Documentos de Académico
Documentos de Profesional
Documentos de Cultura
Controlprocesos PDF
Controlprocesos PDF
1. APUNTES DE CLASE
------------------------------------------------------------------------------------------------------------------------------------------
Control Estadístico de Procesos
INDICE DE CONTENIDOS
1. INTRODUCCIÓN AL CONTROL ESTADÍSTICO DE PROCESOS.........................4
2. ¿POR QUÉ VARÍAN LOS PROCESOS?................................................................5
3. FUNDAMENTOS ESTADÍSTICOS..........................................................................7
4. CAUSAS COMUNES Y CAUSAS ASIGNABLES O ESPECIALES .......................9
5. ¿QUÉ CONDICIONES HACEN FALTA PARA QUE SE PUEDA APLICAR EL
GRÁFICO DE CONTROL? .............................................................................................10
6. CAPACIDAD DE PROCESO.................................................................................13
6.1. CONCEPTO DE CAPACIDAD DE PROCESO..............................................13
6.2. ÍNDICES CP Y CPK ..........................................................................................13
6.3. VARIABILIDAD A CORTO Y LARGO PLAZO ...............................................16
6.4. POTENCIALIDAD DEL PROCESO. ÍNDICES PP Y PPK .................................17
6.5. CONCEPTO DE GRUPO HOMOGÉNEO RACIONAL ..................................18
7. GRÁFICOS DE CONTROL POR VARIABLES: GRÁFICOS DE SHEWHART ....18
8. CURVAS DE OPERACIÓN DEL GRÁFICO DE CONTROL .................................32
8.1. CURVA DE OPERACIÓN DEL GRÁFICO DE MEDIAS...................................................32
8.2. CURVA DE OPERACIÓN DEL GRÁFICO DE DISPERSIÓN. ...........................................34
9. INTERPRETACIÓN DE LAS INDICACIONES DEL GRÁFICO DE CONTROL....36
10. ESTUDIO DE CAPACIDAD DE PROCESOS .......................................................39
10.1. ¿QUÉ ES UN ESTUDIO DE CAPACIDAD DE PROCESO? .........................39
10.2. ¿CÓMO SE REALIZA UN ESTUDIO DE CAPACIDAD DE PROCESO? ......39
10.2.1. Comprender los fenómenos físicos y tecnológicos importantes
para el proceso ..........................................................................................40
10.2.2. Definición de la estratificación de las medidas a tomar ...........40
10.2.3. Estabilizar del proceso..............................................................41
10.2.4. Toma de los datos ....................................................................41
10.2.5. Identificación del patrón de variabilidad ...................................41
10.2.6. Comprobación de la normalidad de los datos ..........................42
10.2.7. Análisis e interpretación de los datos .......................................43
10.2.8. Construcción de un intervalo de confianza de los índices .......46
11. CASO DE PROCESOS NO NORMALES..............................................................47
11.1. ¿ES LA NORMALIDAD LO “NORMAL?” .......................................................47
11.2. CONSECUENCIAS QUE TIENE EN EL ANÁLISIS.......................................48
11.3. TÉCNICAS DE NORMALIZACIÓN DE LOS DATOS. ...................................49
12. GRÁFICOS DE CONTROL PARA APLICACIONES ESPECIALES.....................54
12.1. GRÁFICOS PARA MUESTRAS UNITARIAS (I-MR) ....................................................54
12.2. GRÁFICOS QUE PERMITEN CONTROLAR DOS TIPOS DE VARIABILIDAD
SIMULTÁNEAMENTE (I-MR-R/S) ..............................................................................56
13. GRÁFICOS DE CONTROL PARA EL CASO DE SERIES CORTAS. ..................57
¿QUÉ ES UN PROCESO?
INPUT OUTPUT
Figura 1
??
