Control Estadistico de Calidad - UOC1

ControlEstadsticode Calidad
RecopiladoporJosVegaM.
ApuntesdeControlEstadsticodecalidad UOC 18/06/2010
INDICE
I. II. III. IV. V. VI. CAPACIDADDEPROCESOS GRFICOSDECONTROLPORVARIABLES(2) GRFICOSDECONTROLPORATRIBUTOS GRFICOSDECONTROLPORVARIABLES(1) ANLISISDESISTEMASDEMEDICIN HERRAMIENTASPARALAPLANIFICACINDELACALIDAD
I. Herramientas para la Planificacin de la Calidad
I. HERRAMIENTAS PARA LA PLANIFICACIN DE LA CALIDAD

INTRODUCCIN____________________________________________________
El programa Minitab dispone de diversas herramientas grficas que nos ayudarn en la deteccin de problemas de calidad y en los procesos de mejora de sta: Grficos de rachas: permiten detectar patrones no aleatorios en los datos. Grficos de Pareto: nos ayudan a identificar los problemas ms relevantes. Diagramas de causa-efecto: permiten organizar grficamente las posibles causas de un problema. Grficos de varianza: suponen una alternativa a los mtodos ANOVA. Grficos de simetra: nos ayudan a determinar el grado de simetra de la distribucin de datos.
GRFICOS DE RACHAS (RUN CHARTS)_______________________________

Un grfico de rachas nos permite identificar patrones no aleatorios en los datos. En l se representan las medias (o las medianas) vs. el nmero del subgrupo al que pertenecen. El grfico contiene adems una lnea horizontal de referencia que representa la mediana de las observaciones. Por otra parte, tambin se realizan dos pares de tests para contrastar la hiptesis nula de que el comportamiento de las observaciones sigue una secuencia aleatoria. Estos tests nos ayudarn a identificar tendencias, oscilaciones, mezclas, y estratificaciones en los datos. La existencia de tales patrones de comportamiento sugerira que la variacin observada es debida a causas especiales, i.e., causas externas al sistema y que deben ser corregidas. Consideraremos que un proceso se encuentra bajo control cuando ste se vea afectado nicamente por causas comunes o naturales (inherentes al propio proceso). Los datos de un proceso que se encuentre bajo control (es decir, cuya variabilidad se deba slo a causas comunes) deberan seguir un patrn aleatorio, como ocurre en el siguiente grfico:
Run Chart for C1

7,25 7,15 7,05
C1
6,95 6,85 6,75 6,65 10 20 30
Observation
Number of runs about median: Expected number of runs: Longest run about median: Approx P-Value for Clustering: Approx P-Value for Mixtures: 17,0000 15,9333 3,0000 0,6548 0,3452 Number of runs up or down: Expected number of runs: Longest run up or down: Approx P-Value for Trends: Approx P-Value for Oscillation: 17,0000 19,6667 3,0000 0,1168 0,8832
I-1
Control Estadstico de la Calidad con MINITAB Los dos primeros tests de aleatoriedad que se muestran en el grfico anterior se basan en el nmero de rachas localizadas a cada lado de la lnea que representa la mediana. En este contexto, una racha es un conjunto de puntos consecutivos situados a un lado de la mediana. Si los puntos estn unidos por una lnea, una racha termina y otra empieza cuando dicha lnea cruza la mediana. Estos contrastes son sensibles a dos tipos de comportamientos no aleatorios: las mezclas y las estratificaciones. As, si el nmero de rachas es significativamente superior al esperado bajo la hiptesis nula, tendremos indicios de que las observaciones estn mezcladas (provienen de poblaciones diferentes), mientras que si el nmero de rachas es significativamente inferior al esperado tendremos indicios de estratificacin (o agrupamiento) en los datos. Los p-valores que nos muestra el grfico anterior son mayores de 0,05 para ambos tests, por lo que no hay motivos para pensar que los datos estn mezclados o estratificados. A continuacin se muestran otros dos grficos caractersticos de datos con problemas de mezclas y estratificaciones respectivamente:
Datos M ezclados
7 ,2
Demasiadas rachas: la lnea negra cruza muchas veces la mediana
C2
6 ,7 a u s e n cia d e p u n to s ce rca d e la ln e a ce n tra l 6 ,2
10
20
30
O bs ervation
N um ber of runs about m edian: Expected num ber of runs: Longest run about m edian: Appr ox P-Value for C luster ing: Appr ox P-Value for M ixtures: 23,0000 16,4839 2,0000 0,9914 0,0086 N um ber of runs up or dow n: Expected num ber of r uns: Longest r un up or dow n: Appr ox P-Value for T rends: Appr ox P-Value for Oscillation: 22,0000 20,3333 3,0000 0,7678 0,2322
D atos E stratificados
7 ,2 8 7 ,1 8 7 ,0 8 g ru p o s d e p u n to s e n u n re a
Insuficientes rachas: la lnea negra cruza pocas veces la mediana
C3
6 ,9 8 6 ,8 8 6 ,7 8 6 ,6 8 10 20 30
O bs ervation
N um ber of r uns about m edian: Expected num ber of r uns: Longest r un about m edian: Approx P-Value for C luster ing: Approx P-Value for M ixtures: 9,0000 16,0000 6,0000 0,0046 0,9954 N um ber of r uns up or dow n: Expected num ber of r uns: Longest r un up or dow n: Approx P-Value for T r ends: Approx P-Value for Oscillation: 19,0000 19,6667 4,0000 0,3829 0,6171
I-2
Los dos tests restantes se basan en el nmero de rachas crecientes y decrecientes. En este caso, una racha es un conjunto de puntos consecutivos situados en la misma direccin (formando un tramo creciente o decreciente). As, una nueva racha comenzar cada vez que la lnea que une los puntos pase de ser creciente a decreciente o viceversa. Estos contrastes son sensibles a dos tipos de comportamientos no aleatorios: las oscilaciones y las tendencias. Si el nmero de rachas observadas es significativamente mayor que las esperadas (bajo la hiptesis nula), entonces habr indicios de la existencia de oscilaciones en los datos. Si el nmero de rachas observadas es significativamente menor que el esperado, habr indicios de tendencias. Ninguno de los grficos anteriores presentaban indicios de que los datos sufriesen oscilaciones ni que siguiesen tendencias determinadas. A continuacin se muestran dos casos tpicos de datos con problemas de oscilaciones y tendencias:
Datos con Os cilaciones

7,25 7,15 7,05 datos con fluctuaciones
Demasiadas rachas: la lnea negra oscila arriba y abajo con mucha frecuencia
C4
6,95 6,85 6,75 6,65 10 20 30
Observati on
N umber of runs abo ut median: Ex pec ted numbe r of r uns : Longes t ru n a bout med ian : Appr ox P-Value for C lus tering: Appr ox P-Value for Mix tures : 16,0000 16,0000 4,000 0 0,500 0 0,500 0 N umber of runs up or dow n: Ex pec ted nu mb er of r uns : Longes t r un up or dow n: Appr ox P-Va lue for Tr ends : Appr ox P-Va lue for Os c illation: 25,0000 19,6667 3,000 0 0,991 4 0,008 6
Datos con Tendencia

7,28 7,18 7,08
Insuficientes rachas: la lnea negra muestra tendencias crecientes o decrecientes
C5
6,98 6,88 6,78 6,68 20 30 40 Tendencia as cendente
Observation
Num ber of runs about median: Expected number of runs: Longest run about median: Approx P-Value for Clustering: Approx P-Value for M ixtures: 12,0000 15,4828 7,0000 0,0936 0,9064 Num ber of runs up or down: Expected num ber of runs: Longest run up or down: Approx P-Value for Trends: Approx P-Value for Oscillation: 16,0000 19,0000 5,0000 0,0862 0,9138
I-3
Control Estadstico de la Calidad con MINITAB Ejemplo Grfico de Rachas: Supongamos que trabajamos para una empresa que produce un tipo de dispositivos capaz de medir los niveles de radiacin en el ambiente. Queremos analizar los datos, obtenidos en un test realizado sobre 20 dispositivos (en grupos de 2), referentes a los niveles de radiacin que cada aparato registr. Los datos estn contenidos en el fichero aleatorio.mtw . Seleccionar Stat > Quality Tools > Run Chart :
Rellenamos los campos como se indica a continuacin:
I-4
I. Herramientas para la Planificacin de la Calidad El resultado es el siguiente:
Run Chart for Radiacin

45
Radiacin
35
25
10
Subgroup Number
Number of runs about median: Expected number of runs: Longest run about median: Approx P-Value for Clustering: Approx P-Value for Mixtures: 3,00000 6,00000 5,00000 0,02209 0,97791 Number of runs up or down: Expected number of runs: Longest run up or down: Approx P-Value for Trends: Approx P-Value for Oscillation: 5,00000 6,33333 3,00000 0,13455 0,86545
El test para la estratificacin es significativo al nivel 0,05 (el p-valor asociado es de 0,02). Por tanto, hemos de concluir que hay indicios de que nuestro proceso se est viendo afectado por causas especiales, las cuales deberamos investigar antes de seguir. La estratificacin de los datos suele ser sntoma de problemas en el muestreo o en los procesos de medicin.
GRFICOS DE PARETO_____________________________________________
Un grfico de Pareto es un diagrama de barras en el que el eje horizontal representa categoras de inters, generalmente causas de fallos o defectos (los cuales pretendemos eliminar). Las barras se ordenan de mayor a menor, lo que nos permite diferenciar aquellas pocas causas importantes de las muchas causas intranscendentes. El grfico contiene tambin una lnea de porcentajes acumulativos, la cual nos ayuda a determinar la contribucin de cada categora al nmero total de fallos o defectos. Este tipo de grficos resulta muy til en la identificacin de aquellas causas cuya eliminacin es prioritaria por suponer un elevado porcentaje del total de fallos o defectos.
Ejemplo Pareto: Supongamos que nuestra empresa fabrica estanteras con componentes metlicos y de madera. Realizamos un control final en el cual algunas estanteras son retiradas antes de comercializarse debido a araazos, astillas, dobleces, o abolladuras. Nuestra intencin es realizar un grfico de Pareto que nos permita identificar cul de los defectos anteriores es el principal causante de estanteras retiradas. Usaremos los datos contenidos en el archivo controlfinal.mtw .
Seleccionar Stat > Quality Tools > Pareto Chart : Rellenamos los campos como se indica a continuacin: I-5
Control Estadstico de la Calidad con MINITAB
El grfico que obtenemos es el siguiente:
Pareto Chart for DEFECT O

8 7 6 80 60 40 20 0
a Ar s azo as ti l l As o ll Ab ur ad as b le Do ce s
100
Count
5 4 3 2 1 0
D efec t
Count Pe rce n t Cum %
4 5 0 ,0 5 0 ,0
2 2 5 ,0 7 5 ,0
1 1 2 ,5 8 7 ,5
1 1 2 ,5 1 0 0 ,0
A partir del grfico anterior podemos concluir que un 75% de las estanteras retiradas muestran defectos o bien de araazos o bien de astillas, mientras que slo un 25% de las estanteras son retiradas a causa de dobleces o abolladuras. Ello nos da una pista sobre qu tipos de defectos cabe evitar de forma prioritaria: deberemos centrar nuestros esfuerzos en eliminar las posibles causas de araazos y astillas.
Percent
I-6
DIAGRAMAS DE CAUSA-EFECTO (FISHBONE)__________________________

Usaremos un diagrama de causa-efecto para organizar la informacin proveniente de un brainstorming referente a las causas potenciales de un problema. Ello nos permitir establecer relaciones entre dichas causas. Ejemplo Fishbone: Supongamos que hemos realizado una encuesta entre los estudiantes de una universidad sobre la calidad del personal docente. A menudo, la metodologa empleada en este tipo de encuestas puede resultar no adecuada por causas varias (no se dan instrucciones suficientes para rellenar el formulario, no hay suficientes formularios o lpices para todos los alumnos, etc.). Hemos agrupado dichas causas en 6 grupos (personas, mquinas, material, mtodos, medidas, y ambiente). Los resultados se han guardado en el archivo fishbone.mtw .
Seleccionar Stat > Quality Tools > Cause-and-Effect: Rellenamos los campos como se indica a continuacin:
D ia g ra m a C a u s a -E fe c to p a ra E n c u e s ta s P ro fe s o ra d o
Me a s u re m e n ts
E x a c t it u d L p ic e s Tie m p o H o ja s re s u m e n P ro f e s o re s E n c u e s t a d o re s
Ma te ria ls
F o rm u la rio s
Me n
E s t u d ia n t e s
P ro ce s o n o a d e cu a d o
H um edad P ro c e s a m ie n t o P ro g ra m a s C a lu ro s o O rd e n a d o re s I n s t ru c c io n e s R u id o s o Es c ner I m p re s o ra s
E n viro n m e n t
Me th o d s
Ma c h in e s
I-7
GRFICOS DE VARIANZA (MULTI-VARI CHART)_________________________

