Documentos de Académico
Documentos de Profesional
Documentos de Cultura
ControlProcesos PDF
ControlProcesos PDF
1. APUNTES DE CLASE
------------------------------------------------------------------------------------------------------------------------------------------
Control Estadstico de Procesos
INDICE DE CONTENIDOS
1. INTRODUCCIN AL CONTROL ESTADSTICO DE PROCESOS.........................4
2. POR QU VARAN LOS PROCESOS?................................................................5
3. FUNDAMENTOS ESTADSTICOS..........................................................................7
4. CAUSAS COMUNES Y CAUSAS ASIGNABLES O ESPECIALES .......................9
5. QU CONDICIONES HACEN FALTA PARA QUE SE PUEDA APLICAR EL
GRFICO DE CONTROL? .............................................................................................10
6. CAPACIDAD DE PROCESO.................................................................................13
6.1. CONCEPTO DE CAPACIDAD DE PROCESO..............................................13
6.2. NDICES CP Y CPK ..........................................................................................13
6.3. VARIABILIDAD A CORTO Y LARGO PLAZO ...............................................16
6.4. POTENCIALIDAD DEL PROCESO. NDICES PP Y PPK .................................17
6.5. CONCEPTO DE GRUPO HOMOGNEO RACIONAL ..................................18
7. GRFICOS DE CONTROL POR VARIABLES: GRFICOS DE SHEWHART ....18
8. CURVAS DE OPERACIN DEL GRFICO DE CONTROL .................................32
8.1. CURVA DE OPERACIN DEL GRFICO DE MEDIAS...................................................32
8.2. CURVA DE OPERACIN DEL GRFICO DE DISPERSIN. ...........................................34
9. INTERPRETACIN DE LAS INDICACIONES DEL GRFICO DE CONTROL....36
10. ESTUDIO DE CAPACIDAD DE PROCESOS .......................................................39
10.1. QU ES UN ESTUDIO DE CAPACIDAD DE PROCESO? .........................39
10.2. CMO SE REALIZA UN ESTUDIO DE CAPACIDAD DE PROCESO? ......39
10.2.1. Comprender los fenmenos fsicos y tecnolgicos importantes
para el proceso ..........................................................................................40
10.2.2. Definicin de la estratificacin de las medidas a tomar ...........40
10.2.3. Estabilizar del proceso..............................................................41
10.2.4. Toma de los datos ....................................................................41
10.2.5. Identificacin del patrn de variabilidad ...................................41
10.2.6. Comprobacin de la normalidad de los datos ..........................42
10.2.7. Anlisis e interpretacin de los datos .......................................43
10.2.8. Construccin de un intervalo de confianza de los ndices .......46
11. CASO DE PROCESOS NO NORMALES..............................................................47
11.1. ES LA NORMALIDAD LO NORMAL? .......................................................47
11.2. CONSECUENCIAS QUE TIENE EN EL ANLISIS.......................................48
11.3. TCNICAS DE NORMALIZACIN DE LOS DATOS. ...................................49
12. GRFICOS DE CONTROL PARA APLICACIONES ESPECIALES.....................54
12.1. GRFICOS PARA MUESTRAS UNITARIAS (I-MR) ....................................................54
12.2. GRFICOS QUE PERMITEN CONTROLAR DOS TIPOS DE VARIABILIDAD
SIMULTNEAMENTE (I-MR-R/S) ..............................................................................56
13. GRFICOS DE CONTROL PARA EL CASO DE SERIES CORTAS. ..................57
QU ES UN PROCESO?
INPUT OUTPUT
Figura 1
??