OK OK
OK OK
Figura 2
INPUT OUTPUT
•Mano de Obra
•Máquinas
•Material
•Método
•Ambiente
•Mantenimiento
Figura 3
3. FUNDAMENTOS ESTADÍSTICOS.
0.4
0.3
0.2
0.1
68 %
0.0
95%
-3 -2 -1 99,73% 1 2 3 4
El teorema del límite 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
distribución es asintóticamente normal. Es decir:
Si
X = x1 + x 2 + L + xn donde las xi son v.a de media µi y varianza σi 2
n n
Entonces : X → N ∑ µi , ∑σ i
2
i =1
i =1
σ
xm ∝ N µ ,
n
2
DISTRIBUCIÓN DE LAS MEDIAS
DISTRIBUCIÓN DE LOS
VALORES INDIVIDUALES
-4 -3 -2 -1 0 1 2 3 4
Por definición, se dice que un proceso está bajo control estadístico cuando
no hay causas asignables presentes. El Control Estadístico de Procesos se
basa en analizar la información aportada por el proceso para detectar la
presencia de causas asignables y habitualmente se realiza mediante una
construcción gráfica denominada Gráfico de Control.
Si el proceso se encuentra bajo control estadístico es posible realizar una
predicción del intervalo en el que se encontrarán las características de la pieza
fabricada.
Puede ocurrir que las características propias del proceso hagan que alguno de
los factores de variabilidad intrínsecos al mismo, tenga un efecto
preponderante, de modo que en este caso la distribución no sea normal. Un
Por lo tanto, debe tratar de conocerse todo lo que sea posible de los
fundamentos tecnológicos del proceso, ya que puede dar pistas sobre el tipo de
distribución que seguirán los datos. En ningún caso debe “darse la normalidad
por supuesta”. Debe comprobarse y en caso de que los datos no sean
normales, deben aplicarse métodos especiales.
Si tiramos 10 monedas...
....
50% 50% 50% 50% 50% 50% 50% 50%
n
P( x ) = p x (1 − p )
(n − x ) )
x
0.25
0.20
Probabilidad
0.15
0.10
0.05
0.00
0 5 10
x
Número de intentos N= 10 Probabilidad de éxito P= 0.5
6. CAPACIDAD DE PROCESO
6.1. CONCEPTO DE CAPACIDAD DE PROCESO
Como consecuencia de todo lo anterior, si un proceso normal está en control
estadístico, la característica de calidad del 99,73% de los elementos fabricados
estará comprendida entre µ - 3σ y µ + 3σ. El parámetro µ depende del punto
en el que centremos el proceso. Sin embargo σ depende del número y
variabilidad de las causas comunes del proceso y por lo tanto es intrínseca a él.
Por lo tanto 6σ es la Variabilidad Natural del Proceso o Capacidad del
Proceso. Por definición:
σ
CAPACIDAD DEL PROCESO = 6σ
Es esencial resaltar que la variabilidad natural del proceso, 6σ, es intrínseca a
él e independiente de las tolerancias que se asignen. Por lo tanto si 6σ es
menor que el intervalo de las tolerancias a cumplir, necesariamente algunos
productos fabricados estarán fuera de tolerancia y serán 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 único que se consigue es aumentar
la variabilidad del mismo.
Ts − Ti
Cp =
6σ
Ts − µ µ − Ti
Cpk = min ,
3σ 3σ
De este modo se define un proceso capaz como aquel que Cpk > 1.
Aplicando estos mismos conceptos a la variabilidad atribuible de una máquina
de las que integran el proceso de fabricación, podemos definir la capacidad de
máquina, el índice de capacidad de máquina CM y CMk.
Intervalo de tolerancias Ts − Ti
Índice de capacidad cp: Cp = =
Capacidad del proceso 6σ
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: Índice 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
12σ 4,5σ
cp = =2 c pk = = 1,5
6σ 3σ
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
Núm ero de m uestra
Ts − Ti Ts − µ µ − Ti
Cp = Cpk = min ,
6σˆ CP 3σˆ CP 3σˆ CP
Ts − Ti Ts − µ µ − Ti
Pp = Ppk = min ,
6σˆ LP 3σˆ LP 3σˆ LP
σ
LCI = media − 3
n
σ
LCI = media − 3
n
¡Identificar y eliminar la causa especial!
∑ (x i − x)
2
s= i −1
n
n −1 2
E (s 2 ) = σ
n
∑ (x i − x)
2
s* = i −1
n −1
2(n − 1) 4
Var (s 2 ) = Var (s *2 ) =
2
σ σ4
n2 n −1
2 Γ(n / 2 ) 2 Γ(n / 2 )
E ( s) = σ = c 2σ E( s * ) = σ = c 4σ
n Γ[( n − 1) / 2] n − 1 Γ[( n − 1) / 2]
1
σ s = σ 1 − c22 − σ s ' = σ 1 − c42
n
i) Caso µ, σ conocidos.