Un grfico de varianza representa una alternativa visual a los mtodos ANOVA. Este tipo de grfico se utiliza en el anlisis de datos para tener una visin previa de los mismos. En l se muestran, para cada uno de los factores, las medias de cada categora o nivel dentro del factor. Ejemplo Grfico Varianza: Supongamos que pretendemos evaluar los efectos que sobre la resistencia de tres tipos de aleaciones distintas tiene el tiempo de procesado. Para cada tipo de aleacin, se midi la resistencia de tres muestras en cada uno de los siguientes tiempos de procesado: 100 minutos, 150 minutos, y 200 minutos. Los resultados se guardan en el fichero resistencia.mtw . Nuestro objetivo es determinar, antes de pasar a realizar un estudio detallado, si existen tendencias o interacciones visibles en los datos. Seleccionar Stat > Quality Tools > Multi-Vari Chart: Rellenamos los campos como se indica a continuacin:
M u lti-V a ri C h a rt fo r R e s is te n c ia B y T ie m p o P ro c e - T ip o A le a c i
T ie m p o P ro c e
100 23,5 150 200 22,5
Resistencia
21,5
20,5
19,5
18,5
17,5
15
18
21
T ip o Ale a c i
A partir del grfico anterior se observa que hay indicios de interaccin entre el tipo de aleacin y la duracin temporal del proceso: en el caso de la aleacin de tipo 15, la mayor resistencia se obtiene para procesos de 100 minutos; en el caso de la aleacin de tipo 18, la obtendremos para procesos de 150 minutos; finalmente, en el caso de aleaciones de tipo 21, los procesos de 200 minutos son los que posibilitan una mayor resistencia. I-8
GRFICOS DE SIMETRA____________________________________________
Los grficos de simetra nos servirn para determinar si las observaciones muestrales obtenidas provienen o no de una distribucin simtrica. Varios mtodos estadsticos suponen que los datos provienen de una distribucin normal, aunque en muchos casos este supuesto no es imprescindible siempre que la distribucin poblacional sea simtrica. Tambin es usual el supuesto de simetra en los mtodos no paramtricos.
Para construir un grfico de simetra se forman pares ordenados de observaciones: el primer par estar formado por las dos observaciones, una superior a la mediana y la otra inferior, ms cercanas a la mediana; el segundo par consistir de las dos observaciones, una superior a la mediana y la otra inferior, ms cercanas a la mediana de entre las restantes (exceptuando las ya consideradas); etc. Para cada par de observaciones consideramos un punto cuya primera coordenada ser la distancia entre la observacin superior a la mediana y la mediana, y cuya segunda coordenada ser la distancia entre la observacin inferior a la mediana y la mediana. Obtendremos as una nube de puntos. Si los datos siguen una distribucin simtrica, las coordenadas X e Y sern aproximadamente igual para todos los puntos, por lo que stos deberan seguir una lnea recta de 45. As, cuanto ms simtrica sea la distribucin, tanto ms se aproximarn los puntos a la mencionada lnea.
Notar que, incluso para observaciones que se distribuyan de forma normal, es de esperar encontrar puntos que se siten por encima y por debajo de la recta. Lo importante, pues, es comprobar si los puntos divergen sustancialmente o no de dicha recta. Observando estos grficos ser posible detectar distintos tipos de asimetras: si los puntos divergen por encima de la lnea (coordenada Y mayor que la X), la distribucin estar sesgada a la izquierda; por otro lado, si los puntos divergen por debajo de la lnea (coordenada X mayor que la Y), la distribucin estar sesgada a la derecha. Finalmente, la existencia de puntos divergentes en el extremo superior derecho del grfico (donde las distancias son grandes) denotar cierto grado de asimetra en las colas de la distribucin. Conviene recordar que, para poder extraer conclusiones sobre la simetra o asimetra de una distribucin, ser necesario disponer de un nmero suficientemente grande de observaciones (al menos 25 o 30).
Ejemplo Grfico de Simetra: Queremos comprobar si los datos del archivo simetra.mtw siguen una distribucin aproximadamente simtrica: Seleccionar Stat > Quality Tools > Symmetry Plot: Rellenamos los campos como se indica a continuacin:
I-9
S y m m e try P lo t fo r F a llo s
Lower Distance to Median
1
20
10
0
-1 ,5 0 ,0 1 ,5 3 ,0
U p p e r D is ta n ce to Me d ia n
El grfico anterior nos muestra una distribucin bastante simtrica. Observar la existencia de puntos por encima de la lnea en la esquina superior derecha, lo que nos indica que la cola izquierda es ligeramente ms larga que la derecha. Los puntos del grfico no divergen de la lnea, por lo que el sesgo a la izquierda no es muy acentuado (como se observa en el histograma adjunto).
I - 10
II. Anlisis de Sistemas de Medicin
II. ANLISIS DE SISTEMAS DE MEDICIN

INTRODUCCIN____________________________________________________
Siempre que registramos o medimos los resultados de un proceso nos encontramos con cierta variacin en los datos obtenidos. Esta variacin puede provenir de dos fuentes distintas: por un lado, siempre habr diferencias intrnsecas entre cualquier par de elementos que se pretendan medir (variacin intrnseca); por otro, ningn mtodo de medicin es perfecto (i.e., si midisemos el mismo elemento en repetidas ocasiones no obtendramos siempre el mismo dato numrico). El Control Estadstico de Calidad (SPC) tiene como misin identificar las causas de variaciones intrnsecas en los procesos a fin de poder reducir dicha variacin a niveles tolerables, pero antes de aplicar las tcnicas del SPC es necesario asegurarnos de que la variacin registrada no es debida, al menos en su mayor parte, a los sistemas de medicin utilizados. El objeto de este captulo ser pues presentar herramientas que nos ayuden a precisar qu parte de la variacin existente en los datos se debe al propio sistema de medida empleado. En concreto, estaremos interesados en: Estudios R&R y grficos de rachas de medida: nos permitirn examinar la precisin del sistema. Medidas lineales y estudio de la exactitud
Los errores en los sistemas de medicin pueden clasificarse en dos categoras: errores de exactitud y errores de precisin. La exactitud describe la diferencia entre el valor registrado y el real. La precisin describe la variacin que se observa al medir el mismo elemento de forma repetida y usando el mismo mtodo de medicin. Podemos encontrarnos con sistemas de medicin que se vean afectados slo por alguno de estos tipos de errores, y otros que sufran de falta de exactitud y de precisin:
objetivo
exacto y preciso
preciso, pero no exacto
exacto, pero no preciso
ni exacto ni preciso
Podemos descomponer la exactitud de un sistema de medida en tres componentes: 1. Linealidad: Indica cmo vara el nivel de exactitud obtenido en la medicin en funcin del tamao del objeto medido. Da una idea de cmo el tamao del elemento a medir afecta a la exactitud del sistema de medida. Exactitud: Es la diferencia entre la medicin media observada y un valor maestro. Da una idea de lo centrado o ajustado que est el sistema de medida. Estabilidad: Es la variacin total que se obtendra al medir el mismo elemento repetidas veces usando un mismo aparato de medicin. Nos da una idea de cmo de exacto o estable es el sistema con el paso del tiempo.
2. 3.
Anlogamente, podemos descomponer la precisin o medida de la variacin en dos partes: 1. Repetibilidad: Es la variacin observada cuando el mismo operario mide el mismo elemento de forma repetida usando el mismo aparato. Da una idea de la variacin debida a dicho aparato de medida. Reproductibilidad: Es la variacin observada cuando distintos operarios miden el mismo elemento usando el mismo aparato. Nos da una idea de la variacin debida al operario. II - 1
2.
ESTUDIOS R&R____________________________________________________
Los estudios de Repetibilidad y Reproductibilidad de las mediciones determinan qu parte de la variacin observada en el proceso se debe al sistema de medicin usado. Minitab proporciona dos mtodos para realizar este tipo de estudios: el mtodo X-barra/R descompone la variacin total en tres categoras: elemento a elemento, repetibilidad, y reproductibilidad. El mtodo ANOVA va un paso ms all y descompone la reproductibilidad en dos subcategoras, el operario y el operario por elemento (por tal motivo este ltimo mtodo es ms exacto que el anterior):
Variacin en el Sistema de Medicin
Elemento a Elemento
Variacin debida al Aparato (Repetibilidad)
Variacin debida a Operarios (Reproductibilidad)
Operario
Operario por Elemento
Los datos deben estar estructurados en tres columnas: una primera que contenga el nombre o cdigo de cada elemento medido, una segunda (opcional) que contenga el nombre del operario que ha realizado cada medicin, y una tercera con el resultado de la medicin.
Ejemplo R&R: Pretendemos realizar un estudio R&R sobre dos conjuntos de datos. En el primero, la variacin debida al sistema de medicin tiene poco peso dentro de la variacin total observada; por el contrario, en el segundo, la variacin total observada es causada en gran parte por la variacin debida al sistema de medicin. En el primer caso, se eligieron 10 elementos, cada uno de los cuales fue medido dos veces por 3 operarios siguiendo un orden aleatorio. Los resultados estn contenidos en el archivo medicin1.mtw . Seleccionar Stat > Quality Tools > Gage R&R Study : Rellenamos los campos como se indica a continuacin:
II - 2
Gage R&R Study - ANOVA Method

Gage R&R for Medicin
Two-Way ANOVA Table With Interaction

Source Elemento Operador Operador*Elemento Repeatability Total DF 9 2 18 30 59 SS 2,05871 0,04800 0,10367 0,03875 2,24912 MS 0,228745 0,024000 0,005759 0,001292 F 39,7178 4,1672 4,4588 P 0,00000 0,03256 0,00016
Contribucin de cada una de las partes a la varianza total
Gage R&R
Source Total Gage R&R Repeatability Reproducibility Operador Operador*Elemento Part-To-Part Total Variation Source Total Gage R&R Repeatability Reproducibility Operador Operador*Elemento Part-To-Part Total Variation VarComp 0,004437 0,001292 0,003146 0,000912 0,002234 0,037164 0,041602 StdDev 0,066615 0,035940 0,056088 0,030200 0,047263 0,192781 0,203965 5,15*Sigma 0,34306 0,18509 0,28885 0,15553 0,24340 0,99282 1,05042
Desviacin Estndar multiplicada por 5,15 (nmero de desviaciones estndar necesarias para englobar al 99% de las mediciones). Podemos interpretar el ltimo nmero (el asociado a Total Variation) cmo una estimacin de la amplitud del intervalo que contendra el 99% de las observaciones. Study Var es el cociente entre la desviacin estndar de cada componente y la desviacin estndar total.
%Contribution 10,67 3,10 7,56 2,19 5,37 89,33 100,00
%Study Var 32,66 17,62 27,50 14,81 23,17 94,52 100,00
Nmero de categoras distintas que el sistema es capaz de detectar. En este caso, de los 10 elementos distintos que hemos medido, el sistema de medicin utilizado slo sera capaz de distinguir 4.
Number of Distinct Categories = 4
Observamos que slo el 10,67% de la variacin total en los datos se debe al sistema de medicin, mientras que un 89,33% de dicha variacin es debida a las diferencias entre los elementos medidos. Respecto al nmero de categoras distintas que el sistema es capaz de distinguir, el valor obtenido de 4 nos indica que el sistema de medicin empleado es aceptable (en general, si el valor obtenido fuese 1 el sistema no sera til para controlar el proceso; un valor de 4 o superior representa un sistema de medicin capaz de distinguir un nmero aceptable de categoras). En el primero de los grficos siguientes se observa que la mayora de los puntos estn situados ms all de los lmites de control, lo cual refuerza la idea de que la variacin se debe prioritariamente a diferencias entre elementos. Esta misma conclusin la podemos obtener a partir del diagrama de barras. En los grficos de la derecha observamos que hay pocas diferencias en las mediciones registradas por los diferentes operarios (la lnea es prcticamente horizontal), mientras que las diferencias en las mediciones para los distintos elementos s son considerables (el grfico muestra continuas subidas y bajadas segn el elemento medido). II - 3
Gage R&R (ANOVA) for M edicin
Gage name: Date of study: Reported by: Tolerance: Misc:
X bar Chart by Operador

Sample Mean
1,1 1,0 0,9 0,8 0,7 0,6 0,5 0,4 0,3 0
1 2 3
Operador*Elemento Interaction
1,1 1,0 3,0SL=0,8796 X=0,8075 -3,0SL=0,7354 0,9 0,8 0,7 0,6 0,5 0,4
Operador
1 2 3
Average
Elemento
10
R Chart by Operador
0,15
1 2 3
By Operador
3,0SL=0,1252 1,1 1,0 0,9 0,8 0,7 0,6 0,5 0,4
Sample Range
0,10
0,05 0,00 0
R=0,03833 -3,0SL=0,00E+00
Operador
Components of Variation
100 % Total Var % Study Var 1,1 1,0 0,9 0,8 0,7 0,6 0,5 0,4
By Elemento
Percent
50
0 Gage R&R Repeat Reprod Part-to-Part
Elemento
10
En el segundo conjunto de datos se eligieron 3 elementos, y 3 operarios midieron 3 veces cada uno de ellos siguiendo un orden aleatorio. Los datos se registraron en el archivo medicin2.mtw . Seleccionar Stat > Quality Tools > Gage R&R Study : Rellenamos los campos de forma anloga a la anterior:
II - 4
Gage R&R Study - ANOVA Method