OK OK
OK OK
Figura 2
INPUT OUTPUT
Mano de Obra
Mquinas
Material
Mtodo
Ambiente
Mantenimiento
Figura 3
3. FUNDAMENTOS ESTADSTICOS.
0.4
0.3
0.2
0.1
68 %
0.0
95%
-3 -2 -1 99,73% 1 2 3 4
El teorema del lmite central (TLC) establece que si una variable aleatoria (v.
a.) se obtiene como una suma de muchas causas independientes, siendo
cada una de ellas de poca importancia respecto al conjunto, entonces su
distribucin es asintticamente normal. Es decir:
Si
X = x1 + x 2 + L + xn donde las xi son v.a de media i y varianza i 2
n n
Entonces : X N i , i
2
i =1
i =1
xm N ,
n
2
DISTRIBUCIN DE LAS MEDIAS
DISTRIBUCIN DE LOS
VALORES INDIVIDUALES
-4 -3 -2 -1 0 1 2 3 4
Por definicin, se dice que un proceso est bajo control estadstico cuando
no hay causas asignables presentes. El Control Estadstico de Procesos se
basa en analizar la informacin aportada por el proceso para detectar la
presencia de causas asignables y habitualmente se realiza mediante una
construccin grfica denominada Grfico de Control.
Si el proceso se encuentra bajo control estadstico es posible realizar una
prediccin del intervalo en el que se encontrarn las caractersticas de la pieza
fabricada.
Puede ocurrir que las caractersticas propias del proceso hagan que alguno de
los factores de variabilidad intrnsecos al mismo, tenga un efecto
preponderante, de modo que en este caso la distribucin no sea normal. Un
Por lo tanto, debe tratar de conocerse todo lo que sea posible de los
fundamentos tecnolgicos del proceso, ya que puede dar pistas sobre el tipo de
distribucin que seguirn los datos. En ningn caso debe darse la normalidad
por supuesta. Debe comprobarse y en caso de que los datos no sean
normales, deben aplicarse mtodos especiales.
Si tiramos 10 monedas...
....
50% 50% 50% 50% 50% 50% 50% 50%
n
P( x ) = p x (1 p )
(n x ) )
0.25
0.20
Probabilidad
0.15
0.10
0.05
0.00
0 5 10
x
Nmero de intentos N= 10 Probabilidad de xito P= 0.5
6. CAPACIDAD DE PROCESO
6.1. CONCEPTO DE CAPACIDAD DE PROCESO
Como consecuencia de todo lo anterior, si un proceso normal est en control
estadstico, la caracterstica de calidad del 99,73% de los elementos fabricados
estar comprendida entre - 3 y + 3. El parmetro depende del punto
en el que centremos el proceso. Sin embargo depende del nmero y
variabilidad de las causas comunes del proceso y por lo tanto es intrnseca a l.
Por lo tanto 6 es la Variabilidad Natural del Proceso o Capacidad del
Proceso. Por definicin:
CAPACIDAD DEL PROCESO = 6
Es esencial resaltar que la variabilidad natural del proceso, 6, es intrnseca a
l e independiente de las tolerancias que se asignen. Por lo tanto si 6 es
menor que el intervalo de las tolerancias a cumplir, necesariamente algunos
productos fabricados estarn fuera de tolerancia y sern no conformes. Si no se
tiene en cuenta este hecho y se pretende corregir a base de reajustar el
proceso, es decir modificar el centrado, lo nico que se consigue es aumentar
la variabilidad del mismo.
Ts Ti
Cp =
6
Ts Ti
Cpk = min ,
3 3
De este modo se define un proceso capaz como aquel que Cpk > 1.
Aplicando estos mismos conceptos a la variabilidad atribuible de una mquina
de las que integran el proceso de fabricacin, podemos definir la capacidad de
mquina, el ndice de capacidad de mquina CM y CMk.
Intervalo de tolerancias Ts Ti
ndice de capacidad cp: Cp = =
Capacidad del proceso 6
0.4
0.3
Probabilidad
0.2
0.1
INTERVALO DE TOLERANCIA
0.0
-4 Tinf -3 -2 -1 0 1 2 3 Tsup4
VARIABILIDAD PROCESO
Figura 8: ndice Cp
0.4
0.3
Probabilidad
0.2
0.1
INTERVALO DE TOLERANCIA
0.0
-4 Tinf -3 -2 -1 0 1 2 3 Tsup4
VARIABILIDAD PROCESO
12 4,5
cp = =2 c pk = = 1,5
6 3
6 S IG M A C p = 2 , p p m = 0 . 0 0 2
D E S P L A Z A D A 1 , 5 S IG M A C p k =
4 ,5 /3 = 1 ,5 ; p p m = 3 .4 0 1
-7 -6 -5 -4 -3 -2 -1 0 1 2 3 4 5 6 7
Figura 10
1 2 3 4 5 6 7 8 9 10
Nm ero de m uestra
Ts Ti Ts Ti
Cp = Cpk = min ,
6 CP 3 CP 3 CP
Ts Ti Ts Ti
Pp = Ppk = min ,
6 LP 3 LP 3 LP
LCI = media 3
n
LCI = media 3
n
Identificar y eliminar la causa especial!
