Documentos de Académico
Documentos de Profesional
Documentos de Cultura
PROCESOS:
GRÁFICOS DE CONTROL
MMI
CONTROL ESTADÍSTICO DE PROCESOS.
GRÁFICOS DE CONTROL
CONTENIDOS
2
5.1.1. Tamaños de muestra requeridos para los gráficos de control por
defectuosas..................................................................................................... 42
5.1.2. Gráfico np : Cantidad de defectuosas.................................................. 43
5.1.2.1 Tamaño muestral fijo........................................................................ 43
5.1.2.2 Tamaño muestral Variable ............................................................... 44
5.1.3. Gráfico p : Proporción o fracción defectuosa...................................... 45
5.1.3.1 Tamaño muestral fijo........................................................................ 46
5.1.3.2 Tamaño muestral Variable ............................................................... 46
5.2. Control por defectos. ................................................................................. 49
5.2.1. Tamaños de muestra requeridos para los gráficos de control por
defectos. ......................................................................................................... 49
5.2.2. Gráfico c :Número de defectos por muestra........................................ 50
5.2.3. Gráfico u : Número de defectos por unidad. ....................................... 51
5.2.3.1 Tamaño muestral constante. ............................................................. 51
5.2.3.1 Tamaño muestral variable. ............................................................... 52
5.3. Señales de falta de control......................................................................... 53
Anexo al Capítulo 5.......................................................................................... 57
Diseño de Gráficos de Control y cálculo de los tamaños de muestra
requeridos para gráficos de control por atributos.......................................... 57
6. Estudios de Capacidad. ................................................................................... 61
6.1. Generalidades. ........................................................................................... 61
6.2. Indices de Capacidad de procesos, bajo supuesto de Normalidad
Estadística......................................................................................................... 63
6.2.1. Capacidad potencial............................................................................. 63
6.2.1.1 Intervalos de confianza para Cp ....................................................... 64
6.2.1.2. Prueba de Hipótesis para C p......................................................... 65
6.2.2. Capacidad real. .................................................................................... 65
6.2.2.1. Un estimador de Cpk ......................................................................... 68
6.2.2.2. Intervalo de Confianza para Cpk ....................................................... 68
6.2.3. Indice K. ............................................................................................. 68
6.2.4. Capacidad modificada. ........................................................................ 69
6.2.4.1. Valor nominal situado en el centro de las tolerancias o
especificaciones. ............................................................................................ 69
6.2.4.2. Valor nominal situado entre las tolerancias o especificaciones. ...... 70
6.3. Indices de Capacidad de procesos, bajo supuesto de no cumplimiento de
Normalidad Estadística..................................................................................... 71
6.3.1. Indice Cθ ............................................................................................. 71
6.3.2. Indice CS ............................................................................................. 72
6.3.3. Indice Cpc ............................................................................................. 72
6.4 Indices de Capacidad para datos correlacionados..................................... 73
7. Otros Gráficos de Control. .............................................................................. 74
7.1. Gráfico de medidas individuales y rangos móviles................................... 75
3
7.2. Gráfico de medias móviles y rangos móviles............................................ 77
7.3. Gráficos de Sumas Acumuladas (CUSUM)............................................. 79
7.3.1. Gráfico CUSUM clásico o de máscara................................................ 79
7.3.1.1. Tamaño de muestra y frecuencia de muestreo. ................................ 83
7.3.2. Gráficos CUSUM unilaterales............................................................. 83
7.3.2.1. Gráfico CUSUM superior. ............................................................... 83
7.3.2.2. Gráfico CUSUM inferior.................................................................. 85
7.4. Gráficos EWMA........................................................................................ 86
7.5.- Observaciones autocorrelacionadas. ........................................................ 89
8. Gráficos de control para series de fabricación cortas. .................................... 91
8.1. Las series de fabricación cortas................................................................. 91
8.2. El control del proceso en series cortas. ..................................................... 91
8.3. Gráfico de la desviación del nominal (DNOM). ....................................... 92
8.4. Gráfico de la media estandarizada y de R. ................................................ 94
8.5. Gráficos por atributos para series cortas. .................................................. 96
8.5.1. Gráficos de control por defectuosas en series cortas........................... 96
8.5.2. Gráficos de control por defectos en series cortas................................ 97
9. Precontrol. ....................................................................................................... 98
9.1. Naturaleza y objetivos del precontrol........................................................ 98
9.2. Técnica de uso del precontrol.................................................................... 98
10. Prácticas de Control de Calidad I................................................................ 102
Práctica 1: Gráficos de Control por Variables. ................................................. 102
10.1. Introducción........................................................................................... 102
10.2. Ejercicio 1. Gráficos de media - rango.................................................. 102
10.3. Ejercicio 2. Estudios de capacidad........................................................ 103
10.4. Comentarios al Ejercicio 1. ................................................................... 104
10.5. Comentarios al Ejercicio 2. ................................................................... 105
11. Práctica 2: Gráficos de Control por Atributos. ........................................... 106
11.1. Introducción........................................................................................... 106
11.2. Ejercicio 1. Gráfico de control por defectuosas. ................................... 106
11.3. Ejercicio 2. Gráfico de control por defectos. ........................................ 108
11.4. Comentarios al Ejercicio 1. ................................................................... 109
11.5. Comentarios al Ejercicio 2. ................................................................... 110
4
1. Calidad y características de calidad.
1.1. Definición de calidad.
Esta opción cobra cada vez más impulso en detrimento de lo que podrían
ser definiciones de calidad más técnicas, quedando estas en un nivel de
instrumento o herramienta para conseguir la satisfacción del cliente. Ya nadie
se plantea que un producto de calidad “es aquel que cumple las especificaciones
de ingeniería per se”: hay que remontarse a la fase de diseño y criticar el propio
establecimiento de esas especificaciones. Además, y siguiendo el enfoque de
Taguchi con su función de pérdida, no todo el producto que cumple
especificaciones es igual de “bueno”, tiene la misma calidad, con lo cual las
especificaciones recobran su papel como garantes de la funcionalidad del
producto, pero no necesariamente de su calidad.
5
Tal medida conlleva de modo inevitable el recurso a características
cuantitativas, que permitan el uso de herramientas estadísticas potentes y
adecuadas a cada situación. Así pues, deberemos identificar unas características
sobre las que nosotros podamos medir de modo objetivo esa calidad.
6
La identificación de esas características “más importantes” puede verse
ayudada por el uso de algunas de las llamadas Siete Herramientas. Podemos
citar así el diagrama de Pareto, que ayuda a centrar esfuerzos en aquellos
problemas más importantes o más frecuentes. También el diagrama de
causa/efecto, al ayudarnos identificar las causas de los problemas de calidad, nos
ayuda en la selección de aquellas características que detecten la aparición de
esas causas. Por otra parte, el conocimiento técnico del proceso y del producto
es imprescindible, y sin él las otras herramientas pueden carecer de sentido. En
esta última línea, el diagrama de flujo del proceso, al ayudarnos a fijar ideas
sobre la secuencia de operaciones y sobre el recorrido que realiza el material, es
una ayuda a tener en cuenta.
7
La diferente naturaleza estadística de variables y de atributos nos obligará,
como más adelante veremos, a emplear técnicas distintas para cada caso, aún
con la misma base y la misma filosofía.
8
2. Control estadístico de la calidad. Control de procesos.
9
CLIENTES
CONTROL DE PROCESO
CONTROL DE PRODUCTO
ACABADO
CONTROL EN RECEPCIÓN
PROVEEDORES
10
mismas, si no que actúan como alarmas de situaciones anómalas, que serán
corregidas por las acciones que los responsables de la empresa tomen con la
información obtenida.
11
3. Gráficos de Control. Naturaleza y objetivos.
GRÁFICO DE CONTROL
60
50
LIM. SUP.
40
30 L.C.
20
10 LIM. INF.
0
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16
MUESTRA/FECHA
Figura 1.