Gage R&R for Medicin
Two-Way ANOVA Table With Interaction

Source Elemento Operario Operario*Elemento Repeatability Total DF 2 2 4 18 26 SS 38990 529 26830 133873 200222 MS 19495,2 264,3 6707,4 7437,4 F 2,90650 0,03940 0,90185 P 0,16616 0,96173 0,48352
Two-Way ANOVA Table Without Interaction

Source Elemento Operario Repeatability Total DF 2 2 22 26 SS 38990 529 160703 200222 MS 19495,2 264,3 7304,7 F
Cuando el p-valor asociado a Operario*Elemento es > 0,25 el programa reconstruye el modelo esta vez sin la interaccin Operario*Elemento, y usa este nuevo modelo reducido para determinar los estadsticos del estudio R&R.
P 0,0917 0,9645
2,66887 0,03618
Gage R&R
Source Total Gage R&R Repeatability Reproducibility Operario Part-To-Part Total Variation Source Total Gage R&R Repeatability Reproducibility Operario Part-To-Part Total Variation VarComp 7304,7 7304,7 0,0 0,0 1354,5 8659,2 StdDev 85,4673 85,4673 0,0000 0,0000 36,8036 93,0547 5,15*Sigma 440,157 440,157 0,000 0,000 189,538 479,232
%Contribution 84,36 84,36 0,00 0,00 15,64 100,00
%Study Var 91,85 91,85 0,00 0,00 39,55 100,00
Number of Distinct Categories = 1
Observamos que el 84,36% de la variacin total en los datos se debe al sistema de medicin, mientras que slo un 15,64% de dicha variacin es debida a las diferencias entre los elementos medidos. En este caso, el sistema de medicin empleado no es capaz de detectar diferencias entre los elementos (slo percibe una categora). Ello significa que este sistema no es adecuado. En el primero de los grficos siguientes se observa cmo la mayora de puntos estn contenidos dentro de los lmites de control, lo cual nos indica que la variacin observada es principalmente debida al sistema de medicin usado. La misma conclusin se deduce del diagrama de barras. En los grficos de la esquina inferior derecha se aprecia que no hay apenas diferencias entre operarios al hacer la medicin (lnea de nivel horizontal), y que las diferencias entre elementos no son significativas. II - 5

Gage R&R (ANOVA) for Medicin

Xbar Chart by Operario
550
1 2 3
Operario*Elemento Interaction
3,0SL=555,8 490
Operario
1 2 3
Sample Mean
Average
450 X=406,2 350 250 0 -3,0SL=256,5
440 390 340
Elemento
R Chart by Operario
400
1 2 3
By Operario
3,0SL=376,5 600 500 400 R=146,3 300 200
Sample Range
300 200 100 0 0 -3,0SL=0,00E+00
Operario
Components of Variation
100 %Total Var %Study Var 600 500 400 300 200 0 Gage R&R Repeat Reprod Part-to-Part
By Elemento
Percent
50
Elemento
GRFICOS DE RACHAS PARA MEDICIONES____________________________

Un grfico de rachas para mediciones es una representacin de las observaciones por operario y nmero de elemento. El grfico contiene una lnea de referencia horizontal al nivel de la media (la cual puede obtenerse a partir de los datos o bien ser ya conocida). Esta representacin nos permitir apreciar de forma inmediata posibles diferencias en las mediciones entre diferentes operarios y/o elementos: un proceso estable generara una nube de puntos horizontal, mientras que un efecto operario o un efecto elemento nos dara algn patrn no aleatorio para los datos.
Ejemplo Grfico de Rachas para Mediciones: Nuevamente usaremos los dos conjuntos de datos anteriores (en el primero de ellos, medicin1.mtw , la variacin debida al sistema de medicin supona un porcentaje pequeo de la variacin total; en el segundo, medicin2.mtw , dicha variacin era la principal causa de la variacin total). Para cada uno de los dos conjuntos de datos haremos lo siguiente:
Seleccionar Stat > Quality Tools > Gage Run Chart: Rellenamos los campos como se indica a continuacin:
II - 6
El grfico inferior corresponde al primer conjunto de datos. En l se observa: 1. Para cada elemento, podemos comparar tanto las diferencias entre medidas realizadas por cada uno de los tres operarios como las diferencias entre los distintos operarios. Tambin podemos comparar las medidas obtenidas con la lnea de referencia horizontal (en este caso, la media de las observaciones).
2.
Runchart of Medicin by Elemento, Operador
1,08 0,98 0,88 Medicin 0,78 0,68 0,58 0,48 0,38 Elemento 1 2 3 4 5
1 2 3
1,08 0,98 0,88 Medicin 0,78 0,68 0,58 0,48 0,38 Elemento 6 7 8 9 10
La mayor parte de la variacin es debida a diferencias entre elementos. Adems, es posible apreciar algunos ligeros patrones: as, p.e., la segunda medicin del operador 2 es repetidamente menor que la primera (esto ocurre en 7 de 10 ocasiones); tambin es visible el que las mediciones efectuadas por el
II - 7
Control Estadstico de la Calidad con MINITAB segundo operario son repetidamente menores que las realizadas por el primer operario (en 8 de 10 ocasiones).
A continuacin se muestra el grfico correspondiente al segundo conjunto de datos. En l observamos:
1.
Para cada elemento, podemos comparar tanto las diferencias entre medidas realizadas por cada uno de los operarios como las diferencias entre distintos operarios. Tambin podemos comparar las medidas obtenidas con la lnea de referencia horizontal (en este caso, la media de las observaciones).
2.
Runchart of Medicin by Elemento, Operario 1
600
1 2 3
500 Medicin
400
300
200
Elemento
El factor dominante en este caso es la repetibilidad (en concreto, las diferencias aumentan cuando el mismo operario realiza mediciones sobre el mismo elemento). Las oscilaciones parecen sugerir que los operarios estn ajustando, entre turno y turno, el sistema de medicin.
II - 8
LINEALIDAD EN LA MEDICIN Y ESTUDIO DE LA EXACTITUD_____________

Un estudio de la linealidad en la medicin responde a la pregunta: es el sistema de medicin igual de exacto para todos los tamaos posibles de los objetos que estamos midiendo?. Un estudio de la exactitud en la medicin examina las diferencias existentes entre el promedio de las mediciones observadas y un valor de referencia o valor maestro.
Ejemplo Linealidad y Exactitud: Elegimos cinco elementos (cuyos valores maestros son conocidos), los cuales representan el rango esperado de los tamaos a medir. Un operario mide 12 veces cada uno de los elementos siguiendo un orden aleatorio, y se realiza un estudio R&R para determinar la variacin total en el proceso (columna 5,15*Sigma), la cual resulta ser de 14,1941. Las mediciones se guardan en el archivo exactitud.mtw . Seleccionar Stat > Quality Tools > Gage Linearity Study: Rellenamos los campos como se indica a continuacin:
Gage Linearity Study for Medicin
Gage name: Date of s tudy : Reported by : Toleranc e: Mis c :
Gage Lineari ty
Linearity: %Linearity: R-Squared: 1,86889 13,167 0,978
Gage Accuracy Accuracy Average

Bias: %Bias: -5,3E-02 0,376
Percent of Process Vari ati on

14 12 10
Percent
2 3 4 5 6 7 8 9 10
8 6 4 2 0
-1
M aster Part M easurem ent
Linearity
Accuracy
Observar que, en esta medicin, la variacin debida a la linealidad supone un 13% de la variacin total del proceso. Por otra parte, la variacin debida a la falta de exactitud es de menos del 1% de la total. II - 9
III. Grficos de Control por Variables (1)
III.
GRFICOS DE CONTROL POR VARIABLES (1)
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).
Lmite superior (LSC) Variable T 3 * T Lnea central
Lmite inferior (LIC)
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
NOMBRE DEL GRFICO
Datos en subgrupos
Medias de subgrupos, X-barra Rangos de subgrupos, R Desviaciones estndar de subgrupos, S X-barra y R X-barra y S
X-barra R S X-barra y R X-barra y S
Observaciones individuales
Observaciones individuales Rangos mviles Obs. Individuales y rangos mviles
Individual Rangos mviles I MR
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
EWMA Medias mviles CUSUM Zona
Series cortas
Obs. Individuales estandarizadas y rangos mviles
Z - MR
III - 2
TRANSFORMACIN BOX-COX PARA DATOS NO NORMALES_____________

A fin de poder interpretar correctamente los grficos, resulta imprescindible que las observaciones provengan de una distribucin aproximadamente normal. Si nuestros datos provienen de una distribucin notablemente asimtrica, podemos aplicarles la transformacin Box-Cox para inducir normalidad. Dada una variable aleatoria Y asociada a una distribucin asimtrica, pretendemos transformarla en otra variable Y, donde Y = Y Y = Ln Y. El mtodo de Box-Cox estima aquel valor para el cual minimiza la desviacin estndar de Y . Si 0, entonces Y = Y ; en caso contrario, Y = Ln Y . Observar que si el valor obtenido para es prximo a la unidad el transformar la variable no nos supondr una gran ventaja.
Ejemplo Box-Cox: Los datos contenidos en el archivo BoxCox.mtw provienen de una distribucin sensiblemente sesgada a la derecha. Consisten en 50 subgrupos de tamao 5. Los datos se encuentran en la columna C1. Seleccionar Stat > Control Charts > Box-Cox Transformation :
Rellenar los campos como se indica en la siguiente imagen:
III - 3
Box-Cox Plot for Datos

95% Conf idence Interv al
12 11 10 9 8 7 6 5 4 3 2 -1,0 -0,5 0,0 0,5 1,0 1,5 2,0 2,5 3,0

Low Est Up
Last Iteration Info Lambda -0,056 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 .
MODELO DE SHEWART PARA GRFICOS DE CONTROL_________________

Sea T un estadstico muestral que mide alguna caracterstica de calidad, y supongamos que T se distribuye de forma aproximadamente normal, con media T y desviacin estndar T . Entonces, la lnea central y los lmites superior e inferior del grfico de control vendrn dados, segn el modelo de Shewart, por:
LSC = T + 3 T Lnea central = T LIC = T 3 T
Un mtodo alternativo al de Shewart sera el modelo probabilstico: en vez de especificar los lmites de control como un mltiplo de la desviacin estndar, se hubiera podido escoger directamente la probabilidad de un error de tipo I y calcular el lmite (probabilstico) de control correspondiente. Por ejemplo, si se hubiera tomado = 0,001, entonces el mltiplo adecuado de la desviacin estndar habra sido 3,09. Observar que si la distribucin de T es aproximadamente normal, habr poca diferencia entre los lmites de tres sigma y los probabilsticos de 0,001. III - 4
TESTS PARA CAUSAS ESPECIALES__________________________________

Como dijimos en la introduccin, cuando alguno de los estadsticos muestrales cae fuera de los lmites de control, hay razones para pensar que el proceso est fuera de control. Adems, tambin es importante estudiar la posible existencia de patrones no aleatorios en la representacin de dichos estadsticos muestrales, ya que tales patrones suelen ser un sntoma de que la los parmetros del proceso estn cambiando. A tal efecto se utilizan los tests para causas especiales o asignables, trmino que se contrapone al de causas comunes o aleatorias (inherentes a todo proceso). Al igual que los lmites de control, los tests para causas especiales tienen un fundamento estadstico. As, por ejemplo, la probabilidad de que un estadstico muestral caiga por encima de la lnea central ser de 0,5 bajo los siguientes supuestos: (1) que el proceso est bajo control, (2) que estadsticos muestrales consecutivos sean independientes, y (3) que la distribucin de los estadsticos muestrales sea aproximadamente normal. Por tanto, en tales condiciones, la probabilidad de que dos estadsticos consecutivos caigan por encima de la lnea central ser de 0,5*0,5 = 0,25 , y la probabilidad de que 9 estadsticos consecutivos caigan en el mismo lado de la lnea central ser de 0,5^9 = 0,00195. Este ltimo valor se aproxima mucho a la probabilidad de un estadstico muestral caiga ms all de los lmites de control de 3 sigma (suponiendo una distribucin normal y un proceso bajo control), por lo que la existencia de estos 9 estadsticos podra interpretarse como otro indicativo de que el proceso est fuera de control. La franja comprendida entre dos y tres sigmas respecto a la lnea central se denomina zona A, la comprendida entre 1 y 2 sigmas se llama zona B, y la franja situada a menos de 1 sigma se denomina zona C.
El programa Minitab permite realizar varios tests para determinar la posible existencia de causas especiales que influyan sobre la variabilidad de las observaciones (comportamiento no aleatorio de los datos):
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

Test 1: un punto situado ms all de los lmites de control
3 Zona A 2 Zona B 1
sigma
Zona C 0 Zona C 1 Zona B 2 3 Zona A
10
nmero de muestra
Test 2: nueve puntos consecutivos en el mismo lado
3 Zona A 2 1 Zona B Zona C 0 Zona C 1 Zona B 2 3 Zona A
sigma
10
15
muestra
Test 3: seis puntos consecutivos ascendentes o descendentes

3 Zona A 2 Zona B 1
sigma
10
nmero de muestra
Test 4: catorce puntos consecutivos alternando arriba y abajo

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 Zona B 1
sigma
10
nmero de muestra
Test 6: cuatro de cinco puntos consecutivos situados a ms de un sigma (mismo lado)

