Documentos de Académico
Documentos de Profesional
Documentos de Cultura
9.1 Fundamentos de los grficos de control 9.2 Grficos de control para la media 9.3 Grficos de control para la dispersin 9.4 Capacidad de un proceso. ndice de capacidad 9.5 Interpretacin de los grficos de control 9.6 Grfico P y NP
9.1 Fundamentos de los grficos de control Grfico de control: evolucin de una caracterstica de la calidad Grfico de control por variables: evolucin de magnitudes cuantitativas del artculo o servicio
Longitudes Pesos Voltajes Tiempos de ejecucin de una tarea Tiempos de atencin a un cliente La calidad se ha de medir a travs de una o varias magnitudes cuantificables El valor de dicha magnitud variar de una pieza a otra La variabilidad depender de los factores que no mantengamos constantes
Informtica. Universidad Carlos III de Madrid
3
Ejemplo:
Factores controlados: L d
Siempre la misma mquina M
Cilindro tipo T
Variabilidad
Diferencias en cada cilindro medido
Variabilidad
Causas no asignables
Debida a factores marginales Son muchas Cada una produce poca variabilidad Difciles de detectar Difciles de eliminar (inevitables)
Proceso productivo ideal: sin variabilidad Proceso productivo real: variabilidad Proceso real, con buen funcionamiento: slo variabilidad inevitable
Proceso en estado de control: slo actan causas de variabilidad no asignables Variabilidad baja y constante Por el teorema central del lmite: NORMALIDAD Sea x la variable de calidad de inters Si el proceso est bajo control Sus propiedades: media y varianza, sern estables. Es decir, predecibles
Informtica. Universidad Carlos III de Madrid
7
Sea x la variable de inters (por ejemplo, una longitud) Los grficos suelen representar la evolucin de un estadstico de x:
= media muestral de x
Muestra K:
10
11
12
13
LCS lc LCI
LCS: lc:
LCI:
14
LCS lc LCI
LCS: lc:
Generalmente
LCI:
15
Justificacin:
Si el proceso est bajo control, es decir, slo actan causas de variabilidad no asignables, y permanecern constantes. Entonces estar prcticamente siempre entre los lmites de control (sobre todo si es normal)
16
Justificacin:
Por el contrario, si aparecen causas de variabilidad asignables, el proceso estar fuera de control. Al influir factores que antes no influan, las propiedades de cambiarn. Por tanto, y/o sern diferentes. Entonces los lmites de control no son vlidos. Pueden aparecer valores fuera de los lmites.
17
Habra que investigar estos puntos, pues es posible que el proceso no estuviese bajo control en esos momentos
Informtica. Universidad Carlos III de Madrid
18
9.1 Fundamentos de los grficos de control 9.2 Grficos de control para la media 9.3 Grficos de control para la dispersin 9.4 Capacidad de un proceso. ndice de capacidad 9.5 Interpretacin de los grficos de control 9.6 Grfico P y NP
19
20
21
son desconocidos
Se estiman con datos histricos Slo son vlidos si se toman cuando el proceso est bajo control!!!! Cmo los estimamos?
Informtica. Universidad Carlos III de Madrid
22
Estimacin de
Muestra K:
23
Estimacin de
2. Para cada muestra, calculamos la media muestral y algn estadstico de dispersin. Por ejemplo, para la muestra 1: Muestra 1:
Media muestral:
24
Estimacin de
2. Para cada muestra, calculamos la media muestral y algn estadstico de dispersin. Por ejemplo, para la muestra 1: Muestra 1:
Media muestral:
Medidas de dispersin:
25
Estimacin de
26
Estimacin de
Problema:
2 )
27
Estimacin de
Problema:
es un estimador sesgado de
est tabulado
28
Estimacin de
Problema:
es un estimador sesgado de
2 )
(Nota:
es un estimador insesgado de
29
Estimacin de
Problema:
es un estimador sesgado de
est tabulado
30
Estimacin de
Problema:
es un estimador sesgado de
31
Estimacin de
Problema:
es un estimador sesgado de
est tabulado
32
Estimacin de
33
34
35
Usando rangos
36
Ejemplo
Un proceso industrial fabrica un sensor de velocidad para un controlador electrnico para frenos ABS. Las especificaciones de dicho sensor requieren que su impedancia sea de 30 kohms 10 kohms. Para realizar el control estadstico de ese proceso se recogen muestras de 6 sensores cada media hora. Con los datos de un total de 30 muestras se obtiene la siguiente informacin:
x = 30.11
R=5.4
37
Ejemplo
Un proceso industrial fabrica un sensor de velocidad para un controlador electrnico para frenos ABS. Las especificaciones de dicho sensor requieren que su impedancia sea de 30 kohms 10 kohms. Para realizar el control estadstico de ese proceso se recogen muestras de 6 sensores cada media hora. Con los datos de un total de 30 muestras se obtiene la siguiente informacin:
x = 30.11
R=5.4
xi
32.72 30.11 27.50
Muestras
38
9.1 Fundamentos de los grficos de control 9.2 Grficos de control para la media 9.3 Grficos de control para la dispersin 9.4 Capacidad de un proceso. ndice de capacidad 9.5 Interpretacin de los grficos de control 9.6 Grfico P y NP
39
40
41
42
B3,B4,B5,B6 en tablas
Informtica. Universidad Carlos III de Madrid
43
D3,D4 en tablas
Informtica. Universidad Carlos III de Madrid
44
Ejemplo
Un proceso industrial fabrica un sensor de velocidad para un controlador electrnico para frenos ABS. Las especificaciones de dicho sensor requieren que su impedancia sea de 30 kohms 10 kohms. Para realizar el control estadstico de ese proceso se recogen muestras de 6 sensores cada media hora. Con los datos de un total de 30 muestras se obtiene la siguiente informacin:
x = 30.11
R=5.4
45
Ejemplo
Un proceso industrial fabrica un sensor de velocidad para un controlador electrnico para frenos ABS. Las especificaciones de dicho sensor requieren que su impedancia sea de 30 kohms 10 kohms. Para realizar el control estadstico de ese proceso se recogen muestras de 6 sensores cada media hora. Con los datos de un total de 30 muestras se obtiene la siguiente informacin:
x = 30.11
R=5.4
Ri
10.82
5.4
0 Muestras
46
1. Se toman k muestras iniciales de tamao n 2. Se estiman , 3. Se representan las k muestras en los grficos de medias y dispersin
47
1. Se toman k muestras iniciales de tamao n 2. Se estiman , 3. Se representan las k muestras en los grficos de medias y dispersin 4. Se eliminan las muestras que estn fuera de los lmites y se recalculan los grficos 5. Se repiten los pasos 3-4 hasta que estn todas las muestras en los lmites
49
Se eliminan la 6,8,9,11 y 19
Informtica. Universidad Carlos III de Madrid
50
51
9.1 Fundamentos de los grficos de control 9.2 Grficos de control para la media 9.3 Grficos de control para la dispersin 9.4 Capacidad de un proceso. ndice de capacidad 9.5 Interpretacin de los grficos de control 9.6 Grfico P y NP
52
Los lmites de control del grfico de medias representan las verdaderas propiedades del proceso
53
54
99,7%
Si el proceso est bajo control, entre la media y 3 desviaciones tpicas estn casi todos los artculos producidos
Informtica. Universidad Carlos III de Madrid
55
99,7%
Capacidad
Informtica. Universidad Carlos III de Madrid
56
Estimacin de la capacidad
1 Utilizando las desviaciones tpicas muestrales
57
Ejemplo
Un proceso industrial fabrica un sensor de velocidad para un controlador electrnico para frenos ABS. Las especificaciones de dicho sensor requieren que su impedancia sea de 30 kohms 10 kohms. Para realizar el control estadstico de ese proceso se recogen muestras de 6 sensores cada media hora. Con los datos de un total de 30 muestras se obtiene la siguiente informacin:
x = 30.11
Para n=6: d2=2.534
R=5.4
9.4 Capacidad de un proceso No confundir la variabilidad del proceso con las tolerancias tcnicas de uso Variabilidad del proceso Tolerancias tcnicas
Valores de x entre los que se encontrarn casi todos los artculos Valores de x dentro de los cuales el producto es aceptable
99,7%
Informtica. Universidad Carlos III de Madrid
59
9.4 Capacidad de un proceso LTS= Lmite de Tolerancia Superior Si x>LTS el artculo es defectuoso LTI= Lmite de Tolerancia Inferior Si x<LTI el artculo es defectuoso
60
Ejemplo: un rodamiento debe tener un radio con valor nominal (ideal) de 200mm, y se consideran aceptables los que estn dentro de 2mm de este valor nominal (+-2mm) Lmites de Tolerancias LTS=202 mm LTI=198 mm
Estas especificaciones son independientes del proceso industrial que elabora los rodamientos
61
defectuosos
defectuosos
LTS=202 mm LTI=198 mm
