Documentos de Académico
Documentos de Profesional
Documentos de Cultura
44
Control de calidad estadstico M.Sc. Edgar Carpio Vargas
3 3(2)
+ = 50 + = 52
9
45
Control de calidad estadstico M.Sc. Edgar Carpio Vargas
2
3
=( ) (0.0027)(0.9963) = 79.23
0.0175
o sea n = 80, sera el tamao necesario para el diagrama de p. A menos que el costo de la
inspeccin de mediciones sea nueve veces mayor que el de la inspeccin de atributos, el uso
del diagrama de la media ser menos costoso.
Diagramas de X y R (o de X y S)
46
Control de calidad estadstico M.Sc. Edgar Carpio Vargas
d) Casos en los que se necesita un resumen histrico del funcionamiento del proceso.
Los diagramas de control de atributos, como los de p, c y u, son muy eficaces para
resumir informacin respecto al proceso desde el punto de vista de la
administracin
2. Determinacin de las caractersticas por controlar y del sitio en que habra que
incorporar los Diagramas de Control.
47
Control de calidad estadstico M.Sc. Edgar Carpio Vargas
La ficha de control se puede considerar como una prueba o test, para comprobar si el
valor del parmetro sealado , est en la lnea de control y este es el valor verdadero del
parmetro.
Estas lneas delimitan la zona de piezas o caractersticas que cumplen las condiciones
requeridas por la seccin tcnica, o por el comprador, de modo que toda pieza o cualidad que
en la ficha quede sealada fuera de ellas, debe eliminarse.
48
Control de calidad estadstico M.Sc. Edgar Carpio Vargas
49
Control de calidad estadstico M.Sc. Edgar Carpio Vargas
Tiempo
Tiempo
Figura Nro.4.4 Proceso fuera de control debido a cambios en la media, sin variar la
dispersin
Tiempo
Figura Nro.4.5 Proceso fuera de control debido a cambios en la dispersin a travs del
tiempo, pero no del promedio.
Tiempo
50
Control de calidad estadstico M.Sc. Edgar Carpio Vargas
3. Las fichas de X son ms sensibles que las de X, es decir el error es mucho menor y su
curva de eficacia (OC) mucho ms selectiva.
3 1.5
1.5 (usando tabla normal ) 0.933193
O sea, la probabilidad de que una pieza salga fuera de los lmites de control 3, ser:
6.68%.
3 1.5
Es decir: 1 p( z ) 0.93319
Por lo tanto, la probabilidad de detectar el descontrol con alguna de las cuatro piezas ser:
1 4 1 (0.93319) 4 0.249
siendo el 24.9% la probabilidad de enterarse del descontrol con alguna de las cuatro
piezas.
4. En la ficha de la X , con muestras de cuatro piezas (n=4) se tendr distinta probabilidad de
detectar el descontrol, ser: 1 1
51
Control de calidad estadstico M.Sc. Edgar Carpio Vargas
Una valiosa ayuda para tener idea de la cantidad de muestreo necesaria es usar la tabla
obtenida de la norma ANSI/ASQZ1.9-1993.
Ejemplo: si un proceso puede producir 5000 piezas por da, se sugieren 75 inspecciones en
total. Con un tamao de subgrupo de 4, 19 subgrupos serian un buen punto de partida.
Tambin puede usarse la regla de pre control para frecuencia de muestreo. Se basa en la
frecuencia con que se ajusta el proceso.
o Si el proceso se ajusta cada 1 hora, el muestreo se debe hacer cada 10 min.
o Si el proceso se ajusta cada 2 horas, debe muestrearse cada 20 min.
o Si el proceso se ajusta cada 3 horas, el muestreo debe ser cada 30 min.
o As sucesivamente,
3. Usar un registro de datos de tal forma que estos estn ordenados y en subgrupos.
4. Determinar los lmites tentativos de control y la lnea central tambin tentativa, ver si el
diagrama esta fuera de control o no, si es diagrama esta fuera de control pasar al punto
5.
5. Determinar los lmites revisados.
52
Control de calidad estadstico M.Sc. Edgar Carpio Vargas
Cuando se conoce y .
Como los datos muestrales vienen agrupados en sub grupos racionales o estratos, podemos
suponer que se dispone de m sub muestras (x11,.......,x1n),....,(xk1,.......,xkn) cada una con ni
observaciones de la caracterstica de calidad X dada (i=1,....m y N = ni).
Por lo general los sub grupos ni sern pequeos, muchas veces igual a 4,5 o 6, que resultan
los subgrupos racionales, y del hecho de que los costos de muestreo e inspeccin asociados a
mediciones de variables, son por lo regular relativamente altos.
Sean X 1 , X 2 ,......., X m las m medias de los sub grupos, el mejor estimador de , es el gran
promedio:
=1
=
Como: [] = [] =
Como se dispone de m sub muestras la desviacin de la media muestral sera: =
Por el teorema del lmite central se cumple que:
(0,1)
Obtenemos los limites probabilsticos para tamao de muestra constante al nivel para
cada i =1,....,m.
= 2 . = 2 .
Usando el criterio 3.
53
Control de calidad estadstico M.Sc. Edgar Carpio Vargas
LC 3 A
n
Nota: Tener cuidado cuando se dan valores para y , tal vez no se puedan aplicar
realmente estos valores al proceso, lo que implica que los diagramas de X y R producirn
muchas seales de fuera de control respecto a los estndares especificados. Si el proceso en
realidad est bajo control para otra media y otra desviacin estndar, el analista podr
esforzarse mucho buscando causas atribuibles que no existen. Los valores estndares de
parecen causar ms problemas que los valores estndares de . Para los procesos en los que la
media de la caracterstica de calidad se controla mediante ajustes a la maquina, los valores
estndares u objetivos de son a veces de utilidad para alcanzar metas administrativas con
respecto al rendimiento del proceso.
(2 2 ) = 1 ( 2 . + 2 . )1
= 2 . = 2
Si las ni difieren en cuanto al tamao de muestra, las lneas de control no seran una lnea
recta.
Usando el criterio 3.
LC 3 A
ni
La cantidad = 3/ , es una constante que depende de n y se presenta tabulado en la tabla
del apndice VI.
54
Control de calidad estadstico M.Sc. Edgar Carpio Vargas
Cuando se conoce .
Para fijar los lmites de control se necesita un estimador de la desviacin estndar, es posible
usar el mtodo de la amplitud (rango). Sea una caracterstica de calidad X cuantitativa
distribuida normalmente, con media y desviacin tpica , ambas conocidas. De una
muestra de tamao n conformada por X1, X2, X3, ..., Xn, se puede obtener la amplitud de cada
sub grupo: R = Max Min, que sigue una distribucin con [] = y desviacin tpica
[R] = d3.
R d 2
Por el teorema del lmite central, se cumple: i N (0,1)
d 3
Para un dado podemos calcular Z/2 tal que:
R d 2
P Z / 2 i Z / 2 1
d 3
Despejando Ri,
(2 / 2 . 3 2 + / 2 . 3 )1
Obtenemos los limites probabilsticos al nivel para cada i =1,....,m de la forma siguiente:
= 2 / 2 . 3 = (2 / 2 . 3 )
Sean R1, R2, R3, ....... Rm las amplitudes de las m muestras. La amplitud media es:
R1 R2 ....... Rm
R
m
= 2 / 2 . 3 = (2 / 2 . 3 )
Criterio 3.
