Documente Academic
Documente Profesional
Documente Cultură
III.
INTRODUCCIN
En cualquier proceso productivo resulta conveniente conocer en todo momento hasta qu punto nuestros productos cumplen con las especificaciones preestablecidas. Como ya comentamos en el captulo anterior, podemos decir que la calidad de un producto tiene dos grandes enemigos: (1) las desviaciones con respecto al objetivo especificado (falta de exactitud), y (2) una excesiva variabilidad respecto a los valores deseables (falta de precisin). La idea consiste en extraer muestras de un proceso productivo que se encuentra activo y, a partir de las mismas, generar grficos que nos permitan tanto estudiar la variabilidad del mismo como comprobar si los productos obtenidos cumplen o no con las especificaciones preestablecidas. En caso de apreciar en tales grficos tendencias no aleatorias o bien muestras que se siten ms all de los lmites de control consideraremos que el proceso est fuera de control. Si as ocurre, estaremos interesados en averiguar las causas especiales que afectan al proceso. En un grfico de control se representa grficamente una caracterstica de calidad T, medida o calculada a partir de muestras del producto, en funcin de las diferentes muestras. La grfica tiene una lnea central que simboliza el valor medio de la caracterstica de calidad. Finalmente, otras dos lneas (los lmites superior e inferior de control) flanquean a la anterior a una distancia determinada. Estos lmites son escogidos de manera que si el proceso est bajo control, casi la totalidad de los puntos muestrales se halle entre ellos. As, un punto que se encuentra fuera de los lmites de control se interpreta como una evidencia de que el proceso est fuera de control. Adems, incluso si todos los puntos se hallan comprendidos entre los lmites de control, pero se comportan de manera sistemtica o no aleatoria, tambin tendramos un proceso fuera de control (veremos cmo estudiar la existencia de tales patrones no aleatorios mediante los llamados tests para causas especiales).
Variable T
3 * T
Nmero de muestra o tiempo La determinacin de los lmites de control se basa en conceptos y resultados estadsticos: supongamos, p.e., que estamos interesados en controlar la media de una variable aleatoria X cuya distribucin tiene una desviacin estndar ( y constantes durante el proceso). Sabemos (por el TCL) que, para un tamao muestral n grande, la distribucin de las medias muestrales ser aproximadamente normal con media igual a y desviacin estndar igual a /n . De este hecho se deduce que aproximadamente el 99,7% de las medias muestrales estarn contenidas en el intervalo 3 * /n , intervalo que viene definido por los lmites de control. Este sencillo razonamiento es la base para la construccin de todos los grficos de control. Observar que, como el intervalo anterior depende de n, si trabajamos con muestras de distintos tamaos los lmites de control no formarn una lnea recta, pues la distancia que les separa de la lnea central aumentar conforme n disminuya (sern lmites escalonados). III - 1
Control Estadstico de la Calidad con MINITAB Si dejamos momentneamente al margen el estudio de posibles patrones no aleatorios en el grfico de control, podemos considerar que ste no es ms que un contraste de hiptesis en el que podemos considerar como hiptesis nula Ho el hecho de que el proceso est bajo control estadstico. El que un punto se ubique entre los lmites de control es equivalente a no poder rechazar la hiptesis nula Ho; por el contrario, el que un punto se ubique fuera de los lmites de control equivale al rechazo de la hiptesis del control estadstico. Observar que la seleccin de los lmites de control equivale pues a determinar la regin crtica para probar la hiptesis nula Ho de que el proceso est bajo control estadstico: alejando dichos lmites de la lnea central se reduce (o probabilidad de cometer un error de tipo I, i.e.: que un punto caiga fuera de los lmites de control sin que haya una causa especial), si bien tambin se eleva con ello (o riesgo de cometer un error tipo II, i.e.: que un punto caiga entre dichos lmites cuando el proceso se encuentra en realidad fuera de control). En general, para un determinado, cuanto ms grande sea el tamao muestral n, tanto ms sensible ser el grfico a la hora de detectar pequeos cambios en el proceso (i.e., para fijo, a mayor