Documentos de Académico
Documentos de Profesional
Documentos de Cultura
CONTROL DE LA CALIDAD
Universidad del Atlántico
Programa de Ingeniería industrial
Barranquilla
Roberto José Herrera Acosta () Control Estadístico de Procesos Agosto 23 de 2013 1 / 248
Contenido
1 Herramientas básicas para estudio y mejora de la Calidad
2 Uso de la distribuciones de probabilidad aplicadas en control
estadístico de procesos
Prueba de Normalidad Kolmorov Smirnov Lilliefors
3 Generalidades de las Cartas de Control
4 Cartas de control por variables
Cartas de control para R y X̄
Longitud de corridas
Cartas de control x̄ y S
Capacidad e Indice de Capacidad Univariado
5 Cartas de control por atributos
Cartas de control por fracción de no conforme p y de la cantidad
de no conformes np
Carta de control para el número de no conformidades c y el
número de no conformidades por unidad u
6 Cartas de control EWMA
7 Cartas de control CUSUM
8 Cartas de control Multivariado de Shewhart
Contenido
1 Herramientas básicas para estudio y mejora de la Calidad
2 Uso de la distribuciones de probabilidad aplicadas en control
estadístico de procesos
Prueba de Normalidad Kolmorov Smirnov Lilliefors
3 Generalidades de las Cartas de Control
4 Cartas de control por variables
Cartas de control para R y X̄
Longitud de corridas
Cartas de control x̄ y S
Capacidad e Indice de Capacidad Univariado
5 Cartas de control por atributos
Cartas de control por fracción de no conforme p y de la cantidad
de no conformes np
Carta de control para el número de no conformidades c y el
número de no conformidades por unidad u
6 Cartas de control EWMA
7 Cartas de control CUSUM
8 Cartas de control Multivariado de Shewhart
Contenido
1 Herramientas básicas para estudio y mejora de la Calidad
2 Uso de la distribuciones de probabilidad aplicadas en control
estadístico de procesos
Prueba de Normalidad Kolmorov Smirnov Lilliefors
3 Generalidades de las Cartas de Control
4 Cartas de control por variables
Cartas de control para R y X̄
Longitud de corridas
Cartas de control x̄ y S
Capacidad e Indice de Capacidad Univariado
5 Cartas de control por atributos
Cartas de control por fracción de no conforme p y de la cantidad
de no conformes np
Carta de control para el número de no conformidades c y el
número de no conformidades por unidad u
6 Cartas de control EWMA
7 Cartas de control CUSUM
8 Cartas de control Multivariado de Shewhart
Contenido
1 Herramientas básicas para estudio y mejora de la Calidad
2 Uso de la distribuciones de probabilidad aplicadas en control
estadístico de procesos
Prueba de Normalidad Kolmorov Smirnov Lilliefors
3 Generalidades de las Cartas de Control
4 Cartas de control por variables
Cartas de control para R y X̄
Longitud de corridas
Cartas de control x̄ y S
Capacidad e Indice de Capacidad Univariado
5 Cartas de control por atributos
Cartas de control por fracción de no conforme p y de la cantidad
de no conformes np
Carta de control para el número de no conformidades c y el
número de no conformidades por unidad u
6 Cartas de control EWMA
7 Cartas de control CUSUM
8 Cartas de control Multivariado de Shewhart
Contenido
1 Herramientas básicas para estudio y mejora de la Calidad
2 Uso de la distribuciones de probabilidad aplicadas en control
estadístico de procesos
Prueba de Normalidad Kolmorov Smirnov Lilliefors
3 Generalidades de las Cartas de Control
4 Cartas de control por variables
Cartas de control para R y X̄
Longitud de corridas
Cartas de control x̄ y S
Capacidad e Indice de Capacidad Univariado
5 Cartas de control por atributos
Cartas de control por fracción de no conforme p y de la cantidad
de no conformes np
Carta de control para el número de no conformidades c y el
número de no conformidades por unidad u
6 Cartas de control EWMA
7 Cartas de control CUSUM
8 Cartas de control Multivariado de Shewhart
Contenido
1 Herramientas básicas para estudio y mejora de la Calidad
2 Uso de la distribuciones de probabilidad aplicadas en control
estadístico de procesos
Prueba de Normalidad Kolmorov Smirnov Lilliefors
3 Generalidades de las Cartas de Control
4 Cartas de control por variables
Cartas de control para R y X̄
Longitud de corridas
Cartas de control x̄ y S
Capacidad e Indice de Capacidad Univariado
5 Cartas de control por atributos
Cartas de control por fracción de no conforme p y de la cantidad
de no conformes np
Carta de control para el número de no conformidades c y el
número de no conformidades por unidad u
6 Cartas de control EWMA
7 Cartas de control CUSUM
8 Cartas de control Multivariado de Shewhart
Contenido
1 Herramientas básicas para estudio y mejora de la Calidad
2 Uso de la distribuciones de probabilidad aplicadas en control
estadístico de procesos
Prueba de Normalidad Kolmorov Smirnov Lilliefors
3 Generalidades de las Cartas de Control
4 Cartas de control por variables
Cartas de control para R y X̄
Longitud de corridas
Cartas de control x̄ y S
Capacidad e Indice de Capacidad Univariado
5 Cartas de control por atributos
Cartas de control por fracción de no conforme p y de la cantidad
de no conformes np
Carta de control para el número de no conformidades c y el
número de no conformidades por unidad u
6 Cartas de control EWMA
7 Cartas de control CUSUM
8 Cartas de control Multivariado de Shewhart
Contenido
1 Herramientas básicas para estudio y mejora de la Calidad
2 Uso de la distribuciones de probabilidad aplicadas en control
estadístico de procesos
Prueba de Normalidad Kolmorov Smirnov Lilliefors
3 Generalidades de las Cartas de Control
4 Cartas de control por variables
Cartas de control para R y X̄
Longitud de corridas
Cartas de control x̄ y S
Capacidad e Indice de Capacidad Univariado
5 Cartas de control por atributos
Cartas de control por fracción de no conforme p y de la cantidad
de no conformes np
Carta de control para el número de no conformidades c y el
número de no conformidades por unidad u
6 Cartas de control EWMA
7 Cartas de control CUSUM
8 Cartas de control Multivariado de Shewhart
Control Estadístico de Procesos
Herramientas básicas para estudio y mejora de la Calidad
Roberto José Herrera Acosta () Control Estadístico de Procesos Agosto 23 de 2013 3 / 248
Control Estadístico de Procesos
Herramientas básicas para estudio y mejora de la Calidad
Diagrama de Pareto
Mejoramiento
También conocido como el análisis de PARETO. Su objetivo principal
es separar los problemas de calidad en: pocos defectos vitales que
generan el ochenta por ciento (80 %) de los problemas de calidad y los
muchos defectos triviales que causan el 20 % de la variabilidad.
Roberto José Herrera Acosta () Control Estadístico de Procesos Agosto 23 de 2013 4 / 248
Control Estadístico de Procesos
Herramientas básicas para estudio y mejora de la Calidad
Roberto José Herrera Acosta () Control Estadístico de Procesos Agosto 23 de 2013 5 / 248
Control Estadístico de Procesos
Herramientas básicas para estudio y mejora de la Calidad
Diagrama de Pareto
Elaboración del diagrama de Pareto
Identificar el problema de calidad.
