Gráficos de Control Procesos

ESTADÍSTICA APLICADA A
LA INGENIERÍA
Ing. Eder Vicuña Galindo
Ing. Eder Vicuña Galindo – FQIQ - UNMSM

GRÁFICOS DE CONTROL…
Son técnicas gráficas que se usan para estudiar las
variaciones que ocurren en la tendencia central y la
dispersión de un conjunto de datos de un PROCESO.
Todos los procesos están sujetos a ciertos grados de
variabilidad.
 Causas Naturales: Variaciones aleatorias, no asignables.
 Causas Asignables: Problemas corregibles. (Maquinaria de
desgaste, trabajadores no calificados, material de baja
calidad, etc.).
Un proceso estará en control estadístico si la variación de
su media y de dispersión es solo debido a la naturaleza
inherente del proceso  BAJO CONTROL.
GRÁFICOS DE CONTROL
 Sirve para monitorear el estado de un proceso, sea que
opere en condición estable o no. Controlar si está
operando en forma inestable, sino prevenir...
 Un proceso bajo control estadístico se puede mejorar
aún más, a través de la reducción de la variación y
centrado en un valor objetivo.
 Las gráficas de control proporcionan un lenguaje
común para comunicar información sobre el
desempeño de un proceso entre muy diversas personas
dentro y fuera de la empresa.
 Las gráficas de control indican dónde está o quién
podría ser la causa de un problema.
GRÁFICOS DE CONTROL…
Región de control,
“Escuche la Voz del Proceso”
captura la variación
natural del proceso
de
original
M C LCS
E A
D L
I I
LCI
D D Tendencia del proceso
A A
S Causa Especial El proceso ha cambiado
D
identificada
Tiempo
GRÁFICOS DE CONTROL
Tipos de Gráficos de Control
Tipos de
datos
Datos de atributo- Datos de variables-

conteo mediciones
Unidades de Subgrupo
Faltas de racionales de
cumplimiento faltas de
cumplimiento tamaño variable
Mediciones Subgrupo
Tamaño Tamaño individuales racionales de
Oportunidad Oportunidad fijo de variable de tamaño fijo
fija variable muestra muestra
Gráfica Gráfica Gráfica Gráfica Gráfico Gráficos Gráficos

c u np p MR xyR xyS
Gráficos de Control de Mediciones
Gráficos de Control x-R Gráficos de Control x-S
o Constan de dos gráficos o Constan de dos gráficos
De tendencia central De tendencia central
Variabilidad Variabilidad
o Se usa cuando se desconoce o Se usa cuando se
σ (se usa R) y μ (se usa 𝑥). desconoce σ (se utiliza s) y
o Utiliza el recorrido (R) μ (se usa 𝑥).
como medida de la o “Mayor dificultad de
variabilidad.
x
calcular”.
o Sencillo de calcular. o Mejor indicador estadístico
o Válido para muestras de variabilidad.
pequeñas (n < 8) .
El criterio se basa en considerar una dispersión a la
derecha de 3 e izquierda de 3 (6); alrededor del
99,7% de los datos; esto es, se confía en casi e 100%.
Por lo tanto, si se conocen  y , la siguiente ecuación se
podría utilizar como límites de control superior e inferior en
un gráfico de control para medias de las muestras:

LCS  x  Z / 2 Límite de Control Superior
n
VC  x Valor Central

LCI  x  Z / 2 Límite de Control Inferior
n
Criterio de los 3
 La elección de 3 es una decisión económica con
respecto a los dos tipos de error.
 Tipo I: se produce cuando se busca una causa
asignable, pero en realidad la causa es casual
ALARMA FALSA
 Cuando los límites establecen ± 3  Probabilidad de
error tipo I = 0,27% o 3/1000
 De otro modo, si una medición está fuera de control y
podría deberse a una causa asignable  pero 3/1000
de las veces puede deberse a una causa fortuita.

Criterio de los 3 y Errores tipo I y
II: Ejemplo
Se desea probar la afirmación de un fabricante de pinturas
según la cual el tiempo de secado de su nueva pintura es de 20
minutos. Una agencia de protección al consumidor instruye a
su equipo de investigación para que realice pruebas con la
nueva pintura; estas pruebas consisten en el pintado de 36
tableros usando galones de pintura seleccionados siguiendo un
procedimiento de muestro. Se propone rechazar la afirmación
si los tiempos de secado exceden los 20,75 minutos. Por
experiencia se sabe que la desviación estándar de los tiempos
de secado es  = 2,4 minutos.
Error tipo I: rechazar H0:  = 20 min, cuando este es cierto.
Error tipo II: aceptar H0:  = 20 min, cuando este no es cierto.
Criterio de los 3 y Errores tipo I y II
 
 = 20  = 21
20,75

Criterio de los 3 y Errores tipo I y
II: Cálculo de  y 
 
x   20,75  20
Z   1,875
 n 2,4 / 36
 = 1 – P(z = 1,875) = 1 – 0,9696 = 0,0304
 
x   20,75  21
Z   0,625
 n 2,4 / 36
 = P(z = -0,625) = 0,2660

Criterio de los 3 y Errores tipo I y II
 Tipo II: suponga que hay una causa fortuita presente,
pero de hecho, la causa asignable está presente 
ALARMA VERDADERA
 Los registros indican que los límites 3 equilibran los
2 errores.

