Pres Calidad

9.
Introduccin al control estadstico de procesos
Informtica. Universidad Carlos III de Madrid
Tema 9: Introduccin al control estadstico de procesos
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
3
Ejemplo:
Longitud de una varilla del tipo T obtenida con la mquina M
Factores controlados: L d
Siempre la misma mquina M
Cilindro tipo T
Siempre el mismo tipo T de cilindro

(idealmente de longitud L y dimetro d)
Factores que no controlamos:

Vibraciones Mano de obra Homogeneidad en materia prima Desgaste de piezas ...
4
Variabilidad
Diferencias en cada cilindro medido
9.1 Fundamentos de los grficos de control Factores que no controlamos
Variabilidad
Clasificacin de causas de variabilidad: Causas asignables

Debida a factores importantes Son pocas Cada una produce mucha variabilidad Fciles de detectar Fciles de eliminar
Causas no asignables
Debida a factores marginales Son muchas Cada una produce poca variabilidad Difciles de detectar Difciles de eliminar (inevitables)
9.1 Fundamentos de los grficos de control
Proceso productivo ideal: sin variabilidad Proceso productivo real: variabilidad Proceso real, con buen funcionamiento: slo variabilidad inevitable
Variabilidad baja Variabilidad predecible
Calidad variable Slo causas no asignables
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
7
Si el proceso est bajo control Evolucin de X
El control estadstico de X se har con grficos de este tipo

8
Sea x la variable de inters (por ejemplo, una longitud) Los grficos suelen representar la evolucin de un estadstico de x:
Por ejemplo: la media muestral de x en muestras de tamao n

la desviacin tpica de x en muestras de tamao n el rango de x en una muestra de tamao n
Ejemplo: Muestra 1: Muestra 2: Muestra 3:
= media muestral de x
Muestra K:
10
Representa la evolucin temporal de
11
12
es una variable aleatoria al serlo x
13
LCS lc LCI
LCS: lc:
Lmite de Control Superior
lnea central Lmite de Control Inferior
LCI:
14
LCS lc LCI
LCS: lc:
Lmite de Control Superior...=
Generalmente
lnea central............................= Lmite de Control Inferior.....=
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
18
19
9.2 Grficos de control para la media
Representamos la evolucin de medias muestrales Estadstico que representamos:
Si cuando el proceso est bajo control se tiene que
entonces en estado de control se verificar que
20
Grfico de control general
Grfico de control para las medias
21
Problema: los parmetros
son desconocidos
Se estiman con datos histricos Slo son vlidos si se toman cuando el proceso est bajo control!!!! Cmo los estimamos?
22
Estimacin de
1. Tomamos K muestras iniciales de nuestra variable x Muestra 1: Muestra 2: Muestra 3:
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
3. Estimamos con la media de las medias
que es igual a la media de todos los datos
26
Estimacin de
4. Estimamos . Hay varias alternativas

4.1 Utilizando las desviaciones tpicas muestrales
Problema:
es un estimador sesgado de ( Nota:
2 )
es tambin un estimador sesgado de
27
Estimacin de

Problema:
es un estimador sesgado de
Solucin: se conoce el sesgo
est tabulado
28
Estimacin de

4.1 Utilizando las desviaciones tpicas muestrales 4.2 Utilizando las desviaciones tpicas corregidas por grados de libertad
Problema:
2 )
(Nota:
es un estimador insesgado de
29
Estimacin de

4.1 Utilizando las desviaciones tpicas muestrales 4.2 Utilizando las desviaciones tpicas corregidas por grados de libertad
Problema:
est tabulado
30
Estimacin de

4.1 Utilizando las desviaciones tpicas muestrales 4.2 Utilizando las desviaciones tpicas corregidas por grados de libertad 4.3 Utilizando los rangos muestrales
Problema:
31
Estimacin de

4.1 Utilizando las desviaciones tpicas muestrales 4.2 Utilizando las desviaciones tpicas corregidas por grados de libertad 4.3 Utilizando los rangos muestrales
Problema:
est tabulado
32
Estimacin de
4. Estimamos . Hay varias alternativas RESUMEN