3 Zona A 2 Zona B 1
sigma
10
nmero de muestra
Test 7: quince puntos consecutivos situados a menos de un sigma (ambos lados)

sigma
10
15
muestra
Test 8: ocho puntos consecutivos situados a ms de un sigma (ambos lados)

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 = n
x =
Por el Teorema Central del Lmite, X N n ,
Segn el modelo de Shewart tendremos que:
n Lnea central = LIC = 3 n

LSC = + 3
Si es desconocida, la podemos estimar (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):
=X=
1 k Xi k i =1
donde
Xi =
1 n X ij n j =1 1 k E Xi = x = . k i =11
es estimador insesgado de ya que E X = Observar que
[]
[ ]
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)
-
, donde d2(n) es un valor tabulado que depende de n .
Notar que Ri / d2(n) es un estimador insesgado de , ya que:
R E [Ri ] d 2 (n) E i = = = 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 Ri R = k i =1 d 2 (n) 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), Si los ni no difieren mucho unos de otros, podramos tomar n =
2.
1 k ni . k i =1
En esta situacin de tamaos muestrales diferentes, los estimadores para y sern:
ni X i
i
Ri 1 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
X-bar Chart for Distanci

5 4 3 2 1 0 -1 -2 -3 -4 -5 0 5 10 15 20 25 -3,0SL=-3,817 6 3,0SL=4,700 2,0SL=3,281 1,0SL=1,861 X=0,4417 -1,0SL=-0,9778 -2,0SL=-2,397
Sample Mean
Sam ple Num ber
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 / 1 j n}. Se cumple que

donde d2(n), d3(n) son valores tabulados que dependen de n.
Ri = d 2 (n) ,

Ri = d 3 (n) ,
Se cumple que: Ri N (d 2 (n) , d 3 (n) ) n Por tanto, segn el modelo de Shewart, tendremos que:
LSC = d 2 (n) + 3d 3 (n) Lnea central = d 2 (n) LIC = d 2 (n) 3d 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
R Chart for Distanci

15 3,0SL=15,98
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:
Xbar/R Chart for Proveedor2

603 1 1 3,0SL=602,4
Sample Mean
602 601 600 599 598 6 0 10 20
X=600,2
-3,0SL=598,1
Subgroup 9 8 7 6 5 4 3 2 1 0
Sample Range
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 = n
x =
Por el Teorema Central del Lmite, X N n ,
n Lnea central = LIC = 3 n

LSC = + 3
Si es desconocida, la podemos estimar (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):
=X=
1 k Xi k i =1
donde
Xi =
1 n X ij n j =1 1 k E Xi = x = . 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 S i =
1 n (X ij X i )2 . Se cumple que Si = c 4 (n) , donde n 1 j =1
c4(n) es un valor tabulado que depende de n . Notar que Si / c4(n) es un estimador insesgado de , ya que:
S E [S i ] c 4 (n) E i = = = c 4 ( n) c 4 ( n) c 4 ( n )
As, es buena idea tomar como estimador de el promedio de los Si / c4(n) :
1 k Si S = k i =1 c 4 (n) c 4 (n)
2.
1 k ni . k i =1
En esta situacin de tamaos muestrales diferentes, los estimadores para y sern:
ni X i
i
Si 1 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.
2 N Se cumple que: S i c 4 (n) , 1 (c 4 (n) ) n
Si = c 4 (n)
, y
Si = 1 (c 4 (n) )2
, donde c4(n) es un
Por tanto, segn el modelo de Shewart, tendremos que:
LSC = c 4 (n) + 3 1 (c 4 (n) ) Lnea central = c 4 (n) LIC = c 4 (n) 3 1 (c 4 (n) )

Si es desconocida, la podemos estimar a partir de las desviaciones estndar Si 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. III - 15
GRFICOS INDIVIDUAL Y MR-BARRA_________________________________

Los grficos de control por variables pueden tambin construirse para observaciones individuales procedentes de la lnea de produccin. Esto puede resultar necesario cuando el considerar muestras de tamao mayor que 1 resulte demasiado caro, inconveniente, o imposible. En este procedimiento de control se emplea el rango mvil de dos observaciones sucesivas para estimar la variabilidad del proceso. Sea X la caracterstica de calidad que nos interesa medir, donde X N(,). Denotaremos por X1 , X2 , ..., XK a las k observaciones. Veamos cmo construir un grfico Individual: Observar que i = 1,2,...,k , Xi N(,) .
LSC = + 3 Lnea central = LIC = 3
Si es desconocida, la podemos estimar (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):
=X=
1 k Xi k i =1
[ ]
1 k E[X i ] = . k i =11
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
MRi = Max{X i , X i 1 } Min{X i X i 1 } . Se cumple que
MRi = d 2 (1)
-
, donde d2(1) es un valor tabulado.
Notar que MRi / d2(1) es un estimador insesgado de , ya que:
MRi E [MRi ] d 2 (1) E = = = d ( 1 ) d ( 1 ) d ( 1 ) 2 2 2

As, es buena idea tomar como estimador de el promedio de los MRi / d2(1) :
1 k MRi MR = 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 = Max{X i , X i 1 } Min{X i X i 1 } . Se cumple que y
MRi = d 2 (1)
MRi = d 3 (1)
donde d2(1) , d3(1) son valores tabulados.
N (d 2 (1) , d 3 (1) ) Se cumple que: MRi n

Por tanto, segn el modelo de Shewart, tendremos que:
LSC = d 2 (1) + 3d 3 (1) Lnea central = d 2 (1) LIC = d 2 (1) 3d 3 (1)

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
I Chart for Peso

1050 1 1 6 6 22 22 X=936,9 2 22 2 2222 2 6 2 2 2 66 850 0 10 1 20 11 3,0SL=1011
Individual Value
950
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:
X-bar Chart for presion

64,5 63,5 62,5 3,0SL=62,89
Sample Mean
61,5 60,5 59,5 58,5 57,5 56,5 55,5 0 5 10 15 20 25 -3,0SL=57,06 X=59,98
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:
Xbar/R Chart for presion

64 63 62 61 60 59 58 57 56 0 5 10 15 20 25
Sample Mean
3,0SL=62,81
X=59,98
-3,0SL=57,14
Subgroup
Sample Range
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:
Xbar/R Chart for presion

63 3,0SL=62,71
Sample Mean
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
Sample Range
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.
Grfico de Medias y Rangos Mviles

1300 1290 1280 1270 1260 1250 1240 1230 1220 0 5 10 1 3,0SL=1289
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:
Grfico de Medias y Rangos Mviles

1300 1290 1280 1270 1260 1250 1240 1230 1220 0 5 10 1 3,0SL=1282
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
IV. Grficos de Control por Atributos
IV. GRFICOS DE CONTROL POR ATRIBUTOS

INTRODUCCIN____________________________________________________
Los diagramas de control por atributos constituyen la herramienta esencial utilizada para controlar caractersticas de calidad cualitativas, esto es, caractersticas no cuantificables numricamente. Ejemplos de tales caractersticas no medibles son la fraccin o porcentaje de unidades defectuosas en la produccin (P), el nmero de unidades defectuosas en la produccin (NP), el nmero de defectos por unidad producida (U), y el nmero de defectos de todas las unidades producidas (C). Al igual que en los grficos de control por variables, el diagrama de atributos representa un estadstico T del proceso (como puede ser el nmero de defectos) frente al nmero de la muestra o al tiempo. Una lnea central representa el valor medio o esperado del estadstico, mientras que los lmites de control suelen definir una zona de control que abarca 3T por encima y por debajo de la lnea central. 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).
Lmite superior (LSC) Variable T 3 * T Lnea central
Lmite inferior (LIC)
Nmero de muestra o tiempo
Este tipo de grficos se suele aplicar en situaciones en las que el proceso es una operacin de montaje complicada, y la calidad del producto se mide en trminos de la ocurrencia de disconformidades, del funcionamiento exitoso o fallido del producto, etc. Los diagramas de control por atributos tienen la ventaja de que hacen posible considerar varias caractersticas de calidad al mismo tiempo y clasificar los productos como disconformes si no satisfacen las especificaciones de cualquiera de las caractersticas. Tenemos dos opciones a la hora de realizar un grfico de control por atributos: 1. Podemos comparar un producto con un estndar y clasificarlo como defectuoso o no (grficos P y NP) En el caso de productos complejos, la existencia de un defecto no necesariamente conlleva a que el producto sea defectuoso. En tales casos, puede resultar conveniente clasificar un producto segn el nmero de defectos que presenta (grficos C y U).
2.
Es importante notar que los grficos P, NP, y U permiten trabajar con muestras de tamaos diferentes, mientras que los grficos C estn diseados para muestras de igual tamao.
IV - 1
TESTS PARA CAUSAS ESPECIALES__________________________________

En cualquiera de los grficos de control por atributos descritos, es posible realizar cuatro tests para determinar la posible existencia de causas especiales que influyan sobre la variabilidad de las observaciones (comportamiento no aleatorio de los datos):
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.
Test 1: un punto situado ms all de los lmites de control
3 Zona A 2 Zona B 1
sigma
Zona C 0 Zona C 1 Zona B 2 Zona A 3
10
nmero de muestra
IV - 2
Test 2: nueve puntos consecutivos en el mismo lado
3 Zona A 2 Zona B 1
sigma
10
15
nmero de muestra
Test 3: seis puntos consecutivos ascendentes o descendentes

3 Zona A 2 Zona B 1
sigma
Zona C 0 Zona C 1 Zona B 2 Zona A 3
10
nmero de muestra
Test 4: catorce puntos consecutivos alternando arriba y abajo

sigma
10
15
nmero de muestra
IV - 3
GRFICO P________________________________________________________
Un grfico P es un grfico de control del porcentaje o fraccin de unidades defectuosas (cociente entre el nmero de artculos defectuosos en una poblacin y el nmero total de artculos de dicha poblacin). Los principios estadsticos que sirven de base al diagrama de control P se basan en la distribucin Binomial: supngase que el proceso de produccin funciona de manera estable, de tal forma que la probabilidad de que cualquier artculo no est conforme con las especificaciones es p, y que los artculos producidos sucesivamente son independientes; entonces, si seleccionamos k muestras aleatorias de n artculos del producto cada una, y representando por Xi al nmero de artculos defectuosos en la muestra isima, tendremos que Xi B(n,p). Sabemos que:
xi = np
Xi = np(1 p )
Xi . Observar que n p (1 p ) n
i = Para cada muestra, definimos la v.a. fraccin disconforme muestral como: p i seguir una distribucin Binomial con media y desviacin tpica: p i ]= E[ p E[X i ] =p n p(1 p ) n
y
i ]= Var [ p
Var [X i ] n
2
Por tanto,
i N p n p,
p (1 p ) n Lnea central = p LSC = p + 3 LIC = p 3 p(1 p ) n
Si p es desconocida, la podemos estimar (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):
p=
1 k i p k i =1
2.
1 k ni . k i =1
IV - 4
IV. Grficos de Control por Atributos 3. Tambin se puede optar por tomar un n comn e igual al mayor de los ni , con lo que obtendramos unos lmites de control bastante sensibles, ya que la amplitud de la franja que indica proceso en estado de control es inversamente proporcional al tamao de la muestra.
En esta situacin de tamaos muestrales diferentes, el estimador para p sera:
p=
n p
i =1 k i
n
i =1
Normalmente se usan lmites de control de tres sigmas en el diagrama de control P. Como ya comentamos en el captulo anterior, el uso de lmites de control ms estrechos hacen que el diagrama de control sea ms sensible a pequeos cambios en p, pero ello tambin hace aumentar la probabilidad de que se produzcan falsas alarmas de proceso fuera de control (error de tipo II). Debe advertirse que este diagrama de control se basa en el modelo probabilstico binomial, en el cual se supone que la probabilidad de ocurrencia de un artculo con disconformidad es constante, y que unidades sucesivas en la produccin son independientes. Por otra parte, hay que tener cuidado con la interpretacin de los puntos del diagrama de control que se hallan por debajo del lmite inferior de control. Tales puntos no representan a menudo una mejora real en la calidad del proceso. Frecuentemente son el resultado de errores en el mtodo de inspeccin o recogida de datos.
Ejemplo grfico P: Supongamos que trabajamos en una planta que produce tubos de imagen para televisores. De cada lote producido se extraen algunos tubos y se procede a inspeccionarlos, clasificndolos en defectuosos y no defectuosos. Si alguno de los lotes presenta demasiados tubos defectuosos, se realiza una inspeccin del 100% de las unidades que lo componen. Un grfico P nos permitir, entre otras cosas, saber cundo hemos de realizar una inspeccin completa. Usaremos los datos guardados en el archivo tubos.mtw : Seleccionar Stat > Control Charts > P... Rellenar los campos como se indica:
IV - 5
P Chart for Defectuo

