proceso de inspeccin automatizado examina pernos para detectar fracturas severas que ocasionen que los pernos no se puedan utilizar. Para cada subgrupo, los analistas registran el nmero de pernos inspeccionados y el nmero de pernos rechazados.

47

Grfico np para unidades defectuosas Supongamos un proceso que fabrica tornillos. Una manera de ensayar cada tornillo sera probarlo con una rosca calibrada.

Para controlar este proceso, se puede tomar una muestra de tornillos y contar el nmero de defectuosos presentes en la muestra.

La variable aleatoria nmero de defectuosos es una variable aleatoria discreta, porque puede tomar un nmero finito de valores, o infinito numerable. Los grficos np se utilizan para controlar el nmero de defectuosos en una muestra. Para controlar este proceso, un inspector se coloca al final de la lnea de produccin y cada hora retira una muestra de n=50 tornillos (por ejemplo), comprueba cada uno con la rosca y anota el nmero de defectuosos.

Este resultado se anota en un grfico hora por hora denominado grfico np. Si se toma del proceso un slo tornillo Cul es la probabilidad de que sea defectuoso? Imaginando la poblacin de tornillos que podra fabricar el proceso trabajando siempre en las mismas condiciones, una cierta proporcin p de estos seran defectuosos. Entonces, la probabilidad de tomar un tornillo y que sea defectuoso es p. En una muestra de n tornillos, la probabilidad de encontrar: 0 defectuosos ; 1 defectuoso ; 2 defectuosos ; ... ; n defectuosos est dada por una distribucin binomial con parmetros n y p. Como sabemos, el promedio de la poblacin es p y la varianza es n.p.(1-p). Para construir los grficos de control np, en una primera etapa se toman N muestras (ms de 20 25) a intervalos regulares, cada una con n tornillos. Se cuenta en cada muestra el Nmero de Defectuosos y se registra. Se obtendra una Tabla como la siguiente: Muestra 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 Nro Def. 3 2 4 3 4 2 5 3 4 3 3 2 1 2 3 2 3 2 3 5 3 2 1 4 6 En cada muestra, la fraccin de defectuosos es Di/n, siendo Di el nmero de elementos defectuosos en la muestra i, y n el nmero de elementos en la muestra i

48

A partir de la tabla podemos calcular p como promedio de las fracciones de defectuosos en las muestras:

siendo N el nmero de muestras, y luego la Desviacin estndar s:

Con esto podemos calcular los Lmites de Control para el grfico np:

Central = n p ; Central = n p ; UCL = n p + 3 np(1 p) ; UCL = n p 3 np(1 p)


Construimos entonces un Grfico np de prueba y representamos el nmero de defectuosos en las muestras. Con MiniTab. Asuma N=10
N P Chart of Disconformes
8 7 6 Sample Count 5 4 3 2 1 0 1 3 5 7 9 11 13 15 Sample 17 19 21 23 25 LCL=0 __ NP=3 UCL=7.347

con R. > x<-c(3,2,4,3,4,2,5,3,4,3,3,2,1,2,3,2,3,2,3,5,3,2,1,4,6) > qcc(x,type="np",sizes=10)


np Chart for x
UCL 4 6

Group summary statistics

CL LCL 1 3 5 7 9 11 13 15 17 19 Group 21 23 25

0 Number of groups = 25 Center = 3 LCL = 0 StdDev = 1.449138 UCL = 7.347413

Number beyond limits = 0 Number violating runs = 0

49

Si no hay puntos fuera de los lmites de control y no se encuentran patrones no aleatorios, se adoptan los lmites calculados para controlar la produccin futura. En el caso de muestras variables se utiliza la carta P para la proporcin de disconformes. Copiar de archivo los datos de la hoja n y np lo correspondiente a tamaos diferentes. La carta P con el uso de minitab es:

Con el uso de R. > muestra<-c(10,9,12,12,16,12,9,8,12,14,11,10,11,8,7, 10,12,14,12,16,12,11,6,10,12) > Disconformes<-c(2,1,3,2,3,0,1,2,0,1,3,0,7,3,3,5,1,0,7,0,0,1,2,3,0) > qcc(Disconformes,type="p",sizes=muestra)

Group summary statistics

p Chart for Disconformes


0.6 UCL CL 0.0 LCL 1 3 5 7 9 11 13 15 17 19 21 23 25 Group Number of groups = 25 Center = 0.1811594 LCL = 0 StdDev = 0.3851502 UCL is variable

0.3

Number beyond limits = 2 Number violating runs = 0

Cartas de control para disconformidades (defectos) por articulo.

50

En algunos procesos interesa medir la cantidad de defectos que presentan las unidades de producto que se estn fabricando. Por ejemplo, se fabrican telfonos celulares y entonces se toma uno de ellos y se cuenta el nmero total de defectos. Los defectos pueden ser de diferentes tipos y se cuenta el total de todos estos defectos en la unidad inspeccionada. Obtenemos un resultado que es el Nmero de Defectos por unidad de inspeccin. A medida que el proceso genera las unidades (Telfonos mviles), retiramos una unidad a intervalos regulares y contamos el nmero total de defectos. En cada unidad podemos encontrar defectos o cero defectos. Defectos por unidad Cada elemento puede tener ms de un defecto o caractersticas indeseables. Por ejemplo, los defectos pueden incluir rasgaduras, rayas o pinchazos. Usted cuenta el nmero de defectos por unidad y determina una tasa de ocurrencia. Ejemplo Los inspectores recolectan 5 toallas de playa cada hora y las examinan para detectar defectos. Registran el nmero total de defectos para todo el subgrupo. Cada toalla puede tener ms de un defecto, como por ejemplo 1 rasgadura y 2 tirones (3 defectos).

En otro caso se inspeccionan equicpos y de igual forma se contabilizan los defectos:

Los resultados obtenidos al contar el Nmero de Defectos en unidades de inspeccin tomadas a intervalos regulares constituyen una variable aleatoria discreta, porque puede tomar los valores discretos 0, 1, 2, ... n. Esta variable aleatoria tiene una distribucin de Poisson:

Los grficos C se utilizan para controlar el nmero de defectos en una muestra del producto o unidad de inspeccin. Para controlar este proceso, un inspector se coloca al final de la lnea de produccin y cada cierto intervalo retira una unidad de inspeccin , verifica y anota el nmero total de defectos Este resultado se anota en un grfico denominado grfico C. De acuerdo a la Distribucin de

51

Poisson, si denominamos C al parmetro de la funcin de distribucin, el promedio de la poblacin es C y la varianza tambin es C. Una unidad defectuosa puede tener uno o ms defectos. Sin embargo, es posible que una unidad de producto tenga varios defectos y que no sea clasificada como defectuosa debido a la naturaleza poco importante del defecto. Existen en la prctica muchas situaciones en las que es preferible trabajar con el nmero de defectos que con el porcentaje o el nmero de unidades defectuosas. Por ejemplo, el nmero de soldaduras defectuosas en un tubo de conduccin de gas, el nmero de defectos funcionales es un dispositivo electrnico, etc. Se pueden efectuar grficos de control para el nmero total de defectos por unidad de producto o para el nmero de defectos en la muestra. Estos grficos de control se basan en la distribucin de Poisson que exige un nmero de puntos donde potencialmente podra producirse el defecto infinitamente grande, as como que la probabilidad de que el defecto aparezca en un determinado punto sea muy pequea y constante.. La unidad de inspeccin debe ser la misma en cada muestra. Es decir cada unidad de inspeccin debe representar siempre una probabilidad igual de que se produzcan los defectos. En la mayor parte de las situaciones prcticas, estas condiciones no se satisfacen exactamente. El nmero de oportunidades (puntos) para los defectos suele ser finito y la probabilidad de aparicin de defectos puede no ser constante. Si las desviaciones respecto de la situacin ideal no son importantes, puede usarse el modelo de Poisson. Existen, sin embargo, casos en los que las desviaciones respecto de las condiciones del modelo son considerables y en los que la utilizacin de la distribucin de Poisson es inadecuada. Grficos c para tamao de muestra constante. En el grfico c se representan el nmero de defectos existentes en cada unidad de inspeccin. En la mayor parte de los casos, la unidad de inspeccin ser una unidad de producto aunque esto no es absolutamente necesario ya que la unidad de inspeccin constituye simplemente una porcin de produccin sobre la que es conveniente registrar el nmero de defectos encontrados. Puede ser un grupo de 1,5 6 10 unidades de producto. Supongamos que los defectos tienen lugar en esta unidad de inspeccin de acuerdo con la distribucin de Poisson.

donde x es el nmero de defectos en la unidad de inspeccin y C es el parmetro de la distribucin, Sabemos que la media y la varianza de la distribucin de Poisson son ambas iguales a C. En consecuencia, los lmites de control 3 sigma para el nmero de defectos sern:

Hay que tener en cuenta que la probabilidad de producir una falsa alarma por situarse el punto por encima del lmite de control superior es diferente que la de situarse por debajo del lmite inferior (colas superior e inferior diferentes). Si no se conoce el parmetro c, debe estimarse a partir de una muestra preliminar de unidades de inspeccin. Anlisis de defectos Los datos sobre defectos aportan siempre mayor informacin que los relativos a unidades defectuosas ya que habitualmente existen diversos tipos de defectos. Al analizar por conteo la frecuencia de cada tipo de defecto observamos que, en muchas ocasiones, los resultados estn acordes con la distribucin de PARETO y que un pequeo nmero de defectos es causa de la mayor parte de los problemas. Si somos capaces de

52

eliminar las causas de unos pocos tipos de defectos, habremos conseguido una drstica mejora en la calidad. En el siguiente caso. (Montgomery, 2008) Se tiene una muestra de 26 unidades observadas de 100 producidas sobre circuitos impresos. (ver datos en archivo, hoja C)
C Chart of Disconformidades
40
1