= (2 / 2 . 3 ) = (2 33 )
= 2
= 2
= 1
55
Control de calidad estadstico M.Sc. Edgar Carpio Vargas
Cuando el estimador de es R .
1 m
Ri R
m i 1
S ; S es un estimador insesgado de , ya que
d2 d2
1 m m
m i 1 Ri 1 m R 1 m
R
m
E[ S ] E i 1 E i 1 E i Por el teorema del
d 2 m d 2 m i 1 d 2 m i 1 m
lmite central se cumple:
(0,1)
2
mediante la distribucin normal para un dado.
2 2 = 1
2
( )
se cumple que:
( 2 . + 2 . )= 1
2 2
La tabla del apndice VI se dan valores de d2 par diversos tamaos muestrales. Z/2 se
obtiene de la distribucin t para una probabilidad . (o de una normal, segn sea el caso)
Usando el criterio 3 .
56
Control de calidad estadstico M.Sc. Edgar Carpio Vargas
3
Si hacemos = 2 , entonces:
2
= 2
Cuando los tamaos de los sub grupos son distintos, es usual tomar la media ponderada por
los tamaos muestrales.
=1
=
=1
Para estimar el valor de la desviacin tpica suelen usarse los siguientes mtodos:
57
Control de calidad estadstico M.Sc. Edgar Carpio Vargas
4. Mtodo de los rangos de los sub grupos; estima la desviacin tpica como la media no
ponderada de m estimadores insesgados de .
1 n1 Ri1 n 2 Ri 2 n k Rik
e ...............
ni d
21 d 22 d 2k
1 n1 i1 n 2 i 2 n3 i 3 n k ik
e ......
ni C
21 C 22 C 23 C 2 k
Par aun n = k tamao muestral se tendr: R k d 2 k e donde k toma los diversos valores
de los tamaos de las muestras.
Cuando no se conoce .
Ri d 2
Z / 2 Z / 2 d 2 Z / 2 d 3i Ri d 2 Z / 2 d 3i
d 3i
58
Control de calidad estadstico M.Sc. Edgar Carpio Vargas
(d 2 Z / 2 d 3i ) R / d 2 Ri (d 2 Z / 2 d 3i ) R / d 2
Z / 2 d 3i Z d
R R Ri R / 2 3i R
d2 d2
Z / 2 d 3 Z d
LC R R (1 / 2 3 ) R
d2 d2
Criterio 3 .
d3 R 3d
LC R 3 (1 3 ) R
d2 d2
d3 d3
Si hacemos: D3 1 3 y D4 1 3
d2 d2
lineacentral R
LCS D4 R
LCI D3 R
Para valores pequeos de n, el rango es un buen estimador de la varianza tal como lo hace
la varianza de la muestra S2. La eficiencia relativa del mtodo del rango a la S2 se muestra
abajo:
n Eficiencia relativa
2 1.000
3 0.992
4 0.975
5 0.955
6 0.930
10 0.850
Para 10 el rango pierde eficiencia rpidamente ya que ignora los valores intermedios
entre Xmax y Xmin sin embargo para valores pequeos de n (4,5 o 6) empleados en las cartas
de control, es adecuado. Para cuando > 10 se utiliza la desviacin estndar en vez del
rango.
59
Control de calidad estadstico M.Sc. Edgar Carpio Vargas
Criterio 3:
LCS D4 ( k ) R ( k )
LCI D3( k ) R ( k )
Mtodo de los rangos de los sub grupos; estima la desviacin tpica como la media no
ponderada de m estimadores insesgados de .
1 n1 Ri1 n 2 Ri 2 n k Rik
e ...............
ni d
21 d 22 d 2k
60
Control de calidad estadstico M.Sc. Edgar Carpio Vargas
LIMITES PRELIMINARES
Siempre que un proceso este siendo analizado a travs de una carta de control, es muy
importante llevar una bitcora registrando todos los cambios (tiempo y descripcin)
conforme ocurran, por ejemplo: cambio de turno, cambio de materiales, ajuste de mquina,
interrupcin de energa, arranque de mquina, etc. Con objeto de identificar las causas
asignables en caso de presentarse para la toma de acciones correctivas.
Al iniciar una carta de control tomando m subgrupos (20 a 25) se calculan y grafican los
lmites de control preliminares para determinar si el proceso estuvo en control. Para probar
esta hiptesis, se analizan todos los puntos graficados y se hace un anlisis para identificar
si hay puntos fuera de los lmites de control o patrones anormales de comportamiento, si
as fuera, los lmites de control preliminares se pueden utilizar para el control futuro del
proceso.
61
Control de calidad estadstico M.Sc. Edgar Carpio Vargas
Cuando no sea posible encontrar causas especiales para los patrones de anormalidad o
puntos fuera de control, no se eliminan y se consideran para la determinacin de los lmites
de control revisados para el control futuro del proceso.
Operarios
Da 6 de Noviembre 7 de Noviembre
Hora 9 10 11 12 14 15 9 10 11 12 14 15
1 298 304 300 299 305 303 302 304 303 300 304 301
2 301 302 299 303 306 302 302 302 298 302 303 300
3 304 305 301 302 306 300 304 301 301 299 303 302
4 302 303 302 303 302 301 302 303 301 298 299 300
5 303 300 304 302 306 301 300 303 302 301 298 301
Solucin
Subgrupos
hora X 1 X2 X3 X4 X5 R
06-nov 9 a.m 298 301 304 302 303 301.6 6
10 a m 304 302 305 303 300 302.8 5
11 a m 300 299 301 302 304 301.2 5
12 a m 299 303 302 303 302 301.8 4
1pm 305 306 306 302 306 305.0 4
2pm 303 302 300 301 301 301.4 3
07-nov 9 a.m 302 302 304 302 300 302.0 4
10 a m 304 302 301 303 303 302.6 3
11 a m 303 298 301 301 302 301.0 5
12 a m 300 302 299 298 301 300.0 4
1pm 304 303 303 299 298 301.4 6
2pm 301 300 302 300 301 300.8 2
Total 3621.6 51
FICHA DE LA MEDIA:
3621.6
=
= = 301.8
12
Lnea central = 301.8
62
Control de calidad estadstico M.Sc. Edgar Carpio Vargas
R
R i
51
4.25
m 12
Existe un punto fuera de control y los 4 ltimos puntos estn por debajo de la lnea central,
esto indicaran tambin problemas de derreglaje. Veamos que sucede con la ficha para el
rango.
R
R i
51
4.25
m 12 Lnea central 4.25
= 4 = (2.115)(4.25) = 8.99
= 3 = (0)(4.25) = 0
63
Control de calidad estadstico M.Sc. Edgar Carpio Vargas
Comentario: no existe punto fuera de control en la dispersin, tener cuidado con los
puntos sucesivos del 1 al 6. El proceso estara bajo control.
3621.6 305
= = = 301.509
12 1
Con estos nuevos valores estableceremos los lmites estndar, con subgrupos de tamao 5
segn la tabla A=1.342 y 2 = 2.326
0 4.25
= = = 1.827
2 2.326
64
Control de calidad estadstico M.Sc. Edgar Carpio Vargas
Analizando el rango, el subgrupo 18 est fuera de los lmites de control y tiene una causa
asignable.
Analizando la media, los sub grupos 4 y 20 caen fuera de los lmites de control y tienen
una causa asignable y el sub grupo 16 no.
Entonces, se calculara el nuevo valor del gran promedio, basado en desechar los valores
promedio del sub grupo 4 (6.65) y 20 (6.51), y para el rango el subgrupo 18 (0.30).