(x i x)
2
s= i 1
n
n 1 2
E (s 2 ) =
n
(x i x)
2
s* = i 1
n 1
2(n 1) 4
Var (s 2 ) = Var (s *2 ) =
2
4
n2 n 1
2 (n / 2 ) 2 (n / 2 )
E ( s) = = c 2 E( s * ) = = c 4
n [( n 1) / 2] n 1 [( n 1) / 2]
1
s = 1 c22 s ' = 1 c42
n
i) Caso , conocidos.
3
LCS = + = + A
n
LC =
3
LCI = = A
n
LCS = (d 2 + 3d 3 ) = D2
LC = d 2
LCS = (d 2 3d 3 ) = D1
R 1
LCS = X + 3 = X + A2 R
d2 n
LC = X
R 1
LCI = X 3 = X A2 R
d2 n
d
LSC = 1 + 3 3 R = D4 R
d2
LC = R
d
LCI = 1 3 3 R = D3 R
d2
Una vez establecidos los lmites de control provisionales para ambos grficos,
se comprobara si alguna de las muestras est fuera de los lmites. En caso
afirmativo se procedera a buscar la causa asignable que pudiera explicar esa
anormalidad y se recalcularan los lmites. Estos lmites deben recalcularse
peridicamente, por ejemplo cada 25 muestras.
i) Caso , conocidos.
3
LCS = + = + A
n
LC =
3
LCI = = A
n
1
LSC = c2 + 3 1 c2 = B2
2
n
LC = c2
1
LIC = c2 3 1 c2 = B1
2
LSC = c4 + 3 1 c4 = B6
2
LC = c4
LIC = c4 3 1 c4 = B5
2
(Si alguno de los dos fuera conocido sera un hbrido de los dos
casos i) y ii)). Se estimara a partir de la media de las medias
(x ) y a partir de la desviacin tpica muestral media ( s *
o s )
de k muestras iniciales.
*
A partir de x y s o s se trazaran los lmites provisionales de
la manera siguiente. En el grfico de medias si se utiliza s :
3 1
LCS = X + S = X + A1 S
c2 n
LC = X
3 1
LCI = X S = X A1 S
c2 n
*
Si se utiliza s :
3 1 *
LCS = X + S = X + A3 S *
c4 n
LC = X
3 1 *
LCI = X S = X A3 S *
c4 n
1S
LSC = c2 + 3 1 c2 = B4 S
2
n c2
LC = S
1S
LSI = c2 3 1 c2 = B3 S
2
n c2
*
Si se utiliza s :
3 2
LCS = 1 + 1 c4 S * = B4 S *
c4
LC = S *
3 2
LCI = 1 1 c4 S * = B3 S *
c4
Una vez trazados los lmites provisionales, se estudiaran los puntos fuera de
control y se recalcularan los lmites de manera anloga al caso anterior.