12
• Límite inferior de control (LIM. INF.), que indica el valor
mínimo por debajo del cual, salvo que se produzcan cambios, no
va a moverse normalmente la característica estudiada.
• Línea quebrada, indicando la evolución temporal de la
característica controlada. Es la que justifica que al estudiar los
gráficos de control se los compare con el electrocardiograma del
proceso. Cada punto o vértice de la línea representa el valor que
la característica controlada presentó en una de las muestras.
En una variable aleatoria normal, esa probabilidad del 0.27% (2.7 por
mil) es la que queda fuera del intervalo comprendido entre la media menos tres
desviaciones típicas y la media más tres desviaciones típicas (m ± 3σ). Por este
motivo este criterio es universalmente conocido como criterio 3σ.
13
3.2. Objetivos de los gráficos de control.
1.- Hacernos una idea de si las especificaciones pueden ser cumplidas o no, de
si nuestra característica toma valores en torno a los que deseamos como
objetivo o esta desplazada arriba o abajo, etc. Luego en cierto sentido si que
controlan esos aspectos del comportamiento. Pero lo hace sólo de un modo
orientativo, como lo podría hacer un gráfico temporal cualquiera (sin límites de
control y sin línea central) que recogiera la evolución de una característica. Del
mismo, modo según al caso concreto y según la posición relativa de la línea
central del gráfico respecto al valor objetivo o nominal de la característica,
sabremos si el proceso mejora o no; además de que en algunos gráficos exista
un sentido evidente de evolución que indica mejora o empeoramiento (por
ejemplo en el gráfico de proporción de defectuosas).
14
característica y en torno al que seguirá oscilando, si el proceso es estable. Los
límites de control marcan el campo de variación de la característica controlada
observado hasta el presente, considerado normal, que no debe ser superado,
mientras el proceso se mantenga estable. La línea quebrada indica la evolución
de la característica a lo largo del tiempo, y es la que permite la detección de
cambios en su comportamiento, es decir en su estabilidad.
Cuando un proceso opera sin que hayan causas asignables, sus valores
promedio y varianza se encuentran dentro de los limites de control establecidos.
Se dice entonces que el proceso se encuentra en estado de control estadístico
15
4. La sensibilidad deseada para el gráfico (capacidad de detección de
cambios en el proceso
16
• POSICIÓN: es decir, el orden de magnitud, el valor que toma la
variable estudiada.
17
3.4.2. Gráficos de Control por Atributos.
control por defectos, si en una misma pieza o producto puede haber más de un
defecto, realizándose el recuento del número de tales defectos presentes en una
muestra. Conlleva la utilización del modelo estadístico denominado de Poisson,
descrito en detalle en el capítulo de Modelos de Probabilidad Discretos de
Textos de Estadística.
18
• Gráfico c: Control mediante el número de defectos por muestra.
Requiere muestras de tamaño constante.
• Gráfico u: Control mediante el número de defectos por unidad. Permite
trabajar con muestras de tamaño variable.
3.4.3. Resumen.
GRÁFICO DE
CONTROL DE
MEDIAS
LA POSICIÓN
GRÁFICO DE
CONTROL
MEDIANAS
POR
A A S
GRÁFICO DE
CARACTERÍSTICA RANGO
MEDIBLE CONTROL DE
LA DISPERSIÓN
CONTROL DE
GRÁFICO DE
PROCESOS DES. TÍPICA
CARACTERÍSTICA
DE RECUENTO
CONTROL POR
GRÁFICO np
DEFECTUOSAS
CONTROL
GRÁFICO p
POR
A OS
GRÁFICO c
CONTROL POR
DEFECTOS
GRÁFICO u
19
20
4. Gráficos de control clásicos (I): Control por variables.
4.1. Construcción.
21
que no suponga una sobre carga de trabajo para la persona encargada de llevarlo.
Una posibilidad es elaborar el histograma cuando se ha completado la hoja, por
persona distinta y sin la presión de la producción (por ejemplo en la oficina de
línea o del departamento), pero entonces ya no es necesario que figure en la
misma hoja que el gráfico de control.
EMPRESA S.A. x − R Õ x − S2 Õ
x−S Õ ~ x−R Õ
PIEZA: CARACTERÍSTICA: OPERACIÓN: Especificación:
ID.
x1
x2
x3
x4
x5
suma
med.
R/s/s2
Otro tema que no por sencillo debe ignorarse es el del trazado de las líneas
básicas del gráfico (línea central y límites de control) en el documento, es decir,
fundamentalmente la selección de la escala en la que se realiza el dibujo. A nivel
22
de recomendación, pues en buena parte es simplemente una cuestión de
presentación, podríamos decir que la anchura de los límites de control debe estar
entre 1/2 y los 2/3 del espacio disponible:
23
• probabilidad del error de segunda especie β.
• valor m1 de una descorrección respecto a esa media correcta que deseamos
detectar con probabilidad 1-β.
• la desviación típica σ.
m − m0
d=
σ
Con todo ello, se puede demostrar que el tamaño de muestra requerido es:
⎛ zα / 2 − z1− β ⎞
2
n=⎜ ⎟
⎝ d1 ⎠
En el caso más frecuente, α valdrá el 0.27%, con lo cual zα/2 será 3, diciéndose
en tal caso que se trabaja con criterio 3σ.
Los valores de Zα/2 y Z1 - β se obtienen de una tabla de Distribución Normal,
una vez que los riesgos α y β han sido definidos.
24
• el tamaño de muestra debe ser lo más bajo posible por razones de coste y de
homogeneidad (subgrupo racional) de la muestra.
• si la población de la que proceden los datos no es muy anormal, las media
muestrales obtenidas con muestras de tamaño igual o superior a 4 o 5 se
pueden considerar ya aceptablemente normales (en virtud del teorema central
del límite).
• el tamaño muestral 5 simplifica la operativa del cálculo de la media.
Por ello, en estos casos bastaría con emplear un tamaño de muestra uno: la
posición quedaría adecuadamente controlada con ese valor, y la dispersión
25
instantánea no existe por la propia naturaleza del proceso, por lo que no requiere
ser calculada. Caso de tomarse varias medidas, ello se justificaría por mejorar la
precisión de la estimación, pero no para valorar la variabilidad inexistente en el
proceso. Esta variabilidad, entendida ahora como evolución en el tiempo,
aparece aquí como la diferencia entre muestras consecutivas, pero no como
diferencias dentro de una misma muestra.
Por todo ello el tipo de gráfico de control a emplear sería de los llamados
de medidas individuales y rangos móviles, y no de los gráficos de Shewhart
estándar que a continuación estudiaremos (ver Capítulo 7).
26
caro, difícil o lento sea el control, más deberemos espaciar las tomas, y al
revés (siempre a igualdad del resto de factores a considerar, por supuesto).
• coste que nos suponga que el proceso se salga de control, teniendo en cuenta
posibles problemas que se generen en operaciones posteriores con ese mismo
producto o pieza así como el coste de las acciones que se tomen a partir de
una señal de falta de control (retención de materiales, inspección al 100%,
etc.).
• probabilidad y coste de llegar a producir unidades fuera de especificaciones,
la primera de las cuales dependerá de la capacidad del proceso, debiendo
considerar en el segundo la posible generación de chatarras, la necesidad de
retrabajos para recuperar unidades no conformes, posibles costes de garantís
por unidades defectuosas que llegan al cliente, etc..
n
∑ xi
x = i =1 R = x max − x min
n
Serán esta media y este rango, y no los datos individuales, los que
emplearemos en el control de la posición y de la dispersión respectivamente.
27
poder). Con las medias de las muestras anteriores calcularemos la línea central,
obteniendo un valor que se suele llamar “media de las medias” o “gran media”:
k
∑ xi
x = i =1
k
donde k es el número de muestras que constituyen la información histórica y x i
es la media de la muestra i-esima de entre esas k muestras. La media de las
medias es, pues, un indicador del nivel en torno al que se está moviendo la
característica controlada.