Estratificar los datos.
Metodología y tiempo de recolección de los datos.
Diseñe una tabla de registro de los tipos de defectos existente
(ítems) en el problema de calidad con sus respectivos totales, los
totales acumulados, la composición porcentual y el porcentaje
acumulado.
Organice estos datos de acuerdo a la cantidad.
Dibuje dos ejes verticales y un eje horizontal.
En el eje horizontal coloque tantos intervalos como ítems existan.
Construya para cada intervalo una barra y dibuje la curva
acumulada.
Roberto José Herrera Acosta () Control Estadístico de Procesos Agosto 23 de 2013 6 / 248
Control Estadístico de Procesos
Herramientas básicas para estudio y mejora de la Calidad
Diagrama de Pareto
Elaboración del diagrama de Pareto
Identificar el problema de calidad.
Estratificar los datos.
Metodología y tiempo de recolección de los datos.
Diseñe una tabla de registro de los tipos de defectos existente
(ítems) en el problema de calidad con sus respectivos totales, los
totales acumulados, la composición porcentual y el porcentaje
acumulado.
Organice estos datos de acuerdo a la cantidad.
Dibuje dos ejes verticales y un eje horizontal.
En el eje horizontal coloque tantos intervalos como ítems existan.
Construya para cada intervalo una barra y dibuje la curva
acumulada.
Roberto José Herrera Acosta () Control Estadístico de Procesos Agosto 23 de 2013 6 / 248
Control Estadístico de Procesos
Herramientas básicas para estudio y mejora de la Calidad
Diagrama de Pareto
Elaboración del diagrama de Pareto
Identificar el problema de calidad.
Estratificar los datos.
Metodología y tiempo de recolección de los datos.
Diseñe una tabla de registro de los tipos de defectos existente
(ítems) en el problema de calidad con sus respectivos totales, los
totales acumulados, la composición porcentual y el porcentaje
acumulado.
Organice estos datos de acuerdo a la cantidad.
Dibuje dos ejes verticales y un eje horizontal.
En el eje horizontal coloque tantos intervalos como ítems existan.
Construya para cada intervalo una barra y dibuje la curva
acumulada.
Roberto José Herrera Acosta () Control Estadístico de Procesos Agosto 23 de 2013 6 / 248
Control Estadístico de Procesos
Herramientas básicas para estudio y mejora de la Calidad
Diagrama de Pareto
Elaboración del diagrama de Pareto
Identificar el problema de calidad.
Estratificar los datos.
Metodología y tiempo de recolección de los datos.
Diseñe una tabla de registro de los tipos de defectos existente
(ítems) en el problema de calidad con sus respectivos totales, los
totales acumulados, la composición porcentual y el porcentaje
acumulado.
Organice estos datos de acuerdo a la cantidad.
Dibuje dos ejes verticales y un eje horizontal.
En el eje horizontal coloque tantos intervalos como ítems existan.
Construya para cada intervalo una barra y dibuje la curva
acumulada.
Roberto José Herrera Acosta () Control Estadístico de Procesos Agosto 23 de 2013 6 / 248
Control Estadístico de Procesos
Herramientas básicas para estudio y mejora de la Calidad
Diagrama de Pareto
Elaboración del diagrama de Pareto
Identificar el problema de calidad.
Estratificar los datos.
Metodología y tiempo de recolección de los datos.
Diseñe una tabla de registro de los tipos de defectos existente
(ítems) en el problema de calidad con sus respectivos totales, los
totales acumulados, la composición porcentual y el porcentaje
acumulado.
Organice estos datos de acuerdo a la cantidad.
Dibuje dos ejes verticales y un eje horizontal.
En el eje horizontal coloque tantos intervalos como ítems existan.
Construya para cada intervalo una barra y dibuje la curva
acumulada.
Roberto José Herrera Acosta () Control Estadístico de Procesos Agosto 23 de 2013 6 / 248
Control Estadístico de Procesos
Herramientas básicas para estudio y mejora de la Calidad
Diagrama de Pareto
Elaboración del diagrama de Pareto
Identificar el problema de calidad.
Estratificar los datos.
Metodología y tiempo de recolección de los datos.
Diseñe una tabla de registro de los tipos de defectos existente
(ítems) en el problema de calidad con sus respectivos totales, los
totales acumulados, la composición porcentual y el porcentaje
acumulado.
Organice estos datos de acuerdo a la cantidad.
Dibuje dos ejes verticales y un eje horizontal.
En el eje horizontal coloque tantos intervalos como ítems existan.
Construya para cada intervalo una barra y dibuje la curva
acumulada.
Roberto José Herrera Acosta () Control Estadístico de Procesos Agosto 23 de 2013 6 / 248
Control Estadístico de Procesos
Herramientas básicas para estudio y mejora de la Calidad
Diagrama de Pareto
Elaboración del diagrama de Pareto
Identificar el problema de calidad.
Estratificar los datos.
Metodología y tiempo de recolección de los datos.
Diseñe una tabla de registro de los tipos de defectos existente
(ítems) en el problema de calidad con sus respectivos totales, los
totales acumulados, la composición porcentual y el porcentaje
acumulado.
Organice estos datos de acuerdo a la cantidad.
Dibuje dos ejes verticales y un eje horizontal.
En el eje horizontal coloque tantos intervalos como ítems existan.
Construya para cada intervalo una barra y dibuje la curva
acumulada.
Roberto José Herrera Acosta () Control Estadístico de Procesos Agosto 23 de 2013 6 / 248
Control Estadístico de Procesos
Herramientas básicas para estudio y mejora de la Calidad
Diagrama de Pareto
Roberto José Herrera Acosta () Control Estadístico de Procesos Agosto 23 de 2013 7 / 248
Control Estadístico de Procesos
Herramientas básicas para estudio y mejora de la Calidad
Diagrama de Pareto
Roberto José Herrera Acosta () Control Estadístico de Procesos Agosto 23 de 2013 7 / 248
Control Estadístico de Procesos
Herramientas básicas para estudio y mejora de la Calidad
Diagrama de Pareto
Roberto José Herrera Acosta () Control Estadístico de Procesos Agosto 23 de 2013 7 / 248
Control Estadístico de Procesos
Herramientas básicas para estudio y mejora de la Calidad
Diagrama de Pareto
Roberto José Herrera Acosta () Control Estadístico de Procesos Agosto 23 de 2013 8 / 248
Control Estadístico de Procesos
Herramientas básicas para estudio y mejora de la Calidad
Roberto José Herrera Acosta () Control Estadístico de Procesos Agosto 23 de 2013 9 / 248
Control Estadístico de Procesos
Herramientas básicas para estudio y mejora de la Calidad
Agosto 23 de 2013 10 /
Roberto José Herrera Acosta () Control Estadístico de Procesos 248
Control Estadístico de Procesos
Herramientas básicas para estudio y mejora de la Calidad
Diagrama de Pareto
Ejercicio en clase
Construya un diagrama de Pareto que represente el reemplazo de piezas
de una estufa eléctrica. Los datos correspondientes a un periodo de seis
meses son los siguientes: puerta del horno 193; reloj 53; quemadores de
atrás 290; control de quemador 135; carretillas de cajonera 46; otros 84
y reguladores del horno 265.