UCL=33.21 30 Sample Count

20

_ C=19.85

10 LCL=6.48
1

0 1 4 7 10 13 16 Sample 19 22 25

En R: > Disconformidades<-c(21,24,16,12,15,5,28,20,31,25,20,24,16,19,10, 17,13,22,18,39,30,24,16,19,17,15) > qcc(Disconformidades,type="c") El numero promedio de defectos por unidad es obtenido por el cociente del total de defectos entre el numero de unidades. C promedio = 516/26 = 19.846
c Chart for Disconformidades
30 UCL CL LCL 1 3 5 7 9 11 13 15 17 19 21 23 25 Group Number of groups = 26 Center = 19.84615 StdDev = 4.454902

Group summary statistics

15

LCL = 6.481447 UCL = 33.21086

Number beyond limits = 2 Number violating runs = 0

Se estudio el caso de la unidad 6 y 20. Para la unidad 6 hubo un error de inspeccin porque el inspector no pudo reconocer los defectos. En el caso de la unidad 20 fuer problema de la temperatura en la soldadura que propicio muchos defectos. Grfico u

Supongamos que se est controlando el nmero de defectos en un proceso de ensamblado de licuadoras y se define una unidad de inspeccin de 5 licuadoras. En este caso es posible trabajar con un grfico C, como ya hemos visto. Pero tal vez se desea controlar el promedio de defectos por cada licuadora (unidad de produccin) en lugar del total de defectos para las 5 licuadoras (unidad de inspeccin):

53

siendo ni la cantidad de Defectos por Unidad de Inspeccin y m el nmero de Unidades de Produccin en la Unidad de Inspeccin. En nuestro ejemplo, si encontramos ni defectos en la unidad de inspeccin (5 licuadoras), la cantidad promedio de defectos por licuadora ser Se debe tener en cuenta que x es una nueva variable aleatoria discreta que toma valores 0, 1/m, 2/m,,etc., y cuya distribucin de probabilidades se puede calcular a partir de la distribucin de Poisson. Como en el caso de los grficos C, en una primera etapa se toman N unidades de inspeccin (ms de 25 30) a intervalos regulares. Se cuenta en cada unidad de inspeccin el Nmero de Defectos y se registra. Luego se divide el Nmero de Defectos de cada unidad de inspeccin por m (Nmero de unidades de produccin en cada unidad de inspeccin).

Entonces, a partir de la tabla podemos calcular el parmetro U, como promedio del Nmero de Defectos por licuadora, y la Desviacin Standard:

; siendo : ni la cantidad de Defectos por Unidad de Inspeccin, m el Nmero de Unidades de Produccin en la Unidad de Inspeccin que puede ser variable y N el Nmero de inspecciones. Con esto podemos calcular los Lmites de Control para el grfico U:

Central = U ; UCL = U + 3

U U ; LUL = U 3 m m

Para el ejemplo consideremos los datos del archivo, hoja U. En el ejemplo m es variable, pero puede ser constante.

U Chart of Defectos
1.4 1.2 Sample Count Per Unit 1.0 0.8 0.6 0.4 0.2 0.0 1 2 3 4 5 6 7 8 9 Sample 10 11 12 13 14 15 LCL=0 _ U=0.449
1

UCL=0.968

Tests performed with unequal sample sizes

54

En el caso R. > Licuadoras<-c(6,10,8,10,8,10,8,10,8,6,9,8,10,12,15) > Defectos<-c(2,3,3,7,2,12,9,2,3,1,5,1,2,7,3) > qcc(Defectos, type="u", sizes=Licuadoras)


u Chart for Defectos
Group summary statistics 1.2

UCL 0.8

0.0

0.4

CL

LCL 1 2 3 4 5 6 7 8 Group 9 10 12 14

Number of groups = 15 Center = 0.4492754 LCL = 0 StdDev = 2.078182 UCL is variable

Number beyond limits = 1 Number violating runs = 0

En ambos programas los resultados son los mismos. Analice esta carta de control. Grficos de control de sumas acumuladas (CUSUM) Los grficos de control que hemos visto hasta ahora se conocen como grficos de Shewhart. Un punto dbil de los grficos de Shewhart es que solo se utiliza la informacin contenida en la ltima muestra representada e ignora la informacin dada por el conjunto de muestras. Es cierto que la incorporacin de lmites de atencin y el estudio de pautas trata de mejorar la sensibilidad del grfico Shewhart utilizando ms el conjunto de la informacin pero a costa de complicar algo el grfico reduciendo la sencillez de la Interpretacin El grfico de sumas acumuladas (CUSUM) se presenta como una alternativa al grafico de Shewhart. Incorpora directamente toda la informacin representando las sumas acumuladas de las desviaciones de los valores muestrales respecto de un valor objetivo. Por ejemplo, supongamos que se toman muestras de tamao igual o mayor que 1, siendo muestral de la muestra i. Si suponemos que o (valor nominal) es el objetivo para la media del proceso, el grfico de sumas acumuladas se formar representando la cantidad nmero de orden (m) de la muestra. Por combinar la informacin de varias muestras, los grficos de sumas acumuladas son ms efectivos que los grficos de Shewhart para detectar pequeos cambios. Son particularmente eficaces cuando el tamao de muestra es n = 1 y, por consiguiente, adecuados para su utilizacin cuando la tecnologa permite inspeccionar y medir cada unidad producida usando a la vez un microordenador en el puesto de trabajo. Si el proceso se mantiene bajo control en el objetivo 0 , la suma acumulable variar aleatoriamente respecto del valor cero. Sin embargo, si la media asciende a 1 > o se

la media

(X ) respecto al
i 0

55

apreciar una tendencia ascendente en la suma acumulada Sm. Por el contrario, si la media se desplaza a 2 < 0 se apreciara una tendencia decreciente en Sm. Por consiguiente, una tendencia determinada (positiva o negativa) se considerar como una evidencia de que la media del proceso se ha desplazado debido a la presencia de alguna causa asignable que hay que investigar y eliminar. CUSUM TABULAR Es una carta en base a las desviaciones acumuladas, se utiliza tanto para datos indivuales como para promedios. Se requiere ciertos parmetros de control, tales como la media (valor central) y su desviacin estndar. La media (valor nominal) representado por 0. Los parmetros sirven para establecer los limites y la centralidad de la carta. Para construir la carta, se debe obtener dos columnas de valores acumulados C+ y C-, las que sern graficadas, baso en las siguientes relaciones: C+, i = max [ 0, xi (0+K)+C+, i-1 ] C-, i = max [ 0, (0+K)-xi + C-, i-1 ] Xi es un valor particular, si son datos agrupados, es representado por su promedio o es el valor objetivo (media centrada) K es un valor referencial (tolerancia), es un parmetro de la carta de control que normalmente vale o/2 siendo o el cambio que queremos detectar con prontitud. K tambin puede ser calculada como la desviacin estndar del promedio entre 2, siendo

K= f

; f=0.5 caso particular

Los limites para esta carta es H Los valores recomendables para H es 5 (cinco veces la desviacin estndar) Ejemplo. Datos del Archivo, hoja CUSUM (Montgomery, 2008) Aplicando las formulas de C+ C- y las columnas del corrimiento N. 0 = 10, K=0.5, =1, H=5 C+,1 = max(0, -1.25) = 0 C+,2 = max(0, -2.51+0) = 0 C+,3 = max(0, -1.21+0) = 0 C+,4 = max(0, 1.16+0) = 1.16 C+,5 = max(0, 1.66+1.16) = 2.82 C+,6 = max(0, -0.32+2.82) = 2.5 C-,1 = max(0, 0.05) = 0.05 C-,2 = max(0, 1.51+0.05) = 1.56 C-,3 = max(0, 0.21+1.56) = 1.77 C-,4 = max(0, -2.16+1.77) = 0 C-,5 = max(0, -2.66+0) = 0 C-,6 = max(0, -0.68+0) = 0 Para el corrimiento N, se contabiliza la secuencia hasta un cambio por el cero N+ : 0,0,0,1,2,3,4,5,0,0,0,1,2, De iguan forma para N-

56

Segn los clculos, se obtiene el siguiente resultado: Periodo 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 X 9.45 7.99 9.29 11.66 12.16 10.18 8.04 11.46 9.2 10.34 9.03 11.47 10.51 9.4 10.08 9.37 10.62 10.31 8.52 10.84 10.9 9.33 12.29 11.5 10.6 11.08 10.38 11.62 11.31 10.52 X-10.5 -1.05 -2.51 -1.21 1.16 1.66 -0.32 -2.46 0.96 -1.3 -0.16 -1.47 0.97 0.01 -1.1 -0.42 -1.13 0.12 -0.19 -1.98 0.34 0.4 -1.17 1.79 1 0.1 0.58 -0.12 1.12 0.81 0.02 C+ 0 0 0 1.16 2.82 2.5 0.04 1 0 0 0 0.97 0.98 0 0 0 0.12 0 0 0.34 0.74 0 1.79 2.79 2.89 3.47 3.35 4.47 5.28 5.3 N+ 0 0 0 1 2 3 4 5 0 0 0 1 2 0 0 0 1 0 0 1 2 0 1 2 3 4 5 6 7 8 9.5-X 0.05 1.51 0.21 -2.16 -2.66 -0.68 1.46 -1.96 0.3 -0.84 0.47 -1.97 -1.01 0.1 -0.58 0.13 -1.12 -0.81 0.98 -1.34 -1.4 0.17 -2.79 -2 -1.1 -1.58 -0.88 -2.12 -1.81 -1.02 C0.05 1.56 1.77 0 0 0 1.46 0 0.3 0 0.47 0 0 0.1 0 0.13 0 0 0.98 0 0 0.17 0 0 0 0 0 0 0 0

En Excel, el grafico seria:


