Documentos de Académico
Documentos de Profesional
Documentos de Cultura
1. APUNTES DE CLASE
-----------------------------------------------------------------------------------------------------------------------------------------
Control Estadístico de Procesos
3. FUNDAMENTOS ESTADÍSTICOS..........................................................................7
6. CAPACIDAD DE PROCESO.................................................................................13
1. INTRODUCCIÓN AL
CONTROL ESTADÍSTICO
DE PROCESOS
El “Control Estadístico de Procesos” nació a
finales de los años 20 en los Bell
Laboratories. Su creador fue W. A. Shewhart,
quien en su libro “Economic Control of Quality
of Manufactured Products” (1931) marcó la
pauta que seguirían otros discípulos
distinguidos (Joseph Juran, W.E. Deming,
etc.). Sobre este libro han pasado más de 70
años y sigue sorprendiendo por su frescura y
actualidad. Resulta admirable el ingenio con el
que plantea la resolución de problemas
numéricos pese a las evidentes limitaciones de
los medios de cálculo disponibles en su época.
¿QUÉ ES UN PROCESO?
INPUT OUTPUT
Figura 1
3. FUNDAMENTOS
ESTADÍSTICOS.
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
2
X = x1 + x 2 +L + xn donde las xi son v.a de media µ i y varianzaσ i
n n
X → N
∑∑µ i, σi
2
Entonces :
i =1 i =1
σ
x m ∝ N µ ,
n
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.
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:
Ts −Ti
Cp =
6σ
Ts −µµ−Ti
Cpk = min ,
3σ 3σ
T−T
C p= Cpk = min
si
−µ µ− Ti
,
6σˆCP 3σˆCP 3σˆCP
T−T
P= Ppk =
s ip
Ts −µ µ− Ti
min ,
6σˆ LP
3σˆ LP 3σˆ LP
simplemente Gráfico X .
n
∑ (x
i −1
i −x)
2
s= n
( ) n−1
2 2
Es=σ
n
2
s* =
n
∑ (x i −x)
2
i −1
n −1
*2 2 4
n −1
2 2
Puede comprobarse que el error cuadrático medio de s es inferior al de s* . En
Control Estadístico de Procesos es habitual operar con desviaciones típicas en
lugar de con varianzas, por lo que es necesario conocer E(s), E(s*), σ s , σ *s .
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]
2 1 2
σ =σ 1 − c2 − σ s ' =σ 1 − c4
n
( ) 2(n− 1)
2 2 4 ( )
Var s = σ Var s = σ
n
i) Caso µ, σ conocidos.
3
LCS = µ+ n σ= µ+ Aσ
LC = µ
3
LCI = µ− n σ= µ− Aσ
Si alguno de los dos fuera conocido sería un híbrido de los dos casos i) y ii). Puesto
que en este caso no se tiene ningún conocimiento previo, es preciso estimar µ a
partir de la media
de las medias ( x) y σ a partir del recorrido medio (R) de k (por ejemplo k= 25)
muestras iniciales.
R 1
LCS = X + 3 = X + A2 R
d2 n
LC = X
R 1
LCI = X − 3 = X − A2 R
d2 n
d3
LSC =
1 + 3
R = D4 R
d2
LC = R
d3
LCI =
1 − 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.
LCS = µ + σ = µ + Aσ
n
LC = µ
LCI = µ − σ = µ − Aσ
n
1
2
σ = B2σ
LSC = c2 + 3 1− c 2
n
−
2 1
LC = 2 σ = B1σ
n
c2σ
LIC = c2 − 3 1− c
−
LSC = c4 + 3 1− c42 σ= B6σ
LC = c4σ
LIC = c4 − 3 1− c42 σ= B5σ
3 1
LCS = X + S = X + A1 S
c2 n
Pág. 36 Control Estadístico de Procesos (Apuntes)
LC = X
3 1
LCI = X − S = X − A1 S
Control Estadístico de Procesos
ii) Caso µ, σ desconocidos.