Agosto 23 de 2013 11 /
Roberto José Herrera Acosta () Control Estadístico de Procesos 248
Control Estadístico de Procesos
Herramientas básicas para estudio y mejora de la Calidad
Agosto 23 de 2013 13 /
Roberto José Herrera Acosta () Control Estadístico de Procesos 248
Control Estadístico de Procesos
Herramientas básicas para estudio y mejora de la Calidad
Agosto 23 de 2013 13 /
Roberto José Herrera Acosta () Control Estadístico de Procesos 248
Control Estadístico de Procesos
Herramientas básicas para estudio y mejora de la Calidad
Agosto 23 de 2013 13 /
Roberto José Herrera Acosta () Control Estadístico de Procesos 248
Control Estadístico de Procesos
Herramientas básicas para estudio y mejora de la Calidad
Agosto 23 de 2013 14 /
Roberto José Herrera Acosta () Control Estadístico de Procesos 248
Control Estadístico de Procesos
Herramientas básicas para estudio y mejora de la Calidad
Ejemplo
Agosto 23 de 2013 15 /
Roberto José Herrera Acosta () Control Estadístico de Procesos 248
Control Estadístico de Procesos
Herramientas básicas para estudio y mejora de la Calidad
Agosto 23 de 2013 16 /
Roberto José Herrera Acosta () Control Estadístico de Procesos 248
Control Estadístico de Procesos
Herramientas básicas para estudio y mejora de la Calidad
Agosto 23 de 2013 17 /
Roberto José Herrera Acosta () Control Estadístico de Procesos 248
Control Estadístico de Procesos
Uso de la distribuciones de probabilidad aplicadas en control estadístico de procesos
Agosto 23 de 2013 18 /
Roberto José Herrera Acosta () Control Estadístico de Procesos 248
Control Estadístico de Procesos
Uso de la distribuciones de probabilidad aplicadas en control estadístico de procesos
Distribución de Probabilidad
Agosto 23 de 2013 19 /
Roberto José Herrera Acosta () Control Estadístico de Procesos 248
Control Estadístico de Procesos
Uso de la distribuciones de probabilidad aplicadas en control estadístico de procesos
n! x
Binomial b(X, n, p) = (n−x)!x! p (1 − p)(n−x) np np(1 − p)1. Dos categorías. 2.Eventos indepen-
dientes 3. p constante
e−λ λx
Poisson p(X, λ) = x! λ λ 1. λ es el promedio del evento de
interes. 2. Eventos independientes.
1 (1−p)
Geométrica g(X, p) = p(1 − p)(x−1) p p2 1. x ensayos hasta obtener el exito 2.
Eventos independientes.
Agosto 23 de 2013 20 /
Roberto José Herrera Acosta () Control Estadístico de Procesos 248
Control Estadístico de Procesos
Uso de la distribuciones de probabilidad aplicadas en control estadístico de procesos
Distribución Binomial
Se selecciona 200 unidades de un proceso cuyo porcentaje de no
conformes es del p = 0,10. ¿Cuál es la probabilidad de que más de dos
de estas unidades sean no conformes?
Agosto 23 de 2013 21 /
Roberto José Herrera Acosta () Control Estadístico de Procesos 248
Control Estadístico de Procesos
Uso de la distribuciones de probabilidad aplicadas en control estadístico de procesos
Distribución Binomial
n = 200 p = 0,10PX = unidadesnoconf ormes
P (X > 2) = 1 − 20 (n−x)!x!
n!
px (1 − p)(n−x)
P (X > 2) = 1 − {P (X = 0) + P (X = 1) + P (X = 2)}
200! 200!
P (X > 2) = 1 − { (200−0)!0! 0,10 (1 − 0,1)(200−0) + (200−1)!1! 0,1(1 −
200!
0,1)(200−1) + 2
(200−2)!2! 0,1 (1 − 0,1)(200−2) }
Agosto 23 de 2013 22 /
Roberto José Herrera Acosta () Control Estadístico de Procesos 248
Control Estadístico de Procesos
Uso de la distribuciones de probabilidad aplicadas en control estadístico de procesos
Distribución Poisson
El promedio de personas que entran a un banco por minutos es de 3.5.
Si las llegadas a esta entidad sigue una distribución de Poisson, ¿Cuál
es la probabilidad de que en un minuto cualesquiera no se presenten
clientes? ¿En dos minutos consecutivos no se presenten clientes?
Agosto 23 de 2013 23 /
Roberto José Herrera Acosta () Control Estadístico de Procesos 248
Control Estadístico de Procesos
Uso de la distribuciones de probabilidad aplicadas en control estadístico de procesos
Distribución Poisson
λ = 3,5 X = nmerodepersonasqueentranalbanco
−3,5 0
P (X = 0) = e 0!3,5 = 0,030
−3,5 3,50 −3,5 3,50
P (X = 0)P (X = 0) = [ e 0! ][ e 0! ] = 0,009
Agosto 23 de 2013 24 /
Roberto José Herrera Acosta () Control Estadístico de Procesos 248
Control Estadístico de Procesos
Uso de la distribuciones de probabilidad aplicadas en control estadístico de procesos
1 x−µ 2
Normal N (x, µ, σ) = √ 1 e− 2 { σ } µ σ 2 Evalua medidas físicas
2Πσ
1 2
Normal Estándar N (z, 0, 1) = √1 e− 2 {Z} 0 1
2Π
Agosto 23 de 2013 25 /
Roberto José Herrera Acosta () Control Estadístico de Procesos 248
Control Estadístico de Procesos
Uso de la distribuciones de probabilidad aplicadas en control estadístico de procesos
Agosto 23 de 2013 26 /
Roberto José Herrera Acosta () Control Estadístico de Procesos 248
Control Estadístico de Procesos
Uso de la distribuciones de probabilidad aplicadas en control estadístico de procesos
Prueba de Normalidad
Definición
Es indispensable conocer que cuando se aplica una herramienta
estadística en donde se involucra variables continuas o cuantitativas es
fundamental determinar si la información obtenida en el proceso, tiene
un comportamiento mediante una distribución normal.
Agosto 23 de 2013 28 /
Roberto José Herrera Acosta () Control Estadístico de Procesos 248
Control Estadístico de Procesos
Uso de la distribuciones de probabilidad aplicadas en control estadístico de procesos
Prueba de Normalidad Kolmorov Smirnov Lilliefors
Prueba de Normalidad
Definición
Para ello la estadística posee algunas pruebas, entre ellas encontramos
la prueba de Ji-cuadrado , Kolmogorov-Smirnov Lilliefors, Shapiro y
Wilks o la prueba de Anderson Darling; pero una manera muy sencilla
de realizar la prueba de normalidad es construyendo un Histograma de
Frecuencia.
