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
• El gráfico de Promedio y Rango que se
muestran a continuación, corresponden a
datos registrados de un proceso realizado en
un horno, son 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

150.00 144,
5

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