Gráfico de la Media:
donde A2, D3 y D4 son constantes leídas en tablas , adjuntas al final del Texto ,
en función del tamaño de muestra.
28
inferior de control, es nula, siéndolo también en consecuencia el propio límite de
control.
Gráfico de la Media:
k
∑x i
Línea central: x= i =1
k
Limite Superior de Control : LCS x = x + A1 s
Límite Inferior de Control: LCI x = x − A1 s
29
Gráfico de la Desviación Típica:
Valor a controlar
n
∑ ( x ij − x )2
j=1
Si = ∀i, i=1...k
n −1
k
∑ si
i =1
Línea central: s=
k
30
4.2.4. Gráfico Mediana - Rango.
Gráfico de la Mediana:
~
~
Línea Central: x = mediana de todos los datos
~ ~ ~
Límite Superior de Control: LCS ~x = ~
x + A2R
~ ~ ~
Límite Inferior de Control: LCS ~ = ~
x x−A R 2
31
~ ~ ~
A 2 , D 3 y D 4 son constantes leídas en tablas, en función del tamaño de
muestra
32
Distribución normal
68 %
Vemos que entre la media menos una desviación típica y la media más una
desviación típica se sitúa el 68% (algo más de los dos tercios) de la población;
en la franja comprendida entre la media menos dos y más dos desviaciones
típicas está el 95% de los valores; quedando ya la casi totalidad de la población
dentro de la banda definida entre menos tres y más tres desviaciones típicas. A la
zona situada en torno a la media entre -1σ y +1σ se le llama zona C; las zonas
intermedias entre 1σ y 2σ y entre -1σ y -2σ se denomina zona B; y la zona
exterior situada a ambos lados de la media entre 2 σ y 3 σ (-3 σ y -2σ)
desviaciones típicas se llama zona A (o zona de atención).
33
situados de modo que la probabilidad de que sin motivo, por azar, un punto se
salga fuera es muy pequeña (del 2.7 por mil es el criterio más habitual). Por
tanto, la presencia de un punto fuera de los límites indica casi con seguridad la
presencia de alguna causa especial de variación, que deberemos investigar y
eliminar.
Aunque no lleguen a implicar la salida de puntos fuera de los límites, hay una
serie de comportamientos anormales del gráfico que son también empleados
como indicio de la presencia de causas especiales. Que esa circunstancia se de
por azar es muy poco probable, y por un razonamiento similar al que hacíamos
con los puntos fuera de límites, su aparición es signo de la existencia de alguna
causa especial de variación.
En una situación estable la probabilidad que tiene un punto de caer a uno u otro
lado de la línea central, supongamos que por encima, es ½. Según eso la
probabilidad de que dos puntos consecutivos cayeran a ese mismo lado sería
(½)2; la de que lo hicieran 3 sería (½)3, ... , y la de que 8 consecutivos cayeran al
mismo lado sería (½)8, que es un valor inferior al 1 por mil. Así pues, si tal
circunstancia se diera, es casi imposible que sea por azar, y más bien habrá que
pensar que se ha presentado alguna causa especial. Como causas de este
comportamiento podemos citar: un cambio en las características del producto
(por ejemplo por cambio de proveedor, de partida, ...), la realización de un ajuste
o reparación en el equipo; etc.
Hay una gran número de otras señales de falta de control, que no es este el lugar
más adecuado para analizar. Citaremos para terminar sólo una se ellas: dos de
tres puntos sucesivos en el tercio exterior del gráfico (zona A). Si es a un mismo
34
lado de la línea central deduciremos que se ha producido un cambio de nivel. Si
los puntos están en lados contrarios de la línea central, cabe concluir que ha
aumentado la dispersión.
S E Ñ A L E S A D IC IO N A L E S D E F A L T A D E C O N T R O L
LCS
b3 b3
b1 b2 b4
LCI
1 2 3 4 5 6 7 8 9 0 1 2 3 4 5 6 7 8 9 0 1 2 3 4 5 6 7 8 9 0 1 2
35
SEÑALES ADICIONALES DE FALTA DE CONTROL
LCS
b5 b6 b7
LCI
1 2 3 4 5 6 7 8 9 0 1 2 3 4 5 6 7 8 9 0 1 2 3 4 5 6 7 8 9 0 1 2 3 4 5 6
1 2 3 4 5 6 7 8 9 0 1 2 3 4 5 6 7 8 9 0 1 2 3 4 5 6 7 8 9 0 1 2 3 4 5 6
b.7) Ciclos.
Los comportamientos cíclicos también son una señal de falta de control, pues su
presencia difícilmente puede atribuirse al azar, siendo más bien debido a algún
tipo de inestabilidad en el sistema. Sus causas son de lo más variado, pudiendo
ser efecto de factores ambientales (luz, temperatura, humedad, ...), efecto de la
fatiga de operarios, turno de trabajo , de procedimientos de mantenimiento, etc.
La identificación de las causas que los provocan requiere que se preste una
especial atención a la duración del ciclo (diario, semanal, ...) y al momento en
que se detectó su inicio.
36
En ocasiones la línea que representa la evolución de la característica considerada
presenta un evidente cambio en su nivel de oscilación o una tendencia
ascendente o descendente, sin que lleguen a presentarse ninguna de las
anteriores señales de falta de control. Cambios de proveedor, desgaste de
herramientas, agotamiento de componentes, son alguna de las posibles causas de
este comportamiento.
37
1
TOMA DE
MUESTRAS
2
CALCULAR
MEDIAS Y
RANGOS CON
MUESTRAS
EXISTENTES
3
CÁLCULO DE
LÍMITES PARA
EL RANGO
6 13
ELIMINAR
CORREGIR EL
PUNTOS
PROCESO
FUERA DE
LÍMITES
7 12
¿SE HA
¿QUEDAN
ELIMINADO
MENOS DE 20?
ALGUNO?
8
CALCULAR
LÍMITES PARA
LA MEDIA
15 9
ELIMINAR
CORREGIR EL
PUNTOS
PROCESO
FUERA
14 10
¿SE HA
?QUEDAN
ELIMINADO
MENOS DE 20?
ALGUNO?
11
ACEPTAR
LÍMITES E
INICIAR
CONTROL
38
Anexo al Capítulo 4.
x = N ( m, σ / n )
⎛ LCS − m1 ⎞
P( x ≤ LCS / m = m1 ) = φ⎜ ⎟ =β
⎝ σ/ n ⎠
σ σ
LCS = m0 + zα/2 ; LCI = m0 - zα/2
n n
σ σ
LCS = m1 + z 1-β ; LCI = m1 + z 1-β
n n
39
⎛ zα / 2 − z1− β ⎞
2
n=⎜ ⎟
⎝ d1 ⎠
siendo d1 el descentrado relativo asociado a la media m1 (como antes se vio):
m1 − m 0
d=
σ
40
5. Gráficos de control por atributos.
p Õ c Õ
EMPRESA S.A. np Õ u Õ
41
PIEZA: CARACTERÍSTICA: OPERACIÓN: Responsable:
ID.
muestr
a
cant.de
f
propor.
Este tipo de control se aplica cuando las unidades se clasifican como correctas o
defectuosas. Podemos encontrar multitud de ejemplos, tanto en la industria
como en los servicios: pieza correcta/defectuosa, operación realizada/no
realizada, identificación correcta/incorrecta, teléfono presente/ausente, etc.
Los dos gráficos que se manejan son el p y el np. El primero lleva en control a
través de la proporción de defectuosas y el segundo directamente por el número
de defectuosas. Como es fácil comprender, el uso del segundo tipo de gráfico,
np, requiere que el tamaño de muestra se mantenga constante para que los
valores que se obtienen sean comparables.
42
grande (habitualmente se considera que mayor de 15, aunque a efectos de los
gráficos de control podemos considerar la aproximación válida a partir de
np = 5), podemos calcular el tamaño de muestra requerido de un modo análogo a
como se hizo para el gráfico de control de la media.