(Si alguno de los dos fuera conocido sería un híbrido de los dos casos i) y ii)). Se
Si se utiliza s *:
LCS = X +
LC = X
LCI = X −
LSC = c2 + 3 1− c
LC = S
LSI = c2 − 3 1− c
Si se utiliza s*:
GRÁFICOS DE
MEDIAS
LCS = DATOS LCS LC LCI
1+ CONOCIDOS
µyσ µ+Aσ µ µ-Aσ
LC = S* σ X +Aσ X X -Aσ
µ µ-A1S
µ+A1S
LCI = 1−
µ µ
µ+A2R µ-A2R
µ+A3S* µ µ-A3S*
X
NINGUNO X +A1S X -A1S
X
X -A2R
X +A2R
X
X +A3S * DE DISPERSIÓN
GRÁFICOS X -A3S*
Tabla 1
TABLA DE COEFICIENTES
n A A1 A2 A3 c2 c4 B1 B2 B3 B4 B5 B6 d d3 D1 D2 D3 D4
2
2 2.121 3.760 1.880 2.659 0.5642 0.7979 0 0 3.267 0 2.606 1.1 28 0.853 0 3.686 0 3.267
3 1.732 2.394 1.023 1.954 0.7236 0.8862 0 0 2.568 0 2.276 1.6 93 0.888 0 4.358 0 2.575
4 1.500 1.880 0.729 1.628 0.7979 0.9213 0 0 2.266 0 2.088 2.0 59 0.880 0 4.698 0 2.282
5 1.342 1.596 0.577 1.427 0.8407 0.9400 0 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 0.105 0.030 1.970 0.029 1.874 2.5 34 0.848 0 5.078 0 2.004
7 1.134 1.277 0.419 1.182 0.8882 0.9594 0.167 0.219 0.118 1.882 0.113 1.806 2.7 04 0.833 0.205 5.203 0.076 1.925
8 1.061 1.175 0.373 1.099 0.9027 0.9650 0.262 0.185 1.815 0.179 . 1.751 2.8 47 0.820 0.387 5.307 0.136 1.864
9 1.000 1.094 0.337 1.032 0.9139 0.9693 0.239 1.761 232 1.707 2.9 70 0.808 0.546 5.394 0.184 1.816
10 0.949 1.028 0.308 0.975 0.9227 0.9727 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 0.321 1.679 0.313 1.637 3.1 73 0.787 0.812 5.534 0.256 1.744
12 0.866 0.925 0.266 0.886 0.9359 0.9776 0.354 1.646 0.346 1.610 3.2 58 0.778 0.924 5.592 0.284 1.716
13 0.832 0.884 0.249 0.850 0.9410 0.9794 0.382 1.618 0.374 1.585 3.3 36 0.770 1.026 5.646 0.308 1.692
14 0.802 0.848 0.235 0.817 0.9453 0.9810 0.406 1.594 0.399 1.563 3.4 07 0.762 1.121 5.693 0.329 1.671
15 0.775 0.816 0.223 0.789 0.9490 0.9823 0.428 1.572 0.421 1.544 3.472 0.755 1.207 5.737 0.348 1.652
0.299 0.332
0.359 0.384
0.406
16 0.750 0.788 0.212 0.763 0.9523 0.9835 0.427 0.445 0.448 1.552 0.440 1.526 3.5 32 0.749 1.285 5.779 0.364 1.636
17 0.728 0.762 0.203 0.739 0.9551 0.9845 0.461 0.477 0.466 1.534 0.458 1.511 3.5 88 0.743 1.359 5.817 0.379 1.621
18 0.707 0.738 0.194 0.718 0.9576 0.9854 0.491 0.482 1.518 0.475 1.496 3.6 40 0.738 1.426 5.854 0.392 1.608
19 0.688 0.717 0.187 0.698 0.9599 0.9862 0.497 1.503 0.490 1.483 3.6 89 0.733 1.490 5.888 0.404 1.596
20 0.671 0.697 0.180 0.680 0.9619 0.9869 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 0.516 0.523 1.477 0.516 1.459 3.7 78 0.724 1.606 5.950 0.425 1.575
22 0.640 0.662 0.167 0.647 0.9655 0.9882 0.527 0.538 0.534 1.466 0.528 1.448 3.8 19 0.720 1.659 5.979 0.434 1.566
23 0.626 0.647 0.162 0.633 0.9670 0.9887 0.548 0.545 1.455 0.539 1.438 3.8 58 0.716 1.710 6.006 0.443 1.557
24 0.612 0.632 0.157 0.619 0.9684 0.9892 0.555 1.445 0.549 1.429 3.8 95 0.712 1.759 6.031 0.452 1.548
0.600 0.619 0.153 0.606 0.9696 0.9896 0.565 1.435 0.559 1.420 3.9 0.709 1.804 6.058 0.459 1.541
σ
Pág. 40n Control Estadístico de Procesos (Apuntes)
3 2
c2 n
d2 n
3
c n
Control Estadístico de Procesos
25 31
>25 3/√n 3/√n .... .... .... .... 1-3/√2n 1-3/√2n 1+3/√2n .... .... .... .... .... .... .... ....
Tabla 3
3 s d − 3d
n R B=cB D=d 2 =1 2
A= c2 = 3 1 2 3
n −1
σ B2 = c2B4 D2 = d + 3d
A1 = c4 = c 2 3
d =σw
3 3
( 42 ) 3 3d
B3 = 1− 1− c D =1 − 3 d2
A2 = c4 3d
+ 3 d2
A3 =
4
4 3 ( 42 ) 4
B = 1+ 1− c D =1
c4
B5 = c4 − 3 (1− c42 )
B6 = c4 + 3 (1− c42 )
Tabla 4
SOLUCIÓN:
LC= 0,008
LC= 0,002
LCI= 0,000x0,008 = 0,000
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 −µ0 λ= d = σ1
σ0 σ0
ns2 2
= χn−1
σ2 2 0
P(λ) = P
= P
A (2,5%)
B (13,5%)
C (34%)
C (34%)
B (13,5%)
A (2,5%)
Tabla 6
¿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.