6

5 4

3 2

1 0 0 -1 -2 5 10 15 20 25 30

-3

Con MINITAB: Copiar los datos del archivo.xls de CUSUM a la ventana de MINITAB. Seleccione Stat Control Charts Time-Weighted Charts CUSUM

57

Seleccione la opcion: Observations for a subgroup are in row of columns Target = 10 Opcion CUSUM, Stantard deviation = 1
CUSUM Chart of X
5.0 UCL=4 2.5

Cumulative Sum

0.0

-2.5 LCL=-4 -5.0 1 4 7 10 13 16 Sample 19 22 25 28

Con R: library(RODBC) canal <-odbcConnectExcel("archivos.xls") A<-sqlFetch(canal,"cusum") odbcCloseAll() library(qcc) carta<-qcc(A$X,type="xbar.one",target=10, std.dev=1, plot=F) cusum(carta)
Cusum Chart for A$X
5 UDB

Above Target Below Target

Cum ulative Sum

-5 -4 -3 -2 -1 0

LDB 1 3 5 7 9 11 14 17 20 23 26 29

Group Number of groups = 30 Target = 10 StdDev = 1 Decision boundaries (std. err.) = 5 Shift detection (std. err.) = 1 No. of points beyond boundaries = 2

Los clculos y la grafica indican que la cusum del lado superior en el periodo 29es C+,29=5.28. Puesto que se trata del primer periodo en el que C+,i > H = 5, se concluira que el proceso esta fuera de controlen ese punto. La cusum tabular tambin indica el momento probable en que ocurri el corrimiento. El contado N+ registra el numero de periodos consecutivos desde que la cusum del lado superior C+,i subi por encima del valor cero.

58

Puesto que N+=7 en el periodo 29, se concluira que la ultima vez que el proceso estuvo bajo control fue en el periodo 29-7 = 22, por lo que el corrimiento ocurri posiblemente entre los periodos 22 y 23. Carta de Control del promedio mvil ponderado exponencialmente (EWMA) Es una buena alternativa para la carta de control de Shewhart cuando el inters se encuentra en detectar corrimientos pequeos. El desempeo de la carta de control EWMA es aproximadamente equivalente al de la carta de control de suma acumulada (CUSUM tabular) y, en cierto modo, es mas sencilla de establecer y operar. Como con la cusum, el EWMA se usa de maneta tpica con observaciones individuales y posteriormente con subgrupos. El promedio mvil ponderado exponencialmente se define como: Zi = Xi +(1-) Zi-1 Donde o< <1 es una constante y el valor inicial para i=0, Z0 =0 En ocasiones se puede utilizar el promedio de las X como valor inicial Si L es la anchura de los limites de control, entonces los limites de la carta de control EWMA son:

UCL = + L
0

[1 (1 ) ] ; Central = 0
2i

LCL = + L
0

[1 (1 ) ]
2i

La unidad i, esta referido al numero de la muestra (o tiempo). A la larga

UCL = + L
0

LCL = L
0

Ejemplo, con =0.10 y L= 2.7, 0 = 10 y =1 para los datos Los clculos para la curva EWMA y los limites en Excel: EWMA 9.95 9.75 9.70 9.90 10.13 10.13 9.92 10.08 9.99 10.02 9.92 10.08 10.12 10.05 10.05 9.98 10.05 10.07 9.92 10.01 10.10 UCL 10.27 10.36 10.42 10.47 10.50 10.52 10.54 10.56 10.57 10.58 10.59 10.59 10.60 10.60 10.61 10.61 10.61 10.61 10.61 10.61 10.62 LCL 9.73 9.64 9.58 9.53 9.50 9.48 9.46 9.44 9.43 9.42 9.41 9.41 9.40 9.40 9.39 9.39 9.39 9.39 9.39 9.39 9.38 Centro 10 10 10 10 10 10 10 10 10 10 10 10 10 10 10 10 10 10 10 10 10

59

10.02 10.25 10.37 10.40 10.47 10.46 10.57 10.65 10.63

10.62 10.62 10.62 10.62 10.62 10.62 10.62 10.62 10.62

9.38 9.38 9.38 9.38 9.38 9.38 9.38 9.38 9.38

10 10 10 10 10 10 10 10 10

EWMA: Z1 =0.1*X1+0.9*10 = 9.945 Z2 =0.1*X1+0.9*9.945 = 9.7495 ... UCL: 1: =10+2.7*1*SQRT((0.1/1.9)*(1-0.9^(2*1))) = 10.27 2: =10+2.7*1*SQRT((0.1/1.9)*(1-0.9^(2*2))) = 10.36 ... LCL: 1: =10-2.7*1*SQRT((0.1/1.9)*(1-0.9^(2*1))) = 9.73 2: =10-2.7*1*SQRT((0.1/1.9)*(1-0.9^(2*2))) = 9.63 ... Centro = 10

Con MINITAB Seleccione Stat Control Charts Time-Weighted Charts EWMA Seleccione la opcion: Observations for a subgroup are in row of columns Weight of EWMA = 0.10 EWMA options: Mean = 10, Standard deviation = 1

EWMA Chart of X
10.8 UCL=10.688 10.6 10.4 10.2 EWMA 10.0 9.8 9.6 9.4 LCL=9.312 9.2 1 4 7 10 13 16 Sample 19 22 25 28 _ _ X=10

En R: library(qcc) carta<-qcc(A$X,type="xbar.one",target=10, std.dev=1, plot=F) ewma(carta)

60

E WM A C h a rt fo r A$ X
Group Summary Statistics 12 8 1 9 10 11

11

14

17

20

23

26

29

G roup Num be r o f g roup s = 3 0 Ta rg et = 1 0 S td D e v = 1 S m o o thing p aram e ter = 0 .2 C o ntro l lim its a t 2 .7 *sigm a

Con Excel

10.8 10.6 10.4 10.2 10 9.8 9.6 9.4 9.2 0 5 10 15 20 25 30 35

Al igual que CUSUM, el EWMA tiene un buen desempeo contra los corrimientos pequeos, pero no reacciona con tanta rapidez como la carta de Shewart a los corrimientos grandes. Sin embargo, el EWMA con frecuencia es superior a la CUSUM para los corrimientos grandes , en particular si >0.1. Una buena manera de mejorar adicionalmente la sensibilidad del procedimiento de control a los corrimientos grandes sin sacrificar para detector los corrimientos pequeos es combinar la carta de Shewhart-EWMA. Estos procedimientos juntos son buenos contra los corrimientos pequeos y grandes. Carta de control del promedio mvil En la carta EWMA se utiliza un promedio ponderado como el estadstico de la carta. Ocasionalmente puede ser de inters otro tipo de carta de control ponderada con el tiempo basada en un promedio mvil no ponderado simple. Si x1, x2,..., son observaciones individuales el promedio mvil de extensin w en el tiempo i se define como:

Mi =

x +x
i

i 1

+ xi 2 + ... + xi w+1 w

Es decir, en el periodo de tiempo i, se saca la observacin mas antigua del conjunto del promedio mvil y se agrega al conjunto la mas reciente. La varianza del promedio mvil Mi es:

61

V ( Mi ) =

j = i w +1

V ( x ) =
j

j = i w +1

= w
i 2

Por lo tanto se 0 denota el valor objetivo de la media usada como lnea central de la carta de control, entonces los limites de control 3 sigma para Mi son:

UCL = +
0

3 w

LCL =
0

3 w

El procedimiento de control consistir en calcular el nuevo promedio mvil Mi cada vez que se disponga de una carta de control con limites de control superior e inferior y concluir si el proceso esta fuera de control si se sale de los limites. Ejemplo. Para los datos de CUSUM, para w=5, xi, para i=1,2,...,30, =1.0
Moving Average Chart of X
13 12 Moving Average UCL=11.342 11 10 9 LCL=8.658 8 7 1 4 7 10 13 16 Sample 19 22 25 28 _ _ X=10

Con Excel. Periodo 1 2 3 4 5 .... 30 X 9.45 7.99 9.29 11.66 12.16 .... 10.52 M 9.45 8.72 8.91 9.5975 10.11 .... 10.982 UCL 13 12.12132 11.73205 11.5 11.34164 ... 11.34164 LCL 7 7.879 8.268 8.5 8.658 ... 8.658 Centro 10 10 10 10 10 ... 10

m1 = x1 = 9.45 m2 = (x1+x2)/2 = 8.72 m3 = (x1+x2+x3)/3 = 8.91 m4 = (x1+x2+x3+x4)/4 =9.59 m5 = (x5+x4+x3+x2+x1)/5 =10.11 m6 = (x6+x5+x4+x3+x2)/5 =10.256 ... m30 = (x30+x29+x28+x27+x26)/5 = 10.982 Ver la tabal excel CUSUM.

62

12 11.5 11 10.5 10 9.5 9 8.5 8 -8 2 12 22 32

Con R. Cargar el programa "movil.R" #----------movil <- function(x, w ,nsigmas=3, std.dev=1, target=0,...) { n<-length(x) m<-rep(0,n) ucl<-m lcl<-m s<-0 for( i in 1:w){ s<- s+x[i] m[i]<-s/i ucl[i] = target + nsigmas*std.dev/sqrt(i) lcl[i] = target - nsigmas*std.dev/sqrt(i) } for( i in (w+1):n){ m[i]<-mean(x[(i-w+1):i]) ucl[i] = target + nsigmas*std.dev/sqrt(w) lcl[i] = target - nsigmas*std.dev/sqrt(w) } a<-min(lcl)-1 b<-max(ucl)+1 plot(m,type="b",col="blue", ylim=c(a,b),pch=16, main="Moving Average Chart of X",ylab="Moving Average",xlab="Sample") lines(ucl,type="s",col="red") lines(lcl,type="s",col="red") abline(h=target) # localiza puntos fuera de control for( i in 1:n){ if ((m[i] > ucl[i]) | (m[i] < lcl[i])) points(i,m[i],col="red",pch=16) } limites<-paste(c("UCL", "LCL", "Center","w","Std.dev"),c(round(ucl[n],2),round(lcl[n],2),target,w,st d.dev),sep=": ") legend("topright",limites,cex=0.8) tabla<-data.frame(M=m,UCL=ucl,LCL=lcl) return(pmovil=tabla) } #-----------------source("movil.R") ahora ejecutar la funcin mvil.