Con todo ello, se puede demostrar que el tamaño de muestra requerido es:
2
⎛ zα /2 p0q 0 + zβ p1q1 ⎞
n = ⎜⎜ ⎟
⎟
⎝ p1 − p0 ⎠
43
línea del gráfico. El cálculo de los distintos elementos del gráfico de control se
realiza mediante:
k
∑ np i
Línea central: np = i =1
k
Puede ocurrir que al emplear la fórmula del LCI se obtenga un valor negativo.
En tal caso, puesto que no pueden aparecer menos de cero defectuosas por
muestra, se tomará como tal límite inferior de control al cero (lo cual es casi
equivalente a decir que no hay límite inferior de control).
i= k
∑ i=1 Di
44
i= k
∑ ni
i =1
Es decir los límites de control son variables , segun sea el tamaño muestral
utilizado.
i= k
Línea central = n p donde n =[ ∑ ni / k ] y p como ya se definió
i =1
45
dividir el número de defectuosas en la muestra por el tamaño muestral respectivo
y de esa manera obtener un valor “ pi “. Al igual que el anterior,puede que el
tamaño muestral sea constante o variable.
p (1- p)
Límite inferior: LCI = p - 3
n
p(1- p)
Límite superior: LCS = p + 3
n
donde pi es la observación asociada a la muestra i-esima consistente en la
proporción de unidades no conformes detectadas, k es el número de muestras
empleadas para la construcción del gráfico (habitualmente de 20 a 25 muestras)
y p es la proporción media observada de unidades no conformes.
46
i= k
∑ Di
Línea central: p =. ii==1k
∑ ni
i =1
i= k
n= [ ∑ ni / k ]
i =1
47
o no conforme por muestra se al menos igual a “ γ “.
Por ejemplo, supóngase de que p= 0.02 , y que se desea que la probabilidad de
encontrar por lo menos un artículo defectuoso en la muestra sea de por lo menos
0.95. Sea “D” el número de unidades disconformes, y entonces se desea
determinar el valor de “n” de modo que P{D≥1}≥ 0.95. Haciendo uso de la
aproximación de Poisson a la Binomial, se encuentra que el valor de λ = 3.0 .
Por lo tanto como λ = np , entonces n = 3.0/0.02 = 150.
Duncan (1974) ha sugerido que el tamaño de la muestra tendría que ser
suficientemente grande para tener una probabilidad aproximada de 50% de
detectar un cambio de alguna cantidad especificada en el proceso.Por ejemplo
supóngase de que p = 0.01 y que se desea una probabilidad de 0.50 para
detectar un cambio hacia p = 0.04. Al suponer que se puede aplicar la
aproximación normal a la distribución binomial, habría que elegir “n“ de
manera que el límite superior de control coincida exactamente con la fracción
no conforme en el estado fuera de control (Para una “p” aproximadamente
normal, la probabilidad de que este valor exceda el LCS es 0.5 si el LSC es
igual a la fracción defectuosa “p”, debido a la simetría de la distribución normal.
Veáse Sección 2.4.3 del Texto Control Estadístico de la Calidad de Douglas
Montgomery).
Si “δ“ es la magnitud del cambio en el proceso, entonces “n” tendrá que
satisfacer
δ = k p(1 − p) / n ⇒ n = (k/δ)2 p (1 - p)
(1− p ) 2
L.C.I = p - k p(1 − p) / n > 0 ⇒ n> k
p
48
5.2. Control por defectos.
Según que el tamaño de muestra sea constante a lo largo del control o no lo sea,
consideraremos dos tipos de gráficos: El primero, para tamaño de muestra
normal es el gráfico del número de defectos por muestra, “c”; el segundo es el
gráfico del número de defectos por unidad, “ u” , que se emplea con muestras
de tamaño variable.
Así pues, para los gráficos c (número de defectos por muestra) o para los
gráficos u (número de defectos por unidad) , definir el tamaño de muestra
requiere disponer de la siguiente información:
49
• un nivel de defectos λ0 que se considera normal o aceptable. Este λ0 es el
promedio de defectos que tendría cada unidad de la muestra. Corresponde en
los gráficos de control al promedio histórico del un periodo estable.
• probabilidad del error de segunda especie β.
• un nivel de defectos λ 1, que representa una descorrección respecto a ese nivel
normal de defectos, que deseamos detectar con probabilidad 1-β. Este
promedio de defectos λ1 es el que tendría cada unidad de la muestra.
Con todo ello, se puede demostrar que el tamaño de muestra requerido es:
2
⎛ zα /2 λ 0 + zβ λ1 ⎞
n = ⎜⎜ ⎟
⎟
⎝ λ 1 − λ 0 ⎠
∑c i
Línea central: c= i =1
k
50
c , es la cantidad media observada de disconformidades por muestra.
Se debe usar este gráfico sólo cuando el tamaño de muestra sea fijo.
ci
ui =
n
Por ejemplo , un fabricante de circuitos integrados para ordenadores desea
establecer un Gráfico de Control del número de defectos antes de iniciar el
montaje de ellos y decide que cada muestra debera contener 5 de tales circuitos.
Es decir la “unidad de inspección” está formada por 5 circuitos.
Realiza una campaña para colectar 25 de tales muestras
∑u i
Línea central: u= i =1
k
u
Límite inferior: LCI = u - 3
n
u
Límite superior: LCS = u + 3
n
51
k , es el número de muestras empleadas para la construcción del
gráfico (habitualmente de 20 a 25 muestras) y
u , es la cantidad media observada de defectos por unidad de
inspección.
i=k
∑ ci
i=1
u = i=k
∑ ni
i=1
donde : ci , es el número de defectos encontrados en la unidad inspeccionada.
ni , es el número de elementos en la unidad inspeccionada.
k , es el número de unidades inspeccionadas para la construcción del
gráfico (habitualmente de 20 a 25 muestras)
i=k
∑ ci
i=1
Línea central: u = i=k
∑ ni
i=1
52
Obsérvese que la posición de los límites de control depende del tamaño de
muestra n, y por tanto si éste varía los limites lo harán en consecuencia,
ampliándose si el tamaño disminuye y estrechándose si el tamaño de muestra
aumenta.
Al igual que en el gráfico p, si las oscilaciones del tamaño de muestra son
inferiores al diez por cien del tamaño medio de muestra, se acepta que se
mantenga constante la posición de los límites. Ello se consigue remplazando en
las expresiones de LCI y LCS el valor “ni” por un valor “ n ” con
i= k
n= [ ∑ ni / k ]
i =1
Las señales de falta de control son básicamente las mismas que arriba se
comentaron para los gráficos por variables, con alguna pequeña salvedad que
ahora se comentará.
53
del proceso. Para esa estabilidad, tan anormal es un caso como el otro,
independientemente de las valoraciones que se hagan. Debe además pensarse
que la presencia de señales de falta de control es una ocasión de mejorar el
proceso, bien por la eliminación de problemas, bien por la identificación de
mejores condiciones de trabajo que pueden haberse dado fortuitamente.
Si se presenta esta circunstancia, es casi imposible que sea por azar, y más bien
habrá que pensar que se ha presentado alguna causa especial. Como causas
posibles de este comportamiento podemos citar: cambio en las características del
producto (por ejemplo por cambio de proveedor, de partida, ...); realización de
un ajuste o reparación en el equipo; cambio de operario; etc.
