Gráficos de Control: Entrenamiento Yellow Belt

Gráficos de Control
Entrenamiento Yellow Belt
Agosto 2 2022
Introducción
Martín Melchor
Industry 24 years in Sensata
Experience Joined Sensata: 1998
Sensata Site Aguascalientes, MX
Current • Developed and delivered Sensata training on:

Design Engeener Leader MTS, APT EU
Assignment
• Structured Problem Solving
Design Engr. APT GM LFS / FCA OPS+T / RAPA • Error & Mistake Proofing
Supplier Development Engr: APT Global • Six Sigma & SS critical thinking
Career Highlights Engr. Supervisor: APT • APT Knowledge Basics
Engr. Supervisor EP, Member of Tech Staff: EP launches • VDA
Mechanization Design Engr. • Machine Learning
PhD. Advance Manufacturing

Education MSc. Advance Manufacturing
B.S Electronics, Instituto Tecnologico Aguscalientes
Neural Networks
Affiliations & Skills VDA certified auditor
Six Sigma DMAIC Black Belt
Hometown Aguascalientes, MX
2 | Sensata Proprietary Information. Strictly Confidential. - Yellow Belt – Gráficos de control - M. Melchor.
“Una persona
lista resuelve
un problema,
una persona
sabia lo
previene”
𝐿𝑜𝑠 𝑔𝑟á𝑓𝑖𝑐𝑜𝑠 𝑑𝑒 𝑐𝑜𝑛𝑡𝑟𝑜𝑙 𝑡𝑒 𝑎𝑦𝑢𝑑𝑎𝑛 𝑎 𝑝𝑟𝑒𝑣𝑒𝑛𝑖𝑟 𝑝𝑟𝑜𝑏𝑙𝑒𝑚𝑎𝑠.
Objetivos de Aprendizaje
Día 14: Conceptos básicos de gráficos de control.
• Aprenderá cómo los gráficos de control se pueden utilizar para ayudar a establecer una línea base de medición para un
proceso.
• Aprenda cómo los gráficos de control se pueden utilizar para identificar la variación de causa común y de causa especial
en un proceso
• Aprenderá que son los gráficos de control para su uso con diferentes tipos de datos.
• Aprender a utilizar subgrupos como un método para seleccionar los gráficos de control.
• Entenderá como los gráficos de control se utilizan en las etapas de tu proyecto DMAIC “Measure", “Analyze" , “Control” y
“Improve”
Proceso DMAIC de Mejora (LSS)
Define Measure Analyze Improve Control
Definir Medir Analizar Mejorar Controlar
Actividades
• Revisión de Project Charter • Mapa de flujo de Valor para una • Identificar las posibles • Desarrollar soluciones potenciales • Aplicar Mistake Proofing /
• Validar Planteamiento y los mayor comprensión y enfoque causas de raíz • Evaluar, seleccionar y optimizar Pokayoke
Objetivos del problema • Identificar las métricas clave de • Reducir la lista de causas las mejores soluciones • Desarrollar Instrucciones de
• Validar la Voz del Cliente entrada, proceso y de salida raíz potenciales • Desarrollar “To-Be ” del mapa de trabajo, Plan de Entrenamiento
y la voz de los negocios • Desarrollar definiciones • Confirmar la causa raíz de flujo de valor y Controles en el proceso (CP)
• Validar beneficios financieros operacionales la relación de salida • Desarrollar e implementar la • Implementar soluciones y
• Validación de Alto Nivel del • Desarrollar un plan de recopilación • Estimar el impacto de las solución piloto mediciones en el transcurso
mapa de flujo de valor de datos causas de raíz en las • Confirman logro de los Objetivos del proceso
• Crear Plan de Comunicación • Validar Sistema de Medición salidas principales del proyecto • Identificar oportunidades de
• Selección Equipo de trabajo • Recolectar datos de referencia • Priorizar las Causas Raíz • Desarrollar plan completo de replicar el proyecto
• Desarrollar el Cronograma del • Determinar la capacidad de • Completar ANALYZE Gate implementación • Completar CONTROL Gate
Proyecto proceso • Completar IMPROVE Gate • Entrega del Proyecto al dueño
• Completar el DEFINE Gate • Completar MEASURE Gate del Proceso
Herramientas Identificar e implementar mejoras rápidas con Kaizen
• Value Stream Mapping • Identificación y análisis de Kaizen, 5S, Análisis NVA, • Dispositivos Pokayokes /Cero
• Project Charter
• Valor de la velocidad (la eficacia restricción Takt Time Cuatro Paso del Método SMED Defectos
• Voz del cliente y análisis Kano
• Mapa SIPOC
del proceso / Ley de Little) • Análisis de Causa y Efecto • Procedimientos Operativos
• Definiciones operacionales • AMEF (FMEA) Estándar (SOP)
• Valoración del Proyecto/ ROIC • Replenishment Pull/Kanban
• Plan de recopilación de datos • Pruebas de hipótesis / • Planes de Control de Procesos
• RACI y Gráficos Quad • Estrategia de Stocking
• Muestreo Estadístico Intervalos de confianza • Procesos Visuales de Control
• Análisis de los Stakeholder • Mejora de Flujo de Procesos
• Análisis Sistema de Medición MSA • Regresión simple y múltiple de Procesos
• Plan de comunicación • Balanceo de Procesos
• GR&R • ANOVA • Controles estadísticos de
• Herramientas de reuniones • Analítica de tamaños de lotes
• Estudios Kappa • Componentes de la variación procesos (SPC)
efectivas • TPM
• Líneas de tendencia y gráficos • Gráficos de Control • Conquista de la complejidad • Replicación de Soluciones
• Diseño de experimentos (DOE)
• Histogramas del proceso y producto • Modelo de Transición del
de Gantt • Matriz de selección de Soluciones
• Prueba de normalidad • La teoría de Queuing Proyecto
• Análisis
de Pareto • Experimentación y simulación
• Proceso de Análisis de Capacidad • Reunión de retroalimentación
• Análisis
Belbin
al equipo
Gráficos de Control - breve historia
Estas herramientas fueron diseñadas por W. A. Shewhart, por lo
que también son conocidas como Gráficos de Shewhart, quien en la
década de 1920 en los Estados Unidos, fue el primero en utilizarlos,
aplicándolos en la compañía Bell Telephone.
Se utilizan para estudiar la variación de un proceso y determinar a