3,0SL=0,3324 0,3
Proportion
0,2 P=0,1685 0,1
0,0 0 10 20
-3,0SL=0,004728
Sample Number
Dado que la muestra 6 cae fuera de la zona de control, sera conveniente realizar una inspeccin del 100% de los componentes del lote.
IV - 6
GRFICO NP______________________________________________________
El diagrama NP est basado en el nmero de unidades defectuosas. Este tipo de grficos permite tanto analizar el nmero de artculos defectuosos como la posible existencia de causas especiales en el proceso productivo. Los principios estadsticos que sirven de base al diagrama de control NP se basan en la distribucin Binomial:
Supngase que el proceso de produccin funciona de manera estable, de tal forma que la probabilidad de que cualquier artculo no est conforme con las especificaciones es p, y que los artculos producidos sucesivamente son independientes; entonces, si seleccionamos k muestras aleatorias de n artculos del producto cada una, y representando por Xi al nmero de artculos defectuosos en la muestra i-sima, tendremos que Xi B(n,p).
Sabemos que:
xi = np
Xi = np(1 p )
Xi . Observar que n
i = Para cada muestra, definimos la v.a. fraccin disconforme muestral como: p i seguir una distribucin Binomial con media y desviacin tpica: p i ]= E[ p E[X i ] =p n
y
i ]= Var [ p
Var [X i ] p (1 p ) = n n2
i N np, np (1 p ) Por tanto, np n
LSC = np + 3 np (1 p) Lnea central = np LIC = np 3 np (1 p)
Si p es desconocida, la podemos estimar (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):
p=
1 k i p k i =1
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:
IV - 7
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 =
1 k ni . k i =1
3.
Tambin se puede optar por tomar un n comn e igual al mayor de los ni , con lo que obtendramos unos lmites de control bastante sensibles, ya que la amplitud de la franja que indica proceso en estado de control es inversamente proporcional al tamao de la muestra.
En esta situacin de tamaos muestrales diferentes, el estimador para p sera:
p=
n p
i =1 k i
n
i =1
IV - 8
GRFICO C________________________________________________________
El diagrama C est basado en el nmero total de defectos (o no conformidades) en la produccin. Los principios estadsticos que sirven de base al diagrama de control C se basan en la distribucin de Poisson: Para construir el diagrama de control C empezamos por tomar k muestras X1, X2, ...,XK , de ni unidades cada una, i.e.: Xi = (Xi1, ..., Xi ni ). Sea u el nmero esperado de unidades defectuosas en cada una de las muestras. Para cada muestra se calcula el nmero uij de defectos de la unidad Xij , j = 1,...,ni . Si denotamos por ci al nmero de defectos totales en la muestra i-sima, es claro que c i =
u
j =1
ni
ij
Por otro lado, si denotamos por ui al valor esperado de defectos en la muestra i-sima, tendremos que
ui =

1 ni
u
j =1
ni
ij
. Observar pues que u i =
1 c i , i.e.: c i = u i ni . ni
Notar adems que E c i = E u i n i = ni E u i ni u . Es frecuente suponer que el nmero de defectos (sucesos no habituales) en una poblacin grande sigue una distribucin de Poisson. En este caso, supondremos que ci Po(niu).
[ ]
[ ]
N ni u , ni u Se cumplir que c i n
LSC = ni u + 3 ni u Lnea central = ni u LIC = ni u 3 ni u
Si u = E[ ui ] es desconocida, la podemos estimar (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):
= u
1 k ui k i =1
Como el tamao muestral (ni ) es diferente para cada subgrupo, a la hora de calcular los lmites segn el modelo de Shewart, podemos optar por: 1. 2. 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), Si los ni no difieren mucho unos de otros, podramos tomar n =
1 k ni . k i =1
3.
Tambin se puede optar por tomar un n comn e igual al mayor de los ni , con lo que obtendramos unos lmites de control bastante sensibles, ya que la amplitud de la franja que indica proceso en estado de control es inversamente proporcional al tamao de la muestra. IV - 9
Control Estadstico de la Calidad con MINITAB Ejemplo grfico C: Supongamos que trabajamos en una planta que produce sbanas blancas. Cada una de las piezas de tela producidas, a partir de las cuales se obtendrn las sbanas, ser considerada como vlida siempre que no tenga ms de un nmero determinado de pequeas manchas. Pretendemos generar un grfico C que nos permita visualizar el nmero de manchas de cada pieza. Usaremos los datos guardados en el archivo sabanas.mtw : Seleccionar Stat > Control Charts > C... Rellenar los campos como se indica:
C Chart for Manchas

8 7 6 3,0SL=7,677
Sample Count
5 4 3 2 1 0 0 10 20 30 40 -3,0SL=0,00E+00 C=2,725
Sample Number
Dado que los puntos parecen seguir un patrn aleatorio y ninguno de ellos cae fuera de los lmites de control de 3 sigma, podemos concluir que el proceso est bajo control. IV - 10
GRFICO U________________________________________________________
El diagrama U est basado en el nmero de defectos por unidad de inspeccin producida. Los principios estadsticos que sirven de base al diagrama de control U se basan en la distribucin de Poisson: Para construir el diagrama de control U empezamos por tomar k muestras X1, X2, ...,XK , de ni unidades cada una, i.e.: Xi = (Xi1, ..., Xi ni ). Sea u el nmero esperado de unidades defectuosas en cada una de las muestras. Para cada muestra se calcula el nmero uij de defectos de la unidad Xij , j = 1,...,ni . Si denotamos por ci al nmero de defectos totales en la muestra i-sima, es claro que c i =
u
j =1
ni
ij
Por otro lado, si denotamos por ui al valor esperado de defectos en la muestra i-sima, tendremos que
ui =

1 ni
u
j =1
ni
ij
. Observar pues que u i =
1 c i , i.e.: c i = u i ni . ni
Notar adems que E c i = E u i n i = ni E u i ni u . Es frecuente suponer que el nmero de defectos (sucesos no habituales) en una poblacin grande sigue una distribucin de Poisson. En este caso, supondremos que ci Po(ni u). Se cumplir que c i N ni u , ni u n
[ ]
[ ]
y, por tanto,
u . u i N u , n n i
LSC = u + 3 u
ni
Lnea central = u LIC = u 3 u ni
Si u = E[ ui ] es desconocida, la podemos estimar (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):
= u
1 k ui k i =1
Como el tamao muestral (ni ) es diferente para cada subgrupo, a la hora de calcular los lmites segn el modelo de Shewart, podemos optar por: 1. 2. 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), Si los ni no difieren mucho unos de otros, podramos tomar n =
1 k ni . k i =1
3.
Tambin se puede optar por tomar un n comn e igual al mayor de los ni , con lo que obtendramos unos lmites de control bastante sensibles, ya que la amplitud de la franja que indica proceso en estado de control es inversamente proporcional al tamao de la muestra. IV - 11
EJEMPLOS DE APLICACIN_________________________________________
Ejemplo 1: Una compaa electrnica manufactura circuitos en lotes de 500 y quiere controlar la proporcin de circuitos con fallos. Con este fin examina 20 lotes, obteniendo en cada lote el nmero de circuitos defectuosos que se indican en el archivo circuitos.mtw . Pretendemos analizar si el proceso est bajo control estadstico a partir de un grfico P:
P Chart for defectuo

1 0,04 3,0SL=0,03878
Proportion
0,03
0,02
P=0,02000
0,01 -3,0SL=0,001217 0 10 20
0,00
Sample Number
TEST 1. One point more than 3,00 sigmas from center line. Test Failed at points: 2
Se observa que ha fallado el contraste 1 para causas especiales, lo cual indica que el proceso est fuera de control estadstico.
IV - 12
IV. Grficos de Control por Atributos Ejemplo 2: Una compaa textil utiliza un grfico del nmero de defectos por unidad para controlar el nmero de defectos por metro cuadrado de tejido. El tejido se presenta en rollos de un metro de anchura y longitud variable, definindose la unidad de inspeccin como un metro cuadrado de tejido. Tras la inspeccin de 25 rollos se obtuvieron los datos de superficie (en metros cuadrados) y nmero de defectos por rollo almacenados en el archivo textil.mtw . Se pretende analizar si el proceso est o no bajo control usando un grfico U.
U C hart for defectos

0 ,7 0 ,6 3 ,0 S L =0 ,5 7 4 0
Sample Count
0 ,5 0 ,4 0 ,3 0 ,2 0 ,1 0 ,0 0 5 10 15 20 25 -3 ,0 S L = 0 ,0 0 2 0 7 6 U =0 ,2 8 8 0
S am ple Num ber

A partir del grfico anterior se concluye que el proceso parece estar bajo control estadstico, ya que no se observan problemas de puntos fuera de control, tendencias, ciclos, etc.
Ejemplo 3: Se utiliza un grfico del nmero de defectos C para controlar el nmero de automviles con pintura defectuosa en nuevas series fabricadas recientemente. 20 series del mismo modelo son inspeccionadas y el nmero de automviles con pintura defectuosa se ha registrado en el archivo autos.mtw . Estudiar si el proceso est o no bajo control.
C C h a rt fo r d e fe c tu o
15 1 3 ,0 S L = 1 3 ,6 7
Sample Count
10
C = 6 ,2 0 0 5
0 0 10 20
-3 ,0 S L = 0 ,0 0 E + 0 0
S a m p le N u m b e r
A partir del grfico anterior, se observa que el proceso no parece estar bajo control estadstico. IV - 13
V. Grficos de Control por Variables (2)
V.
GRFICOS DE CONTROL POR VARIABLES (2)
INTRODUCCIN____________________________________________________
Hasta ahora hemos estudiado los grficos de control tpicos tanto para variables como para atributos. Sin embargo, existe otra clase de grficos de control por variables que pueden mejorar los ya conocidos y que pueden utilizarse en ocasiones en que los grficos vistos ofrezcan dudas. En este captulo presentaremos los siguientes grficos de control por variables: Grfico EWMA: grfico de medias mviles con pesos exponenciales. Grfico de Medias Mviles: grfico de medias mviles sin pesos. Grfico CUSUM: grfico de sumas acumuladas de las desviaciones respecto a un valor nomial. Grfico de Zona: grfico que asigna un peso a cada punto en funcin de su distancia a la lnea central y representa los valores acumulados.
Los grficos EWMA, Medias Mviles, CUSUM, y de Zona producen diagramas de control tanto para el caso de datos en subgrupos como para observaciones individuales. Tpicamente se usan para evaluar el nivel del proceso. Sin embargo, tanto los diagramas EWMA como CUSUM pueden usarse tambin para representar grficos de control para rangos o desviaciones estndar muestrales a fin de evaluar la variacin del proceso. En el caso de los diagramas EWMA, Medias Mviles, y de Zona funcionan tanto en el caso de muestras del mismo tamao como para muestras de distinto tamao. Sin embargo, los grficos CUSUM necesitan que todos los subgrupos sean del mismo tamao.
GRFICOS EWMA__________________________________________________
Como ya se coment en la introduccin, un grfico EWMA es un diagrama de medias mviles con pesos exponenciales. Cada uno de los puntos del grfico contiene informacin de todos los subgrupos (u observaciones individuales) anteriores. Este tipo de grficos se puede disear para detectar un cambio en el proceso de cualquier tamao. Gracias a ello, se usan a menudo en la monitorizacin de los procesos, permitiendo la deteccin de pequeas desviaciones respecto al objetivo. La tabla que se muestra a continuacin contiene ocho medias muestrales junto con su valor EWMA asociado usando un peso de 0,2: SUBGRUPO Media EWMA 1 14,000 10,400 2 9,000 10,120 3 7,000 9,494 4 9,000 9,397 5 13,000 10,117 6 4,000 8,894 7 9,000 8,915 8 11,000 9,332
Para empezar, se define el valor EWMA para el subgrupo 0 como la media de todos los datos, en este caso 9,5. El valor EWMA para el subgrupo 1 ser 0,2*(14) + 0,8*(9,5) = 10,4. El valor EWMA para el subgrupo 2 ser 0,2*(9) + 0,8*(10,4) = 10,12. As, en general, si denotamos por w al peso, el valor EWMA (Zi ) para el subgrupo i-simo vendr dado por:
Z i = wx i + (1 w) Z i 1
i.e.,
V-1
Z i = wx i + w(1 w) x i 1 + w(1 w) 2 x i 2 + ... + w(1 w) i 1 x i + w(1 w) i x

En caso de trabajar con observaciones individuales, se usaran stas en lugar de las medias muestrales.
Ejemplo EWMA: Los datos contenidos en la columna C1 del archivo matprima.mtw representan el peso en kilos de cada lote de materia prima. Seleccionar Stat > Control Charts > EWMA :
EWMA Chart for Peso

950 3,0SL=951,0
940
EWMA
X=936,9 930 -3,0SL=922,8 920
Sample Number
En este caso, se observa claramente que el proceso est fuera de control, tanto porque se aprecan puntos que caen fuera de los lmites de control como por la existencia de un patrn no aleatorio.
V-2
GRFICOS DE MEDIAS MVILES_____________________________________

Un grfico de medias mviles es un diagrama en la que los puntos son medias calculadas a partir de subgrupos artificiales formados por datos consecutivos. Tales datos pueden ser observaciones individuales o medias de subgrupos. La tabla que se muestra a continuacin contiene ocho medias muestrales junto con su valor de media mvil de longitud 3 asociado:
SUBGRUPO Media Media Mvil
1 14,000 14,000
2 9,000 11,500
3 7,000 10,000
4 9,000 8,333
5 13,000 9,667
6 4,000 8,667
7 9,000 8,667
8 11,000 8,000
La media mvil para el primer subgrupo es de 14,0 (coincide con la media del mismo). La media mvil para el segundo subgrupo es el promedio de las primeras dos medias, i.e., (14 + 9) / 2 = 11,5. En este caso, los dos primeros subgrupos son especiales dado que la longitud que hemos tomado era de 3. Por tal motivo, los lmites de control asociados estarn ms alejados de la lnea central que en el resto de subgrupos. Las restantes medias mviles se calculan de la siguiente forma: para cada nuevo subgrupo, tomaremos el promedio de las ltimas 3 medias (incluyndo la del propio subgrupo).
GRFICOS DE SUMAS ACUMULADAS (CUSUM)_________________________