63

output <- movil(A$X,w=5,std.dev=1,nsigmas=3,target=10) En output se encuentra la tabla de salida con los calores de M y los limites.
M o v in g A v e r a g e C h a r t o f X
14
U C L: 11.34 LC L: 8.66 C e n t e r: 1 0 w: 5 S t d . d e v: 1

Moving Average

6 0

10

12

10

15 S a m p le

20

25

30

Ejercicios: Cambiar los parmetros del promedio movil: 1. Extensin con valores de 8, 10 y 15 observar los cambios en el corrimiento. output <- movil(A$X,w=8,std.dev=1,nsigmas=3,target=10) 2. El target cambia de 10 a 10.5. output <- movil(A$X,w=5,std.dev=1,nsigmas=3,target=10.5) 3. Cambio a 2 sigmas. output <- movil(A$X,w=5,std.dev=1,nsigmas=2,target=10) ANLISIS DE LAS CARTAS DE CONTROL EN GENERAL El uso de los lmites de tres sigma es una consecuencia directa de la hiptesis de la normalidad. Se puede demostrar que si la distribucin es normal, entonces aproximadamente el 99,7 por ciento de todos los datos se encuentran dentro de tres desviaciones estndar de la media . Si un observacin cae ms all de tres desviaciones estndar de la media, la observacin se marca como inusual ya que la probabilidad de que esto ocurra es de 0,003 y puede ser un indicio de un proceso fuera de control. Cuando un punto cae fuera de los lmites de control, la probabilidad es bastante elevado que el proceso ha cambiado, por lo tanto el proceso esta fuera de control estadstico. Si un ajuste se hace cada vez que un punto esta fuera, es posible que tienden a desestabilizar a un proceso estable. En la situacin ideal, un proceso no debera necesitar ajustes, excepto cuando el grfico indica que est fuera de control estadstico. CRITERIOS PARA MANEJO DE LAS CARTAS DE CONTROL EN GENERAL 1. 2. 3. 4. 5. 6. 7. 8. Un punto ms de 3 sigma desde la lnea central (ambos lados). Nueve puntos consecutivos en el mismo lado de la lnea central. Seis puntos consecutivos en aumento o disminucin. Catorce puntos consecutivos, alternando arriba y abajo. Dos de cada tres puntos ms de 2 de la lnea central (del mismo lado). Cuatro de cada cinco puntos ms que 1 de la lnea central (del mismo lado). Quince puntos en una fila de 1 de la lnea central (ambos lados). Ocho puntos consecutivos ms de 1 de la lnea central (ambos lados).

64

Capacidad de Proceso
Un proceso de fabricacin es un conjunto de equipos, materiales, personas y mtodos de trabajo que genera un producto fabricado. Para analizar el comportamiento del proceso, se toman muestras de producto fabricado y se realizan ensayos para determinar el valor de una caracterstica de calidad seleccionada previamente. Desde el punto de vista del control estadstico, es conveniente incluir la etapa de muestreo y ensayo dentro del proceso mismo. PROCESO -------------> MUESTRA --------------------> ENSAYO Conceptualmente debemos considerar que cualquier variacin en las condiciones de un proceso (Modificacin en el equipo, cambio de materias primas, etc.) da lugar a otro proceso, diferente del anterior. El primer paso para aplicar una tcnica estadstica es definir la caracterstica de calidad que se va a medir en el producto fabricado. Desde el punto de vista estadstico, esta caracterstica de calidad constituye una variable aleatoria, porque an despus de realizar una serie de mediciones, el valor que se obtendra en la siguiente medicin no puede predecirse por clculo. El conjunto de todos los resultados de mediciones que pueden obtenerse es nuestro universo o poblacin. Cualquier subconjunto de mediciones extrado del universo constituye una muestra. Con respecto al concepto de universo o poblacin, cuando se aplica a resultados de mediciones en un proceso, es necesario puntualizar lo siguiente: La poblacin o universo de resultados es el conjunto de datos que se obtuvieron hasta ese momento mas aquellos que se obtendran si el proceso continuara funcionando siempre bajo las mismas condiciones. Esto se conoce como Universo Hipottico de mediciones de la caracterstica de calidad. Antes de aplicar cualquier tcnica estadstica, es necesario establecer algunas hiptesis bajo las cuales se va a desarrollar el anlisis. En primer lugar, vamos a suponer que la caracterstica de calidad (Variable aleatoria) es continua y de distribucin normal. En segundo lugar, consideraremos que el proceso est bajo control estadstico, es decir que la variabilidad se debe solamente a un sistema constante de causas aleatorias (No intervienen causas asignables). Al realizar una sucesin de mediciones de la caracterstica de calidad sobre muestras del producto fabricado, encontramos que los valores fluctan alrededor de un valor central. Esto es lo que llamamos la fluctuacin natural y esperable del proceso. Esta variacin de la caracterstica de calidad medida se debe a un conjunto muy grande de causas que afectan el proceso, cuyo efecto individual es pequeo y que actan en forma aleatoria (Sistema constante de causas aleatorias). La fluctuacin natural del proceso es inherente al mismo y no puede eliminarse, slo puede reducirse realizando modificaciones al proceso mismo, lo cual significa, como ya hemos dicho, trabajar con otro proceso. La fluctuacin natural de un proceso puede cuantificarse a travs de la desviacin estndar del mismo, con la cual podemos calcular Lmites de Tolerancia Natural del proceso. Se debe insistir en que estos lmites no pueden fijarse voluntariamente, dependen del proceso y de las variables no controlables del mismo. Generalmente se toma un rango para la fluctuacin natural de 6 sigmas. Los Lmites de Especificacin de un producto son fijados voluntariamente por el cliente, por el fabricante o por alguna norma. Estos lmites constituyen un requisito a cumplir por el producto y no deben confundirse en ningn caso con los Lmites de Control o con los Lmites de Tolerancia Natural del proceso. La Capacidad de un proceso es la aptitud para generar un producto que cumpla con determinadas especificaciones. En el mejor de los casos, es conveniente que los Lmites de Tolerancia Natural del proceso se encuentren dentro de los Lmites de Especificacin del

65

producto. De esta manera nos aseguramos que toda la produccin cumplir con las especificaciones. Para analizar la capacidad del proceso se puede utilizar un histograma de frecuencias. Si se dispusiera de todos los datos del universo para la caracterstica de calidad medida y se hiciera un histograma este permitira tener una idea exacta de la fluctuacin natural del proceso. Como esto es imposible, es necesario tomar un cierto nmero de mediciones (Mnimo 100-200) y efectuar con ellas un histograma de frecuencias.

Este es el histograma de una muestra y por lo tanto es slo una estimacin del verdadero histograma del universo. Si representamos en las abscisas los Lmites de Especificacin del producto, podemos ver grficamente si el proceso tiene aptitud (Capacidad) para fabricar dicho producto.

Anlisis de la capacidad del proceso

Las tcnicas estadsticas son tiles a lo largo de todo el ciclo productivo incluyendo: Actividades previas a la fabricacin, cuantificacin de la variabilidad del proceso, comparacin de la variabilidad con las especificaciones y la reduccin de la variabilidad. Al conjunto de estas actividades se le denomina anlisis en la capacidad del proceso.

66

Definiremos el anlisis de capacidad, como el estudio de ingeniera encaminado a estimar la capacidad del proceso. La capacidad del proceso puede estimarse definiendo la forma de la distribucin que sigue la variable en estudio y dando una medida del valor central (media) y de la dispersin (sigma). La capacidad del proceso se refiere a su uniformidad, la variabilidad es una medida de la uniformidad. Existen dos formas de variabilidad, la variabilidad inherente, existente en un momento dado, tambin llamada variabilidad instantnea y la variabilidad a lo largo del tiempo. Como medida de la capacidad de un proceso es costumbre tomar un intervalo de 6 u 8 en la distribucin de la caracterstica en estudio. La figura adjunta muestra un proceso para el que la distribucin es Normal con media y desviacin tpica . Los lmites naturales de tolerancia inferior y superior del proceso caen en el intervalo -3 y - 3. Para la distribucin Normal los lmites de tolerancia incluyen el 99,75% de los valores de la variable. Dicho de otra forma, slo el 0,27% de los valores caen fuera de los lmites naturales de tolerancia. Si la distribucin no es Normal, el porcentaje de valores fuera de los lmites 3 puede desviarse sensiblemente del 0,27% citado. Se pueden utilizar como medida de la capacidad otros criterios como por ejemplo que el 98% de la produccin entre en el intervalo de Tolerancia. En este caso utilizando las tablas de la Distribucin Normal (Tabla I) vemos que deben entrar como mnimo 2x2,33 = 4,66 . El anlisis de capacidad del proceso es fundamental en un Programa Integral de Mejora de Calidad. Entre sus aplicaciones, podemos sealar : 1. Predecir como se comportar el proceso respecto de las especificaciones. 2. Ayudar en la seleccin o modificacin de los parmetros del proceso. 3. Orientar en el establecimiento de la frecuencia de las muestras para el control del proceso. 4. Especificar las tolerancias de nuevos equipos. 5. Reducir la variabilidad en el proceso de fabricacin. Dos son, principalmente, las tcnicas utilizadas en el anlisis de la capacidad de un proceso: Histogramas y Grficos de Control. Estimacin de la capacidad del proceso. Como su nombre lo indica, es la capacidad del proceso para cumplir con los limites de especificacin. Como la amplitud de la banda es 3 sigma arriba y 3 abajo, la amplitud total es 6 sigma y la amplitud de especificacin esta dado por la distancia de los limites de especificacin, entones una relacin de ambas amplitudes dar una referencia de la capacidad del proceso. Las cartas