Pero usualmente se desconoce , y podemos evaluar
R o s como estimadores de . Por simplicidad de
cálculo pensemos en R:
R  Rango relativo
R W
  Depende de n y su media es d2
Significancia estadística
R
ˆ 
d2
𝑅
Si usamos 𝑥 y como estimadores de  y , respectivamente,
𝑑2
𝑅
que para muestras: 𝜎𝑥 =
𝑑2 𝑛
3
LCS  x  R
d2 n LCS  x  A2 R
3
VC  x Si A2 =
𝑑2 𝑛
VC  x
3 LCI  x  A2 R
LCI  x  R
d2 n
Así también para hallar los límites de control de R, se
debe tener una estimación de la varianza, 𝜎𝑅 .
Presumiendo que la variable de interés sigue una
distribución normal: ˆ
R R
W
Ing. Eder Vicuña Galindo – FQIQ - UNMSM 
 media igual a d3
C  W
 depende de n d3
ˆ R  R
R d2
ˆ 
d2
d3
LCS  R  3ˆ R  R  3 R
d2 𝑑
LCS  D3 R
Si D3 = 1 + 3 3
VC  R 𝑑2
𝑑 VC  R
D4 = 1  3 3
𝑑2
d3 LCI  D4 R
LCI  R  3ˆ R  R  3 R
d2
Pasos metodológicos para construir un Gráfico de
Control para variables medidas:
Paso 1: Establecer los objetivos del control estadístico
del proceso.
 Mejoramiento de la calidad.
 Determinar la Capacidad del Proceso.
 Tomar decisiones de las especificaciones del

producto.
 Tomar decisiones sobre artículos producidos
recientemente: lanzar el siguiente proceso, nueva
disposición según el cliente u otro método,
clasificar, reelaborar, rechazar.
Paso 2: Identificar la variable o variables a controlar.
 Datos medibles (preferible de unidades básicas)
 Los que afectan el rendimiento, funcionalidad del
producto entre otros.
 Del análisis de Pareto: los de mayor porcentaje de
rechazos y de altos costos de producción.
Imposible controlar todas las variables: seleccionar o
usar gráficos de control por atributos.
Paso 3: Determinar el tipo de Gráfico de Control que es
conveniente utilizar.
 Tipo de información requerida.
 Características del proceso.
 Recursos Humanos y Materiales.
Gráficos de Control x-R
Paso 4: Elaborar el Plan de Muestreo (Tamaño de
muestra, frecuencia de muestreo y número de
muestras).
 El tamaño de muestra "n“ pequeño (n = 4 ó 5, siendo 5 el
tamaño más usual),
 La frecuencia de muestreo será tal que recoja los cambios en
el proceso debidos a causas internas y, al mismo tiempo,
detectar las causas externas.
 Las muestras deben recogerse según un programa y en los
tiempos oportunos para detectar oportunidades de cambio:
frecuencias horarias, diarias, por turno, por lote de material,
etc.
Gráficos de Control x-R
Paso 4: Elaborar el Plan de Muestreo (Tamaño de
muestra, frecuencia de muestreo y número de
muestras)…
El número de muestras "n" debe satisfacer dos
criterios:
 Muestras suficientemente grandes para cerciorar que las
causas internas de variación tienen oportunidad de
manifestarse.
 Proporcionar prueba satisfactoria de la estabilidad del
proceso, A partir de un mínimo de 100 (25 muestras con n
= 4 ó 20 muestras con n = 5).