Agosto 23 de 2013 29 /
Roberto José Herrera Acosta () Control Estadístico de Procesos 248
Control Estadístico de Procesos
Uso de la distribuciones de probabilidad aplicadas en control estadístico de procesos
Prueba de Normalidad Kolmorov Smirnov Lilliefors
Hipótesis
1. H0 =La información posee una distribución normal
2. H1 =La información no posee una distribución normal
3. α
4. Región de rechazo: Dn max = {Dn− , Dn+ } ≥ Dn,α
5. Calculos Dn− = |F rec.Empi−1 − F rec.T eor.| y
Dn+ = |F rec.Empi − F rec.T eor.|
donde Frec. Emp = ni y la Frec. Teórica = P (Z ≤ z)
6. Decisión
Agosto 23 de 2013 30 /
Roberto José Herrera Acosta () Control Estadístico de Procesos 248
Control Estadístico de Procesos
Uso de la distribuciones de probabilidad aplicadas en control estadístico de procesos
Prueba de Normalidad Kolmorov Smirnov Lilliefors
Agosto 23 de 2013 31 /
Roberto José Herrera Acosta () Control Estadístico de Procesos 248
Control Estadístico de Procesos
Uso de la distribuciones de probabilidad aplicadas en control estadístico de procesos
Prueba de Normalidad Kolmorov Smirnov Lilliefors
P (X 6 512)
512−498,66
P (X 6 512) = P Z 6 9,77 = P (Z 6 1,366) = 0,913
Agosto 23 de 2013 32 /
Roberto José Herrera Acosta () Control Estadístico de Procesos 248
Control Estadístico de Procesos
Uso de la distribuciones de probabilidad aplicadas en control estadístico de procesos
Prueba de Normalidad Kolmorov Smirnov Lilliefors
Distribución Normal
En la tabla de KSL se obtiene con n = 9 : D(0,05, 9) = 0,27 , por lo
que no se rechaza la hipótesis nula de que la muestra se distribuye
normalmente.
Agosto 23 de 2013 33 /
Roberto José Herrera Acosta () Control Estadístico de Procesos 248
Control Estadístico de Procesos
Uso de la distribuciones de probabilidad aplicadas en control estadístico de procesos
Prueba de Normalidad Kolmorov Smirnov Lilliefors
Agosto 23 de 2013 36 /
Roberto José Herrera Acosta () Control Estadístico de Procesos 248
Control Estadístico de Procesos
Generalidades de las Cartas de Control
Definición
Es un diagrama en donde se realiza el seguimiento a través del tiempo a
una característica de calidad univariada o multivariada; con el objetivo
de detectar la existencia de comportamientos no aleatorios, sus causas y
posibles soluciones.
Agosto 23 de 2013 37 /
Roberto José Herrera Acosta () Control Estadístico de Procesos 248
Control Estadístico de Procesos
Generalidades de las Cartas de Control
Definición
Es una gráfica propuesta por el ing. W. A. Sewhart de los laboratorios
de la Bell Telephone en los años veinte. está constituida por una línea
central (determinada por una medida de localización o una medida de
variabilidad promedio) y una o más líneas a ciertas desviaciones de la
línea central, llamadas comúnmente limites de control; que representan
el estado de un proceso.
Agosto 23 de 2013 38 /
Roberto José Herrera Acosta () Control Estadístico de Procesos 248
Control Estadístico de Procesos
Generalidades de las Cartas de Control
Tipos de variabilidad
Variabilidad
Este tipo de método estadístico permite diferenciar las diversas causas
de variabilidad en un proceso: las aleatorias o fortuitas (comunes) y las
asignables o especiales.
1. Variabilidad Aleatoria: Se deben a causas no asignables.
2. Variabilidad Asignable: Es causada por factores ajenos a las
condiciones naturales de un proceso.
Agosto 23 de 2013 39 /
Roberto José Herrera Acosta () Control Estadístico de Procesos 248
Control Estadístico de Procesos
Generalidades de las Cartas de Control
Tipos de variación
Variabilidad
La variación ocurre en todos los procesos, ya sean fenómenos naturales
o invenciones humanas. Se dan dos clases de variación, la variación
aleatoria (que es natural en el proceso) y la no aleatoria o asignable
(resultado de una causa atribuible específica). La primera es predecible
(proceso bajo control), sin embargo la segunda causa que el proceso se
encuentre en estado fuera de control.
Agosto 23 de 2013 40 /
Roberto José Herrera Acosta () Control Estadístico de Procesos 248
Control Estadístico de Procesos
Generalidades de las Cartas de Control
Tipos de variación
Variabilidad
Un gráfico de control muestra la variación total de un proceso (la
variabilidad aleatoria y no aleatoria) y se utiliza para monitorizar un
estadístico y mantenerlo en estabilidad estadística, es decir bajo control.
Agosto 23 de 2013 41 /
Roberto José Herrera Acosta () Control Estadístico de Procesos 248
Control Estadístico de Procesos
Generalidades de las Cartas de Control
Interpretación
Carta de Control
Cómo interpretar las cartas de control: Inicialmente las cartas de
control permiten identificar variaciones no aleatorias. Una variación no
aleatoria se indica normalmente con un punto del gráfico que queda
fuera de los límites del control o posee un comportamiento no natural
dentro de estos límites de control.
Agosto 23 de 2013 42 /
Roberto José Herrera Acosta () Control Estadístico de Procesos 248
Control Estadístico de Procesos
Generalidades de las Cartas de Control
Interpretación
Carta de Control
Los casos o situaciones que pueden indicar un estado no aleatorio o
fuera de control estando dentro de los límites de control establecidos
son: Cambios repentinos de la medida de localización, tendencias del
estadístico u oscilaciones alternadas muy amplias. Cuando se presenta
un hecho no aleatorio, fuera de control, los responsables del proceso
deben encontrar una causa atribuible, respondiendo a la pregunta ¿qué
ha cambiado en el proceso para producir este hecho?
Agosto 23 de 2013 43 /
Roberto José Herrera Acosta () Control Estadístico de Procesos 248
Control Estadístico de Procesos
Generalidades de las Cartas de Control
Interpretación
Carta de Control
Cuando se presenta un hecho no aleatorio o asignable,es decir un estado
fuera de control, los responsables del proceso deben encontrar una
causa atribuible, realizando las correcciones pertinentes para que este
hecho no se replique.
Agosto 23 de 2013 44 /
Roberto José Herrera Acosta () Control Estadístico de Procesos 248
Control Estadístico de Procesos
Generalidades de las Cartas de Control
Variaciones no aleatorias
Causas de la no aleatoriedad
Estas variabilidades generalmente son causadas por:
Maquinas
Materiales
Mano de obra
Método
Medio Ambiente
Metrología
Agosto 23 de 2013 45 /
Roberto José Herrera Acosta () Control Estadístico de Procesos 248
Control Estadístico de Procesos
Generalidades de las Cartas de Control
Variaciones no aleatorias
Causas de la no aleatoriedad
Estas variabilidades generalmente son causadas por:
Maquinas
Materiales
Mano de obra
Método
Medio Ambiente
Metrología
Agosto 23 de 2013 45 /
Roberto José Herrera Acosta () Control Estadístico de Procesos 248
Control Estadístico de Procesos
Generalidades de las Cartas de Control
Variaciones no aleatorias
Causas de la no aleatoriedad
Estas variabilidades generalmente son causadas por:
Maquinas
Materiales
Mano de obra
Método
Medio Ambiente
Metrología
Agosto 23 de 2013 45 /
Roberto José Herrera Acosta () Control Estadístico de Procesos 248
Control Estadístico de Procesos
Generalidades de las Cartas de Control
Variaciones no aleatorias
Causas de la no aleatoriedad
Estas variabilidades generalmente son causadas por:
Maquinas
Materiales
Mano de obra
Método
Medio Ambiente
Metrología
Agosto 23 de 2013 45 /
Roberto José Herrera Acosta () Control Estadístico de Procesos 248
Control Estadístico de Procesos
Generalidades de las Cartas de Control
Variaciones no aleatorias
Causas de la no aleatoriedad
Estas variabilidades generalmente son causadas por:
Maquinas
Materiales
Mano de obra
Método
Medio Ambiente
Metrología
Agosto 23 de 2013 45 /
Roberto José Herrera Acosta () Control Estadístico de Procesos 248
Control Estadístico de Procesos
Generalidades de las Cartas de Control
Elementos
Una carta de control consta de los siguientes elementos:
1. U CL : Limite Superior de Control
2. CL : Límite Central
3. LCL : Limite Inferior de Control
Los limites superior e inferior se encuentra a una distancia de 3σ que
representan como medida de probabilidad el 0,9973 0 99,73 % de que un
subgrupo se encuentre en control.