X y R proporcionan informacin del desempeo o capacidad del proceso. La

media se puede estimar con :

X que es el promedio de promedio y la desviacin estndar


= R

si USL y LSL son los limites de especificacin de la carta de control del promedio, entonces, la capacidad de proceso Cp es:

USL LSL 6
67

Se espera que Cp > 1 para indicar que el proceso esta cumpliendo con la especificacin. Lo ideal es haya mas seguridad. El mnimo que podra considerarse es 1.33, que equivale a un 33% de seguridad. Lo ideal es que sea superior a 1.6. Si Cp < 1 entonces la capacidad del proceso no cumple las especificaciones. Otro ndice el % de la banda de especificacin que utiliza el proceso, es la inversa de Cp por 100: Ejemplo. Datos del archivo pistones ( Montgomery, 2008) Los anillos para pistones de un motor de automvil se producen mediante un proceso de fundicin. Quiere establecerse el control estadstico del dimetro interior de los anillos fabricados con este proceso utilizando las cartas de control de promedio y rango. Se toman 25 muestras, cada una de tamao 5, cuando se considera que el proceso esta bajo control. Anlisis de la capacidad del proceso usando histogramas La distribucin de frecuencias suele ser til para estimar la capacidad del proceso. Se requieren, por lo menos, entre 50/100 observaciones para realizar la estimacin. Siempre que sea posible y antes de comenzar la recogida de datos, deben seguirse los siguientes pasos: a) Escoger adecuadamente la mquina o mquinas sobre las que va a realizarse el estudio de forma que sean representativas del conjunto de mquinas al que van a extenderse las conclusiones. b) Seleccionar las condiciones operativas del proceso definiendo cuidadosamente estas condiciones ya que su variacin puede afectar a la capacidad del proceso. c) Seleccionar, cuando proceda, un operador representativo. d) Seguir estrechamente el proceso de toma de datos y registrar el orden en que se producen. El histograma, con su valor medio

X y su desviacin tpica S estima la capacidad del

proceso que es X 3S. Una ventaja del histograma es que nos da una impresin inmediata de como es la caracterstica en estudio. Para cuantificar la Capacidad de Proceso se utilizan coeficientes que permiten comparar el rango de especificaciones con la fluctuacin natural del proceso. Uno de ellos es Cp:

USL LSL 6

donde USL y LSL son, respectivamente, el Lmite Superior y el lmite inferior de Especificacin. Si el proceso tiene capacidad para fabricar el producto, entonces Cp > 1. En general se exige Cp > 1.30 para mayor seguridad.

68

Histograma
100 80

frecuencia

USL-LSL = 25 6 = 18.75 Cp = 1.33

20

40

60

6
LSL USL

0 25

30

35

40

45

50

55

Cp tiene el inconveniente de que para poder aplicarlo, el centro de gravedad del rango de especificaciones debe coincidir con la tendencia central de las mediciones del proceso. Cuando esto no ocurre se emplea el Cpk:

Donde:

= min( X + USL, , computacin( X LSL)


En el grfico podemos observar que una buena parte del producto est por encima del Lmite Superior de Especificacin (LSE). An as resulta Cp > 1, indicando errneamente que el proceso tiene capacidad suficiente. En este caso se debe usar el segundo coeficiente que muestra claramente que el proceso no tiene capacidad suficiente (Cpk < 1), tal como se puede observar en el grfico.
Histograma
100 80

frecuencia

60

USL-LSL = 25 Cp = 1.33 USL-Promedio = 9 3 = 9.375

40

Cpk = 0.96

20

6
LSL USL

0 20

25

30

35

40

45

50

Un proceso suele decirse que es apto cuando Cp > 1 incluso Cp > 1,3 Modernamente, ha comenzado a utilizarse :

CPM =

USL LSL 6 '

69

donde :

=
' i

(xi no min al )2
n 1

siendo :

No min al =

USL LSL 2

El uso de un histograma para analizar la capacidad de un proceso tiene la ventaja de que se puede apreciar la forma de la distribucin, con lo cual se puede confirmar o rechazar la hiptesis de que la misma es normal. Pero el problema es que no se puede detectar la presencia de patrones no aleatorios, con lo cual no es posible confirmar o rechazar la hiptesis de que el proceso est bajo control estadstico. Si el proceso no est bajo control estadstico los resultados del anlisis de la capacidad de proceso no sern vlidos y pueden llevar a conclusiones equivocadas. Anlisis de la capacidad del proceso usando grficos de control Los histogramas y otros mtodos de anlisis tales como los grficos de probabilidad indican como vara el proceso pero no muestran, necesariamente, la capacidad potencial del proceso ya que ste puede estar en situacin de fuera de control o presentar pautas que si se eliminaran reduciran la variabilidad de la caracterstica en estudio. Los grficos de control son muy tiles en este sentido y deben ser considerados la tcnica principal en los anlisis de capacidad. En los anlisis de capacidad pueden usarse los grficos de control por variables y los grficos de control por atributos aunque son preferibles los primeros por la mayor informacin que suministran. Los grficos X , R permiten estimar la variabilidad instantnea (capacidad del proceso a corto plazo) y la variabilidad a lo largo del tiempo(capacidad del proceso a largo plazo). La variabilidad instantnea viene dada por s = R/d2 , donde d2 es un valor tabulado en funcin del tamao de muestra n. No debe estimarse la capacidad del proceso a corto plazo cuando se presenta una situacin fuera de control ya que previamente habra que encontrar las causas asignables y poner el proceso bajo control. Cuando se utilizan grficos X -R, en el grfico de X se representan los promedios de subgrupos, es decir, promedios mustrales. No debe confundirse la desviacin estndar del proceso con la desviacin estndar de los promedios mustrales. Si la desviacin estndar del proceso es s y cada subgrupo tiene n mediciones, la desviacin estndar entre subgrupos es:

Si se utiliza por error la desviacin estndar entre subgrupos para calcular los coeficientes de capacidad del proceso, se obtendrn valores ms altos que los que corresponden a la verdadera capacidad del proceso.

70

INDICES DE CAPACIDAD DE PROCESO Varios ndices se han desarrollado para tratar de cuantificar la capacidad del proceso en un solo nmero. Los requisitos de estabilidad y normalidad deben cumplirse para que estas medidas sean eficaces. Son cuatro los ndices Cp, Cr, Cpk,y CPM.

La medida Cr es inversa de Cp, el estimado es:

Cr: indica el porcentaje de la tolerancia dada por la banda de especificacin que es utilizada por el proceso, si Cp es 0.7, Cr = 1.42. Significa que el proceso utiliza 142% de la banda de especificacin. La medida Cpk penaliza al proceso cuya media es el centro. Tiene en cuenta el proceso de centrado

Es deseable que Cpk > 1 Histricamente, un valor de Cpk > 1,0 indican un proceso capaz. Esto sera equivalente a afirmar que los lmites proceso natural se encuentran dentro de los lmites de tolerancia. Recientemente, los requisitos de calidad se han vuelto ms exigentes, y muchos clientes exigen Cpk con valores de 1,33, 1,66, o 2,00. La medida Cpm se desarrollo para proveer una mejor medida del centrado, es decir mejorar el indice Cpk:

Donde T es el valor nominal del proceso; las medidas de y son estimados de la carta de control.
2

Los estimadores puntuales tienen cierto grado de error o variabilidad asociada con ellos, lo conveniente es hallar un intervalo de confianza para cada uno. NDICES DE RENDIMIENTO DEL PROCESO los ndices de rendimiento proporcionan una imagen del funcionamiento del proceso en curso y se han utilizado para la comparacin y priorizacin de los esfuerzos de mejora. Dos ndices de rendimiento, son Pp y Ppk. Los ndices de rendimiento se han recomendado para su uso cuando el proceso no est bajo control estadstico. Las frmulas para el Pp y Ppk son equivalentes a los de Cp y Cpk, respectivamente, excepto que la desviacin estndar corresponde a la muestra.

71

Anlisis de Capacidad con el programa R Con los datos de dimetro de pistones del archivo (40 muestras) > > > > > > > > > library(RODBC) canal <-odbcConnectExcel("archivos.xls") D<-sqlFetch(canal,"diametro") odbcCloseAll() library(qcc) carta<-qcc(A$X,type="xbar",target=10, std.dev=1, plot=F) diametro <- qcc.groups(D$diametro, D$muestra) carta<-qcc(diametro,type="xbar", plot=F) process.capability(carta, spec.limits=c(73.95,74.05))

Process Capability Analysis Call: process.capability(object = carta, spec.limits = c(73.95, 74.05)) Number of obs = 200 Center = 74.0036 StdDev = 0.01007094 Capability indices: Value 1.655 1.774 1.536 1.536 1.558 2.5% 1.492 1.623 1.403 1.378 1.397 97.5% 1.817 1.926 1.668 1.693 1.719 Target = 74 LSL = 73.95 USL = 74.05

Cp Cp_l Cp_u Cp_k Cpm

Exp<LSL 0% Exp>USL 0%

Obs<LSL 0% Obs>USL 0%

Process Capability Analysis for diametro


LSL Target USL

73.94

73.96

73.98

74.00

74.02 Cp = 1.65 Cp_l = 1.77 Cp_u = 1.54 Cp_k = 1.54 Cpm = 1.56

74.04

74.06

Number of obs = 200 Target = 74 Center = 74.0036 LSL = 73.95 StdDev = 0.01007094 USL = 74.05