En las tablas siguientes se resume lo anterior:
GRFICOS DE MEDIAS
GRFICOS DE DISPERSIN
S B2 c2 B1
R D2 d2 D1
B6 c4 B5
*
S
S B4 S S B3 S
NINGUNO R D4 R R D3 R
*
S B4 S * S *
B3 S *
Tabla 2
TABLA DE COEFICIENTES
n A A1 A2 A3 c2 c4 B1 B2 B3 B4 B5 B6 d2 d3 D1 D2 D3 D4
2 2.121 3.760 1.880 2.659 0.5642 0.7979 0 1.943 0 3.267 0 2.606 1.128 0.853 0 3.686 0 3.267
3 1.732 2.394 1.023 1.954 0.7236 0.8862 0 1.858 0 2.568 0 2.276 1.693 0.888 0 4.358 0 2.575
4 1.500 1.880 0.729 1.628 0.7979 0.9213 0 1.808 0 2.266 0 2.088 2.059 0.880 0 4.698 0 2.282
5 1.342 1.596 0.577 1.427 0.8407 0.9400 0 1.756 0 2.089 0 1.964 2.326 0.864 0 4.918 0 2.115
6 1.225 1.410 0.483 1.287 0.8686 0.9515 0.026 1.711 0.030 1.970 0.029 1.874 2.534 0.848 0 5.078 0 2.004
7 1.134 1.277 0.419 1.182 0.8882 0.9594 0.105 1.672 0.118 1.882 0.113 1.806 2.704 0.833 0.205 5.203 0.076 1.925
8 1.061 1.175 0.373 1.099 0.9027 0.9650 0.167 1.638 0.185 1.815 0.179 1.751 2.847 0.820 0.387 5.307 0.136 1.864
9 1.000 1.094 0.337 1.032 0.9139 0.9693 0.219 1.609 0.239 1.761 .232 1.707 2.970 0.808 0.546 5.394 0.184 1.816
10 0.949 1.028 0.308 0.975 0.9227 0.9727 0.262 1.584 0.284 1.716 0.276 1.669 3.078 0.797 0.687 5.469 0.223 1.777
11 0.905 0.973 0.285 0.927 0.9300 0.9754 0.299 1.561 0.321 1.679 0.313 1.637 3.173 0.787 0.812 5.534 0.256 1.744
12 0.866 0.925 0.266 0.886 0.9359 0.9776 0.332 1.541 0.354 1.646 0.346 1.610 3.258 0.778 0.924 5.592 0.284 1.716
13 0.832 0.884 0.249 0.850 0.9410 0.9794 0.359 1.523 0.382 1.618 0.374 1.585 3.336 0.770 1.026 5.646 0.308 1.692
14 0.802 0.848 0.235 0.817 0.9453 0.9810 0.384 1.507 0.406 1.594 0.399 1.563 3.407 0.762 1.121 5.693 0.329 1.671
15 0.775 0.816 0.223 0.789 0.9490 0.9823 0.406 1.492 0.428 1.572 0.421 1.544 3.472 0.755 1.207 5.737 0.348 1.652
16 0.750 0.788 0.212 0.763 0.9523 0.9835 0.427 1.478 0.448 1.552 0.440 1.526 3.532 0.749 1.285 5.779 0.364 1.636
17 0.728 0.762 0.203 0.739 0.9551 0.9845 0.445 1.465 0.466 1.534 0.458 1.511 3.588 0.743 1.359 5.817 0.379 1.621
18 0.707 0.738 0.194 0.718 0.9576 0.9854 0.461 1.454 0.482 1.518 0.475 1.496 3.640 0.738 1.426 5.854 0.392 1.608
19 0.688 0.717 0.187 0.698 0.9599 0.9862 0.477 1.443 0.497 1.503 0.490 1.483 3.689 0.733 1.490 5.888 0.404 1.596
20 0.671 0.697 0.180 0.680 0.9619 0.9869 0.491 1.433 0.510 1.490 0.504 1.470 3.735 0.729 1.548 5.922 0.414 1.586
21 0.655 0.679 0.173 0.663 0.9630 0.9876 0.504 1.424 0.523 1.477 0.516 1.459 3.778 0.724 1.606 5.950 0.425 1.575
22 0.640 0.662 0.167 0.647 0.9655 0.9882 0.516 1.415 0.534 1.466 0.528 1.448 3.819 0.720 1.659 5.979 0.434 1.566
23 0.626 0.647 0.162 0.633 0.9670 0.9887 0.527 1.407 0.545 1.455 0.539 1.438 3.858 0.716 1.710 6.006 0.443 1.557
24 0.612 0.632 0.157 0.619 0.9684 0.9892 0.538 1.399 0.555 1.445 0.549 1.429 3.895 0.712 1.759 6.031 0.452 1.548
25 0.600 0.619 0.153 0.606 0.9696 0.9896 0.548 1.392 0.565 1.435 0.559 1.420 3.931 0.709 1.804 6.058 0.459 1.541
>25 3/n 3/n .... .... .... .... 1-3/2n 1+3/2n 1-3/2n 1+3/2n .... .... .... .... .... .... .... ....