n mayor ser la potencia del contraste 1-). Podemos distinguir dos grandes clases de grficos de control: los grficos de control por variables hacen uso de estadsticos obtenidos a partir de datos tales como la longitud o grosor de un elemento, mientras que los grficos de control por atributos se basan en frecuencias tales como el nmero de unidades defectuosas. As, en los grficos de control por variables es posible medir la caracterstica de calidad a estudiar. En estos casos conviene describir la caracterstica de calidad mediante una medida de tendencia central (usualmente la media muestral) y una medida de su variabilidad (usualmente el rango o la desviacin estndar). Los grficos de control por variables son ms sensibles que los grficos de control por atributos, razn por la cual son capaces de avisarnos de posibles problemas de calidad incluso antes de que stos sean ya relevantes. Por su parte, los grficos de control por atributos tienen la ventaja de sintetizar de forma rpida toda la informacin referida a diferentes aspectos de calidad de un producto, ya que permiten clasificar ste como aceptable o inaceptable; adems, no suelen necesitar de sistemas de medicin muy complejos y son ms fcilmente entendibles por los no especialistas. A continuacin se agrupan los grficos de control por variables segn el tipo de datos de que dispongamos: TIPO DE DATOS ESTADSTICOS A REPRESENTAR
Medias de subgrupos, X-barra Rangos de subgrupos, R Desviaciones estndar de subgrupos, S X-barra y R X-barra y S
Datos en subgrupos
Observaciones individuales
Combinaciones de subgrupos
Medias mviles con peso exponencial Medias mviles Sumas acumuladas Obs. Individuales o medias de subgrupos segn su distancia a la lnea central
Series cortas
Z - MR
III - 2
III - 3
Last Iteration Info Lambda Low -0,056 Est Up 0,000 0,056 StDev 2,861 2,856 2,855
StDev
Lambda
La Tabla de Informacin correspondiente a la ltima iteracin contiene el mejor estimador para , el cual resulta ser de 0,000. Otros dos buenos estimadores seran 0,056 y 0,056. Las dos lneas rojas del grfico determinan un intervalo de confianza a nivel del 95% para el verdadero valor de . Dicho intervalo contiene a todos los posibles valores de cuya desviacin estndar es menor o igual a la indicada por la lnea horizontal discontinua, en este caso sera el intervalo de extremos 0,3 y 0,4. Dado que el mejor estimador para es el cero, la transformacin que tomaramos sera Y = Ln Y .
Cada uno de los tests detecta un determinado comportamiento no aleatorio en los datos. Cuando alguno de los tests resulta positivo entonces hay indicios de que la variabilidad de las observaciones se debe a causas especiales, las cuales debern investigarse. Es importante notar que para realizar estos tests todas las muestras han de ser del mismo tamao. III - 5
sigma
0 1 2 3
10
nmero de muestra
sigma
10
15
muestra
sigma
0 1 2 3
10
nmero de muestra
sigma
10
15
muestra
III - 6
Test 5: dos de tres puntos consecutivos situados ms all de 2 sigmas (mismo lado)
3 Zona A 2 1 Zona B Zona C Zona C Zona B Zona A
sigma
0 1 2 3
10
nmero de muestra
sigma
0 1 2 3
10
nmero de muestra
sigma
10
15
muestra
sigma
10
15
muestra
III - 7
GRFICOS X-BARRA Y R
En la introduccin comentamos que los grficos por variables se utilizan para controlar una caracterstica mesurable del producto, como puede ser la longitud, el peso, la altura, etc. Un grfico X-barra contiene las medias muestrales de la caracterstica que se pretende estudiar, por lo que mediante l podremos detectar posibles variaciones en el valor medio de dicha caracterstica durante el proceso (desviaciones con respecto al objetivo). Un grfico R es un grfico de control para rangos muestrales. Se utiliza para medir la variacin del proceso y detectar la posible existencia de causas especiales. Es habitual usar los grficos R para estudiar la variacin en muestras de tamao no superior a 10, recurriendo a los grficos S para muestras mayores. Sea X la caracterstica de calidad que nos interesa medir, donde X N(,). Tomaremos k muestras, cada una de ellas de tamao n. Denotaremos por Xi1 , Xi2 , ..., Xin a las n observaciones que forman la muestra i-sima, donde i = 1,2,...,k. Veamos cmo construir un grfico X-barra: Por el Teorema de Distribucin Muestra, sabemos que:
x = X N , n n
x =
LSC = + 3
donde
1 n Xi = X n
ij j =1
i =1
Observar que
[[]
EX
E X= 1 k
k i =11 i
]=
x
=.