S E Ñ A L E S A D IC IO N A L E S D E F A L T A D E C O N T R O L
LCS
b3 b3
b1 b2 b4
LCI
1 2 3 4 5 6 7 8 9 0 1 2 3 4 5 6 7 8 9 0 1 2 3 4 5 6 7 8 9 0 1 2
54
mismo lado de la línea central deduciremos que se ha producido un cambio de
nivel. Si los puntos están en lados contrarios de la línea central, cabe concluir
que ha aumentado la dispersión.
b5 b6 b7
LCI
1 2 3 4 5 6 7 8 9 0 1 2 3 4 5 6 7 8 9 0 1 2 3 4 5 6 7 8 9 0 1 2 3 4 5 6
55
puntos junto a la línea central. Entre sus posibles causas podemos citar: error en
el cálculo de los límites; empeoramiento real del proceso, con aumento de su
dispersión; mezcla de poblaciones, con un plan de muestreo que tome cada
muestra de una u otra población alternativamente; etc.
b.7) Ciclos.
Los comportamientos cíclicos también son una señal de falta de control, pues su
presencia difícilmente puede atribuirse al azar, siendo más bien debido a algún
tipo de inestabilidad en el sistema. Sus causas son de lo más variado, pudiendo
ser efecto de factores ambientales (luz, temperatura, humedad, ...), efecto de la
fatiga de operarios, de procedimientos de mantenimiento, etc. La identificación
de las causas que los provocan requiere que se preste una especial atención a la
duración del ciclo (diario, semanal, ...) y al momento en que se detectó su inicio.
1 2 3 4 5 6 7 8 9 0 1 2 3 4 5 6 7 8 9 0 1 2 3 4 5 6 7 8 9 0 1 2 3 4 5 6
56
Anexo al Capítulo 5.
Por otra parte, las hipótesis que se contrastan en un gráfico de control por
defectuosas son H0: np = np0 frente a H1: np ≠ np0, y debemos además definir
una calidad baja, np1, que queramos aceptar pocas veces, a fin de tener dos
puntos de la curva característica: (np0, α) y (np1, β).
57
⎛ LCS − np 0 ⎞
P( x ≤ LCS / np = np 0 ) = φ⎜⎜ ⎟⎟ = 1 − α / 2
⎝ np 0 (1 − p 0 ) ⎠
⎛ LCS − np1 ⎞
P( x ≤ LCS / np = np1 ) = φ⎜⎜ ⎟⎟ = β
⎝ np1 (1 − p1 ) ⎠
LCS = np 0 + z1− α / 2 np 0 q 0
2
⎛ z α / 2 p 0 q 0 + z β np1q 1 ⎞
n=⎜ ⎟
⎜ − ⎟
⎝ p 1 p 0 ⎠
el límite de control inferior estaría, como podemos deducir por simple simetría o
analíticamente, situado en:
LCI = np 0 − z1− α / 2 np 0 q 0
58
x = Ps(λ) ≈ N(λ, λ )
y = Ps(nλ) ≈ N(nλ, nλ )
Puesto que las muestras estarán habitualmente formadas por más de una
unidad, la comprobación de la condición para aproximar a la normal deberá
hacerse sobre esta última distribución, viendo si nλ>5.
Por otra parte, las hipótesis que se contrastan en un gráfico de control por
defectuosas son H0: λ = λ0 frente a H1: λ ≠ λ0, y debemos además definir una
calidad baja, λ1 (λ1>λ0) que queramos aceptar pocas veces, a fin de tener dos
puntos de la curva característica: (λ0, α) y (λ1, β). (λ0 y λ1 son los números
medios de defectuosas en una unidad).
⎛ LCS − nλ 0 ⎞
P( y ≤ LCS / λ = λ 0 ) = φ⎜⎜ ⎟⎟ = 1 − α / 2
⎝ nλ 0 ⎠
⎛ LCS − nλ 1 ⎞
P( y ≤ LCS / λ = λ 1 ) = φ⎜⎜ ⎟ =β
⎝ nλ 1 ⎟⎠
LCS = nλ 0 + z1−α / 2 nλ 0
2
⎛ z α /2 λ 0 + zβ λ 1 ⎞
n = ⎜⎜ ⎟
⎟
⎝ λ1 − λ 0 ⎠
59
y el límite de control inferior estaría situado en:
LCI = nλ 0 − z1−α / 2 nλ 0
60
6. Estudios de Capacidad.
6.1. Generalidades.
61
estudiado. Esta variabilidad natural viene a ser el “cómo es realmente” la
característica estudiada.
Para que esa variabilidad natural que acabamos de definir tenga sentido y
sea representativa de la situación a todo lo largo del periodo analizado, deberá
haber habido en éste una situación de estabilidad en la característica, es decir la
situación que llamábamos en un capítulo anterior “proceso bajo control
estadístico”. Si ese estado no se ha conseguido, los valores que nos den los
estudios de capacidad serán inconsistentes y poco representativos.
62
6.2. Indices de Capacidad de procesos, bajo supuesto de
Normalidad Estadística
Este índice fue diseñado para ser usado sólo bajo las siguientes condiciones:
1.- Procesos con datos normalmente distribuidos [ N ( µ , σ2 ) ] .
63
2.- Independencia entre un dato y otro.
3.- Datos colectados de un proceso bajo control estadístico (estable).
T+-T- T+-T-
m1 m2
6σ 6σ
Proceso centrado Proceso descentrado
i= n
$ = ( T+ - T- )/ 6 S
Cp donde S = [ ∑ (Xi - X )2 / (n-1)]1/2
i =1
64
o bien [ (χ2n - 1, α/2 / $ ≤ Cp ≤
( n − 1) ] Cp $
[ (χ2n - 1, 1- α/2/ ( n − 1) ] Cp
65
Cpk ≥ Cpl implica que T- ≤ µ - (3σ) Cpk
x - T- T+- x
T- T+
3σ 3σ
Para este índice Cpk la interpretación es similar a la que se hacía antes con
el índice de capacidad potencial:
66
Tabla 6.1. Probabilidades de defectuosas asociados a valores de CPU y CPL.