Agosto 23 de 2013 46 /
Roberto José Herrera Acosta () Control Estadístico de Procesos 248
Control Estadístico de Procesos
Generalidades de las Cartas de Control
Elementos
La confiabilidad de los límites de control es medida de la siguiente
forma:
Agosto 23 de 2013 47 /
Roberto José Herrera Acosta () Control Estadístico de Procesos 248
Control Estadístico de Procesos
Generalidades de las Cartas de Control
Elementos
Un límite de control es un intervalo de confianza de la forma:
σ
CL = X̄ + L √
n
donde L = 3 garantiza una confiabilidad del 99,73 %
Agosto 23 de 2013 48 /
Roberto José Herrera Acosta () Control Estadístico de Procesos 248
Control Estadístico de Procesos
Generalidades de las Cartas de Control
Característica de un subgrupo
Subgrupo
Un subgrupo lo forma una muestra racional de observaciones cuya
condición es que dentro del subgrupo se debe tener la menor
variabilidad y entre los subgrupos una mayor variación. Un proceso que
se encuentra en control es aquel que posea variabilidades aleatorias o
naturales.
Agosto 23 de 2013 49 /
Roberto José Herrera Acosta () Control Estadístico de Procesos 248
Control Estadístico de Procesos
Generalidades de las Cartas de Control
Agosto 23 de 2013 50 /
Roberto José Herrera Acosta () Control Estadístico de Procesos 248
Control Estadístico de Procesos
Generalidades de las Cartas de Control
Agosto 23 de 2013 51 /
Roberto José Herrera Acosta () Control Estadístico de Procesos 248
Control Estadístico de Procesos
Generalidades de las Cartas de Control
Agosto 23 de 2013 51 /
Roberto José Herrera Acosta () Control Estadístico de Procesos 248
Control Estadístico de Procesos
Generalidades de las Cartas de Control
Agosto 23 de 2013 51 /
Roberto José Herrera Acosta () Control Estadístico de Procesos 248
Control Estadístico de Procesos
Generalidades de las Cartas de Control
Ejemplo
Agosto 23 de 2013 52 /
Roberto José Herrera Acosta () Control Estadístico de Procesos 248
Control Estadístico de Procesos
Generalidades de las Cartas de Control
Carta de control
Agosto 23 de 2013 53 /
Roberto José Herrera Acosta () Control Estadístico de Procesos 248
Control Estadístico de Procesos
Generalidades de las Cartas de Control
Agosto 23 de 2013 54 /
Roberto José Herrera Acosta () Control Estadístico de Procesos 248
Control Estadístico de Procesos
Cartas de control por variables
Agosto 23 de 2013 55 /
Roberto José Herrera Acosta () Control Estadístico de Procesos 248
Control Estadístico de Procesos
Cartas de control por variables
Cartas de control para R y X̄
Agosto 23 de 2013 56 /
Roberto José Herrera Acosta () Control Estadístico de Procesos 248
Control Estadístico de Procesos
Cartas de control por variables
Cartas de control para R y X̄
Agosto 23 de 2013 57 /
Roberto José Herrera Acosta () Control Estadístico de Procesos 248
Control Estadístico de Procesos
Cartas de control por variables
Cartas de control para R y X̄
Cartas de Control R
Montgomery(2001) muestra en las cartas R, el estadístico de control
como R. Los límites de control de la carta R están definidos por,
r
V R)
U CL = R̄ + 3bσR = R̄ + 3 R̄
E R)
r
V R
LCL = R̄ − 3b
σR = R̄ − 3 R̄
E R)
Agosto 23 de 2013 58 /
Roberto José Herrera Acosta () Control Estadístico de Procesos 248
Control Estadístico de Procesos
Cartas de control por variables
Cartas de control para R y X̄
Cartas de Control R
Utilizando las contantes se tiene que los límites de control en la FASE I:
U CL = D4 R̄
CL = R̄
LCL = D3 R̄
Agosto 23 de 2013 59 /
Roberto José Herrera Acosta () Control Estadístico de Procesos 248
Control Estadístico de Procesos
Cartas de control por variables
Cartas de control para R y X̄
Agosto 23 de 2013 60 /
Roberto José Herrera Acosta () Control Estadístico de Procesos 248
Control Estadístico de Procesos
Cartas de control por variables
Cartas de control para R y X̄
Agosto 23 de 2013 61 /
Roberto José Herrera Acosta () Control Estadístico de Procesos 248
Control Estadístico de Procesos
Cartas de control por variables
Cartas de control para R y X̄
Agosto 23 de 2013 62 /
Roberto José Herrera Acosta () Control Estadístico de Procesos 248
Control Estadístico de Procesos
Cartas de control por variables
Cartas de control para R y X̄
Ejemplo
Agosto 23 de 2013 63 /
Roberto José Herrera Acosta () Control Estadístico de Procesos 248
Control Estadístico de Procesos
Cartas de control por variables
Cartas de control para R y X̄
Agosto 23 de 2013 64 /
Roberto José Herrera Acosta () Control Estadístico de Procesos 248
Control Estadístico de Procesos
Cartas de control por variables
Cartas de control para R y X̄
Agosto 23 de 2013 65 /
Roberto José Herrera Acosta () Control Estadístico de Procesos 248
Control Estadístico de Procesos
Cartas de control por variables
Cartas de control para R y X̄
Recomendación
En el ejercicio anterior se obtuvo los límites de control inicial o
históricos, (se recomienda obtener la información durante los seis
primeros meses) para posteriormente identificar los límites naturales o
estándar del proceso, estos valores naturales se obtienen una vez
identificado los puntos por fuera de los límites de control o si existen
tendencias en el proceso.