4.2 Utilizando las desviaciones tpicas corregidas por grados de libertad
4.3 Utilizando los rangos muestrales
33
Usando desv. tpica
34
Usando desv. tp. corregida
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
Para n=6: d2=2.534
37
Ejemplo
x = 30.11
R=5.4
xi
32.72 30.11 27.50
Muestras
38
Captulo 9: Control Estadstico de la Calidad
39
9.3 Grficos de control para la dispersin
1. Usando desv. tpica corregida: evolucin del estadstico
2. Usando rangos: evolucin del estadstico
40
1. Usando desv. tpica corregida: evolucin del estadstico
41
1. Usando desv. tpica corregida:
Depende de Con k muestras iniciales
42
1. Usando desv. tpica corregida:
B3,B4,B5,B6 en tablas
43
2. Usando rangos: De forma anloga, usando k muestras iniciales...
D3,D4 en tablas
44
Ejemplo
x = 30.11
R=5.4
Para n=6: D3=0,D4=2.004
45
Ejemplo
x = 30.11
R=5.4
Ri
10.82
5.4
0 Muestras
46
Procedimiento general para la construccin de grficos de control por variables
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
Fuera de los lmites!!!

48
Procedimiento general para la construccin de grficos de control por variables
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
50
51
52
9.4 Capacidad de un proceso
Sea x la variable de inters (longitud, tiempo...). Si el proceso ha estado bajo control...
Los lmites de control del grfico de medias representan las verdaderas propiedades del proceso
53
Sea x la variable de inters (longitud, tiempo...). Si el proceso ha estado bajo control...
54
99,7%
Si el proceso est bajo control, entre la media y 3 desviaciones tpicas estn casi todos los artculos producidos
55
99,7%
Capacidad
56
Estimacin de la capacidad
1 Utilizando las desviaciones tpicas muestrales
2 Utilizando las desviaciones tpicas corregidas por grados de libertad
3 Utilizando los rangos muestrales
57
Ejemplo
x = 30.11
Para n=6: d2=2.534
R=5.4
5.4 = 6 2.13 = 12.8 Capacidad = 6 2.534

58
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%
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
Si LTI<x<LTS el artculo es aceptable
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
defectuosos ndice de Capacidad Cp
LTS=202 mm LTI=198 mm
=12
LTS-LTI=4
63
LTI
LTS
ndice de Capacidad <1
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
ndice de Capacidad >1
Muy pocos defectuosos
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
x = 30.11
R=5.4
5.4 = 6 2.13 = 12.8 Capacidad = 6 2.534

LTS=40 LTI=20 LTS-LTI=20
LTS LTI 20 Cp = = = 1.56 6 12.8
66
67
9.5 Interpretacin de los grficos de control

Idea general: si el proceso est en estado de control, los grficos deben mostrar un
comportamiento aleatorio dentro de los lmites de control; por tanto una evolucin de los grficos que tenga un patrn no aleatorio o/y fuera de los lmites ser indicio de existencia de causas asignables.
Patrones no aleatorios ms habituales

Tendencias Rachas
Ciclos
68
Para detectar estos patrones no aleatorios: test de aleatoriedad (run tests)

(estn basados en la normal)
zona A zona B zona C zona C zona B zona A
+3 +2 +1 -1 -2 -3
69
+3 zona A zona B zona C zona C zona B zona A -3 -1 -2 +2 +1
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.
Objetivo general: evolucin de los elementos que tienen cierto
Elementos analizados
Posibles atributos de inters
Artculo................................ Con/sin defecto Llamada telefnica................. Bloqueada/no bloqueada

Cliente................................... Atendido/no atendido
72
Grfico P
En el instante ti analizamos ni elementos... di tienen el atributo (p.e. defecto)
Proporcin
pi=
di ni pi
dibujamos la evolucin de
73
Grfico P Es la evolucin del estadstico pi

Usamos el mismo mtodo para construir grficos de control
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
...
Cada artculo puede ser defectuoso o aceptable

Asignamos una variable x a cada artculo...
xj =
1 si el artculo j es defectuoso 0 si el artculo j no es defectuoso

Variable aleatoria de Bernoulli

75
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
x1+x2+ ... +xni ni
La esperanza es un operador lineal E(a+bx+cy)=a+bE(x)+cE(y)
Todas la xi tienen la misma media=p
77
pi=
di ni
x1+x2+ ... +xni ni
2 Var(ax)=a Var(x)
Por ser las xi independientes, la varianza de la suma es la suma de las varianzas
Todas la xi tienen la misma varianza=p(1-p)
78
pi=
di ni
x1+x2+ ... +xni ni
Adems, por el teorema central del lmite, si ni es suficientemente grande, se distribuir como una Normal
En el intervalo
estar (aproximadamente ) el 99,7% de los valores de

