INTERPRETACIONES ESTADSTICAS

En un documento en Word seale las interpretaciones

estadsticas de cada uno de los test aplicables a los grficos XBarra/R o X-Barra/S. Explique la interpretacin estadstica de los
distintos coeficientes definidos para el estudio de capacidad de
procesos. Enva tu archivo a travs de este medio.
SOLUCION

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 mustrales 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 mustrales. 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 X i1 , 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:

Por el Teorema Central del Lmite,

n

X N

=y =

Segn el modelo de Shewart tendremos que:

LSC = + 3

Lnea central =

LIC = 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):

1
= X =

Xi

1
=
X i n

donde

i=1

ij

j =1

Observar que es estimador insesgado de ya

que E

X =

k
1 E[X i ]= = .
x

k i=11

Si es desconocida, la podemos estimar a partir de los rangos R i (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:

Ri
d 2 (n)

E[
R

]
i

d2
(n)

d 2 (n)

d 2 (n)

As, es buena idea tomar como estimador de el promedio de los Ri / d2(n) :

1 k Ri
R
=
=
k = d (n) d (n)
i1

( 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 n i 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

1
n =k

n .
i

i=1

En esta situacin de tamaos muestrales diferentes, los estimadores

para y sern:

n
i

Xi
y

1
k

Ri
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:

X-bar Chart for Distanci

3,0SL=4,700

2,0SL=3,281

Sample Mean

1,0SL=1,861

2
1

X=0,4417

-1,0SL=-

-1
0,9778

-2
-3

-2,0SL=-

-4

2,397

-5
0

10

15

Sample Number

20 -3,0SL=3,817

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.

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 X i1 , 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:

Por el Teorema Central del Lmite,

n

X N

=y =

Segn el modelo de Shewart tendremos que:

LSC = + 3

n
Lnea central =
LIC = 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):

1
= X =

Xi

1
X i =n

donde

i=1

ij

j =1

Observar que es estimador insesgado de ya

que E

1
X ]=

E[X i ]= = .
x

k i=11

Si es desconocida, la podemos estimar a partir de las desviaciones estndar S i (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

Si =

n (X ij

)2

. Se cumple que

n 1 j =1

donde

c4(n) es un valor tabulado que depende de n .

-

Notar que Si / c4(n) es un estimador insesgado de , ya que:

i

E[
S

Si = c4 (n) ,

c (n)

c4 (n)

c4 (n)

c4 (n)
As, es buena idea tomar como estimador de el promedio de los Si / c4(n) :

1
=

Si

=
i1

c (n)
4

es estimador insesgado

( de )

c (n)
4

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 n i 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

1
n =k

n .
i

i=1

En esta situacin de tamaos muestrales diferentes, los estimadores

para y sern:

n
i

Xi

1
k

Si

c4 (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 X i1 , Xi2 , ..., Xin a las n
observaciones que formaban la muestra i-sima, donde i = 1,2,...,k.

i = 1,2,...,k , se cumple que

valor tabulado que depende
de n.
Se cumple
que:

S
i

Si = 1 (c4 (n))2 , donde c4(n) es

Si = c4 (n) , y un

(n) , 1 (c

Nc

(n)) 2
4

Por tanto, segn el modelo de Shewart, tendremos que:

LSC = c4 (n) + 3 1 (c 4 (n))2

Lnea central = c4 (n)

LIC = c4 (n) 3 1 (c 4 (n))2

Si es desconocida, la podemos estimar a partir de las desviaciones estndar S i 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.