Si es desconocida, la podemos estimar a partir de los rangos Ri (observar que tal estimacin se realizar a partir de las k muestras obtenidas, k > 25, tomadas cuando se considera que el proceso est bajo control): i = 1,2,...,k , sea
Ri = Max{X ij / 1 j n} Min{X
ij
/ 1 j n} . Se cumple que
Ri = d 2 (n)
-
iR n) E [Ri ] d ( E = = 2 = d 2 ( n) d 2 ( n) d 2 ( n)
III - 8
III. Grficos de Control por Variables (1) As, es buena idea tomar como estimador de el promedio de los Ri / d2(n) :
= 1
k
i =1
Ri d 2 ( n)
R d 2 ( n)
( es estimador insesgado de )
En caso de que el tamao muestral (ni ) sea diferente para cada subgrupo, a la hora de calcular los lmites segn el modelo de Shewart, podemos optar por: 1. Obtener los lmites usando el ni asociado a cada muestra, con lo que las lneas de control no sern rectas (darn saltos arriba y abajo segn ni disminuya o aumente), 2. Si los ni no difieren mucho unos de otros, podramos tomar n
k i =1
ni .
nX n
i i
1 Ri k d 2 (ni )
Ejemplo grfico X-barra: Supongamos que trabajamos en una planta de montaje de coches. A la hora de montar los motores, partes de la cadena de montaje se mueven verticalmente arriba y abajo a cierta distancia del nivel horizontal de referencia. A fin de asegurar la calidad de la produccin, realizamos cinco mediciones cada da laborable desde el 28 de septiembre hasta el 15 de octubre, y diez mediciones diarias desde el 18 hasta el 25 de octubre. Los datos estn contenidos en el archivo Motores.mtw . Seleccionar Stat > Control Charts > Xbar Rellenar los campos como se indica a continuacin:
III - 9
Sample Mean
2 1 0 -1 -2 -3 -4 -5 0 5 10 15 20 25
Test Results for Xbar Chart TEST 6. 4 out of 5 points more than 1 sigma from center line (on one side of CL). Test Failed at points: 5 Observamos que el subgrupo 5 no ha superado el Test 6 ya que es el cuarto punto situado en la zona B (entre 1 y 2 desviaciones estndar de la lnea central), lo cual sugiere la existencia de causas especiales en el proceso. III - 10
III. Grficos de Control por Variables (1) Veamos ahora cmo construir un grfico R. Recordemos que X era la caracterstica de calidad que nos interesa medir, donde X N(,), y que denotamos por Xi1 , Xi2 , ..., Xin a las n observaciones que formaban la muestra i-sima, donde i = 1,2,...,k. i = 1,2,...,k , sea
Ri = Max{X ij / 1 j n} Min{X
ij
Ri = d 2 (n) Ri = d 3 (n) ,
, y Se cumple que: n.