qué obedece esta variación, dividiéndola en dos tipos:
• Variación con componentes de Causa común
• Variación con componente de Causa especial
Fig1. Ejemplo de un gráfico de control

Dr. Shewhart desarrolló la gráfica de control estándar basado en
aplicar ± 3 límites de desviación estándar de la variación. Eso ayuda
a separar las variaciones de causa común de la de cause especial.
Un gráfico de vontrol muestra: Existe más de una manera para medir, evaluar y
reaccionar a cambios durante el proceso, Se usan
• Si un proceso está bajo control o no.
más de un tipo de gráficas de control. Los tipos de
• Indica resultados que requieren una explicación. gráficas son:
• Define los límites de capacidad del sistema, los • Gráficas C, U
cuales previa comparación con los de • Gráficas P, NP
especificación pueden determinar los próximos • Gráficas Q
pasos en un proceso de mejora. • ഥ − 𝑹, 𝑰 − 𝑴𝑹, 𝑿
Gráficas 𝑿 ഥ−𝑺
Cada una tiene su propio uso especial.
Tipos de gráficos de control Shewhart
El uso adecuado de los gráficos de control requiere la selección de un gráfico de control que se ajusta al
tipo de datos y a la distribución:
Datos Tipo gráfica de control
Datos (Normal) Continuo: ഥ − 𝑹, 𝑰 − 𝑴𝑹, 𝑿

𝑿 ഥ −𝑺
Datos Binomiales : P, NP
Datos de atributos (Poisson): C, U
Tabla 1. Tipos de gráficos de control
Los gráficos de control es una de las herramientas más utilizadas por los
especialistas de Six Sigma:
• Los Gráficos de Control son herramientas para describir de una

manera visible el estado que guarda un proceso.
• Los gráficos de control proporcionan una imagen gráfica del

proceso a través del tiempo.
• Los gráficos de control nos ayudan a establecer una línea base de

medición, con la que podemos medir las mejoras.
Los gráficos de control se puede utilizar de la siguiente manera:

• Ayudar a detectar Variaciones de causa especial. Fig 2. Gráfico de control.
• Ayudar a establecer y garantizar que existe un Proceso es Estable.

• Ayudar a detectar Los cambios en el proceso con respecto el tiempo.
• Ayuda Identificar las fuentes principales de variación en el proceso.
Selección de carta o gráfica de control
• Después de que la estabilidad del proceso y normalización de datos
distribuidos se ha logrado, se puede seleccionar un gráfico de control
apropiado para comenzar a monitorear nuestro proceso. Tipo de dato
• Selección de control gráfico debe basarse en:

# de
• Tipo de datos. observaciones
• Número de observaciones.
• Tamaño de la muestra.
Tamaño de
• Subgrupos.
muestra
• El determinante principal para la selección del gráfico de control es el

Tipo de datos.
Subgrupo
Fig 3. Bases para la selección de gráficos de control.
10
Tipos de datos
Hay muchos tipos diferentes de datos.
Cada tipo de datos tiene su propia gráfica de control única.
El formato y los conceptos básicos subyacentes son los

mismos a través de toda la familia de gráficas de control.
El entender los diferentes tipos de datos es importante para el

uso exitoso de los gráficos de control.
Fig 4. Tipos de datos.
11
Datos Continuos
Datos Continuos es un conjunto de números que potencialmente pueden tomar
cualquier valor de menos infinito a más infinito, incluyendo el cero
Ejemplos: 0,1, 1 / 4, 20, 0, 100.001, 1.000.000, -3.26, -10.000
Las aplicaciones comunes:

• Dimensiones (longitud, anchura, peso, etc).
• Tiempo (segundos, minutos, horas, etc).
• Finanzas (molinos, centavos, dólares, etc).
Tipos de distribución
• Normal, Exponencial.
• Uniforme, Parabólico.
Debido a que los datos continuos pueden ser transformados a una distribución
normal, busque datos continuos siempre que sea posible.
12
Distribuciones continuas
• Datos Continuos (variable)
Distribución Normal
La distribución normal, distribución de Gauss, distribución gaussiana o distribución
de Laplace-Gauss, a una de las distribuciones de probabilidad de variable continua
que con más frecuencia aparece.
• Describe los datos de muchos grupos.
• Simétricos, pueden tener valores positivos y negativo. Fig 5. Distribución normal continua
Distribución Uniforme continua

La distribución uniforme continua es una familia de distribuciones de probabilidad
para variables aleatorias continuas, tales que para cada miembro de la familia,
todos los intervalos de igual longitud en la distribución en su rango son igualmente
probables.
• Probabilidad es igual para cada resultado.
Fig 6. Distribución uniforme continua
Distribución exponencial
La distribución exponencial es una distribución continua que se utiliza para modelar
tiempos de espera para la ocurrencia de un cierto evento.
• Los datos no es simétrica
• Los valores negativos son imposibles
Fig 7. Distribución exponencial
13
Datos de atributos
Los datos de atributos tiene dos subgrupos principales, Datos binarios y Datos discretos
Datos binarios
Los datos binarios son datos cuya unidad puede tomar solo dos estados posibles
Se caracteriza por un clasificar en sólo dos resultados
• Ejemplos: Pasa / Falla, de acuerdo / desacuerdo, Win / Loss, defectuosos / conforme
• Los usos más comunes: las proporciones y relaciones
Fig 8. Diagrama de Hasse mostrando
combinaciones binarias.
Distribución Binomial
La distribución binomial es una distribución de probabilidad discreta que cuenta el número de
éxitos en una secuencia de 𝑛 ensayos de Bernoulli independientes entre sí con una probabilidad
fija 𝑝 de ocurrencia de éxito entre los ensayos.
Los supuestos clave:
• Los eventos son independientes unos de otros
• Resultados mutuamente excluyentes
• Número de ensayos y los resultados de cada ensayo se conoce
Fig 9. Distribución Binomial
Datos de atributos (Cont.)
Los datos discretos (Atributos)
Los datos de atributos son aquellos que tienen una característica (o atributo) de calidad
que cumple o no cumple con la especificación del producto. Estas características se
pueden categorizar y contar.
También conocido como datos ordinales
Los usos comunes y ejemplos:
• Número de defectos por artículo o por los errores de servicio prestado. Tabla 2. Ejemplo de datos discretos
• Número de requerimientos del cliente.
• Número de errores contables por factura.
Distribución de Poisson La distribución de Poisson es una distribución de probabilidad

discreta que expresa, a partir de una frecuencia de ocurrencia media, la probabilidad de
que ocurra un determinado número de eventos durante cierto período de tiempo.
Poisson características y supuestos:
• Número ilimitado de defectos por artículo.
• Constante probabilidad de defectos por artículo.
• Probabilidad de defectos por unidad es bajo.
• Los defectos son independientes unos de otros. Fig 10. Distribución de Poisson
Distribuciones de Atributos
• Datos de Atributos (discreto)
• Distribuciones ejemplo: Poisson Binomial.
• A diferencia de las distribuciones continuas, no hay nada entre los
valores (todos los valores son números enteros positivos).
0.3 Binom n=20, p=0.2 0.3 Binom n=20, p=0.9
0.2 0.2
pdf(x)
pdf(x)
0.1 0.1
0.0 0.0
0 2 4 6 8 10 12 14 16 18 20 0 2 4 6 8 10 12 14 16 18 20
x x
Fig 11. Ejemplos de histogramas de datos discretos
Selección de Gráfico de control
El diagrama de árbol que se señala abajo muestra el método para seleccionar el tipo de gráfico de control según el tipo de datos y
el tamaño de los grupos de muestra.
TIPO DE DATOS
Contar o Clasificación Medición

(Datos de atributos) (Datos variables)
Contar Clasificación
Los defectos o Defectuosas o

Las no conformidades Las unidades no conformes
Subgrupo Subgrupo Fijo Variable Tamaño de Subgrupo Subgrupo>

Fijo Variable Oportunidad Oportunidad subgrupos de Tamaño <8 - Tamaño a 10
1 10
Carta C Carta U Carta NP Carta P I-MR Xbar & R Xbar & S
Distribución de Poisson Distribución binomial Distribución normal / teorema del límite central
Fig 12. Diagrama de selección de gráfico de control.
Gráficos de control continuo
Los gráficos de control continuos muestran los dos características:
• La tendencia central µ
• La variabilidad δ
Tipos de gráficos a usar son:

• 𝑰 − 𝑴𝑹: Individuales - Rango de Movimiento. Fig 13. Ejemplos de distribución continua.
ഥ − 𝑹 : Media de los subgrupos (𝑋)

• 𝑿 ത y Rangos (𝑅).
ഥ − 𝑺 : Media de los subgrupos (𝑋)
• 𝑿 ത y desviación estándar (𝑆).
Las gráficas se diferencian principalmente por su Tamaño de

subgrupos.
Fig 14. Ejemplos gráfico de control 𝑿 ̅−𝑹 .
Gráficos de datos individuales de Medias y rangos (I-MR)
Se utiliza cuando el tamaño de la muestra es un subgrupo único.
(Y en ciertas situaciones, los datos de atributos.)
La variabilidad se muestra como la diferencia entre cada punto de

datos (es decir, rango de movimiento).
Situaciones apropiadas de uso:

• Cuando hay muy pocas unidades producidas en relación
con la posibilidad de que las variables de proceso (fuentes
de variación) para cambiar.
• Cuando no hay más remedio debido a la escasez de
datos.
Fig 15. Dos ejemplos de gráfico de control 𝑰 − 𝑴𝑹.
• Cuando un proceso se desplaza en el tiempo y necesita
ser monitoreado.
𝐼 − 𝑀𝑅 es una buena carta para empezar a la hora de evaluar los

datos continuos.
Ejemplo de Gráfico de control I-MR
Abrir archivo de Minitab, RECORDABLES.mpx
En el archivo están 24 meses de las tasas

de lesiones registrables. Vamos a suponer
que es de mayo de 1988, y estamos
tratando de determinar si algo importante
o inusual ha sucedido en este período.
Graph> Time Series Plot
Primero veamos s a los datos

como una serie de tiempo y
verificaremos si algo se ve
interesante.
Este cuadro de diálogo aparece en primer lugar.

Seleccionar Simple como el tipo de gráfico
ya que contamos con una sola variable
sin grupos.
Hacer clic en Aceptar para proceder.
En primer lugar, pon tu cursor

en Serie en la caja. Entonces
Haga doble clic en la variable
de interés que es:
Recordable C3-Lesiones
para colocarlo en el Serie
caja.
Hacer clic en Aceptar para

proceder.
¿Podemos sacar algunas conclusiones a partir de la time series plot?
Gráfico de control 𝐼 − 𝑀𝑅
Stat> Control Charts> Variables Charts for Individuals> I-MR
Vamos a hacer un gráfico

I-MR de control solo con
los primeros 12 meses de
datos como un período de
referencia para los límites
de control.
En primer lugar, poner tu

cursor en variables en la
caja. Entonces has doble clic
en la variable de interés que
es; Recordable C3-
Lesiones para colocarlo en
la caja Variables .
Elegir I-MR Opciones
Cuando este cuadro de diálogo aparece, seleccione la
ficha Estimación.
Seleccione: "Omitir los siguientes subgrupos

para estimar los parámetros " a partir de esta
lista desplegable.
Luego, en el cuadro escriba cualquiera de los puntos

de datos que queremos excluir de nuestros cálculos
para el Estimación de parámetros. Queremos
excluir los últimos 12 meses de datos para entrar:
13:24 para excluir filas (Meses) 13 a 24.
Asegúrese de que la media

Rango de movimiento se ha seleccionado.
Hacer clic en Aceptar aquí y en el cuadro de diálogo

anterior para obtener las listas
¿Qué conclusiones puede sacar de la tabla I-MR?
Evaluar la estabilidad del Proceso
Para desarrollar una línea base de medición, se pueden usar los gráficos de control
Shewhart para datos continuos, ya que nos van a mostrar si el proceso es estable con
respecto al tiempo.
Para lograr la estabilidad del proceso, hay que reducir o eliminar la variación de
causa especial.
La variación de causa especial puede tomar la forma de los valores atípicos ó

tendencias y patrones en los datos respecto al tiempo.
Una vez que han reducido o eliminado la variación de causa especial, nuestro proceso
debe exhibir una cantidad aleatoria, estable y consistente de la variación de causa
común. En otras palabras la variación natural del proceso.
Las Reglas de la Western Electric Company (WECO Rules) son un método común
de identificación de la variación de causa especial.
29
Variaciones de causa común vs especiales
Variación de causa especial Variación de causa común
❖ Outliers o datos atípicos ❖ Azar
❖ Patrones de tendencia ❖ Estable

❖ Consistente
Variación anormal Variación natural del proceso
La distribución normal - Revisión de la regla empírica
99.73% de los datos es a menos de 3 δ de la media, 95.46% de los datos se encuentra a 2δ de la media, y el 68.26% de los
datos está dentro de un δ de la media.
99.73%
95.46%
68.26%
f (x)
 − 3  − 2  − 1   + 1  + 2  + 3
Para utilizar estas probabilidades, los datos deben ser
aleatorios, independientes y normalmente distribuido
Zonas de un Control en una gráfica de control
Podemos dividir el área de la media de los 3s límites en "zonas", lo que representa 1as, 2s y 3s de la media. Que marca el
gráfico de control de esta manera se puede ayudar a identificar las causas especiales.
f (x)
Zona Zona Zona Zona Zona Zona

A B C C B A
 − 3  − 2  − 1   + 1  + 2  + 3
Zonas de control en minitab
Zone Chart of Supplier 1
8
+3 StDev=600.321
4 4 4 4
+2 StDev=600.064
2 6
+1 StDev=599.806
0 0 0 6 0 4 4 _
_
X=599.548
0 0 2 0 0 0
-1 StDev=599.290
2 2 2 2 4
-2 StDev=599.032
4 4
-3 StDev=598.775
8
2 4 6 8 10 12 14 16 18 20
Sample
Otra forma de ver las zonas y límites de control gráfico
Zone Chart of Supplier 1
8
+3 StDev=600.321
4 4 4 4
+2 StDev=600.064
2 6
+1 StDev=599.806
0 0 0 6 0 4 4 _
_
X=599.548
0 0 2 0 0 0
-1 StDev=599.290
2 2 2 2 4
-2 StDev=599.032
4 4
-3 StDev=598.775
8
2 4 6 8 10 12 14 16 18 20
Sample
Reglas Western Company (WECO rules) en una gráfica de control
• Minitab tiene 8 reglas de WECO que se pueden activar, por default solo esta activad la regla 1. Se pueden activar en la pestaña de Tests
cuando creamos los gráficos de control.
Límite Superior de especificación
Límite superior de control
Valor central de especificación
Límite inferior de control
Límite Inferior de especificación
Fig 20. Ejemplo de como se aplican las WECO rules en un gráfico de control.
Reglas de la Western Electric (WECO Rules)
1. Uno de los puntos más allá de la zona A

Cualquier punto de datos individual cae fuera del límite de 3σ desde la línea
central (es decir, cualquier punto que cae fuera de la Zona A, más allá del
límite de control superior o inferior)
Fig 21. Regla WECO 1.
2. Nueve puntos consecutivos en el mismo lado de la línea central.
Nueve puntos consecutivos caen en el mismo lado de la línea central (en la zona
C o más allá).
3. Dos de tres puntos consecutivos caen más allá del límite de 2σ

Dos de tres puntos consecutivos caen más allá del límite de 2σ (en la zona A
o más allá), en el mismo lado de la línea central..
4. Uno de los puntos más allá de la zona A

Cuatro de cinco puntos consecutivos caen más allá del límite de 1σ (en la
zona B o más allá), en el mismo lado de la línea central.
Fig 25. Ejemplo de las reglas WECO.
Retomando el ejercicio de RECORDABLES.mpx, lo volvemos a realizar, pero en esta ocasión activamos todas las reglas WECO para ver que
información adicional nos genera.
Stat> Control Charts> Variables Charts for Individuals> I-MR
Se puede observar que hay 3 tipos de alertas
activadas por los WECO rules.
• Dos alertas 1: un punto fuera de 3 desviaciones WECO rules
estándar.
• Una alerta 5: dos punto de tres mayores a dos

desviaciones standard.
• Seis alertas 2: nueve puntos seguidos del mismo

lado de la línea central.
Podemos concluir que a partir del

mes 15 (Mar 1988) hubo una
variación de causa especial que
cambia la variación natural de
accidentes que se tuvieron en el
1987.
Fig 26. Ejemplo de WECO rules usando Minitab..
Analizando un cambio usando la gráfica de control
Retomando el ejercicio de RECORDABLES.mpx, lo volvemos a realizar, pero en esta ocasión activamos todas las reglas WECO para ver que
información adicional nos genera.
Stat> Control Charts> Variables Charts for Individuals> Individuals
Analizando un cambio usando la gráfica de control
• Se puede observar que hubo una reducción de
accidentes entre 1987 y 1988. de 12.75 (13
accidentes) accidentes promedio en 1987 a 10.04
(10 accidentes) promedio anual en 1988.
• Se puede esperar que existan hasta cerca de
14.18 (14 redondeando) accidentes y no menos
de 5.91 (6 redondeando).
• A diferencia de el gráfico de control 𝐼 − 𝑀𝑅, el de
individuales no muestra la variación de los
rangos, solo de los promedios.
Nota: Para verificar si tenemos una

diferencia estadísticamente significati-
va entre los dos grupos, se recomien-
da hacer un estudio T de student para
dos muestras.
De hecho al hacer el estudio, se
confirma que si existe la diferencia
estadística significativa.
Fig 27. Ejemplo de gráfico de control segmentado por cambios (Stages).
La eliminación de la variación de causa especial
Antes de que la variación de causa especial puede ser reducida o eliminada, en primer lugar debe identificar claramente el
origen y causa de la variación.
Las influencias externas que afectan el proceso son generalmente los más fáciles de identificar y eliminar.
• Los valores extremos suelen ser consecuencia de las influencias externas. Estos se pueden extraer del conjunto de
datos (1) si la causa se entiende claramente, (2) no es probable que se repita, y (3) número de valores atípicos son
pocos en número.
• Si usted tiene muchos valores atípicos, el proceso puede estar en un "estado de caos". En este caso, los valores
extremos son una parte recurrente de los procesos existentes.
• También es posible que sus datos sean no apropiado para el gráfico de control seleccionado. Comprobar su tipo de
datos antes de tomar medidas adicionales!
Es importante comprender la causa de las tendencias y patrones.

• Día de la semana, la estacionalidad y las tendencias de crecimiento a veces puede ser dirigida por subgrupos o las
técnicas de transformación de datos.
ഥ −𝑹
Gráfico de control 𝑿
La tabla 𝑋ത − 𝑅 es la gráfica de control más utilizados debido a su uso del
teorema del límite central para normalizar los datos y el hecho de que es Xbar Chart of Supp1
más sensible que el 𝐼 − 𝑀𝑅 que proceso de cambio. 600.5
UCL=600.321
Consta de dos gráficos que muestran tendencia central y variabilidad:
ഥ gráfico
𝑿 600.0
Sample Mean
• Parcelas de la media (valor promedio) de cada subgrupo _
_
X=599.548
• Es útil para identificar los cambios especiales causa a la media del 599.5
proceso (X)
• Control de 𝑋ത límites basados en ± 3 sigma a partir de la media del 599.0
proceso se calculan utilizando la tabla de rango. LCL=598.775
2 4 6 8 10 12 14 16 18 20
Sample
R gráfico Fig 28. Gráfico de control 𝑋 ̅−𝑅 mostrando el promedio y límites de control .
• Muestra los cambios en el "dentro" de la dispersión de subgrupos del

proceso.
• Comprueba constante (estable) la variación dentro de los subgrupos.
ഥ −𝑹
Cálculo de los límites del gráfico de control 𝑿
Fórmulas:
Sample Size A2 D3 D4 d2
CL X = X  A 2 R 2 1.880 - 3.267 1.128
3 1.023 - 2.574 1.693
UCL R = D 4 R 4 0.729 - 2.282 2.059
5 0.577 - 2.114 2.326
LCL R = D 3 R
6 0.483 - 2.004 2.534
7 0.419 0.076 1.924 2.704
8 0.373 0.136 1.864 2.847
9 0.337 0.184 1.816 2.970
R 10 0.308 0.223 1.777 3.078
ˆ =  
 d2  Observe cómo gama media (R) se utiliza para estimar
la desviación estándar de población (σ)
Proporciona una estimación de la desviación estándar

(Si el gráfico de control está en rango de control)
ഥ − 𝑹 gráficos
Los cálculos para 𝑿
1. Determinar un tamaño de subgrupo y un plan de muestreo.
2. Muestra: (Toma una serie de lecturas en cada intervalo de tiempo especificado).
3. Calcular el promedio y el rango para cada subgrupo.
4. Representar los datos. (Tanto los promedios y los rangos).
5. Después de 20 ó más conjuntos de mediciones, cálculo de límites de control para el gráfico de intervalos.
6. Si la tabla de rango no tiene el control, tomar las medidas adecuadas.

ത
7. Si el gráfico de intervalos está en control, calcular los límites de control para el gráfico 𝑋.
8. Si el gráfico 𝑋ത no está en control, tomar las medidas adecuadas.
45
Subgrupos racionales
• Una consideración importante en el uso de la Xbar-R (y Xbar-S) gráfico es la selección de un tamaño de subgrupo
apropiado.
• Subgrupos racionales es el proceso de selección de un subgrupo en base a criterios "lógicos", agrupación o
consideraciones estadísticas.
• Ejemplos de subgrupos
• "Natural" Puntos de corte:
• 3 turnos agrupados en un día;
• 5 días agrupados en una semana,
• 10 máquinas agrupadas en un departamento
• Siempre que sea posible, tanto en puntos de corte natural y consideraciones teorema del límite central debe ser
combinadas en la selección de un tamaño de muestra.
ഥ -𝑅
Otro ejemplo de gráfico de control 𝑿
Datos de conjunto abierto Fastener.mtw
Stat> Control Charts> Variables Carts for Subgroups> Xbar-R
ഥ -𝑅
Otro ejemplo de gráfico de control 𝑿
Seleccione: Stat> Control Charts>

Variable Control charts for subgrupos>
Xbar-R
Haga doble clic en C2 Weights

para colocarlo en la caja de las variables aquí.
Entrar 5 para el tamaño de los subgrupos.
Editar otras opciones si es necesario (no esta

vez).
Hacer clic en Aceptar para obtener las

gráficas de control.
Otro ejemplo de gráfico de control 𝑿 ̅-𝑅
Los pesos se comportan dentro de la
variación natural del proceso, es solo una
variación común. No hay datos anormales.
Fig 29. Gráfico de control 𝑋 ̅−𝑅 de Pesos del ejercicio Fasteners.mpx.
¿Qué debo hacer si mis datos no están
con distribución normal?
Muchas veces, sin embargo, nuestros datos

Distribution of S
no se extraen de una población distribuida 0.2 Tiempo de ciclo
normalmente.
Podemos usar el Teorema central del límite

para transformar los datos de la población no-
f(s)
normal a una distribución normal mediante la 0.1
recopilación de los subgrupos racionales (más

sobre esto más adelante).
A continuación, puede utilizar el ejemplo de las 0.0

propiedades de la probabilidad media y la 0 5 10 15
inferencia de la distribución normal para Días s
mantener el control de nuestro proceso. Fig 30. Ejemplo de distribución no-normal.
Teorema de límite central: Guías de muestra
Uniforme Exponencial Parabólico
Independientemente de la forma de la población padre, la Normal
distribución muestral de 𝑋ത rápidamente se aproxima a la

distribución normal si se incrementa el tamaño de la muestra.
Distribución Padre de la población
Reglas de Oro prácticas:
• Si la población es normal, 𝑋ത siempre será normal para
cualquier tamaño de la muestra.
• Si la población es menos simétrica, un tamaño de muestra de Distribuciones de muestreo de x para n = 2
5…20 debería ser suficiente.

• El peor escenario que sea muy diferente la distribución: se va
a requerir un tamaño de la muestra de 30 piezas, esto
debería ser suficiente para hacer 𝑋ത aproximadamente normal, Distribuciones de muestreo de x para n = 5
sin importar hasta qué punto la población puede ser diferente
a la normal.
• El dibujo de la derecha muestra varias distribuciones y el
efecto del cambio del tamaño de muestra.
Distribuciones de muestreo de x para n = 30
Fig 31. Progresión de distribuciones al aplicar el teorema de límite central.
Teorema central del límite
El teorema central del límite es uno de los resultados fundamentales de la estadística.
Este teorema nos dice que si una muestra es lo bastante grande (generalmente
cuando el tamaño muestral (n) supera los 30), sea cual sea la distribución de la media
muestral, seguirá aproximadamente una distribución normal. Es decir, dada cualquier
variable aleatoria, si extraemos muestras de tamaño n (n>30) y calculamos los
promedios muestrales, dichos promedios seguirán una distribución normal.
SI:
𝑋1, 𝑋2, … , 𝑋𝑛 son mediciones independientes (es decir, Una muestra), de una
población donde la media de 𝑋ത es , 𝑌 la desviación estándar de 𝑋 es ,
X 1 + X 2 ++ X n
X= n
ENTONCES:
• La distribución de media y la desviación estándar dada por:
 Fig 32. Concepto de límite central.
X =  and X =
n
y, además, cuando 𝑛 es grande, entonces la distribución de aproximadamente

una normal ("curva de campana").
Demostración del Teorema del Límite Central usando MatLab
El teorema del límite central establece que, en determinadas condiciones, la media de un número suficientemente grande de
variables aleatorias independientes, cada una con media y varianza finitas, tendrá una distribución aproximadamente normal.
%El teorema del límite central dice que, en ciertas condiciones

%la media de 'un número suficientemente grande de variables
%aleatorias independientes'
%cada uno con media finita y varianza se aproximará a gaussiano o
%distribución normal
n1=rand(1,10000);
n2=rand(1,10000);
n3=rand(1,10000);
n4=rand(1,10000);
n5=rand(1,10000);
n6=rand(1,10000);
n7=rand(1,10000);
n8=rand(1,10000);
n9=rand(1,10000);
n10=rand(1,10000);
n=(n1+n2+n3+n4+n5+n6+n7+n8+n9+n10)/10;
bar(hist(n));
%Teorema del límite central aplicado a variables aleatorias
%uniformemente distribuidas el gráfico de barras muestra una
%distribución normal o distribución gaussiana
Código 1. Código MatLab para probar el teorema de límite central. Fig 33. ejemplos de datos Fig 34. Resultado de aplicar el teorema del limite central.
aleatorios que se generan.
Backup y Referencias
Referencias – Gráficos de control
• The six-sigma handbook – Pizdek Keller, Third edition, 2009, Mc Graw Hills.
• Six Sigma Black Belt Training Materials - Session 1, Six Sigma Academy, 2006, http://corp.sensata.com/sixsigma/
• Six Sigma Green Belt Training Materials - Session 1 (21 Correlation and Simple Regression), and Session 2 (02 Multiple
Regression), Six Sigma Academy, 2006, http://corp.sensata.com/sixsigma/
• Lean Six Sigma and Minitab, Quentin Brook, Opex Resources Ltd., 2010, ISBN-13: 978-0-9546813-6-4.
• Six Sigma Statistics with Excel and Minitab, Issa Bass, McGraw Hill, 2007, ISBN-13: P/N 978-0-07-149646-9 of set 978-0-07-
148969-0.

Gráficos de Control: Entrenamiento Yellow Belt

Cargado por

Información del documento

Descripción original:

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: Entrenamiento Yellow Belt

Cargado por

Copyright:

Formatos disponibles

Gráficos de Control

Entrenamiento Yellow Belt

Current • Developed and delivered Sensata training on:

Mechanization Design Engr. • Machine Learning

PhD. Advance Manufacturing

𝐿𝑜𝑠 𝑔𝑟á𝑓𝑖𝑐𝑜𝑠 𝑑𝑒 𝑐𝑜𝑛𝑡𝑟𝑜𝑙 𝑡𝑒 𝑎𝑦𝑢𝑑𝑎𝑛 𝑎 𝑝𝑟𝑒𝑣𝑒𝑛𝑖𝑟 𝑝𝑟𝑜𝑏𝑙𝑒𝑚𝑎𝑠.

Se utilizan para estudiar la variación de un proceso y determinar a

Fig1. Ejemplo de un gráfico de control

Cada una tiene su propio uso especial.

Datos Tipo gráfica de control

Datos (Normal) Continuo: ഥ − 𝑹, 𝑰 − 𝑴𝑹, 𝑿

Datos de atributos (Poisson): C, U

Tabla 1. Tipos de gráficos de control

• Los Gráficos de Control son herramientas para describir de una

• Los gráficos de control proporcionan una imagen gráfica del

• Los gráficos de control nos ayudan a establecer una línea base de

Los gráficos de control se puede utilizar de la siguiente manera:

• Ayudar a establecer y garantizar que existe un Proceso es Estable.

• Selección de control gráfico debe basarse en:

• El determinante principal para la selección del gráfico de control es el

Fig 3. Bases para la selección de gráficos de control.

Cada tipo de datos tiene su propia gráfica de control única.

El formato y los conceptos básicos subyacentes son los

El entender los diferentes tipos de datos es importante para el

Fig 4. Tipos de datos.

Ejemplos: 0,1, 1 / 4, 20, 0, 100.001, 1.000.000, -3.26, -10.000

Las aplicaciones comunes:

Distribución Uniforme continua

Fig 9. Distribución Binomial

Distribución de Poisson La distribución de Poisson es una distribución de probabilidad

0.3 Binom n=20, p=0.2 0.3 Binom n=20, p=0.9

Contar o Clasificación Medición

Los defectos o Defectuosas o

Subgrupo Subgrupo Fijo Variable Tamaño de Subgrupo Subgrupo>

Carta C Carta U Carta NP Carta P I-MR Xbar & R Xbar & S

Tipos de gráficos a usar son:

ഥ − 𝑹 : Media de los subgrupos (𝑋)

Las gráficas se diferencian principalmente por su Tamaño de

Fig 14. Ejemplos gráfico de control 𝑿 ̅−𝑹 .

La variabilidad se muestra como la diferencia entre cada punto de

Situaciones apropiadas de uso:

𝐼 − 𝑀𝑅 es una buena carta para empezar a la hora de evaluar los

Abrir archivo de Minitab, RECORDABLES.mpx

En el archivo están 24 meses de las tasas

Graph> Time Series Plot

Primero veamos s a los datos

Este cuadro de diálogo aparece en primer lugar.

Hacer clic en Aceptar para proceder.

En primer lugar, pon tu cursor

Hacer clic en Aceptar para

Fig 16. Diagrama de selección de gráfico de control.

Stat> Control Charts> Variables Charts for Individuals> I-MR

Vamos a hacer un gráfico

En primer lugar, poner tu

Elegir I-MR Opciones

Seleccione: "Omitir los siguientes subgrupos

Luego, en el cuadro escriba cualquiera de los puntos

Asegúrese de que la media

Hacer clic en Aceptar aquí y en el cuadro de diálogo

Fig 17. Diagrama de selección de gráfico de control.

La variación de causa especial puede tomar la forma de los valores atípicos ó

Variación de causa especial Variación de causa común