2.19 0.30
= = = 0.079
25 1
Segn la tabla VI, con n=4, los valores de A=1.500, 2 = 2.059, 1 = 0, 2 = 4.698
0 0.079
= = = 0.038
2 2.059
Limites estandarizados para la media
= 2 = 4.698(0.038) = 0.18
= 1 = 0(0.038) = 0
65
Control de calidad estadstico M.Sc. Edgar Carpio Vargas
= 3 = (0)(0.023) = 0
66
Control de calidad estadstico M.Sc. Edgar Carpio Vargas
0.048 UCL=0.04813
0.042
0.036
Sample Range
0.030
_
0.024 R=0.02276
0.018
0.012
0.006
0.000 LCL=0
1 3 5 7 9 11 13 15 17 19 21 23 25
Grupos
No existe indicio de una condicin fuera de control. Como el diagrama de R indica que la
variabilidad del proceso est bajo control, puede tratarse el diagrama de X .
850.0294
=
= = 74.001176
25
Lnea central
0.569
= = = 0.02276
25
UCL=74.01430
74.013
74.010
74.007
Sample Mean
74.004
_
_
74.001 X=74.00118
73.998
73.995
73.992
73.989
LCL=73.98805
73.986
1 3 5 7 9 11 13 15 17 19 21 23 25
Grupos
67
Control de calidad estadstico M.Sc. Edgar Carpio Vargas
No se observa indicio alguno de una condicin fuera de control cuando se grafican las
medias muestrales preliminares. Por consiguiente, se concluye que el proceso est bajo
control a los niveles establecidos.
74.010 _
_
X=74.00765
74.005
74.000
73.995
LC L=73.99350
73.990 1
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15
Gr upos
0.056
U C L=0.05188
0.048
Sample Range
0.040
0.032
_
0.024 R=0.02453
0.016
0.008
0.000 LC L=0
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15
Gr upos
68
Control de calidad estadstico M.Sc. Edgar Carpio Vargas
Cuando se observa el diagrama para R se observa que el proceso est controlado, pero
si se observa el diagrama para la media el promedio muestral para la muestra 14 se
encuentra por arriba del lmite superior de control. Es posible conjeturar que se present
alguna causa en este lapso, aproximadamente a partir del subgrupo 12 en adelante existe
un cambio en la media del proceso y esto haya podido detectarse antes, pero como estamos
en un diagrama de la media esto puede observarse solo cuando se haya concluido de
graficar el diagrama de control. Probablemente se hubiera detectado el cambio para la
muestra 12 si se hubiera usado lmites de advertencia o cualquiera de las otras reglas de
decisin, para sensibilizar e interpretar el diagrama de control.
Cuando se examinan los datos de un diagrama de control, suele ser til elaborar una
grfica de las observaciones individuales en cada muestra. Tal grafica se llama, diagrama
de tolerancia o diagrama de empalme. Esta grafica puede revelar algn patrn de datos, o
mostrar que una o dos observaciones inusitadas en la muestra produjeron un valor
particular de X o R. La figura siguiente muestra una grafica de las observaciones
individuales en las ltimas 15 muestras.
El grafico no indica las observaciones inusitadas que generaron las seales de fuera de
control, sino probablemente provinieron de un cambio en la media en el momento en que
se tomaron las muestras del grupo 12. En la figura 4.14 se grafican los limites de
especificacin de 74.000 0.03 mm, junto con un bosquejo de la distribucin normal que
representa el rendimiento del proceso cuando su media es igual al valor bajo control de
74.001 mm. Tambin aparece en la misma figura un bosquejo de la distribucin normal
que representa el rendimiento del proceso con un nuevo dimetro medio aparente de
74.015mm. Es obvio que se producir un porcentaje mucho mayor de anillos disconformes
para este nuevo dimetro medio. En realidad, alrededor de 6.43% de la salida del proceso
es ahora no conforme. Se tiene que buscar la causa de este cambio en la media. Muchas
veces se necesita la colaboracin de operarios, ingenieros de produccin, administradores y
cuerpo tcnico de ingeniera de calidad para encontrar y eliminar las causas atribuibles.
69
Control de calidad estadstico M.Sc. Edgar Carpio Vargas
Figura Nro. 4.15 Relacin entre lmites de tolerancia natural, lmites de control y lmites
de especificacin
Ejemplo 3.2. Se toman datos de la dimensin crtica de una parte, con el proceso corriendo
normalmente, en 25 subgrupos de tamao n=5, uno cada hora:
70
Control de calidad estadstico M.Sc. Edgar Carpio Vargas
140
_
_
130 X=130.88
120
110
LC L=107.31
1 3 5 7 9 11 13 15 17 19
Sample
U C L=86.40
80
Sample Range
60
_
40 R=40.86
20
0 LC L=0
1 3 5 7 9 11 13 15 17 19
Sample
Sub grupos racionales.- este concepto es importante, puede ser ms fcil definir un
subgrupo racional en la prctica si se tiene una idea clara de las funciones de los diagramas
de control de X y R. Con el diagrama de control de X se vigila el nivel de calidad
promedio en el proceso. Por tanto, las muestras deben seleccionarse de modo que se
maximicen las oportunidades de que ocurra una diferencia entre promedios muestrales. Por
otro lado, con el diagrama de R se mide la variabilidad dentro de una muestra. Por tanto las
muestras deben elegirse de modo que se maximicen las diferencias dentro de las muestras.
Dicho de otra manera, con el diagrama de X se vigila la variabilidad entre muestras
(variabilidad en el proceso con el tiempo), mientras que con el diagrama de R se mide la
variabilidad dentro de una muestra (variabilidad instantnea del proceso en un momento
dado).
Un aspecto importante es que si se hace uso de con base en un estimador cuadrtico, se
corre el riesgo de que potencialmente se combine la variabilidad entre muestras y la
variabilidad dentro de las muestras.
Ejemplo con diferente tamao de muestra: Con los siguientes datos realice grficos de
control para la media, rango.
X1 X2 X3 X4 X5 Media Rango .
74.030 74.002 74.019 73.992 74.008 74.010 0.038 370.051 5
73.995 73.992 74.001 74.011 74.000 0.019 295.999 4
73.988 74.024 74.021 74.005 74.002 74.008 0.036 370.040 5
74.002 73.996 73.993 74.015 74.009 74.003 0.022 370.015 5
73.992 74.007 74.015 73.989 74.001 0.026 296.003 4
71
Control de calidad estadstico M.Sc. Edgar Carpio Vargas
Solucin
7918.100
= = = 74.001
107
1 1 1 2 2
= ( + + + )
21 22 2
1 = (0.038 + 0.036 + 0.022 + 0.030 + 0.014 + 0.017 + 0.039 + 0.016 + 0.021 + 0.026
+ 0.018 + 0.025 + 0.022 + 0.035 = 0.359
2 = 0.019 + 0.026 + 0.024 + 0.012 = 0.081
1 = 21 = 2.326(0.010) = 0.023 = 5
2 = 22 = 2.059(0.010) = 0.021 = 4
3 = 23 = 1.693(0.010) = 0.017 = 3
Los lmites son:
72
Control de calidad estadstico M.Sc. Edgar Carpio Vargas
Para n=5
74.014
= 2()
() = 74.001 0.577(0.023) = {
73.988
Para n=4
74.016
= 2()
() = 74.001 0.729(0.021) = {
73.986
Para n=3
74.018
= 2()
() = 74.001 0.577(0.017) = {
73.984
Para el rango, usar:
LCS D4 ( k ) R ( k )
LCI D3( k ) R ( k )
Usando MINITAB
73
Control de calidad estadstico M.Sc. Edgar Carpio Vargas
73,99
LC L=73,98696
73,98
1 3 5 7 9 11 13 15 17 19 21 23 25
Sa mple
UC L=0,05124
0,048
Sample Range
0,036
_
0,024 R=0,02423
0,012
0,000 LC L=0
1 3 5 7 9 11 13 15 17 19 21 23 25
Sa mple
Ejemplo 3.3 Los siguientes datos sern procesados con el paquete Minitab:
74
Control de calidad estadstico M.Sc. Edgar Carpio Vargas
-20
LC L=-25.73
1 3 5 7 9 11 13 15 17 19
Sample
150
U C L=134.3
Sample Range
100
_
R=63.5
50
0 LC L=0
1 3 5 7 9 11 13 15 17 19
Sample
Se realizan pruebas de normalidad a las medias y a los rangos para ver si se tienen un
proceso normal:
60
50
40
30
20
10
1
-10 0 10 20 30
Medias
75
Control de calidad estadstico M.Sc. Edgar Carpio Vargas
60
50
40
30
20
10
1
0 20 40 60 80 100 120
Rangos
Por las pruebas de normalidad de rangos y medias, se deduce que el proceso est en
Control Estadstico (en ambos casos el P value es mayor a 0.05).