Ri n N (d 2 (n) , d 3 (n) )
Si es desconocida, la podemos estimar a partir de los rangos Ri como vimos para el grfico X-barra. Asimismo, la observacin que vimos en los diagramas X-barra para el caso en que el tamao muestral (ni ) sea diferente para cada muestra es igualmente aplicable aqu.
Ejemplo grfico R: A fin de estudiar la variacin en el proceso, realizaremos ahora el grfico R de los datos del ejemplo anterior (archivo Motores.mtw): Seleccionar Stat > Control Charts > R Completamos los campos:
III - 11
Sample Range
10 R=7,559 5
0 0 5 10 15 20 25
-3,0SL=0,00E+00
Sample Number
Test Results for R Chart TEST 6. 4 out of 5 points more than 1 sigma from center line (on one side of CL). Test Failed at points: 5 Vemos en el grfico anterior que los puntos se encuentran aleatoriamente distribuidos en la zona comprendida por los lmites de control, lo que significa que el proceso es estable. Resulta tambin importante comparar los puntos del grfico R con los del grfico X-barra para ver si siguen las mismas tendencias. En la prctica se suelen considerar los diagramas Xbarra-R, que no son otra cosa sino la presentacin conjunta de un diagrama X-barra y otro R. La razn de usar dicho diagrama conjunto es la siguiente: Si la distribucin de la v.a. X es normal (como hemos supuesto), entonces las v.a. X-barra y R son independientes (Teorema de Cochran). Por tanto, si existiese una correlacin entre los valores de X-barra y R (es decir, si los puntos en ambas grficas presentasen grficos paralelos), ello indicara que la distribucin subyacente sera sesgada (no normal), con lo que los anlisis posteriores podran estar equivocados. III - 12
III. Grficos de Control por Variables (1) Ejemplo grfico Xbarra-R: En nuestra planta de montaje de vehculos, sabemos que una de las piezas del motor debe tener una longitud de 600 2 mm a fin de satisfacer las especificaciones tcnicas. Durante un mes hemos efectuado un total de 100 mediciones (20 muestras de 5 piezas cada una) de piezas usadas en la planta, y otras 100 por cada uno de nuestros dos proveedores. Las observaciones estn contenidas en el archivo Motores2.mtw. Queremos analizar las piezas que nos ha suministrado el segundo de los proveedores: Seleccionar Stat > Control Charts > Xbar-R Completamos los campos:
X=600,2
-3,0SL=598,1
Subgroup 9 8 7 6 5 4 3 2 1 0
3,0SL=7,866
R=3,720
-3,0SL=0,00E+0
III - 13
La lnea central del grfico X-barra est situada al nivel 600,2 , lo que significa que nuestro proceso est situado dentro de los lmites establecidos, pero dos de los puntos caen fuera de los lmites de control, por lo que el proceso es inestable. Por su parte, la lnea central en el grfico R est situada en el nivel 3,720 , valor que parece excesivo si tenemos en cuenta que la mxima variacin permitida era de 2 mm, por lo que es muy probable que nuestro proceso sufra de una variacin excesiva.
GRFICOS X-BARRA Y S
Ya sabemos que siempre que se intente controlar una caracterstica de calidad cuantitativa, es una prctica habitual controlar el valor medio de la caracterstica de calidad y su variabilidad. Esta ltima se estudia mediante un grfico R (como ya vimos), o mediante un grfico S, el cual es un grfico de control para desviaciones estndar muestrales. Por tanto, podemos usar los grficos S para estudiar la variabilidad del proceso y detectar la posible existencia de causas especiales. Resulta habitual utilizar los grficos S para muestras de tamao superior a 10, utilizando los grficos R en caso contrario. Sea X la caracterstica de calidad que nos interesa medir, donde X N(,). Tomaremos k muestras, cada una de ellas de tamao n. Denotaremos por Xi1 , Xi2 , ..., Xin a las n observaciones que forman la muestra i-sima, donde i = 1,2,...,k. Ya vimos cmo construir un grfico X-barra: Por el Teorema de Distribucin Muestra, sabemos que:
x = X N , n n
x =
LSC = + 3
donde
1 Xi =
i =1
ij n j =1
Observar que
EX
EX =
[ ]
]=
i x
=.