Exp<LSL 0% Exp>USL 0% Obs<LSL 0% Obs>USL 0%

72

Anlisis de Reproducibilidad y Repetibilidad << En todo programa de control, el punto de partida es el conjunto de datos observados. No obstante, estos datos pueden ser buenos, malos o indiferentes. Qu valor tendra la teora de control, si los datos observados utilizados en el control no fueran correctos?. Esta es la pregunta que se plantea una y otra vez el hombre prctico. Walter A. Shewhart >> Tipos de Error de medicion El mensaje de Shewhart resume perfectamente el motivo por el cual es tan importante realizar un anlisis de repetibilidad y reproducibilidad del sistema de medicion como actividad bsica previa del control estadstico de procesos. Definiciones: Exactitud.- La diferencia existente entre el valor medio de las mediciones observadas y el verdadero valor de la medida. Reproducibilidad.- Es la desigualdad entre el valor medio de las mediciones realizadas por diferentes personas utilizando el mismo instrumento de medicin, midiendo la misma caracterstica de la misma pieza. Estabilidad.- Es la desigualdad entre el valor medio de las mediciones realizadas por la misma persona utilizando el mismo instrumento de medicin, midiendo la misma caracterstica de la misma pieza en dos tiempos distintos. Repetibilidad.- Es la variacin obtenida de las mediciones realizadas por un mismo instrumento, cuando este es utilizado repetidas veces por una misma persona, midiendo la misma caracterstica de una misma pieza. Capacidad Total.- Combinacin de la variacin debida a los errores de exactitud, reproducibilidad, repetibilidad y estabilidad. Para el estudio de Repetitividad y reproducibilidad se considera el siguiente caso: Caso planteado en Como mejorar los procesos de la empresa autor Jos F. Vilar Barrio. Medidas de piezas, Se hizo el estudio con 5 piezas y 3 inspectores. Cada pieza se numero de 1 a 5 para identificar, pero al inspector se le daba sin cdigo. El inspector hizo 10 medidas de cada pieza con el instrumento, los resultados fueron:

73

Con MINITAB: Stat Quality Tools Gage Study Gage R&R study (Crossed)

Gage R&R Study - ANOVA Method Two-Way ANOVA Table With Interaction Source pieza inspector pieza * inspector Repeatability Total DF 4 2 8 135 149 SS 0.0020107 0.0164053 0.0009613 0.0128900 0.0322673 MS 0.0005027 0.0082027 0.0001202 0.0000955 F 4.1831 68.2607 1.2585 P 0.041 0.000 0.270

74

Two-Way ANOVA Table Without Interaction Source pieza inspector Repeatability Total Gage R&R Source Total Gage R&R Repeatability Reproducibility inspector Part-To-Part Total Variation VarComp 0.0002590 0.0000969 0.0001621 0.0001621 0.0000135 0.0002725 %Contribution (of VarComp) 95.04 35.55 59.49 59.49 4.96 100.00 Study Var (6 * SD) 0.0965569 0.0590512 0.0763949 0.0763949 0.0220673 0.0990464 %Study Var (%SV) 97.49 59.62 77.13 77.13 22.28 100.00 DF 4 2 143 149 SS 0.0020107 0.0164053 0.0138513 0.0322673 MS 0.0005027 0.0082027 0.0000969 F 5.1895 84.6836 P 0.001 0.000

Source Total Gage R&R Repeatability Reproducibility inspector Part-To-Part Total Variation

StdDev (SD) 0.0160928 0.0098419 0.0127325 0.0127325 0.0036779 0.0165077

Number of Distinct Categories = 1

75

Mediante R. Utiliza la librera de GRRGI (Gauge R and R Confidence Intervals) > > > > > > > > library(RODBC) library(GRRGI) canal<-odbcConnectExcel("archivos.xls") A<-sqlFetch(canal,"RyR") odbcCloseAll() names(A)<-c("part","operator","resp") B<-data.frame(part=A[,1],operator=as.numeric(A[,2]),resp=A[,3]) model<-anovasat(B,0.95) ANOVA est Lower STH Upper STH SD:Part 3.60e-03 SD:Operator 1.26e-02 SD:PartOp SD:Repeat 9.87e-03 8.84e-03 0.011161 SD:Reproduce 1.26e-02 6.43e-03 0.079873 SD:Gauge 1.60e-02 1.00e-02 0.039139 SD:Total 1.64e-02 Var:Part 1.30e-05 Var:Operator 1.60e-04 Var:PartOp Var:Repeat 9.74e-05 7.82e-05 0.000125 Var:Reproduce 1.60e-04 4.13e-05 0.006380 Var:Gauge 2.57e-04 1.00e-04 0.001532 Var:Total 2.70e-04 Gauge/Total 9.52e-01 Gauge/Part 1.98e+01 Repeat/Gauge 3.79e-01 resumen y<-model[c(6,4,5,2,1,7),1] study<-data.frame(sdtdev=y,"Study var"=6*y,"percentage"=round(y*100/y[6],1)) rownames(study)<-c("Total Gage R&R", "Repeatability", "Reproducibility", "inspector","Part-To-Part","Total Variation") > study sdtdev Study.var percentage Total Gage R&R 0.016030696 0.09618418 97.6 Repeatability 0.009867656 0.05920593 60.1 Reproducibility 0.012633788 0.07580273 76.9 inspector 0.012633788 0.07580273 76.9 Part-To-Part 0.003599210 0.02159526 21.9 Total Variation 0.016429776 0.09857865 100.0 > z<-model[7+c(6,4,5,2,1,7),1] > contribution<-data.frame(var=z,"percentage"=round(z*100/z[6],1)) > contribution var percentage Var:Gauge 2.569832e-04 95.2 Var:Repeat 9.737063e-05 36.1 Var:Reproduce 1.596126e-04 59.1 Var:Operator 1.596126e-04 59.1 Var:Part 1.295431e-05 4.8 Var:Total 2.699375e-04 100.0 > analysis <- data.frame(contribution=contribution[c(-4,-6),2], study=study[c(-4,-6),3])

76

> rownames(analysis)<-rownames(study)[c(-4,-6)] > par(mar=c(3,3,2,2)) > attach(A) > barplot(t(analysis),beside = TRUE, col=colors()[c(60,25)], main="Components of variation",ylim=c(0,100)) > legend("topright",c("contribution","study"),pch=18, col=colors()[c(60,25)]) > box<-boxplot(resp ~ part,A,main="resp by part") > lines(1:5,box$stat[3,],col="blue",lwd=2) > box<-boxplot(resp ~ operator,A,main="resp by operator") > lines(1:3,box$stat[3,],col="red",lwd=2) > interaction.plot(part, operator, resp, col= 2:5, type = "b",pch=c(17,19,21), main="Interaction operator*part",las=1) > detach(A)

100

Components of variation
16.14
contribution study

resp by part

60

80

40

Total Gage R&R

Repeatability

Reproducibility

Part-To-Part

16.08

16.10

20

16.12

resp by operator
16.14

Interaction operator*part
16.145 16.140 mean of resp 16.135 16.130 16.125 16.120 16.115 16.110 operator 2 3 1

16.08

16.10

16.12

Resultado: Repetibilidad: falla del instrumento (grafico de medida de las piezas Reproducibilidad: falla del operador (grafico medida por el inspector) En el grafico inspector * pieza, nos indica que no hay interaccin, entonces se puede interpretar separadamente el efecto del instrumento y del inspector. En las cartas de control del inspector (S y X bar) nos indica que el Inspector A esta fuera de lugar (carta S), solo estn bajo control los inspectores B y C Analizando la segunda carta (X bar) solo esta bajo control el inspector C. El Operador C es mejor que el operador B y mucho mejor que A.

77

BIBLIOGRAFIA 1. Villar Barrio, J. Como mejorar los procesos de su empresa Fundacin CONFEMETAL. Madrid (1999) 2. Montgomery , Douglas C. Introduction to Statistical Quality Control Wiley; 6 edition (May 2, 2008) 3. R Development Core Team (2009). R: A language and environment for statistical computing. R Foundation for Statistical Computing, Vienna, Austria. ISBN 3-900051-070, URL http://www.R-project.org 4. JAMES R. EVANS, WILLIAM LINDSAY. Administracin y Control de la Calidad 5. Cuarta Edicin, Thomson Editores, Mxico, 2000. 6. HOWARD S. GITLOW, SHELLY J. GITLOW. Cmo mejorar la calidad y la productividad con el mtodo Deming .Sexta reimpresin, Editorial Norma, Colombia, 1993. 7. THOMAS PYZDEK. The complete guide to Six Sigma. QA Publishing, USA, 1999

Cdigos ASCII para R Tabla de cdigos ASCII utilizados en R Cdigo Smbolo Cdigo Smbolo 92 \ 34 47 / 126 ~ 91 [ 58 : 93 ] 59 ; 40 ( 64 @ 41 ) 94 ^ 123 { 35 # 125 } 36 $ 124 | 37 % 60 < 38 & 62 > 39 61 =

78

Anexo 1. Tabla Z. Normal estndar. P(Z < Zo)