Agosto 23 de 2013 66 /
Roberto José Herrera Acosta () Control Estadístico de Procesos 248
Control Estadístico de Procesos
Cartas de control por variables
Cartas de control para R y X̄
Agosto 23 de 2013 67 /
Roberto José Herrera Acosta () Control Estadístico de Procesos 248
Control Estadístico de Procesos
Cartas de control por variables
Cartas de control para R y X̄
Agosto 23 de 2013 68 /
Roberto José Herrera Acosta () Control Estadístico de Procesos 248
Control Estadístico de Procesos
Cartas de control por variables
Cartas de control para R y X̄
Agosto 23 de 2013 69 /
Roberto José Herrera Acosta () Control Estadístico de Procesos 248
Control Estadístico de Procesos
Cartas de control por variables
Cartas de control para R y X̄
LC = 57, 2593
LCL = 57, 2593 − 1,023(10,8889) = 46, 1192
Agosto 23 de 2013 70 /
Roberto José Herrera Acosta () Control Estadístico de Procesos 248
Control Estadístico de Procesos
Cartas de control por variables
Cartas de control para R y X̄
Agosto 23 de 2013 71 /
Roberto José Herrera Acosta () Control Estadístico de Procesos 248
Control Estadístico de Procesos
Cartas de control por variables
Cartas de control para R y X̄
Cartas de Control R y X̄
Agosto 23 de 2013 72 /
Roberto José Herrera Acosta () Control Estadístico de Procesos 248
Control Estadístico de Procesos
Cartas de control por variables
Cartas de control para R y X̄
Cartas de Control R y X̄
Agosto 23 de 2013 73 /
Roberto José Herrera Acosta () Control Estadístico de Procesos 248
Control Estadístico de Procesos
Cartas de control por variables
Cartas de control para R y X̄
Cartas de Control R y X̄
Agosto 23 de 2013 74 /
Roberto José Herrera Acosta () Control Estadístico de Procesos 248
Control Estadístico de Procesos
Cartas de control por variables
Cartas de control para R y X̄
Agosto 23 de 2013 75 /
Roberto José Herrera Acosta () Control Estadístico de Procesos 248
Control Estadístico de Procesos
Cartas de control por variables
Cartas de control para R y X̄
E(R̄) 10, 88
σ= = = 6, 43171
d2 1, 693
Agosto 23 de 2013 76 /
Roberto José Herrera Acosta () Control Estadístico de Procesos 248
Control Estadístico de Procesos
Cartas de control por variables
Cartas de control para R y X̄
U CL = (d2 + 3d3 )σ = D2 σ
Agosto 23 de 2013 77 /
Roberto José Herrera Acosta () Control Estadístico de Procesos 248
Control Estadístico de Procesos
Cartas de control por variables
Cartas de control para R y X̄
U CL = D2 σ
CL = R0
LCL = D1 σ
Los valores D2 y D1 son constantes que dependen del tamaño de la
muestra n del subgrupo y σ = dR̄2 .
Agosto 23 de 2013 78 /
Roberto José Herrera Acosta () Control Estadístico de Procesos 248
Control Estadístico de Procesos
Cartas de control por variables
Cartas de control para R y X̄
U CL = D2 σ = (4,358)(6,43) = 28,02
CL = R0 = 10,88
LCL = D1 σ = (0,0)(6,43) = 0,0
D2 = 4,0358 y D1 = 0,0
Agosto 23 de 2013 79 /
Roberto José Herrera Acosta () Control Estadístico de Procesos 248
Control Estadístico de Procesos
Cartas de control por variables
Cartas de control para R y X̄
U CL = µ + Aσ
CL = µ
LCL = µ − Aσ
Agosto 23 de 2013 80 /
Roberto José Herrera Acosta () Control Estadístico de Procesos 248
Control Estadístico de Procesos
Cartas de control por variables
Cartas de control para R y X̄
Cl = 57,2593
LCL = 57,2593 − 1,732(6,431) = 46,12
Agosto 23 de 2013 81 /
Roberto José Herrera Acosta () Control Estadístico de Procesos 248
Control Estadístico de Procesos
Cartas de control por variables
Cartas de control para R y X̄
Agosto 23 de 2013 82 /
Roberto José Herrera Acosta () Control Estadístico de Procesos 248
Control Estadístico de Procesos
Cartas de control por variables
Longitud de corridas
Longitud de corridas
Longitud de corridas
Cuando el proceso esta monitoreando en linea, es decir se encuentra en
la FASE II, el número de puntos graficados en la carta hasta que
aparezca una señal fuera de control se conoce como longitud de corridas
y se donata pro RL
Agosto 23 de 2013 83 /
Roberto José Herrera Acosta () Control Estadístico de Procesos 248
Control Estadístico de Procesos
Cartas de control por variables
Longitud de corridas
Longitud de corridas
Longitud de corridas
Cuando el proceso esta monitoreando en linea, es decir se encuentra en
la FASE II, el número de puntos graficados en la carta hasta que
aparezca una señal fuera de control se conoce como longitud de corridas
y se donata por RL
Agosto 23 de 2013 84 /
Roberto José Herrera Acosta () Control Estadístico de Procesos 248
Control Estadístico de Procesos
Cartas de control por variables
Longitud de corridas
Longitud de corridas
Longitud de corridas
1
RL =
p
donde p es la probabilidad de que un subgrupo este fuera de control, es
decir si p = 0, 0027 el número de corridas generada antes de que un
punto se encuentre fuera de control es de 370, 037
Agosto 23 de 2013 85 /
Roberto José Herrera Acosta () Control Estadístico de Procesos 248
Control Estadístico de Procesos
Cartas de control por variables
Cartas de control x̄ y S
Cartas de Control S
Definición
La carta S, permite realizar el seguimiento a la desviación estandar del
proceso. Es una carta en donde el criterio de normalidad no se cumple.
Agosto 23 de 2013 86 /
Roberto José Herrera Acosta () Control Estadístico de Procesos 248
Control Estadístico de Procesos
Cartas de control por variables
Cartas de control x̄ y S
Cartas de Control S
U CL = E(S) + 3σs
CL = S̄
LCL = E(S) + 3σs
Agosto 23 de 2013 87 /
Roberto José Herrera Acosta () Control Estadístico de Procesos 248
Control Estadístico de Procesos
Cartas de control por variables
Cartas de control x̄ y S
Cartas de Control S
Agosto 23 de 2013 88 /
Roberto José Herrera Acosta () Control Estadístico de Procesos 248
Control Estadístico de Procesos
Cartas de control por variables
Cartas de control x̄ y S
LC = X̄
3s̄
LCL = X̄ − √
C4 n
Agosto 23 de 2013 89 /
Roberto José Herrera Acosta () Control Estadístico de Procesos 248
Control Estadístico de Procesos
Cartas de control por variables
Cartas de control x̄ y S
Agosto 23 de 2013 90 /
Roberto José Herrera Acosta () Control Estadístico de Procesos 248
Control Estadístico de Procesos
Cartas de control por variables
Cartas de control x̄ y S
Ejemplo
Agosto 23 de 2013 91 /
Roberto José Herrera Acosta () Control Estadístico de Procesos 248
Control Estadístico de Procesos
Cartas de control por variables
Cartas de control x̄ y S
Agosto 23 de 2013 92 /
Roberto José Herrera Acosta () Control Estadístico de Procesos 248
Control Estadístico de Procesos
Cartas de control por variables
Cartas de control x̄ y S
CL = S̄ = 6,167
LCL = B3 S̄ = (0,0)(6,167) = 0,0
B4 = 2,26 y B3 = 0,0
Agosto 23 de 2013 93 /
Roberto José Herrera Acosta () Control Estadístico de Procesos 248
Control Estadístico de Procesos
Cartas de control por variables
Cartas de control x̄ y S
Agosto 23 de 2013 94 /
Roberto José Herrera Acosta () Control Estadístico de Procesos 248
Control Estadístico de Procesos
Cartas de control por variables
Cartas de control x̄ y S
LC = 57,389
LCL = 57,389 − 1,628(6,167) = 47,35
Agosto 23 de 2013 95 /
Roberto José Herrera Acosta () Control Estadístico de Procesos 248
Control Estadístico de Procesos
Cartas de control por variables
Cartas de control x̄ y S
Agosto 23 de 2013 96 /
Roberto José Herrera Acosta () Control Estadístico de Procesos 248
Control Estadístico de Procesos
Cartas de control por variables
Cartas de control x̄ y S
Agosto 23 de 2013 97 /
Roberto José Herrera Acosta () Control Estadístico de Procesos 248
Control Estadístico de Procesos
Cartas de control por variables
Cartas de control x̄ y S
E(S̄) 6,167
σ= = = 6, 696
c4 0,921
µ = E(X̄) = 57,389
donde c4 = 0,921 para un tamaño de subgrupo n = 4.