1 12/26 8.50 35 40 32 37
2 11.30 46 37 36 41
3 1.45 34 40 34 36
4 3.45 69 64 68 59 Operador
5 4.20 38 34 44 40 Nuevo
6 12/27 8.35 42 41 43 34
7 9.00 44 41 41 46
8 9.40 33 41 38 36
9 1.30 48 44 47 45
10 2.50 47 43 36 42
11 12/28 8.30 38 41 39 38
12 1.35 37 37 41 37
13 2.25 40 38 47 35
14 2.35 38 39 45 42
15 3.55 50 42 43 45 Tuvo de
16 12/29 8.25 33 35 29 39 daado
17 9.25 41 40 29 34 Material
76
Control de calidad estadstico M.Sc. Edgar Carpio Vargas
18 11.00 38 44 28 48 malo
19 2.35 35 41 37 38
20 3.15 56 55 45 48
21 12/30 9.35 38 40 45 37
22 10.20 39 42 35 40
23 11.35 42 39 39 36
24 2.00 43 36 35 38
25 4.25 39 38 43 44
Una vez que se tiene un proceso en control estadstico, se puede estimar su capacidad o
habilidad, tomando como referencia la desviacin estndar estimada (). del proceso.
Ejemplo. Tomando.
0.023
= = = 0.0099
2 2.326
= 73.950
= 74.050
Los lmites de tolerancia naturales inferior y superior (LTNI y LTNS) se encuentran a 3-
sigma del proceso por abajo y por arriba de la media del proceso, o sea en:
Se observa que los lmites de tolerancia naturales del proceso se encuentran dentro de los
lmites de especificacin, por tanto en principio no se observa que haya partes fuera de
especificaciones.
77
Control de calidad estadstico M.Sc. Edgar Carpio Vargas
Caso 1. Si < 1, implica que los ndices de especificacin estn dentro de los limites de
tolerancia.
Caso 2. Si = 1, implica que los lmites de tolerancia natural y de especificacin
coinciden.
Caso 3. Si > 1, implica que los lmites de tolerancia natural son menores que los
limites de especificacin.
Ejemplo:
74.05 73.95
= = = 1.68
6 6(0.0099)
1 1
= 100 = (100) = 59.2%
1.68
() = ( )+1 ( )
() = (5.15) + [1 (4.95)]
() = 0 + (1 0.99998) = 0.00002
Alrededor de 0.002% o 20 partes por milln (ppm) de los anillos producidos estarn fuera
de especificaciones.
78
Control de calidad estadstico M.Sc. Edgar Carpio Vargas
LSL USL
P rocess Data Within
LS L 85 Overall
Target *
USL 175 P otential (Within) C apability
S ample M ean 127.063 Cp 0.77
S ample N 150 C P L 0.72
S tDev (Within) 19.4626 C P U 0.82
S tDev (O v erall) 19.8965 C pk 0.72
O v erall C apability
Pp 0.75
PPL 0.70
PPU 0.80
P pk 0.70
C pm *
Ejemplo. Para las cartas X-R se tiene el clculo de la capacidad o habilidad del proceso,
una vez estable (considerando que los lmites de especificacin son -80 y +80):
LSL USL
P rocess Data Within
LS L -80 Overall
Target *
USL 80 P otential (Within) C apability
S ample M ean 10.9 Cp 0.98
S ample N 100 C P L 1.11
S tDev (Within) 27.3001 C P U 0.84
S tDev (O v erall) 25.2301 C pk 0.84
O v erall C apability
Pp 1.06
PPL 1.20
PPU 0.91
P pk 0.91
C pm *
-60 -30 0 30 60
O bserv ed P erformance E xp. Within P erformance E xp. O v erall P erformance
P P M < LS L 0.00 P P M < LS L 434.76 P P M < LS L 157.38
P P M > U S L 0.00 P P M > U S L 5684.82 P P M > U S L 3083.22
P P M Total 0.00 P P M Total 6119.59 P P M Total 3240.59
79
Control de calidad estadstico M.Sc. Edgar Carpio Vargas
Para el clculo de otros ndices que toman en cuenta la posicin de la media, revisar el
captulo de capacidad del proceso o el procedimiento de cartas X R.
12
= =2
6
4.5
= = 1.5
3
An estas circunstancias, la cantidad de producto fuera de tolerancia sera tan solo de 3.4
ppm
Los lmites de control calculados como lmites preliminares, deben ser revisados en forma
peridica que puede ser por semana, mes o cada 25, 50 o 100 puntos dependiendo del
proceso en particular.
Lo recomendable en cada revisin es tomar las acciones necesarias para que la media del
proceso X se acerque cada vez ms a la media de las especificaciones (en caso de ser
bilaterales) o se aleje lo ms posible de la especificacin (en caso de ser unilateral).
En cada carta de control X o R es necesario identificar las causas especiales que originen
condiciones fuera de control, tomar acciones correctivas para prevenir su reincidencia,
eliminar esos puntos tanto en la carta X como en la carta R y recalcular los lmites de
control, para usarse en el control futuro del proceso.
Es importante hacer notar que no existe ninguna relacin matemtica entre los lmites de
especificacin y los de control o los de tolerancia natural.
Los lmites de especificacin son establecidos externamente al proceso por ingenieros de
manufactura, el cliente o por los diseadores del producto.
SUBGRUPOS RACIONALES
80
Control de calidad estadstico M.Sc. Edgar Carpio Vargas
PLCI X LCS / 1 0 k
81
Control de calidad estadstico M.Sc. Edgar Carpio Vargas
3 3
(0 + ) + (0 + ) (0 ) (0 + )
= [ ] [ ]
= (3 ) (3 )
Con objeto de construir la curva CO para el diagrama X , hay que graficar el riesgo
contra la magnitud del cambio que se quiere detectar, expresado en unidades de desviacin
estndar, para varios tamaos muestrales n en funcin de k.