CPU 0 0,1 0,2 0,3 0,4 0,5 0,6 0,7 0,8 0,9 1 1,1 1,2 1,3 1,4 1,5 1,6 1,7
PU 0,50 0,38209 0,27425 0,18406 0,11507 0,06681 0,03593 0,01786 0,00820 0,00347 0,00135 0,00048 0,00016 0,00005 0,00001 0,0 0,0 0,0
CPL PL
0 0,50 * 0,88209 0,77425 0,68406 0,61507 0,56681 0,53593 0,51786 0,50820 0,50347 0,50135 0,50048 0,50016 0,50005 0,50001 0,50 0,50 0,50
0,1 0,38209 0,88209 0,76418 0,65634 0,56615 0,49716 0,44890 0,41802 0,39995 0,39029 0,38556 0,38344 0,38257 0,38225 0,38214 0,38210 0,38209 0,38209 0,38209
0,2 0,27425 0,77425 0,65634 0,54851 0,45831 0,38932 0,34106 0,31018 0,29212 0,28245 0,27772 0,27560 0,27474 0,27441 0,27430 0,27427 0,27426 0,27425 0,27425
0,3 0,18406 0,68406 0,56615 0,45831 0,36812 0,29913 0,25087 0,21999 0,20192 0,19226 0,18753 0,18541 0,18454 0,18422 0,18411 0,18407 0,18406 0,18406 0,18406
0,4 0,11507 0,61507 0,49716 0,38932 0,29913 0,23014 0,18188 0,1510 0,13293 0,12327 0,11854 0,11642 0,11555 0,11523 0,11512 0,11508 0,11507 0,11507 0,11507
0,5 0,06681 0,56681 0,44890 0,34106 0,25087 0,18188 0,13361 0,10274 0,08467 0,0750 0,07027 0,06816 0,06729 0,06697 0,06686 0,06682 0,06681 0,06681 0,06681
0,6 0,03593 0,53593 0,41802 0,31018 0,21999 0,1510 0,10274 0,07186 0,05379 0,04413 0,03940 0,03728 0,03641 0,03609 0,03598 0,03594 0,03593 0,03593 0,03593
0,7 0,01786 0,51786 0,39995 0,29212 0,20192 0,13293 0,08467 0,05379 0,03573 0,02606 0,02133 0,01921 0,01835 0,01802 0,01791 0,01788 0,01787 0,01787 0,01786
0,8 0,00820 0,50820 0,39029 0,28245 0,19226 0,12327 0,0750 0,04413 0,02606 0,01640 0,01166 0,00955 0,00868 0,00836 0,00825 0,00821 0,00820 0,00820 0,00820
0,9 0,00347 0,50347 0,38556 0,27772 0,18753 0,11854 0,07027 0,03940 0,02133 0,01166 0,00693 0,00482 0,00395 0,00363 0,00352 0,00348 0,00347 0,00347 0,00347
1 0,00135 0,50135 0,38344 0,27560 0,18541 0,11642 0,06816 0,03728 0,01921 0,00955 0,00482 0,00270 0,00183 0,00151 0,00140 0,00136 0,00135 0,00135 0,00135
1,1 0,00048 0,50048 0,38257 0,27474 0,18454 0,11555 0,06729 0,03641 0,01835 0,00868 0,00395 0,00183 0,00097 0,00064 0,00053 0,00050 0,00049 0,00048 0,00048
1,2 0,00016 0,50016 0,38225 0,27441 0,18422 0,11523 0,06697 0,03609 0,01802 0,00836 0,00363 0,00151 0,00064 0,00032 0,00021 0,00017 0,00016 0,00016 0,00016
1,3 0,00005 0,50005 0,38214 0,27430 0,18411 0,11512 0,06686 0,03598 0,01791 0,00825 0,00352 0,00140 0,00053 0,00021 0,00010 0,00006 0,00005 0,00005 0,00005
1,4 0,00001 0,50001 0,38210 0,27427 0,18407 0,11508 0,06682 0,03594 0,01788 0,00821 0,00348 0,00136 0,00050 0,00017 0,00006 0,00003 0,00002 0,00001 0,00001
1,5 0,0 0,50 0,38209 0,27426 0,18406 0,11507 0,06681 0,03593 0,01787 0,00820 0,00347 0,00135 0,00049 0,00016 0,00005 0,00002 0,00001 0,0 0,0
1,6 0,0 0,50 0,38209 0,27425 0,18406 0,11507 0,06681 0,03593 0,01787 0,00820 0,00347 0,00135 0,00048 0,00016 0,00005 0,00001 0,0 0,0 0,0
1,7 0,0 0,50 0,38209 0,27425 0,18406 0,11507 0,06681 0,03593 0,01786 0,00820 0,00347 0,00135 0,00048 0,00016 0,00005 0,00001 0,0 0,0 0,0
CP 0.05 0,1 0,2 0,3 0,4 0,5 0,6 0,7 0,8 0,9 1 1,1 1,2 1,3 1,4 1,5 1,6 1,7
pmin 0.88076 0,76418 0,54851 0,36812 0,23014 0,13361 0,07186 0,03573 0,01640 0,00693 0,00270 0,00097 0,00032 0,00010 0,00003 0,00001 0,0 0,0
El índice Cpk contiene dos parámetros los cuales deben ser estimados:
µ y σ.
$ pk = [ d - ⎜ X - 0.5 ( T+ + T- ) ⎜] / 3 S
Un estimador de C
$ pk = min { C
C $ pu , C
$ pl }
donde : $ pu = ( T + - X ) / 3 σ ;
C $ pl = ( X - T- ) / 3 S
C
$ pk [ 1 ± Z1 - α/2 ] / [ ( 2n - 2)1/2 ]
C
6.2.3. Indice K.
K∗ = ⎜ M - µ ⎢/ min (M - T- ; T+ - M)
Cuando K = 0 , el proceso está centrado en el valor nominal.
Cuando K = 1 , la media del proceso está localizada en uno de de los límites de
especificación.
Cuando 0 < K < 1 , la media del proceso está localizada entre el valor nominal
y un límite de especificación.
$ = ⎜ X - 0.5( T+ +T- ) ⎜/ d
Una estimación del índice K
Cpk = (1 - K )Cp
Se puede definir un índice que en una sola expresión haga una valoración
conjunta de variabilidad y descentrado. Tal es el denominado Cpm, cuya
definición es la siguiente:
T+ − T−
C pm =
6 σ$ '
n ( x i − M )2
donde: σ$ ' = ∑
i =1 n −1
M es el valor nominal
69
Al analizar el denominador del índice Cpm veremos que mientras más
cerca estén las observaciones “xi” del valor nominal “M” , el valor del índice
tenderá a umentar. Por el contrario, mientras más alejadas estén las
observaciones “xi” del valor nominal “M” el valor del índice tenderá a cero.
Cpm = [ T+ - T- ] / 6 τ
Cpm = [ T+ - T- ] / 6τ = [ T+ - T- ] / 6[ σ2 + (µ - M )2 ]1/2
Cpk = Cp -
1
[(
cp )2 - 1 ]1/2 o también
3 cpm
Cpm =
cp consecuentemente
1 + 9( cp − cpk ) 2
70
Cpm = [ T+ - T- ] / 6[ S2 + ( X - M )2 ]1/2
Este índice fue propuesto por Pearn (1992) .Tiene la ventaja de ser
más sensible a las desviaciones respecto del valor nominal , que los índices Cp ,
Cpk , Cpm .
6.3.1. Indice Cθ
Este índice fue propuesto por Pearn (1992). Es tal vez el primer índice de
capacidad para datos no-normales.
( T+ − T− )
Cθ = = d / (0.5 θ σ )
θσ
donde “θ “ es una constante elegida tal que la probabilidad
la distribución de X .
71
6.3.2. Indice CS
Wright (1995) ,tomó el índice Cpmk y le incorporó una expresión que permite
“penalizar” el sesgo de la distribución de los datos , en el caso unimodal y de
no-normalidad .
n 3
∑ (x i − X )
i=1
m3 =
n
Este índice fue introducido por Luceño (1996) ,y fue diseñado para considerar
las tendencias de posicionamiento y de dispersión del proceso , proporcionando
a su vez intervalos de confianza insensibles al no cumplimiento de
normalidad
estadística de los datos .
1 n
Donde c =
n
∑ xi − M
i=1
c$ ± tα , n - 1 sc
n
72
1 n 1 n
∑ xi− M
2
∑ ( xi − M − c ) 2 =
2
donde s
2
c= ( −nc )
( n − 1) i =1 ( n − 1) I =1
$ pc / {1± tα , n - 1 [ Sc / ( c n ) ]}
C
$
( Cpc − 1)
(c n ) < tα , n-1 para rechazar H0
Cpc 0 sc
Xt - µ = ρ ( Xt-1 - µ ) + εt
73
E (Xt - µ )2 = ρ2 E (Xt-1 - µ )2 + E (εt )2 tal que para “n grande” (tamaño
muestral) , la varianza de Xt es aproximadamente :
σ
2
Var (Xt ) ≅
1− ρ
2
+
T − T− σ
2
σ
2
Cpmr = donde =
1− ρ
r 2
σ (µ − M )
2
r+
2
6
n
∑ (x i − M )
$ pmr = (T+ - T- ) / 6 τ$ 2
C donde τ$ = /n
i=1
El valor esperado de τ$ es
2
E ( τ$ 2 ) = σ r (1+θ donde θ2 = [( µ - M) / σr ]2
2 2
)
1+ ρ
2
2
Var ( τ$ ) = ( σ 2r )2 {
2
+ 2θ2 1 + ρ }
n 1− ρ
2 1− ρ
74
Además de los gráficos clásicos o de Shewhart existen otros gráficos de
control adaptados a situaciones concretas que presentan, en cada uno de esos
casos, indudables ventajas frente a los primeros, o bien resuelven problemas que
los de Shewhart no pueden tratar. En los párrafos siguientes se van a estudiar
algunos de ellos.
El formato del gráfico es por entero similar a los ya vistos, por ejemplo el
media-recorrido. Los límites de control en este gráfico vienen dados por las
siguientes expresiones:
donde E2, D3 y D4 son constante que aparecen tabuladas. Estas ultimas son las
mismas que las empleadas para el gráfico de Shewhart del rango.