00 0 01 02 03 04 05 06 07 08 09

0.5000 0.5040 0.5080 0.5120 0.5160 0.5199 0.5239 0.5279 0.5319 0.5359

0.1 0.5398 0.5438 0.5478 0.5517 0.5557 0.5596 0.5636 0.5675 0.5714 0.5753 0.2 0.5793 0.5832 0.5871 0.5910 0.5948 0.5987 0.6026 0.6064 0.6103 0.6141 0.3 0.6179 0.6217 0.6255 0.6293 0.6331 0.6368 0.6406 0.6443 0.6480 0.6517 0.4 0.6554 0.6591 0.6628 0.6664 0.6700 0.6736 0.6772 0.6808 0.6844 0.6879 0.5 0.6915 0.6950 0.6985 0.7019 0.7054 0.7088 0.7123 0.7157 0.7190 0.7224 0.6 0.7257 0.7291 0.7324 0.7357 0.7389 0.7422 0.7454 0.7486 0.7517 0.7549 0.7 0.7580 0.7611 0.7642 0.7673 0.7704 0.7734 0.7764 0.7794 0.7823 0.7852 0.8 0.7881 0.7910 0.7939 0.7967 0.7995 0.8023 0.8051 0.8078 0.8106 0.8133 0.9 0.8159 0.8186 0.8212 0.8238 0.8264 0.8289 0.8315 0.8340 0.8365 0.8389 1 0.8413 0.8438 0.8461 0.8485 0.8508 0.8531 0.8554 0.8577 0.8599 0.8621

1.1 0.8643 0.8665 0.8686 0.8708 0.8729 0.8749 0.8770 0.8790 0.8810 0.8830 1.2 0.8849 0.8869 0.8888 0.8907 0.8925 0.8944 0.8962 0.8980 0.8997 0.9015 1.3 0.9032 0.9049 0.9066 0.9082 0.9099 0.9115 0.9131 0.9147 0.9162 0.9177 1.4 0.9192 0.9207 0.9222 0.9236 0.9251 0.9265 0.9279 0.9292 0.9306 0.9319 1.5 0.9332 0.9345 0.9357 0.9370 0.9382 0.9394 0.9406 0.9418 0.9429 0.9441 1.6 0.9452 0.9463 0.9474 0.9484 0.9495 0.9505 0.9515 0.9525 0.9535 0.9545 1.7 0.9554 0.9564 0.9573 0.9582 0.9591 0.9599 0.9608 0.9616 0.9625 0.9633 1.8 0.9641 0.9649 0.9656 0.9664 0.9671 0.9678 0.9686 0.9693 0.9699 0.9706 1.9 0.9713 0.9719 0.9726 0.9732 0.9738 0.9744 0.9750 0.9756 0.9761 0.9767 2 0.9772 0.9778 0.9783 0.9788 0.9793 0.9798 0.9803 0.9808 0.9812 0.9817

2.1 0.9821 0.9826 0.9830 0.9834 0.9838 0.9842 0.9846 0.9850 0.9854 0.9857 2.2 0.9861 0.9864 0.9868 0.9871 0.9875 0.9878 0.9881 0.9884 0.9887 0.9890 2.3 0.9893 0.9896 0.9898 0.9901 0.9904 0.9906 0.9909 0.9911 0.9913 0.9916 2.4 0.9918 0.9920 0.9922 0.9925 0.9927 0.9929 0.9931 0.9932 0.9934 0.9936 2.5 0.9938 0.9940 0.9941 0.9943 0.9945 0.9946 0.9948 0.9949 0.9951 0.9952 2.6 0.9953 0.9955 0.9956 0.9957 0.9959 0.9960 0.9961 0.9962 0.9963 0.9964 2.7 0.9965 0.9966 0.9967 0.9968 0.9969 0.9970 0.9971 0.9972 0.9973 0.9974 2.8 0.9974 0.9975 0.9976 0.9977 0.9977 0.9978 0.9979 0.9979 0.9980 0.9981 2.9 0.9981 0.9982 0.9982 0.9983 0.9984 0.9984 0.9985 0.9985 0.9986 0.9986 3 0.9987 0.9987 0.9987 0.9988 0.9988 0.9989 0.9989 0.9989 0.9990 0.9990

79

Anexo 2. Tabla 2. Chi cuadrada. P(2 > 0 2 )

Gl 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 35 40 45 50 55 60 65 70 75 80 85 90 95

0.995 0.000 0.010 0.072 0.207 0.412 0.676 0.989 1.344 1.735 2.156 2.603 3.074 3.565 4.075 4.601 5.142 5.697 6.265 6.844 7.434 8.034 8.643

0.99 0.000 0.020 0.115 0.297 0.554 0.872 1.239 1.646 2.088 2.558 3.053 3.571 4.107 4.660 5.229 5.812 6.408 7.015 7.633 8.260

0.975 0.001 0.051 0.216 0.484 0.831 1.237 1.690 2.180 2.700 3.247 3.816 4.404 5.009 5.629 6.262 6.908 7.564 8.231

0.95 0.004 0.103 0.352 0.711 1.145 1.635 2.167 2.733 3.325 3.940 4.575 5.226 5.892 6.571 7.261 7.962

0.9 0.016 0.211 0.584 1.064 1.610

0.1 2.706 4.605 6.251 7.779

0.05 3.841 5.991 7.815

0.025 5.024 7.378

0.01 6.635

0.005 7.879

9.210 10.597

9.348 11.345 12.838

9.488 11.143 13.277 14.860

9.236 11.070 12.833 15.086 16.750

2.204 10.645 12.592 14.449 16.812 18.548 2.833 12.017 14.067 16.013 18.475 20.278 3.490 13.362 15.507 17.535 20.090 21.955 4.168 14.684 16.919 19.023 21.666 23.589 4.865 15.987 18.307 20.483 23.209 25.188 5.578 17.275 19.675 21.920 24.725 26.757 6.304 18.549 21.026 23.337 26.217 28.300 7.042 19.812 22.362 24.736 27.688 29.819 7.790 21.064 23.685 26.119 29.141 31.319 8.547 22.307 24.996 27.488 30.578 32.801 9.312 23.542 26.296 28.845 32.000 34.267

8.672 10.085 24.769 27.587 30.191 33.409 35.718 9.390 10.865 25.989 28.869 31.526 34.805 37.156

8.907 10.117 11.651 27.204 30.144 32.852 36.191 38.582 9.591 10.851 12.443 28.412 31.410 34.170 37.566 39.997

8.897 10.283 11.591 13.240 29.615 32.671 35.479 38.932 41.401 9.542 10.982 12.338 14.041 30.813 33.924 36.781 40.289 42.796

9.260 10.196 11.689 13.091 14.848 32.007 35.172 38.076 41.638 44.181 9.886 10.856 12.401 13.848 15.659 33.196 36.415 39.364 42.980 45.559 10.520 11.524 13.120 14.611 16.473 34.382 37.652 40.646 44.314 46.928 11.160 12.198 13.844 15.379 17.292 35.563 38.885 41.923 45.642 48.290 11.808 12.879 14.573 16.151 18.114 36.741 40.113 43.195 46.963 49.645 12.461 13.565 15.308 16.928 18.939 37.916 41.337 44.461 48.278 50.993 13.121 14.256 16.047 17.708 19.768 39.087 42.557 45.722 49.588 52.336 13.787 14.953 16.791 18.493 20.599 40.256 43.773 46.979 50.892 53.672 14.458 15.655 17.539 19.281 21.434 41.422 44.985 48.232 52.191 55.003 15.134 16.362 18.291 20.072 22.271 42.585 46.194 49.480 53.486 56.328 15.815 17.074 19.047 20.867 23.110 43.745 47.400 50.725 54.776 57.648 16.501 17.789 19.806 21.664 23.952 44.903 48.602 51.966 56.061 58.964 17.192 18.509 20.569 22.465 24.797 46.059 49.802 53.203 57.342 60.275 17.887 19.233 21.336 23.269 25.643 47.212 50.998 54.437 58.619 61.581 18.586 19.960 22.106 24.075 26.492 48.363 52.192 55.668 59.893 62.883 19.289 20.691 22.878 24.884 27.343 49.513 53.384 56.896 61.162 64.181 19.996 21.426 23.654 25.695 28.196 50.660 54.572 58.120 62.428 65.476 20.707 22.164 24.433 26.509 29.051 51.805 55.758 59.342 63.691 66.766 21.421 22.906 25.215 27.326 29.907 52.949 56.942 60.561 64.950 68.053 22.138 23.650 25.999 28.144 30.765 54.090 58.124 61.777 66.206 69.336 22.859 24.398 26.785 28.965 31.625 55.230 59.304 62.990 67.459 70.616

100 23.584 25.148 27.575 29.787 32.487 56.369 60.481 64.201 68.710 71.893

80

Anexo 3. Tabla t-student. P(t > t0 )


0.1 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 35 40 45 50 55 60 65 70 75 80 85 90 95 0.05 0.025 0.01 0.005

3.078 6.314 12.706 31.821 63.657 1.886 2.920 1.638 2.353 1.533 2.132 1.476 2.015 1.440 1.943 1.415 1.895 1.397 1.860 1.383 1.833 1.372 1.812 1.363 1.796 1.356 1.782 1.350 1.771 1.345 1.761 1.341 1.753 1.337 1.746 1.333 1.740 1.330 1.734 1.328 1.729 1.325 1.725 1.323 1.721 1.321 1.717 1.319 1.714 1.318 1.711 1.316 1.708 1.315 1.706 1.314 1.703 1.313 1.701 1.311 1.699 1.310 1.697 1.309 1.696 1.309 1.694 1.308 1.692 1.307 1.691 1.306 1.690 1.306 1.688 1.305 1.687 1.304 1.686 1.304 1.685 1.303 1.684 1.303 1.683 1.302 1.682 1.302 1.681 4.303 3.182 2.776 2.571 2.447 2.365 2.306 2.262 2.228 2.201 2.179 2.160 2.145 2.131 2.120 2.110 2.101 2.093 2.086 2.080 2.074 2.069 2.064 2.060 2.056 2.052 2.048 2.045 2.042 2.040 2.037 2.035 2.032 2.030 2.028 2.026 2.024 2.023 2.021 2.020 2.018 2.017 2.015 6.965 4.541 3.747 3.365 3.143 2.998 2.896 2.821 2.764 2.718 2.681 2.650 2.624 2.602 2.583 2.567 2.552 2.539 2.528 2.518 2.508 2.500 2.492 2.485 2.479 2.473 2.467 2.462 2.457 2.453 2.449 2.445 2.441 2.438 2.434 2.431 2.429 2.426 2.423 2.421 2.418 2.416 2.414 9.925 5.841 4.604 4.032 3.707 3.499 3.355 3.250 3.169 3.106 3.055 3.012 2.977 2.947 2.921 2.898 2.878 2.861 2.845 2.831 2.819 2.807 2.797 2.787 2.779 2.771 2.763 2.756 2.750 2.744 2.738 2.733 2.728 2.724 2.719 2.715 2.712 2.708 2.704 2.701 2.698 2.695 2.692