Datos
K n () () n () () n () ()
0.5 1 2.5 -3.5 0.9936 2 2.2929 -3.7071 0.9890 3 2.1340 -3.8660 0.9835
1 1 2 -4 0.9772 2 1.5858 -4.4142 0.9436 3 1.2679 -4.7321 0.8976
1.5 1 1.5 -4.5 0.9332 2 0.8787 -5.1213 0.8102 3 0.4019 -5.5981 0.6561
2 1 1 -5 0.8413 2 0.1716 -5.8284 0.5681 3 -0.4641 -6.4641 0.3213
2.5 1 0.5 -5.5 0.6915 2 -0.5355 -6.5355 0.2961 3 -1.3301 -7.3301 0.0917
3 1 0 -6 0.5000 2 -1.2426 -7.2426 0.1070 3 -2.1962 -8.1962 0.0140
3.5 1 -0.5 -6.5 0.3085 2 -1.9497 -7.9497 0.0256 3 -3.0622 -9.0622 0.0011
4 1 -1 -7 0.1587 2 -2.6569 -8.6569 0.0039 3 -3.9282 -9.9282 0.0000
4.5 1 -1.5 -7.5 0.0668 2 -3.3640 -9.3640 0.0004 3 -4.7942 -10.7942 0.0000
5 1 -2 -8 0.0228 2 -4.0711 -10.0711 0.0000 3 -5.6603 -11.6603 0.0000
K n () () n () () n () ()
0.5 5 1.8820 -4.1180 0.9701 4 2 -4 0.9772 10 1.4189 -4.5811 0.9220
1 5 0.7639 -5.2361 0.7775 4 1 -5 0.8413 10 -0.1623 -6.1623 0.4355
1.5 5 -0.3541 -6.3541 0.3616 4 0 -6 0.5000 10 -1.7434 -7.7434 0.0406
2 5 -1.4721 -7.4721 0.0705 4 -1 -7 0.1587 10 -3.3246 -9.3246 0.0004
2.5 5 -2.5902 -8.5902 0.0048 4 -2 -8 0.0228 10 -4.9057 -10.9057 0.0000
3 5 -3.7082 -9.7082 0.0001 4 -3 -9 0.0013 10 -6.4868 -12.4868 0.0000
82
Control de calidad estadstico M.Sc. Edgar Carpio Vargas
k n () () n () ()
0.5 15 1.0635 -4.9365 0.8562 20 0.7639 -5.2361 0.7775
1 15 -0.8730 -6.8730 0.1913 20 -1.4721 -7.4721 0.0705
1.5 15 -2.8095 -8.8095 0.0025 20 -3.7082 -9.7082 0.0001
2 15 -4.7460 -10.7460 0.0000 20 -5.9443 -11.9443 0.0000
2.5 15 -6.6825 -12.6825 0.0000 20 -8.1803 -14.1803 0.0000
3 15 -8.6190 -14.6190 0.0000 20 -10.4164 -16.4164 0.0000
3.5 15 -10.5554 -16.5554 0.0000 20 -12.6525 -18.6525 0.0000
4 15 -12.4919 -18.4919 0.0000 20 -14.8885 -20.8885 0.0000
4.5 15 -14.4284 -20.4284 0.0000 20 -17.1246 -23.1246 0.0000
5 15 -16.3649 -22.3649 0.0000 20 -19.3607 -25.3607 0.0000
1.2
0.8
0.6
n=1
0.4
n=2
n=20
n=3
0.2
n=15 n=10 n=4
n=5
0
0 1 2 3 4 5
k
Figura Nro 4.17 Curvas caractersticas de operacin para el diagrama de la media con
lmites de tres sigmas.
83
Control de calidad estadstico M.Sc. Edgar Carpio Vargas
1
k
k 1
k 1
(1 )
1
Por lo tanto, en este ejemplo se tiene 1/(1 - ) = 1/0.25 = 4 como el nmero esperado de
subgrupos que hay que analizar antes de detectar un cambio de 1 usando n = 5.
Figura Nro 4.18 Curvas CO para el diagrama de R con lmites tres sigmas
84
Control de calidad estadstico M.Sc. Edgar Carpio Vargas
LCI R LCS
d2 d2
d2
P( LCI R LCS / 1 o ) P 1 1 1
d3 d3 d3
D1 o D2 o
d 2 o
d2
D d 2 D d 2
. P o
N (0,1) P 1 N (0,1) 2
d3 d3 d3 d3
D d 2 D1 d 2
2
d3 d3
Sabemos que D1, D2, d2 y d3 estn tabulados y dependen de n. Para los distintos valores de
y n calculamos . La curva caracterstica de operacin presenta, para cada n, los valores
de en abscisas y los valores de en ordenadas.
A partir de la construccin de las curvas caractersticas de operacin para diferentes
valores de n, se observa que la grfica de R no es eficaz para descubrir cambios en el
proceso con tamaos muestrales pequeos. Por ejemplo, si la desviacin estndar del
proceso se duplica (es decir, = 1/0 = 2), lo que es un cambio bastante grande, con
muestras de tamao cinco se tiene solamente alrededor de 40% de posibilidades de detectar
este cambio, en cada muestra subsecuente. La mayora de los ingenieros de control de
calidad creen que la grfica de R es insensible a cambios pequeos o moderados para los
tamaos usuales de los subgrupos de n = 4, 5 o 6. Sin embargo, los procedimientos para
sensibilizar examinados anteriormente tambin pueden aplicarse al diagrama de R para
mejorar su utilidad. Si n > 10 o 12, habr que utilizar la grfica de S, en vez del diagrama
de R.
1
ARL
1
Segn esta definicin, para cualquier grfico Shewart, la longitud media de racha es el
reciproco de la probabilidad p de que un punto caiga fuera de los lmites de control, esto
es, se puede escribir:
1
ARL
p
Segn esta definicin, a medida que el cambio en el parmetro aumenta indefinidamente,
la longitud media de racha se acerca a la unidad.
Ejemplo: los pernos para los soportes de piezas se rectifican hasta un dimetro de 12.50
mm, con una tolerancia de 0.05 mm. Si el proceso esta centrado en 12.50 mm () y la
dispersin es 0.02mm () Qu porcentaje del producto debe desperdiciarse?, Cmo se
85
Control de calidad estadstico M.Sc. Edgar Carpio Vargas
puede cambiar el centro del proceso para eliminar el desperdicio?, Cul sera el porcentaje
de reprocesamiento?.
Solucin:
= + 0.05 = 12.50 + 0.05 = 12.55
= 0.05 = 12.50 0.05 = 12.45
12.45 12.50
= = = 2.50
0.02
En la Tabla normal estandarizada se aprecia que el valor de Z(-2.50) =0.062 0 62% de
desperdicio.
=
12.45
3.59 = = 12.52
0.02
El centro del proceso deber cambiar a 12.52 para eliminar el desperdicio
= 3
= 1.0000 0.9332 = 0.0668
4.13DIAGRAMAS DE CONTROL DE X y S
Ya conocemos que si se intenta controlar una variable cuantitativa, es una prctica estndar
controlar el valor medio de la caracterstica de calidad y su variabilidad. Si para controlar
la variabilidad o dispersin se usa la desviacin tpica, los diagramas que se utilizan
simultneamente son los de X y S.
86
Control de calidad estadstico M.Sc. Edgar Carpio Vargas
S 2
(X i X )2
n 1
No obstante, la desviacin estndar muestral S no es un estimador insesgado de . Si la
distribucin es normal, entonces S estima a C4, donde c4 es una constante que depende
del tamao muestral n. Adems, la desviacin estndar de S es 1 c 42 . Es posible
utilizar esta informacin con objeto de establecer las grficas de control para X y S.