75
La fórmulas de los límites de control de la posición, y en consecuencia la
de la constante E2, se basan el criterio 3σ. En efecto, según ese criterio los
límites de control serían: para el control de posición:
LCS: x + 3 sx
LCI: x − 3 sx
R
sx =
d2
3
y por tanto: E2 =
d2
nº 1 2 3 4 5 6 7 8 9
medida 15 12 13 9 14 16 14 11 15
rango 3 4 5 7 2 5 4
Tabla 6.1.
76
M E D ID A S IN D IV ID U A L E S
2 2
2 0
1 8
1 6
1 4
1 2
1 0
R A N G O S M O V IL E S
1 2
1 0
0
1 2 3 4 5 6 7 8 9
Figura 6.1.
Los criterios de análisis y vigilancia de estos gráficos son los mismos que
los expuestos para los gráficos de media-rango, siendo también de aplicación las
mismas señales de falta de control (supuesto que se mantiene el criterio 3σ).
77
con el que se buscará el valor de las constantes A2, D3 y D4 es la longitud u
orden de suavizado: si las medias y los rangos móviles se calculan en base a
grupos de tres datos consecutivos, será tres nuestro tamaño de muestra efectivo.
nº 1 2 3 4 5 6 7 8 9
medida 15 12 13 9 14 16 14 11 15
media 13.3 11.3 12 13 14.7 13.7 13.3
rango 3 4 5 7 2 5 4
Tabla 6.2.
La Tabla 6.2 muestra los cálculos realizados para obtener las medias
móviles y los rangos sobre los mismos datos del apartado anterior. En base a
ellos se obtienen los siguientes valores para el gráfico de control:
M E D ID A S IN D IV ID U A L E S Y M E D IA S M Ó V IL E S
20
18
16
14
12
10
6
m e d id a
4
m e d ia
2
0
1 2 3 4 5 6 7 8 9
Figura 6.2.
78
7.3. Gráficos de Sumas Acumuladas (CUSUM).
H0 : m = m0
H1 : m ≠ m0
79
mediante el cálculo de la media de cada una de las muestras (por ejemplo de
tamaño cinco) que se van obteniendo y la consiguiente computación del
estadístico St, que es la suma acumulada (de ahí el nombre del gráfico) de las
desviaciones observadas respecto a la media de referencia. Ese carácter de suma
acumulada hace que cada dato representado, cada St, contenga información no
sólo de la última muestra, sino de todas las anteriores. Veamos las
expresiones involucradas.
Por contra, cuando la media real del proceso esté, por ejemplo, por
encima de la referencia m 0 , las desviaciones empezarán a ser todas positivas y
su suma acumulada St empezará a crecer, tanto más de prisa cuanto mayor sea la
desviación entre la media del proceso y m 0 . Si la media del proceso estuviera
por debajo de la referencia, ocurriría justamente lo contrario y la suma
acumulada decrecería de modo más claro cuanto mayor fuera la descorrección.
80
St
θ
4k
3k
2k d
Figura 6.3.
Los parámetros de diseño del gráfico son los tres que aparecen en la
Figura 6.3 :
81
R s
sx = y de aquí sx = x
d2 n
D
δ=
sx
3. Decidir el riesgo de primera especie que aceptamos correr (α), que con
frecuencia se sitúa en el 0.0027, por similitud con los gráficos estándar de
Shewhart.
⎛ 2 ⎞ 1− β 2 ln α
d = ⎜ 2 ⎟ ln y si β es pequeño queda d = −
⎝δ ⎠ α δ2
⎛ D⎞
θ = arctg⎜ ⎟
⎝ 2k ⎠
82
7.3.1.1. Tamaño de muestra y frecuencia de muestreo.
2.25 s2x
n=
D
Los gráficos CUSUM unilaterales son dos gráficos que controlan cada
uno de ellos las desviaciones en un sentido u otro de la media del proceso.
Tendremos pues un gráfico para el control de los aumentos (Superior) de la
media y otro para el control de sus disminuciones ( Inferior).
H0 : m = m0
H1 : m = m1 (con m1>m0)
83
z i = x i − m0
que, en el supuesto de que el proceso sea estable, tendrá media nula. La suma
acumulada de esas desviaciones sería St, definida por :
t t
S t = ∑ z i = ∑ ( x i − m0 ) = S t −1 + ( x t − m0 ) = S t −1 + z t
i=0 i=0
y i = z i − d = x i − m0 − d
sus sumas acumuladas serán :
t
Yt = ∑ y i
i =1
m1 − m 0
d=
2
84
de control cuando, respecto al nivel mínimo que ha llegado a alcanzar Yk se
produce una subida igual o mayor que una cierta cantidad C. La Figura 6.4
muestra estos comportamientos. La elección de C dependerá de los valores del
riesgo de primera especie α que admitamos, influyendo en el ARL para una
cierta desviación (que es la inversa de 1-β, siendo β el riesgo de segunda
especie).
min Yk + C
Yk
SEÑAL DE
FALTA DE
CONTROL
Figura 6.4.
En este caso del gráfico CUSUM inferior las hipótesis contrastadas son :
H0 : m = m0
H1 : m = m1 (con m1<m0)
t
Yt' = ∑ ( x i − m 0 − d )
i =1
donde “d” es ahora un valor negativo, y como valor recomendado para d
tomaríamos también
m1 − m 0
d=
2
85
El comportamiento y uso del gráfico sería ahora el siguiente : En el gráfico
CUSUM inferior se traza la evolución del estadístico Yt' , que llevará una pauta
creciente mientras el proceso se mantenga estable. Cuando el proceso
experimente una desviación igual o superior a la considerada en H1, comenzará a
descender, considerándose que se produce una señal de falta de control cuando,
respecto al nivel máximo que ha llegado a alcanzar Yt' se produce una bajada
igual o mayor que una cierta cantidad C. La Figura 6.5 muestra estos
comportamientos.
SEÑAL DE
FALTA DE
Yk
CONTROL
max Yk - C
Figura 6.5.
86
El gráfico EWMA debe entenderse, del mismo modo que el gráfico
CUSUM, como una alternativa a los gráficos de Shewhart en aquellas
situaciones en que se requiera una especial sensibilidad frente a pequeñas
desviaciones en la media de la variable. En este sentido, el rendimiento de
ambos tipos de gráficos (EWMA y CUSUM) son equivalentes.
Z t = λ x t + (1 − λ ) Z t − 1
dónde λ es una constante que toma valores entre cero y uno. Al tratarse de una
fórmula recurrente, el problema de la inicialización, es decir la fijación del valor
de Z0, debe ser resuelta antes de iniciar el uso de la expresión anterior.
Habitualmente se toma como valor de Z0 la media general estimada con las
muestras anteriores.
Con ello vemos que cuanto mayor sea λ, mayor es el peso que se otorga al
último resultado obtenido y menos a la información anterior, reduciendo por
tanto la inercia en el movimiento de Zt. Como caso extremos, si λ=1 estaríamos
en el caso del gráfico de la media. Esto será adecuado en procesos de por sí
bastante estables, que no estén afectados por demasiado ruido. En cambio,
cuando el ruido que afecta a nuestros datos es elevado, una valor bajo de λ
reduce su importancia, permitiendo captar mejor el comportamiento de la
variable controlada. Valores de λ bajos son idóneos para la detección de
pequeñas descorrecciones en la media del proceso.