Un grfico de sumas acumuladas muestra las sumas acumuladas de las desviaciones de cada valor muestral con respecto al valor objetivo. El grfico puede estar basado en medias muestrales o en observaciones individuales. Cuando estamos trabajando con procesos bajo control, los diagramas CUSUM son buenos para detectar cambios con respecto al objetivo ya que dichos grficos incorporan informacin procedente de la secuencia de valores muestrales. Los puntos que representamos son las sumas acumuladas de las desviaciones de los valores muestrales con respecto al objetivo. Dichos puntos deberan fluctuar de forma aleatoria alrededor del cero. Si detectamos una tendencia, ya sea hacia arriba o hacia abajo, sta debera ser considerada como una evidencia de que la media muestral se ha desplazado.
Es posible representar dos tipos de grficos CUSUM: el diagrama por defecto representa dos CUSUM unilaterales. El CUSUM superior detecta desviaciones hacia arriba en el nivel del proceso, el CUSUM inferior detecta desviaciones hacia abajo. Este tipo de grfico utiliza lmites de control para determinar cuando estamos ante un proceso fuera de control. El otro tipo de grfico CUSUM es uno bilateral. Tal diagrama hace uso de una mscara V (en lugar de los habituales lmites de control de 3) para determinar cundo un proceso est fuera de control. Los grficos CUSUM vienen definidos por dos parmetros, h y k.: Tipo de grfico CUSUM h representa Unilateral El nmero de desviaciones estndar entre la lnea central y los lmites de control Bilateral (mscara V) Parte de la ecuacin que se utiliza en el clculo de la mscara V k representa El tamao del posible desplazamiento que queremos detectar La pendiente de los lados de la mscara V
V-3
Control Estadstico de la Calidad con MINITAB Ejemplo CUSUM bilaterial: 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 . En el captulo 3 ya dibujamos los grficos X-barra y R asociados a estos datos. En el grfico X-barra, el subgrupo 5 no satisfaca uno de los tests para causas especiales. Ahora, estamos interesados en estudiar posibles ligeras desviaciones respecto al objetivo, por lo que representaremos un grfico CUSUM: Seleccionar Stat > Control Charts > CUSUM :
CUSUM Chart for Distancia
Upper CUSUM
10
Cumulative Sum
5,67809
-5
Lower CUSUM
-5,67809 10 15 20 25
Subgroup Number
Observamos que los puntos asociados a los subgrupos 4 a 10 caen fuera del lmite superior, lo que sugiere la existencia de pequeas desviaciones con respecto al objetivo. V-4
GRFICOS DE ZONAS______________________________________________
Un grfico de zonas es un hbrido entre un grfico X-barra (o un grfico Individual) y un grfico CUSUM. En el diagrama de zonas se representan valores acumulativos basados en las zonas situadas a 1, 2, y 3 sigmas con respecto a la lnea central. Este tipo de grficos se suelen preferir a los diagramas X-barra o Individual debido a su gran simplicidad: se considerar que un punto est fuera de control si su valor asociado es mayor o igual a 8. As, no resultar necesario realizar un estudio sobre el posible comportamiento no aleatorio de los datos (como hacamos en los grficos de Shewart), ya que este mtodo es equivalente a cuatro de los tests estndar que usbamos en los diagramas X-barra e Individual. El grfico de zonas clasifica las medias muestrales (o las observaciones individuales) de acuerdo con su distancia respecto a la lnea central. Para cada media muestral (u observacin individual), el punto asociado se determina como sigue: 1. A cada observacin (media o individual) se le asigna un valor de zona, segn la siguiente tabla: Zona donde se sita la observacin Entre la lnea central y 1 Entre 1 y 2 Entre 2 y 3 Ms all de 3 Valor de zona asignado 0 2 4 8
2.
A cada observacin se le asigna un valor acumulado (que ser el que finalmente se represente en el grfico), segn el siguiente criterio: o o El primer punto es simplemente el valor de zona asociado a la primera observacin Cada uno de los puntos siguientes ser suma del valor de zona asociado y del valor acumulado del punto anterior, teniendo en cuenta que cada vez que un nuevo punto cruce la lnea central, el valor acumulado vuelve a considerarse como cero.
Cuando el valor acumulado supere el valor 8, se considera que el proceso est fuera de control.
Ejemplo grfico de zonas: Supongamos que trabajamos en una planta de produccin de cilindros metlicos. Como estamos interesados en estudiar la variable longitud del cilindro, tomamos 10 muestras diarias, cada una de ellas de tamao 5. Los datos se guardan en el archivo cilindros.mtw. Seleccionar Stat > Control Charts > Zone :
V-5
Control Estadstico de la Calidad con MINITAB Seleccionar Options > Reset cumulative score after each signal :
Zone Chart for longitud
Weights
8 +3 sigma 4 +2 sigma 2 +1 sigma 0 Mean 0 -1 sigma 2 -2 sigma 4 -3 sigma 8 4 598,888 6 8 599,281 0 0 0 599,674 600,066 2 6 600,459 4 10 600,852 601,244
10
Subgroup Number
Observamos que el valor acumulado del subgrupo 6 es de 8, lo cual significa que el proceso est fuera de control. Nos dicen que el operador reinici la mquina que produce los cilindros a partir del subgrupo 6 a fin de intentar solucionar el problema, reajustando para ello los parmetros de la mquina. Sin embargo, el grfico de zona detecta que el proceso vuelve a estar fuera de control en el subgrupo 10, esta vez en el lado opuesto de la lnea central, por lo que parece que el operador se excedi en el reajuste de los parmetros. V-6
GRFICOS Z-MR PARA SERIES CORTAS______________________________

Los grficos de control anteriores presuponen la existencia de un nmero de observaciones suficientemente grande como para estimar parmetros del proceso tales como y . Sin embargo, en ocasiones las series producidas no sern lo suficientemente largas como para que tales estimaciones sean fiables. As, por ejemplo, podramos usar una misma mquina para producir distintos productos, cada uno de ellos con una media y una desviacin estndar diferentes, y producidos en cantidades insuficientes como para que tales parmetros sean estimables de forma fiable con las tcnicas ya vistas. En tales casos, resulta necesario a recurrir a grficos para series cortas como el Z-MR, el cual utiliza las distintas series cortas para generar grficos de control estandarizados de observaciones individuales (Z) y rangos mviles (MR).
La idea bsica es la siguiente: supongamos que cada producto generado en un proceso tiene su propia media y desviacin estndar. Si resulta posible estimar tales parmetros, podremos estandarizar los datos restndoles la media y dividindolos por la correspondiente desviacin estndar. As, los datos estandarizados provendrn de una poblacin con media = 0 y desviacin tpica = 1. Ahora, podremos usar un nico grfico de control para tales datos estandarizados.
Un grfico Z-MR es un diagrama de observaciones individuales estandarizadas (Z) y de rangos mviles estandarizados (MR). A partir de la observacin conjunta de ambos grficos es posible analizar simultneamente tanto el nivel como la variacin del proceso.
Ejemplo grfico Z-MR: Supongamos que trabajamos en una planta de produccin de papel, con la caracterstica de que el proceso productivo genera series cortas. Sabemos adems, que la variacin del proceso es proporcional al grosor del papel producido (por lo que usaremos la opcin Relative to size a la hora de estimar ). Producimos tres tipos distintos de papel segn el grosor, y disponemos de datos procedentes de 5 series distintas en el archivo papel.mtw :
Seleccionar Stat > Control Charts > Z-MR :
V-7
Z-MR Chart
Standardized Log(data)
3,0SL=3,000
X=0,00E+00
-3,0SL=-3,000 5 10 15 3,0SL=3,686
Subgroup 4
Moving Range
3 2 1 0 R=1,128
-3,0SL=0,00E+00
V-8
VI. Capacidad de Procesos
VI. CAPACIDAD DE PROCESOS

INTRODUCCIN____________________________________________________
Una vez hayamos comprobado que el proceso est bajo control, estaremos interesados en saber si es un proceso capaz, es decir, si cumple con las especificaciones tcnicas deseadas. Para determinar si un proceso es o no capaz haremos uso de herramientas grficas (histogramas, grficos de control, y grficos de probabilidad). Tambin utilizaremos los llamados ndices de capacidad, que vendrn determinados por los cocientes entre la variacin natural del proceso y el nivel de variacin especificada. En principio, para que un proceso sea considerado capaz, su variacin actual no debera representar ms del 75% de la variacin permitida. El programa Minitab nos permite realizar anlisis de capacidad basados en la distribucin normal o en la distribucin Weibull. La opcin basada en el modelo normal nos proporciona un mayor nmero de estadsticos, si bien para usar esta opcin es necesario que los datos originales sigan una distribucin aproximadamente normal. As, por ejemplo, esta opcin nos dar estimaciones del nmero de unidades (o partes) por milln que no cumplen con las especificaciones. Tales estimaciones pueden transformarse en probabilidades de producir unidades que no cumplan con las especificaciones. Es importante recordar que para interpretar correctamente estos estadsticos es necesario que: (1) los datos se han obtenido a partir de un proceso bajo control, y (2) stos siguen una distribucin aproximadamente normal. De forma anloga, tambin es posible basarnos en el modelo Weibull para calcular las partes por milln que no cumplen con las especificaciones. Si los datos siguen una distribucin notablemente asimtrica, probabilidades basadas en el modelo normal no seran muy buenos estimadores de las verdaderas probabilidades de producir unidades que no cumplan con las especificaciones. En tal caso, podramos optar por: (1) usar la transformacin de Box-Cox para transformar los datos en otros cuya distribucin sea aproximadamente normal, o (2) usar el modelo Weibull.
SI
Siguen los datos una distribucin Normal?
NO
Usar distribucin Normal
Usar transformacin Box-Cox
Usar distribucin Weibull
VI - 1
A continuacin se presentan en una tabla las distintas opciones que ofrece el programa:
OPCIN
DESCRIPCIN
Dibuja un histograma de capacidad de las observaciones individuales superpuesto a una curva normal basada en la media Anlisis de Capacidad Normal y desviacin estndar del proceso (lo cual permite visualizar el supuesto de normalidad). Tambin incluye una tabla con ndices de capacidad, tanto estadsticos a corto plazo como a largo plazo. Dibuja un histograma de capacidad de las observaciones individuales superpuesto a una curva Weibull basada en la forma Anlisis de Capacidad Weibull y escala del proceso (lo cual permite visualizar el supuesto de que los datos siguen una Weibull). Tambin incluye una tabla con ndices de capacidad, todos ellos estadsticos a largo plazo. Combina los siguientes grficos junto a diversos ndices da capacidad: X-barra (o Individuales), R (o MR), y grfico de rachas, a Resumen (sixpack) de partir de los cuales podemos estudiar si el proceso est Capacidad Normal o no bajo control Un histograma de capacidad superpuesto a una curva normal, a partir del cual podemos analizar si se cumple la hiptesis de normalidad Un grfico de capacidad, el cual muestra la variabilidad del proceso comparndola con las especificaciones Combina los siguientes grficos junto a diversos ndices da capacidad: X-barra (o Individuales), R (o MR), y grfico de rachas, a Resumen (sixpack) de partir de los cuales podemos estudiar si el proceso est Capacidad Weibull o no bajo control Un histograma de capacidad superpuesto a una curva Weibull, a partir del cual podemos analizar si se cumple la hiptesis de que los datos siguen dicha distribucin Un grfico de capacidad, el cual muestra la variabilidad del proceso comparndola con las especificaciones
Los anlisis basados en el modelo normal calculan tanto la variacin a corto plazo como la variacin a largo plazo, mientras que los basados en el modelo Weibull slo calculan la variacin a largo plazo. Los estadsticos o ndices de capacidad asociados a la variacin a corto plazo son Cp, Cpk, CPU, y CPL; por otro lado, los ndices de capacidad asociados a la variacin a largo plazo son Pp, Ppk, PPU, y PPL. As, para calcular los estadsticos Cp, Cpk, CPU, y CPL, se estima la variacin (a corto plazo) a partir de la variacin dentro de los subgrupos, pero no se consideran las diferencias entre los distintos subgrupos. Por tal motivo, estos ndices representan la capacidad potencial, i.e., estiman la capacidad del proceso bajo la hiptesis de que no existen diferencias entre las medias de los subgrupos. Por su parte, los estadsticos Pp, Ppk, PPU, y PPL estiman la capacidad global o a largo plazo del proceso. Al calcular tales estadsticos, se estima la variabilidad a largo plazo considerando para ello todo tipo de variacin, tanto la que se produce dentro de los subgrupos como la que se produce entre ellos. La capacidad global o a largo plazo nos dice cmo se est comportando el proceso respecto a las especificaciones prefijadas. La capacidad potencial o a corto plazo nos dice cmo se comportara el proceso si consiguisemos eliminar la variabilidad entre los distintos subgrupos. La existencia de diferencias entre ambas capacidades nos indica la oportunidad de mejorar del proceso respecto a su estado actual.
VI - 2
ANLISIS DE CAPACIDAD (MODELO NORMAL)_________________________