Agosto 23 de 2013 98 /
Roberto José Herrera Acosta () Control Estadístico de Procesos 248
Control Estadístico de Procesos
Cartas de control por variables
Cartas de control x̄ y S
Cartas de Control S
CL = c4 σ
q q
LCL = c4 σ − 3σS = c4 σ − 3σ 1 − c4 = σ c4 − 1 − c24
2
Agosto 23 de 2013 99 /
Roberto José Herrera Acosta () Control Estadístico de Procesos 248
Control Estadístico de Procesos
Cartas de control por variables
Cartas de control x̄ y S
Cartas de Control S
U CL = B6 σ
CL = S0
LCL = B5 σ
Cartas de Control S
U CL = 2,088(6,696) = 13,98
CL = 6,696
LCL = 0,00(6,696) = 0,00
U CL = µ + Aσ
CL = µ
LCL = µ − Aσ
Ejemplo
Mezcla
Es la sospecha de que en el proceso existen dos o mas poblaciones de un
mismo factor, cuyo comportamiento es totalmente diferente uno de
otro.
Materia prima.
Operario.
Equipo.
Mezcla
Es la sospecha de que en el proceso existen dos o mas poblaciones de un
mismo factor, cuyo comportamiento es totalmente diferente uno de
otro.
Materia prima.
Operario.
Equipo.
Mezcla
Es la sospecha de que en el proceso existen dos o mas poblaciones de un
mismo factor, cuyo comportamiento es totalmente diferente uno de
otro.
Materia prima.
Operario.
Equipo.
Tendencia
Es una secuencia continua en forma ascendente o descendente del
comportamiento de los subgrupos del proceso y es debido a:
Desajuste de equipo.
Desgaste de una pieza.
Descuido del operario.
Tendencia
Es una secuencia continua en forma ascendente o descendente del
comportamiento de los subgrupos del proceso y es debido a:
Desajuste de equipo.
Desgaste de una pieza.
Descuido del operario.
Tendencia
Es una secuencia continua en forma ascendente o descendente del
comportamiento de los subgrupos del proceso y es debido a:
Desajuste de equipo.
Desgaste de una pieza.
Descuido del operario.
Cambio de nivel
Cambio repentino de las condiciones del proceso.
Materia prima.
Operarios con diferentes procedimientos.
Ajuste en el centramiento.
Cambio de nivel
Cambio repentino de las condiciones del proceso.
Materia prima.
Operarios con diferentes procedimientos.
Ajuste en el centramiento.
Cambio de nivel
Cambio repentino de las condiciones del proceso.
Materia prima.
Operarios con diferentes procedimientos.
Ajuste en el centramiento.
Cambio de nivel
Cambio repentino de las condiciones del proceso.
Materia prima.
Operarios con diferentes procedimientos.
Ajuste en el centramiento.
Ciclo
Esto se debe a rotación de factores del proceso tales como:
Equipo.
Operario.
Materia prima.
Ciclo
Esto se debe a rotación de factores del proceso tales como:
Equipo.
Operario.
Materia prima.
Ciclo
Esto se debe a rotación de factores del proceso tales como:
Equipo.
Operario.
Materia prima.
Indice de capacidad
Con frecuencia se indican valores nominales u objetivos del proceso,
representado por T . En donde es modificada las formulaciones
utilizadas para medir el indice de capacidad tradicional, agrgando un
valor objetivo o nominal del proceso.
les − lei
Cpm = p
6 σ 2 + (µ − T )2
les − M M − lei
CN pk = min{ F99,865 −F0,135 , F99,865 −F0,135
}
2 2
99,865(32) + 0,135
F99,865 = XR(1) + − R1 X(R1 +1) − X(R1 )
100
= 278, 813 + 0, 889(280, 89 − 278, 813) = 282, 736
0,135(32) + 99,865
F0,135 = XR(2) + − R2 X(R2 +1) − X(R2 )
100
= 266, 597 + 0, 04185(266, 709 − 266, 597) = 266, 601
32 + 1
M ediana(M ) = XR(3) + − R3 X(R3 +1) − X(R3 )
2
= 268, 417 + 0, 5(268, 431 − 268, 417) = 268, 424
les − lei
CN p =
F99,865 − F0,135
280 − 250
= = 1, 8593
282, 736 − 266, 6016
les − M M − lei
CN pk = min{ F99,865 −F0,135 , F99,865 −F0,135
}
2 2
280 − 268, 424 268, 424 − 250
= min{ 282,736−266,6016 , 282,736−266,6016 }
2 2
= (3,718, 1,397) =
Ejemplo
Límites históricos
Los límites históricos en el ejemplo son,
r
0,023(1 − 0,023)
U CL = 0,023 + 3 = 0,0547993
200
CL = 0,023
r
0,023(1 − 0,023)
LCL = 0,023 − 3 = 0,00
200
69 − 14
p0 = = 0,0196
3000 − 200
Límites recalculados
La formulación es de la siguiente forma,
r
p0 (1 − p0 )
U CL = p0 + 3σp = p0 + 3
n
CL = p0
r
p0 (1 − p0 )
LCL = p0 − 3σp = p0 − 3
n
Límites recalculados
Los límites recalculados en el ejemplo son,
r
0,0196(1 − 0,0196)
U CL = 0,0196 + 3 = 0,0490
200
CL = 0,0196
r
0,0196(1 − 0,0196)
LCL = 0,0196 − 3 = 0,00
200
E(p̄) = p
E(p̄) = p = 0,0196
p = 0,0196
Límites estándar
La formulación es de la siguiente forma,
r
p(1 − p)
U CL = p + 3σp = p + 3
n
CL = p
r
p(1 − p)
LCL = p − 3σp = p − 3
n
FASE II de Control
Límites estándar
Los límites estándar son los siguientes,
r
0,0196(1 − 0,0196)
U CL = 0,0196 + 3 = 0,049
200
CL = 0,0196
r
0,0196(1 − 0,0196)
LCL = 0,0196 − 3 = −0,0098 = 0,00
200
CL = np
¯
p
¯ − 3σnp
LCL = np ¯ − 3 np(1
¯ = np ¯ − p̄)
Límites históricos
Los límites estándar en el ejemplo son,
p
U CL = 4,6 + 3 4,6(1 − 0,023) = 10, 9599
CL = 4,6
p
LCL = 4,6 − 3 4,6(1 − 0,023) = −1,75 = 0,00
Límites estándar
La formulación para los límites recalculados es,
p
U CL = np0 + 3σnp = np0 + 3 np0 (1 − p0 )
CL = np0
p
LCL = np0 − 3σnp = np0 − 3 np0 (1 − p0 )
CL = 3,92857
p
LCL = 3,92 − 3 3,92(1 − 0,0196) = −1,96 = 0,00
E(np)
¯ = np
E(p0 ) = p
np = 3,92
p = 0,0196
FASE II de Control
Límites estándar
En la FASE II,FASE de control, la formulación es de la siguiente forma,
p
U CL = np + 3σnp = np + 3 np(1 − p)
CL = np
p
LCL = np − 3σnp = np − 3 np(1 − p)
np = 3,92
p = 0,0196
FASE II de Control
CL = 3,92
p
LCL = 3,92 − 3 3,92(1 − 0,0196) = −1,96 = 0,00
CL = c̄
√
LCL = c̄ − 3σc = c̄ − 3 c̄
CL = 61,5294
p
LCL = 61,5294 − 3 61,5294 = 37,9972
CL = 55,29
p
LCL = 55,29 − 3 55,29 = 32,98
E(c0 ) = λ
CL = λ
√
LCL = λ − 3 λ
λ = 55,29
CL = 55,29
p
LCL = 55,29 − 3 55,29 = 32,98
CL = 55,29
p
LCL = 55,29 − 3 55,29 = 32,98
E(c0 ) = λ
CL = λ
√
LCL = λ − 3 λ
λ = 55,29
CL = 55,29
p
LCL = 55,29 − 3 55,29 = 32,98
Estadístico Ewma
El estadístico de control para Ewma,
Ewma = (1 − λ)Ewmat−1 + λX
Ejemplo
Tomar la siguiente información y aplicar la Carta de control Ewma con
el valor del coeficiente λ = 0,2 , donde la media µ = 147,0,082 y la
desviación estándar es de σ = 5,316.