=12
LTS-LTI=4
Comparando la capacidad con los lmites de control tendremos una Informtica. Universidad Carlos III de Madrid o pocos idea de si produciremos muchos artculos defectuosos
62
defectuosos
LTS=202 mm LTI=198 mm
=12
LTS-LTI=4
63
LTI
LTS
Muchos defectuosos
El proceso en estado de control produce un porcentaje elevado de artculos defectuosos Cp<1 :Universidad El proceso NO ES CAPAZ Informtica. Carlos III de Madrid
64
LTI
LTS
El proceso en estado de control produce un porcentaje muy pequeo de artculos defectuosos Cp>1Universidad : El proceso ES CAPAZ Informtica. Carlos III de Madrid
65
Ejemplo
Un proceso industrial fabrica un sensor de velocidad para un controlador electrnico para frenos ABS. Las especificaciones de dicho sensor requieren que su impedancia sea de 30 kohms 10 kohms. Para realizar el control estadstico de ese proceso se recogen muestras de 6 sensores cada media hora. Con los datos de un total de 30 muestras se obtiene la siguiente informacin:
x = 30.11
R=5.4
66
9.1 Fundamentos de los grficos de control 9.2 Grficos de control para la media 9.3 Grficos de control para la dispersin 9.4 Capacidad de un proceso. ndice de capacidad 9.5 Interpretacin de los grficos de control 9.6 Grfico P y NP
67
Ciclos
68
+3 +2 +1 -1 -2 -3
69
Se da seal de alarma si: Patrn 1: Patrn 2: Patrn 3: Patrn 4: Patrn 5: Patrn 6: Patrn 7: Patrn 8: Un punto fuera de las lneas de control (fuera de la zona A). 2 puntos de 3 consecutivos dentro de la zona A o exteriores a ella. 4 de 5 puntos consecutivos en la zona B o A. 8 puntos consecutivos en la misma mitad del grfico. 15 puntos consecutivos en las zonas C. 8 puntos seguidos sin caer en la zona C, aunque estn a ambos lados del grfico. 14 puntos seguidos alternativos (cada uno en una mitad diferente al anterior) 7 puntos seguidos creciendo o decreciendo Informtica. Universidad Carlos III de Madrid
70
9.1 Fundamentos de los grficos de control 9.2 Grficos de control para la media 9.3 Grficos de control para la dispersin 9.4 Capacidad de un proceso. ndice de capacidad 9.5 Interpretacin de los grficos de control 9.6 Grficos P y NP
71
9.6 Grficos P y NP
atributo.
Elementos analizados
72
Grfico P
Proporcin
pi=
di ni pi
dibujamos la evolucin de
73
74
Propiedades de pi
Supongamos un proceso productivo que genera artculos que pueden ser defectuosos o aceptables ...
Proceso productivo
...
Artculo 1 Artculo 2 Artculo 3 Artculo 4 Artculo n1 Artculo n1+1 Artculo n1+2
...
xj =
Proceso productivo
...
Artculo 1 Artculo 2 Artculo 3 Artculo 4 Artculo n1 Artculo n1+1 Artculo n1+2
...
x1
x2
x3
x4
...
xn1
xn1+1
xn1+2
...
Tomamos una muestra de ni artculos De ellos, di sern defectuosos pi= di ni = x1+x2+ ... +xni ni Media muestral
76
pi=
di ni
77
pi=
di ni
2 Var(ax)=a Var(x)
78
pi=
di ni
Adems, por el teorema central del lmite, si ni es suficientemente grande, se distribuir como una Normal
En el intervalo
Grfico P
80
Grfico P
81
Grfico P
=0 si es negativo
Informtica. Universidad Carlos III de Madrid
82
Proceso productivo
...
Artculo 1 Artculo 2 Artculo n1 Artculo n1+1 Artculo n1+2
...
x1
x2
...
xn1
xn1+1
xn1+2
...
83
Grfico NP
muestras de tamao n
- Ms cmodo que el Grfico P si la proporcin de defectuosos es muy pequea - Es necesario que el tamao n muestral sea constante
84
Proceso productivo
...
Muestra 1 Muestra 2 Muestra 3 Muestra 4 Muestra i
n artculos
d1 defectuosos
n artculos
d2 defectuosos
n artculos
d3 defectuosos
n artculos
d4 defectuosos
...
n artculos
di defectuosos
Si el proceso est bajo control (estabilidad e independencia)... ...la probabilidad de que un artculo sea defectuoso ser siempre p ...
85
Proceso productivo
...
Muestra 1 Muestra 2 Muestra 3 Muestra 4 Muestra i
n artculos
d1 defectuosos
n artculos
d2 defectuosos
Si el proceso est bajo control (estabilidad e independencia)... ...la probabilidad de que un artculo sea defectuoso ser siempre p ...
86
87
= 0 si es negativo
88
Proceso productivo
...
Muestra 1 Muestra 2 Muestra 3 Muestra 4 Muestra i
n artculos
d1 defectuosos
n artculos
d2 defectuosos
n artculos
d3 defectuosos
n artculos
d4 defectuosos
...
n artculos
di defectuosos
89