Gráficos de Control x-R…
Paso 5: Recoger los datos según el plan establecido:
Hojas de Control.
Paso 6: Calcular la media (𝑥 ) y el recorrido (R) para
cada muestra:
Cálculo de la media: 𝑥 = (x1 + x2 +,,,,,,+ xn)/n
Cálculo del recorrido: R = (xmáx - xmín)
Paso 7: Calcular los Límites de Control para cada uno
de los gráficos:
 Para el gráfico x
a) Calcular la media (𝑥 ) de los valores medios de las
muestras (𝑥𝑖 ), 𝑥 = (𝑥1 + , , , + 𝑥𝑁 )/N
b) Calcular el recorrido medio (𝑅)
𝑅 = (R1 +, , , +RN)/N
c) Calcular el Límite de Control Superior (LCSx) y el Límite
de Control Inferior (LCIx)
LCSx = 𝑥 + A2𝑅
LCIx = 𝑥  A2𝑅
El valor de A2 se obtiene de las tablas correspondientes.
 Para el gráfico R
a) Calcular el Límite de Control Superior (LCS ) y el Límite
de Control Inferior (LCI )
LCSR = D3𝑅
=D
LCIRIng. 4𝑅 Vicuña Galindo – FQIQ - UNMSM
Eder
Paso 8: Definir las escalas de los gráficos.
Paso 9: Representar en el gráfico la Línea Central y
los Límites de Control.
Paso 10: Incluir los datos pertenecientes a las muestras
en el gráfico.
Paso 11: Comprobación que los datos se encuentren
dentro de los límites del Gráfico x-R.
 Si hay datos que salen del gráfico, se desecharán y se
volverá a construir el gráfico x-R, Se deberá averiguar
la causa de los datos irregulares (Causa – Efecto y
Pareto).
Paso 12: Análisis y resultados aplicados al proceso.
LCS
A Tomar acción
3
Límite de alarma superior
B Tomar acción
2 Límite de alarma inferior
 C No tomar acción
VC
 C
2
B
3 A
LCI
Ing. Eder Vicuña Galindotiempo

– FQIQ - UNMSM
Paso 12: Análisis y resultados aplicados al proceso...
Aparte de establecer si el proceso opera de forma
estable, se examinan además 7 situaciones de
comportamiento no estable, según Nelson, L.S.
(1984) The Shewhart Control Chart: Tests for Special
Causes. Journal of Quality Technology, 16, 237-239.
Y 10 situaciones, 8 comunes al anterior, planteadas
por Montgomery D. C. (2013), Introduction to
Statistical Quality Control (7 Ed). John Wiley &
Sons.
1) Algún punto exterior a los límites de control:
 Estudiar la causa de la fuerte desviación del comportamiento
estable.
 Causa Asignable.
LCS
A
B
C
VC
C
B
A
LCI
tiempo
Variación no natural aún dentro de los límites de 3
2) Dos o más puntos consecutivos muy próximos al límite de
control, zona A:
LCS
A
B
C
VC
C
B
A
LCI
tiempo
3) Cinco puntos consecutivos en un  por encima o por debajo,
de la línea central:
 La media de los 5 puntos indica una desviación del nivel de
funcionamiento del proceso.
LCS
A
B
C
VC
C
B
A
LCI

tiempo
4) Ocho (o más) puntos seguidos están en el mismo lado de la
media:
 Investigar las causas de esta tendencia.
LCS
A
B
C
VC
C
B
A
LCI
tiempo
5) Fuerte tendencia ascendente o descendente marcada por 6
puntos consecutivos:
 Investigar las causas de estos cambios progresivos.
LCS
A
C
VC
C
A
LCI
tiempo– FQIQ - UNMSM

Ing. Eder Vicuña Galindo
6) Quince puntos consecutivos en la zona C:
 Aunque deseable este perfil, es sospechosa la tendencia.
LCS
A
B
C
VC
C
B
A
LCI
tiempo
7) Catorce puntos alternándose en forma consecutiva arriba y
abajo.:
 Variación con cambio de dirección constante indica anomalía
en el proceso.
LCS
A
B
C
VC
C
B
A
LCI

tiempo
8) Catorce puntos alternándose en forma consecutiva arriba y
abajo, con ninguno en la zona C:
 Muy anómalo.
LCS
A
B
C
C
B
A
LCI
tiempo
Variación por Patrones no aleatorios
9) Cambiar/saltar en el nivel de la media:
Causas: cambio de especificaciones del proceso, diferente/nuevo
operador, cambio en la materia prima
LCS
A
B
C
VC
C
B
A
LCI

tiempo
10) Tendencia o cambio constante en el nivel de la media:
Deriva de la media: desgaste de equipos, cambio gradual en la
propiedades de la materia prima.
LCS
A
B
C
VC
C
B
A
LCI

tiempo
11) Ciclos recurrentes:
Efectos estacionales de la materia prima. Efectos recurrentes de
la temperatura, la humedad (mañana vs tarde por ejemplo).
LCS
A
B
C
VC
C
B
A
LCI

tiempo
Ejemplo:
 Una empresa productora de ladrillos de construcción
recibió fuertes quejas de su mayor cliente por la
inconstancia de la calidad de su producto. Una de las
características principales del ladrillo de construcción es el
porcentaje de absorción de agua. Se decidió controlar el
proceso en base a esta característica utilizando gráficos de
control por variables x-R.
 Durante una semana se recogieron en cada uno de los 5 días
laborables una muestra de cinco ladrillos cada 2 horas (4
muestras por jornada de trabajo).