Tabla 3
3 s R B1 = c2 B3 D1 = d 2 3d 3
A= c2 = d2 =
n B2 = c2 B4 D2 = d 2 + 3d 3
d3 = w
(1 c )
3 n 3 3d 3
A1 = c4 = c2 B3 = 1 2
D3 = 1
c2 n n 1 c4
4
d2
A2 =
d2 n
3
B4 = 1 +
3
c4
(1 c )2
4 D4 = 1 +
3d 3
d2
A3 =
3 B5 = c4 3 (1 c42 )
B6 = c4 + 3 (1 c42 )
c4 n
SOLUCIN:
MUES 1 2 3 4 5 Media R s* s
TRA
6 0,007 0,005 0,007 0,009 0,005 0,007 0,004 0,0015 0,0014
7 0,008 0,009 0,009 0,007 0,007 0,008 0,002 0,0011 0,0010
8 0,009 0,009 0,009 0,007 0,007 0,008 0,002 0,0010 0,0009
9 0,007 0,008 0,009 0,008 0,009 0,008 0,001 0,0005 0,0005
10 0,008 0,007 0,008 0,009 0,010 0,008 0,003 0,0012 0,0011
11 0,008 0,010 0,008 0,006 0,008 0,008 0,004 0,0013 0,0012
12 0,009 0,009 0,008 0,009 0,009 0,009 0,001 0,0005 0,0004
13 0,009 0,008 0,009 0,008 0,008 0,008 0,001 0,0006 0,0006
14 0,008 0,008 0,007 0,010 0,007 0,008 0,003 0,0012 0,0011
15 0,007 0,009 0,008 0,008 0,008 0,008 0,002 0,0007 0,0006
16 0,007 0,009 0,006 0,006 0,006 0,007 0,003 0,0013 0,0012
17 0,008 0,009 0,009 0,007 0,009 0,008 0,003 0,0011 0,0010
18 0,009 0,008 0,007 0,009 0,008 0,008 0,002 0,0007 0,0007
19 0,008 0,009 0,009 0,009 0,008 0,008 0,001 0,0004 0,0004
20 0,007 0,008 0,009 0,007 0,010 0,009 0,003 0,0012 0,0011
Media 0,008 0,002 0,0010 0,0009
Tabla 5
Grfico de medias:
LC= 0,008
Grfico de recorridos:
LC= 0,002
GRFICO X-R
0.0095 3.0SL=0.00935
Media Muestral
0.0085
X=0.007970
0.0075
0.0065 -3.0SL=0.0065
Subgroup 0 10 20
Recorrido Muestral
0.005 3.0SL=0.00507
0.004
0.003
R=0.002400
0.002
0.001
0.000 -3.0SL=0.00E+
Grfico s*
LCS= 2,089x0,0010 = 0,0020
LC= 0,0010
LCI= 0,000x0,0010 = 0,0000
Grfico s
LCS= 2,089x0,0009 = 0,0018
LC= 0,0009
LCI= 0,000x0,0009 = 0,0000
1 0 1
d= =
0 0
LCI x 1 LCS 1 ( d + 3) n x 0 d 0 (3 d ) n
P( d , ) = P 1 = P
1 / n 1 / n 1 / n 0 / n
Si analizamos ahora los dos efectos por separado y dibujamos las curvas para
distintos tamaos de muestras, vemos que el grfico de medias es sensible al
desplazamiento y muy poco sensible al cambio de la variabilidad (ver Figura
15 y Figura 16).