3
LCS = µ + σ = µ + Aσ
n
LC = µ
3
LCI = µ − σ = µ − Aσ
n
LCS = (d 2 + 3d 3 )σ = D2σ
LC = d 2σ
LCS = (d 2 − 3d 3 )σ = D1σ
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 límites de control provisionales para ambos gráficos,
se comprobaría si alguna de las muestras está fuera de los límites. En caso
afirmativo se procedería a buscar la causa asignable que pudiera explicar esa
anormalidad y se recalcularían los límites. Estos límites deben recalcularse
periódicamente, por ejemplo cada 25 muestras.
i) Caso µ, σ conocidos.
3
LCS = µ + σ = µ + Aσ
n
LC = µ
3
LCI = µ − σ = µ − Aσ
n
1
LSC = c2 + 3 1 − c2 − σ = B2σ
2
n
LC = c2σ
1
LIC = c2 − 3 1 − c2 − σ = B1σ
2
n
LC = c4σ
(Si alguno de los dos fuera conocido sería un híbrido de los dos
casos i) y ii)). Se estimaría µ a partir de la media de las medias
(x ) y σ a partir de la desviación típica muestral media ( s *
o s )
de k muestras iniciales.
*
A partir de x y s o s se trazarían los límites provisionales de
la manera siguiente. En el gráfico 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 límites provisionales, se estudiarían los puntos fuera de
control y se recalcularían los límites de manera análoga al caso anterior.
En las tablas siguientes se resume lo anterior:
GRÁFICOS DE MEDIAS
GRÁFICOS DE DISPERSIÓN
S B2σ c2 σ B1σ
σ R D2σ d2σ D1σ
B6σ c4 σ B5σ
*
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 σ σ B2 = c2 B4 D2 = d 2 + 3d 3
d3 = σ 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
SOLUCIÓN:
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
Gráfico de medias:
LC= 0,008
Gráfico de recorridos:
LC= 0,002
GRÁFICO 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+
Gráfico s*
LCS= 2,089x0,0010 = 0,0020
LC= 0,0010
LCI= 0,000x0,0010 = 0,0000
Gráfico s
LCS= 2,089x0,0009 = 0,0018
LC= 0,0009
LCI= 0,000x0,0009 = 0,0000
µ1 − µ 0 σ1
d= λ=
σ0 σ0
µ − LCI x − µ1 LCS − µ1 ( d + 3) n x − µ 0 − dσ 0 (3 − d ) n
P( d , λ ) = P 1 ≤ ≤ = P −
≤ ≤
σ1 / n σ1 / n σ1 / n λ λσ 0 / n λ
Si analizamos ahora los dos efectos por separado y dibujamos las curvas para
distintos tamaños de muestras, vemos que el gráfico 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 múltiplos de sigma
0.9
Probabilidad
0.8
0.7
0.6
0.5
0.4
1 2 3 4 5 6
Aumento de variabilidad
Para el caso del gráfico S, la probabilidad de que una muestra caiga dentro de
los límites de control puede hacerse utilizando el estadístico:
ns 2
= χ n2−1
σ 2
B 2σ 2 s2 B 2σ 2 B2 s2 B2
P( λ ) = P 1 2 0 n ≤ 2 n ≤ 2 2 0 n = P 12 n ≤ 2 2 n ≤ 22 n
σ1 σ1 σ1 λ λ σ0 λ
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 múltiplos 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 múltiplos de sigma
A (2,5%)
B (13,5%)
C (34%)
C (34%)
B (13,5%)
A (2,5%)
¿Cómo 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 más, por lo que deben tomarse las siguientes precauciones:
Es preciso tener en cuenta que, si los datos no son normales, no son válidas
las predicciones de fracción defectuosa realizadas en el estudio. En el párrafo
11 se indica cómo proceder en casos en los que los datos no sean normales.
APLICACIÓN MINITAB
Dentro del menú Graph->Probability_Plot, Minitab cuenta con
contrastes gráficos de ajuste para varias distribuciones.