Estadísticos Ewma
El calculo de los estadísticos de control son los siguientes,
Estadísticos Ewma
El calculo de los estadísticos de control son los siguientes,
Carta Cusum
Las carta de control Cusum, Acosta (1998), permiten monitorear la
media de un proceso bajo condiciones normales de diferentes maneras.
Por lo general se toma el procedimiento Cusum en donde el seguimiento
de la característica de calidad se realiza en forma bilateral, que consiste
en tomar valores de la media µ0 y la desviación estándar σ0 de un
proceso donde n es el tamaño de la muestra o subgrupo. Se tiene que
Zt = x̄−µ
σ0 donde x̄ representa la media estimada en el subgrupo. Los
n
estadísticos Cusum para t subgrupo es,
Introducción
Durante la Segunda Guerra Mundial la técnica estadística de CARTA
DE CONTROL univariadas fue la más utilizada a pesar de que los
procesos y productos que se analizaban poseían en su gran mayoría dos
o más características de calidad. Por lo que se hizo necesario aplicar
herramientas estadísticas multivariadas para su control.
Introducción
Sin embargo las técnicas multivariadas de control son técnicas muy
complejas de utilizar, por los conceptos matemáticos que se manejan.
Dificultad que se supero con el avance de los de los programas de
control estadístico, por lo que en estos momentos el interés de las
técnicas de control multivariado a crecido vertiginosamente.
Importancia
La técnica de la gráfica de control multivariado se elabora para
determinar especialmente cuatro importantes propiedades como son:
Determinar si el proceso se encentra o no en control.
Mantener constante el error tipo I o nivel de significancia α.
Con este tipo de herramienta se puede determinar el tipo de
relación existente entre las variables involucradas en le proceso.
Si el proceso esta "fuera de control"¿cuál es la variable que causo
dicho inconveniente?
Importancia
La técnica de la gráfica de control multivariado se elabora para
determinar especialmente cuatro importantes propiedades como son:
Determinar si el proceso se encentra o no en control.
Mantener constante el error tipo I o nivel de significancia α.
Con este tipo de herramienta se puede determinar el tipo de
relación existente entre las variables involucradas en le proceso.
Si el proceso esta "fuera de control"¿cuál es la variable que causo
dicho inconveniente?
Importancia
La técnica de la gráfica de control multivariado se elabora para
determinar especialmente cuatro importantes propiedades como son:
Determinar si el proceso se encentra o no en control.
Mantener constante el error tipo I o nivel de significancia α.
Con este tipo de herramienta se puede determinar el tipo de
relación existente entre las variables involucradas en le proceso.
Si el proceso esta "fuera de control"¿cuál es la variable que causo
dicho inconveniente?
Importancia
La técnica de la gráfica de control multivariado se elabora para
determinar especialmente cuatro importantes propiedades como son:
Determinar si el proceso se encentra o no en control.
Mantener constante el error tipo I o nivel de significancia α.
Con este tipo de herramienta se puede determinar el tipo de
relación existente entre las variables involucradas en le proceso.
Si el proceso esta "fuera de control"¿cuál es la variable que causo
dicho inconveniente?
Importancia
La técnica de la gráfica de control multivariado se elabora para
determinar especialmente cuatro importantes propiedades como son:
Determinar si el proceso se encentra o no en control.
Mantener constante el error tipo I o nivel de significancia α.
Con este tipo de herramienta se puede determinar el tipo de
relación existente entre las variables involucradas en le proceso.
Si el proceso esta "fuera de control"¿cuál es la variable que causo
dicho inconveniente?
Importancia
Se tomara como supuesto estadístico de que el proceso esta bajo control
y cada una de las variables se encuentran normalmente distribuidas y
en forma independiente, en donde el error tipo I o nivel de significancia
α , es el establecido en forma diferente al carta de control univariado.
Por ejemplo si se tomo el nivel de significancia de 0.05 para una gráfica
de control univariado, en el caso multivariado se establecería de la
siguiente manera: tomando como ejemplo dos variables
1 − 0,952 = 0,0975 = 0,1.Para la elaboración de las carta de control
multivariadas la técnica más aplicada es la propuesta por Hotelling
conocida como la . Esta es una generalización de la estadística T 2 de
Students y toma la forma de:
Estadístico de control
El esquema del estadístico de control es,
T 2 = (x̄j − M )T V −1 (x¯j − M )
Estadístico de control
Donde xj es la columna de vectores que representan las variables y, v es
la matriz de covarianzas. La distribución T 2 fue propuesta por
Hotelling en 1931 y es una función del número de variables p , el
tamaño de los subgrupos n , M son los valores de las medias de
referencia para cada variable M = m1 , m2 , ...mp y la cantidad de
subgrupos g , usadas en la estimación de la covarianza.
Estadístico de control
La distribución está relacionada con la conocida distribución mediante
las siguientes formulaciones: Para tamaños de subgrupos
2 p(g + 1)(n + 1)
Tp,n,α = F
(gn − g − p + 1) α,(g,gp−g−p+1)
Estadístico de control
formula aplicada por T.P. Ryan, 1988
2 p(g + 1)(g − 1)
Tp,g,α = Fα,(g,g−p)
g(g − p)
Estadístico de control
2
Lo cual implica que este valor Tp,g,α , se toma como el límite de control
superior para la media en la CARTA DE CONTROL de control
multivariado.
Ejemplo
Un ejemplo en donde se establece dos variables, en este caso un
fertilizante compuesto, y un tamaño de muestra n = 1 . Para ello se
utilizo la formula de T.P. Ryan para evaluar el limite superior de
control. A continuación presentamos la información obtenida de 10
subgrupos: