Uso Efectivo de los Control

Charts (CC)
Uso Efectivo de los Control Charts
Uso Efectivo de los Control Charts
• El gráfico del promedio detecta cambios
significativos en la media del proceso.
– Cuando la campana se desplaza, el CC lo reconoce
mediante un punto fuera de sus límites
• La carta del rango (o la medida de dispersión)
detecta cambios significativos en la amplitud de
la dispersión
– Por ejemplo, si la variabilidad aumenta (campana más
amplia) el control chart del rango (o la medida de
dispersión) lo detecta mediante uno o más puntos
fuera de su LCS.
Fundamentos de los Control Charts de
Shewhart
• 1. Los control charts siempre usan límites de control los
cuales están ubicados a una distancia de 3 unidades
Sigma a ambos lados de la línea central
• 2.Para calcular límites de control se debe usar siempre
una medida promedio de dispersión
• 3. El concepto fundamental de los control charts de
Shewhart es la noción del muestreo racional y la
agrupación racional en subgrupos
• 4. Los control charts son efectivos sólo en la medida en
que la empresa pueda usarlos para obtener
conocimiento sobre el proceso

4
Maneras de aumentar la eficiencia de
los Control Charts (CC)
• Son una herramienta poderosa para detectar la
variación no controlada
• Son efectivos con cualquier tipo de datos
• Existen varias maneras de aplicar los CC, algunas
más efectivas que otras
• Para aumentar la eficiencia de los CC:
– Podemos hacer que sean más sensitivos a cambios en
el proceso
– Podemos utilizarlos para obtener respuestas a
preguntas específicas
 Patrones en el registro de
observaciones (running records)
• Hasta ahora hemos visto que:
– Cuando un punto u observación cae fuera de los límites,
esto se debe a la presencia de alguna causa asignable (lo
apropiado es identificar y remover esta causa)
– Cuando un punto permanece dentro de los límites, y los
puntos varian por encima o por debajo de la línea central
de manera aleatoria, es seguro decir que el proceso
aparenta estar estable.
Sin embargo, ¿qué pasa si el punto u observación no
varía por encima o por debajo de la línea central de
manera aleatoria? ¿qué pasa si existe algún patrón
aparente en los registros de observaciones?
 Patrones en el registro de
observaciones (running records)
• Para responder a las preguntas anteriores:
– Si el patrón puede ser interpretado de modo
significativo en el contexto del proceso, se debe tomar
como un indicador de una causa asignable.
– Si el patrón no tiene ninguna interpretación razonable
en el contexto del proceso y de los subgrupos, y si el
mismo no persiste en el tiempo, entonces no requiere
de mayor interpretación.
– En este sentido, para evitar interpretar patrones que
se deben a causas aleatorias solamente (chance
causes), es necesario conocer ciertas guías que
describen patrones de comportamiento no aleatorios.
 Guía 1: Prueba de Corrida Simple
• Prueba de corridas es una herramienta básica
para detectar patrones
• Corridas con respecto a la línea central: un grupo
de puntos sucesivos que están todos localizados
en el mismo lado de la línea central. Dos puntos
consecutivos en el mismo lado de la línea central
es una corrida de longitud dos. Un solo punto en
el mismo lado de la línea central es una corrida
de longitud uno.
• Corridas con respecto a la línea central proveen
evidencia con respecto a cambio del proceso
 Guía 1: Prueba de Corrida Simple
• Para visualizar mejor esta guía considere el lanzamiento de
una moneda (resulta en cara o sello con 0.5 y 0.5)
– Obtener 2 caras consecutivamente puede ocurrir facilmente
– Obtener 3 caras consecutivamente puede pasar
– Obtener 4 caras consecutivamente es difícil, de igual manera 5,
6, 7, …
– Conforme la cantidad de caras que se obtienen
consecutivamente aumenta, el patrón se empieza a notar
– De modo que, si lanzamos la moneda y obtenemos, por ejemplo
8 caras consecutivamente, pensaríamos de inmediato que existe
algún componente no aleatorio presente
– Actualmente, está comprobado que la probabilidad de obtener
8 caras (u 8 sellos) consecutivamente y de manera totalmente
justa es 1/128
 Guía 1: Prueba de Corrida Simple
• De igual manera, en Control Estadístico de Procesos, cuando 8 o
más puntos sucesivos caen en el mismo lado de la línea central del
Gráfico del Promedio, se debe considerar como una evidencia de un
cambio sustancial en el promedio del proceso, aún cuando ningún
punto cae fuera de los límites de control.
• Cuando se aplica esta prueba al Gráfico del Rango (o cualquier otra
medida de dispersión) es necesario considerar la falta de simetría
en la distribución de los rangos. Dicha falta de simetría incrementa
la posibilidad de corridas largas por debajo de la línea central. Para
contrarrestar esto:
– Ser más conservador al interpretar las corridas por debajo de la línea
central. En lugar de 8 puntos, use 12.
– Usar la mediana de los rangos como línea central, con esta medida las
corridas de 8 o más puntos consecutivos indican un cambio
Ejemplo: Datos del horno de silicio
• Los datos que se muestran en la Tabla 5.1 (en
Excel) contienen 99 medidas del contenido de
silicio en el metal caliente proveniente del
horno. Estas medidas han sido ordenadas en
33 subgrupos de tamaño n=3. Los control
charts para estos datos se muestran en la
Diapositiva siguiente
 GRÁFICO DEL PROMEDIO
215.7

200.00

144,5
150.00

100.00

73.4

50.00
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30 31 32 33

GRÁFICO DEL RANGO

180 179.0

160

140

120

R 100

80 69.5
60

40

20

0
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30 31 32 33
Ejemplo: Datos del horno de silicio
• Resultados:
– Dos corridas largas, una de 10 puntos por encima
de la línea central, una de 9 puntos por debajo de
la línea central. Ambos indican falta de control
• En teoría, para corridas alrededor de la línea
central, el conteo empieza cada vez que el
registro de observaciones cruza la línea
central. Cuando un punto u observación cae
en la línea central se asume como el inicio de
un conteo nuevo
 Guía 1: Prueba de Corrida Compleja
• Utilizan ambos, la longitud de la corrida y la distancia de la línea central
como los criterios para la falta de control. Esto se basa en el concepto de
que una corrida corta que consiste de puntos que están más lejos de la
línea central provee tanta evidencia de un cambio en el proceso como una
corrida larga que consiste de puntos que están más cerca de la línea
central.
• Indican cambio en el proceso cuando:
– Al menos 2 de 3 observaciones consecutivas están en el mismo lado de la
línea central
– Al mismo tiempo estas 2 observaciones están localizadas a más de 2 Sigma de
la línea central (el tercer valor puede caer en cualquier lado de la línea central)
• También indican cambio en el proceso cuando:
– Al menos 4 de 5 observaciones sucesivas están en el mismo lado de la línea
central
– Al mismo tiempo estas 4 observaciones están a más de 1 Sigma de la línea
central (el quinto valor puede caer en cualquier lado de la línea central)
 4 Reglas para Detectar la Falta de
Control
• Resumiendo las guías y reglas vistas hasta el momento,
tenemos:
– Regla 1: Existe falta de control siempre que algún punto u
observación cae fuera de los límites de control
– Regla 2: Existe falta de control siempre que al menos 2 de 3
puntos u observaciones sucesivas caen en el mismo lado de la
línea central y al mismo tiempo están a más de 2 unidades
Sigma alejados de la línea central
– Regla 3: Existe falta de control siempre que al menos 4 de 5
puntos u observaciones sucesivas caen en el mismo lado de la
línea central y al mismo tiempo están a más de 1 unidad Sigma
alejados de la línea central
– Regla 4: Existe falta de control siempre que al menos 8 puntos u
observaciones sucesivas cae al mismo lado de la línea central
 Otros Patrones en las Corridas
• Si la estructura de los datos sugieren que ciertos patrones
podrían ser significativos en el contexto del proceso,
entonces es necesario buscar esos patrones en los CC
• Veamos el siguiente ejemplo: Tres operadores están
encargados de manejar un molino de procesamiento de
harina. Las producciones de cada uno son enviadas al
laboratorio diariamente en donde dichos datos de
producción se introducen en la base de datos y se generan
los CC correspondientes, para esto el personal del
laboratorio utiliza 5 muestras diarias de cada operador. Esto
da como resultado subgrupos separados para cada
operador. El Gráfico del Rango para los primeros 8 días se
muestran en la Figura que se muestra a continuación.
 Otros Patrones en las Corridas:
Ejemplo
¿Qué observamos a partir del Gráfico del Rango?
 Otros Patrones en las Corridas:
Ejemplo
• Dado que los diferentes subgrupos representan diferentes
operadores, se puede esperar que cualquier diferencia
entre los operadores aparezca como un patrón detectable
en los CC. Por lo tanto, es apropiado buscar patrones que
se puedan asociar a los operadores.
• Al hacer esto, detectamos que cada rango fuera de control
resulta del operador 27. Adicionalmente, el operador 27
estuvo siempre por arriba de la línea central en el Gráfico
del Rango, mientras que operadores 65 y 75 estuvieron
siempre por debajo de la línea central.
• Dado que el Gráfico del Rango muestra la dispersión de los
subgrupos, los resultados indican que el operador 27
estaba produciendo producto menos homogéneo que el
resto de los operadores.
 Otros Patrones en las Corridas:
Ejemplo 2
• El grosor de una lámina de metal es controlado por un
sensor automático. El sensor mide el grosor de la lámina y
en respuesta a la lectura automáticamente ajusta la
velocidad de la máquina. Las medidas de grosor se
almacenan automáticamente y se genera un reporte por
cada rollo de material. Desafortunadamente, el reporte que
se genera solo muestra los promedios de grosor para un
periodo de una hora, de modo que no se muestra el
comportamiento a corto plazo o sea las medidas
individuales. Un ingeniero de producción quien está
encargado de la planta, con todo el interés de entender lo
que está pasando con esta maquinaria decide leer las
mediciones directamente de la pantalla y graficarlas en CC.
 Otros Patrones en las Corridas:
Ejemplo 2
• Conforme el ingeniero
registraba el grosor y
generaba los CC, se
dio cuenta de una
fluctuación definitiva
en los datos. El Gráfico
del Promedio se
observa a la derecha
 Otros Patrones en las Corridas:
Ejemplo 2
• Al observar dicha fluctuación, el ingeniero decide
cambiar de modo automático a manual y recolectar
el resto de los datos en modo manual. Veamos el
Gráfico del Promedio para los datos manuales
 Otros Patrones en las Corridas
• En el primer ejemplo (3 operadores), el patrón persistente presente
en los gráficos fue el indicio para buscar la causa asignable
• En el segundo ejemplo (grosor de lámina), el patrón fue lo
suficientemente consistente como para sugerir un experimento en
particular
• En ambos ejemplos, no fue el uso rutinario de los CC o la aplicación
de las 4 reglas para detectar la falta de control, si no la
interpretación de los CC en el contexto del proceso lo que llevo a
los descubrimientos sobre el funcionamiento del proceso
• El estar alerta por este tipo de patrones, los cuales dependen en
gran medida de la manera como se recolectan los datos, no se
puede definir en reglas o guías, todo depende del esfuerzo del
encargado del proceso (Usted, el ingeniero o ingeniera) en conocer
el proceso y saber interpretar los CC y los datos de los que disponga
 Formación de Subgrupos Racionales
• Necesitamos que los CC respondan a la pregunta
correcta –así que la manera como los datos están
organizados en subgrupos debe ser de acuerdo
con la estructura presente en los datos
POR LO GENERAL CADA SUBGRUPO SERA
SELECCIONADO DE UN PRODUCTO, ESPACIO,
TIEMPO, ETC., PARA ASEGURAR CONDICIONES
RELATIVAMENTE HOMOGÉNEAS DENTRO DEL
SUBGRUPO –ESTO ES MINIMIZAR LA VARIACIÓN
DENTRO DEL SUBGRUPO
 Formación de Subgrupos Racionales
• Recordemos que la variación dentro del
subgrupo es lo que utilizamos para calcular y
definir los límites de control
– Los límites dependen del promedio del rango,
éste depende de los rangos individuales para
cada subgrupo, es decir es una medida de la
variación dentro del subgrupo
– De modo que, los CC usan la variación dentro del
subgrupo para calcular los límites que definen
cuanta variación debe existir entre los subgrupos