Muestra Porcentaje de agua (%) 𝒙 R
1 3,5 3,00 4,9 5,50 4,70 4,32 2,50
2 5,0 3,5 4,8 6,4 4,8 4,90 2,90
3 4,6 2,5 4,7 5,2 5,9 4,58 3,40
4 4,1 3,8 5,9 6,2 4,3 4,86 2,40
5 7,0 5,5 6,5 5,6 4,2 5,76 2,80
6 5,0 5,5 3,9 6,9 4,8 5,22 3,00
7 3,8 6,5 5,8 6,9 5,3 5,66 3,10
8 4,0 6,0 3,5 6,4 4,5 4,88 2,90
9 3,5 4,9 4,1 5,4 6,1 4,80 2,60
10 4,7 4,5 4,9 5,6 4,8 4,90 1,10
11 5,0 4,5 5,0 4,9 5,7 5,02 1,20
12 6,0 5,2 5,2 4,7 6,0 5,42 1,30
13 5,2 4,9 3,6 7,0 6,3 5,40 3,40
14 3,4 4,3 4,5 5,0 4,1 4,26 1,60
15 4,5 7,0 7,0 5,2 6,4 6,02 2,50
16 3,8 6,1 4,9 5,4 4,2 4,88 2,30
17 4,7 6,2 5,3 6,5 7,0 5,94 2,30
18 5,6 7,0 6,9 4,3 4,9 5,74 2,70
19 3,9 4,6 5,8 3,6 4,9 4,56 2,20
20 Eder Vicuña
Ing.3,8 4,7 Galindo
4,9 –5,6
FQIQ -5,2
UNMSM
4,84 1,80
Paso 1: Establecer los objetivos del control estadístico del
proceso: Analizar la inconstancia de la calidad del
ladrillo,
Paso 2: Identificar la variable o variables a controlar:
Porcentaje de absorción del agua, %.
Paso 3: Determinar el tipo de Gráfico de Control que es
conveniente utilizar: Gráfico x-R.
Paso 4: Elaborar el Plan de Muestreo (Tamaño de muestra,
frecuencia de muestreo y número de muestras): Ya
está definido en el enunciado del problema.

Paso 5: Recoger los datos según el plan establecido: Ya
dado en la tabla.
Paso 6: Calcular la media (𝑥) y el recorrido (R) para
cada muestra: Ya dado en la tabla.
Paso 7: Calcular los Límites de Control para cada uno
de los gráficos:
Cálculo de los valores medios Cálculo del recorrido medio
x  x  ...  x N R1  R2  ...  RN
x 1 2 R
N N
4,32  4,90  ...  4,84 2,5  2,9  ...  1,8
x  5,098 R  2,40
20 20
Límites de control para

Límites de control para x
R
LCS x  x  A2 R  5,098  0,577  2,40 LCS R  D4 R  2,114 2,40
LCS x  6,48 LCS R  5,64
VC x  5,10 VC R  R  2,40
LCI x  x  A2 R  5,098  0,577  2,40 LCI R  D3 R  0  2,40
LCI x  3,70 LCI R  0
n = 5, A2= 0,577, D4 = 2,114, D3 = 0

Paso 8: Definir las escalas de los gráficos.

Paso 9: Representar en el gráfico la Línea Central
y los Límites de Control.
Paso 10: Incluir los datos pertenecientes a las
muestras en el gráfico.
Ver diapositiva siguiente

LCS = 6,48
VC = 5,10
LCI = 3,70
LCS = 5,07
VC = 2,40
LCI = 0

Paso 12: Análisis y resultados aplicados al

proceso.
 No hay datos que salen de control.
 No hay tendencias o patrones anómalos

en los datos.
 La alta variabilidad del porcentaje de absorción de
agua no era esporádica y no es debida a causas
especiales y puntuales sino que es constante e
inherente al propio proceso de producción.

Gráficos de Control x-s
Subgrupo Valores de datos
1 2,5 0,5 2,0 -1,2 1,4
Los siguientes
2 0,2 0,3 0,5 1,1 1,5
datos muestran 1,5 1,3 1,2 -1,0 0,7
3
las cantidades 4 0,2 0,5 2,0 0,0 -1,3
en los que los 5 -0,2 0,1 0,3 -0,6 0,5
diámetros de 6 1,1 -0,5 0,6 0,5 0,2
los alambres 7 1,1 -1,0 -1,2 1,3 0,1
medidos en 8 0,2 -1,5 -0,5 1,5 0,3
unidades de 9 -2,0 -1,5 1,6 1,4 0,1
-0,5 3,2 -0,1 -1,0 -1,5
0,001 pulgadas 10
11 0,1 1,5 -0,2 0,3 2,1
sobrepasan un 0,0 -2,0 -0,5 0,6 -0,5
12
determinado 13 -1,0 -0,5 -0,5 -1,0 0,2
valor. 14 0,5 1,3 -1,2 -0,5 -2,7
Ing. Eder 15
Vicuña Galindo
1,1 – 0,8
FQIQ - UNMSM
1,5 -1,5 1,2
Gráficos de Control x-s...
n = 5, A3 = 1,44, B4 = 2,089, B3 = 0
Cálculo de los valores Cálculo de la desviación
medios estándar
5
x
x1  x2  ...  x N  ( x  1,4)
i
2
N s1  i 1
 5,29
5 1
1,4  0,72  ...  0,62
x  0,2 s  s  ....s N
15 s 1 2  1,09
N
Límites de control para x Límites de control para s
LCS x  x  A3 s  0,2  1,44 1,08 LCS s  B4 s  2,089  1,09
LCS x  1,759 LCS s  2,277
LCI x  x  A3 s  0,2  1,44  2,40 LCI s  B3 s  0  1,09
LCI x  1,359 LCI s  0
Gráficos de Control x-s...
Todos los
resultados
se
encuentran
dentro de
los límites
de control

Estabilidad Estadística de un
proceso en el Tiempo
Ventajas de Usar los Gráficos de Control:
 Las partes individuales serán más uniformes, con
menos variaciones y menos rechazos
 El costo de la inspección disminuirá
 Capacidad de proceso fácilmente lograda
 El problema puede anticiparse antes de que ocurra
 El porcentaje de piezas caídas entre dos valores puede

predecirse con el mayor grado de precisión; por
ejemplo, para máquinas de llenado
 Los gráficos x-R se pueden usar como evidencia
estadística para el control del proceso.
Estabilidad Estadística de un proceso
en el Tiempo
Predicción
ESTABLE
¿Predicción?
INESTABLE

Gráficos de Control por Atributos
Los diagramas de control por atributos constituyen
la herramienta esencial utilizada para controlar
características de calidad cualitativas, esto es,
características no cuantificables numéricamente.
Ejemplos de tales características no medibles son la
fracción o porcentaje de unidades defectuosas en la
producción (p), el número de unidades defectuosas
en la producción (np), el número de defectos por
unidad de inspección producida (u), y el número de
defectos de todas las unidades producidas (c).
Gráficos de Control por Atributos
• Establecer los objetivos del control
Paso 1 estadístico del proceso
• Identificar la característica a controlar

Paso 2
Paso 3
• Determinar el tipo de gráfico a utilizar
Tipo unidad Si Por

unidad no
No Tipo
conforme disconformidades
conforme
No ¿Tamaño Si No ¿Tamaño Si
muestra muestra
constante? constante?
Gráfico p Gráfico np Gráfico u Gráfico c

Gráficos de Control por Atributos...
Paso 4
• Establecer el plan de muestreo
Paso 5
• Recoger los datos según el plan
Calcular la Registrar el Calcular el número Registrar el

fracción de número de de número de
Paso 6 unidades no unidades no disconformidades disconformidades
conformes p conformes np por unidad u c
Paso • Calcular los límites de control

7
Paso • Definir las escalas del gráfico
8
• Representar en el gráfico la línea central y los
Paso
9 límites de control
Paso • Incluir los datos de las muestras en el gráfico Gráfico
10
Recalcular
Paso • Comprobación de los datos de construcción
11
Eliminar las ¿Proceso

muestras fuera de
No bajo
los límites control?
Si
Paso Análisis de resultados
12
Ing. Eder Vicuña Galindo – FQIQ - UNMSM Fin
Gráfica de control p
 Los datos de atributos no pueden ser medidos en escala
continua, solo calificados como bueno/malo, etc.
 Defecto: característica de calidad no aceptable para un
producto.
 Defectuoso: artículo con más de un defecto.
 P: probabilidad de que se produzca un artículo defectuoso.
 La probabilidad de que haya artículos defectuosos en una
muestra está dado por:
n d
P( x  d )    p (1  p ) n  d ; x  0,1,..., n
d 
Gráfico de control p
 La media y varianza y el estimador de una fracción
defectuosa de la población:
E ( x)  np
Var ( x)  np(1  p)
d
pˆ 
n
d: número de artículos defectuosos de un total de n.
 Valor estimado y varianza en función del estimador
d  1 np
ˆ
E ( p)  E    E (d )  p
n n n
 d  Var (d ) np(1  p) p(1  p)
ˆ
Var ( p)  Var    
n
2 2
n n n
Gráfico de control p…
 Suponiendo que tenemos m muestras de tamaño n, los
estimadores de la fracción defectuosa y la fracción
defectuosa de las m muestras se podrán calcular del modo:
m m
di  pˆ  d
i i
pˆ i  ; p i 1
 i 1
; para i  1,2,...m
n m m n
p (1  p )
LCS  p  3
 Límites de control para n
la fracción defectuosa VC  p
p (1  p )
LCI  p  3
n
 Ejemplo:
Treinta y cinco muestras sucesivas de 100 vaciados
que se extraen de una línea de producción
contuvieron respectivamente, 3, 3, 5, 3, 5, 0, 3, 2,
3, 5, 6, 5, 9, 1, 2, 4, 5, 2, 0, 10, 3, 6, 3, 2, 5, 6, 3, 3,
2, 5, 1, 0, 7, 4, y 3 unidades defectuosas.
 Se supone que cada unidad de la muestra tiene la misma
probabilidad de ser juzgado como no conforme.
 La muestra de n unidades se selecciona del proceso de
producción y se inspecciona de manera independiente.

m
 Se calcula:
di  ˆ
p i (
3

3

5
 ... 
3
)
pˆ i  ; p  i 1  100 100 100 100  0,037
n m 35
 Límites de control para la fracción defectuosa
p (1  p ) 0,037(1  0,037)
LCS  p  3  0,037  3
n 100
LCS  0,093
LC  p  0,037
p (1  p ) 0,037(1  0,037)
LCI  p  3  0,037  3
n 100
LCI  0,019 Si LCI es negativo se reemplaza por 0
0,1
LCS = 0,093
0,08
proporción
0,06
0,04 VC = 0,037
0,02
0 LCI = 0
0 5 10 15 20 25 30 35
número de muestra

 El proceso no está bajo control:

 Rehacer el gráfico desechando el dato anómalo
(outlier).
 Averiguar la causa de la anomalía.
 Se presenta muchos datos que configuran
tendencias y/o patrones de alarma.
 Iniciar plan de diagnóstico severo del proceso de
producción usando las herramientas estadísticas
estudiadas.

Gráfico de control np
 Se usa para controlar el número de defectuosos

en una muestra.
 Límites de control
LCS  np  3 np(1  p)
VC  np
LCI  np  3 np(1  p)
Gráfico de control np…
Supongamos un proceso que fabrica tornillos. Una
manera de ensayar cada tornillo sería probarlo con
una rosca calibrada.
Si el tornillo no entra en la rosca, se le considera
defectuoso o disconforme.
Para controlar este proceso, se pueden tomar
muestras de 50 tornillos y contar el número de
defectuosos presentes en cada muestra.

Se cuenta en cada muestra el Número de artículos
defectuosos y se registra. Se obtendría una Tabla como la
siguiente: n
Muestra
1
Nº Defectuosos
3
 Di
p  i 1
2
3
2
4
N n
4 3
5 4
6 2
7 5
. .
. .
. .
25 Ing. Eder6Vicuña Galindo – FQIQ - UNMSM
Entonces
LCS  50  0,06  3 50  0,06  (1  0,06)
LCS = 8,038  8
VC = 3
LCI  50  0,06  3 50  0,06  (1  0,06)

LCI = -2,038  0
Gráfico de control c
 Este tipo de gráfico se utiliza cuando se está intentando
controlar el número de defectos por unidad, ya sea
porque el numero de posibles defectos es elevado o
porque se desee aislar un cierto tipo de ellos.
 La unidad puede ser un solo artículo (juguete)
 Un grupo de artículos (cuatro crayolas)
 Se supone que el tamaño de grupo es el mismo en cada
punto.
 La gráfica de control para el número de defectos se
basa en la distribución de probabilidades de Poisson.
 Se usa comúnmente en industrias de proceso continuo.
Gráfico de control c…
La distribución de Poisson se sostiene en la binomial,
cuando n es muy grande y p muy pequeño.
Binomial (n, p)  Poisson ( = np)
Demostración:
Sea p = /n
nk k
    n(n  1)...(n  k  1) 1     1   
n
 n   
k k
P X n  k    1       k  
 k  n  n k!  n n  n
n
k 1  2
 
k 1 
n 1  1  1   k 1  
 n  n  n   n 1 e   k

k k
 
  n k! 1 k!
1   Como n 
 n
 La gráfica c, para el número de defectos en una

unidad, tiene una línea central a la altura de x .
 Los límites:
LCS  x  3 x
LCI  x  3 x
 Si LCI es negativo se reemplazará por 0.

 Ejemplo:
Una compañía fabrica paneles de metal los cuales son
horneados después de ser recubiertos primero con una
lechada de cerámica en polvo. A veces aparecen defectos
en el terminado de estos paneles y la compañía desea
establecer una gráfica de control para el número de
defectos. A continuación se muestran la cantidad de
defectos en cada uno de los 24 paneles muestreados en
intervalos de tiempo regulares.
7 10 9 12 13 6 13 7 5 11 8 10
13 9 21 10 6 8 3 12 7 11 14 10
 Sea n = 24
 Para la media y los límites:
24
x i
7  10  9  ...  10 235
ˆ  x  i 1
   9,792
n 24 24
LCS  x  3 x  9,792  3 9,792  19,18
LCI  x  3 x  9,792  3 9,792  0,40
 La gráfica se muestra a continuación:

La muestra 15
se encuentra
fuera del
LCS. Al
investigar se
encontró que
la lechada
empleada en
ese panel
tenía una
viscosidad
muy baja
(causa
asignable).
 Si se elimina esta observación del conjunto de datos, se
obtiene:
 El error se corrige y el proceso ahora está bajo control.

Gráfico de control u
 Se usa cuando el número de unidades inspeccionadas
varía de muestra a muestra y cuando se evalúa las no
conformidades por unidad; esto es, cuando aparecen
varios defectos en una misma unidad de producto.
 Sea X o mejor c el número defectos en n unidades de
inspección y u = c/n el número de defectos por unidad
de inspección.
 Este gráfico controla si la u media permanece
constante.
 Si denotamos por ci al número de defectos totales en la
muestra i-ésima, es claro que ni
ci   uij
j 1
Gráfico de control u…
Por otro lado, si denotamos por ui al valor esperado
de defectos en la muestra i – ésima, tendemos que
1 n
ui   uij
i
ni j 1
1
Note que ui  c,i , por tanto ci = uini
ni
Entonces X  Poisson (c): E(x) = c y Var(x) = c
c c
E (u )  Var (u )  2
𝑐 n n
𝐷𝑆(𝑢) =
𝑛
Los límites de Control: E (u )  3DS (u )
c c u
 3 2 u3
n n n
Si no se conoce u, se le estima a partir de m (> 25)
muestras previas m m m
 ui  ui  ni
uˆ  im1  i 1 n  i 1
nm
i n m
i 1
Si el tamaño de las muestras no difieren mucho.
Sino se utilizan todos los diferentes tamaños de muestra.
También se puede optar por tomar un n común e igual al
mayor de los ni, límites de control bastante “sensibles”.
En una planta textil se inspecciona el producto evaluando el
número de defectos por cada 50 m2 de tela (ésta es la unidad de
inspección). En la tabla se muestran los datos de 10 rollos de
tela de distinto tamaño.
# rollo # de m2 # de inconformidades
Construya una gráfica u
1 500 14
y determine si el proceso 2 400 12
está bajo control. 3 650 20
4 500 11
5 475 7
6 500 10
7 600 21
8 525 16
9 600 19
10 625 23
# inconformidades
Número # # de unidades
# rollo por unidad de
de m2 inconformidades de inspección, u
inspección
1 500 14 10,0 1,40
2 400 12 8,0 1,50
3 650 20 13,0 1,54
4 500 11 10,0 1,10
5 475 7 9,5 0,74
6 500 10 10,0 1,00
7 600 21 12,0 1,75
8 525 16 10,5 1,52
9 600 19 12,0 1,58
10 625 23 12,5 1,84
153 107,5
ui
La línea central del gráfico de control es igual al número
promedio de disconformidades por unidad de inspección
(50 m2 de tela)
153
uˆ   1, 423
107, 5
Es decir, en promedio, 1,423 defectos por cada 50 m2
tela. Este es el parámetro que deseamos controlar
Los límites de control resultan entonces
1,423
 1,423  3
ni
Estos varían según el número de unidades de inspección n
Primera aproximación: m En Minitab
n i Variable: defectos
n i 1
 10, 75 Subgroups size: 10,75
10
metros unidades defectos U Chart of Defectos
500 10,75 14 2,5 UCL=2,515
400 10,75 12
650 10,75 20 2,0
Sample Count Per Unit
500 10,75 11
1,5 _
U=1,423
475 10,75 7
500 10,75 10 1,0
600 10,75 21
525 10,75 16 0,5
LCL=0,332
600 10,75 19 1 2 3 4 5 6 7 8 9 10
Sample
625 10,75 23
Segunda aproximación: En Minitab
Variable: defectos
n  nmáximo  13 Subgroups size: 13,0
metros unidades defectos
U Chart of Defectos
500 13,0 14
UCL=2,080
2,0
400 13,0 12
650 13,0 20
1,5
500 13,0 11
_
475 13,0 7 U=1,177
1,0
500 13,0 10
600 13,0 21
0,5
525 13,0 16
LCL=0,274
600 13,0 19
1 2 3 4 5 6 7 8 9 10
625 13,0 23 Sample

Tercera aproximación: En Minitab
Variable: defectos
n variable Subgroups size: unidades
metros unidades defectos

U Chart of Defectos
500 10 14 3,0
400 8 12 2,5 UCL=2,436

650 13 20
2,0
500 10 11
_
1,5
475 9,5 7 U=1,423
500 10 10 1,0
600 12 21 0,5
LCL=0,411
525 10,5 16
0,0
600 12 19 1 2 3 4 5 6 7 8 9 10
Sample
625 12,5 23 Tests performed with unequal sample sizes

Gráficos de Control Procesos

Cargado por

Información del documento

Título original

Derechos de autor

Formatos disponibles

Compartir este documento

Compartir o incrustar documentos

Opciones para compartir

¿Le pareció útil este documento?

¿Este contenido es inapropiado?

Copyright:

Formatos disponibles

Gráficos de Control Procesos

Cargado por

Copyright:

Formatos disponibles

ESTADÍSTICA APLICADA A

Ing. Eder Vicuña Galindo

Ing. Eder Vicuña Galindo – FQIQ - UNMSM

Datos de atributo- Datos de variables-

Gráfica Gráfica Gráfica Gráfica Gráfico Gráficos Gráficos

Ing. Eder Vicuña Galindo – FQIQ - UNMSM

Ing. Eder Vicuña Galindo – FQIQ - UNMSM

Ing. Eder Vicuña Galindo – FQIQ - UNMSM

Ing. Eder Vicuña Galindo – FQIQ - UNMSM

 Tomar decisiones de las especificaciones del

Ing. Eder Vicuña Galindo – FQIQ - UNMSM

Ing. Eder Vicuña Galindotiempo

Ing. Eder Vicuña Galindo – FQIQ - UNMSM

tiempo– FQIQ - UNMSM

Ing. Eder Vicuña Galindo – FQIQ - UNMSM

Ing. Eder Vicuña Galindo – FQIQ - UNMSM

Ing. Eder Vicuña Galindo – FQIQ - UNMSM

Ing. Eder Vicuña Galindo – FQIQ - UNMSM

Ing. Eder Vicuña Galindo – FQIQ - UNMSM

Ing. Eder Vicuña Galindo – FQIQ - UNMSM

Límites de control para

n = 5, A2= 0,577, D4 = 2,114, D3 = 0

Ing. Eder Vicuña Galindo – FQIQ - UNMSM

Paso 8: Definir las escalas de los gráficos.

Ver diapositiva siguiente

Ing. Eder Vicuña Galindo – FQIQ - UNMSM

Ing. Eder Vicuña Galindo – FQIQ - UNMSM

Paso 12: Análisis y resultados aplicados al

 No hay tendencias o patrones anómalos

Ing. Eder Vicuña Galindo – FQIQ - UNMSM

Ing. Eder Vicuña Galindo – FQIQ - UNMSM

 Capacidad de proceso fácilmente lograda

 El problema puede anticiparse antes de que ocurra

 El porcentaje de piezas caídas entre dos valores puede

Ing. Eder Vicuña Galindo – FQIQ - UNMSM

• Identificar la característica a controlar

Tipo unidad Si Por

Gráfico p Gráfico np Gráfico u Gráfico c

Calcular la Registrar el Calcular el número Registrar el

Paso • Calcular los límites de control

Eliminar las ¿Proceso

Ing. Eder Vicuña Galindo – FQIQ - UNMSM

Ing. Eder Vicuña Galindo – FQIQ - UNMSM

 El proceso no está bajo control:

Ing. Eder Vicuña Galindo – FQIQ - UNMSM

 Se usa para controlar el número de defectuosos

Ing. Eder Vicuña Galindo – FQIQ - UNMSM

LCI  50  0,06  3 50  0,06  (1  0,06)

 La gráfica c, para el número de defectos en una

Ing. Eder Vicuña Galindo – FQIQ - UNMSM

 La gráfica se muestra a continuación:

Ing. Eder Vicuña Galindo – FQIQ - UNMSM

 El error se corrige y el proceso ahora está bajo control.

Ing. Eder Vicuña Galindo – FQIQ - UNMSM

metros unidades defectos

400 8 12 2,5 UCL=2,436

Ing. Eder Vicuña Galindo – FQIQ - UNMSM

También podría gustarte