(n / 2)
1/ 2
2
c4
n 1 (( n 1) / 2)
Sean las m desviaciones tpicas de las muestras. Como la poblacin se supone normal,
podemos asegurar que:
S i C 4
N (0,1) ; para un dado:
1 C 42
S C 4
P Z / 2 i Z / 2 1 se cumple que:
1 C 42
C4 Z / 2 1 C42 Si C4 Z / 2 1 C42
Reemplazando u/2 por 3, que equivale a = 0.002. Los lmites de control de tres sigmas
de los diagramas de Shewart son:
LC c 4 3 1 c 42
definiendo
B5 c 4 3 1 c 42
B6 c 4 3 1 c 42
87
Control de calidad estadstico M.Sc. Edgar Carpio Vargas
LCS B6
linea central c 4
LCI B5
=
Para fijar los lmites de control se necesita tambin un estimador de la desviacin
estndar .
Sabemos que E[Sj] = c4 donde c4 depende de n y est tabulado, y por lo tanto es
conocido. De esta forma resulta que:
=
4
es un estimador insesgado de para i = l,...,k
=
por el teorema del lmite central:
Xi X
N (0,1) mediante la distribucin normal N (0,1) para un dado:
S / C4
n
Xi X
P Z / 2 Z / 2 1 se cumple que:
S / C4
n
88
Control de calidad estadstico M.Sc. Edgar Carpio Vargas
Xi X S S
Z / 2 Z / 2 X Z / 2 X i X Z / 2
S / C4 C4 n C4 n
n
S
LC X Z / 2
c4 n
linea central X
si se reemplaza Z/2 por 3, que aproximadamente equivale a =0.0027 de manera que se
obtienen los limites 3 sigmas y se obtienen los diagramas de Shewart: con lnea central
=
Los lmites son:
= 3
4
En el caso ms general en los que los ni son distintos, es usual tomar el gran promedio
ponderado por los tamaos muestrales ni.
=1
=
=|
1/ 2
2
(ni 1) S i
S m
ni m
i 1
No obstante, los limites de control para la media sin patrn dado, en el caso general de ni
distintos, pueden ponerse de la siguiente forma (similar en el grafico de la media y R)
LC = X k /ni
Para k=3 se tienen los limites de Shewart. Los posibles valores del estimador de se dan
en el epgrafe siguiente.
S
LC X 3 X A3( k ) S ( k )
c4 n
89
Control de calidad estadstico M.Sc. Edgar Carpio Vargas
Cuando el estimador de es S
Con los antecedentes anteriores, donde E[Si] = C4, S / C 4 es un estimador insesgado
de para i = 1,....,m. Dan:
LCS c 4 3 1 C 42 (c 4 3 1 C 42 ) B6
LCI c 4 3 1 C 42 (c 4 3 1 C 42 ) B5
al sustituir S / C 4 tendremos:
S S S 3
LC c 4 3 1 c 42 S 3 1 c 42 S (1 1 C 42 )
c4 c4 c4 C4
linea central S
definindose constantes:
3
B3 1 1 C 42
C4
3
B4 1 1 C 42
C4
los parmetros se pueden expresar como:
LCS B 4 S
linea central S
LCI B3 S
Cuando n no es constante
En el caso ms general en que los ni son distintos se toma como lmite de control para S
los siguientes:
Fichas de
90
Control de calidad estadstico M.Sc. Edgar Carpio Vargas
Lnea central = S k C 2 k e
Por lo que la lnea central no ser una lnea recta, y los limites de control se obtendr del
siguiente modo:
Criterio 3 :
LCS B4( k ) S ( k )
LCI B3( k ) S ( k )
(ni / 2) 2(ni 1)
C 4 ( ni ) ; E ( S i ) C 4 (ni )
((ni 1) / 2)
e resulta ser as un estimador lineal insesgado para . e resulta ser as la media no
ponderada de los estimadores insesgados de Si/C4 de (no olvidemos que E(Si) = C4(ni )
E(Si/ C4ni = ).
(h S / C (n ) ... hm S m / C 4 (n m )) C 42 (ni )
e 1 1 4 i ; hi
h1 ...... hk 1 C 42 (ni )
91
Control de calidad estadstico M.Sc. Edgar Carpio Vargas
1 n1 i1 n 2 i 2 n3 i 3 n k ik
e ......
ni C
21 C 22 C 23 C 2k
0 = =
0 = =
0
=
4
= 0 0
= 6 0
= 5 0
Subgrupos
hora X1 X2 X3 X4 X5 Rango S
06-ago 9 a.m 298 301 304 302 303 301.6 6 2.30217
10 a m 304 302 305 303 300 302.8 5 1.92354
11 a m 300 299 301 302 304 301.2 5 1.92354
12 a m 299 303 302 303 302 301.8 4 1.64317
1pm 305 306 306 302 306 305 4 1.73205
2pm 303 302 300 301 301 301.4 3 1.14018
07-ago 9 a.m 302 302 304 302 300 302 4 1.41421
10 a m 304 302 301 303 303 302.6 3 1.14018
11 a m 303 298 301 301 302 301 5 1.87083
12 a m 300 302 299 298 301 300 4 1.58114
1pm 304 303 303 299 298 301.4 6 2.70185
2pm 301 300 302 300 301 300.8 2 0.83666
Total 3621.6 51 20.2095
FICHAS DE LA MEDIA
Calcular las desviaciones estndar y los promedios para cada sub grupo (S):
92
Control de calidad estadstico M.Sc. Edgar Carpio Vargas
2 ( )2
=
( 1)
=
Calculando los lmites
3621.6
=
= = 301.8
12
R
R i
51
4.25 S
R
4.25
1.827
m 12 d 2 2.326
FICHAS DE S.
Usando el estimador:
R 4.25
S 1.827
d 2 2.326
= 4 = 2.089(1.827) = 3.82
= 3 = 0(1.827) = 0
Usando el estimador:
S
Si 20.2095 1.684
m 12
= 4 = 2.089(1.684) = 3.52
= 3 = 0(1.827) = 0
93
Control de calidad estadstico M.Sc. Edgar Carpio Vargas
M edia de la muestr a
LC S =304.168
303.6
302.4 _
_
X=301.8
301.2
300.0
LC I=299.432
1 2 3 4 5 6 7 8 9 10 11 12
M uestr a
LC S =3.466
Desv.Est. de la muestr a
2 _
S =1.659
0 LC I=0
1 2 3 4 5 6 7 8 9 10 11 12
M uestr a
Muestras Nro de X i Ri
piezas
en cada
muestra
1 5 21.3 1.2 3.0
2 5 20.2 1.6 3.5
3 3 22.1 2.5 5.0
4 5 21.0 2.1 4.0
5 3 20.0 0.1 1.0
6 4 19.6 3.0 5.5
7 5 18.1 0.1 1.2
8 5 20.2 2.2 4.5
9 4 21.1 0.2 1.5
10 5 22.0 1.5 3.1
n1 i1 n 2 i 2 n3 i 3 1 n k ik
e ......
C
21 C 22 C 23 ni C 2k
X
ni X i 859.1 20.5
ni 44
1 1.2 1.6 2.1 0.1 2.2. 1.5 3 0.2 2.5 0.1 78.5
e 5 4 3 1.78
44 C 21 C 22 C 23 44
94
Control de calidad estadstico M.Sc. Edgar Carpio Vargas
Para n1 5
LC X A11 1 20.5 (1.59)(1.49) LCS 22.86
LCI 18.14
Para n2 4
LC X A12 2 20.5 (1.88)(1.40) LCS 23.13
LCI 17.87
Para n3 3
LC X A13 3 20.5 (2.39)(1.28) LCS 23.50
LCI 17.45
grfico Nro. 4.16 Ficha de control de la media, con como medida de significacin.