1 k k i =11
Si es desconocida, la podemos estimar a partir de las desviaciones estndar Si (observar que tal estimacin se realizar a partir de las k muestras obtenidas, k > 25, tomadas cuando se considera que el proceso est bajo control):
III - 14
i = 1,2,...,k , sea
Si =
1 n 1
(X )
n i j =1
ij
, donde
c4(n) es un valor tabulado que depende de n . Notar que Si / c4(n) es un estimador insesgado de , ya que:
iS E [S i ] c (n) E = = 4 = c 4 ( n) c 4 ( n) c 4 (n )
As, es buena idea tomar como estimador de el promedio de los Si / c4(n) :
Si
S c 4 ( n)
( es estimador insesgado de )
i =1
c 4 ( n)
En caso de que el tamao muestral (ni ) sea diferente para cada subgrupo, a la hora de calcular los lmites segn el modelo de Shewart, podemos optar por: 1. Obtener los lmites usando el ni asociado a cada muestra, con lo que las lneas de control no sern rectas (darn saltos arriba y abajo segn ni disminuya o aumente), 2. Si los ni no difieren mucho unos de otros, podramos tomar n
k i =1
ni .
nX n
i i
1 Si k c 4 (ni )
Veamos ahora cmo construir un grfico S. Recordemos que X era la caracterstica de calidad que nos interesa medir, donde X N(,), y que denotamos por Xi1 , Xi2 , ..., Xin a las n observaciones que formaban la muestra i-sima, donde i = 1,2,...,k. i = 1,2,...,k , se cumple que valor tabulado que depende de n. Se cumple que:
Si = c 4 (n) , Si = y
1 (c 4 ( n) )
, donde c4(n) es un
S i N n
( n) , 1 (c 4
2 (n) )
LSC = c 4 (n) + 3
(c 4
1
( n) )
(c 4
( n) )
Asimismo, la observacin que vimos en los diagramas X-barra para el caso en que el tamao muestral (ni ) sea diferente para cada muestra es igualmente aplicable aqu. III - 15
= X = 1 X i k i =1
Observar que
E [X ] =
k i =11
E[X i ] = .
Si es desconocida, la podemos estimar a partir del rango mvil MRi (observar que tal estimacin se realizar a partir de las k observaciones obtenidas, k > 25, tomadas cuando se considera que el proceso est bajo control): i = 2,...,k , sea
. Se cumple que
MRi = d 2 (1)
-
MR
MR
( es estimador insesgado de )
k 1 i = 2 d 2 (1)
d 2 (1)
III - 16
III. Grficos de Control por Variables (1) Como hemos comentado, junto a los grficos de control individuales podemos considerar tambin los grficos de control para los rangos mviles asociados, grficos que nos ayudarn a controlar la variabilidad de las observaciones registradas. Veamos cmo construir un grfico MR-barra. Recordemos que X era la caracterstica de calidad que nos interesa medir, donde X N(,), y que denotamos por X1 , X2 , ..., Xn a las k observaciones. i = 2,...,k , sea
MRi = d 3 (1)
y Se cumple que:
Si es desconocida, la podemos estimar a partir de los rangos mviles MRi segn ya vimos.