87
Como en el caso de los gráficos de Shewhart, asumiremos que las
muestras son independientes, con lo cual la varianza del estadístico Zt puede ser
calculada mediante:
⎛ 2t ⎞
Var( Z t ) = λ2 ⎜⎜ 1−(1− λ ) 2 + (1− λ2)
2t
⎟ Var ( x )
⎟
⎝ 1− (1− λ ) tλ ⎠
donde Var ( x ) = σ2 / n
λ
Var( Z t ) = ( 2− λ ) Var ( x )
λ
LCS = x + k σ x
(2 − λ ) n
λ
LCI = x − k σ x
(2 − λ ) n
LCS = x + k σ x
λ
(2 − λ ) n [
1 − (1 − λ ) 2 t ]
LCI = x − k σ x
λ
(2 − λ ) n [
1 − (1 − λ ) 2 t ]
En el caso frecuente de que la desviación típica σx no sea conocida la
estimaremos bien a través de la varianza muestral o bien a través del recorrido
muestral.
88
a partir de aquí obtener el λ a emplear y el valor k del número de desviaciones
típica a qué se sitúan los límites de control con respecto a la media. Con
frecuencia se obtienen buenos resultados al tomar k el valor 3 y λ situarse entre
0.05 y 0.25, aunque si λ está por debajo de 0.10 entonces k puede reducirse a
2.75.
89
residual. Esta carta está basada en el hecho de que los residuos son aleatorios y
de modo que se cumplen todos los supuestos de las cartas tradicionales, siempre
que el modelo se mantenga.
90
8. Gráficos de control para series de fabricación cortas.
• Usar gráficos del tipo CUSUM y EWMA, que por su mayor sensibilidad
frente a descorrecciones permiten un seguimiento más cercano del proceso.
• Usar gráficos de medidas individuales.
91
• Adaptar los gráficos estándar.
• Usar gráficos de la desviación del nominal (DNOM) cuando por un mismo
proceso circulan diferentes productos, en cantidades insuficientes cada uno de
ellos como para someterlo a un control estándar.
92
controlada a través del rango o de la desviación típica, y los criterios a emplear
para la fijación de los límites serían similares a los empleados en los gráficos de
Shewhart. En concreto:
93
• Gráfico de la desviación - Desviación típica:
Gráfico de la Desviación:
k
∑ yi
Línea central: y = i =1
k
Limite Superior de Control : LCS y = y + A 1 s
Límite Inferior de Control: LCI y = y − A 1 s
94
Cuando la variabilidad que afecta a la dimensión controlada no es la
misma para las diferentes piezas que pasan por el proceso, una solución posible
es la estandarización de las medias, con lo cual se tiene en cuenta tanto el
diferente nominal con que se produce cada unidad (ya considerado en gráfico
DNOM) como la variabilidad que afecta a cada una.
Ri
R si =
Rj
LCI = D3 LCS = D4
xi − N j
x is =
Rj
Con ello los límites del gráfico de control de la posición a través de la
media estandarizada serán los siguientes:
95
requerirá, casi con seguridad, el uso de medios de calculo de ayuda a su
utilización.
96
8.5.2. Gráficos de control por defectos en series cortas.
c −c
zi = i
c
Gráfico u (número de defectos por unidad) estandarizado:
u −u
zi = i
u/n
LCS =+3
Línea Central = 0
LCI = -3
97
9. Precontrol.
98
típicas (por estar comprendidas entre las especificaciones las seis desviaciones
típicas de la variabilidad natural).
Zonas de Precontrol
T- T+
I II III
86.64%
99.73%
Figura 9.1.
99
3. Si la primera está en la zona I y la segunda en zona III (o al revés), deducimos
que el proceso tiene una excesiva variabilidad y procedemos a corregirlo, tras
lo cual comenzamos de nuevo.
4. El proceso se da por aceptado cuando cinco piezas consecutivas están en la
zona II. Si aparece antes de que eso ocurra alguna en zonas I o III, se vuelve
al paso 2. Si aparece alguna fuera de especificaciones se vuelve a comenzar.
100
TOMAR UNA
PIEZA
FUERA DE SI CORREGIR EL
TOLERANCIAS PROCESO
NO SI
SI DOS PIEZAS NO
EN ZONAS I/III
EN I/III
NO
7
CINCO NO
SEGUIDAS
OK
SI
COMENZAR
PRODUCCIÓN
Figura 9.2.
101
10. Prácticas de Control de Calidad I.
muestr x1 x2 x3 x4 x5
a
1 61.4 60.7 62.8 58.6 60.7
2 56.9 59.5 57.7 58.8 63.0
3 59.5 59.9 55.7 59.0 57.3
4 54.8 58.8 56.1 55.4 61.5
5 63.9 57.9 62.3 65.7 62.6
6 58.9 62.1 55.0 60.2 60.1
7 62.7 55.0 59.7 60.0 57.6
8 61.3 59.0 62.0 59.2 55.0
9 56.4 59.7 67.3 59.2 60.1
10 63.5 57.5 56.2 59.2 63.1
11 60.5 60.4 63.1 62.9 60.6
12 62.6 60.6 60.0 59.9 61.7
13 52.4 61.4 58.8 58.6 58.5
14 57.4 57.1 63.5 65.2 66.7
15 65.1 61.4 64.2 62.7 55.3
102
Una vez calculado esos límites, que consideraremos como definitivos, se
ha proseguido la toma de muestras para controlar el comportamiento de esta
característica. Así pues, se aplicarán ahora a los siguientes datos:
muest x1 x2 x3 x4 x5
ra
1 59.2 59.2 61.7 63.9 63.2
2 59.8 63.4 58.8 57.6 57.9
3 56.6 64.3 66.5 60.7 58.4
4 60.4 59.5 58.4 60.8 58.8
5 65.0 60.6 58.4 66.5 58.5
6 63.7 66.7 65.2 64.2 61.5
7 59.0 66.4 59.5 65.9 64.7
8 65.2 66.2 65.6 65.3 66.4
9 65.0 61.1 66.2 61.1 65.2
10 66.0 65.0 66.3 60.6 62.9
11 65.9 68.0 62.1 61.6 67.8
12 63.8 58.7 64.7 68.6 63.0
13 58.7 66.3 65.8 58.9 67.9
14 68.6 65.5 62.1 66.9 67.8
15 62.2 66.3 65.9 61.8 68.0
16 64.2 60.9 66.6 67.6 64.8
17 69.7 67.4 66.9 66.7 64.9
18 61.4 64.3 66.3 65.0 66.7
19 63.2 61.1 62.1 68.1 64.6
20 61.4 65.9 66.0 61.8 65.2
103
10.4. Comentarios al Ejercicio 1.
104
Téngase presente que con cada nueva muestra se debe de ir comprobando la
presencia de señales de falta de control.
105
11. Práctica 2: Gráficos de Control por Atributos.
11.1. Introducción.
106
107
Tamaño de Número de Tamaño de Número de
muestra defectuosas muestra defectuosa
s
124 5 128 10
130 3 132 3
134 5 125 3
129 7 135 6
138 4 113 6
138 10 127 5
126 10 140 9
115 9 139 5
134 9 118 5
130 6 117 6
118 5 125 8
148 3 112 10
114 5 126 6
126 7 115 3
125 4 104 5
123 10 115 6
131 10 113 5
135 9 111 7
112 9 118 4
119 6 114 7
Tabla 11.1.
Se pide:
108
3. Plantearse si es necesaria una modificación de los límites de control, a
la vista del comportamiento del gráfico. En caso afirmativo, volver a
calcular esos límites para el periodo correspondiente.
6 1 2 3 1
2 5 1 2 0
5 1 1 1 0
3 0 2 1 1
2 3 3 0 2
Tabla 11.2.
Figura 11.1.
109
Figura 11.2.
Deberá elegirse el correcto para este caso. También en ese momento se deben
configurar los límites de control, definiendo el periodo base para el cálculo de
los mismos. Para ello se empleará la opción Límites de control del menú
Configurar, definiendo en ella el periodo inicial y la duración del periodo base
(Figura 11.3).
Figura 11.3.
110
seleccionaremos la opción de introducir valores para los límites, debiendo
rellenar los datos solicitados en la ventana de la Figura 11.4.
Figura 11.4.
Figura 11.5.
111