Limites de control de :
LCI B31 S 1 0
Para n1 5 LCS B S (2.089)(1.49) 3.1
41 1
LCI B32 S 2 0
Para n2 4 LCS B S (2.266)(1.40) 3.17
42 2
LCI B33 S 3 0
Para n3 3 LCS B S (2.568)(1.28) 3.28
43 3
Ejemplo:
Ejemplo diferente tamao de muestra: Con los siguientes datos realice grficos de
control para la media, rango.
95
Control de calidad estadstico M.Sc. Edgar Carpio Vargas
Solucin
_
_
74,00 X=74,00093
73,99
LC L=73,98696
73,98
1 3 5 7 9 11 13 15 17 19 21 23 25
Sa mple
0,024
UC L=0,02046
0,018
Sample StDev
0,012 _
S=0,00979
0,006
0,000 LC L=0
1 3 5 7 9 11 13 15 17 19 21 23 25
Sa mple
96
Control de calidad estadstico M.Sc. Edgar Carpio Vargas
B6 C 4 k B5 C 4 k
( ) ( )
k 1 C 2
4 k 1 C 42
siendo la funcin de distribucin de la normal (0,1). Para distintos valores de k y n
calculamos . La curva caracterstica de operacin presenta, para cada n, los valores de k
en abscisas y los valores de en ordenadas
DIAGRAMAS DE CONTROL DE S2
97
Control de calidad estadstico M.Sc. Edgar Carpio Vargas
b 2
LCS
n 1
linea .central S
2
a 2
LCI
n 1
2
b S
LCS
n 1
linea .central S
2
2
a S
LCI
n 1
b a
( ) ( )
k k
siendo la funcin de distribucin de una chi-cuadrado con n-1 grados de libertad. No
olvidemos que a = F-1 (/2) y b = F-1 (1- /2) para un nivel dado. Evidentemente a y
b dependen de n va los grados de libertad de la chi-cuadrado.
Ejercicios
1. La empresa Statistical Software, Inc. Ofrece servicio telefnico gratuito para que sus
clientes hablen acerca de problemas relacionados con el uso de sus productos, desde las 7
de la maana hasta las11 de la noche, todos los das. Es imposible que un representante
tcnico conteste inmediatamente a cada llamada, pero es importante que los clientes no
98
Control de calidad estadstico M.Sc. Edgar Carpio Vargas
esperen demasiado tiempo a que alguien les responda. Ellos se molestan cuando escuchan
muchas veces el siguiente mensaje. su llamada es muy importante para nosotros. El
representante disponible estar con usted en breve. Para entender este proceso, la
compaa decide elaborar un diagrama de control que describa el tiempo total que
transcurre desde que se recibe un telefonema hasta que un representante contesta la
pregunta del cliente. Cierto da tomo una muestra de cinco llamadas por hora durante las
16 horas de operacin (tiempo en minutos transcurridos hasta que la llamada es
contestada).
Hora muestra
1 2 3 4 5
7 a.m. 8 9 15 4 11
8 7 10 7 6 8
9 11 12 10 9 10
10 12 8 6 9 12
11 11 10 6 14 11
12 7 7 10 4 11
1 p.m. 10 7 4 10 10
2 8 11 11 7 7
3 8 11 8 14 12
4 12 9 12 17 11
5 7 7 9 17 13
6 9 9 4 4 11
7 10 12 12 12 12
8 8 11 9 6 8
9 10 13 9 4 9
10 9 11 8 5 11
2. En una fabricacin se desea controlar el peso de unos cartuchos de calibre 55, pero no se
conocen la media ni la dispersin del proceso. Durante varios das en que la produccin se estim
bajo control se obtuvieron 25 muestras de 5 unidades (los valores no son reales)
99
Control de calidad estadstico M.Sc. Edgar Carpio Vargas
MINITAB
GRAFICOS PARA LA MEDIA Y LA DESVIACION ESTANDAR
100
Control de calidad estadstico M.Sc. Edgar Carpio Vargas
U C L=74,01444
74,01
Sa mple M e a n
_
_
X=74,00118
74,00
73,99
LC L=73,98791
1 3 5 7 9 11 13 15 17 19 21 23 25
S a m pl e
0,020 U C L=0,01942
0,015
Sa mple St De v
_
0,010 S =0,00929
0,005
0,000 LC L=0
1 3 5 7 9 11 13 15 17 19 21 23 25
S a m pl e
8
+3 StDev=74,01444
4 4
+2 StDev=74,01002
2 2 2 2 2
+1 StDev=74,00560
0 2 2 0 0 0 0 0 _
_
X=74,00118
0 0 2 2 0 0 2 0 0 0
-1 StDev=73,99675
2 2 2 2
-2 StDev=73,99233
4 4
-3 StDev=73,98791
8
1 3 5 7 9 11 13 15 17 19 21 23 25
Sample
101
Control de calidad estadstico M.Sc. Edgar Carpio Vargas
Existen muchos casos en los que el tamao muestral utilizado para el control del proceso
es n=1. Esto ocurre frecuentemente cuando se usa tecnologa de inspeccin y medicin
automatizadas, y se analiza cada unidad fabricada. Tambin sucede cuando la tasa de
produccin es demasiado lenta para permitir en forma conveniente tamaos muestrales n
>l, o cuando mediciones repetidas difieren s1o debido a errores de laboratorio o de
anlisis, como en muchos procesos qumicos. En estos casos, resulta til el diagrama de
control de unidades individuales. En el procedimiento de control se emplea la amplitud
mvil de dos observaciones sucesivas para estimar la variabilidad del proceso. Tambin es
posible establecer una grafica de control para la amplitud mvil de dos observaciones
sucesivas.
X
P u / 2 i u / 2 1
desarrollando de tal forma que Xi quede al medio se tiene los limites probabilsticos al
nivel de son:
LCS = +u/2
Lnea central =
LCI = - u/2
LCS = + 3
Lnea central =
LCI = - 3
102
Control de calidad estadstico M.Sc. Edgar Carpio Vargas
una distribucin de media E(Ri) = d2 y desviacin tpica (Ri) = d3. Los valores de d2 y
d3 estn tabulados.
Se puede asegurar que: R = d2
Xi X
N (0,1) por lo tanto,
R / d2
X X
P u / 2 i u / 2 1
R / d2
desarrollando de tal forma que Xi quede al medio se tiene los limites probabilsticos al
nivel de :
R
LCS X u / 2
d2
R
LCI X u / 2
d2
Reemplazando por 3, que aproximadamente equivale a =0.002, de manera que se usan los
lmites 3 sigmas y se obtienen los diagramas de Shewart:
Lnea central X
R
LCS X 3
d2
R
LCI X 3
d2
Ejemplo:
La viscosidad de un producto qumico es una caracterstica de calidad importante. El
producto se elabora por lotes, y debido a que la produccin de cada lote tarda varias horas,
la tasa de produccin es demasiado lenta para permitir tamaos muestrales mayores de
uno. La viscosidad de los 15 lotes anteriores aparece en la Tabla.