Si se selecciona la distribución normal y se representan
los datos del Ejemplo 3 (ver Figura 21) se observa que alguno
de los valores de los extremos está 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
APLICACIÓN MINITAB
Dentro del menú Stat->Control Charts-> Xbar-R, Si
se selecciona la columna en la que están los
datos y se indican el tamaño 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
índices cp y cpk no debe utilizarse para
cuantificar la variabilidad total del proceso.
COMPROBACIÓN 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
σˆ LP = i =1
= i =1
= 1.92
n −1 50 − 1
Como conclusión:
σ2 ∝
(n − 1)s 2
χ n2−1
que llevaría a los siguientes límites del intervalo de confianza para la varianza.
(n − 1)s 2 ≤σ2 ≤
(n − 1)s 2
χ n2−1 (1 − α / 2) χ n2−1 (α / 2)
χ n2−1 (1 − α / 2 ) χ n2−1 (α / 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 razón resulta más
apropiado recurrir a métodos de estimación no paramétricos (por ejemplo,
método de bootstrap).
(x + m )λ − 1)
(λ )
= (λ ≠ 0) (∀x x > −m )
x λ
ln ( x + m ) (λ = 0) (m > 0)
Es continua en λ, puesto que:
lim x ( λ ) = ln ( x + m )
λ →0
Donde:
)
σ 2 (λ ) = ∑
n i =1
(
1 n (λ )
x − x (λ ) )
2
TRANSFORMACIÓN DE BOX-COX
SELECCIÓN DEL LAMBDA ÓPTIMO
-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
APLICACIÓN MINITAB
Menú Stat->Control Charts->Box-Cox
Transformation. Los datos corresponden a muestras
de tamaño 5 de 25 lotes. La respuesta
proporcionada por MINITAB es la indicada en la
Figura 26, en la que se indica λ=0.113 como el
valor óptimo. Una vez transformados los datos, se
puede comprobar su normalidad mediante un
histograma (ver Figura 27) o un papel
probabilístico, de modo análogo 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 químico.
APLICACIÓN MINITAB
Menú 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
APLICACIÓN MINITAB
Menú 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
APLICACIÓN MINITAB
Menú Stat->Control Charts->Z–MR. 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 − µ 0 )
(x1 − µ 0 ) + (x2 − µ 0 )
(x1 − µ 0 ) + (x2 − µ 0 ) + (x3 − µ 0 )
M
(x1 − µ 0 ) + (x2 − µ 0 ) + (x3 − µ 0 ) + L + (xt − µ 0 )
Resulta intuitivo ver que mientras µ0 no varíe las sumas acumuladas andarán
oscilando entorno a 0, mientras que si µ0 varía estas sumas crecerán
rápidamente en esa dirección.
Gráfico CUSUM
SUMAS ACUMULADAS
P
d
h
h
d=
k
Figura 32 Máscara “V” del gráfico CUSUM
APLICACIÓN MINITAB
Menú 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 σ = 0.203066. Se ha tomado h = 5 y k = 0.5.
En este gráfico puede observarse que el proceso
se sale de control en la muestra número 49.
CONCENTRACIÓN DE NIQUEL
10
Cumulative Sum
0 0
0 10 20 30 40 50 60 70 80
Subgroup Number
x1 , x2 , x3 ,L xk ,
LCS = xˆ 0 +
3σ λ
n 1− λ
[
1 − (1 − λ )
2i
]
LCI = xˆ 0 −
3σ λ
n − λ
[
1 − (1 − λ )
2i
]
1
APLICACIÓN MINITAB
Menú 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 σ = 0.203066 y se toma λ = 0.2. En el gráfico puede apreciarse que el
proceso está fuera de control antes de la muestra número 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) Gráfico np
LCS = np + 3 np (1 − p )
LC = np
LCI = np − 3 np (1 − p )
b) Gráfico p
p (1 − p )
LCS = p + 3
n
LC = p
p (1 − p )
LCI = p − 3
n
GRÁFICO 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) Gráfico c
LCS = c + 3 c
LC = c
LCI = c − 3 c
a) Gráfico u
u
LCS = u + 3
n
LC = u
u
LCI = u − 3
n
σc c un u
Puesto que c = un, σ u = = = =
n n n n
DÍA 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
DÍA 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
SOLUCIÓN:
Los límites de control y línea central para un gráfico tipo c son:
GRÁFICO C
3.0SL=10.81
10
Número 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 ís ti c o d e Pr o c e s o s
R ESU M EN