100 1.301 1.680

81

Anexo 4. Tabla F-Fisher. P(F > F0 ) =0.05


1 2 3 4 5 6 7 8 9 10 11

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 35 40 45 50 60 70 80 90 100 110

161.45 199.50 215.71 224.58 230.16 233.99 236.77 238.88 240.54 241.88 242.98 18.51 10.13 7.71 6.61 5.99 5.59 5.32 5.12 4.96 4.84 4.75 4.67 4.60 4.54 4.49 4.45 4.41 4.38 4.35 4.32 4.30 4.28 4.26 4.24 4.23 4.21 4.20 4.18 4.17 4.12 4.08 4.06 4.03 4.00 3.98 3.96 3.95 3.94 3.93 19.00 9.55 6.94 5.79 5.14 4.74 4.46 4.26 4.10 3.98 3.89 3.81 3.74 3.68 3.63 3.59 3.55 3.52 3.49 3.47 3.44 3.42 3.40 3.39 3.37 3.35 3.34 3.33 3.32 3.27 3.23 3.20 3.18 3.15 3.13 3.11 3.10 3.09 3.08 19.16 9.28 6.59 5.41 4.76 4.35 4.07 3.86 3.71 3.59 3.49 3.41 3.34 3.29 3.24 3.20 3.16 3.13 3.10 3.07 3.05 3.03 3.01 2.99 2.98 2.96 2.95 2.93 2.92 2.87 2.84 2.81 2.79 2.76 2.74 2.72 2.71 2.70 2.69 19.25 9.12 6.39 5.19 4.53 4.12 3.84 3.63 3.48 3.36 3.26 3.18 3.11 3.06 3.01 2.96 2.93 2.90 2.87 2.84 2.82 2.80 2.78 2.76 2.74 2.73 2.71 2.70 2.69 2.64 2.61 2.58 2.56 2.53 2.50 2.49 2.47 2.46 2.45 19.30 9.01 6.26 5.05 4.39 3.97 3.69 3.48 3.33 3.20 3.11 3.03 2.96 2.90 2.85 2.81 2.77 2.74 2.71 2.68 2.66 2.64 2.62 2.60 2.59 2.57 2.56 2.55 2.53 2.49 2.45 2.42 2.40 2.37 2.35 2.33 2.32 2.31 2.30 19.33 8.94 6.16 4.95 4.28 3.87 3.58 3.37 3.22 3.09 3.00 2.92 2.85 2.79 2.74 2.70 2.66 2.63 2.60 2.57 2.55 2.53 2.51 2.49 2.47 2.46 2.45 2.43 2.42 2.37 2.34 2.31 2.29 2.25 2.23 2.21 2.20 2.19 2.18 19.35 8.89 6.09 4.88 4.21 3.79 3.50 3.29 3.14 3.01 2.91 2.83 2.76 2.71 2.66 2.61 2.58 2.54 2.51 2.49 2.46 2.44 2.42 2.40 2.39 2.37 2.36 2.35 2.33 2.29 2.25 2.22 2.20 2.17 2.14 2.13 2.11 2.10 2.09 19.37 8.85 6.04 4.82 4.15 3.73 3.44 3.23 3.07 2.95 2.85 2.77 2.70 2.64 2.59 2.55 2.51 2.48 2.45 2.42 2.40 2.37 2.36 2.34 2.32 2.31 2.29 2.28 2.27 2.22 2.18 2.15 2.13 2.10 2.07 2.06 2.04 2.03 2.02 19.38 8.81 6.00 4.77 4.10 3.68 3.39 3.18 3.02 2.90 2.80 2.71 2.65 2.59 2.54 2.49 2.46 2.42 2.39 2.37 2.34 2.32 2.30 2.28 2.27 2.25 2.24 2.22 2.21 2.16 2.12 2.10 2.07 2.04 2.02 2.00 1.99 1.97 1.97 19.40 8.79 5.96 4.74 4.06 3.64 3.35 3.14 2.98 2.85 2.75 2.67 2.60 2.54 2.49 2.45 2.41 2.38 2.35 2.32 2.30 2.27 2.25 2.24 2.22 2.20 2.19 2.18 2.16 2.11 2.08 2.05 2.03 1.99 1.97 1.95 1.94 1.93 1.92 19.40 8.76 5.94 4.70 4.03 3.60 3.31 3.10 2.94 2.82 2.72 2.63 2.57 2.51 2.46 2.41 2.37 2.34 2.31 2.28 2.26 2.24 2.22 2.20 2.18 2.17 2.15 2.14 2.13 2.07 2.04 2.01 1.99 1.95 1.93 1.91 1.90 1.89 1.88

82

Anexo 5. Tabla F-Fisher. P(F > F0 ) =0.01


1 2 3 5403.3 99.17 29.46 16.69 12.06 9.78 8.45 7.59 6.99 6.55 6.22 5.95 5.74 5.56 5.42 5.29 5.18 5.09 5.01 4.94 4.87 4.82 4.76 4.72 4.68 4.64 4.60 4.57 4.54 4.51 4.40 4.31 4.25 4.20 4.13 4.07 4.04 4.01 3.98 3.96 4 5624.5 99.25 28.71 15.98 11.39 9.15 7.85 7.01 6.42 5.99 5.67 5.41 5.21 5.04 4.89 4.77 4.67 4.58 4.50 4.43 4.37 4.31 4.26 4.22 4.18 4.14 4.11 4.07 4.04 4.02 3.91 3.83 3.77 3.72 3.65 3.60 3.56 3.53 3.51 3.49 5 5763.6 99.30 28.24 15.52 10.97 8.75 7.46 6.63 6.06 5.64 5.32 5.06 4.86 4.69 4.56 4.44 4.34 4.25 4.17 4.10 4.04 3.99 3.94 3.90 3.85 3.82 3.78 3.75 3.73 3.70 3.59 3.51 3.45 3.41 3.34 3.29 3.26 3.23 3.21 3.19 6 5858.9 99.33 27.91 15.21 10.67 8.47 7.19 6.37 5.80 5.39 5.07 4.82 4.62 4.46 4.32 4.20 4.10 4.01 3.94 3.87 3.81 3.76 3.71 3.67 3.63 3.59 3.56 3.53 3.50 3.47 3.37 3.29 3.23 3.19 3.12 3.07 3.04 3.01 2.99 2.97 7 5928.3 99.36 27.67 14.98 10.46 8.26 6.99 6.18 5.61 5.20 4.89 4.64 4.44 4.28 4.14 4.03 3.93 3.84 3.77 3.70 3.64 3.59 3.54 3.50 3.46 3.42 3.39 3.36 3.33 3.30 3.20 3.12 3.07 3.02 2.95 2.91 2.87 2.84 2.82 2.81 8 5981.0 99.37 27.49 14.80 10.29 8.10 6.84 6.03 5.47 5.06 4.74 4.50 4.30 4.14 4.00 3.89 3.79 3.71 3.63 3.56 3.51 3.45 3.41 3.36 3.32 3.29 3.26 3.23 3.20 3.17 3.07 2.99 2.94 2.89 2.82 2.78 2.74 2.72 2.69 2.68 9 10 11 1 4052.1 4999.5 2 98.50 3 34.12 4 21.20 5 16.26 6 13.75 7 12.25 8 11.26 9 10.56 10 10.04 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30 35 40 45 50 60 70 80 90 9.65 9.33 9.07 8.86 8.68 8.53 8.40 8.29 8.18 8.10 8.02 7.95 7.88 7.82 7.77 7.72 7.68 7.64 7.60 7.56 7.42 7.31 7.23 7.17 7.08 7.01 6.96 6.93 99.00 30.82 18.00 13.27 10.92 9.55 8.65 8.02 7.56 7.21 6.93 6.70 6.51 6.36 6.23 6.11 6.01 5.93 5.85 5.78 5.72 5.66 5.61 5.57 5.53 5.49 5.45 5.42 5.39 5.27 5.18 5.11 5.06 4.98 4.92 4.88 4.85 4.82 4.80 6022.4 6055.8 6083.3 99.39 27.35 14.66 10.16 7.98 6.72 5.91 5.35 4.94 4.63 4.39 4.19 4.03 3.89 3.78 3.68 3.60 3.52 3.46 3.40 3.35 3.30 3.26 3.22 3.18 3.15 3.12 3.09 3.07 2.96 2.89 2.83 2.78 2.72 2.67 2.64 2.61 2.59 2.57 99.40 99.41 27.23 27.13 14.55 14.45 10.05 7.87 6.62 5.81 5.26 4.85 4.54 4.30 4.10 3.94 3.80 3.69 3.59 3.51 3.43 3.37 3.31 3.26 3.21 3.17 3.13 3.09 3.06 3.03 3.00 2.98 2.88 2.80 2.74 2.70 2.63 2.59 2.55 2.52 2.50 2.49 9.96 7.79 6.54 5.73 5.18 4.77 4.46 4.22 4.02 3.86 3.73 3.62 3.52 3.43 3.36 3.29 3.24 3.18 3.14 3.09 3.06 3.02 2.99 2.96 2.93 2.91 2.80 2.73 2.67 2.63 2.56 2.51 2.48 2.45 2.43 2.41

100 6.90 110 6.87

83

84