n=
0.6
2
n= 4
0.5
3
n= 5
0.4
n= =6
0.3
n 8
n=
0.2
n= 16
12
n= 0
0.1
n=
2
0.0
0.0 0.5 1.0 1.5 2.0 2.5
desplazamiento en mltiplos de sigma
0.9
Probabilidad
0.8
0.7
0.6
0.5
0.4
1 2 3 4 5 6
Aumento de variabilidad
P ( ) = P (D1 0 w 0 D2 0 )
Para el caso del grfico S, la probabilidad de que una muestra caiga dentro de
los lmites de control puede hacerse utilizando el estadstico:
ns 2
= n21
2
B 2 2 s2 B 2 2 B2 s2 B2
P( ) = P 1 2 0 n 2 n 2 2 0 n = P 12 n 2 2 n 22 n
1 1 1 0
CENTRADO INALTERADO
1.0
Probabilidad R dentro LC
n=2
n=3
0.5
n=4
n=5
n=10 n=6
n=7
n=12 n=8
0.0
1 2 3 4 5 6
Aumento de la variabilidad en mltiplos de sigma
CENTRADO INALTERADO
1.0
Probabilidad S dentro LC
n=2
0.5
n=3
n=10
n=12 n=4
n=6
n=18 n=7 n=5
n=8
0.0 n=20
1 2 3 4 5 6
Aumento de la variabilidad en mltiplos de sigma
A (2,5%)
B (13,5%)
C (34%)
C (34%)
B (13,5%)
A (2,5%)
Cmo lo interpreta?
Racha en una mitad Racha creciente o
decreciente
En todos los casos debe pensarse que la propia medida puede ser una fuente
de variabilidad ms, por lo que deben tomarse las siguientes precauciones:
Es preciso tener en cuenta que, si los datos no son normales, no son vlidas
las predicciones de fraccin defectuosa realizadas en el estudio. En el prrafo
11 se indica cmo proceder en casos en los que los datos no sean normales.
APLICACIN MINITAB
Dentro del men Graph->Probability_Plot, Minitab cuenta con
contrastes grficos de ajuste para varias distribuciones.
Si se selecciona la distribucin normal y se representan
los datos del Ejemplo 3 (ver Figura 21) se observa que alguno
de los valores de los extremos est fuera de las bandas de
confianza del 95%, lo que es un indicio de falta de
normalidad.
ML Estimates
Mean 0.007966
99
StDev 0.0010901
95
90 Goodness of Fit
80 AD* 0.827
Percent
70
60
50
40
30
20
10
5
n1 + L nk k
P
APLICACIN MINITAB
Dentro del men Stat->Control Charts-> Xbar-R, Si
se selecciona la columna en la que estn los
datos y se indican el tamao del lote = 5, se
obtiene la Figura 22. En ella puede apreciarse
dos puntos fuera de control, lo que indica que la
variabilidad a corto plazo, representada por los
ndices cp y cpk no debe utilizarse para
cuantificar la variabilidad total del proceso.
COMPROBACIN ESTABILIDAD
10
1
9
Sample Mean
1
8 UCL=7.948
7
Mean=6.429
6
5 LCL=4.909
1
4 1 1
Subgroup 0 1 2 3 4 5 6 7 8 9 10
6
UCL=5.569
Sample Range
5
4
3
R=2.634
2
1
0 LCL=0
Muestra Muestra Muestra Muestra Muestra Muestra Muestra Muestra Muestra Muestra
1 2 3 4 5 6 7 8 9 10
Pieza 1 5.35 4.55 5.05 7.41 9.23 8.92 9.08 7.18 5.35 4.45
Pieza 2 3.96 5.85 5.41 8.02 6.99 11.53 6.95 6.75 5.98 4.57
Pieza 3 4.70 4.13 6.18 7.19 9.17 9.37 7.13 6.66 5.03 4.88
Pieza 4 4.40 3.59 6.54 7.11 8.58 9.37 9.81 5.24 7.32 3.54
Pieza 5 3.07 3.66 4.68 5.51 8.11 7.68 5.78 7.32 6.59 6.49
MEDIA 4.30 4.36 5.57 7.05 8.42 9.38 7.75 6.63 6.05 4.78
RANGO 2.27 2.26 1.87 2.51 2.23 3.85 4.03 2.08 2.29 2.95
Sm 0.85 0.92 0.78 0.93 0.92 1.39 1.65 0.83 0.93 1.08
Tabla 7
x = 6.43
2.27 + 2.26 + 1.87 + 2.51 + 2.23 + 3.85 + 4.03 + 2.08 + 2.29 + 2.95
R= = 2.63
10
0.85 + 0.92 + 0.78 + 0.93 + 0.92 + 1.39 + 1.65 + 0.83 + 0.93 + 1.08
sM = = 1.03
10
n 50
( x i x )2 (x i 6.43)
2
LP = i =1
= i =1
= 1.92
n 1 50 1
Como conclusin:
2
(n 1)s 2
n21
que llevara a los siguientes lmites del intervalo de confianza para la varianza.