Ejemplo grfico I: Hemos registrado en la columna C1 del archivo Mat_Prima.mtw el peso de cada lote de una determinada materia prima. Seleccionar Stat > Control Charts > Individuals Completamos los campos:
III - 17
Individual Value
950
X=936,9
5 1 30 40 50
-3,0SL=862,8
Observation Number
TEST 1. One point more than 3,00 sigmas from center line. Test Failed at points: 14 23 30 31 44 45 TEST 2. 9 points in a row on same side of center line. Test Failed at points: 9 10 11 12 13 14 15 16 17 18 19 20 21 33 34 35 36 TEST 5. 2 out of 3 points more than 2 sigmas from center line (on one side of CL). Test Failed at points: 24 30 31 45 TEST 6. 4 out of 5 points more than 1 sigma from center line (on one side of CL). Test Failed at points: 5 6 7 29 30 31 32 45
El grfico nos muestra 6 puntos situados fuera de los lmites de control, as como 17 puntos localizados dentro de los mismos pero que no han cumplido el segundo de los tests, lo que sugiere la existencia de causas especiales de variacin. III - 18
EJEMPLOS DE APLICACIN
Ejemplo 1: En un proceso de manufactura se miden las presiones de rotura del alambre metlico en muestras de tamao variable tomadas en 25 das consecutivos. Los datos estn contenidos en el archivo presiones.mtw. Para analizar si el proceso est bajo control usaremos grficos X-barra y R. El programa nos proporciona el siguiente grfico X-barra:
Sample Mean
Sample Number
El grfico anterior indica la existencia de control estadstico (no hay puntos fuera de los lmites de control, ni tendencias, ni ciclos, ni patrones en los datos, etc.). A continuacin realizaremos un grfico X-barra/R:
3,0SL=62,81
X=59,98
-3,0SL=57,14
Subgroup
10
3,0SL=10,39
R=4,913
-3,0SL=0,00E+0
III - 19
Control Estadstico de la Calidad con MINITAB En los grficos anteriores se observa la presencia de control estadstico en el proceso. Tanto la media como la desviacin tpica varan dentro de los lmites de control y no se observan problemas de tendencias, ni de patrones en los datos, ni de ciclos, ni de estratificacin, ni de cambios bruscos en el proceso, etc. Dada la situacin clara de proceso bajo control, forzaremos a que el programa considere tamaos de subgrupos iguales a su valor medio 5. As podremos comprobar la existencia de control a travs de los tests para causas especiales:
62 61 60 59 58 57 -3,0SL=57,24 0 5 10 15 20 25 X=59,98
Subgroup
10
3,0SL=10,03
R=4,745
-3,0SL=0,00E+0
Test Results for Xbar Chart Test Results for R Chart Observamos que ninguno de los tests ha dado positivo, y que los grficos muestran un proceso aparentemente bajo control.
III - 20
III. Grficos de Control por Variables (1) Ejemplo 2: En un proceso de fabricacin de motores de aviones se controla el peso de 25 de ellos. Los resultados se guardan en el archivo aviones.mtw. Pretendemos comprobar si el proceso se encuentra bajo control. Dado que estamos ante un proceso en el que disponemos de una nica muestra de observaciones individuales, usaremos el grfico I-MR.
Individual Value
X=1256
-3,0SL=1223 15 20 25
Subgroup
50
1 3,0SL=40,16
Moving Range
40 30 20 10 0
R=12,29 -3,0SL=0,00E+0
Test Results for I Chart TEST 1. One point more than 3,00 sigmas from center line. Test Failed at points: 13 Test Results for MR Chart TEST 1. One point more than 3,00 sigmas from center line. Test Failed at points: 14 En el output anterior se observa la existencia de un punto fuera de control, e correspondiente a la observacin nmero 13. Vamos a eliminar dicho punto del anlisis usando la opcin Estimate:
III - 21
Control Estadstico de la Calidad con MINITAB El nuevo output que obtenemos es:
Individual Value
X=1254
-3,0SL=1227 15 20 25
Subgroup
50
1 3,0SL=33,71
Moving Range
40 30 20 10 0 R=10,32 -3,0SL=0,00E+0
Vemos que seguimos teniendo un problema de falta de control, por lo que deberemos analizar a fondo las causas atribuibles y realizar un estudio exhaustivo de materiales, mano de obra y circunstancias que pudieran incidir en el proceso de fabricacin.
III - 22