103
Control de calidad estadstico M.Sc. Edgar Carpio Vargas
12 33 0.62
13 33.54 0.54
14 33.12 0.42
15 33.84 0.72
prom 33.5233333 0.48071429
LCI D3 R 0(0.48) 0
LCS D4 R 3.267(0.48) 1.57
34.0
_
33.5 X=33.523
33.0
32.5
LC L=32.245
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15
O bser vation
1.6 U C L=1.571
1.2
M oving Range
0.8
__
M R=0.481
0.4
0.0 LC L=0
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15
O bser vation
Como ningn punto excede el lmite superior de control, se puede establecer ahora el
diagrama de control para las mediciones individuales de la viscosidad.
104
Control de calidad estadstico M.Sc. Edgar Carpio Vargas
R 0.48
LC X 3 33.52 3
d2 1.128
LCS 34.80
LCI 32.24
Debe tenerse cuidado con la interpretacin de los patrones de diagrama de amplitud mvil.
Las amplitudes mviles est correlacionadas, y esta correlacin puede inducir un patrn de
corridas o ciclos en el diagrama. Sin embargo, se supone que las observaciones
individuales en el diagrama de X no estn correlacionadas, y se tiene que investigar con
cuidado en este diagrama cualquier patrn aparente.
Se observa que el diagrama de control por unidades individuales es til cuando la
tecnologa de la medicin automtica permite una inspeccin en lnea de cada unidad al ser
producida. Otros procedimientos estadsticos de control de procesos tiles en este caso son
el diagrama de control de suma acumulativa y los diagramas de control basados en
medidas ponderadas.
105
Control de calidad estadstico M.Sc. Edgar Carpio Vargas
para el caso k=3 se obtiene los limites de control tres sigma de Shewart.
LC k e M (ni ) ; linea central
LC Q1 / 2 (ni ) ; linea central
LCS d 2 (ni ) kd3 (ni )
linea central d 2 (ni ) S
LCI max( d 2 (ni ) kd3 (ni ) ,0)
para k=3 tenemos los limites de control 3 sigmas de Shewart. Como limites probabilisticos
tenemos:
106
Control de calidad estadstico M.Sc. Edgar Carpio Vargas
LCS D1 / 2 ; LCI D / 2
como estimador de puede utilizarse uno de los especificados para los diagramas de R y la
media..
Puesto que X tiene distribucin normal y tiene una distribucin X2 (ji cuadrado), donde
ambas son independientes:
3 3
LC y LC
n 2n
3 3
n n
B C *
A D **
3
*:
2n
3
**:
2n
Fig. 4.21 .En este tipo de fichas conjuntas no se puede considerar el orden de extraccin de
las muestras
107
Control de calidad estadstico M.Sc. Edgar Carpio Vargas
En este caso: X tiene distribucin t con (n-1) grados de libertad y tiene una distribucin
X2. la distribucin conjunta suponemos independientes (aunque no lo sean). Los limite de
control estan dados por la regin ABCD de la figura siguiente.
2 2
nS nS
X 12 X 2
B C *
A
A D **
S
* : X t / 2
n 1
S
* * : X t / 2
n 1
Figura 4.22.
108
Control de calidad estadstico M.Sc. Edgar Carpio Vargas
Suponiendo que el proceso est en control con promedio invariable y para un n dado, con
un nivel de significancia y limites de tolerancia: LT. De la figura siguiente se puede
observar que:
La distancia AB = Y3, ser la distancia mnima a que debe estar el LCS, del LTS.
Y1
OA Y1 t OA t ........(a )
Y2
OB Y2 t OB t ........(b)
/ n n
res tan do la relacin a) menos b), se tiene
1
AB Y3 OA OB t (1 )
n
si : t 3 usando el criterio 3 , se tiene :
1
AB 3 (1 )
n
R
Si se utiliza el recorrido como medida de significacin bastar reemplazar por
d2
Si la distancia es menor que AB, no se podra cumplir con los riesgos establecidos y por lo
tanto es preciso variar la tolerancia o cambiar el proceso o admitir mayor nmero de
defectos.
Si por el contrario esta diferencia es demasiado grande el proceso resulta antieconmico y
por lo tanto conviene mejorar las tolerancias.
Si en un periodo breve se verifican dos puntos fuera de control, el proceso seala sin duda
su modificacin.
109
Control de calidad estadstico M.Sc. Edgar Carpio Vargas
Tambin se interpreta fuera de control o que el promedio del proceso ha cambiado si:
- 7 puntos sucesivos caen en el mismo lado de la lnea control, cuya probabilidad es:
p = 2(0.5)7 = 0.0156
- de 11 puntos sucesivos al menos 10 se encuentran en el mismo lado de la lnea central,
cuya probabilidad es:
p = 2[(0.5)11+11(0.5)11] = 0.0117
- de 17 o 20 puntos sucesivos, al menos 14 o 16 se encuentran en el mismo lado de la
lnea central respectivamente, para el primer caso la probabilidad es:
p = 2[(0.5)17+17(0.5)17+(17/2)(0.5)17] = 0.0022
Ejercicios:
X1 X2 X3 X4
1 202.016 200.218 200.588 199.930
2 200.390 200.180 198.385 199.120
3 200.080 199.420 200.045 199.985
4 198.584 201.011 200.260 200.097
5 199.413 199.453 200.012 200.720
6 199.701 198.761 200.001 200.118
7 199.380 200.491 200.361 200.057
8 201.435 200.279 199.727 200.513
9 199.440 199.155 199.966 200.129
110
Control de calidad estadstico M.Sc. Edgar Carpio Vargas
111
Control de calidad estadstico M.Sc. Edgar Carpio Vargas
5) La galga de los platinos es una caracterstica clave para su buen funcionamiento. La tabla
siguiente recoge medidas de 20 muestras de tamao 5. Construir los grficos de control X -
R , X - S y X - S*
112
Control de calidad estadstico M.Sc. Edgar Carpio Vargas
N c4 A A3 B3 B4 B5 B6 .
5 0.94 1.342 1.427 0 2.089 0 1.964
6 0.9515 1.225 1.287 0.03 1.97 0.029 1.874
7 0.9594 1..134 1.182 0.118 1.882 0.113 1.806
8 0.965 1.061 1.099 0.185 1.815 0.179 1.751
9 0.9693 1 1.032 0.239 1.761 0.232 1.707
10 0.9727 0.949 0.975 0.284 1.716 0.276 1.669
11 0.9754 0.905 0.927 0.321 1.679 0.313 1.637
12 0.9776 0.866 0.886 0.354 1.646 0.346 1.61
13 0.9794 0.832 0.85 0.382 1.618 0.374 1.585
14 0.981 0.802 0.817 0.406 1.594 0.399 1.563
15 0.9823 0.775 0.789 0.428 1.572 0.421 1.544
16 0.9835 0.75 0.763 0.448 1.552 0.44 1.526
17 0.9845 0.728 0.739 0.466 1.534 0.458 1.511
18 0.9854 0.707 0.718 0.482 1.518 0.475 1.496
19 0.9862 0.688 0.698 0.497 1.503 0.49 1.483
20 0.9869 0.671 0.68 0.51 1.49 0.504 1.47
21 0.9876 0.655 0.663 0.523 1.477 0.516 1.459
22 0.9882 0.64 0.647 0.534 1.466 0.528 1.448
23 0.9887 0.626 0.633 0.545 1.455 0.539 1.438
24 0.9892 0.612 0.619 0.555 1.445 0.549 1.429
25 0.9896 0.6 0.606 0.565 1.435 0.559 1.42
113