79
Grfico P
80
Grfico P
Estimacin de p: con k muestras iniciales, de tamaos ni, i=1,..,k
81
Grfico P
ojo!! los lmites dependen de ni
=0 si es negativo
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
Objetivo general: evolucin del nmero de artculos defectuosos en
- 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 ...
di es una variable aleatoria binomial
85
Proceso productivo
...
n artculos
d1 defectuosos
n artculos
d2 defectuosos
Propiedades de la Binomial ... n artculos n artculos n artculos

d3 defectuosos d4 defectuosos di defectuosos
Si el proceso est bajo control (estabilidad e independencia)... ...la probabilidad de que un artculo sea defectuoso ser siempre p ...
si n es elevado... di es una variable aleatoria binomial
86
Grfico NP Dibuja la evolucin de di
87
Grfico NP Estimando p con k muestras iniciales...
= 0 si es negativo
88
Proceso productivo
...
n artculos
d1 defectuosos
n artculos
d2 defectuosos
n artculos
d3 defectuosos
n artculos
d4 defectuosos
...
n artculos
di defectuosos
89

Pres Calidad

Cargado por

Información del documento

Derechos de autor

Formatos disponibles

Compartir este documento

Compartir o incrustar documentos

Opciones para compartir

¿Le pareció útil este documento?

¿Este contenido es inapropiado?

Copyright:

Formatos disponibles

Pres Calidad

Cargado por

Copyright:

Formatos disponibles

9.

Introduccin al control estadstico de procesos

Informtica. Universidad Carlos III de Madrid

Tema 9: Introduccin al control estadstico de procesos

Informtica. Universidad Carlos III de Madrid

Longitud de una varilla del tipo T obtenida con la mquina M

Siempre el mismo tipo T de cilindro

Factores que no controlamos:

9.1 Fundamentos de los grficos de control Factores que no controlamos

Clasificacin de causas de variabilidad: Causas asignables

Informtica. Universidad Carlos III de Madrid

9.1 Fundamentos de los grficos de control

Variabilidad baja Variabilidad predecible

Calidad variable Slo causas no asignables

Informtica. Universidad Carlos III de Madrid

9.1 Fundamentos de los grficos de control

Si el proceso est bajo control Evolucin de X

El control estadstico de X se har con grficos de este tipo

9.1 Fundamentos de los grficos de control

Por ejemplo: la media muestral de x en muestras de tamao n

Informtica. Universidad Carlos III de Madrid

Ejemplo: Muestra 1: Muestra 2: Muestra 3:

Informtica. Universidad Carlos III de Madrid

Representa la evolucin temporal de

Informtica. Universidad Carlos III de Madrid

Informtica. Universidad Carlos III de Madrid

es una variable aleatoria al serlo x

Informtica. Universidad Carlos III de Madrid

Lmite de Control Superior

lnea central Lmite de Control Inferior

Informtica. Universidad Carlos III de Madrid

Lmite de Control Superior...=

lnea central............................= Lmite de Control Inferior.....=

Informtica. Universidad Carlos III de Madrid

Informtica. Universidad Carlos III de Madrid

Informtica. Universidad Carlos III de Madrid

Tema 9: Introduccin al control estadstico de procesos

Informtica. Universidad Carlos III de Madrid

9.2 Grficos de control para la media

Representamos la evolucin de medias muestrales Estadstico que representamos:

Si cuando el proceso est bajo control se tiene que

entonces en estado de control se verificar que

Informtica. Universidad Carlos III de Madrid

Grfico de control general

Grfico de control para las medias

Informtica. Universidad Carlos III de Madrid

Grfico de control para las medias

Problema: los parmetros

1. Tomamos K muestras iniciales de nuestra variable x Muestra 1: Muestra 2: Muestra 3:

Informtica. Universidad Carlos III de Madrid

Informtica. Universidad Carlos III de Madrid

Informtica. Universidad Carlos III de Madrid

3. Estimamos con la media de las medias

que es igual a la media de todos los datos

Informtica. Universidad Carlos III de Madrid

4. Estimamos . Hay varias alternativas

es un estimador sesgado de ( Nota:

es tambin un estimador sesgado de

Informtica. Universidad Carlos III de Madrid

4. Estimamos . Hay varias alternativas

Solucin: se conoce el sesgo

Informtica. Universidad Carlos III de Madrid

4. Estimamos . Hay varias alternativas

Informtica. Universidad Carlos III de Madrid