Muestra Muestra Muestra Muestra Muestra Muestra Muestra Muestra Muestra Mue
1 2 3 4 5 6 7 8 9 1
Pieza 1 5.35 4.55 5.05 7.41 9.23 8.92 9.08 7.18 5.35
Pieza 2 3.96 5.85 5.41 8.02 6.99 11.53 6.95 6.75 5.98
Pieza 3 4.70 4.13 6.18 7.19 9.17 9.37 7.13 6.66 5.03
Pieza 4 4.40 3.59 6.54 7.11 8.58 9.37 9.81 5.24 7.32
Pieza 5 3.07 3.66 4.68 5.51 8.11 7.68 5.78 7.32 6.59
MEDIA 4.30 4.36 5.57 7.05 8.42 9.38 7.75 6.63 6.05
RANGO 2.27 2.26 1.87 2.51 2.23 3.85 4.03 2.08 2.29
Sm 0.85 0.92 0.78 0.93 0.92 1.39 1.65 0.83 0.93
Tabla 7
x = 6.43
R == 2.6
0
sM ==1.03
n 50
∑ (x i −x)
2
∑ (x i − 6.43)
2
i =1 i =1
σˆ LP = = =1.92
n −1 50 −1
Como conclusión:
(n −1)s
2
2
σ ∝ 2
χ n −1
que llevaría a los siguientes límites del intervalo de confianza para la varianza.
(n −1)s2 ≤σ 2 ≤
(n −1)s2
2 2
χ n−1 (1−α /2) χ n−1 (α / 2)
y para el índice c :
p
χ n−1 (1 −α / 2) p χ n−1 (α / 2)
2 2
≤c ≤
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).
( ) (λ ≠ 0)( ∀x x > −m )
x + m )λ −1
=
(λ )
x λ
ln (x + m ) (λ = 0) (m > 0)
Es continua en λ, puesto que:
n
1
L(λ ) = − ln (σ (λ ) )+ (λ −1)∑ ln ()xi
)2
i =1
Donde:
n
1
)2
σ (λ ) = ∑ (x λ( )
−x )
(λ ) 2
n i=1
E JE M PL O - 5: N O R M A L I Z A C I Ó N D E D A T O S D E U N
PR O C E S O N O N O R M A L
En la Figura 25 se ha representado el histograma de un proceso de protección
superficial. A la vista del citado histograma, se concluye la no normalidad de los
datos. Se desea realizar una transformación que los normalice.
A PL I C A C I Ó N M I N I T A B
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
MR)
APLICACIÓN MINITAB
Menú Stat->Control Charts->I –MR-R/S. La
respuesta proporcionada por MINITAB es la
indicada en la Figura 30.
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.
(x1 −µ0 )
(x1 −µ0 )+ (x2 −µ0 )
(x1 −µ0 )+ (x2 −µ0 )+ (x
3 −µ0 )
M
• Fijar un valor h, de modo que cuando las sumas acumuladas superen ese
valor se concluya que la media ha superado el valor µ0±d prefijado.
Obviamente la selección de este parámetro está relacionada con los riesgos
que se desee correr. Lo más frecuente es seleccionar h entre 4.5σ y 5σ.
Adicionalmente se puede construir una plantilla en V, como la de la Figura 32, de
modo que el punto P se coloca sobre el último punto de la serie, si con la plantilla
horizontal no quedan todos los puntos dentro de la “V” debe concluirse que la media
ha cambiado.
Gráfico CUSUM
SUMAS ACUMULADAS
P d
h
h
d=
k
Figura 32 Máscara “V” del gráfico CUSUM
E JE M PL O - 9: A PL I C A C I Ó N D E L G R Á FI C O C U S U M
Estos datos corresponden con la tabla 7.3 del libro “ Statistical Quality Control
and Improvement ” de Nicholas R. Farnum. Son 75 datos de concentración de
níquel tomados a lo largo de 25 días y distribuidos en 3 turnos diarios.
A PL I C A C I Ó N M I N I T A B
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.
a) Gráfico np
LCS = np + 3 np (1 − p )
LCI = np − 3 np (1 − p )
b) Gráfico p
p (1 − p )
n
p (1 − p )
n
control son:
LCS = p + 3
LC = p
Tabla 9
SOLUCIÓN:
Disponiendo los cálculos en forma tabular para un gráfico tipo “p”.
GRÁFICO P
0.10
3.0SL=0.09368
Si µ> 5 entonces P(µ) → N µ, ( µ). Dentro de este grupo existen dos gráficos
fundamentales:
a) Gráfico c
LCS = c + 3 c
LC = c
LCI = c − 3 c
a) Gráfico u
LCS = u + 3
LC = u
LCI = u − 3
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 -3.0 SL =0.00E+00
0 10 20 30
Sample Number
ACTIVIDAD 1:
Realice los ejercicios incluidos en el documentos Ejercicios de
Control Estadístico de Procesos
RESUMEN