Usaremos el anlisis de capacidad con el modelo normal cuando los datos provengan de una distribucin aproximadamente normal. El informe que genera el programa incluye un histograma de capacidad con una curva normal superpuesta, y una tabla completa de ndices de capacidad a corto y largo plazo. La curva normal se obtiene usando la media y desviacin tpica muestral.
El informe tambin incluye otros estadsticos de los datos del proceso, tales como la media, el valor esperado a priori u objetivo (en caso de haberlo indicado), la tolerancia natural del proceso, las desviaciones estndar a corto y largo plazo, las especificaciones del proceso, el comportamiento observado, y los comportamientos esperados a corto y largo plazo. De esta forma, el informe permite analizar de forma visual si los datos siguen o no un patrn normal, si el proceso est o no centrado en el objetivo, y si el proceso es capaz o no (es decir, si cumple con las especificaciones prestablecidas).
Los ndices de capacidad son estimaciones numricas de la capacidad del proceso, es decir, nos dan una idea de cun capaz es el proceso (a qu nivel cumple con las especificaciones). Estos estadsticos son muy tiles ya que, aparte de ser sencillos de calcular, no tienen unidades de medida, por lo que permiten comparar distintos procesos. Bsicamente, son el cociente entre la amplitud tolerable del proceso (la distancia entre los lmites de tolerancia o lmites de especificacin), y la amplitud real o natural del proceso (recordemos que, habitualmente, la distancia entre los lmites de control es de 6 sigma). Algunos de estos estadsticos se definen a partir de la media del proceso o del objetivo.
Los ndices de capacidad asociados con la variacin a corto plazo son Cp, Cpk, CPU, y CPL; por otro lado, los asociados con la variacin a largo plazo son Pp, Ppk, PPU, y PPL. En la prctica, se suele considerar que 1,33 es el valor mnimo aceptable para un ndice de capacidad (es decir, cualquier valor por debajo de esta cifra indicara que, aunque est bajo control estadstico, el proceso no cumple con las especificaciones deseadas).
A continuacin se muestran algunas referencias sobre cundo usar cada uno de los ndices:
NDICE
USO
DEFINICIN
FORMULA
(LES LEI) / 6
Cp o Pp
Cpk o Ppk
CPU o PPU
CPL o PPL
El proceso est Es el radio entre la amplitud centrado en los lmites permitida (distancia entre los de especificacin lmites de especificacin) y la amplitud natural El proceso no est Es el cociente entre la amplitud centrado en los lmites permitida y la amplitud natural, de especificacin, pero teniendo en cuenta la media del est contenido en ellos proceso respecto al punto medio de ambas lmites de especificacin El proceso slo tiene un lmite de especificacin superior El proceso slo tiene un lmite de especificacin inferior
Min{ (LES - )/3 , ( - LEI)/3 }
(LES - ) / 3 ( - LEI) / 3
VI - 3
Control Estadstico de la Calidad con MINITAB Ejemplo (anlisis de capacidad normal): Supongamos que trabajamos para la industria del automvil, concretamente en el departamento de ensamblaje de motores. Una de las partes del motor debe tener una longitud de 6002 mm para satisfacer las especificaciones tcnicas. Hemos tenido un problema con algunas de estas partes, las cuales no cumplan las citadas especificaciones. Tales partes pueden provenir de dos suministradores distintos y externos a la empresa. Tras realizar un grfico de control X-barra/R, observamos que las partes obtenidas del suministrador 2 provenan de un proceso que estaba fuera de control, por lo que optamos por prescindir de sus servicios hasta que su produccin vuelva a estar bajo control. Una vez parada la adquisicin de partes provenientes del suministrador 2, observamos que el nmero de defectos en la lnea de ensamblaje ha descendido significativamente, aunque los problemas no han desaparecido por completo. Decidimos pues realizar un anlisis de capacidad para estudiar si el suministrador 1 es capaz, l slo, de cumplir con nuestras especificaciones tcnicas. Los datos sobre el tamao de las partes provenientes de este suministrador se guardan en el archivo partes.mtw . Seleccionar Stat > Quality Tools > Capability Analysis (Normal):
VI - 4
Process Capability Analysis for Sumin_1

LSL
602,000 600,000 598,000 599,548 100 0,576429 0,620865
Process Data USL Target LSL Mean Sample N StDev (ST) StDev (LT)
USL
ST LT
Potential (ST) Capability Cp CPU CPL Cpk Cpm 1,16 1,42 0,90 0,90 0,87 598 Observed Performance PPM < LSL PPM > USL PPM Total 10000,00 0,00 10000,00 599 600 Expected ST Performance PPM < LSL PPM > USL PPM Total 3621,06 10,51 3631,57 601 602 Expected LT Performance PPM < LSL PPM > USL PPM Total 6328,16 39,19 6367,35
Overall (LT) Capability Pp PPU PPL Ppk 1,07 1,32 0,83 0,83
Para poder interpretar correctamente los ndices de capacidad obtenidos necesitamos verificar primero que nuestros datos provienen de una distribucin aproximadamente normal, lo cual parece cumplirse a raz del histograma anterior.
Podemos ver, sin embargo, que la media del proceso es algo inferior al objetivo, y que la cola izquierda de la distribucin cae fuera del lmite de especificacin inferior (LSL en el grfico). Esto significa que veremos ocasionalmente algunas partes que no cumplen la especificacin inferior de 598 mm.
El ndice Cpk nos sirve para determinar si el proceso generar unidades que verifiquen las especificaciones. En este caso, el Cpk para el suministrador 1 es de slo 0,90. Ello significa que nuestro suministrador debe mejorar su proceso va una reduccin de la variacin y un mejor ajustado al objetivo.
De forma similar, el valor de PPM < LSL (i.e., el nmero esperado de partes por milln cuya longitud ser inferior al LEI) es de 3621,06.
VI - 5
Control Estadstico de la Calidad con MINITAB Ejemplo (anlisis de capacidad usando Box-Cox): Supongamos que trabajamos en una fbrica que produce baldosas para el suelo, y que estamos interesados en estudiar la curvatura de las mismas a fin de garantizar la calidad de la produccin. A tal efecto, medimos la curvatura de 10 muestras diarias durante un perodo total de 10 das. Los datos estn contenidos en el archivo baldosas.mtw . En primer lugar, realizaremos un histograma de los datos: Seleccionar Graph > Histogram :
15
Frequency
10
0 0 1 2 3 4 5 6 7 8 9
Curvatura
El histograma anterior muestra claramente que los datos no se distribuyen normalmente, por lo que optaremos por usar una transformacin de Box-Cox a fin de obtener datos cuya distribucin se aproxime a la de una normal.
VI - 6
En primer lugar, deberemos hallar el valor de ptimo para realizar la transformacin. Despus, realizaremos el anlisis de capacidad eligiendo la opcin transformacin Box-Cox con el obtenido: Seleccionar Stat > Control Charts > Box-Cox Transformation :
Box-Cox Plot for Curvatura

95% Conf idence Interv al
40
Low
Last Iteration Info Lambda 0,392 0,449 0,506 StDev 1,608 1,608 1,611
30
Est Up
StDev
20
10
0 -1,0 -0,5 0,0 0,5 1,0 1,5 2,0 2,5 3,0 3,5 4,0 4,5 5,0
Lambda
Observamos que el mejor estimador para es 0,449. A efectos prcticos, podramos tomar = 0,5 ya que esta transformacin (la raz cuadrada) es mucho ms intuitiva y adems est dentro del intervalo de confianza del 95% (denotado por las lneas rojas verticales). Por tanto, realizaremos ahora un anlisis de capacidad usando una transformacin de Box-Cox con = 0,5:
VI - 7
Control Estadstico de la Calidad con MINITAB Seleccionar Stat > Quality Tools > Capability Analysis (Normal) :
Process Capability Analysis for Curvatura

Box-Cox Transformation, With Lambda = 0,5
Process Data USL USL* Target LSL LSL* Mean Mean* Sample N StDev (ST) StDev* (ST) StDev (LT) StDev* (LT) 8,00000 2,82843 * * * 2,92307 1,62374 100 1,75687 0,52794 1,79048 0,53934
USL*
ST LT
Potential (ST) Capability * Cp 0,76 CPU * CPL 0,76 Cpk * Cpm Overall (LT) Capability * Pp 0,74 PPU * PPL 0,74 Ppk
0,0
0,5
1,0
1,5
2,0
2,5
3,0
3,5
Observed Performance * PPM < LSL 20000,00 PPM > USL 20000,00 PPM Total
Expected ST Performance * PPM < LSL 11248,77 PPM > USL 11248,77 PPM Total
Expected LT Performance * PPM < LSL 12754,26 PPM > USL 12754,26 PPM Total
Como se puede apreciar en el histograma central, la transformacin utilizada ha logrado normalizar los datos. Por tanto, los ndices de capacidad obtenidos sern vlidos. Dado que slo introdujimos el lmite de especificacin superior, los ndices que aparecen son el CPU y el Cpk. Ambos estadsticos valen 0,76, valor muy inferior a nuestro valor de referencia de 1,33. Por tanto, nuestro proceso no parece ser capaz. De hecho, tambin es posible apreciar en el histograma que algunos de los datos caen fuera del lmite de especificacin superior (lnea roja vertical). El siguiente paso sera realizar un anlisis de capacidad para estos datos usando un modelo Weibull. VI - 8
ANLISIS DE CAPACIDAD (MODELO WEIBULL)_________________________

Conviene recordar en este punto que la distribucin de Weibull es, en realidad, toda una familia de distribuciones que incluyen, como casos particulares, la distribucin Exponencial y la de Rayleigh. Sus parmetros son la forma () y la escala (). La apariencia de la curva Weibull vara notablemente en funcin del valor de . As por ejemplo, para =1 tenemos una distribucin Exponencial, mientras que para =2 estamos ante una distribucin de Rayleigh:
Probability Density Function y=weibull(x;1;1;0) 1,300 0,975 0,650 0,325 0,000 0,498 0,995 1,493 1,990 2,0 1,5 1,0 0,5 0,0
Probability Density Function y=expon(x;1)
0,748
1,495
2,243
2,990
Probability Density Function y=weibull(x;1;2;0) 1,300 0,975 0,650 0,325 0,000 0,498 0,995 1,493 1,990 1,40 1,05 0,70 0,35 0,00 0,00
Probability Density Function y=rayleigh(x;1)
1,25
2,50
3,75
5,00
Como ya dijimos en la introduccin, usaremos el anlisis de capacidad modelo Weibull cuando los datos sigan una distribucin que se pueda aproximar por una Weibull. El informe que se genera incluye un histograma de capacidad superpuesto a una curva Weibull (cuyos parmetros se estiman a partir de las observaciones), junto con una tabla de ndices de capacidad a largo plazo.
Tambin se incluyen en el informe otros estadsticos asociados al proceso, tales como la media, los parmetros de la distribucin (forma y escala), el objetivo (si se ha especificado), la tolerancia natural o real del proceso, los lmites de especificacin, la capacidad real a largo plazo, etc.
De esta forma, el informe permite determinar de forma visual el comportamiento del proceso respecto al objetivo, analizar si los datos siguen una distribucin Weibull, y estudiar la capacidad o no del proceso.
En el modelo Weibull, el programa calcula los ndices de capacidad a largo plazo, i.e., Pp, Ppk, PPU, y PPL. Dichos clculos se basan en estimadores de mxima verosimilitud para los parmetros de la distribucin Weibull. En caso de estar interesados en calcular ndices a corto plazo (como el Cp y el Cpk) para datos no normales, deberemos usar el modelo normal aplicando antes una transformacin de Box-Cox.
VI - 9
Control Estadstico de la Calidad con MINITAB Ejemplo (anlisis de capacidad Weibull): Volveremos a nuestro ejemplo anterior de las baldosas (baldosas.mtw) para realizar ahora un anlisis de capacidad basado en el modelo Weibull. Seleccionar Stat > Quality Tools > Capability Analysis (Weibull) :
Process Data USL Target LSL Mean Sample N Shape Scale 8,00000 * * 2,92564 100 1,69368 3,27812
Process Capability Analysis for Curvatura

Calculations Based on Weibull Distribution Model
USL
Ov erall (LT) Capability Pp PPU PPL Ppk * 0,77 * 0,77
Observ ed LT Perf ormance PPM < LSL PPM > USL PPM Total * 20000,00 20000,00
Expected LT Perf ormance PPM < LSL PPM > USL PPM Total * 10764,53 10764,53
10
En primer lugar, observamos que el histograma de capacidad parece confirmar que los datos se pueden aproximar bastante bien por una Weibull. De todas formas, se aprecia que la cola derecha de la distribucin cae fuera del lmite de especificacin superior. Ello significa que hay baldosas cuya curvatura supera el valor especificado de 8 mm. Los ndices Ppk y PPU nos ayudan a determinar si el proceso es o no capaz. Ambos ndices valen 0,77, valor que queda bastante por debajo de nuestro valor de referencia 1,33. Parece pues que el proceso no es capaz (no cumple las especificaciones tcnicas deseadas). De igual forma, el valor de PPM > USL es de 20.000, lo que significa que en cada milln de baldosas producidas, 20.000 de ellas no cumplirn con las especificaciones sobre la curvatura. VI - 10
RESUMEN (SIXPACK) DE CAPACIDAD NORMAL________________________