(n 1)s 2 2
(n 1)s 2
n21 (1 / 2) n21 ( / 2)
n21 (1 / 2 ) n21 ( / 2 )
cp
n 1 n 1
Sin embargo, para que esto sea cierto, es necesario una buena normalidad de
los datos, hecho que no siempre se cumple. Por esta razn resulta ms
apropiado recurrir a mtodos de estimacin no paramtricos (por ejemplo,
mtodo de bootstrap).
(x + m ) 1)
( )
= ( 0) (x x > m )
x
ln ( x + m ) ( = 0) (m > 0)
Es continua en , puesto que:
lim x ( ) = ln ( x + m )
0
L( ) = ln ( 2 ( ) ) + ( 1) ln( xi )
n
1 )
n i =1
Donde:
)
2 ( ) =
n i =1
(
1 n ( )
x x ( ) )
2
TRANSFORMACIN DE BOX-COX
SELECCIN DEL LAMBDA PTIMO
-100
Verosimilitud
-200
lambda Verosimilitud
-2.00 -304.427
-1.50 -221.758
-1.00 -153.238
-0.50 -105.654
-300 0.00 -81.808
-77.440
0.25
0.50 -77.475
-2 -1 0 0.37 1 2
1.00 -86.631
1.50 -105.244
2.00 -131.009
lambda
APLICACIN MINITAB
Men Stat->Control Charts->Box-Cox
Transformation. Los datos corresponden a muestras
de tamao 5 de 25 lotes. La respuesta
proporcionada por MINITAB es la indicada en la
Figura 26, en la que se indica =0.113 como el
valor ptimo. Una vez transformados los datos, se
puede comprobar su normalidad mediante un
histograma (ver Figura 27) o un papel
probabilstico, de modo anlogo al hecho
anteriormente (ver Figura 28).
30
Frecuencia
20
10
2 4 6 8 10 12 14 16 18 20 22
Espesores
30
20
10
0
-5 -4 -3 -2 -1 0 1 2 3 4 5
Lambda
20
Frecuencia
10
ML Estimates
Mean 1.18537
99
StDev 0.0832140
95
90 Goodness of Fit
80 AD* 0.291
Percent
70
60
50
40
30
20
10
5
Los datos proceden del libro Implementing Six Sigma. Smarter Solution Using
Statistical Methods de Forrest W. Breyfogle III.. Corresponden a la medida de
la viscosidad en cP de 20 lotes de un compuesto qumico.
APLICACIN MINITAB
Men Stat->Control Charts->I -MR. La respuesta
proporcionada por MINITAB es la indicada en la
Figura 29.
80 UCL=80.23
Individual Value
75
Mean=74.2
70
LCL=68.17
Subgroup 0 10 20
Secuencia 10 20
8
7 UCL=7.406
Moving Range
6
5
4
3
2 R=2.267
1
0 LCL=0
APLICACIN MINITAB
Men Stat->Control Charts->I MR-R/S. La
respuesta proporcionada por MINITAB es la
indicada en la Figura 30.
10 1
9 UCL=9.287
8
7
6 Mean=6.429
5
4 LCL=3.570
3
Moving Range Chart of Subgroup Means
4
Moving Range
UCL=3.511
3
2
1 R=1.075
0 LCL=0
Range Chart of All Data
Sample Range
6 UCL=5.569
5
4
3 R=2.634
2
1
0 LCL=0
Subgroup 0 1 2 3 4 5 6 7 8 9 10
Subscripts ra
1
ra
2
ra
3
ra
4
ra
5
ra
6
ra
7
ra
8
ra
9 10
st st st st st st st st st tra
APLICACIN MINITAB
Men Stat->Control Charts->ZMR. Los datos se
encuentran en el fichero Ejemplo13.MTW. La
respuesta proporcionada por MINITAB es la
indicada en la Figura 31.