Usaremos esta opcin cuando queramos generar un informe rpido y completo que nos permita analizar si un proceso es o no capaz. Este informe incluye las siguientes partes:
Un grfico de control X-barra (o Individuales) Un grfico de control R (o MR) Un grfico de rachas de los ltimos 25 subgrupos (o datos individuales) Un histograma de las observaciones Un grfico de probabilidad Normal Un grfico de capacidad del proceso ndices de capacidad a corto plazo (Cp, Cpk), y a largo plazo (Pp, Ppk)
Los grficos X-barra y R, junto con el de rachas nos permitirn determinar si el proceso est o no bajo control estadstico. El histograma y el grfico de probabilidad normal nos permitirn verificar el supuesto de que los datos se distribuyen segn una Normal. Finalmente, el grfico de capacidad nos proporciona informacin visual de la variabilidad del proceso en comparacin con la variabilidad permitida. Al combinar toda esta informacin con los ndices de capacidad, deberamos ser capaces de: (1) determinar si el proceso est bajo control, y (2) si el proceso cumple con las especificaciones tcnicas (es capaz).
Ejemplo (sixpack normal): Regresando a nuestro ejemplo de la cadena de ensamblaje para motores (archivo partes.mtw ), veamos cmo podramos aplicar aqu la opcin sixpack en el caso de nuestro suministrador 1:
Seleccionar Stat > Quality Tools > Capability Sixpack (Normal) :
VI - 11
Process Capability Sixpack for Sumin_1

Xbar and R Chart
600,5 3,0SL=600,3 600,0
Capability Histogram
Means
599,5 599,0
X=599,5
-3,0SL=598,8
598,0 599,5 601,0
Subgr 0 3 2
10
20
Normal Prob Plot

3,0SL=2,835
Ranges
R=1,341 1 0 -3,0SL=0,00E+00 598,0 599,5 601,0
Last 20 Subgroups
601 600 599 598 0 10 20
Capability Plot
Potential (ST) StDev: 0,576429 Cp: 1,16 Cpk: 0,90 Overall (LT) StDev: 0,620865 Pp: 1,07 Ppk: 0,83 Process Tolerance
I I I I I I I I I ST LT
Values
598
602
Specifications
Subgroup Number
En ambos grficos de control (X-barra y R), se observa que los puntos siguen un patrn aleatorio y que en ningn caso stos exceden los lmites de control, por lo que podemos considerar que el proceso productivo de nuestro suministrador 1 est bajo control estadstico. Conviene recordar aqu la importancia de comparar el comportamiento evolutivo de los puntos en X-barra y R para ver si ambos estn relacionados. En este caso no se aprecia ningn tipo de dependencia.
Los puntos del diagrama de rachas forman una nube aleatoria y bastante horizontal, en la que no se observan tendencias ni desplazamientos. Ello tambin contribuye a considerar que el proceso est bajo control y se muestra estable.
Para poder interpretar correctamente los ndices de capacidad obtenidos, debemos comprobar que se verifica la hiptesis de normalidad. A raz de lo que muestran tanto el histograma como el grfico de probabilidad, no parece haber mayor problema en este sentido.
Sin embargo, llegados al grfico de capacidad observamos que la tolerancia del proceso cae por debajo del lmite de especificacin inferior. Esto significa que nos encontraremos piezas que no cumplan con la especificacin mnima de medir 598 mm.
De forma coherente con el grfico de capacidad, el valor de los ndices Cp (1,16) y Cpk (0,90) es inferior a nuestro valor de referencia (1,33), por lo que concluimos que nuestro suministrador 1 necesitar mejorar su proceso de produccin para lograr que ste sea capaz.
VI - 12
VI. Capacidad de Procesos Ejemplo (sixpack normal usando Box-Cox): Volvamos ahora al ejemplo de la fbrica de baldosas para el suelo ( baldosas.mtw ). En un anlisis anterior ya dedujimos que era oportuno aplicar una transformacin Box-Cox a los datos con = 0,5. Veamos cmo generar un informe sixpack en tales condiciones: Seleccionar Stat > Quality Tools > Capability Sixpack (Normal) :
Process Capability Sixpack for Curvatura

Box-Cox Transformation With Lambda = 0,5
Xbar and R Chart
2,2 3,0SL=2,125 1,8 X=1,624 1,4 -3,0SL=1,123 1,0 Subgr 0 3 2 R=1,625 1 -3,0SL=0,3625 0 1 2 3 1 2 3 4 5 6 7 8 9 10
1 2 3
Means
Normal Prob Plot

3,0SL=2,887
Ranges
Last 10 Subgroups
2,9 2,1 1,3 0,5 0 1 2 3 4 5 6 7 8 9 10
Capability Plot
Potential (ST) StDev: 0,527940 Cp: * Cpk: 0,76 Overall (LT) StDev: 0,539344 Pp: * Ppk: 0,74 Process Tolerance
I I I I I I I ST LT
Values
Specifications
Subgroup Number
VI - 13
Control Estadstico de la Calidad con MINITAB Una vez ms, comprobamos que tanto en el grfico X-barra como en el R los puntos se distribuyen de forma aleatoria y dentro de los lmites de control, por lo que el proceso parece estable. Adems, no parece existir relacin alguna entre el comportamiento de los puntos en un grfico y el en el otro. Por su parte, la nube de puntos que aparece en el grfico de rachas parece no seguir ninguna tendencia especial, y su forma horizontal refuerza la idea de un proceso bajo control. A partir del histograma y del grfico de probabilidad, podemos pensar que los datos (tras la transformacin Box-Cox) se distribuyen de forma aproximadamente normal, por lo que los ndices que obtengamos sern vlidos a la hora de interpretar la capacidad del proceso. Finalmente, constatamos que el proceso no parece cumplir con las especificaciones: en el grfico de capacidad ya vemos cmo la tolerancia del proceso excede el lmite de especificacin superior, idea que resulta coherente con el hecho de que los ndices de capacidad Cpk y Ppk sean ambos inferiores al valor de referencia 1,33.
RESUMEN (SIXPACK) DE CAPACIDAD WEIBULL________________________

Usaremos esta opcin cuando queramos generar un informe rpido y completo que nos permita analizar si un proceso es o no capaz. Este informe es anlogo al del modelo normal con los cambios correspondientes: Un grfico de probabilidad Weibull ndices de capacidad a largo plazo (Pp, Ppk)
De forma anloga al modelo normal, los grficos X-barra y R, junto con el de rachas nos permitirn determinar si el proceso est o no bajo control estadstico. El histograma y el grfico de probabilidad Weibull nos permitirn verificar el supuesto de que los datos se distribuyen segn una Weibull. Finalmente, el grfico de capacidad nos proporciona informacin visual de la variabilidad del proceso en comparacin con la variabilidad permitida. Al combinar toda esta informacin con los ndices de capacidad, deberamos ser capaces de determinar si el proceso est bajo control y de confirmar si el proceso cumple con las especificaciones tcnicas (es un proceso capaz).
Ejemplo (sixpack Weibull): Continuando con el ejemplo de las baldosas, veamos cmo podramos aplicar aqu la opcin sixpack sin recurrir a una transformacin Box-Cox: Seleccionar Stat > Quality Tools > Capability Sixpack (Weibull) :
VI - 14
Process Capability Sixpack for Curvatura

Xbar and R Chart
3,0SL=4,590 4
Means
3 2 1 Subgr 0 9 1 2 3 4 5 6 7 8 9 10
X=2,923
-3,0SL=1,256
0 4 8
Weibull Prob Plot

3,0SL=9,609
Ranges
6 3
R=5,408
-3,0SL=1,206 0 0,1 1,0 10,0
Last 10 Subgroups
7,5
Capability Plot
Process Tolerance Overall (LT)
I I I I
Values
5,0 2,5 0,0 0 1 2 3 4 5 6 7 8 9 10
Shape: 1,69368 Scale: 3,27812 Pp: * Ppk: 0,77
Specifications
Subgroup Number
En ambos grficos de control (X-barra y R), se observa que los puntos siguen un patrn aleatorio y que en ningn caso stos exceden los lmites de control, por lo que podemos considerar que el proceso productivo est bajo control estadstico. Conviene recordar aqu la importancia de comparar el comportamiento evolutivo de los puntos en X-barra y R para ver si ambos estn relacionados. En este caso no se aprecia ningn tipo de dependencia.
Los puntos del diagrama de rachas forman una nube aleatoria y bastante horizontal, en la que no se observan tendencias ni desplazamientos. Ello tambin contribuye a considerar que el proceso est bajo control y se muestra estable.
Para poder interpretar correctamente los ndices de capacidad obtenidos, debemos comprobar que se verifica la hiptesis de que los datos se distribuyen siguiendo una Weibull. A raz de lo que muestran tanto el histograma como el grfico de probabilidad, no parece haber mayor problema en este sentido.
Sin embargo, llegados al grfico de capacidad observamos que la tolerancia del proceso excede con mucho el lmite de especificacin superior. Esto significa que nos encontraremos con baldosas que no cumplan con la especificacin mxima de 8 mm.
De forma coherente con el grfico de capacidad, el valor del ndice Ppk es inferior a nuestro valor de referencia (1,33), por lo que concluimos que nuestro proceso no es capaz.
VI - 15

Control Estadistico de Calidad - UOC1

Încărcat de

Informații document

Descriere originală:

Drepturi de autor

Formate disponibile

Partajați acest document

Partajați sau inserați document

Opțiuni de partajare

Vi se pare util acest document?

Este necorespunzător acest conținut?

Drepturi de autor:

Formate disponibile

Control Estadistico de Calidad - UOC1

Încărcat de

Drepturi de autor:

Formate disponibile

ControlEstadsticode Calidad

I. Herramientas para la Planificacin de la Calidad

I. HERRAMIENTAS PARA LA PLANIFICACIN DE LA CALIDAD

GRFICOS DE RACHAS (RUN CHARTS)_______________________________

Run Chart for C1

6,95 6,85 6,75 6,65 10 20 30

Demasiadas rachas: la lnea negra cruza muchas veces la mediana

6 ,7 a u s e n cia d e p u n to s ce rca d e la ln e a ce n tra l 6 ,2

Insuficientes rachas: la lnea negra cruza pocas veces la mediana

I. Herramientas para la Planificacin de la Calidad

Datos con Os cilaciones

6,95 6,85 6,75 6,65 10 20 30

Datos con Tendencia

Insuficientes rachas: la lnea negra muestra tendencias crecientes o decrecientes

6,98 6,88 6,78 6,68 20 30 40 Tendencia as cendente

Rellenamos los campos como se indica a continuacin:

I. Herramientas para la Planificacin de la Calidad El resultado es el siguiente:

Run Chart for Radiacin

Control Estadstico de la Calidad con MINITAB

El grfico que obtenemos es el siguiente:

Pareto Chart for DEFECT O

I. Herramientas para la Planificacin de la Calidad

DIAGRAMAS DE CAUSA-EFECTO (FISHBONE)__________________________

Control Estadstico de la Calidad con MINITAB

GRFICOS DE VARIANZA (MULTI-VARI CHART)_________________________

I. Herramientas para la Planificacin de la Calidad

Control Estadstico de la Calidad con MINITAB

Lower Distance to Median

II. Anlisis de Sistemas de Medicin

II. ANLISIS DE SISTEMAS DE MEDICIN

preciso, pero no exacto

exacto, pero no preciso

Control Estadstico de la Calidad con MINITAB

Variacin en el Sistema de Medicin

Variacin debida al Aparato (Repetibilidad)

Variacin debida a Operarios (Reproductibilidad)

Operario por Elemento

II. Anlisis de Sistemas de Medicin

Gage R&R Study - ANOVA Method

Two-Way ANOVA Table With Interaction

Contribucin de cada una de las partes a la varianza total

%Contribution 10,67 3,10 7,56 2,19 5,37 89,33 100,00

%Study Var 32,66 17,62 27,50 14,81 23,17 94,52 100,00

Number of Distinct Categories = 4

Control Estadstico de la Calidad con MINITAB

Gage R&R (ANOVA) for M edicin

Gage name: Date of study: Reported by: Tolerance: Misc:

X bar Chart by Operador

0 Gage R&R Repeat Reprod Part-to-Part

II. Anlisis de Sistemas de Medicin

Gage R&R Study - ANOVA Method

Two-Way ANOVA Table With Interaction

Two-Way ANOVA Table Without Interaction

%Contribution 84,36 84,36 0,00 0,00 15,64 100,00

%Study Var 91,85 91,85 0,00 0,00 39,55 100,00

Number of Distinct Categories = 1

Control Estadstico de la Calidad con MINITAB

Gage R&R (ANOVA) for Medicin

450 X=406,2 350 250 0 -3,0SL=256,5

440 390 340

300 200 100 0 0 -3,0SL=0,00E+00

GRFICOS DE RACHAS PARA MEDICIONES____________________________

II. Anlisis de Sistemas de Medicin