C
B
A
Standardized Log(data)
UCL=3
0 Mean=0
LCL=-3
Subgroup 5 10 15
4
UCL=3.686
Moving Range
1 R=1.128
0 LCL=0
(x1 0 )
(x1 0 ) + (x2 0 )
(x1 0 ) + (x2 0 ) + (x3 0 )
M
(x1 0 ) + (x2 0 ) + (x3 0 ) + L + (xt 0 )
Resulta intuitivo ver que mientras 0 no vare las sumas acumuladas andarn
oscilando entorno a 0, mientras que si 0 vara estas sumas crecern
rpidamente en esa direccin.
Grfico CUSUM
SUMAS ACUMULADAS
P
d
h
h
d=
k
Figura 32 Mscara V del grfico CUSUM
APLICACIN MINITAB
Men Stat->Control Charts->CUSUM.La respuesta
proporcionada por MINITAB es la indicada en la
Figura 33. El valor nominal es 4.5 y se conoce
que = 0.203066. Se ha tomado h = 5 y k = 0.5.
En este grfico puede observarse que el proceso
se sale de control en la muestra nmero 49.
CONCENTRACIN DE NIQUEL
10
Cumulative Sum
0 0
0 10 20 30 40 50 60 70 80
Subgroup Number
x1 , x2 , x3 ,L xk ,
LCS = x 0 +
3
n 1
[
1 (1 )
2i
]
LCI = x 0
3
n
[
1 (1 )
2i
]
1
APLICACIN MINITAB
Men Stat->Control Charts->EWMA. La respuesta proporcionada por
MINITAB es la indicada en la Figura 34. El valor nominal es 4.5 y se conoce
que = 0.203066 y se toma = 0.2. En el grfico puede apreciarse que el
proceso est fuera de control antes de la muestra nmero 50.
4.8
4.7 UCL=4.703
EWMA
4.6
4.5 Mean=4.5
4.4
4.3 LCL=4.297
0 10 20 30 40 50 60 70 80
Sample Number
a) Grfico np
LCS = np + 3 np (1 p )
LC = np
LCI = np 3 np (1 p )
b) Grfico p
p (1 p )
LCS = p + 3
n
LC = p
p (1 p )
LCI = p 3
n
DA RECHAZOS PROBADOS
1 14 286
2 22 281
3 9 310
4 19 313
5 21 293
6 18 305
7 16 322
8 16 316
9 21 293
10 14 287
11 15 307
12 16 328
13 21 296
14 9 296
15 25 317
16 15 297
17 14 283
18 13 321
19 10 317
20 21 307
21 19 317
22 23 323
23 15 304
24 12 304
25 19 324
26 17 289
27 15 299
28 13 318
29 19 313
30 12 289
Tabla 9
SOLUCIN:
GRFICO P
0.10
3.0SL=0.09368
P=0.05385
0.05
p
-3.0SL=0.01402
0.00
0 10 20 30
Muestra
a) Grfico c
LCS = c + 3 c
LC = c
LCI = c 3 c
a) Grfico u
u
LCS = u + 3
n
LC = u
u
LCI = u 3
n
c c un u
Puesto que c = un, u = = = =
n n n n
DA 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15
ERR. 6 7 7 6 8 6 5 8 1 6 2 5 5 4 3
DA 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30
ERR. 3 2 0 0 1 2 5 1 7 7 1 5 5 8 8
Tabla 11
SOLUCIN:
Los lmites de control y lnea central para un grfico tipo c son:
GRFICO C
3.0SL=10.81
10
Nmero de
5
errores
C=4.467
0 -3.0SL=0.00E+00
0 10 20 30
Sample Number
A C T IVID A D 1 :
R e a l i c e l o s e j e r c i c i o s i n c l u i d o s e n e l d o c u m e n to s Ej e r c i c i o s d e
C o n tr o l Es ta d s ti c o d e Pr o c e s o s
R ESU M EN